技术摘要：
本申请实施例公开了一种状态识别方法、装置以及电子设备。方法包括：处理器获取运动传感器采集的传感器数据；通过目标循环神经网络对传感器数据进行处理，得到目标循环神经网络输出的第一特征，目标循环神经网络包括有门循环单元；基于注意力机制对第一特征进行特征提  全部
背景技术：
随着人工智能技术的发展，在许多的生活场景中都利用到了人工智能技术。例如， 在用户通勤的过程中，可以通过人工智能技术来识别用户所携带的电子设备的状态，以便 确定用户所处的状态。但是，在相关的检测用户状态的方法中，还存在准确性有待提升的问 题。
技术实现要素：
鉴于上述问题，本申请提出了一种状态识别方法、装置以及电子设备，以改善上述 问题。 第一方面，本申请提供了一种状态识别方法，应用于电子设备，所述电子设备包括 处理器以及运动传感器，所述方法包括：所述处理器获取所述运动传感器采集的传感器数 据；通过目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神经网络输出 的第一特征，所述目标循环神经网络包括有门循环单元；基于注意力机制对所述第一特征 进行特征提取，得到第二特征；基于所述第二特征与状态类别之间的映射关系，确定与所述 第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果。 第二方面，本申请提供了一种状态识别装置，所述电子设备包括处理器以及运动 传感器，所述装置运行于所述处理器，所述装置包括：数据采集单元，用于获取所述运动传 感器采集的传感器数据；第一特征获取单元，用于通过目标循环神经网络对所述传感器数 据进行处理，得到所述目标循环神经网络输出的第一特征，所述目标循环神经网络包括有 门循环单元；第二特征获取单元，用于基于注意力机制对所述第一特征进行特征提取，得到 第二特征；状态识别单元，用于基于所述第二特征与状态类别之间的映射关系，确定与所述 第二特征对应的目标状态类别，并将所述目标状态类别对应的状态作为状态识别结果。 第三方面，本申请提供了一种电子设备，所述电子设备至少包括处理器、数字信号 处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述处理器以及 所述数字信号处理器执行以实现上述方法。 第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中 存储有程序代码，其中，在所述程序代码被第一数据处理器件或者第二数据处理器件运行 时执行上述的方法。 本申请提供的一种状态识别方法、装置以及电子设备，在电子设备至少包括处理 器以及运动传感器的情况下，该处理器在获取所述运动传感器采集的传感器数据后，通过 包括有门循环单元的目标循环神经网络对所述传感器数据进行处理，得到所述目标循环神 经网络输出的第一特征，然后再基于注意力机制对所述第一特征进行特征提取，得到第二 5 CN 111582382 A 说　明　书 2/14 页 特征，进而基于所述第二特征与状态类别之间的映射关系，确定与所述第二特征对应的目 标状态类别。从而通过引入注意力机制的方式，使得在有连续多个传感器数据输入的情况 下，可以良好的进行连续多个传感器数据对应状态的识别，进而在基于传感器数据对应状 态来识别用户状态的情况下，提升了对于用户状态识别的准确性。 附图说明 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使 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申请的一些实施例，对于 本领域技术人员来讲，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。 图1示出了本申请一实施例提出的一种状态识别方法的流程图； 图2示出了本申请另一实施例提出的一种状态识别方法的流程图； 图3示出了本申请实施例中获取水平加速度数据的示意图； 图4示出了本申请实施例中进行短时傅里叶特征提取的示意图； 图5示出了本申请另一实施例提出的一种状态识别方法的流程图； 图6示出了图5中S360的一种实施方式的流程图； 图7示出了本申请实施例中在进行池化处理过程中排序的示意图； 图8示出了本申请实施例中进行注意力尺度化的示意图； 图9示出了本申请实施例中进行注意力提取的示意图； 图10示出了本申请实施例中确定目标状态类别的示意图； 图11示出了本申请再一实施例提出的一种状态识别方法的流程图； 图12示出了本申请又一实施例提出的一种状态识别方法的流程图； 图13示出了本申请实施例提出的一种状态识别装置的结构框图； 图14示出了本申请实施例提出的另一种状态识别装置的结构框图； 图15示出了本申请实施例提出的再一种状态识别装置的结构框图； 图16示出了本申请的用于执行根据本申请实施例的状态识别方法的另一种电子 设备的结构框图； 图17是本申请实施例的用于保存或者携带实现根据本申请实施例的状态识别方 法的程序代码的存储单元。