CN112955070A - 情境饮用检测的系统和方法 - Google Patents

Abstract

本发明公开了一种可操作以使用一个或多个可穿戴式传感器和情境信息来监测水合作用和饮用活动以更准确地检测用户进行的饮用动作的系统和方法。该系统和方法可以使用在非暂时性计算机可读介质上编码的应用来从一个或多个传感器接收不同的数据，以确定用户是否进行了饮用动作。可以使用情境信息和可变的阈值进一步完善分析，以更准确地识别饮用动作。

Description

情境饮用检测的系统和方法

相关申请的交叉饮用

本申请要求标题为“使用呼吸率、呼吸间隔和节拍间隔以及使用的太阳负荷来检测饮用以改善流体损失估计”的第62/719,535号美国临时专利申请的权益和优先权，该专利申请已于2018年8月17日提交到美国专利商标局，其所有内容均出于所有目的以引用的方式全文并入本文。

技术领域

本公开涉及与非侵入性饮用检测有关的系统和方法。

背景技术

表演运动员和业余爱好者已使用可穿戴设备来监控身体活动。可以将设备配置为确定佩戴者的水合程度，并与移动设备或外部计算机进行通信以分析在设备处捕获的数据。现有的水合作用和饮用检测方法无法准确识别饮用动作，或者将其他动作误认为是饮用动作，从而低估了用户的水合作用程度。

附图说明

当结合附图阅读时，将更好地理解以下详细描述。为了说明的目的，在附图中示出了本公开的某些示例。然而，应当理解，本发明构思不限于所示的精确示例和特征。结合在本说明书中并构成本说明书的一部分的附图示出了与本发明构思一致的设备的实施，并且与说明书一起用于解释与本发明构思一致的优点和原理。

图1A示出了根据本公开的可穿戴设备的示例；

图1B示出了根据本公开的移动设备的示例；

图1C示出了根据本公开的远程计算机的示例；

图1D是根据本公开的示例可穿戴设备系统的示意图；

图2是根据本公开的示例移动设备系统的示意图；

图3A示出了用于检测从加速计的x轴输入的物质的示例性加速度计数据；

图3B示出了用于检测从加速计的y轴输入的物质的示例性加速度计数据；

图3C示出了用于检测从加速计的z轴输入的物质的示例性加速度计数据；

图4示出了已经通过动态时间规整处理的加速度计数据的示例图；

图5示出了使用心率来检测饮用事件的示例；

图6示出了与水合状态相对应的饮用事件的示意图；

图7是根据本公开的饮品检测算法应用的示意图；

图8是根据本公开的显示的饮用监控图形的一个示例；

图9是根据本公开的显示的饮用监控图形的一个示例；

图10示出了根据本公开的用于情境饮用检测的方法或过程的流程图；

图11示出了根据本公开的情境饮用检测的子过程的流程图。

具体实施方式

现在将提供贯穿本公开内容适用的几个定义。术语“包括”是指“包括但不限于”，其特别表示在这样描述的组合、组、系列等中的开放式包含或组成。“大约”指的是几乎、将近处于数值式表示的边缘或没有明显偏离。例如，大约20可以是20，或者与20的偏差很小。“耦合”是指两个对象的链接或连接。耦合可以是直接或间接的。间接耦合包括通过一个或多个中间对象连接两个对象。耦合也可以指电气或机械连接。耦合还可以包括没有物理接触的链接。尽管在整个公开中使用“皮肤”，但是用户的任何合适的“组织”都可以与“皮肤”互换使用。

本公开涉及使用从穿戴式传感器收集的数据、环境数据和情境数据来检测用户何时饮用并向用户提供信息和/或提示的系统和方法。

在多个方面，该系统和方法使用可穿戴设备，该可穿戴设备配置为与外部计算设备通信，外部计算设备包括但不限于移动设备、计算机和数据服务器。另一方面，可穿戴设备可以包括传感器，该传感器配置为测量用户的动作以检测用户何时饮用某种物质。另一方面，该系统和方法能够确定用户是否应该摄取额外的饮品以满足期望的阈值或水合水平。

本公开致力于解决工业中的各种问题。本公开包括检测饮用事件的能力。本公开还包括估计在饮用事件期间评估用户摄入的液体量的能力。本公开还允许监控用户的水合作用。

本公开包括用于使用非侵入性技术确定饮用事件的系统和设备。饮用事件包括饮用液体，例如水、苏打水或人体为了补充水分而摄入的任何其他液体。

可以在本文描述的设备和/或系统中的一个或多个中实施本公开。在一个示例中，本公开包括可穿戴设备。如本文所使用的，可穿戴设备是与该设备的用户接触或紧密接近的任何设备。可穿戴设备的示例包括腕戴设备、手臂、手和/或手指戴设备、衣物、运动辅助设备、监测器、手镯、带子、戒指和/或压缩套(compression sleeves)。可穿戴设备可以配置为具有无线通信或有线通信接口以允许数据交换。在至少一个示例中，可穿戴设备可操作地电耦合到移动设备。在至少一个示例中，可穿戴设备可以配置为包括向用户提供指令的用户通知组件。用户通知组件可以是显示器、音频设备、振动设备和/或视觉指示器。在其他示例中，可以省略用户通知组件，并且可穿戴设备可以将指令传递给移动设备，以将指令传递给用户。

术语“移动设备”可以包括具有处理器和存储器的设备。在至少一些示例中，移动设备包括显示器。另外，移动设备可以包括通信组件，该通信组件可操作地允许移动设备与外部设备的通信。可穿戴设备还可配置为与一个或多个外部传感器组件通信。可以使用诸如蓝牙(BLUETOOTH)、紫蜂(ZIGBEE)、高级和自适应网络技术(ANT+)、WI-FI、射频识别(RFID)之类的短距离无线通信协议来执行无线通信。

保持适当的水合不仅对确保运动员能够保持最佳状态非常重要，而且对于保持一个人的身体健康、美观和/或保健也很重要。适当的补水对于保持认知功能和/或帮助控制体重很重要。对于保持人的健康也至关重要，包括预防头痛、冠心病、肾结石和/或癌症。

在对生命体征进行长期和/或连续监测下，最佳地实现了水合维护，这使其成为与用户长时间接触的设备(例如可穿戴设备)最佳地执行的任务。此外，可穿戴设备能够集成各种传感器和/或处理器，将由这些传感器生成的信号存储在其内部存储器中，以用于以后的处理和/或传递这些信号和/或其内部处理的结果。信号还可以通过无线(或有线)通信传递给用户和/或整个世界，这包括将数据存储在云中以进行可视化、由服务器进行进一步处理和/或存储在更大的数据库中，从而使聚合数据可用于其他处理和/或新算法的开发。

维持适当的水合作用需要估计增液量和/或失液量之间的平衡。也就是说，通过监测摄入饮品，可以估计水合监测的输入端，从而获得通常与维持适当水合有关的健康和/或保健益处。

在示例中，移动设备系统包括可操作地检测饮用事件和/或监控用户的水合作用的移动设备和/或可穿戴设备。该移动设备具有至少一个传感器，该至少一个传感器可以检测该移动设备的动作。可穿戴设备可以检测用户的生物学指标，并且可以将数据发送到移动设备。系统中的移动设备和/或另一组件将用户的生物学指标与检测到的动作信号及时相关联，以确定是否发生了一个或多个饮用事件，并为每个饮用事件创建输入日志。在至少一个示例中，移动设备还基于例如通过呕吐、排尿、排便和/或出汗的排出液体的输入日志和/或输出日志来确定用户的净余额。净余额可以通过处于预定范围内、低于或高于预定阈值而提供帮助改善用户的健康和/或保健的益处。例如，净余额可用于帮助用户达到与健康相关的目标，例如保持水分充足。为了充分补水，用户应高于水合阈值。尽管相对于移动设备描述了该系统和/或设备，但是该系统和/或设备可以在可穿戴设备上完全地可操作。

在另一示例中，可操作地检测用户的饮用事件的可穿戴设备包括至少一个动作传感器，该至少一个动作传感器可操作地检测可穿戴设备的动作和/或记录可穿戴设备的动作信号。可穿戴设备还可包括处理器和/或至少一个生物传感器，处理器耦合到至少一个动作传感器，至少一个生物传感器耦合到处理器并且可操作地检测用户的一个或多个生物学指标。可穿戴设备还可以包括存储器，该存储器可操作地存储指令以使可穿戴设备执行以下一项或多项：获得用户的至少一种生物学指标、将用户的生物学指标与检测到的一个或多个动作信号相关联、并基于检测到的动作信号和/或至少一个生物学指标之间的相关性确定检测到饮用事件。

在另一个示例中，移动设备可以与可穿戴设备耦合并且可以包括处理器。该移动设备还可以包括显示器，该显示器耦合到处理器并且可操作地显示从处理器接收的数据。该移动设备还可以包括存储器，该存储器耦合到处理器并且可操作地存储指令以使处理器执行以下一项或多项：从可穿戴设备获取用户的一个或多个生物学指标中的至少一个、将用户的至少一个生物学指标与检测到的一个或多个动作信号相关联、并基于检测到的一个或多个动作信号与/或至少一个生物学指标之间的相关性确定检测到饮用事件。

图1A示出了根据本公开的可穿戴设备122的示例。可穿戴设备122可以包括发射器126、组件处理器128、一个或多个生物传感器124、显示器177和输入设备179、存储器186和/或一个或多个附加传感器132。可穿戴设备122可以包括和/或耦合到至少一个外部传感器组件，该外部传感器组件可以是以下一项或多项：体重计、水瓶、葡萄糖测量系统、血压监测器、脉搏血氧仪、呼吸频率监测器、组织血氧仪、呼吸器、心电图监测器等。还可以使可穿戴设备122能够与其他设备无线通信。

一个或多个生物传感器124可以耦合到组件处理器128，并且可操作地检测用户208的生物学指标206。发射器126可操作地将检测到的生物学指标206发送到移动设备100的至少一个通信组件118、远程计算机168和/或另一个外部设备。生物传感器124可包括以下一个或多个：可操作地测量用户208的皮肤温度和/或周围环境温度的温度计组件144、可操作地监测构成用户208的组织的发色团的近红外光谱仪(NIRS)146、生物阻抗监测器148、光电容积描记(PPG)监测器150、心率监测器152、环境光传感器154、大气压传感器156、高度传感器158、相对湿度传感器160、体重计162、麦克风164、定位传感器166、时钟178、事件标记器180、紫外线(UV)传感器182和/或照相机184。此外，一个或多个生物传感器可操作地检测一个或多个生物学指标，生物学指标可包括心率、心率变异性、血压、呼吸率、血氧饱和度水平、肌肉氧合水平、皮肤温度、皮肤灌注(skin perfusion)、皮肤阻抗、皮肤电反应、血压、组织灌注、血流量、血液量、细胞外液、组织水合、组织水合变化、细胞内液、光电容积描记器、与饮用事件相关的图像、视频和/或声音。例如，可以处理PPG监测器的信号以测量血氧饱和度、心率、心率变异性、血压和/或呼吸率。这样，PPG监测器可以具有多个单独的传感器的功能，并且设备122可以更紧凑。

附加传感器132包括一个或多个动作传感器133。动作传感器133可以包括惯性动作单元(IMU)134、加速计136、陀螺仪138和/或磁力计140。附加传感器132还可以包括全球定位系统组件142以协助确定用户的物理位置。

图1B示出了根据本公开的移动设备100的示例。移动设备100包括显示器102、处理器104、输入单元106、至少一个传感器108、至少一个通信组件118和/或存储器120。至少一个传感器108可用于检测移动设备100的动作。至少一个传感器108可以是陀螺仪110、加速计112、磁力计114和/或全球定位系统组件116。至少一个通信组件118可用于接收和/或发送来自可穿戴设备122和/或远程计算机168的数据。处理器104耦合到至少一个传感器108和/或至少一个通信组件118。

图1C示出了远程计算机168的示例。远程计算机168可以包括以下中的一个或多个：一个或多个处理器170、一个或多个存储设备172、一个或多个存储器174或一个或多个外部输入/输出(IO)接口176。远程计算机168可以是图2所示的基于云的计算机系统212或图1D所示的云存储和数据处理系统105。

图1D是根据本公开的示例可穿戴设备系统101的示意图。可穿戴设备系统101可以包括移动设备100、可穿戴设备122和/或云存储和数据处理系统105。在至少一个示例中，云存储和数据处理系统105可以包括关于图1C中的远程计算机168描述的一个或多个组件。此外，互联网143可操作地允许移动设备100、可穿戴设备122和/或云存储和数据处理系统105之间的通信。可穿戴设备122可包括以下一项或多项：可操作地与存储器109通信的处理器107、一个或多个传感器111、一个或多个算法113、互联网通信117和/或无线发射器和接收器119。

互联网143指的是因特网、内联网和/或另一有线或无线通信网络。例如，互联网143可以包括移动通信(GSM)网络、码分多址(CDMA)网络、第三代合作伙伴计划(GPP)网络、互联网协议(IP)网络、无线应用协议(WAP)网络、WiFi网络、卫星通信网络和/或IEEE802.11标准网络及其各种通信。也可以使用其他常规的和/或以后开发的有线和/或无线网络。

在一个示例中，一个或多个传感器111从用户208收集数据，并且处理器107处理该数据并且向用户208发送至少一个通知115。可以经由一个或多个显示、灯光、声音、振动和/或蜂鸣将至少一个通知115提供给用户208。至少一个通知115还可与实现一个或多个预定目标相关联，其中该一个或多个预定目标是健康或保健。在一个示例中，预定目标可以是通过保持一定的水合作用来改善健康状况，从而改善用户的整体健康状况。在另一个示例中，预定目标可以是将水分保持在净水合平衡的允许范围内，从而防止与脱水有关的疾病状态。在其他示例中，预定目标可以包括一个或多个目标，其可以与饮食和/或动作有关。在其他示例中，预定目标可以包括皮肤美容和/或心理警觉目标。在其他示例中，预定目标可以包括动作表现目标，例如为给定动作项目做准备而预先补水。

移动设备100包括可操作地与存储器125、无线发射器和接收器121、元数据129、一个或多个传感器131、以及互联网通信123中的一个或多个通信的移动应用127。在一个示例中，移动设备100由移动应用127控制，该移动应用127从一个或多个传感器131收集附加数据，并且还收集元数据129。元数据129例如可以是选自用户的日历、联系人和/或地理位置中的一个或多个。

云存储和数据处理系统105可以包括一个或多个后端算法141，其可操作地与长期用户数据库135、一个或多个外部数据库139和/或互联网通信137进行通信。云存储和数据处理系统105能够将长期用户数据存储到长期用户数据库135中和/或执行更复杂的后端算法141。这些后端算法141还得益于源自类似于特定用户的其他用户的获得的长期数据。从后端算法141派生的信息通过移动应用127提供给用户208和/或直接提供给可穿戴设备122。

移动设备100、一个或多个可穿戴设备122、远程计算机168、基于云的计算机系统212和/或存储设备214的存储器可以包括易失性和/或非易失性存储器，例如，诸如缓存的计算机可读存储介质、随机存取存储器(RAM)、只读存储器(ROM)、闪存和/或其他存储器以存储数据和/或计算机可读的可执行指令，诸如饮用检测应用702的一部分和/或组成部分。

此外，移动设备100、一个或多个可穿戴设备122、远程计算机168、基于云的计算机系统212和/或存储设备214的存储器可以是易失性介质、非易失性介质、可移动介质、固定介质、和/或可被通用和/或专用计算设备访问的其他介质。例如，存储部分508可以包括非暂时性计算机存储介质和/或通信介质。非暂时性计算机存储介质还可以包括在用于存储(和检索)信息(诸如计算机/机器可读/可执行指令、数据和/或数据结构、引擎、程序模块和/或其他数据)的方法和/或技术中实施的易失性、非易失性、可移动和/或不可移动介质。通信介质可以例如包括计算机/机器可读/可执行的数据结构、程序模块、算法和/或其他数据。通信介质还可以包括信息传递技术。通信介质可以包括有线和/或无线连接和/或技术，并且可以用于发送和/或接收有线和/或无线通信。

图2示出了示例性移动设备系统200。移动设备系统200可以包括移动设备100、一个或多个可穿戴设备122、远程计算机168、基于云的计算机系统212和/或存储设备214。组件可以如所示的箭头所示彼此通信。例如，移动设备100可以与基于云的计算机系统212、远程计算机168和/或一个或多个可穿戴设备122中的一个或多个通信。

在根据本公开的一个示例中，一个或多个可穿戴设备122可以是可操作地穿戴在用户208的手腕上的腕部设备210的形式。腕部设备210还可以包括附加的传感器132(在图1A中示出)以测量手腕的动作和/或记录对应于所测量动作的动作信号。

动作传感器133向可穿戴设备122提供一组动作信号，该动作信号指示出穿戴可穿戴设备122的肢体(通常是腕部)的位置和/或动作。然后，例如通过IMU和/或通过处理器来处理动作信号，以产生指示重要动作的新信号。例如，动作信号可以包括在IMU中存在的加速计的x、y和/或z轴上测得的加速度的平方和。一旦检测到动作信号高于某个阈值水平(例如，比用户休息时检测到的动作水平高至少1.5倍)，可穿戴设备122就处理其他信号，例如由动作传感器133提供的附加x、y和/或z加速度，以识别用户进行的动作。

饮用动作通常包括用户将他/她的优势手臂移向他们的嘴。为了避免将饮用动作与其他类似动作混淆，可以通过让大量用户在大量试验中执行类似动作来创建动作库。在给定的时间点和给定的持续时间上标记并识别出这些动作代表什么动作。因此，可以使用机器学习分类算法(例如k最近邻算法、支持向量机、决策树、时延神经网络、线性和/或二次判别分析)来区分真实的饮用动作与其他(非积极)动作。可以将所得到的分类器算法及其相关参数加载到可穿戴设备存储器186上，并且只要检测到明显动作，就由处理器128执行该算法，从而产生指示饮用动作的新信号。

在各种实施例中，用于检测饮用的方法使用从动作传感器和/或光学传感器(例如但不限于动作传感器133和PPG传感器150)分别获取的数据。

在至少一个示例中，检测到的动作信号随后可以被发送到移动设备100和/或远程计算机168。腕部设备210还可以可操作地经由有线和/或无线通信连接与移动设备100和/或其他连接的设备通信。例如，腕部设备210可以与由图2中的箭头指示的移动设备100、远程计算机168和/或基于云的计算机系统212无线通信。在另一示例中，腕部设备210可以经由有线连接与移动设备100、远程计算机168和/或基于云的计算机系统212通信。腕部设备210可以完全自给自足。在其他示例中，腕部设备210可以不与互联网和/或移动设备100连接。传输到基于云的计算机系统212和/或其他长期存储设备的数据可以存储以供将来使用和/或被处理以提供对用户208有用的信息。

移动设备100的存储器120可用于存储另外的指令，以使移动设备100向用户208显示关于下一个饮用事件的建议，该饮用事件包括输入活动、输入时间和/或输入持续时间。在至少一个示例中，可穿戴设备122可以在不存在移动设备100的情况下显示信息。例如，移动设备100和/或可穿戴设备122可以在用户208跑步时显示在约五分钟后饮用两盎司水的指令。此外，移动设备100的存储器120可以使移动设备100在移动设备的显示器上显示确定的饮用事件，并接收所显示的饮用事件的确认和/或修改。而且，显示器102可以显示从远程计算机168、基于云的计算机系统212和/或一个或多个可穿戴设备122接收的数据。

显示器102还可以显示包括以下一项或多项的输出事件：输出活动、输出时间和/或输出持续时间。输出事件可能是出汗、排尿、排便、排泄、咳嗽、打喷嚏、呕吐、失血、血浆流失、腹水液流失、体液重新分布、腹泻、体温下降、温度变化、无意识的体液流失、脂肪流失、肌肉流失、骨质流失、卡路里燃烧、睡眠丧失、注意力丧失、警觉性丧失、大吼大叫和/或哭泣(情绪低落等指标)。

此外，可以显示输入和/或输出的净余额。输入事件和/或输出事件的净余额的长期监控可以由移动设备100和/或可穿戴设备122使用，以向用户208提供有关其健康、保健和/或美容外观的相关信息。有益信息包括水合平衡。例如，移动设备100和/或可穿戴设备122可以使用感测到的饮用事件和/或流体摄入的估计值来通知用户继续饮用流体。

例如，如图3A-图3C所示，三个曲线图300、302、303示出了加速计的x、y和z轴，表明加速度计数据可用于检测饮用事件。在图3A-图3C所示的示例中，监测了三个不同受试者的手腕的加速度，同时受试者摄入了二十种不同剂量的电解质溶液，每次的体积从0.5到4盎司不等，显示了饮用动作之间的高度可重复性，从而证明可以使用由腕部动作传感器133测量的加速度可以有效地识别饮用动作。

在至少一个示例中，在饮用事件中，用户的手移动的速度可能因人而异，甚至同一个人也可能存在很大差异。为了确保在大多数情况下以类似的方式表示饮用动作，可以使用诸如动态时间规整、动态平铺和/或零填充后的快速傅立叶变换的技术对加速度数据进行分段和/或预处理。图4示出了动态时间规整的示例，该动态时间规整用于通过匹配虚线的406所示的信号的两个版本中共有的特征来将输入信号402映射到另一时间信号404。该公共映射允许将转换后的信号与代表饮用动作的信号库中可用的其他信号进行直接比较。

此外，可以使用对时间变化敏感的自适应算法、例如时间延迟和/或有限脉冲响应(FIR)神经网络和/或长短期记忆网络(LSTMN)算法来处理动作信号。每次用户重新穿戴可穿戴设备时，可穿戴设备122都可以位于稍有不同的位置。类似地，不同的用户可以以略有不同的方式饮用。因此，可以采用自适应信号处理方法来针对用户之间和/或每次穿戴之间的变化进行调整。例如，旋转矩阵可用于重新定向可穿戴设备122，无论可穿戴设备122的穿戴方向如何。

饮用和/或非饮用活动的类别也可以使用算法、例如正常活动识别、活动阈值和/或k近邻算法来区分。例如，在正常活动识别中，可以通过首先计算表面法线，然后将表面法线向量的时间变化与存储在本地库中的预训练活动的时间变化进行比较，来识别特定活动。在k近邻分类方法中，可以为输入样本点分配k个最接近的先前分类点集的类别标签。例如，使用近邻算法，可以将饮用事件与非饮用事件区分开，其准确度高于92％，灵敏度高于89％，特异性高于87％。

现在参考图5，示出了用于指示饮用事件的时间和/或量的生物信号的示例。在图5所示的例子中，在用户摄取六次大剂量电解质时，使用心率传感器152监控用户的心率：第一剂量502中的250ml和随后的五次剂量504、506、508、510、512的每一剂中的153ml(相当于每公斤体重14毫升)。虚线514标记每个饮用事件的开始。用户在每次饮用后不久都会心跳加速，并且心跳加速会持续大约饮用事件的持续时间。因此，在饮用事件期间，心率波动的幅度和/或持续时间(高于基线)均随所摄入的液体量而增加。在至少一个示例中，可以通过激增信号和/或基线信号之间的曲线下面积来估计摄入的液体的体积。

如图6所示，示出了如何使用饮用检测事件来帮助确定用户的水合状态的示例。图6中所示的图表600描绘了马尔可夫决策过程，其中当前状态独立于过去状态。解决马尔可夫决策过程的方法包括动态贝叶斯网络和最大似然估计。还可以包括期望最大化算法，例如Baldi-Chauvin算法和/或Markov链蒙特卡洛算法，以及在线学习算法，例如Baum-Welch算法、贝叶斯(Bayesian)在线算法和/或均值后验近似算法。同样，用户的当前状态不能被先验地知道，而只能从对其行为的观察中推断出来，这被称为“隐马尔可夫模型”，并且也可以通过上面列出的算法进行修改或不修改来解决。

在图6中所示的示例图表600中，一组可能的用户状态包括以圆圈表示的饱和620、水合614、脱水608和非常脱水602。每个用户状态都可以与一定范围的水合水平相关。对于每个用户状态，存在两个可能的用户动作的集合，例如饮用624、618、612、606和没有饮用622、616、610、604，它们由矩形表示。一旦用户采取了给定的行动，箭头就会显示可能的未来状态，其中实线箭头表示的转变概率要高于虚线箭头的概率，而虚线箭头的转变概率要高于点划线箭头的转变概率。例如，当用户状态为非常脱水602时，用户没有饮用604，并且用户非常脱水602的可能性很高。用户也可以饮用606，并且用户转变为脱水608或保持非常脱水602的可能性很高。用户转变为水合614的可能性是中等的，并且用户转变为饱和的可能性是低的。注意，出于示例性目的，仅示出了与非常脱水状态602相关联的饮用动作606和不饮用动作604相关联的转变概率箭头，以及与饱和状态620相关的饮用动作624和不饮用动作622相关联的转变概率箭头。与所有动作、所有状态关联的所有其他转变概率箭头的确存在，但为清楚起见从图600中省略。

可以单独或组合使用至少一个传感器108和/或生物传感器124。例如，移动设备100可以从IMU 134获得数据，其中一个或多个饮用事件的确定是基于从IMU 134获得的关于时间和/或心率的数据。在至少一个示例中，从IMU 134检测到的心率峰值和/或动作的时间可以指示饮用事件的开始。此外，预定的动作(例如返回到输入事件开始之前的位置)例如可以指示饮用事件的结束。

在根据本公开的至少一个示例中，移动设备100可操作地确定用户208的习惯并做出关于习惯改变的建议。移动设备100包括一个或多个内部传感器108，内部传感器108可操作地检测移动设备100的动作和/或设备的位置中的至少一项。移动设备100还包括耦合至一个或多个内部传感器108的处理器104和/或耦合至处理器104并且可操作地显示从处理器104接收的数据314的显示器102。通信组件118耦合至处理器10并且可操作地从以下几者中至少之一接收数据314：远程计算机168或可操作以检测生物学指标206的一个或多个外部传感器组件122。移动设备100还包括耦合到处理器104并且可操作地存储指令以使处理器执行记录输入事件的过程的存储器120。在至少一个示例中，可穿戴设备122可操作以确定用户208的习惯并做出关于习惯改变的建议320，而无需使用移动设备100和/或远程计算机168。

在根据本公开的至少一个示例中，移动设备系统200可用于为用户208提供关于输入的推荐，包括移动设备100和/或外部传感器122中的一个或多个。移动设备100包括：至少一个传感器108，其可操作地检测移动设备100的动作；和/或至少一个通信组件118，其可操作地从一个或多个外部传感器部件122或远程计算机168接收数据314。移动设备100还包括耦合到至少一个传感器108和/或至少一个通信组件118的处理器104。移动设备系统200还可以包括以下一项或多项：具有组件处理器128的外部传感器组件122；耦合到组件处理器128并且可操作地检测用户208的生物学指标206的生物传感器124；和/或可操作地将检测到的生物学指标206发送到移动设备100的至少一个通信组件118的发射器126。远程计算机168包括处理器170和/或存储器174，存储器174可操作地存储指令以执行记录输入事件的过程。

图7示出了可由计算设备(例如，根据各种实施例的可穿戴设备122、移动设备100、远程计算机168和/或云存储和数据处理系统105)的处理器读取和/或执行的计算机可读介质(CRM)700的框图。CRM 700还可以存储在计算设备的存储器中，并且可以包含饮用检测应用程序702、其他用户界面和/或应用程序。计算机可读介质可以包括易失性介质、非易失性介质、可移动介质、不可移动介质和/或计算设备的相应处理器可以访问的另一种可用介质。作为示例而非限制，计算机可读介质包括计算机存储介质和/或通信介质。计算机存储介质包括在用于存储信息(诸如为计算机/机器可读/可执行指令、数据结构、程序模块或其他数据。通信介质可以体现为计算机/机器可读/可执行指令、数据结构、程序模块或其他数据)的方法和/或技术来实现的非暂时性存储存储器、易失性介质、非易失性介质、可移动介质和/或不可移动介质。通信介质可以包括计算机/机器可读/可执行指令，数据结构，程序模块或其他数据并且包括信息传递介质和/或系统，两者均为硬件。

远程计算机168可以是笔记本电脑、智能电话、个人数字助理、平板计算机、标准个人计算机和/或另一处理设备。远程计算机168可以包括用于显示数据和/或图形用户界面的显示器177，例如计算机显示器。每个计算设备122、100、168和/或105还可以包括输入设备179，例如照相机、键盘和/或指向设备(例如，鼠标、轨迹球、笔和/或触摸屏)以将数据输入图形用户界面和/或其他类型的用户界面和/或与图形用户界面和/或其他类型的用户界面交互。在示例性实施例中，显示器177和/或输入设备179可以结合在一起作为智能电话和/或平板计算机的触摸屏。

此外，至少可穿戴设备122可以在显示器177上显示图形用户界面(或GUI)应用程序，以在显示器上生成图形用户界面。图形用户界面可以由饮用检测应用702的一个或多个模块生成。图形用户界面确保至少一个移动设备100和/或用户佩戴的设备122的用户能够与饮用检测应用702交互。

饮用检测应用702可以是可由至少一个客户端计算设备104和/或车载计算设备105和/或至少一个服务器计算设备102执行的应用和/或服务的组件。例如，饮用检测应用702可以是可部署可执行代码的单个单元和/或可部署可执行代码的多个单元。根据一方面，饮用检测应用702可包括可以是从数字分发应用平台下载的网络应用、本地应用和/或移动应用(例如，app)的组件，数字分发应用平台(包括App Store和/或

等)允许用户浏览和/或下载通过移动软件开发套件(SDK)开发的应用程序。

如图7所示，饮用检测应用702可以包括可由移动设备104、可穿戴设备107和/或远程计算设备168中的至少一者的至少一个处理器104、107、128和/或170执行的多个模块。这些模块包括但不限于饮用动作提取模块704、心肺模块706、活动情境模块708、情境阈值模块710和/或用户输出模块712。尽管出于说明的目的标识为单独的模块，模块704-712的功能可以与其他模块的功能组合和/或重叠。另外，模块704-712可以位于单个CRM 214上和/或分布在多个计算设备上的多个计算机可读介质上。

在各个方面，模块704-712可以驻留在系统200的一个或多个计算设备上和/或在系统200的一个或多个计算设备上执行。例如，在一个实施例中，所有数据处理和/或分析都发生在可穿戴设备122上。

在另一个示例中，大多数但不是全部数据处理和/或分析发生在可穿戴122设备上。在此示例中，在可穿戴设备上执行针对小样本集(例如，仅最新的数据测量

1000个数据测量或更少)的处理和/或分析。可以在功能更强大的计算设备上执行较大数据集的分析。这样，可穿戴设备122所需的存储器和/或处理能力有限。

在另一示例中，在可穿戴设备122上几乎没有处理或没有处理。由可穿戴设备122上的传感器132和/或134捕获的数据流传输到移动设备100。在多个方面，数据处理和/或分析发生在移动设备100、远程计算机168和/或云处理系统105上。

饮用动作提取模块704接收和/或处理由传感器132的一个或多个加速计捕获的动作数据。通过动态时间规整从饮用动作数据中识别出疑似的饮用动作。特别地，饮用动作提取模块704使用机器学习技术。一方面，使用包括已知的饮用和/或吮吸动作、经常与饮用动作相混淆的已知动作(例如，梳理头发，用垂直手柄打开门)和/或已知的非饮用动作的数据来训练模块704。

动作检测算法是动态时间规整(DTW)算法和/或分类算法的时间序列版本的组合。这些可以包括但不限于线性判别分析(LDA)、二次判别分析(QDA)和/或支持向量机(SVM)。饮用动作提取模块704在情境阈值模块710处生成用于后续分析的专用信号。

为了以更高的准确性确定发生了饮用事件，可穿戴设备122可以将来自生物传感器124的生物学指标与来自动作传感器133的动作信号相关联。这样，饮用检测应用702还包括接收例如心率(HR)、心跳间隔(IBI)、呼吸频率(BR)和肺呼吸间隔(ibi)的心肺数据和/或例如咳嗽和/或打喷嚏的其他动态肺动作的心肺模块706。在多个方面，数据信号源自PPG数据和IMU数据的时频分析。

心肺模块706生成信号以突出已知的吞咽和吮吸信号，这些信号可以源自心率和呼吸。所识别的事件还包括吞咽和/或啜饮动作、吸管吸吮和咽动作，这些动作改变了系统用户的呼吸动作。

容易理解，用户的呼吸速率经历周期性的吸气/呼气周期。因此，可以通过心肺模块706来识别中断这些周期的饮用事件。一方面，心肺模块706生成庞加莱图(Poincareplots)，庞加莱图示出了可以检测出心动周期和/或呼吸周期中的异常的心率变异性。特别地，尽管心脏(HRV)庞加莱图仅考虑RR间隔，但呼吸周期也包括呼气，需要三个维度来代表庞加莱图中的完整周期(沿ibi^t-1 _insp、ibi^t _exp和ibi^t _insp的维度)。

例如，用户停止呼吸以便饮用饮品。这样，生物学指标可以包括呼吸速率和/或呼吸暂停。另外，为了补偿由于用户停止呼吸而引起的动脉血氧合的瞬时损失，用户的循环系统通过增加血流量和/或通过增加心率来增加氧气的输送。这样，心率变异性(HRV)也会增加，而用户的呼吸率会降低。因此，生物学指标可包括心率激增和/或HRV变化。

饮用可能不是导致心率在一段时间内发生变化的唯一动作。这段时间可以是例如3秒、10秒或30秒。心率变化也可能由需要通过改变血容量进行补偿的其他动作引起。例如，当一个人突然站起来时，他们的心率通常会增加，以确保在更高的海拔高度对他们的头部进行适当的氧合作用。这样，可穿戴设备122可以利用指示饮用事件的附加生物学指标。例如，温度计组件144可以提供生物学指标，其可以包括皮肤和/或核心温度(Coretemperature)的变化、皮肤和/或核心温度相对于环境温度的变化，这是由于饮用倾向于处于与环境温度相比的不同温度。例如，当环境温度很高时，饮用倾向于是冷的，反之亦然。另一个生物学指标可以是皮肤灌注的增加。皮肤通常用作储水器。这样，当用户脱水时，他们的外周血管会收缩，导致皮肤和/或四肢的灌注减少。相反，当用户饮用饮品和/或补水时，灌注会增加。这样，近红外光谱仪146可以测量组织水合和/或组织灌注，并且当测量组织灌注的增加时，可穿戴设备122可以确定检测到饮用事件。可以用于检测饮用事件的生物学指标的其他示例包括与饮用相关的声音和/或图像，可以通过嵌入在可穿戴设备122和/或移动设备100上的麦克风、静态和/或视频摄像机捕获这些声音和/或图像。

饮用还可以增加血浆量以及细胞内液和细胞外液之间的平衡，并且比率的变化(例如组织水合作用变化)可以使用生物阻抗监测器148进行测量。在吸水事件中，通常首先口服摄入水，随后水被消化道吸收，在此处水被转移到血浆中。水从血浆中分布到整个人体，到达小动脉和/或毛细血管，在此水变成细胞外液，然后被人体中的细胞渗透吸收，从而变成细胞内液。细胞膜含有脂肪组织，因此对电流具有高度的抵抗力，而液体具有高传导性。因此，测量人体的生物阻抗为人们提供了细胞内液与细胞外液含量之比的估算值，从而为我们提供了用户体内液体流动的估算值。生物阻抗监测器148可以测量生物学指标，包括皮肤电反应、皮肤电阻、皮肤电导、皮电反应、心理电反射、皮肤电导反应、交感性皮肤反应、皮肤电导水平和/或皮肤电活动。

饮用检测应用702还包括活动情境模块708，该活动情境模块708从动作传感器133接收数据/信号和/或从生物传感器124接收生理信号。一方面，活动情境模块708处理所接收的数据以进一步确定进行测量的条件。例如，当用户在睡觉时，饮用饮品的可能性较小。相反，在锻炼期间，检测到饮用动作的可能性增加。在其他方面，活动情境模块708使用接收到的数据测量值来确定用户何时可能坐、走或锻炼、骑乘车等。另一方面，活动情境模块可以访问从相关人口统计和/或地理位置中的大量主题构建的模式共识集合。类似地，情境数据对于用户可以是自适应的和/或个性化的。例如，饮用的类型和/或环境可以是个性化的，诸如指示出用户总是在用餐时间落座时总是用吸管饮用饮品/或仅饮用饮品。

饮用检测应用702还包括情境阈值模块710，其基于饮用动作提取模块704、心肺模块706和/或活动情境模块708的输出来改变用于确认或拒绝疑似的饮用动作的阈值。

一方面，动作、心率和/或呼吸率的测量值和/或测量值的变化可以独立地发出存在饮用的信号。例如，如果该设备未戴在正在拿水喝的手上，那么我们希望看到HR/BR调制没有动作。类似地，如果在饮用时发生其他生理事件，我们可以看到动作而没有强烈的HR/BR调节。因此，这些方法中的每一种都有与之关联的阈值(即动作阈值(Tm)和HR/BR阈值(To))。

在多个方面，阈值可以在情境上被调整和/或改变以更好地考虑饮用动作将发生的可能性。例如，如果最近已经检测到饮用，则可以降低饮用检测阈值，从而增加将时间上接近的饮用动作分类为实际饮用动作的可能性。相反，使睡眠期间的阈值提高，从而降低了将潜在的饮用动作归为实际饮用动作的可能性。

如所描述的，情境线索和/或用户活动可以基于所收集的测量的质量和/或在每个活动期间饮用的概率来调制阈值水平。例如，当用户正坐着时，测量可以更精确和/或具有更高质量。可替代地，当用户锻炼时，测量可能不那么准确和/或质量较低。可以基于交叉模态确认来进一步调制或设置阈值。例如，交叉模态确认是指基于动作的检测和基于心肺的检测两者的阈值的组合使用，以接受或标记饮用，否则与动作阈值或心肺阈值单独相比较时该饮用可以被拒绝。一方面，交叉模态确认可以导致不满足基于动作的检测并且不满足基于心肺的检测的的阈值标准的饮用的接受或标记。在此方面，当基于心肺的检测阈值在围绕但仍低于基于动作的阈值的区域中时，可以降低基于动作的检测阈值。类似地，可以基于心肺阈值与基于动作的阈值的接近度来降低心肺阈值。

除了检测饮用事件之外，饮用检测应用702还可以配置为估算与每次饮品一起摄入的液体的体积。根据一方面，可以使用饮用的动作动力学以及心肺特性来估计每小口、每大口和/或每次饮用的体积。饮用饮品的数量和/或估算的总体积可以被存储和/或呈现给用户。

另外，为了改善对饮用事件的检测，可穿戴设备122和/或移动设备100可以访问用户的日历和/或社交媒体帐户上的特定事件，以帮助确定用户是否正在饮用饮品。在给定时间的事件，例如，对诸如“午餐”、“晚餐”和“早餐”之类的词的提及与饮用的可能性更高，而诸如“奔跑”、“锻炼”和“旋转训练”的词则与由于增加的生理活动而导致水合作用量减少(由于排汗和/或呼吸速率增加而导致液体损失增加)的输出事件的关联性更高。可穿戴设备122和/或移动设备100还可以使用用户的联系人和/或日历事件中的一个或多个来确定用户是否处于某个位置和/或与其一起经历饮用事件的一个或多个与用户的存在。

另外，可穿戴设备122和/或移动设备100可以使用用户的物理位置来协助估计用户是否可能经历输入或输出事件。例如，当用户在餐馆、酒吧、咖啡馆和/或自助餐厅中时，用户饮用的可能性较高。物理位置的指示符还可以包括例如由环境光传感器154测量的环境光和/或紫外光(UV)照射检测器，以指示用户是在室内还是室外。物理位置指示符的其他示例可以包括用户定期访问并存储在存储器186中的先前位置的知识，使用高度传感器158、大气压传感器156和/或相对湿度传感器160检测器来确定用户是否在室内或在室外和/或在给定建筑物的哪个楼层，并且由摄像机184捕获图像和/或视频。可穿戴设备122和/或移动设备100还可以向用户208发送一个或多个通知133。还可以通过显示器、光、声音、振动和/或蜂鸣器中的一个或多个向用户208提供通知133。

饮用检测应用702还包括用户输出模块712。用户输出模块712可以向用户提供应该饮用饮品的指示。输出模块712还可以生成显示，例如如图8所示的显示800的一个实施例。如图所示，显示800包括图形和/或图表，以示出相对于最佳饮用数量摄取的饮用数量。在其他方面，该图形可以是线性的、弯曲的(类似圆环)和/或某些其他表现形式。举例来说，该图形可以包括显示多个水杯、相对于已经摄取的饮品填充的大容量容器、和/或当用户饮用时生长和/或挺直的植物。一方面，总刻度可以代表饮用的总数和/或期望的液体总体积，并且每次饮用可以填充图的一部分。

可由用户输出模块712生成的显示900的另一实施例在图9中示出。在该显示中，可以显示用户的历史水合作用和/或口渴水平随时间的变化。如图所示，用户的水合和/或口渴水平随时间变化。水合和/或口渴水平可基于流汗期间流失的液体而降低，或者可响应于用户饮用而增加。

在其他方面，用户输出模块712可以计量显示的输出，从而允许显示一次饮用和/或每单位时间饮用的预定体积液体，以鼓励系统的用户在多次饮用之间相隔一定时间。类似地，用户输出模块712可以提供饮用事件和/或水合水平的直接反馈。例如，当满足小时、天、周或其他时间段的目标量时，用户输出模块712可以在可穿戴设备122和/或移动设备100上启动振动通知、可听音和/或照明信号。

一方面，用户输出模块712适于录入或记录和/或指示每次饮用的时间和/或量。输出模块712还可从用户接收输入，以通过添加或拒绝记数的饮用和/或调整计算出的用户饮用液体量来编辑饮用日志。

图10为详细示出使用来自根据本发明构思的至少一个实例的动作传感器和/或光学传感器的饮用检测方法的框图。方法1000可以使用多种基于机器学习的模式分类处理来区分物理饮用动作和饮用呼吸模式，两者都可以被识别为饮用。如图所示，关于相对于图1-图9所描述的系统、设备和应用程序来描述和实施方法1000。尽管相关于框1002-1016示出和描述了方法1000，实施任何数量的框、包括省略方法1000的一个或多个框或包括没有相关于方法1000特定描述的另外的框也在本公开的范围之内。此外，虽然按顺序地描述了这些框，但是不暗示也不要求特定的顺序。方法1000可以在框1002处开始。

根据一方面，在框1002处，动作数据和/或心肺数据被传感器诸如133和/或124捕获。在框1004处，在饮用动作提取模块704处做出确定以确定是否基于捕获的动作数据来检测实际的用户动作。如果确定是肯定的，则在框1006由饮用动作提取模块执行进一步的分析以确定在框1008处识别的动作是否是饮用动作。如果在框1008将动作识别为饮用动作，则在1010检测到饮用并向用户报告该信号。如1016所示，无论检测到动作与否，该方法都返回到框1002以连续监控传感器133和/或124。

现在回到框1004，如果在饮用动作提取模块704处没有检测到清楚的动作，则在框1012处在心肺模块706进一步处理数据。在心肺模块处，在框1014处计算呼吸间隔(IBI)并将其用于基于机器学习的模式分类分析中以确定该模式是否为饮用。如果该模式未被标识为饮用，则该方法返回(如1016所示)至框1002，在框1002处，动作传感器和/或光学传感器连续收集动作和/或心肺数据。相反，如果该动作被识别为饮用，则在框1010处标记饮用并将其报告给用户。

在各种实施例中，在框1008和/或框1014处执行的饮用检测确定还包括还由传感器133和/或124收集的情境数据。特别地，在活动情境模块708和/或情境阈值模块710处处理情境数据，以生成或修改可以用于辅助检测实际饮用动作的情境阈值。

图11为详细示出根据本发明构思的至少一个实例的用于情境饮用检测的方法的框图。关于相对于图1-图10所描述的系统、设备和应用来描述和实施方法1100。一方面，通过执行图7的情境阈值模块710在处理器处来执行方法1100。尽管相关于框1102-1118示出和描述了方法1100，实施任何数量的框、包括省略方法1100的一个或多个框或包括没有相关于方法1100特定描述的另外的框也在本公开的范围之内。此外，虽然按顺序地描述了这些框，但是不暗示也不要求特定的顺序。方法1100可以在框1102处开始。

在框1102处，做出第一确定来判断系统用户是否正在睡眠。如果活动情境模块708的输出指示出用户正在睡觉，则情境阈值模块710增加阈值，从而在框1104处大多数动作被分类为非饮用动作。相反，如果活动情境模块708指示出如果用户没有睡觉，则在框1106处情境阈值模块710通过函数P(Drink|IMU)>T_m，针对动作阈值(T_m)处理输入数据。如前所述，阈值T_m变化并且可以取决于活动情境模块708的输出而升高或降低。在多个方面，基线阈值源自根据先前收集的数据汇编而成的基于人口和/或人口统计学的模型得出。在多个方面，还可以从先前的用户数据和/或来自最像当前用户的其他用户的数据中收集数据。

如果确定的动作大于T_m，则在框1108处标记饮用动作。相反，如果动作小于T_m，则该方法进行到框1110，在框1110，进一步分析动作以确定接收到的数据是否与已知的非饮用动作相关。如果动作与非饮用动作相关，则在框1112将接收到的数据分类为非饮用。然而，如果接收到的数据与已知的非饮用动作不相关，则过程进行到框1114，在框1114处，情境阈值模块710还处理与心肺功能有关的数据。特别地，情境阈值模块710还通过以下函数针对HR/BR阈值(T_o)处理心肺数据：P(Drink|HR/BR)＞T_o。如前所述，阈值T_o根据活动情境模块708的输出而变化并且可以升高或降低。使用从活动情境模块708接收的动作数据、心肺数据和/或活动情境数据，情境阈值模块710分别如框1116和框1118所示做出最终的饮用或非饮用确定，其被存储在数据库和/或云存储214中并且可以被提供给用户。

本文提供了许多示例以增强对本公开的理解。提供了一组特定的声明(statements)，如下所示。

声明1：一种用于穿戴一个或多个可穿戴传感器的用户的情境饮用检测的系统，该系统包括：存储器；以及至少一个处理器，用于：从一个或多个可穿戴传感器接收数据；确定接收到的数据是否包括动作数据或生物学数据；其中，当接收到的数据包括动作数据时，处理器用于进行以下操作:将动作数据分类为预定动作模式；确定分类的预定动作模式是否对应于饮用；其中，当分类的预定动作模式被识别为饮用时，处理器对饮用进行标记，向穿戴有可穿戴式传感器的用户的计算设备发送通知，并轮询可穿戴式传感器以获取附加数据；并且其中，当分类的预定动作模式没有被识别为饮用时，处理器轮询可穿戴式传感器以获取附加数据；并且其中，当接收到的数据包括生物学数据时，处理器用于进行以下操作：确定用户的呼吸频率、心率或心率变异性中的至少一项；确定用户的至少一个呼吸频率、心率或心率变异性是否与饮用相对应；其中，当用户的至少一个呼吸频率、心率或心率变异性与饮用相对应时，处理器标记饮用，将通知发送给穿戴有可穿戴式传感器的用户的计算设备，并轮询可穿戴式传感器以获取附加数据；并且其中，当用户的至少一个呼吸频率、心率或心率变异性不对应于饮用时，处理器轮询可穿戴式传感器以获取附加数据。

声明2：根据声明1所述的系统，其中，饮用动作的确定由情境数据通知，并且系统还包括：处理器，用于：接收情境数据；根据情境数据生成可变的情境阈值；其中当情境阈值低于基线值时，接收到的数据更有可能被识别为饮用动作；并且其中当情境阈值大于基线值时，接收到的数据不太可能被识别为饮用动作。

声明3：根据声明2的系统，还包括：处理器，用于：确定可穿戴式传感器的用户是否正在睡觉；以及并确定动作数据是否对应于已知的非饮用动作。

声明4：根据声明1-3中的任一项所述的系统，其中，使用动态时间规整对动作数据进行预处理。

声明5：根据声明1所述的系统，其中，一个或多个可穿戴式传感器包括至少一个动作传感器和一个或多个生物传感器。

声明6：根据声明5所述的系统，其中，至少一个动作传感器包括惯性动作单元、加速计、磁力计和陀螺仪中的至少一个。

声明7：根据声明5所述的系统，其中，一个或多个生物传感器包括光电容积描记术监测器，并且生物学数据包括以下几项中的至少一项：血氧饱和度数据、心率数据、心率变化数据、血压数据和呼吸频率数据。

声明8：根据声明1-7中的任一项所述的系统，其中，通过机器学习分类技术来处理动作数据和生物学数据中的至少一个。

声明9：根据声明1-7中的任一项所述的系统，其中，向用户发送的通知包括图形显示。

声明10：根据声明9所述的系统，其中，图形显示指示用户饮用的次数。

声明11：根据声明9所述的系统，其中，图形显示指示用户随时间的水合水平。

声明12：根据声明1所述的系统，其中，动作数据、生物学数据或这两者均用于识别饮用。

声明13：一种用于穿戴一个或多个可穿戴式传感器的用户的情境饮用检测的方法；该方法包括：通过至少一个处理器从一个或多个可穿戴式传感器接收数据；通过至少一个处理器确定所接收的数据是否包括动作数据或生物学数据；其中，当所接收的数据包括动作数据时，至少一个处理器将动作数据分类为预定动作模式；至少一个处理器确定分类的预定动作模式是否对应于饮用；其中，当至少一个处理器将分类的预定动作模式识别为饮用时，标记饮用，向穿戴有可穿戴式传感器的用户的计算设备发送通知，并轮询可穿戴式传感器以获得附加数据；并且其中，至少一个处理器没有将分类的预定动作模式识别为饮用时，轮询可穿戴式传感器以获取附加数据；并且其中，当接收到的数据包括生物学数据时，由至少一个处理器确定用户的呼吸频率、心率或心率变异性中的至少一项；由至少一个处理器确定呼吸速率、心率或心率变异性中的至少一项是否与饮用动作相对应；其中，当至少一个处理器确定用户的至少一个呼吸频率、心率或心率变异性与饮用相对应时，标记饮用，将通知发送给穿戴可穿戴传感器的用户的计算设备，并且轮询可穿戴式传感器以获取附加数据；并且其中，当至少一个处理器确定用户的至少一个呼吸频率、心率或心率变异性不对应于饮用时，轮询穿戴式传感器以获取附加数据。

声明14：根据声明13所述的方法，其中，饮用动作的确定是由情境数据通知的，该方法还包括：由至少一个处理器接收情境数据；以及由至少一个处理器基于情境数据生成可变的情境阈值；当情境阈值低于基线值时，至少一个处理器将接收到的数据识别为饮用动作；并且当情境阈值大于基线值时，至少一个处理器将接收到的数据识别为非饮用动作。

声明15：根据声明14所述的方法，还包括：由至少一个处理器确定可穿戴式传感器的用户是否正在睡觉；以及由至少一个处理器确定动作数据是否对应于已知的非饮用动作。

声明16：根据声明13-15中的任一项所述的方法，还包括：由至少一个处理器使用动态时间规整对动作数据进行预处理。

声明17：根据声明13所述的方法，其中，一个或多个可穿戴式传感器包括至少一个动作传感器和一个或多个生物传感器。

声明18：根据声明17所述的方法，其中，至少一个动作传感器包括惯性动作单元、加速计、磁力计和陀螺仪中的至少一个。

声明19：根据声明17所述的方法，其中，一个或多个生物传感器包括光电容积描记术监测器，并且生物学数据包括血氧饱和度数据、心率数据、心率变化数据、血压数据和呼吸频率数据。

声明20：根据声明13-19中的任一项所述的方法，还包括由至少一个处理器使用机器学习分类技术来处理动作数据和生物学数据中的至少一个。

声明21：根据声明13-19中的任一项所述的方法，其中，向用户发送的通知包括：由至少一个处理器生成的图形显示。

声明22：根据声明21所述的方法，其中，图形显示指示用户饮用的次数。

声明23：根据声明21所述的方法，其中，图形显示指示用户随时间的水合水平。

声明24：根据声明13所述的方法，其中，动作数据、生物学数据或这两者均用于识别饮用。

声明25：一种非暂时性计算机可读存储介质，其上存储有用于情境饮用检测的指令，该指令在由计算设备执行时使得该计算设备执行操作，该操作包括：从一个或多个可穿戴式传感器接收数据；确定接收到的数据是否包括动作数据或生物学数据；其中，当接收到的数据包括动作数据时:将动作数据分类为预定动作模式；确定分类的预定动作模式是否对应于饮用；其中，分类的预定动作模式被至少一个处理器识别为饮用时，标记饮用，将通知发送到穿戴可穿戴式传感器的用户的计算设备，并轮询可穿戴式传感器以获取附加数据；并且其中当至少一个处理器未将分类的预定动作模式识别为饮用时，轮询可穿戴式传感器以获取所述附加数据；并且其中当接收的数据包括生物学数据时:确定用户的呼吸频率、心率或心率变异性中的至少一项；以及确定呼吸速率、心率或心率变异性中的至少一项是否与饮用动作相对应；其中，当确定用户的至少一个呼吸频率、心率或心率变异性与饮用相对应时，向穿戴可穿戴式传感器的用户的计算设备发送通知，并轮询可穿戴式传感器以获得附加数据；并且其中，当用户的至少一个呼吸频率、心率或心率变异性不对应于饮用时，轮询穿戴式传感器以获取附加数据。

声明26：根据声明25所述的非暂时性计算机可读存储介质，其中，饮用动作的确定由情境数据通知；该方法还包括：接收情境数据；以及基于情境数据生成可变的情境阈值；当情境阈值低于基线值时，将接收到的数据识别为饮用动作；当情境阈值大于基线值时，将接收到的数据识别为非饮用动作。

声明27：根据声明26所述的非暂时性计算机可读存储介质，还包括：确定可穿戴式传感器的用户是否正在睡觉；以及确定动作数据是否对应于已知的非饮用动作。

声明28：根据声明25-27中的任一项所述的非暂时性计算机可读存储介质，还包括：使用动态时间规整对动作数据进行预处理。

声明29：根据声明25所述的非暂时性计算机可读存储介质，其中，一个或多个可穿戴式传感器包括至少一个动作传感器和一个或多个生物传感器。

声明30：根据声明29所述的非暂时性计算机可读存储介质，其中，至少一个动作传感器包括惯性动作单元、加速计、磁力计和陀螺仪中的至少一个。

声明31：根据声明29所述的非暂时性计算机可读存储介质，其中，一个或多个生物传感器包括光电容积描记术监控器，并且生物学数据包括血氧饱和度数据、心率数据、心率变化数据、血压数据和呼吸频率数据中的至少一个。

声明32：根据声明25-31中的任一项所述的非暂时性计算机可读存储介质，还包括：使用机器学习分类技术来处理动作数据和生物学数据中的至少一个。

声明33：根据声明25-31中的任一项所述的非暂时性计算机可读存储介质，其中，向用户发送的通知包括生成图形显示。

声明34：根据声明33所述的非暂时性计算机可读存储介质，其中，图形显示指示用户饮用的次数。

声明35：根据声明33所述的非暂时性计算机可读存储介质，其中，图形显示指示用户随着时间的水合水平。

声明36：根据声明25所述的非暂时性计算机可读存储介质，其中，动作数据、生物学数据或这两者均用于识别饮用。

可以使用存储在计算机可读介质中或从计算机可读介质中可获得的计算机可执行指令来实现根据上述示例和声明的方法。这样的指令可以包括例如导致和/或以其他方式配置通用计算机、专用计算机或专用处理设备以执行特定功能或功能组的指令和/或数据。可以通过网络访问使用的一部分计算机资源。计算机可执行指令可以是例如二进制的中间格式指令，例如汇编语言、固件和/或源代码。可以用来存储根据描述的示例的方法期间的指令、所使用的信息和/或生成的信息的计算机可读介质的示例包括磁盘或光盘、闪存、配备有非易失性存储器的USB设备、网络存储设备等。

实施根据这些公开的方法的设备可以包括硬件、固件和/或软件，并且可以采用多种形式中的任何一种。这样的形式的典型示例包括笔记本计算机、智能电话、小型个人计算机、个人数字助理等。本文描述的功能也可以体现在外围设备和/或附加卡中。通过其他的示例，这种功能还可以在单个设备中执行的不同芯片和/或不同进程之间的电路板上实施。

指令、用于传达这样的指令的介质、用于执行它们的计算资源和/或用于支持这样的计算资源的其他结构是用于提供这些公开中描述的功能的装置。

尽管使用各种示例和/或其他信息来解释所附权利要求书的范围内的多个方面，但是不应基于此类示例中的特定特征和/或布置来暗示对权利要求的限制，如本领域中的一般技术人员能够使用这些示例来得到各种各样的实施方式。此外，尽管已经以特定于结构特征和/或方法框的示例的语言描述了一些主题，但是应当理解，所附权利要求书中限定的主题不必限于这些所描述的特征和/或动作。例如，这样的功能可以不同地分布和/或在除本文所标识的组件之外的组件中执行。所描述的特征和/或框被公开为在所附权利要求书的范围内的系统和/或方法的组件的示例。

应当领会的是，可以期望将以上公开的和/或其他特征和/或功能的变型或其替代形式组合到许多其他不同的系统和/或应用中。同样，本领域技术人员可以随后做出其中各种目前无法预料或无法预料的替代、修改、变化或改进，这些替代、修改、变化或改进也旨在于包含在所附权利要求书中。

Claims (36)

1.一种用于穿戴一个或多个可穿戴式传感器的用户的情境饮用检测的系统，所述系统包括：

存储器；以及

至少一个处理器，用于：

从所述一个或多个可穿戴式传感器接收数据；

确定接收到的所述数据是否包括动作数据或生物学数据；

其中，当接收到的所述数据包括动作数据时，所述处理器执行以下操作：

将所述动作数据分类为预定动作模式；确定分类的所述预定动作模式是否对应于饮用；

其中，当分类的所述预定动作模式被识别为饮用时，所述处理器对饮用进行标记，向穿戴有所述可穿戴式传感器的用户的计算设备发送通知，并轮询所述可穿戴式传感器以获取附加数据；以及

其中，当分类的所述预定动作模式没有被识别为饮用时，所述处理器轮询可穿戴式传感器以获取附加数据；以及

其中，当接收到的所述数据包括生物学数据时，所述处理器执行以下操作：

确定所述用户的呼吸频率、心率或心率变异性中的至少一项；

确定所述用户的至少一个呼吸频率、心率或心率变异性是否与饮用相对应；

其中，当用户的至少一个呼吸频率、心率或心率变异性与饮用相对应时，所述处理器对饮用进行标记，将通知发送给穿戴有所述可穿戴式传感器的用户的计算设备，并轮询所述可穿戴式传感器以获取附加数据；以及

其中，当所述用户的至少一个呼吸频率、心率或心率变异性不对应于饮用时，所述处理器轮询所述可穿戴式传感器以获取附加数据。

2.根据权利要求1所述的系统，其中，所述饮用动作的确定是由情境数据通知的，并且所述系统还包括：

所述处理器，用于：

接收情境数据；

根据所述情境数据生成可变的情境阈值；

其中当所述情境阈值低于基线值时，接收到的所述数据更有可能被识别为饮用动作；以及

其中当所述情境阈值大于基线值时，接收到的所述数据不太可能被识别为饮用动作。

3.根据权利要求2所述的系统，还包括

所述处理器，用于：

确定所述可穿戴式传感器的所述用户是否正在睡觉；以及

确定所述动作数据是否对应于已知的非饮用动作。

4.根据权利要求1-3中任一项所述的系统，其中，使用动态时间规整对所述动作数据进行预处理。

5.根据权利要求1所述的系统，其中，所述一个或多个可穿戴式传感器包括至少一个动作传感器和一个或多个生物传感器。

6.根据权利要求5所述的系统，其中，所述至少一个动作传感器包括惯性动作单元、加速计、磁力计和陀螺仪中的至少一个。

7.根据权利要求5所述的系统，其中，所述一个或多个生物传感器包括光电容积描记术监控器，并且所述生物学数据包括血氧饱和度数据、心率数据、心率变化数据、血压数据和呼吸率数据中的至少一项。

8.根据权利要求1至7中任一项所述的系统，其中，所述动作数据和所述生物学数据中的至少一个是通过机器学习分类技术来处理的。

9.根据权利要求1至7中的任一项所述的系统，其中，向所述用户发送的所述通知包括图形显示。

10.根据权利要求9所述的系统，其中，所述图形显示指示所述用户饮用的次数。

11.根据权利要求9所述的系统，其中，所述图形显示指示所述用户随时间的水合水平。

12.根据权利要求1所述的系统，其中，动作数据、生物学数据或这两者都用于识别饮用。

13.一种用于穿戴一个或多个可穿戴式传感器的用户的情境饮用检测的方法，所述方法包括：

由至少一个处理器从所述一个或多个可穿戴式传感器接收数据；

由所述至少一个处理器确定接收到的所述数据是否包括动作数据或生物学数据；

其中，当接收到的所述数据包括动作数据时：

由所述至少一个处理器将所述动作数据分类为预定动作模式；

由所述至少一个处理器确定分类的所述预定动作模式是否对应于饮用；

其中，当所述至少一个处理器将分类的所述预定动作模式识别为饮用时，对该饮用进行标记，向穿戴有所述可穿戴式传感器的用户的计算设备发送通知，并轮询所述可穿戴式传感器以获得附加数据；以及

其中，所述至少一个处理器没有将分类的所述预定动作模式识别为饮用时，轮询所述可穿戴式传感器以获取附加数据；以及

其中，当接收到的所述数据包括生物学数据时：

由所述至少一个处理器确定用户的呼吸频率、心率或心率变异性中的至少一项；

由所述至少一个处理器确定呼吸速率、心率或心率变异性中的至少一项是否与饮用动作相对应；

其中，当所述至少一个处理器确定所述用户的至少一个呼吸频率、心率或心率变异性与饮用相对应时，标记饮用，将通知发送给穿戴所述可穿戴式传感器的用户的计算设备，并且轮询所述可穿戴式传感器以获取附加数据；以及

其中，当所述至少一个处理器确定所述用户的至少一个呼吸频率、心率或心率变化与饮用不对应时，轮询所述可穿戴式传感器以获取所述附加数据。

14.根据权利要求13所述的方法，其特征在于，所述饮用动作的确定是由情境数据通知的；所述方法还包括：

由所述至少一个处理器接收情境数据；

由所述至少一个处理器基于所述情境数据生成可变的情境阈值；

当所述情境阈值低于基线值时，由所述至少一个处理器将接收到的所述数据识别为饮用动作；以及

当情境阈值大于基线值时，由所述至少一个处理器将接收到的所述数据识别为非饮用动作。

15.根据权利要求14所述的方法，还包括：

由所述至少一个处理器确定所述可穿戴式传感器的用户是否正在睡觉；以及

由所述至少一个处理器确定所述动作数据是否对应于已知的非饮用动作。

16.根据权利要求13至15中任一项所述的方法，还包括：所述至少一个处理器使用动态时间规整对所述动作数据进行预处理。

17.根据权利要求13所述的方法，其中，所述一个或多个可穿戴式传感器包括至少一个动作传感器和一个或多个生物传感器。

18.根据权利要求17所述的方法，其中，所述至少一个动作传感器包括惯性动作单元、加速计、磁力计和陀螺仪中的至少一个。

19.根据权利要求17所述的方法，其中，所述一个或多个生物传感器包括光电容积描记术监测器，并且所述生物学数据包括血氧饱和度数据、心率数据、心率变化数据、血压数据和呼吸率数据中的至少一项。

20.根据权利要求13至19中任一项所述的方法，还包括由所述至少一个处理器使用机器学习分类技术来处理所述动作数据和所述生物学数据中的至少一个。

21.根据权利要求13至19中任一项所述的方法，其中，向所述用户发送的通知包括由所述至少一个处理器生成图形显示。

22.根据权利要求21所述的方法，其中，所述图形显示指示所述用户饮用的次数。

23.根据权利要求21所述的方法，其中，所述图形显示指示所述用户随时间的水合水平。

24.根据权利要求13所述的方法，其中，动作数据、生物学数据或这两者都用于识别饮用。

25.一种非暂时性计算机可读存储介质，其上存储有用于情境饮用检测的指令，该指令在由计算设备执行时导致所述计算设备执行操作，所述操作包括：

从一个或多个可穿戴式传感器接收数据；

确定接收到的所述数据是否包括动作数据或生物学数据；

其中，当接收到的所述数据包括动作数据时：

将所述动作数据分类为预定动作模式；

确定分类的所述预定动作模式是否对应于饮用；

其中，所述分类的所述预定动作模式被至少一个处理器识别为饮用时，对所述饮用进行标记，将通知发送到穿戴所述可穿戴式传感器的用户的计算设备，并轮询所述可穿戴式传感器以获取附加数据；以及

其中，当所述至少一个处理器未将分类的所述预定动作模式识别为饮用时，轮询所述可穿戴式传感器以获取附加数据；以及

其中，当接收到的所述数据包括生物学数据时：

确定用户的呼吸频率、心率或心率变异性中的至少一项；

确定呼吸速率、心率或心率变异性中的至少一项是否与饮用动作相对应；

其中，当确定所述用户的至少一个呼吸频率、心率或心率变异性与饮用相对应时，向穿戴所述可穿戴式传感器的用户的计算设备发送通知，并轮询所述可穿戴式传感器以获得附加数据；以及

其中，当所述用户的至少一个呼吸频率、心率或心率变异性与饮用不对应时，轮询所述可穿戴式传感器以获取附加数据。

26.根据权利要求25所述的非暂时性计算机可读存储介质，其中，所述饮用动作的确定是由情境数据通知的；所述方法还包括：

接收情境数据；

基于所述情境数据生成可变的情境阈值；

当所述情境阈值低于基线值时，将接收到的所述数据识别为饮用动作；以及

当所述情境阈值大于基线值时，将接收到的所述数据识别为非饮用动作。

27.根据权利要求26所述的非暂时性计算机可读存储介质，还包括：

确定所述可穿戴式传感器的用户是否正在睡觉；以及

确定所述动作数据是否对应于已知的非饮用动作。

28.根据权利要求25-27中任一项所述的非暂时性计算机可读存储介质，还包括使用动态时间规整对所述动作数据进行预处理。

29.根据权利要求25所述的非暂时性计算机可读存储介质，其中，所述一个或多个可穿戴式传感器包括至少一个动作传感器和一个或多个生物传感器。

30.根据权利要求29所述的非暂时性计算机可读存储介质，其中，所述至少一个动作传感器包括惯性动作单元、加速计、磁力计和陀螺仪中的至少一个。

31.根据权利要求29所述的非暂时性计算机可读存储介质，其中，所述一个或多个生物传感器包括光电容积描记术监控器，并且所述生物学数据包括血氧饱和度数据、心率数据、心率变化数据、血压数据和呼吸频率数据中的至少一项。

32.根据权利要求25-31中任一项所述的非暂时性计算机可读存储介质，还包括：使用机器学习分类技术来处理所述动作数据和所述生物学数据中的至少一个。

33.根据权利要求35-31中任一项所述的非暂时性计算机可读存储介质，其中，向所述用户发送的所述通知包括生成图形显示。

34.根据权利要求33所述的非暂时性计算机可读存储介质，其中，所述图形显示指示所述用户饮用的次数。

35.根据权利要求33所述的非暂时性计算机可读存储介质，其中，所述图形显示指示所述用户随时间的水合水平。

36.根据权利要求25所述的非暂时性计算机可读存储介质，其中，动作数据、生物学数据或这两者都被用于识别饮用。

Images