【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于用户生理数据的智能指环场景预测方法及装置。
技术介绍
1、智能指环是一种可穿戴电子设备，一般装有传感器和nfc芯片等移动组件，可用于各种应用，主要用于跟踪日常活动并作为支持移动设备的外围工具现有的智能指环大部分只能实现单一的生理特征提取或者是进行定位，并没有考虑到利用佩戴用户的使用习惯和生理数据之间的关系，因此其智能化程度较低，用户体验较差。可见，现有技术存在缺陷，亟待解决。
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种基于用户生理数据的智能指环场景预测方法及装置，能够提高指环的智能化程度，给用户更好的使用体验，减少工作模式的出错或者不适配情况。
2、为了解决上述技术问题，本专利技术第一方面公开了一种基于用户生理数据的智能指环场景预测方法，所述方法包括：
3、获取目标指环的多个历史生理数据和对应时间段的使用场景；
4、根据所述多个历史生理数据和对应时间段的使用场景，训练得到所述目标指环的预测模型；
5、获取所述目标指环的实时生理数据，将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测使用场景；
6、根据所述预测使用场景，确定所述目标指环的工作模式。
7、作为一个可选的实施方式，在本专利技术第一方面中，所述历史生理数据或所述实时生理数据包括血压、脉搏、心电、血糖、血氧和体温中的至少一种。
8、作为一个可选的实施方式，在本专利技术第一方
9、作为一个可选的实施方式，在本专利技术第一方面中，所述工作模式为所述目标指环在运动模式、休息模式、工作模式、通勤模式、洗漱模式或未佩戴模式对应的部件策略；所述部件策略为休眠策略、工作策略或预设功耗策略。
10、作为一个可选的实施方式，在本专利技术第一方面中，所述根据所述多个历史生理数据和对应时间段的使用场景，训练得到所述目标指环的预测模型，包括：
11、将每一所述历史生理数据和其所在的时间段对应的使用场景作为一个训练数据对，以得到训练数据集；
12、将所述训练数据集中的30%作为测试集，70%作为训练集；
13、将所述训练集中的每一所述训练数据对输入至预先设定好的cnn神经网络模型进行迭代训练，并采用梯度下降算法和l1损失函数对所述cnn神经网络模型的模型参数进行优化，并通过所述测试集对所述cnn神经网络模型进行测试，直至训练完成，得到所述目标指环的预测模型。
14、作为一个可选的实施方式，在本专利技术第一方面中，所述将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测使用场景，包括：
15、根据所述历史生理数据对所述实时生理数据的真实性进行验证；
16、若验证通过，将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测使用场景。
17、作为一个可选的实施方式，在本专利技术第一方面中，所述根据所述历史生理数据对所述实时生理数据的真实性进行验证，包括：
18、计算多个所述历史生理数据的平均值和变化曲线；
19、计算所述实时生理数据和所述平均值之间的第一差值；
20、将所述变化曲线输入至训练好的生理数值预测神经网络中，以得到预测值；
21、计算所述实时生理数值与所述预测值之间的第二差值；
22、判断所述第一差值是否小于第一差值阈值以及所述第二差值是否小于第二差值阈值；
23、若是，则判断所述实时生理数据的真实性验证通过。
24、作为一个可选的实施方式，在本专利技术第一方面中，所述根据所述预测使用场景，确定所述目标指环的工作模式，包括：
25、根据预先建立起的使用场景和工作模式之间的对应关系，确定所述预测使用场景对应的多个候选工作模式；
26、获取每一所述候选工作模式最近一次使用时间段内的所述历史生理数据，得到对应的模式生理数据；
27、计算所述实时生理数据和任一所述模式生理数据之间的数据相似度；
28、将所述数据相似度最高的所述模式生理数据对应的所述候选工作模式，确定为所述目标指环的工作模式。
29、本专利技术实施例第二方面公开了一种基于用户生理数据的智能指环场景预测装置，所述装置包括：
30、获取模块，用于获取目标指环的多个历史生理数据和对应时间段的使用场景；
31、训练模块，用于根据所述多个历史生理数据和对应时间段的使用场景，训练得到所述目标指环的预测模型；
32、预测模块，用于获取所述目标指环的实时生理数据，将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测使用场景；
33、确定模块，用于根据所述预测使用场景，确定所述目标指环的工作模式。
34、作为一个可选的实施方式，在本专利技术第二方面中，所述历史生理数据或所述实时生理数据包括血压、脉搏、心电、血糖、血氧和体温中的至少一种。
35、作为一个可选的实施方式，在本专利技术第二方面中，所述使用场景为运动场景、休息场景、工作场景、通勤场景、洗漱场景或未佩戴场景。
36、作为一个可选的实施方式，在本专利技术第二方面中，所述工作模式为所述目标指环在运动模式、休息模式、工作模式、通勤模式、洗漱模式或未佩戴模式对应的部件策略；所述部件策略为休眠策略、工作策略或预设功耗策略。
37、作为一个可选的实施方式，在本专利技术第二方面中，所述训练模块根据所述多个历史生理数据和对应时间段的使用场景，训练得到所述目标指环的预测模型的具体方式，包括：
38、将每一所述历史生理数据和其所在的时间段对应的使用场景作为一个训练数据对，以得到训练数据集；
39、将所述训练数据集中的30%作为测试集，70%作为训练集；
40、将所述训练集中的每一所述训练数据对输入至预先设定好的cnn神经网络模型进行迭代训练，并采用梯度下降算法和l1损失函数对所述cnn神经网络模型的模型参数进行优化，并通过所述测试集对所述cnn神经网络模型进行测试，直至训练完成，得到所述目标指环的预测模型。
41、作为一个可选的实施方式，在本专利技术第二方面中，所述预测模块将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测使用场景的具体方式，包括：
42、根据所述历史生理数据对所述实时生理数据的真实性进行验证；
43、若验证通过，将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测使用场景。
44、作为一个可选的实施方式，在本专利技术第二方面中，所述预测模块根据所述历史生理数据对所述实时生理数据的真实性进行验证的具体方式，包括：
45、计算多个所述历史生理数据的平均值和变化曲线；
46、计算所述实时生理数据和所述平均值之间的第一差值；<本文档来自技高网...
【技术保护点】
1.一种基于用户生理数据的智能指环场景预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述历史生理数据或所述实时生理数据包括血压、脉搏、心电、血糖、血氧和体温中的至少一种。
3.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述使用场景为运动场景、休息场景、工作场景、通勤场景、洗漱场景或未佩戴场景。
4.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述工作模式为所述目标指环在运动模式、休息模式、工作模式、通勤模式、洗漱模式或未佩戴模式对应的部件策略；所述部件策略为休眠策略、工作策略或预设功耗策略。
5.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述根据所述多个历史生理数据和对应时间段的使用场景，训练得到所述目标指环的预测模型，包括：
6.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述将所述实时生理数据输入至所述预测模型，以得到所述目标指环的预测
7.根据权利要求6所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述根据所述历史生理数据对所述实时生理数据的真实性进行验证，包括：
8.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述根据所述预测使用场景，确定所述目标指环的工作模式，包括：
9.一种基于用户生理数据的智能指环场景预测装置，其特征在于，所述装置包括：
10.一种基于用户生理数据的智能指环场景预测装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于用户生理数据的智能指环场景预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述历史生理数据或所述实时生理数据包括血压、脉搏、心电、血糖、血氧和体温中的至少一种。
3.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述使用场景为运动场景、休息场景、工作场景、通勤场景、洗漱场景或未佩戴场景。
4.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，所述工作模式为所述目标指环在运动模式、休息模式、工作模式、通勤模式、洗漱模式或未佩戴模式对应的部件策略；所述部件策略为休眠策略、工作策略或预设功耗策略。
5.根据权利要求1所述的基于用户生理数据的智能指环场景预测方法，其特征在于，...
【专利技术属性】
技术研发人员：皮涛涛，陈彬，高健伦，
申请(专利权)人：广东壹健康健康产业集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。