CN103460221A - 用于在移动装置中使用似然函数值的组合对用户活动进行分类的***、方法和设备 - Google Patents

用于在移动装置中使用似然函数值的组合对用户活动进行分类的***、方法和设备 Download PDF

Info

Publication number
CN103460221A
CN103460221A CN2012800157331A CN201280015733A CN103460221A CN 103460221 A CN103460221 A CN 103460221A CN 2012800157331 A CN2012800157331 A CN 2012800157331A CN 201280015733 A CN201280015733 A CN 201280015733A CN 103460221 A CN103460221 A CN 103460221A
Authority
CN
China
Prior art keywords
mobile device
likelihood function
activity
user
current active
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012800157331A
Other languages
English (en)
Other versions
CN103460221B (zh
Inventor
里昂纳德·亨利·葛罗科普
安东尼·沙尔
桑吉夫·南达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN103460221A publication Critical patent/CN103460221A/zh
Application granted granted Critical
Publication of CN103460221B publication Critical patent/CN103460221B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/40—Support for services or applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/725—Cordless telephones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Dentistry (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本发明提供可用于至少部分基于来自移动装置的一个或一个以上传感器的信号确定在两个或两个以上过去出现时间用于活动分类的活动似然函数值的组件、方法和设备。举例来说，一种方法可包括：针对多个活动分类中的每一者，确定在两个或两个以上过去出现时间用于所述多个活动分类中的每一者的活动似然函数值。所述活动似然函数值至少部分是基于来自移动装置的一个或一个以上传感器的信号。所述方法还可包含：组合所述活动似然函数值以确定在当前出现时间用于一活动分类的似然函数。所述方法还可包含：至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数来推断与所述移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。

Description

用于在移动装置中使用似然函数值的组合对用户活动进行分类的***、方法和设备
技术领域
本文揭示的主题涉及在移动装置中对用户活动进行分类。
背景技术
例如智能电话等许多移动通信装置包含惯性传感器，例如加速计，所述惯性传感器可用于检测装置的运动。这些移动可用于确定装置的定向，使得显示器在向用户显示信息时可以恰当地定向成例如纵向或横向模式。在另一实例中，借助于智能电话执行的一种游戏应用程序可以依赖于一个或一个以上加速计检测到的移动，使得游戏的特征可以得到控制。在其它实例中，加速计检测到的手势移动可以允许用户滚动地图、导览菜单或控制装置的操作的其它方面。
虽然可以用于辅助简单的用户接口任务，但是尚不可能利用加速计的输出信号或“轨迹”向移动装置用户提供更加复杂和有意义的辅助。举例来说，如果可以检测到用户在参与紧张的活动，那么将传入的电话呼叫直接引导到语音信箱以免干扰用户可能是有用的。在另一实例中，如果可以检测到移动装置是在用户的钱包或口袋里，那么停用显示器以免浪费电池资源可能是有利的。
当试图推断例如行走、奔跑、骑自行车等等用户活动时，可以使用各种技术从惯性传感器获得信号、从获取的信号中提取特征，并且推断活动类别。然而，当估计用户的活动类别时，可能在执行对用户活动的精确估计与用及时的方式执行估计之间进行折中。总的来说，可以获得精确估计，但是只有在处理延迟之后才能获得。
发明内容
在特定实施方案中，一种方法包括：针对多个活动分类中的每一者，确定在两个或两个以上过去的出现时间用于所述多个活动分类中的每一者的活动似然函数值。所述活动似然函数值至少部分是基于来自移动装置的一个或一个以上传感器的信号。所述方法还包含组合所述活动似然函数值以确定在当前出现时间用于一活动分类的似然函数。所述方法还包含至少部分基于在当前出现时间用于活动分类的所确定的似然函数，推断与移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
在一个实施方案中，一种设备包括，针对多个活动分类中的每一者，用于至少部分基于来自移动装置的一个或一个以上传感器的信号、确定在两个或两个以上过去的出现时间用于所述多个活动分类中的每一者的活动似然函数值的装置。所述设备还包括：用于组合所述活动似然函数值以确定在当前出现时间用于一活动分类的似然函数的装置；以及用于至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数来推断与所述移动装置处于同一位置的用户的当前活动是所述多个活动分类中的一者的装置。
在一个实施方案中，一种物品包括：非暂时存储媒体，其上存储有机器可读指令，所述机器可读指令可由移动装置的处理器执行以进行以下操作：针对多个活动分类中的每一者，至少部分基于来自所述移动装置的一个或一个以上传感器的信号，确定在两个或两个以上过去的出现时间用于所述活动分类的活动似然函数值。所述处理器还组合所述活动似然函数值以确定在当前出现时间用于所述活动分类的似然函数；以及至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数，推断与所述移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
在一个实施方案中，一种移动装置包括一个或一个以上传感器和一个处理器，用于针对多个活动分类中的每一者，至少部分基于来自所述一个或一个以上传感器的信号、确定在两个或两个以上过去的出现时间用于所述活动分类的活动似然函数值。所述处理器可进一步组合所述活动似然函数值以确定在当前出现时间用于所述活动分类的似然函数；以及至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数，推断与所述移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
附图说明
参考随后的图式描述非限制性和非详尽的方面，其中相同的参考标号贯穿各图指代相同的部分。
图1是根据一个实施方案可以应用于移动装置的实例坐标系。
图2是根据一个实施方案用于在移动装置中推断用户的活动类别的过程的图。
图3是展示图2的时间组合器的额外细节的图。
图4是展示根据一个实施方案的用于最大似然函数组合器的随观测时间而变的信任度的测量值的曲线图。
图5是图解说明根据一个实施方案的与移动装置相关联的实例计算环境的示意图。
图6是图解说明根据一个实施方案的使用时间组合对用户活动进行分类的过程的流程图。
具体实施方式
在特定实施方案中，分类器可以至少部分基于从移动装置上的惯性传感器接收到的信号来推断移动装置用户的活动类别。在特定实例中，可以对来自一个或一个以上惯性传感器的信号进行处理，以计算或提取“特征”，所述特征可以指示或暗示特定的活动类别。随后，可以将根据惯性传感器计算的特征应用于活动估计器以估计当前活动。可以将在给定时间活动估计器的输出状态与先前的输出状态组合，并且对所述输出状态进行滤波，以提高活动分类的推断的信任度因子。
分类器等待时间可以被定义为在分类器产生用户活动类别的推断之前观测到的连续传感器输出状态的总持续时间。举例来说，由于滤波(这可能是合乎需要的)，较高的等待时间可能使得活动分类中的信任度因子较高。然而，在制定对于活动类别的决策之前引发延迟，可能会减小活动分类器产生的决策的值。举例来说，如果用户从一个活动类别转变成另一个活动类别，则分类器可能继续提供较早的活动分类，直到经过一段等待时间周期为止。此些等待时间可能引入不精确性，这可能在用户的活动状态的变化速率比等待时间更快的情况下特别不利。在这种情况下，活动分类器可能会完全忽视短持续时间的活动。
特定的实施方案可以适应具有不同等待时间要求的活动分类。在一个实例中，支持卡路里燃烧计数器的活动分类可以允许约几分钟的等待时间，因为分类器精确性可能比动态响应更重要。举例来说，对于卡路里燃烧计数应用程序来说，以高信任水平进行估计(用户持续锻炼30分钟，而报告延迟为一分钟)可能表示充分且合乎需要的结果。相比之下，可能以较低信任水平进行估计(用户交替奔跑与行走总共15分钟，各有1秒的报告延迟)可能并不表示有用的统计。在另一实例中，支持游戏应用程序的活动分类可能以约几秒(甚至一秒的一些部分)的等待时间令人满意地执行，但是可以容受较低信任水平的活动分类。
所以，在一些实施方案中，活动分类器可以针对可变的等待时间设置来配置。此外，活动分类器产生具有不同等待时间的同时分类可能是有利的。在一个实施方案中，如果卡路里燃烧计数应用程序可能能够与游戏应用程序并行地在移动装置上运行，那么适应所述应用程序的不同等待时间和精确性需求的一种简单的解决方案可以是简单地执行一种分类器的多个例子，其中每一例子在一种特定的等待时间设置内操作。本文所述的实施方案可以具有优于此方法的优点。
在一个特定的实施方案中，分类器可以推断与移动装置在同一位置的用户在参与多种活动分类中的一种活动分类。在此上下文中，用户可能通过固持所述移动装置(举例来说，穿戴所述移动装置)、将移动装置放在他/她的口袋里、与移动装置直接接触(仅举几例)而与移动装置处在同一位置。在一个实施方案中，“似然函数”可以描述对数似然值或其它从用户参与多个活动类别中的一者的似然值导出的或与所述似然值有关的表达式。可以通过处理从移动装置上的传感器接收到的信号，针对循序的出现时间确定所述活动分类中的一者或一者以上的似然函数值。接着，可以组合、滤波针对特定活动分类在多个出现时间推断的似然函数值，并且可以至少部分基于组合的似然函数值来推断活动分类。在特定实施方案中，可以使用各种滤波技术来推断似然函数值，所述技术例如是时间表决、最大似然函数、最大先验值、有限脉冲响应和无限脉冲响应，仅举几例。
在一个实施方案中，分类器可经配置以调适等待时间使其适合特定应用程序。在一实例中，包括30秒等待时间的分类器可经配置以用10秒的等待时间切换到估计活动类别。在实施方案中，这可能特别适用于在信任度要求(而不是等待时间要求)下操作的应用程序。
图1是根据一个实施方案可以应用于移动装置的实例坐标系(100)。在图1中，可以完全或部分地使用坐标系100，以促进或支持根据一个实施方案例如使用加速计输出信号配合移动装置(例如移动装置102)的用户对活动分类的推断。然而，应理解，加速计只是可以用来对用户活动进行分类的惯性传感器的一个实例，并且所主张的主题在这方面不受限制。惯性传感器的实例可包含陀螺仪、磁力计、压电装置等等。在其它实施方案中，例如压力传感器、环境光传感器、成像传感器、温度传感器(仅举几例)等其它类型的传感器可以产生输出信号，所述输出信号可以经过处理以便推断与移动装置处在同一位置的用户的活动类别。
如所图解说明，坐标系100可例如包括三维笛卡儿坐标系，但是所主张的主题不受此限制。在这个图解说明的实例中，移动装置102的运动例如表示加速度振动，所述加速度振动可能是至少部分地参照3个线性维度或轴X、Y和Z相对于实例坐标系100的原点104检测或测量的。应了解，实例坐标系100可以与或可以不与移动装置102的主体对准。还应注意，在某些实施方案中，可以使用例如圆柱形或球形坐标系等非笛卡儿坐标系，或者任何其它可以界定相互正交的维度的坐标系。
也如图1中图解说明，当装置的定向例如围绕重力变化时，可以至少部分参照一个或两个维度来检测或测量移动装置102的旋转运动。在一个实施方案中，可以用坐标
Figure BDA0000388611160000051
检测或测量移动装置102的旋转运动，其中斐表示围绕X轴的纵摇或旋转(如总体上通过106处的箭头所图解说明)，而陶(τ)表示围绕Z轴的横摇或旋转(如总体上通过箭头108所图解说明)。所以，在一个实施方案中，三维加速计可以至少部分检测或测量加速度振动水平以及相对于例如横摇或纵摇维度围绕重力的变化，因而提供五个维度的可观测性(X，Y，Z，τ)。然而，这些只是参照实例坐标系100可以检测或测量的各种运动的实例，并且所主张的主题不限于上述运动或坐标系。
遵循以上论述，三维加速计可以归因于各种振动(例如，响应于与装置处于同一位置的用户的活动)而检测或测量在三维空间中的加速度。通常(虽然并非必须)，加速度振动可以(举例来说)与移动的车辆(例如，引擎、车轮等的振动，道路的崎岖不平等)、用户的行走或奔跑、手或手腕的颤动、有氧运动或其它一般可能在移动设置或环境中存在的现象相关联。
图2是根据一个实施方案用于在移动装置中推断用户的活动类别的过程的图(200)。在图2中，位于移动装置上的惯性传感器210可以对活动估计器220产生输出“轨迹”，其包括电或其它类型的信号。在一个实施方案中，惯性传感器210可包括加速计，所述加速计产生一个或一个以上表示移动装置沿可观测性的各个维度(例如X，Y，Z，
Figure BDA0000388611160000054
τ)投影的加速度的输出轨迹。
来自惯性传感器210的输出信号可以被输送到活动估计器220。在一个实施方案中，活动估计器220可以执行一个或一个以上信号处理算法以从一个或一个以上输入信号中提取特征。在一个实施方案中，活动估计器220可以实施倒谱滤波，其中将语音处理算法应用于从惯性传感器210接收到的一个或一个以上输入信号。在特定的实施方案中，可以从来自惯性传感器210的信号中提取一个或一个以上特征。这些特征包含(举例来说并且不限于)：
1.倒谱系数(CC)；
2.梅尔频率倒谱系数(MFCC)；
3.Δ倒谱系数(dCC)；
4.Δ梅尔频率倒谱系数(dMFCC)；
5.加速倒谱系数(d2CC)；
6.加速梅尔频率倒谱系数(d2MFCC)；
7.线性预测系数(LPC)；
8.Δ线性预测系数(dLPC)；
9.加速线性预测系数(dLPC)；
10.相对于加速计标准的差异；以及
11.加速计纵摇和横摇或与加速计相对于重力的定向相关联的其它角度。
然而，应理解，这些只是可以从信号中提取以表征频谱包络(例如，用于推断与移动装置处于同一位置的用户的活动类别)的特征的实例，并且所主张的主题在这方面不受限制。
关于提取特征来表征惯性传感器信号的频谱包络，CC或MFCC可以提供波形的频谱包络的参数化，并且因而可能可助于用位于用户身上的不同位置上的移动装置辨别由不同类型的运动(例如用户的行走或步态)引起的波形。在一个实施方案中，CC可用于从惯性传感器信号中提取所表征的特征，其中将相等的重要性(即权重)应用于所关注的频带。在其它实施方案中，例如可以用于MFCC特征提取的实施方案中，可以加重较低频率信号，同时不加重较高频率信号。
在一实例中，在用户正在行走时位于用户的臀部口袋中的移动装置可以产生一条加速计轨迹，所述轨迹不同于响应于用户在他或她的手中携带移动装置所产生的加速计轨迹。在此实例中，位于用户的口袋中的移动装置可能在用户行走时经历垂直(±Z)方向上的不同的周期性加速度，但是可能很少经历±X或±Y方向上的加速度。相比之下，举例来说，在用户行走时位于用户手中的移动装置可能经历垂直(±Z)方向上的较不明显的周期性加速度，但是可能经历±X或±Y方向上的提高的加速度。
在一个实施方案中，ΔCC可用于通过除了静态CC外还考虑每一CC跨越重叠窗的速度(例如，相对于时间的变化速率)来增强CC的性能。加速CC可以进一步通过另外考虑一个或一个以上静态CC跨越重叠窗的加速度(例如，速度相对于时间的变化速率)来增强CC的性能。
在实施方案中，可以类似地应用用于ΔMFCC和加速MFCC的参数。举例来说，为了应用Δ和加速滤波，可以借助对来自惯性传感器信号的所关注的频带的预加重滤波来计算静态MFCC。接着，可以对计算出的MFCC执行Δ和加速滤波，以观测一个或一个以上MFCC的速度和加速度(随时间而变)。
在实施方案中，如果是通过全极点自回归过程产生了基础惯性传感器信号，则线性预测系数(LPC)可用于表征频谱包络。在一个实施方案中，LPC可以将特定时间点的惯性传感器输出信号建模成先前输出样本的近似线性组合。在一实例中，可以向在一个或一个以上数据窗期间描述输出信号的一组系数添加误差信号。
在一个实施方案中，可以从LPC到MFCC存在一对一映射。ΔLPC可以通过另外考虑每一系数跨越重叠窗的速度(例如，随时间而变的变化速率)来增强LPC的性能。加速LPC可以进一步通过另外考虑每一系数跨越重叠窗的加速度(例如，速度随时间而变的变化速率)来增强LPC的性能。
在替代的实施方案中，可以从惯性传感器信号中提取其它特征，以用于表征与移动装置处于同一位置的用户的活动(例如，代替或配合对频谱包络的表征)。这些功能可以包含：
1.纵摇；
2.频谱熵；
3.过零速率(ZCR)；
4.频谱质心(SC)；
5.带宽(BW)；
6.频带能量(BE)；
7.频谱通量(SF)；以及
8.频谱滚降(SR)。
在一个实施方案中，可以根据惯性传感器信号来测量纵摇，纵摇可界定周期性运动的基频。纵摇的测量可以用于(举例来说)在具有以不同速率发生的类似运动的活动之间进行区分，例如，举例来说，慢跑对奔跑，慢走对快走，等等。
在一个实施方案中，可以测量频谱熵，如果经过归一化并且被看作概率分布，则所述频谱熵可以对应于惯性传感器信号的短持续时间频谱。举例来说，频谱熵的测量可以实现对信号的周期性程度的参数化。在一实例中，根据加速计轨迹计算的较低频谱熵可以指示用户在参与例如行走、慢跑、骑自行车等等周期性活动。另一方面，较高频谱熵可以是用户在参与例如操纵装置或在崎岖不平的道路上驾驶汽车等非周期性活动的指示标志。
在一个实施方案中，可以测量过零速率，其可以描述惯性传感器信号在某一时间窗中与其平均值交叉的每秒的次数。过零速率的测量可以用于在产生以不同速率波动的惯性传感器信号的运动或装置位置(例如行走，这可以通过相对于奔跑时在正值与负值之间的较慢波动来指示，而奔跑可以通过在正值与负值之间的较快波动来指示)之间进行区分。
在一个实施方案中，可以测量频谱质心，其可以表示惯性传感器信号的短持续时间频谱的平均频率。通过将滤波器组应用于惯性传感器信号的功率谱并且接着计算每一子带的第一矩(或质心)来找到子带频谱的质心。可以接着将信号频率范围分割成多个二进位。可以确定每一子带的对应二进位，并且使其递增一。接着可以通过计算所得直方图的离散余弦变换来确定倒谱系数。
在一个实施方案中，可以测量带宽，可以将带宽表示成惯性传感器信号的短时间频谱的标准偏差。在一实例中，惯性传感器信号的带宽可用于补偿一个或一个以上其它测量值，例如本文所述的测量值。在一个实施方案中，可以测量频带能量，频带能量可以描述惯性传感器信号的短持续时间频谱的不同频带中的能量。
在各种实施方案中，频谱质心、带宽和/或频带能量的测量值可以用于(举例来说)在产生惯性传感器信号输出的运动或装置位置之间进行区分，所述测量值可以指示频谱的不同部分中的能量集中度(例如，高频活动对低频活动)。在一些实施方案中，这些额外测量与其它测量一起进行，可用于提高基于惯性传感器信号的正确活动检测的似然函数。
在一个实施方案中，可以测量频谱通量，频谱通量可以是跨越惯性传感器信号的两个连续窗的短时间频谱之间的差的平均值。举例来说，可以使用频谱通量的测量值来表征特定周期性行为的改变速度(例如，用于表征活动水平可能在短时间内明显变化的有氧活动)。
在一个实施方案中，可以测量频谱滚降，其可以是信号能量的某一部分驻留在其下方的频率。在一实例中，频谱滚降可以用于表征频谱的形状，这在与其它测量值组合时可以用于确定用户活动。
以上识别的特征提取技术中的一者或一者以上的结果和/或其它信号处理的结果是，活动估计器220可以产生表达一个或一个以上出现时间用于各种活动类别的似然函数的列向量。在一个实施方案中，所述列向量可以采用以下形式：
p ( t ) = P ( Y | Ω ) ( y ( t ) | ω 1 ) M P ( Y | Ω ) ( y ( t ) | ω M )
在一个实施方案中，活动估计器220可以在每一出现时间的结尾部分期间产生列向量p(t)。在一个特定的实施方案中，出现时间可以用大致1秒的时间间隔出现。然而，在其它实施方案中，出现时间可包括更长的时间间隔，例如大约2秒、3秒或更长。在其它实施方案中，出现时间可包括更短的时间间隔，例如大约1/2秒、1/4秒等等。
在一个实施方案中，p(t)包括在给定基础用户活动类别(ω)的情况下的观测信息状态的似然的估计值，其中y(t)表示(举例来说)来自惯性传感器210的一个或一个以上加速计轨迹形式的观测结果。所以，举例来说，如果ω1＝奔跑，那么数量PY|Ω(y(t)|ω1)可以表示基础用户活动类别是“奔跑”的统计似然值。在类似实例中，如果ω2＝行走，那么数量PY|Ω(y(t)|ω2)可以表示基础用户活动类别是“行走”的统计似然值，依此类推。在一个实施方案中，列向量p(t)指示用户在参与“M”个数目的活动类别中的一者或一者以上的似然的估计值。
在一个实施方案中，可以用特定时间间隔(例如每秒一次)将列向量p(t)输送到活动分类器230。活动分类器230可以通过组合和滤波列向量p(t)以及列向量p(t)的历史值来推断当前活动类别。因而，当前活动类别的估计可以表达为：
Figure BDA0000388611160000091
在上述表达式中，活动分类器230包含通过列向量p(t)表达的活动的“L”个估计值。所以，在一个实施方案中，活动分类器230在计算活动类别的推断时包含等待时间。因而，在活动分类器230在产生活动决策之前包含对活动的五个估计的实例中，对活动分类的推断可以如下表达：
(t)＝f(p(t-4)，p(t-3)，p(t-2)，p(t-1)，p(t))
当然，在其它实施方案中，活动分类器230在产生活动决策之前包含对活动的任何数目的估计。举例来说，活动分类器可在产生对活动类别的推断之前包含对活动的两个这么少的估计，或者可在产生对活动类别的推断之前包含对活动的数十个甚至成百成千个估计。
图3是展示图2的时间组合器的额外细节的图(300)。在图3中，时间表决、最大似然组合、最大先验组合、有限脉冲响应滤波和无限脉冲响应滤波表示对活动的先前估计可用于产生活动决策的少数几种技术。然而，可以采用许多额外技术，并且所主张的主题在这方面不受限制。
在一个实施方案中，可以采用时间表决来推断在过去的出现时间被推断的频率较高的活动类别。在时间表决中，可以通过以下等式来表达对活动类别的推断：
在这个等式中，Ix包括用于事件X的指示符函数，即
Figure BDA0000388611160000102
并且其中推断的活动类别
Figure BDA0000388611160000103
是以下中的一者：
活动1、活动2、......活动M
在时间表决中，针对表示对p(t)的当前和过去估计的“L”列向量(例如，举例来说，p(t-L+1)、p(t-L+2)、......p(t))来说，计算“L”向量，其表示包括至少部分基于针对过去出现时间进行的推断的最高似然值的活动。举例来说，对于L＝5，在对活动类别的三个估计指示用户(举例来说)正在“行走”的情况下，采用时间表决的活动分类器也可以推断用户的当前活动类别等于“行走”。
在活动分类器330包括最大似然滤波的实施方案中，假设观测结果{Y(t-L+1)，Y(t-L+2)，...，Y(t))包括观测的信息状态y(t)的联合地独立的样本。在一个实施方案中，{Y(t-L+1)，Y(t-L+2)，...，Y(t))可以表示使用语音处理或其它信号处理技术在各种出现时间从来自惯性传感器的一个或一个以上输出信号中提取的特征。在一个实施方案中，对活动类别的推断可以起因于将移动平均值滤波器应用于对活动类别的估计的对数似然值：
Figure BDA0000388611160000104
在至少部分类似的对观测结果{Y(t-L+1)，Y(t-L+2)，...，Y(t))包括观测的信息状态y(t)的联合地独立的样本的假设下，图3的实施方案可包括对活动类别的对数似然值进行滤波的最大先验(MAP)滤波器：
在上述表达式中，PΩ(ω1)，...，PΩ(ωM)表示用于“M”个活动类别的先前似然值。在一实例中，如果一组活动类别包括行走(ω1)和静止(ω2)，并且行走以10％的似然值发生，而静止以90％的似然值发生，那么一个可能的设置可以是PΩ(ω1)＝0.1并且PΩ(ω2)＝0.9。
在一个实施方案中，活动分类器330可以实施有限脉冲响应滤波。在一个实施方案中，首先对活动类别的估计的对数似然值进行滤波。通过以下等式表达有限脉冲响应滤波解决方案：
Figure BDA0000388611160000111
Figure BDA0000388611160000112
其中x(k)＝logPy|Ω(y)k)|ωj)。
在上述表达式中，可以任意选择有限脉冲响应系数a(t-L+1)，a(t-L+2)，...，a(t)，使活动类别决策偏重于更加近来的活动估计或者更加久远的活动估计。在一个实施方案中，使有限脉冲响应系数偏重于更加近来的推断，可以使得活动分类器330能够从执行较高等待时间推断调适成较低等待时间推断。
在一个实施方案中，活动分类器330可以实施无限脉冲响应滤波。举例来说，可以借助以下滤波解决方案来推断活动类别：
Figure BDA0000388611160000113
其中：
q ( t ) = Σ k = t - L + 1 t - 1 a ( k ) x ( k ) + Σ k = t - L + 1 t - 1 b ( k ) q ( k )
在以上表达式中，可以用保持活动分类器330的稳定性的方式来选择无限脉冲响应系数b(t-L+1)，b(t-L+2)，...，b(t-1)。
图4是展示根据一个实施方案的针对最大似然滤波器的随观测时间而变的信任度的测量值的曲线图(400)。在图4中，“f得分”可以表示来自以3秒的出现时间产生活动分类的活动分类器的分类的信任水平。在初始的3秒的出现时间之后，可以用大约87％的信任水平来推断活动类别。在额外的3秒的出现时间之后，对应于6秒的观测时间，可以用几乎89％的信任水平来推断活动类别。在大约9秒的观测时间之后，可以用比89％的信任水平好的信任水平来推断活动类别。在大约12秒的观测时间之后，可以用比90％的信任水平好的信任水平来推断活动类别。在大约15秒的观测时间之后，可以用比90.5％的信任水平好的信任水平来推断活动类别。在大约18秒的观测时间之后，可以用几乎91％的信任水平来推断活动类别。
在一个实施方案中，通过活动估计的时间组合，移动装置可经配置以执行具有较低等待时间和较低精确性的活动分类器的单个例子。然而，当借助于本文所述的一个或一个以上滤波技术来组合分类器输出状态时，可以得出活动类别的较高等待时间、较高精确性的推断。活动类别的推断可以是可缩放的，使得组合期望数目的输出状态可以允许推断的活动类别的精确性的信任度测量值有对应提高。
图5是图解说明根据一个实施方案的与移动装置相关联的实例计算环境的示意图。应了解，可以使用各种硬件、固件或其与软件的任何组合来实施如本文所述的计算环境500中展示的各种装置或网络、过程或方法的全部或一部分。
举例来说，计算环境500可包含移动装置502，其可以经由合适的通信网络(例如蜂窝式电话网络、因特网、移动特用网络、无线传感器网络等)以通信方式耦合到任何数目的其它装置(移动装置或其它装置)。在一个实施方案中，移动装置502可以表示任何可以能够经由任何合适的通信网络交换信息的电子装置、器具或机器。举例来说，移动装置502可包含一个或一个以上计算装置或平台，其举例来说与蜂窝电话、卫星电话、智能电话、个人数字助理(PDA)、膝上型计算机、个人娱乐***、电子书阅读器、平板个人计算机(PC)、个人音频或视频装置、个人导航装置等相关联。在某些实例实施方案中，移动装置502可以采用可以操作方式启用以在另一装置中使用的一个或一个以上集成电路、电路板等形式。虽然未图示，但任选地或替代地，可以存在额外装置，所述装置是移动装置或其它装置，其以通信方式耦合到移动装置502以促进或以其它方式支持一个或一个以上与计算环境500相关联的过程。因而，除非另行说明，否则，为了简化论述，下文参看移动装置502所述的各种功能性、元件、组件等还可适用于未图示的其它装置，以便支持与实例计算环境500相关联的一个或一个以上过程。
举例来说，计算环境500可包含各种计算或通信资源，其能够至少部分基于与定位***、基于位置的服务等相关联的一个或一个以上无线信号提供关于移动装置502的位置或地点信息。虽然未图示，但在某些实例实施方案中，移动装置502(举例来说)可包含位置知晓单元或追踪单元，其能够获取或提供全部或一部分定向、位置信息(例如，经由三边测量、热图签名匹配等)等等。可以响应于受运动控制的或其它方式的用户指令提供此些信息以支持一个或一个以上过程，所述信息可以(举例来说)连同其它合适的或所要的信息(例如一个或一个以上阈值等)存储在存储器504中。
存储器504可以表示任何合适的或期望的信息存储媒体。举例来说，存储器504可包含主存储器506和辅助存储器508。举例来说，主存储器506可包含随机存取存储器、只读存储器等。虽然在此实例中图解说明为与处理单元510分离，但应了解，主存储器506的全部或一部分可以提供在处理单元510内或以其它方式与处理单元510处于同一位置/耦合。举例来说，辅助存储器508可包含与主存储器相同或类似类型的存储器，或者一个或一个以上信息存储装置或***，例如举例来说，磁盘驱动器、光盘驱动器、磁带驱动器、固态存储器驱动器等。在某些实施方案中，辅助存储器508可以以操作方式接收非暂时计算机可读媒体512或以其它方式能够耦合到非暂时计算机可读媒体512。
举例来说，计算机可读媒体512可包含任何可以存储或用于与计算环境500相关联的一个或一个以上装置的信息、代码或指令或提供对这些信息、代码或指令的存取的媒体(例如，制品等)。举例来说，计算机可读媒体512可以通过处理单元510来提供或存取。因此，在某些实例实施方案中，所述方法或设备可以整体或部分地采用计算机可读媒体的形式，其可包含存储于其上的计算机可实施指令，所述指令如果由至少一个处理单元或其它相似的电路执行的话，可以使得处理单元510或另一相似的电路能够执行以下操作的全部或部分：位置确定过程，基于传感器或传感器支持的测量(例如，加速、减速、定向、倾斜、旋转等)，从惯性传感器信号中提取/计算特征，对与移动装置的用户处于同一位置的活动进行分类，或任何类似的过程，以便促进或以其它方式支持移动装置502的其余检测。在某些实例实施方案中，处理单元510可能能够执行或支持其它功能，例如通信、游戏等。
处理单元510可以用硬件或硬件与软件的组合来实施。处理单元510可以表示一个或一个以上能够执行信息计算技术或过程的至少一部分的电路。举例来说但不加限制，处理单元510可包含一个或一个以上处理器、控制器、微处理器、微控制器、专用集成电路、数字信号处理器、可编程逻辑装置、现场可编程门阵列等或其任何组合。
移动装置502可包含各种组件或电路，例如举例来说，一个或一个以上加速计513或各种其它传感器514，例如磁性罗盘、陀螺仪、视频传感器、比重计等，以便促进或以其它方式支持与计算环境500相关联的一个或一个以上过程。举例来说，此些传感器可以向处理单元510提供模拟或数字信号。虽然未图示，但应注意，移动装置502可包含模/数转换器(ADC)，用于使来自一个或一个以上传感器的模拟信号数字化。任选地或替代地，此些传感器可包含指定的(例如，内部等)ADC来使相应输出信号数字化，但是所主张的主题不受此限制。
虽然未图示，但移动装置502还可包含存储器或信息缓冲器，用以收集合适的或期望的信息，例如举例来说，加速计测量信息(例如，加速计轨迹)，如先前所提及。举例来说，移动装置还可包含电源，以便为移动装置502的一些或所有组件或电路提供电力。电源可以是便携型电源，例如电池(举例来说)，或者可包括固定电源，例如插座(例如，在房子、充电站、车里等)。应了解，电源可以集成到移动装置502中(例如，内置式等)或以其它方式由移动装置502支持(例如，独立等)。
移动装置502可包含一个或一个以上连接总线516(例如，总线、线路、导体、光纤等)以便以操作方式将各种电路耦合在一起，以及一个用户接口518(例如，显示器、触摸屏、小键盘、按钮、旋钮、麦克风、扬声器、轨迹球、数据端口等)以便接收用户输入、促进或支持传感器相关信号测量或者向用户提供信息。移动装置502可以进一步包含通信接口520(例如，无线发射器或接收器、调制解调器、天线等)以允许经由所指示的一个或一个以上合适的通信网络与一个或一个以上其它装置或***通信。
图6是图解说明根据一个实施方案的使用时间组合对用户活动进行分类的过程的流程图(600)。虽然图5的实施例可以适合于执行图6的方法，但并不阻止使用替代的结构和组件的布置来执行所述方法。图6的方法在框610中开始，所述框包含，针对所述多个活动分类中的每一者，至少部分基于来自移动装置的一个或一个以上传感器的信号，确定在两个或两个以上过去的出现时间用于所述多个活动分类中的每一者的活动似然函数值。框620包含组合所述活动似然函数值以确定在当前出现时间用于所述活动分类的似然函数。所述方法在框630中继续，所述框包含至少部分基于在当前出现时间用于所述活动分类的所确定的似然函数，推断与移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
本文所述的方法可以根据特定特征或实例取决于应用而通过各种装置来实施。举例来说，此些方法可以用硬件、固件、软件、离散/固定逻辑电路、其任何组合等等来实施。举例来说，在硬件或逻辑电路实施方案中，处理单元可以实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子装置、其它经设计以执行本文所述的功能的装置或单元或其组合内(仅举几例)。
对于固件或软件实施方案来说，所述方法可以用具有执行本文所述的功能的指令的模块(例如，程序、函数等)来实施。在实施本文所述的方法时，可以使用任何有形地体现指令的机器可读媒体。举例来说，软件代码可以存储在存储器中，并且由处理器来执行。存储器可以实施在处理器内或在处理器外部。在本文中使用时，术语“存储器”是指任何类型的长期、短期、易失性、非易失性或其它存储器，并且不应限于任何特定类型的存储器或任何特定数目的存储器或任何特定类型的存储存储器的媒体。在至少一些实施方案中，本文中描述的存储媒体的一个或一个以上部分可以存储信号，所述信号表示通过存储媒体的特定状态表达的数据或信息。举例来说，表示数据或信息的电子信号可以“存储”在存储媒体(例如，存储器)的一部分中，方法是通过影响或改变存储媒体的此些部分的状态以将数据或信息表示成二进制信息(例如，一和零)。因此，在特定实施方案中，存储媒体的用以存储表示数据或信息的信号的部分的此状态变化构成存储媒体到不同状态或内容的变换。
如所指示，在一个或一个以上实例实施方案中，所描述的功能可以用硬件、软件、固件、离散/固定逻辑电路、其某种组合等等实施。如果用软件实施，那么可将所述功能作为一个或一个以上指令或代码存储在物理计算机可读媒体上。计算机可读媒体包含物理计算机存储媒体。存储媒体可为可由计算机存取的任何可用的物理媒体。借助于实例而非限制，此些计算机可读媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置，或可用于存储呈指令或数据结构的形式的所要程序代码且可由计算机或其处理器存取的任何其它媒体。如本文所使用，磁盘和光盘包含压缩光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)、软性磁盘和蓝光光盘，其中磁盘通常以磁性方式再生数据，而光盘用激光以光学方式再生数据。
如上文所论述，移动装置可以能够使用一个或一个以上无线通信技术经由各种通信网络经由信息的无线发射或接收而与一个或一个以上其它装置通信。这里，举例来说，无线通信技术可以使用无线广域网(WWAN)、无线局域网(WLAN)、无线个域网(WPAN)等来实施。本文中术语“网络”和“***”可以互换使用。WWAN可以是码分多址(CDMA)网络、时分多址(TDMA)网络、频分多址(FDMA)网络、正交频分多址(OFDMA)网络、单载波频分多址(SC-FDMA)网络、长期演进(LTE)网络、WiMAX(IEEE802.16)网络等。CDMA网络可以实施一个或一个以上无线电接入技术(RAT)，例如cdma2000、宽带CDMA(WCDMA)、时分同步码分多址(TD-SCDMA)，仅列举一些无线电技术。这里，cdma2000可包含根据IS-95、IS-2000和IS-856标准实施的技术。TDMA网络可以实施全球移动通信***(GSM)、数字高级移动电话***(D-AMPS)或某种其它RAT。来自名为“第三代合作伙伴计划”(3GPP)的协会的文献中描述了GSM和W-CDMA。来自名为“第三代合作伙伴计划2”(3GPP2)的协会的文献中描述了Cdma2000。3GPP和3GPP2文献是公众可获得的。举例来说，WLAN可包含IEEE802.11x网络，并且WPAN可包含蓝牙网络、IEEE802.15x或某种其它类型的网络。所述技术还可配合WWAN、WLAN或WPAN的任何组合来实施。无线通信网络可包含所谓的下一代技术(例如，“4G”)，例如，举例来说，长期演进(LTE)、高级LTE、WiMAX、超移动宽带(UMB)等。
在一个特定实施方案中，举例来说，移动装置可以能够与促进或支持与移动装置的通信的一个或一个以上超微型小区通信，用于估计其位置、定向、速度、加速度等。如本文所使用，“超微型小区”可以指一个或一个以上较小大小的蜂窝式基站，所述基站可以被启用以(举例来说)经由宽带(例如，举例来说，数字订户线(DSL)或电缆)连接到服务提供商的网络。通常，虽然并非必须，超微型小区可以利用各种类型的通信技术或以其它方式与各种类型的通信技术兼容，所述通信技术例如(举例来说)是通用移动电信***(UTMS)、长期演进(LTE)、演进数据优化或仅演进数据(EV-DO)、GSM、全球微波接入互操作性(WiMAX)、码分多址(CDMA)-2000或频分同步码分多址(TD-SCDMA)，仅列举许多可能的实例当中的一些实例。在某些实施方案，举例来说，超微型小区可包括集成式WiFi。然而，与超微型小区相关的此些细节仅是实例，并且所主张的主题不受此限制。
此外，计算机可读代码或指令可以经由信号在物理发射媒体上从发射器发射到接收器(例如，经由电数字信号)。举例来说，可以使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或例如红外线、无线电和微波等无线技术的物理组件从网站、服务器或其它远程源发射软件。以上各项的组合也可包含在物理发射媒体的范围内。此些计算机指令或数据可以分成多个部分(例如，第一和第二部分)在不同时间(例如，在第一和第二时间)发射。在对特定设备或专用计算装置或平台的存储器内存储的二进制数字信号的运算的算法或符号表示方面呈现具体实施方式中的一些部分。在这个特定说明书的上下文中，特定设备等术语包含通用计算机(一旦其经编程以依据来自程序软件的指令执行特定功能)。算法描述或符号表示是信号处理或相关领域的技术人员用来向所属领域的其他技术人员传达其工作的实质内容的技术的实例。算法在这里总体上被视为产生期望结果的操作或类似信号处理的自一致序列。在此上下文中，操作或处理包括对物理量的物理操纵。通常，虽然并非必须，此些量可以采用能够被存储、传送、组合、比较或以其它方式操纵的电或磁性信号的形式。
事实证明，有时候将此些信号称为位、信息、值、元素、符号、字符、变量、项、数字、标号等是方便的，这主要是因为普遍使用的原因。然而，应理解，所有这些或类似术语应与适当的物理量相关联，并且只是方便的标签而已。除非确切地陈述是其它情况，否则从以上论述可以清楚得知，应了解，在本说明书的论述各处利用例如“处理”、“运算”、“计算”、“确定”、“判定”、“识别”、“关联”、“测量”、“执行”等等术语是指特定设备(例如专用计算机或类似的专用电子计算装置)的动作或过程。因此，在本说明书的上下文中，专用计算机或类似专用电子计算装置能够操纵或变换信号，所述信号通常表示为专用计算机或类似专用电子计算装置的存储器、寄存器或其它信息存储装置、发射装置或显示装置内的物理电子、电或磁性量。
如本文所使用，术语“和”以及“或”可包含多种含义，这些含义也预期至少部分取决于使用此些术语的上下文。通常，“或”如果用于关联一个列表(例如A、B或C)则既定意味着A、B和C，这里是在包含性意义上使用，以及A、B或C，这里是在排他性意义上使用。另外，如本文所使用的术语“一个或一个以上”可用于以单数形式描述任何特征、结构或特性，或者可用于描述特征、结构或特性的某种组合。然而，应注意这只是说明性实例，并且所主张的主题不限于这个实例。
虽然本文中已经使用各种方法或***描述和展示了某些实例技术，但是所属领域的技术人员应理解，在不脱离所主张的主题的情况下，可以进行各种其它修改，并且可以用等效物来替代。另外，可以进行许多修改以在不脱离本文所述的中心概念的情况下根据所主张的主题的教示来调适特定情形。因此，希望所主张的主题不限于所揭示的特定实例，而是此所主张的主题还可包含所有属于所附权利要求书和其等效物的范围内的实施方案。

Claims (29)

1.一种方法，其包括：
针对多个活动分类中的每一者：
至少部分基于来自移动装置的一个或一个以上传感器的信号，确定在两个或两个以上过去出现时间用于所述多个活动分类中的每一者的活动似然函数值；
组合所述活动似然函数值以确定在当前出现时间用于一活动分类的似然函数；
以及
至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数，推断与所述移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
2.根据权利要求1所述的方法，其中所述活动似然函数值包括对数似然值。
3.根据权利要求1所述的方法，其中推断所述当前活动包括借助于时间表决对所述组合似然函数值进行滤波。
4.根据权利要求1所述的方法，其中推断所述当前活动包括借助于最大似然滤波对所述组合似然函数值进行滤波。
5.根据权利要求1所述的方法，其中推断所述当前活动包括借助于最大先验滤波对所述组合似然函数值进行滤波。
6.根据权利要求1所述的方法，其中推断所述当前活动包括借助于有限脉冲响应滤波器对所述组合似然函数值进行滤波。
7.根据权利要求1所述的方法，其中推断所述当前活动包括借助于无限脉冲响应滤波器对所述组合似然函数值进行滤波。
8.根据权利要求1所述的方法，其中所述多个活动分类中的每一者是相互排斥的。
9.根据权利要求1所述的方法，其中所述一个或一个以上传感器包括至少一个加速计。
10.根据权利要求9所述的方法，其中所述一个或一个以上传感器包括三个线性维度中的每一者上的所述至少一个加速计。
11.根据权利要求1所述的方法，其中所述组合所述活动似然函数值以确定在所述当前出现时间用于所述活动分类的所述似然函数进一步包括识别在所述两个或两个以上过去出现时间最频繁地具有最高似然函数的所述活动分类。
12.根据权利要求1所述的方法，且其进一步包括：
从同时分类器产生所述组合的似然函数值。
13.一种设备，其包括：
针对多个活动分类中的每一者：
用于至少部分基于来自移动装置的一个或一个以上传感器的信号确定在两个或两个以上过去出现时间用于所述多个活动分类中的每一者的活动似然函数值的装置；以及
用于组合所述活动似然函数值以确定在当前出现时间用于一活动分类的似然函数的装置；以及
用于至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数来推断与所述移动装置处于同一位置的用户的当前活动是所述多个活动分类中的一者的装置。
14.根据权利要求13所述的设备，其中所述用于推断所述当前活动的装置包括时间表决、最大似然滤波、最大先验滤波、有限脉冲响应滤波和无限脉冲响应滤波中的至少一者。
15.根据权利要求13所述的设备，其中所述一个或一个以上传感器包括三个线性维度中的每一者上的至少一个加速计。
16.如权利要求13所述的设备，其进一步包括：
用于从同时分类器产生组合的似然函数值的装置。
17.一种物品，其包括：
非暂时存储媒体，其上存储有机器可读指令，所述机器可读指令可由移动装置的处理器执行以进行以下操作：
针对多个活动分类中的每一者：
至少部分基于来自所述移动装置的一个或一个以上传感器的信号，确定在两个或两个以上过去出现时间用于一活动分类的活动似然函数值；以及
组合所述活动似然函数值以确定在当前出现时间用于所述活动分类的似然函数；以及
至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数值，推断与所述移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
18.根据权利要求17所述的物品，其中所述非暂时存储媒体进一步包含存储在其上的机器可读指令，所述指令可由所述移动装置的所述处理器执行以使用时间表决来推断与所述移动装置处于同一位置的所述用户的所述当前活动。
19.根据权利要求17所述的物品，其中所述非暂时存储媒体进一步包含存储在其上的机器可读指令，所述指令可由所述移动装置的所述处理器执行以使用最大似然滤波来推断与所述移动装置处于同一位置的所述用户的所述当前活动。
20.根据权利要求17所述的物品，其中所述非暂时存储媒体进一步包含存储在其上的机器可读指令，所述指令可由所述移动装置的所述处理器执行以使用最大先验滤波来推断与所述移动装置处于同一位置的所述用户的所述当前活动。
21.根据权利要求17所述的物品，其中所述非暂时存储媒体进一步包含存储在其上的机器可读指令，所述指令可由所述移动装置的所述处理器执行以使用有限脉冲响应滤波来推断与所述移动装置处于同一位置的所述用户的所述当前活动。
22.根据权利要求17所述的物品，其中所述非暂时存储媒体进一步包含存储在其上的机器可读指令，所述指令可由所述移动装置的所述处理器执行以使用无限脉冲响应滤波来推断与所述移动装置处于同一位置的所述用户的所述当前活动。
23.一种移动装置，其包括：
一个或一个以上传感器；以及
处理器，用于：
针对多个活动分类中的每一者：
至少部分基于来自所述一个或一个以上传感器的信号，确定在两个或两个以上过去出现时间用于所述多个活动分类的活动似然函数值；
组合所述活动似然函数值以确定在当前出现时间用于一活动分类的似然函数；以及
至少部分基于在所述当前出现时间用于所述活动分类的所述确定的似然函数，推断与所述移动装置处于同一位置的用户的当前活动是所述活动分类中的一者。
24.根据权利要求23所述的移动装置，其中来自所述一个或一个以上传感器的所述信号包括在三个线性维度上的加速计轨迹。
25.根据权利要求23所述的移动装置，其中所述用于推断与所述移动装置处于同一位置的所述用户的所述当前活动的处理器实施时间表决。
26.根据权利要求23所述的移动装置，其中所述用于推断与所述移动装置处于同一位置的所述用户的所述当前活动的处理器实施最大似然滤波。
27.根据权利要求23所述的移动装置，其中所述用于推断与所述移动装置处于同一位置的所述用户的所述当前活动的处理器实施最大先验滤波。
28.根据权利要求23所述的移动装置，其中所述用于推断与所述移动装置处于同一位置的所述用户的所述当前活动的处理器实施有限脉冲响应滤波。
29.根据权利要求23所述的移动装置，其中所述用于推断与所述移动装置处于同一位置的所述用户的所述当前活动的处理器实施无限脉冲响应滤波。
CN201280015733.1A 2011-03-31 2012-03-30 用于在移动装置中使用似然函数值的组合对用户活动进行分类的***、方法和设备 Expired - Fee Related CN103460221B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201161470016P 2011-03-31 2011-03-31
US61/470,016 2011-03-31
US13/362,893 US8930300B2 (en) 2011-03-31 2012-01-31 Systems, methods, and apparatuses for classifying user activity using temporal combining in a mobile device
US13/362,893 2012-01-31
PCT/US2012/031697 WO2012135767A1 (en) 2011-03-31 2012-03-30 Systems, methods, and apparatuses for classifying user activity using combining of likelihood function values in a mobile device

Publications (2)

Publication Number Publication Date
CN103460221A true CN103460221A (zh) 2013-12-18
CN103460221B CN103460221B (zh) 2017-10-10

Family

ID=46928590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280015733.1A Expired - Fee Related CN103460221B (zh) 2011-03-31 2012-03-30 用于在移动装置中使用似然函数值的组合对用户活动进行分类的***、方法和设备

Country Status (6)

Country Link
US (1) US8930300B2 (zh)
EP (2) EP3173971A1 (zh)
JP (1) JP5923593B2 (zh)
KR (1) KR101573196B1 (zh)
CN (1) CN103460221B (zh)
WO (1) WO2012135767A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104503888A (zh) * 2014-12-16 2015-04-08 小米科技有限责任公司 告警提示的方法及装置
CN108875551A (zh) * 2017-05-10 2018-11-23 意法半导体(鲁塞)公司 用于监测场景检测的方法和装置
CN108960430A (zh) * 2017-05-19 2018-12-07 意法半导体公司 为人体运动活动生成个性化分类器的方法和设备
CN110045824A (zh) * 2014-02-10 2019-07-23 苹果公司 使用光学传感器检测到的运动手势输入

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122170A1 (en) * 2012-10-26 2014-05-01 Disney Enterprises, Inc. Detection of guest position
US9659333B2 (en) 2012-10-26 2017-05-23 Disney Enterprises, Inc. Dining experience management
US9125015B2 (en) 2013-06-28 2015-09-01 Facebook, Inc. User activity tracking system and device
US8948783B2 (en) * 2013-06-28 2015-02-03 Facebook, Inc. User activity tracking system
CN104348855B (zh) * 2013-07-29 2018-04-27 华为技术有限公司 用户信息的处理方法、移动终端及服务器
GB2516865A (en) * 2013-08-02 2015-02-11 Nokia Corp Method, apparatus and computer program product for activity recognition
US9942384B2 (en) 2013-09-10 2018-04-10 Google Technology Holdings LLC Method and apparatus for device mode detection
JP2016539673A (ja) * 2013-10-14 2016-12-22 ナイキ イノベイト シーブイ アスレチック運動属性からのペースとエネルギー消費量の計算
US9418342B2 (en) * 2013-12-06 2016-08-16 At&T Intellectual Property I, L.P. Method and apparatus for detecting mode of motion with principal component analysis and hidden markov model
US9159294B2 (en) 2014-01-31 2015-10-13 Google Inc. Buttonless display activation
US9037199B1 (en) 2014-02-13 2015-05-19 Google Inc. Detecting transitions between physical activity
US8976063B1 (en) 2014-04-29 2015-03-10 Google Inc. Automated detection of vehicle parking and location
US10652696B2 (en) * 2014-07-30 2020-05-12 Trusted Positioning, Inc. Method and apparatus for categorizing device use case for on foot motion using motion sensor data
KR101685495B1 (ko) * 2014-12-03 2016-12-28 한국과학기술연구원 이종 센서 매시업 방법, 이를 수행하기 위한 기록 매체 및 장치
US10184797B2 (en) * 2015-12-18 2019-01-22 Invensense, Inc. Apparatus and methods for ultrasonic sensor navigation
US10118696B1 (en) 2016-03-31 2018-11-06 Steven M. Hoffberg Steerable rotating projectile
US10564177B2 (en) 2016-08-01 2020-02-18 Samsung Electronics Co., Ltd. System and method for user activity recognition using accelerometer
US10743777B2 (en) * 2016-12-08 2020-08-18 Qualcomm Incorporated Cardiovascular parameter estimation in the presence of motion
US10663479B2 (en) * 2016-12-20 2020-05-26 Blackberry Limited Determining an open/close status of a barrier
US10467230B2 (en) 2017-02-24 2019-11-05 Microsoft Technology Licensing, Llc Collection and control of user activity information and activity user interface
US10671245B2 (en) 2017-03-29 2020-06-02 Microsoft Technology Licensing, Llc Collection and control of user activity set data and activity set user interface
US10732796B2 (en) 2017-03-29 2020-08-04 Microsoft Technology Licensing, Llc Control of displayed activity information using navigational mnemonics
US10693748B2 (en) 2017-04-12 2020-06-23 Microsoft Technology Licensing, Llc Activity feed service
US10853220B2 (en) 2017-04-12 2020-12-01 Microsoft Technology Licensing, Llc Determining user engagement with software applications
US11580088B2 (en) 2017-08-11 2023-02-14 Microsoft Technology Licensing, Llc Creation, management, and transfer of interaction representation sets
US11712637B1 (en) 2018-03-23 2023-08-01 Steven M. Hoffberg Steerable disk or ball
US20190365286A1 (en) * 2018-06-01 2019-12-05 Apple Inc. Passive tracking of dyskinesia/tremor symptoms
US11980792B2 (en) 2019-06-05 2024-05-14 Qeexo, Co. Method and apparatus for calibrating a user activity model used by a mobile device
US11969266B2 (en) * 2020-02-14 2024-04-30 Northeastern University Embedded networked deep learning for implanted medical devices

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1940591A (zh) * 2005-09-26 2007-04-04 通用汽车环球科技运作公司 使用传感器融合进行目标跟踪的***和方法
CN101213757A (zh) * 2005-06-30 2008-07-02 诺基亚公司 基于运动信息调整步伐检测的***和方法
CN101984454A (zh) * 2010-11-19 2011-03-09 杭州电子科技大学 一种基于数据驱动的多源多特征信息融合方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6145389A (en) 1996-11-12 2000-11-14 Ebeling; W. H. Carl Pedometer effective for both walking and running
US6582380B2 (en) 2000-01-24 2003-06-24 Ambulatory Monitoring, Inc. System and method of monitoring and modifying human activity-based behavior
JP4308683B2 (ja) 2004-02-26 2009-08-05 日本電信電話株式会社 ユーザ活動履歴可視化・分析方法、ユーザ活動履歴可視化・分析装置、および、プログラム
US7925995B2 (en) 2005-06-30 2011-04-12 Microsoft Corporation Integration of location logs, GPS signals, and spatial resources for identifying user activities, goals, and context
US7653508B1 (en) 2006-12-22 2010-01-26 Dp Technologies, Inc. Human activity monitoring device
US20080162202A1 (en) 2006-12-29 2008-07-03 Richendra Khanna Detecting inappropriate activity by analysis of user interactions
KR100934225B1 (ko) 2007-09-21 2009-12-29 한국전자통신연구원 일상생활 행위 인식을 위한 주체자의 행위 분류 보정 장치및 방법, 이를 이용한 일상생활 행위 인식 시스템
KR101512814B1 (ko) 2007-11-09 2015-04-16 구글 인코포레이티드 가속도계 데이터를 근거로 하는 애플리케이션 활성화
JP2012003494A (ja) 2010-06-16 2012-01-05 Sony Corp 情報処理装置、情報処理方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101213757A (zh) * 2005-06-30 2008-07-02 诺基亚公司 基于运动信息调整步伐检测的***和方法
CN1940591A (zh) * 2005-09-26 2007-04-04 通用汽车环球科技运作公司 使用传感器融合进行目标跟踪的***和方法
CN101984454A (zh) * 2010-11-19 2011-03-09 杭州电子科技大学 一种基于数据驱动的多源多特征信息融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
R.MUSCILLO等: "an adaptive kalman-based Bayes estimation technique to classify locomotor activities in young and elderly adults through accelerometers", 《MEDICAL ENGINEERING & PHYSICS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045824A (zh) * 2014-02-10 2019-07-23 苹果公司 使用光学传感器检测到的运动手势输入
US11422635B2 (en) 2014-02-10 2022-08-23 Apple Inc. Optical sensing device
CN104503888A (zh) * 2014-12-16 2015-04-08 小米科技有限责任公司 告警提示的方法及装置
CN108875551A (zh) * 2017-05-10 2018-11-23 意法半导体(鲁塞)公司 用于监测场景检测的方法和装置
CN108875551B (zh) * 2017-05-10 2021-09-24 意法半导体(鲁塞)公司 用于监测场景检测的方法和装置
CN108960430A (zh) * 2017-05-19 2018-12-07 意法半导体公司 为人体运动活动生成个性化分类器的方法和设备
US11096593B2 (en) 2017-05-19 2021-08-24 Stmicroelectronics, Inc. Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning
CN108960430B (zh) * 2017-05-19 2022-01-14 意法半导体公司 为人体运动活动生成个性化分类器的方法和设备

Also Published As

Publication number Publication date
EP2691918A1 (en) 2014-02-05
KR101573196B1 (ko) 2015-12-01
WO2012135767A1 (en) 2012-10-04
CN103460221B (zh) 2017-10-10
JP2014513285A (ja) 2014-05-29
EP3173971A1 (en) 2017-05-31
JP5923593B2 (ja) 2016-05-24
US20120254100A1 (en) 2012-10-04
KR20130138321A (ko) 2013-12-18
US8930300B2 (en) 2015-01-06

Similar Documents

Publication Publication Date Title
CN103460221A (zh) 用于在移动装置中使用似然函数值的组合对用户活动进行分类的***、方法和设备
KR101834374B1 (ko) 시간 기준 특징들의 시간적 스케일링을 이용한 활동 분류를 위한 방법들, 디바이스들 및 장치들
KR101437757B1 (ko) 콘텍스트 감지 및 융합을 위한 방법, 장치 및 컴퓨터 프로그램제품
CN103477192A (zh) 用于推断移动装置的位置的装置、方法和设备
EP2447809B1 (en) User device and method of recognizing user context
US9443202B2 (en) Adaptation of context models
US9268399B2 (en) Adaptive sensor sampling for power efficient context aware inferences
EP4379578A2 (en) Learning situations via pattern matching
CN103026780B (zh) 用于控制传感器的调用的方法和设备
EP2715487B1 (en) Method and apparatus for classifying multiple device states

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171010