CN111796680A - 可穿戴设备的控制方法、装置、可穿戴设备及介质 - Google Patents

Abstract

本发明涉及传感器技术领域，公开了一种可穿戴设备的控制方法、装置、可穿戴设备及存储介质，所述方法应用于可穿戴设备，该方法包括：获取光电二极管在预设时长内采集到的若干个实时数据，并计算若干个实时数据的多个待预测特征值；将多个待预测特征值输入佩戴状态预测模型获得预测标签，基于预测标签判断可穿戴设备是否处于佩戴状态；若处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。由此根据实时数据的待预测特征值判断所述可穿戴设备是否处于佩戴状态，当所述可穿戴设备处于佩戴状态时，则根据预设流程调节所述光电二极管的驱动电流和增益，由此增强了驱动电流和增益条件的准确性和稳定性。

Description

可穿戴设备的控制方法、装置、可穿戴设备及介质

技术领域

本发明涉及传感器技术领域，尤其涉及一种可穿戴设备的控制方法、装置、可穿戴设备及存储介质。

背景技术

当前越来越多的可穿戴设备配置有PPG(photoplethysmograph，光电容积脉搏波描记法)心率传感器，可以监测佩戴者的心率、血氧等人体生物学参数。

研究表明适当调节PPG心率传感器的发光二极管发出的驱动电流和信号增益可以控制光电二极管接收到的反射光学信号值。当前的可穿戴设备的控制方法是设定可穿戴设备的控制阈值，当光电二级管接收到的反射光学信号值超过所述可穿戴设备的控制阈值后，则开始可穿戴设备的控制。但是这种可穿戴设备的控制方法不能满足不同佩戴场景下的可穿戴设备的控制需求，并且经常会发生误调节或不调节的情况。

发明内容

本发明提供一种可穿戴设备的控制方法、装置、可穿戴设备及存储介质，旨在增强驱动电流和增益调节的准确性和稳定性。

为实现上述目的，本发明提供一种可穿戴设备的控制方法，所述方法应用于可穿戴设备，所述可穿戴设备包括光电二极管，所述方法包括：

获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；

将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

优选地，所述将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于预测标签判断所述可穿戴设备是否处于佩戴状态的步骤之前还包括：

采集不同佩戴条件和不同环境条件下的样本数据和佩戴状态，并将所述佩戴状态标记为训练标签，计算所述样本数据的多个样本特征值；

将所述样本特征值输入基于初始模型参数设置的初始佩戴状态模型，基于所述训练标签和所述样本数据的实际标签计算损失函数；

基于所述损失函数，通过梯度下降的方式对所述初始模型参数进行更新，直到获得使所述损失函数小于损失阈值的更新后模型参数，并将对应的更新后模型参数保存为目标模型参数，以此获得所述佩戴状态预测模型。

优选地，所述损失函数的计算公式为：

L＝-(y.log(y')+(1-y).log(1-y'))；

其中，L表示所述损失函数，y表示所述样本数据的实际标签，y'表示所述样本数据的初始预测标签；

所述佩戴状态预测模型为：

其中，y(x_i)表示预测标签，x_i表示特征值，w和b是模型参数，w为x_i的权重，b为偏差。

优选地，所述基于预测标签判断所述可穿戴设备是否处于佩戴状态的步骤包括：

将所述预测标签与预设标签进行对比；

若所述预测标签大于所述预设标签，则判定所述可穿戴设备处于佩戴状态；

若所述预测标签小于或等于所述预设标签，则判定所述可穿戴设备未处于佩戴状态。

优选地，所述根据预设流程调节驱动电流和增益的步骤包括：

将所述驱动电流设置为初始驱动电流进行数据采集，获得初始数据；

判断所述初始数据是否在预设范围内；

若所述初始数据不在所述预设范围内，则将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值。

优选地，将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值的步骤包括：

判断所述初始数据是小于所述预设阈值中的第一阈值还是大于所述预设阈值中的第二阈值；

若所述初始数据小于第一阈值，则以第一步长逐步增加所述初始驱动电流，采集第一新数据，并将增益调节至与所述第一新数据对应的档位；直到获得使所述第一新数据落入所述预设范围内的第一驱动电流，或者获得达到第一驱动电流阈值的第一驱动电流；

若所述初始数据大于第二阈值，则以第二步长逐步减小所述初始驱动电流，并采集第二新数据，并将增益调节至与所述第二新数据对应的档位；直到获得使所述第二新数据落入所述预设范围内的第二驱动电流，或者获得达到第二驱动电流阈值的第二驱动电流，其中所述第一驱动电流阈值大于所述第二驱动电流阈值。

优选地，所述若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益的步骤之后还包括：

启动所述可穿戴设备的心率、血氧监测功能，并根据显示指令显示监测结果，和/或将所述监测结果上传至云平台。

此外，为实现上述目的，本发明还提供一种可穿戴设备的控制装置，所述可穿戴设备的控制装置包括：

计算模块，用于获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；

预测模块，用于将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

调节模块，用于若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

此外，为实现上述目的，本发明还提供一种可穿戴设备，所述可穿戴设备包括光电二极管、处理器，存储器以及存储在所述存储器中的可穿戴设备的控制程序，所述可穿戴设备的控制程序被所述处理器运行时，实现如上所述的可穿戴设备的控制方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机存储介质，＝所述计算机存储介质上存储有可穿戴设备的控制程序，所述可穿戴设备的控制程序被处理器运行时实现如上所述可穿戴设备的控制方法的步骤。

相比现有技术，本发明提供一种一种可穿戴设备的控制方法、装置、可穿戴设备及存储介质，所述方法应用于可穿戴设备，所述可穿戴设备包括光电二极管，所述方法包括：获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。由此根据实时数据的待预测特征值判断所述可穿戴设备是否处于佩戴状态，当所述可穿戴设备处于佩戴状态时，则根据预设流程调节所述光电二极管的驱动电流和增益，由此增强了驱动电流和增益条件的准确性和稳定性。

附图说明

图1是本发明各实施例涉及的可穿戴的硬件结构示意图；

图2是本发明可穿戴设备的控制方法第一实施例的流程示意图；

图3是本发明可穿戴设备的控制方法第二实施例的流程示意图；

图4是本发明可穿戴设备的控制装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例主要涉及的可穿戴设备是指能够实现网络连接的网络连接设备，所述可穿戴设备可以是运动手环、耳机、智能手表等。

参照图1，图1是本发明各实施例涉及的可穿戴设备的硬件结构示意图。本发明实施例中，可穿戴设备可以包括光电二极管1000、处理器1001(例如中央处理器CentralProcessing Unit、CPU)，通信总线1002，输入端口1003，输出端口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；输入端口1003用于数据输入；输出端口1004用于数据输出，存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块、应用程序模块以及可穿戴设备的控制程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的可穿戴设备的控制程序，并执行本发明实施例提供的可穿戴设备的控制方法。

本发明实施例提供了一种可穿戴设备的控制方法。

参照图2，图2是本发明可穿戴设备的控制方法第一实施例的流程示意图。

本实施例中，所述可穿戴设备的控制方法应用于可穿戴设备，所述方法包括：

步骤S101，获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；

步骤S102，将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

步骤S103，若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

本实施例中涉及的可穿戴设备采用PPG心率传感器来测量心率、血氧等人体生物学参数。一般地，配置有PPG心率传感器的可穿戴设备由发光二极管、光电二极管以及模拟前端组成，其中发光二极管用于发送光波，光电二极管用于捕获传道者反射出来的光信号，模拟前端将光信号转换成可以用于计算人体生物学参数的数字信号。当心率或血容积发生变化时，发光二极管发射的光信号经过人体皮肤后发生反射，光电二极管实时接收反射后的光学信号值，同时光电二极管还接收环境光信号值，模拟前端基于光电二极管接收到的反射光学信号值和环境光信号值计算得出人体生物学参数。

本实施例中预先根据实时数据判断所述可穿戴设备是否处于佩戴状态。

具体地，按预设周期获取所述光电二极管在预设时长内采集到的若干个实时数据。所述预设周期可以是固定周期也可以是渐进周期，例如所述固定周期可以是每隔30min或10min读取一次所述光电二极管采集到的数据。所述渐进周期是指每次间隔的时间比上一个间隔延迟一定的时长，例如延长5分钟，例如在时间点t1第一次读取所述光电二极管采集到的数据后，若判断结果是未佩戴状态，则在间隔10min的时间点t2(t2＝t1+10min)进行第二次读取，若第二次读取的结果仍然是未佩戴状态，则在间隔15min的时间点t3(t3＝t2+15min)进行第三次读取、、、可以理解地，当所述时间间隔达到最大间隔后，若仍然是问佩戴状态，则以最大间隔进行下一次读取。如此，当所述穿戴设备长时间未佩戴时可以减少数据的获取次数，进而节约功耗，延长待机时间。

所述预设时长可以根据需要具体设置，例如将所述预设时长设置为1s、5s、8s等。在所述预设时长内采集到的所述若干个数据可以是连续的若干个数据，也可以是随机获取的若干个数据。并且所述数据的个数可以预先设置，例如将所述数据的个数设置为10个、20个等。

本实施例中所述待预测特征值包括中位数、均值、方差、标准差、最小值、最大值、众数、极差。其中，中位数(Median)又称中值，是按顺序排列的所述多个待预测特征值中居于中间位置的待预测特征值，其可将所述多个待预测特征值集合划分为相等的上下两部分。均值是表示所述多个待预测特征值集中趋势的量数，是所述多个待预测特征值的总和除以个数的结果，是反映所述多个待预测特征值的趋势。方差是在概率论和统计方差衡量随机变量或所述多个待预测特征值离散程度的度量，概率论中方差用来度量随机变量和其数学期望(即平均值)之间的偏离程度。标准差是方差的平方根，一般用σ表示，在概率统计中最常使用作为统计分布程度上的测量，标准差是方差的算术平方根。众数(Mode)是指在统计分布上具有明显集中趋势点的待预测特征值，代表所述多个待预测特征值的一般水平，也是所述多个待预测特征值中出现次数最多的待预测特征值。

当获取到所述若干个实时数据后，将所述实时数据表示为x₁,x₂,x₃……x_n。其中n表示实时数据的个数。按将所述若干个实时数据进行排序，根据排序结果获得最大值x_max,最小值x_min以及中位数x_median；

根据均值

计算公式

获得所述均值

根据方差s²计算公式

计算所述方差s²；其中x_i表示各个待预测特征数据；

根据标准差

计算公式

计算所述标准差；

标记各个实时数据的频数，将频数最大的一个或多个实时诗句标记为所述众数x_mode；

将最大值x_max与最小值x_min的差值标记为极差x_range。

当获得所述中位数x_median，所述均值

所述方差s²，所述标准差

所述最大值x_max，所述最小值x_min，所述众数x_mode，所述极差x_range后，则执行步骤S102：将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

本实施例中，预先根据正负样本数据训练得到准确率较高的佩戴状态预测模型。将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，所述预测标签是数值，将所述预测标签与预设标签进行对比；若所述预测标签大于所述预设标签，则判定所述可穿戴设备处于佩戴状态；若所述预测标签小于或等于所述预设标签，则判定所述可穿戴设备未处于佩戴状态。本实施例中，可以将所述预测标签设置为0.5。

若所述可穿戴设备未处于佩戴状态则继续执行步骤S101；若所述可穿戴设备处于佩戴状态，则执行步骤S103：根据预设流程调节驱动电流和增益。

本实施例中，所述驱动电流和所述增益是指所述光电二级管发出的驱动电流和增益，一般地，调节所述驱动电流和所述增益可以影响所述光电二极管接收到的反射光学信号。

本实施例中，若所述可穿戴设备处于佩戴状态，则说明需要启动所述可穿戴设备的PPG心率传感器，因此需要按预设调节周期根据预设流程调节驱动电流和增益，以获得在预设范围内的数据，一般地所述数据是反射光学信号值。本实施例中，所述预设调节周期可以根据需要设定，例如将所述预设调节周期设为2s。

具体地，所述根据预设流程调节驱动电流和增益的步骤包括：

将所述驱动电流设置为初始驱动电流进行数据采集，获得初始数据；所述初始电流根据实际情况设定，例如将所述初始驱动电流设置为10mA。

进一步地，判断所述初始数据是否在预设范围内。本实施例中，设置第一阈值和第二阈值，其中所述第一阈值小于所述第二阈值，所述预设范围为[第一阈值,第二阈值]，也即将大于等于所述第一阈值且小于或等于所述第二阈值内的初始数据标记为范围内数据。本实施例中，所述预设范围根据ADC(analog to digital converter，模拟数字转换器)的数据采集范围确定。

若所述初始数据不在所述预设范围内，则将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值。一般地，增益具有多个档位，每个档位对应不同的信号放大倍数。并且所述档位与所述新数据对应。例如若档位的个数是4挡，则预先设置各个档位对应的新数据区间，在获得新数据后，判断所述新数据所在的数据区间，并将增益调节至对应的档位。

具体地，预先判断所述初始数据是小于所述第一阈值还是大于所述第二阈值；若所述初始数据小于第一阈值，则以第一步长逐步增加所述初始驱动电流，采集第一新数据，并将增益调节至与所述第一新数据对应的档位；其中所述第一步长可以是2mA。增加所述初始驱动电流获得第一驱动电流I11，继续采集第一新数据a1；然后将所述第一新数据a1与所述第一阈值进行对比，若所述第一新数据a1小于所述第一阈值，则根据所述第一步长S1增加所述第一驱动电流I11获得第一驱动电流I12，其中I12＝I11+S1，采集第一新数据a2，将所述第一新数据a2与所述第一阈值进行对比，若所述第一新数据a2依然小于所述第一阈值，则继续根据所述第一步长增加所述第一驱动电流I12获得第一驱动电流I13，其中I13＝I12+S1……如此不断循环，直到所述第一新数据大于或等于所述第一阈值，也即获得使所述第一新数据落入所述预设范围内的第一驱动电流。若将所述初始驱动电流增加至第n驱动电流I1n，所述第n驱动电流等于第一驱动电流阈值(最大驱动电流限值)，但是对应的第一新数据an依然小于所述第一阈值时，则将所述第一驱动电流阈值作为所述第一驱动电流的电流值。

若所述初始数据大于第二阈值，则以第二步长逐步减小所述初始驱动电流，并采集第二新数据，并将增益调节至与所述第二新数据对应的档位；其中所述第二步长可以是2mA。增加所述初始驱动电流获得第二驱动电流I21，继续采集第二新数据b1；然后将所述第二新数据b1与所述第二阈值进行对比，若所述第二新数据b1小于所述第二阈值，则根据所述第二步长S2减小所述第二驱动电流I21获得第二驱动电流I22，其中I22＝I21-S2，并继续采集第二新数据b2，将所述第二新数据b2与所述第二阈值进行对比，若所述第二新数据b2依然小于所述第二阈值，则继续减小所述第二驱动电流I22获得第三驱动电流I23，其中I23＝I22-S2……如此不断循环，直到所述第二新数据大于或等于所述第二阈值，也即获得使所述第二新数据落入所述预设范围内的第二驱动电流。若将所述初始驱动电流增加至第n驱动电流，所述第n驱动电流等于第二驱动电流阈值(最小驱动电流限值)，但是对应的第二新数据bn依然小于所述第二阈值时，则将所述第二驱动电流阈值作为所述第二驱动电流的电流值。直到获得使所述第二新数据落入所述预设范围内的第二驱动电流，或者获得达到第二驱动电流阈值的第二驱动电流，其中所述第一驱动电流阈值大于所述第二驱动电流阈值。

进一步地，所述若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益的步骤之后还包括：

启动所述可穿戴设备的心率、血氧监测功能，并根据显示指令显示监测结果，和/或将所述监测结果上传至云平台。

可以理解地，当所述可穿戴设备处于佩戴状态后，则启动已经配置的检测功能，所述监控功能包括但不限于心率、血氧、脉搏。并且将监测结果显示在屏幕上，或者将检测结果上传至云平台，以供对所述检测仅进行分析记录。

获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。由此根据实时数据的待预测特征值判断所述可穿戴设备是否处于佩戴状态，当所述可穿戴设备处于佩戴状态时，则根据预设流程调节所述光电二极管的驱动电流和增益，由此增强了驱动电流和增益条件的准确性和稳定性。

如图3所示，本发明第二实施例提出一种可穿戴设备的控制方法，基于上述图2所示的第一实施例，所述将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于预测标签判断所述可穿戴设备是否处于佩戴状态的步骤之前还包括：

步骤S201：采集不同佩戴条件和不同环境条件下的样本数据和佩戴状态，并将所述佩戴状态标记为训练标签，计算所述样本数据的多个样本特征值；

本实施例中，所述样本数据包括正样本数据和负样本数据，所述正样本数据是指所述可佩戴设备处于佩带状态时的数据，所述负样本数据是指所述可佩戴设备处于未佩戴时的数据。并且所述样本数据还包括不同佩戴条件和不同环境条件下的数据，例如不同肤色、不同温度、低灌注度、不同佩戴位置的数据，因此训练出来的佩戴状态预测模型可以预测不同佩戴条件和不同环境条件下的佩戴状态。获得所述样本数据后，计算所述样本数据的多个样本特征值，所述样本特征值包括中位数、均值、方差、标准差、最小值、最大值、众数、极差。

步骤S202：将所述样本特征值输入基于初始模型参数设置的初始佩戴状态模型，基于所述训练标签和所述样本数据的实际标签计算损失函数；

步骤S203：基于所述损失函数，通过梯度下降的方式对所述初始模型参数进行更新，直到获得使所述损失函数小于损失阈值的更新后模型参数，并将对应的更新后模型参数保存为目标模型参数，以此获得所述佩戴状态预测模型。

本实施例中，将所述佩戴状态预测模型设置为：

其中，y(x_i)表示预测标签，x_i表示特征值，w和b是模型参数，w为x_i的权重，b为偏差。

本实施例根据交叉熵损失函数计算所述初始预测模型中模型参数w和b对应的梯度，根据模型参数w和b的梯度来对应更新w和b，也即调整所述初始预测模型的各个初始模型参数。此处，根据交叉熵损失函数更新模型参数的过程与现有的模型参数更新过程类似，在此不做详细赘述。

具体地，将所述损失函数的计算公式表示为：

L＝-(y.log(y’)+(1-y).log(1-y’))；

其中，L表示所述损失函数，y表示所述样本数据的实际标签，y'表示所述样本数据的初始预测标签；

本实施例根据上述方案，采集不同佩戴条件和不同环境条件下的样本数据和佩戴状态，并将所述佩戴状态标记为训练标签，计算所述样本数据的多个样本特征值；将所述样本特征值输入基于初始模型参数设置的初始佩戴状态模型，基于所述训练标签和所述样本数据的实际标签计算损失函数；基于所述损失函数，通过梯度下降的方式对所述初始模型参数进行更新，直到获得使所述损失函数小于损失阈值的更新后模型参数，并将对应的更新后模型参数保存为目标模型参数，以此获得所述佩戴状态预测模型。由此通过不同佩戴条件和不同环境条件下的样本数据进行佩戴状态预测模型训练，可以获得适应各种条件的佩戴状态预测模型，可以保证佩戴状态预测的准确性，进而增强驱动电流和增益条件的准确性和稳定性。

此外，本实施例还提供一种可穿戴设备的控制装置。参照图4，图4为本发明可穿戴设备的控制装置第一实施例的功能模块示意图。

本实施例中，所述可穿戴设备的控制装置为虚拟装置，存储于图1所示的可穿戴设备的控制设备的存储器1005中，以实现可穿戴设备的控制程序的所有功能：用于获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；用于将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；用于若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

具体地，参照图4，所述可穿戴设备的控制装置包括：

获取模块，用于获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；

预测模块，用于将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

调节模块，用于若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

进一步地，所述计算模块还用于：

采集不同佩戴条件和不同环境条件下的样本数据和佩戴状态，并将所述佩戴状态标记为训练标签，计算所述样本数据的多个样本特征值；

将所述样本特征值输入基于初始模型参数设置的初始佩戴状态模型，基于所述训练标签和所述样本数据的实际标签计算损失函数；

基于所述损失函数，通过梯度下降的方式对所述初始模型参数进行更新，直到获得使所述损失函数小于损失阈值的更新后模型参数，并将对应的更新后模型参数保存为目标模型参数，以此获得所述佩戴状态预测模型；

其中，所述损失函数的计算公式为：

L＝-(y.log(y')+(1-y).log(1-y'))；

其中，L表示所述损失函数，y表示所述样本数据的实际标签，y'表示所述样本数据的初始预测标签；

所述佩戴状态预测模型为：

其中，y(x_i)表示预测标签，x_i表示特征值，w和b是模型参数，w为x_i的权重，b为偏差。

进一步地，所述预测模块还用于：

将所述预测标签与预设标签进行对比；

若所述预测标签大于所述预设标签，则判定所述可穿戴设备处于佩戴状态；

若所述预测标签小于或等于所述预设标签，则判定所述可穿戴设备未处于佩戴状态。

进一步地，所述调节模块还用于：

将所述驱动电流设置为初始驱动电流进行数据采集，获得初始数据；

判断所述初始数据是否在预设范围内；

若所述初始数据不在所述预设范围内，则将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值。

进一步地，所述调节模块还用于：

将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值的步骤包括：

判断所述初始数据是小于所述预设阈值中的第一阈值还是大于所述预设阈值中的第二阈值；

若所述初始数据小于第一阈值，则以第一步长逐步增加所述初始驱动电流，采集第一新数据，并将增益调节至与所述第一新数据对应的档位；直到获得使所述第一新数据落入所述预设范围内的第一驱动电流，或者获得达到第一驱动电流阈值的第一驱动电流；

若所述初始数据大于第二阈值，则以第二步长逐步减小所述初始驱动电流，并采集第二新数据，并将增益调节至与所述第二新数据对应的档位；直到获得使所述第二新数据落入所述预设范围内的第二驱动电流，或者获得达到第二驱动电流阈值的第二驱动电流，其中所述第一驱动电流阈值大于所述第二驱动电流阈值。

进一步地，所述调节模块还用于：

所述若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益的步骤之后还包括：

启动所述可穿戴设备的心率、血氧监测功能，并根据显示指令显示监测结果，和/或将所述监测结果上传至云平台。

此外，本发明实施例还提供一种计算机存储介质，所述计算机存储介质上存储有可穿戴设备的控制程序，所述可穿戴设备的控制程序被处理器运行时实现如上所述可穿戴设备的控制方法的步骤，此处不再赘述。

相比现有技术，本发明提出的一种可穿戴设备的控制方法、装置、可穿戴设备及存储介质，所述方法应用于可穿戴设备，所述可穿戴设备包括光电二极管，所述方法包括：获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。由此根据实时数据的待预测特征值判断所述可穿戴设备是否处于佩戴状态，当所述可穿戴设备处于佩戴状态时，则根据预设流程调节所述光电二极管的驱动电流和增益，由此增强了驱动电流和增益条件的准确性和稳定性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种可穿戴设备的控制方法，其特征在于，所述方法应用于可穿戴设备，所述可穿戴设备包括光电二极管，所述方法包括：

获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；

将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

2.根据权利要求1所述的方法，其特征在于，所述将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于预测标签判断所述可穿戴设备是否处于佩戴状态的步骤之前还包括：

采集不同佩戴条件和不同环境条件下的样本数据和佩戴状态，并将所述佩戴状态标记为训练标签，计算所述样本数据的多个样本特征值；

将所述样本特征值输入基于初始模型参数设置的初始佩戴状态模型，基于所述训练标签和所述样本数据的实际标签计算损失函数；

基于所述损失函数，通过梯度下降的方式对所述初始模型参数进行更新，直到获得使所述损失函数小于损失阈值的更新后模型参数，并将对应的更新后模型参数保存为目标模型参数，以此获得所述佩戴状态预测模型。

3.根据权利要求2所述的方法，其特征在于，所述损失函数的计算公式为：

L＝-(y.log(y')+(1-y).log(1-y'))；

其中，L表示所述损失函数，y表示所述样本数据的实际标签，y'表示所述样本数据的初始预测标签；

所述佩戴状态预测模型为：

其中，y(x_i)表示预测标签，x_i表示特征值，w和b是模型参数，w为x_i的权重，b为偏差。

4.根据权利要求1所述的方法，其特征在于，所述基于预测标签判断所述可穿戴设备是否处于佩戴状态的步骤包括：

将所述预测标签与预设标签进行对比；

若所述预测标签大于所述预设标签，则判定所述可穿戴设备处于佩戴状态；

若所述预测标签小于或等于所述预设标签，则判定所述可穿戴设备未处于佩戴状态。

5.根据权利要求1所述的方法，其特征在于，所述根据预设流程调节驱动电流和增益的步骤包括：

将所述驱动电流设置为初始驱动电流进行数据采集，获得初始数据；

判断所述初始数据是否在预设范围内；

若所述初始数据不在所述预设范围内，则将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值。

6.根据权利要求5所述的方法，其特征在于，将所述初始数据与预设阈值进行比较，并根据预设步长调节所述初始驱动电流，采集新数据，并将增益调节至与所述新数据对应的档位，直到所述新数据落入所述预设范围或者所述驱动电流达到驱动电流阈值的步骤包括：

判断所述初始数据是小于所述预设阈值中的第一阈值还是大于所述预设阈值中的第二阈值；

若所述初始数据小于第一阈值，则以第一步长逐步增加所述初始驱动电流，采集第一新数据，并将增益调节至与所述第一新数据对应的档位；直到获得使所述第一新数据落入所述预设范围内的第一驱动电流，或者获得达到第一驱动电流阈值的第一驱动电流；

若所述初始数据大于第二阈值，则以第二步长逐步减小所述初始驱动电流，并采集第二新数据，并将增益调节至与所述第二新数据对应的档位；直到获得使所述第二新数据落入所述预设范围内的第二驱动电流，或者获得达到第二驱动电流阈值的第二驱动电流，其中所述第一驱动电流阈值大于所述第二驱动电流阈值。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益的步骤之后还包括：

启动所述可穿戴设备的心率、血氧监测功能，并根据显示指令显示监测结果，和/或将所述监测结果上传至云平台。

8.一种可穿戴设备的控制装置，其特征在于，所述可穿戴设备的控制装置包括：

计算模块，用于获取所述光电二极管在预设时长内采集到的若干个实时数据，并计算所述若干个实时数据的多个待预测特征值；

预测模块，用于将所述多个待预测特征值输入预先训练的佩戴状态预测模型，由所述佩戴状态预测模型输出预测标签，基于所述预测标签判断所述可穿戴设备是否处于佩戴状态；

调节模块，用于若所述可穿戴设备处于佩戴状态，则根据预设流程调节所述光电二极管的驱动电流和增益。

9.一种可穿戴设备，其特征在于，所述可穿戴设备包括光电二极管、处理器，存储器以及存储在所述存储器中的可穿戴设备的控制程序，所述可穿戴设备的控制程序被所述处理器运行时，实现如权利要求1-7中任一项所述的可穿戴设备的控制方法的步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有可穿戴设备的控制程序，所述可穿戴设备的控制程序被处理器运行时实现如权利要求1-7中任一项所述可穿戴设备的控制方法的步骤。

Images