RU2013157930A - Способ и аппаратура для классификации множества состояний устройства - Google Patents

Способ и аппаратура для классификации множества состояний устройства Download PDF

Info

Publication number
RU2013157930A
RU2013157930A RU2013157930/08A RU2013157930A RU2013157930A RU 2013157930 A RU2013157930 A RU 2013157930A RU 2013157930/08 A RU2013157930/08 A RU 2013157930/08A RU 2013157930 A RU2013157930 A RU 2013157930A RU 2013157930 A RU2013157930 A RU 2013157930A
Authority
RU
Russia
Prior art keywords
type
state
classification algorithm
accelerometer
sensors
Prior art date
Application number
RU2013157930/08A
Other languages
English (en)
Other versions
RU2597524C2 (ru
Inventor
Леонард Х. ГРОКОП
Энтони САРА
Original Assignee
Квэлкомм Инкорпорейтед
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Квэлкомм Инкорпорейтед filed Critical Квэлкомм Инкорпорейтед
Publication of RU2013157930A publication Critical patent/RU2013157930A/ru
Application granted granted Critical
Publication of RU2597524C2 publication Critical patent/RU2597524C2/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephone Function (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

1. Способ классификации множества типов состояний для устройства, причем способ содержит:реализацию доступа к информации от датчиков устройства, при этом по меньшей мере некоторая часть информации от датчиков используется в первом наборе характеристик и по меньшей мере некоторая часть информации от датчиков используется во втором наборе характеристик;обработку первого набора характеристик с использованием первого алгоритма классификации, где первый алгоритм классификации сконфигурирован для определения первого предполагаемого состоянии первого типа и первого предполагаемого состояния второго типа;обработку второго набора характеристик с использованием второго алгоритма классификации, где второй алгоритм классификации сконфигурирован для определения второго предполагаемого состояния первого типа и второго предполагаемого состояния второго типа; иопределение предполагаемого состояния устройства как первого предполагаемого состояния первого типа и второго предполагаемого состояния второго типа.2. Способ по п. 1, в котором первым типом состояния является состояние движения, а вторым типом состояния является состояние местоположения.3. Способ по п. 2, в котором:информация от датчиков, используемая в первом наборе характеристик, включает в себя выход акселерометра ипервый набор характеристик включает в себя дисперсию выхода акселерометра на временном интервале.4. Способ по п. 2, в котором:информация от датчиков, используемая во втором наборе характеристик, включает в себя выход акселерометра для множества осей акселерометра многоосного акселерометра, имеющего по меньшей мере первую ось и вторую

Claims (30)

1. Способ классификации множества типов состояний для устройства, причем способ содержит:
реализацию доступа к информации от датчиков устройства, при этом по меньшей мере некоторая часть информации от датчиков используется в первом наборе характеристик и по меньшей мере некоторая часть информации от датчиков используется во втором наборе характеристик;
обработку первого набора характеристик с использованием первого алгоритма классификации, где первый алгоритм классификации сконфигурирован для определения первого предполагаемого состоянии первого типа и первого предполагаемого состояния второго типа;
обработку второго набора характеристик с использованием второго алгоритма классификации, где второй алгоритм классификации сконфигурирован для определения второго предполагаемого состояния первого типа и второго предполагаемого состояния второго типа; и
определение предполагаемого состояния устройства как первого предполагаемого состояния первого типа и второго предполагаемого состояния второго типа.
2. Способ по п. 1, в котором первым типом состояния является состояние движения, а вторым типом состояния является состояние местоположения.
3. Способ по п. 2, в котором:
информация от датчиков, используемая в первом наборе характеристик, включает в себя выход акселерометра и
первый набор характеристик включает в себя дисперсию выхода акселерометра на временном интервале.
4. Способ по п. 2, в котором:
информация от датчиков, используемая во втором наборе характеристик, включает в себя выход акселерометра для множества осей акселерометра многоосного акселерометра, имеющего по меньшей мере первую ось и вторую ось, и
второй набор характеристик включает в себя усредненное соотношение ускорения между двумя осями многоосного акселерометра.
5. Способ по п. 1, в котором первый алгоритм классификации содержит алгоритм максимального совместного правдоподобия, использующий первый набор характеристик и первую функцию распределения вероятности.
6. Способ по п. 1, в котором первый алгоритм классификации содержит алгоритм максимальной маргинальной апостериорной вероятности, использующий первый набор характеристик и первую функцию распределения вероятности.
7. Способ по п. 1, в котором второй алгоритм классификации содержит алгоритм максимального совместного правдоподобия, использующий второй набор характеристик и вторую функцию распределения вероятности.
8. Способ по п. 1, в котором второй алгоритм классификации содержит алгоритм максимальной маргинальной апостериорной вероятности, использующий второй набор характеристик и вторую функцию распределения вероятности.
9. Способ по п. 1, в котором первый алгоритм классификации и второй алгоритм классификации содержат каждый байесовский классификатор.
10. Мобильное устройство, содержащее:
один или несколько датчиков, сконфигурированных для создания выхода датчиков;
модуль генератора набора характеристик, связанный с одним или несколькими датчиками и сконфигурированный для связывания соответствующей информации от датчиков, указывающей выход датчиков, по меньшей мере с одним из наборов характеристик - первым или вторым; и
модуль классификации, связанный с модулем генератора набора характеристик и сконфигурированный для выполнения операций, содержащих:
обработку первого набора характеристик с использованием первого алгоритма классификации, где первый алгоритм классификации сконфигурирован для определения первого предполагаемого состояния первого типа и первого предполагаемого состояния второго типа,
обработку второго набора характеристик с использованием второго алгоритма классификации, где второй алгоритм классификации сконфигурирован для определения второго предполагаемого состояния первого типа и второго предполагаемого состояния второго типа, и
определение предполагаемого состояния устройства как первого предполагаемого состояния первого типа и второго предполагаемого состояния второго типа.
11. Устройство по п. 10, в котором первым типом состояния является состояние движения, а вторым типом состояния является состояние местоположения.
12. Устройство по п. 11, в котором:
один или несколько датчиков включают в себя один или несколько акселерометров,
информация от датчиков, используемая в первом наборе характеристик, включает в себя выход акселерометра, и
первый набор характеристик включает в себя дисперсию выхода акселерометра на временном интервале.
13. Устройство по п. 11, в котором:
один или несколько датчиков включают в себя один или несколько акселерометров,
информация от датчиков, используемая во втором наборе характеристик, включает в себя выход акселерометра для множества осей акселерометра многоосного акселерометра, имеющего по меньшей мере первую ось и вторую ось, и
второй набор характеристик включает в себя усредненное соотношение ускорения между двумя осями многоосного акселерометра.
14. Устройство по п. 10, в котором первый алгоритм классификации содержит алгоритм максимального совместного правдоподобия, использующий первый набор характеристик и первую функцию распределения вероятности.
15. Устройство по п. 10, в котором первый алгоритм классификации содержит алгоритм максимальной маргинальной апостериорной вероятности, использующий первый набор характеристик и первую функцию распределения вероятности.
16. Устройство по п. 10, в котором второй алгоритм классификации содержит алгоритм максимального совместного правдоподобия, использующий второй набор характеристик и вторую функцию распределения вероятности.
17. Устройство по п. 10, в котором второй алгоритм классификации содержит алгоритм максимальной маргинальной апостериорной вероятности, использующий второй набор характеристик и вторую функцию распределения вероятности.
18. Устройство по п. 10, в котором первый алгоритм классификации и второй алгоритм классификации содержат каждый байесовский классификатор.
19. Мобильное устройство, содержащее:
средство для реализации доступа к информации от датчиков устройства;
средство для связывания по меньшей мере некоторой части информации от датчиков с первым набором характеристик;
средство для связывания по меньшей мере некоторой части информации от датчиков со вторым набором характеристик;
средство для обработки первого набора характеристик с использованием первого алгоритма классификации, где первый алгоритм классификации сконфигурирован для определения первого предполагаемого состоянии первого типа и первого предполагаемого состояния второго типа;
средство для обработки второго набора характеристик с использованием второго алгоритма классификации, где второй алгоритм классификации сконфигурирован для определения второго предполагаемого состояния первого типа и второго предполагаемого состояния второго типа; и
средство для определения предполагаемого состояния устройства как первого предполагаемого состояния первого типа и второго предполагаемого состояния второго типа.
20. Устройство по п. 19, в котором первым типом состояния является состояние движения, а вторым типом состояния является состояние местоположения.
21. Устройство по п. 20, в котором:
информация от датчиков, связанная с первым набором характеристик, включает в себя выход акселерометра и
первый набор характеристик включает в себя дисперсию выхода акселерометра на временном интервале.
22. Устройство по п. 20, в котором:
информация от датчиков, связанная со вторым набором характеристик, включает в себя выход акселерометра для множества осей акселерометра многоосного акселерометра, имеющего по меньшей мере первую ось и вторую ось, и
второй набор характеристик включает в себя усредненное соотношение ускорения между двумя осями многоосного акселерометра.
23. Устройство по п. 19, в котором:
первый алгоритм классификации содержит по меньшей мере один из алгоритмов: алгоритм максимального совместного правдоподобия или алгоритм максимальной маргинальной апостериорной вероятности, и
первый алгоритм классификации использует первый набор характеристик и первую функцию распределения вероятности.
24. Устройство по п. 19, в котором:
второй алгоритм классификации содержит по меньшей мере один из алгоритмов: алгоритм максимального совместного правдоподобия или алгоритм максимальной маргинальной апостериорной вероятности, и
второй алгоритм классификации использует второй набор характеристик и вторую функцию распределения вероятности.
25. Компьютерный программный продукт, находящийся на считываемом процессором носителе и содержащий считываемые процессором команды, сконфигурированные для инициирования:
реализации доступа процессором к информации от датчиков устройства, где по меньшей мере некоторая часть информации от датчиков используется в первом наборе характеристик и по меньшей мере некоторая часть информации от датчиков используется во втором наборе характеристик;
обработки процессором первого набора характеристик с использованием первого алгоритма классификации, сконфигурированного для определения первого предполагаемого состояния первого типа и первого предполагаемого состояния второго типа;
обработки процессором второго набора характеристик с использованием второго алгоритма классификации, сконфигурированного для определения второго предполагаемого состояния первого типа и второго предполагаемого состояния второго типа; и
определения процессором предполагаемого состояния устройства как первого предполагаемого состояния первого типа и второго предполагаемого состояния второго типа.
26. Компьютерный программный продукт по п. 25, в котором первым типом состояния является состояние движения, а вторым типом состояния является состояние местоположения.
27. Компьютерный программный продукт по п. 26, в котором:
информация от датчиков, используемая в первом наборе характеристик, включает в себя выход акселерометра, и
первый набор характеристик включает в себя дисперсию выхода акселерометра на временном интервале.
28. Компьютерный программный продукт по п. 26, в котором:
информация от датчиков, используемая во втором наборе характеристик, включает в себя выход акселерометра для множества осей акселерометра многоосного акселерометра, имеющего по меньшей мере первую ось и вторую ось, и
второй набор характеристик включает в себя усредненное соотношение ускорения между двумя осями многоосного акселерометра.
29. Компьютерный программный продукт по п. 25, в котором:
первый алгоритм классификации содержит по меньшей мере один из алгоритмов: алгоритм максимального совместного правдоподобия или алгоритм максимальной маргинальной апостериорной вероятности, и
первый алгоритм классификации использует первый набор характеристик и первую функцию распределения вероятности.
30. Компьютерный программный продукт по п. 25, в котором:
второй алгоритм классификации содержит по меньшей мере один из алгоритмов: алгоритм максимального совместного правдоподобия или алгоритм максимальной маргинальной апостериорной вероятности, и
второй алгоритм классификации использует второй набор характеристик и вторую функцию распределения вероятности.
RU2013157930/08A 2011-05-27 2012-05-21 Способ и аппаратура для классификации множества состояний устройства RU2597524C2 (ru)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201161490999P 2011-05-27 2011-05-27
US61/490,999 2011-05-27
US13/244,170 2011-09-23
US13/244,170 US9195309B2 (en) 2011-05-27 2011-09-23 Method and apparatus for classifying multiple device states
PCT/US2012/038856 WO2012166416A1 (en) 2011-05-27 2012-05-21 Method and apparatus for classifying multiple device states

Publications (2)

Publication Number Publication Date
RU2013157930A true RU2013157930A (ru) 2015-07-10
RU2597524C2 RU2597524C2 (ru) 2016-09-10

Family

ID=47218885

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2013157930/08A RU2597524C2 (ru) 2011-05-27 2012-05-21 Способ и аппаратура для классификации множества состояний устройства

Country Status (9)

Country Link
US (1) US9195309B2 (ru)
EP (1) EP2715487B1 (ru)
JP (1) JP5893726B2 (ru)
KR (1) KR101580861B1 (ru)
CN (1) CN103597424B (ru)
BR (1) BR112013030271B1 (ru)
CA (1) CA2836104C (ru)
RU (1) RU2597524C2 (ru)
WO (1) WO2012166416A1 (ru)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9600169B2 (en) * 2012-02-27 2017-03-21 Yahoo! Inc. Customizable gestures for mobile devices
JP2016539673A (ja) * 2013-10-14 2016-12-22 ナイキ イノベイト シーブイ アスレチック運動属性からのペースとエネルギー消費量の計算
US9820233B2 (en) * 2013-11-25 2017-11-14 Qualcomm Incorporated Motion state based mobile device positioning
US20160034329A1 (en) * 2014-07-31 2016-02-04 Western Integrated Technologies, Inc. Correlation and prediction analysis of collected data
US9606529B2 (en) 2014-07-31 2017-03-28 Miq Llc User customization of auto-detected data for analysis
US11029328B2 (en) * 2015-01-07 2021-06-08 Qualcomm Incorporated Smartphone motion classifier
US9589287B2 (en) 2015-06-29 2017-03-07 Miq Llc User community generated analytics and marketplace data for modular systems
US9588504B2 (en) 2015-06-29 2017-03-07 Miq Llc Modular control system
US9622177B2 (en) 2015-08-06 2017-04-11 Qualcomm Incorporated Context aware system with multiple power consumption modes
US9630614B1 (en) 2016-01-28 2017-04-25 Miq Llc Modular power plants for machines
US11100314B2 (en) * 2017-11-10 2021-08-24 Alibaba Technologies (Israel) LTD. Device, system and method for improving motion estimation using a human motion model
CN115775341B (zh) * 2023-02-13 2023-05-09 广州海昇计算机科技有限公司 一种实验设备状态检测方法及***

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5059127A (en) * 1989-10-26 1991-10-22 Educational Testing Service Computerized mastery testing system, a computer administered variable length sequential testing system for making pass/fail decisions
US5561431A (en) * 1994-10-24 1996-10-01 Martin Marietta Corporation Wavelet transform implemented classification of sensor data
FR2807957B1 (fr) * 2000-04-21 2002-08-02 Vai Clecim Procede et installation de laminage a froid
US7030856B2 (en) * 2002-10-15 2006-04-18 Sony Corporation Method and system for controlling a display device
US7154477B1 (en) * 2003-09-03 2006-12-26 Apple Computer, Inc. Hybrid low power computer mouse
US7209116B2 (en) * 2003-10-08 2007-04-24 Universal Electronics Inc. Control device having integrated mouse and remote control capabilities
KR100580647B1 (ko) 2004-04-01 2006-05-16 삼성전자주식회사 입력모드 분류가능한 동작기반 입력장치 및 방법
US20060074883A1 (en) * 2004-10-05 2006-04-06 Microsoft Corporation Systems, methods, and interfaces for providing personalized search and information access
CN101151508B (zh) * 2005-03-28 2012-01-04 旭化成电子材料元件株式会社 行进方向计测装置和行进方向计测方法
US7366568B2 (en) 2005-05-06 2008-04-29 Cardiac Pacemakers, Inc. Controlled delivery of intermittent stress augmentation pacing for cardioprotective effect
US8472985B2 (en) 2005-09-21 2013-06-25 Buckyball Mobile, Inc Incentive marketing with a context-enriched message
KR100800874B1 (ko) 2006-10-31 2008-02-04 삼성전자주식회사 보폭 추정 방법 및 이를 위한 휴대 단말
US8462109B2 (en) 2007-01-05 2013-06-11 Invensense, Inc. Controlling and accessing content using motion processing on mobile devices
CN101299276B (zh) * 2007-04-20 2012-08-29 Utc消防和保安美国有限公司 分布式多目标跟踪的方法和***
JP2008299524A (ja) 2007-05-30 2008-12-11 Fuji Xerox Co Ltd 情報分類装置及びプログラム
WO2009043020A2 (en) 2007-09-28 2009-04-02 The Trustees Of Dartmouth College System and method for injecting sensed presence into social networking applications
GB0801396D0 (en) 2008-01-25 2008-03-05 Bisutti Giovanni Electronic apparatus
KR101734450B1 (ko) * 2008-11-10 2017-05-11 구글 인코포레이티드 멀티센서 음성 검출
SG177152A1 (en) 2009-06-16 2012-01-30 Intel Corp Camera applications in a handheld device
CN101996266B (zh) * 2009-08-21 2013-10-16 复旦大学 一种建立集成电路芯片内工艺偏差的空间相关性模型的方法
JP5440080B2 (ja) * 2009-10-02 2014-03-12 ソニー株式会社 行動パターン解析システム、携帯端末、行動パターン解析方法、及びプログラム

Also Published As

Publication number Publication date
EP2715487A1 (en) 2014-04-09
BR112013030271B1 (pt) 2021-05-04
EP2715487B1 (en) 2020-03-18
CA2836104A1 (en) 2012-12-06
US9195309B2 (en) 2015-11-24
WO2012166416A1 (en) 2012-12-06
KR101580861B1 (ko) 2015-12-30
JP2014519753A (ja) 2014-08-14
US20120299828A1 (en) 2012-11-29
BR112013030271A2 (pt) 2016-11-29
CN103597424A (zh) 2014-02-19
CA2836104C (en) 2017-04-11
JP5893726B2 (ja) 2016-03-23
RU2597524C2 (ru) 2016-09-10
CN103597424B (zh) 2016-10-05
KR20140015594A (ko) 2014-02-06

Similar Documents

Publication Publication Date Title
RU2013157930A (ru) Способ и аппаратура для классификации множества состояний устройства
US11611621B2 (en) Event detection system
US11847911B2 (en) Object-model based event detection system
US11494921B2 (en) Machine-learned model based event detection
Vavoulas et al. The mobiact dataset: Recognition of activities of daily living using smartphones
RU2017107465A (ru) Классификация сенсорного ввода как непреднамеренного или намеренного
JP2017516181A5 (ru)
WO2014004524A3 (en) Notification classification and display
US20190385073A1 (en) Visual recognition via light weight neural network
JP6416962B2 (ja) 掴み検出の較正
GB2588013A (en) Operation of a vehicle using multiple motion constraints
JP5936748B1 (ja) 情報処理システム、サーバ及びプログラム、並びに端末及びプログラム
CN106331254B (zh) 一种移动终端跌落的保护处理方法及装置
RU2015144129A (ru) Промежуточное выделение сигнала перемещения для определения активности
CN109086791A (zh) 一种二分类器的训练方法、装置、及计算机设备
Ganesan et al. Robust malware detection using residual attention network
CN107077316A (zh) 基于功率和感测的分布式语音输入处理
JP2015512082A5 (ru)
JP2016529780A (ja) マルチセンサ手検出
CN117576535B (zh) 一种图像识别方法、装置、设备以及存储介质
JP5978687B2 (ja) 移動状況判定プログラム及び移動状況判定装置
Stojanović et al. Sensor data fusion and big mobility data analytics for activity recognition
Miyamoto et al. Human activity recognition system including smartphone position
CN109472735B (zh) 实现织物疵点检测神经网络的加速器、方法和加速***
JP5956102B1 (ja) モバイル・デバイス電極の分離

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20190522