提取用于嵌入式人工智能机制的特征的方法、系统和电路技术方案

本公开的各实施例涉及提取用于嵌入式人工智能机制的特征的方法、系统和电路。用于利用顺序输入惯性传感器数据来计算递归特征的系统、方法和电路系统，用于训练机器学习算法或用于将数据分类为已知类。基于当前数据样本值与先前递归特征值之间的比较，来计算当前数据样本的递归特征值。递归特征包括递归最大值、递归最小值、递归峰峰值、递归平均、递归均方根、以及递归方差。以及递归方差。以及递归方差。

【技术实现步骤摘要】
提取用于嵌入式人工智能机制的特征的方法、系统和电路


[0001]本公开总体涉及在嵌入式应用中经常使用的类型的电子设备。更具体地但非排他地，本公开涉及提取传感器特征以用在人工智能机制中。

技术介绍

[0002]诸如智能电话的许多移动电子设备包括一个或多个惯性传感器，以检测电子设备的移动。从惯性传感器获得的惯性数据可以用于旋转显示屏、控制应用功能(例如，控制视频游戏应用中的角色或检测健身活动)、“唤醒”设备等。当用户保持/佩戴电子设备时，惯性数据还可以用于确定一个或多个移动活动。例如，惯性数据可以用于确定用户静止(不移动)、步行还是跑步。这种类型的移动活动可以基于惯性数据的特性来进行确定，诸如特定惯性数据的频率和振幅。这种移动活动确定可以用于改进用户和电子设备之间的交互。
[0003]通常，可以利用决策树、有限状态机或其他机器学习模型从惯性数据标识活动。利用这些学习机制，信号可以利用特征集合(例如，均值、方差、能量、频率响应)来表示，特征集合包含关于包含惯性传感器的设备的移动的信息。建立这些特征来开发学习机制通常是计算密集型过程，或者可能导致丢失特征。正是针对这些和其他考虑，做出了本文描述的实施例。

技术实现思路

[0004]本文描述的实施例利用顺序输入惯性传感器数据来计算递归特征，以用于训练机器学习算法或用于将数据分类为已知类。基于当前数据样本值与先前递归特征值之间的比较，来计算当前数据样本的递归特征值。递归特征包括递归最大值、递归最小值、递归峰峰值、递归平均、递归均方根、以及递归方差。
>[0005]其他特征提取方法和系统可以利用重叠数据窗口或顺序非重叠窗口。不幸的是，使用非重叠窗口的特征检测不太灵活，并且当事件发生在两个窗口之间时出现的单事件检测可能会出现问题。例如，如果用户双击界面，如果第一次点击出现在第一窗口期间并且第二次点击出现在第二非重叠窗口期间，则系统可能看到两个分开的单击并且错过双击。使用重叠窗口的特征检测使用滑动窗口来分析多个样本上的数据。尽管使用重叠窗口可以检测到大多数信号事件(例如，双击)，但这种方法通常利用更多的存储器、计算时间和总体上更多的功耗。
[0006]本文描述的实施例产生与重叠窗口方法类似的益处，但利用更少的计算和更小的存储器占用空间，这导致更少的功耗。
附图说明
[0007]参考以下附图描述了非限制性和非穷举性实施例，其中贯穿各个视图，相同的标签指代相同的部分，除非上下文另有指示。附图中元件的尺寸和相对位置不一定按比例绘制。例如，各种元件的形状被选择、放大和定位以改进附图的易读性。为便于在附图中识别，
选择了所绘元件的特定形状。下面参考附图描述一个或多个实施例，其中：
[0008]图1是示出用于实现本文描述的实施例的示例计算设备的框图；
[0009]图2是示出根据本文描述的实施例的特征提取电路结构的一个示例的概念框图；
[0010]图3是示出根据本文描述的实施例的递归最大值电路结构的一个示例的概念框图；
[0011]图4是示出根据本文描述的实施例的递归最小值电路结构的一个示例的概念框图；
[0012]图5是示出用于在执行最小值函数和最大值函数之间进行选择并且根据本文描述的实施例的电路结构的一个示例的概念框图；
[0013]图6是示出根据本文描述的实施例的基于无限脉冲响应的电路结构的一个示例的概念框图；
[0014]图7示出了根据本文描述的实施例的用于从递归特征训练机器学习算法的概述过程的逻辑流程图；以及
[0015]图8示出了根据本文描述的实施例的用于递归地计算惯性传感器信号的特征的过程的逻辑流程图。
具体实施方式
[0016]在以下描述中，连同附图，阐述了某些细节以便提供对设备、系统、方法和物品的各种实施例的透彻理解。然而，本领域的技术人员将理解，可以在没有这些细节的情况下实施其他实施例。在其他情况下，在一些图中未详细示出或描述与例如电路(诸如晶体管、乘法器、加法器、除法器、比较器、集成电路、逻辑门、有限状态机、加速度计、陀螺仪、磁场传感器、存储器、总线系统等)相关联的公知的结构和方法，以避免不必要地混淆实施例的描述。此外，未示出或描述与本公开的环境相关联的公知的结构或组件(包括但不限于通信系统和网络)，以便避免不必要地模糊实施例的描述。
[0017]除非上下文另有要求，否则贯穿随后的说明书和权利要求书，“包括”一词及其变型(诸如“包含”和“具有”)应当以开放、包含性的意义来解释，即“包括但不限于”。
[0018]贯穿说明书、权利要求书和附图，除非上下文另有明确规定，否则以下术语具有与本文明确相关联的含义。术语“本文”是指与当前申请相关联的说明书、权利要求和附图。短语“在一个实施例中”、“在另一个实施例中”、“在各种实施例中”、“在一些实施例中”、“在其他实施例中”及其其他变型是指本公开的一个或多个特征、结构、功能、限制或特性，并且不限于相同或不同的实施例，除非上下文另有明确规定。如本文所使用的，术语“或”是包含性“或”运算符，并且等同于短语“A或B，或两者”或“A或B或C，或其任何组合”，并且具有附加元素的列表被同样对待。术语“基于”不是排他性的，并且允许基于未描述的附加特征、功能、方面或限制，除非上下文另有明确规定。此外，贯穿说明书，“一”、“一个”和“该”的含义包括单数和复数。此外，在一个或多个实施例中可以以任何适当的方式组合特定特征、结构或特性以获得进一步的实施例。
[0019]图1是示出用于实现本文描述的实施例的示例计算设备108的框图。计算设备108包括MEMS 110、处理器112和输入/输出116。尽管未示出，但计算设备108可以具有其他计算组件。
[0020]MEMS 110获得各种传感器数据，该各种传感器数据被提供给处理器112以用于处理。MEMS 110可以包括被配置为感测与计算设备108相关联的移动或位置数据的加速度计或陀螺仪。虽然图1示出了MEMS的使用，但也可以使用其他感测技术或输入传感器。这种其他传感器可以包括但不限于GPS系统、温度传感器、气体传感器、压力传感器、磁传感器、成像传感器等，或者它们的各种组合。
[0021]从MEMS 110获得的数据被提供给处理器112以用于附加处理。处理器112包括一个或多个处理核或电路。处理器可以包括例如一个或多个处理器、状态机、微处理器、可编程逻辑电路、分立电路系统、逻辑门、寄存器等，和/或它们的各种组合。处理器112可以控制计算设备108的整体操作、计算设备108对应用的执行等。
[0022]在一些实施例中，处理器112可以执行计算机可读指令以执行本文描述的实施例。在其他实施例中，处理器112可以包括可以实现本文描述的实施例的电路或逻辑。在又一些其他实施例中，与处理器112分离的其他电路或逻辑(未示出)可以用于实现本文描述的实施例。
[0023]计算设备108还包括一个或多个存储器(未示出)，诸如一个或多个易失性或非易失性存储器或其组合，存储器例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：随时间接收多个惯性传感器数据样本；基于对所述多个惯性传感器数据样本的顺序样本的分析，随时间递归地计算多个特征，包括：针对所述多个惯性传感器数据样本中的每个当前样本，基于针对对应特征的先前递归特征值与所述当前样本之间的比较，计算针对所述多个特征中的每个所述对应特征的当前特征值；利用已知类来标记所述多个惯性传感器数据样本；以及基于随时间的所计算的多个特征，训练机器学习算法以检测所述已知类。2.根据权利要求1所述的方法，其中随时间递归地计算所述多个特征包括：计算所述多个惯性传感器数据样本上的递归最大值。3.根据权利要求2所述的方法，其中计算所述递归最大值包括：响应于所述当前样本的值小于阈值，将针对所述当前样本的所述递归最大值设置为所述阈值；响应于所述当前样本的所述值大于针对所述多个惯性传感器数据样本的先前样本的先前递归最大值，将针对所述当前样本的所述递归最大值设置为所述当前样本的所述值；以及响应于所述当前样本的所述值小于或等于所述先前递归最大值，将针对所述当前样本的所述递归最大值设置为所述阈值与所述先前递归最大值减去所述阈值乘以最大系数的和。4.根据权利要求3所述的方法，还包括：响应于所述当前样本的所述值大于所述先前递归最大值，将所述最大系数设置为默认系数值；以及响应于所述当前样本的所述值小于或等于所述先前递归值，将所述最大系数设置为所述最大系数与所述默认系数值的乘积。5.根据权利要求1所述的方法，其中随时间递归地计算所述多个特征包括：计算所述多个惯性传感器数据样本上的递归最小值。6.根据权利要求5所述的方法，其中计算所述递归最小值包括：响应于所述当前样本的值大于阈值，将针对所述当前样本的所述递归最小值设置为所述阈值；响应于所述当前样本的所述值小于针对所述多个惯性传感器数据样本的先前样本的先前递归最小值，将针对所述当前样本的所述递归最小值设置为所述当前样本的所述值；以及响应于所述当前样本的所述值大于或等于所述先前递归最小值，将针对所述当前样本的所述递归最小值设置为所述阈值与所述阈值减去所述先前递归最小值乘以最小系数的差。7.根据权利要求6所述的方法，还包括：响应于所述当前样本的所述值小于所述先前递归最小值，将所述最小系数设置为默认系数值；以及
响应于所述当前样本的所述值大于或等于所述先前递归值，将所述最小系数设置为所述最小系数与所述默认系数值的乘积。8.根据权利要求1所述的方法，其中随时间递归地计算所述多个特征包括：计算所述多个惯性传感器数据样本上的递归最大值与递归最小值之间的递归峰峰值。9.根据权利要求1所述的方法，其中随时间递归地计算所述多个特征包括：随时间计算所述多个惯性传感器数据样本的递归平均。10.根据权利要求9所述的方法，其中计算所述递归平均包括：计算所述多个惯性传感器数据样本上的无限脉冲响应低通滤波器。11.根据权利要求1所述的方法，其中随时间递归地计算所述多个特征包括：随时间计算所述多个惯性传感器数据样本的递归均方根。12.根据权利要求11所述的方法，其中计算所述递归均方根包括：计算所述多个惯性传感器数据样本的平方上的无限脉冲响应低通滤波器的平方根。13.根据权利要求1所述的方法，其中随时间递归地计算所述多个特征包括：随时间计算所述多个惯性传感器数据样本的递归方差。14.根据权利要求13所述的方法，其中计算所述递归方差包括：计算所述多个惯性传感器数据样本的平方上的第一无限脉冲响应低通滤波器与所述多个惯性传感器数据样本上的第二无限脉冲响应低通滤波器的平方之间的差。15.一种系统，包括：无限脉冲响应模块，被配置为计算输入信号的递归平均、所述输入信号的递归均方根、以及所述输入信号的递归方差；递归最大值模块，被配置为计算所述输入信号的递归最大值；递归最小值模块，被配置为计算所述输入信号的递归...

【专利技术属性】
技术研发人员：L，
申请(专利权)人：意法半导体股份有限公司，
类型：发明
国别省市：