紧急时自动接听来电的方法、系统和电子设备

摘要

本申请涉及电话接听的领域，其具体地公开了一种紧急时自动接听来电的方法、系统和电子设备。其基于重心变化的数据信息以及用户与手机之间的距离信息，采用深度学习技术的卷积神经网络模型来提取出不同维度以及不同时间的数据之间的高维关联特征，从而获得用于判断用户是否是处于紧急状态的分类结果。通过这样的方式，可以保证接听到紧急电话的效率更高，也就可以提高通话质量。

说明书

技术领域

本发明涉及电话接听的领域，且更为具体地，涉及一种紧急时自动接听来电的方法、系统和电子设备。

背景技术

近年来，随着科技的不断发展，使得智能移动终端逐步普及，现如今在日常生活中人们对于智能手机的需求越来越多，除了具有网络聊天、影视娱乐、股票、新闻、天气、交通、商品、应用程序下载、音乐图片下载等功能以外，最主要的也就是智能手机的通话功能。

当人们在接收到一个电话通知时，可以选择接听或者挂断操作，这样就会浪费一定的时间在接听选择上，从而耽误人们接听电话的效率，尤其是当人们需要接听一个特别紧急的电话时。并且，智能手机离用户的距离也会影响到接听紧急电话的效率和便利程度，例如，当智能手机离人们较远时，他们在收到紧急电话的通知时通常需要采用跑步的方式靠近手机，当距离手机较近时，他们便会弯腰快速地够向手机，只有这样人们才能及时地接听到紧急电话的来电。因此，如何判断用户是否是处于紧急状态，从而判断是否是紧急来电以保证接听紧急电话的效率是需要考虑的问题。

因此，期望一种紧急时自动接听来电的方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种紧急时自动接听来电的方法、系统和电子设备，基于重心变化的数据信息以及用户与手机之间的距离信息，采用深度学习技术的卷积神经网络模型来提取出不同维度以及不同时间的数据之间的高维关联特征，从而获得用于判断用户是否是处于紧急状态的分类结果。通过这样的方式，可以保证接听到紧急电话的效率更高，也就可以提高通话质量。

根据本申请的一个方面，提供了一种紧急时自动接听来电的方法，其包括：

通过用户佩戴的智能手环，获取所述用户在一系列时间点上的重心信息，所述时间点的个数为T；

计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，其中，所述重心信息的变化量包括在X、Y和Z三个方向的位移量、在X、Y和Z三个方向的速度，以及，在X、Y和Z三个方向的加速度；

将所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵；

将所述输入矩阵通过卷积神经网络以获得初始特征图，其中，所述初始特征图的尺寸为9*T*C，C代表所述卷积神经网络的通道数；

对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵；

通过用户佩戴的智能手环，获取所述用户在所述一系列时间点上相对于通讯设备的距离值并将所述一系列时间点的距离值构造为长度为T的距离向量；

计算所述距离向量与所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵；

将尺寸为T*T的所述优化增广矩阵按照通道维度排列为分类特征图，所述分类特征图的尺寸为T*T*C；以及

将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

根据本申请的另一方面，提供了一种紧急时自动接听来电的系统，其包括：

重心信息获取单元，用于通过用户佩戴的智能手环，获取所述用户在一系列时间点上的重心信息，所述时间点的个数为T；

变化量计算单元，用于计算所述重心信息获取单元获得的所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，其中，所述重心信息的变化量包括在X、Y和Z三个方向的位移量、在X、Y和Z三个方向的速度，以及，在X、Y和Z三个方向的加速度；

输入矩阵构造单元，用于将所述变化量计算单元获得的所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵；

卷积神经网络处理单元，用于将所述输入矩阵构造单元获得的所述输入矩阵通过卷积神经网络以获得初始特征图，其中，所述初始特征图的尺寸为9*T*C，C代表所述卷积神经网络的通道数；

增广矩阵生成单元，用于对所述卷积神经网络处理单元获得的所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵；

距离向量构造单元，用于通过用户佩戴的智能手环，获取所述用户在所述一系列时间点上相对于通讯设备的距离值并将所述一系列时间点的距离值构造为长度为T的距离向量；

优化单元，用于计算所述距离向量构造单元获得的所述距离向量与所述增广矩阵生成单元获得的所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵；

分类特征图生成单元，用于将尺寸为T*T的所述优化单元获得的所述优化增广矩阵按照通道维度排列为分类特征图，所述分类特征图的尺寸为T*T*C；以及

分类结果生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的紧急时自动接听来电的方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的紧急时自动接听来电的方法。

与现有技术相比，本申请提供的紧急时自动接听来电的方法、系统和电子设备，其基于重心变化的数据信息以及用户与手机之间的距离信息，采用深度学习技术的卷积神经网络模型来提取出不同维度以及不同时间的数据之间的高维关联特征，从而获得用于判断用户是否是处于紧急状态的分类结果。通过这样的方式，可以保证接听到紧急电话的效率更高，也就可以提高通话质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的紧急时自动接听来电的方法的应用场景图；

图2为根据本申请实施例的紧急时自动接听来电的方法的流程图；

图3为根据本申请实施例的紧急时自动接听来电的方法的系统架构示意图；

图4为根据本申请实施例的紧急时自动接听来电的方法中，计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值的流程图；

图5为根据本申请实施例的紧急时自动接听来电的方法中，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵的流程图；

图6为根据本申请实施例的紧急时自动接听来电的系统的框图；

图7为根据本申请实施例的紧急时自动接听来电的系统中变化量计算单元的框图；

图8为根据本申请实施例的紧急时自动接听来电的系统中优化单元的框图；

图9为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如前所述，在本申请的技术方案中，采用智能手环来收集用户相对手机的距离信息和用户自身的重心信息，并且，如何充分地表达用户的重心信息是本申请的技术方案的重点。

首先，通过智能手环，获取用户在一系列时间点上的重心信息，并且，考虑到重心的变化相比于重心的绝对值更加重要，因此，在每个时间点，都采集相对于前一时间点的重心的变化量，即在X、Y和Z三个方向的位移量，并结合能够表示变化趋势的运动信息，即在X、Y和Z三个方向上的速度和加速度。这样，对于每个时间点，可以获得重心信息的九个数值。

由于这九个数值分别对应于距离、速度和加速度三个维度，因此在特征提取之前，首先对其进行归一化，例如，可以采用最大值归一化的方法，将每个值都映射到[0,1]之间的空间，然后按照各个时间点排列为输入矩阵，该输入矩阵的维度为9*T，T代表时间点的数目。这里，为了充分利用细粒度的数据，T至少大于100。

接下来，将输入矩阵输入卷积神经网络，以充分地提取不同维度以及不同时间的数据之间的高维关联特征，以获得第一特征图，这里，该第一特征图的维度为9*T*C，其中C代表卷积神经网络的通道数。

但是，本申请的申请人考虑到，在本申请的技术方案中所获得的初始数据，即位移量、速度和加速度所能够表达的重心变化的信息在维度方面仍然相对有限，因此在映射到高维特征空间中之后，每个时间点所对应的高维特征的分布为显得较为稀疏，从而不利于后续回归。因此，进一步基于所获得的第一特征图中的每个特征矩阵来构造增广矩阵，从而一方面提高特征点在特征空间中的稠密度，一方面也进行尺度变换。

具体地，针对9*T的每个特征矩阵，首先计算其每行的9个特征值的均值和方差，再基于该均值和方差构造高斯正态分布，并从所构造的高斯正态分布中随机采样T个点，从而构造为T*T的增广矩阵，并按照通道C排列后，得到T*T*C的第二特征图。

进一步地，为了使得随机采样的点能够在一定程度上符合运动趋势，从而增强回归的准确性，计算长度为T的距离向量为增广矩阵的每个列向量之间的交叉熵数值，并以计算出的交叉熵数值对增广矩阵进行按列加权，以得到第三特征图。这样，该第三特征图可以赋予符合运动趋势的局部特征分布更大的权重。

最后，将该第三特征图通过分类器，以获得判断用户是否是处于紧急状态的分类结果。

基于此，本申请提出了一种紧急时自动接听来电的方法，其包括：通过用户佩戴的智能手环，获取所述用户在一系列时间点上的重心信息，所述时间点的个数为T；计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，其中，所述重心信息的变化量包括在X、Y和Z三个方向的位移量、在X、Y和Z三个方向的速度，以及，在X、Y和Z三个方向的加速度；将所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵；将所述输入矩阵通过卷积神经网络以获得初始特征图，其中，所述初始特征图的尺寸为9*T*C，C代表所述卷积神经网络的通道数；对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵；通过用户佩戴的智能手环，获取所述用户在所述一系列时间点上相对于通讯设备的距离值并将所述一系列时间点的距离值构造为长度为T的距离向量；计算所述距离向量与所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵；将尺寸为T*T的所述优化增广矩阵按照通道维度排列为分类特征图，所述分类特征图的尺寸为T*T*C；以及，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

图1图示了根据本申请实施例的紧急时自动接听来电的方法的应用场景图。如图1所示，在该应用场景中，首先，从用户佩戴的智能手环(例如，如图1中所示意的T)中获取用户相对手机(例如，如图1中所示意的P)的距离信息和用户自身的重心信息，应可以理解，在别的应用场景中，也可以使用其他的电子设备来获取用户相对手机的距离信息和用户自身的重心信息，对此并不为本申请所局限。然后，将所述用户相对手机的距离信息和所述用户自身的重心信息输入至部署有紧急时自动接听来电的算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以紧急时自动接听来电的算法对所述用户相对手机的距离信息和所述用户自身的重心信息进行处理，以生成用于表示用户是否是处于紧急状态的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图2图示了紧急时自动接听来电的方法的流程图。如图2所示，根据本申请实施例的紧急时自动接听来电的方法，包括：S110，通过用户佩戴的智能手环，获取所述用户在一系列时间点上的重心信息，所述时间点的个数为T；S120，计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，其中，所述重心信息的变化量包括在X、Y和Z三个方向的位移量、在X、Y和Z三个方向的速度，以及，在X、Y和Z三个方向的加速度；S130，将所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵；S140，将所述输入矩阵通过卷积神经网络以获得初始特征图，其中，所述初始特征图的尺寸为9*T*C，C代表所述卷积神经网络的通道数；S150，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵；S160，通过用户佩戴的智能手环，获取所述用户在所述一系列时间点上相对于通讯设备的距离值并将所述一系列时间点的距离值构造为长度为T的距离向量；S170，计算所述距离向量与所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵；S180，将尺寸为T*T的所述优化增广矩阵按照通道维度排列为分类特征图，所述分类特征图的尺寸为T*T*C；以及，S190，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

图3图示了根据本申请实施例的紧急时自动接听来电的方法的架构示意图。如图3所示，在所述紧急时自动接听来电的方法的网络架构中，首先，计算获取的所述一系列时间点中各个时间点的重心(例如，如图3中所示意的IN1)相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值(例如，如图3中所示意的P1-P9)；接着，将所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵(例如，如图3中所示意的M1)；然后，将所述输入矩阵通过卷积神经网络(例如，如图3中所示意的CNN)以获得初始特征图(例如，如图3中所示意的F1)；接着，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵(例如，如图3中所示意的M2)；然后，将获得的所述一系列时间点的距离值(例如，如图3中所示意的IN2)构造为长度为T的距离向量(例如，如图3中所示意的V1)；接着，计算所述距离向量与所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵(例如，如图3中所示意的M3)；然后，将尺寸为T*T的所述优化增广矩阵按照通道维度排列为分类特征图(例如，如图3中所示意的F2)，所述分类特征图的尺寸为T*T*C；，最后，将所述分类特征图通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

在步骤S110和步骤S120中，通过用户佩戴的智能手环，获取所述用户在一系列时间点上的重心信息，所述时间点的个数为T；并计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，其中，所述重心信息的变化量包括在X、Y和Z三个方向的位移量、在X、Y和Z三个方向的速度，以及，在X、Y和Z三个方向的加速度。应可以理解，本申请考虑从用户的重心变化数据来判断用户是否处于紧急状态，也就是，当用户为紧急状态和不紧急状态时，其接电话的重心变化规律不同，并且本申请还考虑到重心的变化相比于重心的绝对值更加重要。因此，在本申请的技术方案中，首先，获取所述用户在一系列时间点上的重心信息；然后，在每个时间点，都采集相对于前一时间点的重心的变化量，即在X、Y和Z三个方向的位移量，并结合能够表示变化趋势的运动信息，即在X、Y和Z三个方向上的速度和加速度。这样，对于每个时间点，可以获得重心信息的九个数值。值得一提的是，在一个具体示例中，可以通过用户佩戴的智能手环来采集所述用户在一系列时间点上的重心信息，在别的示例中，还可以使用别的电子设备来采集所述一系列时间点上的重心信息，对此并不为本申请所局限。

具体地，在本申请实施例中，计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值的过程，包括：首先，计算所述一系列时间点中各个时间点的重心位置相对于前一个时间点的重心位置在X、Y、Z三个方向上的差值以获得在X、Y和Z三个方向的位移量；然后，计算所述一系列时间点中各个时间点的在X、Y和Z三个方向的位移量在时间上的一阶导数以获得在X、Y和Z三个方向的速度；以及，最后，计算所述一系列时间点中各个时间点的在X、Y和Z三个方向的位移量在时间上的二阶导数以获得在X、Y和Z三个方向的加速度。应可以理解，在本申请的技术方案中，考虑到重心的变化相比于重心的绝对值更加重要，因此所述重心的变化采用有方向的向量形式。

图4图示了根据本申请实施例的紧急时自动接听来电的方法中，计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值的流程图。如图4所示，在本申请实施例中，计算所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，包括：S210，计算所述一系列时间点中各个时间点的重心位置相对于前一个时间点的重心位置在X、Y、Z三个方向上的差值以获得在X、Y和Z三个方向的位移量；S220，计算所述一系列时间点中各个时间点的在X、Y和Z三个方向的位移量在时间上的一阶导数以获得在X、Y和Z三个方向的速度；以及，S230，计算所述一系列时间点中各个时间点的在X、Y和Z三个方向的位移量在时间上的二阶导数以获得在X、Y和Z三个方向的加速度。,

在步骤S130中和步骤S140中，将所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵；并将所述输入矩阵通过卷积神经网络以获得初始特征图，其中，所述初始特征图的尺寸为9*T*C，C代表所述卷积神经网络的通道数。也就是，首先采用最大值归一化的方法，将每个值都映射到[0,1]之间的空间；然后，按照所述各个时间点排列为输入矩阵；最后，将输入矩阵输入卷积神经网络，以充分地提取不同维度以及不同时间的数据之间的高维关联特征，以获得第一特征图。

具体地，在本申请实施例中，将所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵，包括：首先，将所述各个时间点的用于表示重心变化的九个数值进行归一化处理。应可以理解，由于这九个数值分别对应于距离、速度和加速度三个维度，因此在特征提取之前，首先对其进行归一化，例如，可以采用最大值归一化的方法，也就是，可用公式Xnorm＝(Xi-Xmin)/(Xmax-Xmin)将每个值都映射到[0,1]之间的空间。

然后，将归一化处理后的所述各个时间点的用于表示重心变化的九个数值按照各个时间点排列为所述输入矩阵。值得一提的是，所述输入矩阵的维度为9*T，T代表时间点的数目。这里，为了充分利用细粒度的数据，T至少大于100。应可以理解，通过这样的方式处理，不仅可以消除数据特征之间的量纲影响，便于度量和后续的计算，而且还可以便于卷积神经网络的训练与收敛。

特别地，在一个具体示例中，将所述输入矩阵通过卷积神经网络以获得初始特征图，包括：所述卷积神经网络以如下公式从所述输入矩阵获得所述初始特征图；所述公式为：

f

其中，f

在步骤S150中，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵。应可以理解，考虑到所获得的所述初始数据，即所述位移量、所述速度和所述加速度所能够表达的重心变化的信息在维度方面仍然相对有限，因此在映射到高维特征空间中之后，每个时间点所对应的高维特征的分布为显得较为稀疏，从而不利于后续回归。因此，在本申请的技术方案中，进一步基于所获得的所述第一特征图中的每个所述特征矩阵来构造增广矩阵，从而一方面提高特征点在特征空间中的稠密度，一方面也进行尺度变换。

具体地，在本申请实施例中，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵的过程，包括：首先，对于所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵，计算所述特征矩阵中每行9个特征值的均值和方差；然后，基于该均值和该方差构造高斯正态分布，应可以理解，构造高斯正态分布能够增大分布的随机性；最后，从所述高斯正态分布中随机采样T个点以获得尺寸为T*T的所述增广矩阵。这样，再按照通道C排列后，可以得到T*T*C的第二特征图。值得一提的是，构造所述增广矩阵可以使得行向量整体上更符合高斯正态分布，从而减小了分布的随机性。

图5图示了根据本申请实施例的紧急时自动接听来电的方法中，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵的流程图。如图5所示，在本申请实施例中，对所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵，包括：S310，对于所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵，计算所述特征矩阵中每行9个特征值的均值和方差；S320，基于该均值和该方差构造高斯正态分布；以及，S330，从所述高斯正态分布中随机采样T个点以获得尺寸为T*T的所述增广矩阵。

在步骤S160中，通过用户佩戴的智能手环，获取所述用户在所述一系列时间点上相对于通讯设备的距离值并将所述一系列时间点的距离值构造为长度为T的距离向量。应可以理解，重心变化的规律与手机相对于用户的距离有关，也就是，当用户相较于手机较远时，其通常采用跑步的方式靠近手机，当距离手机较近时，其会弯腰快速地够向手机，这样，重心往往会急速地降低。因此，在本申请的技术方案中，为了使得随机采样的点能够在一定程度上符合运动趋势，从而增强回归的准确性，首先通过用户佩戴的智能手环来获取所述用户在所述一系列时间点上相对于通讯设备的距离值，并将其构造为长度为T的距离向量。值得一提的是，在其他应用场景中，还可以用其他电子设备来获取所述用户在所述一系列时间点上相对于通讯设备的距离值，对此并不为本申请所局限。

在步骤S170和步骤S180中，计算所述距离向量与所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵，并将尺寸为T*T的所述优化增广矩阵按照通道维度排列为分类特征图，所述分类特征图的尺寸为T*T*C。应可以理解，为了使得随机采样的点能够在一定程度上符合运动趋势，从而增强回归的准确性，因此，在本申请的技术方案中，计算长度为T的距离向量为增广矩阵的每个列向量之间的交叉熵数值，并以计算出的交叉熵数值对增广矩阵进行按列加权，以得到所述分类特征图。这样，所述分类特征图可以赋予符合运动趋势的局部特征分布更大的权重。值得一提的是，这里，所述分类特征图中各个位置的特征值表示融合了所述用户的重心变化数据特征和参考用户相对于手机之间的距离数据特征之间的隐含关联性特征。

在步骤S190中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果的过程，包括：首先，使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量；然后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得用户处于紧急状态的第一概率和用户不处于紧急状态的第二概率；以及，最后，基于所述第一概率和所述第二概率的比较，生成所述分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为用户处于紧急状态；当所述第一概率小于所述第二概率时，所述分类结果为用户不处于紧急状态。进一步地，响应于所述分类结果为用户处于紧急状态时，自动接听来电。

综上，本申请实施例的紧急时自动接听来电的方法被阐明，其基于重心变化的数据信息以及用户与手机之间的距离信息，采用深度学习技术的卷积神经网络模型来提取出不同维度以及不同时间的数据之间的高维关联特征，从而获得用于判断用户是否是处于紧急状态的分类结果。通过这样的方式，可以保证接听到紧急电话的效率更高，也就可以提高通话质量。

图6图示了根据本申请实施例的紧急时自动接听来电的系统的框图。如图6所示，根据本申请实施例的紧急时自动接听来电的系统600，包括：重心信息获取单元610，用于通过用户佩戴的智能手环，获取所述用户在一系列时间点上的重心信息，所述时间点的个数为T；变化量计算单元620，用于计算所述重心信息获取单元610获得的所述一系列时间点中各个时间点的重心相对于前一个时间点的重心的变化量，以获得用于表示每个时间点的重心变化的九个数值，其中，所述重心信息的变化量包括在X、Y和Z三个方向的位移量、在X、Y和Z三个方向的速度，以及，在X、Y和Z三个方向的加速度；输入矩阵构造单元630，用于将所述变化量计算单元620获得的所述各个时间点的用于表示重心变化的九个数值按时间维度构造为输入矩阵；卷积神经网络处理单元640，用于将所述输入矩阵构造单元630获得的所述输入矩阵通过卷积神经网络以获得初始特征图，其中，所述初始特征图的尺寸为9*T*C，C代表所述卷积神经网络的通道数；增广矩阵生成单元650，用于对所述卷积神经网络处理单元640获得的所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵进行基于高斯正态分布和随机分布采样的数据增广，以获得尺寸为T*T的增广矩阵；距离向量构造单元660，用于通过用户佩戴的智能手环，获取所述用户在所述一系列时间点上相对于通讯设备的距离值并将所述一系列时间点的距离值构造为长度为T的距离向量；优化单元670，用于计算所述距离向量构造单元660获得的所述距离向量与所述增广矩阵生成单元650获得的所述增广矩阵的每个列向量之间的交叉熵数值并以所述交叉熵数值对所述增广矩阵进行按列加权以获得尺寸为T*T的优化增广矩阵；分类特征图生成单元680，用于将尺寸为T*T的所述优化单元670获得的所述优化增广矩阵按照通道维度排列为分类特征图，所述分类特征图的尺寸为T*T*C；以及，分类结果生成单元690，用于将所述分类特征图生成单元680获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户是否是处于紧急状态。

在一个示例中，在上述紧急时自动接听来电的系统600中，如图7所示，所述变化量计算单元620，包括：位移量计算子单元621，用于计算所述一系列时间点中各个时间点的重心位置相对于前一个时间点的重心位置在X、Y、Z三个方向上的差值以获得在X、Y和Z三个方向的位移量；速度计算子单元622，用于计算所述位移量计算子单元621获得的所述一系列时间点中各个时间点的在X、Y和Z三个方向的位移量在时间上的一阶导数以获得在X、Y和Z三个方向的速度；以及，加速度计算子单元623，用于计算所述位移量计算子单元621获得的所述一系列时间点中各个时间点的在X、Y和Z三个方向的位移量在时间上的二阶导数以获得在X、Y和Z三个方向的加速度。

在一个示例中，在上述紧急时自动接听来电的系统600中，所述输入矩阵构造单元630，包括：归一化子单元，用于将所述各个时间点的用于表示重心变化的九个数值进行归一化处理；以及，排列子单元，用于将归一化处理后的所述归一化子单元获得的所述各个时间点的用于表示重心变化的九个数值按照各个时间点排列为所述输入矩阵。

在一个示例中，在上述紧急时自动接听来电的系统600中，所述卷积神经网络处理单元640，进一步用于：所述卷积神经网络以如下公式从所述输入矩阵获得所述初始特征图；所述公式为：

f

其中，f

在一个示例中，在上述紧急时自动接听来电的系统600中，如图8所示，所述增广矩阵生成单元650，包括：计算子单元651，用于对于所述初始特征图在其通道维度上的各个尺寸为9*T的特征矩阵，计算所述特征矩阵中每行9个特征值的均值和方差；高斯正态分布子单元652，用于基于该计算子单元651获得的所述均值和该计算子单元651获得的所述方差构造高斯正态分布；以及，采样子单元653，用于从所述高斯正态分布子单元652获得的所述高斯正态分布中随机采样T个点以获得尺寸为T*T的所述增广矩阵。

在一个示例中，在上述紧急时自动接听来电的系统600中，所述分类结果生成单元690，进一步用于：使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以获得用户处于紧急状态的第一概率和用户不处于紧急状态的第二概率；以及，基于所述第一概率和所述第二概率的比较，生成所述分类结果。

在一个示例中，在上述紧急时自动接听来电的系统600中，响应于所述分类结果为用户处于紧急状态，自动接听来电。

这里，本领域技术人员可以理解，上述紧急时自动接听来电的系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的紧急时自动接听来电的方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的紧急时自动接听来电的系统600可以实现在各种终端设备中，例如紧急时自动接听来电算法的服务器等。在一个示例中，根据本申请实施例的紧急时自动接听来电的系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该紧急时自动接听来电的系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该紧急时自动接听来电的系统600同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该紧急时自动接听来电的系统600与该终端设备也可以是分立的设备，并且该紧急时自动接听来电的系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

下面，参考图9来描述根据本申请实施例的电子设备。如图9所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的紧急时自动接听来电的方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入矩阵、增广矩阵等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的紧急时自动接听来电的方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的紧急时自动接听来电的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。