CN114115511A - 触发电子设备预载功能的方法、电子装置及存储介质 - Google Patents
触发电子设备预载功能的方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN114115511A CN114115511A CN202010866621.3A CN202010866621A CN114115511A CN 114115511 A CN114115511 A CN 114115511A CN 202010866621 A CN202010866621 A CN 202010866621A CN 114115511 A CN114115511 A CN 114115511A
- Authority
- CN
- China
- Prior art keywords
- gesture data
- triggering
- function
- model
- electronic device
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001960 triggered effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 85
- 230000036316 preload Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 238000004138 cluster model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
- Telephone Function (AREA)
Abstract
本申请公开一种触发电子设备预载功能的方法,包括:将采集的当前手势数据输入预先使用第一负样本训练的基础模型,第一负样本为非触发预载功能的手势数据;若基础模型识别当前手势数据为非负样本,则将当前手势数据输入采用预先使用第二负样本训练的推理模型,第二负样本为非触发预载功能的历史手势数据;若推理模型识别当前手势数据为负样本,则不触发预载功能,且将当前手势数据作为新的历史手势数据训练推理模型;若当前手势数据不为负样本,触发预载功能;使用负样本作为新的历史手势数据去训练推理模型,使得推理模型记忆了更多负样本,增加了判断不触发电子设备的预载功能的判定条件,从而使得用户可以使用非预先设置的手势触发预载功能。
Description
技术领域
本申请涉及终端设备技术领域,具体涉及一种触发电子设备预载功能的方法、电子装置及存储介质。
背景技术
为了增加用户体验,现在的电子设备设计的越来越人性化,根据用户的动作设置了一些预载功能,例如,目前的电子设备,大多具有抬手亮屏或类似的功能,即在用户将电子设备拿起或其他可能的使用行为模式发生时自动点亮屏幕,让用户无需通过按键即可点亮屏幕来查看手机内容或进行触发后续如解锁等功能。
现有的预载功能,主要通过人工设计规则来实现,而判断需要亮屏的依据则为:使用传感器得到的当前手势数据是否与预先设置的固定手势数据相匹配,若匹配,则点亮屏幕或其他预载功能。
然而,上述方法预先设置的固定手势数据是固定不变的,因此电子设备对于预载功能的触发条件是固定的,用户须使用固定手势才能出发预载功能,使用非预先设置的手势无法触发预载功能,从而降低了用户体验。
发明内容
鉴于此,本申请提供一种触发电子设备预载功能的方法,以解决现有的电子设备对于预载功能的触发条件是固定的,用户想要使用非预先设置的手势触发预载功能,无法实现,从而降低了用户体验的问题。
本申请第一方面提供一种控制电子设备触发预载功能的方法,包括:采集用户操作电子设备的当前手势数据;将当前手势数据输入预先使用第一负样本训练的基础模型,第一负样本定义为固定的非触发预载功能的手势数据;若利用所述基础模型识别当前手势数据为非负样本,则将所述当前手势数据输入预先使用第二负样本训练的推理模型,第二负样本定义为非触发预载功能的历史手势数据;若利用所述推理模型识别所述当前手势数据为负样本,则不触发电子设备的预载功能,且将所述当前手势数据作为新的历史手势数据训练推理模型;若所述当前手势数据不为负样本,则识别所述当前手势为正样本,触发电子设备的预载功能。
其中,所述方法还包括:若利用所述基础模型识别当前手势数据为非负样本,则将所述当前手势数据输入采用预先使用正样本训练的群集模型,所述正样本定义为触发电子设备的预载功能的历史手势数据;若使用所述群集模型识别所述非负样本为正样本,且所述推理模型识别所述当前手势数据为正样本,则触发电子设备的预载功能。
其中,所述推理模型的训练方法包括:采集预定时间段内用户操作电子设备的历史手势数据;将所述历史手势数据输入所述基础模型;若使用所述基础模型识别所述历史手势数据为非负样本,则使用滑动窗口算法对非负样本的所述历史手势数据进行处理,得到处理结果;将所述处理结果输入所述基础模型,若使用所述基础模型识别所述处理结果为负样本,则将所述处理结果对应的历史手势数据标记为负样本;若使用所述基础模型识别所述处理结果为非负样本,则将所述处理结果对应的历史手势数据标记为正样本;将标记为负样本的所述历史手势数据及其对应的负样本标签存入数据库中,以作为样本数据训练所述推理模型。
其中,所述群集模型的训练方法包括:使用标记为正样本的所述历史手势数据作为样本数据训练群集模型。
其中,所述推理模型的训练方法还包括:采集用户未触发电子设备的预载功能而发生波动较大的历史手势数据为训练所述推理模型的样本数据。
其中,所述滑动窗口算法的滑动窗口的设置方法包括:设置不同大小的预滑动窗口,并使用每个不同大小的预滑动窗口运行滑动窗口算法,得到不同预滑动窗口的处理结果;选取处理结果中不影响所述基础模型的正确率、且最小的预滑动窗口作为滑动窗口。
其中,所述方法还包括:根据电子设备的使用情况判断用户是否处于睡眠状态;获取电子设备的电量及充电状态;在用户处于睡眠状态、且电子设备电量充足、处于充电状态下,训练所述推理模型及所述群集模型。
其中,所述预载功能为点亮屏幕或预载程序或启动指纹解锁或启动人脸识别解锁。
其中,所述当前手势数据及所述历史手势数据为使用电子设备的加速度计或陀螺仪得到的数值。
本申请第二方面提供一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述中的任意一项所述的触发电子设备预载功能的方法。
本申请第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述中的任意一项所述的触发电子设备预载功能的方法。
本申请上述触发电子设备预载功能的方法、电子装置及存储介质,将固定的非触发预载功能的手势数据作为第一负样本而不是去固定能够触发预载功能的手势数据,因此输入的当前手势数据如不符合第一负样本就可视为可触发预载功能的手势数据,因此不需要固定可触发预载功能的手势数据就可以触发预载功能。且若利用所述推理模型识别所述当前手势数据为负样本,不会触发电子设备的预载功能,且将所述当前手势数据作为新的历史手势数据去训练推理模型,能够使得推理模型记忆更多的负样本,即使得不触发电子设备的预载功能的手势数据增加,可以降低正样本的增长带来的不可预期性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例触发电子设备预载功能的方法的流程示意图;
图2是本申请实施例触发电子设备预载功能的方法的具体实施方式的流程示意图;
图3是本申请实施例电子设备的结构示意框图。
具体实施方式
下面结合附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,下述各个实施例及其技术特征可以相互组合。
请参阅图1,本申请实施例提供一种触发电子设备预载功能的方法,包括:S1、采集用户操作电子设备的当前手势数据;S2、将当前手势数据输入预先使用第一负样本训练的基础模型,第一负样本定义为固定的非触发预载功能的手势数据;S3、若利用基础模型识别当前手势数据为非负样本,则将当前手势数据输入预先使用第二负样本训练的推理模型,第二负样本定义为非触发预载功能的历史手势数据;S4、若利用推理模型识别当前手势数据为负样本,则不触发电子设备的预载功能,且将当前手势数据作为新的历史手势数据训练推理模型;S5、若当前手势数据不为负样本,则识别当前手势为正样本,触发电子设备的预载功能。
在上述步骤中,将固定的非触发预载功能的手势数据作为第一负样本而不是去固定能够触发预载功能的手势数据,因此输入的当前手势数据如不符合第一负样本就可视为可触发预载功能的手势数据,因此不需要固定可触发预载功能的手势数据就可以触发预载功能。且若利用所述推理模型识别所述当前手势数据为负样本,不会触发电子设备的预载功能,且将所述当前手势数据作为新的历史手势数据去训练推理模型,能够使得推理模型记忆更多的负样本,即使得不触发电子设备的预载功能的手势数据增加,可以降低正样本的增长带来的不可预期性。
在本实施例中,可以使用步骤S1、S2、S3、S4及S5完成触发电子设备的预载功能操作,在其他实施例中,还可以将S1获取的当前手势数据直接输入S3的推理模型内,这样就简化了触发电子设备预载功能的流程,并且增加了自由度,由于推理模型能够不断的学习,能够不断更新电子设备对于预载功能的触发条件,能够使得用户使用非预先设置的手势触发电子设备的预载功能,从而增加了用户体验。
另外,为了加强触发电子设备的预载功能的准确性,还可加入群集模型,在判断是否触发当前手势数据被推理模型判断为正样本的数据是否曾经出现在学习的样本数据中,因此,请参阅图2,触发电子设备预载功能的方法还包括:S6、若利用基础模型识别当前手势数据为非负样本,则将当前手势数据输入采用预先使用正样本训练的群集模型,正样本定义为触发电子设备的预载功能的历史手势数据;S7、若使用群集模型识别非负样本为正样本,且推理模型识别当前手势数据为正样本,则触发电子设备的预载功能。
在其他实施例中,还可以使用triplet loss函数让资料点几种的方式让推理模型对当前传感器数据可以输出是否为非负样本。
其中,推理模型的训练方法包括:采集预定时间段内用户操作电子设备的历史手势数据;将历史手势数据输入基础模型;若使用基础模型识别历史手势数据为非负样本,则使用滑动窗口算法对非负样本的历史手势数据进行处理,得到处理结果;将处理结果输入基础模型,若使用基础模型识别处理结果为负样本,则将处理结果对应的历史手势数据标记为负样本;若使用基础模型识别处理结果为非负样本,则将处理结果对应的历史手势数据标记为正样本;将标记为负样本的历史手势数据及其对应的负样本标签存入数据库中,以作为样本数据训练推理模型。
群集模型的训练方法包括:使用标记为正样本的历史手势数据作为样本数据训练群集模型。群集模型可用传统及其学习或者自动编码器或变分自动编码器来进行训练。
对于用于判断用户当前操作是否为触发电子设备预载功能的操作对应的样本数据,会采集预定时间段内用户的历史操作对应的历史手势数据,由于使用者的使用习惯通常会固定,但又希望在使用者不得不用其他习惯使用手机时(如受伤)也能够快速反应,需要获取不同长度从2-15天的历史手势数据分别训练推理模型,在选择上要求验证集正确率够高(如,99%)并且对最近1天的历史手势数据预测结果够高的前提下去选择整体训练正确率最高的参数,此做法能够使得用户能够在用户改变习惯后也能够触发电子设备的预载功能,另外正样本的增长具有较高的不可预期性,因此需要推理模型在负样本的表现足够高来加以限制正样本改变其表现的程度,从而更加准确地触发电子设备的预载功能。
为了增加样本数据的来源,在训练推理模型前,采集用户未触发电子设备的预载功能而发生波动较大的历史手势数据为训练推理模型的样本数据,从而增加了训练推理模型时的样本数据。
在本实施例中,滑动窗口算法的滑动窗口的设置方法包括:设置不同大小的预滑动窗口,并使用每个不同大小的预滑动窗口运行滑动窗口算法,得到不同预滑动窗口的处理结果;选取处理结果中不影响基础模型的正确率、且最小的预滑动窗口作为滑动窗口。
在其他实施例中,滑动窗口算法的滑动窗口还可以使用深度学习的attention机制或convolution来直接获取重要的信息或高阶信息,使用这些信息构成滑动窗口,从而使得推理模型能够更接近端到端的学习。
由于推理模型及群集模型的训练需要占用处理器等资源,使得训练过程较为耗费电子设备的电量,因此为了兼顾使用者体验,触发电子设备预载功能的方法还包括:根据电子设备的使用情况判断用户是否处于睡眠状态;获取电子设备的电量及充电状态;在用户处于睡眠状态、且电子设备电量充足、处于充电状态下,训练推理模型及群集模型。
通过统计用户使用电子设备的习惯,能够获得用户处于睡眠状态的时间,从而在用户处于睡眠状态时训练推理模型及群集模型;在电子设备电量充足、处于充电状态下训练推理模型及群集模型,能够保证电子设备的电量始终充足,降低电子设备电量不足的几率。
不同的响应规则能够对非负样本集正样本的当前手势数据响应出不同的预载功能,在本实施例中,预载功能可以为点亮屏幕,从而实现自动亮屏的功能,在其他实施例中,预载功能可以为启动预载程序,还可以为启动指纹解锁,还可以为启动人脸识别解锁。
在本实施例中,操作电子设备的手势包括但不限于用户握持或配戴电子设备触控操作的手势、用户握持或配戴电子装置的姿势或姿态、用户以非接触方式通过手势或姿势控制电子装置。当前手势数据及历史手势数据可以为电子设备的加速度计或加速度传感器的数值代表的手势数据,在其他实施例中,当前手势数据及历史手势数据还可以为陀螺仪或方位传感器的数值代表的手势数据,还可以为重力计或重力传感器的数值代表的手势数据,也可以为超声波传感器或深度传感器的数值代表的手势数据。
而用户的操作,可以由手势数据的差异做判断,例如:重力计或重力传感器判断电子设备指向的改变或是由及其学习的方式判断,如设定用户操作以收集手势数据对推理模型加以训练。
本实施例的电子设备,可以为手机,还可以为平板电脑,还可以为掌上游戏机等手持电子产品。
请参阅图3,本申请实施例还提供一种电子装置,该电子装置包括:存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行该计算机程序时,实现前述中描述的触发电子设备预载功能的方法。
进一步的,该电子装置还包括:至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604,通过总线605连接。
其中,输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器601用于存储一组可执行程序代码,处理器602与存储器601耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述中的存储器601。该计算机可读存储介质上存储有计算机程序,该程序被处理器602执行时实现前述实施例中描述的触发电子设备预载功能的方法。
进一步的,该计算机可读存储介质还可以是U盘、移动硬盘、只读存储器601(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
尽管已经相对于一个或多个实现方式示出并描述了本申请,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本申请包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本说明书的示范性实现方式中的功能的公开结构不等同。
即,以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,例如各实施例之间技术特征的相互结合,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
另外,在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请,本申请给出了以上描述。在以上描述中,为了解释的目的而列出了各个细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
Claims (11)
1.一种触发电子设备预载功能的方法,其特征在于,包括:
采集用户操作电子设备的当前手势数据;
将当前手势数据输入预先使用第一负样本训练的基础模型,第一负样本定义为固定的非触发预载功能的手势数据;
若利用所述基础模型识别当前手势数据为非负样本,则将所述当前手势数据输入预先使用第二负样本训练的推理模型,第二负样本定义为非触发预载功能的历史手势数据;
若利用所述推理模型识别所述当前手势数据为负样本,则不触发电子设备的预载功能,且将所述当前手势数据作为新的历史手势数据训练推理模型;
若所述当前手势数据不为负样本,则识别所述当前手势为正样本,触发电子设备的预载功能。
2.根据权利要求1所述的触发电子设备预载功能的方法,其特征在于,
所述方法还包括:
若利用所述基础模型识别当前手势数据为非负样本,则将所述当前手势数据输入采用预先使用正样本训练的群集模型,所述正样本定义为触发电子设备的预载功能的历史手势数据;
若使用所述群集模型识别所述非负样本为正样本,且所述推理模型识别所述当前手势数据为正样本,则触发电子设备的预载功能。
3.根据权利要求2所述的触发电子设备预载功能的方法,其特征在于,
所述推理模型的训练方法包括:
采集预定时间段内用户操作电子设备的历史手势数据;
将所述历史手势数据输入所述基础模型;
若使用所述基础模型识别所述历史手势数据为非负样本,则使用滑动窗口算法对非负样本的所述历史手势数据进行处理,得到处理结果;
将所述处理结果输入所述基础模型,若使用所述基础模型识别所述处理结果为负样本,则将所述处理结果对应的历史手势数据标记为负样本;
若使用所述基础模型识别所述处理结果为非负样本,则将所述处理结果对应的历史手势数据标记为正样本;
将标记为负样本的所述历史手势数据及其对应的负样本标签存入数据库中,以作为样本数据训练所述推理模型。
4.根据权利要求3所述的触发电子设备预载功能的方法,其特征在于,
所述群集模型的训练方法包括:
使用标记为正样本的所述历史手势数据作为样本数据训练群集模型。
5.根据权利要求3所述的触发电子设备预载功能的方法,其特征在于,
所述推理模型的训练方法还包括:
采集用户未触发电子设备的预载功能而发生波动较大的历史手势数据为训练所述推理模型的样本数据。
6.根据权利要求3所述的触发电子设备预载功能的方法,其特征在于,
所述滑动窗口算法的滑动窗口的设置方法包括:
设置不同大小的预滑动窗口,并使用每个不同大小的预滑动窗口运行滑动窗口算法,得到不同预滑动窗口的处理结果;
选取处理结果中不影响所述基础模型的正确率、且最小的预滑动窗口作为滑动窗口。
7.根据权利要求2所述的触发电子设备预载功能的方法,其特征在于,
所述方法还包括:
根据电子设备的使用情况判断用户是否处于睡眠状态;
获取电子设备的电量及充电状态;
在用户处于睡眠状态、且电子设备电量充足、处于充电状态下,训练所述推理模型及所述群集模型。
8.根据权利要求1所述的触发电子设备预载功能的方法,其特征在于,
所述预载功能为点亮屏幕或预载程序或启动指纹解锁或启动人脸识别解锁。
9.根据权利要求1所述的触发电子设备预载功能的方法,其特征在于,
所述当前手势数据及所述历史手势数据为使用电子设备的加速度计或陀螺仪得到的数值。
10.一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至9中的任意一项所述方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至9中的任意一项所述方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866621.3A CN114115511B (zh) | 2020-08-25 | 2020-08-25 | 触发电子设备预载功能的方法、电子装置及存储介质 |
PCT/CN2021/114252 WO2022042526A1 (zh) | 2020-08-25 | 2021-08-24 | 触发电子设备预载功能的方法、电子装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010866621.3A CN114115511B (zh) | 2020-08-25 | 2020-08-25 | 触发电子设备预载功能的方法、电子装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115511A true CN114115511A (zh) | 2022-03-01 |
CN114115511B CN114115511B (zh) | 2023-05-02 |
Family
ID=80352696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010866621.3A Active CN114115511B (zh) | 2020-08-25 | 2020-08-25 | 触发电子设备预载功能的方法、电子装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114115511B (zh) |
WO (1) | WO2022042526A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423445B (zh) * | 2023-12-11 | 2024-03-15 | 广东壹健康健康产业集团股份有限公司 | 基于用户集群感知的智能指环控制方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137219A1 (en) * | 2016-11-14 | 2018-05-17 | General Electric Company | Feature selection and feature synthesis methods for predictive modeling in a twinned physical system |
CN108595013A (zh) * | 2018-05-15 | 2018-09-28 | Oppo广东移动通信有限公司 | 握持识别方法、装置、存储介质及电子设备 |
CN110163236A (zh) * | 2018-10-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 模型的训练方法和装置、存储介质、电子装置 |
US20190294927A1 (en) * | 2018-06-16 | 2019-09-26 | Moshe Guttmann | Selective update of inference models |
CN110765967A (zh) * | 2019-10-30 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的动作识别方法和相关装置 |
CN111027442A (zh) * | 2019-12-03 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 用于行人重识别的模型训练方法、识别方法、装置及介质 |
CN111191590A (zh) * | 2019-12-30 | 2020-05-22 | Oppo(重庆)智能科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
-
2020
- 2020-08-25 CN CN202010866621.3A patent/CN114115511B/zh active Active
-
2021
- 2021-08-24 WO PCT/CN2021/114252 patent/WO2022042526A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137219A1 (en) * | 2016-11-14 | 2018-05-17 | General Electric Company | Feature selection and feature synthesis methods for predictive modeling in a twinned physical system |
CN108595013A (zh) * | 2018-05-15 | 2018-09-28 | Oppo广东移动通信有限公司 | 握持识别方法、装置、存储介质及电子设备 |
US20190294927A1 (en) * | 2018-06-16 | 2019-09-26 | Moshe Guttmann | Selective update of inference models |
CN110163236A (zh) * | 2018-10-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 模型的训练方法和装置、存储介质、电子装置 |
CN110765967A (zh) * | 2019-10-30 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的动作识别方法和相关装置 |
CN111027442A (zh) * | 2019-12-03 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 用于行人重识别的模型训练方法、识别方法、装置及介质 |
CN111191590A (zh) * | 2019-12-30 | 2020-05-22 | Oppo(重庆)智能科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114115511B (zh) | 2023-05-02 |
WO2022042526A1 (zh) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6761837B2 (ja) | ユーザの心理状態判断装置及び方法 | |
US11422688B2 (en) | Mobile terminal and method for controlling the same | |
CN107785021B (zh) | 语音输入方法、装置、计算机设备和介质 | |
CN102483679B (zh) | 提供搜索功能性的用户接口方法 | |
US20150371023A1 (en) | Usage modeling | |
CN109509056A (zh) | 基于对抗网络的商品推荐方法、电子装置及存储介质 | |
EP3702953B1 (en) | Electronic device for obfuscating and decoding data and method for controlling same | |
JP5264565B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
JP6197613B2 (ja) | 生体情報抽出装置、生体情報抽出方法、および生体情報抽出プログラム | |
KR101591586B1 (ko) | 제스처 조작을 검출하는 데이터 처리 장치 | |
CN107818251A (zh) | 一种人脸识别方法及移动终端 | |
KR20180027502A (ko) | 터치 압력을 검출하기 위한 커패시턴스의 사용 방법 | |
CN114115511B (zh) | 触发电子设备预载功能的方法、电子装置及存储介质 | |
JP2018128736A (ja) | 顔認証システム、顔認証方法、及び顔認証プログラム | |
CN111813307B (zh) | 应用程序显示方法、装置及电子设备 | |
CN104077268B (zh) | 整形装置 | |
CN111639318A (zh) | 移动终端上基于手势监测的风控方法及相关装置 | |
US20190073097A1 (en) | Application program data processing method and device | |
US20230056653A1 (en) | Document analysis to identify document characteristics and appending the document characteristics to a record | |
CN113138676B (zh) | 表情符号显示方法及装置 | |
CN111913646A (zh) | 一种信息发送方法及装置 | |
CN102736822B (zh) | 提高手持装置触碰键盘辨识率的系统和方法 | |
JP2020071858A (ja) | パラメータ推定プログラム、装置、及び方法 | |
LU101615B1 (en) | Systems and methods for handwriting recognition | |
US20230063055A1 (en) | Method for fingerprint enrollment, electronic device and computer-readable storage medium |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |