手机自动报警方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及一种手机自动报警方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.现有的手机防丢失系统多是在手机丢失之后，再根据个人账户定位来进行手机找回；但丢失的手机一旦被关机或者刷机，则存在无法找回的风险，给用户造成经济损失。而目前的即时手机防丢失系统，大多需要硬件或者外设的支持，给用户使用带来不便，影响用户体验。
4.针对上述问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供一种手机自动报警方法，用以及时对手机用户进行风险提示，降低手机的丢失风险，改善用户体验，该方法包括：
6.实时获取手机的多个内置传感器采集的手机运动数据，从手机运动数据中提取出手机运动特征信息；
7.在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，将手机运动特征信息输入丢失风险预测模型，输出手机丢失的风险预测结果，所述丢失风险预测模型是根据手机的：历史运动特征信息及对应的实际丢失风险结果，对支持向量机svm训练得到的；
8.在风险预测结果显示手机存在丢失风险时，自动发出报警提示音。
9.本发明实施例还提供一种手机自动报警装置，用以及时对手机用户进行风险提示，降低手机的丢失风险，改善用户体验，该装置包括：
10.获取与提取模块，用于实时获取手机的多个内置传感器采集的手机运动数据，从手机运动数据中提取出手机运动特征信息；
11.风险预测模块，用于在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，将手机运动特征信息输入丢失风险预测模型，输出手机丢失的风险预测结果，所述丢失风险预测模型是根据手机的：历史运动特征信息及对应的实际丢失风险结果，对支持向量机svm训练得到的；
12.报警提示模块，用于在风险预测结果显示手机存在丢失风险时，自动发出报警提示音。
13.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述手机自动报警方法。
14.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有
计算机程序，所述计算机程序被处理器执行时实现上述手机自动报警方法。
15.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述手机自动报警方法。
16.本发明实施例中，实时获取手机的多个内置传感器采集的手机运动数据，从手机运动数据中提取出手机运动特征信息；在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，将手机运动特征信息输入丢失风险预测模型，输出手机丢失的风险预测结果，所述丢失风险预测模型是根据手机的：历史运动特征信息及对应的实际丢失风险结果，对支持向量机svm训练得到的；在风险预测结果显示手机存在丢失风险时，自动发出报警提示音，可以及时对手机用户进行风险提示，降低手机的丢失风险，改善用户体验。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
18.图1为本发明实施例中手机自动报警方法的处理流程图；
19.图2为本发明实施例中丢失风险预测模型训练与测试的方法流程图；
20.图3为本发明实施例中向备用联系方发送手机定位信息的方法流程图；
21.图4为本发明实施例中手机自动报警装置的结构示意图；
22.图5为本发明实施例中手机自动报警装置的一具体实例结构示意图；
23.图6为本发明实施例中手机自动报警装置的一具体实例结构示意图；
24.图7为本发明一实施例的计算机设备结构示意图。
具体实施方式
25.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
26.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
27.首先对本发明实施例中的技术名词进行解释：
28.支持向量机(support vector machine,svm)：是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。
29.svm使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。svm可以通过核方法(kernel method)进行非线性分类，是常见的核学习(kernel learning)方法之一。
30.图1为本发明实施例中手机自动报警方法的处理流程图。如图1所示，本发明实施
例中手机自动报警方法可以包括：
31.步骤101、实时获取手机的多个内置传感器采集的手机运动数据，从手机运动数据中提取出手机运动特征信息；
32.步骤102、在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，将手机运动特征信息输入丢失风险预测模型，输出手机丢失的风险预测结果，所述丢失风险预测模型是根据手机的：历史运动特征信息及对应的实际丢失风险结果，对支持向量机svm训练得到的；
33.步骤103、在风险预测结果显示手机存在丢失风险时，自动发出报警提示音。
34.在检测到手机中没有训练好的丢失风险预测模型时，首先手机后台系统可以获取手机在预设时长内的运动特征信息及对应的实际丢失风险结果；在用户本人持有该手机时，手机的运动特征信息可以反映用户使用手机时的习惯动作，此时手机无风险；在非用户持有该手机时，手机的运动特征信息反映是非用户使用手机时的动作，此时手机有风险；其中，手机运动特征信息可以由手机后台系统从手机运动数据中提取出来，而手机运动数据可以由手机的多个内置传感器采集得到。
35.在一个实施例中，所述内置传感器至少包括以下多个传感器的其中之一或任意组合：
36.近场传感器、线性加速度传感器、重力加速度传感器和角速度传感器。
37.在获取手机在预设时长内的运动特征信息及对应的实际丢失风险结果之后，可以对支持向量机svm进行训练和测试。
38.图2为本发明实施例中丢失风险预测模型训练与测试的方法流程图，如图2所示，在一个实施例中，所述丢失风险预测模型是按如下方式训练与测试的：
39.步骤201、将手机的：历史运动特征信息及对应的实际丢失风险结果作为样本数据，构建训练集和测试集；
40.步骤202、利用所述训练集对支持向量机svm进行训练，得到所述丢失风险预测模型；
41.步骤203、利用所述测试集对所述丢失风险预测模型进行测试。
42.在手机中存在训练与测试好的丢失风险预测模型时，手机后台系统可以实时获取手机的多个内置传感器采集的手机运动数据，并从手机运动数据中提取出手机运动特征信息，然后可以根据手机运动特征信息判断手机的位置变动范围是否超出预设阈值。
43.具体实施时，例如可以预先设置：在手机运动特征信息反映的是手机从用户口袋中被拿出时，手机的位置变动范围属于超出预约阈值；在手机运动特征信息反映的是手机仅被调转方向，手机的位置变动范围属于未超出预约阈值。
44.在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，可以将手机运动特征信息输入丢失风险预测模型，并输出手机丢失的风险预测结果；在风险预测结果显示手机存在丢失风险时，自动发出报警提示音。
45.在一个实施例中，所述报警提示音的音量已被预先设置为锁死状态。
46.具体实施时，手机后台系统可以预先将报警提示音的音量设置到最高，并将最高音量设置为锁死状态。在手机被他人拿走时，手机自动发出的报警提示音无法被他人调节或关闭，有利于用户及时找到手机，避免丢失手机。
47.图3为本发明实施例中向备用联系方发送手机定位信息的方法流程图，如图3所示，在一个实施例中，还可以包括：
48.步骤301、在风险预测结果显示手机存在丢失风险时，获取手机的定位信息；
49.步骤302、根据手机用户预留的备用联系方式，向备用联系方发送手机的定位信息。
50.在风险预测结果显示手机存在丢失风险时，除自动发出报警提示音外，为进一步防止手机丢失，手机后台系统还可以获取手机的定位信息，并根据用户预留的备用联系方式，将手机的定位信息提供给备用联系方，以便用户通过备用联系方快速确定手机位置，防止手机丢失。
51.在一个实施例中，在获取手机的定位信息之前，还可以包括：向备用联系方发送对手机的定位信息进行获取的授权请求；获取手机的定位信息，可以包括：在接收到备用联系方的同意授权指示后，获取手机的定位信息。
52.具体实施时，备用联系方式可以是用户本人的其他联系方式，也可以是用户亲友的联系方式等；而且在获取手机的定位信息之前，还需要向备用联系方发送对手机的定位信息进行获取的授权请求，即请求获取存在丢失风险的手机的定位信息的权限。
53.下面介绍本发明实施例中对支持向量机svm进行训练的具体步骤：
54.1、根据手机在预设时长内的运动特征信息及对应的实际丢失风险结果作为样本数据，构建训练集：
55.假设训练数据集合为：其中，为x的总量，xi为第i条训练样本xi＝[l,vi]，其中l值为1，vi为第i条训练样本xi的手机运动特征信息，对于任意的vi，其中是以δ为固定时间间隔的条件下，vi所包含的时刻点总数，例如手机从口袋被掏出后，以δ为时间间隔共采集个时刻点的数据，为第i条训练样本的第j个时刻点下手机线性加速度传感器、重力加速度传感器、角速度传感器所产生的数据集合其中分别为第i条训练数据xi的第j个时刻点所对应的手机线性加速度传感器数据、重力加速度传感器数据、角速度传感器数据；通过近场传感器监测手机是否离开口袋，当监测到离开口袋后，将手机在时间间隔δ下每一时刻的t(共计组)组合成训练数据x的手机运动特征信息v，进而得到一条训练数据x，将由条训练数据x组成的训练数据集合x进行保存。
[0056]
2、对所述训练样本集合x输入到一类支持向量机中，通过训练得到确定参数的一类支持向量机，得到丢失风险预测模型的具体过程为：
[0057]
将训练样本集合x输入到核函数中，优选为线性核函数k(x,y)，即
[0058]
k(x,y)＝x
tyꢀꢀ
(1)
[0059]
通过线性核函数后，训练样本集合x由原始空间映射到特征空间中；在特征空间中，通过一个超球体，使其尽可能多的将训练样本集合x包围起来，同时使超球体体积尽可能小，因此需求解如下二次问题：
[0060][0061]
其中，‖.‖2为欧几里得范数，r为超球体的半径，ξ是松弛变量，φ(xi)表示将xi由原始空间通过核函数映射到特征空间中，c是超球体的球心，f为原始空间；通过设定参数v，使超球体尽可能多的将训练样本集合x包围起来，同时使超球体半径r尽可能小；
[0062]
通过引入拉格朗日函数来解决上述问题：
[0063][0064]
其中l(w,ξ,ρ,α,β)为拉格朗日函数，α,β为拉格朗日乘子；对(3)中参数r、ξ、c求导并令导数等于0得到：
[0065][0066][0067]
将(4)、(5)回代到(3)中，并将(1)代入得到其对偶问题：
[0068][0069]
向量称作支持向量，通过qp优化方法解这个对偶问题得到优化解α＝(α1,
…
,αi,
…
α
l
)
t
，l为满足的αi的个数，也就是支持向量的个数，任取支持向量
[0070][0071]
得到r，则丢失风险预测模型为：
[0072][0073]
其中f(x
new
)为丢失风险预测模型，x
new
为新产生的手机运动特征(尚不确定其动作发出者)，sgn为阶跃函数；当f(x
new
)返回值为1时，表示x
new
的动作发出者为手机用户，当f(x
new
)返回值为-1时，表示x
new
的动作发出者为非手机用户。
[0074]
3、在训练过程中更新训练样本的具体过程可以包括：
[0075]
若在训练过程中，手机用户在掏手机过程中产生的手机运动特征被误判为非手机用户的手机运动特征时，可以选择更新训练样本集合x，即将这一误判的手机运动特征作为新增训练样本集合x
add
，同x共同组成新训练样本集合x
new
；通过计算与x
new
的杰卡德距离(jaccard distance)，当其大于一定阈值n后，将x更新为x
new
，执行步骤2将原始确定参数的一类支持向量机以及决策目标函数进行更新。
[0076]
杰卡德距离计算原训练样本集合x和新训练样本集合x
new
的相差程度，计算如下：
[0077][0078]jδ
(x,x
new
)为杰卡德距离，j(x,x
new
)为杰卡德系数，当j
δ
(x,x
new
)≥n时，执行步骤2。
[0079]
本发明实施例中还提供了一种手机自动报警装置，如下面的实施例所述。由于该装置解决问题的原理与手机自动报警方法相似，因此该装置的实施可以参见手机自动报警方法的实施，重复之处不再赘述。
[0080]
图4为本发明实施例中手机自动报警装置的结构示意图。如图4所示，本发明实施例中手机自动报警装置具体可以包括：
[0081]
获取与提取模块401，用于实时获取手机的多个内置传感器采集的手机运动数据，从手机运动数据中提取出手机运动特征信息；
[0082]
风险预测模块402，用于在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，将手机运动特征信息输入丢失风险预测模型，输出手机丢失的风险预测结果，所述丢失风险预测模型是根据手机的：历史运动特征信息及对应的实际丢失风险结果，对支持向量机svm训练得到的；
[0083]
报警提示模块403，用于在风险预测结果显示手机存在丢失风险时，自动发出报警提示音。
[0084]
在一个实施例中，所述内置传感器至少包括以下多个传感器的其中之一或任意组合：
[0085]
近场传感器、线性加速度传感器、重力加速度传感器和角速度传感器。
[0086]
在一个实施例中，所述丢失风险预测模型是按如下方式训练和测试的：
[0087]
将手机的：历史运动特征信息及对应的实际丢失风险结果作为样本数据，构建训练集和测试集；
[0088]
利用所述训练集对支持向量机svm进行训练，得到所述丢失风险预测模型；
[0089]
利用所述测试集对所述丢失风险预测模型进行测试。
[0090]
在一个实施例中，所述报警提示音的音量已被预先设置为锁死状态。
[0091]
图5为本发明实施例中手机自动报警装置的一具体实例结构示意图。如图5所示，在实施例中，图4所示的手机自动报警装置还包括：
[0092]
定位信息发送模块501，用于：
[0093]
在风险预测结果显示手机存在丢失风险时，获取手机的定位信息；
[0094]
根据手机用户预留的备用联系方式，向备用联系方发送手机的定位信息。
[0095]
图6为本发明实施例中手机自动报警装置的一具体实例结构示意图。如图6所示，在实施例中，图5所示的手机自动报警装置还包括：
[0096]
授权请求模块601，用于在定位信息发送模块获取手机的定位信息之前：
[0097]
向备用联系方发送对手机的定位信息进行获取的授权请求；
[0098]
定位信息发送模块501具体用于：
[0099]
在接收到备用联系方的同意授权指示后，获取手机的定位信息。
[0100]
基于前述发明构思，如图7所示，本发明还提出了一种计算机设备700，包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序730，所述处理器720执行所述计算机程序730时实现前述手机自动报警方法。
[0101]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述手机自动报警方法。
[0102]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述手机自动报警方法。
[0103]
综上所述，本发明实施例中，实时获取手机的多个内置传感器采集的手机运动数据，从手机运动数据中提取出手机运动特征信息；在根据手机运动特征信息确定手机的位置变动范围超出预约阈值时，将手机运动特征信息输入丢失风险预测模型，输出手机丢失的风险预测结果，所述丢失风险预测模型是根据手机的：历史运动特征信息及对应的实际丢失风险结果，对支持向量机svm训练得到的；在风险预测结果显示手机存在丢失风险时，自动发出报警提示音，可以及时对手机用户进行风险提示，降低手机的丢失风险，改善用户体验。
[0104]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0105]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0108]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本
发明的保护范围之内。