CN113180606A - 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 - Google Patents
可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 Download PDFInfo
- Publication number
- CN113180606A CN113180606A CN202110471579.XA CN202110471579A CN113180606A CN 113180606 A CN113180606 A CN 113180606A CN 202110471579 A CN202110471579 A CN 202110471579A CN 113180606 A CN113180606 A CN 113180606A
- Authority
- CN
- China
- Prior art keywords
- signal
- wearable device
- data
- signal adjustment
- classification
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000013186 photoplethysmography Methods 0.000 claims description 57
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
Abstract
本发明公开了一种可穿戴设备的信号调整方法、可穿戴设备及可读存储介质，通过获取预设时间段内的所述可穿戴设备检测的工况数据，所述工况数据包括佩戴数据以及环境数据；根据分类预测模型预测所述工况数据对应的处理类型，所述处理类型包括执行信号调整，以及不执行信号调整，所述分类预测模型根据历史佩戴数据以及历史环境数据对分类训练模型训练得到；在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数，所述运行参数包括电流以及增益，从而能够在对可穿戴设备进行信号调整时，提升对可穿戴设备检测触发信号调整的时机的准确性。
Description
技术领域
本发明涉及可穿戴设备领域，尤其涉及一种可穿戴设备的信号调整方法、可穿戴设备及可读存储介质。
背景技术
可穿戴设备常被用于检测人体的心率，以监测人体健康状态，在检测心率时，主要采用的心率检测方法为光电容积描记法(Photo Plethysmo Graphy，PPG)，在采用该方法检测心率时，为了提升信号质量，会进行心率传感器的信号调整，信号调整本身是比较耗费性能的，因此并不会时刻进行信号调整，而是会在检测到需要信号调整时才进行信号调整，为了检测触发信号调整的时机，可以设定一个默认的信号调整阈值，在心率传感器检测到的信号值大于该信号调整阈值时，就检测到触发开启信号调整，采样这种方式进行检测信号调整的触发时机时，如果信号调整阈值设置的太小，比如设置的是暗光环境下的阈值，那么当用户未佩戴可穿戴设备时，由于环境光的增大，心率传感器检测到的信号值增大，此时信号值若大于信号调整阈值，则会即刻触发信号调整，然而由于用户未佩戴，本是不需要进行信号调整的，却错误的进行了信号调整，增大了误检率，如果信号调整阈值设置的太大，那么当用户处于暗光环境下，心率传感器检测到的信号值较小，则无法触发信号调整，则会遗漏信号调整的步骤，因此，在采用上述方式检测触发信号调整的时机时，存在误调整以及漏调整的情况，即存在检测触发信号调整的时机不准确的问题。
发明内容
本发明的主要目的在于提供一种可穿戴设备的信号调整方法、可穿戴设备及存储介质，旨在解决在对可穿戴设备进行调整时，检测触发信号调整的时机不准确的技术问题。
为实现上述目的，本发明提供一种可穿戴设备的信号调整方法，所述可穿戴设备包括心率传感器，所述可穿戴设备的信号调整方法包括：
获取预设时间段内的所述可穿戴设备检测的工况数据，所述工况数据包括佩戴数据以及环境数据；
根据分类预测模型预测所述工况数据对应的处理类型，所述处理类型包括执行信号调整，以及不执行信号调整，所述分类预测模型根据历史佩戴数据以及历史环境数据对分类训练模型训练得到；
在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数，所述运行参数包括电流以及增益。
可选地，所述根据分类预测模型预测所述工况数据对应的类型的步骤包括：
确定所述工况数据的特征信息，所述特征信息包括均值信息、方差信息、标准差信息、最小值信息、最大值信息以及极差信息中的至少一个；
将所述特征信息输入所述分类预测模型中进行预测，得到所述分类预测模型的输出数据；
根据所述输出数据，确定所述工况数据对应的所述处理类型。
可选地，所述将所述特征信息输入所述分类预测模型中进行预测，得到所述分类预测模型的输出数据的步骤包括：
将所述特征信息作为所述分类预测模型的输入数据；
根据所述输入数据、所述输入数据权重信息以及偏差信息，确定所述分类预测模型的输出数据。
可选地，所述根据所述输出数据，确定所述特征信息对应的类型的步骤包括：
在所述输出数据大于预设阈值时，确定所述特征信息对应的所述处理类型为所述执行信号调整；
或者，在所述输出数据小于或者等于所述预设阈值时，确定所述特征信息对应的所述处理类型为所述不执行信号调整。
可选地，所述可穿戴设备的信号调整方法还包括：
获取所述历史环境数据以及所述历史佩戴数据；
将所述历史环境数据以及所述历史佩戴数据输入所述分类训练模型，以得到所述分类训练模型的输出数据；
根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降；
在所述分类训练模型未收敛时，返回执行根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降的步骤；
或者，在所述分类训练模型收敛时，将所述分类训练模型保存为所述分类预测模型。
可选地，所述分类预测模型包括依次连接的输入层、第一卷积神经网络层、第二卷积神经网络层、全连接层、模型函数层以及输出层。
可选地，所述在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数的步骤包括：
在所述处理类型为所述执行信号调整时，获取所述心率传感器检测的光电容积描记信号值；
在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数。
可选地，所述在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数的步骤包括：
在所述光电容积描记信号值大于所述预设信号区间的上限值时，按照第一步长减小所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤；
或者，在所述光电容积描记信号值小于所述预设信号区间的下限值时，按照第二步长增大所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤。
可选地，所述在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数的步骤包括：
在所述光电容积描记信号值不在预设信号区间内时，获取所述可穿戴设备当前的运行参数；
在所述光电容积描记信号值大于所述预设信号区间的上限值时，以及所述当前的运行参数小于最小运行参数时，将所述光源的所述运行参数设为所述最小运行参数，并停止调整所述运行参数，所述最小运行参数为预先测定的可接受的最低信号质量对应的运行参数；
在所述光电容积描记信号值小于所述预设信号区间的上限值时，以及所述当前的运行参数大于最大运行参数时，将所述光源的所述运行参数设为所述最大运行参数，并停止调整所述运行参数，所述最大运行参数为预先测定的可接受的最高功耗对应的运行参数。
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心率传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可穿戴设备的信号调整程序，所述心率传感器与所述处理器通信连接，所述可穿戴设备的信号调整程序被处理器执行时还实现上述任一项所述的可穿戴设备的信号调整程序的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有可穿戴设备的信号调整程序，所述可穿戴设备的信号调整程序被处理器执行时实现上述任一项所述的可穿戴设备的信号调整方法的步骤。
本发明实施例提出的一种可穿戴设备的信号调整方法、可穿戴设备及可读存储介质，通过获取预设时间段内的可穿戴设备检测到工况数据，根据分类预测模型预测工况数据对应的处理类型，在处理类型为执行信号调整时，调整心率传感器的光源的运行参数，以实现对可穿戴设备的信号调整，其中，工况数据包括佩戴数据以及环境数据，通过工况数据能够使可穿戴设备检测到所处的环境状态以及是否佩戴的状态，从而执行调整或者不执行信号调整，为了确定执行调整或者不执行调整，通过分类预测模型对工况数据进行预测，由于分类预测模型是根据历史佩戴数据以及历史环境数据对分类训练模型训练得到的，因此可以实现对工况数据的预测，并在预测到处理类型为执行信号调整时，调整心率传感器的光源的运行参数，例如可穿戴设备从暗光环境切换到亮光环境，那么可穿戴设备能够检测到这种变化，并能够重新确定是否需要执行信号调整，从而能够提升检测触发信号调整的时机的准确性。
附图说明
图1是本发明实施例方案涉及的可穿戴设备的结构示意图；
图2为本发明可穿戴设备的信号调整方法第一实施例的流程示意图；
图3为本发明可穿戴设备的信号调整方法第二实施例的流程示意图；
图4为本发明可穿戴设备的信号调整方法第三实施例的流程示意图；
图5为本发明可穿戴设备的信号调整方法第四实施例的流程示意图。
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。
如图1所示，图1是本发明实施例方案涉及的可穿戴设备的结构示意图。
如图1所示，该可穿戴设备可以包括：处理器1001，例如CPU，存储器1002，通信总线1003，心率传感器1004。其中，通信总线1003用于实现这些组件之间的连接通信。存储器1002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1002可选的还可以是独立于前述处理器1001的存储装置。
可选地，可穿戴设备还可以包括用于检测检测工况数据的各类传感器，比如，上述的心率传感器可以用于检测环境中的光强度，加速度传感器加速度数据可以用于检测可穿戴设备正反放置的状态，结合电容传感器、加速度传感器以及心率传感器检测的数据，可以检测佩戴该可穿戴设备的用户的皮肤的特质，此外，可穿戴设备还可以包括其他传感器。
本领域技术人员可以理解，图1中示出的可穿戴设备的结构并不构成对可穿戴设备的限定，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。
如图1所示，作为一种计算机存储介质的存储器1002中可以包括操作系统以及可穿戴设备的信号调整程序。
在图1所示的可穿戴设备中，处理器1001可以用于调用存储器1002中存储的可穿戴设备的信号调整程序，并执行以下操作：
获取预设时间段内的所述可穿戴设备检测的工况数据，所述工况数据包括佩戴数据以及环境数据；
根据分类预测模型预测所述工况数据对应的处理类型，所述处理类型包括执行信号调整，以及不执行信号调整，所述分类预测模型根据历史佩戴数据以及历史环境数据对分类训练模型训练得到；
在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数，所述运行参数包括电流以及增益。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
确定所述工况数据的特征信息，所述特征信息包括均值信息、方差信息、标准差信息、最小值信息、最大值信息以及极差信息中的至少一个；
将所述特征信息输入所述分类预测模型中进行预测，得到所述分类预测模型的输出数据；
根据所述输出数据，确定所述工况数据对应的所述处理类型。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
将所述特征信息作为所述分类预测模型的输入数据；
根据所述输入数据、所述输入数据权重信息以及偏差信息，确定所述分类预测模型的输出数据。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
在所述输出数据大于预设阈值时，确定所述特征信息对应的所述处理类型为所述执行信号调整；
或者，在所述输出数据小于或者等于所述预设阈值时，确定所述特征信息对应的所述处理类型为所述不执行信号调整。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
获取所述历史环境数据以及所述历史佩戴数据；
将所述历史环境数据以及所述历史佩戴数据输入所述分类训练模型，以得到所述分类训练模型的输出数据；
根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降；
在所述分类训练模型未收敛时，返回执行根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降的步骤；
或者，在所述分类训练模型收敛时，将所述分类训练模型保存为所述分类预测模型。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
在所述处理类型为所述执行信号调整时，获取所述心率传感器检测的光电容积描记信号值；
在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
在所述光电容积描记信号值大于所述预设信号区间的上限值时，按照第一步长减小所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤；
或者，在所述光电容积描记信号值小于所述预设信号区间的下限值时，按照第二步长增大所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤。
进一步地，处理器1001可以调用存储器1002中存储的可穿戴设备的信号调整程序，还执行以下操作：
在所述光电容积描记信号值不在预设信号区间内时，获取所述可穿戴设备当前的运行参数；
在所述光电容积描记信号值大于所述预设信号区间的上限值时，以及所述当前的运行参数小于最小运行参数时，将所述光源的所述运行参数设为所述最小运行参数，并停止调整所述运行参数，所述最小运行参数为预先测定的可接受的最低信号质量对应的运行参数；
在所述光电容积描记信号值小于所述预设信号区间的上限值时，以及所述当前的运行参数大于最大运行参数时，将所述光源的所述运行参数设为所述最大运行参数，并停止调整所述运行参数，所述最大运行参数为预先测定的可接受的最高功耗对应的运行参数。
参照图2，本发明第一实施例提供一种可穿戴设备的信号调整方法，所述可穿戴设备的信号调整方法包括：
步骤S10，获取预设时间段内的所述可穿戴设备检测的工况数据，所述工况数据包括佩戴数据以及环境数据；
可穿戴设备是一种佩戴于人体表面的计算机设备，可穿戴设备例如智能手环、智能手表以及智能指夹，智能指夹是一种可以佩戴于手指的可穿戴设备；预设时间段是预先设定的时间参数，预设时间段具体可以是一个特定的时间长度，比如1s，或者可以是由两个时间点限制的时间信息，比如将每天的时间预先划分为N个时间区间，每个时间区间包括起始时间点以及终止时间点，本实施例中，预设时间段为当前的时间段，比如将最新的1s作为预设时间段；工况数据是可穿戴设备检测到的直接影响或者间接影响可穿戴设备工作状态的数据，工况数据包括但不限于佩戴数据以及环境数据，佩戴数据指用于指示佩戴的情况的数据，佩戴数据具体可以是传感器检测的数据，比如加速度传感器检测到的加速度数据，由于可以结合佩戴检测算法检测加速度数据对应的佩戴情况是否为已佩戴，因而可以作为佩戴数据，也可以采用其他检测佩戴情况的传感器得到佩戴数据；环境数据指可穿戴设备所处环境的各类数据，需要注意的是，环境数据可以包括可穿戴设备所处空间的各种可以检测的自然特征的数据，这种自然特征例如光线强度、温度，环境数据也可以包括各类对可穿戴设备检测心率存在影响的客观状态，这种客观状态比如可穿戴设备自身的正反放置情况、佩戴者的皮肤的特质、可穿戴设备被遮挡的情况、心率传感器在可穿戴设备中的安装位置以及佩戴者的运动情况；心率传感器是用于检测心率的传感器，心率传感器可以包括光源以及信号转换模块，光源例如发光二极管，光源发出的光线照射在皮肤上并进入皮肤内部，信号转换模块例如光电二极管以及模拟前端，信号转换模块将皮肤折射和反射的光线的模拟信号转换为数字信号，以根据数字信号执行进一步的心率检测，皮肤折射的光线为皮肤下方的血液反射光线后在皮肤进行折射的光线，皮肤反射的光线为皮肤所在空间的环境光线照射在皮肤上并被皮肤反射的光线。
可穿戴设备由于在被佩戴时，贴合人体皮肤表面，因此能够通过心率传感器检测皮肤反射的光信号的强度，并基于光电容积描记法(PhotoPlethysmoGraphy，PPG)进一步实现对人体心率的检测，由于PPG本身的工作特性的限制，在不同环境质量或者不同佩戴情况下，心率传感器检测的信号质量不同，为了能够提升心率传感器检测的信号质量，可以对可穿戴设备进行信号调整，具体可以调整心率传感器的光源的运行参数，进行信号调整需要基于特定的调整方式，将信号调整到适于检测心率的范围，即避免信号值过小，以避免信号强度过低的情况下检测心率的准确率低，同时避免信号值过高的情况下，导致满量程，超过信号转换模块可以进行模数转换的范围，为实现此目的，需要执行信号调整，然而信号调整过程本身并非需要时刻进行，在错误的时机下进行信号调整可能会提升误检率，因此需要提升检测触发信号调整的时机的准确性，为此，本实施例获取可穿戴设备检测的工况数据，根据工况数据进一步确定是否执行信号调整，由于可以不断检测环境变化以及佩戴情况的变化，因此可以根据不同的情况确定是否需要进行对应的信号调整，以提升检测触发信号调整的时机的准确性。本实施例的执行主体为可穿戴设备，可穿戴设备根据预设的程序自动执行本实施例的各个步骤。
步骤S20，根据分类预测模型预测所述工况数据对应的处理类型，所述处理类型包括执行信号调整，以及不执行信号调整，所述分类预测模型根据历史佩戴数据以及历史环境数据对分类训练模型训练得到；
分类预测模型是用于预测工况数据对应的处理类型的机器学习模型，分类预测模型可以根据历史工况数据训练预设模型得到，本实施例中历史工况数据包括历史环境数据以及历史佩戴数据，可以预先根据历史环境数据以及历史佩戴数据对分类训练模型进行训练得到分类预测模型，训练得到分类预测模型的过程可以视为机器学习模型学习工况数据与处理类型的关系的过程，通过采集多组不同的历史工况数据，分别标注不同历史工况数据的处理类型的标签，并设定分类训练模型的结构，在标注时，需要根据实际的处理情况进行标注，比如若历史环境数据为历史运动情况数据，那么可以将历史运行情况数据中处于运动状态的数据对应的处理类型标识为不执行信号调整，将历史运行情况数据中处于静止状态的数据对应的处理类型标识为执行信号调整，进一步地，根据历史工况数据与处理类型之间的对应关系，调整分类训练模型中的参数，使分类训练模型学习历史工况数据与处理类型的正确对应关系，在分类训练模型预测处理类型的准确率达到要求时，将其保存为分类预测模型；本实施例的分类预测模型可以是基于逻辑回归的分类预测模型、基于k最近邻的分类预测模型、基于决策树的分类预测模型、基于支持向量机的分类预测模型以及基于朴素贝叶斯的分类预测模型，或者也可以基于其他机器学习算法构建模型；为了提升分类预测模型预测处理类型的准确率，可以在训练分类训练模型时尽可能多地提高历史工况数据的数据量；处理类型是用于指示是否需要进行信号调整的参数，处理类型包括执行信号调整以及不执行信号调整。
步骤S30，在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数，所述运行参数包括电流以及增益。
光源是心率传感器中发出光线的元件，运行参数是用于改变光源的运行状态的参数，其中，光源作为发出光线的设备，其运行状态包括光线的强度，相应的，运行参数是用于改变光线强度的参数，运行参数包括电流以及增益，通过增大电流或者增大增益，可以增大光线强度，通过减小电流或者减小增益，可以减小光线强度。
通过调整心率传感器光源的运行参数，可以改变可穿戴设备发出的光信号的强度，从而可以进一步改变皮肤折射的光信号的强度，进一步改变可穿戴设备检测到的信号的强度，实现可穿戴设备的信号调整，由于此时是根据预设时间段内的工况数据进行信号调整的，因此无论可穿戴设备处于何种环境中以处于何种佩戴状况中，都能够进行对应的信号调整与否的检测，从而提升对可穿戴设备的信号调整的触发时机的检测的准确性，从而能够得到更高质量的PPG波形信号。
在本实施例中，通过获取预设时间段内的可穿戴设备检测到工况数据，根据分类预测模型预测工况数据对应的处理类型，在处理类型为执行信号调整时，调整心率传感器的光源的运行参数，以实现对可穿戴设备的信号调整，其中，工况数据包括佩戴数据以及环境数据，通过工况数据能够使可穿戴设备检测到所处的环境状态以及是否佩戴的状态，从而执行调整或者不执行信号调整，为了确定执行调整或者不执行调整，通过分类预测模型对工况数据进行预测，由于分类预测模型是根据历史佩戴数据以及历史环境数据对分类训练模型训练得到的，因此可以实现对工况数据的预测，并在预测到处理类型为执行信号调整时，调整心率传感器的光源的运行参数，例如可穿戴设备从暗光环境切换到亮光环境，那么可穿戴设备能够检测到这种变化，并能够重新确定是否需要执行信号调整，从而能够提升检测触发信号调整的时机的准确性。
,参照图3，本发明第二实施例提供一种可穿戴设备的信号调整方法，基于上述图2所示的第一实施例，所述步骤S20包括：
步骤S21，确定所述工况数据的特征信息，所述特征信息包括均值信息、方差信息、标准差信息、最小值信息、最大值信息以及极差信息中的至少一个；
特征信息是用于指示工况数据的特性、性质的信息，特征信息用于区分不同工况数据，在基于分类预测模型预测工况数据对应的处理类型时，特征信息选取的合适与否会影响预测处理类型的准确率，为了提升分类预测模型预测的准确率，可以提取尽可能多的特征，本实施例中，基于提升分类预测模型的预测准确率的目的，可以同时选取均值信息、方差信息、标准差信息、最小值信息、最大值信息以及极差信息作为特征信息，其中，均值信息用f1表示，方差信息用f2表示，标准差信息用f3表示，最小值信息用f4表示，最大值信息用f5表示，极差信息用f6表示，则：
f4＝xmin；
f5＝xmax；
f6＝f5-f4；
其中，M为工况数据中元数据的总数量，xi为第i个元数据。
步骤S22，将所述特征信息输入所述分类预测模型中进行预测，得到所述分类预测模型的输出数据；
在进行工况数据的预测时，分类预测模型实际可以是根据工况数据的特征信息进行预测，为此，在确定了特征信息之后，将特征信息输入到分类预测模型中进行预测，分类预测模型的输出数据可以是数学形式的数据，也可以是处理类型本身，在输出数据为数学形式的数据时，可以根据该数学形式的数据与处理类型的关系，确定数学形式的输出数据对应的处理类型，在输出数据为处理类型本身时，可以是字符串形式，比如包括“执行信号调整”以及“不执行信号调整”。
在进行具体地预测时，需要结合相应的模型公式进行预测，在本实施例中，进行预测时，可以将特征信息作为输入数据，并结合模型公式进行预测，其中，模型公式中还可以包括输入数据权重信息以及偏差信息，根据输入数据、输入数据权重信息以及偏差信息，确定输出数据；其中：
x＝{f1，f2，f3，f4，f5，f6}；
fb＝relu(f)；
其中，x为特征向量信息，xi为第i个特征向量信息，w为输入数据权重信息，b为偏差信息，relu为线性整流函数，N为特征向量信息的总数量，y(xi)为输出数据，y(xi)存在正负之分，w和b为预先对分类训练模型进行训练得到的参数，在分类训练模型的训练过程中，不断调整w和b的值，直到分类训练模型预测的准确率满足要求或者分类训练模型满足收敛的条件时，确定对应的w和b的值并保存。
步骤S23，根据所述输出数据，确定所述工况数据对应的所述处理类型。
由于分类预测模型实质上是进行数学运算，因此，所得到的的输出数据为数学形式，该数学形式的参数比如为数字，可以通过预先设定的输出数据与处理类型的映射关系确定处理类型，比如，预设的映射关系为，在输出数据大于预设阈值时，确定特征信息对应的处理类型为执行信号调整，在输出数据小于或者等于预设阈值时，确定特征信息对应的处理类型为不执行信号调整，预设阈值例如可以为0。
在本实施例中，通过确定工况数据的特征信息，将特征信息输入分类预测模型中进行预测，得到分类模型的输出数据，根据所述输出数据，确定工况数据对应的处理类型，从而能够确定不同工况数据的处理类型，提升了对可穿戴设备检测触发信号调整的时机的准确性。
参照图4，本发明第三实施例提供一种可穿戴设备的信号调整方法，基于上述图2所示的第一实施例，所述可穿戴设备的调整方法还包括：
步骤S40，获取所述历史环境数据以及所述历史佩戴数据；
本实施例为对分类训练模型的训练过程，首先获取用于训练的样本集，样本集中包括不同工况对应的历史环境数据以及历史佩戴数据，其中，本实施例的历史环境数据以及历史佩戴数据可以为可穿戴设备的传感器检测到的工况数据，此外，也可以为了避免样本集的数量不足造成的模型预测准确率低的问题，还可以采用遗传算法对样本集进行数量扩充。
由于训练过程比较耗费性能，可以在获取到历史环境数据以及历史佩戴数据之后，将历史环境数据以及历史佩戴数据发送至用于训练的服务器中，并在服务器中执行后续的步骤，以得到分类预测模型，在得到分类预测模型之后，服务器将分类预测模型返回至可穿戴设备。
步骤S50，将所述历史环境数据以及所述历史佩戴数据输入所述分类训练模型，以得到所述分类训练模型的输出数据；
在进行训练时，将历史环境数据以及历史佩戴数据输入至分类训练模型中，其中，可以首先提取历史环境数据以及历史佩戴数据的特征信息，并进一步确定特征向量信息，将特征向量信息输入至分类训练模型的输入层进行训练，并得到分类训练模型的输出数据，分类训练模型的结构可以包括依次连接的输入层、第一卷积神经网络层、第二卷积神经网络层、全连接层、模型函数层以及输出层，其中，第一卷积神经网络层可以包括第一卷积层、第一激活层、第一池化层、第一局部归一化层以及第一Drop out层，第二卷积神经网络层可以包括第二卷积层、第二激活层、第二池化层、第二局部归一化层以及第二Drop out层，输入层的数据在经过第一卷积神经网络以及第二卷积神经网络的运算之后，输入至全连接层，全连接层输出的数据输入至模型函数层，进一步根据模型函数层的输出得到处理类型，相对于采用单一卷积神经网络层，本实施例采两个卷积神经网络层能够提升分类预测模型的预测准确率。
步骤S60，根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降；
在对分类训练模型进行训练时，训练过程主要是调整分类训练模型的参数的过程，通过调节分类训练模型的参数，以使分类训练模型满足预测准确性的要求，在调整分类训练模型的参数时，主要是对分类训练模型进行反向传播及梯度下降，根据输出数据，通过反向传播及梯度下降调整输入数据权重信息以及偏差信息。
步骤S70，在所述分类训练模型未收敛时，返回执行根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降的步骤；
通过预先设定特定的收敛条件，以控制分类训练模型的完成时机，收敛条件可以是误差值小于设定误差值，或者，迭代的次数达到设定次数，或者，相邻两次迭代之间的权值的变化量小于设定变化量，在分类训练模型未收敛时，返回执行根据分类训练模型的输出数据，对分类训练模型进行反向传播及梯度下降，直到检测到分类训练模型收敛。
步骤S80，或者，在所述分类训练模型收敛时，将所述分类训练模型保存为所述分类预测模型。
在分类训练模型收敛时，表明训练过程已经完成，此时将分类训练模型保存为分类预测模型，以在获取预设时间段内的可穿戴设备检测的工况数据之后，根据分类预测模型预测工况数据的处理类型。
在本实施例中，通过获取历史环境数据以及历史佩戴数据，将历史环境数据以及历史佩戴数据输入至分类训练模型，以得到分类训练模型的输出数据，根据分类训练模型的输出数据，对分类训练模型进行反向及梯度下降在分类训练模型未收敛时，返回执行根据分类训练模型的输出数据，对分类训练模型进行反向传播及梯度下降的步骤，或者，在分类训练模型收敛时，将分类训练模型保存为分类预测模型，从而得到了分类预测模型，通过该分类预测模型预测工况数据对应的处理类型，并在处理类型为执行信号调整时，调整心率传感器的光源的运行参数，从而能够提升对可穿戴设备检测触发信号调整的时机的准确性。
参照图5，本发明第四实施例提供一种可穿戴设备的信号调整方法，基于上述任一实施例，所述步骤S30包括：
步骤S31，在所述处理类型为所述执行信号调整时，获取所述心率传感器检测的光电容积描记信号值；
在处理类型为执行信号调整时，执行信号调整的具体过程，在执行信号调整时，首先获取心率传感器检测到的光电容积描记信号值，心率传感器通过光电二极管可以检测到模拟信号，进一步可以将模拟信号转换为数字信号，转换后的数字信号即为光电容积描记信号值。
步骤S32，在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数。
预设信号区间为预先设定的光电容积描记信号值满足预设要求的信号区间，在光电容积描记信号值不在预设信号区间时，表明光电容积描记信号值可能过高或者过低，过高会导致满量程或者增大功耗的问题，过低会导致根据该光电容积描记信号值进行心率检测时准确性较低，因此，需要调整心率传感器的光源的运行参数，以使检测到的光电容积描记信号值处于预设信号区间内。
此外，在光电容积描记信号值大于预设信号区间的上限值时，按照第一步长减小所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤；在光电容积描记信号值大于预设信号区间的上限值时，需要减小运行参数，在减小运行参数时，按照预先设定的第一步长减小运行参数后，重新返回执行获取心率传感器检测的光电容积描记信号值的步骤，并在重新检测的光电容积描记信号值仍大于预设信号区间的上限值时，继续按照第一步长减小运行参数，其中，在减小运行参数的过程中，可能存在无论将运行参数降低至多少，光电容积描记信号值均大于预设信号区间，此时，为了避免运行参数过低导致最终检测心率不准确，本实施例还在光电容积描记信号值大于预设信号区间的上限值时，以及当前的运行参数小于最小运行参数时，将光源的运行参数设为最小运行参数，并停止调整运行参数，其中，最小运行参数为预先测定的可接受的最低信号质量对应的运行参数，第一步长为减小运行参数的步长，比如运行参数为电流的情况下，可以将第一步长设为1mA，最小运行参数可以设为5mA；或者，在光电容积描记信号值小于预设信号区间的下限值时，按照第二步长增大运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤，第二步长是增大运行参数的步长，运行参数为电流的情况下，第二步长可以设为1mA；在光电容积描记信号值小于预设信号区间的上限值时，以及当前的运行参数大于最大运行参数时，将光源的运行参数设为最大运行参数，并停止调整运行参数，最大运行参数为预先测定的可接受的最高功耗对应的运行参数，在运行参数为电流的情况下，最大运行参数可以为20mA。
在本实施例中，在处理类型为执行信号调整时，获取心率传感器检测到光电容积描记信号值，在光电容积描记信号值不在预设信号区间内时，调整心率传感器的光源的运行参数，从而能够使得心率传感器在准确的时机下执行信号调整，进一步可以提升心率检测的准确率或者降低功耗，并能够得到高质量的PPG波形信号。
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可穿戴设备执行本发明各个实施例所述的方法。
以上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等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种可穿戴设备的信号调整方法，其特征在于，所述可穿戴设备包括心率传感器，所述可穿戴设备的信号调整方法包括：
获取预设时间段内的所述可穿戴设备检测的工况数据，所述工况数据包括佩戴数据以及环境数据；
根据分类预测模型预测所述工况数据对应的处理类型，所述处理类型包括执行信号调整，以及不执行信号调整，所述分类预测模型根据历史佩戴数据以及历史环境数据对分类训练模型训练得到；
在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数，所述运行参数包括电流以及增益。
2.如权利要求1所述的可穿戴设备的信号调整方法，其特征在于，所述根据分类预测模型预测所述工况数据对应的类型的步骤包括：
确定所述工况数据的特征信息，所述特征信息包括均值信息、方差信息、标准差信息、最小值信息、最大值信息以及极差信息中的至少一个；
将所述特征信息输入所述分类预测模型中进行预测，得到所述分类预测模型的输出数据；
根据所述输出数据，确定所述工况数据对应的所述处理类型。
3.如权利要求2所述的可穿戴设备的信号调整方法，其特征在于，所述将所述特征信息输入所述分类预测模型中进行预测，得到所述分类预测模型的输出数据的步骤包括：
将所述特征信息作为所述分类预测模型的输入数据；
根据所述输入数据、所述输入数据权重信息以及偏差信息，确定所述分类预测模型的输出数据。
4.如权利要求3所述的可穿戴设备的信号调整方法，其特征在于，所述根据所述输出数据，确定所述特征信息对应的类型的步骤包括：
在所述输出数据大于预设阈值时，确定所述特征信息对应的所述处理类型为所述执行信号调整；
或者，在所述输出数据小于或者等于所述预设阈值时，确定所述特征信息对应的所述处理类型为所述不执行信号调整。
5.如权利要求1所述的可穿戴设备的信号调整方法，其特征在于，所述可穿戴设备的信号调整方法还包括：
获取所述历史环境数据以及所述历史佩戴数据；
将所述历史环境数据以及所述历史佩戴数据输入所述分类训练模型，以得到所述分类训练模型的输出数据；
根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降；
在所述分类训练模型未收敛时，返回执行根据所述分类训练模型的输出数据，对所述分类训练模型进行反向传播及梯度下降的步骤；
或者，在所述分类训练模型收敛时，将所述分类训练模型保存为所述分类预测模型。
6.如权利要求1所述的可穿戴设备的信号调整方法，其特征在于，所述分类预测模型包括依次连接的输入层、第一卷积神经网络层、第二卷积神经网络层、全连接层、模型函数层以及输出层。
7.如权利要求1-6任一项所述的可穿戴设备的信号调整方法，其特征在于，所述在所述处理类型为所述执行信号调整时，调整所述心率传感器的光源的运行参数的步骤包括：
在所述处理类型为所述执行信号调整时，获取所述心率传感器检测的光电容积描记信号值；
在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数。
8.如权利要求7所述的可穿戴设备的信号调整方法，其特征在于，所述在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数的步骤包括：
在所述光电容积描记信号值大于所述预设信号区间的上限值时，按照第一步长减小所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤；
或者，在所述光电容积描记信号值小于所述预设信号区间的下限值时，按照第二步长增大所述运行参数，并返回执行获取所述心率传感器检测的光电容积描记信号值的步骤。
9.如权利要求7所述的可穿戴设备的信号调整方法，其特征在于，所述在所述光电容积描记信号值不在预设信号区间内时，调整所述心率传感器的所述光源的所述运行参数的步骤包括：
在所述光电容积描记信号值不在预设信号区间内时，获取所述可穿戴设备当前的运行参数；
在所述光电容积描记信号值大于所述预设信号区间的上限值时，以及所述当前的运行参数小于最小运行参数时，将所述光源的所述运行参数设为所述最小运行参数，并停止调整所述运行参数，所述最小运行参数为预先测定的可接受的最低信号质量对应的运行参数；
在所述光电容积描记信号值小于所述预设信号区间的上限值时，以及所述当前的运行参数大于最大运行参数时，将所述光源的所述运行参数设为所述最大运行参数，并停止调整所述运行参数，所述最大运行参数为预先测定的可接受的最高功耗对应的运行参数。
10.一种可穿戴设备，其特征在于，所述可穿戴设备包括心率传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可穿戴设备的信号调整程序，所述心率传感器与所述处理器通信连接，所述可穿戴设备的信号调整程序被处理器执行时还实现权利要求1至9任一项所述的可穿戴设备的信号调整程序的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有可穿戴设备的信号调整程序，所述可穿戴设备的信号调整程序被处理器执行时实现如权利要求1至9中任一项所述的可穿戴设备的信号调整方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110471579.XA CN113180606B (zh) | 2021-04-28 | 2021-04-28 | 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110471579.XA CN113180606B (zh) | 2021-04-28 | 2021-04-28 | 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113180606A true CN113180606A (zh) | 2021-07-30 |
| CN113180606B CN113180606B (zh) | 2023-01-24 |
Family
ID=76980623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110471579.XA Active CN113180606B (zh) | 2021-04-28 | 2021-04-28 | 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113180606B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114271789A (zh) * | 2021-12-23 | 2022-04-05 | 合肥市芯海电子科技有限公司 | 可穿戴设备及佩戴检测方法 |
| CN117393140A (zh) * | 2023-12-08 | 2024-01-12 | 广东壹健康健康产业集团股份有限公司 | 基于历史数据的智能指环控制方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030201978A1 (en) * | 2002-04-26 | 2003-10-30 | Tatung Co., Ltd. | Mouse capable of detecting physiological signal and environmental luminance |
| CN104165626A (zh) * | 2014-06-18 | 2014-11-26 | 长春理工大学 | 仿生复眼成像目标定位系统 |
| US20160007934A1 (en) * | 2014-09-23 | 2016-01-14 | Fitbit, Inc. | Movement measure generation in a wearable electronic device |
| CN106647952A (zh) * | 2016-12-31 | 2017-05-10 | 广东乐心医疗电子股份有限公司 | 检测可穿戴设备是否佩戴的方法与装置以及可穿戴设备 |
| US20180070839A1 (en) * | 2016-09-15 | 2018-03-15 | Whoop, Inc. | Variable brightness and gain for optimizing signal acquisition |
| CN108348162A (zh) * | 2015-08-31 | 2018-07-31 | 梅西莫股份有限公司 | 无线式病人监护系统和方法 |
| CN109189207A (zh) * | 2018-06-27 | 2019-01-11 | 深圳还是威健康科技有限公司 | 一种可穿戴设备穿戴状态的检测方法及装置 |
| CN109407504A (zh) * | 2018-11-30 | 2019-03-01 | 华南理工大学 | 一种基于智能手表的人身安全检测系统及方法 |
| US20190142288A1 (en) * | 2017-11-14 | 2019-05-16 | Samsung Electronics Co., Ltd. | Method and apparatus for obtaining high quality photoplethysmogram data from wearable |
| US20190385708A1 (en) * | 2010-09-30 | 2019-12-19 | Fitbit, Inc. | Multimode sensor devices |
| CN111588367A (zh) * | 2020-06-05 | 2020-08-28 | 青岛歌尔智能传感器有限公司 | 心率检测方法、装置及计算机可读存储介质 |
| CN111796680A (zh) * | 2020-06-29 | 2020-10-20 | 青岛歌尔智能传感器有限公司 | 可穿戴设备的控制方法、装置、可穿戴设备及介质 |
| CN112612153A (zh) * | 2021-02-23 | 2021-04-06 | 宁波圻亿科技有限公司 | 一种光学显像模组及穿戴装置 |
-
2021
- 2021-04-28 CN CN202110471579.XA patent/CN113180606B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030201978A1 (en) * | 2002-04-26 | 2003-10-30 | Tatung Co., Ltd. | Mouse capable of detecting physiological signal and environmental luminance |
| US20190385708A1 (en) * | 2010-09-30 | 2019-12-19 | Fitbit, Inc. | Multimode sensor devices |
| CN104165626A (zh) * | 2014-06-18 | 2014-11-26 | 长春理工大学 | 仿生复眼成像目标定位系统 |
| US20160007934A1 (en) * | 2014-09-23 | 2016-01-14 | Fitbit, Inc. | Movement measure generation in a wearable electronic device |
| CN108348162A (zh) * | 2015-08-31 | 2018-07-31 | 梅西莫股份有限公司 | 无线式病人监护系统和方法 |
| US20180070839A1 (en) * | 2016-09-15 | 2018-03-15 | Whoop, Inc. | Variable brightness and gain for optimizing signal acquisition |
| CN106647952A (zh) * | 2016-12-31 | 2017-05-10 | 广东乐心医疗电子股份有限公司 | 检测可穿戴设备是否佩戴的方法与装置以及可穿戴设备 |
| US20190142288A1 (en) * | 2017-11-14 | 2019-05-16 | Samsung Electronics Co., Ltd. | Method and apparatus for obtaining high quality photoplethysmogram data from wearable |
| CN109189207A (zh) * | 2018-06-27 | 2019-01-11 | 深圳还是威健康科技有限公司 | 一种可穿戴设备穿戴状态的检测方法及装置 |
| CN109407504A (zh) * | 2018-11-30 | 2019-03-01 | 华南理工大学 | 一种基于智能手表的人身安全检测系统及方法 |
| CN111588367A (zh) * | 2020-06-05 | 2020-08-28 | 青岛歌尔智能传感器有限公司 | 心率检测方法、装置及计算机可读存储介质 |
| CN111796680A (zh) * | 2020-06-29 | 2020-10-20 | 青岛歌尔智能传感器有限公司 | 可穿戴设备的控制方法、装置、可穿戴设备及介质 |
| CN112612153A (zh) * | 2021-02-23 | 2021-04-06 | 宁波圻亿科技有限公司 | 一种光学显像模组及穿戴装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114271789A (zh) * | 2021-12-23 | 2022-04-05 | 合肥市芯海电子科技有限公司 | 可穿戴设备及佩戴检测方法 |
| CN114271789B (zh) * | 2021-12-23 | 2024-02-06 | 合肥市芯海电子科技有限公司 | 可穿戴设备及佩戴检测方法 |
| CN117393140A (zh) * | 2023-12-08 | 2024-01-12 | 广东壹健康健康产业集团股份有限公司 | 基于历史数据的智能指环控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113180606B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113180606B (zh) | 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 | |
| US10796139B2 (en) | Gesture recognition method and system using siamese neural network | |
| CN105575366B (zh) | 切换背光调节速度的方法及系统 | |
| US11630506B2 (en) | Methods and apparatus for machine learning-based movement recognition | |
| US10945674B2 (en) | Methods, systems, and media for predicting sensor measurement quality | |
| WO2016071899A1 (en) | Device and method for monitoring food intake | |
| CN107464401A (zh) | 电子装置、提示方法 | |
| WO2020168448A1 (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
| US20190103128A1 (en) | Information processing method, information processing device, and recording medium recording information processing program | |
| CN116821809A (zh) | 基于人工智能的生命体征数据采集系统 | |
| CN114386454A (zh) | 基于信号混合策略的医疗时序信号数据处理方法 | |
| CN111796680B (zh) | 可穿戴设备的控制方法、装置、可穿戴设备及介质 | |
| US11947623B2 (en) | Information processing device, information processing method, and computer program product | |
| CN116916504B (zh) | 调光面板的智能控制方法、装置、设备及存储介质 | |
| JP6977624B2 (ja) | 物体検出装置、物体検出方法、およびプログラム | |
| JP7114092B2 (ja) | 画像データ加工装置、植物栽培システム及び画像データ加工方法 | |
| WO2020168451A1 (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
| US20220207382A1 (en) | Apparatus and method for refining data and improving performance of behavior recognition model by reflecting time-series characteristics of behavior | |
| KR101740328B1 (ko) | 광 센서를 이용한 손의 제스처 감지 방법 및 이를 위한 장치 | |
| CN111126294A (zh) | 一种基于移动终端数据识别终端用户步态的方法和服务器 | |
| CN112115751A (zh) | 一种动物心情识别模型的训练方法和装置 | |
| US20230329566A1 (en) | Apparatus and method for estimating blood pressure | |
| US20220415086A1 (en) | Information processing device, and emotion estimation method | |
| US20220249015A1 (en) | Method for near real-time sleep detection in a wearable device based on artificial neural network | |
| US20220369992A1 (en) | Energy efficient detection and management of atrial fibrillation |
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 |