CN111066090A - 用于感测生物特征数据的方法及其用于确定用户情绪状态的应用 - Google Patents

Abstract

一种确定用于基于经由传感器平台收集的生物特征数据来预测用户状态的数据模型的方法，该方法包括：从传感器平台的传感器接收多个生物特征数据；从多个生物特征数据提取多个代表性特征；接收与多个代表性特征相关联的多个用户情感参数；将多个用户情感参数与多个代表性特征相关联，以确定数据模型的一组代表性特征‑情感对作为多个模型数据参数；以及存储数据模型，以便后续用于确定用户的实时状态。

Description

用于感测生物特征数据的方法及其用于确定用户情绪状态的 应用

对相关申请的引用

本专利申请要求于2018年6月30日提交的美国临时专利申请15/639,570的优先权，该临时专利申请的完整内容通过引用结合在此。

技术领域

本公开涉及一种生物特征数据感测系统。

背景技术

在当今的科技型环境中，生物特征数据的感测对理解和影响服装穿着者的状态很关键。尤其是，运动员和医患人员以及其他许多消费者是急需准确且最新(即，实时)生物特征感测以获悉(并可能改变)穿着者状态(例如情绪状态)的关键人员。但是，现有技术的传感器装置和数据处理方法很笨拙，并且对穿戴者的多样化生活方式(包括不断变化的身体和精神状态)的适用性和适应性很有限。

发明内容

本发明的目的是提供一种感测平台、数据处理方式及其使用方法，以消除或减轻上述缺点中的至少一个。

在一个方面中，提供一种确定用于根据通过传感器平台收集的生物特征数据来预测用户状态的数据模型的方法，该方法包括：从传感器平台的传感器接收多个生物特征数据；从多个生物特征数据提取多个代表性特征；接收与多个代表性特征相关联的多个用户情感参数；将多个用户情感参数与多个代表性特征相关联，以确定数据模型的一组代表性特征-情感对，作为多个模型数据参数；并且存储数据模型，以便后续用于确定用户的实时状态。

在另一个方面中，提供一种使用穿着者的服装的传感器平台和多个感测到的生物特征数据以及存储的数据模型来确定穿着者状态的方法，该方法包括：从传感器平台的传感器接收多个生物特征数据；从多个生物特征数据确定多个数据特征；将多个数据特征与数据模型的一组代表性特征-情感对进行比较，该特征-情感对包括表示穿着者的可能状态的影响；选择一个或多个可能状态作为该比较的结果，以提供穿着者状态；并且使用呈现设备的用户界面向穿着者报告穿着者状态，作为呈现结果。

附图说明

现在将参照附图以举例方式说明上述方面和其他方面，在附图中：

图1是包含多个传感器的带的透视图；

图2是图1所示的带结合到服装中的示意图；

图3示出了图1所示的带的一个实施例以及配套的电气部件；

图4示出了生物特征数据组合的示例性应用；

图5示出了图1的带的另一个实施例的前透视图；

图6示出了图5的另一个实施例的后透视图；

图7示出了安装在图5的带上的传感器的侧视图；

图8和图9示出了图1的传感器的其他实施例；

图10以示例方式示出了用于处理生物特征数据的系统的框图，图1所示的传感器平台在该系统上工作；

图11是图10的系统的交互服务的框图；

图12是图10的系统的示例性操作的流程图；

图13是用于为图10的系统生成和应用数据模型的示例性操作的流程图；

图14a、b、c、d、e、f、g、h、i、j、k、l是由图1的服装收集的生物特征数据的示例性实施例；

图15是图10的系统的数据处理系统的框图；

图16示出了图1的穿着者的示例性生理状态；

图17示出了图10的系统的另一个实施例；

图18a、b示出了图10的系统的其他实施例；

图19示出了图10的系统的示例特征提取操作；和

图20示出了图10的用户生理状态的示例性图形表示。

具体实施方式

请参考图1，其中示出了一种织物带10，该织物带10优选为弹性编织型，配装在穿着者(未示出)的身体部位周围，以根据传感器12的类型/数量收集生物特征数据的不同模式/类型，这些传感器12布置在构成带10的主体的织物上，或者以其他方式编织/纺织(例如绣制)到构成带10的主体的织物中。应认识到，所述身体部位可以是但不限于：腰部或腹部；肢体，例如腿或臂；躯干/躯体；臀部；脚或踝；手腕或手；和/或头部。织物带10可作为独立物品提供，也可结合/组合到衣物中，例如但不限于：内衣11(参见图2——例如但不限于任何类型的内衣，包括短裤、内裤、汗衫和胸罩)；袜子、四肢护带(例如护膝)；衬衫(例如汗衫)；等等。就结合到衣服(即，服装11)中而言，带10可形成装饰服装11的纤维织边的组成部分。带10的主体的织物可包括交织弹性纤维(例如可拉伸的天然和/或合成材料和/或可拉伸和不可拉伸的材料的组合)。

请再次参考图1，一系列传感器/电极12设置为分布在带10的周围，例如安装在内表面111上(即，向内面向穿着者的身体)，包括ECG传感器12a、生物阻抗传感器12b以及应变计传感器12c。应认识到，传感器12可由电活性聚合物(EAP)和/或构造为传感器/电极结构(例如贴片)的多根纺织或编织的导电纤维构成。传感器12还可包括位置/定位传感器，以便能够检测穿着者的物理位置(例如其住宅/楼宇之内或之外的位置)。

在带10上还布置有一系列电子部件15，例如布置在外表面13上(即，向外背向穿着者)，这一系列电子部件包括计算机设备14(见图3)，该计算机设备14包括计算机处理器16和存储器18，用于执行存储的指令以接收和处理从传感器12获得的数据，通过网络接口20与网络22通信(例如通过Wi-Fi、蓝牙、附接的有线电缆等)，以及发送和接收来自传感器的电信号12。处理器16、存储器18和网络接口20安装在印刷电路板26上，该印刷电路板26容纳在附接至带10的壳体24中。PCB 24还连接有温度传感器12d，以测量穿着者的体温。在壳体内还安装有电源28(例如电池)，该电源28为壳体24内的各种电气部件15以及壳体24外的传感器12a、b、c供电，这些传感器是经由导电通信路径30(例如编织到带10的织物结构的纺织/编织层中的金属线——参见图1)连接的。可根据需要利用导电环将路径30耦合至传感器12。还设有一系列运动传感器36(例如加速度计和陀螺仪)，以确定穿着者的运动，包括如下文中所进一步说明的姿势。传感器12还可设置为扬声器/麦克风(例如用于听觉信号/与穿着者通信)、照明传感器(例如LED——用于视觉信号/与穿着者通信)以及触觉/振动传感器(例如致动器——用于运动/触摸信号/与穿着者通信)。

传感器的示例

传感器12可由电活性聚合物或EAP组成，EAP是一种在受到电场激励时表现出尺寸或形状变化的聚合物。EAP在受到机械变形的激励时也可能表现出电场变化。这种材料的最常见应用是用于致动器和传感器。EAP的一个典型特征是在受力的同时会发生变形。例如，包含各种添加剂以实现最佳导电性、柔韧性和易加工性的EPDM橡胶可用作在穿着者的皮肤上测量电极阻抗的传感器12的材料。此外，EAP可用于测量ECG和测量变形(即，可从EAP推断出腰部的扩张并由此推断呼吸)。可根据需要使用表面电极、织物或聚合物测量ECG。

这些电极12能够记录生物电势信号(例如ECG)，而对于低幅值信号(例如EEG)，则通过路径30与壳体24内的电气部件15的有源电路耦合。ECG传感器12a可用于收集并向计算机处理器16发送反映穿着者的心率的信号。这样，应认识到，作为传感器12的电极可根据需要由带10的导电纱线/纤维构成，例如使用导电纤维(例如银丝/线)编织、纺织、绣制而成。

在生物电阻抗方面，这些传感器12a、b及其测量结果可通过处理器16和存储器18指令进行分析(BIA)，以估算身体成分，尤其是体内脂肪。在估算体内脂肪方面，BIA实际上确定电阻抗或对流过位于传感器12(例如12a、b)之间的穿着者的身体组织的电流的抵抗作用，然后该电阻抗可用于估算人体水分总量(TBW)，而人体水分总量可用于估算无脂肪体重，并通过与体重的差值来估算人体脂肪量。

在应变感测方面，这些传感器12c可用作应变计，以利用其导电的物理特性及其对导体的几何形状的依赖性。在电导体12c在其弹性极限范围内被拉伸且未发生断裂或永久变形时，传感器12c会变窄并变长，这种变化使其整个长度上的电阻增大。与此相反，在传感器12c被压缩且未发生弯曲时，传感器12c会变宽并变短，这种变化使其整个长度上的电阻减小。根据应变计的实测电阻，通过计算机处理器16执行存储的指令18而控制的向传感器12的供电28，能够推断出感生的应力的大小。例如，应变计12c以曲折的平行线的形式布置为细长的导电纤维，与使用单条直线导线观察的情况相比，这会使得作用在平行线的取向方向上的很小应力导致在导线阵列中的导体表面的有效长度上成倍增大的应变测量值——因而导致成倍增大的电阻变化量。就应变计12c的位置/结构而言，应变计可围绕带10的外周布置。在另一个实施例中，应变计12c位于外周的一部分中，例如按蛇形布置形式布置在带10的前部52中(与穿着者的正面相邻)。应变计12c可配置为在千欧范围内进行感测。

在温度传感器12d方面，这种传感器用于测量穿着者的动态体温。例如，温度传感器12d可以是热敏电阻型传感器，这种传感器是热敏电阻，其主要功能是在感受到体温的相应变化时表现出很大、可预测且精确的电阻变化。这种传感器的示例有在感受到体温升高时表现出电阻减小的负温度系数(NTC)热敏电阻以及在感受到体温升高时表现出电阻增大的正温度系数(PTC)热敏电阻。其他类型的温度传感器可根据需要包含热电偶、电阻温度计和/或硅带隙温度传感器。还应认识到，传感器12可包括触觉反馈传感器，该传感器可响应于由处理器16在板上处理的感测数据44和/或通过接口20从第三方设备60或穿着者(计算机设备40的操作者)接收的指令由计算机处理器16致动。温度传感器12d的另一个示例是，可使用织物将热电偶编织到带10的织物结构中，并通过紧密贴近/接触将其直接耦合至穿着者的身体，以获得更精确的温度读数。

感测的数据与处理

请再参考图2和图3，处理器16(执行存储的指令18)可将收集的数据44(从传感器12收集的原始格式和/或预处理格式的数据)发送至外部计算机设备40(例如智能手机或其他桌面应用)以便查看和/或进一步处理感测的数据。例如，设备40的应用可以仪表板类型格式46在显示器42(或其他类型的GUI界面)上显示感测的数据44，以供穿着者(或者除了拥有对数据44的访问权限的穿着者以外的其他人)查看。例如，可按实时地(或以其他选定的动态周期频率)指示下列指标的仪表板格式提供感测数据44：体温，用于指示皮肤温度的波动；陀螺仪/加速度计测量值，用于指示穿着者的身体活动(即，通过感测到的运动)的数量/程度，以及通过陀螺仪读数来了解穿着者的姿势的作用(例如在束带10位于穿着者腰部的情况下)和确定的消耗卡路里数的计算值；应变计测量值(例如通过导电纱线获得)，用于指示在带10扩张和收缩时穿着者的实时呼吸以及区分影响姿势角度的应变程度的能力(即，在穿着者的姿势因腰部弯曲而变化时带和配套的应变传感器12c的长度变化——在图2的内衣11示例的情况下)；使用传感器12a根据感测的ECG数据获得的实时心率测量值；以及使用传感器12b(以及如下文进一步说明的可选的传感器12a)基于电传感技术获得的实时水合/体内脂肪测量值。

应认识到，感测的数据可能有多个来源(例如在存储在存储器18中的算法中可使用温度传感器12d和活动/运动传感器36，以根据活动结合体温来计算消耗的卡路里)。感测数据的类型的其他组合可包括但不限于下列组合：心率+活动数据；心率+活动数据+温度；活动数据+生物阻抗数据；用于确定呼吸速率数据的应变计值+用于确定运动级别的活动数据和心率数据；等等。还应认识到，传感器类型读数的组合可由计算机处理器16用于根据活动类型的计算机模型和典型传感器数据来确定穿着者正在进行的锻炼活动的类型，例如身体姿势的逐渐变化与检测到的较低水平的心率和呼吸的组合可能表明穿着者正在练习瑜伽。使用多种感测数据的另一种应用是加速度计和陀螺仪数据的使用，在确定仪表板46的所选度量值期间，可使用这二种数据，也可使用其中一种数据，并折减另一种数据。例如，在带10布置在超重者的腰部的情况下，陀螺仪的“偏离竖直”的读数不指示(从竖直方向)的弯曲姿势，而是因身体成分而导致的腰带折叠造成的。这样，应从姿势确定的计算值折减陀螺仪读数的量值。

请再参考图1，传感器12a、b的位置使得它们成对地处于中心线50的两侧，以便将适当体重量置于传感器12a、b之间，并提供穿过穿着者的身体的适当导电路径(例如沿身体的横向测量)。还应认识到，传感器12a、b优选布置在能最大限度地减少肌肉噪声的身体区域中(肌肉的动作可能向邻近的传感器12引入信号噪声)。这样，在带10位于腰部的情况下，传感器12a、b可在带10中布置在邻近穿着者的臀部和/或肾脏的位置。应认识到，若将传感器12a、b布置在带10中使其邻近穿着者的一个臀部(即，将一对传感器中的两个传感器12a、b都置于带10的中心线56的一侧)，则在穿着者的活动减弱(例如休息)时，会造成较低的信号幅度/质量，但是在穿着者比较活跃时也会有利地提高信号质量(因为与腰部周围的其他区域相比，邻近臀部区域的肌肉团的利用率最低)。

还应认识到，传感器12a、b的位置可布置在从前向后延伸的中心线50的两侧，而不是在从(穿着者的)一侧向另一侧延伸的中心线56的两侧，因为对于典型的穿着者来说，从一侧到另一侧的分隔距离比从前到后的分隔距离大(即，臀部之间的分隔距离比脊柱与肚脐之间的分隔距离宽)。

此外，传感器配置的一个示例性方案是四电极ECG传感器配置。这种ECG设计的成本可能是一个考虑因素，但是这种设计可能会带来更好的信号性能。四传感器ECG设计背后的理论是，处理器16可在(多对ECG传感器配置中的)每对传感器之间切换，以找到信号质量最好的传感器，并在感测穿着者的运动时使用该传感器。

请再参考图3，通过同时利用ECG传感器12a和传感器12b，可使用处理器16和相关的存储的指令18(根据接收的传感器12读数)确定生物阻抗值。这是有利的，因为由传感器12b产生的信号幅度使EGC传感器12a过饱和，因而EGC感测(使用传感器12a)不能与生物阻抗感测(使用传感器12b)同时进行。这样，应认识到，处理器16在ECG读数和生物阻抗读数之间循环(即，这些读数是顺序地取得而不是并行地取得的)。这样，在获取生物阻抗读数期间，处理器指示将位于中心线50的一侧的两个传感器12a、b作为驱动装置，并将位于中心线50的另一侧的两个传感器12a、b作为收集装置。这样，应认识到，传感器对12a和传感器对12b的定位可以是相对于中心线50、56对称的。

请参考图3和图4，可使用计算机设备14将感测的数据44发送至带外计算机设备40，该带外计算机设备40然后可使用自己的定制应用程序43来处理感测的数据44，以向穿着者告知在其主动完成可能的适应/改变时的身体/精神状态。例如，应用程序43可报告与随着时间变化的温度和活动的组合有关的感测数据44，作为穿着者的睡眠质量的指标。此外，应用程序43可向穿着者通知确定的穿着者的情绪状态(例如根据呼吸数据与ECG数据的组合以及可选的活动数据)，并继续监测该数据组合，以向穿着者告知是否穿着者采取的步骤会对确定的情绪状态有积极影响。此外，应用程序43例如可根据应变计数据与活动数据的组合来跟踪和报告穿着者的活动的程度和质量/性质。此外，响应于根据感测数据(例如活动、心率等)的组合确定的穿着者的情绪和/或温度，应用程序可与其他外部计算机联网设备60(参见图3)交互，例如但不限于家庭娱乐系统、音乐系统、供热系统、照明系统等。

请参考图5和图6，其中以分解图示出了带10的一个替代实施例。尤其是，带10由前带部分60和后带部分62组成，所述部分60具有传感器12a、b，并具有将传感器12a、b电连接至相应的连接器64的通信路径30(该连接器连接至PCB 26的相应连接器部分(参见图3)以将传感器12a、b电耦合至网络接口20)。带部分62具有切口66，以便在带部分60、62彼此组装在一起时(例如通过经由相邻布置的表面70缝合而耦合在一起)将传感器12a、b收纳在切口66中，由此当表面111与皮肤接触时，传感器12a、b的表面68与穿着者的皮肤接触。应认识到，导电路径30可以是与包括带部分60的材料的电绝缘纤维交织的导电纤维。

请参考图7，其中示出了传感器12a、b之一的一个示例性侧视图，其中所述部分60、62被组装一起，并且传感器12a、b被收纳在切口66中(参见图5、6)。应说明的是，传感器12a、b本身从皮肤接触表面111延伸距离X，从而改善了与穿着者的皮肤的接触。尤其是，传感器12a、b可具有表面68的导电部分72(即，耦合至穿过背衬材料74的通信路径30)以及凸起的背衬材料74，以便传感器12a、b的导电部分72从表面111相应地延伸。例如，背衬材料74可由与结合有带部分62的材料(即，电绝缘纤维)的纺织纤维交织的电绝缘交织纤维构成。

请参考图8，其中示出了带部分60的另一个实施例，示出了以蛇形方式与包括带部分60的材料的其他绝缘纤维纺织/编织在一起的应变计传感器12。这样，如图7所示，应认识到，在组装后，带部分62会覆盖应变计传感器12c，从而使穿着者的皮肤与应变传感器12c的导电纤维不直接接触。图9示出了应变传感器12c的另一种几何构造。

请参考图5至图8，应认识到，这些附图包含通信路径30(例如线道)和应变传感器12c本身的示例性几何布局。所示的传感器12a、b、c和带部分60、62的构造是有利的，因为(路径30和传感器12c的)整个图案实际上是作为一个组装(例如交织)的织物层包含在覆盖部分60、62中的，但是(路径30和传感器12c的)线道编织在编织图案内，因此是绝缘的，因而不需要任何外部绝缘层(胶层、层压材料等)。这样能抑制从线道至穿着者的皮肤的不应有的放电。此外，传感器12a、b本身的三维形状(例如从表面111延伸)能改善传感器12a、b与皮肤的接触，并且能实现在干燥或湿润等各种皮肤条件下收集生物特征数据。

新型“物联网(IOT)”说明

请参考图10，其中示出了通过网络22与多个联网设备15双向通信的服装应用程序100，每个联网设备15具有能够通过网络22向服装应用程序100发送数据44、45和从服装应用程序100接收数据44、45(即，双向)的设备应用程序102。应认识到，服装应用程序100通过接口20(例如API)接收生物特征数据44，然后可根据数据44(例如原始数据的或以其他方式处理的数据)向一个或多个联网设备60发送命令45，以通过运行在设备60上的设备应用程序102影响联网设备60的操作。例如，设备应用程序102可以是在家用恒温器60上运行的恒温器应用程序102，因而能够指令恒温器60升高或降低由恒温器控制的温度设定值。当然，还有如下面的示例所述的其他双向使用情况。

服装应用程序100接收由传感器12、36收集的生物特征数据44，该传感器12、36结合在服装11中，例如结合在衬衫、裤子/短裤、背心、内衣、帽子和/或结合有作为带10的一部分或外置装置的传感器12、36的任何其他类型的服装中。服装应用程序100可与其他外部计算机联网设备60交互(参见图10)，例如但不限于音乐系统设备60、供热系统设备60、照明系统设备60以及配置为通过服装应用程序100与服装11的穿着者8交互的其他设备60。应认识到，服装应用程序100可以是在一个或多个计算机平台上运行的一个或多个应用程序100，例如但不限于在计算机设备14上执行的服装应用程序100、在外部设备40(例如穿着者的移动设备)上执行的服装应用程序100和/或承载在网络服务器41中的穿着者账户上的基于云的服装应用程序100(根据需要而定)。在任何情况下，不论一个或多个不同地承载的服装应用程序100具体是什么，服装应用程序100都配置为接收由计算机处理器16从传感器12、36收集的生物特征数据44，可选地进行处理或以其他方式分析生物特征数据44，将数据44(即，原始数据或已处理的数据)与一个或多个存储的阈值或一组规则45(在下文中进一步说明)进行比较，以产生用于指令设备应用程序102修改相应联网设备60的功能行为的命令45，与联网设备60通信以告知命令45，并响应于命令45的接收从联网设备60提供对该命令的响应45。如下文中所进一步详述，命令45可由服装应用程序100响应于根据感测的数据44(例如活动、心律等)的组合确定的穿着者的情绪和/或温度来产生。

请再参考图10，服装交互服务101例如可在服务器41上实现，但是，根据需要，服装交互服务101也可全部或部分地承载在外部设备40上。服装交互服务101(参见图11)包含在服装应用程序100中注册的穿着者账户110以及在其联网设备60的相应设备应用程序102中注册的相应设备账户112。首先要向服务101注册账户110、112，然后才能在它们之间进行网络22交互。例如，希望控制其家用恒温器60、家用照明系统60以及家用音乐系统60的穿着者8(应认识到，这些设备60的一个或多个功能可根据需要由同一设备应用程序102控制，而不是由独立的设备应用程序102控制)可向交互服务101注册，并注册联网设备应用程序102，从而创建账户110、112。使用账户110、112，交互服务101能接收数据44、命令45和响应45，从而作为第三方服务器/服务来协调服装11与设备60之间的网络22交互。

账户110、112可包含注册信息，例如但不限于：穿着者的登录名和密码账户信息、用于设备60操作的穿着者设置信息114(例如基于穿着者参数设置的所需设备60操作)、设备操作设置116(例如允许的根据接收的命令45进行修改的功能)等。例如，就穿着者设置信息114而言，穿着者可针对不同的穿着者情绪指定音乐类型选择(由音乐系统设备60播放的音乐)，例如但不限于针对穿着者处于活跃且快乐/满足情绪时的“清新”音乐、针对在休息状态(例如睡眠)下使穿着者镇静的“宁静”音乐以及用于激励穿着者使其变得更加活跃的“激昂”音乐。其他设置114例如可包括但不限于：根据确定的穿着者活动级别/精神状态(由照明系统设备60调节的)期望照明水平、根据确定的穿着者活动级别/精神状态(由供暖/制冷系统设备60调节的)期望温度设置、根据确定的穿着者活动级别/精神状态(由汽车系统设备60调节的)汽车的运行模式、和/或根据位于服装11的织物上/内的功能设备60调节的服装11本身，这些功能设备60例如但不限于致动器(例如能够向穿着者施加电/振动刺激的电子传感器)、能够向穿着者施加热量的加热设备、能够消除热量或以其他方式冷却穿着者的冷却设备、和/或能够根据接收到的使用感测和处理(例如通过应用程序100感测和处理)的生物特征数据44产生的命令45改变其功能状态的任何其他设备60。穿着者设置信息114的另一个应用示例是进行位置设定，以使穿着者能规定某些物理位置的定义(例如地理位置X代表穿着者的住所、地理位置Y代表穿着者的工作/就业场所、地理位置Z代表穿着者的偏爱场所、地理位置X1代表穿着者在住所中的位置(例如卧室)等)。还应认识到，穿着者设置信息114可用于根据设备14与相邻设备的共同注册来定义穿着者的环境(例如可将设备与外部设备40配对来指示穿着者何时在其健身房锻炼身体、开车等)。这样，应认识到，还可根据从传感器/设备13(例如通过与另一设备60(例如汽车通信系统、外部设备40上的GPS传感器等)的当前蓝牙连接)获得的信息向服装应用程序100通知穿着者的活动/精神状态。

鉴于上述内容，应认识到，服装应用程序100负责定期地(例如按确定的数据44报告的常规频次)和/或根据请求接收生物特征数据44(例如响应于产生并发送至联网设备60的命令45接收数据，而该命令又改变联网设备60的操作状态)。通过这种方式，服装应用程序100可用于按计划定期地和/或根据请求监测穿着者8在一段时间内的身体/精神状态，并且可按照穿着者设置114的指示根据接收和解读的生物特征数据44调整一个或多个联网设备60的操作功能。

应认识到，服装应用程序100可访问多个数据模型109，以比较来自两种或更多种不同传感器(例如活动传感器和温度传感器、温度传感器和ECG传感器、活动传感器和姿势传感器、活动传感器和位置传感器等)的生物特征数据44。数据模型109分别代表一系列数据44值的组合，这些数据44值的组合限定穿着者8的特定的期望(或不期望的)身体/精神状态(例如由穿着者8所定义的状态)。例如，数据44可包括：1)住所(例如卧室)的位置、一天中的时间(例如夜间)、温度读数(例如升高)以及活动读数(例如穿着者的运动)；2)服装应用程序11可接收的数据；和3)与代表穿着者8的期望睡眠模式的数据模型109进行比较的数据。在数据44与睡眠数据模型109的期望睡眠模式相匹配的情况下，服装应用程序100不会产生任何命令45以试图调节或以其他方式影响与睡眠数据模型109相关联的任何联网设备60(例如恒温器60、音乐系统60等)。

这样，请参照图12的命令操作200，服装应用程序100将包括从传感器12、36收集/接收的多种数据的生物特征数据44(以及由第三方设备(例如但不限于外部设备40)提供的任何其他数据)与数据模型109进行比较204。例如，服装应用程序100可配置为定期地(例如每10秒一次)从服装11的各个传感器12、36接收数据44。响应于接收202的数据44，服装应用程序100可将数据44与每个模型109进行比较204，并且在数据44与一个或多个数据模型109相匹配(或不匹配)时产生206一个或多个命令45。应认识到，每个数据模型109具有一组指令111(参见图10)，这组指令111用于在数据44匹配(或不匹配)的情况下确定/建议应进行的适当动作，并确定数据模型109中隐含的数据模式与由传感器12、36提供的(不同类型的)多个数据44匹配或不匹配的程度。

睡眠的示例

图12之后的服装应用程序100的操作的一个示例是用于监测200穿着者8的睡眠或休息状态。例如，利用由服装应用程序100接收202的传感器12、36的数据，服装11能指示穿着者8的活动级别(例如加速度计数据44)、温度水平(例如温度传感器数据44)以及穿着者8的姿势或身姿水平(例如应变传感器或陀螺仪数据44)。服装应用程序100可将这些接收到的数据44级别与睡眠数据模型109的一个或多个睡眠模式/阈值进行比较204，以确定205穿着者8的当前睡眠阶段与睡眠数据模型109的睡眠模式匹配(例如代表安宁的睡眠)还是不匹配(例如代表受干扰/断续的睡眠)。在步骤206中，根据匹配或不匹配的程度，服装应用程序100可产生206针对一个或多个(通过指令111与数据模式109相关联的)联网设备60的命令，并且发送208该命令并从联网设备60接收反馈45(例如确认响应、指示联网设备60的操作功能的改变或改变程度的响应等)。在睡眠示例的情况下，服装应用程序100可根据一组规则111产生206将温度降低一定量(例如降低2摄氏度)的命令45，并将命令45发送208至恒温器60。服装应用程序100可从恒温器60接收温度降低命令的确认45，并且可随后监测210(例如通过进一步编程的定期数据或请求的数据)穿着者8的进一步数据44，以通过另一个数据模型109的比较212确定新的/修改的数据44(发出的命令45的结果)是表示由数据模型109所代表的穿着者的活动/精神状态的期望变化(例如改善)213还是没有改善。在步骤213中发生了期望的改变的情况下，服装应用程序100会避免向联网设备60发出进一步的命令45，并通过进一步定期地接收数据44并与数据模型109进行比较来继续监测202穿着者8。若在步骤213确定的变化/没有变化需要发出进一步命令45(例如睡眠已改善但未达到模型109的数据模式所表示的可接受级别)，则服装应用程序100返回到步骤206。

在上文的示例中，睡眠数据模型109的一个潜在的数据模式是穿着者的温度升高(例如穿着者太热)并且穿着者的活动/运动级别也升高(例如穿着者在辗转反侧)。向恒温器发出的命令45是降低室温，并且服装应用程序100会监测温度变化的影响，例如，穿着者的温度降低。若随后通过新数据44监测到穿着者的活动级别降低到睡眠数据模型109中所定义的可接受级别，则服装应用程序会返回到步骤202的操作。与此相反，若随后通过新数据44监测到穿着者的活动级别升高/未改变(代表睡眠数据模型109中定义的不可接受级别)，则服装应用程序会返回到步骤206的操作，以努力继续降低室温，以便降低穿着者的体温和/或活动级别。

精神状态的示例

应认识到，与服装应用程序100和设备应用程序102配对的服装11的潜在应用程序的数量可能很多。另一个示例是服装应用程序100检测到(即，通过感测的数据44)心律升高(仍具有可接受的指标，即，不表示心脏病发作)而身体活动级别未相应提高的情况。穿着者的这种如数据模型109限定/与数据模型109匹配的生理状态可能指示焦虑发作。在这种情况下，可通过数据模型109的指令111对服装应用程序100进行编程，以指令联网设备60(例如音乐系统60)播放宁静/冥想的音乐。服装应用程序100对身体状态的继续监测结果可被服装应用程序100用来确定命令45对联网设备60的操作/功能状态的改变是否对穿着者的身体/精神状态产生了影响。

应认识到，利用指令和数据模式111，可使用数据模型109通过多种不同的传感器12、36及其数据的组合定义穿着者8的更复杂的状态。例如，可将当前的精神状态(例如快乐、悲伤、焦虑、激动、沉着、沮丧、放松等)确定为与代表该精神状态的数据模型109匹配(或不匹配)的多个感测数据44的组合的结果。例如，心率、呼吸频率、温度、活动级别和姿势的数据44可组合使用，以根据由精神状态数据模型109代表的精神状态模型来定义和预测穿着者8的当前精神状态。

紧急状况通知的示例

还应认识到，在如图12所示的操作200没有减轻或以其他方式消除由服装应用程序100使用感测的数据44执行的数据模型109的确定的匹配/不匹配(即，通过与数据模型109的比较确定)的情况下，可通过设置114将服装应用程序100编程为向指定的设备52发送通知50，以指示潜在的紧急/危机事件。例如，该指定的设备50可以是家庭成员、医生、通知服务或朋友的设备，这些人员或机构预定接收通知52，可以知悉穿着者的活动/精神状态和/或被鼓励采取某些措施(例如与穿着者联系8、与医生联系等)——参见图10。设备52也可以是穿着者8的外部设备40，从而向穿着者8提供其状况的直接指示(例如“您太兴奋了，也许您需要冷静一下？”)。

还应认识到，操作200可用于确定穿着者8的实际考虑的有害/紧急状况，例如心脏病发作、车祸或其他身体创伤、绑架等，从而可使用数据模型109来指示/确定(通过由服装应用程序100将数据44与数据模型109的规则和数据模式111进行比较)数据44显著超出数据模型109中限定的期望指标/阈值(或在其范围之内)。例如，数据44与数据模型109相比可能指示心脏病发作(例如通过ECG读数44和活动读数44)、中风(例如EGC读数44和活动级别读数44)、绑架(例如焦虑级别读数44、活动级别读数44和位置读数44中的位置/变化)等。

精神/身体活动的示例

另一个示例性操作200是针对穿着者8的计划的体育活动(例如骑车、慢跑)。服装应用程序100可使用代表体育活动的数据模型109来监测穿着者的生物特征数据44，并在穿着者8进行活动时通过计算机设备14向穿着者8报告(例如声、光或其他触觉命令/感觉)和/或通过外部设备40(例如设备40的声音和/或屏幕上的消息)向穿着者8提供建议。例如，服装应用程序100可通过感测的数据44并与表示活动的数据模型109进行比较来监测穿着者8的水合级别(例如身体状态)，并且可向穿着者8(即，通过设备14、40)发送通知(例如命令45)，指示水合级别超出阈值(例如过低)，需要穿着者8进行纠正(例如通过饮水来补充水分)。服装应用程序100也会按照上述的操作200连续监测穿着者8的动态身体状态(将数据44与数据模型109进行比较)，并由此向穿着者8发送进一步建议(例如补充水分建议)。或者，可向穿着者8发送关于检测到的身体状态(例如水合级别)返回到可接受的指标范围之内的通知45，作为继续监测的结果。

另一个示例性操作200是针对穿着者8的计划的体育活动(例如骑车、慢跑)。服装应用程序100可使用代表精神活动/状态的数据模型109来监测穿着者的生物特征数据44，并在穿着者8进行活动时通过计算机设备14向穿着者8报告(例如声、光或其他触觉命令/感觉)和/或通过外部设备40(例如设备40的声音和/或屏幕上的消息)向穿着者8提供建议。例如，服装应用程序100可通过感测的数据44并与代表活动(例如作为监测的身体姿势、呼吸频率、心率等的结果)的数据模型109进行比较来监测穿着者8的专注级别(例如精神状态)，由此可向穿着者8发送通知(例如命令45)(即，通过设备14、40)，以指示专注级别超出阈值(例如过低)，需要穿着者8进行纠正(例如重新专注)。服装应用程序100也会按照上述的操作200连续监测穿着者8的动态精神状态(将数据44与数据模型109进行比较)，并由此向穿着者8发送进一步建议45(例如重新专注的建议)。或者，可向穿着者8发送关于检测到的精神状态(例如专注级别)返回到可接受的指标范围之内的通知45，作为继续监测的结果。

还应认识到，数据模型109可用于根据与特定活动类型模式相匹配的感测数据44来检测穿着者8正在执行的体育活动的类型(例如瑜伽、骑车等)。在检测到时，服装应用程序100可选择并使用代表检测到的活动类型的适当数据模型109来监测穿着者8在进行活动时的状态(例如身体/精神状态)。所述体育活动例如可以是但不限于下列活动：剧烈的体育活动，例如体能运动(例如骑车、跑步、负荷训练等)；不剧烈的体育活动/运动(例如投掷飞镖、瑜伽、太极拳等)；活跃/集中的精神活动，例如在穿着者的工作场所进行计算机工作；放松的心理活动，例如阅读/放松/听音乐/冥想；等等。在任何情况下，应认识到，数据模型109可用于根据感测的数据44与在上文中参照操作200所论述的必要数据模型109相比的结果来可选地检测并监测穿着者8的身体/精神活动。

用户情感的示例

应认识到，与服装应用程序100和设备应用程序102配对的服装11的潜在应用程序的数量可能很多。另一个示例是服装应用程序100检测到(即，通过感测的数据44)心律升高(仍具有可接受的指标，即，不表示心脏病发作)而身体活动级别未相应提高的情况。穿着者8的这种如数据模型109限定/与数据模型109匹配的生理状态可能指示焦虑发作。在这种情况下，可通过数据模型109的指令111对服装应用程序100进行编程，以指令联网设备60(例如音乐系统60)播放宁静/冥想的音乐。服装应用程序100通过由传感器12、36收集的数据44进行的对生理状态的继续监测的结果可被服装应用程序100用来确定命令45对联网设备60的操作/功能状态的改变是否对穿着者的身体/精神状态产生了影响。

应认识到，利用指令和数据模式111，可使用数据模型109通过多种不同的传感器12、36及其数据的组合定义穿着者8的更复杂的状态。例如，可将当前的精神状态(例如快乐、悲伤、焦虑、激动、沉着、沮丧、放松等)确定为与代表该精神状态的数据模型109匹配(或不匹配)的多个感测数据44的组合的结果。例如，心率、呼吸频率、温度、活动级别和姿势的数据44可组合使用，以根据由精神状态数据模型109代表的精神状态模型来定义和预测穿着者8的当前精神状态。

请参考图13，其中示出了关于创建用户情感数据模型109的流程图250，该用户情感数据模型109反映与多个生物信号参数252相关的穿着者8的情绪状态，例如但不仅限于：通过传感器12、36收集254的生物信号44的数据集，包括ECG、运动、呼吸、温度和生物阻抗参数252。应认识到，代表每个参数252的数据44可作为单模式数据(即，温度、ECG)和/或组合模式数据(例如姿势、呼吸——它们可结合两个或更多数据类型的组合，例如但不限于应变数据、加速度计数据和/或陀螺仪数据)。

请再参考图13中的方法250的实现，与相关的受试者报告的情感级别(例如穿着者8的/由穿着者8报告255的“压力”级别或其他定量/定性的情绪级别253，例如“按照1到10的级别划分，您现在正在经历哪个级别的“压力”、“幸福”等？”)相结合地收集254数据44。在收集254和报告255期间，可以定期地或基于发生的某些刺激事件(例如提供给穿着者8的身体/情绪刺激，例如但不限于交互式多媒体会话，例如游戏、一系列图片、一系列问题等)来要求输入或主动输入所报告的情感(又称为情绪级别253)。在步骤256中，从生物信号44的窗口提取256时域和频域中的多个线性和/或非线性特征257(例如参见图14a、b、c、d、e)。将每个特征257单独和/或组合地与情绪级别数据253相关联，并发送这些数据以进行相关性分析258。可使用数据处理系统300(参见图15)利用编程分析指令来进行相关性分析258，例如但不限于：在特征257和所报告的情感级别253之间进行斯皮尔曼等级相关性分析或其他类型的相关性分析，以选择或以其他方式确定被视为代表情感级别253的特征/情感级别相关性260的子集。这样，数据模型109包含在所识别的特征257与所报告的情感级别253之间的多个相关性260。

在步骤264中，使用一种或多种线性和/或非线性机器学习方法(例如逻辑回归、神经网络、朴素贝叶斯或隐马尔可夫模型等)来学习(即，确定)所选功能257与用户情感级别253之间的关系261。数据模型109还可包括诸如年龄、性别、先前的精神状态等信息，以及其他被视为先前信息的信息。可以可选地(针对所研究的特定类别的情感)记录262用户的“归一化状态”(例如校准)，此状态中的生物信号44可在将来用于归一化该用户的数据44。可通过使用户处于“中性”状态(例如根据在数据44的收集254、255期间向用户施加的被视为中性或基准的选定事件刺激级别)或通过在选定时段(例如一天)内对(在数据44的收集254、255期间)记录的状态进行平均来衡量262该归一化状态。或者/可选地，作为受试者报告的情感级别253的代替或者除了受试者报告的情感级别253之外，可使受试者经受两种或更多种被视为极端性或代表性状况的用户刺激状况(例如平静/压力、快乐/悲伤等)，例如(非常)平静的刺激会话和(非常)强烈的刺激会话，在这种情况下，可使用264线性回归、逻辑回归、决策树、随机森林、支持向量机、k近邻和/或其他分析模型(作为一组分析指令)来估计这两种极端状况之间的级别，例如作为概率估计值。在步骤266中，使用参数252、数据44、特征257、级别253、相关性260和/或关系261来生成情绪(例如精神)状态数据模型109。然后将数据模型109存储在数据处理系统300的存储器中，以便以后用于报告/估计穿着者8的情绪状态，即，收集270(例如实时收集)数据44(在穿着者8穿着服装11并进行日常的正常活动时)，使用生成的数据模型109分析272在步骤272中收集的数据44(例如从在步骤270中收集的实时数据44提取257特征，按照在步骤254中处理收集的数据44时使用的上述必要步骤确定相似特征集260和任何相关关系261，然后将确定的实时特征集260与存储在数据模型109中的实时特征集进行匹配来比较收集的数据44)以确定274生成的穿着者8的实时精神状态276，并在设备14和/或设备40的用户界面上呈现274给穿着者8(参见图3)。

如在上文中参照过程200所述，在步骤266中确定的数据模型109可用于为在一个或多个设备40、41、60上执行的功能性应用程序102产生命令45，并在步骤210中监测穿着者8，作为应用程序102执行命令45的结果。

请参考图14a，其中示出了数据集合254、270(参见图12)的代表性输出以及数据44的特征257的表示(例如针对数据44示出的特征257代表一个或多个数据44类型，例如应变数据、ECG数据等)。

示例性数据44例如可以是但不限于：图14b所示的高通滤波ECG信号44、图14c所示的从滤波ECG信号44检测的RR间隔(例如特征257)；图14d所示的ECG信号数据44的内插RR间隔时间序列；图14e所示的从内插RR间隔时间序列ECG信号数据44获得的功率谱特征257；图14f所示的行走时的高通滤波加速度计的x轴数据44；图14g所示的从加速度计信号数据44计算的时域统计特征257；图14h所示的从应变计传感器12获得的高通滤波呼吸信号数据44；图14i所示的从滤波呼吸信号数据44获得的呼吸间隔检测特征257；图14j所示的从滤波呼吸信号数据44提取的时域特征257；图14k所示的原始温度信号数据44；以及图14l所示的从温度信号数据44提取的时域特征257。

请参考图16，其中示出了穿着者8的多个不同的潜在状态276(例如情绪状态)，数据模型109可配置为通过特征集260和情绪级别之间的配对关系(例如快乐度与悲伤度、痛苦度与轻松度、紧张度与平静度、兴奋度与疲惫度等)将这些状态中的一个或多个相关联。这样，在服装应用程序100实时使用数据模型109时，可使用将实时数据44与代表一种或多种情绪状态的数据模型109进行比较的方法200、250来确定穿着者8的实时精神状态276。

请参考图17，其中示出了报告的状态276与由服装应用程序100从穿着者8的服装11收集数据44并通过与数据模型109的比较进行处理之间的示例性交互。应认识到，如上所述，服装应用程序100可实时监测报告的状态276(参见图12的步骤210、212)，并可由此响应于产生206的向联网设备60发送的命令45(参见图12)通过服装算法100确定报告的状态276中的变化280(例如穿着者的状态从疲惫状态276转为激昂状态276)。请参考图17和图18a、b，其中示出了服装应用程序100与设备应用程序102之间的交互的示例，设备应用程序102的实时响应45(例如音乐类型、音量的变化；日程约会时间、地点和内容的变化)是由服装应用程序100产生的实时命令45(根据数据44和与数据模型109的比较)引起的。如上所述，当穿着者8进行其日常事务(例如生活安排)时，服装应用程序100可监测对报告的状态276的影响。

请参考图17和图19，其中示出了一个曲线图294，该曲线图描绘了在穿着者8玩激动人心的视频游戏(例如环境刺激)时随着时间(即，数据点)确定的穿着者的状态276级别(例如压力级别)与穿着者8在玩视频游戏时随着时间的推移提供的报告的情绪状态级别253(例如压力与放松)(例如在按1-10等级划分的基础上穿着者8正在经历的情绪级别)的对比。

请参考图20，其中示出了提供给设备14、40以向穿着者8呈现的报告的状态276的示例性图形(例如视觉)表示。该图形表示由多个图形元素(例如球体)290组成，它们的颜色/阴影和彼此之间的空间距离292可用于表示如相邻的曲线图294上所示的监测的情绪状态(例如压力)的程度。

通信网络22

用户情感(例如精神状态)分析和演示系统使用通信网络22以便设备14、40、41、60(例如承载应用100、250的设备40、41)之间通信。该通信网络22优选可以是广域网(例如互联网)，但是网络22也可包括一个或多个局域网22。此外，网络22不一定是陆基网络，也可包括无线网络和/或可以是陆基网络和无线网络的混合网络，以增加通信灵活性。一个示例是通信网络22包括局域网22段(例如有线、无线网等，联网设备14、40、41、60在其上注册并进行通信)和与局域网22连接的广域网22段(例如互联网)。还应认识到，在服装应用程序100和分析应用程序250位于不同机器上的情况下，它们可通过网络22耦合(例如可根据需要采用局域网或广域网22)。

数据处理系统300

请参考图15，其中示出了数据处理系统300的框图。应认识到，数据处理系统300可根据需要在设备14、40、41中的任何一个或多个上实现，并提供报告的实时状态276。每个设备14、40、41、60通常包括支持陆基网络的个人计算机。但是，本发明不限于与个人计算机一起使用。例如，若网络22配置为便于无线数据通信，则网络设备14、40、41、60中的一个或多个可包括无线通信设备，例如具有无线通信能力的个人数据助理、平板电脑或具有电子邮件能力的手机。设备14、40、41、60能够将数据44提供给系统，以便确定/生成模型109，并利用存储的模型109来预测/报告所述的实时精神状态276。设备14、40、41、60的用户(例如穿着者8、系统管理员、分析员等)可与所提供的数据44进行交互。

如图15所示，数据处理系统300可包括耦合至网络22的网络接口302、用于接收和呈现数据44、报告276(例如通过文本、声音、图片、视频、光和/或触觉反馈)的用户界面304以及与网络接口302和用户界面304通信的数据收集/处理框架306。典型情况下，网络接口302包括以太网网络电路卡，但是网络接口302也可包括用于通过通信网络22进行无线通信的射频天线。优选用户界面304包括数据输入装置(例如键盘、麦克风或书写板)和显示装置(例如CRT或LCD显示器)。数据处理系统300包括中央处理单元(CPU)308、非易失性存储器存储装置(DISC)310(例如磁盘存储器或电子存储器)和读/写存储器(RAM)312，这两种存储器都与CPU 308通信。DISC 310包括数据，该数据在载入到RAM 312中时包括针对CPU 308的处理器指令，该处理器指令定义使设备14、40、41、60操作应用程序100、102、250的存储器对象。

储存装置310的示例

根据上文的存储装置310的说明，存储装置310可配置为良好地保持存储的数据(例如模型109和相关数据)，并且对存储的数据的主要(或唯一)的操作是向存储装置添加数据和从存储装置删除存储的数据(例如FIFO、FIAO等)。例如，存储装置310可以是用于包含和随后访问所存储的数据的线性数据结构、和/或可以是用于包含和随后访问所存储的数据的非线性数据结构(例如模型109、关联的模型数据(例如特征257、影响253等)、数据44、应用程序100、102、250等)。此外，存储装置310接收各种实体，例如被存储并保留以备后续处理的适当数据/指令。在这些背景下，存储器310可执行缓冲区的功能，该缓冲区是用于在数据被从一个位置移至另一个位置时临时保存数据的存储器区域。典型情况下，当在一台或多台计算机内/之间的进程之间移动数据时，数据会存储在存储器中。应认识到，存储装置310可按硬件、软件或其组合的形式来实现。在接收数据的速率/时间与能处理数据的速率/时间之间存在差异的情况下，在系统中使用存储装置310。

此外，本领域技术人员能理解，本文所述的存储器/存储装置310是可按电磁或光学形式保存数据以供计算机处理器/模块14、40、41、60访问的地方。可能有一般用法：首先，存储器常用于表示通过输入/输出操作(例如硬盘和磁带系统)连接至计算机的装置和数据以及其他形式的存储装置(不包括计算机内存和其他计算机内部存储装置)。其次，在更正式的用法中，存储器/存储装置分为：(1)主存储装置，它将数据保存在存储器(有时称为随机存取存储器或RAM)和其他“内置”装置中，例如处理器的L1高速缓存；以及(2)辅助存储装置，它将数据保存在硬盘、磁带以及使用输入/输出操作的其他装置上。由于主存储装置靠近处理器或者由于存储装置的特性，主存储装置的访问速度可能比辅助存储装置快。另一方面，辅助存储装置能容纳的数据比主存储装置能容纳的数据多。除了RAM之外，主存储装置还包括只读存储器(ROM)以及L1和L2缓存。除了硬盘之外，辅助存储装置还包括一系列设备类型和技术，包括软盘、Zip驱动器、独立磁盘冗余阵列(RAID)系统以及全息存储装置。拥有存储装置的设备统称为存储媒体。

数据库是存储器310的一个实施例，它是被组织为易于访问、管理和更新的信息的集合。从一种观点来看，数据库可按内容类型来分类：书目、全文、数字和图像。在计算中，有时会按照数据库的组织方法对数据库进行分类。最流行的方法是关系数据库，这是一种在其中定义了数据的表格型数据库，以便可用许多不同的方式重组和访问数据。分布式数据库是一种可在网络中的不同点之间分散或复制的数据库。面向对象的编程数据库是与对象类和子类中定义的数据一致的数据库。计算机数据库通常包含数据记录或文件的集合体。典型情况下，数据库管理器为用户提供控制读/写访问、指定报告生成以及分析使用情况的功能。数据库和数据库管理器在大型主机系统中很普遍，但也存在于较小的分布式工作站以及中型系统(例如AS/400)和个人计算机中。SQL(结构化查询语言)是一种用于从数据库(例如IBM的DB2、微软的Access以及Oracle、Sybase和Computer Associates的数据库产品)进行交互式查询和更新的标准语言。

存储器/存储装置也可定义为计算机微处理器可快速到达的指令和数据的电子存放地。当计算机处于正常运行状态时，其存储器通常包含操作系统的主要部分以及一部分或所有正在使用的应用程序和相关数据。存储器通常用作随机存取存储器(RAM)的缩略词。这种存储器位于一个或多个物理上接近于计算机中的微处理器的微芯片上。

就服务器而言，应认识到，作为应用程序100、102、250的主机的设备40、41、60可构造为硬件、软件，或者通常构造为硬件和软件的组合，以提供通过网络22作为套接字侦听器运行的网络实体。应认识到，与一个或多个客户端进程共享资源(例如数据)的任何计算机化进程都可被分类为网络系统中的服务器。术语“服务器”也可概括为描述部署为执行一个或多个这样的程序的主机，该主机可以是一台或多台配置为通过网络22将其他计算机或电子设备链接在一起的计算机。服务器可跨网络22提供专门服务，例如，通过互联网22向大型组织内的私人用户或向公共用户提供专门服务。在网络系统中，服务器可具有专用功能和/或可共享所述功能。企业服务器是在商务环境中使用的服务器，可在任何有能力的计算机硬件上运行或由这种计算机硬件运行。从硬件的意义上讲，“服务器”一词通常指定意图在网络22环境的巨大需求下运行软件应用程序的计算机模型。在这种客户端-服务器配置中，一台或多台计算机(计算机或计算机设备)彼此共享信息，其中一台计算机作为其他计算机的主机。虽然几乎任何个人计算机都可用作网络服务器，但是专用服务器会包含使其更适合生产环境的特性。这些特性可能包括更快的CPU、更高性能的RAM以及通常不止一个的大容量硬盘。更明显的区别包括电源、网络连接甚至服务器本身的显著冗余。

Claims (5)

1.一种确定用于基于经由传感器平台收集的生物特征数据来预测用户的状态的数据模型的方法，所述方法包括：

从所述传感器平台的传感器接收多个生物特征数据；

从所述多个生物特征数据提取多个代表性特征；

接收与所述多个代表性特征相关联的多个用户情感参数；

将所述多个用户情感参数与所述多个代表性特征相关联，以确定针对所述数据模型的一组代表性特征-情感对作为多个模型数据参数；和

存储所述数据模型，以便后续用于确定所述用户的实时状态。

2.一种使用穿着者的服装的传感器平台和多个感测到的生物特征数据以及存储的数据模型来确定穿着者状态的方法，所述方法包括：

从所述传感器平台的传感器接收多个生物特征数据；

从所述多个生物特征数据确定多个数据特征；

将所述多个数据特征与所述数据模型的一组代表性特征-情感对进行比较，所述特征-情感对包括表示所述穿着者的可能状态的影响；

选择所述可能状态中的一个或多个可能状态作为所述比较的结果，以提供所述穿着者状态；和

使用呈现设备的用户界面向所述穿着者报告所述穿着者状态，作为呈现结果。

3.根据权利要求2所述的方法，其中所述呈现设备是计算设备，其耦合至所述服装。

4.根据权利要求2所述的方法，其中所述呈现设备是远程计算设备，其耦合至所述服装的计算设备。

5.根据权利要求1所述的方法，还包括通过使所述用户处于归一化状态或通过在选定的时段内对记录的状态进行平均来校准所述数据模型。

Images