状态识别方法、装置以及电子设备制造方法及图纸

本申请实施例公开了一种状态识别方法、装置以及电子设备。方法包括：处理器获取运动传感器采集的传感器数据；通过目标循环神经网络对传感器数据进行处理，得到目标循环神经网络输出的第一特征，目标循环神经网络包括有门循环单元；基于注意力机制对第一特征进行特征提取，得到第二特征；基于第二特征与状态类别之间的映射关系，确定与第二特征对应的目标状态类别，并将目标状态类别对应的状态作为状态识别结果。从而通过引入注意力机制的方式，使得在有连续多个传感器数据输入的情况下，可以良好的进行连续多个传感器数据对应状态的识别，进而在基于传感器数据对应状态来识别用户状态的情况下，提升了对于用户状态识别的准确性。

【技术实现步骤摘要】
状态识别方法、装置以及电子设备
本申请涉及人工智能
，更具体地，涉及一种状态识别方法、装置以及电子设备。
技术介绍
随着人工智能技术的发展，在许多的生活场景中都利用到了人工智能技术。例如，在用户通勤的过程中，可以通过人工智能技术来识别用户所携带的电子设备的状态，以便确定用户所处的状态。但是，在相关的检测用户状态的方法中，还存在准确性有待提升的问题。
技术实现思路
鉴于上述问题，本申请提出了一种状态识别方法、装置以及电子设备，以改善上述问题。第一方面，本申请提供了一种状态识别方法，应用于电子设备，所述电子设备包括处理器以及运动传感器，所述方法包括：所述处理器获取所述运动传感器采集的传感器数据；通过目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，所述目标循环神经网络包括有门循环单元；基于注意力机制对所述第一特征进行特征提取，得到第二特征；基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果。第二方面，本申请提供了一种状态识别装置，所述电子设备包括处理器以及运动传感器，所述装置运行于所述处理器，所述装置包括：数据采集单元，用于获取所述运动传感器采集的传感器数据；第一特征获取单元，用于通过目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，所述目标循环神经网络包括有门循环单元；第二特征获取单元，用于基于注意力机制对所述第一特征进行特征提取，得到第二特征；状态识别单元，用于基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果。第三方面，本申请提供了一种电子设备，所述电子设备至少包括处理器、数字信号处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述处理器以及所述数字信号处理器执行以实现上述方法。第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码被第一数据处理器件或者第二数据处理器件运行时执行上述的方法。本申请提供的一种状态识别方法、装置以及电子设备，在电子设备至少包括处理器以及运动传感器的情况下，该处理器在获取所述运动传感器采集的传感器数据后，通过包括有门循环单元的目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，然后再基于注意力机制对所述第一特征进行特征提取，得到第二特征，进而基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别。从而通过引入注意力机制的方式，使得在有连续多个传感器数据输入的情况下，可以良好的进行连续多个传感器数据对应状态的识别，进而在基于传感器数据对应状态来识别用户状态的情况下，提升了对于用户状态识别的准确性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了本申请一实施例提出的一种状态识别方法的流程图；图2示出了本申请另一实施例提出的一种状态识别方法的流程图；图3示出了本申请实施例中获取水平加速度数据的示意图；图4示出了本申请实施例中进行短时傅里叶特征提取的示意图；图5示出了本申请另一实施例提出的一种状态识别方法的流程图；图6示出了图5中S360的一种实施方式的流程图；图7示出了本申请实施例中在进行池化处理过程中排序的示意图；图8示出了本申请实施例中进行注意力尺度化的示意图；图9示出了本申请实施例中进行注意力提取的示意图；图10示出了本申请实施例中确定目标状态类别的示意图；图11示出了本申请再一实施例提出的一种状态识别方法的流程图；图12示出了本申请又一实施例提出的一种状态识别方法的流程图；图13示出了本申请实施例提出的一种状态识别装置的结构框图；图14示出了本申请实施例提出的另一种状态识别装置的结构框图；图15示出了本申请实施例提出的再一种状态识别装置的结构框图；图16示出了本申请的用于执行根据本申请实施例的状态识别方法的另一种电子设备的结构框图；图17是本申请实施例的用于保存或者携带实现根据本申请实施例的状态识别方法的程序代码的存储单元。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。随着人工智能技术的发展，在许多的生活场景中都利用到了人工智能技术。例如，在用户通勤的过程中，可以通过人工智能技术来识别用户所携带的电子设备的状态，以便确定用户所处的状态。示例性的，在用户乘坐地铁这个场景中，可以通过对用户随身携带的电子设备的运动情况进行检测，进而确定用户当前是处于行走状态，还是乘坐地铁状态。而在检测到处于乘坐地铁的状态下又可以检测用户当前所处的站点，以便为用户提供站点提醒服务。但是，专利技术人对在相关的检测用户状态的方法的研究中发现，相关的检测用户状态的方法多是采用传统的阈值检测，或者是采用普通的卷积神经网络进行检测，进而造成还存在准确性有待提升的问题。因此，专利技术人在研究中发现上述问题后，提出了本申请中可以改善上述问题的状态识别方法、装置以及电子设备。在电子设备至少包括处理器以及运动传感器的情况下，该处理器在获取所述运动传感器采集的传感器数据后，通过包括有门循环单元的目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，然后再基于注意力机制对所述第一特征进行特征提取，得到第二特征，进而基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别。从而通过引入注意力机本文档来自技高网...

【技术保护点】
1.一种状态识别方法，其特征在于，应用于电子设备，所述电子设备包括处理器以及运动传感器，所述方法包括：/n所述处理器获取所述运动传感器采集的传感器数据；/n通过目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，所述目标循环神经网络包括有门循环单元；/n基于注意力机制对所述第一特征进行特征提取，得到第二特征；/n基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果。/n

【技术特征摘要】
1.一种状态识别方法，其特征在于，应用于电子设备，所述电子设备包括处理器以及运动传感器，所述方法包括：
所述处理器获取所述运动传感器采集的传感器数据；
通过目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，所述目标循环神经网络包括有门循环单元；
基于注意力机制对所述第一特征进行特征提取，得到第二特征；
基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果。


2.根据权利要求1所述的方法，其特征在于，所述运动传感器包括重力传感器以及加速度传感器，所述获取所述运动传感器采集的传感器数据，包括：
基于所述重力传感器以及加速度传感器分别采集的数据得到水平加速度数据；
对所述水平加速度数据进行短时傅里叶特征提取，将所提取得到的传感器特征作为传感器数据。


3.根据权利要求1所述的方法，其特征在于，所述通过目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出的第一特征，包括：
对所述传感器数据进行卷积处理得到第一局部特征；
对所述第一局部特征进行归一化处理得到归一化特征；
对所述归一化特征进行线性计算得到线性特征；
基于门循环单元对所述线性特征进行处理得到第一特征。


4.根据权利要求3所述的方法，其特征在于，所述第一特征包括多个通道的特征，所述基于注意力机制对所述第一特征进行特征提取，得到第二特征，包括：
在当次的注意力特征提取过程中，对当次进行注意力特征提取的通道的特征进行池化得到指定维度的特征，所述指定维度的特征包括所述当次进行注意力特征提取的通道的特征中排序靠前的多个特征；
基于第一全连接网络将所述指定维度的特征提取为指定尺寸的特征，所述指定尺寸与所述第一特征的尺寸相同；
基于第二全连接网络对所述指定尺寸的特征进行局部特征计算，得到第二局部特征，所述第二局部特征的尺寸与所述第一特征的尺寸相同；
对所述第二局部特征进行归一化处理，得到归一化后的权重数据；
将所述归一化后的权重数据加权到所述多个通道的特征；
进入下一次的所述注意力特征提取过程，直到完成对所有的通道的特征的注意力特征提取；
在完成对所有的通道的特征的注意力特征提取后，基于多个通道的特征各自的权重数据以及所述多个通道的特征进行加权求和得到第二特征。


5.根据权利要求4所述的方法，其特征在于，所述基于多个通道的特征各自的权重数据以及所述多个通道的特征进行加权求和得到第二特征，包括：
基于多个通道的特征各自的权重数据以及指定的多种权重更新计算规则，计算每个通道的特征各自的权重数据分别对应于多种权重更新计算规则的权重数据，得到每个通道的特征对应的多个新的权重数据；
将每个通道的特征对应的多个新的权重数据进行平均和计算，得到每个通道的特征对应的目标权重数据；
基于每个通道的特征对应的目标权重数据以及每个通道的特征进行加权求和得到第二特征。


6.根据权利要求1-5任一所述的方法，其特征在于，所述基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果，包括：
将所述第二特征转换为多维向量形式；
获取基于所述多维向量形式的第二特征中的第...

【专利技术属性】
技术研发人员：宋天龙，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44