利用智能手环和智能手机捕捉使用者意图的方法

1.利用智能手机和智能手环捕捉使用者意图的方法，其特征在于，包括：
(1)特征动作模型训练步骤：
(1.1)将手环与电脑连接，将手机平放，使用者按使用习惯拿取手机到日常使用位置，记录拿取过程中手环重力传感器数据，将获取的数据保存在电脑端,传感器以100hz频率刷新数据，反复进行拿取手机动作并保存数据，以获取特征动作数据；
(1.2)将获取的特征手势数据截取为相同长度，并存储到二维矩阵G＝{g1,...,gΛ,...,gT}中，其中gΛ代表第Λ次拿取动作获取的数据，Λ∈[1,T]，T代表拿取手机动作的总次数；
(1.3)创建具有m个输入单元的输入层，n个隐藏单元的隐藏层，p个输出单元的输出层三层反向传播神经网络,并将二维矩阵G输入到该神经网络中进行训练，得到特征动作模型W；
(2)智能手机控制：
(2.1)将特征动作模型W安装在手机上，并将手环与手机通过蓝牙连接；
(2.2)手环监听重力传感器，当佩戴手环的手出现特征拿取动作时，手环开始记录重力传感器数据直至获取到m个数据,将该m个数据通过蓝牙传送给手机并输入到特征动作模型W的输入层中进行计算，获取输出层的输出矩阵：R＝(y1,...,yk,...,yp)，其中yk表示输出层第k个输出单元的输出；
(2.3)计算手环运动手势特征相似系数 其中p为输出层单元的个数；
(2.4)计算手机加速度： 其中Δa，Δb，Δc为手机加速度传
感器在空间直角坐标系上分量在时间间隔t内的增量，t为手机两次获取加速度传感器数据的时间间隔；
(2.4)根据实验设运动手势特征相似系数阈值q1＝0.75，设手机加速度阈值q2＝120，当满足λ＞q1，h＞q2，且手机为熄屏状态时，点亮屏幕。
2.根据权利要求1所述的利用智能手机和智能手环捕捉使用者意图的方法，其中步骤(1.3)中创建三层反向传播神经网络，按如下步骤进行：
首先，设输入层的输入单元个数m＝128，隐藏层的隐藏单元个数n＝16，输出层的输出单元个数p＝4，
其次，设输入层到隐藏层以及隐藏层到输出层的各单元之间初始连接权值为ω，初始化ω为大于-0.05小于0.05的随机浮点数，
最后，将输入层的所有单元与隐藏层的每一个单元以连接权值ω连接，将隐藏层的所有单元与输出层的每一个单元以连接权值ω连接，得到三层反向传播神经网络。
3.根据权利要求1所述的利用智能手机和智能手环捕捉使用者意图的方法，其中步骤(1.3)对神经网络的训练，按如下步骤进行：
1.3a)设定三层反向传播神经网络的学习因子η＝0.5和期望输出值f＝[1,1,1,1]，设定误差精度ε＝0.5，设定输入层到隐藏层以及隐藏层到输出层的各单元之间初始连接权值为ω，初始化ω为大于-0.05小于0.05的随机浮点数；
1.3b)将二维矩阵G中每次拿取动作的数据与网络输入层的每个节点相对应后作为该神经网络的输入值s，使输入值s沿网络正向传播，根据连接权值ω和输入值s求得输出层节点的实际输出值r；
1.3c)根据实际输出值r与期望输出值f求得误差值α，若α≤ε，结束训练，否则进入
1.3d)；
1.3d)使误差值α沿网络反向传播，根据梯度下降法求得误差值α的梯度下降值β；
1.3e)用学习因子η乘以误差值的梯度下降值β得到连接权值的ω变化量Δω，用连接权值ω加上连接权值的变化量Δω，得到更新后的连接权值，返回1.3b)。

利用智能手环和智能手机捕捉使用者意图的方法\n技术领域\n[0001] 本发明属于通信技术领域，特别涉及一种利用智能设备捕捉使用者意图的方法，可用于各种智能手机。\n背景技术\n[0002] 从2001年第一款智能手机发布后，智能手机经历了很大的变换，开放性的操作系统，强大的互联网无线接入能力无不从根本上改变了人们的生活习惯。\n[0003] 而2012年，谷歌眼镜的亮相，直接引发了“智能可穿戴设备元年”的到来。凭借着可穿戴设备的便携性和强大的数据获取和交互能力，可穿戴设备正引发新一轮的技术革命。\n智能手环作为可穿戴设备中使用最方便最广泛的可穿戴设备，提供了心率测试、测量距离、计步器、睡眠监测、防水、蓝牙传输等功能。另外由于智能手环还可以与智能手机配套使用，还可以实现一些特殊功能，比如小米手环可以实现无密码解锁等。\n[0004] 但是，无论是智能手机还是智能手环，它们都不能主动地识别人的意图，当人们想使用手机时，它永远不会因为你想使用手机而自动点亮屏幕。而可穿戴设备中内置的传感器，它能捕捉到你非常微小的动作变化，但是它永远识别不到动作的含义。而神经网络作为模式识别和智能控制领域的优秀方法，可以通过训练动作模型从而识别人的意图，从而使手机能够主动地识别意图而不是被动的等待操作。\n发明内容\n[0005] 本发明的目的在于针对上述提出的问题，提出一种将运动手环获取的数据输入到BP神经网络中进行训练得到不同运动状态的识别模型进而控制智能手机从而减少使用者主动操作和减少手机物理磨损。\n[0006] 本发明的技术方案是这样实现的：\n[0007] 一.技术原理\n[0008] 神经网络作为机器学习的一门重要技术，自其以模拟人类实际神经网络的数学方法问世以来，在模式识别，智能控制等领域取得了巨大的成功。神经网络模型的网络拓扑结构，节点特点和学习规则决定了它高度鲁棒性和容错能力，并且能充分逼近复杂的非线性关系。\n[0009] 神经网络通常是通过一个基于数学统计学类型的学习方法得以优化，所以神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法能够得到大量的可以用函数来表达的局部结构空间。\n[0010] 网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。\n[0011] 本发明是通过神经网络学习获取特征运动手势模型，并将学习到的特征运动手势模型通过手机App的形式安装到智能手机中，当佩戴运动手环的手出现动作时，传感器开始获取数据，并将获取到的数据通过蓝牙传送给手机，通过计算模型来识别该运动手势是否符合训练的特征动作，进而判断使用者意图。当该动作符合特征动作时，判断使用者有使用手机的意图，并点亮手机屏幕。使用神经网络并联合智能手环、智能手机共同捕捉使用者意图的方法。\n[0012] 二.技术方案\n[0013] 根据上述原理，本发明的技术方案包括如下：\n[0014] (1)特征动作模型训练步骤：\n[0015] (1.1)将手环与电脑连接，将手机平放，使用者按使用习惯拿取手机到日常使用位置，记录拿取过程中手环重力传感器数据，将获取的数据保存在电脑端，传感器以100hz频率刷新数据，反复进行拿取手机动作并保存数据，以获取特征手势数据；\n[0016] (1.2)将获取的特征手势数据截取为相同长度，并存储到二维矩阵G＝{g1,...,gt,...,gT}中，gt其中代表第t次拿取动作获取的数据，t∈[1,T]，T代表拿取手机动作的总次数；\n[0017] (1.3)创建具有m个输入单元的输入层，n个隐藏单元的隐藏层，p个输出单元的输出层三层反向传播神经网络,并将二维矩阵G输入到该神经网络中进行训练，得到特征动作模型W；\n[0018] (2)智能手机控制：\n[0019] (2.1)将特征动作模型W安装在手机上，并将手环与手机通过蓝牙连接；\n[0020] (2.2)当佩戴手环的手出现特征拿取动作时，手环开始记录重力传感器数据直至获取到m个数据,将该m个数据通过蓝牙传送给手机并输入到特征动作模型W的输入层中进行计算，获取输出层的输出矩阵：R＝(y1,...,yk,...,yp)，其中yk表示输出层第k个输出单元的输出；\n[0021] (2.3)计算手环运动手势特征相似系数 其中p为输出层单元的个数；\n[0022] (2.4)计算手机加速度： 其中Δa，Δb，Δc为手机加\n速度传感器在空间直角坐标系上分量在时间间隔t内的增量，t为手机两次获取加速度传感器数据的时间间隔；\n[0023] (2.4)根据实验设运动手势特征相似系数阈值q1＝0.75，设手机加速度阈值q2＝\n120，当满足α＞q1，h＞q2，且手机为熄屏状态时，点亮屏幕。\n[0024] 本发明具有如下优点：\n[0025] 第一，增加了智能手机的功能。\n[0026] 本发明通过应用神经网络来学习使用者日常使用手机时的特征拿取动作,以此获取特征动作模型,根据特征动作模型来识别使用者是否有使用手机的意图，当拿取手机动作不符合使用者日常使用手机的拿取动作时，表示使用者只是拿取手机并不想使用手机，手机不点亮屏幕，当使用者拿取手机的动作符合日常使用手机的拿取动作时，表示使用者拿去手机并想使用手机，如果手机屏幕为熄灭状态时，手机自动点亮屏幕，由此，使得智能手机从不能主动识别使用者的使用意图变得能主动识别使用者的使用意图，增加了智能手机的功能。\n[0027] 第二，减少手机物理键磨损\n[0028] 本发明当使用者想使用手机时，使用者只需按习惯将手机拿到日常使用位置，不需要点击物理键来激活屏幕，手机能自动识别使用意图并点亮屏幕，从而减少了手机物理键的磨损，给日常生活带来了方便。\n附图说明\n[0029] 图1为本发明的实现流程图；\n[0030] 图2为本发明中特征动作模型训练子流程图。\n[0031] 图3为本发明中神经网络训练子流程图\n具体实施方式\n[0032] 下面结合实施例及附图，对本发明进行进一步详细的描述，但本发明的实施方式不限于此。\n[0033] 本实验使用的智能手机为搭载安卓4.4.4操作系统的智能手机和手环为搭载安卓\n4.4.4操作系统的智能手环，在Intel(R)Core(TM)2Duo CPU 2.3GHz win7系统下的eclipse4.2.0平台上完成。\n[0034] 参照图1，本发明的实现步骤如下：\n[0035] 步骤1，获取特征动作模型W\n[0036] 参照图2，本步骤的实现如下：\n[0037] 1a)获取特征动作数据\n[0038] 将手环与电脑连接，将手机平放，使用者按使用习惯拿取手机到日常使用位置，记录拿取过程中手环重力传感器数据，将获取的数据保存在电脑端,传感器以100hz频率刷新数据，反复进行20次拿取手机动作并保存数据，获取20组特征动作数据；\n[0039] 1b)对特征动作进行数据处理\n[0040] 将获取的20组特征手势数据每组截取前128个，将截取后的数据保存在大小为20*\n128的二维矩阵G中；\n[0041] 1c)训练特征动作模型\n[0042] 参照图3，本实例按如下步骤进行特征动作模型训练：\n[0043] 1c1)创建一个具有128个输入单元的输入层，16个隐藏单元的隐藏层，4个输出单元的输出层三层反向传播神经网络,设定三层反向传播神经网络的学习因子η＝0.5和期望输出值f＝[1,1,1,1]，设定误差精度ε＝0.5，设定输入层到隐藏层以及隐藏层到输出层的各单元之间初始连接权值为ω，初始化ω为大于-0.05小于0.05的随机浮点数；\n[0044] 1c2)将二维矩阵G中每次拿取动作的数据与网络输入层的每个节点相对应后作为该神经网络的输入值s，使输入值s沿网络正向传播，根据连接权值ω和输入值s求得输出层节点的实际输出值r；\n[0045] 1c3)根据实际输出值r与期望输出值f求得误差值α，若α≤ε，结束训练，获取特征动作模型W，否则返回1c2)；\n[0046] 1c4)使误差值α沿网络反向传播，根据梯度下降法求得误差值α的梯度下降值β；\n[0047] 1c5)用学习因子η乘以误差值的梯度下降值β得到连接权值ω的变化量Δω，用连接权值ω加上连接权值的变化量Δω得到更新后的连接权值，返回1c2)。\n[0048] 步骤2，通过蓝牙配对手机和手环，即打开手机蓝牙和手环蓝牙，进行蓝牙配对。\n[0049] 步骤3，手环通过后台服务，使手环在后台监听重力传感器。\n[0050] 步骤4，记录手环数据：当佩戴手环的手出现拿取手机的动作时，手环开始记录重力传感器数据直至获取到128个数据；\n[0051] 步骤5，计算特征动作模型W输出矩阵\n[0052] 将特征动作模型W存储在手机中，将步骤4获取的128个数据通过蓝牙传送给手机，并将这128个数据输入到特征动作模型W的输入层中进行计算，得到特征动作模型输出层的输出矩阵：P＝[y1,y2,y3,y4]，其中y1,y2,y3,y4对应特征动作模型输出层4个输出单元的输出；\n[0053] 步骤6,计算手环运动手势特征相似系数。\n[0054] 根据输出矩阵P计算手环运动手势特征相似系数： 根据实\n验，设运动手势特征相似系数阈值q1＝0.75，将运动手势特征相似系数λ与q1比较大小：\n[0055] 如果λ＜q1表示使用者拿取过程不符合日常使用手机的拿取动作过程，则返回步骤3，\n[0056] 如果λ≥q1，则进入步骤7。\n[0057] 步骤7，计算手机加速度：\n[0058] 根据手机加速度传感器获取的数据计算手机加速度：\n[0059] 其中，Δa为手机屏幕水平方向上加速度传感器在时间t内的增量，[0060] Δb为手机屏幕竖直方向上加速度传感器在时间t内的增量，\n[0061] Δc为垂直手机屏幕方向上加速度传感器在时间t内的增量。\n[0062] 步骤8，点亮屏幕\n[0063] 根据实验，设手机加速度阈值q2＝120，将步骤7计算所得的手机加速度h与q2比较大小：\n[0064] 如果手机加速度h＜q2，表示使用者并未将手机拿取到日常的使用位置，则返回步骤3，\n[0065] 如果手机加速度h≥q2，则点亮屏幕。\n[0066] 以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。