CN117785541B - 一种数据处理方法及电子设备 - Google Patents
一种数据处理方法及电子设备 Download PDFInfo
- Publication number
- CN117785541B CN117785541B CN202410214605.4A CN202410214605A CN117785541B CN 117785541 B CN117785541 B CN 117785541B CN 202410214605 A CN202410214605 A CN 202410214605A CN 117785541 B CN117785541 B CN 117785541B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor data
- layer
- algorithm model
- sensor
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000013524 data verification Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims 2
- 230000037430 deletion Effects 0.000 claims 2
- 230000033001 locomotion Effects 0.000 description 79
- 230000000694 effects Effects 0.000 description 27
- 230000001133 acceleration Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 13
- 238000001914 filtration Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Telephone Function (AREA)
Abstract
本申请公开一种数据处理方法,涉及数据处理领域,应用于移动终端,其中,移动终端的软件架构可以包括应用处理器AP层以及智能传感集线器Sensorhub层,该方法包括:当数据回灌功能打开时,移动终端的AP层将数据回灌功能打开信号传递至Sensorhub层的算法模块,算法模块响应于接收数据回灌功能打开信号,获取传感器数据,将传感器数据输入至对应的算法模型进行数据处理,对传感器数据进行存储,本申请可以在移动终端中设置数据回灌功能,当数据回灌功能打开时可以对输入至对应的算法模型的原始传感器进行存储,以便后续可以根据原始传感器数据对算法模型处理数据的场景进行还原。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种数据处理方法及电子设备。
背景技术
目前,电子设备(如手机)可以通过加速度传感器、磁力计等器件采集加速度数据、磁力计数据等各种传感器数据,将这些传感器数据输入至活动识别算法、手势识别算法可以识别电子设备的状态以及使用当前电子设备的用户的活动状态,例如,当前用户可以处于静止状态、走路状态、跑步状态、骑车状态(表明用户在骑车),例如,确定电子设备的状态可以为拿起状态、翻转状态等。
在某些情况下,例如,模型训练的不够精准、算法的参数调节的不够精准等原因,可能会导致算法模型根据传感器数据输出的结果存在异常,也就是说,导致传感器数据输入至对应的算法模型之后,输出的结果与实际结果存在偏差,进而导致用户体验感较差。
因此,需要获取相应算法模型处理的原始传感器数据,以便通过原始传感器数据对场景进行还原,进而分析算模型运行过程中产生异常的原因。
发明内容
本申请提供一种数据处理方法,以获取相应算法模型处理的原始传感器数据,进而通过原始传感器数据对场景进行还原。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种数据处理方法,可应用于移动终端,移动终端的软件架构可以包括应用处理器AP层、智能传感集线器Sensorhub层,该方法包括:
当数据回灌功能打开时,移动终端的AP层可以将数据回灌功能打开信号传递至Sensorhub层的算法模块,算法模块响应于接收到数据回灌功能打开信号,可以获取传感器数据,然后将传感器数据输入至对应的算法模型进行数据处理,然后可以对传感器数据进行存储,以便AP层中的智能传感器融合服务HAL层提供存储的传感器数据,对算法模型处理数据的过程进行还原。
在某些可能实现的方式中,HAL层可以对传感器数据进行存储。
具体的,HAL层可以对传感器数据进行数据校验,获取校验结果;
对所述传感器数据中的所述校验结果表征为不存在缺失以及符合预设的数据标准的数据进行存储,数据校验的目的是为了校验传感器数据的数据完整性、准确性以及校验传感器数据中是否存在非法值。
在某些可能实现的方式中,算法模块可以对传感器数据进行存储。
算法模块对传感器数据进行存储之后,可以将存储的传感器数据上传至HAL层进行数据校验,以便HAL层提供进行数据校验后的传感器数据,对算法模型处理数据的过程进行还原。
本申请还可以将存储的传感器数据再次输入至算法模型并对算法模型处理数据的过程进行分析,获得分析结果,根据所述分析结果,对算法模型进行调节。
具体的,当分析结果表征算法模型的输出结果与实际结果存在偏差时,根据传感器数据对所述算法模型进行训练,当分析结果表征算法模型的阈值高于或低于目标值时,对算法模型的阈值进行调节。
第二方面,本申请提供一种数据处理方法,应用于移动终端,移动终端的软件架构包括应用处理器AP层,该方法包括:
当数据回灌功能打开时,移动终端的AP层将数据回灌功能打开信号传递至AP层的算法模块,算法模块响应于接收到数据回灌功能打开信号,获取传感器数据,将传感器数据输入至对应的算法模型进行数据处理,然后对传感器数据进行存储,以便AP层中的智能传感器融合服务HAL层提供存储的传感器数据,对算法模型处理数据的过程进行还原。该方法与第一方面中提供的方法区别在于,第一方面提供的方法中将算法模块布局在Sensorhub层,第二方面提供的方法中将算法模块布局在AP层。
在某些可能实现的方式中,HAL层可以对传感器数据进行存储。
具体的,HAL层可以对传感器数据进行数据校验,获取校验结果;
对所述传感器数据中的所述校验结果表征为不存在缺失以及符合预设的数据标准的数据进行存储,数据校验的目的是为了校验传感器数据的数据完整性、准确性以及校验传感器数据中是否存在非法值。
在某些可能实现的方式中,算法模块可以对传感器数据进行存储。
算法模块对传感器数据进行存储之后,可以将存储的传感器数据上传至HAL层进行数据校验,以便HAL层提供进行数据校验后的传感器数据,对算法模型处理数据的过程进行还原。
本申请还可以将存储的传感器数据再次输入至算法模型并对算法模型处理数据的过程进行分析,获得分析结果,根据所述分析结果,对算法模型进行调节。
具体的,当分析结果表征算法模型的输出结果与实际结果存在偏差时,根据传感器数据对所述算法模型进行训练,当分析结果表征算法模型的阈值高于或低于目标值时,对算法模型的阈值进行调节。
第三方面,本申请提供一种数据处理方法,应用于移动终端以及服务器,包括:
当数据回灌功能打开时,移动终端获取传感器数据,将传感器数据输入至对应的第一算法模型进行数据处理并对所述传感器数据进行存储,然后服务器可以获取存储的传感器数据,将存储的传感器数据输入至与移动终端中的所述第一算法模型一致的第二算法模型进而根据对第二算法模块处理数据的过程进行分析,获得的分析结果,对第二算法模型进行调节。
在某些可能实现的方式中,服务器可以把进行调节后的第二算法模型发送至移动终端,进而移动终端可以根据进行调节后的第二算法模型替换第一算法模型。
第四方面,本申请提供一种电子设备,包括:摄像头、处理器和存储器;
所述摄像头用于采集检测图像;
其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述电子设备执如第一方面任一项所述的方法。
第五方面,本申请提供了一种计算机存储介质,包括计算机指令,当所述计算机指令在移动终端上运行时,使得所述电子设备执如第一方面中任一项所述的方法。
由上述技术方案可知,本申请具有如下有益效果:
本申请的方法可以应用于电子设备,其中,电子设备可以包括应用处理器AP层以及智能传感集线器Sensorhub层,该方法包括:当数据回灌功能打开时,电子设备的AP层将数据回灌功能打开信号传递至Sensorhub层的算法模块,算法模块响应于接收数据回灌功能打开信号,获取传感器数据,将传感器数据输入至对应的算法模型进行数据处理,对传感器数据进行存储,本申请可以在电子设备(以移动终端为例)中设置数据回灌功能,当数据回灌功能打开时可以对输入至对应的算法模型的原始传感器进行存储,以便后续可以根据原始传感器数据对算法模型处理数据的场景进行还原以及对算法异常进行分析等。
附图说明
图1为本申请实施例提供一种应用场景的示意图;
图2为本申请实施例提供的又一种应用场景的示意图;
图3为本申请实施例提供的另一种应用场景的示意图;
图4为本申请实施例提供的一种数据处理方法的流程图;
图5为本申请实施例提供的一种又数据处理方法的流程图;
图6为本申请实施例提供的一种数据回灌APP界面的示意图;
图7为本申请实施例提供的一种电子设备的软件结构示例图;
图8为本申请实施例提供的一种数据回灌系统的结构图;
图9为本申请实施例提供的另一种数据回灌系统的结构图;
图10为本申请实施例提供的一种数据处理方法交互图;
图11为本申请实施例提供的一种电子设备的硬件架构图。
具体实施方式
本申请说明书和权利要求书及附图说明中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于限定特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
AR(Activity Recognition)活动识别指的是电子设备通过加速度传感器、磁力计等器件采集加速度数据、磁力计数据等各种传感器数据,从而可以将这些传感器数据输入至活动识别算法,进而确定使用当前电子设备的用户的活动状态,例如,当前用户可以处于静止状态、走路状态、跑步状态、骑车状态(表明用户在骑车)、乘车状态(表明用户在乘坐汽车)、地铁状态(表明用户在乘坐地铁)、高铁状态(表明用户在乘坐高铁)、以及进入电梯、退出电梯等活动中。
Motion手势识别指的是电子设备通过加速度传感器、陀螺仪以及接近光传感器采集加速度数据、陀螺仪数据以及接近光数据等各种传感器数据,输入给手势识别算法,从而可以确定电子设备的状态,例如,确定电子设备的状态可以为拿起状态、翻转状态、摇一摇状态、口袋模式、跌落状态、抬手亮屏识别、旋转屏识别、计算用户的运动步数等。
数据回灌:当算法发生异常时,将采集到的原始的传感器数据(算法发生异常或者识别不准确时采集的数据)传递至ISF模块,以根据原始的传感器数据对当时算法发生异常或者识别不准确的场景进行仿真还原,这个过程可以称为数据回灌。
目前,电子设备可以采集传感器数据,然后将传感器数据输入至对应的算法,进行AR活动识别特性以及Motion手势识别特性,以识别用户的活动状态(例如识别用户进入电梯、退出电梯、识别用户当前正在乘坐高铁等)或者识别电子设备的状态(例如抬手亮屏识别、旋转屏识别以及计算用户的运动步数)等。
下面结合附图进行说明,示例性的,如图1所示,图1中包括用户100以及电子设备101(以手机为例),用户100携带电子设备101处于运动状态(以走路为例),电子设备100的底层可以实时获取加速度传感器、陀螺仪以及接近光传感器等传感器的数据,并上报至Motion模块,Motion模块可以将上报的传感器数据输入至计步算法,从而可以实现根据采集的传感器数据计算出用户的运动步数,然后可以将运动总步数相关数据上传至应用程序框架层,以对用户的运动步数进行显示。
如图2所示,图2中包括用户102、电子设备103(以手机为例)以及交通工具104,用户102携带电子设备103处于交通工具104中,交通工具104处于运动状态,电子设备100的底层可以实时获取加速度传感器的加速度数据以及调制解调器的电子设备与附近基站通信的数据,并上报至AR模块,AR模块可以将上报的传感器数据输入至Motion算法,从而可以确定电子设备102在交通工具104上的移动速度,也就是交通工具104的移动速度,进而可以实现根据移动速度确定用户在哪种类型的交通工具上,例如,当前电子设备102在交通工具104上的移动速度为300Km/h,并且根据调制解调器确定电子设备的通讯网络处于高铁专网上,则可以确定用户当前正在乘坐高铁。
再比如说,如图3所示,图3包括用户105、电子设备106(以手机为例)以及电梯107,用户105携带电子设备106处于电梯107中,电子设备105的底层可以实时获取加速度传感器的加速度数据以及调制解调器的电子设备与附近基站通信的数据,并上报至AR模块,AR模块可以将上报的传感器数据输入至AR算法,从而可以确定电子设备106在电梯107中的信号,进而可以识别用户105进入电梯107以及退出电梯107。
在某些情况下,例如,模型训练的不够精准、算法的参数调节的不够精准等原因,可能会导致算法模型根据传感器数据输出的结果存在异常,也就是说,导致传感器数据输入至对应的算法模型之后,输出的结果与实际结果存在偏差,例如,用户在半小时之内运动了2000步,但是计步算法根据传感器数据输出的结果为用户运动了4000步,存在偏差,再比如说,一定时间内算法输出的结果跳变次数较多,比如10s内出现了5次进入电梯、退出电梯的事件等。
因此,需要获取相应算法模型处理的原始传感器数据,通过原始传感器数据对场景进行还原,进而分析算法模型运行过程中产生异常的原因,以根据分析出的算法模型运行过程中产生异常的原因对算法模型进行训练或者对算法模型的阈值进行调节。
目前,只支持在线获取传感器数据,即算法模型只可以实时对传感器数据进行处理,进而输出处理结果,这样,当处理结果存在异常时,无法通过该传感器数据进行场景还原,进而无法分析算法模型运行过程中产生异常的原因以及无法根据该传感器数据对算法模型进行训练、调优。
有鉴于此,本申请提供一种数据处理方法,本申请中电子设备(如手机)可以采集传感器数据,将采集的传感器数据输入至AR模块或者Motion模块进行AR算法识别或者Motion算法识别,然后可以确定数据回灌开关是否打开,当确定数据回灌开关打开时,电子设备可以将该传感器数据进行存储。本申请可以在电子设备中设置数据回灌功能,当数据回灌功能打开时可以对输入至对应的算法模型的原始传感器进行存储,以便后续可以根据原始传感器数据对算法模型处理数据的场景进行还原以及对算法异常进行分析等。
下面结合图4,对本申请中提供的数据处理方法的执行逻辑进行简要介绍,下面要介绍的数据处理方法以电子设备1以及电子设备2执行为例,其中,电子设备1以移动终端为例、电子设备2以服务器(PC设备)为例,如图4所示,包括:
S401:电子设备1的智能传集线器SensorHub采集传感器数据并上传至HAL层。
SensorHub为智能传感集线器,是一种基于低功耗MCU和轻量级RTOS操作系统之上的软硬件结合的解决方案,可以用于采集并处理来自各种传感器的数据,例如,加速度传感器、磁力计、陀螺仪以及接近光传感器等。其中,数据可以包括时间戳,以标识数据采集时间。
SensorHub采集传感器数据之后可以将传感器数据输入至对应的算法模型进行识别,并上传至HAL层。
S402:HAL层接收SensorHub上传的传感器数据然后上传至ISF模块。
HAL层接收SensorHub上传的传感器数据之后可以对传感器数据进行数据解码以将经过编码的传感器数据还原为原始的未编码形式,然后将解码后的传感器数据上传至ISF模块。
S403:ISF模块接收传感器数据之后,对传感器数据进行数据处理。
ISF模块接收传感器数据之后可以对传感器数据进行数据处理,以校验传感器数据中有无数据丢失以及非法值等,其中,传感器数据为SensorHub采集的底层传感器的数据,采集的底层传感器数据目的是为了将采集到的数据回灌至ISF模块。
具体的,数据处理可以对传感器数据进行数据校验、数据缓存以及数据打包,生成传感器数据文件。
S404:电子设备2从ISF模块中获取数据处理后的传感器数据进行场景还原。
电子设备2(以服务器为例)可以获取经过ISF模块处理之后得到的数据文件。
然后可以根据数据文件进行场景还原,也就是再次输入至对应的算法模型,以对算法模型处理数据的过程进行还原,以实现数据回灌,进而可以分析算法模型运行过程的中的参数,并根据分析结果,对算法模型进行训练以及对算法模型的阈值进行调节。
上述为结合图4对本申请提供的数据处理方法的逻辑进行简要介绍,下面结合图5,对本申请中提供的数据处理方法进行详细介绍。下面要介绍的数据处理方法以电子设备1以及电子设备2执行为例,其中,电子设备1以移动终端为例、电子设备2以服务器(PC设备)为例,以步骤S501-步骤S504在电子设备1中执行为例,步骤S505以及步骤S506在电子设备2中执行为例,如图5所示,包括:
S501:SensorHub可以采集传感器数据。
移动终端的SensorHub可以采集传感器数据,进而可以将采集的传感器数据发送至AR模块进行活动识别或者发送至Motion模块进行手势识别。其中,传感器可以包括加速度传感器、角速度传感器、磁力计、距离传感器以及调制解调器等。
示理性的,当需要统计用户运动步数时,电子设备可以获取加速度传感器、陀螺仪以及接近光传感器等传感器的数据,并上报至Motion模块,Motion模块可以将上报的传感器数据输入至计步算法,从而可以实现根据采集的传感器数据计算出用户的运动步数,电子设备1中AR模块以及Motion模块对应的算法模型可以叫做第一算法模型。
当需要确定用户的活动状态时,电子设备可以获取加速度传感器的加速度数据以及调制解调器的数据等,并上报至AR模块,AR模块可以将上报的传感器数据输入至Motion算法,从而可以确定电子设备上的移动速度以及与附件基站的通讯情况等,进而可以确定用户的活动状态,例如,当前用户可以处于静止状态、走路状态、跑步状态、骑车状态(表明用户在骑车)以及高铁状态。
在某些可能实现的方式中,在将采集的传感器数据发送至AR模块进行活动识别或者发送至Motion模块进行手势识别之前,为了清除传感器数据中的异常数据还可以对采集的传感器数据进行预处理。预处理方式例如可以包括数据清洗、数据集成、数据变换、数据归一以及降噪处理等,本申请实施例不具体限定预处理的技术实现方式,可以将进行预处理之后的数据叫做第一传感器数据。
具体的,可以设置数据存储规则,将不符合预设的数据存储规则的数据称为异常数据,例如传感器数据中存在一些缩放至“0”和“1”之间的值,这些值属于转化后的异常数据,如果不进行处理,可能导致无法识别,从而出现错误。再比如说,传感器数据中存在一些冗余数据,也可以叫异常数据。需要说明的是,本领域技术人员可以根据实际需求对数据存储规则进行预先设置,在此不做限定。
在某些可能实现的方式中,对传感器数据进行预处理还可以包括去除传感器数据中的噪声和干扰。
具体的,可以通过滤波算法对传感器数据进行滤波处理。其中,滤波算法可以分为时域滤波和频域滤波两种。时域滤波是指对信号进行时间上的滤波处理,时域滤波算法包括中值滤波、均值滤波等。频域滤波是指对信号进行频率上的滤波处理,频域滤波算法包括傅里叶变换、小波变换等。
S502:SensorHub确定数据回灌开关是否打开。
移动终端的SensorHub在采集传感器数据之后,可以判断数据回灌开关是否打开。
具体的,如图6中的(a)所示,图6中的(a)示出了一种用户打开数据回灌APP的示意图,在某些场景下,例如,用户预先确定计步算法存在异常(计步算法输出的结果与实际结果存在偏),则在本次通过计步算法对传感器数据进行处理之前,用户可以控制电子设备打开数据回灌开关,以便后续根据回灌的数据进行处理。
进一步的,用户触摸电子设备显示界面显示的数据回灌APP,电子设备触摸传感器可以接收用户对数据回灌APP图标的触摸操作,并向处理器上报对数据回灌APP图标的触摸操作,处理器在接收对数据回灌APP图标的触摸操作之后,可以响应于上述触摸操作,启动图标对应的应用(APP)。
电子设备在启动数据回灌APP之后,可以呈现如图6中的(b)所示的界面,图6中的(b)所示的界面包括数据回灌开关61,用户可以根据实际需求选择打开或者关闭数据回灌开关。
在某些可能实现的方式中,数据回灌开关61中可以包括开关控件62,开关控件62置于图6中的(b)所示的界面的当前位置,也就是数据回灌开关61的左端,可以表征数据回灌开关61处于关闭状态,当用户需要打开数据回灌开关时,可以通过点击开关控件62控制开关控件62置于数据回灌开关61的右端,从而表征数据回灌开关61处于打开状态。需要说明的是,这里只是以举例的方式。
在某些可能实现的方式中,电子设备可以识别算法模型根据传感器数据输出的结果是否存在异常,例如,一定时间内算法输出的结果跳变次数较多,比如10s内出现了5次电梯进入、退出的事件算法模型输出的结果与实际结果存在偏差等,则可以确定该场景下的算法模型出现异常,则下次电子设备再次识别到该场景时,可以自动将数据回灌开关设置为开启状态,例如,确定计步算法存在异常,则电子设备再次识别到该计算用户的运动步数场景时,可以开启数据回灌开关。
当数据回灌开关打开或者关闭之后,可以由AP层向SensorHub发送数据回灌开关的开关值,也可以叫数据回灌功能打开信号,从而SensorHub可以根据开关值确定数据回灌开关是否打开。
S503:SensorHub将传感器数据通过HAL层传递至ISF模块。
当SensorHub确定接收到的开关值表征数据回灌开关打开时,可以将传感器数据通过HAL层传递至ISF模块。
具体的,SensorHub可以将传感器数据上传至HAL层的AR HAL或者Motion HAL,ARHAL或者Motion HAL可以对传感器数据进行数据解码。数据解码为将经过编码的传感器数据还原为原始的未编码形式。具体的解码方法取决于所使用的编码方式。例如,如果传感器数据是采用压缩格式编码的,则可以使用相应的解压缩算法来还原其原始编码形式。
在某些可能实现的方式中,数据解码还可以为将经过调制和传输的信号还原为原始的数字信号或模拟信号。这个过程可能利用一些信号处理技术,例如解调、解码、解压缩等。
然后AR HAL或者Motion HAL,可以将进行数据解码后的传感器数据,上传至ISF模块。
S504:ISF模块对传感器数据进行数据处理。
ISF模块在接收传感器数据之后,可以对传感器数据进行数据处理,这里的数据处理可以指的是对传感器数据进行数据校验,以校验传感器数据的数据完整性、准确性以及校验传感器数据中是否存在非法值(不符合标准的数据值)。HAL层可以对传感器数据中的校验结果表征为不存在缺失以及不是非法值(符合预设的数据标准)的数据进行存储。
其中,数据校验方法可以包括奇偶校验、异或校验等。奇偶校验是在数据存储和传输中常用的方法,它通过在数据中添加一个额外的比特位来检测错误。异或校验则是一种简单但相当准确的方法,它通过将所有数据位与一个指定的初始值进行异或运算来生成校验值。
在某些可能实现的方式中,本申请中还可以是算法模块对传感器数据进行存储,算法模块将存储的传感器数据上传至ISF模块进行数据校验。
ISF模块在对传感器数据进行数据校验之后可以对传感器数据进行数据缓存、数据打包等生成传感器数据文件。
S505:获取ISF模块中进行数据处理后的传感器数据,并根据该传感器数据进行场景还原。
服务器可以获取ISF模块中的传感器数据(传感器数据文件),并根据传感器数据进行场景还原。其中,场景还原指的是将传感器数据再次输入至对应的算法模型中,以对该算法模型上一次处理该传感器数据的场景进行还原,服务器中AR模块以及Motion模块对应的算法模型可以叫第二算法模型。
示例性的,移动终端获取加速度传感器、陀螺仪以及重力传感器等传感器的数据,并上报至Motion模块,Motion模块将上报的传感器数据输入至计步算法对应的第一算法模型中,从而可以实现根据采集的传感器数据计算出用户的运动步数,当数据回灌开关打开之后,移动终端可以将该传感器数据存储至ISF模块,然后服务器可以从ISF模块中获取传感器数据,并将传感器数据再次输入至计步算法对应的第二算法模型中,从而可以对上一次通过算法模型对传感器数据进行处理的处理过程进行还原(算法模型上一次处理该传感器数据的场景进行还原),也可以叫对上一次通过算法模型对传感器数据进行处理的用户现场进行复现(还原)。需要说明的是,数据回灌的原理是利用已经收集(存储)的传感器数据来模拟和复现用户现场的情况。这样,用户可以直观地看到算法在不同情况下的表现,因此可以快速定位问题。
S506:对还原的场景进行分析,以对算法模型进行调优。
在某些可能实现的方式中,服务器可以对数据处理的还原过程(还原的场景)进行分析,获得分析结果。
当分析结果表征算法模型的输出结果与实际结果存在偏差时,服务器可以根据传感器数据对算法模型进行训练。
具体的,服务器可以根据传感器数据对算法模型进行迭代训练,并在每次迭代过程中更新所述算法模型对应的参数,需要说明的是,每次更新参数之后,损失函数都会随着更新参数而发生变化,当损失函数的值达到最小值,确定算法模型训练完成。这样通过更新算法模型的参数,就可以实现对算法模型进行调优的目的。其中,参数可以包括权重以及偏置等,权重是神经网络中连接各个节点的参数,它们决定了输入数据如何通过网络进行传播和转换。每个神经元与其他神经元的连接都有一个权重值,它决定连接的强弱及信息传递的效果。权重值越高,两个神经元之间的连接越强,传递的信息影响也越大。偏置表示神经元自身的激活阈值。偏置的作用是为每个神经元引入一个固定的偏移量,使得神经元即使在没有任何输入的情况下也有机会被激活。
当所述分析结果表征算法模型的阈值高于或低于目标值时,服务器可以对算法模型的阈值进行调节。
具体的,当分析结果表征算法模型的阈值与目标值相比过高时,服务器可以对算法模型的阈值进行调节,其中,算法模型的阈值指在将算法模型的预测结果转化为实际类别或决策时所使用的临界值,需要说明的是,算法模型的输出层通常会输出一个概率值,表示样本属于正类的概率。例如设定为0.5,如果输出概率大于这个阈值,则将该样本分类为正类,否则分类为负类。如果阈值设置得过高,可能会导致很多实际属于正类的样本被错误地分类为负类,造成假阴性(False Negative)的增加;如果阈值设置得过低,则可能会导致很多实际属于负类的样本被错误地分类为正类,造成假阳性(False Positive)的增加。
根据电子设备回灌的传感器数据更新算法模型的参数或者阈值,可以对算法模型的调优,以提高算法模型的准确性以及效率。
在某些可能实现的方式中,服务器可以将进行模型调优之后的算法模型,也就是进行模型训练之后的算法模型或者阈值调节之后的算法模型输入至电子设备中,以替换电子设备中原始的算法模型。
需要说明的是,本申请中数据处理方法只是以电子设备1以及电子设备2执行、电子设备1为手机、电子设备2为服务器(PC设备)为例,当然本申请中数据处理方法也可以单独以在单独在电子设备1中执行,这里的电子设备指的是手机等移动终端,进而步骤S505-步骤S506也可以在电子设备1中执行,本领域技术人员可以根据需求设置,在此不做限定。
本申请中电子设备1(以手机等移动终端为例)中的SensorHub层可以采集传感器数据,将采集的传感器数据输入至算法模块中的第一算法模型进行识别,然后可以确定数据回灌开关是否打开,当确定数据回灌开关打开时,可以对该传感器数据进行存储,电子设备2(以服务器为例)可以获取电子设备中存储的传感器数据,将该传感器数据输入至服务器中的第二算法模块中,以对AR算法识别或者Motion算法识别的数据处理过程进行还原,然后可以对还原的场景进行分析,以对算法模型进行调优。本申请在电子设备1中设置数据回灌开关,例如设置在APP中,当数据回灌开关打开时,可以对进行AR算法识别或者Motion算法识别的传感器数据进行存储,然后电子设备2可以获取电子设备1存储的传感器数据,可以对算法模型处理数据的过程进行还原并分析,从而根据分析结果对算法模型进行训练或者对算法模型的阈值进行调节,以实现对算法模型进行调优的目的,这样可以提高算法模型的准确性以及效率,进而提高用户的体验感。
下面结合附图对本申请中提供的数据回灌系统的框架进行介绍,这里的数据回灌系统可以叫第一数据回灌系统。
在介绍本申请的数据回灌系统之前,可以先介绍一下,本申请实施例提供的电子设备软件架构图的示意图。
如图7所示,本申请电子设备的软件架构可以采用分层架构,事件驱动架构,微核架构,微服务架构,或云架构。本发明实施例以分层架构的Android系统为例,示例性进行说明。
分层架构将软件分成若干个层,每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中,将Android系统分为五层,从上至下分别为应用程序层,应用程序框架层,安卓运行时(Android runtime),和系统库,硬件抽象层以及内核层。
应用程序层可以包括一系列应用程序包。示例性的,可以包括相机,图库,日历,通话,地图,导航,WLAN,蓝牙,音乐,视频,短信息以及数据回灌APP等,数据回灌可以根据用户的操作指令可以向ARMS发送打开数据回灌开关指令或者关闭数据回灌开关指令。
应用程序框架层为应用程序提供应用编程接口(application programminginterface,API)和编程框架。应用程序框架层包括一些预先定义的函数。在本申请实施例中,应用程序框架可以包括视图系统和显示系统Android接口定义语言(AndroidInterface Definition Language,AIDL)接口以及活动识别管理服务ARMS。
视图系统包括可视控件,例如显示文字的控件,显示图片的控件等。视图系统可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如,包括数据回灌的显示界面,可以包括显示文字的视图以及显示图片的视图。
显示系统AIDL接口用于从硬件抽象层获取经过AR模块、Motion模块、计步器等处理后的传感器数据,并将这些数据上传至显示系统应用框架,由视图系统将这些处理后的传感器数据(例如运动总步数)上传至应用程序层进行显示。示例性地,显示系统AIDL接口可以包括AR AIDL接口以及Motion AIDL接口。活动识别管理服务ARMS,可以用于接收数据回灌APP发来的数据回灌开关指令,并传递至硬件抽象层。
应用层和框架层运行在虚拟机中。虚拟机将应用层和框架层的java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理,堆栈管理,线程管理,安全和异常的管理,以及垃圾回收等功能。
硬件抽象层,可以包含多个库模块,Android系统可以为设备硬件加载相应的库模块,进而实现应用程序框架层访问设备硬件的目的。示例性地,硬件抽象层可以包括、ARHAL以及Motion HAL,通过与智能传感集线器(又称为SensorHub)进行通信。
内核层是硬件和软件之间的层。本申请实施例提供的内核层包括显示驱动,音频驱动,传感器驱动。
如图8所示,图8为本申请提供的数据回灌系统的结构图,示例性的,以本申请中的数据回灌系统由电子设备1以及电子设备2组成为例,其中,电子设备1以移动终端为例、电子设备2以服务器(PC设备)为例。
具体的,电子设备1可以包括AP层、SensorHub层以及HardWare 层,AP层为手机中的应用处理器CPU,操作系统、用户界面以及应用程序都在AP上执行,SensorHub层为一种基于低功耗MCU和轻量级RTOS操作系统的智能传感集线器,可以连接并处理来自各种传感器设备的数据,实现手势识别、设备状态识别、用户状态识别以及用户交通行为判断等功能。HardWare 层为硬件层。
进一步的,AP层可以包括应用程序层、应用程序框架层、AIDL接口层以及硬件抽象层,其中,应用程序层可以包括各种应用程序APP,例如,相机APP、音乐APP以及用于研发阶段发现问题、提交原始故障数据、连接研发与用户的数据回灌APP等,数据回灌APP根据用户的操作指令可以向ARMS发送打开数据回灌开关指令或者关闭数据回灌开关指令。
应用程序框架层为应用程序提供应用编程接口(application programminginterface,API)和编程框架。应用程序框架层可以包括一些预先定义的函数,例如,活动识别管理服务ARMS,用于接收数据回灌APP发来的数据回灌开关指令,并传递至ADSP中的驱动程序。
AIDL接口层包括 AR AIDL、ISF AIDL以及Motion AIDL,其中,AR AIDL为活动识别AIDL接口,可以订阅开启活动识别,也可以传递数据回灌开关指令至HAL层(硬件抽象层)。ISF为智能传感器融合服务AIDL接口。Motion AIDL为手势服务AIDL接口,用于订阅开启手势识别,也可以传递数据回灌开关指令至HAL层。
硬件抽象层包括AR HAL、ISF HAL以及Motion HAL,其中,AR HAL为活动识别HAL层,用于将SensorHub层中ADSP软件驱动上传的回灌数据进行解码,将解码后的传感器数据传递至ISF处理。
ISF HAL为智能传感器融合服务HAL层,用于接收AR HAL和Motion HAL传递过来的原始传感器数据(回灌数据),并对原始传感器数据进行频率校验、数据缓存、数据打包等落盘生成原始传感器数据文件。
Motion HAL为Motion手势服务HAL层,用于将SensorHub层中ADSP软件驱动上传的回灌数据进行解码,将解码后的传感器数据传递至ISF处理。
SensorHub为智能传感集线器,是一种基于低功耗MCU和轻量级RTOS操作系统之上的软硬件结合的解决方案,可以用于采集并处理来自各种传感器设备的数据(传感器数据)。
SensorHub可以包括AR模块以及Motion模块,其中AR模块为SensorHub中活动识别模块,可以用于采集并存储底层传感器数据,例如加速度、Modem、磁力计的传感器数据,对传感器数据进行预处理,将预处理之后的传感器数据传递给AR算法进行活动识别。并且可以接收AP侧下发的活动识别数据回灌开关值,在AR数据回灌开关打开的情况下,可以同时将经过预处理之后的传感器数据传递给AR HAL层。
Motion模块为SensorHub中的手势识别模块,用于采集并存储底层传感器数据,例如加速度、陀螺仪、接近光数据等,对传感器数据进行预处理,将预处理之后的传感器数据传递给Motion算法进行手势识别。并且可以接收AP侧下发的手势识别数据回灌开关值,在Motion数据回灌开关打开的情况下,可以将同时将传感器数据传递至Motion HAL层,AP层和SensorHub之间可以通过高通平台消息接口QMI进行通信。
HardWare 为硬件层,可以包括各类传感器,例如,加速度传感器、角速度传感器、磁力计、距离传感器以及调制解调器等。
加速度传感器是一种能够测量加速度的电子设备。通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成。传感器在加速过程中,通过对质量块所受惯性力的测量,利用牛顿第二定律获得加速度值。
陀螺仪,是一种用于测量和维持方向的装置,它主要用于检测电子设备在三维空间中的旋转角度变化,并将这种变化转化为具体的数值,提供给电子设备的操作系统或应用程序进行后续处理。
磁力计是一种用于测量地球磁场强度和方向的传感器,通常用于导航、指南针、游戏和地理标记等应用。磁力计可以通过测量磁场并使用该信息来确定电子设备的方向,进而检测电子设备朝向和移动的方向。
距离传感器也叫做位移传感器,用于感应其与某物体间的距离。
调制解调器用于将模拟信号和数字信号进行相互转换,从而使电子设备能够实现互联通讯功能。
电子设备2(以服务器为例)用于当确定数据回灌开关打开之后,运行数据回灌工具集,可以从电子设备1的上ISF HAL获取传感器数据并且打包成原始传感器数据文件,然后将原始传感器数据文件进行预处理,然后输入至PC设备侧AR活动识别、Motion手势识别算法中,进行跑库分析,分析算法模型运行过程的中的参数、阈值等,进而根据分析结果对算法模型进行训练或者对算法模型的阈值进行调节,以实现对算法模型的调优。
在某些可能实现的方式中,本申请又提供了另一种数据回灌系统,这里的数据回灌系统可以叫第二数据回灌系统。第二数据回灌系统与第一数据回灌系统的区别在于,第一数据回灌系统将AR模块以及Motion模块部署在了Sensorhub层,将采集传感器数据部署部署在了HardWare层,而第二数据回灌系统将AR模块、Motion模块以及采集传感器数据均部署在AP侧,需要说明的是,第一数据回灌系统将AR模块以及Motion模块部署在了Sensorhub层,当AR模块或者Motion模块进行算法识别时,可以使电子设备运行在低功耗模型,因此相对第二数据回灌系统将AR模块、Motion模块以及采集传感器数据均部署在AP侧,进行AR算法识别或者Motion算法识别所消耗的功耗更低。
具体的,如图9所示,以本申请中的第二数据回灌系统也由电子设备1以及电子设备2组成为例,其中,电子设备1以移动终端为例、电子设备2以服务器(PC设备)为例。
电子设备1包括AP层(AP侧)以及HardWare层,AP层包括应用程序层、应用程序框架层、AIDL接口层、硬件抽象层、活动特性识别层(包括AR模块以及Motion模块),其中,应用程序层可以包括各种应用程序APP,例如,相机APP、音乐APP以及用于研发阶段发现问题、提交原始故障的连接研发与用户的数据回灌APP等,应用程序框架层可以包括一些预先定义的函数,例如,活动识别管理服务ARMS,AIDL接口层可以包括AR AIDL、ISF AIDL以及MotionAIDL等接口,硬件抽象层包括AR HAL、ISF HAL以及Motion HAL,活动识别层包括AR模块以及Motion模块,需要说明的是,在第二数据回灌系统中AR层包括的每个接口以及模块与第一数据回灌系统中AP层、SensorHub层以及HardWare 层中包括的每个接口以及模块的功能相同,在此不做多余叙述,可以看出,在第二数据回灌系统中,AR模块、Motion模块以及采集传感器数据均部署在AP侧,在传感器驱动层采集传感器数据之后,若要根据传感器数据进行活动识别,则可以通过AR模块以及AR AIDL接口,将采集到的传感器数据传递至给ISFHAL,若要根据传感器数据进行手势识别,则可以通过Motion模块以及Motion AIDL接口,将采集到的传感器数据传递至给ISF HAL,并在ISF HAL中完成数据预处理和落盘传感器数据文件。PC侧工具拉取传感器数据文件,进行跑库分析和算法模型调优。全程不需要Sensorhub层的参与,进而数据回灌的实现过程仅发生在AP侧。需要说明的是,无论是第一数据回灌系统还是第二数据回灌系统只是以由电子设备1以及电子设备2组成为例进行介绍,本申请系统还可以只由电子设备1组成,从而使得电子设备1完成上述电子设备1以及电子设备2的功能,在此不做限定。
下面结合图10以模块之间交互的形式对本申请中提供的数据处理方法进行介绍。下面要介绍的数据处理方法以电子设备1以及电子设备2执行为例,其中,电子设备1以移动终端为例、电子设备2以服务器(PC设备)为例,步骤S101至步骤S110以在电子设备1中执行为例,步骤S111至步骤S112以在电子设备2中执行为例,如图10所示,包括:
S101:打开电子设备1中的数据回灌开关。
打开电子设备1中的数据回灌开关。
具体原理与步骤S502类似,在此不做多余赘述。
在某些可能实现的方式中,在打开电子设备1中的数据回灌开关打开之后,电子设备1中的AR模块或者Motion模块可以向Sensor请求传感器数据,Sensor采集传感器数据之后可以向AR模块或者Motion模块发送采集的传感器数据,进而AR模块可以根据Sensor发送的传感器数据进行AR算法识别或者Motion模块根据Sensor发送的传感器数据进行Motion算法识别。具体原理与步骤S501类似,在此不做多余赘述。
S102:电子设备1的应用层向活动识别管理服务ARMS发送开关打开指令。
当确定数据回灌开关(数据回灌功能)打开之后,电子设备1的应用层向活动识别管理服务ARMS发送开关打开指令,也就是说,应用层向活动识别管理服务ARMS传递开关打开的开关值。
S103:ARMS将开关打开指令发送至AR/Motion AIDL。
ARMS可以将开关打开的开关值传递至AR/Motion AIDL。
S104:AR/Motion AIDL将开关打开指令发送至AR/Motion HAL。
ISF HA可以将开关打开的开关值传递至AR/Motion HAL。
S105:AR/Motion HAL将开关打开指令发送至AR/Motion。
AR/Motion HAL可以将开关打开的开关值传递至AR/Motion。
S106:AR/Motion缓存传感器数据。
AR/Motion模块在接收开关打开的开关值之后可以将采集的传感器数据进行缓存。
S107:AR/Motion将缓存的传感器数据上报至AR/Motion HAL。
S108:AR/Motion HAL将传感器数据上报至ISF HAL。
S109:ISF HAL对传感器数据进行数据处理。
ISF HAL对传感器数据进行数据处理的原理与步骤S504类似,在此不做多余叙述。
S110:电子设备2从ISF HAL拉取经过数据处理后的传感器数据。
S111:电子设备2对算法模型处理数据的过程进行还原、分析以及对算法模型进行调优。
电子设备2可以根据拉取的传感器数据,对算法模型处理数据的过程进行还原、分析以及对算法模型进行调优。
具体原理与步骤S505以及步骤S506类似,在此不做多余叙述。
本申请提供的方法可以为电子设备上执行,在一些实施例中,电子设备可以是手机、平板电脑、桌面型、膝上型、笔记本电脑、超级移动个人计算机(Ultra-mobile PersonalComputer,UMPC)、手持计算机、上网本、个人数字助理(Personal Digital Assistant,PDA)、可穿戴电子设备、智能手表等设备,本申请对上述电子设备的具体形式不做特殊限制。在本实施例中,电子设备的结构可以如图11所示,图11为本申请实施例提供的一种电子设备的结构示意图。
如图11所示,电子设备可以包括处理器110,显示屏120,触摸传感器130,加速度传感器140、角速度传感器150、磁力计160、距离传感器170以及调制解调器180等。
可以理解的是,本实施例示意的结构并不构成对电子设备的具体限定。在另一些实施例中,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括低功耗处理器110A、应用处理器(application processor,AP)、控制器等。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。
其中,控制器可以是电子设备的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
显示屏120用于显示图像,视频等。显示屏120包括显示面板。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-emittingdiode,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-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,终端100可以包括1个或N个显示屏120,N为大于1的正整数。
触摸传感器130,也称“触控器件”。触摸传感器130可以设置于显示屏120,由触摸传感器130与显示屏120组成触摸屏,也称“触控屏”。触摸传感器130用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。例如,用户在显示屏120上点击数据回灌APP或者具有数据回灌功能的APP,触摸传感器可以接收用户的触摸动作并传递至处理器110,经过处理器110处理之后可以在显示屏120上显示数据回灌APP的界面,显示屏120提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器130也可以设置于电子设备的表面,与显示屏120所处的位置不同。
另外,在上述部件之上,运行有操作系统。
电子设备的操作系统可以采用分层架构,事件驱动架构,微核架构,微服务架构,或云架构。本申请实施例以分层架构的Android系统为例,示例性说明电子设备的软件结构。
需要说明的是,本申请实施例虽然以Android系统为例进行说明,但是其基本原理同样适用于基于iOS、W0ndows等操作系统的电子设备。
本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种数据处理方法,其特征在于,应用于移动终端,所述移动终端的软件架构包括应用处理器AP层、智能传感集线器Sensorhub层,所述方法包括:
当数据回灌功能打开时,所述移动终端的AP层将数据回灌功能打开信号传递至所述Sensorhub层的算法模块;
所述算法模块响应于接收到所述数据回灌功能打开信号,获取传感器数据,将所述传感器数据输入至对应的算法模型进行数据处理;
对所述传感器数据进行存储,以便AP层中的智能传感器融合服务HAL层提供存储的所述传感器数据;
将存储的所述传感器数据再次输入至所述算法模型并对所述算法模型处理数据的过程进行分析,获得分析结果;
根据所述分析结果,对所述算法模型进行调节。
2.根据权利要求1所述的方法,其特征在于,所述对所述传感器数据进行存储,包括:
所述HAL层对所述传感器数据进行存储。
3.根据权利要求2所述的方法,其特征在于,所述HAL层对所述传感器数据进行存储,包括:
所述HAL层对所述传感器数据进行数据校验,获取校验结果;
对所述传感器数据中的所述校验结果表征为不存在缺失以及符合预设的数据标准的数据进行存储。
4.根据权利要求1所述的方法,其特征在于,所述对所述传感器数据进行存储,包括:
所述算法模块对所述传感器数据进行存储。
5.根据权利要求4所述的方法,其特征在于,所述算法模块将存储的所述传感器数据上传至所述HAL层进行数据校验,以便所述HAL层提供进行数据校验后的传感器数据,对所述算法模型处理数据的过程进行还原。
6.根据权利要求1所述的方法,其特征在于,所述根据所述分析结果,对所述算法模型进行调节,包括:
当所述分析结果表征所述算法模型的输出结果与实际结果存在偏差时,根据所述传感器数据对所述算法模型进行训练;
当所述分析结果表征所述算法模型的阈值高于或低于目标值时,对所述算法模型的阈值进行调节。
7.一种数据处理方法,其特征在于,应用于移动终端,所述移动终端的软件架构包括应用处理器AP层,所述方法包括:
当数据回灌功能打开时,所述移动终端的AP层将数据回灌功能打开信号传递至所述AP层的算法模块;
所述算法模块响应于接收到所述数据回灌功能打开信号,获取传感器数据,将所述传感器数据输入至对应的算法模型进行数据处理;
对所述传感器数据进行存储,以便AP层中的智能传感器融合服务HAL层提供存储的所述传感器数据;
将存储的所述传感器数据再次输入至所述算法模型并对所述算法模型处理数据的过程进行分析,获得分析结果;
根据所述分析结果,对所述算法模型进行调节。
8.根据权利要求7所述的方法,其特征在于,所述对所述传感器数据进行存储,包括:
所述HAL层对所述传感器数据进行存储。
9.根据权利要求8所述的方法,其特征在于,所述HAL层对所述传感器数据进行存储,包括:
所述HAL层对所述传感器数据进行数据校验,获取校验结果;
对所述传感器数据中的所述校验结果表征为不存在缺失以及符合预设的数据标准的数据进行存储。
10.一种数据处理方法,其特征在于,应用于移动终端以及服务器,包括:
当数据回灌功能打开时,所述移动终端获取传感器数据,将所述传感器数据输入至对应的第一算法模型进行数据处理并将所述传感器数据存储至HAL层;
所述服务器从所述HAL层获取所述存储的传感器数据,将所述存储的传感器数据输入至与所述移动终端中的所述第一算法模型一致的第二算法模型;
所述服务器根据对第二算法模块处理数据的过程进行分析,获得的分析结果,对所述第二算法模型进行调节;
所述移动终端根据所述服务器进行调节后的第二算法模型替换所述第一算法模型。
11.一种电子设备,其特征在于,包括:处理器和存储器;
其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述电子设备执行如权利要求1-10任一项所述的方法。
12.一种计算机存储介质,其特征在于,包括计算机指令,当所述计算机指令在电子设备上运行时,所述电子设备执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410214605.4A CN117785541B (zh) | 2024-02-27 | 2024-02-27 | 一种数据处理方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410214605.4A CN117785541B (zh) | 2024-02-27 | 2024-02-27 | 一种数据处理方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117785541A CN117785541A (zh) | 2024-03-29 |
CN117785541B true CN117785541B (zh) | 2024-07-09 |
Family
ID=90380191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410214605.4A Active CN117785541B (zh) | 2024-02-27 | 2024-02-27 | 一种数据处理方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117785541B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116257437A (zh) * | 2023-01-03 | 2023-06-13 | 重庆长安汽车股份有限公司 | 基于实车数据回注的adas系统缺陷验证方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2785006A1 (en) * | 2013-03-28 | 2014-10-01 | British Telecommunications public limited company | Content delivery system and method |
CN113348421B (zh) * | 2021-04-28 | 2023-02-28 | 华为技术有限公司 | 摄像设备、数据采集系统及方法 |
CN114490376A (zh) * | 2022-01-24 | 2022-05-13 | 岚图汽车科技有限公司 | 数据调试方法、装置、设备及可读存储介质 |
CN116244157A (zh) * | 2022-12-05 | 2023-06-09 | 武汉极目智能技术有限公司 | 基于仿真场景视频的回灌验证方法 |
CN116776282A (zh) * | 2023-06-27 | 2023-09-19 | 重庆长安汽车股份有限公司 | 一种车辆驾驶算法迭代方法、装置、车辆、设备及介质 |
CN117573737A (zh) * | 2023-11-01 | 2024-02-20 | 昆易电子科技(上海)有限公司 | 车辆传感器数据的处理方法、应用方法、电子设备及介质 |
-
2024
- 2024-02-27 CN CN202410214605.4A patent/CN117785541B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116257437A (zh) * | 2023-01-03 | 2023-06-13 | 重庆长安汽车股份有限公司 | 基于实车数据回注的adas系统缺陷验证方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117785541A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106133642B (zh) | 在移动设备中通过执行行为分析操作推断应用状态的方法和系统 | |
US10219222B2 (en) | Adjusting mobile device state based on user intentions and/or identity | |
US20200065479A1 (en) | Method, apparatus, and electronic device for detecting model security | |
EP2447809B1 (en) | User device and method of recognizing user context | |
US20190005586A1 (en) | Prediction algorithm based attribute data processing | |
CN104541293B (zh) | 用于客户端‑云行为分析器的架构 | |
KR101437757B1 (ko) | 콘텍스트 감지 및 융합을 위한 방법, 장치 및 컴퓨터 프로그램제품 | |
KR101603028B1 (ko) | 콘텍스트 감지를 위한 방법 | |
US20160026261A1 (en) | Machine-learning based tap detection | |
CN112424789B (zh) | 利用神经网络的视频监视 | |
CN103460221A (zh) | 用于在移动装置中使用似然函数值的组合对用户活动进行分类的系统、方法和设备 | |
CN107567628A (zh) | 用于使用针对增强型决策树桩的因果分析来识别和响应非良性行为的方法和系统 | |
CN107977074A (zh) | 用于移动或可穿戴设备用户的上下文感知的方法和装置 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN115016866A (zh) | 应用启动时的数据处理方法、电子设备及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN111209377A (zh) | 基于深度学习的文本处理方法、装置、设备及介质 | |
US20170344123A1 (en) | Recognition of Pickup and Glance Gestures on Mobile Devices | |
CN112684887A (zh) | 应用设备及其隔空手势识别方法 | |
CN117785541B (zh) | 一种数据处理方法及电子设备 | |
CN109995934A (zh) | 提示方法及终端设备 | |
CN114281936A (zh) | 分类方法、装置、计算机设备及存储介质 | |
CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
CN113127272B (zh) | 屏幕检测方法和屏幕检测的电子设备 | |
CN111612280A (zh) | 一种数据分析方法和装置 |
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 |