[实用新型]用于电子设备的移动活动的设备和系统

说明书

本公开的各实施例涉及用于电子设备的移动活动的设备和系统。设备包括：惯性传感器，惯性传感器在操作中生成与设备相关联的惯性传感器数据；以及处理电路装置，通信耦合到惯性传感器，其中处理电路装置在操作中：根据惯性传感器数据确定新特征阵列；确定新特征阵列是否在与惯性传感器数据相关联的状态空间内的现有类别内；响应于新特征阵列被包括在现有类别中，将新特征阵列添加到现有类别中，并且基于新特征阵列和现有类别的现有表示来更新状态空间中的现有类别的表示；响应于新特征阵列不被包括在现有类别中，基于新特征阵列创建新类别。根据本公开的实施例的优点在于，允许高效且自动的训练，并且提高了计算设备的速度和效率。

技术领域

本公开一般涉及用于电子设备的移动活动的设备和系统。

背景技术

诸如智能手机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)、“唤醒”设备等。惯性数据还可以用于在用户持有电子设备时，确定用户的一个或多个移动活动。例如，惯性数据可以用于确定用户是否在移动、行走或跑步。移动活动的该类型可以基于惯性数据的特性(诸如特定惯性数据的频率和振幅)而被确定。这种移动活动确定可以用于改善用户和电子设备之间的交互。

通常，采用分类器来学习惯性数据特性的哪些组合可以用来限定移动活动的每个类型。分类器分析来自多个不同用户的惯性数据，并且将惯性数据分组或分类为独特的组或类别。每个独特的类别由惯性数据特性的特定组合限定，并且表示移动活动的独特的类型。例如，分类器可以将针对不移动的第一类别标识为低于第一阈值的加速度计数据；将针对行走的第二类别标识为高于第一阈值并且低于第二阈值的加速度计数据；并且将针对跑步的第三类别标识为高于第二阈值的加速度计数据。因此，分类器利用大量的训练数据来学习或标识不同的阈值水平，并且因此限定表示移动活动的不同类型的不同类别。

分类器的准确性通常与训练数据的量有关，使得利用的训练数据越多，分类器的准确性就越高。然而，分析如此大量的数据可能在计算上是昂贵的并且消耗大量的功率，如果由移动电子设备执行，则这可能无法获得或效率低下。此外，由分类器标识的类别通常针对整个训练数据被概括，这可能导致所学习的类别针对一些个体不准确。正是关于这些和其他考虑，做出了本文描述的实施例。

实用新型内容

本公开至少解决了分类器的准确性的问题。

根据本公开的第一方面，提供了一种用于确定电子设备的移动活动的设备，包括：惯性传感器，所述惯性传感器在操作中生成与所述设备相关联的惯性传感器数据；以及处理电路装置，通信耦合到所述惯性传感器，其中所述处理电路装置在操作中：根据所述惯性传感器数据确定新特征阵列；确定所述新特征阵列是否在与所述惯性传感器数据相关联的状态空间内的现有类别内；响应于所述新特征阵列被包括在所述现有类别中，将所述新特征阵列添加到所述现有类别中，并且基于所述新特征阵列和所述现有类别的现有表示来更新所述状态空间中的所述现有类别的表示；响应于所述新特征阵列不被包括在所述现有类别中，基于所述新特征阵列创建新类别。

在一些实施例中，所述处理电路装置在操作中：接收新惯性传感器数据；选择所述状态空间中的多个类别中的与所述新惯性传感器数据相关联的类别；以及指示所述设备基于所选择的类别来执行动作。

在一些实施例中，所述处理电路装置在操作中：确定所述新特征阵列是否在所述状态空间内；以及响应于所述新特征阵列不被包括在所述状态空间中，基于所述新特征阵列对所述状态空间重新标准化。

在一些实施例中，所述数字信号处理电路装置在操作中：基于经重新标准化的所述状态空间，修改所述现有类别的所述表示。

在一些实施例中，所述处理电路装置在操作中：基于经重新标准化的所述状态空间，重新缩放所述现有类别。