FI122770B - Kontekstitietoisuudella ohjattava mobiililaite - Google Patents
Kontekstitietoisuudella ohjattava mobiililaite Download PDFInfo
- Publication number
- FI122770B FI122770B FI20096172A FI20096172A FI122770B FI 122770 B FI122770 B FI 122770B FI 20096172 A FI20096172 A FI 20096172A FI 20096172 A FI20096172 A FI 20096172A FI 122770 B FI122770 B FI 122770B
- Authority
- FI
- Finland
- Prior art keywords
- context
- vector
- mobile device
- property
- class
- Prior art date
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephone Function (AREA)
- Telephonic Communication Services (AREA)
Abstract
Menetelmä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella käsittää sen, että: tunnistetaan (101) mobiililaitetta ja/tai mobiililaitteen käyttäjää koskevat kontekstin muutokset, kerätään (102) käyttödata, joka osoittaa käyttäjän antamat ohjaustoiminnot ja kohdistuu mobiililait-teeseen kontekstin erilaisten tunnistettujen muutosten aikana, valitaan (103) ainakin osaksi käyttödatan perusteella kontekstin muutoksen vasteena ainakin yksi palvelutoiminto ennalta määrätystä joukosta palvelutoimintoja, jotka liittyvät mobiililaitteella tarjottuihin palveluihin, ja ohjataan (104) mobiililaite suorittamaan valittu, ainakin yksi palvelutoiminto, esim. mobiililaitteen käyttöliittymän adaptointi. Käyttödatan keräämisen seurauksena mobiililaitteen toiminta kontekstin erilaisissa muutoksissa voidaan räätälöidä käyttäjälle. (Fig.1)
Description
KONTEKSTITIETOISUUDELLA OHJATTAVA MOBIILILAITE Keksinnön ala
Keksinnön kohteena ovat yleisesti ottaen mobiililaitteet. Tarkemmin sanoen kek-5 sinnön kohteena on menetelmä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella ja mobiililaite, joka on järjestetty ohjattavaksi kontekstitietoisuudella. Lisäksi keksinnön kohteena on tietokoneohjelma mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella.
Tausta 10 Monet mobiililaitteet, kuten esimerkiksi matkapuhelin, kämmentietokone (PDA), älypuhelin, sylimikro ja rannelaite, sisältävät antureita ja/tai ovat liitettyjä anturei-hin, jotka voidaan konfiguroida tuottamaan tosiaikaista havainnointidataa lähiympäristöstä ja/tai mobiililaitteen käyttäjästä. Kerätyn havainnointidatan perusteella on mahdollista päätellä nykyinen konteksti eli esimerkiksi fyysisen ympäristön tila, 15 itse mobiililaitteen tila ja/tai käyttäjän fysiologinen tila. Tietoja kontekstista ja kontekstin muutoksista voidaan hyödyntää toteutettaessa kontekstitietoisia sovelluksia, kuten esimerkiksi mobiililaitteiden kontekstiherkkiä käyttöliittymiä.
Haasteet kontekstitietoisten sovellusten toteuttamisessa ovat kahdenlaisia. Ensinnäkin kontekstin muutokset tulisi tunnistaa sillä tavalla, että tunnistettu konteksti 20 vastaa riittävän hyvin todellista tilannetta, johon kuuluvat esim. fyysisen ympäristön tila, itse mobiililaitteen tila ja/tai käyttäjän fysiologinen tila. Julkaisussa FI20095570 on esitetty adaptiivinen kontekstin tunnistusalgoritmi, jota voidaan £! aluksi harjoittaa valvotulla adaptaatioprosessilla käytettävissä olevan havainnointi- ° datan vs. osoitettujen kontekstitietojen perusteella. Valvottua adaptaatioprosessia i S 25 varten tarvittavana informaationa voi olla esimerkiksi data, jota kerätään lukuisilta i eri käyttäjiltä, ja se voi siten muodostaa algoritmin yleisesti ottaen käyttökelpoisen i alkutilan. Edellä kuvatun alkuvaiheen adaptaatioprosessin jälkeen algoritmi voi toimia keskimäärin suhteellisen hyvin. Sen jälkeen voi tapahtua on-line/run-time adaptaatio vastaanotettaessa mobiililaitteen käyttäjän palaute. Toinen haaste kon- a> 30 tekstitietoisten sovellusten toteuttamisessa liittyy kontekstin tunnistuksella muo- o ^ dostetun informaation käyttöön mobiililaitteen ohjaamiseksi sillä tavalla, että kon tekstin tunnistetun muutoksen vasteena suoritetut palvelutoiminnot vastaavat riittävän hyvin käyttäjän tarpeita. Palvelutoiminnot tarkoittavat mobiililaitteella toteutettuja palveluja, ja niitä voivat olla esimerkiksi mobiililaitteen käyttöliittymän adap- 2 tointi, sovelluksen adaptointi, valikon adaptointi, profiilin adaptointi, moodin adap-tointi, sovelluksen liipaisu ja/tai sovelluksen sulkeminen. Julkaisussa US2002167488 on esitetty mobiililaite, johon kuuluu ainakin yksi anturi, kuten ak-selerometrillä toteutettu kallistusanturi, joka antaa kontekstuaalista informaatiota, 5 esim. pidelläänkö mobiililaitetta vai ei. Kun mobiililaite vastaanottaa saapuvan viestin tai tiedotteen, laite vastaa siihen ainakin osittain kontekstuaalisen informaation perusteella. Mobiililaitteen ohjaus voi toimia keskimäärin suhteellisen hyvin, kun tarkasteltavana on riittävän suuri ryhmä käyttäjiä, mutta yhden käyttäjän kohdalla toiminta voi joissakin tilanteissa olla epätyydyttävää.
10 Yhteenveto
Keksinnön ensimmäisen näkökohdan mukaisesti on toteutettu uusi mobiililaite, joka on järjestetty ohjattavaksi kontekstitietoisuudella. Keksinnön mukainen mobiililaite käsittää prosessointijärjestelmän, joka on järjestetty: tunnistamaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva 15 kontekstin muutos, keräämään käyttödataa, joka osoittaa käyttäjän antamat ohjaustoiminnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen muutosten aikana, kontekstin muutoksen tunnistamisen vasteena valitsemaan ainakin 20 yksi palvelutoiminto ainakin osittain käyttödatan perusteella, jolloin kyseinen ainakin yksi palvelutoiminto on valittavissa ennalta määrätystä joukosta palvelutoimintoja, jotka liittyvät mobiililaitteella toteutettuihin palveluihin, ja £! - ohjaamaan mobiililaite suorittamaan kyseinen valittu, ainakin yksi pal- w velutoiminto.
CV] o ^ 25 Koska palvelutoiminnon valinta perustuu ainakin osaksi käyttäjän antamat palvelu- toiminnot osoittavaan ja kontekstin erilaisten tunnistettujen muutosten aikana mo-£ biililaitteeseen suunnattuun käyttödataan, voidaan valinta henkilökohtaistaa vas- cv taamaan mobiililaitteen käyttäjän aikaisempaa käyttäytymistä. Jos esimerkiksi kon- S tekstin tunnistettu muutos on saapuminen paikkaan, jolla käyttäjä on tyypillisesti O) g 30 ladannut tietyn verkkosivun, voidaan vastaava käyttödatan tieto järjestää osoitta-
OJ
maan se, että kontekstin edellä mainitun muutoksen vasteena valittava palvelutoiminto on edellä mainitun verkkosivun imurointi. Edellä mainittu tieto voi olla esim. bussipysäkki käyttäjän kodin lähellä ja edellä mainittu verkkosivu voi olla 3 esim. liikennöitsijän aikataulu. Edellä mainittu kontekstin muutos voidaan tunnistaa esim. mobiililaitteen sisältämällä tai siihen liitetyllä GPS (Global Positioning System) vastaanottimella tuotetun asemointisignaalin perusteella.
Keksinnön toisen näkökohdan mukaisesti on toteutettu uusi menetelmä mobiililait-5 teen ohjaamiseksi kontekstitietoisuuden perusteella. Keksinnön mukaisessa menetelmässä: tunnistetaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva kontekstin muutos, kerätään käyttödataa, joka osoittaa käyttäjän antamat ohjaustoiminnot 10 ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen muutosten aikana, kontekstin muutoksen tunnistamisen vasteena valitaan ainakin yksi palvelutoiminto ainakin osittain käyttödatan perusteella, jolloin kyseinen ainakin yksi palvelutoiminto valitaan ennalta määrätystä joukosta palvelutoi-15 mintoja, jotka liittyvät mobiililaitteella toteutettuihin palveluihin, ja ohjataan mobiililaite suorittamaan kyseinen valittu, ainakin yksi palvelutoiminto.
Keksinnön kolmannen näkökohdan mukaisesti on toteutettu uusi tietokoneohjelma mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella. Keksinnön mukai-20 nen tietokoneohjelma käsittää ohjelmoitavalla prosessorilla suoritettavia käskyjä ohjelmoitavan prosessorin ohjaamiseksi: - tunnistamaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva o kontekstin muutos, dj 9 - keräämään käyttödataa, joka osoittaa käyttäjän antamat ohjaustoi-
CD
25 minnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen ee muutosten aikana, Q_ c\]
Is- - kontekstin muutoksen tunnistamisen vasteena valitsemaan ainakin a> yksi palvelutoiminto ainakin osittain käyttödatan perusteella, jolloin kyseinen
O
^ ainakin yksi palvelutoiminto on valittavissa ennalta määrätystä joukosta pal- 30 velutoimintoja, jotka liittyvät mobiililaitteella toteutettuihin palveluihin, ja 4 ohjaamaan mobiililaite suorittamaan kyseinen valittu, ainakin yksi palvelutoiminto.
Keksinnön mukainen tietokoneohjelma käsittää tietokoneluettavan välineen, esim. CD-levyn tai käyttömuistin (RAM), johon on koodattu keksinnön mukainen tietoko-5 neohjelma.
Joitakin keksinnön esimerkinomaisia suoritusmuotoja on esitetty oheisissa epäitsenäisissä patenttivaatimuksissa.
Keksinnön erilaiset esimerkinomaiset suoritusmuodot liittyen sekä rakenteisiin että käyttömenetelmiin, yhdessä niiden lisätarkoitusten ja etujen kanssa, tulevat par-10 haiten ymmärretyiksi seuraavasta spesifisten suoritusmuotoesimerkkien selityksestä, kun se luetaan yhdessä oheisten piirustusten kanssa.
Verbiä ’’käsittää” käytetään tässä asiakirjassa avoimessa merkityksessä siten, että se ei sulje pois esittämättä jätettyjä erityispiirteitä eikä myöskään edellytä niitä. Epäitsenäisissä patenttivaatimuksissa esitetyt erityispiirteet ovat keskenään va-15 päästi yhdisteltävissä, ellei toisin ole nimenomaisesti mainittu.
Kuvioiden lyhyt kuvaus
Keksinnön esimerkinomaisia suoritusmuotoja ja niiden etuja selostetaan yksityiskohtaisemmin jäljempänä viittaamalla oheisiin piirustuksiin, joissa: kuvio 1 esittää kulkukaavion keksinnön erään suoritusmuodon mukaisesta mene-20 telmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella, kuvio 2 esittää kulkukaavion keksinnön erään suoritusmuodon mukaisesta mene-
CM
5 telmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella,
CM
^ kuvio 3 esittää kulkukaavion keksinnön erään suoritusmuodon mukaisesta mene- 6 telmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella,
X
£ 25 kuvio 4 esittää kulkukaavion keksinnön erään suoritusmuodon mukaisesta mene- telmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella,
S
o kuvio 5 esittää kulkukaavion tunnistusmenetelmästä kontekstin muutoksen tunnis- o ^ tamiseksi, joka tunnistusmenetelmä on käyttökelpoinen keksinnön erään suori tusmuodon mukaisessa menetelmässä mobiililaitteen ohjaamiseksi ko n te ksti ti eto i -30 suuden perusteella, 5 kuvio 6 esittää kulkukaavion tunnistusmenetelmästä kontekstin muutoksen tunnistamiseksi, joka tunnistusmenetelmä on käyttökelpoinen keksinnön erään suoritusmuodon mukaisessa menetelmässä mobiililaitteen ohjaamiseksi ko n te ksti ti eto i -suuden perusteella, 5 kuvio 7 esittää kulkukaavion tunnistusmenetelmästä kontekstin muutoksen tunnistamiseksi, joka tunnistusmenetelmä on käyttökelpoinen keksinnön erään suoritusmuodon mukaisessa menetelmässä mobiililaitteen ohjaamiseksi ko n te ksti ti eto i -suuden perusteella, ja kuvio 8 esittää keksinnön erään suoritusmuodon mukaisen mobiililaitteen.
10 Esimerkinomaisten suoritusmuotojen kuvaus
Kuviossa 1 on esitetty kulkukaavio keksinnön erään suoritusmuodon mukaisesta menetelmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella. Mo-biililaite voi olla esimerkiksi matkapuhelin, kämmentietokone (PDA), älypuhelin, sylimikro tai rannelaite. Mobiililaite voi sisältää integroituja ja/tai ainakin funktionaa-15 lisesti eli langattomasti tai langallisella tavalla liitettyjä havainnoivia entiteettejä, kuten erilaisia antureita, jotka antavat tarvittavaa mittaus- tai ’’raakaa” havainnoin-tidataa kontekstin tunnistusta varten. Havainnoivat entiteetit voivat sisältää spesifistä kovoa, kuten jotakin fyysistä suuretta havainnoivia antureita, ja/tai spesifistä ohjelmistoa ennalta määrätyn havainnointidatan hankkimiseksi. Jotkin havainnoi-20 vat entiteetit voivat olla olennaisesti ohjelmistoperusteisia, kuten entiteetit, jotka hankkivat dataa, joka liittyy mobiililaitteeseen tallennettuun dataan, kuten kalente-ridataan tai laitteen ohjelmiston tilaa ilmaisevaan dataan. Havainnoiviin entiteettei-hin voi kuulua yksi anturi tai useampia antureita, kuten akselerometrejä, lämpötila-ej antureita, paikka-antureita, kuten GPS (Global Positioning System) - o 25 vastaanottimia, pulssi-/sykeantureita ja/tai fotometrejä. Kerätyn havainnointidatan c\i perusteella päätellään muutos nykyisessä kontekstissa, eli muutos esimerkiksi
O
^ fyysisen ympäristön tilassa, itse mobiililaitteen tilassa ja/tai käyttäjän fysiologises- sa tilassa.
X
cc
CL
^ Vaiheessa 101 menetelmässä suoritetaan mobiililaitetta ja/tai mobiililaitteen käyt- £ 30 täjää koskevan kontekstin muutoksen tunnistus. Kontekstin muutoksen tunnistus o voi perustua johonkin sopivaan kontekstin tunnnistusalgoritmiin, ja joitakin esi-
O
^ merkkejä annetaan myöhemmin tässä asiakirjassa. Tunnistettu kontekstin muutos voi olla esimerkiksi saapuminen paikkaan, jolla on tietyt koordinaatit, ja voi tapahtua, että tähän paikkaan saapumisen jälkeen mobiililaitteen käyttäjä saattaa mobii- 6 lilaitteen imuroimaan tietyn verkkosivun. Edellä mainittu paikka voi olla esim. bussipysäkki ja edellä mainittu verkkosivu voi olla esim. liikennöitsijän aikataulu. Edellä mainittu kontekstin muuttumisesimerkki: ’’saapuminen edellä mainittuun paikkaan” ja käyttäjän antama ohjaustoimintoesimerkki: ’’mobiililaitteen saattaminen 5 imuroimaan verkkosivu” muodostavat käyttödatan erään esimerkkitiedon, joka osoittaa käyttäjän antamat ohjaustoiminnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen muutosten aikana. Sen jälkeen kun kontekstin muutos on tunnistettu vaiheessa 101, tarkkaillaan edullisesti sitä, antaako mobiililaitteen käyttäjä mitään mobiililaitteeseen kohdistettuja ohjaustoimintoja, ja siinä tapauk-10 sessa, että käyttäjä antaa ohjaustoiminnon, kerätään käyttödatan uusi tieto vaiheessa 102. Kontekstin muutoksen jälkeisen aikavälin pituutta, jonka aikana tarkkaillaan antaako mobiililaitteen käyttäjä mitään ohjaustoimintoja, voidaan käyttää keräämisen funktionaalisuuden asetettavana parametrinä. On myös mahdollista taltioida kontekstin muutoksen ja sen jälkeisen ohjaustoiminnan välinen aikaero, 15 jolloin tämä aikaero osoittaa kontekstin muutoksen ja myöhemmän ohjaustoiminnan välisen korrelaation vahvuuden. Kontekstin tunnistetun muutoksen vasteena suoritetaan käyttödatan keräämisen rinnalla seuraavat toiminnot: valitaan vaiheessa 103 ainakin yksi palvelutoiminto ainakin osittain käyttödatan perusteella, jolloin kyseinen ainakin yksi palvelutoiminto on va-20 littavissa ennalta määrätystä joukosta palvelutoimintoja, jotka liittyvät mobii- lilaitteella tarjottuihin palveluihin, ja ohjataan vaiheessa 104 mobiililaite suorittamaan valittu, ainakin yksi palvelutoiminto.
Valittu palvelutoiminto voi olla esimerkiksi tietyn verkkosivun, esim. liikennöitsijän £! 25 aikataulun, imuroiminen vasteena tilanteelle, jossa kontekstin muutos on saapu- w minen tietyt koordinaatit omaavaan paikkaan, esim. bussipysäkille, ja käyttödata i 0 sisältää kontekstin tämän muutoksen ja tämän palvelutoiminnon välisen korrelaa- i to tion osoittavan datakohdan. Käyttödatan kyseinen datakohta on voinut tulla kerä- 1 tyksi, vaihe 102, kun käyttäjä on aikaisemmin saapunut edellä mainittuun paik-30 kaan. Kontekstin edellä mainittu muutos voidaan tunnistaa esim. mobiililaitteen sisältämän tai siihen liitetyn GPS vastaanottimen antaman asemointisignaalin pe- σ> rusteella. Koska palvelutoiminnon valinta ainakin osittain perustuu käyttödataan,
O
^ joka osoittaa käyttäjän antamat ja mobiililaitteeseen kontekstin erilaisten tunnistet tujen muutosten aikana suunnatut aikaisemmat ohjaustoiminnot, voidaan palvelu-35 toiminnon valinta henkilökohtaistaa vastaamaan käyttäjän aikaisempaa käyttäytymistä.
7
Palvelutoiminto voi olla esimerkiksi jokin seuraavista: mobiililaitteen käyttöliittymän adaptointi, sovelluksen adaptointi, valikon adaptointi, profiilin adaptointi, moodin adaptointi, sovelluksen liipaisu, sovelluksen sulkeminen, sovelluksen esille tuominen, kuvan esille tuominen, kuvan minimointi, näppäimistön lukon aktivointi tai lo-5 petus, yhteyden muodostaminen, yhteyden lopetus, datan lähettäminen, viestin lähettäminen, audiotulosteen liipaisu, kuten äänen soittaminen, tuntopalautteen, kuten värinän aktivointi, näytön aktivointi, datan syöttö sovellukseen, verkkosivun imurointi, tiedoston imurointi, tiedoston lataaminen, mobiililaitteen sammuttaminen. On syytä huomioida, että edellä oleva luettelo sisältää vain esimerkkejä eikä ole 10 täydellinen.
Kuviossa 2 on esitetty kulkukaavio keksinnön erään suoritusmuodon mukaisesta menetelmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella. Vaiheet 201, 202 ja 204 ovat samanlaisia kuin kuviossa 1 esitetyn menetelmän vaiheet 101, 102 ja 104. Kuviossa 2 esitetyssä menetelmässä kyseinen ainakin yksi 15 palvelutoiminto valitaan vaiheessa 203 käyttämällä käyttödatan lisäksi historiada-taa, joka osoittaa muiden mobiililaitteiden käyttäjien antamat ohjaustoiminnot muita mobiililaitteita ja/tai muiden mobiililaitteiden käyttäjiä koskevien erilaisten kon-tekstimuutosten aikana. Historiadata voidaan imuroida mobiililaitteeseen ulkopuolisesta laitteesta ja/tai vastaanottaa mobiilin tietoliikenneverkon kautta. Historiada-20 ta on erityisen käyttökelpoinen silloin, kun vaiheessa 202 kerätyn käyttödatan määrä on edelleen vähäinen eli mobiililaitetta on käytetty vasta niin lyhyen ajan, että merkittävää käyttödataa ei vielä ole tullut kerätyksi.
Kuviossa 3 on esitetty kulkukaavio keksinnön erään suoritusmuodon mukaisesta menetelmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella. Vai-25 heet 301, 302 ja 304 ovat samanlaisia kuin kuviossa 1 esitetyn menetelmän vai-
CM
g heet 101, 102 ja 104. Kuviossa 3 esitetty menetelmä käsittää sen, että vaiheessa ^ 303a analysoidaan kontekstin erilaisten muutosten ja erilaisten palvelutoimintojen 9 väliset korrelaatiot tietokannasta, joka käsittää käyttödatan ja mahdollisesti myös
CD
historiadatan. Vaihe 303 käsittää sen, että valitaan palvelutoiminto, jolla on suurin | 30 korrelaatio kontekstin tunnistetun muutoksen kanssa. Korrelaatiot voidaan analy- ^ soida esimerkiksi standardin mukaisella taajuusanalyysillä tai pitkälle kehitetyillä tiedonlouhinta-algoritmeilla.
CD
o ^ Kuviossa 4 on esitetty kulkukaavio keksinnön erään suoritusmuodon mukaisesta menetelmästä mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella. Vai-35 heet 401, 402, 403 ja 404 ovat samanlaisia kuin kuviossa 3 esitetyn menetelmän vaiheet 301, 302, 303 ja 304. Kuviossa 4 esitetty menetelmä käsittää sen, että 8 vaiheessa 402a lähetetään kerätty käyttödatakohta palvelinlaitteeseen mobiilin tietoliikenneverkon kautta ja vaiheessa 402b vastaanotetaan data, joka osoittaa kontekstin erilaisten mahdollisten muutosten ja erilaisten mahdollisten valittavissa olevien palvelutoimintojen väliset korrelaatiot. Tästä syystä käyttödatan ja mahdol-5 lisesti myös historiadatan analyysi suoritetaan palvelinlaitteessa mobiililaitteen sijasta. Siten mobiililaite ei ole omavarainen kuviossa 4 esitetyn menetelmän osalta, mutta sen sijaan voidaan säilyttää mobiililaitteen laskennalliset, muisti- ja akku-resurssit.
Kuviossa 5 on esitetty kulkukaavio tunnistusmenetelmästä kontekstin muutoksen 10 tunnistamiseksi. Tunnistusmenetelmä on käyttökelpoinen keksinnön erään suoritusmuodon mukaisessa menetelmässä mobiililaitteen ohjaamiseksi kontekstitietoi-suuden perusteella. Kuviossa 5 esitettyä tunnistusmenetelmää voidaan käyttää esimerkiksi kuvioissa 1-4 esitettyjen menetelmien vaiheina 101, 201, 301 ja 401. Kuviossa 5 esitettyä tunnistusmenetelmää on mahdollista käyttää myös muiden 15 sovellusten yhteydessä, joissa on tarpeen tunnistaa konteksti ja/tai kontekstin muutos. Kontekstin muutoksen tunnistaminen käsittää sen, että: vaiheessa 501 saadaan havainnointidata havainnoivista entiteeteistä, jollaisia ovat esimerkiksi akselerometrit, lämpötila-anturit, paikka-anturit, pulssi-/sykeanturit, fotometrit, entiteetit mobiililaitteeseen tallennettua dataa 20 koskevan datan hankkimiseksi ja/tai entiteetit laitteen tiladatan hankkimi seksi, vaiheessa 502 määritetään piirrearvojen vektori havainnoivien entiteettien antaman havainnointidatan perusteella ja ^ - vaiheessa 503 luokitellaan piirrearvojen vektori johonkin ennalta mää- o 25 ritetyistä vaihtoehtoisista kontekstiluokista.
CV] 9 Kontekstin muutos, seurausvaihe 508, on kyseessä silloin kun piirrearvojen vekto- <o rin luokittelulla määritetty kontekstiluokka eroaa aikaisemmin määritetystä konteks-| tiluokasta; päätöksentekovaihe 507. Aikaisemmin määritetty kontekstiluokka on ^ kontekstin aikaisemman muutoksen jälkeen tunnistettu kontekstiluokka. Piirrearvo- ^ 30 jen vektorin määritys ja luokittelu, vaiheet 502 ja 503, on jäljempänä kuvattu vain o yleisperiaatteita tarkastellen. Näiden menetelmävaiheiden yksityiskohtaisempi sel- o ^ vitys voidaan löytää esim. julkaisusta FI20095570.
Luokittelua varten on mahdollista käyttää suurta määrää eri ominaisuuksia, joiden arvot määritetään havainnointidatan perusteella. Sekä laskennallisesti että muistin 9 kannalta on kuitenkin edullista käyttää mahdollisimman harvoja piirteitä varsinaisessa luokittelussa. Piirrearvojen määrittely havainnointidatasta edellyttää tyypillisesti tiettyä laskentaa, ja liian monia piirteitä käytettäessä on jopa mahdollista saada optimaalista huonompia tuloksia. Edullisesti luokittelua varten valitaan line-5 aarisesti toisistaan erotettavia piirteitä. Sekventiaalinen etenevä valinta (SFS = Sequential Forward Selection) on piirrevalinnan eräs esimerkinomainen menetelmä, jota voidaan soveltaa kuviossa 5 esitetyn menetelmän yhteydessä. Perusperiaate SFS-algoritmissa on lisätä kussakin vaiheessa senhetkiseen piirteiden kokoomaan piirre, joka eniten lisää luokittelun tarkkuutta. SFS-algoritmi suorittaa siis 10 piirreavaruuden optimoinnin. Eräs toinen esimerkinomainen menetelmä on sekventiaalinen takautuva valinta (SBS = Sequential Backward Selection), joka aloitetaan täydellä joukolla piirteitä ja kokoomasta poistetaan piirteitä asteittain. Lisä-esimerkkinä voidaan mainita, että sekventiaalisessa liukuvasti etenevässä valinnassa (SFFS = Sequential Floating Forward Selection) menettely sisältää kaksi 15 osaa. Uusi piirre osajoukkoa varten lisätään SFS-menetelmällä. Fluonoin piirre suljetaan sitten ehdollisesti pois, kunnes edeltäviin joukkoihin ei aikaansaada mitään parannusta. Tämä menetelmä välttää SFS-menetelmän sisäkkäisyysilmiön, jossa poisheitettyjä piirteitä ei voida enää valita. Piirteen mukaan ottaminen ja poissulkeminen päätellään käyttämällä kriteeriarvoa. Se voi olla esim. etäisyysmit-20 ta tai luokittelutulos. Algoritmi voidaan selittää perusteellisemmin siten, että aikaisemmin valittujen piirteiden kanssa parhaan kriteerin antava uusi piirre lisätään piirreosajoukkoon käyttämällä SFS-menetelmää. Ehdollinen poissulkeminen kohdistetaan tähän uuteen piirrejoukkoon, josta määritetään vähiten merkittävä piirre. Jos vähiten merkittävä piirre on viimeksi lisätty piirre, algoritmi palaa taaksepäin 25 valitsemaan uuden piirteen SFS-menetelmällä. Muussa tapauksessa vähiten merkittävä piirre poistetaan ja siirrytään takaisin käytettävissä olevien piirteiden jouk- £! koon ja jatketaan ehdollista poissulkemista. Vähiten merkittävä piirre määritetään ° jälleen ja kriteeriä ilman tätä piirrettä verrataan muistissa olevaan kriteeriin, jossa i o on sama määrä piirteitä. Jos kriteeri on parantunut, kyseinen piirre poistetaan ja i to 30 siirrytään takaisin käytettävissä olevien piirteiden joukkoon ja tämä vaihe toistele taan, kunnes parannusta ei enää tapahdu. Kiertokulku alkaa alusta uudelleen li- säämällä uusi piirre, kunnes saavutetaan edeltä käsin määritetty osajoukon suu-
CM
Is- ruus.
S
05 § Taulukossa 1 on esitetty esimerkinomainen joukko piirteitä, joita voidaan käyttää
CM
35 erottamaan toisistaan seuraavat aktiviteetit: ulkona tapahtuva pyöräily, jalkapallon pelaaminen, makaaminen, sauvakävely, soutaminen soutulaitteella, juoksu, istu- 10 minen, seisominen ja kävely. Havainnoivat entiteetit ovat kiihtyvyysantureita, jotka on kiinnitetty käyttäjän ranteeseen ja lonkkaan.
Taulukko 1. Luokiteltavien piirteiden esimerkkijoukko.
Piirre Selitys
Lonkan akseleraatio, Y-suunta, MinMax Min:in ja Max:in välinen ero
Lonkan akseleraatio, X-suunta, MinMax Min:in ja Max:in välinen ero
Lonkan akseleraatio, Y-suunta, Min__
Lonkan akseleraatio, X-suunta, Min__
Lonkan akseleraatio, Y-suunta, Keskiarvo__
Lonkan akseleraatio, X-suunta, Keskiarvo__
Lonkan akseleraatio, Y-suunta, Varianssi__
Lonkan akseleraatio, X-suunta, Varianssi__
Ranteen akseleraatio, Y-suunta, Varianssi__
Ranteen akseleraatio, X-suunta, Keskiarvo 5 Luokittelu vaiheessa 503 voi olla esimerkiksi minimietäisyysluokittelu, joka on eräs varsin suoraviivainen tapa suorittaa piirrearvojen vektorin luokittelu. Minimietäi-syysluokittelun perusperiaate on laskea etäisyydet luokiteltavien piirrearvojen vektorista ihanteellisiin piirrevektoreihin, joista kukin edustaa vastaavaa kontekstiluok-kaa parhaalla mahdollisella tavalla, ja valita sitten se kontekstiluokka, jonka etäi-10 syys ihanteelliseen piirrevektoriin on pienin. Etäisyydet voidaan määrittää käyttämällä jotakin sopivaa vektorinormia, esim. 2-normia. Jos piirrearvot ovat esitettyinä N-ulotteisessa piirreavaruudessa, tällöin kunkin kontekstiluokan tulee erottamaan toisistaan N-1-ulotteinen hypertaso. Tällaisessa tapauksessa voidaan kyseisen kontekstiluokan ihanteellisena piirrevektorina käyttää esim. johonkin tiettyyn kon-^ 15 tekstiluokkaan kuuluvia piirrearvoja edustavien vektorien keskiarvoa.
δ ^ Luokittelussa käytetty algoritmi voidaan mukauttaa vastaamaan paremmin käyttä- 9 jän erityistarpeita luokiteltavien piirrearvojen vektorin ja käyttäjän antaman palau-
CD
<- teinformaation perusteella. Palaute voi olla suoraa palautetta, joka selkeästi osoit- | taa halutun kontekstiluokan tietylle havainnointidatalle ja piirrearvojen vastaavalle ^ 20 vektorille. Siksi käyttäjä voi suoran palautteen avulla avustaa ja muokata luokittelu lualgoritmia silloin kun käyttäjä näkee sen tarpeelliseksi. Koska käyttäjä indikoi o suoraan halutun kontekstiluokan, ei ole tarpeellista suorittaa automatisoitua luokit- o w telukierrosta piirrearvojen vastaavaa vektoria varten. Sen sijaan luokittelussa voi daan hyödyntää dataa ja/tai vastaavia piirrearvoja luokittelualgoritmin adaptoimi- 25 seksi. Suoran palautteen lisäksi tai sen vaihtoehtona voidaan luokittelussa käytetty 11 algoritmi adaptoida käyttäjän antaman epäsuoran palautteen perusteella. Epäsuora palaute on palaute, joka saadaan luokittelutoiminnon jälkeen automaattisesti suoritetun luokittelun laadun ja oikeellisuuden indikaationa. Epäsuora palaute voi indikoida esimerkiksi jonkin seuraavista vaihtoehdoista: käyttäjä on erittäin tyyty-5 väinen luokittelun tulokseen, käyttäjä on tyytyväinen luokittelun tulokseen, käyttäjä on tyytymätön luokittelun tulokseen ja käyttäjä on erittäin tyytymätön luokittelun tulokseen.
Yhdessä minimietäisyyden luokittelualgoritmin kanssa voi adaptointivaihe 506 käsittää sen, että luokittelulla tai suoralla palautteella määritettyä kontekstiluokan 10 ihanteellista piirrevektoria liikutetaan lähemmäksi luokiteltavien piirrearvojen vektoria tai kauemmaksi siitä, jolloin liikkeen suunta riippuu palauteinformaatiosta. Minimietäisyyden luokittelualgoritmin adaptoinnin yksityiskohtaisempi kuvaus on löydettävissä esim. julkaisusta FI20095570.
Kuviossa 6 on esitetty kulkukaavio tunnistusmenetelmästä kontekstin muutoksen 15 tunnistamiseksi. Tunnistusmenetelmä on käyttökelpoinen keksinnön erään suoritusmuodon mukaisessa menetelmässä mobiililaitteen ohjaamiseksi kontekstitietoi-suuden perusteella. Kuviossa 6 esitettyä tunnistusmenetelmää voidaan käyttää esimerkiksi kuvioissa 1-4 esitettyjen menetelmien vaiheina 101, 201, 301 ja 401. Kuviossa 6 esitetty tunnistusmenetelmä on kuviossa 5 esitetyn tunnistusmenetel-20 män jatkokehitelmä. Kuviossa 6 esitetyssä tunnistusmenetelmässä palvelinlaitetta pyydetään avustamaan luokittelussa, jos tiedonsiirtoyhteydet palvelinlaitteeseen ja -laitteesta ovat käytettävissä ja jos luokittelutehtävä on kenties liian monimutkainen mobiililaitteella suoritettavaksi kohtuullisessa ajassa riittävän laadukkaasti. Vaikka apua onkin pyydetty, suoritetaan luokittelu kuitenkin edullisesti mobiililait-25 teessä, jotta ei oltaisi riippuvaisia siitä, antaako palvelinlaite luokittelutuloksen vai
CNJ
^ eikä anna sitä riittävän lyhyessä ajassa. Kontekstin muutoksen tunnistaminen kä- ^ sittää sen, että:
CM
o to - vaiheessa 601 saadaan havainnointidata havainnoivista entiteeteistä,
X
a. - vaiheessa 602 määritetään piirrearvojen vektori havainnoivien enti- cm 30 teettien antaman havainnointidatan perusteella,
CD
§ - vaiheessa 603 tarkistetaan täyttääkö piirrearvojen vektorin luokittelu o ennalta määrätyn laatukriteerin ja ovatko tiedonsiirtoyhteydet käytettävissä palvelinlaitteeseen ja -laitteesta, 12 vasteena tilanteelle, jossa tiedonsiirtoyhteydet ovat käytettävissä ja luokittelu ei täytä ennalta määrättyä laatukriteeriä, lähetetään vaiheessa 604 piirrearvojen vektori palvelinlaitteeseen palvelinlaitteen saattamiseksi kykeneväksi luokittelemaan piirrearvojen vektori johonkin ennalta määrite-5 tyistä vaihtoehtoisista kontekstiluokista, valinnaisessa, mutta ei välttämättömässä vaiheessa 605, luokitellaan piirrearvojen vektori johonkin ennalta määritetyistä vaihtoehtoisista kontekstiluokista, jotta ei olla riippuvaisia siitä, antaako palvelinlaite luokittelutulok-sen vai ei, 10 - vasteena luokittelutuloksen vastaanottamiselle palvelinlaitteesta käy tetään palvelinlaitteesta vastaanotettua luokittelutulosta vaiheessa 607 sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut.
Palvelinlaitteelta vastaanotettua luokittelutulosta, eli määritettyä kontekstiluokkaa, käytetään edullisesti sen seikan määrittämiseksi, onko kontekstin muutos tapahtu-15 nut vai ei. Jos mobiililaitteen käyttäjä kuitenkin antaa kontekstiluokan esim. palau-teinformaationa, käytetään tätä käyttäjän antamaa kontekstiluokkaa edullisesti sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut vai ei. Kuviossa 6 esitetyn tunnistusmenetelmän vaiheet 609, 610 ja 611 voivat olla vastaavassa järjestyksessä samanlaiset kuin kuviossa 5 esitetyn tunnistusmenetelmän vastaavat 20 vaiheet 506, 507 ja 508.
Erään suoritusmuodon mukaisessa tunnistusmenetelmässä vaihe 603 käsittää sen, että lasketaan piirrearvojen vektorin ja vaihtoehtoisten kontekstiluokkien ihanteellisen piirrevektorin välisten etäisyyksien minimi sen seikan tarkistamiseksi täytpä tääkö piirrearvojen vektorin luokittelu ennalta määrätyn laatukriteerin. Laatukriteeri o 25 voi olla esimerkiksi sellainen, että etäisyyksien minimin tulisi olla jonkin ennalta c\i määrätyn raja-arvon alapuolella. Etäisyydet voidaan määrittää käyttämällä jotakin o ^ sopivaa vektorinormia, esim. 2-normia.
c Erään suoritusmuodon mukaisessa tunnistusmenetelmässä vaihe 604 käsittää
CL
^ lisäksi sen, että palvelinlaitteeseen lähetetään yhden tai useamman kontekstiluo- £ 30 kan ihanteellinen piirrevektori palvelinlaitteen saattamiseksi kykeneväksi luokitte- o lemaan piirrearvojen vektori johonkin vaihtoehtoisista kontekstiluokista samalla o w tavalla kuin luokittelu suoritetaan mobiililaitteessa.
On syytä huomioida, että kuviossa 6 esitetyn tunnistusmenetelmän sovellettavuus ei rajoitu kuvioissa 1-4 esitettyihin menetelmiin, vaan kuviossa 6 esitettyä tunnis- 13 tusmenetelmää voidaan käyttää erilaisissa tilanteissa, joissa on tarve tunnistaa konteksti ja/tai kontekstin muutos. Sama pätee myös laitteeseen, esim. proses-sointijärjestelmään, joka on järjestetty suorittamaan kuviossa 6 esitetty tunnistusmenetelmä, ja myös tietokoneohjelmaan, joka käsittää tietokoneella suoritettavia 5 käskyjä ohjelmoitavan prosessorin ohjaamiseksi suorittamaan kuviossa 6 esitetty tunnistusmenetelmä.
Kuviossa 7 on esitetty kulkukaavio tunnistusmenetelmästä kontekstin muutoksen tunnistamiseksi. Tunnistusmenetelmä on käyttökelpoinen keksinnön erään suoritusmuodon mukaisessa menetelmässä mobiililaitteen ohjaamiseksi ko n te ksti ti eto i -10 suuden perusteella. Kuviossa 7 esitettyä tunnistusmenetelmää voidaan käyttää esimerkiksi kuvioissa 1-4 esitettyjen menetelmien vaiheina 101, 201, 301 ja 401. Kuviossa 7 esitetty tunnistusmenetelmä on kuviossa 5 esitetyn tunnistusmenetelmän jatkokehitelmä. Kuviossa 7 esitetyssä tunnistusmenetelmässä pyydetään palvelinlaitetta toimittamaan lisä- ja/tai parannettuja piirrearvoja, jos tiedonsiirtoyhtey-15 det palvelinlaitteeseen ja -laitteesta ovat käytettävissä. Kontekstin muutoksen tunnistaminen käsittää sen, että: vaiheessa 701 saadaan havainnointidata havainnoivista entiteeteistä, vaiheessa 702 määritetään piirrearvojen vektori havainnoivien entiteettien antaman havainnointidatan perusteella, 20 - vaiheessa 703 tarkistetaan, ovatko tiedonsiirtoyhteydet käytettävissä palvelinlaitteeseen ja -laitteesta, vasteena tilanteelle, jossa tiedonsiirtoyhteys on käytettävissä, lähetetään vaiheessa 704 havainnointidataan perustuva informaatio palvelinlait-
CM
^ teeseen palvelinlaitteen saattamiseksi kykeneväksi muodostamaan ainakin ^ 25 yksi piirrearvojen toinen vektori, ja o <£ - vasteena sille, että piirrearvojen kyseinen ainakin yksi toinen vektori x vastaanotetaan palvelinlaitteesta, käytetään vaiheissa 706 ja 707 piirrearvo- jen kutakin toista vektoria sen seikan määrittämiseksi, onko kontekstin muu- N; tos tapahtunut.
S
σ> § 30 Piirrearvojen kukin toinen vektori voi edustaa mobiililaitteessa vaiheessa 702 mää-
(M
ritetyn piirrearvojen vektorin täydennettyä ja/tai tarkennettua eli augmentoitua versiota. Myös silloin kun palvelinlaitteelta on pyydetty piirrearvojen yksi tai useampi toinen vektori, luokitellaan mobiililaitteessa edullisesti vaiheessa 702 määritetty 14 piirrearvojen vektori, jotta ei oltaisi riippuvaisia siitä, toimittaako palvelinlaite vai eikö toimita piirrearvojen yhden tai useamman toisen vektorin riittävän lyhyessä ajassa. Piirrearvojen kunkin toisen vektorin yhteydessä on edullisesti aikaraja, jonka jälkeen piirrearvojen tämä kyseinen toinen vektori ei enää ole pätevä. Piirrear-5 vojen kutakin toista vektoria käytetään sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut vain siinä tapauksessa, että piirrearvojen tämä kyseinen toinen vektori on edelleen pätevä.
Erään suoritusmuodon mukaisessa menetelmässä vaihe 707 käsittää sen, että vaiheessa 706 määritetyistä kontekstiluokista valitaan yksi: 10 - luokittelemalla piirrearvojen vektori ja luokittelemalla kukin piirrearvojen toisista vektoreista, joita on vähintään yksi.
Kyseessä on kontekstin muutos, seurausvaihe 711, silloin kun valittu konteksti-luokka on päätöksentekovaiheessa 710 eri kuin aikaisemmin määritetty konteksti-15 luokka. Valituksi kontekstiluokaksi voidaan määrittää se, jossa on pienin etäisyys ihanteellisen piirrevektorinsa ja vastaavan vektorin välillä, joka jälkimmäinen on määritetty tähän kontekstiluokkaan, eli kontekstiluokka, jossa on ihanteellisen piirrevektorinsa ja piirrearvojen vastaavan sektorin välillä paras täsmäys, on valittu kontekstiluokka.
20 On myös mahdollista, että palvelinlaite lähettää mobiilipäätteeseen yhden tai useamman toisen piirrevektorin lisäksi tai asemesta luokitteludatan, joka indikoi yhden tai useamman kontekstiluokan, jotka on määritetty yhdellä tai useammalla palvelinlaitteessa suoritetulla luokittelulla. Erään suoritusmuodon mukaisessa menetel-
CM
5 mässä vaihe 707 käsittää sen, että vasteena yllä mainitun luokitteludatan vas- ^ 25 taanottamiselle palvelinlaitteesta valitaan yksi seuraavista: o 6 - kontekstiluokka, joka on määritetty piirrearvojen vektorin luokittelulla, x ja
X J
CL
- yksi tai useampi kontekstiluokka, joka on määritetty piirrearvojen aina-<ö kin yhden toisen vektorin luokitteluilla, ja/tai O) o o ^ 30 - yksi tai useampi kontekstiluokka, joka on määritetty palvelinlaitteessa suoritetulla yhdellä tai useammalla luokittelulla.
15
Kyseessä on kontekstin muutos, seurausvaihe 711, silloin kun valittu konteksti-luokka on päätöksentekovaiheessa 710 eri kuin aikaisemmin määritetty konteksti-luokka. Valituksi kontekstiluokaksi voidaan määrittää se, jossa on pienin etäisyys ihanteellisen piirrevektorinsa ja vastaavan vektorin välillä, joka jälkimmäinen on 5 määritetty tähän kontekstiluokkaan, eli kontekstiluokka, jossa on ihanteellisen piirrevektorinsa ja piirrearvojen vastaavan sektorin välillä paras täsmäys, on valittu kontekstiluokka. Kuhunkin kontekstiluokkaan, joka on määritetty palvelinlaitteessa suoritetulla yhdellä tai useammalla luokittelulla, liittyy edullisesti aikaraja, jonka jälkeen tämä kyseinen kontekstiluokka ei ole enää pätevä. Palvelinlaitteessa suori-10 tetulla yhdellä tai useammalla luokittelulla määritettyä kutakin kontekstiluokkaa käytetään sen seikan määrittämiseksi onko kontekstin muutos tapahtunut vain siinä tapauksessa, että tämä kyseinen kontekstiluokka on edelleen pätevä.
On syytä huomioida, että kuviossa 7 esitetyn tunnistusmenetelmän sovellettavuus ei rajoitu kuvioissa 1-4 esitettyihin menetelmiin, vaan kuviossa 7 esitettyä tunnis-15 tusmenetelmää voidaan käyttää erilaisissa tilanteissa, joissa on tarve tunnistaa konteksti ja/tai kontekstin muutos. Sama pätee myös laitteeseen, esim. proses-sointijärjestelmään, joka on järjestetty suorittamaan kuviossa 7 esitetty tunnistusmenetelmä, ja myös tietokoneohjelmaan, joka käsittää tietokoneella suoritettavia käskyjä ohjelmoitavan prosessorin ohjaamiseksi suorittamaan kuviossa 7 esitetty 20 tunnistusmenetelmä.
Kuviossa 8 on esitetty keksinnön erään suoritusmuodon mukainen mobiililaite 801. Kyseinen mobiililaite voi olla esimerkiksi matkapuhelin, kämmenmikro (PDA), äly-puhelin, sylimikro tai rannelaite. Laatikko 802 edustaa mobiililaitteen sisäosia. Mobiililaite käsittää prosessointijärjestelmän 804, joka on järjestetty: £! 25 - tunnistamaan mobiililaitetta ja/tai mobiililaitteen käyttäjää 812 koskeva ° kontekstin muutos,
OJ
o ^ - keräämään käyttödataa, joka osoittaa käyttäjän antamat ohjaustoi- ^ minnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen £ muutosten aikana, cv ^ 30 - valitsemaan kontekstin tunnistetun muutoksen vasteena ainakin yksi
CD
o palvelutoiminto ainakin osittain käyttödatan perusteella, jolloin kyseinen ai- o ^ nakin yksi palvelutoiminto on valittavissa ennalta määritetystä joukosta pal velutoimintoja, jotka liittyvät mobiililaitteella tarjottuihin palveluihin, ja 16 ohjaamaan mobiililaite suorittamaan valittu, ainakin yksi palvelutoiminto.
Prosessointijärjestelmä 804 voi käsittää yhden tai useamman prosessointiyksikön, joista kukin voi olla ohjelmoitava prosessori, erityispiiri, kuten sovelluskohtainen 5 integroitu piiri (ASIC), tai konfiguroitavissa oleva piiri, kuten kenttäohjelmoitava järjestelmäpiiri (FPGA). Edullisesti mobiililaite käsittää lisäksi lähe-tin/vastaanottimen 806, käyttöliittymän 803 ja muistivälineen 805.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijärjestelmä 804 järjestetty käyttämään käyttödatan lisäksi palvelutoiminnon valitsemi-10 seksi historiadataa, joka osoittaa muiden mobiililaitteiden käyttäjien antamat ohjaustoiminnot muita mobiililaitteita ja/tai muiden mobiililaitteiden käyttäjiä koskevien erilaisten kontekstimuutosten aikana. Mobiililaite voi käsittää dataliittymän, esim. universaalin sarjaväyläliittymän (USB), historiadatan imuroimiseksi ulkopuolisesta laitteesta, tai vastaanottimen historiadatan vastaanottamiseksi mobiilin tietoliiken-15 neverkon kautta.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijärjestelmä 804 järjestetty analysoimaan tiedonlouhinta-algoritmin avulla kontekstin erilaisten muutosten ja erilaisten palvelutoimintojen väliset korrelaatiot käyttödatan käsittävästä tietokannasta. Tietokanta voi lisäksi käsittää historiadatan.
20 Keksinnön erään suoritusmuodon mukainen mobiililaite käsittää yhden tai useampia havainnoivia entiteettejä havainnointidatan saamiseksi, joka data osoittaa mo-biililaitetta ja/tai mobiililaitteen käyttäjää koskevan kontekstin. Havainnoivien entiteettien lisäksi tai asemesta mobiililaite voi käsittää dataliittymän mobiililaitetta ^ ja/tai mobiililaitteen käyttäjää koskevan havainnointidatan vastaanottamiseksi yh- o 25 destä tai useammasta ulkopuolisesta laitteesta. Ulkopuoliset laitteet voivat olla cvi esimerkiksi käyttäjään kiinnitettyjä antureita 813 ja 814. Käyttäjään kiinnitetty antu-
O
^ ri voi olla esim. akselerometri, lämpötila-anturi tai pulssi-/sykeanturi. Prosessointi- ^ järjestelmä 804 on järjestetty tunnistamaan kontekstin muutos havainnointidatan £ perusteella.
(M
^ 30 Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär- o jestelmä 804 kontekstin muutoksen tunnistamiseksi järjestetty: o
(M
määrittämään piirrearvojen vektori havainnointidatan perusteella ja 17 luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista konteks-tiluokista, jolloin kontekstin muutos on kyseessä silloin kun piirrearvojen vektorin luokittelulla määritetty kontekstiluokka on eri kuin aikaisemmin määritetty kontekstiluokka.
5 Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-jestelmä 804 järjestetty adaptoimaan luokittelussa käytetty algoritmi piirrearvojen vektorin ja käyttäjän antaman palauteinformaation perusteella.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-jestelmä 804 järjestetty adaptoimaan kyseinen algoritmi siten, että luokittelulla 10 määritetty kontekstiluokan ihanteellinen piirrevektori tulee palaute informaatiosta riippuen siirretyksi lähemmäksi piirrearvojen vektoria tai kauemmaksi siitä. Kunkin kontekstiluokan ihanteellinen piirrevektori on sellainen piirrearvojen vektori, joka täsmää parhaiten tämän kyseisen kontekstiluokan kanssa, ja luokittelulla määritetty kontekstiluokka on se, jonka ihanteellinen piirrevektori on lähimpänä piirrearvo-15 jen vektoria ennalta määrätyn vektorinormin suhteen.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-jestelmä 804 järjestetty: tarkistamaan täyttääkö piirrearvojen vektorin luokittelu ennalta määrätyn laatukriteerin, 20 - tarkistamaan tiedonsiirtoyhteyksien käytettävyys palvelinlaitteeseen ja -laitteesta 815, vasteena tilanteelle, jossa tiedonsiirtoyhteydet ovat käytettävissä ja £! luokittelu ei täytä ennalta määrättyä laatukriteeriä, lähettämään piirrearvojen ° vektori palvelinlaitteeseen palvelinlaitteen saattamiseksi kykeneväksi luokit- o 25 telemaan piirrearvojen vektori johonkin vaihtoehtoisista kontekstiluokista, ja cd - vasteena sille, että luokittelutulos vastaanotetaan palvelinlaitteesta, £ käyttämään palvelinlaitteesta vastaanotettua luokittelutulosta sen seikan määrittämiseksi onko kontekstin muutos tapahtunut.
S
o Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär- o ^ 30 jestelmä 804 järjestetty laskemaan piirrearvojen vektorin ja vaihtoehtoisten kon- tekstiluokkien ihanteellisten piirrevektorien välisten etäisyyksien minimi sen seikan tarkistamiseksi, että täyttääkö piirrearvojen vektorin luokittelu ennalta määrätyn 18 laatukriteerin. Etäisyydet voidaan määrittää käyttämällä jotakin ennalta määrättyä vektorinormia, esim. 2-normia.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-jestelmä 804 järjestetty lähettämään palvelinlaitteeseen yhden tai useamman kon-5 tekstiluokan ihanteellinen piirrevektori palvelinlaitteen saattamiseksi kykeneväksi luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista kontekstiluokista samalla tavalla kuin mobiililaite suorittaa luokittelun.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-jestelmä 804 järjestetty tunnistamaan kontekstin muutos sillä perusteella, onko 10 käyttäjän antama kontekstiluokka eri kuin aikaisemmin määritetty kontekstiluokka.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-jestelmä 804 järjestetty: tarkistamaan tiedonsiirtoyhteyksien käytettävyys palvelinlaitteeseen ja -laitteesta 815, 15 - vasteena tilanteelle, jossa tiedonsiirtoyhteydet ovat käytettävissä, lä hettämään havainnointidataan perustuva informaatio palvelinlaitteeseen palvelinlaitteen saattamiseksi kykeneväksi muodostamaan piirrearvojen ainakin yksi toinen vektori, ja vasteena sille, että palvelinlaitteesta vastaanotetaan piirrearvojen ky-20 seinen, ainakin yksi toinen vektori, käyttämään piirrearvojen kutakin toista vektoria sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut.
Keksinnön erään suoritusmuodon mukaisessa mobiililaitteessa on prosessointijär-o jestelmä 804 järjestetty valitsemaan jokin kontekstiluokista, jotka on määritetty: dj 9 - luokittelemalla piirrearvojen vektori ja
<O
x 25 - luokittelemalla kukin piirrearvojen kyseisistä toisista vektoreista, joita on vähintään yksi, ja/tai
CM
h-· S - yhdellä tai useammalla palvelinlaitteessa suoritetulla luokittelulla.
o o ^ Kontekstin muutoksen todetaan olevan kyseessä silloin kun valittu kontekstiluokka on eri kuin aikaisemmin määritetty kontekstiluokka. Valituksi kontekstiluokaksi voi-30 daan määrittää se, jolla on pienin etäisyys sen ihanteellisen piirrevektorin ja tähän 19 kontekstiluokkaan luokitellun piirrearvojen vastaavan vektorin välillä. Piirrearvojen kuhunkin toiseen vektoriin liittyy edullisesti aikaraja, eli elinaika (time-to-live), jonka jälkeen piirrearvojen tämä kyseinen toinen vektori ei enää ole pätevä. Prosessoin-tijärjestelmä on edullisesti järjestetty käyttämään piirrearvojen kutakin toista vekto-5 ria sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut vain siinä tapauksessa, että piirrearvojen tämä kyseinen toinen vektori on edelleen pätevä. Lisäksi kuhunkin kontekstiluokkaan, joka on määritetty palvelinlaitteessa suoritetulla luokittelulla, liittyy edullisesti vastaava aikaraja, jonka jälkeen tämä kyseinen kontekstiluokka ei enää ole pätevä, ja prosessointijärjestelmä on edullisesti järjes-10 tetty käyttämään kutakin kontekstiluokkaa sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut vain silloin kun tämä kyseinen kontekstiluokka on edelleen pätevä.
Keksinnön erään suoritusmuodon mukainen tietokoneohjelma käsittää ohjelmakoodin mobiililaitteen ohjaamiseksi kontekstitietoisuuden perusteella. Ohjelmakoo-15 di käsittää ohjelmoitavalla prosessorilla suoritettavia käskyjä ohjelmoitavan prosessorin ohjaamiseksi: tunnistamaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva kontekstin muutos, keräämään käyttödataa, joka osoittaa käyttäjän antamat ohjaustoi-20 minnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen muutosten aikana, vasteena kontekstin tunnistetulle muutokselle valitsemaan ainakin yksi palvelutoiminto ainakin osittain käyttödatan perusteella, jolloin kyseinen ai-nakin yksi palvelutoiminto on valittavissa ennalta määrätystä joukosta pales 25 velutoimintoja, jotka liittyvät mobiililaitteella tarjottuihin palveluihin, ja dj 9 - ohjaamaan mobiililaite suorittamaan valittu, ainakin yksi palvelutoimin to >- to.
CC
Tietokoneella suoritettavat käskyt voivat olla esim. alirutiineja tai funktiota.
CM
I'-- cö Keksinnön erään suoritusmuodon mukaiseen tietokoneluettavaan välineeseen,
CD
§ 30 joka on esim. CD-ROM (Compact Disc Read Only Memory) tai RAM-laite (Ran- C\l dom Access Memory), on koodattu keksinnön erään suoritusmuodon mukainen tietokoneohjelma.
20
Keksinnön erään suoritusmuodon mukainen signaali on koodattu keksinnön erään suoritusmuodon mukaisella tietokoneohjelmalla.
Edellä olevassa selityksessä esitettyjä spesifisiä esimerkkejä ei tule ymmärtää rajoittaviksi. Tästä syystä keksintö ei rajoitu pelkästään edellä kuvattuihin suori-5 tusmuotoihin, vaan monet muunnokset ovat mahdollisia.
CM
δ
CM
CM
o
CD
X
cc
CL
CM
h-· δ σ> o o
CM
Claims (37)
1. Mobiililaite (801), joka käsittää prosessointijärjestelmän (804), joka on järjestetty: tunnistamaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva 5 kontekstin muutos ja vasteena kontekstin tunnistetulle muutokselle ohjaamaan mobiililaite suorittamaan ainakin yksi palvelutoiminto, joka liittyy mobiililaitteella tarjottuihin palveluihin, tunnettu siitä, että prosessointijärjestelmä on lisäksi järjestetty: 10. keräämään käyttödataa, joka osoittaa käyttäjän antamat palvelutoi minnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen muutosten aikana, ja ennen kyseisen ainakin yhden palvelutoiminnon suorittamista valitsemaan kyseinen ainakin yksi palvelutoiminto ennalta määrätystä joukosta 15 palvelutoimintoja ainakin osaksi käyttödatan perusteella.
2. Patenttivaatimuksen 1 mukainen mobiililaite, jossa prosessointijärjestelmä on järjestetty käyttämään käyttödatan lisäksi palvelutoiminnon valitsemiseksi histo-riadataa, joka osoittaa muiden mobiililaitteiden käyttäjien antamat ohjaustoiminnot muita mobiililaitteita ja/tai muiden mobiililaitteiden käyttäjiä koskevien kontekstin 20 erilaisten muutosten aikana.
3. Patenttivaatimuksen 1 mukainen mobiililaite, jossa prosessointijärjestelmä on CM 5 järjestetty analysoimaan tiedonlouhinta-algoritmin avulla erilaisten kontekstimuu- ^ tosten ja erilaisten palvelutoimintojen väliset korrelaatiot käyttödatan käsittävästä 9 tietokannasta. CD x 25 4. Patenttivaatimuksen 2 mukainen mobiililaite, jossa prosessointijärjestelmä on järjestetty analysoimaan tiedonlouhinta-algoritmin avulla erilaisten kontekstimuu- tosten ja erilaisten palvelutoimintojen väliset korrelaatiot käyttödatan ja historiada- a> tan käsittävästä tietokannasta. o o CM
5. Patenttivaatimuksen 2 mukainen mobiililaite, joka käsittää dataliittymän histo-30 riadatan imuroimiseksi ulkopuolisesta laitteesta.
6. Patenttivaatimuksen 2 mukainen mobiililaite, joka käsittää vastaanottimen historiadatan vastaanottamiseksi mobiilin tietoliikenneverkon kautta.
7. Jonkin patenttivaatimuksen 1-6 mukainen mobiililaite, joka käsittää yhden tai useamman havainnoivan entiteetin mobiililaitetta ja/tai mobiililaitteen käyttäjää 5 koskevan kontekstin osoittavan havainnointidatan saamiseksi, jolloin prosessointi-järjestelmä on järjestetty tunnistamaan kontekstin muutos havainnointidatan perusteella.
8. Jonkin patenttivaatimuksen 1-6 mukainen mobiililaite, joka käsittää dataliitty-män mobiililaitetta ja/tai mobiililaitteen käyttäjää koskevan kontekstin osoittavan 10 havainnointidatan vastaanottamiseksi yhdestä tai useammasta ulkopuolisesta laitteesta, jolloin prosessointijärjestelmä on järjestetty tunnistamaan kontekstin muutos havainnointidatan perusteella.
9. Patenttivaatimuksen 7 tai 8 mukainen mobiililaite, jossa prosessointijärjestelmä on kontekstin muutoksen tunnistamiseksi järjestetty: 15. määrittämään piirrearvojen vektori havainnointidatan perusteella, ja luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista konteks-tiluokista, jolloin kontekstin muutos on kyseessä silloin kun piirrearvojen vektorin luokittelulla määritetty kontekstiluokka on eri kuin aikaisemmin määritetty kontekstiluokka.
10. Patenttivaatimuksen 9 mukainen mobiililaite, jossa prosessointijärjestelmä on järjestetty adaptoimaan luokittelussa käytetty algoritmi piirrearvojen vektorin ja käyttäjän antaman palauteinformaation perusteella. CM
11. Patenttivaatimuksen 10 mukainen mobiililaite, jossa prosessointijärjestelmä cm on järjestetty adaptoimaan algoritmi siten, että luokittelulla määritetty kontekstiluo- O ^ 25 kan ihanteellinen piirrevektori tulee siirretyksi, palauteinformaatiosta riippuen, lä- ^ hemmäksi piirrearvojen vektoria tai kauemmaksi siitä, jolloin kunkin kontekstiluo- £ kan ihanteellinen piirrevektori on sellainen piirrearvojen vektori, joka parhaiten täsmää tämän kyseisen kontekstiluokan kanssa, ja luokittelulla määritetty konteks-5 tiluokka on se, jonka ihanteellinen piirrevektori on lähimpänä piirrearvojen vektoria O) § 30 käytettäessä ennalta määrättyä vektorinormia. CM
12. Jonkin patenttivaatimuksen 9-11 mukainen mobiililaite, jossa prosessointijärjestelmä on järjestetty: tarkistamaan, täyttääkö piirrearvojen vektorin luokittelu ennalta määrätyn laatukriteerin, tarkistamaan tiedonsiirtoyhteyksien käytettävyys palvelinlaitteeseen ja -laitteesta, 5. vasteena tilanteelle, jossa tiedonsiirtoyhteydet ovat käytettävissä ja luokittelu ei täytä ennalta määrättyä laatukriteeriä, lähettämään piirrearvojen vektori palvelinlaitteeseen palvelinlaitteen saattamiseksi kykeneväksi luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista kontekstiluokista ja vasteena sille, että palvelinlaitteesta vastaanotetaan luokittelutulos, 10 käyttämään palvelinlaitteesta vastaanotettua luokittelutulosta sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut.
13. Patenttivaatimuksen 12 mukainen mobiililaite, jossa prosessointijärjestelmä on järjestetty laskemaan piirrearvojen vektorin ja vaihtoehtoisten kontekstiluokkien ihanteellisten piirrevektorien välisten etäisyyksien minimi sen seikan tarkistami- 15 seksi, täyttääkö piirrearvojen vektorin luokittelu ennalta määrätyn laatukriteerin, jolloin etäisyydet määritetään käyttämällä ennalta määrättyä vektorinormia ja kunkin kontekstiluokan ihanteellinen piirrevektori on piirrearvojen sellainen vektori, joka parhaiten täsmää tämän kyseisen kontekstiluokan kanssa.
14. Patenttivaatimuksen 13 mukainen mobiililaite, jossa prosessointijärjestelmä 20 on järjestetty lähettämään palvelinlaitteeseen yhden tai useamman kontekstiluokan ihanteellinen piirrevektori palvelinlaitteen saattamiseksi kykeneväksi luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista kontekstiluokista, samalla tavalla kuin mobiililaite suorittaa luokittelun. CM ° 15. Jonkin patenttivaatimuksen 9-14 mukainen mobiililaite, jossa prosessointijär- o 25 jestelmä on järjestetty tunnistamaan kontekstin muutos sen perusteella onko käyttö täjän antama kontekstiluokka eri kuin aikaisemmin määritetty kontekstiluokka. X £ 16. Jonkin patenttivaatimuksen 9-15 mukainen mobiililaite, jossa prosessointijär- jestelmä on järjestetty: S o - tarkistamaan tiedonsiirtoyhteyksien käytettävyys palvelinlaitteeseen ja ^ 30 -laitteesta, vasteena tilanteelle, jossa tiedonsiirtoyhteydet ovat käytettävissä, lähettämään havainnointidataan perustuva informaatio palvelinlaitteeseen palvelinlaitteen saattamiseksi kykeneväksi muodostamaan piirrearvojen ainakin yksi toinen vektori ja vasteena sille, että piirrearvojen kyseinen, ainakin yksi toinen vektori vastaanotetaan palvelinlaitteesta, käyttämään piirrearvojen kutakin toista 5 vektoria sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut.
17. Patenttivaatimuksen 16 mukainen mobiililaite, jossa prosessointijärjestelmä on järjestetty valitsemaan jokin kontekstiluokista, jotka on määritetty: luokittelemalla piirrearvojen vektori ja luokittelemalla kukin piirrearvojen kyseisistä toisista vektoreista, joita 10 on vähintään yksi, jolloin kontekstin muutos on kyseessä silloin, kun valittu kontekstiluokka on eri kuin aikaisemmin määritetty kontekstiluokka.
18. Patenttivaatimuksen 16 mukainen mobiililaite, jossa vasteena sille, että palvelinlaitteesta vastaanotetaan data, joka osoittaa ainakin yhden, palvelinlaitteessa 15 suoritetulla yhdellä tai useammalla luokittelulla määritetyn kontekstiluokan, prosessointijärjestelmä on järjestetty valitsemaan jokin kontekstiluokista, jotka on määritetty: piirrearvojen vektorin luokittelulla, piirrearvojen kyseisen, ainakin yhden toisen sektorin luokitteluilla, ja 20. yhdellä tai useammalla luokittelulla, jotka suoritetaan palvelinlaittees- £! sa, δ CM c\i jolloin kontekstin muutos on kyseessä silloin kun valittu kontekstiluokka on eri kuin O ^ aikaisemmin määritetty kontekstiluokka.
19. Patenttivaatimuksen 17 tai 18 mukainen mobiililaite, jossa valittu kontekstien 25 luokka on se, jossa sen ihanteellisen piirrevektorin ja piirrearvojen vastaavan luoki- ^ tellun vektorin välillä on pienin etäisyys, jolloin etäisyys määritetään käyttämällä o ennalta määrättyä vektorinormia ja kunkin kontekstiluokan ihanteellinen piirrevek- o ^ tori on piirrearvojen se vektori, joka parhaiten täsmää tämän kyseisen konteksti- luokan kanssa.
20. Jonkin patenttivaatimuksen 16-19 mukainen mobiililaite, jossa piirrearvojen kuhunkin toiseen vektoriin liittyy aikaraja, jonka jälkeen piirrearvojen tämä kyseinen toinen vektori ei enää ole pätevä, ja prosessointijärjestelmä on järjestetty käyttämään piirrearvojen kutakin toista vektoria sen seikan määrittämiseksi, onko kon- 5 tekstin muutos tapahtunut, vain siinä tapauksessa, että piirrearvojen tämä kyseinen toinen vektori on edelleen pätevä.
21. Jonkin patenttivaatimuksen 18-20 mukainen mobiililaite, jossa palvelinlaitteessa suoritetulla yhdellä tai useammalla luokittelulla määritetyistä ainakin yhdestä kontekstiluokasta kuhunkin liittyy aikaraja, jonka jälkeen tämä kyseinen konteks- 10 tiluokka ei enää ole pätevä, ja prosessointijärjestelmä on järjestetty käyttämään palvelinlaitteessa suoritetulla yhdellä tai useammalla luokittelulla määritetyistä ainakin yhdestä kontekstiluokasta kutakin sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut, vain siinä tapauksessa, että tämä kyseinen konteksti-luokka on edelleen pätevä.
22. Menetelmä, joka käsittää sen, että: tunnistetaan (101, 201, 301, 401) mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva kontekstin muutos ja ohjataan (104, 204, 304, 404) mobiililaite suorittamaan kontekstin tunnistetun muutoksen vasteena ainakin yksi palvelutoiminto, joka liittyy mobii-20 lilaitteella tarjottuihin palveluihin, tunnettu siitä, että menetelmä käsittää lisäksi sen, että: kerätään (102, 202, 302, 402) käyttödataa, joka osoittaa käyttäjän an-£! tamat ohjaustoiminnot ja kohdistuu mobiililaitteeseen kontekstin erilaisten ° tunnistettujen muutosten aikana, ja dj o 25. valitaan (103, 203, 303, 403), ennen kyseisen ainakin yhden palvelu- toiminnon suorittamista, kyseinen ainakin yksi palvelutoiminto ennalta mää-£ rätystä joukosta palvelutoimintoja ainakin osaksi käyttödatan perusteella. CM ^ 23. Patenttivaatimuksen 22 mukainen menetelmä, jossa kyseinen ainakin yksi o palvelutoiminto valitaan (203) käyttämällä käyttödatan lisäksi historiadataa, joka o ^ 30 osoittaa muiden mobiililaitteiden käyttäjien antamat ohjaustoiminnot muita mobiili- laitteita ja/tai muiden mobiililaitteiden käyttäjiä koskevien kontekstin erilaisten muutosten aikana.
24. Patenttivaatimuksen 22 mukainen menetelmä, joka käsittää sen, että tiedon-louhinta-algoritmilla analysoidaan (303a) kontekstin erilaisten muutosten ja erilaisten palvelutoimintojen väliset korrelaatiot käyttödatan käsittävästä tietokannasta.
25. Patenttivaatimuksen 23 mukainen menetelmä, joka käsittää sen, että tiedon-5 louhinta-algoritmilla analysoidaan (303a) kontekstin erilaisten muutosten ja erilaisten palvelutoimintojen väliset korrelaatiot käyttödatan ja historiadatan käsittävästä tietokannasta.
26. Patenttivaatimuksen 22 mukainen menetelmä, joka käsittää sen, että histo-riadata imuroidaan ulkopuolisesta laitteesta.
27. Patenttivaatimuksen 22 mukainen menetelmä, joka käsittää sen, että histo- riadata vastaanotetaan mobiilin tietoliikenneverkon kautta.
28. Jonkin patenttivaatimuksen 22-27 mukainen menetelmä, joka käsittää sen, että yhdellä tai useammalla havainnoivalla entiteetillä hankitaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskevan kontekstin osoittavaa havainnointidataa, jolloin 15 kontekstin muutos tunnistetaan kyseisen havainnointidatan perusteella.
29. Jonkin patenttivaatimuksen 22-27 mukainen menetelmä, joka käsittää sen, että yhdestä tai useammasta havainnoivasta entiteetistä vastaanotetaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskevan kontekstin osoittavaa havainnointidataa, jolloin kontekstin muutos tunnistetaan kyseisen havainnointidatan perusteella.
30. Patenttivaatimuksen 28 tai 29 mukainen menetelmä, jossa kontekstin muu toksen tunnistaminen (101,201,301,401) käsittää sen, että: ^ - määritetään (502, 602, 702) piirrearvojen vektori havainnointidatan o perusteella ja dj 9. luokitellaan (503, 605, 706) piirrearvojen vektori johonkin vaihtoehtoi- ^ 25 sista kontekstiluokista, jolloin kontekstin muutos on kyseessä (508, 711, 611. silloin, kun piirrearvojen vektorin luokittelulla määritetty kontekstiluokka w on eri (507, 710, 610) kuin aikaisemmin määritetty kontekstiluokka. I'-- (j) 31. Patenttivaatimuksen 30 mukainen menetelmä, joka käsittää sen, että luokitte- O £3 lussa käytetty algoritmi adaptoidaan (506, 609, 709) piirrearvojen vektorin ja käyt- 30 täjän antaman palauteinformaation perusteella.
32. Patenttivaatimuksen 31 mukainen menetelmä, jossa algoritmi adaptoidaan siten, että luokittelulla määritetyn kontekstiluokan ihanteellinen piirrevektori tulee palauteinformaatiosta riippuen siirretty lähemmäksi piirrearvojen vektoria tai kauemmaksi siitä, jolloin kunkin kontekstiluokan ihanteellinen piirrevektori on piirrear- 5 vojen se vektori, joka parhaiten täsmää tämän kyseisen kontekstiluokan kanssa, ja luokittelulla määritetty kontekstiluokka on se, jonka ihanteellinen piirrevektori on lähimpänä piirrearvojen vektoria, kun käytetään ennalta määrättyä vektorinormia.
33. Jonkin patenttivaatimuksen 30-32 mukainen menetelmä, jossa kontekstin muutoksen tunnistaminen (101,201,301,401) käsittää sen, että: 10. tarkistetaan (603), täyttääkö piirrearvojen vektorin luokittelu ennalta määrätyn laatukriteerin, tarkistetaan (603) tiedonsiirtoyhteyksien käytettävyys palvelinlaitteeseen ja -laitteesta, vasteena tilanteelle, jossa tiedonsiirtoyhteydet ovat käytettävissä ja 15 luokittelu ei täytä ennalta määrättyä laatukriteeriä, lähetetään (604) piirrear vojen vektori palvelinlaitteeseen palvelinlaitteen saattamiseksi kykeneväksi luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista konteksti-luokista ja vasteena sille, että vastaanotetaan luokittelutulos palvelinlaitteesta, 20 käytetään (607) palvelinlaitteesta vastaanotettua luokittelutulosta sen sei kan määrittämiseksi, onko kontekstin muutos tapahtunut. 1 Patenttivaatimuksen 33 mukainen menetelmä, joka käsittää sen, että laske-taan piirrearvojen vektorin ja vaihtoehtoisten kontekstiluokkien ihanteellisten piirre- cvi vektorien välisten etäisyyksien minimi sen seikan tarkistamiseksi, täyttääkö piir- i o 25 rearvojen vektorin luokittelu ennalta määrätyn laatukriteerin, jolloin etäisyydet määritetään käyttämällä ennalta määrättyä vektorinormia ja kunkin kontekstiluokan x ihanteellinen piirrevektori on piirrearvojen se vektori, joka parhaiten täsmää tämän kyseisen kontekstiluokan kanssa, cv Is- cö 35. Patenttivaatimuksen 34 mukainen menetelmä, joka käsittää sen, että palve- § 30 linlaitteeseen lähetetään yhden tai useamman kontekstiluokan ihanteellinen piirre- CVJ vektori palvelinlaitteen saattamiseksi kykeneväksi luokittelemaan piirrearvojen vektori johonkin vaihtoehtoisista kontekstiluokista samalla tavalla kuin luokittelu suoritetaan mobiililaitteessa.
36. Jonkin patenttivaatimuksen 30-35 mukainen menetelmä, joka käsittää sen, että kontekstin muutos tunnistetaan sen perusteella, onko käyttäjän antama kon-tekstiluokka eri kuin aikaisemmin määritetty kontekstiluokka.
37. Jonkin patenttivaatimuksen 30-36 mukainen menetelmä, jossa kontekstin 5 muutoksen tunnistaminen käsittää sen, että: tarkistetaan (703) tiedonsiirtoyhteyksien käytettävyys palvelinlaitteeseen ja -laitteesta, vasteena tilanteelle, jossa tiedonsiirtoyhteys on käytettävissä, lähetetään (704) havainnointidataan perustuva informaatio palvelinlaitteeseen 10 palvelinlaitteen saattamiseksi kykeneväksi muodostamaan piirrearvojen ai nakin yksi toinen vektori ja vasteena sille, että piirrearvojen kyseinen ainakin yksi toinen vektori vastaanotetaan palvelinlaitteesta, käytetään (706, 707) piirrearvojen kutakin toista vektoria sen seikan määrittämiseksi, onko kontekstin muutos tapah-15 tunut.
38. Patenttivaatimuksen 37 mukainen menetelmä, joka käsittää sen, että valitaan (707) jokin kontekstiluokista, jotka on määritetty (706): luokittelemalla piirrearvojen vektori ja luokittelemalla kukin piirrearvojen toisista vektoreista, joita on vähin-20 tään yksi, jolloin kontekstin muutos on kyseessä (711) silloin, kun valittu kontekstiluokka on CM £ eri (710) kuin aikaisemmin määritetty kontekstiluokka. OJ i
39. Patenttivaatimuksen 37 mukainen menetelmä, joka käsittää sen, että vastee- i jo na sille, että palvelinlaitteesta vastaanotetaan data, joka osoittaa palvelinlaitteessa 1 25 suoritetulla yhdellä tai useammalla luokittelulla määritetyn, ainakin yhden konteks- tiluokan, valitaan jokin kontekstiluokista, jotka määritetään: CM I'- S - piirrearvojen vektorin luokittelulla, o o ^ - piirrearvojen ainakin yhden toisen vektorin luokitteluilla ja yhdellä tai useammalla palvelinlaitteessa suoritetulla luokittelulla, jolloin kontekstin muutos on kyseessä silloin, kun valittu kontekstiluokka on eri kuin aikaisemmin määritetty kontekstiluokka.
40. Patenttivaatimuksen 38 tai 39 mukainen menetelmä, jossa valittu konteksti-luokka on se, jossa sen ihanteellisen piirrevektorin ja piirrearvojen vastaavan luoki- 5 tellun vektorin välillä on pienin etäisyys, jolloin etäisyys määritetään käyttämällä ennalta määrättyä vektorinormia ja kunkin kontekstiluokan ihanteellinen piirrevek-tori on piirrearvojen se vektori, joka parhaiten täsmää tämän kyseisen konteksti-luokan kanssa.
41. Jonkin patenttivaatimuksen 37-40 mukainen menetelmä, jossa piirrearvojen 10 kuhunkin toiseen vektoriin liittyy aikaraja, jonka jälkeen piirrearvojen tämä kyseinen toinen vektori ei enää ole pätevä, ja piirrearvojen kutakin toista vektoria käytetään sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut, vain siinä tapauksessa, että piirrearvojen tämä kyseinen toinen vektori on edelleen pätevä.
42. Jonkin patenttivaatimuksen 39-41 mukainen menetelmä, jossa palvelinlait-15 teessä suoritetulla yhdellä tai useammalla luokittelulla määritetyistä ainakin yhdestä kontekstiluokasta kuhunkin liittyy aikaraja, jonka jälkeen tämä kyseinen kontekstiluokka ei enää ole pätevä, ja palvelinlaitteessa suoritetulla yhdellä tai useammalla luokittelulla määritetyistä ainakin yhdestä kontekstiluokasta kutakin käytetään sen seikan määrittämiseksi, onko kontekstin muutos tapahtunut, vain siinä tapauk- 20 sessa, että tämä kyseinen kontekstiluokka on edelleen pätevä.
43. Tietokoneohjelma, joka käsittää ohjelmoitavalla prosessorilla suoritettavia käskyjä ohjelmoitavan prosessorin ohjaamiseksi: tunnistamaan mobiililaitetta ja/tai mobiililaitteen käyttäjää koskeva CM , , . 5 kontekstin muutos ja CM 25. ohjaamaan mobiililaite suorittamaan kontekstin tunnistetun muutoksen vasteena ainakin yksi palvelutoiminto, joka liittyy mobiililaitteella tarjottuihin 1 palveluihin, CL £i tunnettu siitä, että tietokoneohjelma käsittää lisäksi ohjelmoitavalla prosessorilla S suoritettavia käskyjä ohjelmoitavan prosessorin ohjaamiseksi: o o 30. keräämään käyttödata, joka osoittaa käyttäjän antamat ohjaustoimin not ja kohdistuu mobiililaitteeseen kontekstin erilaisten tunnistettujen muutosten aikana, ja valitsemaan, ennen kyseisen ainakin yhden palvelutoiminnon suorittamista, kyseinen ainakin yksi palvelutoiminto ennalta määrätystä joukosta palvelutoimintoja ainakin osaksi käyttödatan perusteella.
44. Tietokoneluettava väline, johon on koodattu patenttivaatimuksen 43 mukai-5 nen tietokoneohjelma. CM δ CM CM o CD X cc CL CM h-· δ σ> o o CM
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20096172A FI122770B (fi) | 2009-11-11 | 2009-11-11 | Kontekstitietoisuudella ohjattava mobiililaite |
| EP10829574.2A EP2499844B1 (en) | 2009-11-11 | 2010-11-09 | A mobile device controlled by context awareness |
| US13/509,298 US8990384B2 (en) | 2009-11-11 | 2010-11-09 | Mobile device controlled by context awareness |
| PCT/FI2010/050901 WO2011058224A1 (en) | 2009-11-11 | 2010-11-09 | A mobile device controlled by context awareness |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20096172 | 2009-11-11 | ||
| FI20096172A FI122770B (fi) | 2009-11-11 | 2009-11-11 | Kontekstitietoisuudella ohjattava mobiililaite |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| FI20096172A0 FI20096172A0 (fi) | 2009-11-11 |
| FI20096172A FI20096172A (fi) | 2011-05-12 |
| FI122770B true FI122770B (fi) | 2012-06-29 |
Family
ID=41395221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FI20096172A FI122770B (fi) | 2009-11-11 | 2009-11-11 | Kontekstitietoisuudella ohjattava mobiililaite |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US8990384B2 (fi) |
| EP (1) | EP2499844B1 (fi) |
| FI (1) | FI122770B (fi) |
| WO (1) | WO2011058224A1 (fi) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9800716B2 (en) | 2010-09-21 | 2017-10-24 | Cellepathy Inc. | Restricting mobile device usage |
| US8750853B2 (en) | 2010-09-21 | 2014-06-10 | Cellepathy Ltd. | Sensor-based determination of user role, location, and/or state of one or more in-vehicle mobile devices and enforcement of usage thereof |
| US11070661B2 (en) | 2010-09-21 | 2021-07-20 | Cellepathy Inc. | Restricting mobile device usage |
| US10178525B2 (en) * | 2010-11-13 | 2019-01-08 | Inpixon | Context-based dynamic policy system for mobile devices and supporting network infrastructure |
| US20130297416A1 (en) | 2010-12-09 | 2013-11-07 | Checkpoints Llc | Systems, apparatuses and methods for verifying consumer activity and providing value to consumers based on consumer activity |
| US8677112B2 (en) * | 2011-04-29 | 2014-03-18 | Sap Ag | Automatic notification based on generic storage framework |
| US8725869B1 (en) * | 2011-09-30 | 2014-05-13 | Emc Corporation | Classifying situations for system management |
| CN104094287A (zh) * | 2011-12-21 | 2014-10-08 | 诺基亚公司 | 用于情境识别的方法、装置以及计算机软件 |
| US9083638B2 (en) * | 2012-02-10 | 2015-07-14 | Empire Technology Development Llc | Data transmission in cloud-based system |
| US20130212065A1 (en) * | 2012-02-15 | 2013-08-15 | Flybits, Inc. | Zone Oriented Applications, Systems and Methods |
| EP2823597B1 (en) * | 2012-03-08 | 2020-06-17 | Nokia Technologies Oy | A context-aware adaptive authentication method and apparatus |
| EP2642289A1 (en) | 2012-03-20 | 2013-09-25 | Sensirion AG | Portable electronic device |
| US9801186B2 (en) | 2012-05-10 | 2017-10-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus to adapt the data traffic of a communication between a user equipment and a communication network |
| US9691115B2 (en) | 2012-06-21 | 2017-06-27 | Cellepathy Inc. | Context determination using access points in transportation and other scenarios |
| EP2865203A4 (en) | 2012-06-21 | 2016-02-17 | Cellepathy Ltd | DEVICE CONTEXT DETERMINATION |
| US9772317B2 (en) | 2012-07-26 | 2017-09-26 | Sensirion Ag | Method for operating a portable electronic device |
| US11468243B2 (en) | 2012-09-24 | 2022-10-11 | Amazon Technologies, Inc. | Identity-based display of text |
| US8864587B2 (en) | 2012-10-03 | 2014-10-21 | Sony Corporation | User device position indication for security and distributed race challenges |
| US9338622B2 (en) * | 2012-10-04 | 2016-05-10 | Bernt Erik Bjontegard | Contextually intelligent communication systems and processes |
| KR20140062886A (ko) * | 2012-11-15 | 2014-05-26 | 엘지전자 주식회사 | 이동 단말기 및 그것의 제어 방법 |
| US9654977B2 (en) | 2012-11-16 | 2017-05-16 | Visa International Service Association | Contextualized access control |
| US10649619B2 (en) * | 2013-02-21 | 2020-05-12 | Oath Inc. | System and method of using context in selecting a response to user device interaction |
| US20150081066A1 (en) | 2013-09-17 | 2015-03-19 | Sony Corporation | Presenting audio based on biometrics parameters |
| US9946893B2 (en) * | 2013-11-26 | 2018-04-17 | Nokia Technologies Oy | Method and apparatus for providing privacy profile adaptation based on physiological state change |
| US9269119B2 (en) | 2014-01-22 | 2016-02-23 | Sony Corporation | Devices and methods for health tracking and providing information for improving health |
| US10659594B2 (en) | 2015-02-12 | 2020-05-19 | American University Of Beirut | Context aware mobile personalization system and methods of use |
| US9667772B1 (en) | 2016-06-17 | 2017-05-30 | International Business Machines Corporation | Transient, context-dependent grouping of content for mobile device display |
| US10452410B2 (en) | 2016-10-25 | 2019-10-22 | International Business Machines Corporation | Context aware user interface |
| US11368457B2 (en) | 2018-02-20 | 2022-06-21 | Visa International Service Association | Dynamic learning system for intelligent authentication |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7302280B2 (en) | 2000-07-17 | 2007-11-27 | Microsoft Corporation | Mobile phone operation based upon context sensing |
| US6901398B1 (en) * | 2001-02-12 | 2005-05-31 | Microsoft Corporation | System and method for constructing and personalizing a universal information classifier |
| US7409423B2 (en) * | 2001-06-28 | 2008-08-05 | Horvitz Eric J | Methods for and applications of learning and inferring the periods of time until people are available or unavailable for different forms of communication, collaboration, and information access |
| US8516114B2 (en) | 2002-03-29 | 2013-08-20 | International Business Machines Corporation | Method and apparatus for content pre-fetching and preparation |
| US7069259B2 (en) * | 2002-06-28 | 2006-06-27 | Microsoft Corporation | Multi-attribute specification of preferences about people, priorities and privacy for guiding messaging and communications |
| US20060031288A1 (en) * | 2002-10-21 | 2006-02-09 | Koninklijke Philips Electronics N.V. | Method of and system for presenting media content to a user or group of users |
| US7831679B2 (en) * | 2003-10-15 | 2010-11-09 | Microsoft Corporation | Guiding sensing and preferences for context-sensitive services |
| JP5224689B2 (ja) * | 2004-11-26 | 2013-07-03 | 富士通株式会社 | ネットワーク・サービス制御方法 |
| KR100876559B1 (ko) | 2006-12-05 | 2008-12-31 | 한국전자통신연구원 | 이동 단말 중심의 상황인식 서비스 제공 방법 및 이를 이용한 이동단말 |
| US8000689B2 (en) | 2007-03-02 | 2011-08-16 | Aegis Mobility, Inc. | System and methods for monitoring the context associated with a mobile communication device |
| US9247048B2 (en) | 2007-05-10 | 2016-01-26 | Telefonaktiebolaget L M Ericsson (Publ) | Method and apparatus for providing customised services in a communication network |
| KR20090027000A (ko) * | 2007-09-11 | 2009-03-16 | 한국전자통신연구원 | 상황 인식 시스템 환경에서 발생한 이벤트 로그에 기초하여사용자 행동 패턴을 구축하는 장치 및 방법 |
| KR101074987B1 (ko) * | 2007-11-06 | 2011-10-18 | 한국전자통신연구원 | 상황 인지를 통한 ｒｆｉｄ 개인 프라이버시 제어 시스템및 상기 시스템을 이용한 개인 프라이버시 보호 방법 |
| US8234893B2 (en) | 2008-04-25 | 2012-08-07 | Samsung Electronics Co., Ltd. | Cold-start in situation-aware systems |
| FI20095570L (fi) * | 2009-05-22 | 2009-09-11 | Valtion Teknillinen | Kontekstin tunnistaminen mobiiliaitteissa |
-
2009
- 2009-11-11 FI FI20096172A patent/FI122770B/fi active IP Right Grant
-
2010
- 2010-11-09 US US13/509,298 patent/US8990384B2/en active Active
- 2010-11-09 EP EP10829574.2A patent/EP2499844B1/en active Active
- 2010-11-09 WO PCT/FI2010/050901 patent/WO2011058224A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| EP2499844B1 (en) | 2020-03-25 |
| US8990384B2 (en) | 2015-03-24 |
| EP2499844A1 (en) | 2012-09-19 |
| FI20096172A (fi) | 2011-05-12 |
| WO2011058224A1 (en) | 2011-05-19 |
| US20120271913A1 (en) | 2012-10-25 |
| EP2499844A4 (en) | 2017-06-21 |
| FI20096172A0 (fi) | 2009-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FI122770B (fi) | Kontekstitietoisuudella ohjattava mobiililaite | |
| US20190230210A1 (en) | Context recognition in mobile devices | |
| KR101534423B1 (ko) | 패턴 매칭을 통한 상황들의 학습 | |
| EP2871815B1 (en) | Authentication control system, authentication control method, and program | |
| EP2625791B1 (en) | Apparatus and method for adaptive gesture recognition in portable terminal | |
| US8922485B1 (en) | Behavioral recognition on mobile devices | |
| US10506522B2 (en) | Determination of device body location | |
| AU2017202529B2 (en) | Determination of device body location | |
| EP2208370A2 (en) | Activating applications based on accelerometer data | |
| EP2811794B1 (en) | System and method for determining the position of a mobile device with respect to the human body | |
| US10716073B2 (en) | Determination of device placement using pose angle | |
| JP2010016444A (ja) | 状況認識装置、状況認識方法、及び無線端末装置 | |
| KR20160133350A (ko) | 무선 통신 시스템에서 위치 추정 장치 및 방법 | |
| KR101810400B1 (ko) | 휴대용 단말기에서 적응적 제스처 인식 장치 및 방법 | |
| CN101325790A (zh) | 在无线通信网络中导引无线通信装置的导引***及方法 | |
| KR102568110B1 (ko) | 차량의 응답 성능 품질 관리 시스템 및 방법 | |
| JP6676217B2 (ja) | ストレス推定システム | |
| KR101882789B1 (ko) | 상황인지 서비스를 위한 활동 정확도 산정 방법 | |
| CN118228157A (zh) | 基于无线网络的姿态检测方法、装置、设备及存储介质 | |
| KR20160020291A (ko) | 상황인지 서비스를 위한 경로 정확도 산정 방법 및 장치, 이를 위한 기록매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PC | Transfer of assignment of patent |
Owner name: ADFORE TECHNOLOGIES OY Free format text: ADFORE TECHNOLOGIES OY |
|
| FG | Patent granted |
Ref document number: 122770 Country of ref document: FI Kind code of ref document: B |