KR20140015594A - 다수의 디바이스 상태들을 분류하는 방법 및 장치 - Google Patents

다수의 디바이스 상태들을 분류하는 방법 및 장치 Download PDF

Info

Publication number
KR20140015594A
KR20140015594A KR1020137034622A KR20137034622A KR20140015594A KR 20140015594 A KR20140015594 A KR 20140015594A KR 1020137034622 A KR1020137034622 A KR 1020137034622A KR 20137034622 A KR20137034622 A KR 20137034622A KR 20140015594 A KR20140015594 A KR 20140015594A
Authority
KR
South Korea
Prior art keywords
state
features
classification algorithm
proposed
accelerometer
Prior art date
Application number
KR1020137034622A
Other languages
English (en)
Other versions
KR101580861B1 (ko
Inventor
레너드 에이치 그로캅
앤서니 사라
Original Assignee
퀄컴 인코포레이티드
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 퀄컴 인코포레이티드 filed Critical 퀄컴 인코포레이티드
Publication of KR20140015594A publication Critical patent/KR20140015594A/ko
Application granted granted Critical
Publication of KR101580861B1 publication Critical patent/KR101580861B1/ko

Links

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
    • 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
    • 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
    • G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

별도의 베이시안 분류기들을 사용하여 다수의 디바이스 상태들을 분류하는 기법들이 본 명세서에 설명된다. 본 명세서에서 설명되는 방법의 일 실시예는, 상기 디바이스의 센서 정보에 액세스하는 단계로서, 상기 센서 정보 중 적어도 일부는 제 1 피처 세트에서 이용되고 상기 센서 정보 중 적어도 일부는 제 2 피처 세트에서 이용되는, 상기 디바이스의 센서 정보에 액세스하는 단계; 제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 단계로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 단계; 제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 단계로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 단계; 및 상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 단계를 포함한다.

Description

다수의 디바이스 상태들을 분류하는 방법 및 장치{METHOD AND APPARATUS FOR CLASSIFYING MULTIPLE DEVICE STATES}
관련 출원들의 상호 참조들
본 특허 출원은, 발명의 명칭이 "CLASSIFYING MULTIPLE DEVICE STATES" 이고 2011년 5월 27일자로 출원된 미국 가출원 제 61/490,999 호의 이점을 청구하며, 그 내용은 참조에 의해 그 전체가 본원에 통합된다.
무선 통신 디바이스들은 현대 사회에 믿을 수 없을 정도로 널리 퍼져 있다. 예를 들어, 사람들은 셀룰러 폰들, 스마트 폰들, 개인 휴대 정보 단말기들, 랩톱 컴퓨터들, 페이저들, 태블릿 컴퓨터들 등을 사용하여 무수한 로케이션들로부터 데이터를 무선으로 전송하고 수신한다. 더욱이, 무선 통신 기술의 진보는 현대 무선 통신 디바이스들의 범용성을 상당히 증가시켜, 사용자들이 종래에 다수의 디바이스들 또는 보다 큰 비휴대용 장비 중 어느 하나를 요구했던 단일의 휴대용 디바이스로부터의 광범위한 작업들을 수행하게 한다.
스마트폰들 및 다른 모바일 디바이스들은 센서들을 포함할 수 있다. 이들 센서들은, 가속도계들, 자이로스코프들 등과 같은 모션 센서들, 및 온도계들, 광 센서들, 마이크로폰들 등과 같은 환경 센서들을 포함할 수도 있지만, 이들로 제한되지는 않는다. 디바이스의 모션 센서들의 출력은 디바이스의 이동들을 나타낸다. 디바이스 이동들은 사용자의 모션 상태 (예컨대, 앉기, 서 있기, 걷기, 뛰기 등) 와 사용자와 관련한 디바이스 포지션 (예컨대, 주머니, 백팩, 손, 책상 등) 양측 모두에 관한 정보를 포함한다.
특정 센서 출력들에 대응하는 상태들은 학습될 수 있으므로, 센서 데이터는 후속으로 미지의 디바이스 상태들을 결정하는 데 이용될 수 있다. 예를 들어, 트레이닝 절차 동안, 분류 알고리즘 (예컨대, 베이시안 분류기 (Bayesian classifier) 등) 을 실행하도록 구성된 디바이스는 모션 상태/디바이스 포지션 조합들의 예들에 노출될 수도 있고, 대응하는 센서 데이터를 프로세싱하여 각각의 조합에 대한 모델을 학습하도록 할 수도 있다. 그 후, 미지의 모션 상태/디바이스 포지션에 대한 센서 정보의 새로운 세트가 제시될 때, 분류기는 최고 계산 우도들 (또는 사전 확률들이 공지된다면, 사후 확률 (posterior) 들) 을 갖는 모션 상태 및 디바이스 포지션 양측 모두를 선택할 것이다.
이러한 분류 알고리즘들은 식별된 특징들 및 주어진 통계 모델들에 기초하여 동작할 수도 있다. 예를 들어, 16 개의 혼합 콤포넌트들을 갖는 가우시안 혼합 모델 (Gaussian Mixture Model: GMM) 이 모션 상태를 추정하는 데 이용될 수도 있다. 다른 실시예로서, 2 개의 혼합 콤포넌트들을 갖는 GMM 이 디바이스 포지션을 추정하는 데 이용될 수도 있다.
디바이스 상태 분류의 추가 개선을 제공하는 기법들이 요망된다.
본 명세서에서 설명되는 디바이스에 대한 복수의 상태 타입들을 분류하는 방법의 일 실시예는, 상기 디바이스의 센서 정보에 액세스하는 단계로서, 상기 센서 정보 중 적어도 일부는 제 1 피처 세트에서 이용되고 상기 센서 정보 중 적어도 일부는 제 2 피처 세트에서 이용되는, 상기 디바이스의 센서 정보에 액세스하는 단계; 제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 단계로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 단계; 제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 단계로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 단계; 및 상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 단계를 포함한다.
이 방법의 구현형태들은 다음의 특징들 중 하나 이상을 포함할 수도 있다. 제 1 상태 타입은 모션 상태이고, 제 2 상태 타입은 포지션 상태이다. 제 1 피처 세트에서 이용되는 센서 정보는 가속도계 출력을 포함하고, 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산 (variance) 을 포함한다. 제 2 피처 세트에서 이용되는 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계 (multi-axis accelerometer) 의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고, 제 2 피처 세트는 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비 (mean ratio) 를 포함한다. 제 1 분류 알고리즘은 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 결합 우도를 우도 최대화 알고리즘 (maximize joint likelihood algorithm) 을 포함한다. 제 1 분류 알고리즘은 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘 (maximize marginal posterior algorithm) 을 포함한다. 제 2 분류 알고리즘은 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 결합 우도를 우도 최대화 알고리즘을 포함한다. 제 2 분류 알고리즘은 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘을 포함한다. 제 1 분류 알고리즘 및 제 2 분류 알고리즘은 각각 베이시안 (Bayesian) 분류기를 포함한다.
본 명세서에서 설명되는 모바일 디바이스의 일 실시예는, 센서 출력을 생성하도록 구성된 하나 이상의 센서들; 하나 이상의 센서들에 통신가능하게 커플링되고, 센서 출력을 나타내는 각각의 센서 정보를 제 1 피처 세트 및 제 2 피처 세트 중 적어도 하나에 연관시키도록 구성된 피처 세트 발생기 모듈; 및 피처 세트 발생기 모듈에 통신가능하게 커플링된 분류 모듈을 포함한다. 분류 모듈은, 제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 동작으로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 동작; 제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 동작으로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 동작; 및 상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 동작을 포함하는 동작들을 수행하도록 구성된다.
이 모바일 디바이스의 구현형태들은 다음의 특징들 중 하나 이상을 포함할 수도 있다. 제 1 상태 타입은 모션 상태이고, 제 2 상태 타입은 포지션 상태이다. 하나 이상의 센서들은 하나 이상의 가속도계들을 포함하고, 제 1 피처 세트에서 이용되는 센서 정보는 가속도계 출력을 포함하고, 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산을 포함한다. 하나 이상의 센서들은 하나 이상의 가속도계들을 포함하고, 제 2 피처 세트에서 이용되는 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고, 제 2 피처 세트는 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비를 포함한다. 제 1 분류 알고리즘은 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 결합 우도를 우도 최대화 알고리즘을 포함한다. 제 1 분류 알고리즘은 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘을 포함한다. 제 2 분류 알고리즘은 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 결합 우도를 우도 최대화 알고리즘을 포함한다. 제 2 분류 알고리즘은 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘을 포함한다. 제 1 분류 알고리즘 및 제 2 분류 알고리즘은 각각 베이시안 분류기를 포함한다.
본 명세서에서 설명되는 모바일 디바이스의 다른 실시예는, 상기 디바이스의 센서 정보에 액세스하는 수단; 상기 센서 정보 중 적어도 일부를 제 1 피처 세트에 연관시키는 수단; 상기 센서 정보 중 적어도 일부를 제 2 피처 세트에 연관시키는 수단; 제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 수단으로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 수단; 제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 수단으로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 수단; 및 상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 수단을 포함한다.
이 모바일 디바이스의 구현형태들은 다음의 특징들 중 하나 이상을 포함할 수도 있다. 제 1 상태 타입은 모션 상태이고, 제 2 상태 타입은 포지션 상태이다. 제 1 피처 세트와 연관된 센서 정보는 가속도계 출력을 포함하고, 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산을 포함한다. 제 2 피처 세트와 연관된 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고, 제 2 피처 세트는 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비를 포함한다. 제 1 분류 알고리즘은 결합 우도를 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고, 제 1 분류 알고리즘은 제 1 피처 세트 및 제 1 확률 분포 함수를 이용한다. 제 2 분류 알고리즘은 결합 우도를 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고, 제 2 분류 알고리즘은 제 2 피처 세트 및 제 2 확률 분포 함수를 이용한다.
본 명세서에서 설명되는 컴퓨터 프로그램 제품의 일 실시예는, 프로세서 판독가능 매체 상에 존재하고, 프로세서로 하여금, 디바이스의 센서 정보에 액세스하게 하되, 상기 센서 정보 중 적어도 일부는 제 1 피처 세트에서 이용되고 상기 센서 정보 중 적어도 일부는 제 2 피처 세트에서 이용되고; 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된 제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하게 하고; 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된 제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하게 하고; 상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하게 하도록 구성된 프로세서 판독가능 명령들을 포함한다.
이 컴퓨터 프로그램 제품의 구현형태들은 다음의 특징들 중 하나 이상을 포함할 수도 있다. 제 1 상태 타입은 모션 상태이고, 제 2 상태 타입은 포지션 상태이다. 제 1 피처 세트에서 이용되는 센서 정보는 가속도계 출력을 포함하고, 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산 (variance) 을 포함한다. 제 2 피처 세트에서 이용되는 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고, 제 2 피처 세트는 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비를 포함한다. 제 1 분류 알고리즘은 결합 우도를 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고, 제 1 분류 알고리즘은 제 1 피처 세트 및 제 1 확률 분포 함수를 이용한다. 제 2 분류 알고리즘은 결합 우도를 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고, 제 2 분류 알고리즘은 제 2 피처 세트 및 제 2 확률 분포 함수를 이용한다.
도 1 은 컴퓨팅 디바이스의 콤포넌트들의 블록도이다.
도 2 는 다수의 디바이스 상태들의 분류를 위한 시스템의 블록도이다.
도 3 및 도 4 는 다양한 상태 분류 기법들과 연관된 각각의 분류기들의 예시도들이다.
도 5 는 별도의 분류기들을 사용하여 디바이스의 다수의 상태들을 공동으로 분류하는 시스템의 블록도이다.
도 6 은 디바이스와 연관된 다수의 상태들을 분류하는 프로세스의 블록 흐름도이다.
복수의 분류기들을 이용함으로써 복수의 디바이스 상태 타입들을 분류하는 기법들이 본 명세서에서 설명된다. 일 실시형태에서, 복수의 디바이스 상태 타입들은 대응하는 수의 분류기들을 사용하여 분류되며, 각각의 분류기는 일 특정 상태에 대해 최적화되고 그 상태의 제안된 상태 값을 출력한다. 대안으로, 다른 실시형태에서, 다수의 디바이스 상태들의 별도의 공동 분류기들이 사용된다. 모션 및 포지션 상태들이 분류되는 일 실시예에서, 제 1 분류기는 모션 상태를 분류하는 데 최적화된 통계 모델 및 피처 세트를 이용하지만, 제 2 분류기는 디바이스 포지션을 분류하는 데 최적화된 통계 모델 및 피처 세트를 이용한다. 각각의 분류기는 모션 상태 및 디바이스 포지션 양측 모두의 결합 추정을 출력하지만, 제 1 분류기 (즉, 모션 상태 분류기) 는 디바이스 포지션에 대한 그의 출력을 무시하거나 폐기하고, 제 2 분류기 (즉, 디바이스 포지션 분류기) 는 모션 상태에 대한 그의 출력을 무시하거나 폐기한다. 본 명세서에서의 다양한 실시예들이 포지션 및 모션 상태들을 분류하는 맥락으로 제시되지만, 본 개시물은 임의의 특정 실시예(들)로 한정되도록 의도되지는 않으며, 다른 상태들의 분류가 역시 가능하다.
본 명세서에서 설명되는 아이템들 및/또는 기법들은 다음의 기능들 뿐 아니라 언급되지 않은 다른 기능들 중 하나 이상을 제공할 수도 있다. 디바이스 상태 분류는 개선된 성능 및 정확도로 수행될 수 있다. 모션 및 포지션과 같은 다수의 디바이스 상태들의 추정은 추정들의 정확도를 손상시키지 않으면서 동작들의 단일 세트로 수행될 수 있다. 모바일 디바이스들 및 모바일 디바이스들 상에서 구동하도록 구성된 애플리케이션들은 주변 환경의 변화들에 대해 적응성 및 가요성을 증가시킨 채로 동작할 수 있다. 적어도 하나의 아이템/기법-효과 쌍이 설명되었지만, 언급된 효과는 언급된 것 외의 다른 수단에 의해 달성되는 것이 가능할 수도 있고, 언급된 아이템/기법은 언급된 효과를 반드시 산출하지는 않을 수도 있다.
도 1 을 참조하면, 예시적 컴퓨팅 디바이스 (12) 는 프로세서 (20), 소프트웨어 (24) 를 포함하는 메모리 (22), 입력/출력 (I/O) 디바이스(들)(26)(예컨대, 디스플레이, 스피커, 키패드, 터치스크린 또는 터치패드 등), 및 하나 이상의 방위 센서들 (28) 을 포함한다. 추가로, 디바이스 (12) 는, 디바이스 (12) 와 하나 이상의 네트워크 엔티티들 사이의 양방향 통신을 용이하게 하는 네트워크 인터페이스와 같이, 도 1 에 예시되지 않은 다른 콤포넌트들, 및/또는 임의의 다른 적합한 콤포넌트(들)를 포함할 수도 있다.
프로세서 (20) 는 지능 하드웨어 디바이스, 예컨대 인텔® 코포레이션 또는 AMD®에 의해 제조된 것들과 같은 중앙 프로세싱 유닛 (CPU), 마이크로제어기, 주문형 집적회로 (ASIC) 등이다. 메모리 (22) 는 랜덤 액세스 메모리 (RAM) 및 판독 전용 메모리 (ROM) 와 같은 비일시적 저장 매체들을 포함한다. 메모리 (22) 는, 실행 시, 프로세서 (20) 로 하여금, 본 명세서에서 설명되는 다양한 기능들을 수행하게 하도록 구성된 명령들을 포함하는 컴퓨터 판독가능하고 컴퓨터 실행가능한 소프트웨어 코드인 소프트웨어 (24) 를 저장한다. 대안으로, 소프트웨어 (24) 는 프로세서 (20) 에 의해 직접적으로 실행가능하지는 않을 수도 있지만, 컴퓨터로 하여금, 예컨대 컴파일되고 실행될 때, 기능들을 수행하게 하도록 구성된다.
방위 센서들 (28) 은 디바이스 (12) 의 모션, 포지션 및/또는 방위에 관한 데이터 뿐 아니라 그러한 특성들에서의 시간 경과에 따른 변화들을 수집하도록 구성된다. 도 2 를 또한 참조하면, 방위 센서들 (28) 은, 예컨대 하나 이상의 가속도계들 (42), 자이로스코프들 (자이로들)(44), 자력계들 (46) 등을 포함할 수 있다. 방위 센서들 (28) 은 디바이스 (12) 의 모션, 포지션 및/또는 방위가 결정될 수 있는 정보를 제공하도록 구성된다. 디바이스 (12) 와 연관된 각각의 방위 센서들 (28) 은 단일 축 또는 다중 축들을 측정하도록 채용될 수 있다. 다중 축 측정에 대해, 다수의 단일 축 가속도계들 및/또는 다중 축 (예컨대, 2-축 또는 3-축) 가속도계들은 선형 축들 (예컨대, x-y-z, 북-동-하측 등) 과 관련하여 모션을 측정하도록 채용될 수 있으며, 다수의 단일 축 자이로스코프들 및/또는 다중 축 자이로스코프들은 각도 축들 (예컨대, 롤, 피치 또는 요 (yaw)) 와 관련하여 모션을 측정하도록 채용될 수 있다.
방위 센서들 (28) 은, 현재 및 과거의 방위들, 포지션들 및/또는 모션 방향들이 비교되어 디바이스 (12) 의 모션 방향, 포지션 및/또는 방위의 변환들을 결정하도록, 시간 경과에 따라, 예컨대 주기적으로, 정보를 제공할 수 있다. 자이로스코프 (44) 는 방위에 영향을 미치는 디바이스 (12) 의 모션에 대한 정보를 제공할 수 있다. 가속도계 (42) 는 디바이스 (12) 에 대한 중력의 방향이 결정될 수 있도록 중력 가속도에 대한 정보를 제공하도록 구성된다. 자력계 (46) 는, 디바이스 (12) 에 대한 (3 차원에서의) 자북 (magnetic north) 의, 예컨대 진북 (true north) 또는 자북의 방향 표시를 제공하도록 구성된다. 자기 편차 (magnetic declination) 에 기초한 변환 메커니즘들 및/또는 다른 적합한 수단은 진북에 대한 방향을 자북에 대한 방향으로 그리고 그와는 반대로 변환하는 데 이용될 수 있다.
전술된 바와 같이, 컴퓨팅 디바이스들 (12)(예컨대, 스마트폰들, 랩톱 또는 태블릿 컴퓨터들, 개인 휴대 정보 단말기들 (PDAs) 등) 은 다양한 타입들의 정보를 제공하는 센서들을 포함한다. 예를 들어, 방위 센서들 (28) 은 연관된 디바이스 (12) 의 이동들을 나타내는 출력을 제공한다. 차례로, 디바이스 이동들은 디바이스의 사용자의 모션 상태 (예컨대, 앉기, 서 있기, 걷기, 뛰기 등) 및 사용자와 관련한 디바이스 포지션 (예컨대, 주머니, 백팩, 손, 책상 등) 양측 모두에 관한 정보를 포함한다.
추가로 전술된 바와 같이, 특정 센서 출력들에 대응하는 상태들은 센서 데이터가 이어서 미지의 디바이스 상태들을 결정하는 데 이용될 수 있도록 학습될 수 있다. 예를 들어, 트레이닝 절차 동안, 분류 알고리즘을 실행하도록 구성된 디바이스는 모션 상태/디바이스 포지션 조합들의 실시예들에 노출될 수도 있고, 대응하는 센서 데이터를 프로세싱하여 각각의 조합에 대한 모델을 학습하도록 할 수도 있다. 이어서, 미지의 모션 상태 및/또는 디바이스 포지션에 대한 센서 정보의 새로운 세트가 제시될 때, 분류기는 최고 계산 우도들 (또는 사전 확률들 (prior probabilities) 이 공지된다면, 사후 확률들 (posteriors)) 을 갖는 모션 상태 및 디바이스 포지션 양측 모두를 선택한다.
베이시안 분류기와 같은 분류 알고리즘은 센서 정보에 기초하여 다수의 디바이스 상태들을 분류하는 데 이용될 수 있다. 예를 들어, 하나 이상의 센서들로부터의 정보는 센서 정보에 기초하여 모션 상태 및 디바이스 포지션을 공동으로 분류하도록 베이시안 분류기에 제공될 수 있다. 이것은, 예컨대 (1) 최고 결합 우도 또는 사후 확률을 갖는 특정 모션 상태/디바이스 포지션 조합을 선택함으로써, 또는 (2) 디바이스 포지션에 따라 초기에 주변화 (즉, 우도들을 합산) 하고 최고 주변 우도 또는 사후 확률로 계산하고, 그 후, 디바이스 포지션을 모션 상태에 따라 주변화하고 최고 주변 우도/사후 확률로 계산함으로써, 행해질 수 있다.
위에서 약술된 두 가지 접근법들은 다음과 같이 요약될 수 있다. 먼저 결합 우도를 최대화하는 것을 참조하면, 모션 상태
Figure pct00001
및 디바이스 포지션
Figure pct00002
이 먼저 다음에 따라 선택되고:
Figure pct00003
여기서,
Figure pct00004
은 최적화되는 모션 상태를 나타내고,
Figure pct00005
은 최적화되는 디바이스 포지션을 나타내며, f 는 피처 벡터를 나타낸다. 유사하게, 결합 사후 확률 (joint posterior) 을 최대화하는 솔루션은:
Figure pct00006
이고, 여기서,
Figure pct00007
는 사용자가 모션 상태
Figure pct00008
에 있고 포지션
Figure pct00009
에 그들의 디바이스를 갖추고 있을 사전 확률을 나타낸다.
다음, 주변 우도 (marginal likelihood) 들 및/또는 사후 확률을 최대화하는 것을 참조하면, 모션 상태가 먼저 다음에 따라 선택된다:
Figure pct00010
.
다음, 디바이스 포지션이 다음에 따라 선택된다:
Figure pct00011
.
유사하게, 주변 사후 확률을 최대화하는 솔루션이 다음에 의해 제공된다:
Figure pct00012
,
및
Figure pct00013
.
전술된 두 가지 접근법들은 모션 상태 및 디바이스 포지션 양측 모두를 분류하는 동일한 세트의 피처들 및 동일한 통계 모델들을 이용한다. 그러나, 이 공통 이용은 분류 품질에 상당한 손실들을 초래하는데, 이는 최상의 모션 상태 분류 결과들을 산출하는 피처들 및 통계 모델들이 최상의 디바이스 포지션 분류 결과들을 산출하는 것들과는 현저히 상이하기 때문이다. 예를 들어, 16 개의 혼합 콤포넌트들을 갖는 GMM 을 이용하는 것은 모션 상태의 정확한 추정을 초래할 수도 있지만, 디바이스 포지션의 불량한 추정을 초래할 수도 있으며, 그 반면, 2 개의 혼합 콤포넌트들을 갖는 GMM 을 이용하는 것은 디바이스 포지션의 정확한 추정을 초래할 수도 있지만 모션 상태의 불량한 추정을 초래할 수도 있다. 다른 실시예로서, 분류기에서 특정 피처 f_ motion 를 포함하는 것은 모션 상태를 분류하는 정확도를 증대시킬 수도 있지만, 디바이스 포지션의 분류 정확도를 열화시킬 수도 있으며; 역으로, 피처 f_ position 은 디바이스 포지션을 분류하는 정확도를 증대시킬 수도 있지만, 모션 상태를 분류하는 정확도를 열화시킬 수도 있다.
본 명세서의 시스템들 및 기법들은 복수의 디바이스 상태 타입들을 분류하도록 복수의 분류기들을 제공한다. 예를 들어, 도 2 에서 시스템 (40) 으로 예시된 바와 같이, 하나 이상의 방위 센서들 (28) 및/또는 다른 센서들은 분류 모듈 (50) 에 센서 출력들을 제공하며, 이 분류 모듈 (50) 은 이어서 센서 출력에 의해 나타내지는 복수의 디바이스 상태 타입들을 분류한다. 복수의 디바이스 상태 타입들을 분류하기 위해, 대응하는 수의 분류기들이 이용될 수 있으며, 각각의 분류기는 일 특정 상태에 대해 최적화되어 그에 대한 제안된 상태 값을 출력한다. 대안으로, 다수의 디바이스 상태들의 별도의 공동 분류기들이 사용될 수도 있다. 예를 들어, 센서 출력은 제 1 피처 세트 및 제 2 피처 세트와 연관될 수 있으며, 이들 세트는 각각 제 1 피처 세트 프로세서 모듈 (52) 및 제 2 피처 세트 프로세서 모듈 (54) 에 의해 분류된다. 모듈들 (52-54) 은 제안된 상태 발생기 모듈 (56) 에 후보 상태들을 제공하며, 이 제안된 상태 발생기 모듈 (56) 은 후보 상태들로부터 제안 및/또는 추정된 디바이스 상태를 생성하도록 구성된다.
모션 및 포지션 상태들의 실시예에서, 제 1 분류기는 모션 상태를 분류하는 데 최적화된 피처 세트 및 통계 모델을 이용하며, 제 2 분류기는 디바이스 포지션을 분류하는 데 최적화된 피처 세트 및 통계 모델을 이용한다. 각각의 분류기는 모션 상태 및 디바이스 포지션 양측 모두의 결합 추정을 출력하지만, 제 1 분류기 (즉, 모션 상태 분류기) 는 디바이스 포지션에 대한 그의 출력을 무시하거나 폐기하고, 제 2 분류기 (즉, 디바이스 포지션 분류기) 는 모션 상태에 대한 그의 출력을 무시하거나 폐기한다.
전술된 접근법은 전술되고 도 3 에서 분류기들 (62-64) 에 의해 예시된 2 개의 예시적 분류기들에 대해 하기에 약술된다. 또한, 상기 접근법은 도 4 에 예시된 바와 같이 단일 분류기 (70) 를 이용하는 기법과는 대조된다. 위 접근법은 다음의 알고리즘들과 관련하여 예시된다: (1) 별도의 분류기들로 결합 우도를 최대화하는 알고리즘, 및 (2) 별도의 분류기들로 주변 우도들 및/또는 사후 확률을 최대화하는 알고리즘. 다른 알고리즘들이 또한 가능하다.
먼저 별도의 분류기들로 결합 우도를 최대화하는 것을 참조하면, 모션 상태
Figure pct00014
가 먼저 다음에 따라 선택되고:
Figure pct00015
,
디바이스 포지션
Figure pct00016
이 다음에 따라 선택되고:
Figure pct00017
,
여기서,
Figure pct00018
은 최적화가 수행되는 모션 상태를 나타내고,
Figure pct00019
는 최적화가 수행되는 디바이스 포지션을 나타낸다. 파라미터들 P motion 및 P position 은 통계 모델들이 모션 상태 분류 및 디바이스 포지션 분류에 각각 최적화될 때의 확률 분포 함수 (probability distribution function: PDF) 들을 나타낸다. 마찬가지로, f motion 및 f position 은 모션 상태 분류 및 디바이스 포지션 분류에 사용되는 피처 벡터들을 각각 나타낸다. 전술된 바와 같이, 파라미터들
Figure pct00020
및
Figure pct00021
은 폐기된 추정들이다.
유사하게, 결합 사후 확률을 최대화하는 솔루션은 다음과 같이 주어진다:
모션 상태의 경우,
Figure pct00022
,
그리고 디바이스 포지션의 경우,
Figure pct00023
.
다음, 주변 우도들 및/또는 사후 확률이 별도의 분류기들로 최대화되는 경우를 참조하면, 모션 상태가 다음을 통해 초기에 선택된다:
Figure pct00024
.
다음, 디바이스 포지션이 다음을 통해 선택된다:
Figure pct00025
.
유사하게, 주변 사후 확률을 최대화하는 솔루션은 다음과 같이 제공된다:
Figure pct00026
,
및
Figure pct00027
.
다음의 실시예는 2 개의 베이시안 분류 알고리즘들을 갖는 다중 축 가속도계를 구비한 디바이스에 대해 전술된 기법들을 예시한다. 두 가지 분류 알고리즘들은 2 개의 상태 타입들: 모션 상태 및 포지션 상태를 분류하도록 각각 구성된다: 모션 상태 및 포지션 상태. 그러나, 전술된 바와 같이, 하나의 분류 알고리즘은 모션을 분류하는 데 최적화되고, 다른 분류 알고리즘은 포지션을 분류하는 데 최적화된다. 이 실시예에서, 디바이스는 2 개의 가능한 모션 상태들 (앉기 및 걷기) 과 2 개의 가능한 포지션 상태들 (사용자의 손 안 및 사용자의 주머니 안) 을 갖는다. 결과로서, 다음 4 개의 가능한 조합들이 가능하다.: 앉기/손, 앉기/주머니, 걷기/손, 및 걷기/주머니.
상이한 모션 상태들은 상이한 가속도계 프로파일들에 대응한다. 예를 들어, 앉기 및 걷기는 데이터 획득 시간 경과에 따라 가속도계 출력의 분산을 프로세싱함으로써 구별될 수 있다. 그러나, 가속도계 출력의 분산은 일반적으로 포지션에 덜 민감하다. 따라서, 가속도계 출력의 분산은 디바이스가 사용자의 손 안에 있는지 아니면 사용자의 주머니 안에 있는지의 결정을 높은 신뢰성 수준으로는 제공하지 못할 수도 있다.
대조적으로, 상이한 포지션 상태들은 일반적으로 상이한 디바이스 방위들에 대응한다. 다중 축 가속도계의 실시예에 대해, 가속도계 축들 사이의 가속도의 평균비 (mean ratio) 는 디바이스의 방위를 나타내며, 상대적으로 낮은 신뢰성으로 디바이스의 모션 상태를 결정하는 반면, 상대적으로 높은 신뢰성으로 포지션 상태들 사이를 구별하는 데 이용될 수 있다.
현재 실시예에 대해, 2 개의 분류 알고리즘들 중 하나는 높은 신뢰성으로 디바이스의 모션 상태를 결정하도록 구성된 피처 세트 및 통계 모델을 이용하며, 다른 알고리즘은 높은 신뢰성으로 디바이스의 포지션 상태를 결정하도록 구성된 피처 세트 및 통계 모델을 이용한다. 모션 분류기 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산을 결정하는 데 가속도계의 출력을 이용하며, 제안된 모션 상태 값을 상대적으로 높은 신뢰성으로 결정하지만, 제안된 포지션 상태 값을 상대적으로 낮은 신뢰성으로 결정한다. 제안된 포지션 상태 값은 폐기되거나 무시된다. 포지션 분류기 피처 세트는 가속도계의 축들 사이의 가속도 평균비를 결정하는 데 가속도계 출력을 이용하며, 제안된 포지션 상태 값을 상대적으로 높은 신뢰성으로 결정하고, 제안된 모션 상태 값을 상대적으로 낮은 신뢰성으로 결정한다. 제안된 모션 상태 값은 폐기되거나 무시된다.
전술된 기법은 아래의 표 1 에 의해 예시된 것과 같은 출력을 생성할 수 있다.
모션 분류기의 출력 포지션 분류기의 출력 디바이스 상태
앉기 X X X
걷기
주머니 X
손 X X
(표 1: 예시적 분류기 쌍의 출력)
표 1 이 예시하는 바와 같이, 모션 분류기 및 포지션 분류기 양측 모두는 모션 상태가 앉기임을 결정한다. 모션 분류기는 디바이스의 포지션 상태가 주머니 안임을 결정하지만, 포지션 분류기는 디바이스의 포지션 상태가 손 안임을 결정한다. 최종 생성 디바이스 상태는 사용자가 앉아 있고 그의 손에 디바이스를 들고 있는 것인데, 이는 포지션에 대한 모션 분류기의 출력이 무시되기 때문이다.
디바이스 상태들을 정확히 분류하기 위해, 분류 알고리즘들이 트레이닝될 수도 있다. 예를 들어, 센서 데이터는, 사용자가 그의 주머니 안에 디바이스를 갖고 있을 때 획득될 수도 있고, 획득된 데이터는 분류 알고리즘들의 하나 이상의 파라미터들을 설정하는 데 이용되어, 포지션 상태가 "주머니" 임을 센서 정보가 나타내는 추후 결정을 가능하게 할 수 있다. 센서 정보는 공지된 모션/포지션 상태들로부터의 정보에 기초하여 각각의 분류기에 대한 별도의 피처 세트들 및 통계 모델들을 생성하도록 모션/포지션 상태들의 조합들 (예컨대, 서 있기/손 안, 걷기/손 안, 서 있기/주머니 안, 걷기/ 주머니 안 등) 의 조합들에 대해 수집될 수 있다. 이 "트레이닝" 은 분류기들이 미지의 모션/포지션 상태들을 분류하는 데 사용되기 전에 발생할 수도 있다. 몇몇 실시형태들에서, 트레이닝은 초기 사용 이후에 발생할 수도 있다. 예를 들어, 사용자는 부정확한 결과들, 애매모호한 결과들, 또는 다른 상황들에 기초하여 특정 상태 타입의 값을 나타낼 수도 있고 그리고/또는 나타내도록 촉진될 수도 있다.
위 실시예가 2 개의 상태 타입들 (즉, 모션 상태 및 포지션 상태) 를 이용하지만, 2 개보다 많은 디바이스 상태들이 분류될 수 있고 각각의 디바이스 상태 타입은 자신의 가능한 상태 그룹을 가질 수 있다. 또한, 각각의 가능한 상태 그룹은 임의의 수의 상태들을 포함할 수도 있다. 추가로, 몇몇 상태 타입들은 모션 센서 정보만을 이용할 수도 있고, 다른 상태 타입들은, 모션 센서 정보 대신, 또는 그에 추가로, 환경적 또는 다른 센서 정보를 이용할 수도 있다. 이들 뿐 아니라 다른 기법들이 전술된 바와 같이 가능하다.
다음, 도 5 를 참조하면, 다수의 디바이스 상태들을 분류하는 시스템 (80) 은 디바이스의 센서 정보 (예컨대, 하나 이상의 센서들에 의해 생성된 센서 출력) 에 액세스하도록 구성된 센서 인터페이스 모듈 (82) 을 포함한다. 피처 세트 발생기 (84) 는 센서 출력을 나타내는 각각의 센서 정보를 적어도 제 1 피처 세트 및 제 2 피처 세트와 연관시켜, 센서 정보 중 적어도 일부가 제 1 피처 세트와 연관되고 센서 정보 중 적어도 일부가 제 2 피처 세트와 연관되게 한다.
제 1 피처 세트 및 제 2 피처 세트는 제 1 분류기 (86) 및 제 2 분류기 (88) 에 의해 각각 프로세싱된다. 제 1 분류기 (86) 는 제 1 상태 타입 (예컨대, 모션 등) 의 제 1 제안된 상태 및 제 2 상태 타입 (예컨대, 포지션 등) 의 제 1 제안된 상태를 결정하도록 구성된 제 1 분류 알고리즘을 이용하여 제 1 피처 세트를 프로세싱한다. 이들 제안된 상태들은 도 5 상에서 상태들 (1A, 1B) 로서 각각 도시된다. 제 2 분류기 (88) 는 제 1 상태 타입의 제 2 제안된 상태 및 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된 제 2 분류 알고리즘을 이용하여 제 2 피처 세트를 프로세싱한다. 이들 제안된 상태들은 도 5 상에서 상태들 (2A, 2B) 로서 각각 도시된다. 분류기들 (86-88) 에 의해 출력된 제안된 상태들에 기초하여, 제안된 상태 발생기 모듈 (56) 은 디바이스의 제안된 상태를 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 2 제안된 상태 (즉, 상태들 (1A, 2B)) 로서 결정한다.
도 5 에 도시된 모듈들의 모두 또는 일부는, 전체적으로 또는 부분적으로, 분류 모듈 (50) 에 의해 자립형 콤포넌트들 등으로서 구현될 수 있다. 예를 들어, 분류 모듈 (50) 은 (예컨대, 제 1 피처 세트 프로세서 모듈 (52) 및 제 2 피처 세트 프로세서 모듈 (54) 을 통해) 분류기들 (86-88) 및 제안된 발생기 상태 모듈 (56) 의 기능을 구현할 수도 있다. 또한, 도 2 및 도 5 에 도시된 모듈들은 하드웨어로, 소프트웨어로 (예컨대, 메모리 (22) 상에 저장된 소프트웨어 (24) 내의 명령들을 실행하는 프로세서 (20) 에 의해), 또는 하드웨어와 소프트웨어의 조합으로 구현될 수도 있다.
도 6 을 참조하면, 도 1 내지 도 5 를 추가로 참조하면, 디바이스와 연관된 다수의 상태들을 분류하는 프로세스 (100) 는 도시된 단계들을 포함한다. 그러나, 프로세스 (100) 는 단지 실시예에 불과하며, 제한사항이 아니다. 프로세스 (100) 는, 예컨대 단계들이 추가, 제거, 재배열, 조합, 및/또는 동시 수행되게 함으로써 변경될 수 있다. 도시되고 설명된 프로세스 (100) 에 대한 또 다른 변경들이 가능하다.
단계 (102) 에서, 디바이스의 센서 정보 (예컨대, 하나 이상의 방위 센서들 (28) 및/또는 다른 센서들의 센서 출력들) 가 액세스된다. 이러한 액세스는, 예컨대 분류 모듈 (50), 센서 인터페이스 모듈 (82) 등에 의해 수행될 수 있다.
프로세스 (100) 는 단계 (102) 로부터 단계들 (104, 106) 로 진행하며, 여기서 단계 (102) 에서 액세스되는 센서 정보 중 적어도 일부가 제 1 피처 세트 및 제 2 피처 세트에 각각 할당된다. 센서 정보와 피처 세트들 사이의 연관성은 피처 세트 발생기 모듈 (84), 각각의 피처 세트들을 프로세싱하도록 구성된 각각의 분류기들 (86-88) 등에 의해 수행될 수 있다.
단계들 (104, 106) 로부터, 프로세스 (100) 는 단계들 (108, 110) 로 진행한다. 단계 (108) 에서, 제 1 피처 세트는 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된 제 1 분류 알고리즘을 이용하여 (예컨대, 제 1 피처 세트 프로세서 모듈 (52), 분류기 (86) 등에 의해) 프로세싱된다. 단계 (110) 에서, 제 2 피처 세트는 제 1 상태 타입의 제 2 제안된 상태 및 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된 제 2 분류 알고리즘을 이용하여 (예컨대, 제 2 피처 세트 프로세서 모듈 (54), 분류기 (88) 등에 의해) 프로세싱된다. 그 후, 프로세스 (100) 는 단계 (112) 에서 종료되는데, 여기서 디바이스의 제안된 상태가 단계 (108) 에서 결정된 제 1 상태 타입의 제 1 제안된 상태 및 단계 (110) 에서 결정된 제 2 상태 타입의 제 2 제안된 상태로서 (예컨대, 제안된 상태 발생기 모듈 (56) 등에 의해) 결정된다.
도 1, 도 2, 도 3, 도 4, 도 5 및/또는 도 6 에 예시된 콤포넌트들, 단계들, 특징들 및/또는 기능들 중 하나 이상은 단일 콤포넌트, 단계, 특징 또는 기능으로 재배열 및/또는 조합될 수도 있고, 또는 여러 콤포넌트들, 단계들, 또는 기능들에서 구현될 수도 있다. 추가의 엘리먼트들, 콤포넌트들, 단계들, 및/또는 기능들은 또한 본 발명으로부터 벗어나지 않고서도 추가될 수도 있다. 도 1, 도 2, 도 3, 도 4, 및/또는 도 5에 예시된 장치, 디바이스들, 및/또는 콤포넌트들은 도 6 에서 설명된 방법들, 특징들, 또는 단계들 중 하나 이상을 수행하도록 구성될 수도 있다. 본 명세서에서 설명된 신규한 알고리즘들은 소프트웨어에서 효율적으로 구현될 수도 있고, 그리고/또는 하드웨어에 내장될 수도 있다.
또한, 적어도 일부의 구현형태들은 플로우차트, 흐름도, 구조도, 또는 블록도로서 나타내진 프로세스로서 설명되었다는 점에 유의한다. 플로우차트가 순차적인 프로세스로서 동작들을 설명할 수도 있지만, 동작들 중 대부분은 병렬로 또는 동시에 수행될 수 있다. 또한, 동작들의 순서는 재배열될 수도 있다. 프로세스는 프로세스의 동작들이 완료되는 경우 종료된다. 프로세스는 방법, 기능, 절차, 서브루틴, 서브프로그램 등에 대응할 수도 있다. 프로세스가 기능에 대응하는 경우, 프로세스의 종료는 호 기능 또는 메인 기능으로의 기능의 복귀에 대응한다.
더욱이, 실시형태들은 하드웨어, 소프트웨어, 펌웨어, 미들웨어, 마이크로코드, 또는 이들의 임의의 조합에 의해 구현될 수도 있다. 소프트웨어, 펌웨어, 미들웨어 또는 마이크로코드로 구현될 때, 필수 작업들을 수행하기 위한 프로그램 코드 또는 코드 세그먼트들은 저장 매체 또는 다른 저장소(들)와 같은 머신 판독가능 매체에 저장될 수도 있다. 프로세서는 필수 작업들을 수행할 수도 있다. 코드 세그먼트는 절차, 함수, 서브프로그램, 프로그램, 루틴, 서브루틴, 모듈, 소프트웨어 패키지, 클래스, 또는 명령들, 데이터 구조들 또는 프로그램 스테이트먼트들의 임의의 조합을 나타낼 수도 있다. 코드 세그먼트는 정보, 데이터, 인수들, 파라미터들, 또는 메모리 콘텐츠들을 전달 및/또는 수신함으로써 다른 코드 세그먼트 또는 하드웨어 회로에 커플링될 수도 있다. 정보, 인수들, 파라미터들, 데이터 등은 메모리 공유, 메시지 전달, 토큰 전달, 네트워크 송신 등을 포함하는 임의의 적합한 수단을 통해 전달, 포워드, 또는 송신될 수도 있다.
용어들 "머신 판독가능한 매체", "컴퓨터 판독가능한 매체", 및/또는 "프로세서 판독가능한 매체" 는 휴대용 또는 고정식 저장 디바이스들, 광학 저장 디바이스들, 및 명령(들) 및/또는 데이터를 저장, 포함 또는 전달할 수 있는 다양한 다른 비일시적 매체들을 포함할 수도 있지만, 이들로 한정되지는 않는다. 따라서, 본 명세서에서 설명되는 다양한 방법들은 "머신 판독가능한 매체", "컴퓨터 판독가능한 매체", 및/또는 "프로세서 판독가능한 매체" 에 저장될 수도 있고 하나 이상의 프로세서들, 머신들, 및/또는 디바이스들에 의해 실행될 수도 있는 명령들 및/또는 데이터에 의해 부분적으로 또는 전체적으로 구현될 수도 있다.
본 명세서에 개시된 실시예들과 관련하여 설명된 방법들 또는 알고리즘들은, 프로세싱 유닛, 프로그래밍 명령들, 또는 다른 지시들의 형태로, 하드웨어, 프로세서에 의해 실행가능한 소프트웨어 모듈, 또는 이들 양측 모두의 조합으로 직접 구현될 수도 있으며, 단일 디바이스에 포함될 수도 있고 다수의 디바이스들에 걸쳐서 분포될 수도 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드디스크, 탈착식 디스크, CD-ROM, 또는 당업계에 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 저장 매체는 프로세서가 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기록할 수 있도록 프로세서에 커플링될 수도 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다.
당업자들이라면, 본 명세서에 개시된 실시형태들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양측 모두의 조합들로서 구현될 수도 있음을 더 이해할 것이다. 하드웨어와 소프트웨어의 이러한 상호 교환성을 명확하게 설명하기 위해, 다양한 예시적인 콤포넌트들, 블록들, 모듈들, 회로들, 및 단계들은 전반적으로 그들의 기능적 관점에서 전술되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로 구현되는지는 특정 애플리케이션 및 전체 시스템에 부과되는 설계 제약들에 따라 달라진다.
본 명세서에서 설명되는 발명의 다양한 특징들은 본 발명으로부터 벗어나는 일 없이 상이한 시스템들에서 구현될 수 있다. 전술한 실시형태들은 단지 실시예들에 불과하며 본 발명을 제한하는 것으로 이해되어서는 안 된다는 것에 유의해야 한다. 실시형태들의 설명은 예시하는 것으로 의도되며, 청구범위의 범주를 제한하고자 하는 것이 아니다. 이와 같이, 본 교시사항들은 다른 타입들의 장치들에 용이하게 적용될 수 있으며, 많은 변경들, 수정들, 및 변화들이 당업자에게는 명백할 것이다.

Claims (30)

  1. 디바이스에 대한 복수의 상태 타입들을 분류하는 방법으로서,
    상기 디바이스의 센서 정보에 액세스하는 단계로서, 상기 센서 정보 중 적어도 일부는 제 1 피처 세트에서 이용되고 상기 센서 정보 중 적어도 일부는 제 2 피처 세트에서 이용되는, 상기 디바이스의 센서 정보에 액세스하는 단계;
    제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 단계로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 단계;
    제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 단계로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 단계; 및
    상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 단계를 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  2. 제 1 항에 있어서,
    상기 제 1 상태 타입은 모션 상태이고, 상기 제 2 상태 타입은 포지션 상태인, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  3. 제 2 항에 있어서,
    상기 제 1 피처 세트에서 이용되는 센서 정보는 가속도계 출력을 포함하고,
    상기 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산 (variance) 을 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  4. 제 2 항에 있어서,
    상기 제 2 피처 세트에서 이용되는 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계 (multi-axis accelerometer) 의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고,
    상기 제 2 피처 세트는 상기 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비 (mean ratio) 를 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  5. 제 1 항에 있어서,
    상기 제 1 분류 알고리즘은 상기 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 결합 우도 최대화 알고리즘 (maximize joint likelihood algorithm) 을 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  6. 제 1 항에 있어서,
    상기 제 1 분류 알고리즘은 상기 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘 (maximize marginal posterior algorithm) 을 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  7. 제 1 항에 있어서,
    상기 제 2 분류 알고리즘은 상기 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 결합 우도 최대화 알고리즘을 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  8. 제 1 항에 있어서,
    상기 제 2 분류 알고리즘은 상기 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘을 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  9. 제 1 항에 있어서,
    상기 제 1 분류 알고리즘 및 상기 제 2 분류 알고리즘은 각각 베이시안 (Bayesian) 분류기를 포함하는, 디바이스에 대한 복수의 상태 타입들을 분류하는 방법.
  10. 모바일 디바이스로서,
    센서 출력을 생성하도록 구성된 하나 이상의 센서들;
    상기 하나 이상의 센서들에 통신가능하게 커플링되고, 상기 센서 출력을 나타내는 각각의 센서 정보를 제 1 피처 세트 및 제 2 피처 세트 중 적어도 하나에 연관시키도록 구성된 피처 세트 발생기 모듈; 및
    상기 피처 세트 발생기 모듈에 통신가능하게 커플링되고, 동작들을 수행하도록 구성된 된 분류 모듈을 포함하며,
    상기 동작들은:
    제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 동작으로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 동작;
    제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 동작으로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 동작; 및
    상기 모바일 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 동작을 포함하는, 모바일 디바이스.
  11. 제 10 항에 있어서,
    상기 제 1 상태 타입은 모션 상태이고, 상기 제 2 상태 타입은 포지션 상태인, 모바일 디바이스.
  12. 제 11 항에 있어서,
    상기 하나 이상의 센서들은 하나 이상의 가속도계들을 포함하고,
    상기 제 1 피처 세트에서 이용되는 센서 정보는 가속도계 출력을 포함하고,
    상기 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산을 포함하는, 모바일 디바이스.
  13. 제 11 항에 있어서,
    상기 하나 이상의 센서들은 하나 이상의 가속도계들을 포함하고,
    상기 제 2 피처 세트에서 이용되는 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고,
    상기 제 2 피처 세트는 상기 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비를 포함하는, 모바일 디바이스.
  14. 제 10 항에 있어서,
    상기 제 1 분류 알고리즘은 상기 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 결합 우도 최대화 알고리즘을 포함하는, 모바일 디바이스.
  15. 제 10 항에 있어서,
    상기 제 1 분류 알고리즘은 상기 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘을 포함하는, 모바일 디바이스.
  16. 제 10 항에 있어서,
    상기 제 2 분류 알고리즘은 상기 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 결합 우도 최대화 알고리즘을 포함하는, 모바일 디바이스.
  17. 제 10 항에 있어서,
    상기 제 2 분류 알고리즘은 상기 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는 주변 사후 확률 최대화 알고리즘을 포함하는, 모바일 디바이스.
  18. 제 10 항에 있어서,
    상기 제 1 분류 알고리즘 및 상기 제 2 분류 알고리즘은 각각 베이시안 분류기를 포함하는, 모바일 디바이스.
  19. 모바일 디바이스로서,
    상기 모바일 디바이스의 센서 정보에 액세스하는 수단;
    상기 센서 정보 중 적어도 일부를 제 1 피처 세트에 연관시키는 수단;
    상기 센서 정보 중 적어도 일부를 제 2 피처 세트에 연관시키는 수단;
    제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하는 수단으로서, 상기 제 1 분류 알고리즘은 제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된, 상기 제 1 피처 세트를 프로세싱하는 수단;
    제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하는 수단으로서, 상기 제 2 분류 알고리즘은 상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된, 상기 제 2 피처 세트를 프로세싱하는 수단; 및
    상기 모바일 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하는 수단을 포함하는, 모바일 디바이스.
  20. 제 19 항에 있어서,
    상기 제 1 상태 타입은 모션 상태이고, 상기 제 2 상태 타입은 포지션 상태인, 모바일 디바이스.
  21. 제 20 항에 있어서,
    상기 제 1 피처 세트와 연관된 센서 정보는 가속도계 출력을 포함하고,
    상기 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산을 포함하는, 모바일 디바이스.
  22. 제 20 항에 있어서,
    상기 제 2 피처 세트와 연관된 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고,
    상기 제 2 피처 세트는 상기 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비를 포함하는, 모바일 디바이스.
  23. 제 19 항에 있어서,
    상기 제 1 분류 알고리즘은 결합 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고,
    상기 제 1 분류 알고리즘은 상기 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는, 모바일 디바이스.
  24. 제 19 항에 있어서,
    상기 제 2 분류 알고리즘은 결합 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고,
    상기 제 2 분류 알고리즘은 상기 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는, 모바일 디바이스.
  25. 프로세서 판독가능 매체 상에 존재하고, 프로세서 판독가능 명령들을 포함하는 컴퓨터 프로그램 제품으로서,
    상기 프로세서 판독가능 명령들은, 프로세서로 하여금,
    디바이스의 센서 정보에 액세스하게 하되, 상기 센서 정보 중 적어도 일부는 제 1 피처 세트에서 이용되고 상기 센서 정보 중 적어도 일부는 제 2 피처 세트에서 이용되고;
    제 1 상태 타입의 제 1 제안된 상태 및 제 2 상태 타입의 제 1 제안된 상태를 결정하도록 구성된 제 1 분류 알고리즘을 이용하여 상기 제 1 피처 세트를 프로세싱하게 하고;
    상기 제 1 상태 타입의 제 2 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태를 결정하도록 구성된 제 2 분류 알고리즘을 이용하여 상기 제 2 피처 세트를 프로세싱하게 하고;
    상기 디바이스의 제안된 상태를 상기 제 1 상태 타입의 제 1 제안된 상태 및 상기 제 2 상태 타입의 제 2 제안된 상태로서 결정하게 하도록 구성된, 컴퓨터 프로그램 제품.
  26. 제 25 항에 있어서,
    상기 제 1 상태 타입은 모션 상태이고, 상기 제 2 상태 타입은 포지션 상태인, 컴퓨터 프로그램 제품.
  27. 제 26 항에 있어서,
    상기 제 1 피처 세트에서 이용되는 센서 정보는 가속도계 출력을 포함하고,
    상기 제 1 피처 세트는 시간 간격에 걸친 가속도계 출력의 분산을 포함하는, 컴퓨터 프로그램 제품.
  28. 제 26 항에 있어서
    상기 제 2 피처 세트에서 이용되는 센서 정보는 적어도 제 1 축 및 제 2 축을 갖는 다중 축 가속도계의 복수의 가속도계 축들에 대한 가속도계 출력을 포함하고,
    상기 제 2 피처 세트는 상기 다중 축 가속도계의 2 개의 가속도계 축들 사이의 가속도의 평균비를 포함하는, 컴퓨터 프로그램 제품.
  29. 제 25 항에 있어서,
    상기 제 1 분류 알고리즘은 결합 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고,
    상기 제 1 분류 알고리즘은 상기 제 1 피처 세트 및 제 1 확률 분포 함수를 이용하는, 컴퓨터 프로그램 제품.
  30. 제 25 항에 있어서,
    상기 제 2 분류 알고리즘은 결합 우도 최대화 알고리즘 또는 주변 사후 확률 최대화 알고리즘 중 적어도 하나를 포함하고,
    상기 제 2 분류 알고리즘은 상기 제 2 피처 세트 및 제 2 확률 분포 함수를 이용하는, 컴퓨터 프로그램 제품.
KR1020137034622A 2011-05-27 2012-05-21 다수의 디바이스 상태들을 분류하는 방법 및 장치 KR101580861B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201161490999P 2011-05-27 2011-05-27
US61/490,999 2011-05-27
US13/244,170 2011-09-23
US13/244,170 US9195309B2 (en) 2011-05-27 2011-09-23 Method and apparatus for classifying multiple device states
PCT/US2012/038856 WO2012166416A1 (en) 2011-05-27 2012-05-21 Method and apparatus for classifying multiple device states

Publications (2)

Publication Number Publication Date
KR20140015594A true KR20140015594A (ko) 2014-02-06
KR101580861B1 KR101580861B1 (ko) 2015-12-30

Family

ID=47218885

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020137034622A KR101580861B1 (ko) 2011-05-27 2012-05-21 다수의 디바이스 상태들을 분류하는 방법 및 장치

Country Status (9)

Country Link
US (1) US9195309B2 (ko)
EP (1) EP2715487B1 (ko)
JP (1) JP5893726B2 (ko)
KR (1) KR101580861B1 (ko)
CN (1) CN103597424B (ko)
BR (1) BR112013030271B1 (ko)
CA (1) CA2836104C (ko)
RU (1) RU2597524C2 (ko)
WO (1) WO2012166416A1 (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9600169B2 (en) 2012-02-27 2017-03-21 Yahoo! Inc. Customizable gestures for mobile devices
JP2016536050A (ja) 2013-10-14 2016-11-24 ナイキ イノベイト シーブイ アスレチック運動属性からのペースとエネルギー消費量の計算
US9820233B2 (en) * 2013-11-25 2017-11-14 Qualcomm Incorporated Motion state based mobile device positioning
US20160034329A1 (en) * 2014-07-31 2016-02-04 Western Integrated Technologies, Inc. Correlation and prediction analysis of collected data
US9606529B2 (en) 2014-07-31 2017-03-28 Miq Llc User customization of auto-detected data for analysis
US11029328B2 (en) * 2015-01-07 2021-06-08 Qualcomm Incorporated Smartphone motion classifier
US9589287B2 (en) 2015-06-29 2017-03-07 Miq Llc User community generated analytics and marketplace data for modular systems
US9588504B2 (en) 2015-06-29 2017-03-07 Miq Llc Modular control system
US9622177B2 (en) 2015-08-06 2017-04-11 Qualcomm Incorporated Context aware system with multiple power consumption modes
US9630614B1 (en) 2016-01-28 2017-04-25 Miq Llc Modular power plants for machines
CN111417953A (zh) * 2017-11-10 2020-07-14 阿里巴巴(以色列)科技有限公司 用于使用人类运动模型来改进运动估计的设备、系统和方法
CN115775341B (zh) * 2023-02-13 2023-05-09 广州海昇计算机科技有限公司 一种实验设备状态检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5059127A (en) * 1989-10-26 1991-10-22 Educational Testing Service Computerized mastery testing system, a computer administered variable length sequential testing system for making pass/fail decisions
US20050078087A1 (en) * 2003-10-08 2005-04-14 Universal Electronics Inc. Control device having integrated mouse and remote control capabilities
US20100103108A1 (en) * 2003-09-03 2010-04-29 Apple Inc. Hybrid low power computer mouse
KR20100126707A (ko) * 2008-01-25 2010-12-02 인풋다이나믹 리미티드 전자 장치에 입력하기 위한 방법 및 장치

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5561431A (en) * 1994-10-24 1996-10-01 Martin Marietta Corporation Wavelet transform implemented classification of sensor data
FR2807957B1 (fr) * 2000-04-21 2002-08-02 Vai Clecim Procede et installation de laminage a froid
US7030856B2 (en) * 2002-10-15 2006-04-18 Sony Corporation Method and system for controlling a display device
KR100580647B1 (ko) 2004-04-01 2006-05-16 삼성전자주식회사 입력모드 분류가능한 동작기반 입력장치 및 방법
US20060074883A1 (en) * 2004-10-05 2006-04-06 Microsoft Corporation Systems, methods, and interfaces for providing personalized search and information access
CN101151508B (zh) 2005-03-28 2012-01-04 旭化成电子材料元件株式会社 行进方向计测装置和行进方向计测方法
US7366568B2 (en) 2005-05-06 2008-04-29 Cardiac Pacemakers, Inc. Controlled delivery of intermittent stress augmentation pacing for cardioprotective effect
US8472985B2 (en) 2005-09-21 2013-06-25 Buckyball Mobile, Inc Incentive marketing with a context-enriched message
KR100800874B1 (ko) 2006-10-31 2008-02-04 삼성전자주식회사 보폭 추정 방법 및 이를 위한 휴대 단말
US8462109B2 (en) 2007-01-05 2013-06-11 Invensense, Inc. Controlling and accessing content using motion processing on mobile devices
CN101299276B (zh) * 2007-04-20 2012-08-29 Utc消防和保安美国有限公司 分布式多目标跟踪的方法和系统
JP2008299524A (ja) 2007-05-30 2008-12-11 Fuji Xerox Co Ltd 情報分類装置及びプログラム
WO2009043020A2 (en) 2007-09-28 2009-04-02 The Trustees Of Dartmouth College System and method for injecting sensed presence into social networking applications
KR101829865B1 (ko) * 2008-11-10 2018-02-20 구글 엘엘씨 멀티센서 음성 검출
BRPI0924540A2 (pt) 2009-06-16 2015-06-23 Intel Corp Aplicações de câmera em um dispositivo portátil
CN101996266B (zh) * 2009-08-21 2013-10-16 复旦大学 一种建立集成电路芯片内工艺偏差的空间相关性模型的方法
JP5440080B2 (ja) * 2009-10-02 2014-03-12 ソニー株式会社 行動パターン解析システム、携帯端末、行動パターン解析方法、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5059127A (en) * 1989-10-26 1991-10-22 Educational Testing Service Computerized mastery testing system, a computer administered variable length sequential testing system for making pass/fail decisions
US20100103108A1 (en) * 2003-09-03 2010-04-29 Apple Inc. Hybrid low power computer mouse
US20050078087A1 (en) * 2003-10-08 2005-04-14 Universal Electronics Inc. Control device having integrated mouse and remote control capabilities
KR20100126707A (ko) * 2008-01-25 2010-12-02 인풋다이나믹 리미티드 전자 장치에 입력하기 위한 방법 및 장치

Also Published As

Publication number Publication date
US20120299828A1 (en) 2012-11-29
CN103597424A (zh) 2014-02-19
JP2014519753A (ja) 2014-08-14
CN103597424B (zh) 2016-10-05
BR112013030271A2 (pt) 2016-11-29
KR101580861B1 (ko) 2015-12-30
RU2013157930A (ru) 2015-07-10
BR112013030271B1 (pt) 2021-05-04
EP2715487A1 (en) 2014-04-09
RU2597524C2 (ru) 2016-09-10
EP2715487B1 (en) 2020-03-18
US9195309B2 (en) 2015-11-24
WO2012166416A1 (en) 2012-12-06
CA2836104A1 (en) 2012-12-06
CA2836104C (en) 2017-04-11
JP5893726B2 (ja) 2016-03-23

Similar Documents

Publication Publication Date Title
KR101580861B1 (ko) 다수의 디바이스 상태들을 분류하는 방법 및 장치
CN103460221B (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
Wang et al. Pedestrian dead reckoning based on walking pattern recognition and online magnetic fingerprint trajectory calibration
US9726498B2 (en) Combining monitoring sensor measurements and system signals to determine device context
US9730029B2 (en) Unsupervised indoor localization and heading directions estimation
US20130046505A1 (en) Methods and apparatuses for use in classifying a motion state of a mobile device
WO2017215024A1 (zh) 一种基于新型多传感器融合技术的行人导航装置和方法
US9407706B2 (en) Methods, devices, and apparatuses for activity classification using temporal scaling of time-referenced features
JP5951695B2 (ja) 行動認識のための方法、装置、およびコンピュータ・プログラム
Sunny et al. Applications and challenges of human activity recognition using sensors in a smart environment
WO2021012879A1 (zh) 轨迹重建方法、装置、计算机设备和存储介质
US10551195B2 (en) Portable device with improved sensor position change detection
US9069003B2 (en) Methods, apparatuses and computer program products for determining speed of movement of a device and device pose classification
Qian et al. Continuous motion recognition for natural pedestrian dead reckoning using smartphone sensors
US10678337B2 (en) Context aware movement recognition system
CN113111678B (zh) 一种用户的肢体节点的位置确定方法、装置、介质及系统
Wang et al. Posture recognition and heading estimation based on machine learning using MEMS sensors
Liu et al. Sequence-based motion recognition assisted pedestrian dead reckoning using a smartphone
Jiang et al. Real-time and accurate indoor localization with fusion model of Wi-Fi fingerprint and motion particle filter
Li et al. Magnetic Matching-Aided Indoor Localization System Based on a Waist-Mounted Self-Contained Sensor Array
Han et al. HARF: A hierarchical activity recognition framework using smartphone sensors
Üstev User, device, orientation and position independent human activity recognition on smart phones
US11768217B2 (en) Sensor apparatus, information processing apparatus, method of outputting measurement data with settings, information processing method, program, and data structure of measurement data with settings
Zhao et al. MSOE: Toward Abrupt Magnetic Change in MARG Orientation Using Multi-State Estimator With Smartphones
Kitahara et al. Estimating Behavior Considering Multiple Possession Positions of smartphones Using Machine Learning

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180928

Year of fee payment: 4