为人体运动活动生成个性化分类器的方法和设备技术

本文中描述了一种操作电子设备的方法，该方法包括：从电子设备的至少一个传感器收集初始运动活动数据；以及使用运动活动分类器函数根据收集的初始运动活动数据来生成电子设备相对于其周围环境的初始概率上下文。将所收集的运动活动数据存储在训练数据集中，并且使用训练数据集来更新运动活动分类器函数。该方法还包括从电子设备的至少一个传感器收集后续运动活动数据，并且使用经更新的运动活动分类器函数根据后续收集的运动活动数据来生成电子设备相对于其周围环境的后续概率上下文。

【技术实现步骤摘要】
为人体运动活动生成个性化分类器的方法和设备
本公开涉及一种用于以无监督方式使用从工厂设置的通用分类器开始被个性化的分类器来提高移动或可穿戴设备用户的运动活动的分类准确度的方法。
技术介绍
移动、平板电脑和可穿戴设备包括嵌入式MEMS传感器，如加速度计、气压计、陀螺仪、磁力计和麦克风。这些传感器可以由在设备内执行的软件使用，以确定用户正在执行或进行的人体运动活动。这样的运动活动的检测可以由软件使用，以辅助人机交互。事实上，运动活动感知设备可以在涉及运动活动的某些应用中最小化或者甚至消除对人类输入的需要。例如，如果人类用户正在慢跑，则应用可以自动且无需用户输入地开始播放音乐并且开启健康监测应用。因此，正确地检测人体运动活动可以是有价值的且在商业上需要的，特别是在普适计算、人机交互和物联网领域。通常，这样的电子设备使用通用分类技术来确定正在执行哪种运动活动，诸如步行或慢跑。这些通用分类技术并非特定于任何一个用户，而是被设计成为任何用户提供可接受的性能。然而，每个个人在执行这样的运动活动时具有不同的步态，这表示与对于其他用户而言相比，对于某些用户而言，通用分类技术可能更准确。这由于人的尺寸、形状和重量的巨大差异而变得复杂化，因为例如，由高且重的个体执行的慢跑运动的传感器输出与由矮且轻的个体执行的慢跑运动的传感器输出可能显著不同。因此，为了提供更好和更准确的运动活动检测和分类，需要开发可以考虑不同用户的不同特性的分类技术。
技术实现思路
一种方法用于操作电子设备并且包括：从电子设备的至少一个传感器收集初始运动活动数据；以及使用运动活动分类器函数根据收集的初始运动活动数据来生成电子设备相对于其周围环境的初始概率上下文。将所收集的运动活动数据存储在训练数据集中，并且使用训练数据集来更新运动活动分类器函数。该方法还包括从电子设备的至少一个传感器收集后续运动活动数据，并且使用经更新的运动活动分类器函数根据后续收集的运动活动数据来生成电子设备相对于其周围环境的后续概率上下文。该方法可以包括在生成初始概率上下文之后生成数据选择置信度量度。如果数据选择置信度量度大于较低阈值，则可以将所收集的运动活动数据可以存储在训练数据集中，并且如果数据选择置信度量度小于较低阈值，则可以不将所收集的运动活动数据存储在训练数据集中。如果数据选择置信度量度大于或等于较低阈值且小于或等于较高阈值，则可以将所收集的运动活动数据存储在训练数据集中。该方法可以包括在生成初始概率上下文之后生成数据选择置信度量度。如果数据选择置信度量度小于较高阈值，则可以将所收集的运动活动数据存储在训练数据集中，并且如果数据选择置信度量度大于较高阈值，则不将所收集的运动活动数据存储在训练数据集中。该方法还可以包括在使用训练数据集来更新运动活动分类器函数之前确定训练数据集是否包含足够的数据，并且除非训练数据集包含足够的数据，否则不更新运动活动分类器函数。该方法可以另外包括将后续运动活动数据存储在训练数据集中，使用训练数据集进一步更新经更新的运动活动分类器函数，从电子设备的至少一个传感器收集进一步的运动活动数据，并且使用经进一步更新的运动活动分类器函数根据进一步的运动活动数据来生成电子设备相对于其周围环境的进一步的概率上下文。数据选择置信度量度可以基于初始概率上下文的条件熵。初始概率上下文可以包括包含多个不同潜在上下文的运动活动后验图，并且数据选择置信度量度可以基于运动活动后验图的条件熵。数据选择置信度量度可以基于概率上下文的运动活动的最高后验概率和第二高后验概率之间的差值。训练数据集可以包括通用数据和从电子设备的至少一个传感器收集的运动活动数据。训练数据集可以包括从电子设备的至少一个传感器收集的运动活动数据。本文中还描述了一种传感器芯片，该传感器芯片安装在印刷电路板(PCB)上并且经由至少一个导电迹线电耦合到安装在PCB上的片上系统(SOC)。传感器芯片包括至少一个感测设备和控制电路。控制电路被配置为从至少一个感测设备收集初始运动活动数据，使用运动活动分类器函数根据收集的初始运动活动数据来生成印刷电路板相对于其周围环境的初始概率上下文，将所收集的运动活动数据存储在训练数据集中，使用训练数据集来更新运动活动分类器函数，从电子设备的至少一个传感器收集后续运动活动数据，并且使用经更新的运动活动分类器函数根据后续收集的运动活动数据来生成电子设备相对于其周围环境的后续概率上下文。控制电路可以向SOC输出初始概率上下文和后续概率上下文。附图说明图1A是能够实现本文中描述的方法和技术的设备的框图，其中个性化分类器被存储在非易失性存储器中；图1B是能够实现本文中描述的方法和技术的设备的框图，其中个性化分类器被存储在外部服务器上；图1C是能够实现本文中描述的方法和技术的备选设备的框图，其中个性化分类器被存储在非易失性存储器中；图2包括描绘目标用户数据通过通用分类器的使用被错误分类以及通过个性化分类器的使用被正确分类的图；图3是使用无监督学习根据通用分类器生成移动或可穿戴设备用户的人体运动活动的个性化分类器的方法的流程图；图4是用于使用无监督学习根据先前的个性化分类器迭代地生成移动或可穿戴设备用户的人体运动活动的个性化分类器的方法的流程图；图5是示出图3至4中的运动活动后验图的生成和运动活动的检测的细节的流程图；图6包括示出作为帧的函数的运动活动后验图(MAP)形式的运动活动类的后验概率以及用于针对活动“步行”根据MAP确定的DSM的条件熵的图；图7包括示出作为帧的函数的MAP形式的运动活动类的后验概率以及用于针对活动“步行”根据MAP确定的DSM的最高和第二高后验概率之间的差值的图；图8包括示出在执行活动“步行”的情况下使用通用分类器获得的MAP、作为DSM的量度而计算的条件熵以及在执行活动“步行”的情况下使用个性化分类器获得的MAP的图；图9是示出使用通用分类器和个性化分类器针对设备的不同携带位置的加权准确度的图，该个性化分类器是利用条件熵大于较低阈值且小于较高阈值的数据训练的；图10是示出针对位于裤袋中的设备的个性化和通用运动活动检测的加权平均准确度的图；图11是示出针对位于背包中的设备的个性化和通用运动活动检测的加权平均准确度的图；图12是示出针对位于手中的设备的个性化和通用运动活动检测的加权平均准确度的图；图13是示出针对由摆动的手臂携带的设备的个性化和通用运动活动检测的加权平均准确度的图；图14是示出针对衬衫口袋中的设备的个性化和通用运动活动检测的加权平均准确度的图；图15是示出针对皮套中的设备的个性化和通用运动活动检测的加权平均准确度的图；以及图16是示出针对肩袋中的设备的个性化和通用运动活动检测的加权平均准确度的图。具体实施方式参考示出了示例实施例的附图来进行本描述。然而，可以使用很多不同的实施例，并且因此描述不应当被解释为限于本文中阐述的实施例。相反，这些实施例被提供以使得本公开透彻和完整。相同的数字始终指代相同的要素。首先在总体上解释并且然后更详细地描述根据本公开的操作。本文中描述了一种用于利用一个或多个传感器来确定移动或可穿戴设备用户的运动活动的计算方法，其目的是通过将目标用户的运动活动的样本引入工厂设置的通用数据集中以提供训练数据集来实现改进的准确度级别。在工本文档来自技高网...

【技术保护点】
1.一种操作电子设备的方法，包括：从所述电子设备的至少一个传感器收集初始运动活动数据；使用运动活动分类器函数，根据所收集的初始运动活动数据来生成所述电子设备相对于所述电子设备的周围环境的初始概率上下文；将所收集的运动活动数据存储在训练数据集中；使用所述训练数据集来更新所述运动活动分类器函数；从所述电子设备的所述至少一个传感器收集后续运动活动数据；以及使用经更新的运动活动分类器函数，根据后续收集的运动活动数据来生成所述电子设备相对于所述电子设备的周围环境的后续概率上下文。

【技术特征摘要】
2017.05.19 US 15/600,0571.一种操作电子设备的方法，包括：从所述电子设备的至少一个传感器收集初始运动活动数据；使用运动活动分类器函数，根据所收集的初始运动活动数据来生成所述电子设备相对于所述电子设备的周围环境的初始概率上下文；将所收集的运动活动数据存储在训练数据集中；使用所述训练数据集来更新所述运动活动分类器函数；从所述电子设备的所述至少一个传感器收集后续运动活动数据；以及使用经更新的运动活动分类器函数，根据后续收集的运动活动数据来生成所述电子设备相对于所述电子设备的周围环境的后续概率上下文。2.根据权利要求1所述的方法，还包括：在生成所述初始概率上下文之后，生成数据选择置信度量度；其中如果所述数据选择置信度量度大于较低阈值，则将所收集的运动活动数据存储在所述训练数据集中，并且其中如果所述数据选择置信度量度小于所述较低阈值，则不将所收集的运动活动数据存储在所述训练数据集中。3.根据权利要求3所述的方法，其中如果所述数据选择置信度量度大于或等于较低阈值、且小于或等于较高阈值，则将所收集的运动活动数据存储在所述训练数据集中。4.根据权利要求1所述的方法，还包括：在生成所述初始概率上下文之后，生成数据选择置信度量度；其中如果所述数据选择置信度量度小于较高阈值，则将所收集的运动活动数据存储在所述训练数据集中，并且其中如果所述数据选择置信度量度大于所述较高阈值，则不将所收集的运动活动数据存储在所述训练数据集中。5.根据权利要求1所述的方法，还包括：在使用所述训练数据集来更新所述运动活动分类器函数之前，确定所述训练数据集是否包含足够的数据，并且除非所述训练数据集包含足够的数据，否则不更新所述运动活动分类器函数。6.根据权利要求1所述的方法，还包括：将所述后续运动活动数据存储在所述训练数据集中；使用所述训练数据集进一步更新所述经更新的运动活动分类器函数；从所述电子设备的所述至少一个传感器收集进一步的运动活动数据；以及使用经进一步更新的运动活动分类器函数，根据所述进一步的运动活动数据来生成所述电子设备相对于所述电子设备的周围环境的进一步的概率上下文。7.根据权利要求2所述的方法，其中所述数据选择置信度量度基于所述初始概率上下文的条件熵。8.根据权利要求7所述的方法，其中所述初始概率上下文包括包含多个不同潜在上下文的运动活动后验图；并且其中所述数据选择置信度量度基于所述运动活动后验图的条件熵。9.根据权利要求2所述的方法，其中所述数据选择置信度量度基于所述概率上下文的运动活动的最高后验概率和第二高后验概率之间的差值。10.根据权利要求1所述的方法，其中所述训练数据集包括通用数据、以及从所述电子设备的所述至少一个传感器收集的运动活动数据。11.根据权利要求1所述的方法，其中所述训练数据集包括从所述电子设备的所述至少一个传感器收集的运动活动数据。12.一种传感器芯片，安装在印刷电路板(PCB)上、并且经由至少一个导电迹线电耦合到安装在所述PCB上的片上系统(SOC)，所述传感器芯片包括：至少一个感测设备；以及控制电路，被配置为：从所述至少一个感测设备收集初始运动活动数据；使用运动活动分类器函...

【专利技术属性】
技术研发人员：M·乔达里，A·库马，G·辛格，R·巴勒，
申请(专利权)人：意法半导体公司，意法半导体国际有限公司，
类型：发明
国别省市：美国,US