[发明专利]具有触摸屏的电子设备及其触摸解锁方法

说明书

本申请公开了一种具有触摸屏的电子设备，其基于深度学习的神经网络模型对用户施加于电子设备的显示屏的触摸操作的触摸数据进行特征提取和分类，以获得基于检测到的触摸操作是否执行屏幕的解锁操作的分类结果。具体地，在用于触摸解锁方法的神经网络的训练过程中，首先基于自监督学习的思想，利用高维特征空间中电子设备的显示屏的训练用触摸数据数据自身的结构特性，来对卷积神经网络进行预训练，从而使得卷积神经网络针对不同类型的触摸模式数据提取出来的特征数据相对收敛，再基于分类损失函数值进行训练，以提高分类的准确性。

技术领域

本申请涉及人工智能领域，且更为具体地，涉及一种具有触摸屏的电子设备及其触摸解锁方法。

背景技术

目前，在具有触摸屏的电子设备的屏幕解锁方法中，无论是滑动解锁，还是输入密码等其它解锁方式都相对繁琐，很多用户可能希望能够简单地通过触摸方式来对屏幕进行解锁。但是，在应用基于触摸的解锁方式时，一个困难之处在于不容易判断该触摸是用户有意进行的触摸解锁操作还是仅仅是用户的误触。

因此，期望提供一种能够对用户的触摸操作进行判断的方法。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为用户的触摸操作检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种具有触摸屏的电子设备和电子设备的触摸解锁方法，其基于深度学习的神经网络模型对用户施加于电子设备的显示屏的触摸操作的触摸数据进行特征提取和分类，以获得基于检测到的触摸操作是否执行屏幕的解锁操作的分类结果。具体地，在用于触摸解锁方法的神经网络的训练过程中，首先基于自监督学习的思想，利用高维特征空间中电子设备的显示屏的训练用触摸数据数据自身的结构特性，来对卷积神经网络进行预训练，从而使得卷积神经网络针对不同类型的触摸模式数据提取出来的特征数据相对收敛，再基于分类损失函数值进行训练，以提高分类的准确性。

根据本申请的一个方面，提供了一种具有触摸屏的电子设备，其包括：

训练模块，包括：

训练数据单元，用于获取电子设备的显示屏的训练用触摸数据，所述训练用触摸数据包括触摸位置和每个触摸位置对应的时间值；

数据结构化单元，用于将所述训练用触摸数据转化为带有标签的初始数值矩阵，其中，所述初始数据矩阵中特征值为1的位置表示该位置为触摸位置，特征值为0的位置表示该位置为未触摸位置，所述标签为触摸位置对应的时间值；

训练特征图生成单元，用于将所述初始数值矩阵输入卷积神经网络以获得带标签的训练特征图，所述训练特征图的尺寸表示为宽度维度*高度维度*通道维度；

隐向量挖掘单元，用于对所述训练特征图在宽度维度*高度维度上进行全局池化处理，以获得所述训练特征图的隐向量；

第一交叉熵值计算单元，用于将所述训练特征图中与所述初始数据矩阵中具有标签值的位置对应的位置的沿通道的向量设定为该位置的法向量并计算该位置的所述法向量中各个位置的特征值与所述标签值之间的交叉熵值，并将所有位置的交叉熵值进行加权平均以获得第一交叉熵值；

第二交叉熵值计算单元，用于分别计算所述训练特征图中的法向量与所述隐向量之间的交叉熵值，并将所述法向量与所述隐向量之间的交叉熵值进行加权平均以获得第二交叉熵值；

交叉熵值损失函数计算单元，用于计算所述第一交叉熵值和所述第二交叉熵值的加权和以获得交叉熵损失函数值；

分类损失函数值计算单元，用于将所述带标签的训练特征图通过分类器以获得分类损失函数值；及

参数更新单元，用于基于所述分类损失函数值和所述交叉熵损失函数值，更新所述卷积神经网络的参数；及

预测模块：