CN114366062A - 可穿戴设备及其佩戴检测方法和介质 - Google Patents

Abstract

本申请涉及智能穿戴设备领域，具体涉及一种可穿戴设备及其佩戴检测方法和介质，该佩戴检测方法包括：可穿戴设备接收到心率检测指令；通过检测可穿戴设备与障碍物之间的距离和检测障碍物的电阻抗信号，确定出可穿戴设备处于被用户佩戴的状态；确定可穿戴设备是否处于正确佩戴状态；控制可穿戴设备发出绿光，并基于用户反射的绿光数据确定可穿戴设备是否位于心率检测的预设范围内；对应于确定出可穿戴设备处于正确佩戴状态，响应心率检测指令，开启心率检测功能。本申请提供的方法，能够提高检测可穿戴设备的佩戴状态的精确度，还能够排除处于佩戴状态下的可穿戴设备的异常佩戴情况，降低了智能手表的功耗，带来较好的用户体验。

Description

可穿戴设备及其佩戴检测方法和介质

技术领域

本申请涉及智能穿戴设备领域，特别涉及一种可穿戴设备及其佩戴检测方法和介质。

背景技术

随着电子技术的发展，可穿戴设备的功能越来越多，以智能手表为例，智能手表可以实现监测睡眠、监测心率、监测运动以及移动支付等功能。在用户使用智能手表的上述功能时，需要确保智能手表处于正确的佩戴状态，不然会影响智能手表的功能的正常使用。例如，用户取下智能手表平放于桌面后，如果不对智能手表的佩戴状态进行检测，则用户就可以在智能手表处于未佩戴状态下开启智能手表的监测心率的功能，智能手表执行了监测心率但无法获得心率数据，造成智能手表产生多余的功耗；再如，即使用户将智能手表佩戴在手腕，如果用户在不断旋转和晃动手腕使得智能手表处于异常佩戴情况，这时，如果用户开启智能手表的监测心率的功能，则会造成智能手表执行了监测心率后获得错误的心率数据。

发明内容

本申请的目的在于提供一种可穿戴设备及其佩戴检测方法和介质。

本申请的第一方面提供了一种可穿戴设备的佩戴检测方法，其特征在于，包括：可穿戴设备接收到心率检测指令；通过检测可穿戴设备与障碍物之间的距离和检测障碍物的电阻抗信号，确定出可穿戴设备处于被用户佩戴的状态；确定可穿戴设备是否处于正确佩戴状态，其中，确定可穿戴设备是否处于正确佩戴状态包括：控制可穿戴设备发出绿光，并基于用户反射的绿光数据确定可穿戴设备是否位于心率检测的预设范围内；对应于确定出可穿戴设备处于正确佩戴状态，响应心率检测指令，开启心率检测功能。

即在本申请的实施例中，这里的可穿戴设备可以是智能手表或者智能手环。可穿戴设备接收到心率检测指令可以是当智能手表检测到用户点击智能手表的屏幕中监测心率应用的图标后，智能手表可以确定用户开启了监测心率的功能，即，可穿戴设备接收到心率检测指令。这里的障碍物可以是用户的手腕，可穿戴设备可以通过红外光传感器发出红外光并判断采集的红外光是否为用户的手腕反射的，如果是，则进一步判断采集的电阻抗信号是否为用户的手腕皮肤产生的，如果是，则确定智能手表处于被用户佩戴的状态，也就是佩戴状态。接着，可穿戴设备需要继续判断是否处于正确佩戴状态，这里的正确佩戴状态可以包括：可穿戴设备处于静止状态，可穿戴设备未被遮盖以及可穿戴设备位于用户手腕处皮肤下的心率数据良好，也就是，心率数据在预设心率数据范围内。例如：这里的预设心率数据范围可以是60-100次每分钟。可穿戴设备可以通过PPG传感器发出绿光。在确定可穿戴设备处于正确佩戴状态后，可穿戴设备才能够响应心率检测指令，开启心率检测功能。

本申请实施例的方法，基于可穿戴设备的多个传感器数据，进行多级融合的佩戴检测，这里的多级融合可以是，对多个传感器数据进行分级，逐级使用对应的传感器数据进行计算，根据每一级传感器数据的计算结果进行逐级判断，最终确定可穿戴设备处于正确佩戴状态。通过实施本申请实施例提供的方法后，能够提高检测可穿戴设备的佩戴状态的精确度，还能够排除处于佩戴状态下的可穿戴设备的异常佩戴情况，降低了智能手表的功耗，带来较好的用户体验。

在上述第一方面的一种可能的实现中，通过检测可穿戴设备与障碍物之间的距离和检测障碍物的电阻抗信号，包括：可穿戴设备通过红外光模块检测可穿戴设备与障碍物之间的距离；对应于检测出的距离小于或者等于预设距离，可穿戴设备通过电阻抗模块采集障碍物的电阻抗信号，并且对应于采集到电阻抗信号在预设信号范围内，确定可穿戴设备处于被用户佩戴的状态。

即在本申请的实施例中，可穿戴设备可以通过红外光传感器发出红外光并确定采集到的反射的红外光的时间，结合红外光的传播速度，检测出可穿戴设备与障碍物之间的距离。在确定检测出的距离小于或者等于预设距离后，可穿戴设备可以确定可穿戴设备紧贴障碍物；这里的预设信号范围用于判断电阻抗信号是否由用户的皮肤产生的，在可穿戴设备进一步确定电阻抗信号是由用户的皮肤产生的，可穿戴设备可以确定处于被用户佩戴的状态。

本申请实施例的方法，可以排除可穿戴设备放置于桌面或者用户隔着衣物佩戴的状态，提高了检测佩戴状态的准确度。

在上述第一方面的一种可能的实现中，还包括：对应于可穿戴设备不处于被用户佩戴的状态，禁止开启心率检测功能；或者对应于可穿戴设备未处于正确佩戴状态，禁止开启心率检测功能。

本申请实施例的方法，如果可穿戴设备确定未处于用户佩戴的状态或者未处于正确佩戴状态，也就是处于异常佩戴情况，则禁止开启监测心率，提示用户正确佩戴智能手表后，再开启监测心率，降低了智能手表的功耗，带来较好的用户体验。

在上述第一方面的一种可能的实现中，控制可穿戴设备发出绿光，并基于用户反射的绿光数据确定可穿戴设备是否位于心率检测的预设范围内，包括：可穿戴设备通过PPG传感器发出绿光，并获取由用户反射的绿光数据；对应于绿光数据在预设范围内，确定出可穿戴设备处于心率检测的预设范围内。

在上述第一方面的一种可能的实现中，在心率检测的预设范围内，可穿戴设备位于用户手腕处皮肤下的心率数据在预设心率数据范围内。

即在本申请的实施例中，这里的心率数据可以通过可穿戴设备发出的绿光以及采集到的绿光数据确定。用于防止可穿戴设备紧贴的用户的手腕皮肤下的心率数据超出心率数据的预设心率数据范围，导致监测心率获得的心率数据不准确。

在上述第一方面的一种可能的实现中，绿光数据至少包括绿光相关系数值、绿光交流量值、绿光直流量值以及绿光频域特征值中的一种。

在上述第一方面的一种可能的实现中，对应于绿光数据在预设范围内，确定出可穿戴设备处于心率检测的预设范围内，包括：可穿戴设备将绿光数据输入预设检测模型；

对应于预设检测模型的输出值在预设范围内，确定可穿戴设备处于心率检测的预设范围，其中，预设检测模型为决策树模型。

在上述第一方面的一种可能的实现中，确定可穿戴设备是否处于正确佩戴状态，还包括：确定可穿戴设备是否处于静止状态，并确定可穿戴设备是否被遮盖；对应于可穿戴设备处于心率检测的预设范围，且处于静止状态以及未被遮盖，确定可穿戴设备处于正确佩戴状态。

在上述第一方面的一种可能的实现中，确定可穿戴设备是否处于静止状态，包括：通过可穿戴设备的陀螺仪采集到的陀螺仪数据和/或可穿戴设备的加速度计采集到的加速度数据确定可穿戴设备是否处于静止状态。

在上述第一方面的一种可能的实现中，确定可穿戴设备是否被遮盖，包括：通过可穿戴设备的环境光传感器采集到的环境光数据确定可穿戴设备是否被遮盖。

即在本申请的实施例中，可穿戴设备可以将陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值配置为该决策树不同分枝，通过输入的陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值计算出融合检测模型的输出结果。

本申请的第二方面提供了一种可穿戴设备，包括：

处理器，用于前述第一方面提供的可穿戴设备的佩戴检测方法；以及

存储器，可以与控制器耦合或者解耦用于存储由处理器执行的指令。

本申请的第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含有指令，当指令被电子设备的处理器执行时使电子设备实现前述第一方面提供的电子设备的佩戴检测方法。

附图说明

图1a根据本申请的实施例示出了一种可穿戴设备的用户界面的示意图；

图1b根据本申请的实施例示出了另一种可穿戴设备的用户界面的示意图；

图1c根据本申请的实施例示出了另一种可穿戴设备的用户界面的示意图；

图2根据本申请的实施例示出了一种可穿戴设备的硬件结构示意图；

图3根据本申请的实施例示出了一种佩戴检测方法的流程示意图；

图4根据本申请的实施例示出了一种红外光检测和电阻抗信号检测的流程示意图；

图5根据本申请的实施例示出了一种检测异常佩戴情况的流程示意图；

图6根据本申请的实施例示出了另一种红外光检测和电阻抗信号检测的流程示意图；

图7根据本申请的实施例示出了另一种检测异常佩戴情况的流程示意图；

图8根据本申请的实施例示出了另一种佩戴检测方法的流程示意图；

图9根据本申请的实施例示出了一种可穿戴设备的软件结构框图；

图10根据本申请的实施例示出了另一种可穿戴设备的硬件结构示意图。

具体实施方式

下面通过附图和实施例，对本申请实施例的技术方案做进一步的详细描述。可以理解，本申请实施例可以适用于智能手表、智能手环等可穿戴设备，下面以智能手表为例进行说明。

参考图1a至图1c，图1a至图1c示例性示出了智能手表100在屏幕中显示用户的心率结果的用户界面。

如图1a所示，用户将智能手表100佩戴在手腕部，用户开启智能手表100的监测心率的功能，智能手表100可以执行佩戴检测。智能手表100执行佩戴检测的过程可以包括：智能手表100预先设置红外光信号阈值（Infrared Spectroscopy，IR）；通过红外传感器发出红外光，接收到被用户的手腕反射的红外光，判断反射的红外光信号是否大于红外光信号阈值，如果大于，则智能手表100确定处于佩戴状态；如果小于，则智能手表100确定处于未佩戴状态。在智能手表100确定处于佩戴状态后，用户界面中显示有心率监测结果。例如：用户的当前心率为“77次/分”，也就是每分钟心跳的次数为77；用户的静息心率为“67次/分”，也就是静息状态下的每分钟心跳的次数为67。

当用户摘下智能手表100平放于桌面上后，用户尝试开启智能手表100的监测心率的功能。这时，智能手表100执行佩戴检测。智能手表100显示图1b所示的智能手表100的屏幕中的用户界面。如图1b所示，用户界面中显示有心率结果。用户的当前心率没有数值；用户的静息心率为“67次/分”。可以看出，这里的静息心率是智能手表100的历史检测记录。若智能手表100平放于桌面上，用户开启智能手表100的监测心率的功能，智能手表100依然确定智能手表100当前处于佩戴状态，仍旧执行监测心率，但智能手表100却没有获得用户的心率。

用户隔着衣服将智能手表100佩戴在手腕部，开启智能手表100的监测心率的功能，手表100执行佩戴检测。智能手表100显示图1c所示的智能手表100的屏幕中的用户界面。用户界面中显示有心率结果。例如：用户的当前心率为“47次/分”，也就是每分钟心跳的次数为47；用户的静息心率为“35次/分”，也就是静息状态下的每分钟心跳的次数为35。可以看出，若用户隔着衣服佩戴智能手表100并开启监测心率的功能，智能手表100并没有检测当前的佩戴状态，仍旧在监测心率，但智能手表100获得的用户的心率不准确。

可以理解的是，图1a至图1c仅仅示例性示出了智能手表100的屏幕中的用户界面，不应构成对本申请实施例的限定。

可见，图1a至图1c所示的场景中，在用户使用智能手表的监测心率的功能时，智能手表可以采用红外光进行佩戴检测，即通过红外传感器检测障碍物反射的红外光信号，也就是智能手表和障碍物之间的距离来判断智能手表是否贴近障碍物，如果贴近，则确定智能手表处于佩戴状态，但是上述用于检测智能手表的佩戴状态的佩戴检测方法的精确度较低，一旦产生误识别，会使得智能手表在非佩戴状态下能够开启监测心率的功能进而产生额外的功耗。例如，当智能手表与手腕之间被物体遮挡或者智能手表放置于桌面时，智能手表通过红外传感器仅能检测出智能手表和桌面之间的距离贴近，使得智能手表会判断处于佩戴状态，导致智能手表可以开启监测心率。

在另一情形下，尽管智能手表紧贴用户的手腕皮肤处于佩戴状态，但智能手表的佩戴位置、用户手腕的活动状态会对智能手表的使用造成影响，仅通过红外光进行佩戴检测的方法也无法判断手表的佩戴位置、用户手腕的活动状态。

为了解决上述问题，本申请实施例提供了一种智能手表的佩戴检测方法。该佩戴检测方法基于智能手表的多个传感器数据，进行多级融合的佩戴检测，这里的多级融合可以是，对多个传感器数据进行分级，逐级使用对应的传感器数据进行计算，根据每一级传感器数据的计算结果进行逐级判断，最终确定智能手表处于正确的佩戴状态，可以理解，在本申请实施例中，正确的佩戴状态可以是智能手表紧贴用户的手腕皮肤、保持静止、手腕皮肤下的心率数据正常。

例如，佩戴检测方法包括：在开启智能手表的监测心率时，判断采集的红外光是否为用户的手腕反射的，如果是，则判断采集的电阻抗信号是否为用户的手腕皮肤产生的，如果是，则确定智能手表处于佩戴状态；接着，继续采集加速度数据、陀螺仪数据、绿光数据和环境光数据判断佩戴状态的智能手表是否处于异常佩戴情况，这里的异常佩戴情况包括：智能手表是否处于旋转和晃动的状态；智能手表的佩戴位置对应的手腕皮肤下的心率数据不佳以及智能手表位于衣服的口袋中的一种或者多种情况。如果智能手表未处于异常佩戴情况，则开启监测心率，获取用户的心率数据。可以理解，在判断智能手表的佩戴状态以及智能手表的异常佩戴情况的过程中，如果确定智能手表未处于佩戴状态或者智能手表处于异常佩戴情况，则禁止开启监测心率，提示用户正确佩戴智能手表后，再开启监测心率。

通过实施本申请实施例提供的佩戴检测方法后，提高了检测智能手表的佩戴状态的精确度，还能够排除处于佩戴状态下的智能手表的异常佩戴情况，降低了智能手表的功耗，带来较好的用户体验。

下面先对部分本申请实施例中的包含的术语进行解释。

电阻抗信号（Surface Electromyography，SEMG）是电容式接近传感器(Capacitive Proximity Sensor，CAP)采集的数据，是人类皮肤下的浅层肌肉和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动，是肌肉收缩时伴随的电信号，是用于进行体表无创检测肌肉活动的方法。

加速度数据是加速度计（Acceleration Transducer，ACC），即加速度传感器采集的数据，智能手表的加速度传感器采集的加速度数据用于确定智能手表的位移速度。

陀螺仪数据是陀螺仪（Gyro sensor，GYRO），即角速度传感器采集的数据，智能手表的陀螺仪采集的陀螺仪数据用于确定用户佩戴智能手表时，用户的手腕的旋转动作。

绿光数据是：智能手表的PPG心率传感器(Photo plethysmograph，光电体积描记)发出绿光照射用户佩戴智能手表的位置对应的用户的皮肤下的动脉组织后，部分绿光被血液等吸收，部分绿光反射回来被光电检测器并转换得到的数据，绿光数据可以用于判断用户佩戴智能手表的位置对应的用户的皮肤是否适合心率检测，也就是，判断用户佩戴智能手表的位置是否属于适合心率检测的预设范围。

可以理解，本申请的实施例中的智能手表是一种智能终端设备，智能手表除指示时间之外，还具有提醒、导航、校准、监测、交互等其中一种或者多种功能；智能手表的显示方式包括指针、数字、图像等。

图2是本申请实施例提供的一例智能手表100的结构示意图。如图2所示，该电子设备100能够执行本申请实施例提供的佩戴检测方法。具体地，如图2所示，电子设备100可以包括处理器110，外部存储器接口120，内部存储器121，通用串行总线(universal serialbus，USB)接口130，充电管理模块140，电源管理模块141，电池142，天线，无线通信模块150，音频模块160，扬声器160A，麦克风160B，按键170，显示屏171,传感器模块180等。其中传感器模块180可以包括红外光传感器180A，陀螺仪传感器180B，加速度传感器180C，电容式接近传感器180D，PPG心率传感器180E，环境光传感器180F等。

可以理解的是，本申请实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中，电子设备100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。

处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器110的等待时间，因而提高了系统的效率。同时，处理器110还可以存储电子设备100从其他电子设备接收到的数据。例如，在本申请的一些实施例中，处理器110可以基于路段地形信息、路段环境信息和路段安全性信息等对多条待选运动路线进行分析，计算出对应于多条待选运动路线中的每一条的总得分，并得出对应于多条待选运动路线中的每一条的优缺点，然后对多条待选运动路线进行排序。

在电子设备100是智能手表的情况下，处理器110控制智能手表的表盘和底座分别得到第一脉搏波信和第二脉搏波信号，并根据第二脉搏波信号和从第一设备接收的第一脉搏波信号计算脉搏波传导速度。

在一些实施例中，处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit，I2C)接口，集成电路内置音频(inter-integrated circuitsound，I2S)接口，脉冲编码调制(pulse code modulation，PCM)接口，通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口，移动产业处理器接口(mobile industry processor interface，MIPI)，通用输入输出(general-purposeinput/output，GPIO)接口，用户标识模块(subscriber identity module，SIM)接口，和/或通用串行总线(universal serial bus，USB)接口、Micro USB接口，USB Type C接口等。

外部存储器接口120可以用于连接外部存储卡，例如Micro SD卡，实现扩展电子设备100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信，实现数据存储功能。例如将音频，视频等文件保存在外部存储卡中。

内部存储器121可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。内部存储器121可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如语音导航，图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器121可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。处理器110通过运行存储在内部存储器121的指令，和/或存储在设置于处理器中的存储器的指令，执行电子设备100的各种功能应用以及数据处理。

USB接口130可以用于连接充电器为电子设备100充电，也可以用于电子设备100与外围设备之间传输数据。也可以用于连接耳机，通过耳机播放音频。该接口还可以用于连接其他电子设备，例如AR设备等。

可以理解的是，本申请实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对电子设备100的结构限定。在本申请另一些实施例中，电子设备100也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

充电管理模块140用于从充电器接收充电输入。电源管理模块141用于连接电池142，充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入，为处理器110，内部存储器121，显示屏171等供电。电源管理模块141还可以用于监测电池容量，电池循环次数，电池健康状态(漏电，阻抗)等参数。在其他一些实施例中，电源管理模块141也可以设置于处理器110中。在另一些实施例中，电源管理模块141和充电管理模块140也可以设置于同一个器件中。

电子设备100的无线通信功能可以通过天线，无线通信模块150，调制解调处理器以及基带处理器等实现。电子设备100可以通过无线通信模块150与其他电子设备进行无线通信。天线用于发射和接收电磁波信号。电子设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用，以提高天线的利用率。例如：可以将天线复用为无线局域网的分集天线。在另外一些实施例中，天线可以和调谐开关结合使用。

无线通信模块150可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块150经由天线接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器110。无线通信模块150还可以从处理器110接收待发送的信号，对其进行调频，放大，经天线转为电磁波辐射出去。

在一些实施例中，电子设备100能够通过无线通信模块150与其他电子设备进行通信连接。

电子设备100可以通过音频模块160，扬声器160A，麦克风160B，以及应用处理器等实现音频功能。例如音乐播放，录音等。

按键170包括开机键，音量键等。按键170可以是机械按键。也可以是触摸式按键。电子设备100可以接收按键输入，产生与电子设备100的用户设置以及功能控制有关的键信号输入。

电子设备100通过GPU，显示屏171，以及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏171和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器110可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。

下面基于图3所示的方法流程示意图来详细描述本申请实施例提供的佩戴检测方法。图3所示的方法可以由智能手表100的处理器执行相关的指令实现。

参考图3，该佩戴检测方法可以包括以下步骤：

S301：检测到用户开启心率监测。

在本申请实施例中，当智能手表100检测到用户点击智能手表100的屏幕中监测心率应用的图标后，智能手表100可以确定用户开启了监测心率的功能，智能手表100可以执行S302，启动用于智能手表100的佩戴检测方法，确保智能手表100能够处于正确的佩戴状态。

S302：通过红外光检测和电阻抗信号检测判断智能手表100是否处于佩戴状态。

可以理解，智能手表100可以通过红外光传感器发出红外光，获取接收到的被反射的红外光的特征值，将红外光的特征值输入红外光检测模型，获得红外光检测模型的输出结果。

这里的红外光检测模型，可以是已经训练好的神经网络模型，红外光检测模型可以是卷积神经网络(Convolutional Neural Network，CNN)、深度神经网络(Deep NeuralNetworks, DNN)、循环神经网络(Recurrent Neural Network，RNN)和时间递归神经网络(Long Short-Term Memory，LSTM)中的一种。红外光检测模型可以存储在智能手表100的内部存储器中。

在本申请实施例中，智能手表100可以通过电容式接近传感器发出电阻抗信号，获取电阻抗信号的特征值，将电阻抗信号的特征值输入电阻抗信号检测模型，获得电阻抗信号检测模型的输出结果。这里的电阻抗信号检测模型，也可以是已经训练好的神经网络模型。

可有理解，在具体实现中，本申请实施例涉及的神经网络模型的层数、每层的节点数、以及相连接的两个节点的连接参数(即两个节点连线上的权重)均可以根据实际需求进行预先设置。

在本申请实施例中，如果确定智能手表100处于佩戴状态，则执行步骤S303，进一步检测智能手表100是否存在异常佩戴情况，如果确定智能手表100未处于佩戴状态，则执行步骤S304，智能手表100禁止开启监测心率，提示用户调整佩戴方式。

下文将通过图4对智能手表100进行红外光检测的过程进行详细描述。

S303：通过异常佩戴情况检测判断智能手表100是否为异常佩戴情况。

在本申请实施例中，在确定了智能手表100佩戴在用户的手腕，而且智能手表100紧贴用户的手腕皮肤后，智能手表100可以通过异常佩戴情况检测进一步确定智能手表100是否存在异常佩戴情况，例如：佩戴智能手表100的手腕是否在不断旋转和晃动，导致智能手表100处于旋转和晃动的状态；尽管智能手表100佩戴在用户的手腕，但智能手表100紧贴的用户的手腕皮肤下的心率数据不佳，例如，心率数据超出预设心率数据范围，导致监测心率获得的心率数据不准确，进一步说明手表100在用户的手腕处的佩戴位置不正确；佩戴智能手表100的手插入衣服的口袋中，使得智能手表100处于暗室环境，影响监测心率获得的心率数据。这里的心率数据可以通过智能手表100发出的绿光以及采集到的绿光数据确定。

可以理解，这里的预设心率数据范围可以是60-100次每分钟。在本申请实施例中对预设心率数据范围的取值范围是示例性，本申请实施例不做限定。

在本申请实施例中，若异常佩戴情况检测的输出结果为异常佩戴情况，则执行步骤S304，智能手表100可以禁止开启监测心率，同时，提示用户对智能手表100的佩戴方式进行调整，使得智能手表100处于正确的佩戴状态后，在开启监测心率。若异常佩戴情况检测的输出结果不是异常佩戴情况，则执行步骤S305，智能手表100启动监测心率，获取心率数据。

S304：禁止开启监测心率，提示调整佩戴方式。

在本申请实施例中，智能手表100可以通过屏幕显示调整智能手表100的佩戴方式的提示框；或者通过扬声器播放调整智能手表100的佩戴方式的语音来提示用户调整智能手表100佩戴方式。可以理解，智能手表100可以重新执行步骤S301，进行佩戴检测。

S305：启动监测心率，获取心率数据。

在本申请实施例中，智能手表100启动监测心率实时地采集用户的心率数据。

下面将对图3中的步骤S302描述的通过红外光检测和电阻抗信号检测判断智能手表100是否处于佩戴状态的过程进行详细描述。

如图4所示，智能手表100进行红外光检测的过程可以包括：

S401：采集红外光。

在本申请实施例中，智能手表100可以通过红外光传感器以第一采样率fs1（frequency of sample，fs）在第一时间段内采集红外光，这里的红外光可以是智能手表100可以通过红外光传感器发出后，经过反射采集到的红外光。例如，这里的第一采样率fs1可以是100Hz(hertz，赫兹)，也就是100次/秒，即，每秒采集100次；这里的第一时间段可以是1s，也就是说，智能手表100可以在1秒内采集100个红外光的数据。

S402：获取红外光的特征值。

在本申请实施例中，这里的红外光的特征值可以是，红外光的数据对应的方差f1，标准差f2和均值f3。智能手表100可以将采集到的红外光的数据分别转换为对应的方差f1，标准差f2和均值f3。例如，智能手表100将100个红外光的数据分别转换为对应的100个红外光的数据的方差f1、标准差f2和均值f3。

S403：将红外光的特征值输入红外光检测模型，获得红外光检测模型的输出结果。

在本申请实施例中，智能手表100可以将红外光的特征值输入红外光检测模型，获得红外光检测模型的输出结果。

例如，在红外光检测模型为卷积神经网络模型的情况下，可以对该神经网络配置三个输入节点和一个输出节点，三个输入节点用于接收输入的红外光的特征值，例如，三个输入节点用于接收输入的红外光的数据对应的方差f1、标准差f2和均值f3；输出节点的输出值也就是红外光检测模型的输出结果，用于表示智能手表100处于佩戴状态的概率，也就是，智能手表100佩戴在用户的手腕的概率。

红外光检测模型的训练可以包括：将智能手表100佩戴在用户的手腕或者放置在不同材质的物品上后，智能手表100采集预设段时间内的红外光数据，将红外光数据分别转换为对应的特征值（方差f1、标准差f2和均值f3）后，用红外光数据的特征值对红外光检测模型进行训练。例如，将智能手表100佩戴在用户的手腕、智能手表100放置于木制桌面、将智能手表100放置于衣物口袋内等采集到的红外光数据转换成红外光数据的特征值输入神经网络模型，然后将模型的输出和表征智能手表100佩戴在用户的手腕的数据进行比较，求出误差（即二者之间的差值），对前述误差求偏导数，根据该偏导数来更新权重。直至模型训练完成。例如，对于红外光的特征值，方差f1，标准差f2和均值f3来说，红外光检测模型中与方差f1，标准差f2和均值f3对应的权重可以分别是w1、w2和w3。

可以理解，还可以输入其他场景下的采集的红外光数据对模型进行训练，从而在大量样本的训练中，通过不断的调整权重，在输出的误差达到一个很小的值时（例如，满足预定误差阈值），认为神经网络模型收敛，训练出红外光检测模型。

在本申请实施例中，红外光检测模型的输出结果可以用e1=w1*f1+w2* f2+w3*f3来表示。

S404：判断红外光检测的输出结果是否满足红外光检测阈值。

在本申请实施例中，智能手表100可以预先设置红外光检测阈值，这里的红外光检测阈值用于判断智能手表100处于佩戴状态的概率。若红外光检测的输出结果低于红外光检测阈值，则执行步骤S401，智能手表100可以重新进行红外光检测；若红外光检测的输出结果高于红外光检测阈值，则执行步骤S405，智能手表100可以进行电阻抗信号检测，进一步判断智能手表100的佩戴状态。

可以理解，若步骤S403中的红外光检测的输出结果高于红外光检测阈值（th1），则说明智能手表100佩戴在用户的手腕。

继续参考图4所示，智能手表100进行电阻抗信号检测的过程可以包括：

S405：采集电阻抗信号。

在本申请实施例中，智能手表100可以通过电容式接近传感器以第二采样率fs2在第二时间段内采集电阻抗信号。例如，这里的第二采样率fs2可以是100Hz(hertz，赫兹)，也就是100次/秒，即，每秒采集100次；这里的第二时间段可以是1s，也就是说，智能手表100可以在1秒内采集100个电阻抗信号的数据。

S406：获取电阻抗信号的特征值。

在本申请实施例中，这里的电阻抗信号的特征值可以是，电阻抗信号的数据对应的均值f4。智能手表100可以将采集到的电阻抗信号的数据分别转换为对应的均值f4。例如，智能手表100将100个电阻抗信号的数据转换为对应的100个电阻抗信号的数据的均值f4。

S407：将电阻抗信号的特征值输入电阻抗信号检测模型，获得电阻抗信号检测模型的输出结果。

在本申请实施例中，智能手表100可以将电阻抗信号的特征值输入红外光检测模型，获得电阻抗信号检测模型的输出结果。

例如，在电阻抗信号检测模型为卷积神经网络模型的情况下，可以对该神经网络配置一个输入节点和一个输出节点，一个输入节点用于接收输入的电阻抗信号的特征值，例如，一个输入节点用于接收输入的电阻抗信号的数据对应的均值f4；输出节点的输出值也就是电阻抗信号检测模型的输出结果，用于表示智能手表100处于佩戴状态的概率，也就是，智能手表100紧贴用户的手腕皮肤的概率。

电阻抗信号检测模型的训练可以与红外光检测模型相似，这里不再赘述。用于电阻抗信号检测模型的训练的数据可以是将智能手表100紧贴用户的手腕皮肤或者放置在不同材质的物品上后，智能手表100采集预设段时间内的电阻抗信号的数据。对于电阻抗信号的特征值，均值f4来说，电阻抗信号检测模型中与均值f4对应的权重可以是w4。

在本申请实施例中，红外光检测模型的输出结果可以用e2=w4*f4来表示。

S408：判断电阻抗信号检测的输出结果是否满足电阻抗信号检测阈值。

在本申请实施例中，智能手表100可以预先设置电阻抗信号检测阈值，这里的电阻抗信号检测阈值用于判断智能手表100处于佩戴状态的概率。若电阻抗信号检测的输出结果高于电阻抗信号检测阈值，则执行步骤S401，智能手表100重新进行红外光检测；若电阻抗信号检测的输出结果低于电阻抗信号检测阈值，智能手表100可以进一步判断处于佩戴状态的智能手表100是否存在异常佩戴情况。可以理解，若电阻抗信号检测的输出结果高于电阻抗信号检测阈值，智能手表100也可以执行步骤S405，智能手表100重新进行电阻抗信号检测。

可以理解，若步骤S407中的电阻抗信号检测的输出结果高于电阻抗信号检测阈值，则说明智能手表100佩戴在用户的手腕，而且智能手表100紧贴用户的手腕皮肤。

下面将对图3中的步骤S303描述的检测智能手表100是否存在异常佩戴情况的过程进行详细描述。

参考图5所示，检测智能手表100是否存在异常佩戴情况过程可以包括：

S501：采集陀螺仪数据、加速度数据、绿光数据以及环境光数据。

在本申请实施例中，智能手表100可以分别通过陀螺仪传感器、加速度传感器、PPG心率传感器和环境光传感器采集陀螺仪数据、加速度数据、绿光数据以及环境光数据，获取接陀螺仪数据、加速度数据、绿光数据以及环境光数据的特征值，将陀螺仪数据、加速度数据、绿光数据以及环境光数据的特征值输入融合检测模型，获得融合检测模型的输出结果。

在本申请实施例中，智能手表100可以通过PPG心率传感器以第三采样率fs3在第三时间段内采集绿光数据。例如，这里的第三采样率fs3也可以是100Hz(hertz，赫兹)，也就是100次/秒，即，每秒采集100次；这里的第三时间段可以是1s，也就是说，智能手表100可以在1秒内采集100个绿光数据。

在本申请实施例中，智能手表100可以通过陀螺仪传感器、加速度传感器以第四采样率fs4在第四时间段内采集陀螺仪数据、加速度数据。例如，这里的第四采样率fs4也可以是100Hz(hertz，赫兹)，也就是100次/秒，即，每秒采集100次；这里的第四时间段可以是1s，也就是说，智能手表100可以在1秒内采集100个陀螺仪数据、加速度数据。

同理，智能手表100还可以通过环境光传感器采集环境光数据。

S502：对陀螺仪数据、加速度数据、绿光数据以及环境光数据进行预处理。

在本申请实施例中，这里的预处理可以是智能手表100对采集的陀螺仪数据、加速度数据、绿光数据以及环境光数据，进行带通滤波，去除噪声数据。

可以理解，这里的预处理话可以是智能手表100对绿光数据进行快速傅里叶变化（Fast Fourier Transform，FFT）后得到绿光数据的频域数据。

S503：获取陀螺仪数据、加速度数据、绿光数据以及环境光数据的特征值。

在本申请实施例中，这里的绿光数据的特征值可以是，绿光数据对应的绿光相关系数值f5，绿光交流量值f6，绿光直流量值f7以及绿光频域特征值f12。例如，这里的绿光相关系数值f5是绿光数据对应的波形图中每个完整波谷和第一个完整的相关系数；绿光交流量值f6是绿光数据对应的波形图中绿光波峰与波谷差值的中位数；绿光直流量值f7是绿光数据的均值；绿光频域特征值f12是对绿光数据进行快速傅里叶变化后得到绿光数据的频域数据。

智能手表100可以将采集到的绿光数据分别转换为对应的绿光相关系数值f5，绿光交流量值f6，绿光直流量值f7以及绿光频域特征值f12。例如，智能手表100将100个绿光数据分别转换为对应的100个绿光数据的绿光相关系数值f5，绿光交流量值f6，绿光直流量值f7以及绿光频域特征值f12。

在本申请实施例中，可以通过绿光数据的绿光相关系数值f5，绿光交流量值f6，绿光直流量值f7以及绿光频域特征值f12，判断智能手表100的佩戴位置是否属于适合心率检测的预设范围，也就是，智能手表100位于用户手腕的位置是否为适合心率检测的预设范围。也就是，通过这里的绿光数据的特征值确定智能手表100紧贴的用户的手腕皮肤下的心率数据是否符合预设心率数据范围。

在本申请实施例中，这里的陀螺仪数据的特征值可以是，陀螺仪数据对应的陀螺仪差分值f13。例如，这里的陀螺仪差分值f13可以是陀螺仪数据一阶差分信号。智能手表100可以将采集到的陀螺仪数据转换为对应的陀螺仪差分值f13。例如，智能手表100将100个陀螺仪数据转换为对应的100个陀螺仪数据的陀螺仪差分值f13。

在本申请实施例中，这里的加速度数据的特征值可以是，加速度数据对应的加速度均值f10。例如，这里的加速度均值f10可以是第四时间段内的加速度均值。智能手表100可以将采集到的加速度数据转换为对应的加速度均值f10。例如，智能手表100将100个陀螺仪数据转换为对应的100个加速度数据的加速度均值f10。

在本申请实施例中，这里的环境光数据的特征值可以是环境光交流量值f8，环境光直流量值f9。例如，环境光交流量值f8环境光数据对应的波形图中环境光波峰与波谷差值的中位数，环境光直流量值f9是环境光数据的均值。

S504：将陀螺仪数据、加速度数据、绿光数据以及环境光数据的特征值输入融合检测模型。

在本申请实施例中，这里的融合检测模型也可以存储在智能手表100的内部存储器中，融合检测模型可以是决策树、线性回归这一类的机器学习模型。以融合检测模型是决策树为例，可以将陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值配置为该决策树不同分枝，通过输入的陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值计算出融合检测模型的输出结果。

可以理解，融合检测模型还可以对输入的陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值进行校正，提高融合检测模型的输出结果的准确性。

在本申请实施例中，融合检测模型对输入的绿光数据的特征值进行处理的过程可以包括：绿光数据的绿光相关系数值f5属于相关系数阈值范围的情况下，和/或，绿光数据的绿光交流量值f6以及绿光数据的绿光直流量值f7属于交流直流阈值范围的情况下，和/或绿光数据的绿光频域特征值f12属于频域数阈值范围的情况下，判断出智能手表100的佩戴位置属于适合心率检测的预设范围。

S505：获得融合检测模型的输出结果。

这里的融合检测模型的输出结果可以表示智能手表100是否处于异常佩戴情况，例如，融合检测模型的输出结果可以用0或者1表示，0表示智能手表100未处于异常佩戴情况，1表示智能手表100处于异常佩戴情况。

融合检测模型的训练可以与红外光检测模型相似，这里不再赘述。用于融合检测模型的训练的数据可以是将智能手表100紧贴用户的手腕皮肤、或者佩戴着智能手表100旋转、晃动手腕或者智能手表100紧贴用户的手腕的尺骨或者桡骨或者佩戴着智能手表100插入衣物口袋后，智能手表100采集预设段时间内的陀螺仪数据、加速度数据、绿光数据以及环境光数据。

在另一本申请实施例中，融合检测模型可以是卷积神经网络(ConvolutionalNeural Network，CNN)、深度神经网络(Deep Neural Networks, DNN)、循环神经网络(Recurrent Neural Network，RNN)和时间递归神经网络(Long Short-Term Memory，LSTM)中的一种。

上述图4描述了本申请实施中的一种通过红外光检测和电阻抗信号检测判断智能手表100是否处于佩戴状态的过程的流程示意图。下面参考图6，图6示出了另一种本申请实施中的通过红外光检测和电阻抗信号检测判断智能手表100是否处于佩戴状态的过程的流程示意图。

如图6所示，通过红外光检测和电阻抗信号检测判断智能手表100是否处于佩戴状态的过程可以包括：

S601：初始化，设置采样频率fs1，采集一段时间t1的红外光数据。

在本申请实施例中，智能手表100可以通过红外光传感器以第一采样率fs1（frequency of sample，fs）在第一时间段内采集红外光，这里的红外光可以是智能手表100可以通过红外光传感器发出后，经过反射采集到的红外光。

S602：计算红外光数据的特征值（f1/f2/f3）。

在本申请实施例中，这里的红外光的特征值可以是，红外光的数据对应的方差f1，标准差f2和均值f3。

S603：计算红外光数据的特征值的输出结果（e1=w1*f1+w2*f2+w3*f3）。

在本申请实施例中，智能手表100可以将红外光的特征值输入红外光检测模型，获得红外光检测模型的输出结果。红外光检测模型的输出结果可以用e1=w1* f1+w2*f2+w3*f3来表示。这里的w1、w2和w3可以分别是红外光检测模型中与方差f1，标准差f2和均值f3对应的权重。

S604：判断输出结果是否小于第一阈值（e1<th1）。

在本申请实施例中，智能手表100可以预先设置第一阈值（th1）。若红外光检测的输出结果低于第一阈值，则执行步骤S601，智能手表100可以重新进行红外光检测；若红外光检测的输出结果高于第一阈值，则执行步骤S605，智能手表100可以进行电阻抗信号检测。

S605：设置采样频率fs2，采集一段时间t3的电阻抗信号。

在本申请实施例中，智能手表100可以通过电容式接近传感器以第二采样率fs2在第二时间段内采集电阻抗信号。

S606：计算电阻抗信号的特征值f4。

在本申请实施例中，这里的电阻抗信号的特征值可以是，电阻抗信号的数据对应的均值f4。

S607：判断输出结果是否大于第二阈值（e2>th2）。

在本申请实施例中，这里的输出结果可以是电阻抗信号检测模型的输出结果，智能手表100可以预先设置第二阈值（th2）。若电阻抗信号检测的输出结果高于第二阈值，则执行步骤S601，智能手表100可以重新进行红外光检测；若电阻抗信号检测的输出结果低于第二阈值，则智能手表100可以进一步检测智能手表100是否存在异常佩戴情况。

上述图5描述了本申请实施中的一种检测智能手表100是否存在异常佩戴情况的过程进行详细描述。下面参考图7，图7示出了另一种本申请实施中检测判断智能手表100是否处于佩戴状态的过程的流程示意图。

如图7所示，检测判断智能手表100是否处于佩戴状态的过程可以包括：

S701：设置采样频率fs3/fs4，采集一段时间t2的PPG、ACC和GYRO数据。

在本申请实施例中，智能手表100可以分别通过陀螺仪传感器、加速度传感器、PPG心率传感器和环境光传感器，以第三采样率fs3和以第四采样率fs4采集t2时间段内的陀螺仪数据（GYRO）、加速度数据（ACC）、绿光数据（PPG）以及环境光数据。

S702：对PPG、ACC和GYRO数据进行带通滤波并且对PPG数据进行快速FFT变换转换频域。

在本申请实施例中，智能手表100可以对采集的陀螺仪数据、加速度数据、绿光数据以及环境光数据，进行带通滤波，去除噪声数据。并对绿光数据进行快速傅里叶变化（Fast Fourier Transform，FFT）后得到绿光数据的频域数据。

S703：计算特征值（f5/f6/f7/f8/f9/f10/f11/f12/f13）。

在本申请实施例中，这里的绿光数据的特征值可以是，绿光数据对应的绿光相关系数值f5，绿光交流量值f6，绿光直流量值f7以及绿光频域特征值f12。这里的陀螺仪数据的特征值可以是，陀螺仪数据对应的陀螺仪差分值f13。这里的加速度数据的特征值可以是，加速度数据对应的加速度均值f10。这里的环境光数据的特征值可以是环境光交流量值f8，环境光直流量值f9。

S704：将特征值输入决策树模型。

在本申请实施例中，这里的决策树模型可以是存储在智能手表100的内部存储器中的融合检测模型。决策树模型可以将陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值配置为该决策树不同分枝，通过输入的陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值计算出融合检测模型的输出结果。

S705：输出佩戴状态。

在本申请实施例中，这里的融合检测模型的输出结果可以表示智能手表100是否处于异常佩戴情况。

图8是本申请一些实施例公开的用于执行佩戴检测方法的流程示意图。如图2所示，佩戴检测方法可以由智能手表执行，佩戴检测方法包括：

S801：采集PPG、ACC、GYRO和CAP传感器数据。

在本申请实施例中，智能手表可以分别通过陀螺仪传感器、加速度传感器、PPG心率传感器、电容式接近传感器和环境光传感器采集陀螺仪数据（GYRO）、加速度数据（ACC）、绿光数据（PPG）、电阻抗信号（CAP）以及环境光数据。

S802：红外光检测。

在本申请实施例中，智能手表可以通过红外光传感器采集红外光，将红外光的数据转换为对应的特征值，将红外光的特征值输入红外光检测模型，获得红外光检测的输出结果。

S803：电阻抗信号检测。

在本申请实施例中，智能手表可以通过电容式接近传感器采集电阻抗信号，将电阻抗信号的数据转换为对应的特征值，将电阻抗信号的特征值输入电阻抗信号检测模型，获得电阻抗信号检测的输出结果。

S804：异常佩戴情况检测。

在本申请实施例中，智能手表可以将采集的陀螺仪数据、加速度数据、绿光数据以及环境光数据分别转化为对应的特征值，将特征值输入融合检测模型，获得融合检测模型的输出结果，也就是，智能手表的佩戴状态。

S805：输出佩戴状态。

在本申请实施例中，步骤S804中的融合检测模型可以输出陀螺仪数据、加速度数据、绿光数据以及环境光数据的特征值对应的智能手表的佩戴状态。

下面通过图9对图8描述的佩戴检测方法的流程示意图进行详细说明，图9是本申请一些实施例公开的用于智能手表的佩戴检测方法的佩戴检测模块900的软件结构框图。佩戴检测模块900包括：数据采集单元901，红外光检测单元902，电阻抗信号检测单元903，数据处理单元904，佩戴检测单元905，结果状态校正单元906。

数据采集单元901：用于通过红外光传感器、电容式接近传感器、陀螺仪传感器、加速度传感器、PPG心率传感器和环境光传感器采集红外光、电阻抗信号、陀螺仪数据、加速度数据、绿光数据以及环境光数据。

红外光检测单元902：用于将红外光的数据转换为对应的特征值，将红外光的特征值输入红外光检测模型，获得红外光检测的输出结果。

电阻抗信号检测单元903，用于将电阻抗信号的数据转换为对应的特征值，将电阻抗信号的特征值输入电阻抗信号检测模型，获得电阻抗信号检测的输出结果。

数据处理单元904，用于将采集的陀螺仪数据、加速度数据、绿光数据以及环境光数据分别转化为对应的特征值，数据处理单元904可以包括：信号滤波子单元9041，特征提取子单元9042和信息融合子单元9043。

其中，信号滤波子单元9041用于对采集的陀螺仪数据、加速度数据、绿光数据以及环境光数据，进行带通滤波，去除噪声数据。

特征提取子单元9042，用于将采集的陀螺仪数据、加速度数据、绿光数据以及环境光数据分别转化为对应的特征值。

信息融合子单元9043用于将陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值进行融合，获得融合后的特征值。

佩戴检测单元905，用于将陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的融合后的特征值输入融合检测模型，这里的融合检测模型可以是决策树模型。

结果状态校正单元906，用于对融合检测模型中的陀螺仪数据、加速度数据、绿光数据以及环境光数据对应的特征值进行融合，获得融合后的特征值进行校正，提高融合检测模型的输出结果的准确性。

在介绍完本申请实施例中涉及的术语以及用于佩戴检测方法的佩戴检测模块后，为了更加清楚、详细地介绍本申请实施例提供的提示方法，下面通过图10介绍本申请实施例提供的实施该方法所涉及的另一种智能手表100的硬件结构图。

图10是本申请实施例提供的另一例智能手表100的结构示意图。如图10所示，该电子设备100能够执行本申请实施例提供的佩戴检测方法。具体地，如图10所示，电子设备100可以包括微处理器1010，显示器1020，存储器1030，九轴加速度传感器1041和心率传感器1042。可以理解的是，图10示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中，电子设备100可以包括比图示更多或更少的部件。

微处理器1010可以包括一个或多个处理单元。

显示器1020可以是显示屏幕，用于实现显示功能。

存储器1030可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。存储器1030可以包括存储程序区和存储数据区。

九轴加速度传感器1041包括了加速度计、陀螺仪和磁力计，用于采集陀螺仪数据，加速度数据。

心率传感器1042可以是PPG心率传感器，用于采集绿光数据。

在另一本申请实施例中，智能手表的佩戴检测方法也可以适用于移动支付的应用场景。也就是说，在用户使用智能手表中的移动支付应用进行扫码支付时，智能手表需要确定处于佩戴状态才能开启移动支付应用。

在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。

需要说明的是，本申请各设备实施例中提到的各单元/模块都是逻辑单元/模块，在物理上，一个逻辑单元/模块可以是一个物理单元/模块，也可以是一个物理单元/模块的一部分，还可以以多个物理单元/模块的组合实现，这些逻辑单元/模块本身的物理实现方式并不是最重要的，这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外，为了突出本申请的创新部分，本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入，这并不表明上述设备实施例并不存在其它的单元/模块。

需要说明的是，在本专利的示例和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本申请的某些优选实施例，已经对本申请进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (12)

1.一种可穿戴设备的佩戴检测方法，其特征在于，包括：

可穿戴设备接收到心率检测指令；

通过检测所述可穿戴设备与障碍物之间的距离和检测所述障碍物的电阻抗信号，确定出所述可穿戴设备处于被用户佩戴的状态；

确定所述可穿戴设备是否处于正确佩戴状态，其中，所述确定所述可穿戴设备是否处于正确佩戴状态包括：

控制所述可穿戴设备发出绿光，并基于用户反射的绿光数据确定所述可穿戴设备是否位于心率检测的预设范围内；

对应于确定出所述可穿戴设备处于正确佩戴状态，响应所述心率检测指令，开启心率检测功能。

2.根据权利要求1所述的方法，其特征在于，通过检测所述可穿戴设备与障碍物之间的距离和检测所述障碍物的电阻抗信号，包括：

所述可穿戴设备通过红外光模块检测所述可穿戴设备与障碍物之间的距离；

对应于检测出的距离小于或者等于预设距离，所述可穿戴设备通过电阻抗模块采集所述障碍物的电阻抗信号，并且对应于采集到电阻抗信号在预设信号范围内，确定所述可穿戴设备处于被用户佩戴的状态。

3.根据权利要求2所述的方法，其特征在于，还包括：

对应于所述可穿戴设备不处于被用户佩戴的状态，禁止开启心率检测功能；或者对应于确定所述可穿戴设备未处于正确佩戴状态，禁止开启所述心率检测功能。

4.根据权利要求1所述的方法，其特征在于，控制所述可穿戴设备发出绿光，并基于用户反射的绿光数据确定所述可穿戴设备是否位于心率检测的预设范围内，包括：

所述可穿戴设备通过PPG传感器发出绿光，并获取由所述用户反射的绿光数据；

对应于所述绿光数据在预设范围内，确定出所述可穿戴设备处于心率检测的预设范围内。

5.根据权利要求4所述的方法，其特征在于，在所述心率检测的预设范围内，所述可穿戴设备位于用户手腕处皮肤下的心率数据在预设心率数据范围内。

6.根据权利要求4所述的方法，其特征在于，所述绿光数据至少包括绿光相关系数值、绿光交流量值、绿光直流量值以及绿光频域特征值中的一种。

7.根据权利要求5所述的方法，其特征在于，所述对应于所述绿光数据在预设范围内，确定出所述可穿戴设备处于心率检测的预设范围内，包括：

所述可穿戴设备将所述绿光数据输入预设检测模型；

对应于所述预设检测模型的输出值在所述预设范围内，确定所述可穿戴设备处于心率检测的预设范围，其中，所述预设检测模型为决策树模型。

8.根据权利要求4所述的方法，其特征在于，所述确定所述可穿戴设备是否处于正确佩戴状态，还包括：

确定所述可穿戴设备是否处于静止状态，并确定所述可穿戴设备是否被遮盖；

对应于所述可穿戴设备处于心率检测的预设范围，且处于静止状态以及未被遮盖，确定所述可穿戴设备处于正确佩戴状态。

9.根据权利要求8所述的方法，其特征在于，所述确定所述可穿戴设备是否处于静止状态，包括：

通过所述可穿戴设备的陀螺仪采集到的陀螺仪数据和/或所述可穿戴设备的加速度计采集到的加速度数据确定所述可穿戴设备是否处于静止状态。

10.根据权利要求8所述的方法，其特征在于，确定所述可穿戴设备是否被遮盖，包括：

通过所述可穿戴设备的环境光传感器采集到的环境光数据确定所述可穿戴设备是否被遮盖。

11.一种可穿戴设备，其特征在于，包括：

处理器，用于执行权利要求1至10中任一项所述佩戴检测方法；以及

存储器，可以与处理器耦合或者解耦用于存储由所述处理器执行的指令。

12.一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中包含有指令，当所述指令被可穿戴设备的处理器执行时使可穿戴设备实现权利要求1至10中任一项所述佩戴检测方法。

Images