用于活动分类的设备、系统、方法和计算机可读介质技术方案

提供了一种或更多种用于活动分类的设备、系统、方法和计算机可读介质。在示例中，方法包括：由设备接收来自运动传感器的输入运动数据；由设备基于输入运动数据生成输入嵌入向量；由设备基于输入嵌入向量生成预测嵌入向量；由设备基于预测嵌入向量分配活动分类；以及基于活动分类修改设备的操作参数。及基于活动分类修改设备的操作参数。及基于活动分类修改设备的操作参数。

【技术实现步骤摘要】
用于活动分类的设备、系统、方法和计算机可读介质


[0001]本专利技术涉及用于活动分类的设备、系统、方法和计算机可读介质。

技术介绍

[0002]人类活动分类涉及使用由个人携带的设备来检测运动数据，并基于运动数据确定用户参与的活动。活动分类可以用于设备模式控制、自动化控制、安全监测或其他应用。

技术实现思路

[0003]提供该
技术实现思路
是为了以简化的形式介绍一系列构思，这些构思将在以下的详细描述中进一步描述。本
技术实现思路
不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。
[0004]在本文提出的技术的实施方式中，提供了一种系统。该系统包括用于从运动传感器接收输入运动数据的装置；用于基于输入运动数据生成输入嵌入向量的装置；用于基于输入嵌入向量生成预测嵌入向量的装置；用于基于预测嵌入向量分配活动分类的装置；以及用于基于活动分类修改设备的操作参数的装置。
[0005]在本文提出的技术的实施方式中，提供了一种设备。该设备包括运动传感器，其被配置成生成输入运动数据；以及处理器，其被配置成执行指令以促进执行操作，操作包括：基于输入运动数据生成输入嵌入向量；基于输入嵌入向量生成预测嵌入向量；基于预测嵌入向量分配活动分类；以及基于活动分类修改设备的操作参数。
[0006]在本文提出的技术的实施方式中，操作包括：对输入运动数据进行滤波以生成经滤波的运动数据；将经滤波的运动数据采样至预定长度的窗口中；以及基于窗口生成输入嵌入向量。
[0007]在本文提出的技术的实施方式中，提供了一种非暂态计算机可读介质。该非暂态计算机可读介质存储有指令，指令在被执行时促进执行操作，操作包括：从运动传感器接收输入运动数据；基于输入运动数据生成输入嵌入向量；基于输入嵌入向量生成预测嵌入向量；基于预测嵌入向量分配活动分类；以及基于活动分类修改设备的操作参数。
[0008]在本文提出的技术的实施方式中，提供了一种系统。该系统包括用于从运动传感器接收输入运动数据的装置；用于基于输入运动数据生成输入嵌入向量的装置；用于基于输入嵌入向量生成预测嵌入向量的装置；用于基于预测嵌入向量分配活动分类的装置；以及用于基于活动分类修改设备的操作参数的装置。
[0009]在本文提出的技术的实施方式中，提供了一种设备。该设备包括运动传感器，其被配置成生成输入运动数据；以及处理器，其被配置成执行指令以促进执行操作，操作包括：基于输入运动数据生成输入嵌入向量；基于输入嵌入向量生成预测嵌入向量；基于预测嵌入向量分配活动分类；以及基于活动分类修改设备的操作参数。
[0010]在本文提出的技术的实施方式中，操作包括：对输入运动数据进行滤波以生成经滤波的运动数据；将经滤波的运动数据采样至预定长度的窗口中；以及基于窗口生成输入
嵌入向量。
[0011]在本文提出的技术的实施方式中，提供了一种非暂态计算机可读介质。该非暂态计算机可读介质存储有指令，指令在被执行时促进执行操作，操作包括：从运动传感器接收输入运动数据；基于输入运动数据生成输入嵌入向量；基于输入嵌入向量生成预测嵌入向量；基于预测嵌入向量分配活动分类；以及基于活动分类修改设备的操作参数。
[0012]为了实现前述目的和相关目的，以下描述和附图阐述了某些说明性方面和实现方式。这些说明性方面和实现方式仅指示可以采用一个或更多个方面的各种方式中的若干种方式。当结合附图考虑时，根据以下详细描述，本公开内容的其他方面、优点和新颖特征将变得明显。
附图说明
[0013]图1是示出根据一些实施方式的用于活动分类的示例系统的图。
[0014]图2是根据一些实施方式的处理单元的图。
[0015]图3是示出根据一些实施方式的用于训练嵌入模型和活动分类模型的示例方法的流程图。
[0016]图4是示出根据一些实施方式的用于对活动进行分类的方法的图。
[0017]图5示出了根据一些实施方式的计算机可读介质的示例性实施方式。
具体实施方式
[0018]现在参照附图描述所要求保护的主题，在附图中，相似的附图标记始终用于指代相似的元件。在以下描述中，出于说明的目的，阐述了大量具体细节以便提供对所要求保护的主题的透彻理解。然而，可以明显的是，可以在没有这些具体细节的情况下实践所要求保护的主题。在其他情况下，以框图形式示出了公知的结构和设备，以便于促进描述所要求保护的主题。
[0019]应当理解的是，实施方式的以下描述不应被视为限制性的。本专利技术的范围并不旨在受限于仅被视为说明性的下文描述的实施方式或附图。附图应被认为是示意性表示，并且附图中示出的元件不必按比例示出。相反，各种元件被表示成使得它们的功能和通用目的对于本领域技术人员而言变得明显。
[0020]本文的详细描述和权利要求中的所有数值均由“约”或“大约”指示值修饰，并且考虑本领域普通技术人员将预期的实验误差和变化。
[0021]人类活动分类应用于公共卫生、个人监视、智能家居、老年人监测和人机交互系统。主动地感测用户的活动可以实现设备的智能自动控制，以节省智能家居中的能量需求，诸如加热、通风和空调以及照明。根据一些实施方式，采用特征学习来解决开放集识别，其中，所执行的活动不需要属于先前在用于训练运动分类器的训练集中遇到的活动。分类准确性是用于运动分类系统的功效的度量。然而，标识或拒绝未知活动也是有用的。
[0022]在一些实施方式中，使用利用卡尔曼(Kalman)滤波器的贝叶斯(Bayesian)推理框架来跟踪和区分不同人类活动。使用四元组损失(quadruplet loss)技术来训练使用深度表示学习的嵌入模型，其中，嵌入模型学习将输入传感器时间序列数据投影至嵌入向量中。来自相似活动的潜在空间数据被分组在一起，而不相似的活动相隔很远。在一些实施方式
中，四元组变分自动编码器(VAE)用于提供均值嵌入向量及其协方差。使用重新参数化技术，VAE解码器学习重构所有四个编码器的去噪输入示例。在均值嵌入向量上实现四元组损失。一旦经过训练，在推理期间，来自学习的模型的嵌入向量被馈送至跟踪器中，该跟踪器使用恒定速度随时间跟踪嵌入向量。在一些实施方式中，应用分类门控(classification gating)来处理根据一次性输入数据(one off input data)的伪预测。分类器单元，诸如线性分类器，对所跟踪的嵌入向量进行操作，用于使用距离阈值技术来预测和拒绝未知类。贝叶斯推理框架提供了改进的活动分类准确性、在潜在空间中紧密结合的已知的活动集群以及改进的对未知活动类的拒绝。活动分类系统能够处理对于实际活动识别方案而言重要的上述传感器伪影和环境不确定性。
[0023]图1是示出根据一些实施方式的活动分类器100的图。活动分类器100包括：运动传感器102，其被配置成生成运动数据；预处理单元104，其被配置成对运动数据进行滤波和采样；编码器106，其被配置成将运动数据投影至嵌入向量中；分类门控单元108，其被配置成丢弃离群嵌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：由设备接收来自运动传感器的输入运动数据；由所述设备基于所述输入运动数据生成输入嵌入向量；由所述设备基于所述输入嵌入向量生成预测嵌入向量；由所述设备基于所述预测嵌入向量分配活动分类；以及基于所述活动分类修改所述设备的操作参数。2.根据权利要求1所述的方法，包括：对所述输入运动数据进行滤波以生成经滤波的运动数据；将所述经滤波的运动数据采样至预定长度的窗口中；以及基于所述窗口生成所述输入嵌入向量。3.根据权利要求1所述的方法，包括：基于所述预测嵌入向量的先前值与所述输入嵌入向量之间的距离来拒绝所述输入嵌入向量。4.根据权利要求1所述的方法，其中，生成所述输入嵌入向量包括：使用嵌入模型生成所述输入嵌入向量，生成所述输入嵌入向量的均值分量和所述输入嵌入向量的方差分量。5.根据权利要求1所述的方法，其中，生成所述输入嵌入向量包括：使用四元组损失技术训练嵌入模型；以及使用所述嵌入模型生成所述输入嵌入向量。6.根据权利要求1所述的方法，其中，生成所述预测嵌入向量包括：使用卡尔曼滤波器生成所述预测嵌入向量。7.根据权利要求1所述的方法，其中，分配所述活动分类包括：使用k
‑
最近邻模型分配所述活动分类。8.根据权利要求1所述的方法，其中，接收所述输入运动数据包括：接收加速度计数据、陀螺仪数据或磁力计数据中的至少一种。9.一种设备，包括：运动传感器，所述运动传感器被配置成生成输入运动数据；以及处理器，所述处理器被配置成执行指令以促进执行操作，所述操作包括：基于所述输入运动数据生成输入嵌入向量；基于所述输入嵌入向量生成预测嵌入向量；基于所述预测嵌入向量分配活动分类；以及基于所述活动分类修改所述设备的操作参数。10.根据权利要求9所述的设备，其中，所述操作包括：对所述输入运动数据进行滤波以生成经滤波的运动数据；将所述经滤波的运动数据采样至预定长度的窗口中；以及基于所述窗...

【专利技术属性】
技术研发人员：尼尔，
申请(专利权)人：赛普拉斯半导体公司，
类型：发明
国别省市：