[发明专利]选择学习模型

说明书

根据第一方面，呈现了一种用于动态选择用于传感器装置的学习模型的方法。学习模型被配置用于基于传感器确定输出数据。该方法包括以下步骤：基于传感器装置中当前加载的学习模型的性能，检测对用于传感器装置的新学习模型的需要；基于来自至少一个传感器（3a‑b）的传感器数据来确定至少一个特征候选，其中至少一个特征候选中的每一个特征候选与不同的传感器数据源关联；基于至少一个特征候选和候选学习模型中的每一个候选学习模型的输入特征，从候选学习模型的集合中选择新学习模型；以及触发新学习模型被加载到传感器装置上，替换当前加载的学习模型。

技术领域

本发明涉及用于动态选择用于传感器装置的学习模型的方法、模型确定器、计算机程序和计算机程序产品。

背景技术

可穿戴电子装置，通常简称为可穿戴设备，最近已经获得了越来越多的欢迎。现在，随着物联网（IoT）的推进，可穿戴设备的使用将继续增长。从已经长时间使用的运动手表或心率带开始；继续到流行的健身腕带和智能手表；导向一些不久的将来的可穿戴设备，诸如血液分析仪、身体压力传感器、皮肤损伤检测器和大脑读取装置。

以前的强烈趋势是将计算移至集中式位置（也称为云计算），以减少分布式低功耗装置中的计算要求和功率使用，并且通过使用更强大的计算机来提高计算速度。

考虑数百亿装置的未来，其中大部分是IoT装置和可穿戴设备，容易证明从集中式计算能力和存储移至分布式计算场景的新趋势是合理的。像边缘云、雾云、边缘计算、边缘分析之类术语全都是指处理移至更靠近装置的概念。

机器学习ML正在成为分布式处理中的关键技术。机器学习例如可用于来自具有多个传感器的传感器装置（诸如可穿戴设备）的数据的模式识别。这样的传感器装置的传感器能以不同的方式使用。例如，可穿戴设备的加速度计可用于活动跟踪（跑步、骑自行车等）以及用于用户界面。可穿戴设备的每种使用要求单独的ML模型。然而，传感器装置经常是极度受限的，并且一般由于例如存储器、处理和/或功率要求的限制，根据几个不同的ML模型同时执行模式识别经常是不可能的。

发明内容

本文实施例的目的是提供一种在传感器装置中的不同学习模型之间高效切换的方式。

根据第一方面，呈现一种用于动态选择用于包括至少一个传感器的传感器装置的学习模型的方法，所述学习模型被配置用于基于来自至少一个传感器的传感器数据来确定输出数据。该方法在模型确定器中执行，并且包括以下步骤：基于传感器装置中当前加载的学习模型的性能，检测对用于传感器装置的新学习模型的需要；基于来自至少一个传感器的传感器数据来确定至少一个特征候选，其中至少一个特征候选中的每一个特征候选与不同的传感器数据源关联；基于至少一个特征候选和候选学习模型中的每一个候选学习模型的输入特征，从候选学习模型的集合中选择新学习模型；以及触发新学习模型被加载到传感器装置上，替换当前加载的学习模型。

所述方法可以进一步包括如下步骤：确定所述当前加载的学习模型在一时间段期间的正确分类的数量和错误分类的数量。在这种情况下，在检测对新学习模型的需要的步骤中，性能基于正确分类的数量和错误分类的数量。

确定的步骤可以进一步包括确定当前加载的学习模型在该时间段期间的无分类的数量。在这种情况下，在检测对新学习模型的需要的步骤中，性能基于无分类的数量。

在确定至少一个特征候选的步骤中，在确定至少一个特征候选之前，可以针对每个传感器随时间对所述传感器数据进行归一化。

选择新学习模型的步骤可以包括从候选学习模型的集合中选择与至少一个特征候选具有最大数量的重叠特征的候选学习模型。