CN109314840A - 使用机器学习优化可穿戴设备设置 - Google Patents

使用机器学习优化可穿戴设备设置 Download PDF

Info

Publication number
CN109314840A
CN109314840A CN201780032928.XA CN201780032928A CN109314840A CN 109314840 A CN109314840 A CN 109314840A CN 201780032928 A CN201780032928 A CN 201780032928A CN 109314840 A CN109314840 A CN 109314840A
Authority
CN
China
Prior art keywords
wearable device
user
input
mobile device
data
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.)
Granted
Application number
CN201780032928.XA
Other languages
English (en)
Other versions
CN109314840B (zh
Inventor
黄瑾世
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intel Corp
Original Assignee
Intel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN109314840A publication Critical patent/CN109314840A/zh
Application granted granted Critical
Publication of CN109314840B publication Critical patent/CN109314840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • 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
    • A61B5/681—Wristwatch-type devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/3827—Portable transceivers
    • H04B1/385—Transceivers carried on the body, e.g. in helmets
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72409—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by interfacing with external accessories
    • H04M1/724094—Interfacing with a device worn on the user's body to provide access to telephonic functionalities, e.g. accepting a call, reading or composing a message
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72409—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by interfacing with external accessories
    • H04M1/724094—Interfacing with a device worn on the user's body to provide access to telephonic functionalities, e.g. accepting a call, reading or composing a message
    • H04M1/724095—Worn on the wrist, hand or arm
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/50—Service provisioning or reconfiguring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]

Abstract

描述了用于使用机器学习来优化可穿戴设备设置的技术。移动设备可以从可穿戴设备(例如，腕表)接收对应于佩戴可穿戴设备的用户对于可穿戴设备产生的输出模态的反应的传感器数据。移动设备可以请求针对可穿戴设备产生的输出模态的用户反馈。移动设备可以经由传感器组接收对应于针对输出模态的用户反馈的用户反馈数据。移动设备可以向云应用上传传感器数据和用户反馈数据。移动设备可以从云应用接收知识包，该知识包包括使用传感器数据和用户反馈数据训练的分类算法。最后，移动设备可以向可穿戴设备发送知识包。

Description

使用机器学习优化可穿戴设备设置
优先权声明
本国际申请要求于2016年6月27日递交的美国专利申请No.15/193,944的优先权权益，其全部内容通过引用结合于此。
技术领域
本公开总体涉及可穿戴设备，具体地涉及使用机器学习优化可穿戴设备设置。
背景技术
人的感官提供来自各种模态—视觉(视力)、听觉(听力)、触觉(触摸)、嗅觉(气味)、味觉、本体感受(身体的相邻部分的相对位置的感觉和运动中采用的努力强度)、以及前庭系统(出于协调平衡运动的目的，其有助于平衡和空间定向的感觉)的信息—用户使用该信息进行动作。可穿戴设备可以利用各种设置来产生各种模态的输出。
附图说明
在不一定按比例绘制的附图中，相似的标号可以描述不同视图中的类似组件。具有不同字母后缀的相似标号可以表示类似组件的不同实例。这些附图一般地(例如而非限制地)示出了在本文档中讨论的各种实施例或示例。
图1示出了根据示例实施例的其设置可以利用机器学习进行优化的可穿戴设备。
图2示出了根据示例实施例的用于使用机器学习来优化可穿戴设备设置的系统。
图3示出了根据示例实施例的使用机器学习来优化可穿戴设备的设置的训练处理。
图4示出了根据示例实施例的使用机器学习优化可穿戴设备的设置的训练处理的模态交互会话。
图5示出了根据示例实施例的其设置可以使用机器学习进行优化的可穿戴设备的实施方式。
图6是示出根据示例实施例的用于使用机器学习优化可穿戴设备设置的云应用的操作的数据和控制流示意图。
图7示出了根据示例实施例的由移动设备执行的用于使用机器学习优化可穿戴设备设置的方法。
图8示出了根据示例实施例的由可穿戴设备执行的用于使用机器学习优化可穿戴设备设置的方法。
图9是示出可以实现任意一个或多个示例实施例的机器的示例的框图。
具体实施方式
本公开描述了分别使用机器学习帮助优化可穿戴设备设置的方法、系统、以及计算机程序产品。在下面的详细描述中，出于说明的目的，给出了多个具体细节，以提供对于当前公开的主题的各个方面的透彻理解。但是，对于本领域技术人员易于理解的是，在阅读和理解本主题后，当前公开的主题可以在没有这些具体细节的条件下实施。在其他实例中，没有详细描述公知的方法、过程、和组件，以避免模糊当前公开的主题。
诸如智能手表之类的可穿戴设备变得越来越普遍。可穿戴设备可以产生各种环境刺激，例如，光、声、振动等。尽管可穿戴设备可以具有控制可穿戴设备产生的一种或多种环境刺激的用户可配置的设置，但是可穿戴设备的用户可能并不知道哪种设置配置对于用户是最佳的(甚至是可接受的)。所公开的实施例通过使用机器学习技术优化可穿戴设备的设置，改善了可穿戴设备的用户的用户体验。
感官处理失调(SPD，也称为“感觉整合障碍”)是在多感官整合没有被充分处理以提供对于环境需求的适当响应(例如，大脑在接收并响应一个或多个感官接收的信息方面有麻烦)时存在的情况。SPD与自闭症密切相关(并且通常与自闭症共存)。一些具有SPD的人对于环境刺激过敏感，而另一些具有SPD的人可能对于环境刺激欠敏感。
SPD以来自身体和/或环境的组织感觉方面的重大问题为特点，并且可以通过生活的一个或多个主要领域(日常生活的活动、游戏、生产、或休闲)中的表现方面的困难显露出来。具有SPD的人在处理来自各种感官，尤其是触觉(例如，发现织物发痒且难穿，而其他人不认为是这样)、前庭(例如，在开车时经历晕动病)、以及本体感受(例如，在用以握笔以适当书写的分级力方面有困难)的输入时可能会经历各种困难。所公开的技术对于优化由具有SPD的人佩戴的可穿戴设备的设置是有用的。
图1示出了根据示例实施例的其设置可以使用机器学习进行优化的可穿戴设备102。可穿戴设备102可以是戴在用户的手腕104上的手表。尽管图1示出了作为手表的可穿戴设备102，但是在其他实施例中，可穿戴设备102可以是项链、手镯、耳环、眼镜、或者可以由用户佩戴的任意其他形式的电子设备。
图2示出了根据示例实施例的用于使用机器学习优化可穿戴设备设置的系统200。系统200包括可穿戴设备102、佩戴可穿戴设备102的用户202、以及在云平台(例如，AzureTM、Amazon网络服务等)中运行的云应用206。可选地，在一个实施例中，系统200包括诸如智能电话或平板计算机的移动设备204。仅仅为了图示的简单，在图2中分开示出了用户202和可穿戴设备102；但是在一般用法中，可穿戴设备102被用户202佩戴。如本文档中所使用的，“输出模态”是由设备产生的对应于人类模态并且可以由人类使用人类模态感觉到的输出(例如，光、听力、触摸、气味、味觉、本体感受、前庭等)。类似地，“输入模态”是由人类产生的对应于人类模态并且可以由人类模态生成的输入。
在用户202的一般使用之前，可穿戴设备102可以经历训练处理，以针对用户202优化可穿戴设备的传感器和输出模态的设置。在该训练处理期间，移动设备204上运行的应用(“app”)可以指示用户202执行与可穿戴设备102的对应于一个或多个模态的一个或多个交互。交互可以包括用户202感应由可穿戴设备102生成的一个或多个输出模态210和/或用户202执行对于可穿戴设备102的一个或多个输入模态212。输出模态210的示例可以包括查看可穿戴设备102的显示器上显示的光、听由可穿戴设备102的扬声器产生的声音、感受由可穿戴设备102生成的振动等。输入模态212的示例可以包括触摸或按压可穿戴设备102的一部分、向可穿戴设备102的麦克风说话、按照特定模式或姿态移动可穿戴设备102等。可穿戴设备102可以使用可穿戴设备102中的一个或多个传感器收集用户对于一个或多个交互的(一个或多个)反应。可穿戴设备102可以向移动设备204提供所收集的传感器数据220。
很多可穿戴设备102相比智能电话和/或平板计算机而言具有有限的用户接口；因此，尽管可以仅使用可穿戴设备102收集一些用户反馈216，但是可以使用智能电话或平板计算机上运行的应用从用户202请求有关(一个或多个)交互的反馈216，这些反馈对于用户202来说很难仅使用可穿戴设备102提供。例如，移动设备204可以询问由可穿戴设备102的显示器所显示的光太暗还是太亮，由可穿戴设备102的扬声器产生的声音太低还是太高，由可穿戴设备102生成的振动是太弱还是太强等。用户202可以通过移动设备204的一个或多个输入机构提供用户反馈216，这些输入机构包括移动设备204上的触摸控件、经由移动设备204的麦克风的听觉输入、在移动设备204上的自由形式文本输入、在移动设备204上的最好地代表用户的反应的表情符号的选择等。在一个实施例中，移动设备204可以使用相机来监控用户202响应于交互的(一个或多个)表达和/或行为。
移动设备204可以向云应用206提供用户反馈和传感器数据222。云应用206可以分析数据222，训练要在可穿戴设备102上运行的机器学习算法(例如，神经网络)，并且生成包括经训练的机器学习算法、程序指令、以及优化后的设备设置的知识包224。云应用206可以向移动设备204发送知识包224，移动设备204随后可以向可穿戴设备102发送知识包224。最后，可穿戴设备102可以通过安装知识包224来更新其自身。
在不包括可选的移动设备204的实施例中，可穿戴设备102可以向用户202提供(一个或多个)反馈提示214，可以从用户202接收用户反馈216，可以向云应用206提供用户反馈和传感器数据222，并且可以从云应用206接收知识包224。
图3示出了根据示例实施例的使用机器学习优化可穿戴设备102的设置的训练处理300。用户202可以通过向移动设备204提供输入来发起训练处理(302)。发起训练(302)输入可以是启动移动设备204上的训练应用，按压训练应用中指示用户期望开始训练的按钮等。
如果移动设备204还没有连接到可穿戴设备102，则在移动设备204接收到发起训练的指示时，移动设备204可以连接到可穿戴设备102。在一个实施例中，移动设备204和可穿戴设备102之间的连接可以包括移动设备204向可穿戴设备102发送连接请求304、以及可穿戴设备102向移动设备204发送连接确认306。
在移动设备204和可穿戴设备102连接并且准备好开始交互时，移动设备204可以向用户202通知移动设备204和可穿戴设备102准备好交互(308)。用户202随后可以向移动设备204指示移动设备204和可穿戴设备102将开始与用户202交互(310)。
用户202可以在一组一个或多个模态交互320中与移动设备204和可穿戴设备102交互。每个模态交互320可以对应于可穿戴设备102的输入和/或输出模态，包括由可穿戴设备102感测到的传感器数据和由移动设备204和/或可穿戴设备102接收的用户反馈。模态交互320的示例在图4中示出并进一步详细描述。
移动设备204可以向云应用206上传在一个或多个模态交互320期间接收的传感器数据和用户反馈(330)。云应用206随后可以训练机器学习算法(例如，神经网络)(332)，以基于用户反馈216和传感器数据220优化可穿戴设备102对于用户202的输出模态。云应用206随后可以创建新知识包224(334)，该新知识包可以包括经训练的机器学习算法、操作指令、以及将安装在可穿戴设备102上的优化后的设备设置。云应用206随后可以向移动设备204发送新知识包224(336)。
移动设备204可以向可穿戴设备102发送新知识包224(338)。可穿戴设备102随后可以安装新知识包224(340)。在一个实施例中，安装新知识包224可以包括移动设备204指示可穿戴设备重置自己。在一个实施例中，对可穿戴设备的传感器和输出模态的设置的优化可以包括训练处理300的多次迭代。
图4示出了根据示例实施例的使用机器学习优化可穿戴设备的设置的训练处理的模态交互会话320。模态交互会话320可以包括用户感应由可穿戴设备102生成的一个或多个输出模态210和/或用户执行对于可穿戴设备102的一个或多个输入模态212。输出模态210的示例可以包括看可穿戴设备102的显示器上显示的光、听由可穿戴设备102的扬声器产生的声音、感觉由可穿戴设备102生成的振动等。输入模态212的示例可以包括触摸或按压可穿戴设备102的一部分，向可穿戴设备102的麦克风说话，按照特定模式或姿态移动可穿戴设备102等。
在模态交互会话320期间，可穿戴设备102可以使用可穿戴设备102中的一个或多个传感器收集数据。可穿戴设备102可以向移动设备204提供所收集的传感器数据220。
可穿戴设备102可以指示在移动设备204上运行的应用提示用户202提供有关一个或多个输出模态210和/或输入模态212的反馈(402)。例如，移动设备204可以询问由可穿戴设备102的显示器显示的光太暗还是太亮，由可穿戴设备102的扬声器产生的声音太低还是太高，由可穿戴设备102生成的振动太强还是太弱等。用户202可以通过一个或多个输入机构提供用户反馈216，所述一个或多个输入机构包括移动设备204上的触摸控件、经由移动设备204的麦克风的听觉输入等。在一个实施例中，移动设备204可以使用相机来监控用户202响应于交互的(一个或多个)表达和/或行为。
图5示出了根据示例实施例的其设置可以使用机器学习进行优化的可穿戴设备102的实施方式。可穿戴设备102可以包括片上系统502、一个或多个传感器520、以及用户接口530。
片上系统502可以包括传感器子系统504、处理器506、存储器508、专用集成电路(ASIC)510、以及用户接口控件512。传感器子系统504可以是通用型的并且可配置用于一个或多个用例。ASIC 510可以是执行经云应用206训练的算法的硬件实现的非线性决策网络。
存储器508可以存储知识包224；知识包224可以由处理器506访问并执行。知识包224由处理器506执行可以使得处理器506向ASIC 510提供指令，接收ASIC 510的执行结果，并且通过更新存储器508来更新机器学习算法的状态。
(一个或多个)传感器520可以包括检测光、声音、压力、湿度、加速度、惯性、空间定向、心率等中的一者或多者的一个或多个传感器。一个或多个传感器520可以使能诸如，触觉(触摸)、听觉(声音)、姿态(姿势)、视觉等的一个或多个输入模态，用于向可穿戴设备102提供输入。传感器子系统504可以向ASIC 510提供由一个或多个传感器520感测到的数据。由ASIC 510执行的算法可以对传感器子系统504提供的数据进行分类，并确定响应于所提供的数据而输出的一个或多个对应的输出模态和输出模态值。
用户接口控件512可以从处理器506和/或ASIC 510接收输入，处理所接收的输入，生成用户输出，并向用户接口530提供所生成的用户输出。用户接口530可以包括呈现光学信息的显示器、生成听觉信息的扬声器、生成振动的马达等中的一者或多者。
图6是示出根据示例实施例的用于使用机器学习优化可穿戴设备102的设置的云应用206的操作的数据和控制流示意图600。云应用206可以包括专家知识库610、该专家知识库表示可穿戴设备102被用于的领域的领域知识(例如，医学诊断/治疗、体育、生活用品等)。发送到云应用206的用户反馈216可以被提供给专家知识库610。
发送到云应用206的传感器数据220可以被提供给传感器信号处理器612，该传感器信号处理器可以使用信号处理技术来分析传感器数据220。
传感器信号处理器612可以向特征提取器614提供经分析的传感器数据，特征提取器614可以从经分析的传感器数据中提取相关特征。
特征提取器614可以向算法训练器616提供所提取的特征。算法训练器616还可以接收用户反馈216和/或从专家知识库610接收专家知识。算法训练器616可以训练将在可穿戴设备102上运行的机器学习算法(例如，神经网络的模型)。机器学习算法可以尝试模拟佩戴可穿戴设备102的用户202对于可穿戴设备102生成的各种输出模态值的反应，并且可以尝试基于所模拟的反应来调整未来的输出模态值。
算法训练器616可以向知识包构建器618提供经训练的机器学习算法，该知识包构建器可以结合经训练的机器学习算法和来自专家知识库610的信息来构建新知识包224。云应用206可以向可穿戴设备102发送该新知识包224用于安装。
在知识包224的初始训练和安装之后，用户202可以继续正常使用可穿戴设备102(例如，用于其期望的(一个或多个)目的)。当用户202使用可穿戴设备102时，可穿戴设备102可以继续收集对应于用户202响应于可穿戴设备102的一个或多个输出模态210的反应的传感器数据。可穿戴设备102可以周期性地向云应用206发送所收集的传感器数据。响应于接收并分析所收集的传感器数据，云应用206可以指示可穿戴设备102提示用户202发起类似于图3所示的初始训练会话300的后续训练会话。在一个实施例中，云应用206可以使用从可穿戴设备102接收到的所收集的传感器数据，以使用图6所示的操作生成新知识包224；在这样的实施例中，云应用206可以指示可穿戴设备102提示用户202安装新知识包224或者下载并安装新知识包224。
图7示出了根据示例实施例的由移动设备执行的用于使用机器学习优化可穿戴设备设置的方法700。在方法700中，移动设备204被用来代表可穿戴设备102收集用户反馈。
如果移动设备204尚未连接到可穿戴设备102，则移动设备204连接到可穿戴设备102(操作702)。
移动设备204接收开始训练会话的用户数据(操作704)。
接收对应于用户对于可穿戴设备产生的输出模态的反应的传感器数据(操作706)。
请求针对可穿戴设备产生的输出模态的用户反馈(操作708)。
经由第一传感器组接收对应于针对输出模态的用户反馈的数据(操作710)。
如果可穿戴设备102输出了多个模态和/或如果执行单个输出模态的多次迭代，则可以重复操作706-710。
将传感器数据和用户反馈数据上传到云应用(操作712)。
从云应用接收知识包(操作714)。
向可穿戴设备发送知识包(操作716)。
图8示出了根据示例实施例的由可穿戴设备执行的用于使用机器学习优化可穿戴设备设置的方法800。在方法800中，仅使用可穿戴设备102；没有使用移动设备204。
可穿戴设备102接收开始训练会话的用户输入(操作804)。
可穿戴设备102产生输出模态(操作804)。
经由可穿戴设备102的第一传感器组接收对应于用户对于输出模态的反应的数据(操作806)。
可穿戴设备102从用户请求对于输出模态的用户反馈(操作808)。
经由可穿戴设备102的第二传感器组接收对应于针对输出模态的用户反馈的数据(操作810)。
如果可穿戴设备102输出了多个模态和/或如果执行单个输出模态的多次迭代，则可以重复操作804-810。
向云应用上传传感器数据和用户反馈数据(操作812)。
从云应用接收知识包(操作814)。
可穿戴设备102安装知识包(816)。
图9是示出可以实现任意一个或多个示例实施例的机器900的示例的框图。在替代实施例中，机器900可以作为单个设备进行操作或者可以连接(例如，联网)到其他机器。在联网部署中，机器900可以在客户端-服务器网络环境中作为服务器机器、客户端机器、或者二者进行操作。在一个示例中，机器900可以充当对等(P2P)(或其他分布式)网络环境中的对等机。机器900可以实现或者包括图1-图8所示的系统、设备、或方法的任意部分，并且可以是计算机、服务器、或者能够执行指定将由机器执行的动作的指令(或序列等)的任意机器。另外，尽管仅示出了单个机器，但是“机器”应该被理解为包括分别或联合执行一组(或多组)指令以执行本文中讨论的任意一种或多种方法的任意机器集合，例如，云计算、软件服务(SaaS)、其他计算机集群配置等。
本文中描述的示例可以包括逻辑或多个组件、模块、或机构，或者可以通过逻辑或多个组件、模块、或机构操作。模块是能够执行指定操作的有形实体(例如，硬件)，并且可以被按照特定方式进行配置或布置。在一个示例中，电路可以被按照指定方式布置为模块(例如，在内部或者相对于诸如其他电路的外部实体)。在一个示例中，一个或多个计算机系统(例如，独立客户端或服务器计算机系统)或一个或多个硬件处理器的全部或部分可以被固件或软件(例如，指令、应用部分、或者应用)配置为操作以执行指定操作的模块。在一个示例中，软件可以驻留在机器可读介质中。在一个示例中，软件在被模块的下层硬件执行时，使得硬件执行指定操作。
相应地，术语“模块”被理解为覆盖有形实体，该有形实体是被物理构建，被具体配置(例如，硬连线)或临时(例如，暂时)配置(例如，被编程)为按照指定方式操作或者执行本文中描述的任意操作的部分或全部的实体。考虑模块被临时配置的示例，每个模块不需要在任意时刻都被实例化。例如，在模块包括使用软件配置的通用硬件处理器的情况下，通用硬件处理器可以在不同时间被配置为相应的不同模块。软件可以相应地将硬件处理器配置为例如，在一个时刻构成特定模块并且在另一时刻构成另一模块。
机器(例如，计算机系统)900可以包括硬件处理器902(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核、或者它们的任意组合)、主存储器904、以及静态存储器906，它们中的一些或全部可以经由互连(例如，总线)908彼此通信。机器900还可以包括显示单元910、字母数字输入设备912(例如，键盘)、以及用户界面(UI)导航设备914(例如，鼠标)。在一个示例中，显示单元910、输入设备912、以及UI导航设备914可以是触摸屏显示器。机器900可以另外包括存储设备(例如，驱动单元)916、信号生成设备918(例如，扬声器)、网络接口设备920、以及一个或多个传感器921(例如，全球定位系统(GPS)传感器、指南针、加速计、或其他传感器)。机器900可以包括输出控制器928，例如，串行(例如，USB)、并行、或者其他有线或无线(例如，红外(IR)、近场通信(NFC)等)连接，以与一个或多个外围设备(例如，打印机、读卡器等)通信或者控制这些外围设备。
存储设备916可以包括机器可读介质922，该机器可读介质上存储有体现本文中描述的一种或多种技术或功能或者由这些技术或功能利用的一组或多组数据结构或指令924(例如，软件)。指令924在被机器900执行期间还可以完全或至少部分地驻留在主存储器904、静态存储器906、或者硬件处理器902中。在一个示例中，硬件处理器902、主存储器904、静态存储器906、或者存储设备916之一或者它们的任意组合可以构成机器可读介质。
尽管机器可读介质922被示出为单个介质，但是术语“机器可读介质”可以包括被配置为存储一个或多个指令924的单个或多个介质(例如，集中或分布式数据库和/或相关缓存和服务器)。
术语“机器可读介质”可以包括能够存储、编码、或者承载供机器900执行并且使得机器900执行本公开的任意一种或多种技术的指令或者能够存储、编码、或者承载这些指令所使用的数据结构或者与这些指令相关联的数据结构的任意介质。非限制性的机器可读介质示例可以包括固态存储器和光和磁介质。相应地，机器可读介质不是临时传播信号。机器可读介质的具体示例可以包括诸如，半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪存设备的非易失性存储器；诸如内部硬盘和可移除盘的磁盘；磁光盘；随机存取存储器(RAM)；固态驱动(SSD)；以及CD-ROM和DVD-ROM盘。
还可以利用多个传输协议(例如，帧中继、互联网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)、消息队列遥测传输(MQTT)等)中的任意一个，经由网络接口设备920使用传输介质在通信网络926上发送或接收指令924。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网(例如，互联网)、移动电话网(例如，蜂窝网络)、老式普通电话(POTS)网、以及无线数据网(例如，被称为的电子电气工程师协会(IEEE)802.11标准族、被称为的IEEE 802.16标准族、IEEE 804.15.4标准族、低能耗技术、对等(P2P)网络等)。在一个示例中，网络接口设备920可以包括一个或多个物理插头(例如，以太网、同轴电缆、或者电话插头)或者一个或多个天线，以连接到通信网络926。在一个示例中，网络接口设备920可以包括多个天线，以使用单输入多输出(SIMO)、多输入多输出(MIMO)、或多输入单输出(MISO)技术中的至少一种进行无线通信。术语“传输介质”应该被理解为包括能够存储、编码、或者承载供机器900执行的指令的任意无形介质，并且包括数字或模拟通信信号或者有助于软件的通信的其他无形介质。
附加注解&示例实施例
示例1是一种用于使用机器学习优化可穿戴设备设置的装置，该装置包括：处理器，耦合到可穿戴设备的传感器组；用户接口控件，该用户接口控件控制可穿戴设备的用户接口，该用户接口包括能够产生输出模态的输出机构；以及耦合到处理器的集成电路(IC)，该IC执行由云应用使用机器学习算法训练的分类算法，该分类算法：对由传感器组的传感器检测出的传感器数据进行分类；以及至少部分地基于分类后的传感器数据确定输出模态值。
在示例2中，示例1的主题可选地包括，其中，传感器是以下各项之一：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、或湿度计。
在示例3中，示例1-2中任意一项或多项的主题可选地包括，其中，用户接口包括以下各项中的至少一项：生成光的光显示器、生成声音的扬声器、以及促使可穿戴设备振动的马达。
在示例4中，示例1-3中任一项或多项的主题可选地包括，其中，可穿戴设备是腕表。
在示例5中，示例1-4中任一项或多项的主题可选地包括，其中，分类算法由云应用响应于训练会话训练，训练会话包括模态交互会话，该模态交互会话包括以下步骤：可穿戴设备产生对应于输出模态的输出；传感器组的传感器检测对应于由可穿戴设备的用户响应于所产生的输出而产生的动作的传感器数据；提示用户提供有关所产生的输出的反馈；以及接收对于反馈提示的响应，其中，云应用接收检测到的传感器数据和反馈响应；并且其中，云应用产生知识包，该知识包包括经训练的分类算法。
在示例6中，示例5的主题可选地包括，其中，与可穿戴设备分离且不同的移动设备的输出机构向用户呈现反馈提示；并且其中，移动设备的输入机构接收对于反馈提示的响应。
在示例7中，示例6的主题可选地包括，其中，移动设备的输入机构是以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、移动设备的移动、自由形式文本输入、以及表情符号的选择。
在示例8中，示例5-7中任一项或多项的主题可选地包括，其中，云应用向移动设备发送经训练的分类算法；并且其中，移动设备向可穿戴设备发送经训练的分类算法。
在示例9中，示例5-8中任一项或多项的主题可选地包括，其中，所述装置通过将经训练的分类算法安装到所述装置中来更新其自身。
在示例10中，示例6-9中任一项或多项的主题可选地包括，其中，移动设备是智能电话。
在示例11中，示例6-10中任一项或多项的主题可选地包括，其中，移动设备是平板计算机。
在示例12中，示例6-11中任一项或多项的主题可选地包括，其中，移动设备是笔记本计算机。
示例13是一种用于使用机器学习优化可穿戴设备的设置的方法，该方法包括：从可穿戴设备接收传感器数据，该传感器数据对应于佩戴可穿戴设备的用户对由可穿戴设备产生的输出模态的反应；请求针对由可穿戴设备产生的输出模态的用户反馈；接收对应于针对输出模态的用户反馈的用户反馈数据；向云应用上传传感器数据和用户反馈数据；从云应用接收知识包，该知识包包括使用传感器数据和用户反馈数据训练的分类算法；以及向可穿戴设备发送知识包。
在示例14中，示例13的主题可选地包括，其中，请求用户反馈是由与可穿戴设备分离且不同的移动设备的输出机构执行的；并且其中，接收用户反馈数据是由移动设备的输入机构执行的。
在示例15中，示例13-14中任一项或多项的主题可选地包括，其中，用户反馈数据包括以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、移动设备的移动、自由形式文本输入、以及表情符号的选择。
在示例16中，示例13-15中任一项或多项的主题可选地包括：可穿戴设备安装知识包。
在示例17中，示例13-16中任一项或多项的主题可选地包括，其中，由可穿戴设备产生的输出模态是以下各项之一：由光显示器生成的光、由扬声器生成的声音、或者由马达生成的振动。
在示例18中，示例13-17中任一项或多项的主题可选地包括，其中，传感器数据是由以下各项中的至少一项产生的：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、以及湿度计。
在示例19中，示例13-18中任一项或多项的主题可选地包括，其中，可穿戴设备是腕表。
在示例20中，示例13-19中任一项或多项的主题可选地包括，其中，移动设备是智能电话。
在示例21中，示例13-20中任一项或多项的主题可选地包括，其中，移动设备是平板计算机。
在示例22中，示例13-21中任一项或多项的主题可选地包括，其中，移动设备是笔记本计算机。
示例23是一种用于使用机器学习优化可穿戴设备的设置的方法，该方法包括：产生具有多个输出模态值之一的输出模态；经由传感器组接收传感器数据，该传感器数据对应于用户对输出模态的反应，用户佩戴可穿戴设备；请求针对输出模态的用户反馈；经由可穿戴设备的输入机构接收对应于针对输出模态的用户反馈的用户反馈数据；向云应用上传传感器数据和用户反馈数据；以及从云应用接收知识包，该知识包包括使用传感器数据和用户反馈数据训练的分类算法。
在示例24中，示例23的主题可选地包括，其中，由可穿戴设备产生的输出模态是以下各项之一：由光显示器生成的光、由扬声器生成的声音、或者由马达生成的振动。
在示例25中，示例23-24中任一项或多项的主题可选地包括，其中，用户反馈数据包括以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、移动设备的移动、自由形式文本输入、以及表情符号的选择。
在示例26中，示例23-25中任一项或多项的主题可选地包括：可穿戴设备安装知识包。
在示例27中，示例23-26中任一项或多项的主题可选地包括，其中，传感器组包括以下各项中的至少一项：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、以及湿度计。
在示例28中，示例23-27中任一项或多项的主题可选地包括，其中，可穿戴设备是腕表。
示例29是包括指令的至少一个机器可读介质，所述指令在被机器执行时使得机器执行示例13-28中的任意方法的操作。
示例30是一种装置，包括用于执行示例13-28中的任意方法的部件。
示例31是一种用于使用机器学习优化可穿戴设备的设置的装置，该装置包括：用于从可穿戴设备接收传感器数据的部件，该传感器数据对应于佩戴可穿戴设备的用户对由可穿戴设备产生的输出模态的反应；用于请求针对由可穿戴设备产生的输出模态的用户反馈的部件；用于接收对应于针对输出模态的用户反馈的用户反馈数据的部件；用于向云应用上传传感器数据和用户反馈数据的部件；用于从云应用接收知识包的部件，该知识包包括使用传感器数据和用户反馈数据训练的分类算法；以及用于向可穿戴设备发送知识包的部件。
在示例32中，示例31的主题可选地包括，其中，请求用户反馈是由与可穿戴设备分离且不同的移动设备的输出机构执行的；并且其中，接收用户反馈数据是由移动设备的输入机构执行的。
在示例33中，示例31-32中任一项或多项的主题可选地包括，其中，用户反馈数据包括以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、移动设备的移动、自由形式文本输入、以及表情符号的选择。
在示例34中，示例31-33中任一项或多项的主题可选地包括：可穿戴设备安装知识包。
在示例35中，示例31-34中任一项或多项的主题可选地包括，其中，由可穿戴设备产生的输出模态是以下各项之一：由光生成机构生成的光、由声音生成机构生成的声音、或者由振动机构生成的振动。
在示例36中，示例31-35中任一项或多项的主题可选地包括，其中，传感器数据是由以下各项中的至少一项生成的：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、以及湿度计。
在示例37中，示例31-36中任一项或多项的主题可选地包括，其中，可穿戴设备是腕表。
在示例38中，示例31-37中任一项或多项的主题可选地包括，其中，移动设备是智能电话。
在示例39中，示例31-38中任一项或多项的主题可选地包括，其中，移动设备是平板计算机。
在示例40中，示例31-39中任一项或多项的主题可选地包括，其中，移动设备是笔记本计算机。
示例41是一种用于使用机器学习优化可穿戴设备的设置的装置，该装置包括：用于产生具有多个输出模态值之一的输出模态的部件；用于接收传感器数据的部件，该传感器数据对应于用户对输出模态的反应，用户佩戴可穿戴设备；用于请求针对输出模态的用户反馈的部件；用于接收对应于针对输出模态的用户反馈的用户反馈数据的部件；用于向云应用上传传感器数据和用户反馈数据的部件；以及用于从云应用接收知识包的部件，该知识包包括使用传感器数据和用户反馈数据训练的分类算法。
在示例42中，示例41的主题可选地包括，其中，由可穿戴设备产生的输出模态是以下各项之一：由光生成机构生成的光、由声音生成机构生成的声音、或者由振动机构生成的振动。
在示例43中，示例41-42中任一项或多项的主题可选地包括，其中，用户反馈数据包括以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、移动设备的移动、自由形式文本输入、以及表情符号的选择。
在示例44中，示例41-43中任一项或多项的主题可选地包括：可穿戴设备安装知识包。
在示例45中，示例41-44中任一项或多项的主题可选地包括，其中，传感器数据是由以下各项中的至少一项产生的：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、以及湿度计。
在示例46中，示例41-45中任一项或多项的主题可选地包括，其中，可穿戴设备是腕表。
这些非限制性示例中的每个示例可以代表其自己，或者可以与一个或多个其他示例结合在各种排列或组合中。
本文中使用计算机系统和可穿戴设备领域中的常规术语。这些术语是本领域已知的，并且出于方便的目的仅作为非限制性示例提供。因此，除非有相反的指示否则权利要求中的对应术语的解释不限于任何特定定义。
尽管本文中示出并描述了具体实施例，但是本领域普通技术人员将理解的是，计算用于实现相同目的的任意布置可以替代用于所示出的具体实施例。很多变形对于本领域普通技术人员来说将是易于理解的。相应地，本申请用于覆盖任何改变和变形。
以上具体实施方式包括对于形成具体实施方式的一部分的附图的参考。附图通过图示示出了可以实施的具体实施例。这些实施例在本文中也称为“示例”。这些示例可以包括示出或描述的元件以外的其他元件。但是，本发明人还预见到提供仅所示出或描述的这些元件的示例。另外，发明人还预见到使用针对特定示例(或者其一个或多个方面)或者针对本文中示出或描述的其他示例(或其一个或多个方面)示出或描述的这些元件的任意组合或排列的示例。
在本文档中，如专利文档中通常使用的术语“一”或“一个”包括一个或一个以上，独立于“至少一个”或“一个或多个”的任意其他实例或使用。在本文档中，术语“或”用于指代非排他性的或，因此除非有相反的指示，否则“A或B”包括“A而非B”、“B而非A”、以及“A和B”。另外，在所附权利要求中，术语“第一”、“第二”、和“第三”等仅用作标签，并且不用于在它们的目标上强加数字要求。在本文档中，传感器组可以包括一个或多个传感器，这些传感器可以是不同类型的传感器。另外，两个不同的传感器组可以包括属于两个传感器组的一个或多个传感器。
在具体实施方式中，各种特征可以集合在一起以简化本公开。其不应该理解为，没有请求保护的公开特征对于任何权利要求是关键特征。相反，本发明主题可以存在比特定公开实施例的所有特征更少的特征。因此，所附权利要求被结合在具体实施方式中，每个权利要求其自身代表不同实施例，并且预见到这些实施例可以在各种组合或排列中相互组合。应该参考所附权利要求和这些权利要求的等同的完整范围来确定实施例的范围。

Claims (25)

1.一种用于使用机器学习来优化可穿戴设备设置的装置，该装置包括：
处理器，其耦合到可穿戴设备的传感器组；
用户接口控件，该用户接口控件控制所述可穿戴设备的用户接口，所述用户接口包括能够产生输出模态的输出机构；以及
耦合到所述处理器的集成电路(IC)，该IC执行由云应用使用机器学习算法训练的分类算法，该分类算法：
对由所述传感器组的传感器检测到的传感器数据进行分类；以及
至少部分地基于分类后的传感器数据确定输出模态值。
2.如权利要求1所述的装置，其中，所述传感器是以下各项之一：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、或湿度计。
3.如权利要求1所述的装置，其中，所述用户接口包括以下各项中的至少一项：生成光的光显示器、生成声音的扬声器、以及促使所述可穿戴设备振动的马达。
4.如权利要求1所述的装置，其中，所述可穿戴设备是腕表。
5.如权利要求1所述的装置，其中，所述分类算法由所述云应用响应于训练会话训练，所述训练会话包括模态交互会话，所述模态交互会话包括以下步骤：
所述可穿戴设备产生对应于输出模态的输出；
所述传感器组的传感器检测与由所述可穿戴设备的用户响应于所产生的输出而产生的动作相对应的传感器数据；
提示所述用户提供有关所述所产生的输出的反馈；以及
接收对于所述反馈提示的响应，
其中，所述云应用接收检测到的传感器数据和所述反馈响应；并且
其中，所述云应用产生知识包，该知识包包括经训练的分类算法。
6.如权利要求5所述的装置，
其中，与所述可穿戴设备分离且不同的移动设备的输出机构向所述用户呈现反馈提示；并且
其中，所述移动设备的输入机构接收对于所述反馈提示的响应。
7.如权利要求6所述的装置，其中，所述移动设备的所述输入机构是以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、所述移动设备的移动、自由形式文本输入、以及表情符号的选择。
8.如权利要求5所述的装置，
其中，所述云应用向所述移动设备发送所述经训练的分类算法；并且
其中，所述移动设备向所述可穿戴设备发送所述经训练的分类算法。
9.如权利要求5所述的装置，其中，所述装置通过将所述经训练的分类算法安装到所述装置中来更新其自身。
10.如权利要求6所述的装置，其中，所述移动设备是智能电话。
11.一种用于使用机器学习来优化可穿戴设备的设置的方法，该方法包括：
从可穿戴设备接收传感器数据，该传感器数据对应于佩戴所述可穿戴设备的用户对所述可穿戴设备产生的输出模态的反应；
请求针对所述可穿戴设备产生的所述输出模态的用户反馈；
接收与针对所述输出模态的用户反馈相对应的用户反馈数据；
向云应用上传所述传感器数据和所述用户反馈数据；
从所述云应用接收知识包，该知识包包括使用所述传感器数据和所述用户反馈数据训练的分类算法；以及
向所述可穿戴设备发送所述知识包。
12.如权利要求11所述的方法，
其中，请求用户反馈是由与所述可穿戴设备分离且不同的移动设备的输出机构执行的；并且
其中，接收用户反馈数据是由所述移动设备的输入机构执行的。
13.如权利要求11所述的方法，其中，所述用户反馈数据包括以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、所述移动设备的移动、自由形式文本输入、以及表情符号的选择。
14.如权利要求11所述的方法，还包括：所述可穿戴设备安装所述知识包。
15.如权利要求11所述的方法，其中，所述可穿戴设备产生的所述输出模态是以下各项之一：由光显示器生成的光、由扬声器生成的声音、或者由马达生成的振动。
16.如权利要求11所述的方法，其中，所述传感器数据是由以下各项中的至少一项产生的：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、以及湿度计。
17.如权利要求11所述的方法，其中，所述可穿戴设备是腕表。
18.一种用于使用机器学习来优化可穿戴设备的设置的方法，该方法包括：
产生具有多个输出模态值之一的输出模态；
经由传感器组接收传感器数据，该传感器数据对应于用户对所述输出模态的反应，所述用户佩戴所述可穿戴设备；
请求针对所述输出模态的用户反馈；
经由所述可穿戴设备的输入机构接收与针对所述输出模态的用户反馈相对应的用户反馈数据；
向云应用上传所述传感器数据和所述用户反馈数据；以及
从所述云应用接收知识包，该知识包包括使用所述传感器数据和所述用户反馈数据训练的分类算法。
19.如权利要求18所述的方法，其中，所述可穿戴设备产生的所述输出模态是以下各项之一：由光显示器生成的光、由扬声器生成的声音、或者由马达生成的振动。
20.如权利要求18所述的方法，其中，所述用户反馈数据包括以下各项中的至少一项：触觉输入、听觉输入、姿态输入、面部输入、所述移动设备的移动、自由形式文本输入、以及表情符号的选择。
21.如权利要求18所述的方法，还包括：所述可穿戴设备安装所述知识包。
22.如权利要求18所述的方法，其中，所述传感器组包括以下各项中的至少一项：加速计、陀螺仪、倾斜计、气压计、温度计、麦克风、心率传感器、指南针、以及湿度计。
23.如权利要求18所述的方法，其中，所述可穿戴设备是腕表。
24.包括指令的至少一个机器可读介质，所述指令在被机器执行时使得所述机器执行权利要求11-23中的任意方法的操作。
25.一种装置，包括用于执行权利要求11-23中的任意方法的部件。
CN201780032928.XA 2016-06-27 2017-04-10 使用机器学习优化可穿戴设备设置 Active CN109314840B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/193,944 2016-06-27
US15/193,944 US9781243B1 (en) 2016-06-27 2016-06-27 Optimizing wearable device settings using machine learning
PCT/US2017/026785 WO2018004775A2 (en) 2016-06-27 2017-04-10 Optimizing wearable device settings using machine learning

Publications (2)

Publication Number Publication Date
CN109314840A true CN109314840A (zh) 2019-02-05
CN109314840B CN109314840B (zh) 2022-08-16

Family

ID=59929235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780032928.XA Active CN109314840B (zh) 2016-06-27 2017-04-10 使用机器学习优化可穿戴设备设置

Country Status (5)

Country Link
US (1) US9781243B1 (zh)
JP (1) JP6941622B2 (zh)
CN (1) CN109314840B (zh)
DE (1) DE112017003208T5 (zh)
WO (1) WO2018004775A2 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10638295B2 (en) 2015-01-17 2020-04-28 Machinesense, Llc System and method for turbomachinery preventive maintenance and root cause failure determination
US20170178030A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Method, system and apparatus using field learning to upgrade trending sensor curves into fuel gauge based visualization of predictive maintenance by user driven feedback mechanism
US20160245686A1 (en) 2015-02-23 2016-08-25 Biplab Pal Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data
US10648735B2 (en) 2015-08-23 2020-05-12 Machinesense, Llc Machine learning based predictive maintenance of a dryer
US10613046B2 (en) 2015-02-23 2020-04-07 Machinesense, Llc Method for accurately measuring real-time dew-point value and total moisture content of a material
US20160245279A1 (en) 2015-02-23 2016-08-25 Biplab Pal Real time machine learning based predictive and preventive maintenance of vacuum pump
US20160313216A1 (en) 2015-04-25 2016-10-27 Prophecy Sensors, Llc Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning
US11099663B2 (en) * 2015-12-22 2021-08-24 Shenzhen Royole Technologies Co., Ltd. Electronic bag
US10684709B2 (en) * 2015-12-22 2020-06-16 Shenzhen Royole Technologies Co., Ltd. Electronic bags
CN205250642U (zh) * 2015-12-22 2016-05-25 深圳市柔宇科技有限公司 一种电子箱包
US11810032B2 (en) * 2016-03-16 2023-11-07 Triax Technologies, Inc. Systems and methods for low-energy wireless applications using networked wearable sensors
US20190156246A1 (en) * 2017-11-21 2019-05-23 Amazon Technologies, Inc. Generating and deploying packages for machine learning at edge devices
US10921792B2 (en) 2017-12-21 2021-02-16 Machinesense Llc Edge cloud-based resin material drying system and method
JP2019160026A (ja) * 2018-03-15 2019-09-19 株式会社東海理化電機製作所 操作装置
US10754344B2 (en) * 2018-07-19 2020-08-25 Toyota Research Institute, Inc. Method and apparatus for road hazard detection
US11623102B2 (en) 2018-07-31 2023-04-11 Medtronic, Inc. Wearable defibrillation apparatus configured to apply a machine learning algorithm
US11411832B2 (en) * 2018-12-28 2022-08-09 Intel Corporation Methods and apparatus to generate optimized models for internet of things devices

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533158A (zh) * 2012-12-11 2014-01-22 Tcl集团股份有限公司 移动平台虚拟化系统和方法
US20140207401A1 (en) * 2013-01-18 2014-07-24 Postech Academy-Industry Foundation Apparatus for recognizing motion feature of user, method for generating orthogonal non-negative matrix factorization (onmf)-based basis matrix, and method for generating orthogonal semi-supervised non-negative matrix factorization (ossnmf)-based basis matrix
CN104024987A (zh) * 2012-12-21 2014-09-03 英特尔公司 用于可佩戴导航设备的装置、方法和技术
CN104331223A (zh) * 2014-10-11 2015-02-04 广东小天才科技有限公司 一种智能穿戴设备功能设定的智能设置方法和装置
US20150133191A1 (en) * 2013-11-11 2015-05-14 Verizon Patent And Licensing Inc. Cloud services for wearable and snappable devices
CN104834918A (zh) * 2015-05-20 2015-08-12 中国科学院上海高等研究院 一种基于高斯过程分类器的人体行为识别方法
WO2015127062A1 (en) * 2014-02-24 2015-08-27 Sony Corporation Smart wearable devices and methods for optimizing output
CN105190578A (zh) * 2013-02-22 2015-12-23 赛尔米克实验室公司 用于基于手势控制的组合肌肉活动传感器信号和惯性传感器信号的方法和设备
US9223494B1 (en) * 2012-07-27 2015-12-29 Rockwell Collins, Inc. User interfaces for wearable computers
CN105431856A (zh) * 2013-07-30 2016-03-23 谷歌公司 具有自动访问模式控制的移动计算设备和可穿戴计算设备
CN105528754A (zh) * 2015-12-28 2016-04-27 湖南师范大学 一种基于双神经网络行为识别模型的老年人信息服务系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002111800A (ja) * 2000-09-27 2002-04-12 Casio Comput Co Ltd データ送受信システム及び電子機器
JP2006065813A (ja) * 2004-08-30 2006-03-09 Seiko Epson Corp 携帯情報機器のデータ同期システム、データ同期方法及び携帯情報機器
US9357052B2 (en) * 2008-06-09 2016-05-31 Immersion Corporation Developing a notification framework for electronic device events
JP5279010B2 (ja) * 2008-09-29 2013-09-04 国立大学法人 名古屋工業大学 ウェアラブル音認識装置
US9052896B2 (en) * 2012-07-20 2015-06-09 Facebook, Inc. Adjusting mobile device state based on user intentions and/or identity
WO2014041032A1 (en) * 2012-09-11 2014-03-20 L.I.F.E. Corporation S.A. Wearable communication platform
US11157436B2 (en) * 2012-11-20 2021-10-26 Samsung Electronics Company, Ltd. Services associated with wearable electronic device
US10009644B2 (en) 2012-12-04 2018-06-26 Interaxon Inc System and method for enhancing content using brain-state data
US9439567B2 (en) 2013-02-06 2016-09-13 Abraham Carter Updating firmware to customize the performance of a wearable sensor device for a particular use
US10811123B2 (en) * 2013-03-28 2020-10-20 David Laborde Protected health information voice data and / or transcript of voice data capture, processing and submission
JP2014206837A (ja) * 2013-04-12 2014-10-30 埼玉日本電気株式会社 電子機器、その制御方法及びプログラム
WO2015085326A1 (en) 2013-12-07 2015-06-11 Brandon Colby System and method for real-time personalization utilizing an individual's genomic data
JP6357787B2 (ja) * 2014-02-07 2018-07-18 日本電気株式会社 データ処理装置
AU2015218578B2 (en) 2014-02-24 2020-06-25 Nedim T. Sahin Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device
US9563855B2 (en) * 2014-06-27 2017-02-07 Intel Corporation Using a generic classifier to train a personalized classifier for wearable devices
US10261674B2 (en) * 2014-09-05 2019-04-16 Microsoft Technology Licensing, Llc Display-efficient text entry and editing
US20160232131A1 (en) * 2015-02-11 2016-08-11 Google Inc. Methods, systems, and media for producing sensory outputs correlated with relevant information

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9223494B1 (en) * 2012-07-27 2015-12-29 Rockwell Collins, Inc. User interfaces for wearable computers
CN103533158A (zh) * 2012-12-11 2014-01-22 Tcl集团股份有限公司 移动平台虚拟化系统和方法
CN104024987A (zh) * 2012-12-21 2014-09-03 英特尔公司 用于可佩戴导航设备的装置、方法和技术
US20140207401A1 (en) * 2013-01-18 2014-07-24 Postech Academy-Industry Foundation Apparatus for recognizing motion feature of user, method for generating orthogonal non-negative matrix factorization (onmf)-based basis matrix, and method for generating orthogonal semi-supervised non-negative matrix factorization (ossnmf)-based basis matrix
CN105190578A (zh) * 2013-02-22 2015-12-23 赛尔米克实验室公司 用于基于手势控制的组合肌肉活动传感器信号和惯性传感器信号的方法和设备
CN105431856A (zh) * 2013-07-30 2016-03-23 谷歌公司 具有自动访问模式控制的移动计算设备和可穿戴计算设备
US20150133191A1 (en) * 2013-11-11 2015-05-14 Verizon Patent And Licensing Inc. Cloud services for wearable and snappable devices
WO2015127062A1 (en) * 2014-02-24 2015-08-27 Sony Corporation Smart wearable devices and methods for optimizing output
CN104331223A (zh) * 2014-10-11 2015-02-04 广东小天才科技有限公司 一种智能穿戴设备功能设定的智能设置方法和装置
CN104834918A (zh) * 2015-05-20 2015-08-12 中国科学院上海高等研究院 一种基于高斯过程分类器的人体行为识别方法
CN105528754A (zh) * 2015-12-28 2016-04-27 湖南师范大学 一种基于双神经网络行为识别模型的老年人信息服务系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施大威: "基于Android Wear系统的智能可穿戴设备研究", 《通信与信息技术》 *

Also Published As

Publication number Publication date
DE112017003208T5 (de) 2019-03-14
CN109314840B (zh) 2022-08-16
WO2018004775A3 (en) 2018-07-26
WO2018004775A2 (en) 2018-01-04
JP6941622B2 (ja) 2021-09-29
JP2019520619A (ja) 2019-07-18
US9781243B1 (en) 2017-10-03

Similar Documents

Publication Publication Date Title
CN109314840A (zh) 使用机器学习优化可穿戴设备设置
US10216474B2 (en) Variable computing engine for interactive media based upon user biometrics
US10528121B2 (en) Smart wearable devices and methods for automatically configuring capabilities with biology and environment capture sensors
CN107205655B (zh) 协调关系可穿戴物
EP2778843B1 (en) Automatic haptic effect adjustment system
JP2021027917A (ja) 情報処理装置、情報処理システム、および機械学習装置
JP6494222B2 (ja) 自動遠隔検出およびハプティック変換システム
US20160000641A1 (en) Data acquisition and analysis of human sexual response using a personal massaging device
EP3208690A1 (en) Haptic effects conflict avoidance
KR101793426B1 (ko) 가상현실을 이용한 심리치료장치
JP2017537370A (ja) ウェアラブルデバイスおよびモバイルデバイスを介した自然運動ベースの制御
CN104049746A (zh) 用于触觉效果的参数修改的系统和方法
JP2018500981A (ja) ウェアラブルデバイス間の接続関係を提供するシステムおよび方法
JP6770981B2 (ja) 心肺蘇生連携方法、コンピュータプログラム製品及びシステム
CN106878390B (zh) 电子宠物互动控制方法、装置及可穿戴设备
WO2018108174A1 (zh) 界面互动组件控制方法、装置及可穿戴设备
US11755111B2 (en) Spatially aware computing hub and environment
Bisht et al. Study of wearable IoT devices in 2021: Analysis & future prospects
US20230185364A1 (en) Spatially Aware Computing Hub and Environment
US10130305B2 (en) Device and methods for automated testing
US11517500B2 (en) Massage apparatus
TWI565501B (zh) 隨身運動提示方法、系統與一運動平台
KR102196779B1 (ko) 인공지능 기반의 목걸이 타입 웨어러블 기기
JP2022055736A (ja) 状況推定装置、サーバ装置、状況推定システム、及び状況推定方法
US20230309901A1 (en) In-ear balance detection system

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
GR01 Patent grant
GR01 Patent grant