传感器和为传感器中机器学习分类器生成训练数据的方法技术

公开了传感器以及用于为传感器中的机器学习分类器生成训练数据的方法，其中该方法包括：借助于所述传感器获取第一传感器信号和第二传感器信号；确定所述机器学习分类器是否响应于所述第一传感器信号的输入将所述第一传感器信号分类为预给定用户运动模式；确定分类模型是否响应于所述第二传感器信号的输入将所述第二传感器信号分类为用于控制设备的预给定用户输入，其中所述用户输入被分配给所述用户运动模式；如果所述第二传感器信号已经被分类为所述预给定用户输入，并且如果所述第一传感器信号没有被分类为所述用户运动模式，则为所述机器学习分类器确定训练数据向量，其中所述训练数据向量具有所述第一传感器信号以及所述用户运动模式。及所述用户运动模式。及所述用户运动模式。

【技术实现步骤摘要】
传感器和为传感器中机器学习分类器生成训练数据的方法


[0001]各种实施例总体上涉及一种传感器和一种用于为传感器中的机器学习分类器生成训练数据的方法。

技术介绍

[0002]传感器用于许多设备，例如智能电话、各种可穿戴设备（例如戴在身上和/或头上的设备）、智能耳机等。例如，这里可以使用智能传感器（英语：Intelligent Sensors或Smart Sensors），它们可以对检测到的传感器信号进行预处理。例如，可以借助于经过训练的机器学习分类器（例如神经网络）对检测到的传感器信号进行预处理。机器学习分类器可以借助于覆盖广泛用户的训练数据得到训练。例如，以这种方式概括的机器学习分类器可以识别运动模式。
[0003]在Bourke等人的Fall detection algorithms for real
‑
world falls harvested from lumbar sensors in the elderly population: A machine learning approach, 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2016中，描述一种使用机器学习来识别老年人跌倒危险的方法。
[0004]但是，特定于用户的行为（例如运动模式）可能不同于一般行为。因此，可能有必要特定于用户地训练通用机器学习分类器。特定于用户的训练数据对于通用机器学习分类器的特定于用户的训练是必要的。因此，可能还需要生成用户特定的训练数据。

技术实现思路

[0005]具有独立权利要求1（第一示例）和12（第三十示例）的特征的方法和传感器使得可以在设备中使用传感器期间生成用于传感器中的机器学习分类器的训练数据。
[0006]机器学习分类器可以是可以借助于机器学习适配（例如训练）的任何类型的分类器。例如，机器学习分类器可以是决策树、随机森林分类器、梯度提升分类器、支持向量机(英语：support vector machine，SVM)、最近邻分类器（英语：k
‑
nearest neighbor classifier，KNN)、神经网络等等。神经网络可以具有或是任何类型的神经网络，例如自编码器网络、卷积神经网络(英语：convolutional neural network，CNN)、变分自编码器网络(英语：variational autoencoder network，VAE)、细化自编码器网络（英语：sparse autoencoder network，稀疏自编码器网络，SAE）、递归神经网络(RNN)、解卷积神经网络(英语：deconvolutional neural network，DNN)、生成对抗网络(英语：generative adversarial network，GAN)、前瞻性神经网络（英语：forward
‑
thinking neural network）、和积神经网络（英语：sum
‑
product neural network）等。神经网络可以具有任意数量的层。经过预训练的机器学习分类器可以使用任何类型的训练原则加以预训练，并且可以使用任何类型的训练原则额外训练经过预训练的机器学习分类器。例如，机器学习分类器可以是神经网络，经过预训练的神经网络可以使用任何类型的训练原理加以训练，而
经过预训练的神经网络可以使用任何类型的训练原理加以额外的训练，例如反向传播。
[0007]分类模型可以是可以根据用户输入对传感器数据进行分类的任何类型的模型。特别地，分类模型可以被设计为对所有决策选项确定概率值（也称为“软决策”）。分类模型可以清楚地识别用户输入的存在。例如，分类模型可以将高于阈值的传感器信号分类为用户输入。例如，分类模型可以将高于一个类别（例如，来自多个类别中的一个类别）的所确定的概率的阈值的传感器信号分类为用户输入。根据各种实施例，分类模型可以是如前一段所述的机器学习分类器，例如神经网络。
[0008]特定于用户的训练数据的生成具有以下效果：可以使用特定于用户的训练数据专门针对用户的行为（例如运动模式）额外训练通用的经过预训练的机器学习分类器。
[0009]此外，根据第一示例的方法具有可以在与传感器交互的设备的运行时确定训练数据的效果。
[0010]生成的训练数据（例如所确定的训练数据向量）可用于例如使用本文描述和/或已知的方法重新训练机器学习分类器（例如经过预训练的机器学习分类器）。例如，这具有可以借助于重新训练的机器学习分类器来改进未来检测的效果。例如，可以减少由重新训练的机器学习分类器确定的假阳性和/或假阴性分类的数量。
[0011]借助于传感器获取第一传感器信号和第二传感器信号可以包括：在第一时间范围内获取第一传感器信号；并且在第二时间范围内获取第二传感器信号，其中第一时间范围在第二时间范围之前开始。本段中描述的特征结合第一示例形成第二示例。
[0012]传感器可以具有第一传感器元件和第二传感器元件。借助于传感器获取第一传感器信号和第二传感器信号可以包括：借助于第一传感器元件获取第一传感器信号；以及借助于第一传感器元件和/或借助于第二传感器元件获取第二传感器信号。本段所描述的特征结合第一示例或第二示例形成第三示例。
[0013]第一传感器元件可以检测第一物理变量并且第二传感器元件可以检测与第一物理变量不同的第二物理变量。本段所述的特征结合第三示例形成第四示例。
[0014]第一传感器元件和/或第二传感器元件可以是微机械传感器元件。本段所描述的特征组合第三示例或第四示例形成第五示例。
[0015]传感器可以具有选自由以下组成的组中的一个或多个传感器元件：加速度传感器、转速传感器、磁场传感器、压力传感器、接触传感器。本段中描述的特征结合第一示例至第五示例中的一个或多个形成第六示例。
[0016]传感器可以具有多个传感器元件；并且借助于传感器获取第一传感器信号和第二传感器信号可以包括：借助于多个传感器元件中的一个或多个传感器元件获取一个或多个第一传感器信号；并且借助于多个传感器元件中的一个或多个传感器元件获取一个或多个第二传感器信号。确定机器学习分类器是否响应于第一传感器信号的输入将第一传感器信号分类为预给定用户运动模式可以包括：确定机器学习分类器是否响应于一个或多个第一传感器信号的输入将一个或多个第一传感器信号分类为预给定用户运动模式。确定分类模型是否响应于第二传感器信号的输入将第二传感器信号分类为用于控制设备的预给定用户输入可以包括：确定分类模型是否响应于一个或多个第二传感器信号的输入将一个或多个第二传感器信号分类为预给定用户输入。本段所描述的特征结合第一示例或第六示例中的一个或多个形成第七示例。
[0017]该方法还可以包括如果第二传感器信号已被分类为预给定用户输入和/或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于为传感器中的机器学习分类器生成训练数据的方法，包括：
·
借助于所述传感器获取第一传感器信号和第二传感器信号；
·
确定所述机器学习分类器是否响应于所述第一传感器信号的输入将所述第一传感器信号分类为预给定用户运动模式；
·
确定分类模型是否响应于所述第二传感器信号的输入将所述第二传感器信号分类为用于控制设备的预给定用户输入，其中所述用户输入被分配给所述用户运动模式；
·
如果所述第二传感器信号已经被分类为所述预给定用户输入，并且如果所述第一传感器信号没有被分类为所述用户运动模式，则为所述机器学习分类器确定训练数据向量，其中所述训练数据向量具有所述第一传感器信号以及所述用户运动模式。2.根据权利要求1所述的方法，其中所述传感器具有多个传感器元件；以及其中借助于所述传感器获取第一传感器信号和第二传感器信号包括：
·
借助于所述多个传感器元件中的一个或多个传感器元件获取一个或多个第一传感器信号；并且
·
借助于所述多个传感器元件中的一个或多个传感器元件获取一个或多个第二传感器信号；其中确定所述机器学习分类器是否响应于所述第一传感器信号的输入将所述第一传感器信号分类为预给定用户运动模式包括：
·
确定所述机器学习分类器是否响应于所述一个或多个第一传感器信号的输入将所述一个或多个第一传感器信号分类为所述预给定用户运动模式；其中确定分类模型是否响应于所述第二传感器信号的输入将所述第二传感器信号分类为用于控制设备的预给定用户输入包括：
·
确定所述分类模型是否响应于所述一个或多个第二传感器信号的输入将所述一个或多个第二传感器信号分类为所述预给定用户输入。3.根据权利要求1或2中任一项所述的方法，还包括：
·
如果所述第二传感器信号已被分类为所述预给定用户输入；和/或
·
如果所述第一传感器信号已被分类为所述用户运动模式，则向所述设备传送用于控制所述设备的指令。4.根据权利要求1至3中任一项所述的方法，还包括：
·
借助于所述传感器获取第三传感器信号；
·
确定所述机器学习分类器是否响应于所述第三传感器信号的输入将所述第三传感器信号分类为所述预给定用户运动模式；以及
·
如果所述机器学习分类器将所述第三传感器信号分类为所述用户运动模式，则向所述设备传送用于控制所述设备的指令。5.根据权利要求1至4任一项所述的方法，其中确定所述机器学习分类器是否响应于所述第一传感器信号的输入将所述第一传感器信号分类为预给定用户运动模式包括：
·
响应于将所述第一传感器信号输入到所述机器学习分类器中，确定多个预给定用户运动模式中的每个预给定用户运动模式的概率；
·
如果针对所述多个用户运动模式中的一个用户运动模式确定的概率大于预定义...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：罗伯特，
类型：发明
国别省市：