CN113873941A - 用于校准移动设备使用的用户活动模型的方法和装置 - Google Patents
用于校准移动设备使用的用户活动模型的方法和装置 Download PDFInfo
- Publication number
- CN113873941A CN113873941A CN202080037153.7A CN202080037153A CN113873941A CN 113873941 A CN113873941 A CN 113873941A CN 202080037153 A CN202080037153 A CN 202080037153A CN 113873941 A CN113873941 A CN 113873941A
- Authority
- CN
- China
- Prior art keywords
- activity
- likelihood
- weight
- mobile device
- occurrence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
- A63B2024/0065—Evaluating the fitness, e.g. fitness level or fitness index
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
- A63B2024/0068—Comparison to target or threshold, previous performance or not real time comparison to other individuals
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
- A63B2024/0071—Distinction between different activities, movements, or kind of sports performed
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/40—Acceleration
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/50—Force related parameters
- A63B2220/51—Force
- A63B2220/52—Weight, e.g. weight distribution
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physical Education & Sports Medicine (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Social Psychology (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
描述了能够有助于校准用户设备节点的用户活动模型的系统、计算机实现的方法和计算机程序产品。根据实施例,用于校准移动设备使用的用户活动模型的方法可以包括从移动设备的传感器接收传感器数据。此外,将第一权重应用于第一活动的第一发生的第一可能性,其中第一可能性由用户活动模型的第一估计器通过将预配置标准应用于传感器数据来确定。该方法还可以包括基于对第一活动的第一发生的确定来执行动作,该确定基于第一权重和第一活动的第一发生的第一可能性。
Description
相关申请
本主题专利申请要求Karanpreet Singh等人于2019年9月25日提交的名称为“METHOD AND APPARATUS FOR CALIBRATING A USER ACTIVITY MODEL USED BY A MOBILEDEVICE”的未决美国申请第16/582,241号的优先权,该申请要求Karanpreet Singh等人于2019年6月5日提交的名称为“METHOD AND APPARATUS FOR CALIBRATING A USER ACTIVITYMODEL USED BY A MOBILE DEVICE”的美国临时申请第62/857,330号的优先权。这些申请出于所有目的以全文引用的方式并入本文。
版权声明
本专利文件公开的一部分包含受版权保护的材料。版权所有者不反对任何人对本专利文件或专利公开的复制生产,因为它出现在专利商标局的专利文件或记录中,但在其他方面保留所有版权。
技术领域
一个或更多个实施例总体上涉及人机交互技术领域,且更具体地涉及用于校准移动设备使用的用户活动模型的方法、装置和系统。
背景
背景部分中讨论的主题内容不应仅仅因为其在背景部分中被提及而被认为是现有技术。类似地,背景部分中提到的或者与背景部分的主题内容相关联的问题不应该被认为是先前在现有技术中已经认识到的。背景部分的主题内容仅仅代表不同的方法,这些方法本身也可以是发明。
人体活动监测设备正变得越来越流行。不同的设备可以使用不同的方法来解释从设备传感器收集的数据。然而,当用于解释传感器数据的模型是基于主流人群的样本时,就会出现问题。
概述
下面给出概述,以提供对本发明的一个或更多个实施例的基本理解。本概述不旨在标识关键或重要的元素或描绘特定实施例的任何范围或权利要求的任何范围。它的唯一目的是以简化形式呈现概念,作为稍后呈现的更详细描述的序言。在本文所述的一个或更多个实施例中,描述了可以有助于校准用户设备的用户活动模型的设备、系统、方法和计算机实现的方法。
根据实施例,用于校准移动设备使用的用户活动模型的方法可以包括从移动设备的传感器接收传感器数据。此外,将第一权重应用于第一活动的第一发生的第一可能性,其中第一可能性由用户活动模型的第一估计器通过将预配置标准应用于传感器数据来确定。该方法还可以包括基于对第一活动的第一发生的确定来执行动作,该确定基于第一权重和第一活动的第一发生的第一可能性。在变型中,第一活动可以是移动设备的用户的活动。该变型还可以包括促进对移动设备的用户的身体特征的评估,并且基于对用户(use)的身体特征的评估来选择第一权重。在一些实现中,其中选择第一权重可以包括:选择第一权重,以针对移动设备的用户,提高第一活动的第一发生的第一可能性的准确度。该变型可以进一步基于第一活动的训练数据来选择第一权重。在附加或替代实施例中,确定第一活动的第一发生可以包括将第一活动的第一发生的第一可能性与第二活动的第二发生的第二可能性进行比较。在上面讨论的实施例中,将第一权重应用于第一可能性可以包括修改第一可能性。此外,接收传感器数据可以包括从加速度计、磁力计或陀螺仪中的至少一个接收数据。
在另一个实施例中,移动设备可以包括传感器、处理器和存储器,该存储器可以存储可执行指令,当该可执行指令被处理器执行时,有助于执行操作,该操作包括从传感器接收传感器数据以及将第一权重应用于第一活动的第一发生的第一可能性,其中第一可能性由用户活动模型的第一估计器通过将预配置标准应用于传感器数据来确定。操作还可以包括基于第一活动的第一发生的确定来执行动作,该确定基于第一权重和第一活动的第一发生的第一可能性。
在上述实施例的变型中,第一活动可以是移动设备的用户的活动。此外,操作还可以包括促进对移动设备的用户的身体特征的评估,并且基于对用户(use)的身体特征的评估来选择第一权重。在一些实施例中,选择第一权重可以包括:选择第一权重,以针对移动设备的用户,提高第一活动的第一发生的第一可能性的准确度。在一个或更多个实施例中,选择第一权重可以进一步基于第一活动的训练数据。此外,确定第一活动的第一发生可以包括将第一活动的第一发生的第一可能性与第二活动的第二发生的第二可能性进行比较。在附加或替代实施例中,将第一权重应用于第一可能性包括修改第一可能性。在一些实施例中,传感器可以包括加速度计、磁力计或陀螺仪中的一个或更多个。
在另一实施例中,计算机可读记录介质具有程序指令,该程序指令可以由各种计算机组件执行以执行操作,该操作包括从移动设备的传感器接收传感器数据,以及将第一权重应用于第一活动的第一发生的第一可能性,其中第一可能性由用户活动模型的第一估计器通过将预配置标准应用于传感器数据来确定。在一些实施例中,操作可以进一步包括基于对第一活动的第一发生的确定来执行动作,该确定基于第一权重和第一活动的第一发生的第一可能性。此外,在该实施例中,操作可以进一步包括促进对移动设备的用户的身体特征的评估,并且基于对用户的身体特征的评估选择第一权重,其中第一活动是用户的活动。
在一些实现中,选择第一权重可以包括:选择第一权重,以针对移动设备的用户,提高第一活动的第一发生的第一可能性的准确度。另外,在一个或更多个实施例中,选择第一权重可以进一步基于第一活动的训练数据。
附图简述
所包括的附图是为了说明的目的,并且仅用于提供所公开技术的可能结构和过程步骤的示例。这些附图决不限制本领域技术人员在不脱离本公开的精神和范围的情况下可以对实施例做出的任何形式和细节上的改变。
图1示出了根据一个或更多个实施例的系统的示例,该系统可以基于由个人权重确定器生成的权重来校准由设备使用的活动模型。
图2示出了根据一个或更多个实施例的通用模型组件以及个人权重应用器(personal weight applier)和个人权重确定器的操作的更详细视图。
图3描绘了根据一个或更多个实施例的可以描述梯度提升机(gradient boostingmachine)(GBM)模型参数的修改的示例公式。
图4描绘了根据一个或更多个实施例的可以描述使用损失函数来选择待应用于估计器的权重的示例公式。
图5描绘了根据一个或更多个实施例的用于调整GBM模型权重和模型评估的单用户输出交叉验证(CV)过程的流程图。
图6包括根据一个或更多个实施例的提供可用于活动分类的示例特征的表格。为了说明不同的概念,下面结合图6和图7讨论日常和体育活动数据集。
图7描绘了根据一个或更多个实施例的具有单用户输出CV准确度的GBM模型的基线与其他ML模型之间的比较。
继续该示例,图8A-8B和图9分别描绘了图表810-880和表格900,如本文所述,显示了在使用生成的权重之前和之后的准确度。
图10描绘了根据一个或更多个实施例的图表,该图表示出了在调整基线GBM之后对于每个类别的整体单用户输出CV准确度的平均提高。
图11描绘了一个图表,该图表描绘了对于“骑车”和“步行”类别受试者#7和#8的接受者操作特征(ROC)曲线的比较,以说明一个或更多个实施例的各方面。
图12和图13分别描绘了示出来自另一示例数据集的说明性数据的图表和表格,以说明一个或更多个实施例的附加方面。
详细描述
本部分描述了根据一个或更多个实施例的方法和装置的应用。提供这些示例仅仅是为了增加上下文并帮助理解本公开。因此,对于本领域技术人员来说明显的是,本文中描述的技术可以在没有这些具体细节中的一些或全部的情况下实施。在其他情况下,为了避免不必要地模糊本公开,没有详细描述众所周知的过程步骤。其他应用也是可能的,因此以下示例在范围或设置上不应被视为限定性的或限制性的。
在下面的详细描述中,参考了附图,这些附图形成了描述的一部分,并且其中通过图示的方式示出了具体实施例。尽管足够详细地描述了这些实施例,以使本领域技术人员能够实施本公开,但是应当理解,这些示例不是限制性的,从而可以使用其他实施例,并且可以在不脱离本公开的精神和范围的情况下进行改变。
一个或更多个实施例可以以多种方式实现,包括作为过程、装置、系统、设备、方法、计算机可读介质(诸如包含计算机可读指令或计算机程序代码的计算机可读存储介质)、或者作为包括具有体现在其中的计算机可读程序代码的计算机可用介质的计算机程序产品来实现。
以下描述中的附图仅通过说明的方式涉及优选实施例。应当注意,从下面的讨论中,本文公开的结构和方法的替代实施例将容易被认为是可行的替代方案,该替代方案可以在不脱离所要求保护的原理的情况下使用。
一般而言,一个或更多个实施例可以提高人机交互(HCI)技术的使用准确度,具体而言,HCI交互中设备基于设备的传感器数据选择可能正在发生的活动。如下文进一步描述的,一个或更多个实施例可以在不重新训练模型的估计器的情况下修改已训练模型的输出,并且在本文描述的一些情况下,本文描述的实施例可以显著提高用于识别对于特定类型的用户的活动和活动类别的准确度和F-1分数。
图1示出了根据一个或更多个实施例的系统100的示例,该系统100可以基于由个人权重确定器175生成的权重来校准由设备105使用的活动模型。
设备105可以采取多种形式中的任何一种,包括但不限于蜂窝电话、个人计算机、个人数字助理、智能手表以及具有能够感测不同条件的传感器170的任何其他设备。在这点上,将会理解,虽然触敏设备105的组件被示出为在单个外壳内,但是这是可选的,并且这些组件可以位于单独封装的组件中,例如被配置为向设备105提供数据的外部传感器,例如心率监视器、起搏传感器、步幅传感器以及可以在设备105的外壳外部的其他类似传感器组件。
设备105可以包括各种I/O组件,包括但不限于触摸感应系统110、显示系统120、音频系统160和传感器170,在该示例中,这些组件经由接口单元115耦合到信号处理单元125。信号处理单元125可以从接口单元115接收可以是数字形式的信号,并准备将该信号用于进一步处理。信号处理单元125可以执行采样、量化和编码过程中的至少一个,以将这种模拟信号转换成数字信号。信号处理单元125可以向处理器130和其他系统组件提供数字信号。
在一个或更多个实施例中,显示系统120可以使用显示器122输出图像,触摸感应系统110可以使用触摸感应表面112接收触摸输入,并且音频系统使用音频传感器162(例如,麦克风和/或连接到麦克风)和音频输出端164(例如,扬声器或连接到扬声器)输出音频。
设备105还可以具有处理器130,例如微处理器、微控制器或任何其他类型的可编程控制设备、或者预编程或专用的处理或控制系统。设备105可以进一步包括由处理器130使用的存储器系统140。存储器系统140能够向处理器130提供编程和其他形式的指令,并且可以用于其他目的。存储器系统140可以包括只读存储器、随机存取半导体存储器或其他类型的存储器或计算机可读介质,这些存储器或介质可以被永久安装或可分离地安装到设备105。此外,设备105还可以通过通信系统180访问与触敏设备105分离的另一存储器系统140。在一个或更多个实施例中,还可以提供数据库165来存储程序和其他数据,例如生成的个人权重。
通信系统180可以采取任何光、射频或其他电路或系统的形式,这些电路或系统可以将数据转换成可以通过光信号、射频信号或其他形式的有线或无线信号传送到外部设备的形式。通信系统180可以用于各种目的,包括但不限于发送和接收指令集以及与远程传感器或存储器系统交换数据。
根据本发明的一个实施例,通用模型组件132、个人权重应用器134、个人权重确定器175、接口单元115、信号处理单元125、数据库165和下面讨论的其他组件的至少一些功能可以是控制其他公知硬件组件的程序模块或与其他公知硬件组件通信的程序模块、或是用于执行软件的组件。在一个或更多个实施例中,程序模块可以以操作系统、应用程序模块或其他程序模块的形式包括在设备105中,并且可以物理地存储在各种公知的存储设备中。此外,程序模块可以存储在远程存储设备中,该远程存储设备可以通过通信系统180与触敏设备105通信。这种程序模块还可以包括但不限于例程、子例程、程序、对象、组件、数据结构等,用于根据本发明如下所述地执行特定任务或执行特定抽象数据类型。这种程序模块也可以用适于执行与这种模块相关联的功能的硬件配置来表示。
为了进一步描述一个或更多个实施例的功能和能力,下面用示例讨论通用模型组件132、个人权重应用器134和个人权重确定器175。
图2示出了根据一个或更多个实施例的通用模型组件132以及个人权重应用器134和个人权重确定器175的操作的更详细视图。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
一种可以用于识别活动的方法将传感器数据与可以解释数据的模型相结合。例如,当设备在坐着的人的口袋中时,示例传感器输出可以包括由陀螺仪传感器测量的设备的角度、由加速度计测量的设备的静止、设备的触摸界面上缺少触摸以及已知的和通过实验使用可发现的数据的其他组合。基于该示例传感器数据,设备可以确定该设备的用户可能当前正坐着,并且基于该确定提供功能,例如,关闭位置检测传感器、通过自定义振动提供通知以及与该确定相关联的其他动作。
在一些实现中,设备105可以通过采用通用模型组件132来确定不同活动的发生。这些组件中包括个体估计器215A-D,其可以利用一些或全部的分析传感器170的数据,并检测与个体估计器215A-D相关联的特定活动或活动组合。例如,估计器215A可以被配置为例如通过分析光传感器、加速度计和陀螺仪数据来确定设备105在用户口袋中的可能性。可选地,估计器215A可以被配置为识别活动的组合,例如,设备105在口袋中并且用户坐着、与上面介绍中讨论的该示例相关联的传感器数据。在另一个替代方案中,这两个活动可以由不同的估计器215C-D识别,并且结果可以被分组到估计器组217中,针对该组合提供单个值。
在一些情况下,利用被设计成精确测量大多数用户的数据进行训练的通用模型组件132对于少数用户可能是不准确的。例如,当检测到“从坐到站起来”的活动时,为标准模型收集的数据可能不能准确地应用于儿童、残疾人或老年人,例如,大多数人的运动速度和机制可能基于年轻人、残疾人或老年人而显著改变。在某些情况下,标准模型可能无法准确评估的另一个示例活动是“跑步”活动。不同的用户对跑步有不同的概念,在某些情况下,例如由于运动的速度和强度,老年人的跑步活动被评估为步行。
可能出现上述不准确性的一个原因在于,用于分析传感器170数据以确定可能活动的模型不是针对特定用户的具体情况定制的。为了提高设备对可能活动的确定的准确度,一个或更多个实施例可以从标准模型接收关于特定活动的指示,例如,设备用户当前正在步行的确定的可能性,并且如下详述,基于对设备用户的个性化评估,可以对该值应用权重,例如,使得活动更有可能、更不可能或具有相同的可能性。然后,通用模型组件132的活动触发组件230可以评估该改变的值,以确定修改的可能性是否足以触发活动输出250。在示例中,活动输出250可以导致执行与步行相关联的动作,例如,脚步检测、打开位置确定传感器以及与步行相关联的其他活动。
在一个或更多个实施例中,来自估计器215A-D的输出的加权也可以被称为调谐、校准、调整、提升和其他类似术语。如上所述,估计器可以生成输出(例如,活动发生的可能性),并且如本文所述,该输出也可以被称为估计器参数。如本文所使用的,权重可以被称为个人权重、个体权重、估计器权重和其他类似术语。本段中描述的术语仅是等效术语的示例,并且本文中使用的其他术语可以具有等效或相似的含义,而无需特别说明。
还应当注意,如本文中描述的多个示例实施例中所使用的,由估计器使用的非限制性示例模型可以是梯度提升机(GBM),例如机器学习(ML)方法。给定本文的描述,相关领域(或多个相关领域)的技术人员将理解标准估计器(例如,GBM ML模型)的训练背后的方法。如本文进一步讨论的,在一个或更多个实施例中,使用传感器170收集的数据可以用于确定用于改变GBM的结果所应用的权重(WJP)。尽管本文中讨论了GBM模型,但是相关领域(或多个相关领域)的技术人员在给出本文的描述后将会理解,也可以基于一个或更多个实施例来校准其他模型。
在一个或更多个实施例中,为了解决上面提到的一些情况,个人权重确定器175可以接收传感器170数据并选择权重225A-C来修改通用模型组件132的输出值,通用模型组件132包括估计器215A-215D。在该方法中,一个或更多个实施例可以使用基于迁移学习的方法,其中标准模型已经在可用数据集上训练并在设备105上提供,并且一旦用户拥有该设备,就可以基于较小的个性化数据集对标准结果进行改变。为了生成该数据集,一个或更多个实施例可以执行以下一项或更多项操作:从日常、正常使用(例如,经常步行)中收集数据,或者具体提示用户在特定时间执行特定活动,例如,坐着、跑步、开车和其他活动。
在一个或更多个实施例中,一旦一个或更多个估计器215A-D根据通用模型组件132生成不同活动的发生的可能性,活动触发组件230就可以评估由估计器215A-D识别的活动的一个或更多个可能性,并确定是否触发与一个或更多个活动相关联的事件的发生,例如活动输出250。换句话说,活动触发组件230可以通过使用像随机森林这样的集成算法(ensemble algorithm)来评估多个估计器215A-D。在该算法中,确定了相关估计器输出的平均值,例如,集成中的模型。一旦输出被汇总,活动触发组件230就可以做出对被触发的活动的确定。在此上下文中考虑,一个或更多个实施例对估计器215A-D输出的加权可以被称为增强集成方法。
回到该示例,对于示例的快速移动的人,步行估计器215A和跑步估计器215B都可以生成相应活动正在发生的可能性。在简单的确定中,活动触发组件230可以选择最高可能性,并将该值与阈值进行比较,以确定步行或跑步活动。在其他方法中,其他传感器170的组合也可以提供相关数据,例如,加速度计可以确定个体正在运动的强度。
在一个或更多个实施例中,个人权重应用器134可以在这些估计被活动触发组件230评估之前将权重应用到个人估计器的输出。因此,在模型确定跑步的可能性为25%并且步行的可能性为70%的示例中,对于(通过个人权重确定器175对传感器数据的分析)被确定为经历错误的跑步否定结果(例如,被错误地分配了25%的值)的人(例如,儿童或残疾人),个人权重确定器175可以应用权重225B,权重225B指示跑步估计器215B可能具有错误的低值,并且个人权重应用器134可以应用权重225B,并将所确定的跑步的可能性从25%提高到75%,从而有益地调整通用模型组件132的应用。
重要的是要注意,在使用这种方法的一个或更多个实施例中,估计器215A-D没有被修改,这是有益的,因为在一些情况下,估计器215A-D不能在设备105上被改变。利用这种方法,在一些情况下,一个或更多个实施例可以提高针对设备105的特定用户的系统准确度,而不必改变安装的模型。在不修改估计器215A-D的附加好处中,设备105中的标准模型的各方面的再训练可能需要大量的计算资源和时间,例如,可能比设备105(可能是智能手表)可用的资源更多。
在本文描述的一种或更多种方法的又一个益处中,在一些情况下,标准设备模型的再训练可能是不可行的,因为只有有限的数据集可用于再训练。例如,可以基于从许多用户处可获得的“跑步”和“步行”活动的数据来训练GBM。然而,这个数据集可能不能代表现实生活中的每一种人类行为。这可能会导致活动识别的准确度降低。
现在转到关于传感器170附加细节,这些组件可以包括但不限于:
·压电弯曲元件
·压电薄膜
·加速度计(例如,线性可变差动变压器(LVDT)、电位计、可变磁阻、压电、压阻、电容、伺服(力平衡)、MEMS)
·位移传感器
·速度传感器
·振动传感器
·陀螺仪
·接近传感器
·电麦克风
·水听器
·电容麦克风
·驻极体电容麦克风
·动态麦克风
·带式麦克风
·碳粒麦克风
·压电麦克风
·光纤麦克风
·激光麦克风
·液体麦克风
·MEMS麦克风
来自传感器170的数据的分析可以由不同的系统组件使用各种函数来执行,不同的系统组件包括个人权重确定器175,各种函数包括但不限于:
·求平均
·标准偏差
·(按整体幅度归一化的)标准偏差
·方差
·偏度
·峰度
·求和
·绝对和
·均方根(RMS)
·波峰因数
·离差
·熵
·幂和
·质心(质量的中心)
·变异系数
·零交叉(Zero-crossings)
个人权重确定器175还可以使用其他方法来确定权重,包括但不限于基本试探法(basic heuristics)、决策树、支持向量机、随机森林、朴素贝叶斯、弹性匹配、动态时间规整、模板匹配、K均值聚类、K-最邻近算法、神经网络、多层感知器、多项式逻辑回归(multinomial logistic regression)、高斯混合模型和AdaBoost。
图3描绘了根据一个或更多个实施例的示例公式300,该公式300可以描述GBM模型参数的修改。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
图4描绘了根据一个或更多个实施例的示例公式400,该公式400可以描述使用损失函数来选择要应用于估计器215A的权重225A。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
图5描绘了根据一个或更多个实施例的用于调整GBM模型权重和模型评估的单用户输出交叉验证(CV)过程的流程图500。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
在本部分中,使用两个公开可用的数据集来讨论流程图500。第一数据集称为“日常和体育活动数据集”,第二数据集称为“PAMAP2数据集:身体活动监测。”在一个或更多个实施例中,可以针对基线GBM和调整后的GBM,使用这些数据集来比较单用户输出交叉验证(CV)和F-1分数。流程图500示出了用于调整GBM权重和模型评估的单用户输出CV过程的流程图,在块520处,通过使用(N-1)个训练用户数据训练GBM来计算基线GBM单用户输出CV。在块520处,为了调整GBM权重,第N个用户的数据被分成集合A和集合B。首先,在块530处,在集合A上调整GBM权重,然后,在块540处,调整后的GBM被使用在块550处对集合B进行预测,并且反之亦然,利用块535和545来进行预测。通过使用这种方法,一个或更多个实施例可以使用调整后的GBM来计算单用户输出CV,其中调整数据的一部分被用作验证集,以基于验证集准确度来选择最终模型。
图6包括根据一个或更多个实施例提供可用于活动分类的示例特征的表格600。为了说明不同的概念,下面结合图6和图7讨论日常和体育活动数据集。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
示例的日常和体育活动数据集具有由8个不同受试者进行的19个不同的活动。这些数据是使用附着在受试者身体不同部位的加速度计、陀螺仪和磁力计收集的。
图7描绘了根据一个或更多个实施例的具有单用户输出CV准确度的GBM模型的基线与其他ML模型之间的比较700。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
为了说明本文中讨论的不同实施例的各方面,在图表710中示出了附着到手臂/手腕的加速度计传感器170的数据,针对来自该数据集的四种不同活动:跑步、骑车、休息和步行。在这个示例中,数据以一秒钟的时延以25Hz的采样频率收集,例如,每秒收集的总共25个样本,用于生成图表710中特征的一个实例。图6示出了使用这些样本计算的不同特征600。这些特征是使用围绕X、Y和Z轴的加速度计数据计算的。
首先,在图7中,为了比较,描绘了与其他类型的ML模型相比较的具有单用户输出CV准确度的基线GBM模型。需要注意的是,对于“休息”和“跑步”类别,每个模型都有高准确度。然而,在本示例中,GBM对于“骑车”和“步行”类别表现得优于其他模型。在一个或更多个实施例中,这些可以不同地处理,因为用户步行和骑车的方式比用户步行和跑步的方式更多样化。在一些情况下,一个或更多个实施例可以基于这些类型的因素生成权重,从而导致准确度的提高。这也是因为不同的用户步行和骑车的方式可能与其他用户不同。
继续该示例,图8A-8B和图9分别描绘了图表810-880和表格900,如本文所述,显示了在使用生成的权重之前和之后的准确度。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
如图8A-8B所示的八个受试者的示例数据中所描绘的,调整算法的实施例可以用于日常和体育活动数据集,以提高单用户输出CV的准确度。图8A-8B和图9中的表格910描绘了在应用本文所述的一个或更多个实施例之前或之后每个受试者的准确度的平均提高。例如,可以看到每个受试者的准确度都有所提高,其中对于受试者#7的“骑车”和“步行”类别的准确度分别从65%和73%显著提高到88%和94%。此外,对于受试者#8,对于“骑车”活动的准确度从83%提高到90%。
图10描绘了图表1000,其示出了根据一个或更多个实施例,在调整基线GBM之后,对于每个类别的整体单用户输出CV准确度的平均提高。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
如所示,对于“骑车”、“休息”、“跑步”和“步行”类别的示例基线准确度分别为90%、98%、96%和94%。应当注意,在应用本文所述的一种或更多种方法之后,这些准确度值分别提高到96%、99%、99%和97%。因此,在该示例中,根据一个或更多个实施例,在一些情况下,通过在特定用户的数据上调整GBM,可以实现超过50%的误差减少。
图11描绘了图表1110,该图表描绘了对于“骑车”和“步行”类别受试者#7和受试者#8的接受者操作特征(ROC)曲线的比较,以说明一个或更多个实施例的各方面。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
如图表1110所示,对于受试者#7“骑车”类别,在根据一个或更多个实施例的处理之后,在调整后,曲线下面积(AUC)值从0.886显著提高到0.982。还应当注意,对于该数据,根据一个或更多个实施例,图9的表格900示出了基线GBM和调整后的GBM的F-1分数的比较,其中总体F-1分数从0.9456提高到0.9758。
为了说明一个或更多个实施例的附加方面,图12和图13分别描绘了示出来自另一示例数据集的说明性数据的图表1200和表格1300。为了简洁起见,在本文中描述的其他实施例中采用的类似元件的重复描述被省略。
该第二示例数据集名为PAMAP2,利用针对由九个不同受试者进行的三种不同活动(如骑车、休息和步行)的加速度计数据填充。在该示例中,该数据集以一秒钟的时延以100Hz收集,例如显示了100个样本的数据。
对于该第二示例,类似于图5的流程图500中所示过程的过程被用于训练基线GBM以找到单用户输出CV准确度。图12的图表1210-1280,示出了基于根据本文描述的一个或更多个实施例调整GBM,受试者的每个类别的单用户输出CV准确度的平均提高以及CV准确度的总体提高。
作为另一个示例,图13描绘了表格1300,具有对于基线GBM和根据一个或更多个实施例调整后的GBM的F-1分数的比较。应当注意,显示了从0.9307到0.9619的总体F-1分数提高,以及受试者#7的受试者F-1分数的显著提高,例如从0.8117到0.9671。
在一个或更多个实施例的特征的附加图示中,图12进一步在图表1270中指示受试者#7的“步行”准确度从55%提高到95%。图1200还显示了对于每个类别的整体单用户输出CV提高,其中对于“骑车”、“休息”和“步行”类别的基线准确度分别为92%、96%和88%。一个或更多个实施例的附加益处通过这些类别的准确度从基线值分别提高到94%、97%和95%来说明。
上述一个或更多个实施例可以以程序指令的形式实现,这些程序指令可以由各种计算机组件执行,并且可以存储在计算机可读记录介质上。计算机可读记录介质可以单独地或组合地包括程序指令、数据文件、数据结构等。存储在计算机可读记录介质上的程序指令可以是为一个或更多个实施例专门设计和配置的,或者也可以是计算机软件领域的技术人员已知且可用的。计算机可读记录介质的示例包括以下项:磁介质,例如硬盘、软盘和磁带;光学介质,例如光盘只读存储器(CD-ROM)和数字多功能磁盘(DVD);磁光介质,诸如光盘;以及硬件设备,诸如只读存储器(ROM)、随机存取存储器(RAM)和闪存,它们被专门配置为存储和执行程序指令。程序指令的示例不仅包括由编译器等创建的机器语言代码,还包括可以由计算机使用解释器等执行的高级语言代码。上述硬件设备可以被改变为一个或更多个软件模块,以执行一个或更多个实施例的操作,反之亦然。
尽管上面已经结合具体的限制(例如详细的组件以及有限的实施例和附图)描述了一个或更多个实施例,但是提供这些仅仅是为了帮助对本发明的一般理解。本文中描述的一个或更多个实施例不限于上述实施例,并且本领域的技术人员将理解,根据上述描述,各种改变和修改是可能的。
因此,一个或更多个实施例的精神不应限于上述实施例,所附权利要求及其等同物的整个范围将落入本发明的范围和精神内。
Claims (20)
1.一种用于校准移动设备使用的用户活动模型的方法,所述方法包括:
从所述移动设备的传感器接收传感器数据;
将第一权重应用于第一活动的第一发生的第一可能性,其中所述第一可能性由所述用户活动模型的第一估计器通过将预配置标准应用于所述传感器数据来确定;和
基于对所述第一活动的所述第一发生的确定来执行动作,所述确定基于所述第一权重和所述第一活动的所述第一发生的所述第一可能性。
2.根据权利要求1所述的方法,其中,所述第一活动是所述移动设备的用户的活动。
3.根据权利要求2所述的方法,所述方法还包括:
促进对所述移动设备的所述用户的身体特征的评估;和
基于对所述用户的所述身体特征的所述评估来选择所述第一权重。
4.根据权利要求3所述的方法,其中,选择所述第一权重包括:选择所述第一权重,以对于所述移动设备的所述用户,提高所述第一活动的所述第一发生的所述第一可能性的准确度。
5.根据权利要求3或4所述的方法,其中,选择所述第一权重还基于对于所述第一活动的训练数据。
6.根据权利要求1-5中任一项所述的方法,其中,所述第一活动的所述第一发生的确定包括将所述第一活动的所述第一发生的所述第一可能性与第二活动的第二发生的第二可能性进行比较。
7.根据权利要求1-5中任一项所述的方法,其中,将所述第一权重应用于所述第一可能性包括修改所述第一可能性。
8.根据权利要求1-5中任一项所述的方法,其中,接收所述传感器数据包括从加速度计、磁力计或陀螺仪中的至少一个接收数据。
9.一种移动设备,包括:
传感器;
处理器;和
存储可执行指令的存储器,所述可执行指令在被所述处理器执行时促进操作的执行,所述操作包括:
从所述传感器接收传感器数据;
将第一权重应用于第一活动的第一发生的第一可能性,其中所述第一可能性由用户活动模型的第一估计器通过将预配置标准应用于所述传感器数据来确定;和
基于所述第一活动的所述第一发生的确定来执行动作,所述确定基于所述第一权重和所述第一活动的所述第一发生的所述第一可能性。
10.根据权利要求9所述的移动设备,其中,所述第一活动是所述移动设备的用户的活动。
11.根据权利要求10所述的移动设备,还包括:
促进对所述移动设备的所述用户的身体特征的评估;和
基于对所述用户的所述身体特征的所述评估来选择所述第一权重。
12.根据权利要求11所述的移动设备,其中,选择所述第一权重包括:选择所述第一权重,以对于所述移动设备的所述用户,提高所述第一活动的所述第一发生的所述第一可能性的准确度。
13.根据权利要求11或12所述的移动设备,其中,选择所述第一权重还基于对于所述第一活动的训练数据。
14.根据权利要求9-13中任一项所述的移动设备,其中,所述第一活动的所述第一发生的确定包括:将所述第一活动的所述第一发生的所述第一可能性与第二活动的第二发生的第二可能性进行比较。
15.根据权利要求9-13中任一项所述的移动设备,其中,将所述第一权重应用于所述第一可能性包括修改所述第一可能性。
16.根据权利要求9-13中任一项所述的移动设备,其中,所述传感器包括以下中的一个或更多个:
加速度计,
磁力计,或者
陀螺仪。
17.一种具有程序指令的计算机可读记录介质,所述程序指令能够由各种计算机组件执行以执行操作,所述操作包括:
从移动设备的传感器接收传感器数据;
将第一权重应用于第一活动的第一发生的第一可能性,其中所述第一可能性由用户活动模型的第一估计器通过将预配置的标准应用于所述传感器数据来确定;和
基于对所述第一活动的所述第一发生的确定来执行动作,所述确定基于所述第一权重和所述第一活动的所述第一发生的所述第一可能性。
18.根据权利要求17所述的计算机可读记录介质,其中,所述操作还包括:
促进对所述移动设备的用户的身体特征的评估;和
基于对所述用户的所述身体特征的所述评估来选择所述第一权重,其中所述第一活动是所述用户的活动。
19.根据权利要求18所述的计算机可读记录介质,其中,选择所述第一权重包括:选择所述第一权重,以对于所述移动设备的所述用户,提高所述第一活动的所述第一发生的所述第一可能性的准确度。
20.根据权利要求18或19所述的计算机可读记录介质,其中,选择所述第一权重还基于对于所述第一活动的训练数据。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962857330P | 2019-06-05 | 2019-06-05 | |
US62/857,330 | 2019-06-05 | ||
US16/582,241 US11980792B2 (en) | 2019-06-05 | 2019-09-25 | Method and apparatus for calibrating a user activity model used by a mobile device |
US16/582,241 | 2019-09-25 | ||
PCT/US2020/035886 WO2020247471A1 (en) | 2019-06-05 | 2020-06-03 | Method and apparatus for calibrating a user activity model used by a mobile device |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113873941A true CN113873941A (zh) | 2021-12-31 |
Family
ID=73650144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080037153.7A Pending CN113873941A (zh) | 2019-06-05 | 2020-06-03 | 用于校准移动设备使用的用户活动模型的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11980792B2 (zh) |
EP (1) | EP3979908A4 (zh) |
CN (1) | CN113873941A (zh) |
WO (1) | WO2020247471A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11771958B2 (en) * | 2017-07-07 | 2023-10-03 | Rika TAKAGI | Instructing process management system for treatment and/or exercise, and program, computer apparatus and method for managing instructing process for treatment and/or exercise |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9292111B2 (en) | 1998-01-26 | 2016-03-22 | Apple Inc. | Gesturing with a multipoint sensing device |
JP3988476B2 (ja) | 2001-03-23 | 2007-10-10 | セイコーエプソン株式会社 | 座標入力装置及び表示装置 |
ATE557337T1 (de) | 2002-02-06 | 2012-05-15 | Soundtouch Ltd | Touch pad |
JP4071620B2 (ja) | 2002-12-27 | 2008-04-02 | 株式会社日立製作所 | 情報処理装置 |
WO2006080858A1 (en) | 2005-01-30 | 2006-08-03 | Simtrix Limited | Computer mouse peripheral |
US9477396B2 (en) | 2008-11-25 | 2016-10-25 | Samsung Electronics Co., Ltd. | Device and method for providing a user interface |
US20100251112A1 (en) | 2009-03-24 | 2010-09-30 | Microsoft Corporation | Bimodal touch sensitive digital notebook |
US8224392B2 (en) | 2009-04-29 | 2012-07-17 | Lg Electronics Inc. | Mobile terminal capable of recognizing fingernail touch and method of controlling the operation thereof |
JP2011028555A (ja) | 2009-07-27 | 2011-02-10 | Sony Corp | 情報処理装置および情報処理方法 |
US20110057885A1 (en) | 2009-09-08 | 2011-03-10 | Nokia Corporation | Method and apparatus for selecting a menu item |
US9524041B2 (en) | 2010-12-22 | 2016-12-20 | Intel Corporation | Touch sensor gesture recognition for operation of mobile devices |
US8930300B2 (en) | 2011-03-31 | 2015-01-06 | Qualcomm Incorporated | Systems, methods, and apparatuses for classifying user activity using temporal combining in a mobile device |
CN109582180A (zh) | 2011-10-18 | 2019-04-05 | 卡内基梅隆大学 | 用于分类触敏表面上的触摸事件的方法和设备 |
KR101871714B1 (ko) | 2012-04-02 | 2018-06-27 | 엘지전자 주식회사 | 이동 단말기 및 그 제어방법 |
US8814674B2 (en) | 2012-05-24 | 2014-08-26 | Supercell Oy | Graphical user interface for a gaming system |
US9164658B2 (en) | 2012-10-12 | 2015-10-20 | Cellco Partnership | Flexible selection tool for mobile devices |
US9019244B2 (en) | 2013-02-28 | 2015-04-28 | Qeexo, Co. | Input tools having viobro-acoustically distinct regions and computing device for use with the same |
US9122332B2 (en) | 2013-03-15 | 2015-09-01 | Cellco Partnership | Automatic detection for touch through glove |
US9013452B2 (en) | 2013-03-25 | 2015-04-21 | Qeexo, Co. | Method and system for activating different interactive functions using different types of finger contacts |
US10599250B2 (en) | 2013-05-06 | 2020-03-24 | Qeexo, Co. | Using finger touch types to interact with electronic devices |
US8948783B2 (en) * | 2013-06-28 | 2015-02-03 | Facebook, Inc. | User activity tracking system |
US20160007935A1 (en) | 2014-03-19 | 2016-01-14 | Massachusetts Institute Of Technology | Methods and apparatus for measuring physiological parameters |
US9870535B2 (en) * | 2015-02-26 | 2018-01-16 | Stmicroelectronics, Inc. | Method and apparatus for determining probabilistic context awareness of a mobile device user using a single sensor and/or multi-sensor data fusion |
US11568369B2 (en) * | 2017-01-13 | 2023-01-31 | Fujifilm Business Innovation Corp. | Systems and methods for context aware redirection based on machine-learning |
US10588517B2 (en) * | 2017-05-19 | 2020-03-17 | Stmicroelectronics, Inc. | Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning |
CN107818339A (zh) * | 2017-10-18 | 2018-03-20 | 桂林电子科技大学 | 一种人类活动识别的方法 |
US20190183428A1 (en) * | 2017-12-19 | 2019-06-20 | Hill-Rom Services, Inc. | Method and apparatus for applying machine learning to classify patient movement from load signals |
US11423281B2 (en) * | 2019-02-01 | 2022-08-23 | International Business Machines Corporation | Personalized activity adviser model |
-
2019
- 2019-09-25 US US16/582,241 patent/US11980792B2/en active Active
-
2020
- 2020-06-03 WO PCT/US2020/035886 patent/WO2020247471A1/en unknown
- 2020-06-03 CN CN202080037153.7A patent/CN113873941A/zh active Pending
- 2020-06-03 EP EP20817902.8A patent/EP3979908A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11980792B2 (en) | 2024-05-14 |
EP3979908A1 (en) | 2022-04-13 |
WO2020247471A1 (en) | 2020-12-10 |
US20200384313A1 (en) | 2020-12-10 |
EP3979908A4 (en) | 2023-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morales et al. | Physical activity recognition by smartphones, a survey | |
US8974232B2 (en) | Apparatus and method for implementing a mobility aid device | |
US9582080B1 (en) | Methods and apparatus for learning sensor data patterns for gesture-based input | |
CN107209807B (zh) | 疼痛管理可穿戴设备 | |
Ni et al. | Dynamic detection of window starting positions and its implementation within an activity recognition framework | |
US11096593B2 (en) | Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning | |
Hemmatpour et al. | A review on fall prediction and prevention system for personal devices: evaluation and experimental results | |
KR20160031246A (ko) | 보행 환경 인식 방법 및 장치 | |
San-Segundo et al. | Segmenting human activities based on HMMs using smartphone inertial sensors | |
WO2015009951A1 (en) | Fall detection using machine learning | |
JP6134872B1 (ja) | 対象の周期的な運動のサイクル数を計数するデバイス、方法及びシステム | |
KR101418333B1 (ko) | 사용자 동작 인식 장치 및 그 방법 | |
Hemmatpour et al. | Nonlinear Predictive Threshold Model for Real‐Time Abnormal Gait Detection | |
Liu et al. | Deep-learning-based signal enhancement of low-resolution accelerometer for fall detection systems | |
Saha et al. | Auritus: An open-source optimization toolkit for training and development of human movement models and filters using earables | |
Liu et al. | A fully connected deep learning approach to upper limb gesture recognition in a secure FES rehabilitation environment | |
CN113873941A (zh) | 用于校准移动设备使用的用户活动模型的方法和装置 | |
US20180267073A1 (en) | Device and method of characterizing motion | |
Balli et al. | The usage of statistical learning methods on wearable devices and a case study: activity recognition on smartwatches | |
Severin | Time series feature extraction for Head gesture recognition: Considerations toward HCI Applications | |
Otamendi et al. | Machine learning-based gait anomaly detection using a sensorized tip: an individualized approach | |
CN107203259B (zh) | 用于使用单和/或多传感器数据融合确定移动设备使用者的概率性内容感知的方法和装置 | |
Hosein et al. | Wearable sensor selection, motion representation and their effect on exercise classification | |
JP2023551075A (ja) | 転倒危険予防方法およびこのような方法を遂行する装置 | |
US11216074B2 (en) | Motion classification user library |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |