CN114881066A - 佩戴状态的识别方法及装置 - Google Patents

Abstract

本申请提供一种佩戴状态的识别方法及装置，可以在低成本的前提下，提升可穿戴设备识别佩戴状态的准确性。该方法包括：可穿戴设备可以通过振动电机发送参数不同的多个振动信号。然后，可穿戴设备可以通过传感器采集振动信号经过传输介质(如人体脂肪、空气或衣服等)反馈的信号，即可穿戴设备采集反馈信号。最后，可穿戴设备可以根据反馈信号，识别自身的佩戴状态。

Description

佩戴状态的识别方法及装置

技术领域

本申请涉及通信领域，尤其涉及一种佩戴状态的识别方法及装置。

背景技术

随着可穿戴设备的普及，识别用户是否佩戴可穿戴设备或者是识别佩戴可穿戴设备的松紧程度的技术成为了用户常用的功能之一，并且佩戴状态识别技术也是可穿戴设备监测用户健康状态的有力保障。

目前常用的佩戴状态识别方式有如下几种。一种方式中，可穿戴设备可以利用通用传感器采集检测信号，例如红外射线、超声波，根据通用传感器返回的检测信号确定可穿戴设备的当前佩戴状态，如未佩戴、佩戴过紧。另一种方式中，可穿戴设备也可以利用定制传感器采集传感信号，例如压力传感器可以采集施加在可穿戴设备上的应变力，根据定制传感器的读数确定对应的可穿戴设备的当前佩戴状态。

然而，基于通用传感器识别佩戴状态的方式，单一的检测信号容易受到不同传输介质的影响，如不同体脂含量的人体脂肪，导致测量不同用户测量的信号出现偏差，造成误判。再者，基于定制传感识别佩戴状态的方式，需要额外定制传感器，该定制传感器难以实现除识别佩戴状态以外的功能，花费的成本较高。综上，上述几种佩戴状态的识别方式，均不能兼顾识别的准确性和成本。

发明内容

本申请实施例提供一种佩戴状态的识别方法及装置，能够解决基于通用传感器识别佩戴状态的方式以及基于定制传感器识别佩戴状态的方式，所导致的不能兼顾识别的准确性和成本的技术问题，从而提高识别佩戴状态的准确性并节约成本。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种佩戴状态的识别方法，该方法可以应用于可穿戴设备。可穿戴设备可以包括一个或多个振动电机和一个或多个传感器，振动电机用于发送振动信号，传感器用于采集振动信号的反馈信号。其中，可穿戴设备可以发送N个振动信号，N≥2，N为正整数。其中，N个振动信号的信号参数不同，信号参数可以包括频率和/或波形。然后，可穿戴设备可以采集N个振动信号的反馈信号。其中，反馈信号可以包括：可穿戴设备处于已佩戴状态的情况下N个振动信号经人体反馈的信号，或者可穿戴设备处于未佩戴状态的情况下N个振动信号经其他介质反馈的信号。最后，基于反馈信号，可穿戴设备可以识别自身的佩戴状态。其中，可穿戴设备的佩戴状态可以为已佩戴状态或未佩戴状态。

本申请中，在识别佩戴状态的过程中，可穿戴设备可以发送参数不同的多个振动信号。然后，可穿戴设备可以采集振动信号经过传输介质(如人体脂肪、空气或衣服等)反馈的信号，即可穿戴设备采集反馈信号。最后，可穿戴设备可以根据反馈信号，识别自身的佩戴状态(如已佩戴状态或未佩戴状态)。

综上所述，采用本申请实施例的方法，可穿戴设备可以利用振动电机和传感器的配合识别佩戴状态，无需设置额外的定制传感器，能够降低成本。并且，由于传输介质(如不同体脂含量的人体脂肪，或空气等)对于不同的振动信号(如频率和/或波形不同的振动信号)的滤波效果不同；采用该方法，振动信号的反馈信号可以反映在当前配戴状态下传输介质对不同振动信号的过滤的效果，该可穿戴设备可以根据该反馈信号从多个不同振动信号的角度，识别自身的佩戴状态。这样，可以降低传输介质对识别佩戴状态的准确度的影响，提高识别的准确性，从而可以解决基于通用传感器识别佩戴状态的方式以及基于定制传感器识别佩戴状态的方式，所导致的不能兼顾识别的准确性和成本的技术问题。

在第一方面的一种可能的设计方式中，上述可穿戴设备可以包括多个振动电机，不同的振动电机设置在可穿戴设备中的位置不同。如此，不同的振动电机产生振动信号的位置不同，导致不同振动信号的传输方向不同，由于传输方向不同导致传输介质对振动信号的滤波效果不同，从而可穿戴设备可以根据振动信号的反馈信号，从不同的方面识别佩戴状态，进一步降低传输介质对识别佩戴状态的影响，提高识别的准确性。

在第一方面的另一种可能的设计方式中，已佩戴状态可以包括：第一松紧状态、第二松紧状态和第三松紧状态。其中，第一松紧状态下可穿戴设备被佩戴的松紧程度可以比正常的松紧程度更松，第二松紧状态下可穿戴设备被佩戴的松紧程度可以比正常的松紧程度更紧，第三松紧状态可以为可穿戴设备以正常的松紧程度被佩戴的状态。

也就是说，在可穿戴设备处于已佩戴状态的情况下，可穿戴设备还可以确定表征可穿戴设备被佩戴的松紧程度的松紧状态(如第一松紧状态、第二松紧状态或第三松紧状态)。基于这三种松紧状态的特点，第一松紧状态也可以称为“佩戴过松”的状态，第二松紧状态也可以称为“佩戴过紧”的状态，第三松紧状态也可以称为“佩戴合适”的状态。

在第一方面的另一种可能的设计方式中，若可穿戴设备处于第一松紧状态，则可穿戴设备可以发出第一提示信息，第一提示信息用于指示用户调紧可穿戴设备的松紧程度。若可穿戴设备处于第二松紧状态，则可穿戴设备可以发出第二提示信息，第二提示信息用于指示用户调松可穿戴设备的松紧程度。

也就是说，在佩戴过松的情况下，可穿戴设备可以指示用户调紧该可穿戴设备，而在佩戴过紧的情况下，可穿戴设备也可以指示用户调松该可穿戴设备。

在第一方面的另一种可能的设计方式中，可穿戴设备可以根据可穿戴设备被佩戴的松紧程度，调整可穿戴设备测量用户生理数据的测量权重。其中，第三松紧状态下的测量权重大于第一松紧状态下的测量权重，第三松紧状态下的测量权重还大于第二松紧状态下的测量权重。

例如，在佩戴过松或者佩戴过紧时，可穿戴设备可以减小用户生理数据的测量权重，表明当前佩戴状态下测量的生理数据的可信程度较低。在佩戴正常时，可穿戴设备可以增加用户生理数据的测量权重，表明当前佩戴状态下测量的生理数据的可信程度较高。

在第一方面的另一种可能的设计方式中，上述可穿戴设备可以发送N个振动信号，可以包括：响应于用户的第一操作，可穿戴设备可以发送N个振动信号，该第一操作用于触发可穿戴设备测量用户生理数据。或者，响应于来电、新消息或提醒事件，可穿戴设备可以发送N个振动信号，N个振动信号用于指示来电、新消息或提醒事件。

如此，可穿戴设备可以在用户主动触发测量用户生理数据时，发出振动信号以识别佩戴状态，可以减少因被佩戴的松紧程度不合适所导致的测量不准确的情况，从而提高可穿戴设备测量用户生理数据的准确性。

再者，可穿戴设备也可以在来电、新消息或提醒事件等提醒场景下，发出振动信号提醒用户的同时利用振动信号识别佩戴状态，从而可以避免可穿戴设备在识别佩戴状态时突然振动影响用户体验。

在第一方面的另一种可能的设计方式中，若可穿戴设备处于未佩戴状态，则可穿戴设备可以控制自身进入低功耗模式，以节约可穿戴设备的资源。

在第一方面的另一种可能的设计方式中，可穿戴设备中可以包括预设识别模型，预设识别模型可以具备根据N个振动信号的反馈信号识别可穿戴设备的佩戴状态的能力。相应地，上述基于反馈信号，可穿戴设备可以识别自身的佩戴状态，可以包括：可穿戴设备可以根据反馈信号，采用预设识别模型，得到可穿戴设备的佩戴状态。如此，利用预设识别模型可以快速地识别可穿戴设备的佩戴状态，提高识别效率。

在第一方面的另一种可能的设计方式中，预设识别模型可以是分类器。相应地，上述可穿戴设备可以根据反馈信号，采用预设识别模型，得到可穿戴设备的佩戴状态，可以包括：可穿戴设备可以获取反馈信号的信号特征，并将信号特征作为分类器的输入，运行分类器，输出可穿戴设备的佩戴状态。该反馈信号的信号特征可以包括：反馈信号在预设时长内信号幅度的均方根和反馈信号的中位频率。

也就是说，可穿戴设备可以预先提取反馈信号的信号特征(如反馈信号在预设时长内信号幅度的均方根和该反馈信号的中位频率)，再利用分类器基于信号特征快速地识别可穿戴设备的佩戴状态，提高识别效率。

在第一方面的另一种可能的设计方式中，预设识别模型可以是神经网络模型。相应地，上述可穿戴设备可以根据反馈信号，采用预设识别模型，得到可穿戴设备的佩戴状态，可以包括：可穿戴设备可以将反馈信号作为神经网络模型的输入，运行神经网络模型，输出可穿戴设备的佩戴状态。其中，神经网络模型可以用于获取反馈信号的信号特征，并基于信号特征得到并输出可穿戴设备的佩戴状态。该反馈信号的信号特征可以包括：该反馈信号在预设时长内信号幅度的均方根和该反馈信号的中位频率。

也就是说，可穿戴设备可以利用神经网络模型实现反馈信号的信号特征提取，以及基于信号特征识别佩戴状态的功能，进一步提高识别效率。

具体的，若均方根大于第一均方根阈值，且中位频率小于第一频率阈值，则可穿戴设备可以处于未佩戴状态。或者，若均方根大于第二均方根阈值，且中位频率大于第二频率阈值，则可穿戴设备可以处于已佩戴状态。其中，第一均方根阈值与第二均方根阈值相同或不同，第一频率阈值小于或等于第二频率阈值。

也就是说，以信号特征包括反馈信号在预设时长内信号幅度的均方根和反馈信号的中位频率为例，预设识别模型在确定均方根和中位频率满足上述条件时，可以快速地识别出可穿戴设备处于已佩戴状态或者未佩戴状态，提高佩戴状态识别的效率。

具体的，若均方根大于第三均方根阈值，且中位频率小于第三频率阈值，则可穿戴设备可以处于第一松紧状态。若均方根小于第四均方根阈值，且中位频率大于第四频率阈值，则可穿戴设备可以处于第二松紧状态。其中，第三均方根阈值大于或等于第四均方根阈值，第三频率阈值小于或等于第四频率阈值。

继续以上述例子进行说明，预设识别模型还可以在确定均方根和中位频率满足上述条件时，快速地识别出可穿戴设备的松紧程度，即可穿戴设备处于第一松紧状态或者处于第二松紧状态，提高佩戴状态识别的效率。

在第一方面的另一种可能的设计方式中，在可穿戴设备可以根据反馈信号，采用预设识别模型，得到可穿戴设备的佩戴状态之前，可穿戴设备可以获取训练样本，并采用训练样本训练预设识别模型，使预设识别模型具备根据N个振动信号的反馈信号识别可穿戴设备的佩戴状态的能力。

其中，训练样本可以包括输入样本和输出样本。该输入样本可以包括多个样本反馈信号或多个样本反馈信号的信号特征，多个样本反馈信号可以包括：多个不同体脂含量的用户佩戴可穿戴设备的情况下针对N个振动信号的反馈信号，以及可穿戴设备未被佩戴的情况下其他介质针对N个振动信号的反馈信号。相应地，输出样本可以为输入样本对应的实际佩戴状态。并且，样本反馈信号的信号特征可以包括：样本反馈信号在预设时长内信号幅度的均方根和样本反馈信号的中位频率。

以预设识别模型为分类器为例，输入样本可以包括多个样本反馈信号的信号特征，输出样本可以包括输入样本对应的实际佩戴状态，从而训练后的分类器在不同体脂含量的用户佩戴可穿戴设备的情况下，或者在可穿戴设备未被穿戴的情况下，可以具备根据信号特征识别可穿戴设备的佩戴状态的能力。

以预设识别模型为神经网络模型为例，输入样本可以包括多个样本反馈信号，输出样本可以包括输入样本对应的实际佩戴状态，从而训练后的分类器在不同脂肪含量的用户佩戴可穿戴设备的情况下，或者在可穿戴设备未被穿戴的情况下，可以具备根据反馈信号识别可穿戴设备的佩戴状态的能力。

第二方面，本申请实施例提供一种可穿戴设备，该可穿戴设备可以包括一个或多个振动电机、一个或多个传感器、存储器和一个或多个处理器。一个或多个振动电机、一个或多个传感器、存储器和处理器耦合。其中，振动电机可以用于产生振动信号，传感器可以用于采集振动信号的反馈信号，存储器可以用于存储计算机程序代码，计算机程序代码可以包括计算机指令。

其中，当处理器执行计算机指令时，使得可穿戴设备执行以下操作：发送N个振动信号，N≥2，N为正整数。其中，N个振动信号的信号参数不同，信号参数包括频率和/或波形。采集N个振动信号的反馈信号。其中，反馈信号包括：可穿戴设备处于已佩戴状态的情况下N个振动信号经人体反馈的信号，或者可穿戴设备处于未佩戴状态的情况下N个振动信号经其他介质反馈的信号。基于反馈信号，识别可穿戴设备的佩戴状态。其中，可穿戴设备的佩戴状态为已佩戴状态或未佩戴状态。

在第二方面的一种可能的设计方式中，可穿戴设备可以包括多个振动电机，不同的振动电机在可穿戴设备中的位置不同。

在第二方面的另一种可能的设计方式中，已佩戴状态可以包括：第一松紧状态、第二松紧状态和第三松紧状态。其中，第一松紧状态下可穿戴设备被佩戴的松紧程度可以比正常的松紧程度更松，第二松紧状态下可穿戴设备被佩戴的松紧程度可以比正常的松紧程度更紧，第三松紧状态可以为可穿戴设备以正常的松紧程度被佩戴的状态。

在第二方面的另一种可能的设计方式中，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：若可穿戴设备处于第一松紧状态，则发出第一提示信息，第一提示信息用于指示用户调紧可穿戴设备的松紧程度。若可穿戴设备处于第二松紧状态，则发出第二提示信息，第二提示信息用于指示用户调松可穿戴设备的松紧程度。

在第二方面的另一种可能的设计方式中，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：根据可穿戴设备被佩戴的松紧程度，调整可穿戴设备测量用户生理数据的测量权重。其中，第三松紧状态下的测量权重大于第一松紧状态下的测量权重，第三松紧状态下的测量权重还大于第二松紧状态下的测量权重。

在第二方面的另一种可能的设计方式中，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：响应于用户的第一操作，发送N个振动信号，第一操作用于触发可穿戴设备测量用户生理数据。或者，响应于来电、新消息或提醒事件，发送N个振动信号，N个振动信号用于指示来电、新消息或提醒事件。

在第二方面的另一种可能的设计方式中，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：若可穿戴设备处于未佩戴状态，则控制可穿戴设备进入低功耗模式。

在第二方面的另一种可能的设计方式中，可穿戴设备中可以包括预设识别模型，预设识别模型可以具备根据N个振动信号的反馈信号识别可穿戴设备的佩戴状态的能力。相应地，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：根据反馈信号，采用预设识别模型，得到可穿戴设备的佩戴状态。

在第二方面的另一种可能的设计方式中，预设识别模型可以是分类器。相应地，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：获取反馈信号的信号特征，该信号特征可以包括：反馈信号在预设时长内信号幅度的均方根和反馈信号的中位频率。将信号特征作为分类器的输入，运行分类器，输出可穿戴设备的佩戴状态。

在第二方面的另一种可能的设计方式中，预设识别模型可以是神经网络模型。相应地，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：将反馈信号作为神经网络模型的输入，运行神经网络模型，输出可穿戴设备的佩戴状态。其中，神经网络模型可以用于获取反馈信号的信号特征，并基于信号特征得到并输出可穿戴设备的佩戴状态。该信号特征可以包括：反馈信号在预设时长内信号幅度的均方根和反馈信号的中位频率。

在第二方面的另一种可能的设计方式中，若均方根大于第一均方根阈值，且中位频率小于第一频率阈值，则可穿戴设备处于未佩戴状态。或者，若均方根大于第二均方根阈值，且中位频率大于第二频率阈值，则可穿戴设备处于已佩戴状态。其中，第一均方根阈值与第二均方根阈值相同或不同，第一频率阈值小于或等于第二频率阈值。

在第二方面的另一种可能的设计方式中，在可穿戴设备处于已佩戴状态的情况下，若均方根大于第三均方根阈值，且中位频率小于第三频率阈值，则可穿戴设备处于第一松紧状态。若均方根小于第四均方根阈值，且中位频率大于第四频率阈值，则可穿戴设备处于第二松紧状态。其中，第三均方根阈值大于或等于第四均方根阈值，第三频率阈值小于或等于第四频率阈值。

在第二方面的另一种可能的设计方式中，当处理器执行计算机指令时，使得可穿戴设备还执行以下步骤：获取训练样本，并采用训练样本训练预设识别模型，使预设识别模型具备根据N个振动信号的反馈信号识别可穿戴设备的佩戴状态的能力。

其中，训练样本可以包括输入样本和输出样本。该输入样本可以包括多个样本反馈信号或多个样本反馈信号的信号特征，多个样本反馈信号可以包括：多个不同体脂含量的用户佩戴可穿戴设备的情况下针对N个振动信号的反馈信号，以及可穿戴设备未被佩戴的情况下其他介质针对N个振动信号的反馈信号。输出样本可以为输入样本对应的实际佩戴状态。上述样本反馈信号的信号特征可以包括：样本反馈信号在预设时长内信号幅度的均方根和样本反馈信号的中位频率。

第三方面，本申请实施例提供一种芯片系统，该芯片系统应用于包括一个或多个振动电机和一个或多个传感器的可穿戴设备。该芯片系统包括一个或多个接口电路和一个或多个处理器。该接口电路和处理器通过线路互联。该接口电路用于从可穿戴设备的存储器接收信号，并向处理器发送信号，信号包括存储器中存储的计算机指令；当处理器执行计算机指令时，可穿戴设备执行如第一方面及其任一种可能的设计方式所述的方法。

第四方面，本申请实施例提供一种计算机存储介质，该计算机存储介质包括计算机指令，当该计算机指令在可穿戴设备上运行时，使得该可穿戴设备执行如第一方面及其任一种可能的设计方式所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面及其任一种可能的设计方式所述的方法。其中，该计算机可以是上述第二方面及其任一种可能的设计方式中所述的可穿戴设备。

可以理解地，上述提供的第二方面所述的可穿戴设备，第三方面所述的芯片系统，第四方面所述的计算机存储介质，第五方面所述的计算机程序产品所能达到的有益效果，可参考如第一方面及其任一种可能的设计方式中的有益效果，此处不再赘述。

附图说明

图1为一种可穿戴设备识别佩戴状态方法的流程示意图；

图2为本申请实施例提供的一种可佩戴设备的结构示意图；

图3为本申请实施例提供的智能手表的结构示意图一；

图4为本申请实施例提供的智能手表的结构示意图二；

图5为本申请实施例提供的智能腰带的结构示意图一；

图6为本申请实施例提供的智能腰带的结构示意图二；

图7为本申请实施例提供的一种佩戴状态的识别方法的流程示意图；

图8为本申请实施例提供的一种可穿戴设备的显示界面示意图；

图9为本申请实施例提供的另一种可穿戴设备的显示界面示意图；

图10为本申请实施例提供的一种可穿戴设备的模块交互示意图；

图11为本申请实施例提供的一种芯片系统的结构示意图。

具体实施方式

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

为了便于理解，本申请实施例这里详细介绍佩戴状态识别的方式，以说明采用常规技术的佩戴状态的识别方式，难以兼顾识别的准确性和成本。

对于利用通用传感器识别佩戴状态的方式，可穿戴设备可以包括信号产生器和通用传感器。其中，信号产生器(如扬声器或LED灯等)可以产生检测信号(如超声波信号、声波信号或光电容积信号等)。通用传感器(麦克风或光电传感器等)可以采集经过传输介质传输的检测信号，可穿戴设备可以基于采集到的检测信号识别佩戴状态。

例如，图1中的(a)示出了可穿戴设备识别佩戴状态的流程示意图一，可穿戴设备可以利用信号产生器产生一个检测信号(如第一检测信号)，再利用通用传感器采集传输后的检测信号(如第二检测信号)。由于在不同佩戴状态下，检测信号在传输过程中会受到不同传输介质(如不同体脂含量的人体脂肪或空气等)的影响，从而在可穿戴设备处于不同佩戴状态下(如处于已佩戴状态下或处于未佩戴状态下)，可穿戴设备采集到的检测信号不同，从而可以根据检测信号识别可穿戴设备的佩戴状态。

如图1中的(a)所示，可穿戴设备在采集到的第二检测信号后，可以提取第二检测信号的信号特征(如时域特征、或频域特征、或时频域特征)，并根据该信号特征进行佩戴状态识别，得到可穿戴设备的佩戴状态(已佩戴状态或未佩戴状态)，实现从检测信号的信号特征到佩戴状态的映射。

并且，在可穿戴设备处于已佩戴状态的情况下，可穿戴设备也可以根据第二检测信号的信号特征，识别可穿戴设备被佩戴的松紧状态。识别松紧状态的具体实现方式，可以参考上述可穿戴设备识别佩戴状态的具体实现方式，此处不再赘述。

然而，基于通用传感器识别佩戴状态的方式，可穿戴设备发出的单一的检测信号容易受到不同含量的传输介质的影响，如人体的体脂含量，导致测量不同用户测量的信号出现偏差，造成误判。

此外，部分通用传感器(如距离传感器、电容传感器或光电容积传感器)为了采集到检测信号，需要在可穿戴设备上设置额外开孔，不利于在可穿戴设备上设计防水，导致设备容易损坏。再者，通用传感器还容易受到环境因素(如光线或温度等)的干扰，容易造成误判。

对于利用定制传感器识别佩戴状态的方式，可穿戴设备可以包括定制传感器。其中，定制传感器(如电容板传感器、应变计、压力传感器和电阻传感器等)可以采集传感信号，如压力传感器可以采集施加在可穿戴设备上的应变力、如电容板传感器可以采集电容板上的电容值。可穿戴设备可以基于采集到的传感信号识别佩戴状态。

如图1中的(b)所示，图1中的(b)示出了可穿戴设备识别佩戴状态的流程示意图二，可穿戴设备利用定制传感器(如电容板传感器、应变计、压力传感器和电阻传感器等)采集传感信号(如施加在可穿戴设备上的应变力、如电容板上的电容值)。由于在不同佩戴状态下，用户对传感信号的影响不同，导致在可穿戴设备处于不同佩戴状态下(如处于已佩戴状态下或处于未佩戴状态下)，可穿戴设备采集到不同的传感信号不同，从而可以根据传感信号识别可穿戴设备的佩戴状态。

如图1中的(b)所示，可穿戴设备在采集到的传感信号后，可以根据该传感信号进行佩戴状态识别，得到可穿戴设备的佩戴状态(已佩戴状态或未佩戴状态)，实现从传感信号到佩戴状态的映射。

然而，基于定制传感识别佩戴状态的方式，需要额外定制传感器，该定制传感器难以实现除识别佩戴状态以外的功能，花费的成本较高。综上，上述几种佩戴状态的识别方式，均不能兼顾识别的准确性和成本。

本申请实施例提供一种佩戴状态的识别方法，该方法应用于可穿戴设备，该可穿戴设备可以包括振动电机和传感器。由于不同的佩戴状态对于振动信号的滤波效果不同。因此，可穿戴设备发出N个振动信号后，当可穿戴设备处于未佩戴状态或者可穿戴设备处于佩戴状态被不同的用户佩戴时，该可穿戴设备可以采集到不同的反馈信号，并根据反馈信号识别自身的佩戴状态。如此，采用本申请实施例的方法，可穿戴设备可以利用振动电机和传感器的配合识别佩戴状态，无需设置额外的定制传感器，能够降低成本。

并且，由于传输介质(如不同体脂含量的人体脂肪，或空气等)对于不同的振动信号(如频率和/或波形不同的振动信号)的滤波效果不同；采用该方法，振动信号的反馈信号可以反映在当前配戴状态下传输介质对不同振动信号的过滤的效果，该可穿戴设备可以根据该反馈信号从多个不同振动信号的角度，识别自身的佩戴状态。这样，可以降低传输介质对识别佩戴状态的准确度的影响，提高识别的准确性，从而可以解决基于通用传感器识别佩戴状态的方式以及基于定制传感器识别佩戴状态的方式，所导致的不能兼顾识别的准确性和成本的技术问题。

示例性的，本申请实施例中的可穿戴设备可以是智能手表、无线耳机、智能腰带以及增强现实(augmented reality，AR)\虚拟现实(virtual reality，VR)设备等电子设备，本申请实施例对该可穿戴设备的具体形态不作特殊限制。

下面将结合附图对本申请实施例的实施方式进行详细描述。请参考图2，为本申请实施例提供的一种可穿戴设备200的结构示意图。如图2所示，可穿戴设备200可以包括：处理器210，外部存储器接口210，内部存储器221，通用串行总线(universal serial bus，USB)接口230，充电管理模块240，电源管理模块241，电池241，天线1，天线2，移动通信模块250，无线通信模块260，音频模块270，扬声器270A，受话器270B，麦克风270C，耳机接口270D，传感器模块280，按键290，振动电机291，指示器291，摄像头293，显示屏294，以及用户标识模块(subscriber identification module，SIM)卡接口295等。

其中，上述传感器模块280可以包括陀螺仪传感器，气压传感器，磁传感器，加速度传感器，距离传感器，接近光传感器，指纹传感器，温度传感器，触摸传感器，环境光传感器和骨传导传感器等传感器。

可以理解的是，本实施例示意的结构并不构成对可穿戴设备200的具体限定。在另一些实施例中，可穿戴设备200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210可以包括一个或多个处理单元，例如：处理器210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，存储器，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。

控制器可以是可穿戴设备200的神经中枢和指挥中心。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210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210中的存储器为高速缓冲存储器。该存储器可以保存处理器210刚用过或循环使用的指令或数据。如果处理器210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210的等待时间，因而提高了系统的效率。

在一些实施例中，处理器210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)接口等。

可以理解的是，本实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对可穿戴设备200的结构限定。在另一些实施例中，可穿戴设备200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240用于从充电器接收充电输入。其中，充电器可以是无线充电器，也可以是有线充电器。在一些有线充电的实施例中，充电管理模块240可以通过USB接口230接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块240可以通过可穿戴设备200的无线充电线圈接收无线充电输入。充电管理模块240为电池241充电的同时，还可以通过电源管理模块241为可穿戴设备200供电。

电源管理模块241用于连接电池241，充电管理模块240与处理器210。电源管理模块241接收电池241和/或充电管理模块240的输入，为处理器210，内部存储器221，外部存储器，显示屏294，摄像头293，和无线通信模块260等供电。电源管理模块241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241也可以设置于处理器210中。在另一些实施例中，电源管理模块241和充电管理模块240也可以设置于同一个器件中。

可穿戴设备200的无线通信功能可以通过天线1，天线2，移动通信模块250，无线通信模块260，调制解调处理器以及基带处理器等实现。

天线1和天线2用于发射和接收电磁波信号。可穿戴设备200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1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。

移动通信模块250可以提供应用在可穿戴设备200上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块250可以包括至少一个滤波器，开关，功率放大器，低噪声放大器(low noise amplifier，LNA)等。

无线通信模块260可以提供应用在可穿戴设备200上的无线局域网(wirelesslocal area networks，WLAN)，蓝牙(bluetooth，BT)，全球导航卫星系统(globalnavigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。例如，上述WLAN可以为(wireless fidelity，Wi-Fi)网络。

无线通信模块260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260经由天线2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210。无线通信模块260还可以从处理器210接收待发送的信号，对其进行调频，放大，经天线2转为电磁波辐射出去。

在一些实施例中，可穿戴设备200的天线2和移动通信模块250耦合，天线2和无线通信模块260耦合，使得可穿戴设备200可以通过无线通信技术与网络以及其他设备通信。

可穿戴设备200通过GPU，显示屏294，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294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210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。显示屏294可以是触摸屏，该显示屏294用于显示图像，视频等。该显示屏294包括显示面板。

可穿戴设备200可以通过ISP，摄像头293，视频编解码器，GPU，显示屏294以及应用处理器等实现拍摄功能。ISP用于处理摄像头293反馈的数据。在一些实施例中，ISP可以设置在摄像头293中。摄像头293用于捕获静态图像或视频。在一些实施例中，可穿戴设备200可以包括1个或M个摄像头293，M为大于1的正整数。

数字信号处理器用于处理数字信号，除了可以处理数字图像信号，还可以处理其他数字信号。例如，当可穿戴设备200接收到反馈信号时，数字信号处理器可以用于对模数转换后的反馈信号进行信号特征提取、傅里叶变化或小波变化等。其中，信号特征可以包括反馈信号的时域特征(如反馈信号在预设时长内信号幅值的均方根)、频域特征(如反馈信号的中位频率)和时频域特征。

NPU为神经网络(neural-network，NN)计算处理器，通过借鉴生物神经网络结构，例如借鉴人脑神经元之间传递模式，对输入信息快速处理，还可以不断的自学习。本申请实施例中，NPU可以基于反馈信号，采用预设识别模型，得到可穿戴设备200的佩戴状态。通过NPU可以实现可穿戴设备200的智能认知等应用，例如：图像识别，人脸识别，语音识别，文本理解等。

外部存储器接口210可以用于连接外部存储卡，例如Micro SD卡，实现扩展可穿戴设备200的存储能力。外部存储卡通过外部存储器接口210与处理器210通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。

内部存储器221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。处理器210通过运行存储在内部存储器221的指令，从而执行可穿戴设备200的各种功能应用以及数据处理。例如，在本申请实施例中，处理器210可以通过执行存储在内部存储器221中的指令，内部存储器221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(比如声音播放功能，图像播放功能等)等。存储数据区可存储可穿戴设备200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221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(universalflash storage，UFS)等。

可穿戴设备200可以通过音频模块270，扬声器270A，受话器270B，麦克风270C，耳机接口270D，以及应用处理器等实现音频功能。例如音乐播放，录音等。

音频模块270用于将数字音频信息转换成模拟音频信号输出，也用于将模拟音频输入转换为数字音频信号。耳机接口270D用于连接有线耳机。耳机接口270D可以是USB接口230，也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform，OMTP)标准接口，美国蜂窝电信工业协会(cellular telecommunications industry associationof the USA，CTIA)标准接口。

耳机接口270D用于连接有线耳机。耳机接口270D可以是USB接口230，也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform，OMTP)标准接口，美国蜂窝电信工业协会(cellular telecommunications industry association of the USA，CTIA)标准接口。

按键290包括开机键，音量键等。按键290可以是机械按键。也可以是触摸式按键。可穿戴设备200可以接收按键输入，产生与可穿戴设备200的用户设置以及功能控制有关的键信号输入。

振动电机291，也可以称为马达，可以用于振动提示。振动电机291可以用于来电振动提示，也可以用于触摸振动反馈。例如，作用于不同应用(例如拍照，音频播放等)的触摸操作，可以对应发出不同的振动反馈效果。作用于显示屏294不同区域的触摸操作，振动电机291也可对应不同的振动反馈效果。不同的应用场景(例如：时间提醒，接收信息，闹钟，游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。

本申请实施例中的振动电机291可以响应于用户触发可穿戴设备测量用户生理数据的操作，产生N个振动信号，振动电机291还可以根据来电、消息和/或提醒事件产生N个振动信号，N≥2，N为正整数。该振动信号还可以用于检测可穿戴设备200的佩戴状态。在一些实施例中，可穿戴设备200可以包括一个或多个振动电机291。

示例性的，上述可穿戴设备可以包括多个振动电机291，不同的振动电机291设置在可穿戴设备中的位置不同，不同的振动电机291产生振动信号的位置不同，从而不同的振动信号的参数(如振动信号的传输方向)也就不同。

例如，以上述可穿戴设备200是智能手表为例，智能手表可以包括第一振动电机和第二振动电机。图3所示的智能手表中，第一振动电机和第二振动电机可以分别设置在智能手表的表仓内电路板的两端，通过电路板和处理器210耦合。图4所示的智能手表中，第一振动电机和第二振动电机可以分别设置在智能手表的两侧表带内，第一振动电机和第二振动电机与电路板通过电线连接，再通过连接的电路板与处理器210耦合。

再例如，以上述可穿戴设备200是智能腰带为例，智能腰带可以包括第三振动电机和第四振动电机。图5所示的智能腰带中，第三振动电机和第四振动电机可以分别设置在智能腰带内的两端。图6所示的智能腰带中，第三振动电机和第四振动电机可以设置在智能腰带的两侧系带内。

可以理解的是，在用户穿戴可穿戴设备200的情况下，由振动电机291产生的N个振动信号可以经过人体反馈，得到反馈信号。在用户未穿戴可穿戴设备200的情况下，由振动电机291产生的N个振动信号可以经过其他介质反馈，得到反馈信号。

指示器291可以是指示灯，可以用于指示充电状态，电量变化，也可以用于指示消息，未接来电，通知等。

SIM卡接口295用于连接SIM卡。SIM卡可以通过插入SIM卡接口295，或从SIM卡接口295拔出，实现和可穿戴设备200的接触和分离。可穿戴设备200可以支持1个或N个SIM卡接口，N为大于1的正整数。SIM卡接口295可以支持Nano SIM卡，Micro SIM卡，SIM卡等。

陀螺仪传感器可以用于确定可穿戴设备200的运动姿态。气压传感器用于测量气压。磁传感器包括霍尔传感器。可穿戴设备200可以利用磁传感器作为大功率器件的过流保护驱动器，成为自控环路的一个控制环节。

加速度传感器可检测可穿戴设备200在各个方向上(一般为三轴)加速度的大小。当可穿戴设备200静止时可检测出重力的大小及方向。还可以用于识别电子设备姿态，应用于横竖屏切换，计步器等应用。加速度传感器还可以实现本申请实施例中传感器的功能，可以采集N个振动信号的反馈信号，并向处理器210发送该反馈信号。

在一些实施例中，可穿戴设备200可以包括一个或多个加速度传感器。以上述可穿戴设备200是智能手表为例，智能手表可以包括一个加速度传感器，加速度传感器可以设置在图3或图4智能手表内的电路板上。再以上述可穿戴设备200是智能腰带为例，智能腰带可以包括一个加速度传感器，加速度传感器可以设置在图5或图6所示的智能腰带内。加速度传感器可以采集经过人体或其他介质反馈的信号，即反馈信号，并通过电路板向处理器210发送反馈信号。

距离传感器用于测量距离。可穿戴设备200可以通过红外或激光测量距离。接近光传感器可以包括例如发光二极管(LED)和光检测器，例如光电二极管。发光二极管可以是红外发光二极管。可穿戴设备200通过发光二极管向外发射红外光。可穿戴设备200使用光电二极管检测来自附近物体的红外反射光。当检测到充分的反射光时，可以确定可穿戴设备200附近有物体。

环境光传感器用于感知环境光亮度。环境光传感器也可用于拍照时自动调节白平衡。环境光传感器还可以与接近光传感器配合，检测可穿戴设备200是否在口袋里，以防误触。指纹传感器用于采集指纹。可穿戴设备200可以利用采集的指纹特性实现指纹解锁，访问应用锁，指纹拍照，指纹接听来电等。温度传感器用于检测温度。触摸传感器，也称“触控面板”。触摸传感器可以设置于显示屏294，由触摸传感器180K与显示屏294组成触摸屏，也称“触控屏”。触摸传感器用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器，以确定触摸事件类型。

以下实施例中的方法均可以在具有上述硬件结构的可穿戴设备200中实现。以下实施例中以上述可穿戴设备200是智能手表为例，对本申请实施例的方法进行说明。

本申请实施例提供一种佩戴状态的识别方法，该方法可以应用于智能手表。智能手表可以包括一个或多个振动电机和一个或多个传感器。在这种应用场景中，采用本申请实施例的方法，智能手表可以振动电机和传感器，识别自身的佩戴状态。示例性的，如图7所示，该佩戴状态的识别方法可以包括S701-S703：

S701，智能手表可以发送N个振动信号，N≥2，N为正整数。

其中，N个振动信号的信号参数不同，信号参数可以包括频率和/或波形。

示例性的，N个振动信号可以为智能手表中振动电机通过振动发出的信号，振动电机可以为上述图2中所示的振动电机191。上述振动信号的信号参数可以用于表示振动信号的信号属性，如振动信号的频率和振动信号的波形。N个振动信号的信号参数的不同可以表现在多个方面，以下分别进行说明。

一方面，信号参数的不同可以表现为N个振动信号的频率不同。以N＝2为例，2个振动信号可以分别是频率为5kHZ的振动信号1和频率为10kHZ的振动信号2。

另一方面，信号参数的不同可以表现为N个振动信号的波形不同。以N＝2为例，2个振动信号可以分别是波形为正弦波的振动信号3和波形为方波的振动信号4。

又一方面，信号参数的不同可以表现为N个振动信号的波形和频率均不相同。以N＝2为例，2个振动信号可以分别为不同时间段下频率和/或波形随时间发生变化的扫描信号，如频率在[5kHZ,10kHz]内变化的阶跃正弦扫描信号。

另一方面，N个振动信号的信号参数不同还可以表现产生N个振动信号的位置不同，即振动电机在智能手表中的位置不同。

在另一些实施例中，智能手表可以包括多个振动电机。该多个振动电机设置在智能手表中的位置可以不同。

示例性的，由于振动电机的位置不同，多个振动电机产生的N个振动信号的位置也就不同，进而导致N个振动信号的传输方向不同，从而信号参数的不同还可以表现为N个振动信号的传输方向不同。以图3所示的智能手表为例，智能手表可以包括第一振动电机和第二振动电机，智能手表可以发送N＝2个振动信号。2个振动信号可以分别是第一振动电机产生的振动信号7和第二振动电机产生的振动信号8，振动信号7的传输方向可以为从第一振动电机到传输介质，再从传输介质到加速度传感器，振动信号7的传输方向可以为从第二振动电机到传输介质，再从传输介质到加速度传感器。

可以理解的是，由于不同佩戴状态下，振动信号经过传输后发生的变化也不同。当智能手表处于未佩戴状态或者处于已佩戴状态被不同的用户佩戴的情况下，该智能手表可以采集到不同的反馈信号，并根据反馈信号识别自身的佩戴状态。智能手表识别佩戴状态的具体实现方式，可以参考下述S703的相关内容，此处不再赘述。

并且，振动信号在传输过程中除去受到佩戴状态的影响之外，还会受到不同传输介质(如不同体脂含量的人体脂肪，或空气等)对振动信号的不同滤波影响，导致智能手表识别佩戴状态容易出现误差，不同传输介质影响振动信号的具体实现方式可以参考下述S702的相关内容，此处不再赘述。

还可以理解的是，在智能手表包括多个振动电机的情况下，每个振动电机可以产生一个或多个振动信号，使得智能手表可以发出N个信号参数不同的振动信号。在智能手表包括一个振动电机的情况下，该智能手表可以通过该振动电机发出N个信号参数(如频率和/或波形)不同的振动信号。

示例性的，本申请实施例中所述的N个振动信号可以由上述多个振动电机分别发送，也可以由一个振动电机分时段发送。以上述振动信号1和上述振动信号2为例，该振动电机在第一时间段内可以发送频率为5kHZ的振动信号1，而不发送频率为10kHZ的振动信号2。该振动电机在第二时间段内可以发送频率为10kHZ的振动信号2，而不发送频率为5kHZ的振动信号1，第一时间段和第二时间段的交集可以为空集，从而实现由单个电机发出N个振动信号的功能，节约成本。

可以理解的是，智能手表的佩戴状态识别功能的触发场景可以有多种，下面分别进行说明。

方案1，智能手表可以在用户触发智能手表的生理数据测量功能时，触发佩戴状态识别功能以保证生理数据测量的质量。

具体的，上述S701可以包括：智能手表可以响应于用户的第一操作，发送N个振动信号，第一操作用于触发智能手表测量用户生理数据。

示例性的，第一操作可以为用户在智能手表处于息屏状态的情况下的触发操作，也可以为用户在智能手表显示第一界面的情况下的触发操作。

一些实施例中，在智能手表处于息屏状态的情况下，上述第一操作可以是用户对智能手表的点击操作(如双击操作或指关节敲击操作)，也可以是用户在智能手表的感知区域内输入的预设手势，如S形手势或√手势等。智能手表的感知区域是智能手表预先设定的一个可以感应用户手势的区域，感知区域可以是智能手表的电容屏感应区域，也可以为智能手表设置有传感器的区域。该预设手势可以预先配置在智能手表中。用户可以通过上述第一操作，触发智能手表测量用户生理数据，并识别智能手表的佩戴状态。

又一些实施例中，智能手表可以显示第一界面，并接收用户对第一界面的第一操作。该第一操作用于触发智能手表测量用户生理数据。

具体的，智能手表可以显示第一APP的第一界面。其中，第一界面可以用于触发智能手表测量用户生理数据。该第一界面可以包括健康管理选项，该健康管理选项可以用于触发智能手表测量用户生理数据，并触发智能手表识别自身的佩戴状态。

示例性地，本申请实施例中的第一APP可以为如图8中的(a)所示的图标“健康”801对应的应用。如图8中的(a)所示，智能手表可接收用户对“健康”801的点击操作；响应于该点击操作，智能手表可启动第一APP，显示图8中的(b)所示的第一APP的首页802(即第一界面802)。第一界面802可以为健康管理界面，第一界面802中可以包括一个健康管理选项，如“测量用户生理数据”选项803。

其中，健康管理选项用于触发智能手表进行健康管理。例如，“测量用户生理数据”选项803用于触发智能手表测量用户生理数据，并触发智能手表识别佩戴状态。上述第一操作可以是用户对图8中的(b)所示的健康管理选项的点击操作(如单击操作)，例如对“测量用户生理数据”选项803的点击操作。或者，上述第一操作还可以是用户在第一界面802中输入的预设手势，如S形手势，L形手势，双指向上滑动手势或者三指向上滑动手势等。并且，智能手表可以在第一界面802向用户提示该预设手势，以及该预设手势所触发的功能(即测量用户生理数据功能以及佩戴状态识别功能)。

如此，智能手表可以在用户主动触发测量用户生理数据时，发出振动信号以识别佩戴状态，从而可以减少因被佩戴的松紧程度不合适所导致的测量不准确的情况，提高智能手表测量用户生理数据的准确性。

另一些实施例中，智能手表可以显示第二界面，并接收用户对第二界面的第二操作，该第二操作用于触发智能手表识别佩戴状态。

具体的，智能手表可以显示智能手表设置的第二界面。其中，第二界面可以用于调整智能手表的设置。该第二界面可以包括佩戴状态识别选项，该状佩戴状态识别选项可以用于识别智能手表的佩戴状态。

示例性地，本申请实施例中的智能手表设置可以为如图8中的(a)所示的图标“设置”804对应的应用。如图8中的(a)所示，智能手表可接收用户对“设置”804的点击操作；响应于该点击操作，智能手表可启动智能手表设置，显示图8中的(c)所示的智能手表设置的首页805(即第二界面805)。第二界面805可以为智能手表设置界面，第二界面805中可以包括一个佩戴状态识别选项，如“识别佩戴状态”选项806。

其中，佩戴状态识别选项可以用于触发智能手表识别佩戴状态。例如，“识别佩戴状态”选项806用于触发智能手表识别佩戴状态，作为测量用户生理数据的基础。上述第一操作还可以是用户对图8中的(c)所示的佩戴状态识别选项的点击操作(如单击操作)，例如对“识别佩戴状态”选项806的点击操作。

进一步地，响应于第一操作，智能手表可以显示第三界面，该第三界面用于提示用户正在识别智能手表的佩戴状态。

示例性的，如图8中的(d)所示的第三界面807可以为佩戴状态识别界面。智能手表可以在第三界面807中向用户提示智能手表正在进行佩戴状态识别，如显示“正在识别佩戴状态，请稍后！”的文字提示808，避免智能手表在佩戴识别时突然发出振动信号惊吓用户，影响用户体验。

方案2，智能手表可以将该智能手表接收到的来电、新消息或提醒事件的振动信号，用于该智能手表的佩戴状态识别。

具体的，上述S701可以包括：智能手表可以响应于来电、新消息或提醒事件，发送N个振动信号，N个振动信号用于指示来电、新消息或提醒事件。

示例性的，来电、新消息或提醒事件可以为智能手表从其他终端设备(如手机、个人电脑)接收到的事件，也可以为智能手表产生的事件，如久坐提醒事件或运动提醒事件。如此，智能手表可以在来电、新消息或提醒事件等提醒场景下，发出N个振动信号提醒用户的同时利用N个振动信号识别佩戴状态，从而可以避免智能手表在识别佩戴状态时突然振动影响用户体验。

可以理解的是，智能手表也可以同时采用上述多种方案的触发场景，以触发智能手表的佩戴识别功能。具体的，智能手表既可以在用户触发智能手表的生理数据测量功能的情况下，触发佩戴状态识别功能以保证生理数据测量的质量，也可以在需要发出振动信号提醒用户的情况下，触发佩戴状态识别功能以避免突然振动影响用户体验。

如此，在识别智能手表的佩戴状态之后，智能手表可以根据佩戴状态调整自身的工作模式，避免智能手表在未佩戴状态下浪费能量。智能手表也可以根据当前的佩戴状态输出提示信息以指示用户调整智能手表的佩戴状态，为智能手表监测用户健康提供保障。智能手表还可以根据当前的佩戴状态调整用户生理数据的测量权重，以实现用户健康的稳定监测。智能手表根据佩戴状态执行相关操作的具体实现方式，可以参考下述S703中的相关内容，此处不再赘述。

S702，智能手表采集N个振动信号的反馈信号。

其中，反馈信号可以包括：智能手表处于已佩戴状态的情况下N个振动信号经人体反馈的信号，或者智能手表处于未佩戴状态的情况下N个振动信号经其他介质反馈的信号。

示例性的，上述反馈信号可以是N个振动信号经过传输介质传输后，由传输介质反馈的信号。例如，在智能手表处于已佩戴状态的情况下，N个振动信号经过人体传输后，由人体反馈的第一反馈信号。再例如，在智能手表处于未佩戴的情况下，N个振动信号经过其他介质传输后，由其他介质反馈的第二反馈信号。

其中，上述S701中振动信号在发出后，在传输时会受到不同佩戴状态的影响，从而智能手表可以根据传输介质反馈的信号(即上述反馈信号)识别自身的佩戴状态。而振动信号在传输过程中除去受到佩戴状态的影响之外，也会受到不同传输介质(如不同体脂含量的人体脂肪，或空气等)对振动信号的滤波影响。例如，相较于体脂含量较高的人体脂肪对振动信号的滤波效果，体脂含量较低的人体脂肪对振动信号的过滤效果更差。

应理解，由于传输介质(如人体、空气或者衣物)对信号参数不同的振动信号的滤波效果不同，从而在信号参数不同的振动信号经过传输介质后，振动信号的反馈信号可以反映传输介质对不同振动信号的过滤效果，从而智能手表能够根据反馈信号从不同振动信号的角度识别自身的佩戴状态，以减小传输介质的含量对佩戴识别准确性的影响。下面分别进行说明。

为了使智能手表可以适用于不同体脂含量的用户，均能够准确地识别佩戴状态，我们可以采用频率不同的N个振动信号。由于人体脂肪对频率不同的振动信号的滤波效果不同，N个振动信号的反馈信号可以反映人体脂肪对多个频率不同的振动信号的滤波效果。如此，对于不同体脂含量的用户，智能手表都可以根据反馈信号反映的滤波效果，从多个不同频率的角度识别自身的佩戴状态，从而减轻人体脂肪对识别佩戴状态的干扰，提高识别的准确性。

同理，我们还可以采用波形不同的N个振动信号。由于人体脂肪对波形不同的振动信号的滤波效果不同，N个振动信号的反馈信号可以反映人体脂肪对多个波形不同的振动信号的滤波效果。如此，对于不同体脂含量的用户，智能手表都可以根据反馈信号反映的滤波效果，从多个不同波形的角度识别自身的佩戴状态，从而减轻人体脂肪对识别佩戴状态的干扰，提高识别的准确性。

再者，我们还可以采用产生位置不同的N个振动信号。由于人体脂肪对产生位置不同的振动信号的滤波效果不同，N个振动信号的反馈信号可以反映人体脂肪对多个产生位置不同的振动信号的滤波效果。如此，对于不同体脂含量的用户，智能手表都可以根据反馈信号反映的滤波效果，从多个不同的位置识别自身的佩戴状态，从而减轻人体脂肪对识别佩戴状态的干扰，提高识别的准确性。

同理，在由单个振动电机分时段发送N个振动信号的情况下，传输介质仍会对N个振动信号产生不同的过滤效果，从而分时段经过传输介质的N个振动信号的反馈信号，仍可以反映传输介质对多个不同信号参数的滤波效果，从而智能手表可以根据反馈信号从多个不同信号参数的角度识别自身的佩戴状态，从而减轻传输介质对识别佩戴状态的干扰，提高识别的准确性。

S703，智能手表可以基于反馈信号，识别自身的佩戴状态。

其中，佩戴状态可以为已佩戴状态或未佩戴状态。

示例性的，已佩戴状态可以用于表征该智能手表已经被用户佩戴，未佩戴状态可以用于表征该智能手表未被用户佩戴。

可以理解的是，由于反馈信号可以从不同的方面反映传输介质对佩戴状态识别的影响，反馈信号也可以从不同的方面反映智能手表的佩戴状态，如此，智能手表可以利用反馈信号从不同的方面识别佩戴状态，降低传输介质对识别佩戴状态的影响，提高识别的准确性。

在另一些实施例中，在智能手表处于已佩戴状态的情况下，智能手表还可以根据反馈信号，识别智能手表被佩戴的松紧程度。

具体地，上述已佩戴状态可以包括：第一松紧状态、第二松紧状态和第三松紧状态。其中，第一松紧状态下智能手表被佩戴的松紧程度比正常的松紧程度更松，第二松紧状态下智能手表被佩戴的松紧程度比正常的松紧程度更紧，第三松紧状态为智能手表以正常的松紧程度被佩戴的状态。

示例性的，上述第一松紧状态、第二松紧状态和第三松紧状态可以分别用于表示用户佩戴智能手表的不同松紧程度。基于这三种松紧状态的特点，第一松紧状态也可以称为“佩戴过松”的状态，第二松紧状态也可以称为“佩戴过紧”的状态，第三松紧状态也可以称为“佩戴合适”的状态。

对于用户来说，第三松紧状态可以表示用户佩戴智能手表的松紧程度正常，智能手表可以贴合用户，用户的佩戴舒适度较高。相较于第三松紧状态，第一松紧状态可以表示用户佩戴智能手表的松紧程度过松，智能手表难以贴合用户，用户的佩戴舒适度较低，并且佩戴过松也容易导致智能手表在使用过程中脱落，严重会损坏智能手表。相较于第三松紧状态，第二松紧状态可以表示用户佩戴智能手表的松紧程度过紧，智能手表过于贴近用户，容易挤压用户导致用户的血液不循环，用户的佩戴舒适度较低。

对于智能手表来说，在第三松紧状态下，智能手表可以贴合用户，并准确地测量用户生理数据，实现稳定的健康监测。在第一松紧状态下，智能手表难以贴合用户，导致测量的用户生理数据(如，体温数据或心率数据)容易出现误差，难以实现稳定的健康监测。在第二松紧状态下，智能手表过于贴近用户，容易挤压用户导致用户血液不循环，导致部分基于血液进行测量的用户生理数据(如心率数据或血氧数据)出现误差，也难以实现稳定的健康监测。

可选的，已佩戴状态还可以包括其他松紧状态，以细分智能手表被佩戴的松紧程度。例如，第四松紧状态和第五松紧状态，第四松紧状态下智能手表被佩戴的松紧程度也比正常的松紧程度更松，但比第一松紧状态的松紧程度更紧。第五松紧状态下智能手表被佩戴的松紧程度也比正常的松紧程度更紧，但比第一松紧状态的松紧程度更松。也就是说，第四松紧状态可以为“佩戴略松”的状态，第五松紧状态可以为“佩戴略紧”的状态。

一些实施例中，在智能手表处于已佩戴的情况下，智能手表可以根据反馈信号，确定智能手表的佩戴松紧度，再根据佩戴松紧度确定智能手表的松紧状态。

其中，佩戴松紧度的表现方式有多种，佩戴松紧度可以为表现为离散值。例如，佩戴松紧度可以包括：佩戴正常、佩戴松一度、佩戴松二度、佩戴松三度、佩戴紧一度、佩戴紧二度、佩戴紧三度。

对应的，若佩戴松紧度为佩戴正常，可以确定可穿戴设备的佩戴状态为第三松紧状态。若佩戴松紧度为佩戴松一度、佩戴松二度或佩戴松三度，可以确定可穿戴设备的佩戴状态为第一松紧状态。若佩戴松紧度为佩戴紧一度、佩戴紧二度或佩戴紧三度，可以确定可穿戴设备的佩戴状态为第二松紧状态。

再者，佩戴松紧度还可以表现为连续值。例如，佩戴松紧度可以为[-1,1]之内的任一取值，佩戴松紧度的取值越小，表明智能手表被佩戴的松紧程度越松，反之，佩戴松紧度的取值越大，表明智能手表被佩戴的松紧程度越紧。

对应的，若佩戴松紧度在[-0.1,0.1]之内，可以确定智能手表的佩戴状态为第三松紧状态。若佩戴松紧度在[-1,-0.1]之内，可以确定智能手表的佩戴状态为第一松紧状态。若佩戴松紧度在[0.1,1]之内，可以确定智能手表的佩戴状态为第二松紧状态。本申请实施例不限定佩戴松紧度和松紧状态的具体表现方式。

一些实施例中，智能手表中可以包括预设识别模型，预设识别模型可以具备根据N个振动信号的反馈信号识别智能手表的佩戴状态的能力。相应地，上述S703可以包括：智能手表可以根据反馈信号，采用预设识别模型，得到智能手表的佩戴状态。

示例性的，预设识别模型可以为训练后的机器学习模型，机器学习模型在数学上可以理解为一个函数，该函数可以让预设识别模型能够根据N个振动信号的反馈信号，识别智能手表的佩戴状态。

其中，预设识别模型有多个种类。预设识别模型可以是分类器或神经网络模型，而在预设识别模型的种类不同的情况下，预设识别模型的输入也可能会发生变化。下面分别进行说明。

一些实施例中，预设识别模型可以是分类器。相应地，上述智能手表可以根据反馈信号，采用预设识别模型，得到智能手表的佩戴状态，可以包括：智能手表可以获取反馈信号的信号特征，并将信号特征作为分类器的输入，运行分类器，输出智能手表的佩戴状态。

其中，信号特征可以包括：反馈信号在预设时长内信号幅度的均方根和反馈信号的中位频率。

示例性的，上述分类器可以基于预设算法，将输入的数据(如信号特征)映射到给定类别(如多个佩戴状态)中的一个，从而实现上述预设识别模型的功能。可选地，分类器可以为隐马尔科夫模型、随机森林模型、支持向量机、决策树或逻辑回归分类器等模型。本申请实施例不限定分类器的具体类型。

再者，反馈信号的信号特征可以用于表示反馈信号在时域和/或频域上的特性，根据信号特征反映的不同维度可以划分信号特征的不同类型，信号特征可以包括：时域特征、频域特征和时频域特征。例如，反馈信号在预设时长内信号幅度的均方根可以为时域特征，可以用于表示反馈信号在时域上的特性。反馈信号的中位频率可以为频域特征，可以用于表示反馈信号在频域上的特性。

可以理解的是，由于反馈信号可以从不同的方面反映智能手表的佩戴状态，信号特征也可以从多个方面反映对应的振动信号在传输过程中受到的佩戴状态的影响，即信号特征与佩戴状态存在一定的映射关系。下面以均方根和中位频率为例进行说明。

若均方根大于第一均方根阈值，且中位频率小于第一频率阈值，则智能手表处于未佩戴状态。若均方根大于第二均方根阈值，且中位频率大于第二频率阈值，则智能手表处于已佩戴状态。其中，第一均方根阈值与第二均方根阈值相同或不同，第一频率阈值小于或等于第二频率阈值。

示例性的，反馈信号在预设时长内信号幅度的均方根可以用于表征反馈信号在预设时长内的功率有效值，均方根的大小与传输介质对振动信号的功率的过滤效果有关，均方根越大可以表明传输介质对振动信号的信号功率的滤波效果较差，均方根越小可以表明传输介质对振动信号的信号功率的滤波效果较好。

再者，反馈信号的中位频率是反馈信号在傅里叶变换后在功率谱上的频率中位数，中位频率越大可以表明传输介质对振动信号的频率的滤波效果较差，中位频率越小可以表明传输介质对振动信号的频率的滤波效果较好。

也就是说，反馈信号的均方根过大且中位频率过低，可以表征该传输介质对振动信号的信号功率的滤波效果较差，但该传输介质对振动信号的频率的滤波效果较好。由于空气对于信号功率的滤波效果较差，但对信号频率的滤波效果较好，所以该传输介质可能主要是空气，该反馈信号有可能是振动信号经过空气反馈的信号，即表征智能手表处于未佩戴状态的可能性较高。

再者，反馈信号的均方根较大且中位频率较高，可以表征该传输介质对N个振动信号的信号功率的滤波效果较差，且该传输介质对N个振动信号的频率的滤波效果较差。由于人体脂肪对于信号功率的滤波效果较差，且对信号频率的滤波效果较差，所以该传输介质可能主要是人体脂肪，该反馈信号有可能是振动信号经过人体脂肪反馈的信号，即表征智能手表处于已佩戴状态的可能性较高，从而分类器可以根据上述映射关系，输出对应的佩戴状态。

同理，在智能手表处于已佩戴状态的情况下，信号特征也可以反映对应的振动信号在传输过程中受到的佩戴松紧程度的影响，即信号特征与松紧状态也存在一定的映射关系。下面继续以均方根和中位频率为例进行说明。

当智能手表处于已佩戴状态的情况下，若均方根大于第三均方根阈值，且中位频率小于第三频率阈值，则智能手表处于第一松紧状态。若均方根小于第四均方根阈值，且中位频率大于第四频率阈值，则智能手表处于第二松紧状态。其中，第三均方根阈值大于或等于第四均方根阈值，第三频率阈值小于或等于第四频率阈值。

示例性的，当智能手表处于已佩戴状态的情况下，反馈信号的均方根越大且中位频率越低，也就是说，该传输介质对N个振动信号的信号功率的滤波效果较差，但该传输介质对N个振动信号的频率的滤波效果较好。由于，空气对信号功率的滤波效果比人体脂肪对信号功率的滤波效果更差，且空气对信号频率的滤波效果比人体脂肪对信号频率的滤波效果更好，所以该传输介质中空气的占比很有可能比人体脂肪的占比更多，即振动信号可能经过大部分空气和小部分人体脂肪的传输，表征智能手表处于第一松紧状态(如，佩戴过松)的可能性较高。

同理，反馈信号的均方根越小且中位频率越高，也就是说，该传输介质对N个振动信号的信号功率的滤波效果较好，且该传输介质对N个振动信号的频率的滤波效果较差。由于，空气对信号功率的滤波效果比人体脂肪对信号功率的滤波效果更差，且空气对信号频率的滤波效果比人体脂肪对信号频率的滤波效果更好，所以该传输介质中人体脂肪的占比很有可能比空气的占比更多，即振动信号可能经过大部分人体脂肪和小部分空气的传输，表征智能手表处于第二松紧状态(如，佩戴过紧)的可能性较高。

还可以说明的是，反馈信号的信号特征还可以包括：反馈信号在预设时长内信号幅度的积分值以及标准差等时域特征，以及经过傅里叶变换后的反馈信号在功率谱上的频率方差和平均功率频率等频域特征，以及经过小波变换后的反馈信号的小波奇异熵，和经过小波包变换后的反馈信号的小波包模型系数能量等时频域特征。上述信号特征与佩戴状态的映射关系的具体实现方式，可以参考均方根和中位频域与佩戴状态之间的映射关系，此处不再赘述。

方式2，预设识别模型是神经网络模型。相应地，上述智能手表可以根据反馈信号，采用预设识别模型，得到智能手表的佩戴状态，可以包括：智能手表可以将反馈信号作为神经网络模型的输入，运行神经网络模型，输出智能手表的佩戴状态；

其中，神经网络模型用于获取反馈信号的信号特征，并基于信号特征得到并输出智能手表的佩戴状态，该信号特征可以包括：反馈信号在预设时长内信号幅度的均方根和反馈信号的中位频率。

示例性的，神经网络可以根据预设流程，按照流程处理输入的数据(如上述反馈信号)，并输出处理结果(如上述佩戴状态)。也就是说，神经网络可以根据预设流程提取反馈信号的信号特征，根据信号特征得到并输出佩戴状态，从而实现上述预设识别模型的功能。神经网络识别佩戴状态的具体实现方式，与上述方式1中智能手表提取反馈信号的信号特征，并利用分类器识别佩戴状态的具体实现方式类似，此处不再赘述。

可选的，上述神经网络可以为多层全连接网络、卷积神经网络、循环神经网络、带有跳线的卷积神经网络等。本申请实施例不限定神经网络的具体类型。

可以理解的是，智能手表获取上述预设识别模型的方式有多种。智能手表可以接收来自网络设备(如服务器)或其他终端设备(如个人电脑或手机)的预设识别模型，智能手表也可以利用训练样本训练预设识别模型，从而使得上述预设识别模型具备佩戴状态识别的功能。

可选的，在上述智能手表可以根据反馈信号，采用预设识别模型，得到智能手表的佩戴状态之前，图7所示的方法还可以包括：智能手表可以获取训练样本，并采用训练样本训练预设识别模型，使预设识别模型具备根据N个振动信号的反馈信号识别智能手表的佩戴状态的能力。

其中，训练样本可以包括输入样本和输出样本，输入样本可以包括多个样本反馈信号或多个样本反馈信号的信号特征。多个样本反馈信号可以包括：多个不同体脂含量的用户佩戴智能手表的情况下针对N个振动信号的反馈信号训练样本，以及智能手表未被佩戴的情况下其他介质针对N个振动信号的反馈信号。多个样本反馈信号的信号特征可以包括：样本反馈信号在预设时长内信号幅度的均方根和样本反馈信号的中位频率。输出样本可以为输入样本对应的实际佩戴状态。

示例性的，训练样本可以用于训练机器学习模型，使得机器学习模型可以执行特定任务，如利用训练样本训练预设识别模型，使得预设识别模型可以根据N个振动信号的反馈信号识别智能手表的佩戴状态。上述多个样本反馈信号可以包括两种反馈信号，一种是用户佩戴智能手表的情况下采集到的反馈信号，另一种是用户未佩戴智能手表的情况下采集到的反馈信号。

再者，智能手表为了采集样本反馈信号，可以发出一组或多组振动信号，每组振动信号包括N个信号参数不同的振动信号，不同组的振动信号的参数可以相同也可以不同。例如，第一组振动信号可以包括频率为5kHZ的振动信号1和频率为10kHZ的振动信号2，第二组振动信号可以包括频率为1kHZ的振动信号3和频率为2kHZ的振动信号4。样本反馈信号的信号特征的具体实现方式，可以参考上述反馈信号的信号特征，此处不再赘述。

也就是说，智能手表可以在多个不同体脂含量的用户佩戴智能手表的情况下，发出多组N个振动信号，并采集对应的样本反馈信号。智能手表也可以在用户未佩戴智能手表的情况下，发出多组N个振动信号，并采集对应的样本反馈信号。在预设识别模型是分类器的情况下，智能手表可以将多个上述样本反馈信号的信号特征作为输入样本，将输入样本对应的实际佩戴状态作为输出样本，训练该预设识别模型。在预设识别模型是神经网络的情况下，智能手表可以将多个上述样本反馈信号作为输入样本，将输入样本对应的实际佩戴状态作为输出样本，训练该预设识别模型。

如此，在不同体脂含量的用户佩戴智能手表的情况下，采集对应的训练样本并训练预设识别模型，后续利用预设识别模型可以减轻人体脂肪对识别佩戴状态的影响，从而提高识别佩戴状态的准确性。

可以理解的是，智能手表在使用过程中可以更新上述预设识别模型。智能手表可以在使用预设识别模型识别佩戴状态后，可以将采集到的反馈信号或反馈信号的信号特征作为输入样本，将输入样本对应的实际佩戴状态作为输出样本，利用输入样本和输出样本训练预设识别模型，更新预设识别模型的模型参数，以提高预设识别模型识别佩戴状态的准确性。

其中，智能手表可以将预设识别模型输出的佩戴状态，作为输入样本对应的实际佩戴状态，也可以在完成佩戴状态识别后，请求用户确认当前智能手表的实际佩戴状态。

此外，由于同一用户在日常使用智能手表的情况下，会反复佩戴智能手表。智能手表可以利用上述方式采集该用户在日常使用中识别佩戴状态后的数据(如反馈信号以及对应的实际佩戴状态)，以便针对该用户的日常使用情况更新该预设识别模型，从而随着该用户的使用，更新后的预设识别模型也会越来越准确地识别智能手表的佩戴状态。

还需要说明的是，预设识别模型的更新也可以由网络设备(如服务器)或其他终端设备(如个人电脑或手机)执行。智能手表可以接收来自网络设备或其他终端设备的更新参数，根据更新参数更新内部存储的预设识别模型。

可以理解的是，智能手表还可以根据自身的佩戴状态，调整自身的工作模式以节约能量和资源。

具体的，若智能手表处于未佩戴状态，则控制智能手表进入低功耗模式。其中，低功耗模式下智能手表可以关闭和其他终端设备(如手机、个人电脑等)的通信，还可以停止健康监测功能，如关闭光电容积传感器等健康监测传感器。

相应的，若智能手表处于已佩戴状态，则控制智能手表进入正常工作模式。其中，正常工作模式下智能手表可以开启和其他终端设备的通信，还可以开启健康监测功能。

还可以理解的是，在智能手表处于已佩戴状态下，智能手表还可以根据被佩戴的松紧程度，发出指导建议。

在一种实现方式中，智能手表可以根据自身被佩戴的松紧程度(如第一松紧状态或第二松紧状态)，发出提示信息(如第一提示信息或第二提示信息)，以指导用户调整智能手表的松紧程度。

具体的，若智能手表处于第一松紧状态，则发出第一提示信息，第一提示信息用于指示用户调紧智能手表的松紧程度。若智能手表处于第二松紧状态，则发出第二提示信息，第二提示信息用于指示用户调松智能手表的松紧程度。

示例性的，上述提示信息(如第一提示信息或第二提示信息)可以用于指导用户调整智能手表的松紧程度。用户佩戴智能手表的松紧程度，也即智能手表的松紧状态，一方面会影响用户佩戴智能手表的体验，另一方面还会影响智能手表健康监测的准确性。如第一松紧状态下智能手表佩戴过松，智能手表难以贴合用户，难以实现稳定的健康监测。第二松紧状态下智能手表佩戴过紧，容易挤压用户导致用户血液不循环，也难以实现稳定的健康监测。

如此，智能手表可以通过发出提示信息提醒用户调整智能手表的松紧程度，提升用户体验，并能够提高健康监测的准确性。

可以理解的是，上述提示信息可以是显式指示，例如，第一提示信息可以包含用于指示“调紧智能手表”的信息。上述提示信息也可以是隐式指示，第一提示信息可以包含用于指示“智能手表佩戴过松”的信息。本申请实施例对此不做具体限定。

进一步地，智能手表还可以根据智能手表当前的松紧度和佩戴正常状态下的松紧度，确定并发出指示松紧度，提示松紧度用于指示用户按照指示松紧度调整智能手表。

可以理解的是，智能手表发出提示信息的场景有多种，下面可以分别进行说明。

场景1，智能手表可以显示上述提示信息。

一些实施例中，智能手表可以显示如图9所示的第三界面901。其中，第三界面901可以包括提示信息902，如“请调整腕带卡扣以放松佩戴”。

在另一些实施例中，上述第三界面901还可以包括指示松紧度(图9中未示出)，如“请调松两度”。

在另一些实施例中，上述第三界面901还可以包括松紧状态903，如“当前佩戴过紧”。

在另一些实施例中，上述第三界面901还可以包括佩戴状态的调整示意图，如由佩戴过紧状态调整为佩戴正常状态的调整示意图904。其中，调整示意图904可以包括智能手表的当前松紧状态的示意图像a，以及建议的智能手表的松紧状态的示意图像b。

场景2，智能手表可以通过语音的方式输出提示信息。如，利用智能手表的扬声器播放“请调整腕带卡扣以放松佩戴”。

场景3，智能手表还可以向其他终端设备(如手机、个人电脑等终端设备)发送提示信息，通过控制其他终端设备发出该提示信息。

在另一种实现方式中，智能手表还可以根据自身被佩戴的松紧程度，调整智能手表测量用户生理数据的测量权重。其中，第三松紧状态下的测量权重大于第一松紧状态下的测量权重，第三松紧状态下的测量权重还大于第二松紧状态下的测量权重。

示例性地，测量权重可以用于表征用户生理数据的可信程度，智能手表可以根据用户生理数据和测量权重，实现稳定的健康监测功能。由于第一松紧状态和第二松紧状态下智能手表均难以准确地测量用户生理数据，从而智能手表可以确定较低的测量权重，第三状态下智能手表可以准确地测量用户生理数据，从而智能手表可以确定较高的测量权重。

综上所述，采用本申请实施例的方法，智能手表可以利用振动电机和传感器的配合识别佩戴状态，无需设置额外的定制传感器，能够降低成本。并且，由于传输介质对于参数不同的振动信号的滤波效果不同，采用该方法，振动信号的反馈信号可以反映在当前配戴状态下传输介质对不同振动信号的过滤的效果，该可穿戴设备可以根据该反馈信号从多个不同振动信号的角度，识别自身的佩戴状态。这样，可以降低传输介质对识别佩戴状态的准确度的影响，提高识别的准确性，从而可以解决基于通用传感器识别佩戴状态的方式以及基于定制传感器识别佩戴状态的方式，所导致的不能兼顾识别的准确性和成本的技术问题。

同理，在上述可穿戴设备200是图5或图6所示出的智能腰带时，智能腰带也可以执行上述实施例中的方法。如图5或图6所示，智能腰带可以包括一个或多个振动电机(如第三振动电机和第四振动电机)，以及一个或多个传感器(如加速度传感器)。

其中，图5所示的智能腰带中，第三振动电机和第四振动电机可以分别设置在智能腰带内的两端，加速度传感器可以设置在智能腰带内。图6所示的智能腰带中，第三振动电机和第四振动电机可以设置在智能腰带的两侧系带内，加速度传感器可以设置在智能腰带内。

这样，本申请实施例的智能腰带可以通过振动电机发出N个信号参数不同的振动信号，并利用传感器接收N个振动信号的反馈信号，从而基于反馈信号识别自身的佩戴状态。如此，采用本申请实施例的方法，可穿戴设备可以利用振动电机和传感器的配合识别佩戴状态，无需设置额外的定制传感器，能够降低成本。

并且，由于同一传输介质对于不同的振动信号(如频率和/或波形不同的振动信号)的滤波效果不同；采用该方法，振动信号的反馈信号可以反映在当前配戴状态下传输介质对不同振动信号的过滤的效果，该智能腰带可以根据该反馈信号从多个不同振动信号的角度，识别自身的佩戴状态。这样，可以降低传输介质的含量不同对识别佩戴状态的准确度的影响，提高识别的准确性，从而可以解决基于通用传感器识别佩戴状态的方式以及基于定制传感器识别佩戴状态的方式，所导致的不能兼顾识别的准确性和成本的技术问题。智能腰带识别佩戴状态的具体实现方式，可以参考上述实施例中智能手表的具体实现方式，此处不再赘述。

下面以上述图2所示出的可穿戴设备的结构示意图为例，详细说明本申请实施例提供的佩戴状态的识别方法在处理器中的具体实现。

示例性地，图10为本申请实施例提供的一种可穿戴设备的模块交互图，该可穿戴设备可以具体实现上述图7中所示出的佩戴状态的识别方法。

如图10所示，该可穿戴设备1000包括：信号产生模块1001、信号采集模块1002、信号分析模块1003和指导分析模块1004。上述模块或组件可以通过一根或者多根通信总线(I2C)或信号线进行通信。本领域技术人员可以理解，图10中示出的模块或组件并不构成对可穿戴设备的限定，可穿戴设备1000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。

其中，如图10所示的信号产生模块1001可以控制振动电机产生N个振动信号。信号产生模块1001可以响应于用户触发生理数据测量功能的操作，或者是响应于用户触发佩戴状态识别功能的操作，又或者是响应于来电、新消息或提醒事件，信号产生模块1001可以控制一个或多个振动电机发出N个信号参数不同的振动信号，以使振动信号可以经人体或其他介质反馈。

如图10所示的信号采集模块1002可以控制加速度传感器采集反馈信号，即上述振动信号经人体或其他介质反馈的信号，并向信息分析模块发送该反馈信号(图10中未示出)。

如图10所示的信号分析模块1003可以根据反馈信号确定佩戴状态和松紧状态。一种可能的设计方案中，在预设识别模型是分类器的情况下，信号分析模块1003可以提取反馈信号的信号特征，并将信号特征作为输入，运行预设识别模型，得到可穿戴设备佩戴状态和松紧状态。另一种可能的设计方案中，在预设识别模型是神经网络的情况下，信号分析模块1003可以直接将反馈信号作为输入，运行预设识别模型，得到佩戴状态和松紧状态。本申请实施例不限定预设识别模型的具体实现方式。信号分析模块1003还可以向指导分析模块1004发送该佩戴状态和松紧状态(图10中未示出)。

如图10所示的指导分析模块1004可以根据佩戴状态和松紧状态确定指导信息。一方面，指导分析模块1004，可以根据当前的佩戴状态，调整可穿戴设备的工作模式。如当可穿戴设备处于未佩戴状态的情况下，指导分析模块1004可以控制可穿戴设备进入低功耗模式，以节约资源。当可穿戴设备处于已佩戴状态的情况下，指导分析模块1004可以控制可穿戴设备进入正常工作模式，以实现可穿戴设备对用户的健康监测。

另一方面，在可穿戴设备处于已佩戴状态的情况下，指导分析模块1004还可以根据松紧状态，调整用户生理数据的测量权重，以便可穿戴设备可以根据测量权重和用户生理数据，实现稳定的健康监测功能。指导分析模块1004还可以在松紧状态异常的情况下，输出指导信息，以指导用户调整可穿戴设备的松紧状态。例如，在智能手表处于佩戴过紧状态的情况下，指导分析模块1004可以控制智能手表的显示屏显示“请调整腕带卡扣以放松佩戴”的指导信息，以指导用户调松智能手表的松紧度。再例如，在智能手表处于佩戴过松状态的情况下，指导分析模块1004还可以控制智能手表的扬声器发出“当前佩戴过松”的语音指导信息，以指导用户调紧智能手表的松紧度。

本申请另一些实施例提供了一种电子设备，该电子设备可以包括：上述显示屏(如触摸屏)、存储器和一个或多个处理器。该显示屏、存储器和处理器耦合。该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令。当处理器执行计算机指令时，电子设备可执行上述方法实施例中可穿戴设备执行的各个功能或者步骤。该电子设备的结构可以参考图2所示的可穿戴设备200的结构。

本申请实施例还提供一种芯片系统，如图11所示，该芯片系统1100包括至少一个处理器1101和至少一个接口电路1102。处理器1101和接口电路1102可通过线路互联。例如，接口电路1102可用于从其它装置(例如电子设备的存储器)接收信号。又例如，接口电路1102可用于向其它装置(例如处理器1101)发送信号。示例性的，接口电路1102可读取存储器中存储的指令，并将该指令发送给处理器1101。当所述指令被处理器1101执行时，可使得电子设备执行上述实施例中的各个步骤。当然，该芯片系统还可以包含其他分立器件，本申请实施例对此不作具体限定。

本申请实施例还提供一种计算机存储介质，该计算机存储介质包括计算机指令，当所述计算机指令在上述电子设备上运行时，使得该电子设备执行上述方法实施例中手机执行的各个功能或者步骤。

本申请实施例还提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述方法实施例中手机执行的各个功能或者步骤。

通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (15)

1.一种佩戴状态的识别方法，其特征在于，应用于可穿戴设备，所述可穿戴设备包括一个或多个振动电机和一个或多个传感器，所述振动电机用于发送振动信号，所述传感器用于采集所述振动信号的反馈信号，所述方法包括：

发送N个振动信号，N≥2，N为正整数；其中，所述N个振动信号的信号参数不同，所述信号参数包括频率和/或波形；

采集所述N个振动信号的反馈信号；其中，所述反馈信号包括：所述可穿戴设备处于已佩戴状态的情况下所述N个振动信号经人体反馈的信号，或者所述可穿戴设备处于未佩戴状态的情况下所述N个振动信号经其他介质反馈的信号；

基于所述反馈信号，识别所述可穿戴设备的佩戴状态；其中，所述可穿戴设备的佩戴状态为所述已佩戴状态或所述未佩戴状态。

2.根据权利要求1所述的佩戴状态的识别方法，其特征在于，所述可穿戴设备包括多个振动电机，不同的振动电机在所述可穿戴设备中的位置不同。

3.根据权利要求1或2所述的佩戴状态的识别方法，其特征在于，所述已佩戴状态包括：第一松紧状态、第二松紧状态和第三松紧状态；其中，所述第一松紧状态下所述可穿戴设备被佩戴的松紧程度比正常的松紧程度更松，所述第二松紧状态下所述可穿戴设备被佩戴的松紧程度比正常的松紧程度更紧，所述第三松紧状态为所述可穿戴设备以正常的松紧程度被佩戴的状态。

4.根据权利要求3所述的佩戴状态的识别方法，其特征在于，所述方法还包括：

若所述可穿戴设备处于所述第一松紧状态，则发出第一提示信息，所述第一提示信息用于指示用户调紧所述可穿戴设备的松紧程度；

若所述可穿戴设备处于所述第二松紧状态，则发出第二提示信息，所述第二提示信息用于指示用户调松所述可穿戴设备的松紧程度。

5.根据权利要求3或4所述的佩戴状态的识别方法，其特征在于，所述方法还包括：

根据所述可穿戴设备被佩戴的松紧程度，调整所述可穿戴设备测量用户生理数据的测量权重；其中，所述第三松紧状态下的测量权重大于所述第一松紧状态下的测量权重，所述第三松紧状态下的测量权重还大于所述第二松紧状态下的测量权重。

6.根据权利要求1-5中任一项所述的佩戴状态的识别方法，其特征在于，所述发送N个振动信号，包括：

响应于用户的第一操作，发送所述N个振动信号，所述第一操作用于触发所述可穿戴设备测量用户生理数据；或者，

响应于来电、新消息或提醒事件，发送所述N个振动信号，所述N个振动信号用于指示所述来电、所述新消息或所述提醒事件。

7.根据权利要求1-6中任一项所述的佩戴状态的识别方法，其特征在于，所述方法还包括：

若所述可穿戴设备处于所述未佩戴状态，则控制所述可穿戴设备进入低功耗模式。

8.根据权利要求3-5中任一项所述的佩戴状态的识别方法，其特征在于，所述可穿戴设备中包括预设识别模型，所述预设识别模型具备根据所述N个振动信号的反馈信号识别所述可穿戴设备的佩戴状态的能力；

其中，所述基于所述反馈信号，识别所述可穿戴设备的佩戴状态，包括：

根据所述反馈信号，采用所述预设识别模型，得到所述可穿戴设备的佩戴状态。

9.根据权利要求8所述的佩戴状态的识别方法，其特征在于，所述预设识别模型是分类器；

所述根据所述反馈信号，采用所述预设识别模型，得到所述可穿戴设备的佩戴状态，包括：

获取所述反馈信号的信号特征，所述信号特征包括：所述反馈信号在预设时长内信号幅度的均方根和所述反馈信号的中位频率；

将所述信号特征作为所述分类器的输入，运行所述分类器，输出所述可穿戴设备的佩戴状态。

10.根据权利要求8所述的佩戴状态的识别方法，其特征在于，所述预设识别模型是神经网络模型；

所述根据所述反馈信号，采用所述预设识别模型，得到所述可穿戴设备的佩戴状态，包括：

将所述反馈信号作为所述神经网络模型的输入，运行所述神经网络模型，输出所述可穿戴设备的佩戴状态；

其中，所述神经网络模型用于获取所述反馈信号的信号特征，并基于所述信号特征得到并输出所述可穿戴设备的佩戴状态；所述信号特征包括：所述反馈信号在预设时长内信号幅度的均方根和所述反馈信号的中位频率。

11.根据权利要求9或10所述的佩戴状态的识别方法，其特征在于，

若所述均方根大于第一均方根阈值，且所述中位频率小于第一频率阈值，则所述可穿戴设备处于未佩戴状态；或者，

若所述均方根大于第二均方根阈值，且所述中位频率大于第二频率阈值，则所述可穿戴设备处于已佩戴状态；

其中，所述第一均方根阈值与所述第二均方根阈值相同或不同，所述第一频率阈值小于或等于所述第二频率阈值。

12.根据权利要求9-11中任一项所述的佩戴状态的识别方法，其特征在于，在所述可穿戴设备处于已佩戴状态的情况下，

若所述均方根大于第三均方根阈值，且所述中位频率小于第三频率阈值，则所述可穿戴设备处于第一松紧状态；

若所述均方根小于第四均方根阈值，且所述中位频率大于第四频率阈值，则所述可穿戴设备处于第二松紧状态；

其中，所述第三均方根阈值大于或等于所述第四均方根阈值，所述第三频率阈值小于或等于所述第四频率阈值。

13.根据权利要求8-12中任一项所述的佩戴状态的识别方法，其特征在于，在所述根据所述反馈信号，采用所述预设识别模型，得到所述可穿戴设备的佩戴状态之前，所述方法还包括：

获取训练样本，并采用所述训练样本训练所述预设识别模型，使所述预设识别模型具备根据所述N个振动信号的反馈信号识别所述可穿戴设备的佩戴状态的能力；

其中，所述训练样本包括输入样本和输出样本；所述输入样本包括多个样本反馈信号或多个样本反馈信号的信号特征，所述多个样本反馈信号包括：多个不同体脂含量的用户佩戴所述可穿戴设备的情况下针对所述N个振动信号的反馈信号，以及所述可穿戴设备未被佩戴的情况下其他介质针对所述N个振动信号的反馈信号；所述输出样本为所述输入样本对应的实际佩戴状态；

所述样本反馈信号的信号特征包括：所述样本反馈信号在预设时长内信号幅度的均方根和所述样本反馈信号的中位频率。

14.一种可穿戴设备，其特征在于，所述可穿戴设备包括一个或多个振动电机、一个或多个传感器、存储器和一个或多个处理器；所述一个或多个振动电机、所述一个或多个传感器、所述存储器和所述处理器耦合；所述振动电机用于产生振动信号，所述传感器用于采集所述振动信号的反馈信号，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述处理器执行所述计算机指令时，使得所述可穿戴设备执行如权利要求1-13中任一项所述的方法。

15.一种计算机存储介质，其特征在于，包括计算机指令，当所述计算机指令在可穿戴设备上运行时，使得所述可穿戴设备执行如权利要求1-13中任一项所述的方法。

Images