CN109009013A - 智能手环 - Google Patents

Abstract

本申请公开了一种智能手环。一种智能手环，包括多个传感器(111～116)、处理器(120)以及存储器(130)，其中所述多个传感器(111～116)用于测量与佩戴者相关的参数信息，所述存储器(130)存储有程序，当所述程序运行时，由所述处理器(120)执行以下方法：在不同时刻，从所述多个传感器获取与佩戴者相关的多组参数信息；基于不同时刻获取的所述多组参数信息生成与佩戴者相关的矩阵信息；以及利用基于卷积神经网络的诊断模型，根据矩阵信息，生成表示佩戴者健康状况的分类信息。

Description

智能手环

技术领域

本申请涉及智能终端领域，具体而言，涉及一种智能手环。

背景技术

现有的智能手环存在“智而不能”，实用性低且市场产品同质化较为严重的问题。

当前的智能手环应用中，绝大部分使用的人工输入指定规则的方式形成预测及判断结果(例如人的体温高于38度则判断该用户发烧)。这种行为评判方式在场景单一的使用情境下能够取得一定的效果。然而当用户的生活情境更加复杂，以及用户对智能化要求更高时，面对复杂的使用场景、多需求冲突调解以及突发性事件的发生，这样的单一的技术支持将为用户带来干扰和困惑，造成产品实用性较低的状况

针对上述现有的智能手环其单一的行为评判机制难以满足用户当下的需求的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种智能手环，以至少解决现有的智能手环其单一的行为评判机制难以满足用户当下的需求的技术问题。

根据本发明实施例的一个方面，提供了一种智能手环，包括多个传感器、处理器以及存储器。其中多个传感器用于测量与佩戴者相关的参数信息，存储器存储有程序，当程序运行时，由处理器执行以下方法：在不同时刻，从所述多个传感器获取与佩戴者相关的多组参数信息；基于不同时刻获取的所述多组参数信息生成与佩戴者相关的矩阵信息；以及利用基于卷积神经网络的诊断模型，根据矩阵信息，生成表示佩戴者健康状况的分类信息。

在本发明实施例中，通过利用基于深度学习的诊断模型，达到了能够准确判断智能手环的佩戴者的健康状况的目的，从而实现了提供准确的评价机制的技术效果，进而解决了现有的智能手环其单一的行为评判机制难以满足用户当下的需求的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本发明实施例的智能手环的外观示意图；

图2是根据本发明实施例的智能手环的电路结构示意图；

图3是根据本发明实施例的智能手环的传感器获取的多组参数信息的示意图；

图4是根据本发明实施例的智能手环的处理器实现的方法的流程图；以及

图5是根据本发明实施例的基于卷积神经网络的诊断模型的示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

实施例

图1示出了根据本公开实施例的智能手环的外观图。参看图1所示，智能手环100的环带的内表面设置有用于测量加速度的第一传感器111、用于测量心率的第二传感器112、用于测量血氧的第三传感器113以及用于测量体温的第四传感器114。此外，尽管未示出，图1所示的手环还包括用于测量环境温度的第五传感器115以及测量环境湿度的第六传感器116。

此外，图2示出了智能手环100所包含的电路模块图。参考图2所示，智能手环100还包括：与第一传感器111、第二传感器112、第三传感器113、第四传感器114、第五传感器115以及第六传感器116连接的处理器120；与处理器120连接的存储器130以及与处理器120连接的显示器140。

其中，存储器130用于接收并存储处理器120发送的数据，具体地处理器120接收第一传感器111至第六传感器116发送的数据后，将其发送至存储器130中进行存储，并且对保存的数据进行整理。具体保存数据的整理格式如图3所示。

并且，存储器130中还存储有程序，从而处理器120可以执行存储器130中存储的程序，从而根据从第一传感器111至第六传感器116接收的数据判定儿童的健康状况。

例如，可以根据儿童的健康状况进行适当分类，类别可以包括：正常、疲劳、贫血、睡眠不健康、注意力不集中、疾病等6个种类。从而例如可以用向量(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)表示，其中θ₁至θ₆分别表示6个种类的分值，其中分值最高的元素，表示出了佩戴智能手环的儿童的健康状况。

具体地，图3示出了处理器120执行存储器130中存储的程序，从而执行的方法的流程图，参考图3所示，该方法包括：

S402：在不同时刻，从智能手环的多个传感器获取与佩戴者相关的多组参数信息；

S404：基于不同时刻获取的多组参数信息生成与佩戴者相关的矩阵信息；以及

S406：利用基于卷积神经网络的诊断模型，根据矩阵信息，生成表示佩戴者健康状况的分类信息。

参考上面所述，处理器120可以在m个不同时刻，从第一传感器111至第三传感器113获取多组参数信息。参考图3所示，每一个样本对应于一组参数，从而在m个不同时刻获得m组不同的参数信息。

然后利用m组不同的参数信息，构成矩阵信息：

其中，1、2、…..、m分别表示不同的时刻，A表示第一传感器测量的加速度、H表示第二传感器测量的心率、O表示第三传感器测量的血氧、BT表示第四传感器测量的体温、ET表示第五传感器测量的环境温度以及EH表示第六传感器测量的环境湿度。

所采样的基于卷积神经网络的诊断模型参考图5所示，图5示出了本实施例所采用的基于卷积神经网络的诊断模型的示意图。参考图5所示，本实施例所使用的基于卷积神经网络的诊断模型包括：第一卷积层501、第一池化层502、第二卷积层503、第二池化层504、第一神经元层505、第三池化层506以及第二神经元层507。

参考图5所示，第一卷积层501包括256个3×3尺寸的卷积核结构。从而利用第一卷积层501的卷积核实现对输入的矩阵信息在不同层面的特征提取。此外，在每次卷积操作后，在输出矩阵周围补0使层间传递的矩阵尺寸保持不变，并且每层卷积操作后的非线性激活函数选用ELU函数。

第一池化层502用于从第一卷积层501的输出结果中进行子采样，从而产生预定数量(例如可以是128个)的输出结果。

第二卷积层503包括128个3×3尺寸的卷积核结构，从而对第一池化层502的输出结果进行卷积操作。从而进一步地通过卷积操作进行更高层次的特征提取。

第二池化层504用于从第二卷积层503的输出结果中进行再次子采样，从而继续选取预定数量(例如可以是28个)的结果。

第一神经元层505用于对第二池化层504的输出结果进行分类处理。其中第一神经元层505为全连接层，其神经元的数量为第二池化层504的输出结果的数量。

进一步的第三池化层506用于从第一神经元层505的输出结果中进行子采样，选取出的结果的数量对应于第二神经元层507中的神经元的数量。

其中，第二神经元层507为全连接层，并且第二神经元层507中所包含的神经元的数量与向量(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)中元素的个数一致，用于输出向量(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)。

从而，利用图5中所示的诊断模型，处理器120能够根据由传感器111～113获取的信息构成的矩阵信息，得出一个向量(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)。

正如上面所述，θ₁至θ₆分别表示6个种类(即，正常、疲劳、贫血、睡眠不健康、注意力不集中、疾病等6个种类)的分值，其中分值最高的元素，表示出了佩戴智能手环的儿童的健康状况。

因此通过诊断模型输出的向量(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)，即可判断出佩戴者的健康状况。

并且，处理器120还将该向量(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)所表达的分类信息发送至显示器140，用于提示佩戴者相关的健康状态。

从而本发明提供的智能手环，根据多个传感器获取的不同种类的参数，利用深度学习的算法，可以获得与用户的健康相关的更加准确地分类。从而实现了智能手环的真正的智能化判断。解决了现有的智能手环仍然不够智能的问题。

此外，需要说明的是，尽管本实施例中解释了所获取的参数包括与佩戴者相关的加速度、心率、血氧、体温、环境温度以及环境湿度。但是本领域技术人员应当清楚也可以利用智能手环的传感器获取的其他参数的组合训练卷积神经网络，从而获得更准确的评价机制。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述做出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

此外，上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种智能手环，包括多个传感器(111～116)、处理器(120)以及存储器(130)，其中所述多个传感器(111～116)用于测量与佩戴者相关的参数信息，所述存储器(130)存储有程序，当所述程序运行时，由所述处理器(120)执行以下方法：

在不同时刻，从所述多个传感器获取与佩戴者相关的多组参数信息；

基于不同时刻获取的所述多组参数信息生成与佩戴者相关的矩阵信息；以及

利用基于卷积神经网络的诊断模型，根据矩阵信息，生成表示佩戴者健康状况的分类信息。

2.根据权利要求1所述的智能手环，其特征在于，所述多个传感器(111～116)包括：用于测量加速度的第一传感器(111)、用于测量心率的第二传感器(112)、用于测量血氧的第三传感器(113)、用于测量体温的第四传感器(114)、用于测量环境温度的第五传感器(115)以及用于测量环境湿度的第六传感器(116)。

3.根据权利要求2所述的智能手环，其特征在于，所述诊断模型包括：第一卷积层(501)、第一池化层(502)、第二卷积层(503)、第二池化层(504)、第一神经元层(505)、第三池化层(506)以及第二神经元层(507)，其中

所述第一卷积层(501)包括256个3×3尺寸的卷积核结构；

所述第一池化层(502)用于从第一卷积层(501)的输出结果中进行子采样，从而产生第一预定数量的输出结果；

所述第二卷积层(503)包括128个3×3尺寸的卷积核结构，从而对第一池化层(502)的输出结果进行卷积操作；

第二池化层(504)用于从第二卷积层(503)输出结果中进行子采样，从而产生第二预定数量的结果；

第一神经元层(505)用于对第二池化层(504)的输出结果进行分类处理；

第三池化层(506)用于从第一神经元层(505)的输出结果中进行子采样，选取出的结果的数量对应于第二神经元层(507)中的神经元的数量；以及

第二神经元层(507)为全连接层，从而根据第三池化层(506)的输出结果，产生表示佩戴者健康状况的分类信息的向量。

4.根据权利要求1至3中任意一项所述的智能手环，其特征在于，还包括显示器(140)，并且

所述处理器(120)还配置用于将所述分类信息发送至所述显示器(140)进行显示。