CN108805390A - 一种智能的刷牙过程评价方法 - Google Patents

Abstract

本发明涉及一种智能的刷牙过程评价方法，包括步骤：1)对标准巴氏刷牙法刷牙的过程进行追踪，采集置于电动牙刷中的GY‑521陀螺仪输出的降噪信号；2)检查经过步骤1)预处理并标注的数据间隔，若数据的间隔时间小于t秒,按照t秒的时间间隔求出该段时间内的均值；3)训练基于随机森林的评价模型；4)将刷牙者数据按照步骤1)对传感器数据处理的方法进行预处理，使用训练好的随机森林模型对刷牙者在不同时刻的牙刷状态进行分类。本发明的有益效果是：采用机器学习的方法对用户刷牙过程中每个时间片段中牙刷所处的牙齿状态进行分类，可以预测出在刷牙过程中不同时刻用户的刷牙状态，准确的判断用户在不同时刻对牙齿的清洁状况与力度大小。

Description

一种智能的刷牙过程评价方法

技术领域

本发明涉及一种通过牙刷状态对刷牙过程进行评价的方法，主要是利用智能电动牙刷所获取到的牙刷运动状态信息，智能分析用户的刷牙过程并进行评价。

背景技术

刷牙是使用牙刷去除牙菌斑、软垢和食物残渣，保持口腔清洁的重要自我口腔保健方法；也是人们自我清除菌斑，预防牙周病发生、发展和复发的最主要手段。如果刷牙方法不适当，不但达不到刷牙的目的，反会引起口腔问题。对刷牙过程进行评价是帮助使用者改进刷牙方法，提高刷牙效果的重要一环。在现有技术中，通常会在牙刷内部设置加速度传感器等运动采集设备感应刷牙动作，用以获得用户刷牙角度、刷牙力度等信息，牙刷收集传感器信息对用户进行反馈，使用者在反馈的基础上纠正错误的刷牙习惯。

然而，对于刷牙过程的评价而言，目前大多数分析方法与评价指标是通过设置阈值或简单的逻辑表达式来实现的，即通过设置牙刷的固定角度区间并检测固定区间内的活动时间判断使用者是否正确的刷牙。但这种粗粒度的决策规则在刷牙过程的分析与评价上不能取得良好的效果，尤其是不同特性的刷牙者具有不同的牙刷运动状态。因此，寻找能够自动学习并智能判断识别的一种细粒度智能刷牙分析与评价方法成为必要。

发明内容

本发明的目的是克服现有技术中的不足，提供一种更加准确的基于机器学习的细粒度智能分析与评价刷牙者刷牙行为的方法。

智能的刷牙过程评价方法，包括如下步骤：

1)对标准巴氏刷牙法刷牙的过程进行追踪，采集置于电动牙刷中的GY-521陀螺仪输出的降噪信号，其中包括时间信息与四元数q＝[w x y z]^T，通过四元数q解算牙刷姿态θ＝arcsin(2wy-2zx),Ψ＝atan2(2wz+2xy,1-2y²-2z²),φ＝Ψ＝atan2(2wx+2zy,1-2x²-2y²)，θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)；三轴旋转角度θ_x、θ_y、θ_z对应于牙刷在空间中的姿态，根据传感器输出信号中的时间信息对牙刷姿态角按照牙齿编号进行标注；

2)检查经过步骤1)预处理并标注的数据间隔，若数据的间隔时间小于t秒,按照t秒的时间间隔求出该段时间内的均值；按照<θ,Ψ,φ,label_n>的格式处理成随机森林模型的训练数据集，其中θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)，训练样本中数据包含了每t秒的细粒度时间信息，并且按照步骤1)所述的方法进行多次试验以收集数据；

3)训练基于随机森林的评价模型，从数据集中使用Bootstraping方法选择样本并训练多颗决策树，在训练决策树时，随机选择k个特征按照信息增益比Gain(S,A)＝Entropy(S|A)-∑_{v∈Values(A)}S_v/S*Entropy(S_v)进行分裂，其中S当前分类节点中所有数据的集合，A为某个待选特征，S_v为按照特征A对集合S进行划分后属于特征A的新集合；若特征具有相同的表现，则在具有最好表现的特征中随机选取一个特征；在预测时使用多数投票机制输出状态结果；

4)将刷牙者数据按照步骤1)对传感器数据处理的方法进行预处理，使用训练好的随机森林模型对刷牙者在不同时刻的牙刷状态进行分类，按照公式对用户刷牙过程进行评价，其中用户刷牙过程中牙刷的第n种姿态出现次数C_n，按照标准巴氏刷牙法进行刷牙并收集到的基准数据中，第n种姿态状态的出现次数为S_n；按照x_n＝x-x_min/x_max-x_min处压力传感器数据序列(x₁,x₂…x_n)，并对或的位置进行反馈。

作为优选：步骤2)中：随机森林模型的训练数据集，其格式如下：

<θ,Ψ,φ,label_n> (1)

其中label_n表示按照巴氏刷牙法进行刷牙时的牙刷位置分类，其中每两颗牙齿包含内、外、咬合面三个分区，θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角、偏航角与翻滚角；训练样本数据包含了精确到每t秒的细粒度时间信息。

作为优选：步骤4)中：对刷牙者的评价指标如下：

其中刷牙者每一类状态的出现次数C_n，按照标准巴氏刷牙法进行刷牙并收集到的基准数据中每类状态的出现次数为S_n，按照标准巴氏刷牙法或者更好的刷牙者评分为100分；之后将经过降噪处理后的压力传感器数据序列(x₁,x₂…x_n)按照公式x_n＝x-x_min/x_max-x_min进行归一化处理，求出均值若x_n≤x_n*0.8则该位置的刷牙力量较轻，若x_n≥x_n*1.2则该位置刷牙力量过大，对力量不恰当的位置通过应用进行反馈。

作为优选：t秒为0～1秒。

作为优选：t秒为0.2秒。

本发明的有益效果是:采用机器学习的方法对用户刷牙过程中每个时间片段中牙刷所处的牙齿状态进行分类，可以预测出在刷牙过程中不同时刻用户的刷牙状态，准确的判断用户在不同时刻对牙齿的清洁状况与力度大小。尤其是使用随机森林模型根据姿态角特征进行如图4所示的分类，具有准确的分类表现、良好的扩展性与高效的计算流程的优点，在结果上具有泛化误差小且不易过拟合的特点。可以良好的处理训练集中由于不同实验参与者身体状况之间的差异所产生的偏差，并在对用户刷牙方法进行评价的过程中更准确的预测不同用户的不同的刷牙行为，提高了当前刷牙评价方法中粗粒度的决策规则在个性化分类上的效果，也为进一步的提高用户刷牙效果，提升口腔清洁状态提供了更准确更可靠的数据基础。

附图说明

图1是本方法所需电动牙刷组件示意图；

图2是本方法流程图；

图3是随机森林示意图；

图4是随机森林预测结果示意图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

本发明提供了一种基于机器学习的细粒度智能分析与评价刷牙者刷牙行为的方法。主要是利用陀螺仪与压力传感器的数值训练一种随机森林刷牙评价模型，并通过该模型预测并评价刷牙效果，对用户进行反馈。

这种评价刷牙过程的方法，需要硬件系统的支持，其描述如下：

1)该系统的实现需要具有基础的电动牙刷功能,如图1所示：手柄；可以拆卸的刷头；驱动组件与控制组件作为基础组件。其中驱动组件震动电机；可充电的电源系统。控制组件包括控制芯片与蓝牙通信设备。同时配备移动设备端的APP，该应用可以联网获取刷牙过程评价模型，并将评价结果可视化。

2)在此基础上期望能够获取到较为准确的运动状态信息：安置于牙刷手柄内，位于电池上方的三轴陀螺仪GY-521MPU6050模块；安置于牙刷手柄内，手柄与可拆卸刷头附近的薄膜压力传感器模块。

这种评价刷牙过程的方法，其步骤如下：

1)对标准巴氏刷牙法刷牙的过程进行追踪，采集置于电动牙刷中的GY-521陀螺仪输出的降噪信号，其中包括时间信息与四元数q＝[w x y z]^T，通过四元数q解算牙刷姿态角θ＝arcsin(2wy-2zx),Ψ＝atan2(2wz+2xy,1-2y²-2z²),φ＝Ψ＝atan2(2wx+2zy,1-2x²-2y²)，θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)。三轴旋转角度θ_x、θ_y、θ_z对应于牙刷在空间中的姿态，根据传感器输出信号中的时间信息对牙刷姿态角按照牙齿编号进行标注。

2)检查经过步骤1)预处理并标注的数据间隔，若数据的间隔时间小于0.2S,按照0.2秒的时间间隔求出该段时间内的均值。按照<θ,Ψ,φ,label_n>的格式处理成随机森林模型的训练数据集，其中θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)，训练样本中数据包含了每0.2秒的细粒度时间信息，并且按照步骤1)所述的方法进行多次试验以收集数据。

3)训练基于随机森林的评价模型，从数据集中使用Bootstraping方法选择样本并训练多颗决策树，在训练决策树时，随机选择k个特征按照信息增益比Gain(S,A)＝Entropy(S|A)-∑_{v∈Values(A)}S_v/S*Entropy(S_v)进行分裂，其中S当前分类节点中所有数据的集合，A为某个待选特征，S_v为按照特征A对集合S进行划分后属于特征A的新集合。若特征具有相同的表现，则在具有最好表现的特征中随机选取一个特征。在预测时使用多数投票机制输出状态结果。

4)将刷牙者数据按照步骤1)对传感器数据处理的方法进行预处理，使用训练好的随机森林模型对刷牙者在不同时刻的牙刷状态进行分类，按照公式对用户刷牙过程进行评价，其中用户刷牙过程中牙刷的第n种姿态出现次数C_n，按照标准巴氏刷牙法进行刷牙并收集到的基准数据中，第n种姿态状态的出现次数为S_n；按照x_n＝x-x_min/x_max-x_min处压力传感器数据序列(x₁,x₂…x_n)，并对或的位置进行反馈。

本发明的整体思想：

我们主要考虑以下两个方面：如何基于随机森林进行评价模型训练；如何利用分类模型进行刷牙过程评价。

本发明所述的这种评价刷牙过程的方法所需硬件支持详细描述如下：

1)该系统的实现需要具有基础的电动牙刷功能：一个塑料手柄外壳，内部有足够的空间安置所述组件；一个可以拆卸的牙刷刷头；驱动组件与控制组件作为基础组件。其中驱动组件包括用来控制电动牙刷刷头震动的震动电机；可充电的电源系统用来给驱动组件与控制组件供电。控制组件包括控制芯片，可以控制震动电机的振动频率并记录传感器感知到的数据；蓝牙通信设备，通过蓝牙协议与外部设备如具有蓝牙通信功能的设备如手机进行信息传递，传递的数据为多个传感器的数据序列。对应的通信设备如手机中装有可以对数据进行处理分析并可以联网获取刷牙过程进行评价模型的应用,评价模型的核心为本发明，一种基于随机森林的刷牙过程评价方法。

2)在此基础上期望能够获取到较为准确的运动状态信息：安置于牙刷手柄内，位于电池上方的陀螺仪MPU6050模块，如Risym的GY-521以数字输出经过卡尔曼滤波算法的旋转矩阵、四元数与模块的当前姿态，并且姿态测量精度为0.01；安置于牙刷手柄内，手柄与可拆卸刷头附近的薄膜压力传感器模块，将刷头与牙齿接触面受力的大小转化为电信号作为传感器的输出，检测牙刷与牙齿接触的力量大小。

作为一种实施例的这种评价刷牙过程的方法如图2所示，其步骤如下：

1)追踪巴氏刷牙法获取降噪数据

按照标准巴氏刷牙法使用电动牙刷，在开始使用后进行计时，按照224秒的刷牙时间分配刷牙过程，将口腔分为外部上侧、外部下侧、内部上侧、内部下侧四个部分，其中每部分56秒钟经过28颗牙齿，以每2秒一颗牙齿的速度完成整个刷牙过程。采集在这个标准过程中电动牙刷陀螺仪与压力传感器中的数据，以开始刷牙的时间为0刻度，将刷牙过程与时间对应，按照牙齿的编号对陀螺仪与压力传感器得数据进行标注，牙齿的编号即为该组数据的分类。GY-521陀螺仪MPU6050模块中有数据降噪功能的处理芯片，若使用没有降噪处理芯片的MPU6050模块陀螺仪，则需使用低通滤波器对原始数据进行降噪处理。MPU6050模块输出的陀螺仪数据包括时间信息与四元数q＝[w x y z]^T，通过四元数q解算牙刷姿态角θ＝arcsin(2wy-2zx),Ψ＝atan2(2wz+2xy,1-2y²-2z²),φ＝Ψ＝atan2(2wx+2zy,1-2x²-2y²)，θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)。三轴旋转角度θ_x、θ_y、θ_z对应于牙刷在空间中的姿态，根据传感器输出信号中的时间信息对牙刷姿态角按照牙齿编号进行标注。邀请不同的刷牙者进行试验，他们脸部尤其是下颚部位包括牙齿的模型应该具有一定的差异，对于每位刷牙者都进行多次试验，每一次试验都按照上述步骤进行数据收集与处理。

2)构造训练数据集

检查经过步骤1)预处理并标注的数据间隔，若数据的间隔时间小于0.2S,按照0.2秒的时间间隔求出该段时间内的均值。将得到的数据处理成决策树的训练数据集，其格式如下：

<θ,Ψ,φ,label_n> (1)

其中label_n表示按照巴氏刷牙法进行刷牙时的牙刷位置分类，其中每两颗牙齿包含内、外、咬合面三个分区。训练样本数据包含了精确到每0.2秒的细粒度时间信息，并且按照步骤1)所述的方法进行多次不同的试验。

3)基于随机森林的评价模型训练

将步骤2)生成的数据集应用随机森林算法后，生成对应的决策规则森林，如图3所示，其中，决策树的中间节点表示具体的传感器信息(坐标轴和相对欧拉角)，叶子节点代表牙刷状态的标签。使用随机森林对聚类数据进行分类的结果如图4所示。首先从原始训练集中使用Bootstraping方法随机有放回采样选出0.8*S个样本，其中S为样本总数，共进行S_tree次采样，生成S_tree个训练集，对每个训练集均训练一个决策树模型，共S_tree个决策树。在训练决策树时，随机选择k个特征按照信息增益比Gain(S,A)＝Entropy(S|A)-∑_{v∈Values(A)}S_v/S*Entropy(S_v)进行分裂，其中S当前分类节点中所有数据的集合，A为某个待选特征，S_v为按照特征A对集合S进行划分后属于特征A的新集合。若特征具有相同的表现，则在具有最好表现的特征中随机选取一个特征，在预测时使用多数投票机制输出状态结果。

4)输入刷牙者使用数据进行刷牙过程评价

将刷牙者的传感器信息按照0.2秒的时间片进行划分，若惯性传感器中没有降噪处理的步骤，则使用与步骤1)相同的降噪方法进行处理，MPU6050模块输出的陀螺仪数据包括六个轴的不同角速度，对每个轴进行时间与角度的积分，可以得到牙刷在空间中的姿态其中dt为陀螺仪输出数据的间隔，v_θ为该时间间隔内的角速度。得到不同时刻六轴的旋转角之后，用四元数表示。若数据间隔较短，则以0.2秒为时间片长度，求出每0.2秒内数据的均值。输入基于随机森林的评价模型，通过随机森林预测模型进行处理，可以得到每0.2秒牙刷状态的分类标签。生成一个时间序列，序列中每个数字代表每一秒牙刷的状态。计算每一类状态的出现次数C_n，按照标准巴氏刷牙法进行刷牙并收集到的基准数据中，每类状态的出现次数为S_n，刷牙者最后的评分为其中按照标准巴氏刷牙法或者更好的刷牙者评分为100分。将经过降噪处理后的压力传感器数据序列(x₁,x₂…x_n)按照公式x_n＝x-x_min/x_max-x_min进行归一化处理，求出均值若则该位置的刷牙力量较轻，若则该位置刷牙力量过大，对力量不恰当的位置通过应用进行反馈。

Claims (5)

1.一种智能的刷牙过程评价方法，其特征在于：包括如下步骤：

1)对标准巴氏刷牙法刷牙的过程进行追踪，采集置于电动牙刷中的GY-521陀螺仪输出的降噪信号，其中包括时间信息与四元数q＝[w x y z]^T，通过四元数q解算牙刷姿态θ＝arcsin(2wy-2zx),Ψ＝atan2(2wz+2xy,1-2y²-2z²),φ＝Ψ＝atan2(2wx+2zy,1-2x²-2y²)，θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)；三轴旋转角度θ_x、θ_y、θ_z对应于牙刷在空间中的姿态，根据传感器输出信号中的时间信息对牙刷姿态角按照牙齿编号进行标注；

2)检查经过步骤1)预处理并标注的数据间隔，若数据的间隔时间小于t秒,按照t秒的时间间隔求出该段时间内的均值；按照<θ,Ψ,φ,label_n>的格式处理成随机森林模型的训练数据集，其中θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角(Y轴)、偏航角(Z轴)与翻滚角(X轴)，训练样本中数据包含了每t秒的细粒度时间信息，并且按照步骤1)所述的方法进行多次试验以收集数据；

3)训练基于随机森林的评价模型，从数据集中使用Bootstraping方法选择样本并训练多颗决策树，在训练决策树时，随机选择k个特征按照信息增益比Gain(S,A)＝Entropy(S|A)-∑_{v∈Values(A)}S_v/S*Entropy(S_v)进行分裂，其中S当前分类节点中所有数据的集合，A为某个待选特征，S_v为按照特征A对集合S进行划分后属于特征A的新集合；若特征具有相同的表现，则在具有最好表现的特征中随机选取一个特征；在预测时使用多数投票机制输出状态结果；

4)将刷牙者数据按照步骤1)对传感器数据处理的方法进行预处理，使用训练好的随机森林模型对刷牙者在不同时刻的牙刷状态进行分类，按照公式对用户刷牙过程进行评价，其中用户刷牙过程中牙刷的第n种姿态出现次数C_n，按照标准巴氏刷牙法进行刷牙并收集到的基准数据中，第n种姿态状态的出现次数为S_n；按照x_n＝x-x_min/x_max-x_min处压力传感器数据序列(x₁,x₂…x_n)，并对或的位置进行反馈。

2.根据权利要求1所述的智能的刷牙过程评价方法，其特征在于：步骤2)中：随机森林模型的训练数据集，其格式如下：

<θ,Ψ,φ,label_n> (1)

其中label_n表示按照巴氏刷牙法进行刷牙时的牙刷位置分类，其中每两颗牙齿包含内、外、咬合面三个分区，θ,Ψ,φ分别表示电动牙刷陀螺仪的俯仰角、偏航角与翻滚角；训练样本数据包含了精确到每t秒的细粒度时间信息。

3.根据权利要求1所述的智能的刷牙过程评价方法，其特征在于：步骤4)中：对刷牙者的评价指标如下：

其中刷牙者每一类状态的出现次数C_n，按照标准巴氏刷牙法进行刷牙并收集到的基准数据中每类状态的出现次数为S_n，按照标准巴氏刷牙法或者更好的刷牙者评分为100分；之后将经过降噪处理后的压力传感器数据序列(x₁,x₂…x_n)按照公式x_n＝x-x_min/x_max-x_min进行归一化处理，求出均值若x_n≤x_n*0.8则该位置的刷牙力量较轻，若x_n≥x_n*1.2则该位置刷牙力量过大，对力量不恰当的位置通过应用进行反馈。

4.根据权利要求1所述的智能的刷牙过程评价方法，其特征在于：t秒为0～1秒。

5.根据权利要求1所述的智能的刷牙过程评价方法，其特征在于：t秒为0.2秒。