CN114533320A - 一种冲牙器的姿态强度优化方法及系统 - Google Patents

Abstract

本发明公开了一种冲牙器的姿态强度优化方法及系统，包括以下步骤，步骤S1：对冲牙器的冲牙姿态以及对应的冲牙强度值进行收集整理；步骤S2：求得与冲牙姿态相对应的最优冲牙强度值，并建立数据集；其中，冲牙姿态包括喷嘴在口腔内的位置和处于这个位置时喷嘴的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲牙强度；步骤S3：建立神经网络结构学习冲牙姿态和最优的冲牙强度值之间的对应关系；步骤S4：让神经网络进行学习和进化；本发明极大提升了冲牙器的智能化程度，可以针对不同的人群咯爱提供更为合适的使用效果，并在后续的使用过程当中不断的完善，不断的贴合于个人的冲牙习惯，让冲牙过程更为舒适。

Description

一种冲牙器的姿态强度优化方法及系统

技术领域

本发明涉及冲牙器领域，具体涉及到一种冲牙器的姿态强度优化 方法及系统。

背景技术

随着社会的发展和科技的进步，人们对于个人卫生的清洁也是愈 发的重视。而在个人卫生清洁领域当中有一个绕不开的领域，那就是 对于个人口腔的卫生清洁。从古至今，人们对于口腔部位的清洁从未 中断，从古代利用杨柳枝等器物对口腔进行清洁，再到人们目前普遍 使用的各类牙刷；在人类这数千年的口腔清洁期间，各种适用于口腔 清洁的器具层出不穷，这些口腔清洁用具的结构越来越精密，功能越 来越多，清洁效果也越来越好。其中，冲牙器作为最新也是最为前沿 的口腔清洁器具也是愈发的受到人们的认可和喜爱。但是目前市面上 现有的冲牙器仍然存在一定的不足，智能化的程度不高，口腔清洁过 程中的精确控制能力不强，且对于个人口腔清洁工作的针对性不强。 在实际的使用过程当中，每一个人的口腔状况都是不一样的，这就要 求冲牙器要有不同的针对性和适应性，这样才可以给用户带来更为长 久也更为舒适的的使用体验。

发明内容

本发明为克服上述情况不足，旨在提供一种能解决上述问题的技 术方案。

一种冲牙器的姿态强度优化方法，包括以下步骤：

步骤S1：对冲牙器的冲牙姿态及对应的冲牙强度值进行收集整 理；

步骤S2：求得与冲牙姿态相对应的最优冲牙强度值，并建立数 据集；其中，冲牙姿态包括喷嘴在口腔内的位置和处于这个位置时喷 嘴的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲牙强度；

步骤S3：建立神经网络结构学习冲牙姿态和最优的冲牙强度值 之间的对应关系；

步骤S4：让神经网络进行学习和进化。

进一步的，所述步骤S1包括以下子步骤：

步骤S1.1：收集整理使用冲牙器过程中不同的冲牙姿态及对应 冲牙强度值的详细数据信息。

进一步的，所述步骤S2包括有以下子步骤：

步骤S2.1：根据收集整理的冲牙姿态及对应的冲牙强度值，针 对性的建立关于冲牙强度值的优化方程A→B；

步骤S2.2：针对上述的优化方程，对冲牙强度值的上限B1和下 限B2进行范围限定；

步骤S2.3：将对应冲牙姿态的冲牙强度值进行离散化操作，然 后根据步骤S2.1建立的优化方程及步骤S2.2中的范围限定，对对应 冲牙姿态下的冲牙强度值进行求解；

步骤S2.4：针对所有不同冲牙姿态下的冲牙强度值分别求出最 优解；根据得到的解，建立冲牙姿态和冲牙强度值的对应关系，并建 立初始数据集。

进一步的，所述步骤S3包括以下子步骤：

步骤S3.1：将步骤S2.4中建立的初始数据集分为初始训练集和 初始测试集，建立初始的神经网络模型来对映射关系进行学习，初始 神经网络在初始训练集进行训练，通过初始测试集对初始神经网络进 行测试，判断该初始神经网络是否有效；

步骤S3.2：建立神经网络搜索空间；将神经元隐藏层的数量、 每个隐藏层内隐藏有的神经元数量及学习率作为构建神经网络过程 中可以变化的参数；在初始神经网络的基础上，构建多个神经网络模 型，分别在初始训练集中进行训练，然后在初始测试集中进行测试； 根据在测试集上的表现，选出多个神经网络模型和初始神经网络架构 表现最好的网络模型，应用于系统中用于完成最优的冲牙强度值的选 取。

进一步的，所述步骤S4包括以下子步骤：

步骤S4.1：将冲牙器运用到用户的个人口腔护理环境中，并用 当前最优的神经网络模型来输出每个冲牙姿态对应的最优的冲牙强 度值；

步骤S4.2：在产品实验或用户的实际冲牙过程当中，记录整个 冲牙过程当中的多个冲牙姿态以对应于冲牙姿态的冲牙强度值；

步骤S4.3：记录在实际使用过程当中，用户对于某个冲牙姿态 的冲牙强度值的调整数据；

步骤S4.4：对比实验过程或用户使用过程中由当前神经网络输 出的冲牙强度值与使用者通过实际使用感受调整得到的全局最优冲 牙强度值，如果二者偏差的绝对值大于设定的阈值，则对神经网络进 行重新训练；

步骤S4.5：将实验过程或用户使用过程中记录得到的冲牙姿态 和对应的冲牙强度值作为关系对加入到已经有的数据集中，并且将数 据集分成扩增后训练集和扩增后测试集，在已经建立好的神经网络空 间中进行搜索，构多个神经网络模型，分别在扩增后的训练集中进行 训练，然后在扩增后的测试集中进行测试，将多个神经网络模型中架 构表现最好的网络模型作为当前最优的神经网络模型应用于冲牙器 系统中，并且用于完成以后的产品实验工作或用户的实际冲牙操作；

步骤S4.6：在以后的产品实验或实际的冲牙操作过程中，不断 的通过判断差值是否大于阈值来判断当前神经网络是否是最优的模 型，从而对模型进行持续优化。

进一步的，相邻两个所述冲牙姿态之间的位置间隔长度为一个牙 齿的宽度。

本发明还提供一种冲牙器的姿态强度优化装置，包括：

搜集整理模块，用于对冲牙器的冲牙姿态以及对应的冲牙强度值 进行收集整理；

冲牙强度计算模块，用于求得与冲牙姿态相对应的最优冲牙强度 值，并建立数据集；其中，冲牙姿态包括喷嘴在口腔内的位置和处于 这个位置时喷嘴的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲 牙强度；

关系学习模块，用于建立神经网络结构学习冲牙姿态和最优的冲 牙强度值之间的对应关系；

学习进化模块，用于让神经网络进行学习和进化。

本发明还提供一种冲牙器的姿态强度优化系统，包括：

模块1：冲牙器的姿态确认模块；所述冲牙器的姿态确认模块包 括如权利要求7所述的搜集整理模块；

模块2：冲牙器的冲牙强度值调整控制模块；所述冲牙器的冲牙 强度值调整控制模块包括如权利要求7所述的冲牙强度计算模块和 关系学习模块；

模块3：神经网络模块自进化的学习模块；所述神经网络模块自 进化的学习模块包括如权利要求7所述的学习进化模块。

本发明还提供一种计算机设备，包括：处理器和存储器，所述存 储器存储程序模块，其特征在于，所述程序模块在所述处理器运行， 实现如权利要求1-6任一项所述的方法。

本发明还提供一种可读存储介质，存储程序模块，所述程序模块 在处理器中运行可实现如权利要求1-6任一项所述的方法。

与现有技术相比，本发明的有益效果是：

1、在本发明中提供的一种冲牙器的姿态强度优化方法及系统， 可以通过收集整理得到的冲牙状态与冲牙强度值之间的对应关系，建 立数据集，并通过建立的神经网络模型来不断的在实际的使用过程当 中学习，以更加的贴合使用者的冲牙习惯，在适当的冲牙位置给予适 当的冲牙强度值，在保证清洁效果的同时给用户更为长久和舒适的使 用体验；对于不同的用户，随着使用时间和次数的积累，该冲牙器可 以通过神经网路的学习进化，来生成专属于该用户个人的一个冲牙模 式，具备非常强的适应性和使用体验感。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从 下面的描述中变得明显，或通过本发明的实践了解到。

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。

图1是本发明的流程示意图。

图2是本发明的详细流程示意图。

图3是本发明是模块结构示意图。

图4是本发明的使用的结构示意图。

图中：

1、冲牙器；2、喷嘴；

3、冲牙器的姿态确认模块；31、重力感应模块；32、旋转感应 模块；33、位移感应模块；34、位置感应模块；

4、神经网络模块自进化的学习模块；41、存储器；42、智能芯 片；

5、冲牙器的冲牙强度值调整控制模块；51、流量调节器；52、 压力检测器；53、无极调速水泵。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显 然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施 例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性 劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～4，本发明实施例中，一种冲牙器的姿态强度优化 方法，包括以下步骤：

步骤S1：对冲牙器1的冲牙姿态及对应的冲牙强度值进行收集 整理；

步骤S2：求得与冲牙姿态相对应的最优冲牙强度值，并建立数 据集；其中，冲牙姿态包括喷嘴2在口腔内的位置和处于这个位置时 喷嘴2的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲牙强度；

步骤S3：建立神经网络结构学习冲牙姿态和最优的冲牙强度值 之间的对应关系；

步骤S4：让神经网络进行学习和进化。

具体来说，在一些实施例当中，通过实验或者征集志愿者的手段 来收集整理大量人群在使用冲牙器1过程当中，冲牙器1的喷嘴2在 人口腔内相对位置及朝向的数据，并收集与之相对应的冲牙的力度及 流量等数据；然后通过收集整理来的数据建立出一个具有相对普适性 的一个优化方程和一个数据集；再建立多个神经网络模型，通过数据 集来对神经网络模型进行训练、测试以及筛选，让神经网络模型不断 进化，可以更好的贴合用户个人的口腔清洁习惯和口腔清洁环境。

特别来说，在冲牙姿态方面的选定收集中，可以更多更具有针对 性的去收集牙缝之间的位置及朝向，选定这些位置及朝向来作为各个 冲牙姿态的点位，并收集与之对应的冲牙强度值，可以更好的去帮助 人们对口腔的清洁工作。

步骤S1包括以下子步骤：

步骤S1.1：收集整理使用冲牙器1过程中不同的冲牙姿态及对 应冲牙强度值的详细数据信息。

步骤S2包括有以下子步骤：

步骤S2.1：根据收集整理的冲牙姿态及对应的冲牙强度值，针 对性的建立关于冲牙强度值的优化方程A→B；

特别的，收集整理冲牙器1在使用过程中的不同冲牙姿态及对应 冲牙强度值的详细数据信息时，可以有针对性的对使用冲牙器1的人 群进行划分；

在一些实施例当中，可以将冲牙器1的使用人群通过性别进行划 分，男性和女性这两个人群对于冲牙器1的使用姿态以及口腔状态存 在差异化，可以更有针对性建立不同的冲牙强度优化方程；

在另外一些实施例当中，还可以根据使用人群的年龄来进行划分， 青少年的口腔环境，成年人的口腔环境以及老年人的口腔环境，差别 是较大的，对于冲牙强度值的需求以及适应性也是不一样的，可以将 收集整理来的数据进行进一步的细致划分，来建立更为具有针对性的 优化方程。

还有一些实施例当中，也可以根据地域性来收集整理到的数据信 息进行划分，各个地区的人的饮食状态和饮食习惯不同，也具有较大 差异的口腔环境，可以针对性的建立优化方程。

步骤S2.2：针对上述的优化方程，对冲牙强度值的上限B1和下 限B2进行范围上的限定；

具体来说，针对于不同人群对于冲牙器1的适应性以及冲牙需求， 可以给冲牙器1的强度进行一个范围的限定，例如在针对于老年人使 用的冲牙器1上，因为老年人的牙齿大多都有一些脱落或者不稳固的 问题，可以适当性的件冲牙强度的上限进行降低，以更好的保护老年 人的口腔环境。

步骤S2.3：将对应冲牙姿态的冲牙强度值进行离散化操作，然 后根据步骤S2.1建立的优化方程及步骤S2.2中的范围限定，对对应 冲牙姿态下的冲牙强度值进行求解；

具体来说，在一些实施例当中，因为个人用户对于冲牙器1的使 用习惯的不同，在某一个冲牙姿态下对该冲牙姿态下的冲牙强度值选 定一定范围内的离散值，以模拟不同人的不同使用需求。

步骤S2.4：针对所有不同冲牙姿态下的冲牙强度值分别求出最 优解；根据得到的解，建立冲牙姿态和冲牙强度值的对应关系，并建 立初始数据集。

具体来说，人为设计的优化方程针对不同的冲牙姿态求出的最优 解，是一个相对普适性的解，它适用于大多数人群或某一个特定的人 群，人为设计的优化方程是依据了收集整理来的数据，以此建立的数 据集具备有普适性，也是一个初始的数据集。

所述步骤S3包括以下子步骤：

步骤S3.1：将步骤S2.4中建立的初始数据集分为初始训练集和 初始测试集，建立初始的神经网络模型来对映射关系进行学习，初始 神经网络在初始训练集进行训练，通过初始测试集对初始神经网络进 行测试，判断该初始神经网络是否有效；

步骤S3.2：建立神经网络搜索空间；将神经元隐藏层的数量、 每个隐藏层内隐藏有的神经元数量及学习率作为构建神经网络过程 中可以变化的参数；在初始神经网络的基础上，构建多个神经网络模 型，分别在初始训练集中进行训练，然后在初始测试集中进行测试； 根据在测试集上的表现，选出多个神经网络模型和初始神经网络架构 表现最好的网络模型，应用于系统中用于完成最优的冲牙强度值的选 取。

具体来说，通过神经网络模型来对冲牙过程当中不同冲牙姿态下 冲牙强度值的控制，当冲牙器1在人口腔内移动，并到达一个冲牙姿 态的时候，神经网络模型输出一个当前最佳的冲牙强度值，智能芯片 42通过该冲牙强度值来控制诸如水泵等实际的冲牙器1的元器件来 调整冲牙的力度，给使用者一个当前最优的冲牙体验。

所述步骤S4包括以下子步骤：

步骤S4.1：将冲牙器1运用到用户的个人口腔护理环境中，并 用当前最优的神经网络模型来输出每个冲牙姿态对应的最优的冲牙 强度值；

步骤S4.2：在产品实验或用户的实际冲牙过程当中，记录整个 冲牙过程当中的多个冲牙姿态以对应于冲牙姿态的冲牙强度值；

步骤S4.3：记录在实际使用过程当中，用户对于某个冲牙姿态 的冲牙强度值的调整数据；

步骤S4.4：对比实验过程或用户使用过程中由当前神经网络输 出的冲牙强度值与使用者通过实际使用感受调整得到的全局最优冲 牙强度值，如果二者偏差的绝对值大于设定的阈值，则对神经网络进 行重新训练；

步骤S4.5：将实验过程或用户使用过程中记录得到的冲牙姿态 和对应的冲牙强度值作为关系对加入到已经有的数据集中，并且将数 据集分成扩增后训练集和扩增后测试集，在已经建立好的神经网络空 间中进行搜索，构多个神经网络模型，分别在扩增后的训练集中进行 训练，然后在扩增后的测试集中进行测试，将多个神经网络模型中架 构表现最好的网络模型作为当前最优的神经网络模型应用于冲牙器1 系统中，并且用于完成以后的产品实验工作或用户的实际冲牙操作；

步骤S4.6：在以后的产品实验或实际的冲牙操作过程中，不断 的通过判断差值是否大于阈值来判断当前神经网络是否是最优的模 型，从而对模型进行持续优化。

具体来说，在用户的使用过程当中，冲牙器1可以实时的记录实 际使用过程当中，用户的使用习惯，记录用户实际冲牙过程当中的冲 牙状态及对应的冲牙强度值；当用户在实际的使用过程可能有多种个 人原因需要对某一个位置的冲牙强度进行手动调整；这些个人各具特 色，可能是牙齿有松动或者脱落，可能是刚刚种植不久的牙齿，也可 能是觉得某一个地方需要进行各位细致和强力的清洗；而冲牙器1可 以将这些冲牙姿态和对应的数据全部记录，并对于调整较大差值大于 阈值的数据以及关系对加入到数据集当中，以供神经网络模型进行学 习和持续的优化，进而更加的贴合和适应该用户的个人使用习惯以及口腔环境。

相邻两个所述冲牙姿态之间的位置间隔长度为一个牙齿的宽度。

具体来说，在一些实施例当中，可以根据人体口腔的结构，以及 冲牙器1的使用功能，来将一些冲牙姿态的位置及朝向确定在牙缝处， 并让相邻冲牙姿态之间的位置相隔一个牙齿，以让冲牙器1可以更有 针对性的在牙缝处进行冲牙强度值的调整，对牙缝进行更为细致清洁。

本发明还提供一种冲牙器的姿态强度优化装置，包括：

搜集整理模块，用于对冲牙器1的冲牙姿态以及对应的冲牙强度 值进行收集整理；

冲牙强度计算模块，用于求得与冲牙姿态相对应的最优冲牙强度 值，并建立数据集；其中，冲牙姿态包括喷嘴在口腔内的位置和处于 这个位置时喷嘴的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲 牙强度；

关系学习模块，用于建立神经网络结构学习冲牙姿态和最优的冲 牙强度值之间的对应关系；

学习进化模块，用于让神经网络进行学习和进化。

本发明还提供一种冲牙器的姿态强度优化系统，包括：

模块1：冲牙器1的姿态确认模块；所述冲牙器1的姿态确认模 块包括如权利要求7所述的搜集整理模块；

具体来说，在一些实施例当中，模块1包括有：重力感应模块 31：用来收集和确认冲牙器1的在空间内的方向，确认喷嘴2朝向；

旋转感应模块32：用来收集和确认冲牙器1在使用过程中的旋 转角度，实时确认喷嘴2朝向；

位置感应模块34：包括有多个错位布置的能量发射源和能量检 测器，配合算法用于定位确认冲牙器1的喷嘴2在人口腔内的位置， 并对位置信息进行收集整理；

位移感应模块33：用以检测冲牙器1的位移姿态，并对位移姿 态的数据进行收集整理；

其中特别的是，在一些实施例当中，能源发射器可以是近红外的 光源发生器，而能量检测器则是光电感应器，多个交错布置的光源发 生器发射光源，光源经过人面部、下颚、上颚以及口腔等位置进行反 射，然被光电感应器接受检测到，根据接受到的信息配合算法，可以 确认冲牙器相对于人口腔的位置。

重力感应模块31配合位置感应模块34可以用来确认冲牙器1使 用时候的初始姿态；并对初始姿态的信息进行收集整理

位移感应模块33配合位置感应模块34可以用来实时检测冲牙器 1喷嘴2在人口腔内的位置变化，再配合旋转感应模块32即可实时 收集和确认冲牙姿态。

模块2：冲牙器的冲牙强度值调整控制模块5；所述冲牙器1的 冲牙强度值调整控制模块包括如权利要求7所述的冲牙强度计算模 块和关系学习模块；

冲牙强度值计算模块计算得到最优的冲牙强度值，并建立数据集。

具体来说，在一些实施例当中，模块2还包括有流量调节器51、 压力检测器52及无极调速水泵53；上述的流量调节器51、压力检测 器52及无极调速水泵53是用来在实际使用中监控实际输出的冲牙强 度值，并方便用户进行调整；而这些调整的数据则会加入到数据集当 中，以供关系学习模块时刻进行学习、训练和测试，然后反过来影响 神经网路模型以后输出的冲牙强度值，实现冲牙强度值的自动调整控 制。

模块3：神经网络模块自进化的学习模块；所述神经网络模块自 进化的学习模块包括如权利要求7所述的学习进化模块。

模块3包括有存储器41和智能芯片42，用以建立神经网络模型， 并让神经网络模型进行学习和进化。

本发明还提供一种计算机设备，包括：处理器和存储器41，所 述存储器41存储程序模块，其特征在于，所述程序模块在所述处理 器运行，实现如权利要求1-6任一项所述的方法。

具体来说，计算机设备是包括了上述的模块3，处理器即是智能 芯片42，其中存储器41存储程序模块以及数据集，处理器则是用以 运行所述程序模块，并通过程序模块建立神经网络模型，让神经网络 模型得以通过不断更新的数据集进行学习和进化。

本发明还提供一种可读存储介质，存储程序模块，其特征在于， 所述程序模块在处理器中运行可实现如权利要求1-6任一项所述的 方法。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例 的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其 他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例 看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求 而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和 范围内的所有变化囊括在本发明内。

Claims (10)

1.一种冲牙器的姿态强度优化方法，其特征在于，包括以下步骤：

步骤S1：对冲牙器的冲牙姿态以及对应的冲牙强度值进行收集整理；

步骤S2：求得与冲牙姿态相对应的最优冲牙强度值，并建立数据集；其中，冲牙姿态包括喷嘴在口腔内的位置和处于这个位置时喷嘴的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲牙强度；

步骤S3：建立神经网络结构学习冲牙姿态和最优的冲牙强度值之间的对应关系；

步骤S4：让神经网络进行学习和进化。

2.根据权利要求1所述的冲牙器的姿态强度优化方法，其特征在于，所述步骤S1包括以下子步骤：

步骤S1.1：收集整理使用冲牙器过程中不同的冲牙姿态及对应冲牙强度值的详细数据信息。

3.根据权利要求2所述的冲牙器的姿态强度优化方法，其特征在于，所述步骤S2包括有以下子步骤：

步骤S2.1：根据收集整理的冲牙姿态及对应的冲牙强度值，针对性的建立关于冲牙强度值的优化方程A→B；

步骤S2.2：针对上述的优化方程，对冲牙强度值的上限B1和下限B2进行范围上的限定；

步骤S2.3：将对应冲牙姿态的冲牙强度值进行离散化操作，然后根据步骤S2.1建立的优化方程及步骤S2.2中的范围限定，对对应冲牙姿态下的冲牙强度值进行求解；

步骤S2.4：针对所有不同冲牙姿态下的冲牙强度值分别求出最优解；根据得到的解，建立冲牙姿态和冲牙强度值的对应关系，并建立初始数据集。

4.根据权利要求3所述的冲牙器的姿态强度优化方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S3.1：将步骤S2.4中建立的初始数据集分为初始训练集和初始测试集，建立初始的神经网络模型来对映射关系进行学习，初始神经网络在初始训练集进行训练，通过初始测试集对初始神经网络进行测试，判断该初始神经网络是否有效；

步骤S3.2：建立神经网络搜索空间；将神经元隐藏层的数量、每个隐藏层内隐藏有的神经元数量及学习率作为构建神经网络过程中可以变化的参数；在初始神经网络模型的基础上，构建多个神经网络模型，分别在初始训练集中进行训练，然后在初始测试集中进行测试；根据在测试集上的表现，选出多个神经网络模型和初始神经网络架构表现最好的网络模型，应用于系统中用于完成最优的冲牙强度值的选取。

5.根据权利要求4所述的冲牙器的姿态强度优化方法，其特征在于，所述步骤S4包括以下子步骤：

步骤S4.1：将冲牙器运用到用户的个人口腔护理环境中，并用当前最优的神经网络模型来输出每个冲牙姿态对应的最优的冲牙强度值；

步骤S4.2：在产品实验或用户的实际冲牙过程当中，记录整个冲牙过程当中的多个冲牙姿态以对应于冲牙姿态的冲牙强度值；

步骤S4.3：记录在实际使用过程当中，用户对于某个冲牙姿态的冲牙强度值的调整数据；

步骤S4.4：对比实验过程或用户使用过程中由当前神经网络输出的冲牙强度值与使用者通过实际使用感受调整得到的全局最优冲牙强度值，如果二者偏差的绝对值大于设定的阈值，则对神经网络进行重新训练；

步骤S4.5：将实验过程或用户使用过程中记录得到的冲牙姿态和对应的冲牙强度值作为关系对加入到已经有的数据集中，并且将数据集分成扩增后训练集和扩增后测试集，在已经建立好的神经网络空间中进行搜索，构多个神经网络模型，分别在扩增后的训练集中进行训练，然后在扩增后的测试集中进行测试，将多个神经网络模型中架构表现最好的网络模型作为当前最优的神经网络模型应用于冲牙器系统中，并且用于完成以后的产品实验工作或用户的实际冲牙操作；

步骤S4.6：在以后的产品实验或实际的冲牙操作过程中，不断的通过判断差值是否大于阈值来判断当前神经网络是否是最优的模型，从而对模型进行持续优化。

6.根据权利要求5所述的冲牙器的姿态强度优化方法，其特征在于，相邻两个所述冲牙姿态之间的位置间隔长度为一个牙齿的宽度。

7.一种冲牙器的姿态强度优化装置，其特征在于，包括：

搜集整理模块，用于对冲牙器的冲牙姿态以及对应的冲牙强度值进行收集整理；

冲牙强度计算模块，用于求得与冲牙姿态相对应的最优冲牙强度值，并建立数据集；其中，冲牙姿态包括喷嘴在口腔内的位置和处于这个位置时喷嘴的朝向；而冲牙强度值则是对应于上述冲牙姿态的冲牙强度；

关系学习模块，用于建立神经网络结构学习冲牙姿态和最优的冲牙强度值之间的对应关系；

学习进化模块，用于让神经网络进行学习和进化。

8.一种冲牙器的姿态强度优化系统，其特征在于，包括：

模块1：冲牙器的姿态确认模块；所述冲牙器的姿态确认模块包括如权利要求7所述的搜集整理模块；

模块2：冲牙器的冲牙强度值调整控制模块；所述冲牙器的冲牙强度值调整控制模块包括如权利要求7所述的冲牙强度计算模块和关系学习模块；

模块3：神经网络模块自进化的学习模块；所述神经网络模块自进化的学习模块包括如权利要求7所述的学习进化模块。

9.一种计算机设备，包括：处理器和存储器，所述存储器存储程序模块，其特征在于，所述程序模块在所述处理器运行，实现如权利要求1-6任一项所述的方法。

10.一种可读存储介质，存储程序模块，其特征在于，所述程序模块在处理器中运行可实现如权利要求1-6任一项所述的方法。

Images