CN116501183B - 一种基于多传感器融合的鼠标位移调控方法以及系统 - Google Patents

一种基于多传感器融合的鼠标位移调控方法以及系统 Download PDF

Info

Publication number
CN116501183B
CN116501183B CN202310768251.3A CN202310768251A CN116501183B CN 116501183 B CN116501183 B CN 116501183B CN 202310768251 A CN202310768251 A CN 202310768251A CN 116501183 B CN116501183 B CN 116501183B
Authority
CN
China
Prior art keywords
data
mouse
motion
degree
motion data
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.)
Active
Application number
CN202310768251.3A
Other languages
English (en)
Other versions
CN116501183A (zh
Inventor
孙海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ruiai Electronics Co ltd
Original Assignee
Shenzhen Ruiai Electronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Ruiai Electronics Co ltd filed Critical Shenzhen Ruiai Electronics Co ltd
Priority to CN202310768251.3A priority Critical patent/CN116501183B/zh
Publication of CN116501183A publication Critical patent/CN116501183A/zh
Application granted granted Critical
Publication of CN116501183B publication Critical patent/CN116501183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0354—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of 2D relative movements between the device, or an operating part thereof, and a plane or surface, e.g. 2D mice, trackballs, pens or pucks
    • G06F3/03543—Mice or pucks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Position Input By Displaying (AREA)

Abstract

本申请涉及数据处理领域，提供一种基于多传感器融合的鼠标位移调控方法以及系统，包括：通过传感器采集鼠标移动过程中的数据，并将采集的数据分为运动数据集合，其中运动数据集合包括多个类型的运动数据；基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度；基于异常程度从运动数据中剔除异常数据；基于剩余数据对鼠标位移进行调控。该方法能够提高异常数据的检测精度与效率，进而提高数据融合的效果与鼠标位移调控的精度与效率。

Description

一种基于多传感器融合的鼠标位移调控方法以及系统
技术领域
本申请涉及数据处理领域，特别是涉及一种基于多传感器融合的鼠标位移调控方法以及系统。
背景技术
基于多传感器融合的鼠标位移调控系统一般是指通过多个传感器对鼠标的数据进行获取和处理，以实现更为精准和稳定的鼠标位移控制的系统。具体来说，该系统可能包括多个传感器，如加速度计、陀螺仪、压力传感器等，可以同时获取鼠标在不同方向的位移、旋转、压力等多个参数，并通过数据融合算法将这些数据综合起来，从而实现更加准确和平滑的鼠标控制。
在通过传感器采集鼠标位移相关数据时，很可能会因为传感器硬件故障（损坏，灰尘或泥垢积累，线缆接触不良）或外界环境干扰（电磁干扰、光线干扰、温度变化等）而采集到异常数据。异常数据会极大的影响数据融合的准确性，降低融合算法的可靠性，同时加重数据处理的负担。故需要对鼠标位移相关数据进行异常检测。传统的异常检测算法往往是通过设定正常范围区间，若数据在该正常范围区间内则认为其为正常数据，否则为异常数据，检测效率与精度均比较低。
发明内容
本发明提供一种基于多传感器融合的鼠标位移调控方法以及系统，该方法能够提高异常数据的检测精度与效率，进而提高数据融合的效果与鼠标位移调控的精度与效率。
第一方面，本申请提供一种基于多传感器融合的鼠标位移调控方法，包括：
通过传感器采集鼠标移动过程中的数据，并将采集的数据分为运动数据集合，其中所述运动数据集合包括多个类型的运动数据；
基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度；
基于所述异常程度从所述运动数据中剔除异常数据；
基于剩余数据对鼠标位移进行调控。
在一实施例中，基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度，包括：
计算每一类型运动数据中数据点的关联差异度，所述关联差异度表征数据点为异常数据的概率；
基于不同类型运动数据之间的相似度计算每一类型运动数据中数据点对应的用户习惯度；
基于每一类型运动数据中数据点的关联差异度以及数据点对应的用户习惯度计算数据点的异常程度。
在一实施例中，计算每一类型运动数据中数据点的关联差异度，包括：
计算每一类型运动数据中数据点的关联加速度数据与实际加速度数据之间的第一差异，以及计算每一类型运动数据中数据点的关联速度数据与实际速度数据之间的第二差异；其中，所述关联加速度数据通过鼠标的压力数据和质量确定，所述关联速度数据通过鼠标的压力数据和质量之间的关系以及实际加速度数据与时间的关系确定；
基于第一差异和第二差异计算得到关联差异度。
在一实施例中，计算每一类型运动数据中数据点的关联速度数据与实际速度数据之间的第二差异，包括：
利用如下公式计算第二差异B：
；
其中，表示了数据点a所对应的采集时刻，/>表示了数据点q点所对应的采集时刻，F表示在/>时刻时鼠标所受到的压力，压力大小为F，m为根据先验知识获取的鼠标的质量，/>为/>时刻传感器获取的鼠标实际加速度，/>则为关联加速度数据，V表示了/>时刻传感器获取的鼠标实际的速度，B值反映了关联速度数据与实际速度数据之间的第二差异，其中数据点a为数据点q对应的运动数据时序上的边缘数据点。
在一实施例中，基于不同类型运动数据之间的相似度计算每一类型运动数据中数据点对应的用户习惯度，包括：
计算不同类型运动数据之间的相似度；
基于所述相似度计算每一类型运动数据中数据点对应的用户习惯度。
在一实施例中，基于所述相似度计算每一类型运动数据中数据点对应的用户习惯度，包括：
利用如下公式计算用户习惯度：
；
其中，表示了Q类运动数据与第i类运动数据之间的类别相似性，n则表示Q类运动数据中数据点q点在其他类型运动数据中的出现次数，N表示运动数据的类型数目。
在一实施例中，数据点的关联差异度越大，则对应的数据点为异常数据点的异常程度越大；
数据点对应的用户习惯度越大，则对应的数据点为异常数据点的异常程度越小。
在一实施例中，基于剩余数据对鼠标位移进行调控，包括：
利用卡尔曼滤波算法对剩余数据和当前采集数据进行处理，进而得到调控参数；
利用调控参数对鼠标位移进行调控，其中，所述调控参数包括鼠标位置、移动速度和移动加速度中至少一种或任意组合。
在一实施例中，计算不同类型运动数据之间的相似度，包括：
利用如下公式计算相似度：
；
其中，为Q类运动数据中数据点的个数，/>为K类运动数据中数据点的个数，min（）为选取其中最小值，max（）为选取其中最大值，/>为数据点对应的P维数据的个数，/>为Q类运动数据中第i个数据点的第j维数据的数据值，/>为K类运动数据中第i个数据点的第j维数据的数据值。
第二方面，本申请提供一种基于多传感器融合的鼠标位移调控系统，包括：
采集模块，用于通过传感器采集鼠标移动过程中的数据，并将采集的数据分为运动数据集合，其中所述运动数据集合包括多个类型的运动数据；
计算模块，用于基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度；
筛选模块，用于基于所述异常程度从所述运动数据中剔除异常数据；
调控模块，用于基于剩余数据对鼠标位移进行调控。
本申请的有益效果，区别于现有技术，本申请的基于多传感器融合的鼠标位移调控方法包括：通过传感器采集鼠标移动过程中的数据，并将采集的数据分为运动数据集合，其中运动数据集合包括多个类型的运动数据；基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度；基于异常程度从运动数据中剔除异常数据；基于剩余数据对鼠标位移进行调控。该方法能够提高异常数据的检测精度与效率，进而提高数据融合的效果与鼠标位移调控的精度与效率。
附图说明
图1为本发明基于多传感器融合的鼠标位移调控方法的一实施例的流程示意图；
图2为图1中步骤S12的一实施例的流程示意图；
图3为本发明基于多传感器融合的鼠标位移调控系统的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，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的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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。
本发明通过数据处理技术，提高鼠标异常数据检测精度，对鼠标异常数据进行剔除，进而对鼠标对应的多传感器数据进行融合，提高数据融合效果，进而提高鼠标位移调控精度。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明基于多传感器融合的鼠标位移调控方法的一实施例的流程示意图，具体包括：
步骤S11：通过传感器采集鼠标移动过程中的数据，并将采集的数据分为运动数据集合，其中运动数据集合包括多个类型的运动数据。
鼠标在桌面等平面上进行移动时，需要通过多种类型传感器来获取鼠标的移动的相关数据。而传感器在出现故障，外部环境干扰等现象时，极易产生异常数据，对异常数据进行数据融合并完成鼠标位移调控会影响鼠标控制效率与精度，故需要对异常数据进行剔除。
本发明通过鼠标中多传感器获取鼠标位移的相关数据，例如有光学传感器捕捉鼠标的移动轨迹和速度，加速度传感器采集鼠标的加速度和方向，压力传感器主要用于测量鼠标受到的压力大小。则可通过多传感器获取鼠标移动的多维数据。并将鼠标所在桌面作为x-y平面，竖直方向为z轴方向，建立三维坐标系。
对鼠标运动特性进行分析可知，在使用鼠标时，鼠标的运动往往为静止状态开始，进行运动，再恢复静止状态。逻辑为：在使用鼠标对电脑进行控制时，往往是配合键盘一起使用，即鼠标运动后，操作者往往会使用键盘而暂停鼠标的移动，或者观看电脑屏幕的信息从而暂停鼠标移动。即鼠标的每次运动，应为静止-运动-静止过程。故本发明中基于鼠标运动特性对采集到的多维数据进行分类，将数据分割成多类运动数据与静止数据。其中每类运动数据表征了鼠标的一个运动过程。
对于某一时刻的多维数据而言，基于传感器获取其所对应的运动速度V和运动方向，若V不等于0，则可认为该时刻的多维数据为运动数据，否则为静止数据。则对于采集到的数据中，获取其中任意一个运动数据q（此处假设为q），在时序上进行分析，获取q时序上相邻的两个数据点，假设分别为a，b。若a为运动数据，则q与a为同类运动数据。若b为运动数据，则b与q为同类数据。则再对数据a与数据b分别获取时序上相邻的数据点，进行上述判断，直至该类运动数据点不再增加为止。对剩余的运动数据再获取一数据点重复上述步骤，直至采集到的多维数据中的运动数据均完成分类为止。则可获取多个不同类运动数据和静止数据。所有的运动数据组成运动数据集合。
步骤S12：基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度。
具体的，请结合图2，步骤S12包括：
步骤S21：计算每一类型运动数据中数据点的关联差异度，关联差异度表征数据点为异常数据的概率。
在一实施例中，计算每一类型运动数据中数据点的关联加速度数据与实际加速度数据之间的第一差异，以及计算每一类型运动数据中数据点的关联速度数据与实际速度数据之间的第二差异；其中，关联加速度数据通过鼠标的压力数据和质量确定，所述关联速度数据通过鼠标的压力数据和质量之间的关系以及实际加速度数据与时间的关系确定。基于第一差异和第二差异计算得到关联差异度。
具体的，假设上述步骤获取了N个类别的运动数据，对其中任意一类运动数据进行分析，假设为Q类，对其中的异常数据进行判别。根据采集到的多维数据特性进行分析可知，不同维度之间的数据存在一定的关联性，比如可以通过鼠标的加速度获取到鼠标的速度，通过鼠标的速度获取到位移等，可以通过鼠标所受到的压力获取鼠标所受到的加速度。即不同维度的数据之间存在关联性。本发明基于数据之间的关联性获取关联数据，基于关联数据与实际数据的差异获取数据点q的关联差异度Y，假设Q类运动数据时序上的两个边缘数据点分别假设为a，b，且，则计算每一类型运动数据中数据点的关联加速度数据与实际加速度数据之间的第一差异A包括：
；
计算每一类型运动数据中数据点的关联速度数据与实际速度数据之间的第二差异B包括：
；
基于第一差异和第二差异计算得到关联差异度，包括：
；
其中，表示了数据点a所对应的采集时刻，/>表示了数据点q点所对应的采集时刻，F表示在/>时刻时鼠标所受到的压力，压力大小为F，m为根据先验知识获取的鼠标的质量，/>为/>时刻传感器获取的鼠标实际加速度，/>则为关联加速度数据，V表示了/>时刻传感器获取的鼠标实际的速度，B值反映了关联速度数据与实际速度数据之间的第二差异，其中数据点a为数据点q对应的运动数据时序上的边缘数据点。关联速度数据表示为。
上述公式中，A值反映了关联加速度数据与实际加速度数据之间的差异，其差异越大则说明加速度或压力中其中至少一个数据为异常数据的概率越大。其中表示了加速度随时间的变化曲线所对应的函数表达式。V表示了/>时刻传感器获取的鼠标实际的速度。B值反映了关联速度数据与实际速度数据之间的差异，其差异越大，说明相关数据为异常数据的概率越大。Y则表示了数据点q点的关联差异度，关联差异度越大，数据为异常数据越大，则说明该数据越可能出现异常。此处使用A与B的加权求和表征该时刻下数据为异常数据概率的原因是后续需要对不同传感器的数据进行数据融合，当其中某一项数据为异常数据时，均会影响后续数据融合与控制的精度。故此处使用不同关联数据与实际数据的加权求和值表征实际的关联差异度，使得某项数据为异常数据的概率较大时，其所对应的关联差异度较大。
步骤S22：基于不同类型运动数据之间的相似度计算每一类型运动数据中数据点对应的用户习惯度。
根据上述步骤获取了数据点所对应的关联差异度，而由于在获取关联差异度时，是使用了积分的形式来获取，对于某一类运动数据而言，其中异常数据较少的情况下，使用关联差异度来反映数据的异常程度精度较高，而当异常数据较多时，在使用上述步骤获取关联差异度时，在积分时异常数据也会参与进来，当参与的异常数据较多时，会出现正常数据被误判为异常数据的现象。故本发明中通过分析不同类运动数据间的差异构建数据修正指标来对数据关联差异度进行优化，进而使得优化后的数据关联差异度在异常数据较多的情况下也具有较高的异常数据检测精度。
具体的，计算每一类型运动数据中数据点对应的用户习惯度，基于用户习惯度对数据关联差异度进行优化。因此本申请还需要进一步计算每一类型运动数据中数据点对应的用户习惯度。
在一实施例中，计算每一类型运动数据中数据点对应的用户习惯度包括：计算不同类型运动数据之间的相似度；基于相似度计算每一类型运动数据中数据点对应的用户习惯度。
具体的，本发明已经将运动数据分割成了N类运动数据，对于某一鼠标而言，鼠标移动往往是受到同一操作者的操纵，传感器所采集到的数据往往可以反映出操作者操作鼠标移动的习惯特征，故对于不同类别的运动数据而言，类别之间往往具有一定的相似性。故基于此，对运动数据进行分析，获取优化指标。此处仍以Q类别运动数据为例，假设其内数据点个数为，则可获取不同类别运动数据（此处以Q类别与K类别为例）之间的相似性U。例如利用如下公式计算相似度：
；
其中，为Q类运动数据中数据点的个数，/>为K类运动数据中数据点的个数，其差异越小，则说明两个运动过程中鼠标的运动越相似，其中+1是为了防止分母为0。min（）为选取其中最小值，max（）为选取其中最大值，/>为数据点对应的P维数据的个数，/>为Q类运动数据中第i个数据点的第j维数据的数据值（比如运动速度，运动方向等），/>为K类运动数据中第i个数据点的第j维数据的数据值。
由于的值不同，假设/>，则Q中的第i个数据点需要找到K中的对应数据点，对应数据点选取规则如下：每类运动数据均有其对应的运动时间T，假设此处分别为/>，/>，则Q中第i个数据点在K类别中所对应的数据点c点，此处假设为c应满足/>最小）。需要注意的是，/>=/>，其中/>表示Q类运动数据中第i个数据点所对应的关联差异度，/>，其中/>表示K类运动数据中第i个数据点所对应的关联差异度。U值越大，则说明两运动过程越相似。
进一步的，基于相似度计算每一类型运动数据中数据点对应的用户习惯度。具体的，利用如下公式计算用户习惯度XG：
；
其中，表示了Q类运动数据与第i类运动数据之间的类别相似性，n则表示Q类运动数据中数据点q点在其他类型运动数据中的出现次数，N表示运动数据的类型数目。
具体的，Q类运动数据中数据点q点在其他类型运动数据中的出现次数的确定方法为：令n=0，获取数据点q点在其余运动类别对应数据点，对应数据点获取如上，当某一运动类别中的对应数据点与q点的差异度小于0.05时，则可认为两数据点近似为同一数据点，n=n+1。用户习惯度XG越大则说明该数据点所对应的数据在鼠标移动过程中越符合操作者的鼠标移动控制习惯，数据点为异常数据点的概率越小。
步骤S23：基于每一类型运动数据中数据点的关联差异度以及数据点对应的用户习惯度计算数据点的异常程度。
具体的，数据点的关联差异度越大，则对应的数据点为异常数据点的异常程度越大；数据点对应的用户习惯度越大，则对应的数据点为异常数据点的异常程度越小。
在一具体实施例中，数据点的异常程度计算方式为：
；
公式中Y表示了数据点的关联差异度，其值越大，异常程度越大。XG表示了数据点对应的用户习惯度，其值越小异常程度越大。异常程度YC越大，则说明该数据点越可能为异常数据。
步骤S13：基于异常程度从运动数据中剔除异常数据。
本发明中设置异常判断阈值0.75，当异常程度大于等于所设异常判断阈值时，该数据点为异常数据点，进行剔除，否则为正常数据点，进行后续的数据融合。根据上述步骤可完成鼠标位移相关数据的异常数据检测与剔除，获取正常数据。
步骤S14：基于剩余数据对鼠标位移进行调控。
通过上述步骤，可以获得正常数据，利用卡尔曼滤波算法对剩余数据（计剔除异常数据后的正常数据）和当前采集数据进行处理，进而得到调控参数；利用调控参数对鼠标位移进行调控，其中，调控参数包括鼠标位置、移动速度和移动加速度中至少一种或任意组合。
具体的，根据上述步骤完成了鼠标位移调控相关数据中的异常数据检测，将异常数据进行剔除，将剔除异常数据后的多维数据作为卡尔曼滤波算法中的状态变量，使用卡尔曼滤波算法对传感器采集到的数据进行滤波和预测，获取鼠标的位置、速度、加速度等数据。通过卡尔曼滤波得到的鼠标位置、速度、加速度等数据，实现更精确和精准的鼠标位移调控。
本发明中通过对鼠标移动特性进行分析，将采集到的鼠标相关数据进行自适应分类，将数据分割成不同运动数据类别，对运动数据类别再进行进一步分析，基于相关数据之间的关联性特征构建数据的关联差异度指标，通过不同运动数据类别之间的差异以及数据的局部特征构建数据的用户习惯度，基于数据点的关联差异度与数据的用户习惯度构建数据的异常程度指标，基于异常程度完成鼠标相关数据的异常检测与剔除，提高了异常数据的检测精度与效率，进而提高数据融合的效果与鼠标位移调控的精度与效率。
请参见图3，图3为本申请基于多传感器融合的鼠标位移调控系统的一实施例的结构示意图，本实施例的基于多传感器融合的鼠标位移调控系统可以实现上述任一实施例的基于多传感器融合的鼠标位移调控方法，本实施例的基于多传感器融合的鼠标位移调控系统具体包括：采集模块31、计算模块32、筛选模块33以及调控模块34。
采集模块31用于通过传感器采集鼠标移动过程中的数据，并将采集的数据分为运动数据集合，其中运动数据集合包括多个类型的运动数据。计算模块32用于基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度。筛选模块33用于基于异常程度从运动数据中剔除异常数据。调控模块34用于基于剩余数据对鼠标位移进行调控。
以上仅为本申请的实施方式，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，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。

Claims (5)

1.一种基于多传感器融合的鼠标位移调控方法，其特征在于，包括：
通过传感器采集鼠标移动过程中的数据，并将采集的数据划分至运动数据集合，其中所述运动数据集合包括多个类型的运动数据；
基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度；
基于所述异常程度从所述运动数据中剔除异常数据；
基于剩余数据对鼠标位移进行调控；
基于类型运动数据中数据点为异常数据的概率以及数据点对应的用户习惯度计算数据点的异常程度，包括：
计算每一类型运动数据中数据点的关联差异度，所述关联差异度表征数据点为异常数据的概率；
基于不同类型运动数据之间的相似度计算每一类型运动数据中数据点对应的用户习惯度；
基于每一类型运动数据中数据点的关联差异度以及数据点对应的用户习惯度计算数据点的异常程度；
计算每一类型运动数据中数据点的关联差异度，包括：
计算每一类型运动数据中数据点的关联加速度数据与实际加速度数据之间的第一差异，以及计算每一类型运动数据中数据点的关联速度数据与实际速度数据之间的第二差异；其中，所述关联加速度数据通过鼠标的压力数据和质量确定，所述关联速度数据通过鼠标的压力数据和质量之间的关系以及实际加速度数据与时间的关系确定；
基于第一差异和第二差异计算得到关联差异度；
计算每一类型运动数据中数据点的关联速度数据与实际速度数据之间的第二差异，包括：
利用如下公式计算第二差异B：
；
其中，表示了数据点a所对应的采集时刻，/>表示了数据点q点所对应的采集时刻，F表示在/>时刻时鼠标所受到的压力，压力大小为F，m为根据先验知识获取的鼠标的质量/>为时刻传感器获取的鼠标实际加速度， />则为关联加速度数据，V表示了/>时刻传感器获取的鼠标实际的速度，B值反映了关联速度数据与实际速度数据之间的第二差异，其中数据点a为数据点q对应的运动数据时序上的边缘数据点；
基于不同类型运动数据之间的相似度计算每一类型运动数据中数据点对应的用户习惯度，包括：
计算不同类型运动数据之间的相似度；
基于所述相似度计算每一类型运动数据中数据点对应的用户习惯度；
基于所述相似度计算每一类型运动数据中数据点对应的用户习惯度，包括：
利用如下公式计算用户习惯度：
；
其中，表示了Q类运动数据与第i类运动数据之间的类别相似性，n则表示Q类运动数据中数据点q点在其他类型运动数据中的出现次数，N表示运动数据的类型数目。
2.根据权利要求1所述的一种基于多传感器融合的鼠标位移调控方法，其特征在于：
数据点的关联差异度越大，则对应的数据点为异常数据点的异常程度越大；
数据点对应的用户习惯度越大，则对应的数据点为异常数据点的异常程度越小。
3.根据权利要求1所述的一种基于多传感器融合的鼠标位移调控方法，其特征在于，基于剩余数据对鼠标位移进行调控，包括：
利用卡尔曼滤波算法对剩余数据和当前采集数据进行处理，进而得到调控参数；
利用调控参数对鼠标位移进行调控，其中，所述调控参数包括鼠标位置、移动速度和移动加速度中至少一种或任意组合。
4.根据权利要求1所述的一种基于多传感器融合的鼠标位移调控方法，其特征在于，计算不同类型运动数据之间的相似度，包括：
利用如下公式计算相似度：
；
其中，为Q类运动数据中数据点的个数，/>为K类运动数据中数据点的个数，min（）为选取其中最小值，max（）为选取其中最大值，/>为数据点对应的P维数据的个数，/>为Q类运动数据中第i个数据点的第j维数据的数据值，/>为K类运动数据中第i个数据点的第j维数据的数据值。
5.一种基于多传感器融合的鼠标位移调控系统，用于实现权利要求1所述的一种基于多传感器融合的鼠标位移调控方法的步骤。
CN202310768251.3A 2023-06-28 2023-06-28 一种基于多传感器融合的鼠标位移调控方法以及系统 Active CN116501183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310768251.3A CN116501183B (zh) 2023-06-28 2023-06-28 一种基于多传感器融合的鼠标位移调控方法以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310768251.3A CN116501183B (zh) 2023-06-28 2023-06-28 一种基于多传感器融合的鼠标位移调控方法以及系统

Publications (2)

Publication Number Publication Date
CN116501183A CN116501183A (zh) 2023-07-28
CN116501183B true CN116501183B (zh) 2024-03-19

Family

ID=87325235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310768251.3A Active CN116501183B (zh) 2023-06-28 2023-06-28 一种基于多传感器融合的鼠标位移调控方法以及系统

Country Status (1)

Country Link
CN (1) CN116501183B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116954395B (zh) * 2023-09-21 2023-11-21 深圳博骏科技有限公司 基于多传感器融合的鼠标位移调控系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103365433A (zh) * 2013-07-16 2013-10-23 江苏惠通集团有限责任公司 空间鼠标的数据处理方法以及鼠标指针的控制方法
CN105978848A (zh) * 2015-12-04 2016-09-28 乐视致新电子科技（天津）有限公司 一种收集传感器数据的处理方法和装置
CN110347436A (zh) * 2019-07-13 2019-10-18 韶关市启之信息技术有限公司 一种个性化调节鼠标移动速度的方法与系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7315299B2 (en) * 2002-08-01 2008-01-01 Nissan Motor Co., Ltd. Multi-way input device and operating failure avoidance method using the same
US8981995B2 (en) * 2011-06-03 2015-03-17 Microsoft Technology Licensing, Llc. Low accuracy positional data by detecting improbable samples

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103365433A (zh) * 2013-07-16 2013-10-23 江苏惠通集团有限责任公司 空间鼠标的数据处理方法以及鼠标指针的控制方法
CN105978848A (zh) * 2015-12-04 2016-09-28 乐视致新电子科技（天津）有限公司 一种收集传感器数据的处理方法和装置
CN110347436A (zh) * 2019-07-13 2019-10-18 韶关市启之信息技术有限公司 一种个性化调节鼠标移动速度的方法与系统

Also Published As

Publication number Publication date
CN116501183A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Zhang et al. Sliding window-based fault detection from high-dimensional data streams
Khan et al. Unsupervised anomaly detection in unmanned aerial vehicles
CN116501183B (zh) 一种基于多传感器融合的鼠标位移调控方法以及系统
CN103473540B (zh) 智能交通系统车辆轨迹增量式建模与在线异常检测方法
Khalastchi et al. Online anomaly detection in unmanned vehicles
JP7275062B2 (ja) 時変システム動作における異常検出のためのシステム、方法およびコンピュータ読取可能記憶媒体
US10922823B2 (en) Motion analyis device, motion analysis method, and program recording medium
Świetlicka et al. Homogeneous ensemble model built from artificial neural networks for fault detection in navigation systems
Dietrich et al. Detecting external measurement disturbances based on statistical analysis for smart sensors
Briceno-Mena et al. Data mining and knowledge discovery in chemical processes: Effect of alternative processing techniques
Khusheef et al. Deep learning-based multi-sensor fusion for process monitoring: application to fused deposition modeling
CN111090281B (zh) 基于改进粒子滤波算法估算机器人方位的方法和装置
CN108897640B (zh) 群智感知中错误位置数据的检测系统及方法
KR102464945B1 (ko) 기계 학습을 이용한 신호 데이터 상태 분석 장치 및 방법
CN116975561B (zh) 一种基于step格式的车床工艺识别方法
CN117785589B (zh) 一种笔记本电脑灵动触控检测方法及系统
Lim et al. Multidimensional evaluation and analysis of motion segmentation for inertial measurement unit applications
CN118644896B (zh) 一种用于vr设备的运动姿态识别方法及系统
CN117237676B (zh) 一种核电厂基于事件相机对小目标掉落轨迹的处理方法
US11847785B2 (en) Location tracking device and method using feature matching
CN115496931B (zh) 一种工业机器人健康监测方法及系统
CN111308969B (zh) 一种基于时域差分特性的载体运动模态判别方法
Galkina et al. ML-Based Inertial Navigation System Diagnosis for Underwater Vehicle
Kodali et al. Incremental Data Stream Mining and Conflict Analysis for the Recognition of Sonar Signals Underwater
Jia et al. CSP-Lite: Real-Time and Efficient Keypoint-Based Pedestrian Detection

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