CN113269318A - 电子设备及其神经网络模型运行方法、存储介质 - Google Patents

Abstract

本申请涉及电子技术领域，公开了一种电子设备及其神经网络模型运行方法、存储介质。该电子设备包括第一处理器和第二处理器，上述方法包括：第一处理器运行简化模型并根据简化模型的运行结果判断是否满足神经网络模型的运行条件；第一处理器在简化模型的运行结果满足神经网络模型的运行条件的情况下，唤醒第二处理器运行神经网络模型；其中，简化模型为通过下列中的至少一种方式将神经网络模型简化得到：减少所述神经网络模型的输入参数；简化所述神经网络模型的网络结构。如此，第二处理器只在简化模型的运行结果满足神经网络模型的运行条件时才被唤醒并运行神经网络模型，降低了第二处理器的功耗，提升了电子设备的续航能力。

Description

电子设备及其神经网络模型运行方法、存储介质

技术领域

本申请涉及电子技术领域，特别涉及一种电子设备及其神经网络模型运行方法、存储介质。

背景技术

随着人工智能(artificial intelligence，AI)的迅速发展，神经网络处理器(neural network processing unit，NPU)在电子设备中的应用越来越广泛，例如通过NPU实现用户运动状态识别、用户心率监测、设备状态监测等。但是，随着电子设备尤其是便携式电子设备(例如家用电子设备、可穿戴电子设备、物联网设备)中的传感器越来越多，人工智能模型(例如神经网络模型)的复杂程度越来越大，直接将人工智能模型部署在NPU中会使NPU持续运行，导致NPU功耗较高，降低了电子设备的续航能力，影响用户体验。

发明内容

有鉴于此，本申请实施例提供了一种电子设备及其神经网络模型运行方法、存储介质，通过简化神经网络模型生成简化模型，并由电子设备的第一处理器运行简化模型，当简化模型的运行结果满足神经网络的运行条件时才唤醒第二处理器运行神经网络模型。如此，第二处理器只在简化模型的运行结果满足神经网络模型的运行条件时才唤醒，降低了第二处理器的功耗，提升了电子设备的续航能力。

第一方面，本申请实施例提供了一种神经网络模型运行方法，该方法包括：第一处理器运行简化模型并根据简化模型的运行结果判断是否满足神经网络模型的运行条件；第一处理器在简化模型的运行结果满足运行条件的情况下，唤醒第二处理器运行神经网络模型；其中，简化模型为通过下列中的至少一种方式将神经网络模型简化得到：减少所述神经网络模型的输入参数；简化所述神经网络模型的网络结构。如此，第二处理器只在简化模型的运行结果满足神经网络模型的运行条件时才被唤醒并运行神经网络模型，降低了第二处理器的功耗，提升了电子设备的续航能力。

例如，神经网络模型可以为运动类型识别模型，通过减少运动类型识别模型的输入参数、减少运动类型识别模型的网络结构生成用户状态识别模型，由电子设备的第一处理器运行用户状态识别模型，当第一处理器确定电子设备的用户在进行运动时，第一处理器唤醒第二处理器，第二处理器运行运动类型识别模型。如此，第二处理器只在电子设备的用户处于运动状态时才被唤醒，降低了第二处理器的功耗，提升了电子设备的续航能力。

结合上述第一方面的第一种可能的实现中，上述方法还包括：在第二处理器运行神经网络模型后，在简化模型的运行结果不满足神经网络模型的运行条件的情况下，将第二处理器设置为休眠。

结合上述第一方面的第二种可能实现中，上述神经网络模型为运动类型识别模型，运动类型识别模型用于识别电子设备的用户在进行的运动的类型。

结合上述第一方面的第二种可能实现的第三种可能实现中，上述运动类型识别模型包括传感器融合网络、分类神经网络和长短期记忆网络。

结合上述第一方面的第三种可能实现的第四种可能实现中，上述神经网络模型的运行条件为检测到电子设备的用户处于运动状态。

结合上述第一方面的第四种可能实现的第五种可能实现中，上述简化神经网络模型的网络结构包括：将包括传感器融合网络、分类神经网络和长短期记忆网络的运动类型识别模型简化为仅包括分类神经网络的简化模型。

结合上述第一方面的第五种可能实现的第六种可能实现中，上述方法还包括：第二处理器将运动类型识别模型的运行结果传送给第一处理器，运行结果为电子设备的用户在进行的运动类型；第一处理器根据运行结果统计电子设备的用户的运动量。

结合上述第一方面的第七种可能实现中，上述神经网络模型为生理状态预警模型，该生理状态预警模型用于确定电子设备的用户的生理特征变化是否与电子设备的用户的运动状态相符。

结合上述第一方面的第七种可能实现的第八种可能实现中，上述生理状态预警模型包括多层感知网络以及包括传感器融合网络、分类神经网络和长短期记忆网络。

结合上述第一方面的第八种可能实现的第九种可能实现中，上述神经网络模型的运行条件为检测到电子设备的用户的生理特征发生异常；其中，电子设备的用户的生理特征发生异常包括以下情况中的至少一种：电子设备的用户的心率偏离正常值；电子设备的用户的血氧偏离正常值；电子设备的用户的血压偏离正常值。

结合上述第一方面的第九种可能实现的第十种可能实现中，上述简化神经网络模型的网络结构具体包括：将包括运动类型识别模型和多层感知网络的生理状态预警模型简化为仅包括单层感知网络的简化模型。

结合上述第一方面的第十种可能实现的第十一种可能实现中，上述方法还包括：第二处理器将生理状态预警模型的运行结果传送给第一处理器，运行结果为电子设备的用户的生理特征是否与运动状态相符；第一处理器根据运行结果提示电子设备的用户，包括：在运行结果为用户生理特征异常但与运动状态相符时，警示电子设备的用户；在运行结果为电子设备的用户生理特征异常且与运动状态不符时，警告电子设备的用户和/或向医疗机构求助。

在上述第一方面的一种可能实现中，上述第一处理器为微控制单元。

在上述第一方面的一种可能实现中，上述第二处理器为神经网络处理器。

第二方面，本申请实施例提供一种可读介质，该可读介质中包含有指令，当指令被电子设备的处理器执行时使电子设备实现上述第一方面所述的任一神经网络模型运行方法。

第三方面，本申请实施例提供一种电子设备，该电子设备包括：存储器，用于存储由电子设备的一个或多个处理器执行的指令；以及第一处理器和第二处理器，用于上述指令使电子设备实现上述第一方面所述的任一神经网络模型运行方法。

附图说明

图1根据本申请的一些实施例，示出了一种模型部署的场景示意图；

图2根据本申请的一些实施例，示出了一种电子设备的结构示意图；

图3根据本申请的一些实施例，示出了一种模型部署方法的流程示意图；

图4根据本申请的一些实施例，示出了一种模型运行方法的流程示意图；

图5根据本申请的一些实施例，示出了一种模型部署方法和处理器运行方法的应用场景示意图；

图6根据本申请的一些实施例，示出了一种模型部署方法的流程示意图；

图7根据本申请的一些实施例，示出了一种运动类型识别模型的结构示意图；

图8根据本申请的一些实施例，示出了一种用户状态识别模型的结构示意图；

图9根据本申请的一些实施例，示出了一种处理器运行方法的流程示意图；

图10根据本申请的一些实施例，示出了一种模型部署方法和处理器运行方法的应用场景示意图；

图11根据本申请的一些实施例，示出了一种模型部署方法的流程示意图；

图12根据本申请的一些实施例，示出了一种生理状态预警模型的结构示意图；

图13根据本申请的一些实施例，示出了一种生理特征监测模型的结构示意图；

图14根据本申请的一些实施例，示出了一种处理器运行方法的流程示意图。

具体实施方式

本申请的说明性实施例包括但不限于电子设备及其神经网络模型运行方法、存储介质。

下面结合附图详细阐述本申请实施例的技术方案和有益效果。

图1根据本申请的一些实施例，示出了一种模型部署场景。

如图1所示，对于前文提到的人工智能模型，在该场景中，开发人员可以根据待部署的人工智能模型(例如神经网络模型)的运行条件简化待部署的人工智能模型(下文称为待部署模型)生成简化模型，并将简化模型部署在电子设备10的第一处理器101中，将待部署模型部署在电子设备10的第二处理器102中。具体的，由于持续运行整个待部署模型会导致第二处理器102功耗较大，从而降低电子设备10的续航能力。因此可以通过减少待部署模型的输入参数、简化待部署模型的结构、简化待部署模型的功能构建可被第一处理器101运行的简化模型，并且在第一处理器101中简化模型的运行结果满足待部署模型的运行条件时，第一处理器101才唤醒第二处理器102。例如，待部署模型为用于统计用户运动量的运动类型识别模型时，开发人员可以简化运动类型识别模型，构建用于判断用户是否在进行运动的用户状态识别模型，将用户状态识别模型部署在第一处理器101中，将运动类型识别模型部署在第二处理器102中，并且，只有当第一处理器101中的用户状态识别模型识别到用户处于运动状态时第一处理器101才唤醒第二处理器102运行运动类型识别模型，如此在用户不进行运动时，第二处理器102处于休眠状态，降低了第二处理器102的功耗，提高了电子设备10的续航能力。

可以理解，上述待部署模型为较为复杂的模型，上述简化模型为根据待部署的模型简化构建的可由第一处理器101执行的轻量化模型。

可以理解，上述待部署模型可以是深度学习模型，例如卷积神经网络模型、递归神经网络型，在另一些实施例中，待部署模型也可以是其他类型的模型，还可以是多类模型相结合的模型，本申请实施例不做限定。

进一步，图2根据本申请的一些实施例，示出了图1所示的一种电子设备10的结构示意图。如图2所示，电子设备10包括第一处理器101、第二处理器102、传感器模块103、通信模块104、接口模块105、音频模块106、存储器107、显示器108和电源模块109。其中：

第一处理器101可以包括一个或多个处理单元，例如，可以包括中央处理器CPU(Central Processing Unit)、图像处理器GPU(Graphics Processing Unit)、数字信号处理器DSP(Digital Signal Processor)、微处理器MCU(Micro-programmed Control Unit)、AI(Artificial Intelligence，人工智能)处理器或可编程逻辑器件FPGA(FieldProgrammable Gate Array)等的处理模块或处理电路。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。在一些实施例中第一处理器101可以用于运行简化模型。

第二处理器102可以是为人工智能运算设计的专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)，例如NPU、人工智能处理器(ArtificialIntelligence Processing Unit，AIPU)等。第二处理器102可以用于运行待部署模型，例如运行识别用户状态的模型。在一些实施例中，第二处理器102还可以包括唤醒电路，当第二处理器102处于休眠状态时，可以通过激活唤醒电路激活第二处理器102。

可以理解，唤醒电路可以集成于第二处理器102的内部，也可以在第二处理器102的外部，本申请实施例不做限定。

传感器模块103用于获取用户或电子设备的状态，可以包括加速度传感器、温度传感器中、陀螺仪、海拔传感器、心率传感器、血压传感器、血氧传感器等。

通信模块104可以提供应用在电子设备10上的包括无线局域网(wireless localarea networks，WLAN)，蓝牙(blue tooth，BT)，全球导航卫星系统(global navigationsatellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(nearfield communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。电子设备10可以通过无线通信技术与网络以及其他设备进行通信。

接口模块105包括外部存储器接口、通用串行总线(universal serial bus，USB)接口等。其中外部存储器接口可以用于连接外部可移动存储介质，例如安全数字(SecureDigital，SD)存储卡等，用于扩展电子设备10的存储能力。

音频模块106用于将数字音频信息转换成模拟音频信号输出，或者将模拟音频输入转换为数字音频信号。音频模块106还可以用于对音频信号编码和解码。在一些实施例中，音频模块106可以用于向用户播放语音提示。

存储器107可用于存储数据、软件程序以及模块，可以是易失性存储器(VolatileMemory)，例如随机存取存储器(Random-Access Memory，RAM)，双倍数据率同步动态随机存取存储器(Double Data Rate Synchronous Dynamic Random Access Memory，DDRSDRAM)，也可以是非易失性存储器(Non-Volatile Memory)，例如只读存储器(Read-OnlyMemory，ROM)，电可擦可编程只读存储器(Electrically Erasable Programmable readonly memory，EEPROM)、快闪存储器(Flash Memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)。在一些实施例中，存储器107可用于存储简化模型和待部署模型。

显示器108的显示面板可以采用液晶显示屏(Liquid Crystal Display，LCD)，有机发光二极管(Organic Light-emitting Diode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(Active-matrix Organic Light-emitting Diode的，AMOLED)，柔性发光二极管(Flex Light-emitting Diode，FLED)，Mini LED，Micro LED，Micro OLED，量子点发光二极管(Quantum Dot Light-emitting Diodes，QLED)等。在一些实施例中，显示器108可以用于显示简化模型的运行结果，例如显示用户的运动类型。

电源模块109用于为第一处理器101、第二处理器102、传感器模块103、通信模块104、接口模块105、音频模块106、存储器107、显示器108供电。在一些实施例中，电源模块可以包括电源、电源管理部件等。电源可以为电池。电源管理部件用于管理电源的充电和电源向其他模块的供电。

可以理解，电子设备10可以是包括至少两个处理器的任意电子设备，包括但不限于：手机、平板电脑、相机、手持计算机、蜂窝电话、个人数字助理(personal digitalassistant，PDA)、增强现实(augmented reality，AR)\虚拟现实(virtual reality，VR)设备、媒体播放器、智能音箱、智能手表、可穿戴医疗设备等，本申请实施例不做限定。

可以理解，图2所示的电子设备10的结构只是一种示例，在另一些实施例中，电子设备10还可以包括更多或更少的模块，也可以组合或拆分部分模块，本申请实施例不做限定。

下面将结合图1所示的应用场景以及图2所示的电子设备的结构图，对本申请提供的模型部署方法和处理器运行方法进行详细介绍。

首先介绍申请实施例提供的模型部署方法。

图3根据本申请的一些实施例示出了将待部署模型部署到电子设备10中的模型部署方法的流程示意图，如图3所示，本申请提供的模型部署方法包括：

步骤301：确定待部署模型的运行条件。

在一些实施例中，开发人员可以根据待部署模型要解决的问题，确定待部署模型运行条件。例如当模型待部署模型是运动类型识别模型时，只有在用户进行运动时第二处理器102才需要运行运动类型识别模型。又例如，当待部署模型是设备故障类型识别模型时，只有在设备出现故障时第二处理器102才需要运行设备故障类别识别模型。需要说明的是，本领域的普通技术人员应当理解，根据待部署模型要解决的问题确定待部署模型的运行条件只是一种示例，针对不同的待部署模型，可以根据实际需求确定待部署模型的运行条件，本申请实施例不做限定。

步骤302：根据待部署模型的运行条件构建简化模型。

在确定待部署模型的运行条件后，开发人员可以根据运行条件构建简化模型。在一些实施中，可以根据待部署模型的运行条件的具体内容构建简化模型，例如，当待部署模型是运动类型识别模型，运动类型识别模型的运行条件是用户在进行运动，简化模型可以是用户状态识别模型，用以判断用户是否在进行运动。可以理解，在另一些实施例中，本领域的普通技术人员也可以根据应用场景采用其他的方法构建简化模型，本申请实施例不做限定。

在一些实施例中，可以通过对待部署模型进行简化构建可以被第一处理器101运行的简化模型，例如减少待部署模型的输入参数、减少待部署模型网络的层数、从待部署模型中截取部分模型、简化待部署模型的功能等。

步骤303：将简化模型部署在电子设备10的第一处理器101中，待部署模型部署到电子设备10的第二处理器102中。例如，开发人员可以在编写简化模型和待部署模型的指令时，将简化模型的执行主体设定为第一处理器101，将待部署模型的执行主体设定为第二处理器102，并将简化模型和待部署模型存储于电子设备10的存储器107中。

下面对处理器运行过程进行介绍。

图4根据本申请的一些实施例，示出了根据图3所示的模型部署方法将待部署模型部署到电子设备10中后，电子设备10的处理器运行方法的流程示意图。如图4所示，该处理器运行方法包括以下步骤：

步骤401：第一处理器101运行简化模型。例如，在一些实施例中，简化模型存储于电子设备10的存储器107中，当第一处理器101运行简化模型时，从存储器107中读取简化模型并运行。

可以理解，在一些实例中，简化模型在用户开启电子设备10的指定功能后才运行。例如，当简化模型为用户状态识别模型、待部署模型为运动类型识别模型时，只在用户开启电子设备10的运动量统计功能时，第一处理器101才运行用户状态识别模型。

步骤402：第一处理器102根据简化模型的运行结果，判断是否满足运行待部署模型的条件。如果满足，则转至步骤403；否则转至步骤401。

步骤403：第一处理器101唤醒第二处理器102。可以理解，当第二处理器102不执行待部署模型时，第二处理器102处于休眠状态，第一处理器101可以根据电子设备的指令形式、硬件逻辑等唤醒第二处理器102，例如第一处理器101可以通过指令激活第二处理器102的唤醒电路，从而唤醒第二处理器102。

步骤404：第二处理器102运行待部署模型。第二处理器102运行待部署模型，并将运行结果反馈给第一处理器101。可以理解，在另一些实施例中，运行结果还可以反馈给电子设备10的其他部件，本申请实施例不做限定。

可以理解，当第二处理器102运行待部署模型，并将运行结果反馈给第一处理器101后，如果简化模型的运行结果不满足待部署模型运行的条件，第二处理器102进入休眠状态。

如此，通过将待部署模型分级部署到电子设备10后，电子设备10的第二处理器102只在简化模型的运行结果满足待部署模型的运行条件时才被唤醒，降低了第二处理器102的功耗，提高了电子设备10的续航能力。

下面将结合待部署模型的具体应用场景，进一步介绍本申请实施例的技术方案。

实施例1

首先以电子设备10为智能手表10，第一处理器101为微控制单元101，第二处理器102为神经网络处理器102，待部署模型为运动类型识别模型51为例对本申请的技术方案进行介绍。

图5根据本申请的一些实施例，示出了一种模型部署方法和处理器运行方法的应用场景示意图。如图5所示，智能手表10可以通过运行运动类型识别模型51统计用户的运动量，包括运动类型和运动时间等。但是，如果直接将运动类型识别模型51部署在神经网络处理器102中，当用户开启运动量统计功能后，为确保运动量统计的准确性，会使智能手表10的神经网络处理器102一直处于运行状态，从而使神经网络处理器102的功耗增加，降低智能手表10的续航能力。图5所示的实施例通过构建运动类型识别模型51的简化模型并部署在智能手表10的微控制单元101中，当简化模型判断用户处于运动状态时再唤醒神经网络处理器102运行运动类型识别模型51以统计用户的运动量，如此，神经网络处理器102只在用户处于运动状态时才被唤醒并运行运动类型识别模型51，降低了神经网络处理器102的功耗，提高了智能手表10的续航能力。

具体的，图6根据本申请的一些实施例，示出了将上述运动类型识别模型51分级部署到智能手表10中的模型部署方法流程示意图，如图6所示，该模型部署方法包括以下步骤：

步骤601：确定运动类型识别模型51的运行条件。

图7根据本申请的一些实施例，示出了一种运动类型识别模型51的结构示意图。如图7所示，运动类型识别模型51包括输入层511、模型网络层512和输出层513。其中，输入层511用于获取运动类型识别模型51的输入数据。本实施例中，输入数据为智能手表10的传感器的数据，包括但不限于加速度传感器产生的加速度数据、陀螺仪传感器产生的多轴运动数据、温度传感器产生的温度数据、海拔传感器产生的海拔数据和心率传感器产生的心率数据；模型网络层512包括传感器融合网络、分类神经网络和长短时记忆网络，传感器融合网络用于对输入层获取的传感器数据进行整合，例如传感器整合网络可以对多个传感器的数据进行归一化处理，以匹配分类神经网络和长短时记忆网络对输入参数的要求，分类神经网络和长短时记忆网络用于根据整合后的传感器数据识别用户的运动类型；输出层513用于输出运动类型的识别结果，例如跑步、登山、游泳、骑行、跳绳等用户正在进行的运动的类型。传感器融合网络用于对输入层的数据进行整合，分类神经网络和长短期记忆网络用于根据整合的数据识别用户的运动类型。

需要说明的是，图7所示的运动类型识别模型51的结构只是一种示例，在另一些实施例中，运动类型识别模型51也可以由其他类型的神经网络构成，本申请实施例不做限定。

由图7可知，运动类型识别模型51的功能是为了识别用户运动的类型，因此，只有在用户进行运动时运动类型识别模型51的输出结果才能用于用户运动量的统计，即运动类型识别模型51的运行条件是用户在进行运动。

步骤602：根据运动类型识别模型51的运行条件构建用户状态识别模型52。

开发人员可以根据运动类型识别模型51的运行条件(用户在进行运动)构建用户状态识别模型52。图8示出了根据图7所示的运动类型识别模型51简化的用户状态识别模型52的示意图。如图8所示，开发人员通过减少图7所示的运动类型识别模型51的输入参数，只保留加速度、多轴运动参数和温度三个输入参数；简化图7所示的运动类型识别模型51的模型网络层，只采用一个分类神经网络；并将图7所示的输出结果修改为用户的运动状态，包括静止状态、日常活动状态、运动状态，构建用户状态识别模型52，用于判断用户是否在进行运动。

可以理解，图8所示的用户状态识别模型52的结构仅仅是一种示例，在另一些实施例中，开发人员也可以采用其他方式简化运动类型识别模型51构建用户状态识别模型52，本申请实施例不做限定。

步骤603：将用户状态识别模型52部署到微控制单元101中，将运动类型识别模型51部署到神经网络处理器102中。例如，开发人员可以在编写运动类型识别模型51和用户状态识别模型52的指令时，将用户状态识别模型52的执行主体设定为微控制单元101，将运动类型识别模型51的执行主体设定为神经网络处理器102，并将运动类型识别模型51和用户状态识别模型52的指令存储于存储器107中。

进一步地，图9根据本申请的一些实施例，示出了将上述运动类型识别模型51分级部署在智能手表10上后，智能手表10的处理器运行方法的流程示意图，该处理器运行方法包括如下步骤：

步骤901：微控制单元101运行用户状态识别模型52。微控制单元101从智能手表10的传感器获取加速度、多轴运动参数和温度，并运行用户状态识别模型52识别用户是否在进行运动。

在一些实施例中，用户状态识别模型52可以存储于智能手表10的存储器107中，当用户开启智能手表10的运动量统计功能时，微控制单元101从存储器107中读取用户状态识别模型并运行。。

步骤902：微控制单元101根据用户状态识别模型52的运动结果判断是否满足运行运动类型识别模型51的条件。

例如，当用户状态识别模型52的运动结果是“静止状态”和“日常运动状态时”，微控制单元101确定用户状态识别模型52的运动结果不满足运行运动类型识别模型51的条件，转到步骤901；当用户状态识别模型52的运动结果是“运动状态”时，微控制单元101确定用户状态识别模型52的运动结果满足运行运动类型识别模型51的条件，转到步骤903。

步骤903：微控制单元101唤醒神经网络处理器102。微控制单元101通过指令激活神经网络处理器102的唤醒电路，唤醒神经网络处理器102。

可以理解，微控制单元101还可以根据智能手表10的指令形式、硬件逻辑采用其他方式唤醒神经网络处理器102，本申请实施例不作限制。

步骤904：神经网络处理器102运行运动类型识别模型51。

例如，在一些实施例中，运动类型识别模型51可以存储在智能手表10的存储器107中，当神经网络处理器102要运行运动类型识别模型51时，运动类型识别模型51运动类型识别模型51从存储器107中读取运动类型识别模型51的指令并运行。

可以理解，在神经网络处理器102运行运动类型识别模型51后，还可以将结果反馈给微控制单元101，微控制单元101根据神经网络处理器102反馈的运动类型统计用户的运动量。在另一些实施例中，识别结果也可以反馈给智能手表10的其他部件，例如显示器108。

可以理解，当神经网络处理器102执行完运动类型识别模型51后，如果微控制单元101中用户状态识别模型52的运行结果是“静止状态”或“日常运动状态”，神经网络处理器102进入休眠状态。

如此，在用户处于“静止状态”和“日常运动状态”时，智能手表10的神经网络处理器102处于休眠状态，只在用户处于“运动状态”时才唤醒并运行运动类型识别模型51，可以降低神经网络处理器102的功耗，提高智能手表10的续航能力。

实施例2

下面以电子设备10为可穿戴医疗设备10，第一处理器101为微控制单元101，第二处理器102为神经网络处理器102，待部署模型为生理状态预警模型1001为例对本申请的技术方案进行介绍。

图10根据本申请的一些实施例，示出了电子设备的模型部署方法和处理器运行方法的另一种应用场景示意图。如图10所示，可穿戴医疗设备10可以用于监测用户的生理状态，具体的，可穿戴医疗设备10通过运行生理状态预警模型1001(待部署模型)，根据心率传感器、血压传感器、血氧传感器、陀螺仪、加速度传感器、海拔传感器、温度传感器等传感器的数据判断用户的状态是否有异常，例如用户的生理特征变化是否与用户的运动状态和所处环境相符，并在生理状态发生异常时向用户示警或向医疗机构求助。如果将生理状态预警模型1001直接部署到神经网络处理器102中，神经网络处理器102会持续运行生理状态预警模型1001，增加神经网络处理器102的功耗，降低可穿戴医疗设备10的续航能力。

本申请实施例通过对生理状态预警模型1001进行简化构建生理特征监测模型1002，并将生理特征监测模型1002部署在可穿戴医疗设备10的微控制单元101中。当用户的生理特征发生异常时，微控制单元101唤醒神经网络处理器102，神经网络处理器102运行生理状态预警模型1001判断用户的运动状态和生理特征异常是否相符，如果不相符，向用户发出示警或向医疗机构求助。如此，神经网络处理器102只在用户生理特征发生异常时才被唤醒并运行生理状态预警模型1001，提高了可穿戴医疗设备10的续航能力。

图11根据本申请的一些实施例，示出了将生理状态预警模型1001分级部署到可穿戴医疗设备10上的模型部署方法流程示意图。如图11所示，该模型部署方法包括如下步骤：

步骤1101：确定生理状态预警模型1001的运行条件。

图12根据本申请的一些实施例，示出了一种生理状态预警模型1001的结构示意图。如图12所示，生理状态预警模型1001包括输入层10011、模型网络层10012和输出层10013。其中，输入层10011用于获取生理状态预警模型1001的输入数据。本实施例中，输入数据为可穿戴医疗设备10的传感器的数据，包括但不限于加速度传感器产生的加速度数据、陀螺仪传感器产生的多轴运动数据、温度传感器产生的温度数据、海拔传感器产生的海拔数据和心率传感器产生的心率数据、血氧传感器产生的血氧数据、血压传感器产生的血压数据等；模型网络层10012包括运动类型识别网络(例如，可以是图6所示的包括传感器融合网络、分类神经网络和长短时记忆网络的运动类型识别模型的网络)用于识别用户的运动类型、以及多层感知网络，用于根据运动类型识别模型的网络的结果及血压、心率、血氧等生理特征参数确定用户的生理特征是否与运动状态相符；输出层10013用于输出生理状态预警的结果，例如生理特征正常、生理特征异常但与运动状态相符、生理特征异常且与运动状态不符等。

需要说明的是，图12所示的生理状态预警模型1001的结构只是一种示例，在另一些实施例中，生理状态预警模型1001也可以由其他类型的神经网络构成，本申请实施例不做限定。

由图12可知，生理状态预警模型1001的功能是判断用户的生理特征，例如心率、血压、血氧等，的变化与用户的状态(例如运动状态、所处的环境)是否相符确定用户的生理状态。因此，生理状态预警模型1001的输出结果只在用户的生理特征发生异常时才有实际意义，即生理状态预警模型1001的运行条件可以是用户的生理特征发生异常。

步骤1102：根据生理状态预警模型1001的运行条件构建生理特征监测模型1002。

开发人员可以根据生理状态预警模型1001的运行条件(用户生理特征异常)简化生理状态预警模型1001构建由心率、血压、血氧等为输入的生理特征监测模型1002，用以监测用户生理特征是否有异常。图13示出了根据图12所示的生理状态预警模型1001简化的生理特征监测模型1002的示意图。如图13所示，开发人员通过用减少图12所示的生理状态预警模型1001的输入参数，只保留心率、血压、血氧等生理特征作为输入参数；简化图12所示的生理状态预警模型1001的网络层，只采用多层感知网络的部分模型，例如只采用单层感知网络；并将输出层简化为用户的生理特征正常和生理特征异常，构建生理特征监测模型1002。

可以理解，图13所示的生理特征监测模型1002的结构仅仅是一种示例，在另一些实施例中，开发人员也可以采用其他方式简化生理状态预警模型1001构建生理特征监测模型1002，本申请实施例不做限定。

步骤1103：将生理特征监测模型1002部署到微控制单元101中，将生理状态预警模型1001部署到神经网络处理器102中。例如，开发人员可以在编写生理特征监测模型1002和生理状态预警模型1001的指令时，指定生理特征监测模型1002的执行主体为微控制单元101，指定生理状态预警模型1001的执行主体为神经网络处理器102，并将生理特征监测模型1002和生理状态预警模型1001的指令存储于存储器107中。

图14根据本申请的一些实施例，示出了在生理特征监测模型1002部署到可穿戴医疗设备10上后，可穿戴医疗设备10的处理器运行方法的流程示意图。如图14所示，该处理器运行方法包括如下步骤：

步骤1401：微控制单元101运行生理特征监测模型1002。例如，微控制单元101可以从存储器107中读取生理特征监测模型1002的指令并执行。与步骤901类似，在此不再赘述。

可以理解，在一些实施例中，在用户开启可穿戴医疗设备10的生理状态预警功能后，微控制单元101才运行生理特征监测模型1002。

步骤1402：微控制单元101根据生理特征监测模型1002的运行结果判断是否满足运行生理特征监测模型1001的条件。

微控制单元101运行生理特征监测模型1002并根据运行结果判断是否满足生理状态预警模型1001的运行条件。例如当生理状态监测模型的运行结果是“生理特征正常”时转至步骤1401；否则，转至步骤1403。

步骤1403：微控制单元101唤醒神经网络处理器102。例如，微控制单元101可以通过激活神经网络处理器102的唤醒电路唤醒神经网络处理器102。与步骤903类似，在此不再赘述。

步骤1404：神经网络处理器102运行生理状态预警模型1001。神经网络处理器102通过运行生理状态预警模型1001，读取可穿戴医疗设备10心率传感器、血压传感器、血氧传感器、陀螺仪、加速度传感器数据的参数识别用户的运动状态，判断用户的生理特征异常是否和用户的运动状态和/或用户所处的环境相符。可以理解，当神经网络处理器102确定用户生理特征异常但与运动状态相符时，可穿戴医疗设备10可以提示用户；当神经网络处理器102确定用户生理特征异常且与运动状态不符时，可穿戴医疗设备10向用户发出警告或向医疗机构求助。

如此，可穿戴医疗设备10的神经网络处理器102只在用户的生理特征发生异常时才被唤醒并运行生理状态预警模型1001，减少了神经网络处理器102的功耗，提高了可穿戴医疗设备10的续航能力。

本申请公开的机制的各实施例可以被实现在硬件、软件、固件或这些实现方法的组合中。本申请的实施例可实现为在可编程系统上执行的计算机程序或程序代码，该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。

可将程序代码应用于输入指令，以执行本申请描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本申请的目的，处理系统包括具有诸如例如数字信号处理器(Digital Signal Processor，DSP)、微控制器、专用集成电路(Application Specific Integrated Circuit，ASIC)或微处理器之类的处理器的任何系统。

程序代码可以用高级程序化语言或面向对象的编程语言来实现，以便与处理系统通信。在需要时，也可用汇编语言或机器语言来实现程序代码。事实上，本申请中描述的机制不限于任何特定编程语言的范围。在任一情形下，该语言可以是编译语言或解释语言。

在一些情况下，所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如，计算机可读)存储介质承载或存储在其上的指令，其可以由一个或多个处理器读取和执行。例如，指令可以通过网络或通过其他计算机可读介质分发。因此，机器可读介质可以包括用于以机器(例如，计算机)可读的形式存储或传输信息的任何机制，包括但不限于，软盘、光盘、光碟、只读存储器(CD-ROMs)、磁光盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、可擦除可编程只读存储器(Erasable Programmable Read OnlyMemory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，EEPROM)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息(例如，载波、红外信号数字信号等)的有形的机器可读存储器。因此，机器可读介质包括适合于以机器(例如计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。

在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。

需要说明的是，本申请各设备实施例中提到的各单元/模块都是逻辑单元/模块，在物理上，一个逻辑单元/模块可以是一个物理单元/模块，也可以是一个物理单元/模块的一部分，还可以以多个物理单元/模块的组合实现，这些逻辑单元/模块本身的物理实现方式并不是最重要的，这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外，为了突出本申请的创新部分，本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入，这并不表明上述设备实施例并不存在其它的单元/模块。

需要说明的是，在本专利的示例和说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本申请的某些优选实施例，已经对本申请进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (16)

1.一种神经网络模型运行方法，应用于电子设备，其特征在于，所述电子设备包括第一处理器和第二处理器，并且

所述方法包括：

所述第一处理器运行简化模型并根据所述简化模型的运行结果判断是否满足所述神经网络模型的运行条件；

所述第一处理器在所述简化模型的运行结果满足所述运行条件的情况下，唤醒所述第二处理器运行所述神经网络模型；

其中，所述简化模型为通过下列中的至少一种方式将所述神经网络模型简化得到：

减少所述神经网络模型的输入参数；

简化所述神经网络模型的网络结构。

2.根据权利要求1所述的神经网络模型运行方法，其特征在于，所述方法还包括：

在所述第二处理器运行所述神经网络模型后，在所述简化模型的运行结果不满足所述神经网络模型的运行条件的情况下，将所述第二处理器设置为休眠。

3.根据权利要求1或2所述的神经网络模型运行方法，其特征在于，所述神经网络模型为运动类型识别模型，所述运动类型识别模型用于识别所述电子设备的用户在进行的运动的类型。

4.根据权利要求3所述的神经网络模型运行方法，其特征在于，所述运动类型识别模型包括传感器融合网络、分类神经网络和长短期记忆网络。

5.根据权利要求4所述的神经网络模型运行方法，其特征在于，所述神经网络模型的运行条件为检测到所述电子设备的用户处于运动状态。

6.根据权利要求5所述的神经网络模型运行方法，其特征在于，所述简化所述神经网络模型的网络结构包括：

将包括传感器融合网络、分类神经网络和长短期记忆网络的所述运动类型识别模型简化为仅包括分类神经网络的简化模型。

7.根据权利要求6所述的神经网络模型运行方法，其特征在于，所述方法还包括：

所述第二处理器将所述运动类型识别模型的运行结果传送给所述第一处理器，所述运行结果为所述电子设备的用户在进行的运动类型；

所述第一处理器根据所述运行结果统计所述电子设备的用户的运动量。

8.根据权利要求1或2所述的神经网络模型运行方法，其特征在于，所述神经网络模型为生理状态预警模型，所述生理状态预警模型用于确定所述电子设备的用户的生理特征变化是否与所述电子设备的用户的运动状态相符。

9.根据权利要求8所述的神经网络模型运行方法，其特征在于，所述生理状态预警模型包括多层感知网络以及包括传感器融合网络、分类神经网络和长短期记忆网络。

10.根据权利要求9所述的神经网络模型运行方法，其特征在于，所述神经网络模型的运行条件为检测到所述电子设备的用户的生理特征发生异常；其中，所述电子设备的用户的生理特征发生异常包括以下情况中的至少一种：

所述电子设备的用户的心率偏离正常值；

所述电子设备的用户的血氧偏离正常值；

所述电子设备的用户的血压偏离正常值。

11.根据权利要求10所述的神经网络模型运行方法，其特征在于，所述简化

所述神经网络模型的网络结构，具体包括：

将包括运动类型识别模型和多层感知网络的生理状态预警模型简化为仅包括单层感知网络的简化模型。

12.根据权利要求11所述的神经网络模型运行方法，其特征在于，所述方法还包括：

所述第二处理器将所述生理状态预警模型的运行结果传送给所述第一处理器，所述运行结果为所述电子设备的用户的生理特征是否与运动状态相符；

所述第一处理器根据所述运行结果提示所述电子设备的用户，包括：

在所述运行结果为生理特征异常但与运动状态相符时，警示所述电子设备的用户；

在所述运行结果为生理特征异常且与运动状态不符时，警告所述电子设备的用户和/或向医疗机构求助。

13.根据权利要求1至12任一项所述的神经网络模型运行方法，其特征在于：

所述第一处理器为微控制单元。

14.根据权利要求13所述的神经网络模型运行方法，其特征在于：

所述第二处理器为神经网络处理器。

15.一种可读介质，其特征在于，所述可读介质中包含有指令，当所述指令被电子设备的处理器执行时使电子设备实现权利要求1至14任一项所述的神经网络模型运行方法。

16.一种电子设备，其特征在于，包括：

存储器，用于存储由电子设备的一个或多个处理器执行的指令；以及

第一处理器和第二处理器，用于执行权利要求1至14任一项所述的神经网络模型运行方法。

Images