CN117278899A - 一种蓝牙耳机的使用模式切换方法 - Google Patents
一种蓝牙耳机的使用模式切换方法 Download PDFInfo
- Publication number
- CN117278899A CN117278899A CN202311336788.9A CN202311336788A CN117278899A CN 117278899 A CN117278899 A CN 117278899A CN 202311336788 A CN202311336788 A CN 202311336788A CN 117278899 A CN117278899 A CN 117278899A
- Authority
- CN
- China
- Prior art keywords
- data
- generate
- noise
- light intensity
- value
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 112
- 238000005286 illumination Methods 0.000 claims abstract description 96
- 230000000694 effects Effects 0.000 claims abstract description 90
- 238000004891 communication Methods 0.000 claims abstract description 87
- 238000004364 calculation method Methods 0.000 claims abstract description 74
- 230000033001 locomotion Effects 0.000 claims abstract description 72
- 238000006073 displacement reaction Methods 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000000926 separation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 66
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 41
- 230000003287 optical effect Effects 0.000 claims description 41
- 230000004886 head movement Effects 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000006735 deficit Effects 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 8
- 238000003706 image smoothing Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 230000010354 integration Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- H04R1/1041—Mechanical or electronic switches, or control elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
- H04R2201/10—Details of earpieces, attachments therefor, earphones or monophonic headphones covered by H04R1/10 but not provided for in any of its subgroups
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Telephone Function (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种蓝牙耳机的使用模式切换方法。所述方法包括以下步骤:基于实时音频数据进行人噪声分离计算,生成人声清晰度和噪声嘈杂度;基于人声清晰度进行交流概率分析,生成交流概率值;利用空气质量数据对光照强度数据进行强度补正,生成标准光强数据;对噪声嘈杂度和标准光强数据进行关联性分析,生成活动环境数据;基于位移信息数据和头部运动数据进行运动状态分析,生成活动状态数据;基于活动环境数据和活动状态数据进行模式选择,生成实时使用模式;基于实时使用模式调节蓝牙耳机的工作模式。本发明通过准确分析用户活动环境与活动状态,以实现智能切换蓝牙耳机的使用模式。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种蓝牙耳机的使用模式切换方法。
背景技术
蓝牙耳机具有多种功能,如音乐播放、通话、降噪、透明模式等,在工作环境中,蓝牙耳机可能需要频繁地切换模式,不同的使用情境需要不同的耳机模式,动态切换方法可以使用户更轻松地满足这些需求,例如从通话模式切换到会议模式或沉浸式工作模式,有时需要快速响应外部环境的变化,例如突然来电或需要与人沟通,而动态切换方法可以使耳机更具适应性,确保在各种情境下都能够满足用户的需求。然而,现有的蓝牙耳机的使用模式切换方法因无法准确识别外部环境,导致设备的动态调节不够智能,适应性不足。
发明内容
基于此,有必要提供一种蓝牙耳机的使用模式切换方法,以解决至少一个上述技术问题。
为实现上述目的,一种蓝牙耳机的使用模式切换方法,所述方法包括以下步骤:
步骤S1:获取实时音频数据;基于实时音频数据进行人噪声分离计算,生成人声清晰度和噪声嘈杂度;基于人声清晰度进行交流概率分析,生成交流概率值;
步骤S2:获取空气质量数据和光照强度数据;对空气质量数据进行强度减损计算,生成光强减损系数;利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据;
步骤S3:对噪声嘈杂度和标准光强数据进行关联性分析,生成活动环境数据;
步骤S4:获取设备加速度数据和头部运动数据;利用设备加速度数据进行用户位移分析,生成位移信息数据;基于位移信息数据和头部运动数据进行运动状态分析,生成活动状态数据;
步骤S5:利用活动状态数据对交流概率值进行概率修正,生成交流置信因子;
步骤S6:基于活动环境数据和活动状态数据进行模式选择,生成实时使用模式;基于实时使用模式调节蓝牙耳机的工作模式。
本发明通过人噪声分离计算,系统可以有效地提取人声清晰度,用于判断是否有人在与用户对话,从而动态降低音量,提高人声清晰度,给予用户更好地交流体验,生成的噪声嘈杂度值反映了用户周围环境的噪声水平,可以用于帮助用户了解当前环境是否适合使用蓝牙耳机,例如在高噪声环境下可能不适合使用,从而提高用户的安全性和舒适度,或是在中高噪音时需要进行降噪,提高音质,通过获取空气质量数据和光照强度数据,系统能够更好地感知用户所处的环境,使蓝牙耳机能够根据环境条件自动调整工作模式,以提供更适合用户的音质和功能设置,例如,在嘈杂的户外环境中可能需要更强的降噪功能,而在安静的室内环境中可能需要更清晰的音质,生成光强减损系数并对光照强度数据进行强度补正,得到标准光强数据,从而更准确地评估用户所在环境,对噪声嘈杂度和标准光强数据进行关联性分析,系统能够更准确地理解用户所处的活动环境,帮助蓝牙耳机更好地适应各种不同的环境条件,提供更合适的音质和功能设置,生成的活动环境数据可以用于智能决策,以选择最适合用户当前环境的工作模式,例如,在静谧的室内环境中可能需要强调音质,精准的环境感知和智能切换可以提高用户的体验,获取设备加速度数据和头部运动数据,系统能够感知用户的运动状态,包括用户是在静止、行走、跑步、骑车或其他活动状态,这种活动感知有助于蓝牙耳机更好地适应用户的运动环境,生成的活动状态数据可以用于智能模式切换,例如,在用户运动时,蓝牙耳机可以自动降低降噪程度,以提高安全性和环境感知,或者切换到特定的运动模式,提供更合适的音乐节奏或语音指导,利用活动状态数据对交流概率值进行概率修正,系统可以更准确地判断用户是否正在进行交流,活动状态数据提供了额外的上下文信息,有助于区分用户的声音是因为与他人交流而产生的,还是其他噪声引起的,提高了通信判断的准确性,基于活动环境数据和活动状态数据,系统可以智能地选择蓝牙耳机的实时使用模式,这包括音质、降噪级别、通话模式等,通过自动模式切换,系统确保蓝牙耳机在不同情境下提供最佳的音频体验,使蓝牙耳机更好地适应不同的环境条件,通过实时使用模式的智能选择,系统可以提高用户体验,确保用户在不同情境下都能够获得高品质的音质和适当的功能设置。因此,本发明的蓝牙耳机的使用模式切换方法,通过实时音频数据和光照强度数据准确分析用户的活动环境,通过设备加速度和头部运动准确分析用户的活动状态,结合活动环境和活动状态,准确判断用户使用场景,提高蓝牙耳机的环境适应性,以智能的、动态的切换蓝牙使用模式。
优选地,步骤S1包括以下步骤:
步骤S11:获取实时音频数据;
步骤S12:将实时音频数据进行人噪声分离,生成人声音频数据和噪声音频数据;
步骤S13:对人声音频数据进行清晰度计算,生成人声清晰度;
步骤S14:对噪声音频数据进行嘈杂度计算,生成噪声嘈杂度;
步骤S15:基于人声清晰度进行交流概率分析,生成交流概率值。
本发明通过获取实时音频数据,反映了实际场景中的声音情况,包括说话人声、车声、工地噪音等声音,通过分析混合音频的特征和使用信号处理算法,可以有效地将人声和噪声分离开来,得到独立的音频数据,清晰度计算可以量化人声音频的清晰度,即人声的可理解程度,通过清晰度计算,可以判断人声的质量是否满足对话条件,通过计算噪声的嘈杂度,可以更好地理解噪声的特点,量化噪声的强度和嘈杂程度,基于人声清晰度的交流概率分析可以评估用户是否处于与他人交流的状态,从而更好地调节蓝牙耳机的使用模式。
优选地,步骤S2包括以下步骤:
步骤S21:获取空气质量数据和光照强度数据;
步骤S22:基于空气质量数据进行光强影响因子提取,生成影响因素数据;
步骤S23:通过影响因素数据进行透明度计算,生成空气透明度数据;
步骤S24:利用空气透明度数据进行强度减损计算,生成光照减损系数;
步骤S25:利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据。
本发明通过获取空气质量数据和光照强度数据,以提供环境状况的定量和定性描述,帮助了解当前环境的光照条件与空气质量,通过分析空气质量数据,提取光强影响因子,例如颗粒物浓度、湿度等,用于量化空气质量对光照强度的影响程度,提取的影响因素数据可以帮助了解环境中存在的因素如何影响光照强度,基于影响因素数据,进行透明度计算可以量化空气中的光线透明度,透明度数据反映了空气中光线传播的阻尼程度,用于衡量空气对光强的影响,透明度数据可以提供有关环境中空气透明度的具体信息,有助于理解光照条件的清晰度和可见度,根据空气透明度数据,计算光照强度在经过空气传播后的减损程度,减损程度可用作光照强度补偿的依据,以更准确地反映实际的光照条件,光照减损系数可以提供关于光线在空气中传播过程中损失的信息,根据光照减损系数,对光照强度数据进行补正,减少或消除空气对光照强度造成的影响,以获得更接近实际情况的标准光强数据。
优选地,步骤S3包括以下步骤:
步骤S31:获取分类噪音光强数据;
步骤S32:将分类噪音光强数据进行可视化处理,生成噪音光强图;
步骤S33:对噪音光强图进行图像平滑,生成噪音光强平滑图;
步骤S34:对噪音光强平滑图进行波动相关度计算,生成噪音光强关联值;
步骤S35:利用关联修正算法对噪音光强关联值进行偏差修正,生成噪音光强修正值;
步骤S36:基于噪音光强修正值对噪声嘈杂度和标准光强数据进行环境评估,生成活动环境数据。
本发明通过获取分类噪音光强数据,该数据包含环境中光强的变化、噪音程度、环境类型等信息,将分类噪音光强数据转化为图像或图表形式,可以直观地呈现光强的分布、变化和噪音的强度,可视化噪音光强图可以帮助观察和分析噪音的模式和趋势,进一步识别和理解噪音的特征,通过图像平滑处理,可以抑制或消除噪音在光强图中的影响,使得光强分布和噪音变化更加平滑,平滑后的图像可以使光强的变化与噪音变化更加明显,噪音光强平滑图可以反映光强变化的趋势,如快速变化、周期性或渐变等,通过波动相关度计算,可以获得噪音光强波动图之间的关联值,反映了不同时间点或空间位置上的噪音与光强变化之间的相关性,利用预设的关联修正算法可以减少由波动引起的不准确性和误差,更准确地反映噪音和光强的关联程度,提高关联值的可靠性和可信度,通过关联性分析,可以提取噪声嘈杂度和光强之间的相关特征,描述环境的嘈杂程度和光照状况,从而得到活动环境数据;
优选地,步骤S35中的关联修正算法如下所示:
式中,R为噪音光强修正值,t1为修正计算开始时间,t2为修正计算终止时间,E(t)为在时间t时的光强值,ρ为光密度,λ为光波长,为光强值在时间t时的二阶导数,L为光程长度,x为光程位置,I(x)为在光程x时的光强值,I0为光强的参考值,σ为光程中的空间衰减系数,x0为光程中的光源位置,/>为修正值的异常调整值。
本发明构建的一种关联修正算法,用于对噪音光强关联值进行偏差修正,生成噪音光强修正值。该公式充分考虑了修正计算开始时间t1,修正计算终止时间t2,在时间t时的光强值E(t),光密度ρ,光波长λ,光强值在时间t时的二阶导数光程长度L,光程位置x,在光程x时的光强值I(x),光强的参考值I0,光程中的空间衰减系数σ,光程中的光源位置x0,修正值的异常调整值/>以及它们之间的相互关系,构成函数关系式:
通过光强在时间上的变化以及光强的二阶导数,从而可以减小或消除由于噪音或其他影响因素引起的光强偏差,通过修正光强,可以提高测量的准确性及可靠性,尤其在受到环境噪音干扰或光源不稳定的情况下,修正后的光强能更准确地反映实际光照条件,通过光程位置与光源位置之间的距离,使得在不同位置上的光强校正更为准确,引入空间衰减系数进行计算,以校正光在传播过程中的衰减,使得光强的测量结果更加准确和精确,特别在长距离传输或光路径中存在较强衰减的情况下,修正后的光强能更真实地反映光的强度分布。该函数关系式通过修正光强可以消除噪音、衰减和其他不良影响因素对测量结果的干扰,从而提高测量的准确性和可靠性,同时考虑时间和空间的变化对光强的影响,使得修正结果更综合、更全面。并利用修正值的异常调整值对函数关系式进行调整修正,减少以此数据或误差项带来的误差影响,从而更准确地生成噪音光强修正值R,提高了基于噪声嘈杂度和标准光强数据进行环境预估的准确性。同时该公式中空间衰减系数以及修正值的异常调整值可以根据实际情况进行调整,应用于不同的环境空间进行关联值修正,提高了算法的灵活性与适用性。
优选地,步骤S36包括以下步骤:
步骤S361:根据分类噪音光强数据进行环境分类模型构建,生成初始预估模型;
步骤S362:基于噪音光强修正值对初始预估模型进行结果修正,生成结果修正值;
步骤S363:基于结果修正值对初始预估模型进行模型完善,生成环境预估模型;
步骤S364:将噪声嘈杂度和标准光强数据进行输入标准化,生成标准输入数据;
步骤S365:将标准输入数据导入环境预估模型,生成活动环境数据。
本发明通过利用分类噪音光强数据构建环境分类模型,可以将不同环境的光强特征进行分类和区分,有助于识别并区分不同环境下的光强数据,利用噪音光强数据修正值进行模型修正可以减小或消除噪音对预测结果的影响,以提高模型的预测准确性,使得预测结果更加可靠和精确,基于结果修正值对初始预估模型进行模型完善,可进一步优化模型的准确性和性能,通过输入标准化,可以将噪声嘈杂度和标准光强数据调整到相同的尺度和范围,以确保它们在模型训练和预测过程中具有相同的影响力,有助于提高模型的稳定性和鲁棒性,使得模型能够更好地适应不同噪声水平和光强变化的情况,将标准化的输入数据导入环境预估模型,以生成对活动环境数据。
优选地,步骤S4包括以下步骤:
步骤S41:获取设备加速度数据和头部运动数据;
步骤S42:利用设备加速度数据进行用户位移分析,生成位移信息数据;
步骤S43:利用陀螺仪偏差计算公式对位移信息数据进行波动计算,生成陀螺仪偏差值;
步骤S44:利用头部运动数据进行位移方向分析,生成位移方向数据;
步骤S45:利用陀螺仪偏差值对位移方向进行方向修正,生成准确方向数据;
步骤S46:基于准确方向数据对位移信息数据进行运动状态分析,生成活动状态数据。
本发明通过获取设备加速度数据和头部运动数据,可以获取用户在运动过程中的动作信息,通过分析设备加速度数据,以了解用户的运动距离、速度和加速度等参数,从而更好地理解用户的运动行为和活动模式,应用预设的陀螺仪偏差计算公式对位移信息数据进行波动计算,可以推导出陀螺仪的偏差值,通过分析头部运动数据,以了解用户的头部朝向和运动方向,包括用户的前进方向、转向角度和转向速度等信息,利用陀螺仪偏差值对位移方向进行修正,可以减小或消除由于姿态偏移和误差引起的方向错误,可以获得准确的位移方向数据,提高位移数据的精确性和可靠性,通过基于准确方向数据对位移信息数据进行分析,可以判断用户的运动状态,例如行走、跑步、静止等,生成活动状态数据。
优选地,步骤S43中的陀螺仪偏差计算公式如下所示:
式中,Δθg为陀螺仪偏差值,T0为计算偏差的起始时间,T为计算偏差的终止时间,α为用户运动的权重系数,ax为用户在x轴上的加速度,Gx为陀螺仪在x轴上的角速度,ay为用户在y轴上的加速度,Gy为陀螺仪在y轴上的角速度,az为用户在z轴上的加速度,Gz为陀螺仪在z轴上的角速度,β为噪音的权重系数,ne为环境噪音嘈杂度,ng为陀螺仪测量时的噪音,γ为角速度变化率的权重系数,为陀螺仪的角速度变化率,ω为偏差值的异常调整值。
本发明构建的一种陀螺仪偏差计算公式用于计算因用户运动导致陀螺仪获取数据的偏差值,基于偏差值修正头部运动数据,从而提高识别头部运动的鲁棒性。该公式充分考虑了计算偏差的起始时间T0,计算偏差的终止时间T,用户运动的权重系数α,用户在x轴上的加速度ax,陀螺仪在x轴上的角速度Gx,用户在y轴上的加速度ay,陀螺仪在y轴上的角速度Gy,用户在z轴上的加速度az,陀螺仪在z轴上的角速度Gz,噪音的权重系数β,环境噪音嘈杂度ne,陀螺仪测量时的噪音ng,角速度变化率的权重系数γ,陀螺仪的角速度变化率偏差值的异常调整值ω以及它们之间的相互关系,构成函数关系式:
通过用户运动的权重系数,以调整用户加速度和陀螺仪角速度对偏差值的贡献程度,较高的权重将更强调用户运动数据的影响,通过用户的三维向量加速度以描述用户的运动状态,通过对加速度进行分析,可以推断设备的运动状态,陀螺仪的三维向量角速度以描述设备围绕各轴旋转的信息,通过监测陀螺仪的角速度,可以对设备的旋转状态进行估计,将用户运动数据与陀螺仪数据相乘,可以更准确地计算偏差值,在实际应用中,存在各种噪音源,包括来自环境的噪音和陀螺仪本身的测量噪音,这些噪音会对陀螺仪的测量结果产生不利影响,因此在计算偏差值时需要进行考虑,环境噪音嘈杂度用于表示环境中的噪音水平,较高的噪音嘈杂度表示噪音较多的环境,噪音对陀螺仪测量结果的准确性有影响,β系数用于调整噪音对偏差值的贡献,以融合环境噪音和陀螺仪测量噪音的影响,陀螺仪的角速度变化率表示陀螺仪角速度随时间的变化情况,可以反映设备的旋转状态的变化情况,通过考虑角速度变化率的影响,可以更好地估计陀螺仪的偏差,通过调整角速度变化率的权重系数γ,可以对其对偏差值的影响进行调节。该函数可以通过考虑用户运动、设备旋转、噪音等因素的影响,提供更准确和可靠的陀螺仪偏差值,利用陀螺仪偏差值修正头部运动数据,从而提高头部运动数据获取的鲁棒性。同时利用偏差值的异常调整值ω对函数关系式进行调整修正,减少以此数据或误差项带来的误差影响,从而更准确地生成陀螺仪偏差值Δθg,提高陀螺仪捕获头部运动数据的稳定性。同时该公式中的用户加速度以及偏差值的异常调整值可以根据实际情况进行调整,应用于不同的运动状态计算陀螺仪的偏差,提高了算法的灵活性与适用性。
优选地,步骤S5包括以下步骤:
步骤S51:对活动环境数据和活动状态数据进行评估因素提取,生成组队评估数据;
步骤S52:基于组队评估数据进行环境人数分析,生成人数估计值;
步骤S53:利用人数估计值对交流概率值进行概率修正,生成交流置信因子。
本发明通过评估因素提取,可以从活动环境数据和活动状态数据中筛选出与组队评估相关的关键因素,有助于提取有用的信息,如场地大小、人员密度、活动类型等,对组队评估数据进行环境人数分析,可以根据评估因素和相关算法来估计活动环境中的人数,人数估计值提供了对参与活动的人员数量的预估,利用人数估计值,可以根据人数估计和交流概率之间的关系对交流概率进行修正,例如,人数较多时,交流发生的概率更高,人数较少时,交流发生的概率可能较低,通过概率修正,可以生成反映交流置信度的交流置信因子。
优选地,步骤S6包括以下步骤:
步骤S61:基于活动环境数据和活动状态数据进行使用场景判断,生成使用场景数据;
步骤S62:基于使用场景数据进行环境模式调节,生成初始切换模式数据;
步骤S63:利用交流置信因子对初始切换模式数据进行音量调节,生成实时使用模式数据;
步骤S64:基于实时使用模式数据切换蓝牙耳机的工作模式。
本发明通过分析活动环境数据和活动状态数据,可以判断当前的使用场景,使用场景包括不同的活动类型,例如晨跑、夜跑、室内办公、户外活动、会议等,根据使用场景数据,可以进行环境模式的调节,环境模式包括不同的音频设置、降噪模式或其他设备参数,根据使用场景的要求,生成初始切换模式数据,利用交流置信因子,可以对初始的切换模式数据进行音量调节,通过考虑交流情况和信噪比等因素,调整音量水平以符合当前的实时使用场景,根据所需的音频设置、降噪要求和用户喜好,调整蓝牙耳机的工作模式。
本申请的有益效果在于,本发明通过综合分析实时音频数据、空气质量数据、光照强度数据、环境水平数据、设备加速度数据和头部运动数据等多个数据源,实现了智能的环境感知和活动状态监测,使得蓝牙耳机能够智能地适应不同的用户环境和活动状态,意味着蓝牙耳机可以在用户移动到不同的环境中时快速做出响应,确保用户始终享有最佳的音频体验,通过人声清晰度分析和噪声嘈杂度检测,蓝牙耳机可以实现准确辨别对话情况,或更高质量的音质,有助于提供清晰的对话体验和沉浸式音乐体验,通过光照减损系数和光强补正,蓝牙耳机可以更准确地识别用户所处环境,从而准确调节耳机使用模式,通过设备加速度和头部运动数据分析,系统可以感知用户的运动状态,从而在运动模式下提供更安全和符合需求的音频体验,例如,根据用户的运动状态降低音量或开启环境音透传模式,从而提高用户在行动中的安全性,同时,蓝牙耳机还能够感知用户是否在运动,以便提供相应的声音反馈或指导,如跑步节奏或导航指令,交流概率分析和概率修正有助于确保用户不会错过对话,通过智能模式切换和能耗管理,系统可以有效减少能源消耗,延长蓝牙耳机的电池寿命,减少充电频率,可以智能地选择蓝牙耳机的实时使用模式,这包括音质、降噪级别、通话模式等,通过自动模式切换,系统确保蓝牙耳机在不同情境下提供最佳的音频体验,使蓝牙耳机更好地适应不同的环境条件,通过实时使用模式的智能选择,以提高用户体验,确保用户在不同情境下都能够获得高品质的音质和适当的功能。因此,本发明的蓝牙耳机的使用模式切换方法,通过实时音频数据和光照强度数据准确分析用户的活动环境,通过设备加速度和头部运动准确分析用户的活动状态,结合活动环境和活动状态,准确判断用户使用场景,提高蓝牙耳机的环境适应性,以智能的、动态的切换蓝牙使用模式。
附图说明
图1为一种蓝牙耳机的使用模式切换方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种蓝牙耳机的使用模式切换方法,所述方法包括以下步骤:
步骤S1:获取实时音频数据;基于实时音频数据进行人噪声分离计算,生成人声清晰度和噪声嘈杂度;基于人声清晰度进行交流概率分析,生成交流概率值;
步骤S2:获取空气质量数据和光照强度数据;对空气质量数据进行强度减损计算,生成光强减损系数;利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据;
步骤S3:对噪声嘈杂度和标准光强数据进行关联性分析,生成活动环境数据;
步骤S4:获取设备加速度数据和头部运动数据;利用设备加速度数据进行用户位移分析,生成位移信息数据;基于位移信息数据和头部运动数据进行运动状态分析,生成活动状态数据;
步骤S5:利用活动状态数据对交流概率值进行概率修正,生成交流置信因子;
步骤S6:基于活动环境数据和活动状态数据进行模式选择,生成实时使用模式;基于实时使用模式调节蓝牙耳机的工作模式。
本发明通过人噪声分离计算,系统可以有效地提取人声清晰度,用于判断是否有人在与用户对话,从而动态降低音量,提高人声清晰度,给予用户更好地交流体验,生成的噪声嘈杂度值反映了用户周围环境的噪声水平,可以用于帮助用户了解当前环境是否适合使用蓝牙耳机,例如在高噪声环境下可能不适合使用,从而提高用户的安全性和舒适度,或是在中高噪音时需要进行降噪,提高音质,通过获取空气质量数据和光照强度数据,系统能够更好地感知用户所处的环境,使蓝牙耳机能够根据环境条件自动调整工作模式,以提供更适合用户的音质和功能设置,例如,在嘈杂的户外环境中可能需要更强的降噪功能,而在安静的室内环境中可能需要更清晰的音质,生成光强减损系数并对光照强度数据进行强度补正,得到标准光强数据,从而更准确地评估用户所在环境,对噪声嘈杂度和标准光强数据进行关联性分析,系统能够更准确地理解用户所处的活动环境,帮助蓝牙耳机更好地适应各种不同的环境条件,提供更合适的音质和功能设置,生成的活动环境数据可以用于智能决策,以选择最适合用户当前环境的工作模式,例如,在静谧的室内环境中可能需要强调音质,精准的环境感知和智能切换可以提高用户的体验,获取设备加速度数据和头部运动数据,系统能够感知用户的运动状态,包括用户是在静止、行走、跑步、骑车或其他活动状态,这种活动感知有助于蓝牙耳机更好地适应用户的运动环境,生成的活动状态数据可以用于智能模式切换,例如,在用户运动时,蓝牙耳机可以自动降低降噪程度,以提高安全性和环境感知,或者切换到特定的运动模式,提供更合适的音乐节奏或语音指导,利用活动状态数据对交流概率值进行概率修正,系统可以更准确地判断用户是否正在进行交流,活动状态数据提供了额外的上下文信息,有助于区分用户的声音是因为与他人交流而产生的,还是其他噪声引起的,提高了通信判断的准确性,基于活动环境数据和活动状态数据,系统可以智能地选择蓝牙耳机的实时使用模式,这包括音质、降噪级别、通话模式等,通过自动模式切换,系统确保蓝牙耳机在不同情境下提供最佳的音频体验,使蓝牙耳机更好地适应不同的环境条件,通过实时使用模式的智能选择,系统可以提高用户体验,确保用户在不同情境下都能够获得高品质的音质和适当的功能设置。因此,本发明的蓝牙耳机的使用模式切换方法,通过实时音频数据和光照强度数据准确分析用户的活动环境,通过设备加速度和头部运动准确分析用户的活动状态,结合活动环境和活动状态,准确判断用户使用场景,提高蓝牙耳机的环境适应性,以智能的、动态的切换蓝牙使用模式。
本发明实施例中,参考图1所述,为本发明蓝牙耳机的使用模式切换方法的步骤流程示意图,在本实例中,所述蓝牙耳机的使用模式切换方法包括以下步骤:
步骤S1:获取实时音频数据;基于实时音频数据进行人噪声分离计算,生成人声清晰度和噪声嘈杂度;基于人声清晰度进行交流概率分析,生成交流概率值;
本发明实施例中,通过获取实时音频数据,可以通过调用音频处理库或硬件接口来实现,运用人噪声分离算法来将实时音频数据中的人声和噪声进行分离,例如基于信号处理技术和人声特征提取,如短时能量、频谱特征等,算法可以通过深度学习模型训练得到,或者使用基于规则的传统算法,根据人噪声分离的结果,通过评估人声的清晰度和噪声的嘈杂度,清晰度指标可以从语音信号的鲜明度、音质等方面进行评估,噪声嘈杂度指标可以从背景噪声的强度、干扰程度等方面进行评估,基于人声清晰度,对交流概率进行分析,确定人声是否在某段时间内存在,从而确定是否存在交流行为,根据交流概率分析的结果,生成交流概率值,可以是一个概率值,即0到1之间的数,表示当前时间段内存在交流的可能性大小,通过适当的阈值和判定规则,可以将概率值转化为二元形式,如存在交流/不存在交流,或多元形式,如存在交流/不存在交流/不确定。
步骤S2:获取空气质量数据和光照强度数据;对空气质量数据进行强度减损计算,生成光强减损系数;利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据;
本发明实施例中,通过传感器、监测设备或气象站等工具获取实时的空气质量数据和光照强度数据,数据源提供空气污染指数、PM2.5浓度、光照强度等相关信息,根据收集到的空气质量数据,应用相应的算法或模型来计算光强的减损系数,减损系数可以是基于经验公式或经过训练的机器学习模型获得,用于描述空气质量对光照强度的衰减程度,使用光强减损系数对获取的光照强度数据进行补正,补正的过程要考虑不同光照环境下的不同光强传感器的特性和校准方法,确保补正过程的准确性,方法如将原始光照强度乘以减损系数,以获得经过修正后的标准化光照强度数据,从而消除或补偿空气污染对光照的影响,得到标准光照数据。
步骤S3:对噪声嘈杂度和标准光强数据进行关联性分析,生成活动环境数据;
本发明实施例中,通过获取分类噪音光强数据,通过将分类噪音光强数据进行可视化处理得到噪音光强波动图,基于噪音光强波动图进行波动相关分析,常用的相关度计算方法包括相关系数分析、回归分析、时序分析等,通过波动相关分析以确定噪声嘈杂度和光强之间是否存在相关性,以及相关性的强度和方向,从而得到噪音光强关联值,利用预设的关联修正算法对噪音光强关联值进行偏差修正,生成噪音光强修正值,基于噪音光强修正值对噪声嘈杂度和标准光强数据进行环境评估,生成活动环境数据。
步骤S4:获取设备加速度数据和头部运动数据;利用设备加速度数据进行用户位移分析,生成位移信息数据;基于位移信息数据和头部运动数据进行运动状态分析,生成活动状态数据;
本发明实施例中,通过加速度计传感器获取设备加速度数据,通过陀螺仪传感器获取头部运动数据,对于设备加速度数据,可以通过加速度积分的方法来估计用户的位移信息,加速度积分可以通过数值积分算法,如离散积分,来计算用户在每个时间步长内的位移变化,从而获得用户在空间中的运动轨迹,生成位移信息数据,可以包括用户在不同时间点的绝对位移、相对位移、速度和加速度等信息,利用位移信息数据和头部运动数据,可以对用户的运动状态进行分析,例如,可以检测用户是否在行走、跑步、坐着、站立等不同的运动状态,可以通过分析位移的变化模式、头部运动的频率和幅度等特征来进行状态判别,从而生成活动状态数据。
步骤S5:利用活动状态数据对交流概率值进行概率修正,生成交流置信因子;
本发明实施例中,通过分析活动状态数据与交流概率之间的关系,可以了解到用户在不同状态下是否更有可能进行交流,基于分析结果,利用统计方法或机器学习模型来对交流概率值进行修正,生成交流置信因子,置信因子可以理解为一个权重,用于调整交流概率的可信程度,例如,在静止或坐姿状态下,可以降低交流概率值,而在步行或站姿状态下,可以增加交流概率值。
步骤S6:基于活动环境数据和活动状态数据进行模式选择,生成实时使用模式;基于实时使用模式调节蓝牙耳机的工作模式。
本发明实施例中,通过分析活动环境数据和活动状态数据与使用模式的关系,通过观察不同活动环境和活动状态下的用户使用行为,可以了解到用户更适合的使用模式,基于分析结果可以制定一套规则或采用机器学习方法来选择适合的使用模式,使用模式可以包括不同的音频增强或降噪算法、环境音透传等功能,根据用户当前的活动环境和活动状态,选择对应的使用模式并生成实时使用模式,基于实时使用模式,将其应用于蓝牙耳机,调节耳机的工作模式,可以通过与蓝牙耳机进行通信,发送对应的指令或参数来实现,例如,通过发送音频增强算法的参数,调节耳机的音频效果,通过设置降噪算法的开关,控制耳机的降噪功能。
优选地,步骤S1包括以下步骤:
步骤S11:获取实时音频数据;
步骤S12:将实时音频数据进行人噪声分离,生成人声音频数据和噪声音频数据;
步骤S13:对人声音频数据进行清晰度计算,生成人声清晰度;
步骤S14:对噪声音频数据进行嘈杂度计算,生成噪声嘈杂度;
步骤S15:基于人声清晰度进行交流概率分析,生成交流概率值。
本发明通过获取实时音频数据,反映了实际场景中的声音情况,包括说话人声、车声、工地噪音等声音,通过分析混合音频的特征和使用信号处理算法,可以有效地将人声和噪声分离开来,得到独立的音频数据,清晰度计算可以量化人声音频的清晰度,即人声的可理解程度,通过清晰度计算,可以判断人声的质量是否满足对话条件,通过计算噪声的嘈杂度,可以更好地理解噪声的特点,量化噪声的强度和嘈杂程度,基于人声清晰度的交流概率分析可以评估用户是否处于与他人交流的状态,从而更好地调节蓝牙耳机的使用模式。
本发明实施例中,通过使用音频采集设备,如麦克风,获取实时音频数据,人噪声分离是指将包含人声和噪声的混合音频数据分离成人声音频数据和噪声音频数据,可以采用各种方法,如基于混合高斯模型的算法、非负矩阵分解算法、深度学习等,选择适合的算法进行人噪声分离并生成人声音频数据和噪声音频数据,清晰度是指人声的清晰程度或可理解程度,对人声音频数据进行清晰度计算可以使用一些目标质量评估算法,如PESQ、SII等,用于分析音频的声音特征、频谱信息等,计算出人声音频数据的清晰度评分,以表征人声的清晰程度,噪声嘈杂度是指噪声的强度或嘈杂程度,对噪声音频数据进行噪声嘈杂度计算可以使用一些噪声评估算法,如计算音频的能量、频谱平坦度等指标,从而分析噪声音频数据的特征,计算出噪声的嘈杂度评分,以表征噪声的强度或嘈杂程度,利用人声清晰度进行交流概率分析,可以通过统计学习、机器学习算法或深度学习算法构建交流概率模型,基于构建的交流概率模型,输入新的语音特征到模型中进行概率预测,生成交流概率值,可以是一个连续的概率值,即0到1之间的数,或是离散的值,如高、中、低,表示当前时间段内存在交流的可能性大小,通过适当的阈值和判定规则,可以将概率值转化为二元形式,如存在交流/不存在交流,或多元形式,如存在交流/不存在交流/不确定。
优选地,步骤S2包括以下步骤:
步骤S21:获取空气质量数据和光照强度数据;
步骤S22:基于空气质量数据进行光强影响因子提取,生成影响因素数据;
步骤S23:通过影响因素数据进行透明度计算,生成空气透明度数据;
步骤S24:利用空气透明度数据进行强度减损计算,生成光照减损系数;
步骤S25:利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据。
本发明通过获取空气质量数据和光照强度数据,以提供环境状况的定量和定性描述,帮助了解当前环境的光照条件与空气质量,通过分析空气质量数据,提取光强影响因子,例如颗粒物浓度、湿度等,用于量化空气质量对光照强度的影响程度,提取的影响因素数据可以帮助了解环境中存在的因素如何影响光照强度,基于影响因素数据,进行透明度计算可以量化空气中的光线透明度,透明度数据反映了空气中光线传播的阻尼程度,用于衡量空气对光强的影响,透明度数据可以提供有关环境中空气透明度的具体信息,有助于理解光照条件的清晰度和可见度,根据空气透明度数据,计算光照强度在经过空气传播后的减损程度,减损程度可用作光照强度补偿的依据,以更准确地反映实际的光照条件,光照减损系数可以提供关于光线在空气中传播过程中损失的信息,根据光照减损系数,对光照强度数据进行补正,减少或消除空气对光照强度造成的影响,以获得更接近实际情况的标准光强数据。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:获取空气质量数据和光照强度数据;
本发明实施例中,通过蓝牙耳机的连接设备的相关气象数据服务提供商获取空气质量数据,包括空气污染指数、气体浓度等,通过光照传感器设备测量光照强度、光照角度等参数,生成光照强度数据。
步骤S22:基于空气质量数据进行光强影响因子提取,生成影响因素数据;
本发明实施例中,通过定义光强影响因子的计算公式或指标,可以是基于光照强度变化的直接测量,或者是根据其他相关参数,如气象数据和空气质量指数,计算得出的间接影响因子,根据定义的光强影响因子公式或指标,计算实时的空气质量数据的影响因素数值,生成影响因素数据,以描述空气质量对光照强度的影响程度,常见的影响因素可能包括空气散射、颗粒物浓度、云量等。
步骤S23:通过影响因素数据进行透明度计算,生成空气透明度数据;
本发明实施例中,通过利用影响因素数据,可以计算空气透明度,以反映空气对光线透明的程度,透明度计算的方法可以基于物理模型,如空气光学模型,或者基于经验公式,以考虑影响因素的综合作用,计算出空气透明度的值。
步骤S24:利用空气透明度数据进行强度减损计算,生成光照减损系数;
本发明实施例中,通过定义光照减损系数的计算方法或指标,光照减损系数通常用于表示光照在传播过程中的强度衰减程度,使用定义的光照减损系数计算方法,根据空气透明度数据计算光照减损系数,计算方法可以基于空气光学理论和相关方程式,考虑空气对光的吸收、散射和折射等物理过程,例如透明度较高的空气将导致较小的光照减损,而透明度较低的空气将导致较大的光照减损,通过计算光照的在传输过程的减损比例,可以得到光照减损系数。
步骤S25:利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据。
本发明实施例中,通过利用光照减损系数对获取的光照强度数据进行补正,以消除空气物质的影响,得到更准确的标准光强数据,补正的方法例如,基于物理模型或者经验公式对光照强度和光照减损系数的关系进行计算。
优选地,步骤S3包括以下步骤:
步骤S31:获取分类噪音光强数据;
步骤S32:将分类噪音光强数据进行可视化处理,生成噪音光强图;
步骤S33:对噪音光强图进行图像平滑,生成噪音光强平滑图;
步骤S34:对噪音光强平滑图进行波动相关度计算,生成噪音光强关联值;
步骤S35:利用关联修正算法对噪音光强关联值进行偏差修正,生成噪音光强修正值;
步骤S36:基于噪音光强修正值对噪声嘈杂度和标准光强数据进行环境评估,生成活动环境数据。
本发明通过获取分类噪音光强数据,该数据包含环境中光强的变化、噪音程度、环境类型等信息,将分类噪音光强数据转化为图像或图表形式,可以直观地呈现光强的分布、变化和噪音的强度,可视化噪音光强图可以帮助观察和分析噪音的模式和趋势,进一步识别和理解噪音的特征,通过图像平滑处理,可以抑制或消除噪音在光强图中的影响,使得光强分布和噪音变化更加平滑,平滑后的图像可以使光强的变化与噪音变化更加明显,噪音光强平滑图可以反映光强变化的趋势,如快速变化、周期性或渐变等,通过波动相关度计算,可以获得噪音光强波动图之间的关联值,反映了不同时间点或空间位置上的噪音与光强变化之间的相关性,利用预设的关联修正算法可以减少由波动引起的不准确性和误差,更准确地反映噪音和光强的关联程度,提高关联值的可靠性和可信度,通过关联性分析,可以提取噪声嘈杂度和光强之间的相关特征,描述环境的嘈杂程度和光照状况,从而得到活动环境数据;
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S3包括:
步骤S31:获取分类噪音光强数据;
本发明实施例中,通过获取分类噪音光强数据,分类噪音光强数据是指对噪音光强对应的环境进行分类或标记的数据集。
步骤S32:将分类噪音光强数据进行可视化处理,生成噪音光强图;
本发明实施例中,通过对获取的分类噪音光强数据进行可视化处理,可以使用图表、图像或其他可视化手段将数据表示出来,噪音光强图可以展示不同时间噪音的变化情况和不同光强水平的分布情况,以及可能存在的噪音或异常点。
步骤S33:对噪音光强图进行图像平滑,生成噪音光强平滑图;
本发明实施例中,通过图像平滑用于减少图像中的噪音或不连续,对噪音光强图进行平滑处理可以使用滤波器或平滑算法,例如均值滤波、高斯滤波等,平滑图可以减少数据波动的影响,使噪音数据与光强数据更加平稳。
步骤S34:对噪音光强平滑图进行波动相关度计算,生成噪音光强关联值;
本发明实施例中,通过对噪音光强波动图进行波动相关度,以衡量噪音光强之间的关联程度,可以使用相关性分析方法,如皮尔逊相关系数或相关矩阵等,计算的结果可以生成噪音光强关联值,用于后续的修正和评估。
步骤S35:利用关联修正算法对噪音光强关联值进行偏差修正,生成噪音光强修正值;
本发明实施例中,通过选取修正时间窗口,收集修正时间的光强、光密度、光波长和空间衰减系数等因素,采用关联修正算法对噪音光强关联值进行偏差修正,以消除可能的误差或偏差,生成噪音光强修正值,修正后的噪音光强修正值可以更准确地描述噪声水平和光强的关系。
步骤S36:基于噪音光强修正值对噪声嘈杂度和标准光强数据进行环境评估,生成活动环境数据。
本发明实施例中,通过构建环境分类模型,利用噪音光强修正值对环境分类模型进行结果修正,基于结果修正数据对环境分类模型进行模型完善,从而得到环境预估模型,将噪声嘈杂度和标准光强数据进行输入标准化,即与训练模型时的输入格式一致,生成标准输入数据,将标准输入数据导入环境预估模型,生成活动环境数据。
优选地,步骤S35中的关联修正算法如下所示:
式中,R为噪音光强修正值,t1为修正计算开始时间,t2为修正计算终止时间,E(t)为在时间t时的光强值,ρ为光密度,λ为光波长,为光强值在时间t时的二阶导数,L为光程长度,x为光程位置,I(x)为在光程x时的光强值,I0为光强的参考值,σ为光程中的空间衰减系数,x0为光程中的光源位置,/>为修正值的异常调整值。
本发明构建的一种关联修正算法,用于对噪音光强关联值进行偏差修正,生成噪音光强修正值。该公式充分考虑了修正计算开始时间t1,修正计算终止时间t2,在时间t时的光强值E(t),光密度ρ,光波长λ,光强值在时间t时的二阶导数光程长度L,光程位置x,在光程x时的光强值I(x),光强的参考值I0,光程中的空间衰减系数σ,光程中的光源位置x0,修正值的异常调整值/>以及它们之间的相互关系,构成函数关系式:
通过光强在时间上的变化以及光强的二阶导数,从而可以减小或消除由于噪音或其他影响因素引起的光强偏差,通过修正光强,可以提高测量的准确性及可靠性,尤其在受到环境噪音干扰或光源不稳定的情况下,修正后的光强能更准确地反映实际光照条件,通过光程位置与光源位置之间的距离,使得在不同位置上的光强校正更为准确,引入空间衰减系数进行计算,以校正光在传播过程中的衰减,使得光强的测量结果更加准确和精确,特别在长距离传输或光路径中存在较强衰减的情况下,修正后的光强能更真实地反映光的强度分布。该函数关系式通过修正光强可以消除噪音、衰减和其他不良影响因素对测量结果的干扰,从而提高测量的准确性和可靠性,同时考虑时间和空间的变化对光强的影响,使得修正结果更综合、更全面。并利用修正值的异常调整值对函数关系式进行调整修正,减少以此数据或误差项带来的误差影响,从而更准确地生成噪音光强修正值R,提高了基于噪声嘈杂度和标准光强数据进行环境预估的准确性。同时该公式中空间衰减系数以及修正值的异常调整值可以根据实际情况进行调整,应用于不同的环境空间进行关联值修正,提高了算法的灵活性与适用性。
优选地,步骤S36包括以下步骤:
步骤S361:根据分类噪音光强数据进行环境分类模型构建,生成初始预估模型;
步骤S362:基于噪音光强修正值对初始预估模型进行结果修正,生成结果修正值;
步骤S363:基于结果修正值对初始预估模型进行模型完善,生成环境预估模型;
步骤S364:将噪声嘈杂度和标准光强数据进行输入标准化,生成标准输入数据;
步骤S365:将标准输入数据导入环境预估模型,生成活动环境数据。
本发明通过分类噪音光强数据构建环境分类模型,可以将不同环境的光强特征进行分类和区分,有助于识别并区分不同环境下的光强数据,利用噪音光强数据修正值进行模型修正可以减小或消除噪音对预测结果的影响,以提高模型的预测准确性,使得预测结果更加可靠和精确,基于结果修正值对初始预估模型进行模型完善,可进一步优化模型的准确性和性能,通过输入标准化,可以将噪声嘈杂度和标准光强数据调整到相同的尺度和范围,以确保它们在模型训练和预测过程中具有相同的影响力,有助于提高模型的稳定性和鲁棒性,使得模型能够更好地适应不同噪声水平和光强变化的情况,将标准化的输入数据导入环境预估模型,以生成对活动环境数据。
本发明实施例中,通过选择适当的训练模型,如决策树、支持向量机、随机森林或深度学习网络等分类模型,将分类噪音光强数据划分为训练集和测试集,使用训练集的噪音数据、光强数据和对应的环境分类标签,对选定的模型进行训练,通过反复迭代优化模型的参数,使其能够准确地分类不同环境,生成初始预估模型,使用初始预估模型对噪音光强数据的测试集进行分类预测,得到初始预估结果,噪音光强修正值准确反映了噪音与光强之间的关联,通过噪音光强修正值对初始预估结果进行结果修正,得到更符合噪音光强之间关联关系的结果数据,生成结果修正值,通过结果修正值对初始预估模型进行反向传播训练,从而生成环境预估模型,通过将噪声嘈杂度和标准光强数据进行输入标准化,可以将数据调整到与训练数据一致的尺度范围,从而生成标准输入数据,将标准输入数据导入环境预估模型,生成活动环境数据,模型会根据输入的标准化噪声嘈杂度和标准化光强数据,预测活动环境数据,活动环境数据可以是环境的分类标签、环境状态的预测值或者其他相关的环境信息。
优选地,步骤S4包括以下步骤:
步骤S41:获取设备加速度数据和头部运动数据;
步骤S42:利用设备加速度数据进行用户位移分析,生成位移信息数据;
步骤S43:利用陀螺仪偏差计算公式对位移信息数据进行波动计算,生成陀螺仪偏差值;
步骤S44:利用头部运动数据进行位移方向分析,生成位移方向数据;
步骤S45:利用陀螺仪偏差值对位移方向进行方向修正,生成准确方向数据;
步骤S46:基于准确方向数据对位移信息数据进行运动状态分析,生成活动状态数据。
本发明通过获取设备加速度数据和头部运动数据,可以获取用户在运动过程中的动作信息,通过分析设备加速度数据,以了解用户的运动距离、速度和加速度等参数,从而更好地理解用户的运动行为和活动模式,应用预设的陀螺仪偏差计算公式对位移信息数据进行波动计算,可以推导出陀螺仪的偏差值,通过分析头部运动数据,以了解用户的头部朝向和运动方向,包括用户的前进方向、转向角度和转向速度等信息,利用陀螺仪偏差值对位移方向进行修正,可以减小或消除由于姿态偏移和误差引起的方向错误,可以获得准确的位移方向数据,提高位移数据的精确性和可靠性,通过基于准确方向数据对位移信息数据进行分析,可以判断用户的运动状态,例如行走、跑步、静止等,生成活动状态数据。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S4包括:
步骤S41:获取设备加速度数据和头部运动数据;
本发明实施例中,通过传感器或设备收集用户的加速度数据和头部运动数据,可以通过加速度计、陀螺仪、惯性测量单元等传感器获取,确保数据采集频率足够高,以捕捉到用户的动作和头部运动的细节,其中设备加速度数据包含三个维度的用户加速度,头部运动数据包含三个维度的陀螺仪角速度,角速度反映用户的旋转或转动运动。
步骤S42:利用设备加速度数据进行用户位移分析,生成位移信息数据;
本发明实施例中,通过使用设备加速度数据进行位移分析,可以通过运动积分等方法实现,例如,将加速度数据积分得到位移信息,运动积分方法可以是离散形式,如离散积分,或连续形式,如微分方程求解。
步骤S43:利用陀螺仪偏差计算公式对位移信息数据进行波动计算,生成陀螺仪偏差值;
本发明实施例中,通过使用位移信息数据中的用户三维加速度数据和陀螺仪收集数据时的三维角速度数据,结合环境噪音和陀螺仪测量时的噪音进行收集数据时的波动计算,生成陀螺仪偏差值,用于估计陀螺仪的偏差。
步骤S44:利用头部运动数据进行位移方向分析,生成位移方向数据;
本发明实施例中,通过使用头部运动数据,头部运动数据包括用户的头部姿态、方向传感器的输出等,通过相应的算法或模型进行位移方向分析,可以使用信号处理技术,如峰值检测、滤波器等,也可以使用机器学习方法,如分类器、神经网络等,来识别用户的位移方向,生成位移方向数据。
步骤S45:利用陀螺仪偏差值对位移方向进行方向修正,生成准确方向数据;
本发明实施例中,通过使用已估计的陀螺仪偏差值对位移方向进行修正,以提高方向数据的准确性,根据陀螺仪偏差值对位移方向进行补偿或校正,以纠正因陀螺仪误差引起的方向偏移。
步骤S46:基于准确方向数据对位移信息数据进行运动状态分析,生成活动状态数据。
本发明实施例中,通过使用准确的位移方向数据对位移信息数据进行分析,以识别用户的运动状态,运动状态分析可以采用机器学习方法,如分类器、聚类等,或规则基础的方法进行实现,如阈值判定、模式匹配等,生成的运动状态数据可以表示用户的静止、步行、跑步、开车等活动状态。
优选地,步骤S43中的陀螺仪偏差计算公式如下所示:
式中,Δθg为陀螺仪偏差值,T0为计算偏差的起始时间,T为计算偏差的终止时间,α为用户运动的权重系数,ax为用户在x轴上的加速度,Gx为陀螺仪在x轴上的角速度,ay为用户在y轴上的加速度,Gy为陀螺仪在y轴上的角速度,az为用户在z轴上的加速度,Gz为陀螺仪在z轴上的角速度,β为噪音的权重系数,ne为环境噪音嘈杂度,ng为陀螺仪测量时的噪音,γ为角速度变化率的权重系数,为陀螺仪的角速度变化率,ω为偏差值的异常调整值。
本发明构建的一种陀螺仪偏差计算公式用于计算因用户运动导致陀螺仪获取数据的偏差值,基于偏差值修正头部运动数据,从而提高识别头部运动的鲁棒性。该公式充分考虑了计算偏差的起始时间T0,计算偏差的终止时间T,用户运动的权重系数α,用户在x轴上的加速度ax,陀螺仪在x轴上的角速度Gx,用户在y轴上的加速度ay,陀螺仪在y轴上的角速度Gy,用户在z轴上的加速度az,陀螺仪在z轴上的角速度Gz,噪音的权重系数β,环境噪音嘈杂度ne,陀螺仪测量时的噪音ng,角速度变化率的权重系数γ,陀螺仪的角速度变化率偏差值的异常调整值ω以及它们之间的相互关系,构成函数关系式:
通过用户运动的权重系数,以调整用户加速度和陀螺仪角速度对偏差值的贡献程度,较高的权重将更强调用户运动数据的影响,通过用户的三维向量加速度以描述用户的运动状态,通过对加速度进行分析,可以推断设备的运动状态,陀螺仪的三维向量角速度以描述设备围绕各轴旋转的信息,通过监测陀螺仪的角速度,可以对设备的旋转状态进行估计,将用户运动数据与陀螺仪数据相乘,可以更准确地计算偏差值,在实际应用中,存在各种噪音源,包括来自环境的噪音和陀螺仪本身的测量噪音,这些噪音会对陀螺仪的测量结果产生不利影响,因此在计算偏差值时需要进行考虑,环境噪音嘈杂度用于表示环境中的噪音水平,较高的噪音嘈杂度表示噪音较多的环境,噪音对陀螺仪测量结果的准确性有影响,β系数用于调整噪音对偏差值的贡献,以融合环境噪音和陀螺仪测量噪音的影响,陀螺仪的角速度变化率表示陀螺仪角速度随时间的变化情况,可以反映设备的旋转状态的变化情况,通过考虑角速度变化率的影响,可以更好地估计陀螺仪的偏差,通过调整角速度变化率的权重系数γ,可以对其对偏差值的影响进行调节。该函数可以通过考虑用户运动、设备旋转、噪音等因素的影响,提供更准确和可靠的陀螺仪偏差值,利用陀螺仪偏差值修正头部运动数据,从而提高头部运动数据获取的鲁棒性。同时利用偏差值的异常调整值ω对函数关系式进行调整修正,减少以此数据或误差项带来的误差影响,从而更准确地生成陀螺仪偏差值Δθg,提高陀螺仪捕获头部运动数据的稳定性。同时该公式中的用户加速度以及偏差值的异常调整值可以根据实际情况进行调整,应用于不同的运动状态计算陀螺仪的偏差,提高了算法的灵活性与适用性。
优选地,步骤S5包括以下步骤:
步骤S51:对活动环境数据和活动状态数据进行评估因素提取,生成组队评估数据;
步骤S52:基于组队评估数据进行环境人数分析,生成人数估计值;
步骤S53:利用人数估计值对交流概率值进行概率修正,生成交流置信因子。
本发明通过评估因素提取,可以从活动环境数据和活动状态数据中筛选出与组队评估相关的关键因素,有助于提取有用的信息,如场地大小、人员密度、活动类型等,对组队评估数据进行环境人数分析,可以根据评估因素和相关算法来估计活动环境中的人数,人数估计值提供了对参与活动的人员数量的预估,利用人数估计值,可以根据人数估计和交流概率之间的关系对交流概率进行修正,例如,人数较多时,交流发生的概率更高,人数较少时,交流发生的概率可能较低,通过概率修正,可以生成反映交流置信度的交流置信因子。
本发明实施例中,通过根据具体需求和应用场景,选择合适的评估因素进行提取,评估因素可以是与人数相关的环境因素,如声音强度、温度等,或活动状态因素,如步态频率、运动速度等,基于收集到的活动环境数据和活动状态数据,进行特征工程和数据分析,提取出与人数估计相关的评估因素,综合考虑各评估因素的权重和重要性,将评估因素组合转化为组队评估数据,利用生成的组队评估数据,使用适当的人数估计算法进行环境人数分析,常用的人数估计算法,如基于传感器数据的统计方法,如聚类、分类等,或者使用深度学习模型,如卷积神经网络、循环神经网络等,进行人数估计,根据实际应用需求和数据特点,选择合适的人数估计算法,并进行模型训练和优化,将组队评估数据输入到人数估计模型中,得到环境人数的估计值,根据已得到的人数估计值,对交流概率值进行概率修正,也可以结合其他相关的因素一起分析,其他相关因素可以包括空间布局、人群密度、活动性质等,考虑到不同因素之间的权重和影响程度,将人数估计值与其他因素进行综合计算,得到交流置信因子。
优选地,步骤S6包括以下步骤:
步骤S61:基于活动环境数据和活动状态数据进行使用场景判断,生成使用场景数据;
步骤S62:基于使用场景数据进行环境模式调节,生成初始切换模式数据;
步骤S63:利用交流置信因子对初始切换模式数据进行音量调节,生成实时使用模式数据;
步骤S64:基于实时使用模式数据切换蓝牙耳机的工作模式。
本发明通过分析活动环境数据和活动状态数据,可以判断当前的使用场景,使用场景包括不同的活动类型,例如晨跑、夜跑、室内办公、户外活动、会议等,根据使用场景数据,可以进行环境模式的调节,环境模式包括不同的音频设置、降噪模式或其他设备参数,根据使用场景的要求,生成初始切换模式数据,利用交流置信因子,可以对初始的切换模式数据进行音量调节,通过考虑交流情况和信噪比等因素,调整音量水平以符合当前的实时使用场景,根据所需的音频设置、降噪要求和用户喜好,调整蓝牙耳机的工作模式。
本发明实施例中,通过活动环境数据和活动状态数据,包括但不限于环境噪声、声音强度、人数估计值、活动类型等,使用算法或模型对收集到的数据进行分析和处理,以判断当前的使用场景,可以通过规则引擎、机器学习算法或深度学习模型等方法来实现使用场景的判断,根据实际应用需求,定义不同的使用场景,如室内、户外、嘈杂环境、安静环境等,基于使用场景数据,设计环境模式调节策略,环境模式调节策略可以包括音频参数的调整,如音量、均衡器设置、降噪功能等,在不同的使用场景中,根据用户需求和环境特点,确定合适的初始切换模式,初始切换模式数据可以是一组预设的参数配置,以满足不同使用场景下的音频需求,根据交流置信因子的值,进行音量调节的计算,确定实时音量调整的程度,实时音量调整可以是根据交流程度动态调整音量大小,以适应不同交流概率的情况,根据实时使用模式数据进行自动配置,例如选择不同的音频设置、降噪模式或环境模式等,从而进行蓝牙耳机的工作模式切换,切换蓝牙耳机的工作模式可以通过蓝牙协议进行命令传输,以实现设备参数的调整和配置。
本申请的有益效果在于,本发明通过综合分析实时音频数据、空气质量数据、光照强度数据、环境水平数据、设备加速度数据和头部运动数据等多个数据源,实现了智能的环境感知和活动状态监测,使得蓝牙耳机能够智能地适应不同的用户环境和活动状态,意味着蓝牙耳机可以在用户移动到不同的环境中时快速做出响应,确保用户始终享有最佳的音频体验,通过人声清晰度分析和噪声嘈杂度检测,蓝牙耳机可以实现准确辨别对话情况,或更高质量的音质,有助于提供清晰的对话体验和沉浸式音乐体验,通过光照减损系数和光强补正,蓝牙耳机可以更准确地识别用户所处环境,从而准确调节耳机使用模式,通过设备加速度和头部运动数据分析,系统可以感知用户的运动状态,从而在运动模式下提供更安全和符合需求的音频体验,例如,根据用户的运动状态降低音量或开启环境音透传模式,从而提高用户在行动中的安全性,同时,蓝牙耳机还能够感知用户是否在运动,以便提供相应的声音反馈或指导,如跑步节奏或导航指令,交流概率分析和概率修正有助于确保用户不会错过对话,通过智能模式切换和能耗管理,系统可以有效减少能源消耗,延长蓝牙耳机的电池寿命,减少充电频率,可以智能地选择蓝牙耳机的实时使用模式,这包括音质、降噪级别、通话模式等,通过自动模式切换,系统确保蓝牙耳机在不同情境下提供最佳的音频体验,使蓝牙耳机更好地适应不同的环境条件,通过实时使用模式的智能选择,以提高用户体验,确保用户在不同情境下都能够获得高品质的音质和适当的功能。因此,本发明的蓝牙耳机的使用模式切换方法,通过实时音频数据和光照强度数据准确分析用户的活动环境,通过设备加速度和头部运动准确分析用户的活动状态,结合活动环境和活动状态,准确判断用户使用场景,提高蓝牙耳机的环境适应性,以智能的、动态的切换蓝牙使用模式。
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,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种蓝牙耳机的使用模式切换方法,其特征在于,包括以下步骤:
步骤S1:获取实时音频数据;基于实时音频数据进行人噪声分离计算,生成人声清晰度和噪声嘈杂度;基于人声清晰度进行交流概率分析,生成交流概率值;
步骤S2:获取空气质量数据和光照强度数据;对空气质量数据进行强度减损计算,生成光强减损系数;利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据;
步骤S3:对噪声嘈杂度和标准光强数据进行关联性分析,生成活动环境数据;
步骤S4:获取设备加速度数据和头部运动数据;利用设备加速度数据进行用户位移分析,生成位移信息数据;基于位移信息数据和头部运动数据进行运动状态分析,生成活动状态数据;
步骤S5:利用活动状态数据对交流概率值进行概率修正,生成交流置信因子;
步骤S6:基于活动环境数据和活动状态数据进行模式选择,生成实时使用模式;基于实时使用模式调节蓝牙耳机的工作模式。
2.根据权利要求1所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取实时音频数据;
步骤S12:将实时音频数据进行人噪声分离,生成人声音频数据和噪声音频数据;
步骤S13:对人声音频数据进行清晰度计算,生成人声清晰度;
步骤S14:对噪声音频数据进行嘈杂度计算,生成噪声嘈杂度;
步骤S15:基于人声清晰度进行交流概率分析,生成交流概率值。
3.根据权利要求2所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取空气质量数据和光照强度数据;
步骤S22:基于空气质量数据进行光强影响因子提取,生成影响因素数据;
步骤S23:通过影响因素数据进行透明度计算,生成空气透明度数据;
步骤S24:利用空气透明度数据进行强度减损计算,生成光照减损系数;
步骤S25:利用光照减损系数对光照强度数据进行强度补正,生成标准光强数据。
4.根据权利要求3所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取分类噪音光强数据;
步骤S32:将分类噪音光强数据进行可视化处理,生成噪音光强图;
步骤S33:对噪音光强图进行图像平滑,生成噪音光强平滑图;
步骤S34:对噪音光强平滑图进行波动相关度计算,生成噪音光强关联值;
步骤S35:利用关联修正算法对噪音光强关联值进行偏差修正,生成噪音光强修正值;
步骤S36:基于噪音光强修正值对噪声嘈杂度和标准光强数据进行环境评估,生成活动环境数据。
5.根据权利要求4所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S35中的关联修正算法如下所示:
式中,R为噪音光强修正值,t1为修正计算开始时间,t2为修正计算终止时间,E(t)为在时间t时的光强值,ρ为光密度,λ为光波长,为光强值在时间t时的二阶导数,L为光程长度,x为光程位置,I(x)为在光程x时的光强值,I0为光强的参考值,σ为光程中的空间衰减系数,x0为光程中的光源位置,/>为修正值的异常调整值。
6.根据权利要求4所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S36包括以下步骤:
步骤S361:根据分类噪音光强数据进行环境分类模型构建,生成初始预估模型;
步骤S362:基于噪音光强修正值对初始预估模型进行结果修正,生成结果修正值;
步骤S363:基于结果修正值对初始预估模型进行模型完善,生成环境预估模型;
步骤S364:将噪声嘈杂度和标准光强数据进行输入标准化,生成标准输入数据;
步骤S365:将标准输入数据导入环境预估模型,生成活动环境数据。
7.根据权利要求4所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S4包括以下步骤:
步骤S41:获取设备加速度数据和头部运动数据;
步骤S42:利用设备加速度数据进行用户位移分析,生成位移信息数据;
步骤S43:利用陀螺仪偏差计算公式对位移信息数据进行波动计算,生成陀螺仪偏差值;
步骤S44:利用头部运动数据进行位移方向分析,生成位移方向数据;
步骤S45:利用陀螺仪偏差值对位移方向进行方向修正,生成准确方向数据;
步骤S46:基于准确方向数据对位移信息数据进行运动状态分析,生成活动状态数据。
8.根据权利要求7所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S43中的陀螺仪偏差计算公式如下所示:
式中,Δθg为陀螺仪偏差值,T0为计算偏差的起始时间,T为计算偏差的终止时间,α为用户运动的权重系数,ax为用户在x轴上的加速度,Gx为陀螺仪在x轴上的角速度,ay为用户在y轴上的加速度,Gy为陀螺仪在y轴上的角速度,az为用户在z轴上的加速度,Gz为陀螺仪在z轴上的角速度,β为噪音的权重系数,ne为环境噪音嘈杂度,ng为陀螺仪测量时的噪音,γ为角速度变化率的权重系数,为陀螺仪的角速度变化率,ω为偏差值的异常调整值。
9.根据权利要求7所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S5包括以下步骤:
步骤S51:对活动环境数据和活动状态数据进行评估因素提取,生成组队评估数据;
步骤S52:基于组队评估数据进行环境人数分析,生成人数估计值;
步骤S53:利用人数估计值对交流概率值进行概率修正,生成交流置信因子。
10.根据权利要求9所述的蓝牙耳机的使用模式切换方法,其特征在于,步骤S6包括以下步骤:
步骤S61:基于活动环境数据和活动状态数据进行使用场景判断,生成使用场景数据;
步骤S62:基于使用场景数据进行环境模式调节,生成初始切换模式数据;
步骤S63:利用交流置信因子对初始切换模式数据进行音量调节,生成实时使用模式数据;
步骤S64:基于实时使用模式数据切换蓝牙耳机的工作模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336788.9A CN117278899A (zh) | 2023-10-13 | 2023-10-13 | 一种蓝牙耳机的使用模式切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336788.9A CN117278899A (zh) | 2023-10-13 | 2023-10-13 | 一种蓝牙耳机的使用模式切换方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117278899A true CN117278899A (zh) | 2023-12-22 |
Family
ID=89214271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336788.9A Withdrawn CN117278899A (zh) | 2023-10-13 | 2023-10-13 | 一种蓝牙耳机的使用模式切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117278899A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858031A (zh) * | 2024-03-07 | 2024-04-09 | 深圳市汇杰芯科技有限公司 | 一种低延时无线对讲和tws无缝切换系统、方法及介质 |
-
2023
- 2023-10-13 CN CN202311336788.9A patent/CN117278899A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858031A (zh) * | 2024-03-07 | 2024-04-09 | 深圳市汇杰芯科技有限公司 | 一种低延时无线对讲和tws无缝切换系统、方法及介质 |
CN117858031B (zh) * | 2024-03-07 | 2024-05-28 | 深圳市汇杰芯科技有限公司 | 一种低延时无线对讲和tws无缝切换系统、方法及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210021942A1 (en) | Separating and recombining audio for intelligibility and comfort | |
US8239196B1 (en) | System and method for multi-channel multi-feature speech/noise classification for noise suppression | |
CN117278899A (zh) | 一种蓝牙耳机的使用模式切换方法 | |
CN112508044A (zh) | 人工智能ai模型的评估方法、系统及设备 | |
CN107910011A (zh) | 一种语音降噪方法、装置、服务器及存储介质 | |
WO2021051917A1 (zh) | 人工智能ai模型的评估方法、系统及设备 | |
JP2009500952A (ja) | 音声品質評価方法および音声品質評価システム | |
EP3873113B1 (en) | Media presentation system using audience and audio feedback for playback level control | |
JP2024020321A (ja) | 精神・神経系疾患を推定する装置 | |
Xia et al. | Csafe: An intelligent audio wearable platform for improving construction worker safety in urban environments | |
JP2020095123A (ja) | 音評価aiシステム、および、音評価aiプログラム | |
CN117294985A (zh) | 一种tws蓝牙耳机控制方法 | |
CN108919962B (zh) | 基于脑机数据集中处理的辅助钢琴训练方法 | |
CN111554325B (zh) | 一种嗓音识别方法及系统 | |
CN117098285A (zh) | 一种智能照明控制系统及控制方法 | |
CN112832996A (zh) | 用于控制供水系统的方法 | |
CN115396769A (zh) | 无线耳机及其音量调节方法 | |
KR101660306B1 (ko) | 휴대용 단말기에서 라이프 로그 생성 방법 및 장치 | |
CN108322346A (zh) | 一种基于机器学习的语音质量评价方法 | |
CN117041847B (zh) | 用于助听器中自适应传声器匹配方法及系统 | |
CN112562717A (zh) | 啸叫检测方法、装置、存储介质、计算机设备 | |
Can | Dynamic approaches for the characterization and mitigation of urban sound environments | |
Jung et al. | Real-time unusual user event detection algorithm fusing vision, audio, activity, and dust patterns | |
CN117688344B (zh) | 一种基于大模型的多模态细粒度倾向分析方法及系统 | |
US20050004792A1 (en) | Speech characteristic extraction method speech charateristic extraction device speech recognition method and speech recognition device |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231222 |