CN108078561A - 用于获得心率的方法和用于该方法的电子设备 - Google Patents
用于获得心率的方法和用于该方法的电子设备 Download PDFInfo
- Publication number
- CN108078561A CN108078561A CN201711187167.3A CN201711187167A CN108078561A CN 108078561 A CN108078561 A CN 108078561A CN 201711187167 A CN201711187167 A CN 201711187167A CN 108078561 A CN108078561 A CN 108078561A
- Authority
- CN
- China
- Prior art keywords
- heartbeat
- data
- processor
- heartbeat data
- electronic equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000033001 locomotion Effects 0.000 claims abstract description 151
- 230000008859 change Effects 0.000 claims description 130
- 230000001133 acceleration Effects 0.000 claims description 118
- 230000033764 rhythmic process Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 41
- 238000004891 communication Methods 0.000 description 30
- 238000005259 measurement Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 20
- 230000003287 optical effect Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 8
- 230000001413 cellular effect Effects 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 241001269238 Data Species 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005242 forging Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000009532 heart rate measurement Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005496 tempering Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- XEGGRYVFLWGFHI-UHFFFAOYSA-N bendiocarb Chemical compound CNC(=O)OC1=CC=CC2=C1OC(C)(C)O2 XEGGRYVFLWGFHI-UHFFFAOYSA-N 0.000 description 1
- 238000004166 bioassay Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000012866 low blood pressure Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000001646 magnetic resonance method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/10—Athletes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/683—Means for maintaining contact with the body
- A61B5/6831—Straps, bands or harnesses
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physical Education & Sports Medicine (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Telephone Function (AREA)
- User Interface Of Digital Computer (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
提供了一种电子设备和方法。电子设备可以包括运动传感器、心率监测传感器以及与运动传感器和心率监测传感器功能耦合的处理器。处理器可以被配置为:使用运动传感器获得第一持续时间内的第一运动传感器数据,使用心率监测传感器获得第一持续时间内的第一心跳数据,基于第一运动传感器数据确定锻炼类型,基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围,使用心率监测传感器获得第二持续时间内的第二心跳数据,确定第二心跳数据是否落入心跳预测范围内,以及基于确定结果确定第二持续时间的心跳数据。
Description
技术领域
本发明大体上涉及用于获得心率的方法和装置。
背景技术
近来,随着数字技术的进步,诸如移动通信终端、个人数字助理(PDA)、电子笔记本、智能电话、平板个人计算机(PC)和可穿戴设备之类的各种电子设备被广泛使用。为了支持和扩展功能,电子设备的硬件和/或软件稳步改进。例如,电子设备可以包括一个或多个传感器,并使用从传感器获得的传感器数据收集其状态或用户的生物信息。
例如,电子设备可以使用心率监测传感器来测量用户的心率。心率监测传感器可以包括光发射器和光接收器,其可以是光学传感器(例如,绿/红发光二极管(LED))。当电子设备附着到用户身体上时,心率监测器的光发射器可以输出光,并且光接收器可以接收从用户身体的一部分反射的输出光。通过基于时间数字化和布置在光接收器处接收到的光量,可以产生指示特定频率的信号。心率监测传感器可以通过对产生的信号扫描与心跳相对应的频率来测量心率。
为了进行准确的心率测量,用户需要在他/她的胸部穿戴心率监测传感器。而且,当心率监测传感器扫描频率并且用户移动时,根据移动的频率可能影响对应于心跳的频率。在这种情况下,为了测量准确的心率,需要从心率监测传感器产生的信号中去除根据移动的频率(例如噪声)。另外,当心率监测传感器没有紧密地附着到用户的身体部位时,基于在光接收器处接收的光量的信号可能相当不稳定。结果,仅仅通过去除心率测量中的各种噪声,可能无法获得准确的心率。
发明内容
根据本公开的一个方面,电子设备可以包括运动传感器、心率监测传感器以及与运动传感器和心率监测传感器功能耦合的处理器。处理器可以被配置为:使用运动传感器获得第一持续时间内的第一运动传感器数据,使用心率监测传感器获得第一持续时间内的第一心跳数据,基于第一运动传感器数据确定锻炼类型,基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围,使用心率监测传感器获得第二持续时间内的第二心跳数据,确定第二心跳数据是否落入心跳预测范围内,以及基于确定结果确定第二持续时间的心跳数据。
根据本公开的另一方面,用于操作包括运动传感器和心率监测传感器的电子设备的方法可以包括:使用运动传感器获得第一持续时间内的第一运动传感器数据,并且使用心率监测传感器获得第一持续时间内的第一心跳数据;基于第一运动传感器数据确定锻炼类型;基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围;确定获得的第二持续时间内的第二心跳数据是否落入心跳预测范围内;以及基于确定结果确定第二持续时间的心跳数据。
根据本公开的又一方面,计算机可读记录介质可以包括程序,所述程序用于:使用运动传感器获得第一持续时间内的第一运动传感器数据,并且使用心率监测传感器获得第一持续时间内的第一心跳数据;基于第一运动传感器数据确定锻炼类型;基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围;确定获得的第二持续时间内的第二心跳数据是否落入心跳预测范围内;以及基于确定结果确定第二持续时间的心跳数据。
根据各种实施例,通过使用用户的锻炼信息和传感器信息,可以校正由心率监测传感器测量的心率,从而可以获得更准确的心率。
根据各种实施例,可以通过心率校正获取准确的心率来计算基于心率的热量。
根据各种实施例,可以通过基于用户运动获取准确的心率来使用心率来提供各种信息。
根据以下结合附图来公开本公开的示例实施例的详细描述,本公开的其他方面和显著特征对于本领域技术人员将变得显而易见。
附图说明
结合附图,根据以下详细描述,本公开的特定示例实施例的上述和其他方面和特征将更清楚,附图中:
图1是根据各种实施例的网络中的电子设备的框图;
图2是根据各种实施例的电子设备的框图;
图3是根据各种实施例的程序模块的框图;
图4是根据各种实施例的电子设备的框图;
图5是根据各种实施例的电子设备的操作方法的流程图;
图6A和6B是根据各种实施例的电子设备中预测的心跳数据的图;
图7A、7B、7C和7D是根据各种实施例的、根据锻炼类型不同地测量的心跳数据的图;
图8是根据各种实施例的基于锻炼类型确定的心跳预测范围的图;
图9是根据各种实施例的用于确定电子设备中的心跳预测范围的方法的流程图;以及
图10是根据各种实施例的使用电子设备的心跳数据来提供信息的方法的流程图。
贯穿附图,相似的附图标记将被理解为指代相似的部件、组件和结构。
具体实施方式
在下文中,将参考附图来描述本公开的各种实施例。然而应该理解的是并不旨在将本公开局限于这里公开的具体形式;相反,本公开应当被解释为覆盖本公开的实施例的各种修改、等同物和/或替代。在描述附图的过程中,可以将相似的附图标记用于表示相似的组成元件。如本文所用,表述“具有”、“可以具有”、“包括”或“可以包括”指的是存在对应特征(例如,数字、功能、操作或诸如组件的构成元素),而不排除一个或更多个附加特征。在本公开中,表述“A或B”、“A或/和B中的至少一个”或“A或/和B中的一个或多个”可以包括所列出项目的所有可能组合。例如,表述“A或B”、“A和B中的至少一个”或“A或B中的至少一个”指的是以下所有情形:(1)包括至少一个A,(2)包括至少一个B,或者(3)包括至少一个A和至少一个B的全部。在本公开各种实施例中使用的表述“第一”或“第二”可以修饰各种组件,而不管顺序和/或重要性如何,但不限制对应组件。例如,第一用户设备和第二用户设备指示不同的用户设备,但它们都是用户设备。例如,可以将第一元件称为第二元件,以及类似地可以将第二元件称为第一元件,而不脱离本公开。
应当理解:当将一元件(例如,第一元件)称为(可操作或可通信地)“连接”或“耦接”到另一元件(例如,第二元件)时,该元件可以直接连接或直接耦接到该另一元件,或者可以在它们之间插入任何其他元件(例如,第三元件)。相反,可以理解:在将一元件(例如,第一元件)称为“直接连接”或“直接耦接”到另一元件(第二元件)时,则不存在插入在它们之间的元件(例如,第三元件)。
根据情况,在本公开中使用的表述“被配置为”可以与以下各项交换:例如,“适合于”、“具有...的能力”、“被设计用于”、“适于”、“制作用于”或“能够”。术语“被配置为...”可能不一定意味着在硬件方面“被专门设计为...”。备选地,在一些情况下,表述“被配置为...的设备”可以意味着该设备与其它设备或组件一起“能够...”。例如,短语“适于(或(被)配置为)执行A、B和C的处理器”可以意味着仅用于执行对应操作的专用处理器(例如,嵌入式处理器),或可以通过执行存储在存储器设备中的一个或多个软件程序来执行对应操作的通用处理器(例如,中央处理单元(CPU)或应用处理器(AP))。
本公开中使用的术语仅用于描述具体实施例,并不旨在限制本公开。除非上下文另外清楚地指示,否则单数形式也意在包括复数形式。除非另行定义,否则本文所用的所有术语(包括技术术语和科学术语)具有与本公开所属技术领域的技术人员通常理解的含义相同的含义。除非本公开中清楚地定义,否则这样的术语(如在常用词典中定义的术语)可以被解释为具有与相关技术领域中的上下文含义等同的含义,而不应被解释为具有理想的或过分正式的含义。在一些情况下,即使本公开中定义的术语也不应被解释为排除本公开的实施例。
根据本公开各种实施例的电子设备可以包括以下至少一项:智能电话、平板个人计算机(PC)、移动电话、视频电话、电子书阅读器(e-book阅读器)、台式PC、膝上型PC、上网本计算机、工作站、服务器、个人数字助手(PDA)、便携式多媒体播放器(PMP)、MPEG-1音频层-3(MP3)播放器、移动医疗设备、相机和可穿戴设备。根据各种实施例,可穿戴设备可以包括以下至少一种:饰品类型(例如,手表、戒指、手环、脚环、项链、眼镜、隐形眼镜或头戴式设备(HMD))、衣料或服饰集成类型(例如,电子服饰)、身体安装类型(例如,皮肤贴或纹身)和生物植入类型(例如,可植入电路),并因此包括可以将所述设备固定到用户身体的带子、带扣、钩子、吊具、锁或任何其他附件。根据一些实施例,电子设备可以是家用电器。家用电器可以包括例如电视(TV)、数字多功能盘(DVD)播放器、音频设备、冰箱、空调、吸尘器、烤箱、微波炉、洗衣机、空气净化器、机顶盒、家用自动控制面板、安全控制面板、TV盒(例如,Samsung HomeSyncTM、Apple TVTM或Google TVTM)、游戏机(例如,XboxTM和PlayStationTM)、电子词典、电子钥匙、录像机和电子相框中的至少一个。
根据另一实施例,电子设备可以包括以下至少一项:各种医疗设备(例如,各种便携式医疗测量设备(血糖监控设备、心率监控设备、血压测量设备、体温测量设备等)、磁共振血管造影(MRA)、磁共振成像(MRI)、计算机断层扫描(CT)机和超声波扫描机)、导航设备、全球定位系统(GPS)接收机、事件数据记录仪(EDR)、飞行数据记录仪(FDR)、车辆信息娱乐设备、船用电子设备(例如,船用导航设备和罗盘)、航空电子设备、安全设备、车辆头单元、工业或家用机器人、银行的自动柜员机(ATM)、商店的销售点或物联网(例如,灯泡、各种传感器、电表或燃气表、洒水器设备、火警、恒温器、街灯、烤面包机、运动器材、热水箱、加热器、锅炉等)。
根据一些实施例,电子设备可以包括家具或建筑物/结构的一部分、电子板、电子签名接收设备、投影仪、以及各种测量仪器(例如水表、电表、气表、和无线电波表)中的至少一个。根据本公开的各种实施例的电子设备可以是上述各种设备之一或多个的组合。根据本公开一些实施例的电子设备可以是柔性设备。此外,根据本公开实施例的电子设备不限于上述设备,并可以包括根据技术发展的新型电子设备。下文中,将参考附图来描述根据各种实施例的电子设备。本文所使用的术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如,人工智能电子设备)。
图1示出了根据本公开各种实施例的包括电子设备的网络环境。
将参考图1来描述根据各种实施例的网络环境100中的电子设备101。电子设备101可以包括总线110、处理器120、存储器130、输入/输出接口150、显示器160和通信接口170。根据本公开的实施例,电子设备101可以省略上述组件中的至少一个,或还可以包括其他组件。
总线110可以包括例如将组件110至170互连并且在组件110至170之间递送通信(例如,控制消息或数据)的电路。
处理器120可以包括以下项中的一个或多个:中央处理单元(CPU)、应用处理器(AP)和通信处理器(CP)。处理器120可以执行例如与电子设备101的至少一个其它组件的控制和/或通信相关的计算或数据处理。
存储器130可以包括易失性存储器和/或非易失性存储器。存储器130可以存储例如与电子设备101的至少一个其它组件相关的命令或数据。根据本公开的实施例,存储器130可以存储软件和/或程序140。程序140可以包括例如内核141、中间件143、应用编程接口(API)145和/或应用程序(或“应用”)147。内核141、中间件143、和API145中的至少一些可以被称作操作系统(OS)。
内核141可以控制或管理用于执行在其它程序(例如,中间件143、API 145或应用程序147)中实施的操作或功能的系统资源(例如,总线110、处理器120或存储器130)。此外,内核141可以提供接口,其中,中间件143、API 145或应用程序147可以通过所述接口访问电子设备101的各个组件,以控制或管理系统资源。
例如,中间件143可以充当用于允许API 145或应用程序147与内核141通信以交换数据的媒介。此外,中间件143可以根据优先级来处理从应用程序147接收到的一个或多个任务请求。例如,中间件143可以向应用程序147中的至少一个分配使用电子设备101的系统资源(例如,总线110、处理器120、存储器130等)的优先级。例如,中间件143可以通过根据所分配的优先级处理一个或多个任务请求,来对所述一个或多个任务请求执行调度或负载均衡。
API 145是应用147通过其控制从内核141或中间件143提供的功能的接口,并可以包括例如用于文件控制、窗口控制、图像处理、字符控制等的至少一个接口或功能(例如,指令)。
例如,输入/输出接口150可以用作可以向电子设备101的其它组件传送从用户或另一外部设备输入的命令或数据的接口。此外,输入/输出接口150可以向用户或另一外部设备输出从电子设备101的其它组件接收的指令或数据。
显示器160的示例可以包括液晶显示器(LCD)、发光二极管(LED)显示器、有机发光二极管(OLED)显示器、微机电系统(MEMS)显示器以及电子纸显示器。例如,显示器160可以向用户显示各种类型的内容(例如,文本、图像、视频、图标或符号)。显示器160可以包括触摸屏,并可以接收例如使用电子笔或用户身体的一部分输入的触摸、手势、接近或悬停。
例如,通信接口170可以建立电子设备101与外部设备(例如,第一外部电子设备102、第二外部电子设备104或服务器106)之间的通信。例如,通信接口170可以通过无线或有线通信连接到网络162,并且可以与外部设备(例如,第二外部电子设备104或服务器106)通信。无线通信可以使用以下中的至少一个作为蜂窝通信协议:例如长期演进(LTE)、LTE高级(LTE-A)、码分多址(CDMA)、宽带CDMA(WCDMA)、通用移动电信系统(UMTS)、无线宽带(WiBro)和全球移动通信系统(GSM)。此外,无线通信可以包括例如短距离通信164。
短距离通信164可以包括例如Wi-Fi、蓝牙、近场通信(NFC)和全球导航卫星系统(GNSS)中的至少一个。GNSS可以基于位置、带宽等而包括例如以下至少一项:全球定位系统(GPS)、全球导航卫星系统(GLONASS,格洛纳斯)、北斗导航卫星系统(北斗)或伽利略和欧洲全球卫星导航系统。下文中,在本公开中,“GPS”可以与“GNSS”相互交换使用。有线通信可以包括例如通用串行总线(USB)、高清多媒体接口(HDMI)、推荐标准232(RS-232)和普通老式电话服务(POTS)中的至少一个。网络162可包括诸如计算机网络(例如LAN或WAN)之类的电信网络、互联网和电话网络中的至少一种。
第一外部电子设备102和第二外部电子设备104中的每一个可以是与电子设备101相同或不同类型的电子设备。根据本公开的实施例,服务器106可以包括具有一个或多个服务器的组。根据本公开的各种实施例,可以在另一电子设备或多个电子设备(例如,电子设备102和104或服务器106)中执行在电子设备101中执行的所有操作或部分操作。根据本公开的实施例,当电子设备101必须自动地或根据请求来执行一些功能或服务时,代替电子设备101本身执行该功能或服务或者在电子设备101自身执行该功能或服务之外,电子设备101可以请求另一设备(例如,电子设备102或104或服务器106)执行与该功能或服务相关的至少一些功能。另一电子设备(例如,电子设备102或104或服务器106)可以执行所请求的功能或附加功能,并可以向电子设备101递送执行结果。电子设备101可以原样地或另外地处理接收到的结果,并可以提供所请求的功能或服务。为此,例如,可以使用云计算、分布式计算或客户端-服务器计算技术。
图2是根据本公开各种实施例的电子设备的框图。
电子设备201可以包括例如图1所示的电子设备101的整体或一部分。电子设备201可以包括一个或多个处理器(例如,应用处理器(AP))210、通信模块220、存储器230、传感器模块240、输入设备250、显示器260、接口270、音频模块280、相机模块291、电源管理模块295、电池296、指示器297和电机298。
处理器210可以通过驱动操作系统或应用程序来控制与处理器210连接的多个硬件或软件组件,并且执行各种数据段的处理和计算。处理器210可以实现为例如片上系统(SoC)。根据本公开实施例,处理器210还可以包括图形处理单元(GPU)和/或图像信号处理器。处理器210可以包括图2所示的组件中的至少一些(例如,蜂窝模块221)。处理器210可以将从至少一个其他元件(例如,非易失性存储器)接收的命令或数据加载到易失性存储器中,并且可以处理加载的命令或数据,而且可以将各种数据存储在非易失性存储器中。
通信模块220可以具有与图1的通信接口170相同或相似的配置。通信模块220可以包括例如蜂窝模块221、Wi-Fi模块223、BT模块225、GNSS模块227(例如,GPS模块227、Glonass模块、北斗模块或伽利略模块)、NFC模块228和射频(RF)模块229。蜂窝模块221例如可以通过通信网络提供语音呼叫、视频呼叫、文本消息服务或互联网服务。根据本公开的实施例,蜂窝模块221可以通过使用订户识别模块卡(例如SIM卡)224(例如,SIM卡)来在通信网络中区分和认证电子设备201。根据本公开的实施例,蜂窝模块221可以执行AP 210可以提供的功能中的至少一些。根据本公开的实施例,蜂窝模块221可包括通信处理器(CP)。
例如,Wi-Fi模块223、BT模块225、GNSS模块227和NFC模块228中的每一个可以包括用于处理通过对应模块发送/接收的数据的处理器。根据本公开的实施例,蜂窝模块221、Wi-Fi模块223、BT模块225、GNSS模块227和NFC模块228中的至少一些(例如,两个或更多个)可以包括在一个集成芯片(IC)或IC封装中。例如,RF模块229可以发送/接收通信信号(例如,RF信号)。RF模块229可以包括例如收发机、功率放大器模块(PAM)、频率滤波器、低噪声放大器(LNA)和天线。根据本公开的另一实施例,蜂窝模块221、Wi-Fi模块223、BT模块225、GNSS模块227和NFC模块228中的至少一个可以通过单独的RF模块来发送/接收RF信号。订户识别模块224可以包括例如含有用户识别模块和/或嵌入式SIM的卡,并且可以包含唯一识别信息(例如,集成电路卡标识符(ICCID))或订户信息(例如,国际移动订户标识(IMSI))。
存储器230(例如,存储器130)可以包括例如嵌入式存储器232或者外部存储器234。嵌入式存储器232可以包括以下至少一项:易失性存储器(例如,动态随机存取存储器(DRAM)、静态RAM(SRAM)、同步动态RAM(SDRAM)等)、以及非易失性存储器(例如,一次性可编程只读存储器(OTPROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、掩模ROM、闪存ROM、闪存(例如,NAND闪存或NOR闪存)、硬盘驱动器、固态驱动器(SSD)等)。外部存储器234还可以包括闪存驱动,例如,紧凑型闪存(CF)、安全数字(SD)、微型安全数字(Micro-SD)、迷你型安全数字(Mini-SD)、极限数字(xD)、多媒体卡(MMC)、存储棒等。外部存储器234可以通过各种接口与电子设备201功能连接和/或物理连接。
传感器模块240例如可以测量物理量或检测电子设备201的操作状态,并且可以将测量的或检测的信息转换为电信号。传感器模块240可以包括例如以下至少一项:手势传感器240A、陀螺传感器240B、气压传感器(气压计)240C、磁传感器240D、加速度传感器240E、握持传感器240F、接近传感器240G、颜色传感器240H(例如,红、绿、蓝(RGB)传感器)、生物测定传感器(医疗传感器)240I、温度/湿度传感器240J、照度传感器240K和紫外(UV)传感器240M。附加地或者备选地,传感器模块240可以包括例如电子鼻传感器、肌电图(EMG)传感器、脑电图(EEG)传感器、心电图(ECG)传感器、红外(IR)传感器、虹膜传感器和/或指纹扫描传感器。传感器模块240还可以包括用于控制包括在其中的一个或多个传感器的控制电路。根据本公开的实施例,电子设备201还可以包括作为处理器210的一部分或与处理器210分离的被配置为控制传感器模块240的处理器,并且当处理器210处于休眠状态时,电子设备201可以控制传感器模块240。
输入设备250可以包括例如触摸面板252、(数字)笔传感器254、键256或超声输入设备258。触摸面板252可以使用例如电容型、电阻型、红外型和超声型中的至少一种。触摸面板252还可以包括控制电路。触摸面板252还可以包括触觉层,并向用户提供触觉反应。(数字)笔传感器254可以包括例如识别片,该识别片是触摸面板的一部分或者与触摸面板分离。键256可以包括例如物理按钮、光学键或键区。超声输入设备258可以通过麦克风(例如,麦克风288)来检测由输入工具产生的超声波,并识别与检测到的超声波对应的数据。
显示器260(例如,显示器160)可以包括面板262、全息设备264或投影仪266。面板262可以包括与图1示出的显示器160相同或类似的配置。面板262可以被实现为例如柔性的、透明的或可穿戴的。面板262可以与触摸面板252一起被实现为单个模块。全息设备264可以通过使用光的干涉在空中显示三维(3D)图像。投影仪266可以将光投影到屏幕上以便显示图像。该屏幕可以位于例如电子设备201的内部或外部。根据本公开实施例,显示器260还可以包括用于控制面板262、全息设备264、或投影仪266的控制电路。
接口270可以包括例如高清多媒体接口(HDMI)272、通用串行总线(USB)274、光学接口276或D-超小型(D-sub)278。接口270可以被包括在例如图1所示的通信接口170中。附加地或备选地,接口270可以包括例如移动高清链路(MHL)接口、安全数字(SD)卡/多媒体卡(MMC)接口或红外数据协会(IrDA)标准接口。
音频模块280例如可以双向地转换声音和电信号。音频模块280的至少一些组件可以被包括在例如图1中所示的输入/输出接口150中。音频模块280可以处理通过例如扬声器282、听筒284、耳机286或麦克风288输入或输出的语音信息。相机模块291是例如可以拍摄静止图像和视频的设备。根据本公开的实施例,相机模块291可以包括一个或多个图像传感器(例如,前置传感器或后置传感器)、镜头、图像信号处理器(ISP)或闪光灯(例如,LED或氙灯)。
电源管理模块295可以管理例如电子设备201的电力。根据本公开的实施例,电源管理模块295可以包括电源管理集成电路(PMIC)、充电器集成电路(IC)、或电池或燃料表。PMIC可以使用有线和/或无线充电方法。无线充电方法的示例可以包括例如磁谐振方法、磁感应方法、电磁波方法等。还可以包括用于无线充电的附加电路(例如,线圈环、谐振电路、整流器等)。电池表可以测量例如电池296的剩余量以及在充电时的电压、电流或温度。例如,电池296可以包括可再充电电池和/或太阳能电池。
指示器297可以显示电子设备201或电子设备201的一部分(例如,处理器210)的特定状态(例如,引导状态、消息状态、充电状态等)。电机298可以将电信号转换成机械振动,并且可以产生振动、触觉效果等。尽管未示出,但是电子设备201可以包括用于支持移动TV的处理设备(例如GPU)。用于支持移动TV的处理设备可以例如根据诸如数字多媒体广播(DMB)、数字视频广播(DVB)或mediaFLOTM的特定标准来处理媒体数据。
根据本公开的硬件的每个上述组成元件可以配置有一个或多个组件,且相应组成元件的名称可以基于电子设备的类型而改变。在各种实施例中,电子设备可以包括上述元件中的至少一个元件。电子设备可以省略上述元件中的一些,或电子设备还可以包括附加元件。此外,根据各种实施例的硬件组件中的一些可以组合为一个实体,该实体可以执行与相关组件在组合之前的功能相同的功能。
图3是根据本公开各种实施例的程序模块的框图。
根据本公开的实施例,程序模块310(例如,程序140)可以包括用于控制与电子设备(例如,电子设备101)相关的资源的操作系统(OS)和/或在操作系统上执行的各种应用(例如,应用程序147)。操作系统可以是例如AndroidTM、iOSTM、WindowsTM、SymbianTM、TizenTM、BadaTM等。程序模块310可以包括内核320、中间件330、API 360和/或应用370。程序模块310的至少一部分可以预先加载到电子设备上,或者可以从外部电子设备(例如,电子设备102或104或服务器106)下载。
内核320(例如,内核141)可以包括例如系统资源管理器321和/或设备驱动器323。系统资源管理器321可以控制、分配或收集系统资源。根据本公开的实施例,系统资源管理器321可以包括进程管理单元、存储器管理单元、文件系统管理单元等。设备驱动323例如可以包括显示器驱动、相机驱动、蓝牙驱动、共享存储器驱动、USB驱动、键区驱动、Wi-Fi驱动、音频驱动或进程间通信(IPC)驱动。
例如,中间件330可以提供应用370共同使用的功能,或者可以通过API 360向应用370提供各种功能,以使得应用370能够有效地使用电子设备内有限的系统资源。根据本公开的实施例,中间件330(例如,中间件143)可以包括以下至少一项:运行时库335、应用管理器341、窗口管理器342、多媒体管理器343、资源管理器344、电源管理器345、数据库管理器346、数据包管理器347、连接管理器348、通知管理器349、位置管理器350、图形管理器351和安全管理器352。
运行时库335可以包括库模块,在应用370被运行的同时,编译器使用所述库模块来通过编程语言添加新的功能。运行时库335可以执行输入/输出管理、存储器管理、算术函数的功能等。
应用管理器341可以管理例如至少一个应用370的生命周期。窗口管理器342可以管理屏幕所使用的图形用户界面(GUI)资源。多媒体管理器343可以识别用于再现各种媒体文件所使用的格式,并可以通过使用适合于相应格式的编解码器对媒体文件执行编码或解码。资源管理器344可以管理至少一个应用370的源代码、存储器和存储空间的资源。
电源管理器345可以与例如基本输入/输出系统(BIOS)等一同操作以管理电池或电源,并可以提供用于电子设备的操作的电力信息等。数据库管理器346可以产生、搜索和/或改变将被至少一个应用370使用的数据库。数据包管理器347可以管理对以包文件形式分布的应用的安装或更新。
例如,连接管理器348可以管理诸如Wi-Fi或蓝牙的无线连接。通知管理器349可以用不打扰用户的方式来显示或通知诸如到来消息、约定、接近通知之类的事件。位置管理器350可以管理电子设备的位置信息。图形管理器351可以管理将提供给用户的图形效果或者与图形效果相关的用户界面(UI)。安全管理器352可以提供用于系统安全、用户认证等的所有安全功能。根据本公开的实施例,当电子设备(例如,电子设备101)具有电话呼叫功能时,中间件330还可以包括电话管理器,用于管理电子设备的语音呼叫功能或视频呼叫功能。
中间件330可以包括中间件模块,用于形成上述组件的各种功能的组合。中间件330可以提供根据每种类型的OS而被专门化的模块,以便提供差异化的功能。另外,中间件330可以动态地移除现有组件中的一些或者添加新的组件。
API 360(例如,API 145)是例如API编程功能的集合,并且可以根据OS而设置有不同配置。例如,在Android或iOS的情况下,可以针对每个平台提供一个API集合。在Tizen的情况下,可以针对每个平台提供两个或更多个API集合。
应用370(例如,应用程序147)可以包括例如可以提供多种功能的一个或多个应用,所述功能诸如是:主页371、拨号372、SMS/MMS 373、即时消息(IM)374、浏览器375、相机376、闹钟377、联系人378、语音拨号379、电子邮件380、日历381、媒体播放器382、相册383、时钟384、健康护理(例如,测量锻炼量或血糖)、或环境信息(例如,提供气压、湿度或温度信息)。
根据本公开的实施例,应用370可以包括支持在电子设备(例如,电子设备101)和外部电子设备(例如,电子设备102或104)之间交换信息的应用(为了便于描述,下文中称作“信息交换应用”)。信息交换应用可以包括例如用于将特定信息传送到外部电子设备的通知中继应用或用于管理外部电子设备的设备管理应用。
例如,通知中继应用可以包括向外部电子设备(例如,电子设备102或104)传送从电子设备101的其它应用(例如,SMS/MMS应用、电子邮件应用、健康管理应用或环境信息应用)产生的通知信息的功能。此外,通知中继应用可以从例如外部电子设备接收通知信息,并可以将接收到的通知信息提供给用户。
例如,设备管理应用可以管理(例如,安装、删除或更新)与电子设备通信的外部电子设备(例如,电子设备102或104)的至少一个功能(例如,开启/关闭外部电子设备自身(或其一些组件)的功能、或调整显示器的亮度(或分辨率)的功能)、在外部电子设备中操作的应用、以及由外部电子设备提供的服务(例如,呼叫服务或消息服务)。
根据本公开的实施例,应用370可以包括根据外部电子设备(例如,电子设备102或104的属性)所指定的应用(例如,移动医疗设备的健康护理应用等)。根据本公开的实施例,应用370可以包括从外部电子设备(例如,服务器106或电子设备102或104)接收的应用。根据本公开的实施例,应用370可以包括预加载的应用或可以从服务器下载的第三方应用。所示出的本公开的实施例的程序模块310的组件的名称可以根据操作系统的类型而变化。
根据各种实施例,编程模块310中的至少一部分可以用软件、固件、硬件或它们中的两个或更多个的组合来实现。程序模块310中的至少一些可以由例如处理器(例如,处理器210)来实现(例如,执行)。程序模块310中的至少一些可以包括例如用于执行一个或多个功能的模块、程序、例程、指令集和/或进程。
本文所使用的术语“模块”可以例如意味着包括硬件、软件和固件之一或者其中两种或更多种的组合在内的单元。“模块”可以与例如术语“单元”、“逻辑”、“逻辑块”、“组件”或“电路”互换使用。“模块”可以是集成组成元件的最小单元或其一部分。“模块”可以是用于执行一个或多个功能的最小单元或其一部分。“模块”可以机械或电学地实现。例如,根据本公开的“模块”可以包括以下至少一项:已知的或将来研发的专用集成电路(ASIC)芯片、现场可编程门阵列(FPGA)和用于执行操作的可编程逻辑器件。根据各种实施例,可以通过以编程模块形式存储在计算机可读存储介质中的命令,来实现根据本公开的设备的至少一部分(例如,其模块或功能)或方法的至少一部分(例如,操作)。指令在由处理器(例如,处理器120)执行时,可以使一个或多个处理器执行与该指令相对应的功能。例如,计算机可读记录介质可以是存储器130。
图4是根据各种实施例的电子设备的框图。
参考图4,电子设备400(例如,电子设备101)可以包括传感器模块410、存储器420、显示器430、通信模块440和处理器450。存储器420可以被包括在处理器450中,或者可以被设置在处理器450的外部并且与处理器450功能耦合。电子设备400可以被穿戴在用户的身体上以检测用户的运动,比如可穿戴设备。备选地,电子设备400可以从包括传感器模块410的可穿戴设备接收传感器数据,并预测心跳数据(或心率)。
传感器模块410可以连续或周期性地感测根据用户运动测量或检测的信息。传感器模块410可以包括心率监测传感器411、运动传感器413和气压传感器415中的至少一个。这种传感器模块410可以是图2的传感器模块240。相应地,传感器模块410可以进一步包括图4中未示出的其他传感器。传感器模块410可以将测量或检测到的传感器数据(例如,加速度数据、气压数据)或心率数据发送给处理器450。
心率监测传感器411可以测量用户的心跳数据。例如,心率监测传感器411可以包括光学传感器、心电图(ECG)传感器和光电体积描记(PPG)传感器中的至少一个。当心率监测传感器411是光学传感器时,心率监测传感器411可以包括光发射器和光接收器。光发射器可以包括红外(IR)、红色发光二极管(LED)、绿色LED和蓝色LED中的至少一个,并且光接收器可以包括光电二极管。当电子设备400附着到用户身体时,心率监测传感器411的光发射器可以输出光,并且光接收器可以检测由用户身体的至少一部分反射的输出光。例如,为了确定用户的血流变化,光线可以进入用户皮肤深处(例如血管),然后被反射。心率监测传感器411可以数字化由光接收器检测到的光量,并依次布置它们,从而产生信号。心率监测传感器411可以将产生的信号发送给处理器450。值得注意的是,除了由用户的心跳测量的频率之外,所产生的信号还可以包括各种噪声。
备选地,PPG传感器可以根据基于心跳的血管厚度的变化来利用光吸收和反射的变化。当心率监测传感器411是PPG传感器时,心率监测传感器411可以包括发射IR的光发射器和检测发射到用户身体并被反射的光的光接收器。心率监视传感器411能够根据光接收器基于时间光学地检测到的血流量的变化来检测PPG信号。
运动传感器413可以包括加速度传感器或陀螺仪传感器。例如,加速度传感器测量x、y和z轴上的加速度,并且可以使用测量的加速度来预测施加在电子设备上的力。例如,当加速度传感器未检测到运动时,产生对应于重力加速度的值。当加速度传感器检测到运动时,移动方向上的振动可以表现为力的变化,即,加速度的变化。加速度变化模式根据用户的锻炼类型而变化,并且每次锻炼可以出现独特的模式。运动传感器413可以将测量的加速度数据发送给处理器450。
气压传感器415可以检测电子设备400的海拔高度变化。例如,气压传感器415可以测量用户正在向高海拔高度还是向低海拔高度移动。在跑步机、室内自行车、椭圆训练机或划船机上的室内锻炼期间,由加速度传感器检测其运动,但气压传感器415不检测海拔高度变化(例如,没有气压数据变化)。与室内锻炼不同,诸如走路或跑步的户外锻炼可以改变海拔高度(例如,气压数据变化)。在这种情况下,加速度传感器可以检测运动,气压传感器415可以检测海拔高度变化。气压传感器415可以将测量的气压数据发送给处理器450。
处理器450可以处理操作或数据,以用于电子设备400的至少一个组件(例如,传感器模块410、存储器420、显示器430或通信模块440)的控制或通信。例如,处理器450可以使用加速度模式预测(或估计)诸如走路或跑步的用户运动状态(例如,锻炼类型),并将其处理成计步器信息。通过使用气压传感器415和运动传感器413的传感器数据,处理器450可以指明用户的锻炼(例如,锻炼类型)。处理器450可以是图1的处理器120或图2的处理器210。处理器450可以包括心率提取模块451、心率验证模块455、锻炼强度测量模块453和热量计算模块457。
心率提取模块451可以从接收自心率监测传感器411的信号中提取与心率(或者心跳数据)对应的频率。心率提取模块451可以使用各种处理从接收的信号中去除噪声。例如,心率提取模块451可以根据用户运动来消除频率,从而减少频率之间的干扰。除了用户运动之外,各种外部因素都可能导致测量的心跳数据不准确。例如,当心率监测传感器411没有精确地附着到用户的身体部位并且在皮肤和心率监测传感器411之间存在空间时,除了从皮肤反射的值以外的其他值可能被输入到光接收器。在这种情况下,仅仅通过去除用户运动的频率不能获得准确的心跳数据。为了获得准确的心率(或心跳数据),处理器450可以使用心率验证模块455。
锻炼强度测量模块453可以使用从运动传感器413或气压传感器415接收的传感器数据来测量用户的锻炼强度。例如,当电子设备400是可穿戴设备时,可穿戴设备在用户上的穿戴位置可以变化,因此,运动传感器413或气压传感器415测量的运动传感器数据可以根据设备穿戴位置和当前用户锻炼类型而不同。也就是说,由于运动传感器数据根据设备穿戴位置或锻炼类型而变化,所以锻炼强度测量模型可以不同。锻炼强度测量模块453可以基于运动传感器数据和锻炼类型来测量锻炼强度。所测量的锻炼强度可以用于预测和验证心率验证模块455中的心跳数据。
心率验证模块455可以验证心率提取模块451提取的心跳数据。心率验证模块455可以使用与用户运动相关的锻炼强度作为主指示。例如,当用户进行高强度锻炼时,心跳数据可以根据水平上升。当用户进行低强度锻炼时,心跳数据可以根据水平降低。心率验证模块455可以基于先前实时测量的心跳数据的变化和锻炼强度中的至少一个预测下一个心跳数据如何变化。心率验证模块455可以将预测的心跳数据与测量的心跳数据进行比较,从而确定当前测量的心跳数据是否准确。
根据各种实施例的心率验证模块455可以使用在第一持续时间内由运动传感器413获取的第一运动传感器数据来确定锻炼类型,并且基于第一运动传感器数据、锻炼类型以及在第一持续时间内从心率监测传感器411获取的第一心跳数据中的至少一个来确定心跳预测范围。心率验证模块455可以确定在第二持续时间内从心率监测传感器411获得的第二心跳数据是否被包括在心跳预测范围内,并且基于确定结果来确定第二持续时间的心跳数据。根据各种实施例的心率验证模块455可以将心跳预测范围的最大值、最小值和平均值中的至少一个确定为第三心跳数据。
热量计算模块457可以基于由心率验证模块455验证的心跳数据来计算热量。根据各种实施例的热量计算模块457可以使用锻炼类型、使用心跳数据来计算热量,或者使用运动传感器数据和心跳数据来计算热量。而且,除了心跳数据之外,热量计算模块457还可以进一步使用位置信息、传感器数据(例如加速度数据、气压数据)和计步器数据中的至少一个来计算热量。
根据各种实施例的处理器450可以包括第一处理器和第二处理器。当电力被施加到电子设备400时,第一处理器可以操作(例如,激活、操作模式)。当电力被施加到电子设备400时,第一处理器可以唤醒,并且从传感器模块410接收传感器数据。第一处理器可以唤醒,而不管电子设备400的显示器430的打开还是关闭。第一处理器可以用比第二处理器更低的功率来驱动。第一处理器可以基于传感器数据来确定用户锻炼信息。第一处理器可以将确定的用户锻炼信息发送给第二处理器。
第二处理器可以根据需要选择性地操作。例如,当显示器430打开时,获得信息或者扫描信息,第二处理器可以激活(例如,操作模式)。而且,当显示器430关闭时,第二处理器可以去激活(例如,睡眠模式)。也就是说,第二处理器可以在非活动状态(例如,睡眠模式)下操作,并且根据定期、预设的扫描周期和应用操作时间段(或应用信息请求)中的至少一个来唤醒和激活。
第二处理器可以通过通信模块440获取通信信息并发送从热量计算模块457获得的数据。例如,通信模块440可以使用至少一种通信方案(例如,BT、WiFi、NFC、蜂窝等)将从热量计算模块457获得的数据(例如,心跳数据、热量)发送给另一电子设备(例如,智能电话、服务器等)。通信模块440可以是图2的通信模块220。显示器430可以显示与心跳数据有关的各种信息。例如,显示器430可以根据用户输入(例如,触摸输入,按钮/键/轮输入)详细地或基于时间来显示心跳数据、运动传感器数据和热量中的至少一个。显示器430可以是图2的显示器260。
根据各种实施例,电子设备400可以包括运动传感器413、心率监测传感器411以及与运动传感器413和心率监测传感器411功能耦合的处理器450。处理器450可以被配置为:使用运动传感器413获得第一持续时间内的第一运动传感器数据,使用心率监测传感器411获得第一持续时间内的第一心跳数据,基于第一运动传感器数据确定锻炼类型,基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围,使用心率监测传感器获得第二持续时间内的第二心跳数据,确定第二心跳数据是否落入心跳预测范围内,以及基于确定结果确定第二持续时间的心跳数据。
当第二心跳数据落入心跳预测范围内时,处理器450可将第二心跳数据确定为第二持续时间的心跳数据,并且当心跳数据不落入心跳预测范围内时,处理器450可将心跳预测范围内的第三心跳数据确定为第二持续时间的心跳数据。
当第二心跳数据不落入心跳预测范围内时,处理器450可以基于心跳预测范围的最大值和最小值以及第二心跳数据确定第三心跳数据,并用第三个心跳数据来校正第二心跳数据。
处理器450可以将心跳预测范围的最大值、最小值和平均值中的至少一个确定为第三心跳数据。
当第二心跳数据落入心跳预测范围内时,处理器450可以使用第二持续时间中获得的第二运动传感器数据或第二心跳数据计算热量,并且当第二心跳数据不落入心跳预测范围内时,处理器450可以使用在第二持续时间中获得的第二运动传感器数据或在心跳预测范围内的第三心跳数据来计算热量。
基于锻炼类型,处理器450可以使用第一心跳数据来计算热量,或者使用第一运动传感器数据和第一心跳数据来计算热量。
处理器450可以基于第一运动传感器数据确定锻炼强度或锻炼类型,基于锻炼强度、锻炼类型和第一心率数据中的至少一个确定预测心跳数据,并且基于预测心跳数据,通过考虑误差裕度来确定心跳预测范围。
第一运动传感器数据可以包括加速度数据,并且处理器450可以根据基于加速度数据的加速度变化或者使用气压传感器415的气压数据的变化来确定锻炼强度或者锻炼类型。
利用气压数据的变化,处理器450可以通过调整反映锻炼强度上的加速度变化的权重来确定预测心跳数据。
在没有气压数据变化的情况下,处理器450可以将预测心跳数据确定成对应于加速度变化的改变。
处理器450可以根据预测心跳数据设置不同的误差裕度。
处理器450可以通过进一步考虑用户身体信息来确定心跳预测范围。
处理器450可以使用第一运动传感器数据或第一心跳数据来计算第一持续时间的第一热量,并且通过电子设备的显示器显示关于第一运动传感器数据、第一心跳数据和第一热量中的至少一个的用户界面。
处理器450可以包括第一处理器和第二处理器,第一处理器可以被激活,第二处理器可以被选择性地激活。
电子设备400可以穿戴在用户身体上。
图5是根据各种实施例的电子设备的操作方法的流程图。
参考图5,在操作501中,电子设备400(例如,处理器450)可以获得第一运动传感器数据和第一心跳数据。第一运动传感器数据可以从运动传感器413获得(或接收)。第一心跳数据可以从心率监测传感器411获得(或接收)。处理器450可以从气压传感器415获得或接收气压数据。
根据各种实施例的处理器450可以使用从运动传感器413获得的传感器数据来计算第一运动传感器数据,并且使用从心率监测传感器411获得的传感器数据来计算第一心跳数据。处理器450可以从获得的传感器数据中去除噪声,并且使用无噪声传感器数据来计算第一运动传感器数据和第一心跳数据。例如,处理器450可以使用低通滤波器、均值滤波器等来消除在传感器数据中检测到的噪声。此外,处理器450可以使用各种降噪滤波器从传感器数据中去除噪声。
根据各种实施例,处理器450可以使用从传感器模块410接收的数据来确定用户是否已经发起执行锻炼(或一些身体活动)。例如,当从传感器模块410获得的传感器数据超过预定阈值(例如,运动水平、加速度改变水平等)时,处理器450可以确定用户已经发起锻炼。例如,当检测到的运动超过传感器数据的预设阈值或者检测到重复运动模式时,处理器450可以确定用户已经发起锻炼。备选地,当用户通过输入/输出接口(例如输入/输出接口150)直接选择“锻炼开始按钮”时,处理器450可以确定用户已经发起锻炼。第一运动传感器数据和第一心跳数据可以在第一持续时间(例如,时间点)内获得。例如,第一持续时间可以是确定用户锻炼开始之后的预设时间(例如5分钟、10分钟等)。
在操作503中,电子设备400(例如,处理器450)可以基于第一运动传感器数据确定正在进行的特定类型的锻炼例程或动作(例如,锻炼类型)。大多数情况下,锻炼类型可以包括等长锻炼、等张锻炼、等速锻炼、无氧锻炼和有氧锻炼。在这些锻炼类型中,涉及心跳或热量消耗的锻炼对应于有氧锻炼,因此现在通过举例来描述有氧锻炼。值得注意的是,本公开不限于这些锻炼类型。例如,有氧锻炼可以表示走路、跑步、骑自行车、登山、游泳、在跑步机上跑步、划船和椭圆训练。也就是说,有氧锻炼可以表示有规律的或重复的锻炼。为了确定锻炼类型,可以使用运动传感器数据。处理器450(例如,锻炼强度测量模块453)可以使用运动传感器数据来确定锻炼强度。
例如,对于相当大的加速度变化,处理器450可以将中等锻炼强度以及跑步或划船确定为锻炼类型。对于较小的加速度变化,处理器450可以将低锻炼强度和走路或椭圆训练确定为锻炼类型。
根据各种实施例,处理器450可通过考虑从气压传感器415获得的气压数据的变化以及运动传感器数据一起来确定锻炼强度。例如,当在相同锻炼强度下海拔高度增加(例如,上坡)时,加速度变化可以减小。当在相同锻炼强度下海拔高度下降(例如,下坡)时,加速度变化可以增加。因此,处理器450可以通过调整基于气压数据变化的加速度变化来计算锻炼强度。对于大于相应变化预设阈值的加速度变化和气压变化,处理器450可以将中等锻炼强度和锻炼类型确定为登山(例如,下坡走路或跑步)。对于小于相应变化预设阈值的加速度变化和气压变化,处理器450可以将高锻炼强度和锻炼类型确定为登山(例如,上坡走路或跑步)。
根据各种实施例,处理器450(例如,热量计算模块457)可以使用第一心跳数据来计算热量。备选地,处理器450可以使用第一运动传感器数据和第一心跳数据来计算热量。由于第一运动传感器数据和第一心跳数据是根据用户运动检测的,所以用户可以根据移动而消耗一定量的热量。处理器450可以计算第一持续时间内的用户运动所消耗的热量(例如,第一热量)。处理器450可以根据锻炼类型使用第一心跳数据来计算热量,或者使用第一运动传感器数据和第一心跳数据二者来计算热量。处理器450可以提供与第一运动传感器数据、气压数据、第一心跳数据和第一热量中的至少一个相关的用户界面。
在操作505中,电子设备400(例如,处理器450)可以确定心跳预测范围或预计执行锻炼时用户心跳所落入的预测范围。处理器450(例如,心率验证模块455)可以使用第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来计算预测心跳数据。处理器450可以基于预测心跳数据通过考虑误差裕度来确定心跳预测范围。例如,当预测心跳数据为100时,处理器450可以基于±1的误差裕度将心跳预测范围确定为90-110。
根据各种实施例,处理器450可以基于第一运动传感器数据来测量锻炼强度。锻炼强度是心跳数据的主指示。对于“高”锻炼强度,心跳数据可以升高到对应于该锻炼强度的水平。对于“低”锻炼强度,心跳数据可以下降至对应于该锻炼强度的水平。通过使用锻炼强度,处理器450可以估计心跳数据将如何改变。而且,基于第一运动传感器数据,处理器450可以确定锻炼类型。对于高锻炼强度,要测量的心跳数据可以比当前的心跳数据改变更多或保持高水平。备选地,对于低锻炼强度,要测量的心跳数据可以比当前的心跳数据改变更少。取决于锻炼持续的时间长短,心跳数据可以根据锻炼强度而有相当大的改变或保持低水平。由于心跳数据是用户的心率,并且心率根据具有一定变化范围的锻炼而改变,所以可以基于当前心率预测下一心率。根据当前心跳数据是否达到一定限度,心跳数据的变化可以大于或小于一定阈值。
根据各种实施例,处理器450可以通过进一步考虑用户的身体信息来确定心跳预测范围。例如,用户的身体信息可以包括关于用户的各种信息,诸如身高、体重、年龄、性别、静息心率、血压、体脂和血型。例如,血压可以根据年龄或性别,或根据用户的当前状况而不同。血压会影响心跳数据。最大心率可以基于年龄来确定,而年龄可以影响心跳数据和热量。因此,处理器450可以通过进一步使用用户身体信息以及测量的运动传感器数据和心跳数据来确定准确的心跳预测范围。为此,处理器450可以请求用户预先输入他/她的身体信息。备选地,处理器450可以基于用户的使用记录来分析身体信息,而不必预先登记用户的身体信息。例如,处理器450可以在安装在电子设备400上的健康应用中提取用户登记的身体信息。
在操作507中,电子设备400(例如,处理器450)可以获得第二心跳数据。第二心跳数据可以是从心率监测传感器411获得的在第一持续时间(例如,09:00-09:05)后的第二持续时间(例如,09:06-09:10)内的传感器数据。处理器450可以使用从心率监测传感器411获得的第二组传感器数据来计算第二心跳数据。处理器450可以从运动传感器413和气压传感器415获得第二持续时间(或时间点)内的第二组运动传感器数据。第一持续时间或第二持续时间可以包括一定持续时间或特定时间点。第二持续时间可以比第一持续时间短。也就是说,第一持续时间可以包括一定持续时间(例如,5分钟),第二持续时间可以包括时间点(例如,09:06)。
在操作509中,电子设备400(处理器450)可以确定第二心跳数据是否指示心率落入心跳预测范围内。当心率监测传感器411附着到用户的胸部时,可以准确地测量心跳数据。否则,测量的心跳数据可能不准确。这是因为,当心率监测传感器411测量心跳数据时,各种外部因素(例如,用户移动、附着或分离的传感器等)都可能导致不准确的心跳数据。心跳预测范围可以使用锻炼强度、锻炼类型和当前心跳数据来预测下一心跳数据。因此,预测心跳数据可以比测量的心跳数据更准确。
当第二心跳数据落入心跳预测范围内时,处理器450(例如,心率验证模块455)可以执行操作511。当第二心跳数据不落入心跳预测范围内时,处理器450可以执行操作513。
当第二心跳数据落入心跳预测范围内时,在操作511中,电子设备400(例如,处理器450)可以将获得的第二心跳数据确定为第二持续时间的心跳数据。处理器450可以使用第二运动传感器数据或第二心跳数据来计算热量(例如,第二热量)。基于锻炼类型,处理器450可以使用第二心跳数据来计算热量,或者使用第二运动传感器数据或第二心跳数据来计算热量。处理器450可以计算第二持续时间期间用户运动所消耗的热量(例如,第二热量)。处理器450可以提供与第二心跳数据、第二心跳数据和第二热量中的至少一个有关的用户界面。
当第二心跳数据不落入心跳预测范围内时,在操作513中,电子设备400(例如,处理器450)可以用心跳预测范围内的第三心跳数据对其进行校正。如前所述,预测心跳数据(例如,心跳预测范围内的心跳数据)可能比测量的心跳数据(例如,第二心跳数据)更准确。当在第二持续时间内获得的第二心跳数据不落入心跳预测范围内时,处理器450可以用心跳预测范围的第三心跳数据校正第二心跳数据。第三心跳数据被包括在心跳预测范围内,处理器450可以基于心跳预测范围的最大值和最小值以及第二心跳数据来确定第三心跳数据。例如,处理器450可以将心跳预测范围的最大值、最小值和平均值中的至少一个确定为第三心跳数据。
在操作515中,电子设备400(例如,处理器450)可以将校正后的第三心跳数据确定为第二持续时间的心跳数据。处理器450可以使用第二运动传感器数据或第三心跳数据来计算热量。基于锻炼类型,处理器450可以使用第三心跳数据来计算热量,或者使用第二运动传感器数据和第三心跳数据来计算热量。处理器450可以计算第二持续时间期间用户运动所消耗的热量(例如,第二热量)。处理器450可以提供与第二心跳数据、第三心跳数据和第二热量中的至少一个有关的用户界面。当测量的心跳数据不准确时,处理器450可以使用校正后的心跳数据来计算热量,因此,基于用户移动提供更准确的热量。
图6A和6B是根据各种实施例的电子设备中预测的心跳数据的图。
图6A描绘了心跳预测范围覆盖第二心跳数据的示例。
参考图6A,电子设备400(例如,处理器450)可以获得第一持续时间610内的第一心跳数据611和第一运动传感器数据613。这里,运动传感器数据613可以是从加速度传感器获得的加速度数据。第一持续时间610可以是在用户开始锻炼后的一定持续时间。处理器450可以基于第一持续时间610的第一心跳数据611和第一运动传感器数据613来预测第二持续时间620的第二心跳数据。例如,处理器450可以使用第一运动传感器数据613来测量用户锻炼强度。处理器450可以基于第一运动传感器数据613来确定锻炼类型,并且使用第一运动传感器数据613、所确定的锻炼类型和第一心跳数据611中的至少一个来确定第二持续时间620的心跳预测范围621。例如,通过考虑预测心跳数据623中的误差裕度,心跳预测范围621可以被设置为一定范围的值。处理器450可以从心率监测传感器411获得第二持续时间620内的第二心跳数据625。当第二心跳数据625落入心跳预测范围621内时,处理器450可以使用第二心跳数据625来计算热量消耗。
图6B描绘心跳预测范围不包含检测到的第二心跳数据的示例。
参考图6B,如前所述,电子设备400(例如,处理器450)可以获得第一持续时间650内的第一心跳数据651和第一运动传感器数据653。这里,运动传感器数据653可以是从加速度传感器获得的加速度数据。处理器450可以基于第一持续时间650的第一心跳数据651和第一运动传感器数据653来预测第二持续时间660的第二心跳数据。例如,处理器450可以基于第一运动传感器数据653来确定锻炼类型,并且使用第一运动传感器数据653、所确定的锻炼类型和第一心跳数据651中的至少一个来确定第二持续时间660的心跳预测范围661。例如,通过考虑预测心跳数据663中的误差裕度,心跳预测范围621可以被设置为一定范围的值。处理器450可以从心率监测传感器411获得第二持续时间660内的第二心跳数据667。当第二心跳数据667不落入心跳预测范围661内时,处理器450可使用第三心跳数据665来校正第二心跳数据667。第三心跳数据665可以被包括在心跳预测范围661内。
根据各种实施例,处理器450可以基于心跳预测范围661的最大值和最小值以及第二心跳数据667,将第三心跳数据665确定为心跳数据以供测量使用。例如,当第二心跳数据667接近最小值(例如,当第二心跳数据667小于最小值)时,处理器450可以将第三心跳数据665确定为最小值和预测心跳数据663之间的值。备选地,当第二心跳数据667接近最大值时(例如,当第二心跳数据667大于最大值时),处理器450可以将第三心跳数据665确定为最大值和预测心跳数据663之间的值。处理器450可以使用第二持续时间660中的第三心跳数据665来计算热量。
图7A至7D是根据各种实施例的、根据锻炼类型不同地测量的心跳数据的图。
图7A描绘了执行椭圆锻炼的用户的心跳曲线图710和加速度变化曲线图720。
参考图7A,心跳曲线图710示出了快速执行椭圆锻炼七分钟,休息三分钟并且缓慢锻炼六分钟的用户的心跳数据(或心率)。第一心跳数据711可以被正常测量,并且第二心跳数据713可以被异常测量。加速度变化曲线图720示出了通过对在用户椭圆锻炼期间从运动传感器413获得的传感器数据(例如,加速度传感器)进行归一化而产生的值的变化721。变化改变723可以对变化721应用低通滤波器。
比较心跳曲线图710和加速度变化曲线图720,作为正常心跳的第一心跳数据非常类似于变化改变723。例如,当加速度变化水平达到“10”时,第一心跳数据711的值达到约180。当变化水平达到“3”时,第一心跳数据711达到约160,然后保持在一定水平。然而,第二心跳数据713与加速度变化723完全不对应,而在变化水平变低时增加。
处理器450可以如等式1那样表示关于椭圆锻炼的加速度变化和心跳数据之间的关系。处理器450可以基于等式1来预测椭圆锻炼中的用户心跳数据。
CElliptical∝(AccVari-AccVari-1)
CElliptical:椭圆锻炼系数
AccVari:加速度范数变化(norm variance)的平均值
图7B描绘了在划船机上锻炼的用户的心跳曲线图730和加速度变化曲线图740。
参考图7B,心跳曲线图730示出了在划船机上快速锻炼六分钟,休息三分钟并且缓慢锻炼六分钟的用户的心跳数据(或心率)。第一心跳数据731可以被正常测量,并且第二心跳数据733可以被异常测量。在加速度变化曲线图740中,加速度变化741大于预设阈值表示“硬”锻炼,小于预设阈值表示“轻”锻炼,并且当锻炼强度升高时对应于心跳数据的增加。比较心跳曲线图730和加速度变化曲线图740,当轻锻炼继续时,加速度变化改变743和第一心跳数据731保持在一定水平。然而,无论加速度变化改变743如何,异常测量到的第二心跳数据733都在改变,并且锻炼强度与心跳数据之间不存在关系。因此,当心跳数据的改变不跟随加速度变化改变743时,处理器450可以确定第二心跳数据733的不准确测量。
处理器450可以如等式2那样表示关于划船机锻炼的加速度变化和心跳数据之间的关系。处理器450可以基于等式2来预测划船机锻炼中的用户心跳数据。
CRowing∝(AccVari-AccVari-1)
CRowing:划船锻炼系数
AccVari:加速度范数变化的平均值
图7C描绘了正在走路的用户的心跳曲线图750和加速度变化曲线图760。
参考图7C,心跳曲线图750示出了当用户以一定速度走路十分钟时的心跳数据(或心率)。第一心跳数据751可以被正常测量,并且第二心跳数据753可以被异常测量。加速度变化曲线图760示出了通过对在用户走路期间从运动传感器413获得的传感器数据(例如,加速度传感器)进行归一化而产生的值的加速度变化761。变化改变763表示加速度变化761的改变。当走路或跑步保持一定速度时,加速度变化也保持一定的改变。而且,当保持一定的锻炼强度时,用户的心跳数据上升,直到达到一定水平,然后保持该水平。这种模式对于走路和跑步都成立。因此,当心跳数据异常增加或持续增加,而加速度变化761保持在一定水平时,处理器450可以像第二心跳数据753那样确定所测量的异常心跳数据。当心跳数据保持一定水平时,处理器450可以预测心跳加速度变化改变763与加速度变化761类似地持续下去,而加速度变化761不变。
因此,处理器450可以如等式3那样表示关于走路的加速度变化和心跳数据之间的关系。处理器450可以基于等式3来预测走路期间的用户心跳数据。
CWalkRun∝(AccVari-AccVari-1)
CWalkRun:平地走路/跑步的锻炼系数
AccVari:加速度范数变化)的平均值
图7D描绘了在斜坡上走路的用户的心跳曲线图780、加速度变化曲线图770和气压曲线图790。
参考图7D,心跳曲线图780示出了当用户以一定速度走路上楼到五楼,休息一分钟,然后走路下楼到一楼时的心跳数据。心跳数据是在同一时段上从心率监测传感器411获得的可靠值。加速度变化曲线图770示出了通过对当用户走路上楼和下楼时从运动传感器413获得的传感器数据(例如,加速度传感器)进行归一化而产生的值的加速度变化和加速度变化改变。气压曲线图790示出了当用户走路上楼和下楼时从气压传感器415获得的传感器数据。通常,当用户走路上升一层(3米)时,气压数据可以减少0.36hp,当用户走路下楼时,气压数据增加。
与其他一般锻炼不同,斜坡走路/跑步中的加速度变化似乎与心跳数据变化相反。这是因为下坡登山比上坡登山具有更小的加速度变化。由于心跳数据在用户向上登山(例如,上坡)时升高,所以处理器450可以基于气压数据确定用户是向上走还是向下走。根据上坡或下坡,处理器450可以定义加速度变化的范围。
基于心跳曲线图780、加速度变化曲线图770和气压曲线图790,当用户走上楼心跳数据上升时,气压数据值下降,加速度变化恒定,并且心跳数据值增加。接下来,当用户暂停走路以便走下楼时,心跳数据下降,且气压值恒定。当用户走下楼时,气压数据值增加,当前加速度变化水平相对升高。值得注意的是,心跳数据值稳定上升,而不是与加速度变化的增加成比例地快速增加。
因此,处理器450可以如等式4那样表示关于斜坡走路的加速度变化、气压变化和心跳数据之间的关系。处理器450可以基于等式4来预测斜坡走路期间的用户心跳数据。
Chiking∝(AccVari-AccVari-1)
Chiking∝(Pr essurei-1-Pr essurei)
CHiking:斜坡走路/跑步的锻炼系数
AccVari:加速度范数变化的平均值
Pr essurei:气压测量值
图8是根据各种实施例的基于锻炼类型确定的心跳预测范围的图。
参考图8,电子设备400(例如,处理器450)可以使用由传感器模块810测量的传感器数据来确定锻炼类型830。例如,处理器450可以使用加速度传感器811和气压传感器813将椭圆锻炼、划船机、平地走路或跑步以及斜坡走路或跑步中的至少一个确定为锻炼类型830。处理器450可以使用基于锻炼类型830的不同锻炼模型来计算锻炼强度。锻炼强度是心跳数据的主指示。对于高锻炼强度,心跳数据可以升高到对应于该锻炼强度的水平。对于低锻炼强度,心跳数据可以下降至对应于该锻炼强度的水平。通过使用锻炼强度,处理器450可以估计心跳数据的下一水平。可以使用加速度数据的归一化值和变化来测量锻炼强度。心跳数据也与加速度数据成比例地移动,其系数值或水平可以根据用户或锻炼类型而变化。
锻炼强度根据锻炼类型而不同,因为穿戴电子设备400的身体部位不同并且运动根据锻炼而变化。返回参考图7A、7B和7C,当加速度变化增加时,心跳数据增加。当加速度变化减小时,心跳数据减少。当加速度变化保持时,心跳数据可以达到一定水平,然后保持。返回参考图7D,加速度与锻炼强度成反比,但锻炼强度可能受到气压数据变化的影响。通过使用这样的特征,处理器450可以更好地确定当前测量的心跳数据是否正常并且基于可靠的先前心跳数据、加速度变化和气压变化中的至少一个来预测下一心跳数据。
例如,当锻炼类型是椭圆训练时,处理器450可以使用椭圆模型831来计算锻炼强度。当锻炼类型是划船机时,处理器450可以使用划船机模型833来计算锻炼强度。当锻炼类型是平地走路或跑步时,处理器450可以使用平地走路或跑步机模型835来计算锻炼强度。当锻炼类型是斜坡走路或跑步时,处理器450可以使用斜坡走路或跑步模型837来计算锻炼强度。对于斜坡走路或跑步模型837,处理器450可以使用从气压传感器813获得的气压数据来计算锻炼强度。处理器450可以基于锻炼强度、锻炼类型830和当前心跳数据来确定心跳预测范围850。也就是说,对于高锻炼强度,要测量的下一心跳数据可以比当前心跳数据变化得更多或保持。备选地,对于低锻炼强度,要测量的下一个心跳数据可以比当前心跳数据变化得更少或保持。基于锻炼强度的心跳数据的变化可以根据锻炼进行多久或锻炼强度改变剧烈程度而增加或减少。
因此,处理器450可以根据锻炼强度、锻炼类型和当前心跳数据确定不同的心跳预测范围。例如,处理器450可以使用椭圆模型831和由心率监测传感器815获得的当前心跳数据来确定椭圆训练的第一心率预测范围851。处理器450可以使用划船机模型833和由心率监测传感器815获得的当前心跳数据来确定划船机的第二心率预测范围853。处理器450可以使用平地走路或跑步模型835和由心率监测传感器815获得的当前心跳数据来确定平地走路或跑步的第三心率预测范围855。处理器450可以使用斜坡走路或跑步模型837和由心率监测传感器815获得的当前心跳数据来确定斜坡走路或跑步的第四心率预测范围857。第一心率预测范围851至第四心率预测范围857可以具有不同的预测心跳数据值。
图9是根据各种实施例的用于确定电子设备中的心跳预测范围的方法的流程图。
参考图9,在操作901中,电子设备400(例如,处理器450)可以确定加速度变化是否大于预定阈值。从传感器模块410获得的第一持续时间内的运动传感器数据(例如,第一运动传感器数据)可以是加速度数据。例如,加速度数据可以是从运动传感器413获得的运动传感器数据。而且,处理器450可以从气压传感器415获得气压数据。处理器450可以计算所获得的运动传感器数据中的加速度数据的变化。
例如,平地跑步的加速度变化可以大于平地走路的加速度变化。备选地,椭圆训练的加速度变化可以小于划船机的变化。处理器450可以定义用于确定加速度变化是否相当大的阈值。例如,阈值可以大于走路的加速度变化并且小于跑步的加速度变化。备选地,阈值可以大于椭圆训练的加速度变化并且小于划船机的加速度变化。阈值可以由电子设备400或用户来设置。
处理器450可以在加速度变化超过预设阈值时确定“大”加速度变化,并且在加速度变化下降至相同或不同阈值以下时确定“小”加速度变化。处理器450可以针对相当大的加速度变化执行操作905,并针对较小的加速度变化执行操作903。
当加速度变化不那么大时,电子设备400(例如,处理器450)可以在操作903中确定第一锻炼强度。处理器450可以基于第一持续时间中的用户运动确定锻炼强度作为第一锻炼强度。根据各种实施例,处理器450可以将锻炼强度分成诸如三个水平、五个水平或十个水平的各种水平。以下,尽管锻炼强度包括三个水平以便于理解,但是锻炼强度不限于这些。例如,处理器450可以将锻炼强度分成高中低三个水平。第一锻炼强度对应于低锻炼强度,这是最低的锻炼强度。
当加速度变化被检测为“大”(例如,大于相关阈值)时,在操作905中,电子设备400(例如,处理器450)可以判断气压是否改变。处理器450可以确定第一持续时间内由气压数据415获得的气压数据的变化。当用户登上斜坡或从斜坡下降(诸如远足或台阶)时,可以检测到气压数据。尽管检测到气压数据,但是平缓的斜坡可能不会严重影响锻炼强度,因此,处理器450可以通过考虑斜坡对锻炼的影响来确定斜坡阈值。例如,斜坡阈值可以由电子设备400或用户来设置。
当气压数据超过斜坡阈值时,处理器450可以确定气压数据的变化。当气压数据下降到斜坡阈值以下时,处理器450可以确定气压数据没有变化。在有气压数据的变化的情况下,处理器450可以进行操作909。在没有气压数据的变化的情况下,处理器450可以进行操作907。
在没有气压数据的变化的情况下,在操作907中,电子设备400(例如,处理器450)可以确定第三锻炼强度。处理器450可以将第一持续时间中的用户运动的锻炼强度确定为第三锻炼强度。第三次锻炼强度对应于高锻炼强度,这是最高锻炼强度。
在有气压数据的变化的情况下,在操作909中,电子设备400(例如处理器450)可以确定第二锻炼强度。处理器450可以将第一持续时间中的用户运动的锻炼强度确定为第二锻炼强度。第二锻炼强度对应于中等锻炼强度,即中锻炼强度。
根据各种实施例,在没有气压数据的变化的情况下,处理器450可以确定第二锻炼强度。在有气压数据的变化的情况下,处理器450可以确定第三锻炼强度。例如,上坡走路/跑步可以具有比平地走路/跑步相对较小的加速度变化,并且,虽然加速度随着气压变化显著减小,但却具有比平地走路/跑步更高的锻炼强度。相反,在气压显著改变时,下坡走路/跑步的加速度变化具有比平地走路/跑步更大的加速度变化和更快的速度,但是目前的加速度变化可以迅速增加。当气压变化显著改变时,处理器450可以降低反映锻炼强度上的加速度变化的权重。在这种情况下,即使当加速度变化明显增加时,锻炼强度也可以仅稍微增加。
根据各种实施例,处理器450可基于气压改变来调整反映锻炼强度上的加速度变化的权重。例如,当检测到气压数据时,处理器450可以降低反映锻炼强度上的加速度变化的权重。在没有气压数据变化的情况下(例如,平地走路或跑步),处理器450可以增加反映锻炼强度上的加速度变化的权重。
在操作911中,电子设备400(例如,处理器450)可基于锻炼强度来确定锻炼类型。例如,对应于第一锻炼类型的锻炼类型可以包括走路或椭圆锻炼。对应于第二锻炼类型的锻炼类型可以包括上坡走路/跑步或下坡走路/跑步。对应于第三锻炼类型的锻炼类型可以包括跑步或划船机。
在操作915中,电子设备400(例如,处理器450)可以基于锻炼强度、锻炼类型和当前心率中的至少一个来确定心跳预测范围。当前心率可以指示在第一持续时间中获取的第一心跳数据。例如,处理器450可以基于锻炼强度和锻炼类型来设置锻炼系数,并且使用锻炼系数和当前心率来计算预测心跳数据。处理器450可以基于等式5来计算预测心跳数据。
HRPred=HRCur×(1+CExer) …(5)
HRPred:预测HR
HRCur:当前HR
CExer:锻炼系数
处理器450可以基于预测心跳数据通过考虑误差裕度来确定心跳预测范围。例如,当基于等式5的预测心跳数据是120时,处理器450可以基于±7的误差裕度将心跳预测范围确定为110-130。
根据各种实施例,处理器450可以根据预测心跳数据设置不同的误差裕度。例如,预测心跳数据为100时,可以误差裕度可以设置为±10。当预测的心跳数据为120时,误差裕度可以设置为±7。当预测的心跳数据为140时,误差裕度可以设置为±5。处理器450可以通过考虑锻炼强度、锻炼类型和当前心率中的至少一个来设置不同的误差裕度。
根据各种实施例,处理器450可以通过进一步考虑用户的身体信息来确定心跳预测范围。例如,用户的身体信息可以包括身高、体重、年龄、性别、静息心率、基于年龄的最大心率、血压、体脂和血型中的至少一个。血压会根据年龄或性别而有所不同,血压会影响心跳数据。最高心率可以基于年龄来确定。因此,处理器450可通过进一步考虑用户身体信息以及锻炼强度、锻炼类型和当前心率来确定准确的心跳预测范围。
根据各种实施例,处理器450可以通过考虑用户的身体信息来设置预测心跳数据的不同误差裕度。例如,处理器450可以针对高血压扩大误差裕度(例如±15),并针对低血压减小误差裕度(例如±5)。处理器450可以通过进一步考虑锻炼强度、锻炼类型、当前心率和用户身体信息中的至少一个来设置不同的误差裕度。
图10是根据各种实施例的使用电子设备的心跳数据提供信息的方法的流程图。
参考图10,在操作1001中,电子设备400(例如,处理器450)可以获得运动传感器数据和心跳数据。处理器450可以在一定持续时间(例如,第二持续时间)内或者在第二持续时间中的时间点处从运动传感器413获得运动传感器数据。而且,处理器450可以从气压传感器415获得气压数据。心跳数据可以是在一定持续时间(例如,第二持续时间)内从心率监测传感器411获得的传感器数据。也就是说,运动传感器数据和心跳数据可以在使用先前的传感器数据确定锻炼类型之后获取。返回参考图5,在操作1001中获得的运动传感器数据和心跳数据可以指示在第二持续时间中获取的第二运动传感器数据和第二心跳数据(例如,在操作507中)。
在操作1003中,电子设备400(例如,处理器450)可以基于运动传感器数据来确定锻炼类型。例如,对于较大的加速度变化,处理器450可以确定中等锻炼强度并且将锻炼类型确定为跑步或划船机。对于较小的加速度变化,处理器450可以确定低锻炼强度并且将锻炼类型确定为走路或椭圆锻炼。而且,处理器450可以基于运动传感器数据和气压数据来确定锻炼类型。例如,当加速度变化大并且气压变化大时,处理器450可以确定中等锻炼强度并且将锻炼类型确定为登山(例如,下坡走路或跑步)。当加速度变化小并且气压变化小时,处理器450可以确定高锻炼强度并且将锻炼类型确定为登山(例如,上坡走路或跑步)。
在操作1005中,电子设备400(例如,处理器450)可以确定锻炼类型是否已经改变。也就是说,用户可能在平地、上坡或下坡上走路。尽管执行相同的走路锻炼,预测心率或消耗热量可以根据随斜坡变化的锻炼强度而变化。相应地,当感测数据改变时,处理器450可以确定当前锻炼类型是否已从前一个改变,并且变更配置以确保获取更准确的心跳数据。
当锻炼类型改变时,处理器450可以执行操作1007。当锻炼类型没有改变时,处理器450可以执行操作1009。
当锻炼类型改变时,处理器450(例如,处理器450)可以在操作1007中改变心跳预测范围。心跳预测范围可以基于当前锻炼强度、当前锻炼类型和当前心跳数据来预测下一心跳数据。然而,由于当前锻炼可能与下一个锻炼类型不同,所以当锻炼类型改变时,处理器450可以修改心跳预测范围以确保更准确的预测。处理器450可以基于改变后的锻炼强度和改变后的锻炼类型来改变预测心跳数据。
在操作1009中,电子设备400(处理器450)可以确定心跳数据是否落入心跳预测范围内。例如,当心跳预测范围没有改变时,处理器450可以确定在操作1001中获得的心跳数据是否落入原始心跳预测范围内。备选地,当心跳预测范围改变时,处理器450可以确定在操作1001中获得的心跳数据是否被包括在修改后的心跳预测范围内。
当心跳数据落入心跳预测范围内时,处理器450可以进行操作1011。当心跳数据不落入心跳预测范围内时,处理器450可以进行操作1015。
当心跳数据落入心跳预测范围内时,在操作1011中,电子设备300(例如,处理器450)可将所获得的心跳数据确定为用于测量的数据。
在操作1013中,电子设备400(例如,处理器450)可以使用运动传感器数据或心跳数据来计算热量。例如,通过使用在操作1001中获得的心跳数据,处理器450可以计算在一定持续时间(例如,第二持续时间)内用户运动所消耗的热量。处理器450可以基于锻炼类型使用在操作1001中获得的心跳数据来计算热量,或者使用在操作1001中获取的运动传感器数据和心跳数据来计算热量。处理器450可以提供关于运动传感器数据、心跳数据和热量中的至少一个的用户界面。
当心跳数据不落入心跳预测范围内时,在操作1015中,电子设备400(例如,处理器450)可以将心跳数据校正在心跳预测范围内。处理器450可以比在操作1001中获得的心跳数据更多地依赖于预测心跳数据。当心跳数据不落入心跳预测范围内时,处理器450可以用心跳预测范围内的其他心跳数据校正心跳数据。校正后的心跳数据可以被包括在心跳预测范围内。
根据各种实施例,处理器450可以基于心跳预测范围的最大值和最小值以及心跳数据(例如,由心率监测传感器获取的心跳数据)来校正心跳。备选地,处理器450可以将心跳预测范围的最大值、最小值和平均值中的至少一个确定为预测心跳数据。例如,当预测心跳数据为120时,心跳预测范围可以为110-130,心跳预测范围的最小值可以为110,心跳预测范围的最大值可以为130。当心跳数据是105时,最小值和心跳数据之间的差值(例如5)小于预测心跳数据和最小值之间的差值(例如10),因此,处理器450可以将心跳数据校正为接近最小值。例如,处理器450可以将心跳数据校正为预测心跳数据与最小值之间的值115。
备选地,当心跳数据为100时,最小值与心跳数据之间的差值(例如10)等于预测心跳数据与最小值之间的差值(例如10),因此,处理器450可以用最小值来校正心跳数据。例如,处理器450可以将心跳数据校正为预测心跳范围的最小值110。备选地,当心跳数据为135时,最大值与心跳数据之间的差值(例如5)小于预测心跳数据与最大值之间的差值(例如10),因此,处理器450可以将心跳数据校正为接近最大值。例如,处理器450可以将心跳数据校正为预测心跳数据与最大值之间的值125。
备选地,当心跳数据为140时,最大值与心跳数据之间的差值(例如10)等于预测心跳数据与最大值之间的差值(例如10),因此,处理器450可以用最大值来校正心跳数据。例如,处理器450可以将心跳数据校正为预测心跳范围的最大值130。备选地,处理器450可以通过考虑锻炼强度、锻炼类型和心跳数据,用预测心跳数据来校正心跳数据。在这种情况下,处理器450可以用120校正心跳数据。
在操作1017中,电子设备400(例如,处理器450)可以将校正后的心跳数据确定为用于测量的数据。接下来,在操作1013中,处理器450可以使用运动传感器数据或校正后的心跳数据来计算热量。
根据各种实施例,用于操作包括运动传感器413和心率监测传感器411的电子设备的方法可以包括:使用运动传感器413获得在第一持续时间内的第一运动传感器数据,并且使用心率监测传感器411获得在第一持续时间内的第一心跳数据,基于第一运动传感器数据确定锻炼类型,基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围,确定在第二持续时间内获得的第二心跳数据是否落入心跳预测范围内,以及基于确定结果确定第二持续时间的心跳数据。
确定第二心跳数据是否落入心跳预测范围内可以包括:当第二心跳数据落入心跳预测范围内时,将第二心跳数据确定为第二持续时间的心跳数据,并且当第二心跳数据不落入心跳预测范围内,将心跳预测范围内的第三心跳数据确定为第二持续时间的心跳数据。
确定第三心跳数据可以包括将第三心跳数据确定为心跳预测范围的最大值、最小值和平均值中的至少一个。
所述方法还可以包括:当第二心跳数据落入心跳预测范围内时,使用在第二持续时间中获得的第二运动传感器数据或者第二心跳数据来计算热量,当第二心跳数据不落入心跳预测范围内时,使用在第二持续时间中获得的第二运动传感器数据或在心跳预测范围内的第三心跳数据来计算热量。
所述方法还可以包括:基于第一运动传感器数据确定锻炼强度或锻炼类型,基于锻炼强度、锻炼类型和第一心跳数据中的至少一个确定预测心跳数据,以及基于预测心跳数据通过考虑误差裕度来确定心跳预测范围。
第一运动传感器数据可以包括加速度数据,并且确定锻炼强度或者锻炼类型可以包括:根据基于加速度数据的加速度变化或者使用气压传感器415的气压数据的变化来确定锻炼强度或者锻炼类型。
根据各种实施例,计算机可读记录介质可以包括程序,所述程序用于:使用运动传感器获得第一持续时间内的第一运动传感器数据,并且使用心率监测传感器获得第一持续时间内的第一心跳数据;基于第一运动传感器数据确定锻炼类型;基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围;确定获得的第二持续时间内的第二心跳数据是否落入心跳预测范围内;以及基于确定结果确定第二持续时间的心跳数据。
计算机可读记录介质可以包括硬盘、软盘、磁介质(例如,磁带)、光介质(例如,紧凑盘(CD)-只读存储器(ROM)和DVD)、磁光介质(例如,光磁软盘)、内部存储器等。指令可以包括由编译器产生的机器代码或可由解释器执行的代码。根据各种实施例的模块或程序模块可以包括上述组件中的至少一个或多个,省略其中一些组件,或进一步包括附加的其他组件。根据各种实施例的模块、编程模块或其它组件执行的操作可以通过顺序、并行、重复或启发式方法来执行。至少一些操作可以按不同顺序执行,或者可以被省略,或者可以增加其他操作。
控制单元或处理器可以包括微处理器或任意合适类型的处理电路,例如一个或多个通用处理器(例如基于ARM的处理器)、数字信号处理器(DSP)、可编程逻辑器件(PLD)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、视频卡控制器等。此外,将认识到,当通用计算机访问用于实现本文中示出的处理的代码时,代码的执行将通用计算机变换为用于执行本文中示出的处理的专用计算机。附图中提供的功能和步骤中的任一个可以以硬件、软件或者两者的结合来实现,并且可以全部或部分地在计算机的编程指令内执行。此外,本领域技术人员理解并认识到:“处理器”或“微处理器”可以是要求保护的本公开中的硬件。
尽管参考本公开的特定示例实施例示出并描述了本公开,然而本领域技术人员应理解,可以在不脱离由所附权利要求及其等同物限定的本公开的情况下,在其中可以进行形式和细节上的多种改变。
Claims (15)
1.一种电子设备,包括:
运动传感器;
心率监测传感器;以及
与所述运动传感器和所述心率监测器传感器功能耦合的处理器,其中所述处理器被配置为:
使用所述运动传感器获得第一持续时间内的第一运动传感器数据,使用所述心率监测传感器获得第一持续时间内的第一心跳数据,
基于第一运动传感器数据确定锻炼类型,
基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围,
使用所述心率监测传感器获得第二持续时间内的第二心跳数据,
确定第二心跳数据是否落入心跳预测范围内,以及
基于确定结果确定第二持续时间的心跳数据。
2.根据权利要求1所述的电子设备,其中,当第二心跳数据在心跳预测范围内时,所述处理器将第二心跳数据确定为第二持续时间的心跳数据,
当第二心跳数据在心跳预测范围外时,将心跳预测范围中的第三心跳数据确定为第二持续时间的心跳数据。
3.根据权利要求2所述的电子设备,其中,当第二心跳数据在心跳预测范围外时,所述处理器还被配置为:
基于心跳预测范围的最大值和最小值以及第二心跳数据来确定第三心跳数据,并且用第三心跳数据来校正第二心跳数据。
4.根据权利要求2所述的电子设备,其中,所述处理器将心跳预测范围的最大值、最小值和平均值中的至少一个确定为第三心跳数据。
5.根据权利要求2所述的电子设备,其中:
当第二心跳数据在心跳预测范围内时,所述处理器使用在第二持续时间内获得的第二运动传感器数据或第二心跳数据来计算热量消耗,以及
当第二心跳在心跳预测范围外时,所述处理器使用第二运动传感器数据和第三心跳数据中的至少一个来计算热量消耗。
6.根据权利要求1所述的电子设备,其中,所述处理器使用检测到的锻炼类型和第一心跳数据,或者使用检测到的锻炼类型、第一运动传感器数据和第一心跳数据,来计算热量消耗。
7.根据权利要求1所述的电子设备,其中,所述处理器还被配置为:
基于第一运动传感器数据确定锻炼强度,
基于锻炼强度、锻炼类型和第一心跳数据中的至少一个来确定预测心跳数据,以及
基于预测心跳数据,通过考虑误差裕度来确定心跳预测范围。
8.根据权利要求7所述的电子设备,其中,第一运动传感器数据还包括加速度数据,所述处理器还被配置为根据使用加速度数据监测到的加速度变化和使用气压传感器获取的气压数据中的至少一个来检测锻炼强度或锻炼类型。
9.根据权利要求8所述的电子设备,其中,当气压数据指示气压的变化时,所述处理器还被配置为基于锻炼强度通过调整与加速度变化对应的权重来确定预测心跳数据。
10.根据权利要求8所述的电子设备,其中,当所述气压数据指示没有气压变化时,所述处理器还被配置为确定与加速度变化的改变对应的预测心跳数据。
11.根据权利要求7所述的电子设备,其中,所述处理器还被配置为基于与预测心跳数据所指示的心率的预关联来设定多个误差裕度中的特定误差裕度。
12.根据权利要求1所述的电子设备,其中,所述处理器还被配置为基于用户身体信息来确定心跳预测范围。
13.根据权利要求1所述的电子设备,其中,所述处理器还被配置为:
使用第一运动传感器数据和第一心跳数据中的至少一个来计算在第一持续时间期间消耗的第一数量热量,以及
控制显示器显示包括第一运动传感器数据、第一心跳数据和第一热量中的至少一个的用户界面。
14.根据权利要求1所述的电子设备,其中,所述处理器包括第一处理器和第二处理器,其中,所述第一处理器在所述电子设备被激活时被激活,所述第二处理器在所述电子设备被激活时被选择性地激活。
15.一种用于操作包括运动传感器和心率监测传感器的电子设备的方法,所述方法包括:
使用所述运动传感器获得第一持续时间内的第一运动传感器数据,并且使用所述心率监测传感器获得第一持续时间内的第一心跳数据;
基于第一运动传感器数据确定锻炼类型;
基于第一运动传感器数据、锻炼类型和第一心跳数据中的至少一个来确定心跳预测范围;
确定获得的第二持续时间内的第二心跳数据是否落入心跳预测范围内;以及
基于确定结果确定第二持续时间的心跳数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160156251A KR20180057868A (ko) | 2016-11-23 | 2016-11-23 | 심박수 획득 방법 및 이를 구현한 전자 장치 |
KR10-2016-0156251 | 2016-11-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108078561A true CN108078561A (zh) | 2018-05-29 |
Family
ID=60244905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711187167.3A Pending CN108078561A (zh) | 2016-11-23 | 2017-11-23 | 用于获得心率的方法和用于该方法的电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11202576B2 (zh) |
EP (1) | EP3330972A1 (zh) |
KR (1) | KR20180057868A (zh) |
CN (1) | CN108078561A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107961008A (zh) * | 2017-12-20 | 2018-04-27 | 中国科学院合肥物质科学研究院 | 一种静息代谢率快速获取的辅助装置及方法 |
CN110494079A (zh) * | 2018-08-03 | 2019-11-22 | 高驰运动科技(深圳)有限公司 | 心率检测方法、装置、检测设备及存储介质 |
CN110575150A (zh) * | 2018-06-07 | 2019-12-17 | 三星电子株式会社 | 使用生物测定信息提供锻炼信息的电子装置及其操作方法 |
CN111564165A (zh) * | 2020-04-27 | 2020-08-21 | 北京三快在线科技有限公司 | 数据存储方法、装置、设备及存储介质 |
CN112432662A (zh) * | 2019-08-26 | 2021-03-02 | 苹果公司 | 用于检测个体健康相关事件的方法和装置 |
CN114073514A (zh) * | 2020-08-14 | 2022-02-22 | 卡西欧计算机株式会社 | 信息处理装置、跑步指标导出方法以及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112203584A (zh) * | 2018-06-05 | 2021-01-08 | 深圳迈瑞生物医疗电子股份有限公司 | 一种基于运动传感器的生理参数优化方法及监护装置 |
EP3643226A1 (en) * | 2018-10-23 | 2020-04-29 | Tata Consultancy Services Limited | Heart rate estimation taking mobility states into account |
KR102461484B1 (ko) * | 2022-05-24 | 2022-10-31 | 주식회사 야나두 | 메타버스 트레이닝 서비스 제공 방법, 서버 및 컴퓨터 프로그램 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104207756A (zh) * | 2013-06-03 | 2014-12-17 | 飞比特公司 | 可佩戴心率监视器 |
US20150342479A1 (en) * | 2014-05-30 | 2015-12-03 | Microsoft Corporation | Data recovery for optical heart rate sensors |
US20150374240A1 (en) * | 2014-06-26 | 2015-12-31 | Salutron, Inc. | Heart Rate Inference Based On Accelerometer And Cardiac Model |
US20160144235A1 (en) * | 2014-11-19 | 2016-05-26 | Suunto Oy | Wearable sports monitoring equipment with context determination capabilities and relating method |
CN105769209A (zh) * | 2016-03-31 | 2016-07-20 | 联想(北京)有限公司 | 一种计算热量消耗的方法及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9005129B2 (en) * | 2012-06-22 | 2015-04-14 | Fitbit, Inc. | Wearable heart rate monitor |
US9867575B2 (en) | 2014-08-22 | 2018-01-16 | Apple Inc. | Heart rate path optimizer |
US20160051158A1 (en) | 2014-08-22 | 2016-02-25 | Apple Inc. | Harmonic template classifier |
US10201286B2 (en) | 2014-08-22 | 2019-02-12 | Apple Inc. | Frequency domain projection algorithm |
US20160081627A1 (en) * | 2014-09-23 | 2016-03-24 | Qualcomm Incorporated | System method for assessing fitness state via a mobile device |
US10952645B2 (en) * | 2016-08-31 | 2021-03-23 | Under Armour, Inc. | Method and apparatus for determining a type of data and an integrity of data |
-
2016
- 2016-11-23 KR KR1020160156251A patent/KR20180057868A/ko active Search and Examination
-
2017
- 2017-10-30 US US15/797,136 patent/US11202576B2/en active Active
- 2017-11-01 EP EP17199491.6A patent/EP3330972A1/en not_active Withdrawn
- 2017-11-23 CN CN201711187167.3A patent/CN108078561A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104207756A (zh) * | 2013-06-03 | 2014-12-17 | 飞比特公司 | 可佩戴心率监视器 |
US20150342479A1 (en) * | 2014-05-30 | 2015-12-03 | Microsoft Corporation | Data recovery for optical heart rate sensors |
US20150374240A1 (en) * | 2014-06-26 | 2015-12-31 | Salutron, Inc. | Heart Rate Inference Based On Accelerometer And Cardiac Model |
US20160144235A1 (en) * | 2014-11-19 | 2016-05-26 | Suunto Oy | Wearable sports monitoring equipment with context determination capabilities and relating method |
CN105769209A (zh) * | 2016-03-31 | 2016-07-20 | 联想(北京)有限公司 | 一种计算热量消耗的方法及电子设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107961008A (zh) * | 2017-12-20 | 2018-04-27 | 中国科学院合肥物质科学研究院 | 一种静息代谢率快速获取的辅助装置及方法 |
CN110575150A (zh) * | 2018-06-07 | 2019-12-17 | 三星电子株式会社 | 使用生物测定信息提供锻炼信息的电子装置及其操作方法 |
CN110494079A (zh) * | 2018-08-03 | 2019-11-22 | 高驰运动科技(深圳)有限公司 | 心率检测方法、装置、检测设备及存储介质 |
CN110494079B (zh) * | 2018-08-03 | 2022-09-02 | 广东高驰运动科技有限公司 | 心率检测方法、装置、检测设备及存储介质 |
CN112432662A (zh) * | 2019-08-26 | 2021-03-02 | 苹果公司 | 用于检测个体健康相关事件的方法和装置 |
CN112432662B (zh) * | 2019-08-26 | 2024-02-13 | 苹果公司 | 用于检测个体健康相关事件的方法和装置 |
CN111564165A (zh) * | 2020-04-27 | 2020-08-21 | 北京三快在线科技有限公司 | 数据存储方法、装置、设备及存储介质 |
CN114073514A (zh) * | 2020-08-14 | 2022-02-22 | 卡西欧计算机株式会社 | 信息处理装置、跑步指标导出方法以及存储介质 |
CN114073514B (zh) * | 2020-08-14 | 2024-01-26 | 卡西欧计算机株式会社 | 信息处理装置、跑步指标导出方法以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3330972A1 (en) | 2018-06-06 |
US11202576B2 (en) | 2021-12-21 |
KR20180057868A (ko) | 2018-05-31 |
US20180140204A1 (en) | 2018-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220040533A1 (en) | Electronic apparatus and operating method thereof | |
CN108078561A (zh) | 用于获得心率的方法和用于该方法的电子设备 | |
CN107997767B (zh) | 用于识别用户活动的方法及其电子设备 | |
CN108388782B (zh) | 用于认证生物计量数据的电子设备和系统 | |
CN105930631B (zh) | 用于测量生物信号的方法及其可穿戴电子设备 | |
US10275200B2 (en) | Activity information processing method and electronic device supporting the same | |
KR102254151B1 (ko) | 보행 자세에 따른 정보 제공 방법 및 이를 위한 전자 장치 | |
US10817034B2 (en) | Wearable electronic device and operating method therefor | |
US20160142407A1 (en) | Method and apparatus for displaying user interface in electronic device | |
US11217343B2 (en) | Method for providing action guide information and electronic device supporting method | |
CN108076405A (zh) | 电子设备及其操作方法 | |
CN110192248A (zh) | 语音输入处理方法和用于支持该方法的电子设备 | |
CN108241422A (zh) | 电子设备和基于电子设备中的电池温度的热控制方法 | |
CN108604432A (zh) | 电子设备及用于控制其的方法 | |
CN107101665A (zh) | 运动信息提供方法及支持所述方法的电子装置 | |
CN108701495A (zh) | 用于整合和提供从多个设备收集的数据的方法以及用于实现该方法的电子设备 | |
CN107710724A (zh) | 使用传感器数据控制显示器的方法及其电子设备 | |
CN110192383A (zh) | 电子设备及其操作方法 | |
CN108475174A (zh) | 电子设备及其操作方法 | |
KR102349684B1 (ko) | 활동 정보 제공 방법 및 이를 지원하는 전자 장치 | |
CN109196546A (zh) | 电子设备和包括该电子设备的信息处理系统 | |
CN110022948B (zh) | 用于提供锻炼内容的移动装置和与其连接的可佩戴装置 | |
CN108124054A (zh) | 基于握持传感器的感测信号显示用户界面的设备 | |
CN109716349A (zh) | 用于控制传感器的方法及其电子装置 | |
US10146573B2 (en) | Method and apparatus for controlling power output from electronic device to external electronic device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180529 |
|
WD01 | Invention patent application deemed withdrawn after publication |