折叠屏状态判断方法、装置、设备及存储介质与流程

本公开涉及电子，尤其涉及一种折叠屏状态判断方法、装置、设备及存储介质。

背景技术：

1、相关技术中，在判断可折叠屏的折叠状态时，通常基于获取的相关数据计算折叠屏的闭合角度，从而判断折叠状态。但这种技术方案极度依赖于可折叠屏的稳定性，如果具有可折叠屏的电子设备在抖动或者移动中使用，可能会被误判断为可折叠屏的角度发生变化，导致得到折叠状态与实际折叠状态不同。

技术实现思路

1、为克服相关技术中存在的问题，本公开提供一种折叠屏状态判断方法、装置、设备及存储介质。

2、根据本公开实施例的第一方面，提供一种折叠屏状态判断方法，所述方法应用于具有可折叠屏的电子设备，所述电子设备上具有至少两个惯性测量单元imu，所述方法包括：获取所述两个imu在预设时间段内采集到的第一imu数据和第二imu数据；将所述第一imu数据和所述第二imu数据输入至折叠状态判断模型，以确定所述折叠屏的折叠状态，其中，所述折叠状态判断模型已经学习得到在震动状态下所述第一imu数据和所述第二imu数据与所述折叠状态之间的映射关系。

3、在一种实现方式中，所述折叠状态判断模型通过以下步骤训练得到：获取训练数据，其中，所述训练数据包括所述电子设备的多个折叠状态，和在所述电子设备处于多个所述折叠状态期间采集的多组imu样本数据，且每组所述imu样本数据包含至少两个imu的测量数据；获取每组所述imu样本数据中至少两个所述imu测量数据之间的差值、相似度和每组所述imu样本数据的第一特征值；将每组所述imu样本数据、对应的所述差值、对应的所述相似度和对应的所述第一特征值作为一组样本数据，得到包含多组所述样本数据的样本集数据；基于所述样本集数据和对应的所述折叠状态对初始神经网络模型进行训练，以生成所述折叠状态判断模型。

4、在一种可选地实现方式中，所述第一特征值包括所述imu样本数据的范数值的均值、标准差、最大值、最小值、范围、四分数、交流分量、方差、峰度、偏度、均方根、均值交叉率、零交叉率、斜率符号变化、能量、谱质心、谱扩展、谱平坦度、谱滚降、谱峰和谱峰度之中的至少一个。

5、在一种可选地实现方式中，所述基于所述样本集数据和对应的所述折叠状态对初始神经网络模型进行训练，以生成所述折叠状态判断模型，包括：将一组所述样本数据中的所述imu样本数据和对应的所述差值作为第一输入数据，将对应的所述相似度和对应的所述第一特征值作为第二输入数据，对所述初始神经网络模型进行训练，以修正模型参数；使用另一组所述样本数据执行所述将一组所述样本数据中的所述imu样本数据和对应的所述差值作为第一输入数据，将对应的所述相似度和对应的所述第一特征值作为第二输入数据，对所述初始神经网络模型进行训练，以修正模型参数的步骤，直至训练完毕后模型指标达到目标指标。

6、可选地，所述初始神经网络模型包括多层全连接层，所述将一组所述样本数据中的所述imu样本数据和所述差值作为第一输入数据，将对应的所述相似度和对应的所述第一特征值作为第二输入数据，对所述初始神经网络模型进行训练，以修正模型参数，包括：将所述第一输入数据输入至所述初始神经网络模型；获取所述初始神经网络的第m个全连接层输出的第二特征值；所述m为正整数；将所述第二特征值与所述第二输入数据并联得到第三特征值；将所述第三特征值输入至所述初始神经网络的第m+1个全连接层，得到所述初始神经网络模型输出的预测折叠状态；基于所述预测折叠状态、所述第二折叠状态和预设的损失函数，反向修正模型参数。

7、在一种实现方式中，所述imu为两个6轴imu，所述imu分别位于所述折叠屏中心轴的两侧。

8、根据本公开实施例的第二方面，提供一种折叠屏状态判断装置，所述装置应用于具有可折叠屏的电子设备，所述电子设备上具有至少两个惯性测量单元imu，所述装置包括：获取所述两个imu在预设时间段内采集到的第一imu数据和第二imu数据；将所述第一imu数据和所述第二imu数据输入至折叠状态判断模型，以确定所述折叠屏的折叠状态，其中，所述折叠状态判断模型已经学习得到在震动状态下所述第一imu数据和所述第二imu数据与所述折叠状态之间的映射关系。

9、在一种实现方式中，所述装置还包括：第一获取模块，用于获取训练数据，其中，所述训练数据包括所述电子设备的多个折叠状态，和在所述电子设备处于多个所述折叠状态期间采集的多组imu样本数据，且每组所述imu样本数据包含至少两个imu的测量数据；第二获取模块，用于获取每组所述imu样本数据中至少两个所述imu测量数据之间的差值、相似度和每组所述imu样本数据的第一特征值；处理模块，用于将每组所述imu样本数据、对应的所述差值、对应的所述相似度和对应的所述第一特征值作为一组样本数据，得到包含多组所述样本数据的样本集数据；训练模块，用于基于所述样本集数据和对应的所述折叠状态对初始神经网络模型进行训练，以生成所述折叠状态判断模型。

10、在一种可选地实现方式中，所述第一特征值包括所述imu样本数据的范数值的均值、标准差、最大值、最小值、范围、四分数、交流分量、方差、峰度、偏度、均方根、均值交叉率、零交叉率、斜率符号变化、能量、谱质心、谱扩展、谱平坦度、谱滚降、谱峰和谱峰度之中的至少一个。

11、在一种可选地实现方式中，所述训练模块具体用于：将一组所述样本数据中的所述imu样本数据和对应的所述差值作为第一输入数据，将对应的所述相似度和对应的所述第一特征值作为第二输入数据，对所述初始神经网络模型进行训练，以修正模型参数；使用另一组所述样本数据执行所述将一组所述样本数据中的所述imu样本数据和对应的所述差值作为第一输入数据，将对应的所述相似度和对应的所述第一特征值作为第二输入数据，对所述初始神经网络模型进行训练，以修正模型参数的步骤，直至训练完毕后模型指标达到目标指标。

12、可选地，所述初始神经网络模型包括多层全连接层，所述训练模块具体用于：将所述第一输入数据输入至所述初始神经网络模型；获取所述初始神经网络的第m个全连接层输出的第二特征值；所述m为正整数；将所述第二特征值与所述第二输入数据并联得到第三特征值；将所述第三特征值输入至所述初始神经网络的第m+1个全连接层，得到所述初始神经网络模型输出的预测折叠状态；基于所述预测折叠状态、所述第二折叠状态和预设的损失函数，反向修正模型参数。

13、在一种实现方式中，所述imu为两个6轴imu，所述imu分别位于所述折叠屏中心轴的两侧。

14、根据本公开实施例的第三方面，提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述第一方面所述的方法。

15、根据本公开实施例的第四方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如前述第一方面所述的方法。

16、本公开的实施例提供的技术方案可以包括以下有益效果：通过获取的第一imu数据、第二imu数据和折叠状态映射关系的折叠状态判断模型，判断折叠屏状态，提高了折叠屏状态判断的准确率，并能够在折叠屏发生震动时，准确的判断折叠屏状态的变化情况。

17、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。