使用机器学习的设备掉落检测

技术领域

本公开一般涉及机器学习，并且更特别地涉及针对设备的基于机器学习的滥用检测。

背景技术

电子设备（诸如企业移动设备）可能会遭受恶劣的工业环境的影响。然而，用户通常不了解电子设备的性能规格。此外，用户通常具有对企业移动设备的最小既定所有权，因此保护企业移动设备或谨慎使用企业移动设备可能不是用户关心的问题。而且，当前没有追踪电子设备处置和/或通知用户电子设备的机械规格已被超出的机制。通过所付出的努力、独创性和创新，已经通过开发包括在本公开的实施例中的解决方案解决了许多这些被识别的问题，在本文中详细描述了其许多示例。

发明内容

根据本公开的实施例，提供了一种包括处理器和存储器的系统。存储器存储可执行指令，该可执行指令在由处理器执行时使处理器将电子设备的加速度计数据与多个定义的加速度计阈值进行比较，以识别与电子设备相关联的主要滥用事件类别。响应于识别出主要滥用事件类别，可执行指令还使处理器基于与电子设备的惯性数据、由电子设备所生成的图像数据以及由电子设备所捕获的音频数据相关联的机器学习技术，来生成针对与该电子设备相关联的次要滥用事件类别的第一预测。另外，可执行指令使处理器将惯性数据、图像数据和音频数据传输到与机器学习服务相关联的网络服务器设备，以便于基于惯性数据、图像数据和音频数据的针对次要滥用事件类别的第二预测的生成。

根据本公开的另一个实施例，提供了一种计算机实现的方法。该计算机实现的方法提供了由包括处理器的设备将电子设备的加速度计数据与多个定义的加速度计阈值进行比较，以识别与电子设备相关联的主要滥用事件类别。响应于识别出主要滥用事件类别，该计算机实现的方法还提供了由该设备基于与电子设备的惯性数据、由电子设备生成的图像数据以及由电子设备捕获的音频数据相关联的机器学习技术，来生成针对与该电子设备相关联的次要滥用事件类别的第一预测。另外，该计算机实现的方法提供了由设备将惯性数据、图像数据和音频数据传输到与机器学习服务相关联的网络服务器设备，以便于基于惯性数据、图像数据和音频数据来生成针对次要滥用事件类别的第二预测。

根据本公开的又另一个实施例，提供了一种计算机程序产品。该计算机程序产品为具有在其上体现的程序指令的至少一个计算机可读存储介质，该程序指令可由处理器执行以使处理器将电子设备的加速度计数据与多个定义的加速度计阈值进行比较，以识别与电子设备相关联的主要滥用事件类别。响应于识别出主要滥用事件类别，程序指令还可由处理器执行以使处理器基于与电子设备的惯性数据、由电子设备生成的图像数据以及由电子设备捕获的音频数据相关联的机器学习技术，来生成针对与电子设备相关联的次要滥用事件类别的第一预测。另外，程序指令可由处理器执行以使处理器将惯性数据、图像数据和音频数据传输到与机器学习服务相关联的网络服务器设备，以便于基于惯性数据、图像数据和音频数据来生成针对次要滥用事件类别的第二预测。

根据本公开的又另一个实施例，提供了一种包括处理器和存储器的系统。存储器存储可执行指令，该可执行指令在由处理器执行时并且响应于针对由电子设备确定的滥用事件类别的第一预测，使处理器接收电子设备的惯性数据、由电子设备生成的图像数据以及由电子设备捕获的音频数据。可执行指令还使处理器基于与惯性数据、图像数据和音频数据相关联的机器学习过程来生成针对滥用事件类别的第二预测。另外，可执行指令使处理器基于针对滥用事件类别的第一预测和针对滥用事件类别的第二预测来发起与电子设备相关联的动作。

根据本公开的又另一个实施例，提供了一种计算机实现的方法。响应于针对由电子设备确定的滥用事件类别的第一预测，该计算机实现的方法提供了由包括处理器的设备接收电子设备的惯性数据、由电子设备生成的图像数据以及由电子设备捕获的音频数据。该计算机实现的方法还提供了由该设备基于与惯性数据、图像数据和音频数据相关联的机器学习过程来生成针对滥用事件类别的第二预测。另外，该计算机实现的方法提供了由该设备基于针对滥用事件类别的第一预测和针对滥用事件类别的第二预测来发起与电子设备相关联的动作。

根据本公开的又另一个实施例，提供了一种计算机程序产品。该计算机程序产品为具有在其上体现的程序指令的至少一个计算机可读存储介质，该程序指令可由处理器执行，以使处理器响应于针对由电子设备确定的滥用事件类别的第一预测来接收电子设备的惯性数据、由电子设备生成的图像数据以及由电子设备捕获的音频数据。该程序指令也可由处理器执行以使处理器基于与惯性数据、图像数据和音频数据相关联的机器学习过程来生成针对滥用事件类别的第二预测。另外，该程序指令可由处理器执行以使处理器基于针对滥用事件类别的第一预测和针对滥用事件类别的第二预测来发起与电子设备相关联的动作。

附图说明

可以结合附图来阅读说明性实施例的描述。将领会到，为了图示的简单和清楚，图中图示的元件不一定是按比例绘制的。例如，一些元件的尺寸相对于其他元件被放大。关于在本文中呈现的各图来示出和描述并入本公开内容的教导的实施例，在附图中：

图1图示了根据本文中描述的一个或多个实施例的设备滥用检测系统；

图2图示了根据本文中描述的一个或多个实施例的云机器学习系统；

图3图示了根据本文中描述的一个或多个实施例的与用于使用机器学习来实行设备滥用检测的示例性环境相关联的系统；

图4图示了根据本文中描述的一个或多个实施例的与用于使用机器学习来实行设备滥用检测的另一示例性环境相关联的系统；

图5图示了根据本文中描述的一个或多个实施例的与数字信号过程相关联的系统；

图6图示了根据本文中描述的一个或多个实施例的与机器学习过程相关联的系统；

图7图示了根据本文中描述的一个或多个实施例的与使用机器学习实行设备滥用检测相关联的系统；

图8图示了根据本文中描述的一个或多个实施例的与加速度计数据相关联的系统；

图9图示了根据本文中描述的一个或多个实施例的用于便于使用机器学习进行设备滥用检测的流程图；以及

图10图示了根据本文中描述的一个或多个实施例的用于便于使用机器学习进行设备滥用检测的另一流程图。

具体实施方式

现在将参照附图更全面地在下文中描述本发明的各种实施例，附图中示出了本发明的一些但不是全部的实施例。实际上，本发明可以采用许多不同的形式来体现，并且不应该被解释为限于本文中所阐述的实施例；而是，提供这些实施例以使得本公开将满足可应用的法律要求。在本文中以替换的和结合的两种含义来使用术语“或”，除非另行指示的。术语“说明性”、“示例”和“示例性”被用作没有质量等级指示的示例。相似的数字始终指代相似的元件。

短语“在实施例中”、“在一个实施例中”、“根据一个实施例”等等通常意指跟在该短语后面的特定特征、结构或特性可以被包括在本发明的至少一个实施例中，并且可以被包括在本发明的多于一个实施例中（重要的是，这样的短语不一定指代相同的实施例）。

词语“示例性的”在本发明中被用来意指“用作示例、实例或图示”。在本文中被描述为是“示例性的”任何实现方式不一定被解释为相对于其它的实现方式是优选或有利的。

如果说明书陈述组件或特征“能够”、“可”、“可以”、“应该”、“将”、“优选地”、“可能地”、“通常地”、“可选地”、“例如”、“经常”或“可能”（或其他这样的语言）被包括或具有特性，则该特定组件或特征不需要被包括或具有该特性。这样的组件或特征可以可选地被包括在某些实施例中，或者其可以被排除。

电子设备（例如，企业电子设备）可能会遭受恶劣环境的影响。例如，电子设备（例如，企业移动设备）可能会遭受恶劣的工业环境、恶劣的材料处置环境、恶劣的商业环境和/或与配送中心、运输中心、仓库、工厂、商店等有关的另一种恶劣环境的影响。然而，用户通常不了解电子设备的性能规格。此外，用户通常具有对企业电子设备的最小既定所有权，因此保护企业电子设备或谨慎使用企业电子设备可能不是用户关心的问题。而且，当前没有追踪电子设备处置和/或通知用户电子设备的机械规格已被超出的机制。因此，用于电子设备的准确的掉落检测机制（例如，准确的滥用检测机制）是合期望的。

词语“滥用”在本文中被用来意指故意损害。例如，对电子设备的滥用可以被视为对电子设备的故意损坏。附加地，本文中使用的“滥用事件”可以对应于与一个或多个动作有关的事件，该事件导致对电子设备的故意损坏。

因此，为了解决这些和/或其他问题，本文中公开了使用机器学习的新颖的设备滥用检测。在这方面，通过使用本文中公开的使用机器学习的新颖的设备滥用检测，与常规电子设备相比，可以改善电子设备的性能和/或健康状态。此外，利用本文中公开的使用机器学习的新颖的设备滥用检测，可以改善电子设备诊断和/或电子设备使用情况跟踪。另外，可以提供自动的设备滥用识别，以发送与滥用事件有关的一个或多个通知和/或反馈。在实施例中，与电子设备相关联的加速度、与电子设备相关联的取向、与电子设备相关联的旋转速度、与电子设备相关联的温度、与电子设备相关联的惯性历史和/或与电子设备相关联的其他数据可以由机器学习分类器采用，来为电子设备提供准确的掉落检测器、准确的投掷检测器和/或准确的滥用检测器。基于加速度、取向、转速、温度、惯性历史和/或与电子设备相关联的其他数据，机器学习分类器可以生成滥用检测概率（例如，滥用检测概率分数）。可以例如从设备工程测试、计算机建模、计算机模拟、材料性能模型和/或另一个数据源收集用于机器学习分类器的初始训练数据。使用从现场（例如，通过其他电子设备）收集的影响事件数据和/或与其他电子设备相关联的设备检查，可以随着时间的推移进一步改善机器学习分类器的训练。因此，当已检测到与电子设备相关联的机械滥用时，可以提供通知用户的能力。结果，可以改善用户对电子设备的潜在损坏的意识，可以更改用户相对于电子设备的未来行为，和/或可以延长电子设备的可用性（例如，设备寿命）。在某些实施例中，可以提供电子设备的设备健康状态。例如，滥用事件可以触发电子设备的快照日志。例如，取证分析可以采用快照日志以影响包括高度、取向、旋转和/或环境条件在内的特性。快照日志可以附加地或替换地被用作机器学习的学习反馈。另外，快照日志可以附加地或替换地被用来将电子设备的设备子系统故障与滥用事件相关（例如，将电子设备的损坏的显示与关联于电子设备的特定滥用事件相关联等）。在另一个实施例中，可以采用与电子设备的滥用事件相关联的数据来驱动预测分析，以用于电子设备的未来滥用检测。在又另一个实施例中，与滥用事件相关联的数据可以附加地或替换地被采用来为电子设备提供仪表板设备损坏警报和/或抢先维护警报。在某些实施例中，与滥用事件相关联的数据可以附加地或替换地被用于与电子设备的设备退回和/或保修索赔有关的情境。

在实施例中，可以通过使用一种或多种机器学习技术来确定电子设备和对应类别的滥用事件。电子设备的滥用事件可以包括例如主要类别和次要类别。在示例中，滥用事件的主要类别可以被标记为“重大影响”，并且滥用事件的次要类别可以被标记为“掉在坚硬的表面上”。可以采用数字信号处理算法来便于对滥用事件的主要类别的预测。例如，可以采用数字信号处理算法（例如，低电平数字信号处理算法）来将电子设备的加速度计数据与一个或多个阈值（例如，三个阈值等）进行比较，以识别滥用事件的主要类别。阈值可以例如使用样本数据来创建。也可以采用机器学习算法来便于滥用事件的预测。例如，机器学习算法可以采用(a)惯性数据，其包括从电子设备上的一个或多个传感器接收的加速度计数据、取向数据、转速数据和/或其他数据，(b)图像数据（例如，由电子设备的一个或多个图像传感器捕获的图像数据），其包括电子设备在其中操作的环境的一个或多个图像，和/或(c)音频数据，其包括作为特征输入的从电子设备的一个或多个传声器捕获的音频。机器学习算法还可以将惯性数据、图像数据和/或音频数据针对每个主要类别类型的对应阈值进行比较，以预测滥用事件的次要类别。附加地，基于主要类别、次要类别和/或与电子设备相关联的数据的进一步分析，云服务可以提供与滥用事件有关的一个或多个可随时付诸实施（actionable）的建议。在某些实施例中，云服务可以实行进一步的机器学习以便于提供与滥用事件有关的一个或多个可随时付诸实施的推荐。

图1图示了提供示例性环境的系统100，在示例性环境内可以实现本公开的一个或多个实施例的一个或多个所描述的特征。根据实施例，系统100可以包括设备滥用检测系统102，以便于检测与电子设备相关联的滥用事件的实际应用。设备滥用检测系统102还可以与用于检测与电子设备相关联的滥用事件的一种或多种技术有关，该技术诸如例如是机器学习技术、人工智能技术、数字信号处理技术、传感器技术、网络技术、电子设备技术、计算机技术和/或一种或多种其他技术。设备滥用检测系统102还可以采用硬件和/或软件来解决一个或多个技术问题。另外，设备滥用检测系统102提供了不是抽象的并且不能由人类作为精神过程来实行的技术功能。此外，设备滥用检测系统102可以提供对诸如电子设备技术、设备掉落检测技术、设备滥用技术、数字技术和/或其他技术之类的一种或多种技术的改善。在实现方式中，设备滥用检测系统102可以改善电子设备的性能。例如，与常规电子设备相比，设备滥用检测系统102可以改善电子设备的性能和/或电子设备的健康状态。设备滥用检测系统102可以包括主要滥用事件组件104、次要滥用事件组件106和/或通信组件108。附加地，在某些实施例中，设备滥用检测系统102可以包括处理器110和/或存储器112。在某些实施例中，设备滥用检测系统102（和/或本文中公开的其他系统、装置和/或过程）的一个或多个方面可以构成体现在计算机可读存储介质（例如，存储器112）中的可执行指令。例如，在实施例中，存储器112可以存储计算机可执行组件和/或可执行指令（例如，程序指令）。另外，处理器110可以便于计算机可执行组件和/或可执行指令（例如，程序指令）的执行。在示例实施例中，处理器110可以被配置成执行存储在存储器112中或以其他方式可由处理器110访问的指令。

处理器110可以是能够实行根据本公开的一个或多个实施例的操作的硬件实体（例如，物理地体现在电路中）。替换地，在处理器110被体现为软件指令的执行器的实施例中，软件指令可以将处理器110配置成响应于软件指令正被执行来实行本文中描述的一个或多个算法和/或操作。在实施例中，处理器110可以是单核处理器、多核处理器、设备滥用检测系统102内部的多个处理器、远程处理器（例如，在服务器上实现的处理器）和/或虚拟机。在某些实施例中，处理器110经由总线与存储器112、主要滥用事件组件104、次要滥用事件组件106和/或通信组件108通信，例如以便于处理器110、存储器112、主要滥用事件组件104、次要滥用事件组件106和/或通信组件108当中的数据传输。处理器110可以采用许多不同的方式来体现，并且在某些实施例中，可以包括被配置成独立地实行的一个或多个处理设备。附加地或替换地，处理器110可以包括经由总线串联配置以使得能够实现指令的独立执行、数据的流水线化和/或指令的多线程执行的一个或多个处理器。存储器112可以是非暂时性的，并且可以包括例如一个或多个易失性存储器和/或一个或多个非易失性存储器。换句话说，例如，存储器112可以是电子存储设备（例如，计算机可读存储介质）。存储器112可以被配置成存储信息、数据、内容、一个或多个应用、一个或多个指令等等，以使得设备滥用检测系统102能够根据本文公开的一个或多个实施例来执行各种功能。如在本文中在本公开中使用的，术语“组件”、“系统”等等可以是和/或可以包括计算机相关的实体。例如，本文中公开的“组件”、“系统”等等可以是硬件、软件或者是硬件和软件的组合。作为示例，组件可以是但不限于是在处理器上执行的过程、处理器、电路、可执行组件、指令线程、程序和/或计算机实体。

设备滥用检测系统102（例如，设备滥用检测系统102的主要滥用事件组件104）可以接收设备数据114。设备数据114可以是与电子设备（例如，图3所示的电子设备302）有关的数据。电子设备可以是移动设备，诸如例如手持计算机、智能电话、平板计算机、可穿戴设备、虚拟现实设备、企业电子设备、扫描仪设备（例如，条形码扫描仪设备）、工业计算机或其他类型的电子设备。在一方面，设备数据114可以是从电子设备的一个或多个传感器生成和/或获得的传感器数据。在实施例中，设备数据114可以包括从电子设备的一个或多个加速度传感器生成和/或获得的加速度计数据。一个或多个加速度传感器可以测量与电子设备有关的加速度。另外，在实施例中，加速度计数据可以包括与电子设备的一个或多个加速度传感器的x坐标相关联的第一加速度计数据、与电子设备的一个或多个加速度传感器的y坐标相关联的第二加速度计数据，和/或与电子设备的一个或多个加速度传感器的z坐标相关联的第三加速度计数据。

主要滥用事件组件104可以与数据生成过程有关，以便于与电子设备相关联的主要滥用事件类别的识别。在一方面，主要滥用事件组件104可以将设备数据114的加速度计数据与多个定义的加速度计阈值进行比较，以识别与电子设备相关联的主要滥用事件类别。例如，主要滥用事件组件104可以基于第一定义的加速度计阈值和与一个或多个加速度传感器的x坐标相关联的第一加速度计数据之间的第一比较、第二定义的加速度计阈值和与一个或多个加速度传感器的y坐标相关联的第二加速度计数据之间的第二比较，以及第三定义的加速度计阈值和与一个或多个加速度传感器的z坐标相关联的第三加速度计数据之间的第三比较来识别与电子设备相关联的主要滥用事件类别。主要滥用事件类别可以识别电子设备的滥用事件的类型。滥用事件可以是与电子设备有关的损害事件（例如，故意损害事件），其可能导致对电子设备的潜在损害（例如，潜在的故意损害）。例如，主要滥用事件类别可以将电子设备的滥用事件识别为潜在的击中事件、潜在的掉落事件、潜在的投掷事件或可能对电子设备造成损害（例如，故意损害）的另一潜在事件。在某些实施例中，主要滥用事件组件104可以采用数字信号处理算法，以便于与电子设备相关联的主要滥用事件类别的识别。例如，当满足与电子设备有关的一个或多个条件时，主要滥用事件组件104可以采用数字信号处理算法来触发滥用事件。在实施例中，响应于加速度计数据满足定义的传感器值的确定，主要滥用事件组件104可以将主要滥用事件类别识别为与电子设备相关联的潜在击中事件和/或与电子设备相关联的潜在滥用事件。在另一个实施例中，主要滥用事件组件104可以响应于加速度计数据高于定义的传感器值长达特定的时间间隔的确定而将主要滥用事件类别识别为与电子设备相关联的潜在投掷事件。

次要滥用事件组件106也可以与数据生成过程有关。然而，次要滥用事件组件106可以采用一种或多种机器学习技术来便于与电子设备相关联的次要滥用事件类别的识别。例如，次要滥用事件组件106可以采用一种或多种机器学习技术来进一步分析设备数据114，以识别针对与电子设备相关联的滥用事件的次要滥用事件类别。在一方面，次要滥用事件组件106可以采用一种或多种机器学习技术来生成针对与关联于电子设备的滥用事件有关的次要滥用事件类别的预测（例如，第一预测）。在实施例中，设备数据114可以附加地包括与电子设备有关的惯性数据、由电子设备生成的图像数据和/或由电子设备捕获的音频数据。惯性数据可以包括加速度计数据、取向数据、转速数据和/或与电子设备有关的其他惯性数据。惯性数据可以从电子设备的一个或多个惯性传感器生成和/或获得。一个或多个惯性传感器可以测量与电子设备有关的取向和/或旋转速度。图像数据可以从电子设备的一个或多个图像传感器生成和/或获得。例如，图像数据可以从电子设备的一个或多个相机生成和/或获得。图像数据可以包括与电子设备在其中操作的环境有关的一个或多个图像。音频数据可以从电子设备的一个或多个传声器生成和/或获得。音频数据可以包括由一个或多个传声器捕获的声音，例如以提供与滥用事件和/或电子设备在其中操作的环境有关的情境。

次要滥用事件组件106可以基于与惯性数据、图像数据和/或音频数据相关联的一种或多种机器学习技术来识别与电子设备相关联的特定类型的滥用事件。另外，与主要滥用事件类别相比，次要滥用事件类别可以更准确地识别电子设备的滥用事件的类型。在一方面，次要滥用事件类别可以识别主要滥用事件类别的子类（例如，击中事件的子类、投掷事件的子类等）。例如，次要滥用事件组件106可以基于与惯性数据、图像数据和/或音频数据相关联的机器学习技术来识别与电子设备相关联的特定类型的滥用事件。次要滥用事件组件106还可以对与滥用事件相关联的其他上下文数据事件进行分类，诸如例如，与滥用事件相关联的表面类型（例如，电子设备击中的表面的类型等）、与滥用事件相关联的动作类型、与滥用事件相关联的投掷高度、与滥用事件相关联的投掷类型、与滥用事件相关联的投掷距离等。在示例中，次要滥用事件类别可以将电子设备的滥用事件识别为自由落体事件、与将电子设备近距离抛在地上有关的事件、与将电子设备远距离抛在地上有关的事件、与将电子设备向上扔并允许电子设备随后自由下落有关的事件、与将电子设备掉落在柔软表面上有关的事件、与将电子设备掉落在坚硬表面上有关的事件，或其他可能导致电子设备损坏的潜在事件。另外，次要滥用事件类别可以指示电子设备与击中事件、掉落事件或投掷事件无关。次要滥用事件组件106可以采用一种或多种机器学习算法来便于与电子设备相关联的次要滥用事件类别的识别。附加地，在实施例中，次要滥用事件组件106可以生成滥用事件数据116。滥用事件数据116可以包括与电子设备相关联的次要滥用事件类别的识别。另外，滥用事件数据116可以附加地或替换地包括与次要滥用事件类别有关的数据，诸如例如惯性数据、图像数据和/或音频数据。

在实施例中，次要滥用事件组件106可以采用一种或多种机器学习过程和/或一种或多种人工智能技术来识别与电子设备相关联的次要滥用事件类别。例如，次要滥用事件组件106可以相对于设备数据114（例如，惯性数据、图像数据和/或音频数据）的至少一部分来实行学习（例如，深度学习等），以确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与设备数据114（例如，惯性数据、图像数据和/或音频数据）有关的其他学到的信息。在一方面，次要滥用事件组件106可以采用一种或多种机器学习过程和/或一种或多种人工智能技术来生成与关联于电子设备的滥用事件有关的次要滥用事件类别的预测（例如，第一预测）。可以关于设备数据114（例如，惯性数据、图像数据和/或音频数据）的至少一部分明确地或隐式地实行由次要滥用事件组件106实行的学习。在另一方面，次要滥用事件组件106可以采用机器学习模型（例如，分类模型、机器学习分类器等）来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与设备数据114（例如，惯性数据、图像数据和/或音频数据）有关的其他学到的信息。在示例中，次要滥用事件组件106所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以利用一种或多种基于推理的方案来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与设备数据114（例如，惯性数据、图像数据和/或音频数据）有关的其他学到的信息。在一方面，可以将设备数据114（例如，惯性数据、图像数据和/或音频数据）的部分作为输入提供给机器学习模型（例如，分类模型、机器学习分类器等），以便于一个或多个机器学习过程和/或一个或多个人工智能技术来识别与电子设备相关联的次要滥用事件类别。另外，机器学习模型（例如，分类模型、机器学习分类器等）的输出可以例如是与关联于电子设备的滥用事件有关的次要滥用事件类别的预测（例如，第一预测）。在某些实施例中，机器学习模型的输出可以与数据模型描述相关联。例如，数据模型描述可以采用计算机格式来描述一个或多个滥用检测事件。在一方面，数据模型描述可以包括事件属性和/或与硬件、传感器和/或其他数据相关联的数据，它们被采用以便于滥用事件的检测。附加地或替换地，数据模型描述可以包括与数字信号处理相关联的数据。附加地或替换地，数据模型描述可以包括与一个或多个机器学习过程相关联的数据。附加地或替换地，数据模型描述可以包括与滥用事件类别（例如，主要滥用事件类别和/或次要滥用事件类别）的预测相关联的数据。数据模型描述可以附加地或替换地包括其他数据，诸如例如，与滥用事件相关联的时间戳、与滥用事件相关联的电子设备的电子设备数据、与滥用事件相关联的音频数据、与滥用事件相关联的图像数据，和/或与滥用事件相关联的其他数据。

在一个实施例中，次要滥用事件组件106可以采用支持向量机(SVM)分类器来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与设备数据114（例如，惯性数据、图像数据和/或音频数据）有关的其他学到的信息。在另一个实施例中，次要滥用事件组件106可以采用与以下各项相关联的一种或多种机器学习分类技术：贝叶斯机器学习网络、二进制分类模型、多类分类模型、线性分类器模型、二次分类器模型、神经网络模型、概率分类模型、决策树和/或一种或多种其他分类模型。次要滥用事件组件106所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以被明确地训练（例如，经由训练数据）和/或隐式地训练（例如，经由通过机器学习模型所接收到的外部数据）。例如，次要滥用事件组件106所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以利用包括滥用事件（例如，投掷事件、掉落事件、击中事件、自由落体事件、与将电子设备近距离抛在地上有关的事件、与将电子设备远距离抛在地上有关的事件、与将电子设备向上扔并允许电子设备随后自由下落有关的事件、与将电子设备掉落在柔软表面上有关的事件、与将电子设备掉落在坚硬表面上有关的事件，或其他可能导致电子设备损坏的潜在事件等）的一个或多个样本的训练数据来进行训练。

通信组件108可以与数据收集过程有关。例如，通信组件108可以收集与滥用事件相关联的数据（例如，与主要滥用事件组件104和/或次要滥用事件组件106的数据生成过程相关联的数据）。另外，通信组件108可以将与滥用事件相关联的数据传输到网络服务器设备（例如，中央云服务），以用于与滥用事件相关联的数据的进一步机器学习分析。例如，通信组件108可以将滥用事件数据116传输到与机器学习服务相关联的网络服务器设备，以便于基于滥用事件数据116的针对次要滥用事件类别的第二预测的生成。在实施例中，通信组件108可以将惯性数据、图像数据和/或音频数据传输到与机器学习服务相关联的网络服务器设备，以便于基于惯性数据、图像数据和/或音频数据的针对次要滥用事件类别的第二预测的生成。在某些实施例中，通信组件108可以从网络服务器设备接收机器学习模型（例如，机器学习分类器）。另外，次要滥用事件组件106可以基于从与机器学习服务相关联的网络服务器设备接收到的机器学习模型来生成针对次要滥用事件类别的第一预测。在某些实施例中，通信组件108可以从网络服务器设备接收通知，该通知基于针对次要滥用事件类别的第一预测和针对次要滥用事件类别的第二预测而生成。例如，该通知可以是电子设备的电子邮件消息、文本消息、空中(OTA)消息、警告消息（例如警报消息）、声音、振动和/或其他通知，它们可以向用户（例如，电子设备的用户）警告滥用事件。在某些实施例中，通信组件108可以从网络服务器设备接收来自网络服务器设备的反馈数据，以更改电子设备的一个或多个功能。

图2图示了提供示例性环境的系统200，在该示例性环境中可以实现本公开的一个或多个实施例的一个或多个所描述的特征。根据实施例，系统200可以包括云机器学习系统202，以便于检测与电子设备相关联的滥用事件的实际应用。云机器学习系统202还可以与一种或多种用于检测与电子设备相关联的滥用事件的技术有关，该技术诸如例如是机器学习技术、人工智能技术、数字信号处理技术、网络技术、服务器技术、云计算技术、计算机技术和/或一种或多种其他技术。云机器学习系统202还可以采用硬件和/或软件来解决一个或多个技术问题。另外，云机器学习系统202提供了不是抽象的并且不能由人类作为精神过程来实行的技术功能。此外，云机器学习系统202可以提供对诸如电子设备技术、设备掉落检测技术、设备滥用技术、数字技术和/或其他技术之类的一种或多种技术的改善。在实现方式中，云机器学习系统202可以改善电子设备的性能。例如，与常规电子设备相比，云机器学习系统202可以改善电子设备的性能和/或电子设备的健康状态。云机器学习系统202可以包括通信组件204、滥用事件组件206和/或动作组件208。附加地，在某些实施例中，云机器学习系统202可以包括处理器210和/或存储器212。在某些实施例中，云机器学习系统202（和/或本文中公开的其他系统、装置和/或过程）的一个或多个方面可以构成体现在计算机可读存储介质（例如，存储器212）内的可执行指令。例如，在实施例中，存储器212可以存储计算机可执行组件和/或可执行指令（例如，程序指令）。另外，处理器210可以便于计算机可执行组件和/或可执行指令（例如，程序指令）的执行。在示例实施例中，处理器210可以被配置成执行存储在存储器212中或以其他方式可由处理器210访问的指令。

处理器210可以是能够实行根据本公开的一个或多个实施例的操作的硬件实体（例如，物理地体现在电路中）。替换地，在处理器210被体现为软件指令的执行器的实施例中，软件指令可以将处理器210配置成响应于软件指令正被执行来实行本文中描述的一个或多个算法和/或操作。在实施例中，处理器210可以是单核处理器、多核处理器、云机器学习系统202内部的多个处理器、远程处理器（例如，在服务器上实现的处理器）和/或虚拟机。在某些实施例中，处理器210经由总线与存储器212、通信组件204、滥用事件组件206和/或动作组件208通信，例如以便于处理器210、存储器212、通信组件204、滥用事件组件206和/或动作组件208当中的数据传输。处理器210可以采用许多不同的方式来体现，并且可以例如包括被配置成独立地实行的一个或多个处理设备。附加地或替换地，处理器210可以包括经由总线串联配置以使得能够实现指令的独立执行、数据的流水线化和/或指令的多线程执行的一个或多个处理器。存储器212可以是非暂时性的，并且可以包括例如一个或多个易失性存储器和/或一个或多个非易失性存储器。换句话说，例如，存储器212可以是电子存储设备（例如，计算机可读存储介质）。存储器212可以被配置成存储信息、数据、内容、一个或多个应用、一个或多个指令等等，以使得云机器学习系统202能够根据本文中公开的一个或多个实施例来执行各种功能。

云机器学习系统202（例如，云机器学习系统202的通信组件204）可以接收由设备滥用检测系统102（例如，设备滥用检测系统102的通信组件108）传输的滥用事件数据116。例如，响应于由设备滥用检测系统102确定的针对次要滥用事件类别的第一预测，通信组件204可以接收惯性数据、图像数据和/或音频数据。通信组件204还可以便于设备滥用检测系统102与云机器学习系统202之间的一个或多个其他通信。在一方面，通信组件204可以与设备滥用检测系统102的通信组件108通信。

滥用事件组件206可以基于与滥用事件数据116相关联的机器学习过程来生成针对次要滥用事件类别的第二预测。滥用事件组件206所采用的机器学习过程可以与次要滥用事件组件106所采用的机器学习过程不同（例如，比其更复杂）。例如，滥用事件组件206可以基于与惯性数据、图像数据和音频数据相关联的机器学习过程来生成针对次要滥用事件类别的第二预测。附加地或替换地，滥用事件组件206可以基于与电子设备相关联的设备历史数据、与针对潜在滥用事件的一天中的时间或一年中的季节相关联的趋势数据、与电子设备的客户群的类型相关联的趋势数据、与关联于电子设备的用户类型相关联的趋势数据，来生成针对次要滥用事件类别的第二预测。滥用事件组件206还可以将针对次要滥用事件类别的第二预测与针对次要滥用事件类别的第一预测进行比较。这样，滥用事件组件206可以被用来验证由设备滥用检测系统102生成的针对次要事件类别的第一预测的准确性。在实施例中，滥用事件组件202可以采用一种或多种机器学习过程和/或一种或多种人工智能技术来识别与电子设备相关联的次要滥用事件类别。例如，滥用事件组件202可以关于滥用事件数据116、设备历史数据和/或趋势数据来实行学习（例如，深度学习等），以确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与滥用事件数据116、设备历史数据和/或趋势数据有关的其他学到的信息。在一方面，滥用事件组件202可以采用一种或多种机器学习过程和/或一种或多种人工智能技术来生成与关联于电子设备的滥用事件有关的次要滥用事件类别的预测（例如，第二预测）。可以关于滥用事件数据116、设备历史数据和/或趋势数据明确地或隐式地实行由滥用事件组件202实行的学习。在另一方面，滥用事件组件202可以采用机器学习模型（例如，分类模型、机器学习分类器等）来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与滥用事件数据116、设备历史数据和/或趋势数据有关的其他学到的信息。在示例中，滥用事件组件202所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以利用一种或多种基于推理的方案来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与滥用事件数据116、设备历史数据和/或趋势数据有关的其他学到的信息。在一方面，可以将滥用事件数据116、设备历史数据和/或趋势数据作为输入提供给机器学习模型（例如，分类模型、机器学习分类器等），以便于一种或多种机器学习过程和/或一种或多种人工智能技术来识别与电子设备相关联的次要滥用事件类别。另外，机器学习模型（例如，分类模型、机器学习分类器等）的输出可以例如是与关联于电子设备的滥用事件有关的次要滥用事件类别的预测（例如，第二预测）。

在一个实施例中，滥用事件组件202可以采用SVM分类器来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与滥用事件数据116、设备历史数据和/或趋势数据有关的其他学到的信息。在另一个实施例中，滥用事件组件202可以采用与以下各项相关联的一种或多种机器学习分类技术：贝叶斯机器学习网络、二进制分类模型、多类分类模型、线性分类器模型、二次分类器模型、神经网络模型、概率分类模型、决策树和/或一种或多种其他分类模型。滥用事件组件202所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以被明确地训练（例如，经由训练数据）和/或隐式地训练（例如，经由通过机器学习模型所接收到的外部数据）。例如，滥用事件组件202所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以利用包括滥用事件（例如，投掷事件、掉落事件、击中事件、自由落体事件、与将电子设备近距离抛在地上有关的事件、与将电子设备远距离抛在地上有关的事件、与将电子设备向上扔并允许电子设备随后自由下落有关的事件、与将电子设备掉落在柔软表面上有关的事件、与将电子设备掉落在坚硬表面上有关的事件，或可能导致电子设备损坏的另一种潜在事件等）的一个或多个样本的训练数据来进行训练。

在实施例中，动作组件208可以基于针对次要滥用事件类别的第一预测和针对次要滥用事件类别的第二预测来发起与电子设备相关联的动作。响应于针对次要滥用事件类别的第二预测对应于针对次要滥用事件类别的第一预测的确定，可以确定针对次要滥用事件类别的第一预测是正确的。另外，响应于针对次要滥用事件类别的第二预测对应于针对次要滥用事件类别的第一预测的确定，动作组件208可以发起与通知一个或多个管理员有关的一个或多个动作。用于管理员的通知可以包括例如与电子设备出现问题有关的信息、与关联于电子设备的用户行为有关的信息、与关联于电子设备的用户的培训需求有关的信息、与电子设备的维修需求有关的信息和/或与电子设备和/或关联于电子设备的用户有关的其他信息。在某些实施例中，可以基于与电子设备相关联的用户简档和/或管理员通知简档来配置通知。在某些实施例中，通知可以便于对以下各项的通知：有关来自一个或多个电子设备的设备滥用事件的收集数据的细节、对潜在的电子设备滥用的全屋范围（estate-wide）的意识、关于电子设备的用户行为的意识、在电子设备的使用方式上比较不同位置和/或不同用户，和/或在电子设备需要维修时的保修影响确定。附加地或替换地，响应于针对次要滥用事件类别的第二预测对应于针对次要滥用事件类别的第一预测的确定，动作组件208可以发起与电子设备有关的一个或多个动作。例如，响应于针对次要滥用事件类别的第二预测对应于针对次要滥用事件类别的第一预测的确定，动作组件208可以将一个或多个通知传输到电子设备。例如，该通知可以是用于电子设备的电子邮件消息、用于电子设备的文本消息、用于电子设备的OTA消息、用于电子设备的警告消息（例如，警报消息）、要由电子设备生成的声音、要由电子设备生成的振动，和/或用于可以向用户（例如，电子设备的用户）警告滥用事件的电子设备的另一个通知。附加地或替换地，响应于确定针对次要滥用事件类别的第二预测对应于针对次要滥用事件类别的第一预测，动作组件208可以更改电子设备的一个或多个功能。

然而，响应于针对次要滥用事件类别的第二预测不对应于针对次要滥用事件类别的第一预测的确定，动作组件208可以基于针对次要滥用事件类别的第二预测来训练（例如，再训练）设备滥用检测系统102所采用的机器学习模型（例如，机器学习分类器、分类模型等）。例如，响应于针对次要滥用事件类别的第二预测不对应于针对次要滥用事件类别的第一预测的确定，动作组件208可以基于滥用事件数据116和/或与滥用事件数据116相关联的机器学习过程来训练（例如，再训练）设备滥用检测系统102所采用的机器学习模型（例如，机器学习分类器、分类模型等）。机器学习模型（例如，机器学习分类器、分类模型等）可以是机器学习模型，以便于对次要滥用事件类别的分类。在某些实施例中，可以基于滥用事件数据116和/或与滥用事件数据116相关联的机器学习过程来更改用于机器学习模型的一个或多个阈值（例如，一个或多个分类阈值）。在实施例中，通信组件204可以将针对次要滥用事件类别的机器学习模型（例如，机器学习分类器、分类模型等）的再训练版本传输到电子设备。附加地，在实施例中，滥用事件组件206可以生成滥用事件数据214。滥用事件数据214可以包括由滥用事件组件206确定的次要滥用事件类别的识别（例如，针对次要滥用事件类别的第二预测）。

在某些实施例中，通信组件204可以从一个或多个其他电子设备接收数据。另外，动作组件208可以基于滥用事件数据116和/或与一个或多个其他电子设备相关联的数据来训练（例如，再训练）机器学习模型（例如，机器学习分类器、分类模型等）。例如，动作组件208可以基于惯性数据、图像数据、音频数据和/或与一个或多个其他电子设备相关联的数据来训练（例如，再训练）机器学习模型（例如，机器学习分类器、分类模型等）。在某些实施例中，动作组件208可以基于与电子设备相关联的设备历史数据来附加地或替换地发起与电子设备相关联的动作。在某些实施例中，动作组件208可以基于与一天中的时间或一年中的季节相关联的趋势数据来附加地或替换地发起与电子设备相关联的动作。在某些实施例中，动作组件208可以基于与电子设备的客户群的类型相关联的趋势数据来附加地或替换地发起与电子设备相关联的动作。在某些实施例中，动作组件208可以基于与关联于电子设备的用户类型相关联的趋势数据来附加地或替换地发起与电子设备相关联的动作。

图3图示了提供示例性环境的系统300，在该示例性环境中可以实现本公开的一个或多个实施例的一个或多个所描述的特征。为了简洁起见，省略了在本文的其他实施例中所描述的相同元件的重复描述。系统300包括电子设备302和网络服务器设备304。电子设备302可以经由网络306与网络服务器设备304通信。电子设备302可以是移动设备，诸如例如是手持计算机、智能电话、平板计算机、可穿戴设备、虚拟现实设备、企业电子设备、扫描仪设备（例如，条形码扫描仪设备）、工业计算机或其他类型的电子设备。另外，电子设备302可以与潜在的滥用事件相关联。网络服务器设备304可以是与一个或多个服务器相关联的服务器系统（例如，云计算系统）。

电子设备302可以包括设备滥用检测系统102、一个或多个传感器308和/或数字信号处理器310，以便于对与电子设备302相关联的滥用事件的检测。网络服务器设备304可以包括云机器学习系统202。包括云机器学习系统202的网络服务器设备304还可以便于对与电子设备302相关联的滥用事件的检测。一个或多个传感器308可以包括一个或多个加速度传感器、一个或多个惯性传感器、一个或多个图像传感器、一个或多个滥用传感器（例如，一个或多个虚拟滥用传感器）和/或一个或多个其他传感器。一个或多个传感器308可以例如生成设备数据114的至少一部分。例如，一个或多个传感器308可以生成设备滥用检测系统102所采用的加速度计数据、惯性数据和/或图像数据。数字信号处理器310可以便于由设备滥用检测系统102实行的数字信号处理，以识别与电子设备302相关联的主要滥用事件类别。一个或多个传感器308还可以便于识别与电子设备302相关联的主要滥用事件类别。另外，一个或多个传感器308可以便于识别针对与电子设备302相关联的次要滥用事件类别的第一预测。在实施例中，电子设备302（例如，设备滥用检测系统102）可以经由网络306将滥用事件数据116传输到网络服务器设备304（例如，云机器学习系统202）。网络306可以是采用无线技术和/或有线技术在电子设备302与网络服务器设备304之间传输数据的通信网络。例如，网络306可以是Wi-Fi网络、近场通信(NFC)网络、微波访问全球互通性(WiMAX)网络、个人区域网(PAN)、短距离无线网络（例如，蓝牙

图4图示了提供示例性环境的系统400，在该示例性环境中可以实现本公开的一个或多个实施例的一个或多个所描述的特征。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。系统400包括用于电子设备302的硬件部分、用于电子设备302的应用部分以及网络服务器设备304的一部分。用于电子设备302的硬件部分可以包括滥用传感器402、数字信号处理器404、加速度传感器404、图像传感器406、传声器408和/或惯性传感器410。滥用传感器402可以被配置成感测与电子设备302相关联的滥用状况。滥用传感器402还可以生成加速度计数据的至少一部分。附加地，在某些实施例中，滥用传感器402可以结合电子设备302的硬盘驱动器来实现。例如，数字信号处理器404可以对应于数字信号处理器310。数字信号处理器404可以便于由电子设备302实行的数字信号处理。加速度传感器405可以生成加速度计数据的至少一部分。图像传感器406可以生成图像数据的至少一部分。传声器408可以生成音频数据的至少一部分。惯性传感器410可以生成惯性数据的至少一部分。

设备配置管理器412可以便于与滥用传感器402、数字信号处理器404、加速度传感器404、图像传感器406、传声器408和/或惯性传感器410相关联的数据的管理。附加地或替换地，设备配置管理器412可以便于对与网络服务器设备304的机器学习引擎414、系统计数器416、警报通知418和/或云机器学习系统202相关联的数据的管理。在实施例中，机器学习引擎414可以管理由次要滥用事件组件106实行的一个或多个机器学习过程，以识别针对与电子设备302相关联的次要滥用事件类别的第一预测。另外，云机器学习系统202可以管理一个或多个不同的机器学习过程，以识别针对与电子设备302相关联的次要滥用事件类别的第二预测。在实施例中，由云机器学习系统202实行的一个或多个不同的机器学习过程可以比由次要滥用事件组件106实行的一个或多个机器学习过程更为复杂。系统计数器416可以被用来确定加速度计数据高于与加速度传感器405和/或滥用传感器402相关联的定义的传感器值的时间间隔。警报通知418可以是由云机器学习系统202提供的一个或多个通知。在实施例中，可以经由电子设备302的显示器（例如，图形用户界面）来呈现警报通知418。在另一个实施例中，警报通知418可以经由电子设备302被呈现为声音通知和/或振动通知。

在示例实施例中，数字信号处理器404可以基于来自加速度传感器405和/或滥用传感器402的数据来确定电子设备302是否发生了滥用事件（例如，投掷事件或击中事件）。例如，数字信号处理器404可以基于来自加速度传感器405和/或滥用传感器402的数据是否满足一个或多个阈值来确定电子设备302是否发生了滥用事件（例如，投掷事件或击中事件）。云机器学习系统202可以接收与滥用事件相关联的数据和/或加速度传感器405和/或滥用传感器402的原始数据。云机器学习系统202可以关于与滥用事件相关联的数据和/或加速度传感器405和/或滥用传感器402的原始数据来实行机器学习分类。例如，云机器学习系统202可以采用原始的加速度传感器数据（例如，加速度计x坐标数据、加速度计y坐标数据和加速度计z坐标数据）来实行滥用事件的进一步分析和/或区分。例如，响应于云机器学习系统202接收与投掷事件有关的数据和/或与投掷事件有关的加速度传感器数据，云机器学习系统202可以采用机器学习模型来进一步分析与投掷事件有关的数据和/或与投掷事件有关的加速度传感器数据。另外，与机器学习模型相关联的机器学习过程的结果可以提供关于投掷事件是实际的投掷事件还是其他类型的非滥用事件的确定，诸如用户投掷并抓住电子设备302等。在一方面，可以基于滥用事件的数据样本来训练云机器学习系统202所采用的机器学习模型。例如，可以基于击中事件和投掷事件的数据样本来训练云机器学习系统202所采用的机器学习模型。也可以将原始数据作为输入提供给机器学习模型，以作为击中事件或投掷事件而生成输出值。

在某些实施例中，云机器学习系统202可以采用附加数据，诸如最大加速度、自由落体时间、一天中的时间、客户群、客户类型子设备302的历史和/或用于与机器学习模型相关联的机器学习过程的其他趋势数据。在一方面，基于附加数据，云机器学习系统202可以提供滥用事件的重新分类。例如，在电子设备302是零售客户设备并且以小于某个定义的值的最大加速度和一天中的2:00 AM（例如，对于零售员工而言是非正常的工作时间）报告了众多击中滥用事件的场景中，云机器学习系统202可以将这些事件标记为非滥用事件，而不是滥用事件。附加地，在某些实施例中，云机器学习系统202可以再训练机器学习模型以生成新的机器学习模型。云机器学习系统202还可以将新的机器学习模型提供给与电子设备302相关联的机器学习引擎414。利用新的机器学习模型，电子设备302可以提供对滥用事件的改善的预测和/或可以提供更准确的滥用事件结果。这样，云机器学习系统202可以针对与电子设备302相关联的机器学习引擎414重复地完善机器学习模型。此外，云机器学习系统202可以提供来自多个电子设备收集的滥用数据的细节。这样，云机器学习系统202可以提供对潜在的电子设备滥用和/或用户行为的全屋范围的意识。云机器学习系统202还可以提供在电子设备的使用方式上比较不同位置和/或不同用户的能力。附加地，云机器学习系统202可以基于云机器学习系统202所收集的滥用信息来改善电子设备进行维修时的保修确定。

图5图示了根据本公开的一个或多个实施例的可以被实现的系统500。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。系统500包括数字信号处理器404和加速度传感器405。加速度传感器405可以生成存储在加速事件数据库502中的数据。例如，加速事件数据库502可以存储与一个或多个加速事件相关联的数据。加速事件可以包括与加速度传感器405的x坐标、加速度传感器405的y坐标和/或加速度传感器405的z坐标相关联的数据。例如，第一加速事件可以包括加速度传感器405的第一x坐标数据、加速度传感器405的第一y坐标数据以及加速度传感器405的第一z坐标数据。另外，第二加速事件可以包括加速度传感器405的第二x坐标数据、加速度传感器405的第二y坐标数据以及加速度传感器405的第二z坐标数据等。在实施例中，数字信号处理器404可以处理存储在加速事件数据库502中的数据（例如，与一个或多个加速事件相关联的数据）。另外，数字信号处理器404可以基于加速事件数据库502中存储的数据来生成与一个或多个滥用传感器事件相关联的数据。例如，数字信号处理器404可以确定存储在加速事件数据库502中的与滥用事件相关联的数据的至少一部分。数字信号处理器404还可以将与一个或多个滥用传感器事件相关联的数据存储在滥用传感器事件数据库504中。

在实施例中，数字信号处理器404可以实行数字信号过程506以确定与一个或多个滥用传感器事件相关联的数据。数字信号过程506可以包括确定加速度（例如，加速度(a)）的步骤508。例如，在步骤508处，加速度可以等于

图6图示了根据本公开的一个或多个实施例的可以实现的系统600。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。系统600可以包括加速度传感器监控602，其将样本（例如，最后一秒内的样本）重复地存储在加速度传感器数据库604中。系统600可以附加地包括滥用传感器监控606，其生成投掷事件数据608。例如，投掷事件数据608可以包括与投掷开始事件518和/或投掷停止事件522相关联的数据。在实施例中，滥用传感器监控606可以过滤来自加速度传感器数据库604的样本。滥用传感器监控606可以附加地或替换地生成击中事件数据610。击中事件数据610可以包括例如与击中事件512相关联的数据。机器学习引擎612可以采用投掷事件数据608和/或击中事件数据610来实行一个或多个机器学习过程，该过程与生成针对与电子设备302相关联的次要滥用事件类别的预测（例如，第一预测）有关。例如，机器学习引擎612可以对应于机器学习引擎414。在实施例中，机器学习引擎612可以与由次要滥用事件组件106实行的机器学习过程相关联。结果处理614可以提供例如与机器学习引擎612相关联的结果。例如，结果处理614可以提供针对与电子设备302相关联的次要滥用事件类别的预测（例如，第一预测）。在另一个实施例中，结果处理614可以包括发起与针对与电子设备302相关联的次要滥用事件类别的预测（例如，第一预测）有关的一个或多个动作。

图7图示了根据本公开的一个或多个实施例的可以实现的系统700。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。系统700可以包括数字信号处理702，其使用加速度计数据704来识别针对与电子设备（例如，电子设备302）相关联的滥用事件的主要滥用事件类别706。加速度计数据704可以由一个或多个传感器308、滥用传感器402和/或加速度传感器405生成。系统700还可以包括机器学习过程708，该机器学习过程708采用惯性数据710、图像数据712、音频数据714、设备历史数据716和/或趋势数据718来识别针对与电子设备（例如，电子设备302）相关联的滥用事件的次要滥用事件类别720。例如，惯性数据710可以由一个或多个传感器308和/或惯性传感器410生成。附加地，图像数据712可以由一个或多个传感器308和/或图像传感器406生成。音频数据714可以例如由传声器408生成。设备历史数据716可以是与电子设备（例如，电子设备302）相关联的设备数据（例如，历史设备数据）。设备历史记录数据716还可以提供对与电子设备（例如，电子设备302）相关联的用户行为的洞察。趋势数据718可以与以下各项相关联：滥用事件的一天中的时间或一年中的季节、电子设备（例如，电子设备302）的客户群的类型、与电子设备（例如，电子设备302）相关联的用户类型、与电子设备（例如，电子设备302）相关联的用户趋势和/或与滥用事件相关联的其他趋势数据。

数字信号处理702可以接收加速度计数据704作为输入，以便于确定主要滥用事件类别706。数字信号处理702可以采用一种或多种数字信号处理技术来分析加速度计数据704。在某些实施例中，数字信号处理702可以与数字信号处理器（例如，数字信号处理器310、数字信号处理器404等）有关，以关于加速度计数据704来实行一个或多个信号处理操作。在某些实施例中，数字信号处理702可以采用一种或多种数字信号处理技术来分析加速度计数据704的x坐标数据、y坐标数据和/或z坐标数据。在一个示例中，数字信号处理702可以确定某个加速度计值（例如，√(x

在实施例中，机器学习过程708可以采用一种或多种机器学习过程和/或一种或多种人工智能技术来确定次要滥用事件类别720。例如，机器学习过程708可以相对于惯性数据710、图像数据712和/或音频数据714来实行学习（例如，深度学习等），以确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与惯性数据710、图像数据712和/或音频数据714有关的其他学到的信息。在一方面，机器学习过程708可以采用一种或多种机器学习过程和/或一种或多种人工智能技术来确定次要滥用事件类别720。可以相对于惯性数据710、图像数据712和/或音频数据714明确地或隐式地实行由机器学习过程708实行的学习。在另一方面，机器学习过程708可以采用机器学习模型（例如，分类模型、机器学习分类器等）来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与惯性数据710、图像数据712和/或音频数据714有关的其他学到的信息。在示例中，机器学习过程708所采用的机器学习模型（例如，分类模型、机器学习分类器等）可以利用一种或多种基于推理的方案来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论、一种或多种模式、一种或多种特征和/或与惯性数据710、图像数据712和/或音频数据714有关的其他学到的信息。在一方面，可以将惯性数据710、图像数据712和/或音频数据714作为输入提供给机器学习过程708，以便于一个或多个机器学习过程和/或一个或多个人工智能技术，以确定次要滥用事件类别720。此外，机器学习过程708的输出可以是例如次要滥用事件类别720和/或针对次要滥用事件类别720的预测。

在一个实施例中，机器学习过程708可以采用SVM分类器来确定一种或多种分类、一种或多种相关性、一种或多种表达、一种或多种推论，一种或多种模式、一种或多种特征和/或与惯性数据710、图像数据712和/或音频数据714有关的其他学到的信息。在另一实施例中，机器学习过程708可以采用与以下各项相关联的一种或多种机器学习分类技术：贝叶斯机器学习网络、二进制分类模型、多类分类模型、线性分类器模型、二次分类器模型、神经网络模型、概率分类模型、决策树和/或一个或多个其他分类模型。另外，在某些实施例中，机器学习过程708可以被明确地训练（例如，经由训练数据）和/或隐式地训练（例如，经由机器学习过程708接收到的外部数据）。在实施例中，次要滥用事件类别706可以对应于针对电子设备302的滥用事件、与将电子设备302近距离抛在地上有关的时间、与将电子设备302远距离抛在地上有关的事件、与将电子设备302向上扔并允许电子设备随后自由下落有关的事件、与将电子设备302掉落在柔软表面上有关的事件、与将电子设备302掉落在坚硬表面上有关的事件，或其他可能导致电子设备302损坏的潜在事件。另外，次要滥用事件类别可以指示电子设备302与击中事件、掉落事件或投掷事件无关。

图8图示了根据本公开的一个或多个实施例的可以实现的系统800。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。系统800可以包括加速度计x坐标数据802、加速度计y坐标数据804和/或加速度计z坐标数据806。加速度计x坐标数据802、加速度计y坐标数据804和/或加速度计z坐标数据806可以由一个或多个传感器308、滥用传感器402和/或加速度传感器405生成。在实施例中，主要滥用事件组件104可以基于第一定义的加速度计阈值与加速度计x坐标数据802之间的第一比较、第二定义的加速度计阈值与加速度计y坐标数据804之间的第二比较，以及第三定义加速度计阈值与加速度计z坐标数据806之间的第三比较来识别与电子设备相关联的主要滥用事件类别。在另一实施例中，主要滥用事件组件104可以采用基于时间的数字信号处理算法来分析加速度计x坐标数据802、加速度计y坐标数据804和/或加速度计z坐标数据806。例如，主要滥用事件组件104可以在加速度计x坐标数据802、加速度计y坐标数据804和/或加速度计z坐标数据806中识别一种或多种模式。例如，加速度计x坐标数据802可以包括满足与第一定义的加速度计阈值相关联的定义的滥用事件准则的模式808，加速度计y坐标数据804可以包括满足与第二定义的加速度计阈值相关联的定义的滥用事件准则的模式810，和/或加速度计z坐标数据806可以包括满足与第三定义的加速度计阈值相关联的定义的滥用事件准则的模式812。

图9图示了根据本文中描述的一个或多个实施例的用于便于使用机器学习进行设备滥用检测的计算机实现的方法900。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。例如，计算机实现的方法900可以与设备滥用检测系统102相关联。在一个或多个实施例中，计算机实现的方法900开始于由包括处理器的设备将电子设备的加速度计数据与多个定义的加速度计阈值进行比较，以识别与电子设备相关联的主要滥用事件类别（框902）。计算机实现的方法900进一步包括：响应于识别出主要滥用事件类别，由设备基于与电子设备的惯性数据、由电子设备所生成的图像数据以及由电子设备所捕获的音频数据相关联的机器学习技术，来生成针对与电子设备相关联的次要滥用事件类别的第一预测（框904）。另外，计算机实现的方法900包括由设备将惯性数据、图像数据和音频数据传输到与机器学习服务相关联的网络服务器设备，以便于基于惯性数据、图像数据和音频数据来生成针对次要滥用事件类别的第二预测（框906）。在某些实施例中，计算机实现的方法900可以进一步包括由设备基于从与机器学习服务相关联的网络服务器设备接收到的机器学习模型来生成针对次要滥用事件类别的第一预测。附加地，在某些实施例中，计算机实现的方法900可以进一步包括由设备接收通知，该通知基于针对次要滥用事件类别的第一预测和针对次要滥用事件类别的第二预测而生成。

图10图示了根据本文描述的一个或多个实施例的用于便于使用机器学习进行设备滥用检测的计算机实现的方法1000。为了简洁起见，省略了在本文的其他实施例中描述的相同元件的重复描述。例如，计算机实现的方法1000可以与云机器学习系统202相关联。在一个或多个实施例中，计算机实现的方法1000开始于，响应于针对由电子设备确定的滥用事件类别的第一预测，由包括处理器的设备接收电子设备的惯性数据、由电子设备所生成的图像数据以及由电子设备所捕获的音频数据（框1002）。计算机实现的方法1000进一步包括：由设备基于与惯性数据、图像数据和音频数据相关联的机器学习过程来生成针对滥用事件类别的第二预测（框1004）。另外，计算机实现的方法1000包括：由设备基于针对滥用事件类别的第一预测和针对滥用事件类别的第二预测来发起与电子设备相关联的动作。

在一些示例实施例中，可以如下所述修改或进一步放大本文中的某些操作。此外，在一些实施例中，还可以包括附加的可选操作。应当领会到，本文所述的每一个修改、可选添加或放大可以与本文中的操作单独地或与本文所述的特征当中的任何其他特征组合地被包括。

前面提到的方法描述和过程流程图仅仅被提供作为说明性示例并且不意图要求或暗示各个实施例的步骤必须以所呈现的次序来实行。如将由本领域技术人员领会到的，可以以任何次序来实行前面提到的实施例中的步骤的次序。诸如“此后”、“然后”、“下一个”等的词语无意限制步骤的次序；这些词语仅被用来指导读者通过对方法的描述。另外，对以单数形式的权利要求要素的参考（例如使用冠词“一”、“一个”或“该”）不要被解释为将该要素限制为单数。

被用来实现结合本文中公开的实施例所描述的各个说明性逻辑、逻辑块、模块和电路的硬件可以包括通用处理器、数字信号处理器(DSP)、诸如专用集成电路(ASIC)或现场可编程门阵列(FPGA)之类的专用处理器、可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件，或被设计成实行本文中所描述的功能的其任何组合。通用处理器可以是微处理器，但是在替换方案中，处理器可以是任何处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、结合DSP核心的一个或多个微处理器或任何其他这样的配置。替换地或此外，某些步骤或方法可以由特定于给定功能的电路来实行。

在一个或多个示例实施例中，本文描述的功能可以通过专用硬件或由固件或其他软件编程的硬件的组合来实现。在依赖固件或其他软件的实现方式中，可以作为执行存储在一个或多个非暂时性计算机可读介质和/或一个或多个非暂时性处理器可读介质上的一个或多个指令的结果来实行功能。这些指令可以通过驻留在一个或多个非暂时性计算机可读或处理器可读的存储介质上的一个或多个处理器可执行软件模块来体现。在这方面，非暂时性计算机可读或处理器可读存储介质可以包括可以由计算机或处理器访问的任何存储介质。作为示例而非限制，这样的非暂时性计算机可读或处理器可读介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、FLASH存储器、磁盘存储、磁存储设备等等。如在本文中使用的磁盘存储包括紧凑盘(CD)、激光盘、光学盘、数字多功能盘(DVD)、软盘和蓝光射线盘

这些发明所涉及到的领域中的技术人员将会受益于前述描述和相关联的附图中呈现的教导而想到本文中阐述的本发明的许多修改和其它实施例。尽管附图仅示出了本文描述的设备和系统的某些组件，但是理解的是，各种其他组件可以与供应管理系统结合使用。因此，要理解的是，该发明不要被限于所公开的具体实施例，并且修改和其它实施例意图被包括在所附权利要求的范围内。此外，上述方法中的步骤可能不一定按照附图中描绘的次序发生，并且在某些情况下，所描绘的一个或多个步骤可能基本同时发生，或者可能涉及附加的步骤。虽然本文中采用了特定的术语，但是它们仅以一般和描述性的意义被使用，而不是为了限制的目的。