TWI806217B - 觸碰相關汙染狀態判定技術 - Google Patents

Abstract

於一範例中，一種非暫態機器可讀儲存媒體可包括，當由一計算裝置的處理器執行時，致使該處理器接收與一電子裝置相關聯的裝置使用資料之指令。此外，指令可由該處理器執行，以藉由將一機器學習模型應用至該裝置使用資料，來判定該電子裝置的一表面的一觸碰相關汙染狀態。再者，指令可由該處理器執行，基於該觸碰相關汙染狀態而發送一警報通知至該電子裝置。

Description

觸碰相關汙染狀態判定技術

本揭露內容係有關於一種觸碰相關汙染狀態判定技術。

像是桌上型電腦、膝上型電腦、銷售點系統、影像形成設備、等等之電子裝置可包括一允許使用者與該電子裝置互動的使用者介面。一範例的使用者介面可包括鍵盤、觸控螢幕顯示面板、滑鼠、觸控板、或其它類似物。該使用者介面可使得使用者能夠輸入資料至該電子裝置，例如藉由觸摸觸控介面或按壓按鍵。這類電子裝置可能會由多個使用者共享，例如在像是企業、醫院、家中、教育機構、等等的公共或私人環境。

於本揭示的一個態樣中，一種非暫態機器可讀媒體編碼有指令，當該等指令被一計算裝置的處理器執行時，致使該處理器進行以下動作：接收與一電子裝置相關聯的裝置使用資料；藉由將一機器學習模型應用至該裝置使用資料，來判定該電子裝置的一表面的一觸碰相關汙染狀態；以及基於該觸碰相關汙染狀態而發送一警報通知至該電子裝置。

於本揭示的一個態樣中，一種非暫態機器可讀媒體編碼有指令，當該等指令被一計算裝置的處理器執行時，致使該處理器進行以下動作：得到與一電子裝置相關聯的歷史裝置使用資料；處理該歷史裝置使用資料，以產生一訓練資料組及一測試資料組；基於該訓練資料組來訓練用以估計該電子裝置的一表面的觸碰相關汙染狀態的一組機器學習模型；用該測試資料組來測試已訓練的該組機器學習模型；以及從已訓練且已測試的該組機器學習模型中決定一機器學習模型，用以針對即時裝置使用資料來估計該電子裝置的該觸碰相關汙染狀態。

於本揭示的一個態樣中，一種電子裝置，其包含一儲存裝置、一輸出裝置、以及一處理器，該處理器用以進行以下動作：響應於一觸發事件，而檢索裝置使用資料一段時間，其中該裝置使用資料是儲存於該儲存裝置之中；將一機器學習模型應用於該裝置使用資料，以偵測該電子裝置的一使用者的改變，響應於該偵測而判定該電子裝置的一表面的觸碰相關汙染狀態，以及基於該觸碰相關汙染狀態來決定一建議動作；以及透過該輸出裝置來輸出一警報通知，該警報通知包括用以清潔該電子裝置的該建議動作。

像是桌上型電腦、膝上型電腦、銷售點系統、影像形成設備、等等之電子裝置，可被使用於不同環境（例如，企業、醫院、家中、教育機構、等等）。於這類範例的環境中，該等電子裝置可能會由多個使用者共享。此外，該等電子裝置可包括一允許使用者與該等電子裝置互動的使用者介面（例如，鍵盤、觸控螢幕顯示面板、滑鼠、觸控板、及／或其它類似物）。該使用者介面可以是手動操作的，使用者會用手及／或手指觸碰按鍵、按鈕、及／或觸控螢幕。

因此，例如出現在該使用者手上的汙染物，包括灰塵、碎屑、細菌、微生物、真菌、病毒、及其他病原微生物，可能會轉移到該等電子裝置的表面。在這種情況下，透過該等電子裝置的表面之汙染及交叉汙染會是一個問題。該表面可以是一種將可擴散的汙染物從一個使用者傳送到另一使用者之模式，因為汙染物在這類表面上（例如，由玻璃、塑膠、及／或類似材料所製成）能夠保持活性顯著更長的時間。舉例來說，鍵盤在醫院中會是一個受汙染的常見觸碰表面，一項研究顯示大約為62%的汙染。

一些範例的電子裝置可包括配置在該電子裝置的表面（例如，一觸碰表面）上的電容式觸碰感測器，以偵測使用者的互動，像是手指靜止、滑動、點擊、及／或按壓。這類被偵測到的使用者互動可被用於判定表面汙染。然而，電容式觸碰感測器的陣列會耗用大量的空間，而因此導致電子裝置的尺寸（例如，厚度）增加。此外，電容式觸碰感測器的陣列會涉及額外的硬體和增加的成本。

本文中所敘述的範例可提供一計算裝置，其使用一機器學習模型來判定一電子裝置的表面的觸碰相關汙染狀態。該計算裝置可以是透過網路而通訊連接至該電子裝置的一伺服器。該計算裝置可得到與該電子裝置相關聯的歷史裝置使用資料（例如，使用者登入資料、鍵盤使用資料、位置資料、使用者臉部辨識資料、使用者行為資料、及／或類似資料）。此外，該計算裝置可處理該歷史裝置使用資料，以產生一訓練資料組及一測試資料組。再者，該計算裝置可用該訓練資料組來建構一組機器學習模型，用以判定該電子裝置的該表面的該觸碰相關汙染狀態。再者，該計算裝置可用該測試資料組來測試已訓練的該組機器學習模型。此外，該計算裝置可從該組機器學習模型中，選擇具有高準確性的機器學習模型來估計該電子裝置的該觸碰相關汙染狀態。

在操作期間，該計算裝置可接收與該電子裝置相關聯的即時裝置使用資料。此外，該電子裝置可藉由將所選擇的機器學習模型應用於該即時裝置使用資料，來判定該電子裝置的該表面的一觸碰相關汙染狀態。再者，該計算裝置可基於該觸碰相關汙染狀態而發送一警報通知至該電子裝置。該警報通知亦可包括清潔或消毒該電子裝置的建議動作／程序。

因此，本文中所敘述的範例可利用該機器學習模型來判定該電子裝置的該觸碰相關汙染狀態。此外，在該電子裝置的使用之前，本文中所敘述的範例可用指令來提醒使用者主動清潔該電子裝置，藉此避免不適當的健康問題。

於下文敘述中，為了解釋之目的，列出了許多具體細節以提供對本技術的全面理解。然而，可以在沒有這些具體細節的情況下實施該等範例的設備、裝置及系統。說明書中提及「一範例」或類似語言意味著，所敘述的特定特徵、結構、或特性可至少包括於那一個範例之中，但可能不在其他範例中。

現在轉至該等圖式，圖1為一範例計算裝置100的方塊圖，其包括一非暫態機器可讀儲存媒體104，儲存有用以判定一電子裝置的一表面的一觸碰相關汙染狀態之指令。於一範例中，計算裝置100可以是在雲端計算系統中運行的一伺服器、配置於軟體即服務（SaaS）架構中的一伺服器、等等。一範例電子裝置可以是一桌上型電腦、一膝上型電腦、一銷售點系統、一智慧型手機、或任何其他具有基於觸碰的輸入表面之電子裝置。

此外，計算裝置100可透過一網路而通訊連接至該電子裝置。範例的網路可以是一網路提供者管理的受管網際網路協定（IP）網路。舉例來說，可使用無線協定及技術來實施該網路，例如Wi-Fi、全球互通微波存取（WiMax）、等等。於其他範例中，該網路亦可以是一分封交換網路，像是區域網路、廣域網路、都會區域網路、網際網路、或其他相似種類的網路環境。在另外其他範例中，該網路可以是固定無線網路、無線區域網路（LAN）、無線廣域網路（WAN）、個人區域網路（PAN）、虛擬專用網路（VPN）、內部網路、或其他適當的網路系統，並且包括用於接收及發送訊號的設備。

計算裝置100可包括透過系統匯流排通訊耦接的處理器102和機器可讀儲存媒體104。處理器102可以是解譯並執行機器可讀儲存媒體104中儲存的機器可讀指令之任何種類的中央處理器（CPU）、微處理器、或處理邏輯。

機器可讀儲存媒體104可以是隨機存取記憶體（RAM）、或者另一種可儲存資訊以及由處理器102執行的機器可讀指令的動態儲存裝置。舉例來說，機器可讀儲存媒體104可以是同步DRAM（SDRAM）、雙倍資料速率同步動態隨機存取記憶體（DDR）、Rambus® DRAM（RDRAM）、Rambus® RAM、等等，或者可以是例如軟磁碟、硬碟、唯讀光碟（CD-ROM）、數位多功能影音光碟（DVD）、筆型隨身碟、等等的儲存記憶體媒體。於一範例中，機器可讀儲存媒體104可以是一非暫態機器可讀媒體，其中該用語「非暫態」不包含暫態傳播訊號。於一範例中，機器可讀儲存媒體104可以是遠端但可由計算裝置100存取的。

機器可讀儲存媒體104可儲存指令106至110。於一範例中，指令106可被處理器102執行，以例如透過網路來接收與該電子裝置相關聯的裝置使用資料。舉例來說，該裝置使用資料可包括使用者登入資料、輸入裝置使用資料、位置資料、使用者臉部辨識資料、使用者行為資料、或任何其等之組合。於一範例中，該使用者登入資料可包括稽核日誌資訊，該稽核日誌資訊被使用來追蹤使用者登錄該電子裝置、使用者登錄在該電子裝置上運行的一應用程式、等等。當使用者登入該電子裝置時，事件日誌會被產生並作為該稽核日誌資訊而儲存於該電子裝置中。該稽核日誌資訊可被使用於識別該等使用者、將該等使用者彼此區分開來、以及判定已登入該電子裝置的使用者的數量。

該輸入裝置使用資料可包括與一輸入裝置相關聯的使用資料，例如滑鼠、觸控板、觸控螢幕、鍵盤、搖桿、或任何其等之組合。於一些範例中，鍵盤側錄器可被使用於記錄與該電子裝置相關聯的輸入裝置使用資料。該鍵盤側錄器可以是該電子裝置中的一裝置或一電腦軟體，其能夠擷取及／或儲存該輸入裝置所提供的輸入。舉例來說，該鍵盤的使用資料可包括，操作該電子裝置及／或與該電子裝置互動的該等使用者所執行的鍵擊。同樣地，該滑鼠的使用資料可包括指示滑鼠位置、滑鼠移動、滑鼠按鈕點擊事件、等等的資訊。

該位置資料可被使用於判定該電子裝置的位置。該位置資料可包括對應該電子裝置的位置的全球定位系統（GPS）資訊（例如，緯度及經度資料）。可使用該電子裝置中的一感測器（例如，GPS感測器）來擷取該位置資料。所擷取的位置資料可饋送至一地理位置應用程式設計介面（API）（例如，Google地圖API），以識別公共或私人空間。

該使用者臉部辨識資料可包括透過該電子裝置的一攝影機（例如，二維攝影機、三維攝影機、紅外線攝影機、等等）所擷取的影像資料或視訊資料。於另一範例中，該使用者臉部辨識資料可包括，能夠被使用來區分該電子裝置的使用者的點、邊緣、皮膚紋理、及／或類似資料。可對該使用者臉部辨識資料進行估值以識別該等使用者、將該等使用者彼此區分開來、以及判定已使用該電子裝置的使用者的數量。因此，該使用者臉部辨識資料可被使用於將使用者彼此區別開來、以及將該等使用者的裝置使用資料（例如，該輸入裝置使用資料）進行分類。

該使用者行為資料可包括透過該攝影機擷取的該影像資料或者該視訊資料。可對該使用者行為資料進行估值，以判定會汙染該電子裝置的表面的一使用者活動或使用者行為。於一範例中，會汙染該表面的該使用者活動或使用者行為可指示，該使用者在該電子裝置上工作時是否正在觸碰眼睛、鼻子、嘴巴、食物、等等。於另一範例中，該使用者活動或使用者行為可指示該使用者是否正在咳嗽、打噴嚏、或類似行為，這些行為會將飛沫噴到該電子裝置的該表面上。

於一範例中，用以接收該裝置使用資料的指令可包括，用以於一週期性間隔或響應於對該電子裝置的一使用者登入事件（例如，當一使用者登入計算裝置100），接收與該電子裝置相關聯的該裝置使用資料之指令。再者，計算裝置100可例如透過API呼叫而從該電子裝置接收該裝置使用資料。

指令108可由處理器102執行，以藉由將一機器學習模型應用於該裝置使用資料，來判定該電子裝置的一表面的觸碰相關汙染狀態。該「機器學習模型」可以指一電腦表示法，其可基於對近似未知函數的輸入而被調整（例如，訓練）。特別是，該用語「機器學習模型」可包括一模型，該模型是利用從已知的裝置使用資料學習並對其進行預測之方法，該方法是藉由分析該已知的裝置使用資料來學習以產生反映出該已知的裝置使用資料的模式和屬性之輸出（例如，觸碰相關汙染狀態）。

舉例來說，該機器學習模型可以是一監督式機器學習模型，其實施像是隨機森林、極限梯度提升（XG boost）、邏輯式回歸、等等的一分類方法。於其他範例中，該機器學習模型可包括但不限於一決策樹、支援向量機、貝氏網路、維度縮減演算法、人工類神經網路、以及深度學習。因此，藉由從輸入的裝置使用資料產生資料驅動預測或決策，該機器學習模型於該裝置使用資料中進行高階抽象化。

於一範例中，該機器學習模型可被應用於該裝置使用資料以判定登入該電子裝置的使用者的數量、該輸入裝置被一使用者觸碰的區域（例如、一按鍵、一觸碰表面、等等）、該電子裝置被使用的裝置位置（例如，該電子裝置是在公共空間還是私人空間中被使用）、使用該電子裝置的使用者的數量、會汙染該電子裝置的表面的該使用者活動或該使用者行為、等等。再者，該機器學習模型可基於所判定之使用者的數量、被觸碰的區域、裝置位置、使用者行為、等等，來判定該電子裝置的表面的觸碰相關汙染狀態。

於一範例中，該觸碰相關汙染狀態可包括指示該電子裝置的該表面上的一被汙染區域、該被汙染區域的汙染程度、或其等之組合的資訊。舉例來說，該電子裝置的該表面上的該被汙染區域可包括被該等使用者觸碰的一按鍵或一組按鍵、該觸控螢幕被該使用者觸碰的一部分、一觸控板、等等。再者，該汙染程度可以為一索引值，其指示基於該裝置使用資料的該電子裝置的該表面的汙染之程度（例如，低、中、及高）。

於一範例中，當該電子裝置被多個使用者所使用，並且當一使用者在該電子裝置上工作時咳嗽或觸碰一臉部特徵（例如，鼻子或嘴巴），該汙染程度會被指示為高。於另一範例中，當該電子裝置於一公共空間中被多個使用者所使用，並且當所判定的使用者行為並未指示該電子裝置的該表面的任何汙染，該汙染成物會被指示為中。於又另一範例中，當該電子裝置於一家庭位置中被多個使用者所使用，並且當所判定的使用者行為並未指示該電子裝置的該表面的任何汙染，該汙染成物會被指示為低。

指令110可由處理器102執行，以基於該觸碰相關汙染狀態來發送一警報通知至該電子裝置。於一範例中，該警報通知可包括對應該觸碰相關汙染狀態之用以清潔該電子裝置的該表面的一建議動作。該建議動作可取決於該被汙染區域及該汙染程度。於一範例中，可於計算裝置100中（例如，在與計算裝置100相關聯的儲存裝置中）配置一組建議動作（例如，建議的清潔方法和措施）。再者，該組建議動作可例如基於以規則為基的方法，而被映射至不同的汙染程度（例如，清潔度因數）。再者，可從該組建議動作中檢索出對應所判定的汙染程度的該建議動作，並將其發送至該電子裝置。於此範例中，該汙染程度及／或該組建議動作可被顯示於該電子裝置的一使用者介面（例如，一顯示裝置）上。

圖2為一範例計算裝置200的方塊圖，其包括一非暫態機器可讀儲存媒體204，儲存有用以從一組機器學習模型中決定一機器學習模型來估計觸碰相關汙染狀態之指令。計算裝置200可包括透過系統匯流排通訊耦接的一處理器202和機器可讀儲存媒體204。處理器202可以是解譯並執行機器可讀儲存媒體204中儲存的機器可讀指令之任何種類的中央處理器（CPU）、微處理器、或處理邏輯。

機器可讀儲存媒體204可以是隨機存取記憶體（RAM）、或者另一種可儲存資訊以及由處理器202執行的機器可讀指令的動態儲存裝置。舉例來說，機器可讀儲存媒體204可以是同步DRAM（SDRAM）、雙倍資料速率同步動態隨機存取記憶體（DDR）、Rambus® DRAM（RDRAM）、Rambus® RAM、等等，或者可以是例如軟磁碟、硬碟、唯讀光碟（CD-ROM）、數位多功能影音光碟（DVD）、筆型隨身碟、等等的儲存記憶體媒體。於一範例中，機器可讀儲存媒體204可以是一非暫態機器可讀媒體，其中該用語「非暫態」不包含暫態傳播訊號。於一範例中，機器可讀儲存媒體204可以是遠端但可由計算裝置200存取的。

機器可讀儲存媒體204可儲存指令206至214。於一範例中，指令206可由處理器202執行，以獲得與一電子裝置相關聯的歷史裝置使用資料。於此範例中，可在一段期間內獲得該歷史裝置使用資料。舉例來說，該歷史裝置使用資料可包括使用者登入資料、輸入裝置使用資料、位置資料、使用者臉部辨識資料、使用者行為資料、或任何其等之組合。再者，該輸入裝置使用資料可包括滑鼠使用資料、觸控板使用資料、觸控螢幕使用資料、鍵盤使用資料、或任何其等之組合。

指令208可由處理器202執行，以處理該歷史裝置使用資料而產生一訓練資料組及一測試資料組。指令210可由處理器202執行，以基於該訓練資料組來訓練一組機器學習模型，用以估計該電子裝置的一表面的觸碰相關汙染狀態。於一範例中，用以訓練該組機器學習模型的指令可包括訓練該組機器學習模型，用以估計與該電子裝置相關聯的一輸入裝置的表面的該觸碰相關汙染狀態之指令。舉例來說，該輸入裝置可包括一鍵盤、一滑鼠、一觸控板、一觸控螢幕、或任何其等之組合。

於一範例中，用以訓練該組機器學習模型的指令可包括用以進行以下動作的指令： -      從已處理的該歷史裝置使用資料判定一組特徵（例如，個人自變數），其能夠被使用來訓練用以估計該觸碰相關汙染狀態的該組機器學習模型，以及 -      使用該組特徵或該組特徵的一子集合來訓練該組機器學習模型，以估計該觸碰相關汙染狀態。

指令212可由處理器202執行，以用該測試資料組來測試已訓練的該組機器學習模型。於一範例中，在測試已訓練的該組機器學習模型之前，機器可讀儲存媒體204可儲存，用以基於已處理的該歷史裝置使用資料的一驗證資料組來驗證該等已訓練的機器學習模型，以調整該等已訓練的機器學習模型的準確性之指令。因此，可透過該測試資料組和該驗證資料組可建立一反饋機制，以分別確定該等機器學習模組的正確性以及微調該等機器學習模組的準確性。

指令214可由處理器202執行，以從該組已訓練且已測試的機器學習模型中決定一例如具有高準確性的機器學習模型，以針對即時裝置使用資料來估計該電子裝置的該觸碰相關汙染狀態。

再者，機器可讀儲存媒體204可儲存用以進行以下動作的指令： -      接收與該電子裝置相關聯的該即時裝置使用資料。於一範例中，用以接收與該電子裝置相關聯的該即時裝置使用資料之指令可包括，於一週期性間隔、響應於對該電子裝置的一使用者登入事件、等等，透過API呼叫而從該電子裝置接收該即時裝置使用資料之指令。 -      藉由使用所決定的該機器學習模型分析該即時裝置使用資料，來估計該電子裝置的該觸碰相關汙染狀態。 -      基於該觸碰相關汙染狀態來產生一警報通知。 -      將該警報通知發送至該電子裝置。

圖3A為一範例電子裝置300的方塊圖，其包括一用以輸出警報通知的處理器306，該警報通知包括清潔該電子裝置300的一建議動作。範例電子裝置300可包括一桌上型電腦、一筆記型電腦、一平板電腦、一智慧型手機、等等。

如圖3A中所示，電子裝置300可包括一儲存裝置302、一輸出裝置304、及處理器306。儲存裝置302可儲存與電子裝置300的操作相關聯的裝置使用資料308。再者，電子裝置300可包括一機器學習模型310，其可儲存於儲存裝置302中。於其他範例中，裝置使用資料308及機器學習模型310可儲存在與電子裝置300相關聯的分離的儲存裝置中。

於一範例中，機器學習模型310可使用歷史裝置使用資料來進行訓練與測試，以判定電子裝置300的一表面的觸碰相關汙染狀態。再者，機器學習模型310可使該用歷史裝置使用資料來進行訓練與測試，以推薦對應所判定的該觸碰相關汙染狀態的一動作。於這類範例中，機器學習模型310可於一伺服器（例如，一雲端為基伺服器、軟體即服務（SaaS）伺服器、等等）中進行訓練與測試。再者，電子裝置300可從該伺服器接收已訓練且已測試的機器學習模型310。

於操作期間，處理器306可響應於一觸發事件（例如，使用者登入事件），而檢索儲存的裝置使用資料308一段時間。再者，處理器306可將機器學習模型310應用於裝置使用資料308，以進行以下動作： -      偵測電子裝置300的一使用者的改變。於一範例中，處理器306可基於被用來登入電子裝置300的使用者登入資料、透過與電子裝置300相關聯的一攝影機所擷取的使用者臉部辨識資料、或其等之組合，來偵測電子裝置300的該使用者的改變。 -      響應於該偵測而判定電子裝置300的一表面的觸碰相關汙染狀態。於一範例中，該觸碰相關汙染狀態可包括指示電子裝置300的該表面上的一被汙染區域、該被汙染區域的汙染程度、或其等之組合的資訊。 -      基於該觸碰相關汙染狀態來決定一建議動作。

再者，處理器306可透過輸出裝置304來輸出一警報通知，該警報通知包括用以清潔電子裝置300的該建議動作。於一範例中，處理器306可透過所定義的策略來輸出該警報通知。一範例的警報通知可包括但不限於透過一視覺輸出裝置（例如，一顯示裝置）輸出的一視覺警報、透過一揚聲器輸出的一音響警報、透過一觸覺回饋裝置（例如，一振動器）輸出的一觸覺警報、可透過一通訊介面而發送至一外部監控裝置的資料、或任何其等之組合。

圖3B為圖3A的範例電子裝置300的一方塊圖，描述了額外的特徵。舉例來說，圖3B的相似命名的元件可以在結構及／或功能上與關於圖3A所敘述的元件相似。如圖3B所示，電子裝置300包括一使用資料監控程式352、一攝影機354、及一位置感測器356。舉例來說，裝置使用資料308可包括使用者登入資料和輸入裝置使用資料。該使用者登入資料與該輸入裝置使用資料可透過使用資料監控程式352（例如，一鍵盤側錄器程式）來記錄。再者，裝置使用資料308可包括透過位置感測器356（例如，一GPS感測器）所獲得的位置資料。此外，裝置使用資料308可包括透過攝影機354所獲得的使用者臉部辨識資料與使用者行為資料。

於一些範例中，圖3B中所敘述的功能性有關於與用以實施使用資料監控程式352的功能之指令、以及於本文中所述之與該儲存媒體有關的任何額外的指令，並且可實施為引擎或模組，包括硬體及用以實施本文中所述之該等模組或引擎的功能性之編程的任何組合。使用資料監控程式352的該等功能亦可由一處理器來實施。

圖4為一範例計算環境400的方塊圖，描述了圖3A的範例電子裝置300與一計算裝置402通訊。舉例來說，圖4的相似命名的元件可以在結構及／或功能上與關於圖3A所敘述的元件相似。於圖4所示的該範例中，機器學習模型310可被實施為計算裝置402的一部分。範例計算裝置402可以是一雲端為基伺服器。再者，計算裝置402可包括一處理器404及一記憶體406。於圖4所示的該範例中，記憶體406可包括機器學習模型310。

於操作過程中，計算裝置402可從電子裝置300接收裝置使用資料308。再者，處理器404可將機器學習模型310應用至接收到的裝置使用資料308，以偵測電子裝置300的一使用者的改變，以及響應於該偵測來判定電子裝置300的一表面的觸碰相關汙染狀態。此外，處理器404可基於該觸碰相關汙染狀態來決定一建議動作。一旦決定了該建議動作，處理器404可發送包括該建議動作的一警報通知至電子裝置300。於此範例中，電子裝置300的處理器306可接收該警報通知，並且透過輸出裝置304來輸出該警報通知。

圖5A為一流程圖，例示說明一基於歷史裝置使用資料來訓練一機器學習模型的範例程序500A。於一個範例中，程序500A可於一計算裝置（例如，一雲端為基伺服器）中實施。於502，可從一電子裝置接收與該電子裝置相關聯的歷史裝置使用資料。舉例來說，運行於該電子裝置中的稽核日誌事件監控程式及鍵盤側錄器程式，可分別提供關於使用者登入的資訊以及與工作模式相關聯的資訊。於另一範例中，該電子裝置中的一位置感測器可提供位置資訊。該位置資訊可提供關於該電子裝置的位置的資訊（例如，公共空間或私人空間）。

於又另一範例中，該電子裝置的一攝影機可提供使用者影像，使用者影像可被用於區分使用者以及對每個用戶的裝置使用資料進行分類。再者，於502，該歷史裝置使用資料可被預先處理。於一個範例中，預先處理該歷史裝置使用資料可包括淨化該資料（例如，504）、插補該資料（例如，506）、或任何其等之組合。

於一範例中，淨化該資料可包括檢測並取代該歷史裝置使用資料中的一變數的離群值。於另一範例中，淨化該資料可包括對該歷史裝置使用資料中的一變數的值進行正規化。再者，可針對任何遺失的資料值、無效的資料值、或者定標資料值，對該歷史裝置使用資料進行插補。於此範例中，可處理遺失或無效的資料值以插補出資料值，來取代該等遺失或無效的資料值。換言之，該歷史裝置使用資料可被插補，以插入對該分析方法具有最小影響的遺失值的估值。可透過不同的統計方法來對該歷史裝置使用資料進行插補，例如平均值、前一表列值、下一表列值、自動化方法（例如，R語言中的mice）、等等。

再者，於508，可從預先處理的該歷史裝置使用資料中選擇或產生具有複數個參數（例如，能夠被用於訓練該組機器學習模型的參數）的一組特徵（例如，特徵向量）。於510，可用經淨化與插補的資料與所選擇的該等特徵向量來建構一組機器學習模型。於一範例中，可以如方塊512至520中所敘述的來建構該機器學習模型。於512，該經淨化與插補的資料可被劃分為訓練資料、驗證資料及測試資料。舉例來說，該經淨化與插補的資料可被劃分為60%的訓練資料、20%的驗證資料、以及20%的測試資料。換言之，前60%的項目可被提供作為該訓練資料，接下來20%的項目可被提供作為該驗證資料，最後20%的項目可被提供作為該測試資料。

於514，可用60%的訓練資料來建構多個機器學習模型。於516，可用20%的驗證資料來驗證該等機器學習模型。於一個範例中，可基於該驗證來調整該等機器學習模型。於518，於驗證該等機器學習模型之後，可用20%的測試資料來測試該等機器學習模型。

於520，可從該等已訓練且已測試的機器學習模型中，選擇一具有高準確性的機器學習模型。於一些範例中，所選擇的該機器學習模型可被儲存於一低潛時資料庫中。該低潛時資料庫可促進以最小的延遲（亦即，最小潛時）來詢問所儲存的該機器學習模型，例如透過一表現層狀態轉換API（REST API）。於522，所選擇的該機器學習模型可被應用於從該電子裝置接收的即時裝置使用資料，以估計該電子裝置的一觸碰相關汙染狀態524。用以估計該電子裝置的一觸碰相關汙染狀態524的一範例程序係敘述於圖5B中。

圖5B為一流程圖，例示說明一藉由將該已訓練的機器學習模型（例如，圖5A）應用至即時裝置使用資料，來判定該電子裝置的觸碰相關汙染狀態524的範例程序500B。於圖5B所顯示的範例中，程序500B可實施於一計算裝置（例如，一雲端為基伺服器）中。於552，可從該電子裝置接收到針對一期間的即時裝置使用資料，所接收到的該即時裝置使用資料可被預先處理。於一個範例中，預先處理該即時裝置使用資料可包括淨化該資料、插補該資料、或任何其等之組合。範例的即時裝置使用資料係描述如下於表1中。

衛生指標	稽核日誌事件	鍵盤側錄器	位置移動指標	裝置年齡	裝置停機	使用者登入的數量	改變亮度	改變螢幕保護程式
1	7	37	4	2	6	5	5	5
1	11	47	8	3	7	3	4	4
1	9	25	9	4	8	3	5	5
0	3	7	1	1	4	2	0	0
0	3	2	2	0	0	2	2	2
0	1	13	1	0	2	2	1	0

表1

於該範例的表1中，該即時裝置使用資料可包括與各種參數相關聯的資料，像是衛生指標、稽核日誌事件、鍵盤側錄器、位置移動指標、裝置年齡、裝置停機、使用者登入的數量、改變亮度、改變螢幕保護程式、等等。於554，針對預先處理的該資料而產生／選擇一組特徵。從表1的預先處理的該資料選出的範例特徵（例如，稽核日誌事件、鍵盤側錄器、位置移動指標、以及使用者登入的數量）係描述如下於表2中。

稽核日誌事件	鍵盤側錄器	位置移動指標	使用者登入的數量
7	37	4	5
11	47	8	3
9	25	9	3
3	7	1	2

表2

於556，例如於圖5A的方塊520所選擇的該機器學習模型可被應用於該裝置使用資料，以進行以下動作： -      判定該電子裝置的一表面的觸碰相關汙染狀態524，以及 -      基於觸碰相關汙染狀態524來決定一建議動作。

於一範例中，當該電子裝置的觸碰相關汙染狀態524被判定為部分清潔或不清潔時，於558產生一包括用以清潔該電子裝置的該建議動作的警報通知，並將其發送至該電子裝置。於另一範例中，當該電子裝置的觸碰相關汙染狀態524被判定為清潔時，不會發起任何動作。

於本文中所敘述的該等範例中，該電子裝置可在頻率的間隔或在一新使用者登入該電子裝置時進行REST API呼叫。在接收到該REST API呼叫時，該計算裝置即可從該電子裝置獲得該即時裝置使用資料。此外，該計算裝置可透過一API呼叫與該低潛時資料庫通訊，來估計觸碰相關汙染狀態524。再者，從該低潛時資料庫獲得之具有清潔該電子裝備的建議動作和措施的估計結果可被提示回到該電子裝置。

因此，於本文中所敘述的範例可建構一用以預測並提示使用者清潔該電子裝置之人工智慧驅動的警報機制，以確保健康的生活並且也預防傳染性疾病的傳播。於本文中所敘述的範例亦可提升使用者的體驗。

應可理解的是，圖5A及5B中所描述的該等程序代表概括性的例示說明，並且在不偏離本案的範圍與精神的情況下，可增加其他程序或者可移除、修改、或重新安排現有程序。此外，應理解的是，該等程序可代表儲存於一電腦可讀儲存媒體的指令，當該等指令被執行時，會致使一處理器做出反應、施行動作、改變狀態、及／或做出決定。或者，該等程序可代表由功能等效電路施行的功能及／或動作，像是類比電路、數位訊號處理電路、特定應用積體電路（ASICs）、或與該系統相關聯的其他硬體元件。再者，該等流程圖並非旨在限制本案的實施態樣，而是該等流程圖例示說明了用以設計／製造電路、產生機器可讀指令、或使用硬體與機器可讀指令之組合來施行所說明的程序的功能資訊。

上述範例是為了例示說明的目的。僅管該等上述範例已結合其等之範例實施態樣進行了敘述，但在實質上不偏離本文所述標的之教示的情況下，許多修改是可能的。在不偏離該標的之精神的情況下，可進行其他替換、修改及改變。同樣地，本說明書（包括任何所附之發明申請專利範圍、摘要、及圖式）中所揭露的該等特徵、及／或如此揭露的任何方法或程序可以任何組合方式進行組合，但其中一些這樣的特徵彼此排除之組合除外。

如本文中所使用的，該等用語「包括」、「具有」、及其等之變化，具有和該用語「包含」或其適當變化相同之含義。再者，如本文中所使用的，該用語「基於」是指「至少部分基於」。因此，被敘述為基於某種刺激之特徵可以是基於該刺激或者包括該刺激的多個刺激的組合。此外，該等用語「第一」及「第二」是用於識別個別元件，且並不意味著指定這些元件的順序或數量。

已經參照前述範例對本說明進行了例示及敘述。然而，可理解的是，在不偏離下列發明申請專利範圍所界定的本標的之精神和範圍的情況下，可做出其他形式、細節、及範例。

100:計算裝置 102:處理器 104:機器可讀儲存媒體 106:指令 108:指令 110:指令 200:計算裝置 202:處理器 204:機器可讀儲存媒體 206:指令 208:指令 210:指令 212:指令 214:指令 300:電子裝置 302:儲存裝置 304:輸出裝置 306:處理器 308:裝置使用資料 310:機器學習模型 352:使用資料監控程式 354:攝影機 356:位置感測器 400:計算環境 402:計算裝置 404:處理器 406:記憶體 500A:程序 502:續先處理 504:淨化 506:插補 508:選擇／產生特徵向量 510:機器學習 512:劃分訓練資料組、驗證資料組及測試資料組 514:訓練 516:驗證 518:測試 520:選擇 522:估計 524:汙染狀態 500B:程序 552:預先處理 554:產生特徵 556:機器學習模型 558:產生警報

在以下詳細說明中，參考圖式對範例進行描述，其中：

圖1為一包括非暫態機器可讀儲存媒體的範例計算裝置的方塊圖，該機器可讀儲存媒體儲存有用以判定一電子裝置的表面的觸碰相關汙染狀態之指令；

圖2為一包括非暫態機器可讀儲存媒體的範例計算裝置的方塊圖，該機器可讀儲存媒體儲存有用以從一組機器學習模型中決定一機器學習模型來估計觸碰相關汙染狀態之指令；

圖3A為一範例電子裝置的方塊圖，其包括一用以輸出警報通知的處理器，該警報通知包括清潔該電子裝置的建議動作；

圖3B為圖3A的該範例電子裝置的一方塊圖，描述了額外的特徵；

圖4為一範例計算環境的方塊圖，描述了圖3A的該範例電子裝置與一計算裝置通訊；

圖5A為一流程圖，例示說明一基於歷史裝置使用資料來訓練一機器學習模型的範例程序；以及

圖5B為一流程圖，例示說明一藉由將已訓練的機器學習模型（例如，圖5A）應用至即時裝置使用資料，來判定電子裝置的觸碰相關汙染狀態的範例程序。

100:計算裝置

102:處理器

104:機器可讀儲存媒體

106:指令

108:指令

110:指令

Claims (15)

1. 一種編碼有指令的非暫態機器可讀媒體，當該等指令被一計算裝置的處理器執行時，致使該處理器進行以下動作： 接收與一電子裝置相關聯的裝置使用資料； 藉由將一機器學習模型應用至該裝置使用資料來判定該電子裝置的一表面的一觸碰相關汙染狀態；以及 基於該觸碰相關汙染狀態而發送一警報通知至該電子裝置。
2. 如請求項1之非暫態機器可讀媒體，其中該裝置使用資料包含使用者登入資料、輸入裝置使用資料、位置資料、使用者臉部辨識資料、使用者行為資料、或其等之任何組合。
3. 如請求項1之非暫態機器可讀媒體，其中用以接收該裝置使用資料之指令包含用以進行以下動作之指令： 透過一應用程式設計介面（API）呼叫而從該電子裝置接收該裝置使用資料。
4. 如請求項1之非暫態機器可讀媒體，其中用以接收該裝置使用資料之指令包含用以進行以下動作之指令： 於一週期性間隔或響應於對該電子裝置的一使用者登入事件，接收與該電子裝置相關聯的該裝置使用資料。
5. 如請求項1之非暫態機器可讀媒體，其中該警報通知是包括對應該觸碰相關汙染狀態之用以清潔該電子裝置的該表面的一建議動作。
6. 一種編碼有指令的非暫態機器可讀媒體，當該等指令被一計算裝置的一處理器執行時，致使該處理器進行以下動作： 得到與一電子裝置相關聯的歷史裝置使用資料； 處理該歷史裝置使用資料以產生一訓練資料組及一測試資料組； 基於該訓練資料組來訓練一組機器學習模型，用以估計該電子裝置的一表面的一觸碰相關汙染狀態； 用該測試資料組來測試已訓練的該組機器學習模型；以及 從已訓練且已測試的該組機器學習模型中決定一機器學習模型，用以針對即時裝置使用資料來估計該電子裝置的該觸碰相關汙染狀態。
7. 如請求項6之非暫態機器可讀媒體，其進一步包含用以進行以下動作之指令： 接收與該電子裝置相關聯的該即時裝置使用資料； 藉由使用所決定的該機器學習模型來分析該即時裝置使用資料，以估計該電子裝置的該觸碰相關汙染狀態； 基於該觸碰相關汙染狀態而產生一警報通知；以及 將該警報通知發送至該電子裝置。
8. 如請求項7之非暫態機器可讀媒體，其中用以接收與該電子裝置相關聯的該即時裝置使用資料之指令包含用以進行以下動作之指令： 於一週期性間隔或響應於對該電子裝置的一使用者登入事件，透過一應用程式設計介面（API）呼叫而從該電子裝置接收該即時裝置使用資料。
9. 如請求項6之非暫態機器可讀媒體，其中用以訓練該組機器學習模型之指令包含用以進行以下動作之指令： 訓練該組機器學習模型，用以估計與該電子裝置相關聯的一輸入裝置的一表面的該觸碰相關汙染狀態，其中該輸入裝置包含一鍵盤、一滑鼠、一觸控板、一觸控螢幕、或其等之任何組合。
10. 如請求項6之非暫態機器可讀媒體，其中該歷史裝置使用資料包含使用者登入資料、輸入裝置使用資料、位置資料、使用者臉部辨識資料、使用者行為資料、或其等之任何組合，且其中該輸入裝置使用資料包含滑鼠使用資料、觸控板使用資料、觸控螢幕使用資料、鍵盤使用資料、或其等之任何組合。
11. 如請求項6之非暫態機器可讀媒體，其進一步包含用以進行以下動作之指令： 於測試已訓練的該組機器學習模型之前，基於已處理的該歷史裝置使用資料的一驗證資料組來驗證該等已訓練的機器學習模型，以調整該等已訓練的機器學習模型的準確性。
12. 如請求項6之非暫態機器可讀媒體，其中用以訓練該組機器學習模型之指令包含用以進行以下動作之指令： 從已處理的該歷史裝置使用資料判定一組特徵，其能夠被使用來訓練用以估計該觸碰相關汙染狀態的該組機器學習模型；以及 使用該組特徵或該組特徵的一子集合來訓練該組機器學習模型，以估計該觸碰相關汙染狀態。
13. 一種電子裝置，其包含： 一儲存裝置； 一輸出裝置；以及 一處理器，其用以進行以下動作： 響應於接收一觸發事件而檢索裝置使用資料一段時間，其中該裝置使用資料是儲存於該儲存裝置之中； 將一機器學習模型應用於該裝置使用資料，以進行以下動作： 偵測該電子裝置的一使用者的改變； 響應於該偵測，判定該電子裝置的一表面的一觸碰相關汙染狀態；以及 基於該觸碰相關汙染狀態來決定一建議動作；以及 透過該輸出裝置來輸出一警報通知，該警報通知包括用以清潔該電子裝置的該建議動作。
14. 如請求項13之電子裝置，其中該處理器是用以基於被用來登入該電子裝置的使用者登入資料、透過與該電子裝置相關聯的一攝影機所擷取的使用者臉部辨識資料、或其等之組合，來偵測該電子裝置的該使用者的改變。
15. 如請求項13之電子裝置，其中該觸碰相關汙染狀態包括指示該電子裝置的該表面上的一被汙染區域、該被汙染區域的汙染程度、或其等之組合的資訊。

Images