CN115795085A - 基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 - Google Patents
基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115795085A CN115795085A CN202111062501.9A CN202111062501A CN115795085A CN 115795085 A CN115795085 A CN 115795085A CN 202111062501 A CN202111062501 A CN 202111062501A CN 115795085 A CN115795085 A CN 115795085A
- Authority
- CN
- China
- Prior art keywords
- music
- relaxation
- user
- piece
- recommended
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种基于可穿戴设备的音乐推荐方法,装置,计算机设备及存储介质,涉及计算机技术领域。具体实现方案为:获取所述可穿戴设备采集的用户生理参数;将所述用户生理参数,输入训练生成的放松状态评估模型中,以确定所述用户当前的放松状态;根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐;播放所述目标推荐音乐。由此,通过用户佩戴可穿戴设备,可以实时的对放松状态进行评估,且该方法兼顾了可穿戴设备的便携性和机器学习技术的拟合能力,能够准确、有效的为用户提供可以带来放松效果的音乐。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种基于可穿戴设备的音乐推荐方法、装置、设备及存储介质。
背景技术
人类的生命当中有将近三分之一的时间是在睡眠,睡眠质量的好坏是影响人类生产生活以及身心健康的重要因素,睡眠问题也越来越受到公共卫生领域的重视。音乐疗法作为一种简单易行的非药物方法就被证明对失眠问题有显著效果。
传统的助眠音乐推荐方法依赖于用户的交互行为或者主观的偏好选择,具有主观不确定性。比如仅仅是按照某个歌单上的歌曲进行循环播放,其播放顺序与助眠效应并没有绝对的联系,因此如何实现精准的个性化助眠音乐推荐是一个重大的技术挑战。
发明内容
本公开提供了一种基于可穿戴设备的音乐推荐方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种基于可穿戴设备的音乐推荐方法,包括:
获取所述可穿戴设备采集的用户生理参数;
将所述用户生理参数,输入训练生成的放松状态评估模型中,以确定所述用户当前的放松状态;
根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐;
播放所述目标推荐音乐。
可选的,在将所述用户生理参数,输入训练生成的放松状态评估模型之前,还包括:
获取第一训练数据集,其中所述第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据;
根据所述多个参考用户的脑电数据,确定所述多个参考用户的标注放松状态;
将所述参考用户的生理参数输入初始评估模型中,以获取预测放松状态;
根据标注放松状态与所述预测放松状态的差异,对所述初始评估模型进行修正,以生成所述放松状态评估模型。
可选的,在所述根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐之前,还包括:
获取所述用户的音乐偏好、属性信息及历史睡眠数据;
根据所述用户的音乐偏好、属性信息、历史睡眠数据及当前的放松状态,确定所述用户当前对应的目标音乐风格;
根据各个音乐所属的音乐风格,从候选音乐库中获取属于所述目标音乐风格的各个待推荐音乐。
可选的,在所述根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐之前,还包括:
获取各个待推荐音乐对应的音乐特征及所述用户的属性信息;
将每个所述待推荐音乐对应的音乐特征及所述用户的属性信息输入训练生成的放松参数预估模型中,以确定每个所述待推荐音乐对应的放松参数。
可选的,所述方法,还包括:
获取第二训练数据集,其中所述第二训练数据集中包括采集的多个参考用户在播放各个音乐时的第一放松曲线、及未播放音乐状态下的第二放松曲线;
根据每个所述参考用户在播放每个音乐时对应的第一放松曲线及所述第二放松曲线,确定每个所述音乐对每个所述参考用户的标注放松参数;
将每个所述音乐的音乐特征及每个所述参考用户的属性信息,输入初始放松参数预估模型中,以获取每个所述音乐对每个所述参考用户的预测放松参数;
根据所述标注放松参数与所述预测放松参数的差异,对所述初始放松参数预估模型进行修正,以生成所述放松参数预估模型。
可选的,所述目标推荐音乐有多个,所述播放所述目标推荐音乐,包括:
将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐;
根据每个所述融合后的音乐对应的两个目标推荐音乐,确定所述多个目标推荐音乐及融合后的音乐的播放顺序;
基于所述播放顺序,依次播放所述多个目标推荐音乐及融合后的音乐。
可选的,所述将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐,包括:
根据播放顺序,由后至前从每两个目标推荐音乐中的前一个音乐中截取预设时长的第一音乐片段;
根据播放顺序,由前至后从所述两个目标推荐音乐中的后一个音乐中截取预设时长的第二音乐片段;
将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐。
可选的,所述将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐,包括:
基于第一权重序列和第二权重序列,将所述第一音乐片段及所述第二音乐片段中的各个子片段分别进行融合,以生成融合后的音乐,
其中,所述第一权重序列及所述第二权重序列中分别包含多个权重值,且所述第一权重序列中多个第一权重值逐渐降低,所述第二权重序列中多个第二权重值逐渐增加,且每个第一权重值与对应的第二权重值的和为1。
根据本公开的第二方面,提供了一种基于可穿戴设备的音乐推荐装置,包括:
获取模块,用于获取所述可穿戴设备采集的用户生理参数;
第一确定模块,用于将所述用户生理参数,输入训练生成的放松状态评估模型中,以确定所述用户当前的放松状态;
第二确定模块,用于根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐;
播放模块,用于播放所述目标推荐音乐。
可选的,所述第一确定模块,还用于:
获取第一训练数据集,其中所述第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据;
根据所述多个参考用户的脑电数据,确定所述多个参考用户的标注放松状态;
将所述参考用户的生理参数输入初始评估模型中,以获取预测放松状态;
根据标注放松状态与所述预测放松状态的差异,对所述初始评估模型进行修正,以生成所述放松状态评估模型。
可选的,所述第二确定模块,还用于:
获取所述用户的音乐偏好、属性信息及历史睡眠数据;
根据所述用户的音乐偏好、属性信息、历史睡眠数据及当前的放松状态,确定所述用户当前对应的目标音乐风格;
根据各个音乐所属的音乐风格,从候选音乐库中获取属于所述目标音乐风格的各个待推荐音乐。
可选的,所述第二确定模块,还用于:
获取各个待推荐音乐对应的音乐特征及所述用户的属性信息;
将每个所述待推荐音乐对应的音乐特征及所述用户的属性信息输入训练生成的放松参数预估模型中,以确定每个所述待推荐音乐对应的放松参数。
可选的,所述装置,还包括:
第二获取模块,用于获取第二训练数据集,其中所述第二训练数据集中包括采集的多个参考用户在播放各个音乐时的第一放松曲线、及未播放音乐状态下的第二放松曲线;
第三确定模块,用于根据每个所述参考用户在播放每个音乐时对应的第一放松曲线及所述第二放松曲线,确定每个所述音乐对每个所述参考用户的标注放松参数;
第三获取模块,用于将每个所述音乐的音乐特征及每个所述参考用户的属性信息,输入初始放松参数预估模型中,以获取每个所述音乐对每个所述参考用户的预测放松参数;
修正模块,用于根据所述标注放松参数与所述预测放松参数的差异,对所述初始放松参数预估模型进行修正,以生成所述放松参数预估模型。
可选的,所述播放模块,包括:
融合单元,用于将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐;
确定单元,用于根据每个所述融合后的音乐对应的两个目标推荐音乐,确定所述多个目标推荐音乐及融合后的音乐的播放顺序;
播放单元,用于基于所述播放顺序,依次播放所述多个目标推荐音乐及融合后的音乐。
可选的,所述融合单元,包括:
第一截取子单元,用于根据播放顺序,由后至前从每两个目标推荐音乐中的前一个音乐中截取预设时长的第一音乐片段;
第二截取子单元,用于根据播放顺序,由前至后从所述两个目标推荐音乐中的后一个音乐中截取预设时长的第二音乐片段;
融合子单元,用于将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐。
可选的,所述融合子单元,具体用于:
基于第一权重序列和第二权重序列,将所述第一音乐片段及所述第二音乐片段中的各个子片段分别进行融合,以生成融合后的音乐,
其中,所述第一权重序列及所述第二权重序列中分别包含多个权重值,且所述第一权重序列中多个第一权重值逐渐降低,所述第二权重序列中多个第二权重值逐渐增加,且每个第一权重值与对应的第二权重值的和为1。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述一方面实施例所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其上存储有计算机程序,所述计算机指令用于使所述计算机执行上述一方面实施例所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述一方面实施例所述的方法
本公开提供的基于可穿戴设备的音乐推荐方法、装置、设备以及存储介质至少存在以下有益效果:
本公开实施例中该装置首先获取可穿戴设备采集的用户生理参数,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,最后播放目标推荐音乐。由此,通过用户佩戴可穿戴设备,可以实时的对放松状态进行评估,且该方法兼顾了可穿戴设备的便携性和机器学习技术的拟合能力,能够准确、有效的为用户提供可以带来放松效果的音乐。
进一步地,本公开实施例中该装置首先获取第一训练数据集,其中第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据,然后根据多个参考用户的脑电数据,确定多个参考用户的标注放松状态,将参考用户的生理参数输入初始评估模型中,以获取预测放松状态,之后根据标注放松状态与预测放松状态的差异,对初始评估模型进行修正,以生成放松状态评估模型,然后获取可穿戴设备采集的用户生理参数,之后将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,再然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,最后播放目标推荐音乐。由此,利用参考用户确定训练数据集并对放松状态评估模型进行修正,可以更准确的确定各个待推荐音乐的放松参数,因而可以更为准确、有效的为用户提供可以带来放松效果的音乐。
进一步地,本公开实施例中该装置首先获取可穿戴设备采集的用户生理参数,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,之后将多个目标推荐音乐进行两两融合,以获取融合后的音乐,并根据每个融合后的音乐对应的两个目标推荐音乐,确定多个目标推荐音乐及融合后的音乐的播放顺序,最后基于播放顺序,依次播放多个目标推荐音乐及融合后的音乐。由此,通过将目标推荐音乐进行融合后的音乐及对应的目标推荐音乐按一定顺序进行播放,从而不仅可以为不同用户提供个性化的减压放松音乐,避免用户对单调曲库产生厌倦,而且使得音乐切换过程无感,能够更准确、更有效的为用户提供可以带来放松效果的音乐。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开提供的一种基于可穿戴设备的音乐推荐方法的流程示意图;
图2是根据本公开提供的另一种基于可穿戴设备的音乐推荐方法的流程示意图;
图3是根据本公开提供的又一种基于可穿戴设备的音乐推荐方法的流程示意图;
图4为本公开提供的一种基于可穿戴设备的音乐推荐装置的结构框图;
图5为本公开提供的电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开提出的基于可穿戴设备的音乐推荐方法可由本公开提供的基于可穿戴设备的音乐推荐装置执行,也可以由本公开提供的电子设备执行,其中,电子设备可以包括但不限于台式电脑、平板电脑等终端设备,也可以是服务器,下面以由本公开提供的助眠音乐的生成装置来执行本公开提供的一种基于可穿戴设备的音乐推荐方法,而不作为对本公开的限定,以下简称为“装置”。
下面参考附图对本公开提供的基于可穿戴设备的音乐推荐方法、装置、计算机设备及存储介质进行详细描述。
图1是根据本公开一实施例的基于可穿戴设备的音乐推荐方法的流程示意图。
如图1所示,该基于可穿戴设备的音乐推荐方法可以包括以下步骤:
步骤S101,获取可穿戴设备采集的用户生理参数。
可以理解的是,可穿戴设备可以由用户穿戴,通过传感器接触或者压靠用户的皮肤,以获得用户生理参数。
其中,用户生理参数可以为用户的心率、呼吸率、心率变异性、呼吸率变异性、皮肤电阻抗、血压、血氧和睡眠分期等,对此不进行限定。
可以理解的是,用户生理参数可以作为指标,用于之后对用户的放松状态进行评估。举例来说,通常在医学研究中,人体在放松状态下的心率会降低,根据该先验知识,可以认为若人体的心率出现显著降低,则说明此时人体处于放松状态,对此不进行限定。
步骤S102,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态。
需要说明的是,减压助眠的音乐推荐依赖于对用户自身身体放松状态的精准评估。因此该装置在实时地获取用户的生理参数后,需要将生理参数数据输入预先训练生成的模型当中,以估计用户当前的放松状态。
其中,该装置可以通过放松状态评估模型为用户生成对应的放松状态的标签,比如“放松”、“较为放松”、“不放松”、“紧张”,对此不进行限定。
步骤S103,根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐。
其中,目标推荐音乐可以为能够在考虑用户自身的特点的同时,辅助用户放松助眠的音乐。
具体的,该装置在根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐时,可以有多种方式。
需要说明的是,各个待推荐音乐对应有放松参数,其中,放松参数的大小用于表征待推荐音乐的放松效能。举例来说,若放松参数和待推荐音乐的放松效能成正比,则说明放松参数越大,待推荐音乐的放松效能越高,也即,越有利于用户放松、解压、助眠,对此不进行限定。另外,相同音乐对于不同用户的放松参数也可以是不同的。
举例来说,若待推荐的音乐有M首,对应的放松参数按照从大到小分别为E1、E2、…、EM,那么该装置则可以按照从前往后的顺序从M首音乐中选取一定数量的音乐推荐给用户,对此不进行限定。
比如,若当前的用户的放松状态为“放松”,则可以根据放松参数由大到小,推荐前M/4的音乐曲目作为目标推荐音乐给用户。或在,若当前的用户的放松状态为“不放松”,则可以从中选取前3M/4的音乐曲目作为目标推荐音乐给用户,对此不进行限定。
步骤S104,播放目标推荐音乐。
具体的,该装置可以通过播放装置播放目标推荐音乐。可以理解的是,在播放目标推荐音乐的同时,该装置还可以利用可穿戴设备实时的采集用户的生理参数,从而之后可以对音乐的放松参数进行动态的调整,对此不进行限定。
本公开实施例中该装置首先获取可穿戴设备采集的用户生理参数,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,最后播放目标推荐音乐。由此,通过用户佩戴可穿戴设备,可以实时的对放松状态进行评估,且该方法兼顾了可穿戴设备的便携性和机器学习技术的拟合能力,能够准确、有效的为用户提供可以带来放松效果的音乐。
图2是根据本公开另一实施例的基于可穿戴设备的音乐推荐方法的流程示意图。
如图2所示,该基于可穿戴设备的音乐推荐方法可以包括以下步骤:
步骤S201,获取第一训练数据集,其中第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据。
需要说明的是,第一训练数据集可以在参考用户中采集。通过参考用户佩戴可穿戴设备,该装置可以实时地对利用可穿戴设备对参考用户的生理参数数据进行采集,比如心率、呼吸频率、皮肤电阻抗、血压、血氧等生理参数,另外,该装置还可以通过脑电采集装置采集各参考用户对应的脑电数据,对此不进行限定。
可选的,可以通过将脑电采集装置在人的头皮上检测脑电波信号,并通过相关的设备进行脑电波的收集和处理,从而获取脑电数据。
步骤S202,根据多个参考用户的脑电数据,确定多个参考用户的标注放松状态。
可以理解的是,由于脑电是可以较为直接和准确衡量人体放松状态的标准,因而本公开可以根据各参考用户的脑电数据,确定各参考用户的标注放松状态。
其中,标注放松状态可以有多种,比如放松、较为放松、略微放松、不放松等,本公开对此不进行限定。
具体的,脑电数据可以包括参考用户的脑电波信号,比如α波、β波、θ波、顶尖波、睡眠纺锤波等,对此不进行限定。通过对脑电波信号特征的分析,该装置可以对参考用户的标注放松状态进行确定。举例来说,若某一参考用户的α波特征的参数为8~13Hz,幅度为20~100μV,则可以确定当前用户的状态为“较为放松”。
需要说明的是,上述举例仅为示意性说明,而不作为对本公开的限定。
步骤S203,将参考用户的生理参数输入初始评估模型中,以获取预测放松状态。
可以理解的是,初始评估模型可以为尚未达到可用状态的网络模型,该装置可以通过之后对其网络参数进行修正、训练,以使其达到可用状态。
具体的,通过将参考用户的生理参数输入初始评估模型,以对参考用户的放松状态进行预测,其中,标注放松状态可以有放松、较为放松、略微放松、不放松等多种,本公开对此不进行限定。
步骤S204,根据标注放松状态与预测放松状态的差异,对初始评估模型进行修正,以生成放松状态评估模型。
具体来说,该装置可以将标注放松状态与预测放松状态进行比较,以确定标注放松状态与预测放松状态之间的差异,比如,可以使用梯度下降、随机梯度下降等方式确定出修正梯度,进而以此对初始评估模型进行修正,以生成放松状态评估模型,本公开对确定修正梯度的方式不做限定。
步骤S205,获取可穿戴设备采集的用户生理参数。
步骤S206,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态。
需要说明的是,步骤S205、S206的具体实现过程可以参照上述实施例,在此不进行赘述。
步骤S207,根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐。
需要说明的是,该装置在根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐之前,还需要先获取各个待推荐音乐对应的放松参数。
可选的,可以将各个待推荐音乐的音乐特征及每个参考用户的属性信息输入预先训练的放松参数预估模型中,以确定各个待推荐音乐的放松参数。为方便理解,下面本公开将对放松参数预估模型的一种可能实现的生成方式进行说明,可选的,可以包括以下步骤:
获取第二训练数据集,其中第二训练数据集中包括采集的多个参考用户在播放各个音乐时的第一放松曲线、及未播放音乐状态下的第二放松曲线;
根据每个参考用户在播放每个音乐时对应的第一放松曲线及第二放松曲线,确定每个音乐对每个参考用户的标注放松参数;
将每个音乐的音乐特征及每个参考用户的属性信息,输入初始放松参数预估模型中,以获取每个音乐对每个参考用户的预测放松参数;
根据标注放松参数与预测放松参数的差异,对初始放松参数预估模型进行修正,以生成放松参数预估模型。
其中,第一放松曲线和第二放松曲线都可以表示为时间的函数图像,比如,以时间为横坐标,疲劳度为纵坐标,或者以时间为横坐标,放松程度为纵坐标,对此不进行限定。需要说明的是,参考用户在播放不同风格的音乐时的放松曲线可以是相同或不同的。
其中,音乐特征可以为音乐的节律、音乐间隔、和声、音调等,对此不进行限定。需要说明的是,在将音乐特征输入初始放松参数预估模型之前,可以对各个音乐的音乐特征进行量化。其中,参考用户的属性信息可以为参考用户的年龄、性别、体重、音乐偏好等信息,对此不进行限定。
其中,放松参数也即音乐对应的放松效能,不同风格种类的音乐的放松参数可能不同。另外,相同音乐对于不同的用户来说,放松参数也可能是不同的。
需要说明的是,由于第二放松曲线为未播放音乐状态下的放松曲线,该装置可以通过计算第一放松曲线和第二放松曲线在时间上的积分之差,确定每个音乐对每个参考用户的标注放松参数。
其中,初始放松参数预估模型可以为尚未达到可用状态的网络模型,该装置可以通过之后对其网络参数进行修正、训练,以使其达到可用状态。具体的,通过将每个音乐的音乐特征及每个参考用户的属性信息输入初始放松参数预估模型,以获取每个音乐对每个参考用户的预测放松参数。
具体的,该装置可以将标注放松参数与预测放松参数进行比较,以确定标注放松参数与预测放松参数之间的差异,比如,可以使用梯度下降、随机梯度下降等方式确定出修正梯度,进而以此对初始放松参数预估模型进行修正,以生成放松参数预估模型,本公开对确定修正梯度的方式不做限定。
进一步地,在确定放松参数预估模型之后,该装置可以通过输入每个音乐的音乐特征及每个用户的属性信息,以确定各个待推荐音乐对应的放松参数。可选的,还可以输入之前时间窗口的用户的放松状态,比如若以4小时为一个时间窗口,则可以输入当前时间4小时之前用户的放松状态,对此不进行限定。
之后,该装置可以根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐。
步骤S208,播放目标推荐音乐。
需要说明的是,步骤S208的具体实现过程可以参照上述实施例,在此不进行赘述。
本公开实施例中该装置首先获取第一训练数据集,其中第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据,然后根据多个参考用户的脑电数据,确定多个参考用户的标注放松状态,将参考用户的生理参数输入初始评估模型中,以获取预测放松状态,之后根据标注放松状态与预测放松状态的差异,对初始评估模型进行修正,以生成放松状态评估模型,然后获取可穿戴设备采集的用户生理参数,之后将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,再然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,最后播放目标推荐音乐。由此,利用参考用户确定训练数据集并对放松状态评估模型进行修正,可以更准确的确定各个待推荐音乐的放松参数,因而可以更为准确、有效的为用户提供可以带来放松效果的音乐。
图3是根据本公开又一实施例的基于可穿戴设备的音乐推荐方法的流程示意图。
如图3所示,该基于可穿戴设备的音乐推荐方法可以包括以下步骤:
步骤S301,获取可穿戴设备采集的用户生理参数。
步骤S302,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态。
需要说明的是,步骤S301、S302的具体实现过程可以参照上述任一实施例,本公开在此不进行赘述。
步骤S303,根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐。
需要说明的是,待推荐音乐可以为预置于候选音乐库中的音乐,可以有多种不同风格,在确定目标推荐音乐之前,该装置可以获取部分待推荐音乐,下面本公开将对获取待推荐音乐的一种可能实现的方式进行说明。
可选的,该装置可以首先获取用户的音乐偏好、属性信息及历史睡眠数据,然后根据用户的音乐偏好、属性信息、历史睡眠数据及当前的放松状态,确定用户当前对应的目标音乐风格,之后根据各个音乐所属的音乐风格,从候选音乐库中获取属于目标音乐风格的各个待推荐音乐。
可以理解的是,由于用户的多样性,不同用户所适用的助眠音乐也千变万化,为实现精准的个性化音乐推荐,可以首先获取用户的音乐偏好,比如,国风音乐、纯音乐、白噪声、古典乐、美声音乐等,用户的属性信息,比如,年龄、性别、身高、体重等,以及历史睡眠数据,比如当前时间的前一天此时用户的放松状态。
需要说明的是,上述对用户的音乐偏好、属性信息及历史睡眠数据的举例仅为示意性说明,本公开对此不进行限定。
进而,该装置可以确定用户当前对应的目标音乐风格,并在候选音乐库中获取当前用户所需求的属于目标音乐风格的各个待推荐音乐。其中,待推荐音乐可以为多个音乐,对此不进行限定。
步骤S304,将多个目标推荐音乐进行两两融合,以获取融合后的音乐。
需要说明的是,在将多个目标推荐音乐进行两两融合时,可以有多种方式。
可选的,可以根据多个目标推荐音乐的播放顺序,将每相邻的两个目标推荐音乐进行加权融合,以获取融合后的音乐。
可选的,该装置还可以首先根据播放顺序,由后至前从每两个目标推荐音乐中的前一个音乐中截取预设时长的第一音乐片段,然后根据播放顺序,由前至后从两个目标推荐音乐中的后一个音乐中截取预设时长的第二音乐片段。
可以理解的是,若目标推荐音乐为多个,在确定多个目标推荐音乐之后,该装置可以将目标推荐音乐按照放松参数从大到小的方式,确定播放顺序,然后再将每两个相邻的目标推荐音乐进行融合。
举例来说,若按照放松参数,确定的目标推荐音乐的播放顺序为A、B、C,该装置可以将目标推荐音乐两两组合为(A,B)和(B,C)。其中,对于第一组(A,B),该装置可以由后至前,从音乐A中选取预设时长(比如为20s)的第一音乐片段A1,并由前至后从音乐B中选取20s的第二音乐片段B1,对此不进行限定。
进一步地,将第一音乐片段及第二音乐片段进行融合,以获取融合后的音乐。需要理解的是,在将第一音乐片段及第二音乐片段进行融合时,可以有多种方式。
可选的,可以将第一音乐片段及第二音乐片段中的各个子片段分别相加,从而使得融合后的音乐中包含了两个目标推荐音乐的元素。
可选的,该装置还可以基于第一权重序列和第二权重序列,将第一音乐片段及第二音乐片段中的各个子片段分别进行融合,以生成融合后的音乐。其中,第一权重序列及第二权重序列中分别包含多个权重值,且第一权重序列中多个第一权重值逐渐降低,第二权重序列中多个第二权重值逐渐增加,且每个第一权重值与对应的第二权重值的和为1。
其中,第一权重序列为第一音乐片段的各个子片段对应的权重序列,第二权重序列为第二音乐片段的各个子片段对应权重序列,对此不进行限定。
举例来说,若第一音乐片段为A1,其中,A1包括的子片段有a1、a2、a3,第二音乐片段为B1,其中,B1包括的子片段有b1、b2、b3。第一权重序列a1、a2、a3对应的权重分别为0.8、0.5、0.3,第二权重序列b1、b2、b3对应的权重分别为0.2、0.5、0.7。
通过上述融合方式,可以使得生成的融合音乐中,包含的第一音乐片段A1的比重越来越少,而第二音乐片段B1所占的比重越来越大。
需要说明的是,上述示例仅为本公开的示意性说明,本公开对此不做限定。
步骤S305,根据每个融合后的音乐对应的两个目标推荐音乐,确定多个目标推荐音乐及融合后的音乐的播放顺序。
本公开中,为了避免不同目标推荐音乐在顺序播放过程中,带来的音乐切换,造成感官突变,对用户造成干扰。通过将多个目标推荐音乐进行两两融合后,生成的融合音乐中即可包含两个目标推荐音乐的元素。从而在播放时,可以那个融合后的音乐设置在对应的两个目标推荐音乐之间播放,从而可以使得音乐的切换过程无感,改善了用户体验。
举例来说,对于播放顺序为A、B、C的目标推荐音乐,该装置可以将A和B融合后生成的音乐,设置在A和B之间播放,而将B和C融合的音乐设置在B和C之间播放,以此类推,本公开在此不进行限定。
由此,可以提高目标推荐音乐之间的相似度,避免给用户带来音乐切换的突兀感,且可以更加实时地生成更多放松歌曲丰富曲库音乐。
步骤S306,基于播放顺序,依次播放多个目标推荐音乐及融合后的音乐。
具体的,该装置可以利用播放装置将多个目标推荐音乐及融合后的音乐按照播放顺序进行播放。另外,还可以由可穿戴设备对用户生理参数进行实时采集,由此,能够根据用户的实时放松状态调整推荐音乐。
本公开实施例中该装置首先获取可穿戴设备采集的用户生理参数,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,之后将多个目标推荐音乐进行两两融合,以获取融合后的音乐,并根据每个融合后的音乐对应的两个目标推荐音乐,确定多个目标推荐音乐及融合后的音乐的播放顺序,最后基于播放顺序,依次播放多个目标推荐音乐及融合后的音乐。由此,通过将目标推荐音乐进行融合后的音乐及对应的目标推荐音乐按一定顺序进行播放,从而不仅可以为不同用户提供个性化的减压放松音乐,避免用户对单调曲库产生厌倦,而且使得音乐切换过程无感,能够更准确、更有效的为用户提供可以带来放松效果的音乐。
为了实现上述实施例,本公开实施例还提出一种基于可穿戴设备的音乐推荐装置。图4为本公开实施例提供的一种基于可穿戴设备的音乐推荐装置的结构框图。
如图4所示,该基于可穿戴设备的音乐推荐装置包括:获取模块410、第一确定模块420、第二确定模块430及播放模块440。
获取模块410,用于获取所述可穿戴设备采集的用户生理参数;
第一确定模块420,用于将所述用户生理参数,输入训练生成的放松状态评估模型中,以确定所述用户当前的放松状态;
第二确定模块430,用于根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐;
播放模块440,用于播放所述目标推荐音乐。
可选的,所述第一确定模块420,还用于:
获取第一训练数据集,其中所述第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据;
根据所述多个参考用户的脑电数据,确定所述多个参考用户的标注放松状态;
将所述参考用户的生理参数输入初始评估模型中,以获取预测放松状态;
根据标注放松状态与所述预测放松状态的差异,对所述初始评估模型进行修正,以生成所述放松状态评估模型。
可选的,所述第二确定模块430,还用于:
获取所述用户的音乐偏好、属性信息及历史睡眠数据;
根据所述用户的音乐偏好、属性信息、历史睡眠数据及当前的放松状态,确定所述用户当前对应的目标音乐风格;
根据各个音乐所属的音乐风格,从候选音乐库中获取属于所述目标音乐风格的各个待推荐音乐。
可选的,所述第二确定模块430,还用于:
获取各个待推荐音乐对应的音乐特征及所述用户的属性信息;
将每个所述待推荐音乐对应的音乐特征及所述用户的属性信息输入训练生成的放松参数预估模型中,以确定每个所述待推荐音乐对应的放松参数。
可选的,所述装置,还包括:
第二获取模块,用于获取第二训练数据集,其中所述第二训练数据集中包括采集的多个参考用户在播放各个音乐时的第一放松曲线、及未播放音乐状态下的第二放松曲线;
第三确定模块,用于根据每个所述参考用户在播放每个音乐时对应的第一放松曲线及所述第二放松曲线,确定每个所述音乐对每个所述参考用户的标注放松参数;
第三获取模块,用于将每个所述音乐的音乐特征及每个所述参考用户的属性信息,输入初始放松参数预估模型中,以获取每个所述音乐对每个所述参考用户的预测放松参数;
修正模块,用于根据所述标注放松参数与所述预测放松参数的差异,对所述初始放松参数预估模型进行修正,以生成所述放松参数预估模型。
可选的,所述播放模块,包括:
融合单元,用于将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐;
确定单元,用于根据每个所述融合后的音乐对应的两个目标推荐音乐,确定所述多个目标推荐音乐及融合后的音乐的播放顺序;
播放单元,用于基于所述播放顺序,依次播放所述多个目标推荐音乐及融合后的音乐。
可选的,所述融合单元,包括:
第一截取子单元,用于根据播放顺序,由后至前从每两个目标推荐音乐中的前一个音乐中截取预设时长的第一音乐片段;
第二截取子单元,用于根据播放顺序,由前至后从所述两个目标推荐音乐中的后一个音乐中截取预设时长的第二音乐片段;
融合子单元,用于将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐。
可选的,所述融合子单元,具体用于:
基于第一权重序列和第二权重序列,将所述第一音乐片段及所述第二音乐片段中的各个子片段分别进行融合,以生成融合后的音乐,
其中,所述第一权重序列及所述第二权重序列中分别包含多个权重值,且所述第一权重序列中多个第一权重值逐渐降低,所述第二权重序列中多个第二权重值逐渐增加,且每个第一权重值与对应的第二权重值的和为1。
本公开实施例中该装置首先获取可穿戴设备采集的用户生理参数,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,最后播放目标推荐音乐。由此,通过用户佩戴可穿戴设备,可以实时的对放松状态进行评估,且该方法兼顾了可穿戴设备的便携性和机器学习技术的拟合能力,能够准确、有效的为用户提供可以带来放松效果的音乐。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如基于可穿戴设备的音乐推荐方法。例如,在一些实施例中,基于可穿戴设备的音乐推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的基于可穿戴设备的音乐推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于可穿戴设备的音乐推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开实施例中该装置首先获取可穿戴设备采集的用户生理参数,将用户生理参数,输入训练生成的放松状态评估模型中,以确定用户当前的放松状态,然后根据用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐,最后播放目标推荐音乐。由此,通过用户佩戴可穿戴设备,可以实时的对放松状态进行评估,且该方法兼顾了可穿戴设备的便携性和机器学习技术的拟合能力,能够准确、有效的为用户提供可以带来放松效果的音乐。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种基于可穿戴设备的音乐推荐方法,其特征在于,包括:
获取所述可穿戴设备采集的用户生理参数;
将所述用户生理参数,输入训练生成的放松状态评估模型中,以确定所述用户当前的放松状态;
根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐;
播放所述目标推荐音乐。
2.如权利要求1所述的方法,其特征在于,在所述将所述用户生理参数,输入训练生成的放松状态评估模型之前,还包括:
获取第一训练数据集,其中所述第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据;
根据所述多个参考用户的脑电数据,确定所述多个参考用户的标注放松状态;
将所述参考用户的生理参数输入初始评估模型中,以获取预测放松状态;
根据标注放松状态与所述预测放松状态的差异,对所述初始评估模型进行修正,以生成所述放松状态评估模型。
3.如权利要求1所述的方法,其特征在于,在所述根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐之前,还包括:
获取所述用户的音乐偏好、属性信息及历史睡眠数据;
根据所述用户的音乐偏好、属性信息、历史睡眠数据及当前的放松状态,确定所述用户当前对应的目标音乐风格;
根据各个音乐所属的音乐风格,从候选音乐库中获取属于所述目标音乐风格的各个待推荐音乐。
4.如权利要求1所述的方法,其特征在于,在所述根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐之前,还包括:
获取各个待推荐音乐对应的音乐特征及所述用户的属性信息;
将每个所述待推荐音乐对应的音乐特征及所述用户的属性信息输入训练生成的放松参数预估模型中,以确定每个所述待推荐音乐对应的放松参数。
5.如权利要求4所述的方法,其特征在于,还包括:
获取第二训练数据集,其中所述第二训练数据集中包括采集的多个参考用户在播放各个音乐时的第一放松曲线、及未播放音乐状态下的第二放松曲线;
根据每个所述参考用户在播放每个音乐时对应的第一放松曲线及所述第二放松曲线,确定每个所述音乐对每个所述参考用户的标注放松参数;
将每个所述音乐的音乐特征及每个所述参考用户的属性信息,输入初始放松参数预估模型中,以获取每个所述音乐对每个所述参考用户的预测放松参数;
根据所述标注放松参数与所述预测放松参数的差异,对所述初始放松参数预估模型进行修正,以生成所述放松参数预估模型。
6.如权利要求1-5任一所述的方法,其特征在于,所述目标推荐音乐有多个,所述播放所述目标推荐音乐,包括:
将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐;
根据每个所述融合后的音乐对应的两个目标推荐音乐,确定所述多个目标推荐音乐及融合后的音乐的播放顺序;
基于所述播放顺序,依次播放所述多个目标推荐音乐及融合后的音乐。
7.如权利要求6所述的方法,其特征在于,所述将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐,包括:
根据播放顺序,由后至前从每两个目标推荐音乐中的前一个音乐中截取预设时长的第一音乐片段;
根据播放顺序,由前至后从所述两个目标推荐音乐中的后一个音乐中截取预设时长的第二音乐片段;
将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐。
8.如权利要求7所述的方法,其特征在于,所述将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐,包括:
基于第一权重序列和第二权重序列,将所述第一音乐片段及所述第二音乐片段中的各个子片段分别进行融合,以生成融合后的音乐,
其中,所述第一权重序列及所述第二权重序列中分别包含多个权重值,且所述第一权重序列中多个第一权重值逐渐降低,所述第二权重序列中多个第二权重值逐渐增加,且每个第一权重值与对应的第二权重值的和为1。
9.一种基于可穿戴设备的音乐推荐装置,其特征在于,包括:
获取模块,用于获取所述可穿戴设备采集的用户生理参数;
第一确定模块,用于将所述用户生理参数,输入训练生成的放松状态评估模型中,以确定所述用户当前的放松状态;
第二确定模块,用于根据所述用户当前的放松状态及各个待推荐音乐对应的放松参数,确定目标推荐音乐;
播放模块,用于播放所述目标推荐音乐。
10.如权利要求9所述的装置,其特征在于,所述第一确定模块,还用于:
获取第一训练数据集,其中所述第一训练数据集中包括采集的多个参考用户的生理参数及对应的脑电数据;
根据所述多个参考用户的脑电数据,确定所述多个参考用户的标注放松状态;
将所述参考用户的生理参数输入初始评估模型中,以获取预测放松状态;
根据标注放松状态与所述预测放松状态的差异,对所述初始评估模型进行修正,以生成所述放松状态评估模型。
11.如权利要求9所述的装置,其特征在于,所述第二确定模块,还用于:
获取所述用户的音乐偏好、属性信息及历史睡眠数据;
根据所述用户的音乐偏好、属性信息、历史睡眠数据及当前的放松状态,确定所述用户当前对应的目标音乐风格;
根据各个音乐所属的音乐风格,从候选音乐库中获取属于所述目标音乐风格的各个待推荐音乐。
12.如权利要求9所述的装置,其特征在于,所述第二确定模块,还用于:
获取各个待推荐音乐对应的音乐特征及所述用户的属性信息;
将每个所述待推荐音乐对应的音乐特征及所述用户的属性信息输入训练生成的放松参数预估模型中,以确定每个所述待推荐音乐对应的放松参数。
13.如权利要求12所述的装置,其特征在于,还包括:
第二获取模块,用于获取第二训练数据集,其中所述第二训练数据集中包括采集的多个参考用户在播放各个音乐时的第一放松曲线、及未播放音乐状态下的第二放松曲线;
第三确定模块,用于根据每个所述参考用户在播放每个音乐时对应的第一放松曲线及所述第二放松曲线,确定每个所述音乐对每个所述参考用户的标注放松参数;
第三获取模块,用于将每个所述音乐的音乐特征及每个所述参考用户的属性信息,输入初始放松参数预估模型中,以获取每个所述音乐对每个所述参考用户的预测放松参数;
修正模块,用于根据所述标注放松参数与所述预测放松参数的差异,对所述初始放松参数预估模型进行修正,以生成所述放松参数预估模型。
14.如权利要求9-13任一所述的装置,其特征在于,所述目标推荐音乐有多个,所述播放模块,包括:
融合单元,用于将所述多个目标推荐音乐进行两两融合,以获取融合后的音乐;
确定单元,用于根据每个所述融合后的音乐对应的两个目标推荐音乐,确定所述多个目标推荐音乐及融合后的音乐的播放顺序;
播放单元,用于基于所述播放顺序,依次播放所述多个目标推荐音乐及融合后的音乐。
15.如权利要求14所述的装置,其特征在于,所述融合单元,包括:
第一截取子单元,用于根据播放顺序,由后至前从每两个目标推荐音乐中的前一个音乐中截取预设时长的第一音乐片段;
第二截取子单元,用于根据播放顺序,由前至后从所述两个目标推荐音乐中的后一个音乐中截取预设时长的第二音乐片段;
融合子单元,用于将所述第一音乐片段及所述第二音乐片段进行融合,以获取融合后的音乐。
16.如权利要求15所述的装置,其特征在于,所述融合子单元,具体用于:
基于第一权重序列和第二权重序列,将所述第一音乐片段及所述第二音乐片段中的各个子片段分别进行融合,以生成融合后的音乐,
其中,所述第一权重序列及所述第二权重序列中分别包含多个权重值,且所述第一权重序列中多个第一权重值逐渐降低,所述第二权重序列中多个第二权重值逐渐增加,且每个第一权重值与对应的第二权重值的和为1。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062501.9A CN115795085A (zh) | 2021-09-10 | 2021-09-10 | 基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 |
PCT/CN2022/092080 WO2023035647A1 (zh) | 2021-09-10 | 2022-05-10 | 基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062501.9A CN115795085A (zh) | 2021-09-10 | 2021-09-10 | 基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795085A true CN115795085A (zh) | 2023-03-14 |
Family
ID=85417284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062501.9A Pending CN115795085A (zh) | 2021-09-10 | 2021-09-10 | 基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115795085A (zh) |
WO (1) | WO2023035647A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006085265A2 (en) * | 2005-02-14 | 2006-08-17 | Koninklijke Philips Electronics N.V. | A system for and a method of mixing first audio data with second audio data, a program element and a computer-readable medium |
US10321842B2 (en) * | 2014-04-22 | 2019-06-18 | Interaxon Inc. | System and method for associating music with brain-state data |
US11334804B2 (en) * | 2017-05-01 | 2022-05-17 | International Business Machines Corporation | Cognitive music selection system and method |
CN107515925A (zh) * | 2017-08-24 | 2017-12-26 | 北京小米移动软件有限公司 | 音乐播放方法及装置 |
CN107997751A (zh) * | 2018-01-16 | 2018-05-08 | 华南理工大学 | 一种基于生物反馈的智能耳机系统 |
CN108543193B (zh) * | 2018-03-14 | 2021-05-14 | 天使智心(北京)科技有限公司 | 一种用户状态干预方法及装置 |
CN112121283A (zh) * | 2020-09-08 | 2020-12-25 | 杭州趣安科技有限公司 | 一种自适应放松辅助系统、方法、设备以及存储介质 |
CN112435641B (zh) * | 2020-11-09 | 2024-01-02 | 腾讯科技(深圳)有限公司 | 音频处理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-10 CN CN202111062501.9A patent/CN115795085A/zh active Pending
-
2022
- 2022-05-10 WO PCT/CN2022/092080 patent/WO2023035647A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023035647A1 (zh) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380316B2 (en) | Speech interaction method and apparatus | |
Rakshit et al. | Emotion detection and recognition using HRV features derived from photoplethysmogram signals | |
EP3229218A1 (en) | Information processing device, information processing method, and computer program | |
US11547334B2 (en) | Psychological stress estimation method and apparatus | |
CN112365876B (zh) | 语音合成模型的训练方法、装置、设备以及存储介质 | |
CN111135536B (zh) | 一种用于提供健身提示信息的方法与设备 | |
US20200001134A1 (en) | Workout recommendation engine | |
CN109189979B (zh) | 音乐推荐方法、装置、计算设备和存储介质 | |
CN108697363A (zh) | 用于检测心脏变时功能不全的装置和方法 | |
Akhonda et al. | Stress detection of computer user in office like working environment using neural network | |
US20220134048A1 (en) | Systems and methods for virtual-reality enhanced quantitative meditation | |
CN115795085A (zh) | 基于可穿戴设备的音乐推荐方法、装置、设备及存储介质 | |
CN117045253A (zh) | 一种ai心理咨询方法和系统 | |
CN106033492B (zh) | 一种信息处理方法及电子设备 | |
CN113395537B (zh) | 用于推荐直播间的方法和装置 | |
CN110555415B (zh) | 弹奏指法准确度测评的方法、装置和电子设备 | |
JP6993314B2 (ja) | 対話システム、装置、及びプログラム | |
US20240192775A1 (en) | Music Recommendation Based On Wearable Devices | |
CN111782858A (zh) | 音乐匹配的方法和装置 | |
JP2016154623A (ja) | 運動効果提示装置、運動効果提示システム及び運動効果情報生成方法 | |
US20220409075A1 (en) | Physiological condition monitoring system and method thereof | |
EP4166185A1 (en) | Method and apparatus for generating sleep-aid music | |
US20240008813A1 (en) | Smart wearable device and method for estimating traditional medicine system parameters | |
US11429188B1 (en) | Measuring self awareness utilizing a mobile computing device | |
WO2023058200A1 (ja) | 疲労度算出装置、疲労度算出方法及び記憶媒体 |
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 |