CN114449405B - 一种无线耳机运动防误触方法 - Google Patents

一种无线耳机运动防误触方法 Download PDF

Info

Publication number
CN114449405B
CN114449405B CN202210365451.XA CN202210365451A CN114449405B CN 114449405 B CN114449405 B CN 114449405B CN 202210365451 A CN202210365451 A CN 202210365451A CN 114449405 B CN114449405 B CN 114449405B
Authority
CN
China
Prior art keywords
user
data information
neural network
network model
motion
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.)
Active
Application number
CN202210365451.XA
Other languages
English (en)
Other versions
CN114449405A (zh
Inventor
王慢慢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Tianyu Huayun Intelligent Technology Co.,Ltd.
Original Assignee
Cmec Zhilian Shenzhen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cmec Zhilian Shenzhen Technology Co ltd filed Critical Cmec Zhilian Shenzhen Technology Co ltd
Priority to CN202210365451.XA priority Critical patent/CN114449405B/zh
Publication of CN114449405A publication Critical patent/CN114449405A/zh
Application granted granted Critical
Publication of CN114449405B publication Critical patent/CN114449405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/10—Earpieces; Attachments therefor ; Earphones; Monophonic headphones
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/10—Earpieces; Attachments therefor ; Earphones; Monophonic headphones
    • H04R1/1041—Mechanical or electronic switches, or control elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2420/00—Details of connection covered by H04R, not provided for in its groups
    • H04R2420/07—Applications of wireless loudspeakers or wireless microphones

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种无线耳机运动防误触方法，包括：步骤1、提取用户运动振动数据信息，将用户运动振动数据信息转换为振动数据波；步骤2、设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动振动数据信息；步骤3、输入用户运动数据信息，步骤4、构建改进型BP神经网络模型，所述改进型BP神经网络模型包括第一BP神经网络模型和第二BP神经网络模型；步骤5、对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险。本发明通过人工智能的方法实现耳机运动防误操作，提高了防误识别能力。

Description

一种无线耳机运动防误触方法
技术领域
本发明涉及无线技术领域，且更具体地涉及一种无线耳机运动防误触方法。
背景技术
目前市场上，无线耳机绝大多数都具有触摸的控制功能特性，触摸的控制功能主要应用在控制音乐播放、接打电话、唤醒语音助手和切换耳机模式状态切换时。由于无线耳机的体积小，用户在无线耳机开机的情况下，容易误触到无线耳机的识别区域而导致无线耳机切换使用状态，因此如何避免用户非主动地触摸到无线耳机的识别区域而触发无线耳机误操作的情况发生是亟待解决的技术问题。
现有技术中，也有针对该技术进行相关技术研究，其中专利号CN202011639674.8公开了一种无线耳机防误触方法，该技术通过控制器、触摸芯片、识别区域所构成的触摸识别结构，通过采集人手触碰识别区域前的电平信号来与触发电平信号做比较，以实现无线耳机运动防误操作。但是方法通过控制芯片实现数据控制，芯片经过长期工作后，容易出现发热异常问题，导致芯片出现计算精度问题。
专利号CN202022026785.3公开一种防误触气压式按键及无线耳机，该技术的防误触气压式按键包括按键本体及气压传感器；该按键本体设置有具有气体的气腔及作用于气腔的按压部；该气压传感器采集气腔内的气压变化信号。该发明解决了物理按键需要活动结构难以做到防水防汗的问题，且实现了静音式按压，不会产生噪声，具备弹性缓冲的良好触感，解决了电容式按键“一碰即触发”的易误触缺点。该技术虽然在一定程度上解决了误操作问题，但是结构本体笨重，在用于无线耳机中，不易携带。
发明内容
针对上述技术的不足，本发明公开一种无线耳机运动防误触方法，通过人工智能的方法实现耳机运动防误操作，大大提高了防误识别能力，结构简单、便携，能够提高用户体验。
一种无线耳机运动防误触方法，一种无线耳机运动防误触方法，包括以下步骤：
步骤1、提取用户振动运动数据信息，将用户振动运动数据信息转换为振动数据波；
在本步骤中，将用户运动振动数据信息通过振动频率信息的形式反映用户运动的剧烈程度，通过获取心跳数据信息进而标记运动量振幅；
步骤2、设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动数据信息；
步骤3、输入用户运动数据信息，所述运动数据信息至少包括用户身高、用户体重、用户年龄和用户性别，然后设置身高、体重、年龄、运动时间或者肺活量，并对设置的数据信息进行融合，设置不同年龄阶段的运动量对应的心率和振动幅值；
步骤4、构建改进型BP神经网络模型，所述改进型BP神经网络模型包括第一BP神经网络模型和第二BP神经网络模型，其中第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；
步骤5、对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险。
作为本发明进一步的实施例，所述第一BP神经网络模型包括输入层、隐含层、编码层和输出层，其中所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端与所述编码层的输出端连接，所述编码层的输出端与所述输出层的输入端连接，并且所述第一BP神经网络模型前向传播输出数据信息的结果为：
Figure 454890DEST_PATH_IMAGE001
（1）
在公式（1）中，其中
Figure 180401DEST_PATH_IMAGE002
表示输入的用户心跳数据信息、振动频率信息和电磁波信息在整个第一BP神经网络模型中的权重矩阵，
Figure 426705DEST_PATH_IMAGE003
表示用户不同状态下的用户运动数据信息输入向量，
Figure 704103DEST_PATH_IMAGE004
表示持续输入用户运动状态的激活函数；
通过公式（1）能够实现用户运动数据信息输出；
所述第一BP神经网络模型输出的用户运动数据信息误差函数计算过程为：
Figure 668648DEST_PATH_IMAGE005
（2）
在公式（2）中，
Figure 197849DEST_PATH_IMAGE006
表示设置用户运动数据信息与设置阈值数据信息之间的误差函数，
Figure 564240DEST_PATH_IMAGE007
表示用户运动的实际输出，
Figure 746959DEST_PATH_IMAGE008
表示用户运动实际期望输出，通过公式（2）能够实现用户运动数据信息误差输出；
在所述第一BP神经网络模型中，每一层得到的用户运动数据信息误差信号用来调整神经元之间的权重，使误差沿梯度方向减小，用户运动时误差反向传播过程可表示为：
Figure 198800DEST_PATH_IMAGE009
（3）
在公式（3）中，其中
Figure 390747DEST_PATH_IMAGE010
表示用户不同数据信息的连接权重，
Figure 348995DEST_PATH_IMAGE011
表示用户运动数据信息的隐含层，脉冲神经网络的前传形式从编码层到输出层，通过公式（3）能够实现用户运动时误差反向传播数据信息，以求出用户实际运行状况和设置的阈值之间的差距；
在所述第一BP神经网络模型中，每个神经元连接包含10个以上的突触，输出层的神经元从之前的多个神经元H收到尖峰，神经元的状态变量为：
Figure 109140DEST_PATH_IMAGE012
（4）
式（4）中，其中
Figure 907332DEST_PATH_IMAGE013
表示评估用户运行状态数据信息时的状态变量，
Figure 778336DEST_PATH_IMAGE014
表示第一BP神经网络模型的突触末端权重，
Figure 853739DEST_PATH_IMAGE015
表示评估用户运行状态数据信息的延迟突触前电位，调整好神经网络模型的所有权重后，输入用户运动数据信号并将数据信息进行正向传播，第一BP神经网络模型达到停止迭代条件后，第一BP神经网络模型建立完成，第一BP神经网络模型参数达到最优，则输出不存在误触碰耳机的最佳运动状态；
作为本发明进一步的实施例，所述第一BP神经网络模型输入端口为兼容振动数据波信息和心率跳动波信息的脉冲神经网络接口，所述隐含层的层数为10，所述编码层的层数为8，所述输出层接口为兼容无线数据信息的蓝牙接口或wifi接口。通过这种方式能够提高训练精度。
作为本发明进一步的实施例，所述第二BP神经网络模型输入端口为兼容时间序列数据信息的脉冲神经网络接口，并且所述第二BP神经网络模型包括输入层、编码层、BILSTM层、语义分析层和输出层，其中所述输入层的输出端与所述编码层的输入端连接，所述编码层的输出端与所述BILSTM层的输入端连接，所述BILSTM层的输出端与所述语义分析层的输入端连接，所述语义分析层的输出端与所述输出层的输入端连接。
作为本发明进一步的实施例，其中编码层的个数为6，BILSTM层的个数为7，所述语义分析层的个数为8，所述输出层接口为兼容无线数据信息的蓝牙接口或wifi接口。
在进一步的实施例中，一种实现无线耳机运动防误触方法的硬件装置，包括：
传感器，用于提取用户运动振动数据信息，将用户运动振动数据信息转换为振动数据波；能够将用户运动振动数据信息通过振动频率信息的形式反映用户运动的剧烈程度，通过获取心跳数据信息进而标记运动量振幅；
故障诊断模块，用于设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动数据信息；
无线通信接口，用于输入用户运动数据信息；用户运动数据信息至少包括用户身高、用户体重、用户年龄和用户性别；
承载改进型BP神经网络模型的介质，所述介质包括承载第一BP神经网络模型的第一电子媒介和承载第二BP神经网络模型的第二电子媒介；第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；诊断输出模块，对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险；其中：
所述传感器的输出端与无线通信接口的输入端连接，所述无线通信接口输出端与故障诊断模块的输入端连接，所述故障诊断模块的输出端与介质的输入端连接，所述介质分别与所述第一电子媒介和第二电子媒介连接，所述介质的输出端还与诊断输出模块的输出端连接。
作为本发明进一步的实施例，所述传感器为接触式传感器。
积极有益效果
通过人工智能方法实现无线耳机运动防误触判断，能够提高耳机运动防误操作能力，并构建了第一BP神经网络模型、第二BP神经网络模型，继而实现了不同形式的诊断与判断，其中第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；通过二者结合能够实现用户不同运动状态的评估与计算。通过研究运动振动数据信息转换的振动数据波，并对至少包括用户身高、用户体重、用户年龄和用户性别的运动数据信息进行学习，通过用户身高、体重、年龄、运动时间或者肺活量各项参数学习和对比，进而实现不同数数据信息的学习和融合，本申请通过人工智能的方式提高了用户运动体验，能够有效地防止运动误碰，在应用过程中，通过可编程的方式实现，不需要实体，大大提高了便携能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明一种无线耳机运动防误触方法的整体架构示意图；
图2为本发明一种无线耳机运动防误触方法中第一BP神经网络模型的原理架构示意图；
图3为本发明一种无线耳机运动防误触方法中第二BP神经网络模型的原理架构示意图；
图4为本发明实现无线耳机运动防误触方法的硬件装置示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1-图4所示，一种无线耳机运动防误触方法，包括以下步骤：
步骤1、提取用户运动振动数据信息，将用户运动振动数据信息转换为振动数据波；
在本步骤中，将用户运动振动数据信息通过振动频率信息的形式反映用户运动的剧烈程度，通过获取心跳数据信息进而标记运动量振幅；
步骤2、设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动数据信息；
步骤3、输入用户运动数据信息，所述运动数据信息至少包括用户身高、用户体重、用户年龄和用户性别，然后设置身高、体重、年龄、运动时间或者肺活量，并对设置的数据信息进行融合，设置不同年龄阶段的运动量对应的心率和振动幅值；
步骤4、构建改进型BP神经网络模型，所述改进型BP神经网络模型包括第一BP神经网络模型和第二BP神经网络模型，其中第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；
步骤5、对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险。在本发明中，通过研究运动振动数据信息转换的振动数据波，并对至少包括用户身高、用户体重、用户年龄和用户性别的运动数据信息进行学习，通过用户身高、体重、年龄、运动时间或者肺活量各项参数学习和对比，进而实现不同数数据信息的学习和融合，本申请通过人工智能的方式提高了用户运动体验，能够有效地防止运动误碰，在应用过程中，通过可编程的方式实现，不需要实体，大大提高了便携能力。
在本发明中，所述第一BP神经网络模型包括输入层、隐含层、编码层和输出层，其中所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端与所述编码层的输出端连接，所述编码层的输出端与所述输出层的输入端连接，并且所述第一BP神经网络模型前向传播输出数据信息的结果为：
Figure 643841DEST_PATH_IMAGE001
（1）
在公式（1）中，其中
Figure 70274DEST_PATH_IMAGE002
表示输入的用户心跳数据信息、振动频率信息和电磁波信息在整个第一BP神经网络模型中的权重矩阵，
Figure 338444DEST_PATH_IMAGE003
表示用户不同状态下的用户运动数据信息输入向量，
Figure 533934DEST_PATH_IMAGE004
表示持续输入用户运动状态的激活函数；
通过公式（1）能够实现用户运动数据信息输出；
所述第一BP神经网络模型输出的用户运动数据信息误差函数计算过程为：
Figure 635882DEST_PATH_IMAGE005
（2）
在公式（2）中，
Figure 143086DEST_PATH_IMAGE006
表示设置用户运动数据信息与设置阈值数据信息之间的误差函数，
Figure 90314DEST_PATH_IMAGE007
表示用户运动的实际输出，
Figure 402959DEST_PATH_IMAGE008
表示用户运动实际期望输出，通过公式（2）能够实现用户运动振动数据信息误差输出；
在所述第一BP神经网络模型中，每一层得到的用户运动数据信息误差信号用来调整神经元之间的权重，使误差沿梯度方向减小，用户运动时误差反向传播过程可表示为：
Figure 269284DEST_PATH_IMAGE009
（3）
在公式（3）中，其中
Figure 670309DEST_PATH_IMAGE010
表示用户不同数据信息的连接权重，
Figure 421228DEST_PATH_IMAGE011
表示用户运动数据信息的隐含层，脉冲神经网络的前传形式从编码层到输出层，通过公式（3）能够实现用户运动时误差反向传播数据信息，以求出用户实际运行状况和设置的阈值之间的差距；
在所述第一BP神经网络模型中，每个神经元连接包含10个以上的突触，输出层的神经元从之前的多个神经元H收到尖峰，神经元的状态变量为：
Figure 450364DEST_PATH_IMAGE012
（4）
式（4）中，其中
Figure 362956DEST_PATH_IMAGE013
表示评估用户运行状态数据信息时的状态变量，
Figure 375911DEST_PATH_IMAGE014
表示第一BP神经网络模型的突触末端权重，
Figure 930521DEST_PATH_IMAGE015
表示评估用户运行状态数据信息的延迟突触前电位，调整好神经网络模型的所有权重后，输入用户运动数据信号并将数据信息进行正向传播，第一BP神经网络模型达到停止迭代条件后，第一BP神经网络模型建立完成，第一BP神经网络模型参数达到最优，则输出不存在误触碰耳机的最佳运动状态；
在本发明中，所述第一BP神经网络模型输入端口为兼容振动数据波信息和心率跳动波信息的脉冲神经网络接口，所述隐含层的层数为10，所述编码层的层数为8，所述输出层接口为兼容无线数据信息的蓝牙接口或wifi接口。
在具体应用中，隐含层个数能够影响神经网络模型的精度，前馈网络也称前向网络。这种网络只在训练过程会有反馈信号，而在分类过程中数据只能向前传送，直到到达输出层，层间没有向后的反馈信号，因此被称为前馈网络。感知机( perceptron)与BP神经网络就属于前馈网络。
在具体应用中，第一BP神经网络模型和第二BP神经网络模型可以交替使用，在其他实施例中，还可以按顺序持续连接使用。
在本发明中，所述第二BP神经网络模型输入端口为兼容时间序列数据信息的脉冲神经网络接口，并且所述第二BP神经网络模型包括输入层、编码层、BILSTM层、语义分析层和输出层，其中所述输入层的输出端与所述编码层的输入端连接，所述编码层的输出端与所述BILSTM层的输入端连接，所述BILSTM层的输出端与所述语义分析层的输入端连接，所述语义分析层的输出端与所述输出层的输入端连接。
在本发明中，其中编码层的个数为6，BILSTM层的个数为7，所述语义分析层的个数为8，所述输出层接口为兼容无线数据信息的蓝牙接口或wifi接口。
一种实现无线耳机运动防误触方法的硬件装置，包括：
传感器，用于提取用户运动振动数据信息，将用户运动振动数据信息转换为振动数据波；能够将用户运动振动数据信息通过振动频率信息的形式反映用户运动的剧烈程度，通过获取心跳数据信息进而标记运动量振幅；
故障诊断模块，用于设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动数据信息；
无线通信接口，用于输入用户运动数据信息；用户运动数据信息至少包括用户身高、用户体重、用户年龄和用户性别；
承载改进型BP神经网络模型的介质，所述介质包括承载第一BP神经网络模型的第一电子媒介和承载第二BP神经网络模型的第二电子媒介；第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；诊断输出模块，对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险；其中：
所述传感器的输出端与无线通信接口的输入端连接，所述无线通信接口输出端与故障诊断模块的输入端连接，所述故障诊断模块的输出端与介质的输入端连接，所述介质分别与所述第一电子媒介和第二电子媒介连接，所述介质的输出端还与诊断输出模块的输出端连接。
在本发明中，所述传感器为接触式传感器。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种无线耳机运动防误触方法，其特征在于：包括以下步骤：
步骤1、提取用户运动振动数据信息，将用户运动振动数据信息转换为振动数据波；
在本步骤中，将用户运动振动数据信息通过振动频率信息的形式反映用户运动的剧烈程度，通过获取心跳数据信息进而标记运动量振幅；
步骤2、设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动数据信息；
步骤3、输入用户运动数据信息，所述运动数据信息至少包括用户身高、用户体重、用户年龄和用户性别，然后设置身高、体重、年龄、运动时间或者肺活量，并对设置的数据信息进行融合，设置不同年龄阶段的运动量对应的心率和振动幅值；
步骤4、构建改进型BP神经网络模型，所述改进型BP神经网络模型包括第一BP神经网络模型和第二BP神经网络模型，其中第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；
步骤5、对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险。
2.根据权利要求1所述的一种无线耳机运动防误触方法，其特征在于：所述第一BP神经网络模型包括输入层、隐含层、编码层和输出层，其中所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端与所述编码层的输出端连接，所述编码层的输出端与所述输出层的输入端连接，并且所述第一BP神经网络模型前向传播输出数据信息的结果为：
Figure 981097DEST_PATH_IMAGE001
（1）
在公式（1）中，其中
Figure 220448DEST_PATH_IMAGE002
表示输入的用户心跳数据信息、振动频率信息和电磁波信息在整个第一BP神经网络模型中的权重矩阵，
Figure 112181DEST_PATH_IMAGE003
表示用户不同状态下的用户运动数据信息输入向量，
Figure 905824DEST_PATH_IMAGE004
表示持续输入用户运动状态的激活函数；
通过公式（1）能够实现用户运动数据信息输出；
所述第一BP神经网络模型输出的用户运动数据信息误差函数计算过程为：
Figure 541205DEST_PATH_IMAGE005
（2）
在公式（2）中，
Figure 897713DEST_PATH_IMAGE006
表示设置用户运动数据信息与设置阈值数据信息之间的误差函数，
Figure 835713DEST_PATH_IMAGE007
表示用户运动的实际输出，
Figure 647811DEST_PATH_IMAGE008
表示用户运动实际期望输出，通过公式（2）能够实现用户运动数据信息误差输出；
在所述第一BP神经网络模型中，每一层得到的用户运动数据信息误差信号用来调整神经元之间的权重，使误差沿梯度方向减小，用户运动时误差反向传播过程可表示为：
Figure 758986DEST_PATH_IMAGE009
（3）
在公式（3）中，其中
Figure 35247DEST_PATH_IMAGE010
表示用户不同数据信息的连接权重，
Figure 409728DEST_PATH_IMAGE011
表示用户运动数据信息的隐含层，脉冲神经网络的前传形式从编码层到输出层，通过公式（3）能够实现用户运动时误差反向传播数据信息，以求出用户实际运行状况和设置的阈值之间的差距；
在所述第一BP神经网络模型中，每个神经元连接包含10个以上的突触，输出层的神经元从之前的多个神经元H收到尖峰，神经元的状态变量为：
Figure 709122DEST_PATH_IMAGE012
（4）
式（4）中，其中
Figure 686305DEST_PATH_IMAGE013
表示评估用户运行状态数据信息时的状态变量，
Figure 958018DEST_PATH_IMAGE014
表示第一BP神经网络模型的突触末端权重，
Figure 300137DEST_PATH_IMAGE015
表示评估用户运行状态数据信息的延迟突触前电位，调整好神经网络模型的所有权重后，输入用户运动数据信号并将数据信息进行正向传播，第一BP神经网络模型达到停止迭代条件后，第一BP神经网络模型建立完成，第一BP神经网络模型参数达到最优，则输出不存在误触碰耳机的最佳运动状态。
3.根据权利要求2所述的一种无线耳机运动防误触方法，其特征在于：所述第一BP神经网络模型输入端口为兼容振动数据波信息和心率跳动波信息的脉冲神经网络接口，所述隐含层的层数为10，所述编码层的层数为8，所述输出层接口为兼容无线数据信息的蓝牙接口或wifi接口。
4.根据权利要求1所述的一种无线耳机运动防误触方法，其特征在于：所述第二BP神经网络模型输入端口为兼容时间序列数据信息的脉冲神经网络接口，并且所述第二BP神经网络模型包括输入层、编码层、BILSTM层、语义分析层和输出层，其中所述输入层的输出端与所述编码层的输入端连接，所述编码层的输出端与所述BILSTM层的输入端连接，所述BILSTM层的输出端与所述语义分析层的输入端连接，所述语义分析层的输出端与所述输出层的输入端连接。
5.根据权利要求4所述的一种无线耳机运动防误触方法，其特征在于：其中编码层的个数为6，BILSTM层的个数为7，所述语义分析层的个数为8，所述输出层接口为兼容无线数据信息的蓝牙接口或wifi接口。
6.一种实现无线耳机运动防误触方法的硬件装置，其特征在于：包括：
传感器，用于提取用户运动振动数据信息，将用户运动振动数据信息转换为振动数据波；能够将用户运动振动数据信息通过振动频率信息的形式反映用户运动的剧烈程度，通过获取心跳数据信息进而标记运动量振幅；
故障诊断模块，用于设置无线耳机运动防误触操作的数据参数，以无线通信的方式向无线耳机提供用户运动数据信息；
无线通信接口，用于输入用户运动数据信息；用户运动数据信息至少包括用户身高、用户体重、用户年龄和用户性别；
承载改进型BP神经网络模型的介质，所述介质包括承载第一BP神经网络模型的第一电子媒介和承载第二BP神经网络模型的第二电子媒介；第一BP神经网络模型为融合用户心跳数据信息和振动频率信息的脉冲神经网络模型；所述第二BP神经网络模型为融合用户身高、用户体重、用户年龄和用户性别行为数据的神经网络模型；诊断输出模块，对输入的心跳数据信息、振动频率信息、电磁波信息进行故障诊断，输出判定结果，即当输出数据信息大于设定阈值，则存在耳机误碰的风险，当输出数据信息小于设定阈值，则不存在耳机误碰的风险；其中：所述传感器的输出端与无线通信接口的输入端连接，所述无线通信接口输出端与故障诊断模块的输入端连接，所述故障诊断模块的输出端与介质的输入端连接，所述介质分别与所述第一电子媒介和第二电子媒介连接，所述介质的输出端还与诊断输出模块的输出端连接。
7.根据权利要求6所述的一种实现无线耳机运动防误触方法的硬件装置，其特征在于：所述传感器为接触式传感器。
CN202210365451.XA 2022-04-08 2022-04-08 一种无线耳机运动防误触方法 Active CN114449405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210365451.XA CN114449405B (zh) 2022-04-08 2022-04-08 一种无线耳机运动防误触方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210365451.XA CN114449405B (zh) 2022-04-08 2022-04-08 一种无线耳机运动防误触方法

Publications (2)

Publication Number Publication Date
CN114449405A CN114449405A (zh) 2022-05-06
CN114449405B true CN114449405B (zh) 2022-10-21

Family

ID=81359766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210365451.XA Active CN114449405B (zh) 2022-04-08 2022-04-08 一种无线耳机运动防误触方法

Country Status (1)

Country Link
CN (1) CN114449405B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104125523A (zh) * 2014-08-01 2014-10-29 周祥宇 一种动感耳机系统及其使用方法
EP2922309A1 (en) * 2012-11-19 2015-09-23 ZTE Corporation Method of using light sensor earphone to control electronic device and light sensor earphone
CN106406701A (zh) * 2016-09-14 2017-02-15 Tcl集团股份有限公司 一种防止触控终端误操作的方法、系统及触控终端
CN107708009A (zh) * 2017-09-27 2018-02-16 广东小天才科技有限公司 无线耳机的操作方法、装置、无线耳机及存储介质
CN207677946U (zh) * 2017-10-16 2018-07-31 歌尔科技有限公司 一种无线耳机
CN208227260U (zh) * 2018-05-08 2018-12-11 国光电器股份有限公司 一种智能蓝牙耳机和蓝牙交互系统
CN112230779A (zh) * 2020-11-03 2021-01-15 Oppo广东移动通信有限公司 操作响应方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109361985B (zh) * 2018-12-07 2020-07-21 潍坊歌尔电子有限公司 Tws耳机佩戴检测方法、系统及电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2922309A1 (en) * 2012-11-19 2015-09-23 ZTE Corporation Method of using light sensor earphone to control electronic device and light sensor earphone
CN104125523A (zh) * 2014-08-01 2014-10-29 周祥宇 一种动感耳机系统及其使用方法
CN106406701A (zh) * 2016-09-14 2017-02-15 Tcl集团股份有限公司 一种防止触控终端误操作的方法、系统及触控终端
CN107708009A (zh) * 2017-09-27 2018-02-16 广东小天才科技有限公司 无线耳机的操作方法、装置、无线耳机及存储介质
CN207677946U (zh) * 2017-10-16 2018-07-31 歌尔科技有限公司 一种无线耳机
CN208227260U (zh) * 2018-05-08 2018-12-11 国光电器股份有限公司 一种智能蓝牙耳机和蓝牙交互系统
CN112230779A (zh) * 2020-11-03 2021-01-15 Oppo广东移动通信有限公司 操作响应方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
南卡蓝牙耳机革命：LitePro防误触＋游戏模式带来惊喜体验;Sammingo;《百度百家号 http://baijiaohao.baidu.com/s?id=1682956083936361026&wfr=spider&for=pc》;20201110;全文 *

Also Published As

Publication number Publication date
CN114449405A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Karlik et al. A fuzzy clustering neural network architecture for multifunction upper-limb prosthesis
KR102475411B1 (ko) 순환 인공 신경 네트워크 내 활동 특성화 그리고 정보 인코딩 및 디코딩
KR100668341B1 (ko) 사용자의 파지 형태를 이용한 휴대용 단말기의 기능 입력방법 및 장치.
US20220004875A1 (en) Automated Construction of Neural Network Architecture with Bayesian Graph Exploration
KR102154676B1 (ko) 인공 신경망의 하향식 선택적 주의집중 트레이닝 방법
McDonnell et al. An introductory review of information theory in the context of computational neuroscience
EP1949311A2 (en) A computing device, a system and a method for parallel processing of data streams
CN113643724B (zh) 一种基于时-频双分支特征的猕猴情绪识别方法及系统
KR20190134911A (ko) 전자 장치 및 이의 제어 방법
Sokolov et al. Hybrid neural networks in cyber physical system interface control systems
US11885271B2 (en) Systems and methods for detonation control in spark ignition engines using analog neuromorphic computing hardware
CN114449405B (zh) 一种无线耳机运动防误触方法
Valencia et al. Neural spike sorting using binarized neural networks
Liu et al. Ultralow power always-on intelligent and connected SNN-based system for multimedia IoT-enabled applications
Mohsen et al. EEG-based human emotion prediction using an LSTM model
Ntalampiras et al. An incremental learning mechanism for human activity recognition
CN116996807A (zh) 基于用户情感的脑控耳机控制方法及装置、耳机、介质
Li et al. Vision-action semantic associative learning based on spiking neural networks for cognitive robot
Ktistakis et al. A multimodal human-machine interaction scheme for an intelligent robotic nurse
Yamamoto et al. Small-Footprint Magic Word Detection Method Using Convolutional LSTM Neural Network.
CN115204350A (zh) 脉冲神经网络的训练方法和训练装置
Al-Nima et al. Design a technology based on the fusion of genetic algorithm, neural network and fuzzy logic
Lee et al. Recognizing multi-modal sensor signals using evolutionary learning of dynamic Bayesian networks
Lieskovska et al. RNN with improved temporal modeling for speech emotion recognition
Nii et al. Human action classification for a small size physical condition monitoring system

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230411

Address after: Building 7, Electronic and Electrical Standard Factory, Industrial Park, Linwu County, Chenzhou City, Hunan Province, 423000

Patentee after: Hunan Tianyu Huayun Intelligent Technology Co.,Ltd.

Address before: 518110 Room 201, unit 2, Gaojian Science Park, No. 3, Guanbao Road, Luhu community, Guanhu street, Longhua District, Shenzhen, Guangdong Province

Patentee before: CMEC Zhilian (Shenzhen) Technology Co.,Ltd.