CN103597424B - 用于对多个装置状态分类的方法和设备 - Google Patents

Abstract

本文描述用于使用单独贝叶斯分类器来对多个装置状态分类的技术。本文所描述的方法的实例包含：存取装置的传感器信息，其中所述传感器信息中的至少一些用于第一特征集中且所述传感器信息中的至少一些用于第二特征集中；使用经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态的第一分类算法来处理所述第一特征集；使用经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态的第二分类算法来处理所述第二特征集；以及将装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态。

Description

用于对多个装置状态分类的方法和设备

相关申请案的交叉参考

本专利申请案主张2011年5月27日申请且题为“对多个装置状态分类(CLASSIFYING MULTIPLE DEVICE STATES)”的第61／490,999号美国临时申请案的权利，所述申请案的全部内容以引用的方式并入本文。

技术领域

背景技术

无线通信装置在现今社会中日益普及。举例来说，人们使用蜂窝式电话、智能电话、个人数字助理、膝上型计算机、寻呼机、平板计算机等来从无数位置无线地发送及接收数据。此外，无线通信技术的进步已大大增加了现今无线通信装置的多功能性，使得用户能够从单个便携式装置执行常规上需要多个装置或较大非便携式设备的广泛范围的任务。

智能电话和其它移动装置可含有传感器。这些传感器可包含(但不限于)运动传感器(例如加速度计、回转仪等)和环境传感器(例如温度计、光传感器、麦克风等)。装置的运动传感器的输出指示装置的移动。装置移动含有关于用户的运动状态(例如，坐、站、走、跑等)和相对于用户的装置位置(例如，口袋、背包、手、桌子等)的信息。

可了解对应于特定传感器输出的状态，使得传感器数据可随后用以确定未知的装置状态。举例来说，在训练过程期间，经配置以执行分类算法的装置(例如，贝叶斯(Bayesian)分类器等)可暴露于运动状态／装置位置组合的实例，且可处理对应传感器数据以了解每一组合的模型。接着，当呈现出针对未知运动状态／装置位置的新的传感器信息集时，分类器将选择具有最高计算似然性(或在已知先验概率的情况下，为后验概率)的运动状态和装置位置。

此些分类算法可基于所识别特征和给定统计模型来操作。举例来说，可利用具有16个混合分量的高斯混合模型(GMM)来估计运动状态。作为另一实例，可利用具有2个混合分量的GMM来估计装置位置。需要提供装置状态分类的进一步改进的技术。

发明内容

本文所描述的对装置的多个状态类型分类的方法的实例包含：存取装置的传感器信息，其中所述传感器信息中的至少一些用于第一特征集中，且所述传感器信息中的至少一些用于第二特征集中；使用第一分类算法来处理所述第一特征集，其中所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态；使用第二分类算法来处理所述第二特征集，其中所述第二分类算法经配置以确定第一状态类型的第二建议状态和第二状态类型的第二建议状态；以及将装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态。

方法的实施方案可包含以下特征中的一者或一者以上。所述第一状态类型为运动状态，且所述第二状态类型为位置状态。用于所述第一特征集中的所述传感器信息包含加速度计输出，且所述第一特征集包含加速度计输出在时间间隔内的差异。用于所述第二特征集中的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。所述第一分类算法包含使用所述第一特征集和第一概率分布函数的最大化联合似然算法。所述第一分类算法包含使用所述第一特征集和第一概率分布函数的最大化边缘后验算法。所述第二分类算法包含使用所述第二特征集和第二概率分布函数的最大化联合似然算法。所述第二分类算法包含使用所述第二特征集和第二概率分布函数的最大化边缘后验算法。所述第一分类算法和所述第二分类算法各自包含贝叶斯分类器。

本文所描述的移动装置的实例包含：一个或一个以上传感器，其经配置以产生传感器输出；特征集产生器模块，其以通信方式耦合到所述一个或一个以上传感器且经配置以使指示所述传感器输出的相应传感器信息与第一特征集和第二特征集中的至少一者相关联；以及分类模块，其以通信方式耦合到所述特征集产生器模块。所述分类模块经配置以执行以下操作，所述操作包含：使用第一分类算法来处理所述第一特征集，其中所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态；使用第二分类算法来处理所述第二特征集，其中所述第二分类算法经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态；以及将所述装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态。

移动装置的实施方案可包含以下特征中的一者或一者以上。所述第一状态类型为运动状态，且所述第二状态类型为位置状态。所述一个或一个以上传感器包含一个或一个以上加速度计，用于所述第一特征集中的所述传感器信息包含加速度计输出，且所述第一特征集包含加速度计输出在时间间隔内的差异。所述一个或一个以上传感器包含一个或一个以上加速度计，用于所述第二特征集中的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。所述第一分类算法包含使用所述第一特征集和第一概率分布函数的最大化联合似然算法。所述第一分类算法包含使用所述第一特征集和第一概率分布函数的最大化边缘后验算法。所述第二分类算法包含使用所述第二特征集和第二概率分布函数的最大化联合似然算法。所述第二分类算法包含使用所述第二特征集和第二概率分布函数的最大化边缘后验算法。所述第一分类算法和所述第二分类算法各自包含贝叶斯分类器。

本文所描述的移动装置的另一实例包含：用于存取所述装置的传感器信息的装置；用于使所述传感器信息中的至少一些与第一特征集相关联的装置；用于使所述传感器信息中的至少一些与第二特征集相关联的装置；用于使用第一分类算法来处理所述第一特征集的装置，其中所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态；用于使用第二分类算法来处理所述第二特征集的装置，其中所述第二分类算法经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态；以及用于将所述装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态的装置。

上述移动装置的实施方案可包含以下特征中的一者或一者以上。所述第一状态类型为运动状态，且所述第二状态类型为位置状态。与所述第一特征集相关联的所述传感器信息包含加速度计输出，且所述第一特征集包含加速度计输出在时间间隔内的差异。与所述第二特征集相关联的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。所述第一分类算法包含最大化联合似然算法或最大化边缘后验算法中的至少一者，且所述第一分类算法使用所述第一特征集和第一概率分布函数。所述第二分类算法包含最大化联合似然算法或最大化边缘后验算法中的至少一者，且所述第二分类算法使用所述第二特征集和第二概率分布函数。

本文所描述的计算机程序产品的实例驻留于处理器可读媒体上且包含处理器可读指令，所述处理器可读指令经配置以致使处理器进行以下动作：存取装置的传感器信息，其中所述传感器信息中的至少一些用于第一特征集中，且所述传感器信息中的至少一些用于第二特征集中；使用第一分类算法来处理所述第一特征集，所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态；使用第二分类算法来处理所述第二特征集，所述第二分类算法经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态；以及将所述装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态。

计算机程序产品的实施方案可包含以下特征中的一者或一者以上。所述第一状态类型为运动状态，且所述第二状态类型为位置状态。用于所述第一特征集中的所述传感器信息包含加速度计输出，且所述第一特征集包含加速度计输出在时间间隔内的差异。用于所述第二特征集中的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。所述第一分类算法包含最大化联合似然算法或最大化边缘后验算法中的至少一者，且所述第一分类算法使用所述第一特征集和第一概率分布函数。所述第二分类算法包括最大化联合似然算法或最大化边缘后验算法中的至少一者，且所述第二分类算法使用所述第二特征集和第二概率分布函数。

附图说明

图1是计算装置的组件的框图。

图2是用于多个装置状态的分类的***的框图。

图3-4是与各种状态分类技术相关联的相应分类器的说明性视图。

图5是用于使用单独分类器来对装置的多个状态联合分类的***的框图。

图6是对与装置相关联的多个状态分类的过程的方框流程图。

具体实施方式

本文描述用于通过利用多个分类器来对多个装置状态类型分类的技术。在一实施例中，使用对应数目个分类器来对多个装置状态类型分类，其中每一分类器针对一个特定状态而优化且输出用于一个特定状态的建议状态值。或者，在另一实施例中，使用多个装置状态的单独联合分类器。在其中对运动和位置状态分类的实例中，第一分类器使用已针对对运动状态分类而优化的特征集和统计模型，而第二分类器使用已针对对装置位置分类而优化的特征集和统计模型。每一分类器输出对运动状态和装置位置的联合估计，但第一分类器(即，运动状态分类器)丢弃或忽视其针对装置位置的输出，且第二分类器(即，装置位置分类器)丢弃或忽视其针对运动状态的输出。虽然本文的各种实例呈现于对位置和运动状态分类的上下文中，但本发明并不既定限于任何特定实例，且其它状态的分类也是可能的。

本文所描述的项目及／或技术可提供以下能力中的一者或一者以上以及未提及的其它能力。可以改进的性能和准确性来执行装置状态分类。可在单组操作中执行多个装置状态(例如运动和位置)的估计而不会损害所述估计的准确性。移动装置和经配置以在移动装置上运行的应用程序可以增加的灵活性和对周围环境的改变的适应性来操作。虽然已描述至少一个项目／技术效应对，但通过不同于所述项目／技术的项目／技术来实现所述效应可为可能的，且所述项目／技术可能未必产生所述效应。

参看图1，实例计算装置12包括处理器20、包含软件24的存储器22、输入／输出(I／O)装置26(例如，显示器、扬声器、小键盘、触摸屏或触摸板等)、以及一个或一个以上定向传感器28。另外，装置12可包含图1中未说明的其它组件，例如促进装置12与一个或一个以上网络实体之间的双向通信的网络接口，和／或任何其它合适组件。

处理器20为智能硬件装置，例如中央处理单元(CPU)(例如由公司或制造的CPU)、微控制器、专用集成电路(ASIC)等。存储器22包含非暂时性存储媒体，例如随机存取存储器(RAM)和只读存储器(ROM)。存储器22存储软件24，其为含有指令的计算机可读、计算机可执行软件代码，所述指令经配置以在被执行时致使处理器20执行本文所述的各种功能。或者，软件24可不由处理器20直接执行，但可经配置以在被编译和执行时致使计算机执行所述功能。

定向传感器28经配置以收集与装置12的运动、位置和／或定向相关的数据以及此类特性随时间推移的改变。还参看图2，定向传感器28可包含(例如)一个或一个以上加速度计42、回转仪(陀螺仪)44、磁力计46或类似者。定向传感器28经配置以提供信息，可根据所述信息来确定装置12的运动、位置和／或定向。可使用与装置12相关联的相应定向传感器28来测量单个轴或多个轴。对于多轴测量，可使用多个单轴加速度计和／或多轴(例如，两轴或三轴)加速度计来测量相对于线性轴的运动(例如，x-y-z、大地坐标系(north-east-down)等)，且可使用多个单轴回转仪和／或多轴回转仪来测量相对于角轴的运动(例如，滚动、俯仰或偏转)。

定向传感器28可随着时间推移(例如，周期性地)而提供信息，使得可比较目前与过去的定向、位置和／或运动方向以确定装置12的运动方向、位置和／或定向的改变。回转仪44可提供关于影响定向的装置12的运动的信息。加速度计42经配置以提供关于重力加速度的信息，使得可确定重力相对于装置12的方向。磁力计46经配置以提供磁北方向在三维中相对于装置12(例如，相对于真北或磁北)的指示。可利用基于磁偏角的转换机构和／或其它合适装置来将相对于真北的方向转换为相对于磁北的方向，以及将相对于磁北的方向转换为相对于真北的方向。

如上所述，计算装置12(例如，智能电话、膝上型或平板计算机、个人数字助理(PDA)等)含有提供各种类型的信息的传感器。举例来说，定向传感器28提供指示相关联装置12的移动的输出。继而，装置移动含有关于装置用户的运动状态(例如，坐、站、走、跑等)和相对于用户的装置位置(例如，口袋、背包、手、桌子等)的信息。

如上文进一步论述，可了解对应于特定传感器输出的状态，使得传感器数据可随后用以确定未知的装置状态。举例来说，在训练过程期间，经配置以执行分类算法的装置可暴露于运动状态／装置位置组合的实例，且可处理对应传感器数据以了解每一组合的模型。随后，当呈现出针对未知运动状态／装置位置的新的传感器信息集时，分类器选择具有最高计算似然性(或在已知先验概率的情况下，为后验概率)的运动状态和装置位置。

可使用例如贝叶斯分类器等分类算法来基于传感器信息对多个装置状态分类。举例来说，可将来自一个或一个以上传感器的信息提供到贝叶斯分类器以基于传感器信息来对运动状态和装置位置联合分类。这可通过以下动作来完成：例如，(1)挑选具有最高联合似然性或后验概率的特定运动状态／装置位置组合，或(2)最初使装置位置边缘化(即，对似然性求和)，计算具有最高边缘似然性或后验概率的运动状态，且接着对运动状态边缘化且计算具有最高边缘似然性／后验概率的装置位置。

可如下总结上文概述的两种方法。首先参考使联合似然性最大化，首先根据下式来选择运动状态和装置位置

$({\widehat{\mathrm{\ω}}}_{\mathrm{motion}},{\widehat{\mathrm{\ω}}}_{\mathrm{position}})={\arg \max }_{{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}}P\left(f\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}),$

其中ω_motion指示正被优化的运动状态，ω_position指示正被优化的装置位置，且f指示特征向量。类似地，对联合后验概率最大化的解决方案为：

$({\widehat{\mathrm{\ω}}}_{\mathrm{motion}},{\widehat{\mathrm{\ω}}}_{\mathrm{position}})={\arg \max }_{{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}}P\left(f\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})$

其中P(ω_motion，ω_position)指示正处于运动状态ω_motion且其装置在位置ω_position的用户的先验概率。

接下来参考对边缘似然性和／或后验概率最大化，首先根据下式来选择运动状态：

${\widehat{\mathrm{\ω}}}_{\mathrm{motion}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{motion}}}\underset{{\mathrm{\ω}}_{\mathrm{position}}}{\mathrm{\Σ}}P\left(f\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}).$

其次，根据下式来选择装置位置：

${\widehat{\mathrm{\ω}}}_{\mathrm{position}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{position}}}\underset{{\mathrm{\ω}}_{\mathrm{motion}}}{\mathrm{\Σ}}P\left(f\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}).$

类似地，由下式给出对边缘后验概率最大化的解决方案：

${\widehat{\mathrm{\ω}}}_{\mathrm{motion}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{motion}}}\underset{{\mathrm{\ω}}_{\mathrm{position}}}{\mathrm{\Σ}}P\left(f\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}),$

及

${\widehat{\mathrm{\ω}}}_{\mathrm{position}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{position}}}\underset{{\mathrm{\ω}}_{\mathrm{motion}}}{\mathrm{\Σ}}P\left(f\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}).$

上述两种方法利用相同的特征集和相同的统计模型来对运动状态和装置位置两者进行分类。然而，此共同使用导致分类质量的显著损失，这是因为产生最佳运动状态分类结果的特征和统计模型与产生最佳装置位置分类结果的那些特征和统计模型显著不同。举例来说，使用具有16个混合分量的GMM可产生运动状态的准确估计，但产生装置位置的不良估计，而使用具有2个混合分量的GMM可产生装置位置的准确估计，但产生运动状态的不良估计。作为另一实例，在分类器中包含特定特征f_motion可提高对运动状态分类的准确性，但使对装置位置分类的准确性降级；相反，特征f_postion可提高对装置位置分类的准确性，但使对运动状态分类的准确性降级。

本文的***和技术提供多个分类器来对多个装置状态类型分类。举例来说，如图2中的***40所说明，一个或一个以上定向传感器28和／或其它传感器提供传感器输出到分类模块50，其继而对由传感器输出表示的多个装置状态类型分类。为了对多个装置状态类型分类，可利用对应数目个分类器，其中每一分类器针对一个特定状态而优化且输出用于一个特定状态的建议状态值。或者，可使用多个装置状态的单独联合分类器。举例来说，传感器输出可与第一特征集和第二特征集相关联，所述第一特征集和第二特征集分别通过第一特征集处理器模块52和第二特征集处理器模块54来分类。模块52-54将候选状态提供到建议状态产生器56，建议状态产生器56经配置以根据候选状态而产生建议和／或估计装置状态。

在运动和位置状态的实例中，第一分类器使用已针对对运动状态分类而优化的特征集和统计模型，而第二分类器使用已针对对装置位置分类而优化的特征集和统计模型。每一分类器输出运动状态和装置位置的联合估计，但第一分类器(即，运动状态分类器)丢弃或忽视其针对装置位置的输出，且第二分类器(即，装置位置分类器)丢弃或忽视其针对运动状态的输出。

下文针对在上文描述且通过图3中的分类器62-64说明的两个实例分类器来总结上述方法。此外，将所述方法与利用单个分类器70的技术(如图4中所说明)进行对比。相对于以下算法来说明上述方法：(1)用单独分类器使联合似然性最大化，以及(2)用单独分类器使边缘似然性和／或后验概率最大化。其它算法也是可能的。

首先参考用单独分类器使联合似然性最大化，最初根据下式来选择运动状态

$({\widehat{\mathrm{\ω}}}_{\mathrm{motion}},{\widehat{\mathrm{\ω}}}_{{\mathrm{position}}_{\mathrm{DISCARD}}})=\arg \max ({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P_{\mathrm{motion}}\left(f_{\mathrm{motion}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}),$

且根据下式来选择装置位置

$({\widehat{\mathrm{\ω}}}_{{\mathrm{motion}}_{\mathrm{DISCARD}}},{\widehat{\mathrm{\ω}}}_{\mathrm{position}})=\arg \mathrm{ma}{x}_{({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})}{P}_{\mathrm{position}}\left(f_{\mathrm{position}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})$

其中，ω_motion指示被执行优化的运动状态，且ω_position指示被执行优化的装置位置。当统计模型分别针对运动状态分类和装置位置分类而经优化时，参数P_motion和P_position指示概率分布函数(PDF)。类似地，f_motion和f_position分别指示用于运动状态分类和装置位置分类的特征向量。如上所述，参数和为丢弃的估计。

类似地，由下式给出对联合后验概率最大化的解决方案：

$\begin{array}{c}({\widehat{\mathrm{\ω}}}_{\mathrm{motion}},{\widehat{\mathrm{\ω}}}_{{\mathrm{position}}_{\mathrm{DISCARD}}})=\\ \arg \mathrm{ma}{x}_{({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})}{P}_{\mathrm{motion}}\left(f_{\mathrm{motion}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})\end{array},$

针对运动状态，以及：

$\begin{array}{c}({\widehat{\mathrm{\ω}}}_{{\mathrm{motion}}_{\mathrm{DISCARD}}},{\widehat{\mathrm{\ω}}}_{\mathrm{position}})=\\ \arg {\max }_{({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})}{P}_{\mathrm{position}}\left(f_{\mathrm{position}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})\end{array},$

针对装置位置。

接下来参考用独立分类器使边缘似然性和／或后验概率最大化的情况，最初经由下式来选择运动状态：

${\widehat{\mathrm{\ω}}}_{\mathrm{motion}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{motion}}}\underset{{\mathrm{\ω}}_{\mathrm{position}}}{\mathrm{\Σ}}P\left(f_{\mathrm{motion}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}).$

接下来，经由下式来选择装置位置：

${\widehat{\mathrm{\ω}}}_{\mathrm{position}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{position}}}\underset{{\mathrm{\ω}}_{\mathrm{motion}}}{\mathrm{\Σ}}P\left(f_{\mathrm{position}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}).$

类似地，由下式给出对边缘后验概率最大化的解决方案：

${\widehat{\mathrm{\ω}}}_{\mathrm{motion}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{motion}}}\underset{{\mathrm{\ω}}_{\mathrm{position}}}{\mathrm{\Σ}}P\left(f_{\mathrm{position}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}),$

及

${\widehat{\mathrm{\ω}}}_{\mathrm{position}}={\arg \max }_{{\mathrm{\ω}}_{\mathrm{position}}}\underset{{\mathrm{\ω}}_{\mathrm{motion}}}{\mathrm{\Σ}}P\left(f_{\mathrm{position}}\right|{\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}})P({\mathrm{\ω}}_{\mathrm{motion}},{\mathrm{\ω}}_{\mathrm{position}}).$

以下实例说明具有两个贝叶斯分类算法的针对具有多轴加速度计的装置的上述技术。所述两个分类算法各自经配置以对两个状态类型分类：运动状态和位置状态。然而，如上所述，一个分类算法经优化以对运动分类，且另一分类算法经优化以对位置分类。在此实例中，装置具有两个可能运动状态(坐和走)和两个可能位置状态(在用户的手中和在用户的口袋中)。结果，存在四种可能组合：坐／手、坐／口袋、走／手以及走／口袋。

不同的运动状态对应于不同的加速度计配置文件。举例来说，坐和走可通过处理加速度计输出在数据获取时间内的差异而得以区分。然而，加速度计输出的差异一般不如位置敏感。因此，加速度计输出的差异不可以高置信度水平来提供装置是在用户手中还是在用户口袋中的确定。

对比来说，不同位置状态一般对应于不同装置定向。对于多轴加速度计的实例，加速度计轴之间的加速度的平均比率指示装置的定向，且可用于以相对高置信度在位置状态之间进行区分，同时以相对低的置信度来确定装置的运动状态。

对于当前实例，两个分类算法中的一者使用经配置而以高置信度来确定装置的运动状态的特征集和统计模型，而另一者使用经配置而以高置信度来确定装置的位置状态的特征集和统计模型。运动分类器特征集使用加速度计的输出来确定加速度计输出在时间间隔内的差异，且以相对高的置信度来确定建议运动状态值，而其以相对低的置信度来确定建议位置状态值。丢弃或忽视建议位置状态值。位置分类器特征集使用加速度计输出来确定加速度计的轴之间的加速度的平均比率，且以相对高的置信度来确定建议位置状态值，且以相对低的置信度来确定建议运动状态值。丢弃或忽视建议运动状态值。

上述技术可产生例如以下表1所说明的输出：

	运动分类器的输出	位置分类器的输出	装置状态
				坐	X	X	X
走
				口袋	X
手		X	X

表1：实例分类器对的输出。

如表1说明，运动分类器和位置分类器两者皆确定运动状态是坐。运动分类器确定装置的位置状态是在口袋中，而位置分类器确定装置的位置状态是在手中。所得装置状态是：用户正坐着且将装置保持在他的手中，这是因为运动分类器针对位置的输出是被忽视的。

为了准确地对装置状态分类，可训练分类算法。举例来说，可在用户将装置放在其口袋中时获得传感器数据，且所获得数据可用以设置分类算法的一个或一个以上参数，从而实现稍后的确定：传感器信息指示位置状态为“口袋”。可收集针对运动／位置状态的组合(例如，站／手中、走／手中、站／口袋中、走／口袋中等)的传感器信息，以基于来自已知运动／位置状态的信息来创建针对每一分类器的单独特征集和统计模型。此“训练”可在分类器用以对未知运动／位置状态分类之前发生。在一些实施例中，训练可在初始使用之后发生。举例来说，用户可能够和／或被提醒基于不准确的结果、模糊的结果或其它情形而指示特定状态类型的值。

虽然上述实例利用两个状态类型(即，运动状态和位置状态)，但可对两个以上的装置状态分类，且每一装置状态类型具有其自身的可能状态群组。此外，可能状态的每一群组可包含任何数目个状态。另外，一些状态类型可仅使用运动传感器信息，而其它状态类型可替代运动传感器信息或除了运动传感器信息之外而使用环境或其它传感器信息。如上文所述，这些以及其它技术是可能的。

接下来参看图5，用于对多个装置状态分类的***80包含传感器接口模块82，传感器接口模块82经配置以存取装置的传感器信息(例如，由一个或一个以上传感器产生的传感器输出)。特征集产生器84使指示传感器输出的相应传感器信息与至少第一特征集和第二特征集相关联，使得传感器信息中的至少一些与第一特征集相关联，且传感器信息中的至少一些与第二特征集相关联。

第一特征集和第二特征集分别由第一分类器86和第二分类器88处理。第一分类器86使用第一分类算法来处理第一特征集，所述第一分类算法经配置以确定第一状态类型(例如，运动等)的第一建议状态和第二状态类型(例如，位置等)的第一建议状态。这些建议状态在图5上分别展示为状态1A和1B。第二分类器88使用第二分类算法来处理第二特征集，所述第二分类算法经配置以确定第一状态类型的第二建议状态和第二状态类型的第二建议状态。这些建议状态在图5上分别展示为状态2A和2B。基于由分类器86-88输出的建议状态，建议状态产生器模块56将装置的建议状态确定为第一状态类型的第一建议状态以及第二状态类型的第二建议状态(即，状态1A和2B)。

图5所展示的模块的全部或部分可整体或部分地由分类模块50实施为独立组件，等。举例来说，分类模块50可实施分类器86-88(例如，经由第一特征集处理器模块52和第二特征集处理器模块54)以及建议产生器状态模块56的功能性。此外，图2和5中所示的模块可以硬件实施，以软件(例如，通过处理器20执行存储在存储器22上的软件24中的指令)实施，或以硬件和软件的组合来实施。

参看图6，进一步参看图1-5，对与装置相关联的多个状态分类的过程100包含所展示的阶段。然而，过程100仅为实例且非限制性的。过程100可(例如)通过添加、移除、重新布置、组合和／或同时执行若干阶段而更改。如所展示和描述的对过程100的其它更改是可能的。

在阶段102，存取装置的传感器信息(例如，一个或一个以上定向传感器28和／或其它传感器的传感器输出)。此类存取可通过例如分类模块50、传感器接口模块82等来执行。

过程100从阶段102继续进行到阶段104和106，其中在阶段102存取的传感器信息中的至少一些被分别指派到第一特征集和第二特征集。传感器信息与特征集之间的关联可通过特征集产生器模块84、经配置以处理相应特征集的相应分类器86-88等来执行。

过程100从阶段104和106继续进行到阶段108和110。在阶段108，使用第一分类算法来处理(例如，通过第一特征集处理器模块52、分类器86等)第一特征集，所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态。在阶段110，使用第二分类算法来处理(例如，通过第二特征集处理器模块54、分类器88等)第二特征集，所述第二分类算法经配置以确定第一状态类型的第二建议状态和第二状态类型的第二建议状态。过程100接着在阶段112结束，其中将装置的建议状态确定(例如，通过建议状态产生器模块56等)为在阶段108确定的第一状态类型的第一建议状态和在阶段110确定的第二状态类型的第二建议状态。

可将图1、2、3、4、5和／或6中说明的组件、步骤、特征和／或功能中的一者或一者以上重新布置和／或组合为单个组件、步骤、特征或功能，或体现于若干组件、步骤或功能中。在不偏离本发明的情况下还可添加额外元件、组件、步骤和／或功能。图1、2、3、4和／或5中说明的设备、装置和／或组件可经配置以执行图6中所描述的方法、特征或步骤中的一者或一者以上。本文所述的新颖算法还可有效地实施于软件中和／或嵌入于硬件中。

而且，应注意，已将至少一些实施方案描述为经描绘为流程图、流图、结构图或框图的进程。尽管流程图可将操作描述为顺序进程，但可并行或同时执行许多操作。另外，可重新布置操作的次序。进程在其操作完成时终止。进程可对应于方法、功能、过程、子例程、子程序等。当进程对应于功能时，其终止对应于功能返回到呼叫功能或主要功能。

此外，实施例可通过硬件、软件、固件、中间件、微码或其任何组合来实施。当以软件、固件、中间件或微码来实施时，可将用以执行必要任务的程序代码或代码段存储在机器可读媒体中，例如存储媒体或其它存储装置。处理器可执行必要任务。代码段可表示过程、函数、子程序、程序、例程、子例程、模块、软件包、类，或指令、数据结构或程序语句的任一组合。代码段可通过传递和／或接收信息、数据、自变量、参数或存储器内容而耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可经由包括存储器共享、消息传递、符记传递、网络传输等的任何适当手段来传递、转发或传输。

术语“机器可读媒体”、“计算机可读媒体”和／或“处理器可读媒体”可包含(但不限于)便携式或固定存储装置、任选存储装置，以及能够存储、含有或携带指令和／或数据的各种其它非暂时性媒体。因此，本文所描述的各种方法可部分或完全由指令和／或数据实施，所述指令和／或数据可存储在“机器可读媒体”、“计算机可读媒体”和／或“处理器可读媒体”中且由一个或一个以上处理器、机器和／或装置执行。

结合本文所揭示的实例而描述的方法或算法可直接体现于硬件中、体现于可由处理器执行的软件模块中，或体现于两者的组合中，呈处理单元、编程指令或其它命令的形式，且可含于单个装置中或分布在多个装置上。软件模块可驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移除式磁盘、CD-ROM或此项技术中已知的任何其它形式的存储媒体中。存储媒体可耦合到处理器，使得处理器可从存储媒体读取信息，且将信息写入到存储媒体。在替代方案中，存储媒体可与处理器成一体式。

所属领域的技术人员应了解，可将结合本文中所揭示的实施例而描述的各种说明性逻辑块、模块、电路和算法步骤实施为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件与软件的此互换性，上文已大致关于其功能性而描述了各种说明性组件、块、模块、电路和步骤。此类功能性是实施为硬件还是软件取决于特定应用及强加于整个***的设计约束。

本文描述的本发明的各种特征可在不偏离本发明的情况下实施于不同***中。应注意，上述实施例仅为实例且不应被理解为限制本发明。实施例的描述既定为说明性的，而不应限制权力要求书的范围。因而，本教示可容易地应用于其它类型的设备，且许多替代方案、修改及变化对于所属领域的技术人员来说将为显而易见的。

Claims (24)

1.一种对装置的多个状态类型分类的方法，所述方法包括：

存取所述装置的传感器信息，其中所述传感器信息中的至少一些用于第一特征集中，且所述传感器信息中的至少一些用于第二特征集中；

使用第一分类算法来处理所述第一特征集，其中所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态；

使用第二分类算法来处理所述第二特征集，其中所述第二分类算法经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态；以及

将所述装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态。

2.根据权利要求1所述的方法，其中所述第一状态类型为运动状态，且所述第二状态类型为位置状态。

3.根据权利要求2所述的方法，其中：

用于所述第一特征集中的所述传感器信息包含加速度计输出，且

所述第一特征集包含加速度计输出在时间间隔内的差异。

4.根据权利要求2所述的方法，其中：

用于所述第二特征集中的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且

所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。

5.根据权利要求1所述的方法，其中所述第一分类算法包括使用所述第一特征集和第一概率分布函数的最大化联合似然算法。

6.根据权利要求1所述的方法，其中所述第一分类算法包括使用所述第一特征集和第一概率分布函数的最大化边缘后验算法。

7.根据权利要求1所述的方法，其中所述第二分类算法包括使用所述第二特征集和第二概率分布函数的最大化联合似然算法。

8.根据权利要求1所述的方法，其中所述第二分类算法包括使用所述第二特征集和第二概率分布函数的最大化边缘后验算法。

9.根据权利要求1所述的方法，其中所述第一分类算法和所述第二分类算法各自包括贝叶斯分类器。

10.一种移动装置，其包括：

一个或一个以上传感器，其经配置以产生传感器输出；

特征集产生器模块，其以通信方式耦合到所述一个或一个以上传感器且经配置以使指示所述传感器输出的相应传感器信息与第一特征集和第二特征集中的至少一者相关联；以及

分类模块，其以通信方式耦合到所述特征集产生器模块且经配置以执行以下操作，所述操作包括：

使用第一分类算法来处理所述第一特征集，其中所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态，

使用第二分类算法来处理所述第二特征集，其中所述第二分类算法经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态，以及

将所述装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态。

11.根据权利要求10所述的装置，其中所述第一状态类型为运动状态，且所述第二状态类型为位置状态。

12.根据权利要求11所述的装置，其中：

所述一个或一个以上传感器包含一个或一个以上加速度计，

用于所述第一特征集中的所述传感器信息包含加速度计输出，且

所述第一特征集包含加速度计输出在时间间隔内的差异。

13.根据权利要求11所述的装置，其中：

所述一个或一个以上传感器包含一个或一个以上加速度计，

用于所述第二特征集中的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且

所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。

14.根据权利要求10所述的装置，其中所述第一分类算法包括使用所述第一特征集和第一概率分布函数的最大化联合似然算法。

15.根据权利要求10所述的装置，其中所述第一分类算法包括使用所述第一特征集和第一概率分布函数的最大化边缘后验算法。

16.根据权利要求10所述的装置，其中所述第二分类算法包括使用所述第二特征集和第二概率分布函数的最大化联合似然算法。

17.根据权利要求10所述的装置，其中所述第二分类算法包括使用所述第二特征集和第二概率分布函数的最大化边缘后验算法。

18.根据权利要求10所述的装置，其中所述第一分类算法和所述第二分类算法各自包括贝叶斯分类器。

19.一种移动装置，其包括：

用于存取所述装置的传感器信息的装置；

用于使所述传感器信息中的至少一些与第一特征集相关联的装置；

用于使所述传感器信息中的至少一些与第二特征集相关联的装置；

用于使用第一分类算法来处理所述第一特征集的装置，其中所述第一分类算法经配置以确定第一状态类型的第一建议状态和第二状态类型的第一建议状态；

用于使用第二分类算法来处理所述第二特征集的装置，其中所述第二分类算法经配置以确定所述第一状态类型的第二建议状态和所述第二状态类型的第二建议状态；以及

用于将所述装置的建议状态确定为所述第一状态类型的所述第一建议状态和所述第二状态类型的所述第二建议状态的装置。

20.根据权利要求19所述的装置，其中所述第一状态类型为运动状态，且所述第二状态类型为位置状态。

21.根据权利要求20所述的装置，其中：

与所述第一特征集相关联的所述传感器信息包含加速度计输出，且

所述第一特征集包含加速度计输出在时间间隔内的差异。

22.根据权利要求20所述的装置，其中：

与所述第二特征集相关联的所述传感器信息包含针对具有至少第一轴和第二轴的多轴加速度计的多个加速度计轴的加速度计输出，且

所述第二特征集包含所述多轴加速度计的两个加速度计轴之间的加速度的平均比率。

23.根据权利要求19所述的装置，其中：

所述第一分类算法包括最大化联合似然算法或最大化边缘后验算法中的至少一者，且

所述第一分类算法使用所述第一特征集和第一概率分布函数。

24.根据权利要求19所述的装置，其中：

所述第二分类算法包括最大化联合似然算法或最大化边缘后验算法中的至少一者，且

所述第二分类算法使用所述第二特征集和第二概率分布函数。