CN117150312A - 超声数据处理方法、智能设备、计算机设备和存储介质 - Google Patents

超声数据处理方法、智能设备、计算机设备和存储介质 Download PDF

Info

Publication number
CN117150312A
CN117150312A CN202311056972.8A CN202311056972A CN117150312A CN 117150312 A CN117150312 A CN 117150312A CN 202311056972 A CN202311056972 A CN 202311056972A CN 117150312 A CN117150312 A CN 117150312A
Authority
CN
China
Prior art keywords
similarity
target
ultrasonic
signal
preset
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
Application number
CN202311056972.8A
Other languages
English (en)
Inventor
徐军
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.)
Suzhou Touchair Technology Co ltd
Original Assignee
Suzhou Touchair Technology 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 Suzhou Touchair Technology Co ltd filed Critical Suzhou Touchair Technology Co ltd
Priority to CN202311056972.8A priority Critical patent/CN117150312A/zh
Publication of CN117150312A publication Critical patent/CN117150312A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/50—Systems of measurement, based on relative movement of the target
    • G01S15/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S15/523—Discriminating between fixed and moving objects or between objects moving at different speeds for presence detection
    • G01S15/526—Discriminating between fixed and moving objects or between objects moving at different speeds for presence detection by comparing echos in different sonar periods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本说明书实施方式提供了一种超声数据处理方法、智能设备、计算机设备和存储介质。所述超声数据处理方法应用于智能设备，所述智能设备包括超声发射单元和超声接收单元。该方法包括：利用所述超声接收单元接收目标对象的反射信号；将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型；控制所述智能设备执行与所述目标接近类型对应的操作。本说明书实施方式提供的技术方案，在一定程度上能够提升超声接近检测的准确率。

Description

超声数据处理方法、智能设备、计算机设备和存储介质
技术领域
本说明书实施方式涉及接近检测技术领域，具体涉及一种超声数据处理方法、智能设备、计算机设备和存储介质。
背景技术
诸如智能手机之类的便携式电子设备通常配备有接近检测系统。接近检测系统通常是基于红外(“IR”)传感器的，但红外传感器在探测物体时有一定的视角限制。通常情况下，红外传感器只能在一个特定的角度范围内进行有效的探测，超出该范围可能无法准确检测到物体。另一方面，红外传感器相对于声学传感器需要耗费更多的成本。
基于声学传感器的接近检测系统通常在超声频率范围内操作。这种接近传感器的主要功能是对当用户在进行通话期间将电子设备靠近耳朵时的情况进行检测，在这种情况下，设备的触摸屏被禁用或关闭以防止由于用户的耳朵或其他身体部位与移动设备的屏幕接触而引起的误接触事件。但是，目前通过超声波检测方案进行接近检测的抗干扰能力较差，因此，当环境中存在一些超声波噪声干扰时，检测结果会产生较大的误差。
发明内容
有鉴于此，本说明书多个实施方式致力于提供一种超声数据处理方法、智能设备、计算机设备和存储介质，以在一定程度上提升超声接近检测的准确率。
本说明书实施方式提出了一种超声数据处理方法，所述超声数据处理方法应用于智能设备，所述智能设备包括超声发射单元和超声接收单元，所述方法包括：利用所述超声接收单元接收目标对象的反射信号；其中，所述反射信号是针对所述超声发射单元发出的超声信号后经过所述目标对象的表面反射出去的超声信号；将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型；控制所述智能设备执行与所述目标接近类型对应的操作。
本说明书实施方式提出了一种智能设备，所述智能设备包括超声发射单元和超声接收单元，所述智能设备包括：信号接收单元，用于利用所述超声接收单元接收目标对象的反射信号；其中，所述反射信号是针对所述超声发射单元发出的超声信号后经过所述目标对象的表面反射出去的超声信号；模板匹配单元，用于将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；接近类型判定单元，用于在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型；设备控制单元，用于控制所述智能设备执行与所述目标接近类型对应的操作。
本说明书实施方式提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述实施方式所述的方法。
本说明书实施方式提出了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实施方式所述的方法。
本说明书实施方式通过智能设备的超声发射单元发送超声信号，并智能设备的超声接收单元采集超声反射信号，然后将该反射信号输入至训练好的相似度匹配模型，得到该反射信号和各个预设超声信号模板的相似度，在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型；控制所述智能设备执行与所述目标接近类型对应的操作，由于将多个标准化的模板和超声反射信号进行匹配，可以在一定程度提升利用超声进行接近检测判断的准确性。
附图说明
图1所示为一实施方式提供的超声数据处理方法的流程示意图。
图2所示为一实施方式提供的智能设备的示意图。
图3所示为一实施方式提供的计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好的理解本说明书方案，下面将结合本说明书实施方式中的附图，对本说明书实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅是本说明书一部分实施方式，而不是全部的实施方式。基于本说明书中的实施方式，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方式，都属于本说明书保护的范围。
目前，诸如智能手机之类的便携式电子设备通常配备有接近检测系统。接近检测系统通常是基于红外(“IR”)传感器的，但红外传感器在探测物体时有一定的视角限制。通常情况下，红外传感器只能在一个特定的角度范围内进行有效的探测，超出该范围可能无法准确检测到物体。另一方面，红外传感器相对于声学传感器需要耗费更多的成本。
基于声学传感器的接近检测系统通常在超声频率范围内操作。这种接近传感器的主要功能是对当用户在进行通话期间将电子设备靠近耳朵时的情况进行检测，在这种情况下，设备的触摸屏被禁用或关闭以防止由于用户的耳朵或其他身体部位与移动设备的屏幕接触而引起的误接触事件。但是，目前通过超声波检测方案进行接近检测的抗干扰能力较差，因此，当环境中存在一些超声波噪声干扰时，检测结果会产生较大的误差。
因此，本说明书实施方式提供了一种超声数据处理方法，一方面提升了利用超声进行接近检测的准确率，另一方面，相较于利用红外传感器进行接近检测而言，降低了智能设备中接近检测系统的部署成本。
请参阅图1，本说明书实施方式提供一种超声数据处理方法，所述超声数据处理方法应用于智能设备，所述智能设备包括超声发射单元和超声接收单元，所述方法包括以下步骤。
步骤S110：利用所述超声接收单元接收目标对象的反射信号；其中，所述反射信号是针对所述超声发射单元发出的超声信号后经过所述目标对象的表面反射出去的超声信号。
在一些情况下，超声波通过超声传感器产生并传播到空气中或介质中。当超声波遇到物体表面时，一部分波能会被物体表面反射回来，形成反射波。对于超声反射来说，当发射的超声波遇到一个静止的物体时，反射回来的波的频率和发射波的频率相同。但如果物体本身处于运动状态，例如向发射器或接收器靠近或远离，那么反射回来的波的频率将发生变化。因此，可以利用超声反射信号判断智能设备相对于人体接近或者远离的趋势。
在本实施方式中，所述智能设备可以是手机、平板等带有触摸屏幕的移动通讯设备。当然，智能设备还可以是带有通讯功能的智能手表。本说明书实施方式对于智能设备的具体形态在此不作限制。其只需要是进行通话功能的移动终端即可，也可以不具备触摸功能。
在本实施方式中，所述超声发射单元可以是智能设备自身携带的扬声器。也可以是外界的诸如压电陶瓷片之类的超声发射装置。所述超声接收单元可以是智能设备自身携带的麦克风。
在本实施方式中，所述反射信号可以是智能设备的超声发射单元在预定的发射空间内发射超声信号，当这些超声信号经过障碍物表面反射，然后被智能设备的超声接收单元接收到的信号。障碍物可以是空间内的墙壁、地板、桌面等物体，也可以是人体表面。
步骤S120：将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度。
在一些情况下，通过将待匹配信号与已知模板进行比较，可以判断待匹配信号属于哪个类别或识别它是什么。相似度匹配模型可以计算待匹配信号与已知模板之间的相似度分数或距离，从而衡量它们之间的相似程度。通过相似度匹配模型，可以从信号中提取关键特征，并与已知模板进行匹配。这可以用于识别信号中的模式、分析信号的结构或提取有用的信息。因此，可以将预先采集的智能设备在通话过程中可能的移动轨迹对应的超声反射信号作为预设超声信号模板，并基于这些超声信号模板，判断智能设备在通话状态下的交互类型。
在本实施方式中，所述相似度匹配模型可以是从信号中提取特征，并将其与已知模板进行比较。常见的特征提取方法包括傅里叶变换、小波变换、时域统计特征等。本说明书实施方式对于反射信号特征提取的方法在此不作限定。所述相似度匹配模型也可以使用机器学习算法来学习信号的特征和模式，并将其与已知模板进行匹配。常见的机器学习方法包括支持向量机(SVM)、随机森林、深度学习等。当然，所述相似度匹配模型还可以是上述一种或多种方式的组合，通过多个模型共同进行识别判断，以提升相似度匹配模型判断的准确性。
在本实施方式中，所述相似度模板可以是通过智能设备的扬声器发射超声信号，然后基于人在手持该智能设备的情况下做出的预设人体动作的情况下，智能设备的麦克风采集到的超声反射信号。预设人体动作可以是智能设备靠近人耳、智能设备远离人耳、智能设备靠近胸脯、智能设备远离胸脯、智能设备靠近另一只手、智能设备远离另一只手等。预设人体动作在靠近人体部位的时候可以设置为不同距离上的靠近，如从30cm外靠近、20cm外靠近等。当然，预设人体动作在远离人体部位的时候可以设置为不同距离上的远离，如从靠近人耳3cm处开始远离、靠近人耳的2cm处开始远离等。预设人体动作还可以从不同的方位上接近人体预设人体动作还可以针对不同人群进行采集，从而保证超声接近模板能够满足身材差异、身高差异的人群在使用配备了该超声数据处理系统的时候的稳定性。
步骤S130：在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型。
在一些情况下，在相似度匹配过程中，如果待匹配信号与多个预设超声信号模板进行比较，其中某一个模板与待匹配信号的相似度最高，且相似度的最大值大于或等于预设的阈值，那么就可以将这个最相似的超声信号模板所代表的接近类型确定为目标接近类型。
通过找到与待匹配信号最相似的超声信号模板，并且确保相似度达到一定的阈值以上，来确定待匹配信号所属的接近类型。这种方法可以用于将待匹配信号分类到不同的接近类型中，以便进行进一步的处理或判断。
在本实施方式中，所述目标接近类型可以是靠近人耳、远离人耳、靠近人耳等类型。一个目标接近类型可以对应有多个超声信号模板，如不同距离的接近、不同方位的接近、接近的人群类型等。
在本实施方式中，相似度匹配模型输出的结果可以是相似度的最大值对应的超声信号模板对应的目标接近类型，以及该反射信号与该超声信号模板的相似度。由于相似度的数值可能存在较低的情况，在这种情况下，该超声信号目标对应的接近类型并不能用于表征该反射信号。因此，只有当相似度的数值大于或者等于预设阈值的情况下，才能将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型。
具体的，例如，预设阈值设置为0.8。经相似度匹配模型计算得到的相似度的最大值为0.85，其对应的超声信号模板为B。由于，0.85大于0.85，则可以直接将B对应的接近类型作为该反射信号对应的目标类型。若经相似度匹配模型计算得到的相似度的最大值为0.75，其对应的超声信号模板为D。由于，0.75小于0.85，由于该反射信号与D直接的相似程度小于预设阈值，则相似度模型可以输出：“未匹配到目标接近类型”。
步骤S140：控制所述智能设备执行与所述目标接近类型对应的操作。
在一些情况下，当目标接近类型为智能设备靠近人体耳朵的情况下，为了防止智能设备的误触行为，则需要控制智能设备的触控屏幕处于锁定状态，避免由于耳朵等器官的误触，造成了电话挂断、免提等用户不期望发生的行为。
在本实施方式中，当用户处于通话的状态下，往往会在接通电话之后将手机靠近耳朵，以在普通通话的情况下，听到对方的声音。但是，当手机靠近耳朵的过程中，会造成耳朵误触手机的触控屏，从而会引发挂断电话、打开免提等用户不期望的情形。因此，在用户处于通话过程的情况下，通过手机的扬声器发射超声信号，然后手机的麦克风接收人体的反射信号，并判断该反射信号的目标接近类型。最后，根据反射信号的目标接近类型判断是否需要控制该手机的触控屏处于锁定状态。
在一些实施方式中，将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度，可以包括：将所述反射信号转换为多普勒频移信号；提取所述多普勒频移信号的目标特征；所述目标特征至少包括下列之一：幅度、波形、峰值、第一面积、第二面积；所述第一面积用于表征多普勒效应的面积和；所述第二面积用于表征多普勒效应的面积差；将所述目标特征输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；其中，所述相似度匹配模型用于计算目标特征和各个预设超声信号目标的目标特征之间的相似度。
在一些情况下，相似度匹配可以采用特征匹配的方式进行匹配。超声多普勒频移数据可以用来表征物体的运动速度和方向。当超声波遇到运动的物体时，物体的速度会导致波的频率发生变化，即多普勒频移。因此，可以先针对反射信号的多普勒频移数据进行特征提取，然后基于这些特征与超声模板直接的特征进行相似度计算，从而得到该反射信号和各个超声信号模板之间的相似度。
在本实施方式中，多普勒频移数据可以用来表征物体的运动速度和方向。当超声波遇到运动的物体时，物体的速度会导致波的频率发生变化，即多普勒频移。通过测量多普勒频移，我们可以获取如下信息：物体的速度：多普勒频移的大小与物体的速度成正比。当物体远离波源时，频移为负值；当物体接近波源时，频移为正值。通过测量频移的大小，我们可以得知物体相对于波源的速度。物体的方向：多普勒频移的正负号表示物体的运动方向。正频移表示物体向波源运动，负频移表示物体远离波源运动。
根据多普勒效应的定义，多普勒频移与源与观察者之间的相对速度有关。在超声多普勒中，超声波源发送的波频率为f0，观察者(接收器)接收到的波频率为f。假设物体相对于观察者沿着直线方向运动，且速度为v。根据多普勒效应的公式，多普勒频移Δf可以表示为：
Δf ＝ f - f0 ＝ (v/c) * f0 (公式1)
其中，c是超声波在介质中的传播速度。
在本实施方式中，所述目标特征即基于多普勒频移信号提取的特征，就可以是多普勒频移信号的信号变化幅度、波形、峰值、谷值、多普勒效应中面积的变化等。在超声多普勒效应中，当超声波遇到运动的物体时，物体的运动会对超声波的频率产生影响。当物体向超声波源接近运动时，波的频率会增加，称为正多普勒效应；当物体离超声波源远离运动时，波的频率会减小，称为负多普勒效应。面积的变化是通过计算测量到的频率差来实现的。如果物体向超声波源接近，测量到的频率会大于原始频率，而反之则会小于原始频率。根据多普勒公式，面积差可以用来计算物体的速度。面积差的正负号表示了物体运动的方向，正号表示物体向波源接近，负号表示物体远离波源。所述第一面积为多普勒频移信号曲线x轴形成的闭合曲面的面积。所述第二面积为对多普勒频移信号曲线进行积分运算得到的数值。所述多普勒效应的面积差可以为正值也可以为负值。
在一些实施方式中，所述目标特征的个数至少为2个，将所述目标特征输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度，可以包括：分别计算各个目标特征与各个超声信号模板与所述目标特征对应的个体相似度；将针对同一预设超声信号模板的各个个体相似度进行归一化处理，得到目标个体相似度；将针对同一预设超声信号模板的各个所述目标个体相似度进行累加，得到所述反射信号和各个预设超声信号模板的相似度。
在一些情况下，提取的目标特征的个数为多个，因此可以针对各个目标特征单独计算，然后再相加，得到一个累加值。之后，可以基于累加值越高，其相似度也就越高的原则，进行判断反射信号和各个预设超声信号模板之间的相似度。
在本实施方式中，所述分别计算各个目标特征与各个超声信号模板与所述目标特征对应的个体相似度可以是先计算某一个目标特征与各个超声信号模板之间的相似度。具体的，例如，超声信号模板包括A、B、C、D四个，波峰这个目标特征与各个超声信号模板的波峰特征之间的相似度分别为0.65、0.73、0.82、0.51，然后再计算变化幅度这个目标特征与各个超声信号模板的变化幅度特征之间的相似度，分别是0.67、0.87、0.71、0.43。直至所有的目标特征都计算完成为止。
在本实施方式中，所述归一化处理可以针对不同特征维度上的计算相似度的差异能够平均化处理，以避免某个特征维度上计算得到的相似度的数值过大或者过小。所述归一化处理的方法可以是。
其中，Xi为经过归一化处理后的相似度数值，即目标个体相似度，xi为归一化处理之前的相似度数值，即个体相似度，xmax为针对同一目标特征中相似度数值的最大值，xmin为针对同一目标特征中相似度数值的最小值，n为预设超声信号模板的个数。
在本实施方式中，在计算完目标个体相似度之后，将针对同一预设超声信号模板的各个目标个体相似度进行累加，从而得到反射信号与各个超声信号模板之间的相似度。
在一些实施方式中，不同的目标特征具有不同的属性权重，将针对同一预设超声信号模板的各个所述目标个体相似度进行累加，得到所述反射信号和各个预设超声信号模板的相似度，可以包括：分别将各个所述目标个体相似度及其对应的属性权重进行相乘，得到加权个体相似度；将针对同一预设超声信号模板的各个所述加权个体相似度进行累加，得到所述反射信号和各个预设超声信号模板的相似度。
在一些情况下，不同的目标特征对相似度影响的程度不一样，因此，要给影响度低的目标特征赋予较低的权重，给影响度高的目标特征赋予较高的权重，然后基于加权之后的结果进行相似度判断。
在本实施方式中，各个目标特征对应的属性权重之和为1。具体的，例如，目标特征包括波峰、波形、第二面积这三个特征，然后波峰权重为0.2，波形的权重为0.3，第二面积的权重为0.5。预设超声信号模板包括A、B、C、D四个，经计算之后，反射信号对应的波峰、波形、第二面积这三个目标特征的与A的目标个体相似度为0.72、0.67、0.82，则该反射信号与A的加权个体相似度可以表示为0.72×0.2+0.67×0.3+0.82×0.5＝0.755，那么该反射信号与A的加权个体相似度的数值即为0.755。基于同样的方法可以计算得到该反射信号与B、C、D这三个预设超声信号模板之间的相似度，在此不再赘述。
在一些实施方式中，接近检测用于判断人耳与所述智能设备的接近类型；所述接近类型包括人耳远离听筒、人耳靠近听筒；控制所述智能设备执行与所述目标接近类型对应的操作，可以包括：在所述智能设备处于通话的状态下，且所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的屏幕处于锁定状态；和/或，在所述智能设备处于通话的状态下，且所述目标接近类型为人耳远离听筒的情况下，控制所述智能设备的屏幕处于可触控状态。
在一些情况下，在用户使用手机接打电话的过程中，会把手机靠近耳朵，此时若手机的屏幕处于激活状态，耳朵或头部其它部位可能会误触手机的屏幕，从而导致电话的挂断或者扬声器打开等误触操作。因此，在检测到手机靠近人耳的情况下，可以通过控制手机的屏幕处于锁定的状态，从而避免误触操作。
在本实施方式中，当智能设备被检测到处于通话状态的情况下，通过智能设备的扬声器先发送超声信号，该智能设备的麦克风接收空间内物体反射的反射信号。然后，通过相似度匹配判断该反射信号的目标接近类型，当目标接近类型为人耳靠近听筒的情况下，则控制智能设备的屏幕处于锁定状态。在智能设备处于锁定状态的情况下，可以采取熄屏或者禁止输入的方式，本说明书实施方式在此不作限制。当目标接近类型为人耳远离听筒的情况下，则可以解除对智能设备屏幕的锁定限制，并控制智能设备的屏幕处于亮屏状态。
在一些实施方式中，在所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的屏幕处于锁定状态，可以包括：在所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的屏幕的预设区域处于锁定状态。
在一些情况下，由于对目标接近类型的误判，从而触摸屏被设置为处于禁止触摸的状态。且用户在接打电话的过程中，用户靠近耳朵的部分主要是听筒那个部分。因此，为了防止耳朵的误触，只需要禁止靠近听筒的那部分屏幕处于锁定状态即可。
在本实施方式中，所述预设区域可以是靠近听筒的部分区域。具体的，例如，手机的听筒处于正下方，此时可以将手机的下半部分的屏幕锁定即可，而无需使得手机的整个屏幕都处于锁定状态。
在一些实施方式中，接近检测用于调整智能设备的通话音量；所述通话音量包括低分贝音量和高分贝音量；在所述智能设备处于通话的状态下，所述接近类型包括人耳远离听筒、人耳靠近听筒；控制所述智能设备执行与所述目标接近类型对应的操作，可以包括：在所述智能设备处于普通通话的状态下，且所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的通话音量处于低分贝音量；和/或，在所述智能设备处于普通通话的状态下，且所述目标接近类型为远离听筒的情况下，控制所述智能设备的通话音量处于高分贝音量。
在一些情况下，在接听电话的过程中，用户将手机靠近耳朵的过程中，接收到声音的如果不变的话，从听感上可能会对耳朵造成伤害。因此，当检测到智能设备靠近耳朵的情况下，则可以降低通话的音量，以避免通话声音过高。当然，当用户将手机远离自己的耳朵之后，则可以调高该手机的通话音量。
在一些实施方式中，所述方法还可以包括：基于所述反射信号的多普勒效应计算所述智能设备与人耳的相对距离；在所述相对距离小于或等于预设距离的情况下，控制所述智能设备执行与所述目标接近类型对应的操作。
在一些情况下，还可以通过增加一个用于测量智能设备与人耳之间的相对距离，从而实现目标对象和智能设备的距离。即在智能设备的目标接近类型被判断为人耳靠近听筒的情况下，进一步通过目标对象和智能设备之间的距离判断是否需要执行目标操作。所述基于所述反射信号的多普勒效应计算所述智能设备与人耳的相对距离可以向目标对象发射超声波发射信号并接收距离处理信号，所述距离处理信号包括所述超声波发射信号经目标对象反射后形成超声波反射信号。
在一些实施方式中，超声数据处理方法还可以包括：对所述反射信号进行滤波处理，得到目标反射信号；相应的，在将所述反射信号输入至相似度匹配模型的步骤中，所述方法包括：将所述目标反射信号输入至相似度匹配模型。
在一些情况下，由于发射信号和余振的信号都会对回波信号造成覆盖或者干扰。因此，为了避免接收到超声反射信号和实际反射信号之间的差异，首先需要对接收到的反射信号进行滤波处理，从而使得接收到的反射信号符合实际数值。
在一些实施方式中，所述相似度匹配模型的训练方法包括：构建正样本数据集；所述正样本数据集至少包括智能设备远离人耳的超声数据集和智能设备接近人耳的超声数据集；基于所述正样本数据集训练所述相似度匹配模型；并基于所述相似度匹配模型的训练结果计算所述相似度匹配模型的损失函数；在所述损失函数趋于收敛的情况下，将该相似度匹配模型作为训练好的相似度匹配模型。
在一些情况下，相似度匹配模型需要大量的训练数据对其进行训练，从而使得训练好的相似度匹配模型能够取得较好的结果。
在本实施方式中，首先需要采集一定数量的训练样本。正样本的数据集除了数量之外，为了避免模型的误判，在构建的过程中也需要采集足够种类的训练样本。具体的，例如，相似度匹配模型用于接听电话过程中的接近检测。那么，正样本数据集可以是针对到耳朵不同距离、到耳朵不同方向、到不同人群的数据进行组合，从而形成的正样本数据集。
在本实施方式中，在数据集构造完成之后，则需要完成模型的训练，模型训练完成的标志即损失函数趋于收敛的情况下，说明模型大致训练完成。若模型不能收敛，则可以调整相似度匹配模型训练过程中的学习参数，从而使得在测试过程中，相似度匹配模型的正确率能够达到预设的正确率。
在一些实施方式中，所述训练样本还至少包括负样本数据集，所述负样本数据集至少包括以下之一：智能设备靠近人手的超声数据集、智能设备远离人手的超声数据集、智能设备靠近衣物的超声数据集、智能设备远离衣物的超声数据集；相应的，在基于所述正样本数据集训练所述相似度匹配模型的步骤中，所述方法包括：基于所述正样本数据集和所述负样本数据集训练所述相似度匹配模型。
在一些情况下，训练负样本的目的是为了降低误检测率、误识别率，提高网络模型的泛化能力。在本实施方式中，正负样本放在一起训练，不能单独训练负样本，否则经过训练，网络会把所有的特征都识别为背景，正负样本的比例最好为1：1。
请参阅图2。在一些实施方式中可以提供一种智能设备，所述智能设备包括超声发射单元和超声接收单元，所述智能设备可以包括：信号接收单元、模板匹配单元、接近类型判定单元、设备控制单元。
信号接收单元，用于利用所述超声接收单元接收目标对象的反射信号；其中，所述反射信号是针对所述超声发射单元发出的超声信号后经过所述目标对象的表面反射出去的超声信号。
模板匹配单元，用于将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度。
接近类型判定单元，用于在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型。
设备控制单元，用于控制所述智能设备执行与所述目标接近类型对应的操作。
关于智能设备实现的具体功能和效果，可以参照本说明书其他实施方式对照解释，在此不再赘述。所述智能设备中的各个模块可全部或部分通过软件、硬件及其组合来实现。所述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图3，在一些实施方式中可以提供一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现所述实施方式中的方法步骤。
在一些实施方式中可以提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述实施方式中的方法步骤。
本领域普通技术人员可以理解实现所述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如所述各方法的实施方式的流程。其中，本说明书所提供的各实施方式中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本说明书多个实施方式之间，采用递进的方式进行描述。不同的实施方式着重于描述相较于其它实施方式不相同的部分。所属领域技术人员在阅读本说明书之后，可以获知本说明书中的多个实施方式，以及实施方式揭示的多个技术特征，可以进行更多种的组合，为使描述简洁，未对所述实施方式中的各个技术特征所有可能的组合都进行描述。然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书中的多个实施方式本身均着重于强调与其他实施方式不同的部分，各实施方式之间可以相互对照解释。所属领域技术人员基于一般的技术常识对本说明书中的多个实施方式的任意组合均涵盖于本说明书的揭示范围内。
以上所述仅为本案的实施方式而已，并不用以限制本案的权利要求保护范围。对于本领域技术人员来说，本案可以有各种更改和变化。凡在本案的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本案的权利要求范围之内。

Claims (14)

1.一种超声数据处理方法，其特征在于，所述超声数据处理方法应用于智能设备，所述智能设备包括超声发射单元和超声接收单元，所述方法包括：
利用所述超声接收单元接收目标对象的反射信号；其中，所述反射信号是针对所述超声发射单元发出的超声信号后经过所述目标对象的表面反射出去的超声信号；
将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；
在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型；
控制所述智能设备执行与所述目标接近类型对应的操作。
2.根据权利要求1所述的方法，其特征在于，将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度，包括：
将所述反射信号转换为多普勒频移信号；
提取所述多普勒频移信号的目标特征；所述目标特征至少包括下列之一：幅度、波形、峰值、第一面积、第二面积；所述第一面积用于表征多普勒效应的面积和；所述第二面积用于表征多普勒效应的面积差；
将所述目标特征输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；其中，所述相似度匹配模型用于计算目标特征和各个预设超声信号目标的目标特征之间的相似度。
3.根据权利要求2所述的方法，其特征在于，所述目标特征的个数至少为2个，将所述目标特征输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度，包括：
分别计算各个目标特征与各个超声信号模板与所述目标特征对应的个体相似度；
将针对同一预设超声信号模板的各个个体相似度进行归一化处理，得到目标个体相似度；
将针对同一预设超声信号模板的各个所述目标个体相似度进行累加，得到所述反射信号和各个预设超声信号模板的相似度。
4.根据权利要求3所述的方法，其特征在于，不同的目标特征具有不同的属性权重，将针对同一预设超声信号模板的各个所述目标个体相似度进行累加，得到所述反射信号和各个预设超声信号模板的相似度，包括：
分别将各个所述目标个体相似度及其对应的属性权重进行相乘，得到加权个体相似度；
将针对同一预设超声信号模板的各个所述加权个体相似度进行累加，得到所述反射信号和各个预设超声信号模板的相似度。
5.根据权利要求1所述的方法，其特征在于，接近检测用于判断人耳与所述智能设备的接近类型；所述接近类型包括人耳远离听筒、人耳靠近听筒；控制所述智能设备执行与所述目标接近类型对应的操作，包括：
在所述智能设备处于通话的状态下，且所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的屏幕处于锁定状态；
和/或，在所述智能设备处于通话的状态下，且所述目标接近类型为人耳远离听筒的情况下，控制所述智能设备的屏幕处于可触控状态。
6.根据权利要求5所述的方法，其特征在于，在所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的屏幕处于锁定状态，包括：
在所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的屏幕的预设区域处于锁定状态。
7.根据权利要求1所述的方法，其特征在于，接近检测用于调整智能设备的通话音量；所述通话音量包括低分贝音量和高分贝音量；在所述智能设备处于通话的状态下，所述接近类型包括人耳远离听筒、人耳靠近听筒；控制所述智能设备执行与所述目标接近类型对应的操作，包括：
在所述智能设备处于普通通话的状态下，且所述目标接近类型为人耳靠近听筒的情况下，控制所述智能设备的通话音量处于低分贝音量；
和/或，在所述智能设备处于普通通话的状态下，且所述目标接近类型为远离听筒的情况下，控制所述智能设备的通话音量处于高分贝音量。
8.根据权利要求5至7任一项所述的方法，其特征在于，所述方法还包括：
基于所述反射信号的多普勒效应计算所述智能设备与人耳的相对距离；
在所述相对距离小于或等于预设距离的情况下，控制所述智能设备执行与所述目标接近类型对应的操作。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述反射信号进行滤波处理，得到目标反射信号；
相应的，在将所述反射信号输入至相似度匹配模型的步骤中，所述方法包括：将所述目标反射信号输入至相似度匹配模型。
10.根据权利要求1所述的方法，其特征在于，所述相似度匹配模型的训练方法包括：
构建正样本数据集；所述正样本数据集至少包括智能设备远离人耳的超声数据集和智能设备接近人耳的超声数据集；
基于所述正样本数据集训练所述相似度匹配模型；并基于所述相似度匹配模型的训练结果计算所述相似度匹配模型的损失函数；
在所述损失函数趋于收敛的情况下，将该相似度匹配模型作为训练好的相似度匹配模型。
11.根据权利要求10所述的方法，其特征在于，所述训练样本还至少包括负样本数据集，所述负样本数据集至少包括以下之一：智能设备靠近人手的超声数据集、智能设备远离人手的超声数据集、智能设备靠近衣物的超声数据集、智能设备远离衣物的超声数据集；
相应的，在基于所述正样本数据集训练所述相似度匹配模型的步骤中，所述方法包括：基于所述正样本数据集和所述负样本数据集训练所述相似度匹配模型。
12.一种智能设备，其特征在于，所述智能设备包括超声发射单元和超声接收单元，所述智能设备包括：
信号接收单元，用于利用所述超声接收单元接收目标对象的反射信号；其中，所述反射信号是针对所述超声发射单元发出的超声信号后经过所述目标对象的表面反射出去的超声信号；
模板匹配单元，用于将所述反射信号输入至相似度匹配模型，得到所述反射信号和各个预设超声信号模板的相似度；
接近类型判定单元，用于在相似度的最大值大于或等于预设阈值的情况下，将相似度的最大值对应的预设超声信号模板的接近类型确定为目标接近类型；
设备控制单元，用于控制所述智能设备执行与所述目标接近类型对应的操作。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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11任一项所述的方法。
14.一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11任一项所述的方法。
CN202311056972.8A 2023-08-21 2023-08-21 超声数据处理方法、智能设备、计算机设备和存储介质 Pending CN117150312A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311056972.8A CN117150312A (zh) 2023-08-21 2023-08-21 超声数据处理方法、智能设备、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311056972.8A CN117150312A (zh) 2023-08-21 2023-08-21 超声数据处理方法、智能设备、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117150312A true CN117150312A (zh) 2023-12-01

Family

ID=88907191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311056972.8A Pending CN117150312A (zh) 2023-08-21 2023-08-21 超声数据处理方法、智能设备、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117150312A (zh)

Similar Documents

Publication Publication Date Title
JP6030184B2 (ja) 持続波超音波信号を使用したタッチレス感知およびジェスチャー認識
Bai et al. Acoustic-based sensing and applications: A survey
Li et al. A microphone array system for automatic fall detection
TWI442384B (zh) 以麥克風陣列為基礎之語音辨識系統與方法
EP2973558B1 (en) Methods for adaptive acoustic processing based on characterising the acoustic environment
Gong et al. Protecting voice controlled systems using sound source identification based on acoustic cues
CN103180900A (zh) 用于话音活动检测的系统、方法和设备
CN111090412B (zh) 一种音量调节方法、装置及音频设备
CN111398965A (zh) 基于智能穿戴设备的危险信号监控方法、系统和穿戴设备
US11895474B2 (en) Activity detection on devices with multi-modal sensing
CN111930336A (zh) 音频设备的音量调节方法、设备及存储介质
CN114171041A (zh) 基于环境检测的语音降噪方法、装置、设备及存储介质
Yoo et al. Automatic sound recognition for the hearing impaired
Kim et al. Acoustic Event Detection in Multichannel Audio Using Gated Recurrent Neural Networks with High‐Resolution Spectral Features
JP2020524300A (ja) 音声データに基づいてイベント指定を取得する方法およびデバイス
CN111766303B (zh) 基于声学环境评估的语音采集方法、装置、设备和介质
Yiallourides et al. Low power ultrasonic gesture recognition for mobile handsets
CN117150312A (zh) 超声数据处理方法、智能设备、计算机设备和存储介质
Luo et al. SoundWrite II: Ambient acoustic sensing for noise tolerant device-free gesture recognition
Cirillo et al. Sound mapping in reverberant rooms by a robust direct method
Dai et al. Recognizing driver talking direction in running vehicles with a smartphone
Giannoulis et al. The Athena-RC system for speech activity detection and speaker localization in the DIRHA smart home
CN114694667A (zh) 语音输出方法、装置、计算机设备及存储介质
Hogg et al. Multichannel overlapping speaker segmentation using multiple hypothesis tracking of acoustic and spatial features
WO2021211127A1 (en) Light signal identification

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