相關申請

本申請要求2015年2月26日提交的62/121,104號美國申請的權益和優(yōu)先權，并且還是2015年6月24日提交的14/749,118號美國申請的部分繼續(xù)申請，兩個申請的內容在法律下可允許的最大程度上均通過引用結合在此。

本披露涉及電子設備領域，并且更具體地涉及一種用于使用單傳感器的數據和/或多傳感器數據融合基于移動設備的使用者的運動活動、語音活動、和空間環(huán)境來確定該使用者的情境的框架。

背景技術：

移動設備和可穿戴設備(如智能電話、平板計算機、智能手表、和活動跟蹤器)越來越多地攜帶可以單獨或聯(lián)合地用于檢測使用者的情境(如使用者的運動活動、使用者的或關于其的語音活動、和使用者的空間環(huán)境)的一個或多個傳感器，如加速度計、陀螺儀、磁強計、氣壓計、傳聲器、和gps接收器。之前對運動活動的研究工作已經考慮了使用者的基本運動活動的分類，如步行、慢跑、和騎自行車。語音檢測使用傳聲器記錄來從存在背景噪聲的靜默中檢測人類話語并且用于多種應用中，如音頻會議、可變速率語音編解碼器、語音識別、和回音消除。一直以來調查研究從音頻記錄中檢測移動設備使用者的空間環(huán)境以便確定使用者的環(huán)境分類，如在辦公室、在街上、在體育場、在海灘等。

在大多數情境檢測任務中，使用來自一個傳感器的數據。加速度計通常用于運動活動檢測，而傳聲器用于語音活動檢測和空間環(huán)境檢測。

這些現有技術檢測方法提供確定性輸出，該確定性輸出呈從如上所述的運動活動或聲環(huán)境的一組特定類中檢測的類的形式。然而，使用這類現有技術的技術確定使用者的情境可能沒有理想上所期望的那么準確，并且而且，不允許關于使用者的情境的更復雜的確定。因此，需要這個領域的進一步發(fā)展。

技術實現要素：

提供本概述以引入在以下詳細描述中進一步描述的一系列概念。本概述并不旨在標識所要求保護的主題的關鍵或必要特征，也不旨在用于幫助限制所要求保護的主題的范圍。

本文中所描述的一種電子設備包括具有至少一個傳感器、用于采集感測數據的感測單元。相關聯(lián)的計算設備從該感測數據提取多個傳感器特定特征，并且根據這些傳感器特定特征生成運動活動向量、語音活動向量、和空間環(huán)境向量。處理該運動活動向量、該語音活動向量、和該空間環(huán)境向量以便確定該電子設備相對于其周圍環(huán)境的基本級情境，其中，該基本級情境具有多個方面，每個方面基于該運動活動向量、該語音活動向量、和該空間環(huán)境向量。根據該基本級情境確定該電子設備相對于其周圍環(huán)境的元級情境，其中，該元級情境是從該基本級情境的該多個方面中的至少兩個方面做出的至少一個推論。

另一個方面涉及一種電子設備，該電子設備包括印刷電路板(pcb)和片上系統(tǒng)(soc)，該pcb上具有至少一條導電跡線，該soc安裝在該pcb上并且電耦接至該至少一條導電跡線。傳感器芯片與該soc成間隔開關系地安裝在該pcb上并且電耦接至該至少一條導電跡線，這樣使得該傳感器芯片和該soc電耦接。該傳感器芯片被配置成用于采集感測數據。

該傳感器芯片可以包括微機電系統(tǒng)(mems)感測單元和嵌入式處理節(jié)點。該嵌入式處理節(jié)點可以被配置成用于預處理該感測數據、從該感測數據提取多個傳感器特定特征、并且根據這些傳感器特定特征生成運動活動后驗概率、語音活動后驗概率、和空間環(huán)境后驗概率。該嵌入式處理節(jié)點可以進一步處理該運動活動后驗概率、該語音活動后驗概率、和該空間環(huán)境后驗概率以便確定該電子設備相對于其周圍環(huán)境的基本級情境，該基本級情境具有多個方面，每個方面基于該運動活動后驗概率、該語音活動后驗概率、和該空間環(huán)境后驗概率。該處理節(jié)點還可以根據該基本級情境確定該電子設備相對于其周圍環(huán)境的元級情境，其中，該元級情境是從該基本級情境的該多個方面中的至少兩個方面做出的至少一個推論。

一個方法方面包括從感測單元采集感測數據、使用計算設備從該感測數據提取多個傳感器特定特征、并且使用該計算設備根據這些傳感器特定特征生成運動活動向量、語音活動向量、和空間環(huán)境向量。該方法繼續(xù)使用該計算設備處理該運動活動向量、該語音活動向量、和該空間環(huán)境向量以便確定該電子設備相對于其周圍環(huán)境的基本級情境，該基本級情境具有多個方面，每個方面基于該運動活動向量、該語音活動向量、和該空間環(huán)境向量。根據該基本級情境可以確定該電子設備相對于其周圍環(huán)境的元級情境，其中，該元級情境是從該基本級情境的該多個方面中的至少兩個方面做出的至少一個推論。

附圖說明

圖1是根據本披露的電子設備的框圖，該電子設備被配置成用于確定該電子設備的使用者的情境感知。

圖2是用于獲得圖1的電子設備的使用者的情境感知的基本級表示的概率的后驗估計的方法的流程圖。

圖3示出了如圖1的電子設備確定的移動設備使用者的情境感知(就關于被分組成三個獨立向量的活動、語音、和環(huán)境類的信息而言)的基本級表示和從這條消息推斷的元級情境感知。

圖4描繪了根據圖3的運動活動向量生成的運動活動后驗概率。

圖5描繪了根據圖3的語音活動向量生成的語音活動后驗概率。

圖6是使用被分類為步行的活動的加速度計數據生成的運動活動后驗概率的時間演進曲線圖。

圖7是使用被分類為上樓梯的活動的加速度計生成的運動活動后驗概率的時間演進曲線圖。

圖8示出了來自用于確定概率性情境感知的多個傳感器的數據融合的兩種方法。

圖9是使用被分類為步行的活動的加速度計和壓力傳感器數據的融合生成的運動活動后驗概率的時間演進曲線圖。

圖10是使用被分類為上樓梯的活動的加速度計和壓力傳感器數據的融合生成的運動活動后驗概率的時間演進曲線圖。

圖11列出了使用概率性運動活動后驗概率輸出針對運動活動類獲得的混淆矩陣，該概率性運動活動后驗概率輸出是使用從加速度計和氣壓計數據獲得的特征來生成的。

圖12是使用運動活動后驗概率、語音活動后驗概率和空間環(huán)境后驗概率的元級情境感知的嵌入式應用開發(fā)方法的框圖。

圖13示出了計算運動活動后驗概率并顯示其時間演進的智能電話應用的兩個屏幕截圖。

具體實施方式

在以下描述中，闡述了許多細節(jié)以便提供對本披露的理解。然而，本領域的技術人員將理解到，可以在沒有這些細節(jié)的情況下實踐本披露的實施例并且所描述的實施例的許多變化或修改也許是可以的。

如本文中將詳細描述的，本披露涉及一種用于使用單傳感器數據和多傳感器數據融合來確定呈運動活動、語音活動和空間環(huán)境形式的移動設備使用者情境的算法框架。具體而言，該算法框架通過異類傳感器測量來提供關于運動活動、語音活動、和空間環(huán)境的概率性信息，這些傳感器測量可以包括來自嵌入在移動設備上的加速度計、氣壓計、陀螺儀、和傳聲器(但不限于這些傳感器)的數據。該計算架構允許以許多方式組合概率性輸出以便推斷關于移動設備使用者的元級情境感知信息。

首先參照圖1，現在描述電子設備100。電子設備100可以是智能電話、平板計算機、智能手表、活動跟蹤器、或其他可穿戴設備。電子設備100包括其上安裝有各種部件的印刷電路板(pcb)99。印刷在pcb99上的導電跡線97用于以期望的方式電耦接這些各種部件。

片上系統(tǒng)(soc)150安裝在pcb99上，該soc包括耦接至圖形處理單元(gpu)154上的中央處理單元(cpu)152。存儲器塊140、可選收發(fā)器160、和觸敏式顯示器130耦接至soc150，soc150可以經由該可選收發(fā)器通過互聯(lián)網與遠程服務器進行無線通信，soc150可以經由該觸敏式顯示器顯示輸出和接收輸入。傳感器單元110耦接至soc150，該傳感器單元包括三軸加速度計111、傳聲器112、氣壓計113、三軸陀螺儀114、wifi115收發(fā)器、gps接收器116、光傳感器117、磁強計118、和接近度傳感器119，該三軸加速度計用于確定電子設備100經歷的加速度，該傳聲器用于檢測環(huán)境中的可聽噪聲，該氣壓計用于確定環(huán)境中的大氣壓(并且因此，指示電子設備100的海拔)，該三軸陀螺儀用于確定電子設備100相對于環(huán)境的角速率和因此取向(翻滾、俯仰或橫擺)，soc150可以經由該wifi收發(fā)器通過互聯(lián)網與遠程服務器通信，soc150可以經由該gps接收器確定電子設備100的地理空間位置，該光傳感器用于確定電子設備100所位于的環(huán)境中的環(huán)境光的水平，該磁強計用于確定環(huán)境中的磁場強度并且由此確定電子設備100的取向，該接近度傳感器用于確定使用者相對于電子設備100的接近度。

傳感器單元110是可配置的并且與soc150間隔開地安裝在pcb99上，并且其各種傳感器通過導電跡線97耦接至soc。傳感器單元110的一些傳感器可以形成mems感測單元105，該感測單元可以包括能夠被實現在mems中的任何傳感器，如加速度計111和陀螺儀114。

傳感器單元110可以由離散部件和/或集成部件和/或離散部件與集成部件的組合形成，并且可以形成為封裝體。應理解的是，顯示作為傳感器單元110的一部分的傳感器各自是可選的，并且可以使用所示傳感器中的一些傳感器，并且可以省略所示傳感器中的一些傳感器。

應理解的是，可配置的傳感器單元110或mems感測單元105不是soc150的一部分，而是與soc150分開且不同的部件。實際上，傳感器單元110或mems傳感器單元105和soc150可以是在不同的位置安裝在pcb99上并且經由如所示的導電跡線97耦接在一起的分開的、不同的、互斥的結構或封裝體。在其他應用中，傳感器單元110或mems傳感器單元105和soc150可以使用單個封裝體來被包含住，或者可以具有對彼此合適的任何其他關系。此外，在一些應用中，傳感器單元110或mems傳感器單元105和處理節(jié)點120可以被共同認為是傳感器芯片95。

傳感器單元110的各傳感器采集信號、執(zhí)行信號調節(jié)、并且以不同的采樣速率給出數字化輸出?？梢允褂眠@些傳感器中的單個傳感器，或者可以使用這些傳感器中的多個傳感器。來自傳感器單元110的傳感器的多通道數字傳感器數據被傳遞至處理節(jié)點120。處理節(jié)點120執(zhí)行各種信號處理任務。首先，完成對多通道傳感器數據進行濾波和下采樣的預處理步驟(框121)，并且然后，執(zhí)行當使用來自多個傳感器的傳感器數據時不同數據通道之間的時間同步(框122)。之后，通過使用重疊/滑動時域窗口，從單個傳感器或多個傳感器獲得的傳感器數據被緩沖到幀中(框123)。從數據幀中提取傳感器特定特征并且作為輸出將其給予概率性分類器例程(框124)。

在概率性分類器例程中，根據這些傳感器特定特征生成運動活動向量(mav)、語音活動向量(vav)、和空間環(huán)境向量(sev)。之后，這些向量被處理以便從每個向量形成后驗概率(框125)。概率性分類器的模式庫用于基于向量獲得三個后驗概率并且存儲在存儲器塊140中或存儲在通過互聯(lián)網訪問的云170中。使用這些模式庫，針對每個數據幀獲得基本級情境感知的后驗概率，該后驗概率可以用于關于電子設備100的基本級或元級情境做出推論(框126)。根據需要，顯示器130可以用于呈現這些推論和中間結果。

因此，根據運動活動向量生成運動活動后驗概率，并且該運動活動后驗概率表示該運動活動向量的每個元素根據時間變化的概率。根據語音活動向量生成語音活動后驗概率，并且該語音活動后驗概率表示該語音活動向量的每個元素根據時間變化的概率。根據空間環(huán)境向量生成空間環(huán)境后驗概率，該空間環(huán)境后驗概率表示該空間環(huán)境向量的每個元素根據時間變化的概率。運動活動后驗概率在任何給定時間的每個概率的總和等于一(即，100％)。類似地，語音活動后驗概率在任何給定時間的每個概率的總和等于一，并且空間環(huán)境后驗概率在任何給定時間的每個概率的總和等于一。

基本級情境具有多個方面，每個方面基于運動活動向量、語音活動向量、和空間環(huán)境向量?；谶\動活動向量的基本級情境的每個方面彼此相互排斥，基于語音活動向量的基本級情境的每個方面彼此相互排斥，并且基于空間環(huán)境向量的基本級情境的每個方面彼此相互排斥。

基本級情境的這些方面之一是使用者攜帶電子設備的運動模式。此外，基本級情境的這些方面之一是在使用者的可聽距離內的生物學上生成的聲音的性質。此外，基本級情境的這些方面之一是使用者周圍的物理空間的性質。

現在將給出運動模式、生物學上生成的聲音的性質、物理空間的性質的多個類的示例，盡管應理解到本披露設想到、旨在包含任何這樣的類。

運動模式的不同類可以包括使用者靜止不動、步行、上樓梯、下樓梯、慢跑、騎自行車、攀爬、使用輪椅、和乘坐車輛。生物學上生成的聲音的所確定的性質的不同類可以包括使用者忙于電話交談、使用者忙于多方交談、使用者說話、另一方說話、在使用者周圍發(fā)生背景交談、和動物發(fā)出聲音。使用者周圍的物理空間的性質的不同類可以包括辦公室環(huán)境、家庭環(huán)境、商場環(huán)境、街道環(huán)境、體育場環(huán)境、餐廳環(huán)境、酒吧環(huán)境、海灘環(huán)境、自然環(huán)境、該物理空間的溫度、該物理空間的氣壓、和該物理空間的濕度。

每個向量具有“這些都不是(noneofthese)”類，該類表示每個向量中沒有明確并入為元素的其余類。這允許向量的元素的概率的總和等于一，即，數學上相關。并且，這使得向量表示靈活，從而使得根據需要，新的類可以明確并入在對應的向量中，并且這將簡單改變那個向量的“這些都不是”類的構成。

元級情境表示從兩個或更多后驗概率的類的概率的組合中進行的推論。舉例來講，元級情境可以是電子設備100的使用者正在在商場中步行、或者忙于在辦公室中電話交談。

處理節(jié)點120可以將所確定的基本級情境和元級情境傳遞至soc150，這可以根據電子設備的基本級情境或元級情境執(zhí)行電子設備100的至少一個情境功能。

圖3示出了從關于三個向量中的每個向量中的活動/環(huán)境類的時間相關信息中推導出基本級情境感知。從可從這些基本級向量中的一個或多個向量獲得的有時間戳的信息和存儲在移動設備存儲器140或云170(如模式庫和數據庫)中的信息推導出元級情境感知。以下介紹了表示在與基本級和元級情境感知相關的應用開發(fā)中有用的這條信息的期望形式。

用于表示信息的方法呈向量的類(運動活動、語音活動、和空間環(huán)境)根據時間變化的概率的形式，給定來自一個傳感器或多個傳感器的觀察。這種一般信息表示可以用于解決若干個應用問題，如從時間幀中的每個向量檢測可能的事件。這些可以被估計為mav、vav和sev向量的每個元素在給定時間根據“觀察”被調節(jié)的后驗概率，這些觀察是從傳感器數據記錄中推導出來的特征。概率值的相應向量是對應“后驗概率”，即，是基本級情境感知信息的處理后的輸出的運動活動后驗概率(map)、語音活動后驗概率(vap)和空間環(huán)境后驗概率(sep)。

圖4顯示map包括mav的元素根據時間變化的、從自時窗觀察數據推導出的特征估計的概率。從自各種傳感器中的一個或多個傳感器獲得的時窗數據估計運動活動類的概率。可以使用的模型中的一些模型是i)隱馬爾可夫模型(hmm)、ii)高斯混合模型(gmm)、iii)針對每個類產生概率輸出的人工神經網絡(ann)和iv)結合有向無環(huán)圖(dag)和投票法(maximumwinsvoting(mwv))的多類概率性支持向量機(svm)。針對每個運動活動類，使用來自訓練數據庫的監(jiān)督學習來訓練這些模型參數，該訓練數據庫包括來自有待使用的所有傳感器的帶注釋的數據。

用于獲得map的傳感器的數量取決于多個因素，如移動設備100上的可用傳感器的數量、針對任務的能耗約束、估計的精確度等。當使用多于一個傳感器時，不同的方法可以用于估計map。圖4中示出了一種對融合來自多達k個不同傳感器的數據以估計map的特別有用的方法。在這種方法中，從來自對應的傳感器的時窗數據中提取傳感器特定特征，并且來自傳感器的這些特征用于獲得map。

圖5顯示vap和sep包括vav和sev的元素分別根據時間變化的、從自時窗觀察數據推導出來的特征估計的概率，該時窗觀察數據是從傳聲器112接收到的，其可以是這類傳聲器陣列的經波束成形的輸出。關于map，從每個活動的模型(如針對每個類產生概率性輸出的hmm、gmm、ann、和結合了dag或mwv的多類概率學svm)獲得概率。針對每個運動活動類，使用來自訓練數據庫的監(jiān)督學習來訓練這些模型參數，該訓練數據庫包括來自有待使用的所有傳感器的帶注釋的數據。

圖6中示出了持續(xù)時間為150秒的“步行”運動活動的、基于三軸加速度計數據的map。以50hz對三軸加速度計數據進行取樣，并且提取五秒的時窗數據幀。通過將時窗移位兩秒來獲得連續(xù)幀。三通道數據的幅值用于提取每幀17維特征。這些特征包括最大數、最小數、平均數、均方根、三個累積特征、和10階線性預測系數。從結合了dag的多類概率性svm幀中估計每個活動的概率。針對mav中的運動活動，從三軸加速度計數據使用來自訓練數據庫的監(jiān)督學習來訓練圖6中的map曲線圖的多類概率性svm-dag模型，該訓練數據庫包括來自三軸加速度計111、氣壓計113、三軸陀螺儀114、傳聲器112、和三軸磁強計118的時間同步多傳感器數據。

如圖6中針對map所展示的后驗概率信息的時間演進是在基本級的情境感知信息的一般表示方法。其提供了活動/環(huán)境向量中的類在給定時間的概率，并且示出了其隨時間的演進。這種表示格式的以下靜默特征是相關的：

在任何給定時間，所有類的概率的總和等于一；并且

在任何給定時間，從對應的后驗概率進行活動/環(huán)境分類，支持概率最大的類，從而提供硬決策。

可以從不同的測量獲得對分類結果的“信心”，如最大概率值與第二高概率值之間的差等。兩個概率值之間的差越大，對解碼類的精確度的信心應越大。

從圖6中觀察到，相比較所有其他運動活動的概率，步行的概率是最高的，這在曲線圖的幾乎所有時刻引起正確的分類。分類結果在兩個小的時間間隔中是錯誤的，其中，正確的活動被錯誤分類為“上樓梯”。

圖7中示出了持續(xù)時間為30秒的“上樓梯”運動活動的、基于三軸加速度計數據的map的另一個時間演進圖?？梢钥闯?，在每個時刻的最大概率類在“上樓梯”、“步行”、和一些其他運動活動之間變化。因此，解碼運動活動在那些時刻將是錯誤的，其中“上樓梯”類不具有最大概率。并且，在每個時刻的最大概率低于圖6的map中所示的“步行”活動并且更接近于下一個最高概率。從這里可以推斷出對解碼類的精確度的“信心”低于圖6的“步行”活動情況。

圖8給出了來自多個傳感器的數據融合的兩種方法。第一種方法涉及到將從每個傳感器獲得的特征級聯(lián)以形成復合特征向量。然后，給出這個特征向量作為至概率性分類器的輸入。第二種方法基于貝葉斯理論。假設觀察z^k＝{z1,…,zk}，其中zi是傳感器編號i的特征向量。貝葉斯定理考慮了以下內容：給定具體類，從傳感器si的特征向量zi采集的信息與從傳感器sj的特征向量zj獲得的信息無關。也就是，p(zi,zj|類^l)＝p(zi|類^l).p(zj|類^l)，給定該種，其給出了來自多個傳感器的特征向量的聯(lián)合概率。然后，貝葉斯定理用于對來自多個傳感器的數據進行融合，從而獲得后驗概率。

圖2描繪了用于使用單傳感器和多傳感器數據融合確定移動設備使用者的概率性情境感知的方法的流程圖。使si表示第i個傳感器，其中，i＝1,2,…k，并且k是所使用的傳感器的總數(框202)。傳感器提供輸入數據si(m)，其中，i是從1到k的傳感器編號，并且m是離散時間指數。預處理的時間對準數據si(m)被分段成多個固定持續(xù)時間的幀xi(n)(框204)。

之后，提取傳感器特定特征并將其分組到多個向量中(框206)。使zfⁱ為特征f，其是從第i傳感器的數據xi(n)中提取的。復合特征向量是通過zi＝[z1ⁱ,z2ⁱ,…,zfiⁱ]’給出的zi。針對n個傳感器的復合特征向量用表示。針對基本級情境檢測，提取以下特征。

i.mav：

a.加速度計：最大數、最小數、平均數、均方根、3個累積特征、和10階線性預測系數。

這三個累積特征如下：

1.平均最小數：被定義為xi(n)的前15％的平均數。

2.平均中間數：被定義為xi(n)的在30％至40％之間的平均數。

3.平均最大數：被定義為xi(n)的在95％至100％之間的平均數。

b.壓力傳感器：最大數、最小數、平均數、斜率和6階線性預測系數。

c.陀螺儀：最大數、最小數、平均數、均方根、3個累積特征、和10階線性預測系數。

d.傳聲器：連結的10階線性預測系數、過零率和短時能量。

ii.vav和sev：

a.傳聲器：13個梅爾頻率倒譜系數(mfcc)、13個差量mfcc和13個雙差量mfcc。

b.傳聲器陣列：13個mfcc、13個差量mfcc和13個雙差量mfcc。

給出特征向量作為至概率性分類器的輸入，如多類概率性svm-dag(框208)。所獲得的輸出是對應的基本級情境感知向量mav、vav、sev的對應的后驗概率viz.、map、vap和sep(框212)。后驗概率是[p(類¹/z^k),p(類²/z^k),...,p(類^l/z^k)]’的形式，其中，l是mav/vav/sev中的類的數量。

圖9和圖10示出了使用兩個傳感器(如三軸加速度計和氣壓計)的數據的map。以上列出的來自三軸加速度計的17個特征被使用并且一個特征(即，使用最小二乘法估計的5秒幀內的壓力的時間斜率)一起用于18維輸入的多類概率性svm-dag模型中以獲得每個活動類的概率。將圖6與圖9相比較，可以看出，使用氣壓計數據融合校正僅使用加速度計數據時的兩個錯誤決策間隔之一。加速度計數據與氣壓計數據的融合的效果分別在圖6和圖9的比較中是明顯的，其中，當加速度計數據與氣壓計數據融合時，對使用加速度計傳感器數據的所有不正確的決策進行校正。來自壓力傳感器的附加輸入能夠正確地消除“上樓梯”活動與“步行”和其他活動的歧義。

圖11中以混淆矩陣的形式展示了使用概率性map輸出的9個類的運動活動分類器的表現。該分類基于從自智能電話獲得的加速度計數據和氣壓計數據獲得的18個特征的融合。使用之前根據使用者數據訓練的多類概率性svm-dag模型獲得map。已經對10個受試者的數據使用留一法獲得了表現結果?；煜仃囍械男薪o出了真運動活動類，而列給出了解碼活動類。因此，對角線值表示針對對應類的正確決策的百分比，而非對角線值表示錯誤決策。針對9個活動類獲得的正確決策的總百分比是95.16％。

單傳感器的數據和/或多傳感器的融合數據用于推導出關于基本級情境感知信息的概率性輸出。用于基本級情境感知的這個一般算法框架是可擴展的，從而使得根據需要，其還可以包括呈概率性輸出格式的更多運動和語音活動類和空間環(huán)境情境。這些對應的后驗概率輸出可以隨時間被積分以便關于活動或環(huán)境類提供更精確、但延遲的決策。該算法框架允許對用于從相同傳感器或附加傳感器推導出來的其他類別的檢測任務的附加后驗概率進行積分。

運動或語音活動和空間環(huán)境類的后驗概率輸出可以用于執(zhí)行元級概率性分析并且開發(fā)如圖12中所示的關于情境感知的嵌入式應用。例如，從map推斷為“步行”活動類和從sep推斷為“商場”類可以一起得出進行元級推論：使用者正在商場內步行。三個后驗概率中的概率性信息可以用作至元級情境感知分類器的輸入，可以在該分類器上建立更高級的應用。

圖13示出了針對基于安卓os的智能電話、使用java開發(fā)的應用的快照。該應用的用戶接口包括如左側快照中所示的開始、停止、和暫停按鈕，用于實時計算后驗概率、用日志記錄其時間演進、并且以圖形方式針對多達40個過去幀實時顯示它們。右側的快照顯示9個運動活動類根據時間變化的map。其還從最大概率值顯示當前幀的解碼類。還示出了自應用開始以來使用者花費在每個運動活動類的總持續(xù)時間。該應用使用加速度計、氣壓計、和陀螺儀數據的融合來確定運動活動后驗概率。取決于所使用的傳感器的數量，特征的數量變化。使用以下三種方法之一來評估后驗概率：i)結合dag的多類概率性svm，ii)結合mwv的多類概率性svm，以及iii)產生硬決策輸出的多類svm。所有類的概率值的實時圖形顯示通過將第二高概率類相比較還給出了對作為最大概率類的分類結果的“信心”的快速視覺描繪。

盡管本文中已經參照具體裝置、材料和實施例描繪了前述說明，但其并不旨在局限于本文中所披露的細節(jié)；相反，其擴展至如所附權利要求書的范圍內的所有功能上等效的結構、方法和用途。