血氧数据处理方法、相关装置及介质与流程

1.本发明涉及血氧测量技术领域，特别是涉及一种血氧数据处理方法、相关装置及介质。


背景技术：

2.随着人们生活水平的提高，健康指标越来越成为人们热切关注的焦点之一，作为一种方便监测且意义重大的健康指标检测手段，血氧仪越来越多的被人们所使用。作为一种能够提供无创、连续、实时的血氧饱和度数据的医学仪器，脉搏血氧仪根据使用传感器的采样方式不同，可以分为透射式和反射式两种。
3.目前透射式的血氧仪通常采用lambert-beer定律(朗伯-比尔定律)进行血氧饱和度的测量，血氧饱和度的测量准确率较低。


技术实现要素：

4.有鉴于此，本技术的目的在于提供血氧数据处理方法，以检测用户的血氧饱和度。该方法通过对血氧饱和度特征值进行多分类处理，基于类别对应的拟合系数，然后可以分别对不同范围内的用户的血氧饱和度做拟合补偿，使血氧测量更加准确。
5.本技术第一方面，提供了一种血氧数据处理方法，所述方法包括：获取ppg传感器数据，所述ppg传感器数据包括目标光电数据；根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，所述类别为n个类别中的其中一个，n为大于2的整数；根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
6.在一种可能实现方式中，血氧饱和度特征值为校准后的值。
7.在一种可能实现方式中，所述目标光电数据包括红外光数据和红光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，之前还包括：通过血氧检测装置获取手指信号；根据所述手指信号，确定第一血氧饱和度计算特征值。
8.在一种可能实现方式中，根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据和红光数据计算出第二血氧饱和度计算特征值；用所述第一血氧饱和度计算特征值对计算出的第二血氧饱和度计算特征值进行校准，确定校准参数δr，得到校准后血氧饱和度特征值；将所述校准后血氧饱和度特征值输入预先训练的第一多分类模型，得到所述血氧饱和度特征值所属的类别。
9.在一种可能实现方式中，所述根据所述手指信号，确定第一血氧饱和度计算特征值包括：根据所述手指信号，获取手指血氧饱和度；基于所述手指血氧饱和度以及拟合系数，确定所述第一血氧饱和度计算特征值；或者，
10.基于所述手指信号，根据公式计算所述第一血氧饱和度计算特征值。
11.在一种可能实现方式中，所述血氧检测装置底壳内设置有用于生物信息检测的第一光学传感器以及第二光学传感器；所述血氧检测装置的底壁开设有与所述第一光学传感器对应的第一窗口，所述血氧检测装置的侧壁开设有与所述第二光学传感器对应的第二窗口，所述第二窗口用于在其上覆盖手指以获取手指信号。
12.在一种可能实现方式中，所述目标光电数据包括红外光数据、红光数据和绿光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据、红光数据和绿光数据，计算所述血氧饱和度特征值；将所述血氧饱和度特征值输入预先训练的第二多分类模型，得到所述血氧饱和度特征值所属的类别。
13.在一种可能实现方式中，所述目标光电数据包括红外光数据、红光数据和绿光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据和红光数据计算出血氧饱和度计算特征值，并用所述绿光数据对计算出的所述血氧饱和度计算特征值进行校准，得到所述血氧饱和度特征值；将所述血氧饱和度特征值输入预先训练的第三多分类模型，得到所述血氧饱和度特征值所属的类别。
14.在一种可能实现方式中，所述目标光电数据包括红外光数据、红光数据和绿光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据和红光数据计算出血氧饱和度计算特征值，将所述血氧饱和度计算特征值作为所述血氧饱和度特征值；将所述绿光数据输入预先训练的第四多分类模型，得到所述血氧饱和度特征值所属的类别。
15.在一种可能实现方式中，所述绿光数据至少包括绿光交流量、绿光直流量、波峰间隔、上包络和下包络中的一项。
16.在一种可能实现方式中，所述方法应用于可穿戴设备，所述方法还包括：识别所述穿戴设备是否处于穿戴状态；当所述可穿戴设备处于穿戴状态时，触发所述用户的血氧饱和度的获取流程。
17.在一种可能实现方式中，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别之前，所述方法还包括：对读取的光电数据进行数据预处理，得到预处理光电数据；从所述预处理光电数据中，过滤出有效的光电数据作为所述目标光电数据。
18.在一种可能实现方式中，所述从所述预处理光电数据中，过滤出有效的光电数据作为所述目标光电数据，包括：获取所述预处理光电数据的变化特征、重力加速度的变化特征，以及所述预处理光电数据的频域特征中的至少一项；根据所述预处理光电数据的变化特征、重力加速度的变化特征，以及所述预处理光电数据的频域特征中的至少一项确定所述预处理光电数据的信号质量；根据所述预处理光电数据的信号质量，从所述预处理光电数据中过滤出有效的光电数据作为所述目标光电数据。。
19.本技术第二方面，提供了一种血氧数据处理方法，所述方法包括：
20.获取训练样本数据，所述训练样本数据包括光电数据和和血氧饱和度；根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数；根据不同类别的所述训练样本数据建立多分类模型。
21.在一种可能实现方式中，所述光电数据包括红外光数据和红光数据；或者所述光电数据包括红外光数据、红光数据和绿光数据；或者所述光电数据包括所述绿光数据。
22.本技术第三方面，提供一种血氧数据处理方法，所述方法包括：获取训练样本数据，所述训练样本数据包括光电数据和血氧饱和度；根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数；对不同类别的所述训练样本数据进行血氧饱和度特征拟合，以得到所述不同类别对应的拟合系数。
23.本技术第四方面，提供了一种血氧数据处理装置，所述装置包括：采集模块，用于获取ppg传感器数据，所述ppg传感器数据包括目标光电数据；处理模块，用于根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，所述类别为n个类别中的其中一个，n为大于2的整数；还用于根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
24.本技术第五方面，提供了一种血氧数据处理装置，所述装置包括：获取模块，用于获取训练样本数据，所述训练样本数据包括光电数据和所述光电数据对应的血氧饱和度；数据处理模块，用于根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数；还用于根据所述n个类别的所述训练样本数据建立多分类模型。
25.本技术第六方面，提供了一种血氧数据处理装置，所述装置包括：获取模块，用于获取训练样本数据，所述训练样本数据包括光电数据和血氧饱和度；数据处理模块，用于根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数；还用于对不同类别的所述训练样本数据进行血氧饱和度特征拟合，以得到所述不同类别对应的拟合系数。
26.本技术第七方面，提供了一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现前述任一项所述的方法。
27.本技术第八方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述任一项所述的方法。
28.本技术提供的其中一个方案中，包括：获取ppg传感器数据，所述ppg传感器数据包括目标光电数据；根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，所述类别为n个类别中的其中一个，根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。本技术的实施例通过对血氧饱和度特征值进行多分类处理，基于类别对应的拟合系数，然后可以分别对不同范围内的用户的血氧饱和度做拟合补偿，使血氧测量更加准确。
附图说明
29.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
30.图1为本技术实施例提供的一种人体组织的光衰减随时间变化的坐标图示意图；
31.图2为本技术实施例提供的一种血氧检测装置与电子设备的交互示意图；
32.图3为本技术实施例提供的一种血氧检测装置与电子设备的交互系统示意图；
33.图4为本技术实施例提供的一种血氧检测装置与电子设备的交互示意图；
34.图5为本技术实施例提供的一种血氧数据处理的方法流程图；
35.图6为本技术实施例提供的一种可穿戴设备的结构示意图；
36.图7为本技术实施例提供的一种血氧数据处理的方法流程图；
37.图8为本技术实施例提供的一种血氧数据处理装置的结构示意图；
38.图9为本技术实施例提供的一种血氧数据处理的方法流程图；
39.图10为本技术实施例提供的一种血氧数据处理的方法流程图；
40.图11为本技术实施例提供的一种用户点击血氧测量的场景示意图；
41.图12为本技术实施例提供的一种血氧数据处理的方法流程图；
42.图13为本技术实施例提供的一种电子设备的模块示意图；
43.图14为本技术实施例提供的一种穿戴设备的模块示意图。
具体实施方式
44.下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
45.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
46.需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
47.请参见图1，图1给出了一种光信号照射人体部位时，人体组织成分的光衰减随时间变化的坐标图。其中，纵坐标为组织成分的光衰减(light attenuation by tissue components)，横坐标为时间(time)。
48.图1中，纵坐标自上而下，第一条实线与第一条虚线之间的区域为最接近皮肤表层的跳动的动脉血(pulsatilearterial blood)的光衰减随着时间变化的区间。该第一条实线为该光信号对于皮肤表层的跳动的动脉血的光衰减变化曲线。其中，该第一条实线的波峰位置对应心脏舒张期(diastole)，第一条实线的波谷位置对应心脏收缩期(systole)。第一条虚线的纵坐标，与该第一实线波谷位置的纵坐标相同。
49.该第一条虚线与第二条实线之间的区域为该跳动的动脉血之下剩余的动脉血(residualarterial blood)的光衰减随着时间变化的区间。该第二条实线与第三条实线之间的区域为静脉血(venous blood)的变化区间。该第三条实线与横轴之间的区域为骨头、肌肉、结缔组织等(bone、muscle、connective tissue，etc)。其中，图1纵坐标自上而下也可
以代表从皮肤表层至骨骼深层的动物组织生理学结构的从外至内的顺序。只有该皮肤表层的跳动的动脉血(pulsatilearterial blood)是在光通过组织和血管时的脉动成分。其他，如剩余的动脉血、静脉血、骨头、肌肉结缔组织等都为非脉动成分。只有该脉动成分随着时间流逝会出现光衰减的波动变化，而非脉动成分则不会出现光衰减的波动变化。
50.可以看出，只有该第一条实线随着时间的变化出现上下波动，在测量过程中，以该第一条实线的波峰位置的纵坐标至波谷位置的纵坐标之间的差值作为光信号的交流(alternating current，ac)量。以该第一条实线的波谷位置的纵坐标为光信号的直流(direct current，dc)量。
51.在本技术中，涉及的光电数据可以包含两种(含两种)以上光信号的光电数据，可以采用上述方法分别获取两种(含两种)以上光信号的交流量和直流量。本技术提供的血氧数据处理方法可以采用红光灯管和红外光灯管来发射检测光线，或者采用红光灯管、红外光灯管和绿光灯管来发射检测光线。在近红外光区，由水、细胞色素等物质引起的光衰减，与由脱氧血红蛋白和氧合血红蛋白引起的光衰减相比要小得多。因此，选择波长位于近红外光区的红光和红外光两种光束探测组织时，可以大大减小其他物质对光的影响，只反映脱氧血红蛋白和氧和氧合血红蛋白吸收光的影响，通过三种反射光数据可以分析得到该血氧饱和度特征值。所以，本技术中，涉及的光电数据具体可以包括红外光数据、红光数据和绿光数据，而其中的红外光数据包括红外光交流量(ac
ir
)和红外光直流量(dc
ir
)，红光数据包括红光交流量(ac
red
)和红光直流量(dc
red
)、绿光数据包括绿光交流量(ac
green
)、绿光直流量(dc
green
)等。
52.本技术提供了一种血氧数据处理方法，包括训练过程、拟合参数确定过程和血氧饱和度的获取过程，此外，本技术还提供了与上述方法相对应的系统，以及相对应的装置。以下内容将围绕本技术提供的血氧检测装置与电子设备的系统、血氧数据的训练方法流程、血氧数据处理的装置以及血氧数据的预测方法流程这4个部分，分为abcd四个点，分别进行陈述：
53.a.血氧检测装置与电子设备的系统。
54.请参见图2，图2提供了一种血氧检测装置与电子设备的交互示意图。其中，图2所示例的该血氧检测装置110可以为智能手表，该血氧检测装置110还可以为指压式血氧仪、耳夹式血氧仪等可以检测血氧的装置或设备。该电子设备120可以为服务器设备、计算机设备等具有数据处理能力的电子设备。该血氧检测装置110可以与该电子设备120进行交互。具体的，该血氧检测装置110可以采集用户的训练样本数据。该血氧检测装置110可以通过蓝牙、蜂窝通信，近场通信、光纤网络、无线网络等方式与该电子设备120进行交互。该电子设备120用于计算血氧饱和度特征值在不同类别对应的拟合系数。
55.更进一步的，请参见图3，图3提供了一种血氧检测装置与电子设备的交互系统图。图中3包含血氧检测装置110，电子设备120。
56.该血氧检测装置110可包含采集模块111，该采集模块111可用于采集用户的光电数据。
57.可选的，该血氧检测装置110还可以包含计算模块112。该计算模块112可以用于根据该光电数据计算血氧饱和度特征值，以及血氧饱和度。需要说明的是，该计算模块112并不是必须的，也就是说该血氧检测装置110中可以设置该计算模块112，也可以不设置该计
算模块112。
58.需要指出的是，该通信模块113可以向电子设备120发送训练样本数据。若该血氧检测装置110中设置有该计算模块112，则该通信模块113向电子设备120发送的训练样本数据可以包括光电数据、血氧饱和度特征值和血氧饱和度。
59.若该血氧检测装置110中未设置该计算模块112，则该血氧检测装置110中可以没有根据该光电数据计算血氧饱和度特征值，以及血氧饱和度的过程。那么该通信模块113向该电子设备120发送的训练样本数据中，可以只包含该光电数据。
60.该电子设备120可以包括获取模块121、数据处理模块122。若该电子设备120中，该获取模块121获取到的训练样本数据仅包含光电数据，则该数据处理模块122先根据该光电数据计算血氧饱和度特征，以及血氧饱和度。然后执行后续数据处理步骤。
61.若该获取模块121获取到的训练样本数据包含光电数据、血氧饱和度特征值、以及血氧饱和度。则该数据处理模块122直接执行后续处理步骤，该后续处理步骤可以包括：该数据处理模块122先根据血氧饱和度的范围，将该训练样本数据分为n个类别，n为大于2的整数。然后根据所述n个类别的所述训练样本数据建立多分类模型，并确定该多分类模型的多分类系数。进一步，该数据处理模块122还可以对不同类别的所述训练样本数据进行血氧饱和度特征拟合，进而分别得到所述不同类别对应的拟合系数。
62.图2和图3所示的实施方式中，都以单独的血氧检测装置与电子设备交互为例。需要指出的是，该单独的血氧检测装置也可以采集一个用户的样本数据作为训练样本数据，也可以采集不同用户的样本数据，作为训练样本数据，此处不做限制。可能人与人之间的血氧饱和度数值或者血氧饱和度范围会存在一些差别，若根据单独一个用户的样本数据作为训练数据，可以使得最终的训练结果更加贴近该用户自身的实际情况，起到量身定做的效果。若采集不同用户的样本数据，作为训练样本数据，则可以综合不同用户的情况，最终得到一个比较普适性的训练结果，可以适应于大部分用户。
63.在实际的血氧数据训练的过程中，该交互场景可以为多个血氧检测装置与电子设备进行交互。请参见图4。该交互系统中，可以包含多个血氧检测装置。如图4，包含血氧检测装置101-1，血氧检测装置101-2
……
血氧检测装置101-n。其中，该血氧检测装置不限制数量。图4中，以该血氧检测装置101-1为指压式血氧仪，血氧检测装置101-2为穿戴式智能手表为例。实际上，该血氧检测装置101-1至血氧检测装置101-n可以为指压式血氧仪、耳夹式血氧仪等任意可以检测血氧的血氧检测装置，此处不做限制。
64.b.血氧数据的训练方法流程。
65.图5提供了一种血氧数据处理方法流程图。该方法流程图中各个处理步骤对应的功能模块请参见图2与图3所示的血氧检测装置与电子设备的交互图。请参见图5，该方法包括：
66.s210、血氧检测装置采集光电数据，所述光电数据包括红外光数据和红光数据。
67.血氧装置采集光电数据作为光电数据，如前述，本技术实施例包括建立几种多分类模型的方式，这里是建立第一多分类模型的过程，该光电数据包括红外光数据和红光数据，所述红外光数据包括红外光交流量(ac
ir
)和红外光直流量(dc
ir
)，所述红光数据包括红光交流量(ac
red
)和红光直流量(dc
red
)。参见前述描述，该获取光电数据的过程，可以通过分别获取红外光、红光对于皮肤表层的跳动的动脉血(pulsatile arterial blood)的光衰减
变化曲线中波峰位置与波谷位置。然后分别根据该红外光，红光对应的波峰位置与波谷位置确定红外光交流量、红外光直流量、红光交流量与红光直流量。
68.需要说明的是，在获取该红外光，以及红光对应的跳动的动脉血的光衰减变化曲线(指图1中纵坐标自上而下的第一条实线)之后，可以通过若样条插值，分别对滤波之后的波峰和波谷位置相应的数据进行插值计算，可以得到该反射光数据的上包络曲线与下包络曲线。该上包络曲线与下包络曲线纵坐标之间的差值可以作为该光信号的交流量。该下包络曲线的纵坐标可以作为该光信号的直流量。该滤波过程可以包括卡尔曼滤波、高通滤波或低通滤波等，此处不做限制。
69.s220、血氧检测装置根据红外光数据和红光数据，计算血氧饱和度特征值与血氧饱和度。
70.如图3所示，若该血氧检测装置110中包含计算模块112时，该血氧检测装置可以执行计算操作，具体参见如下：
71.第一步，该血氧检测装置可以根据该光电数据计算出血氧饱和度计算特征值，将该血氧饱和度计算特征值作为血氧饱和度特征值。该血氧饱和度计算特征值，具体的，该计算公式如下：
72.其中，r表示血氧饱和度特征值，ac
red
表示红光交流量，dc
red
表示红光直流量，ac
ir
表示红外光交流量、dc
ir
表示红外光直流量。
73.第二步，该血氧检测装置可以计算该血氧饱和度。
74.血氧饱和度计算公式为：其中as，bs为经验常数，w1与w2分别为两种光信号在组织中的变化率，spo2为血氧饱和度。
75.光信号在组织中的变化率的计算公式为：w＝ac/dc，其中，ac为光信号的交流量，dc为光信号的直流量。
76.那么该血氧饱和度计算公式可以改写为：
77.上式是作为血氧饱和度测量的线性关系的经验公式，而在实际应用中，考虑到作为光源的发光二极管的个体差别以及人体生理组织的较大差异等因素，大多数血样检测装置都采用经验化的计算公式，通过对双波长光强变化和血氧饱和度之间的相关分析产生了二次函数关系的经验公式，该血氧饱和度测量公式可表示为：
[0078][0079]
式中，a，b，c为经验常数。
[0080]
光通过组织和血管时，可分为非脉动成分(如皮肤、肌肉、骨骼、静脉血等)和脉动成分(如动脉血)，可分别获取光信号的直流量和交流量。因此，光强在组织中的变化率即为上述血氧饱和度特征值：即那么，可以将该，该血氧饱和度测量公式进一步可以改写为：
[0081]
spo2＝ar2+br+c
[0082]
其中，该a，b，c是经验常数，而对于特定的血氧检测装置，该经验常数可能会不相同。该血氧检测装置可以根据将第一步中计算出的血氧饱和度特征值r代入上述改写后的血氧饱和度测量公式，从而计算出对应的血氧饱和度。
[0083]
s230、血氧检测装置向电子设备发送训练样本数据。
[0084]
血氧检测装置向电子设备发送训练样本数据。如步骤s220所述，若该血氧检测装置中包含计算模块时，则该血氧检测装置可以根据获取到的光电数据计算得到血氧饱和度特征值和血氧饱和度。该血氧检测装置向该电子设备发送的训练样本数据中，可以包含光电数据、血氧饱和度特征值以及血氧饱和度。
[0085]
若该血氧检测装置中不包含该计算模块，则该血氧检测装置向该电子设备发送的训练样本数据中，可以只包含该光电数据。
[0086]
s240、电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数，并根据不同类别的所述训练样本数据建立机器学习模块，以得到第一多分类模型。
[0087]
如步骤s230所述，若电子设备接收到的训练样本数据中只包含光电数据时，该电子设备可以根据该光电数据计算该血氧饱和度。该计算过程请参见上述步骤s220进行理解，此处不再赘述，然后根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别并建立第一多分类模型。
[0088]
电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别。例如，血氧饱和度在95％～100％为n个类别中的其中一个类别；血氧饱和度在90％～95％为n个类别中的其中一个类，85％～90％为n个类别中的其中一个类；血氧饱和度85％以下为n个类别中的其中一个类等，上述区分标准可以预先设定，这里不做具体限定。
[0089]
电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别之后，并根据不同类别的所述训练样本数据建立第一多分类模型，并确定该第一多分类模型的多分类系数。
[0090]
需要说明的是，该第一多分类模型在预测阶段时，用于将输入的ppg传感器数据区分为不同类别的血氧样本数据，其本质上是一个多分类的问题。
[0091]
在具体实施过程中，该机器学习模型可以采用逻辑回归模型、朴素贝叶斯模型、支持向量机模型、神经网络预测模型等机器学习模型，此处不做限制。以下以神经网络预测模型为例进行说明。统计足够多的r值以及对应的标准设备的血氧值，根据血氧值的范围进行分类打标签，创建训练样本数据。使用神经网络预测模型，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出。网络权值和阈值，即多分类的参数。当监测血氧时，通过训练所得的网络权值和阈值(即多分类参数)，使用神经网络进行类别预测。
[0092]
s250、对不同类别的所述训练样本数据进行血氧饱和度特征拟合，以得到所述不同类别对应的拟合系数。
[0093]
电子设备可分别对不同类别的所述训练样本数据进行血氧饱和度特征拟合，以得到所述不同类别对应的拟合系数。具体的，针对上述步骤s220中所述的血氧饱和度测量公式：
[0094]
spo2＝ar2+br+c
[0095]
其中，r是血氧饱和度特征值，spo2是血氧饱和度。对不同类别的所述训练样本数据进行血氧饱和度特征拟合在于，根据确定的血氧饱和度特征值与该血氧饱和度确定常数a，b，c。
[0096]
具体的，将类别为1的所述训练样本数据的血氧饱和度特征值和血氧饱和度代入上述血氧饱和度测量公式中，从而拟合得到该类别1对应的拟合系数a1，n1，c1。将类别为2的所述训练样本数据的血氧饱和度特征值和血氧饱和度代入上述血氧饱和度测量公式中，从而拟合得到该类别2对应的拟合系数a2，b2，c2，...，将类别为n的所述训练样本数据的血氧保额弧度特征值和血氧饱和度代入上述血氧饱和度测量公式中，从而拟合得到该类别n对应的拟合系数an，bn，cn。
[0097]
至此，可以分别得到不同类别的所述训练样本数据对应的拟合系数。
[0098]
本技术提供了一种多分类模型的建立过程和拟合系数的确定过程，可以将所述训练样本数据分为n个类别。然后分别进行血氧饱和度特征拟合，从而得到不同类别的所述训练样本数据对应的拟合系数。之后可以分别通过该不同类别的所述训练样本数据对应的拟合系数，分别对不同类别的所述训练样本数据进行血氧饱和度的预测。这样将不同类别的数据区分开来预测可以提高预测准确率。
[0099]
需要说明的是，上述例子是以建立第一多分类模型为例，再建立第二多分类模型、第三多分类模型和第四多分类时可以此类推，区别在于，光电数据的不同的、计算该血氧饱和度特征值和血氧饱和度的计算方式不同，下面分别描述。
[0100]
在一实施例中，提供了一种血氧数据处理方法，该方法包括：
[0101]
s210a、血氧检测装置采集光电数据，所述光电数据包括红外光数据、红光数据和绿光数据。
[0102]
血氧装置采集光电数据作为光电数据，如前述，本技术实施例包括建立几种多分类模型的方式，这里是建立第二多分类模型的过程，该光电数据包括红外光数据、红光数据和绿光数据，所述红外光数据包括红外光交流量和红外光直流量，所述红光数据包括红光交流量和红光直流量，所述绿光数据至少包括绿光信号的绿光交流量、绿光直流量、波峰间隔、上包络和下包络，该获取光电数据的过程，可参阅描述。
[0103]
s220a、血氧检测装置根据红外光数据、红光数据和绿光数据，计算血氧饱和度特征值，再根据血氧饱和度特征值计算血氧饱和度。
[0104]
该步骤s220a中，血氧检测装置根据红外光数据、红光数据和绿光数据，直接计算血氧饱和度特征值与血氧饱和度。而根据血氧饱和度特征值计算血氧饱和度的过程可参阅前述，不同的地方在于血氧饱和度特征值是根据红外光数据、红光数据和绿光数据，直接计算得到。
[0105]
s230a、血氧检测装置向电子设备发送训练样本数据。
[0106]
血氧检测装置向电子设备发送训练样本数据。如步骤s220a所述，若该血氧检测装置中包含计算模块时，则该血氧检测装置可以根据获取到红外光数据、红光数据和绿光数据，计算得到血氧饱和度特征值和血氧饱和度。该血氧检测装置向该电子设备发送的训练样本数据中，可以包含红外光数据、红光数据和绿光数据、血氧饱和度特征值以及血氧饱和度。
[0107]
若该血氧检测装置中不包含该计算模块，则该血氧检测装置向该电子设备发送的训练样本数据中，可以只包含该红外光数据、红光数据和绿光数据。
[0108]
s240a、电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数，并根据不同类别的所述训练样本数据建立机器学习模块，以得到第二多分类模型。
[0109]
如步骤s230a所述，若电子设备接收到的训练样本数据中只包含红外光数据、红光数据和绿光数据时，该电子设备可以根据该红外光数据、红光数据和绿光数据计算该血氧饱和度。该计算过程请参见上述步骤s220a进行理解，此处不再赘述，然后根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别和建立第二多分类模型。
[0110]
电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别之后，并根据不同类别的所述训练样本数据建立第二多分类模型，并确定该第二多分类模型的多分类系数。同理，在具体实施过程中，该机器学习模型可以采用逻辑回归模型、朴素贝叶斯模型、支持向量机模型等机器学习模型，此处不做限制。以下以神经网络预测模型为例进行说明。统计足够多的r值以及对应的标准设备的血氧值，根据血氧值的范围进行分类打标签，创建训练样本数据。使用神经网络预测模型，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出。网络权值和阈值，即多分类的参数。当监测血氧时，通过训练所得的网络权值和阈值(即多分类参数)，使用神经网络进行类别预测。
[0111]
在一实施例中，提供了一种血氧数据处理方法，该方法包括：
[0112]
s210b、血氧检测装置采集光电数据，所述光电数据包括红外光数据、红光数据和绿光数据。
[0113]
血氧装置采集光电数据作为光电数据，如前述，本技术实施例包括建立几种多分类模型的方式，这里是建立第三种多分类模型的过程，该光电数据包括红外光数据、红光数据和绿光数据，所述红外光数据包括红外光交流量和红外光直流量，所述红光数据包括红光交流量和红光直流量，所述绿光数据至少包括绿光信号的绿光交流量、绿光直流量、波峰间隔、上包络和下包络，该获取光电数据的过程，可参阅描述。
[0114]
s220b、血氧检测装置根据红外光数据和红光数据，计算血氧饱和度计算特征值，并用所述绿光数据对计算出的所述血氧饱和度计算特征值进行校准，得到所述血氧饱和度特征值，再根据校准得到的血氧饱和度特征值计算血氧饱和度。
[0115]
该步骤s220b中，血氧检测装置显示根据红外光数据和红光数据直接计算血氧饱和度计算特征值。而根据血氧饱和度特征值计算血氧饱和度的过程可参阅前述，不同的地方在于血氧饱和度特征值是利用绿光数据，对血氧饱和度特征值校准后得到。
[0116]
s230b、血氧检测装置向电子设备发送训练样本数据。
[0117]
血氧检测装置向电子设备发送训练样本数据。如步骤s220b所述，若该血氧检测装置中包含计算模块时，则该血氧检测装置可以根据获取到红外光数据、红光数据和绿光数据，计算得到血氧饱和度特征值和血氧饱和度。该血氧检测装置向该电子设备发送的训练样本数据中，可以包含红外光数据、红光数据和绿光数据、血氧饱和度特征值以及血氧饱和度。
[0118]
若该血氧检测装置中不包含该计算模块，则该血氧检测装置向该电子设备发送的训练样本数据中，可以只包含该红外光数据、红光数据和绿光数据。
[0119]
s240b、电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数，并根据不同类别的所述训练样本数据建立机器学习模块，以得到第三多分类模型。
[0120]
如步骤s230b所述，若电子设备接收到的训练样本数据中只包含红外光数据、红光数据和绿光数据时，该电子设备可以根据该红外光数据、红光数据和绿光数据计算该血氧饱和度。该计算过程请参见上述步骤s220a进行理解，此处不再赘述，然后根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别和建立第三多分类模型。
[0121]
电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别之后，并根据不同类别的所述训练样本数据建立第三多分类模型，并确定该第三多分类模型的多分类系数。同理，在具体实施过程中，该机器学习模型可以采用逻辑回归模型、朴素贝叶斯模型、支持向量机模型等机器学习模型，此处不做限制。以下以神经网络预测模型为例进行说明。统计足够多的r值以及对应的标准设备的血氧值，根据血氧值的范围进行分类打标签，创建训练样本数据。使用神经网络预测模型，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出。网络权值和阈值，即多分类的参数。当监测血氧时，通过训练所得的网络权值和阈值(即多分类参数)，使用神经网络进行类别预测。
[0122]
在一实施例中，提供了一种血氧数据处理方法，该方法包括：
[0123]
s210c、血氧检测装置采集光电数据，所述光电数据包括红外光数据、红光数据和绿光数据。
[0124]
血氧装置采集光电数据作为光电数据，如前述，本技术实施例包括建立几种多分类模型的方式，这里是建立第四种多分类模型的过程，该光电数据包括红外光数据、红光数据和绿光数据，所述红外光数据包括红外光交流量和红外光直流量，所述红光数据包括红光交流量和红光直流量，所述绿光数据至少包括绿光信号的绿光交流量、绿光直流量、波峰间隔、上包络和下包络，该获取光电数据的过程，可参阅描述。
[0125]
s220c、血氧检测装置根据所述红外光数据和红光数据计算出血氧饱和度计算特征值，将所述血氧饱和度计算特征值作为所述血氧饱和度特征值，再根据所述血氧饱和度特征值计算血氧饱和度。
[0126]
该步骤s220c中，血氧检测装置显示根据红外光数据和红光数据直接计算血氧饱和度计算特征值作为血氧饱和度特征值。而根据血氧饱和度特征值计算血氧饱和度的过程可参阅前述。
[0127]
s230c、血氧检测装置向电子设备发送训练样本数据。
[0128]
血氧检测装置向电子设备发送训练样本数据。如步骤s220b所述，若该血氧检测装置中包含计算模块时，则该血氧检测装置可以根据获取到红外光数据、红光数据和绿光数据，通过步骤s22b所述的计算得到血氧饱和度特征值和血氧饱和度。该血氧检测装置向该电子设备发送的训练样本数据中，可以包含绿光数据、血氧饱和度特征值以及血氧饱和度。
[0129]
若该血氧检测装置中不包含该计算模块，则该血氧检测装置向该电子设备发送的训练样本数据中，可以只包含该红外光数据、红光数据和绿光数据。
[0130]
s240c、电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别，其中，n为大于2的整数，并根据不同类别的所述训练样本数据建立机器学习模块，以得到第四多分类模型。
[0131]
如步骤s230c所述，若电子设备接收到的训练样本数据中只包含红外光数据、红光数据和绿光数据时，该电子设备可以根据该红外光数据、红光数据计算该血氧饱和度和血氧饱和度特征值。该计算过程请参见上述步骤s220c进行理解，此处不再赘述，然后根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别和建立第四多分类模型。
[0132]
电子设备根据所述血氧饱和度的范围，将所述训练样本数据分为n个类别之后，并根据不同类别的所述训练样本数据建立第四多分类模型，并确定该第四多分类模型的多分类系数。同理，在具体实施过程中，该机器学习模型可以采用逻辑回归模型、朴素贝叶斯模型、支持向量机模型、神经网络预测模型等机器学习模型，此处不做限制。以下以神经网络预测模型为例进行说明。统计足够多的r值以及对应的标准设备的血氧值，根据血氧值的范围进行分类打标签，创建训练样本数据。使用神经网络预测模型，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出。网络权值和阈值，即多分类的参数。当监测血氧时，通过训练所得的网络权值和阈值(即多分类参数)，使用神经网络进行类别预测。
[0133]
需要说明的是，在建立第二-第四多分类模型时，对应的训练样本数据的拟合参数过程与第一多分类模型对应的训练样本数据的拟合参数过程类似，如前述步骤s250，只是拟合过程采用的血氧饱和度特征值有所差异，这里不展开描述。
[0134]
在一实施例中，提供了一种血氧数据处理方法，应用于可穿戴设备，该方法包括：
[0135]
s103：获取ppg传感器数据，所述ppg传感器数据包括目标光电数据。
[0136]
在s103中，获取ppg传感器数据为通过可穿戴传感器上的传感器对用户手腕进行扫描得到的。
[0137]
s104：根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，所述类别为n个类别中的其中一个，n为大于2的整数。
[0138]
s105：根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
[0139]
对于s03和s104，对于每一个血氧饱和度特征值，其所属的类别，以及所述类别对应的拟合系数已经在电子设备确定。因此，在s105中，可穿戴设备可根据ppg传感器数据中的目标光电数据，计算血氧饱和度特征值，然后根据血氧饱和度特征值确定所述类别，例如为类别2，类别2对应的拟合系数为a2，n2，c2。最后根据拟合系数为a2，b2，c2和血氧饱和度特征值，计算得到用户的血氧饱和度。
[0140]
作为本发明的一个优选实施例，s104中的血氧饱和度特征值为校准后的值。
[0141]
具体地，在根据所述目标光电数据，在s104之前还包括：
[0142]
s101：通过血氧检测装置获取手指信号。
[0143]
s102：根据所述手指信号，确定第一血氧饱和度计算特征值。
[0144]
对于s102，第一种实现方式：根据所述手指信号，获取手指血氧饱和度；基于所述手指血氧饱和度以及拟合系数，确定所述第一血氧饱和度计算特征值。在公式spo2＝ar2+br+c中，手指血氧饱和度以及拟合系数是已知的，第一血氧饱和度计算特征值可唯一确定。这种方式实际上是利用手指相比于手腕，手指具有较多的毛细血管、较薄的皮肤以及较少的毛发，能够获得更加精准的生物信息，换句话说，根据手指信号获取的手指血氧饱和度更为精确。
[0145]
可以理解的是，本实施例是为了使用根据手指信号确定更为准确的第一血氧饱和度计算特征值，并基于该第一血氧饱和度计算特征值对通过手腕测得的血氧饱和度计算特征值进行校准。
[0146]
第二种实现方式：基于所述手指信号，根据公式计算所述第一血氧饱和度计算特征值。
[0147]
需要说明的是，在上述第一种或者第二种方式中，在获取手指信号时的环境与获取手腕ppg传感器数据时的环境基本一样，例如先用户通过佩戴可穿戴设备，可穿戴设备通过传感器获取手腕的ppg传感器数据，一分钟后，用户将可穿戴设备摘下，并把手指覆盖可穿戴设备底壁的传感器。
[0148]
为了进一步保证手指信号和手腕的ppg传感器数据获取所处环境的一致性，对可穿戴设备的构造进行了改进。
[0149]
参考图6，可穿戴设100底壳10内设置有用于生物信息检测的第一光学传感器151以及第二光学传感器152；可穿戴设备10的底壁11开设有与所述第一光学传感器151对应的第一窗口13，可穿戴设备100的侧壁12开设有与所述第二光学传感器152对应的第二窗口14，所述第二窗口14用于在其上覆盖手指以获取手指信号。第一光学传感器151可用于日常生物信息的持续测量，例如心率测量；第二光学传感器152可用于需要对信号精度要求较高的生物信息(血氧、血压等)的测量。可以将手指覆盖第二窗口14，以通过第二光学传感器152采集生物信息，由于手指具有较多的毛细血管、较薄的皮肤以及较少的毛发，能够获得更加精准的生物信息。
[0150]
在本实施例中，第二发射窗口141具有2个，其中一个第二发射窗口141内可以配置红光及红外光led，另一第二发射窗口141内可以配置绿光led，第二接收窗口142内可以配置光电二极管。
[0151]
其中，第一光学传感器151以及第二光学传感器152可分别包括多个光源以及光电检测器，第一窗口13包括第一发射窗口131、第二发射窗口133以及第一接收窗口132，第二窗口14包括第二发射窗口141以及第二接收窗口142。并且，第二发射窗口141以及第二接收窗口142呈一字型沿侧壁12的延伸方向设置。从而便于用户将手指覆盖全部的第二发射窗口141以及第二接收窗口142。其中，表带30，智能手表100的底壁11，底壳10包括底壁11以及侧壁12。
[0152]
在上述s101和s102对应实施例的基础上，s104包括：
[0153]
s1041：根据所述红外光数据和红光数据计算出第二血氧饱和度计算特征值。
[0154]
s1042：用所述第一血氧饱和度计算特征值对计算出的第二血氧饱和度计算特征值进行校准，确定校准参数δr，得到校准后血氧饱和度特征值。
[0155]
s1043：将所述校准后血氧饱和度特征值输入预先训练的第一多分类模型，得到所述血氧饱和度特征值所属的类别。
[0156]
在本发明实施例中，首先能够使得校准后血氧饱和度特征值更接近于真实值，对应地，校准后血氧饱和度特征所属的类别就更为精确。
[0157]
例如，血氧饱和度在95％～100％为n个类别中的其中一个类别；血氧饱和度在90％～95％为n个类别中的其中一个类，85％～90％为n个类别中的其中一个类；血氧饱和
度85％以下为n个类别中的其中一个类。那么在临界血氧饱和度95％、90％和85％的判断就比较关键，本实施例的方案可以很好的解决这个问题，使得分类更为准确，从而使得在s105中匹配更为适合的拟合系数，最终计算出来的血氧饱和度更贴近真实值。
[0158]
需要说明的是，上述各个实施例中，是采用反射法确定血氧饱和度的，而实际中，获取该血氧饱和度可以是应用投射法进行获取的，例如，以步骤s210与步骤s220中为例，在一实施例中，若该血氧装置为指夹式血氧仪或耳夹式血氧仪，可以采用投射法确定该血氧饱和度。具体的，请参见图7，该血氧检测装置确定血氧饱和度的过程还可以包括：
[0159]
s310、血氧检测装置采集光电数据，该光电数据包括红外光数据和红光数据。
[0160]
该血氧检测装置采集光电数据的步骤可以参见上述步骤s210进行理解。
[0161]
s320、血氧检测装置根据红外光数据和红光数据计算血氧饱和度特征值。
[0162]
血氧检测装置根据红外光数据和红光数据，直接计算血氧特征值的步骤可以参见步骤可以参见上述步骤s220中的第一步进行理解。当光电数据包括红外光数据、红光数据和绿光数据时，计算血氧特征值的步骤也可对饮参阅前述实施例理解。
[0163]
s330、确定血氧饱和特征值从血氧对照表中确定对应的血氧饱和度。
[0164]
确定血氧特征值从血氧对照表中确定对应的血氧饱和度。需要说明的是，由于通过反射法测量的人体部位组织较薄，测量误差较小，可以在预先存储的血氧对照表中，根据该对应的血氧特征值查询对应的血氧饱和度。其中该血氧对照表是预先存储的，该血氧对照表包含血氧特征值与血氧饱和度的对应关系。
[0165]
c.血氧数据处理的装置。
[0166]
在上述血氧数据处理方法中确定的述类别对应的拟合系数之后。本技术还提供了一种血氧数据处理的装置，用于对血氧饱和度进行预测。该血氧数据处理的装置上部署有上述实施例中建立的机器学习模型，不同类别对应的拟合系数。该血氧数据处理的装置可以为穿戴设备，如手环、手表等。该血氧数据处理的装置用于根据目标光电数据预测血氧饱和度，请参见图8，该血氧数据处理的装置包括：
[0167]
采集模块410，用于获取用户的ppg传感器数据，该ppg传感器数据包括目标光电数据。具体的，该目标光电数据可以包括红外光数据和红光数据，或者所述目标光电数据包括红外光数据、红光数据和绿光数据。
[0168]
处理模块420，用于处理模块，用于根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，所述类别为n个类别中的其中一个，n为大于2的整数；还用于根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
[0169]
d.血氧数据的预测方法流程。
[0170]
基于上述血氧数据预测的装置，本技术提供了一种血氧数据的预测方法，该方法用于预测血氧饱和度。该方法可以应用于可以为穿戴设备，如手环、手表等。请参见图9，该方法包括：
[0171]
s510、获取ppg传感器数据，所述ppg传感器数据包括目标光电数据。
[0172]
获取用户的ppg传感器数据。其中，该ppg传感器数据包括目标光电数据。该目标光电数据可以包括红外光数据和红光数据，或者所述目标光电数据包括红外光数据、红光数据和绿光数据，其中，红外光数据包括红外光交流量和红外光直流量，红光数据包括红光交
流量和红光直流量，绿光数据至少包括绿光交流量、绿光直流量、波峰间隔、上包络和下包络。
[0173]
需要说明的是，在获取到该目标光电数据之后，可以基于该目标光电数据做如下处理：根据该目标光电数据，识别该穿戴设备是否处于穿戴状态，当所述可穿戴设备处于穿戴状态时，触发所述用户的血氧饱和度的获取流程。
[0174]
由于本方案中采用的红光二极管和红外光二极管发射的光信号波长位于近红外光区，该近红外区光信号的红光和红外光的波长都是在一定范围之内的。当该穿戴设备被佩戴时，该穿戴设备中的红光二极管、红外光二极管与光接收传感器和用户皮肤是比较贴近的，该光接收传感器接收到环境光比较少。因此，该穿戴设备中光接收传感器接收到的反射光的波长大部分是在近红外区的波长范围之内的。而且该穿戴设备在佩戴状态下该穿戴设备接收到的反射光的光照强度也是在一个相对较窄，固定的光强区间的。
[0175]
而当该穿戴设备未被穿戴时，该穿戴设备可能会接收到环境中的光较多。而且该红外光二极管、红光二极管发射的光可能未被反射，该光接收传感器可能接收该红外光二极管和红光二极管发射的红外光与红光相对较少，而接收到环境中的光相对较多。所以，通过判断光接收传感器接收的反射光线中，波长处于该近红外区的光线的比例是否在设定比例范围内，以及判断光接收传感器的接收光的光照强度是否在固定的光强区间内，就可以判断该穿戴设备是否处于佩戴状态。
[0176]
若该穿戴设备未处于穿戴状态，则不进行后续处理，可以提醒用户该穿戴设备为被穿戴。
[0177]
需要说明的是，该目标光电数据可以指的是直接读取的光电数据，该读取的光电数据指的是直接从光电传感器采集得到的光电数据，也可以是指对直接读取的光电数据进行处理后得到的，如下：
[0178]
对读取的光电数据进行滤波处理，得到预处理光电数据，从所述预处理光电数据中，过滤出有效的光电数据作为所述目标光电数据。
[0179]
对读取的光电数据进行滤波处理。具体的，可以采用卡尔曼滤波、高通滤波或低通滤波，或者通过有限冲激响应(fir)滤波和无限冲激响应(iir)滤波等。通过滤波可以从准确的从该光电数据中得到波峰和波谷的位置，可以使得最终获取到的红外光交流量、红外光直流量、红光交流量、红光直流量更加准确，或者，使得最终获取到的红外光交流量、红外光直流量、红光交流量、红光直流量、绿光交流量和绿光直流量更加准确。
[0180]
需要说明的是，也可以不先进行滤波，直接从读取的光电数据中，过滤出有效的光电数据作为所述目标光电数据。这里以从所述预处理光电数据中，过滤出有效的光电数据作为所述目标光电数据为例进行说明，从所述预处理光电数据中，过滤出有效的光电数据作为所述目标光电数据，具体可以包括：根据预处理光电数据的变化特征、重力加速度的变化特征，以及预处理光电数据的频域特征中的至少一项确定预处理光电数据的信号质量。
[0181]
根据所述预处理光电数据的变化特征、重力加速度的变化特征，以及所述预处理光电数据的频域特征中的至少一项确定所述预处理光电数据的信号质量。
[0182]
第一，根据该预处理光电数据的变化特征确定预处理光电数据的信号质量。
[0183]
该预处理光电数据的变化特征可以包括该红外光交流量、红外光直流量、红光交流量和红光直流量的变化特征。请继续参见图1，该跳动的动脉血随着时间的光衰减可以呈
现出一条上下波动的曲线。光信号的交流量、光信号的直流量是根据该曲线的波峰与波谷确定的。一般来说，该曲线的波峰位置和波谷位置都是位于一定正常范围之内的。如果说用户在运动状态下佩戴穿戴设备，随着用户运动，该穿戴设备中，二极管与皮肤接触位置不断变化，甚至与用户的皮肤位置相脱离。这样，相当于该光信号的衰减还包括了在该发光二极管与皮肤之间的空气中的光衰减，从而导致该跳动的动脉血随着时间的光衰减的波峰位置，和波谷位置可能会距离正常的范围差距较大。那么确定的红外光交流量、红外光直流量、红光交流量、红光直流量、绿光交流量和绿光直流量可能会不准确。
[0184]
所以，根据预处理光电数据的变化特征确定预处理光电数据的信号质量可以包括：在获取到一段时间的多个光信号随着光衰减的波峰位置和波谷位置之后，确定该多个波峰位置与波谷位置中在正常范围之内的比例，若在正常范围内的比例小于特定的阈值，则说明这一段时间内的预处理光电数据的信号质量较差，则可以滤除该时间范围内不在正常范围内的波峰位置与波谷位置，根据在正常范围内的波峰位置与波谷位置确定该红外光交流量、红外光直流量、红光交流量和红光直流量。或者，直接舍弃该光电数据信号质量较差的预处理光电数据。继续监测光信号的衰减变化，当确定多个波峰位置与波谷位置在正常范围之内时，再根据在正常范围之内的波峰位置与波谷位置确定该红外光交流量、红外光直流量、红光交流量、红光直流量、绿光交流量和绿光直流量。
[0185]
第二，根据重力加速度计的变化特征确定预处理光电数据的信号质量。
[0186]
穿戴设备上可以搭载有测量加速度的传感器。示例性的，可以为三陀螺仪、六轴陀螺仪等，此处不做限制。以三轴陀螺仪为例，该三轴陀螺仪可以测量x轴、y轴、z轴的加速度，其中z轴加速度可以反映用户的运动情况。当用户在运动过程中，重心可能会不断上下移动，因此该三轴陀螺仪的z轴加速度测量值在短时间内会发生变化。由于用户运动过程中，对于血氧会有一定的消耗，可能本身血氧饱和度正常的用户，在运动过程中会被测量为低氧，那就会造成误判。因此，当三轴陀螺仪的z轴加速度测量值在短时间内发生多次变化时，则可以判断该段时间内光线数据的信号质量较差，不适于进行血氧测量。可以等到该z轴加速度测量值在短时间较为稳定时再进行测量。
[0187]
第三，根据预处理光电数据的频域特征确定预处理光电数据的信号质量。
[0188]
光电数据的频域特征具体可以包括该红光的频域特征，、红外光的频域特征和绿光的频域特征。该红光与红外光都位于近红外区，其频域是位于特定频域区间的。若穿戴设备中的光接收传感器接收到的光信号中，频域在该特定频域区间之外的光信号占比超过设定比例，则说明该段时间内的光电数据的信号质量较差。那么该穿戴设备可以采用该光接收传感器接收到的光信号中，频域在该特定频域区间之外的光信号占比小于或等于设定比例的情况下进行血氧测量。
[0189]
需要说明的是，在实际实施中，可以根据上述预处理光电数据的变化特征、重力加速度的变化特征，以及光电数据的频域特征中的任意一项或多项确定预处理光电数据的信号质量，此处不做限制。
[0190]
在通过上述处理之后，目标光电数据是有效的光电数据，包括有效的红外光交流量(ac
ir
)、红外光直流量(dc
ir
)、红光交流量(ac
red
)、红光直流量(dc
red
)、绿光交流量(ac
green
)、红光直流量(dc
green
)。可以计算该用户的ppg传感器数据对应的血氧饱和度特征
值。具体的，该血氧饱和度特征值可以根据如下公式进行计算：值。具体的，该血氧饱和度特征值可以根据如下公式进行计算：
[0191]
s520、根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别。
[0192]
需要说明的是，依据目标光电数据的不同，有如下几种处理方式：
[0193]
第一种，所述目标光电数据包括红外光数据和红光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据和红光数据计算出血氧饱和度计算特征值，将所述血氧饱和度计算特征值作为所述血氧饱和度特征值；将所述血氧饱和度特征值输入预先训练的第一多分类模型，得到所述血氧饱和度特征值所属的类别。
[0194]
第二种，所述目标光电数据包括红外光数据、红光数据和绿光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据、红光数据和绿光数据，计算所述血氧饱和度特征值；将所述血氧饱和度特征值输入预先训练的第二多分类模型，得到所述血氧饱和度特征值所属的类别。
[0195]
第三种，所述目标光电数据包括红外光数据、红光数据和绿光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据和红光数据计算出血氧饱和度计算特征值，并用所述绿光数据对计算出的所述血氧饱和度计算特征值进行校准，得到所述血氧饱和度特征值；将所述血氧饱和度特征值输入预先训练的第三多分类模型，得到所述血氧饱和度特征值所属的类别。
[0196]
第四种，所述目标光电数据包括红外光数据、红光数据和绿光数据，所述根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，包括：根据所述红外光数据和红光数据计算出血氧饱和度计算特征值，将所述血氧饱和度计算特征值作为所述血氧饱和度特征值；将所述绿光数据输入预先训练的第四多分类模型，得到所述血氧饱和度特征值所属的类别。
[0197]
其中，这四种情况下获取的对应的血氧饱和度特征值的过程可参阅前述实施例，这里不重复描述。
[0198]
在步骤s520中，获取到ppg传感器数据对应的血氧饱和度特征值之后，根据该血氧饱和度特征值确定该ppg传感器数据所属的类别，即血氧饱和度特征值所属的类别。
[0199]
s530、根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
[0200]
若步骤s520中，确定该ppg传感器数据对应的类别是类别1，根据预先确定的类别1对应的拟合系数确定用户的血氧饱和度。该类别1对应的拟合系数的确定请参见上述步骤s250。
[0201]
具体的，将该ppg传感器数据的血氧饱和度特征值代入公式：
[0202]
spo2＝a1r2+b1r+c1[0203]
其中，spo2是血氧饱和度，r是血氧饱和度特征值，a1，b1，c1分别为类别1对应的拟合参数，该类别1对应的拟合参数参见上述步骤s250已经确定。将步骤s501中计算得到的血氧饱和度特征值代入该公式，可以计算出用户的血氧饱和度。
[0204]
若步骤s520中，确定该ppg传感器数据对应的类别是类别2，根据预先确定的类别2
对应的拟合系数确定用户的血氧饱和度。该类别2对应的拟合系数的确定请参见上述步骤s250。
[0205]
具体的，将该ppg传感器数据的血氧饱和度特征值代入公式：
[0206]
spo2＝a2r2+b2r+c2[0207]
其中，spo2是血氧饱和度，r是血氧饱和度特征值，a2，b2，c2分别为类别2对应的拟合系数，该类别2对应的拟合系数参见上述步骤s250已经确定。将步骤s501中计算得到的血氧饱和度特征值代入该公式，可以计算出用户的血氧饱和度。
[0208]
本技术提供的这种血氧数据处理方法中，可以先获取ppg传感器数据，所述ppg传感器数据包括目标光电数据；根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别，所述类别为n个类别中的其中一个，n为大于2的整数；根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。这样通过对血氧饱和度特征值进行多分类处理，基于类别对应的拟合系数，然后可以分别对不同范围内的用户的血氧饱和度做拟合补偿，使血氧测量更加准确。
[0209]
需要指出的是，上述血氧数据处理的方法可以应用于穿戴设备，如手环手表等。在应用过程中，该方法可以包括但不限于两种使用场景。第一，点击血氧测量。即用户从该可穿戴设备的图形化界面上点击血氧测量时，对用户的血氧进行测量。第二，全天血氧测量，即全天实时的对用户血氧进行测量。以下分别进行说明：
[0210]
请参见图10，该点击血氧测量方案包括：
[0211]
s610、接收用户的血氧检测请求。
[0212]
接收用户的血氧检测请求。请参见图11，图11提供了一种用户点击血氧测量的场景示意图。该穿戴设备接收用户的血氧检测请求可以为：通过图形化操作界面，获取用户的对该界面上“血氧检测”按钮的点击事件。当用户点击该界面上的“血氧检测”按钮时，开始进行血氧检测。需要说明的是，该用户界面不作为本技术的限制，本方案中的“血氧检测”按钮还可以是其他表现形式，此处不做限制。
[0213]
s620、根据用户血氧检测请求开启光电模块。
[0214]
根据用户血氧检测请求开启光电模块。该光电模块设置于该穿戴设备与用户手腕相贴近的一侧。当用户佩戴该穿戴设备时，该光电模块可以直接发射的光信号可以向用户皮肤组织发射光信号，以及接收经过用户皮肤组织反射的反射光。该光电模块可以包含两种不同波长的光发射模块以及光接收模块。具体可以包含红光灯管和红外光灯管，或者包含红光灯管、红外光灯管和绿光灯管。
[0215]
s630、获取用户的ppg传感器数据，所属ppg传感器数据包括目标光电数据。
[0216]
获取用户的ppg传感器数据。其中，该ppg传感器数据包括目标光电数据。该目标光电数据可以包括红外光数据和红光数据，或者所述目标光电数据包括红外光数据、红光数据和绿光数据，其中，红外光数据包括红外光交流量和红外光直流量，红光数据包括红光交流量和红光直流量，绿光数据至少包括绿光交流量、绿光直流量、波峰间隔、上包络和下包络。具体可以参见上述步骤s510进行理解，此处不再赘述。
[0217]
值得注意的是，当该穿戴设备接收到用户的血氧检测请求时，可以对穿戴设备进行佩戴识别，若该穿戴设备未被穿戴，则不进行后续处理，直接提醒用户该穿戴设备未被穿戴。
[0218]
特别的，当接收到用户的血氧检测请求时，用户有可能不是处于静止状态，则可以根据重力加速度特征对该光电数据的信号质量进行判断。若判断出用户点击血氧检测按钮时，并不是处于静止状态，则可以提醒用户在静止状态下进行血氧检测。
[0219]
s640、根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别。
[0220]
具体请参见步骤s520进行理解，此处不再赘述。
[0221]
s650、根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
[0222]
具体请参见步骤s530进行理解，此处不再赘述。
[0223]
请参见图12，全天血氧测量方案包括：
[0224]
s710、判断用户是否处于静止状态。
[0225]
该全天测量方案可以是不依据用户的血氧检测请求而启动的。只需要检测到用户处于静止状态时就可以启动检测。由于用户运动过程中，对于血氧会有一定的消耗，可能本身是正常的血氧的用户，在运动过程中会被测量为低氧，那就会造成误判。所以首先需要判断用户是否处于静止状态。该判断用户处于静止状态的方式不限定。例如，可以通过用户的重力加速度的变化特征确定用户是否处于静止状态。该确定方式可以参见上述步骤s510进行理解，此处不再赘述。
[0226]
s720、当用户处于静止状态时，开启光电模块。
[0227]
当步骤s710中确定用户处于静止状态时，开启光电模块。该光电模块设置于该穿戴设备与用户手腕相贴近的一侧。当用户佩戴该穿戴设备时，该光电模块可以直接发射的光信号可以向用户皮肤组织发射光信号，以及接收经过用户皮肤组织反射的反射光。该光电模块可以包含两种不同波长的光发射模块以及光接收模块。具体可以包含红光灯管和红外光灯管，或者包含红光灯管、红外光灯管和绿光灯管。。
[0228]
s730、获取用户的ppg传感器数据，所属ppg传感器数据包括目标光电数据。
[0229]
获取用户的ppg传感器数据。其中，该ppg传感器数据包括目标光电数据。该目标光电数据可以包括红外光数据和红光数据，或者所述目标光电数据包括红外光数据、红光数据和绿光数据，其中，红外光数据包括红外光交流量和红外光直流量，红光数据包括红光交流量和红光直流量，绿光数据至少包括绿光交流量、绿光直流量、波峰间隔、上包络和下包络。
[0230]
具体可以参见上述步骤s510进行理解，此处不再赘述。
[0231]
值得注意的是，该穿戴设备还可以对穿戴设备进行佩戴识别，若该穿戴设备未被穿戴，则不进行后续处理，直接提醒用户该穿戴设备未被穿戴。请参见上述步骤s510进行理解，此处不再赘述。
[0232]
s740、根据所述目标光电数据，获取血氧饱和度特征值，并获取所述血氧饱和度特征值所属的类别。
[0233]
判断该ppg传感器数据是常氧样本数据还是低氧样本数据。具体请参见步骤s520进行理解，此处不再赘述。
[0234]
s750、根据所述类别对应的拟合系数和所述血氧饱和度特征值，确定用户的血氧饱和度。
[0235]
若判断ppg传感器数据是低氧样本数据，则根据低氧拟合系数确定用户的血氧饱和度。具体请参见步骤s540进行理解，此处不再赘述。
[0236]
本技术还提供了一种电子设备，请参见图13，该电子设备用于执行上述血氧数据处理方法中提及的模型训练方案或者拟合参数的确定方案，相应的步骤及请参见上述b点进行理解，此处不再赘述。该电子设备800包括处理器810、存储器820、通信模块830及无线定位模块840。该存储器820、处理器810、通信模块830以及无线定位模块840各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
[0237]
其中，存储器820用于存储程序或者数据。该存储器820可以是，但不限于，随机存取存储器(randomaccess memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
[0238]
该处理器810用于读/写存储器820中存储的数据或程序，并执行相应地功能。例如，当存储器820存储的计算机程序被处理器810执行时，可以实现本发明实施例所提供的轨迹优化方法。
[0239]
该通信模块830用于建立电子设备800与其它设备之间的通信连接，并用于收发数据。
[0240]
在本实施例中，该通信模块830可以包括，但不限于，蓝牙模块、蜂窝通信模块等。其中，该电子设备800可通过蓝牙模块与终端设备进行绑定，在电子设备800与终端设备建立绑定关系后，每当电子设备800与终端设备靠近到一定距离后，电子设备800的蓝牙模块就能够与终端设备的蓝牙模块连接，从而建立起电子设备800与终端设备之间的短距离通信通道。在电子设备800的蜂窝通信模块打开后，电子设备800通过该蜂窝通信模块可与网络设备进行远程无线通信。
[0241]
该无线定位模块840用于提供定位服务，便于电子设备800的导航、地图等功能的实现。
[0242]
应当理解的是，图13所示的结构仅为电子设备800的结构示意图，所述电子设备800还可包括比图13中所示更多或者更少的组件，或者具有与图10所示不同的配置。图13中所示的各组件可以采用硬件、软件或其组合实现。
[0243]
请参见图14，本技术还提供了一种穿戴设备100的结构示意图，该穿戴设备100用于执行本技术提供的一种血氧数据处理方法中的血氧饱和度的获取方案，相应的步骤以及有益效果请参见上述进行理解，此处不再赘述。该穿戴设备100可以是智能手表、智能手环等带有显示屏的智能设备。
[0244]
如图14所示，可穿戴设备100可以包括一个或多个处理器101、存储器102、通信模块103、传感器模块104、显示屏105、音频模块106、扬声器107、麦克风108、相机模块109、马达110、按键111、指示器112、电池113、电源管理模块114。这些部件可以通过一条或多条通信总线或信号线来进行通信。
[0245]
处理器101是信息处理、程序运行的最终执行单元，可以运行操作系统或应用程序，以执行可穿戴设备100的各种功能应用以及数据处理。处理器101可以包括一个或多个
处理单元，例如：处理器101可以包括中央处理器(central processing unit，cpu)、图形处理单元(graphics processing unit,gpu)、图像信号处理器(image signal processing，isp)、传感器中枢处理器或通信处理器(central processor，cp)应用处理器(application processor，ap)等等。在一些实施例中，处理器101可以包括一个或多个接口。接口用于将外围设备耦接到处理器101，以传输处理器101与外围设备之间的指令或者数据。在本技术实施例中，处理器101还用于识别加速度传感器和陀螺仪传感器采集的运动数据所对应的目标运动类型，例如，走/跑/骑/游等。具体地，处理器101将接收到的运动数据对应的运动波形特征与目标运动类型对应的运动波形特征作比对，以此来识别运动数据所对应的目标运动类型，处理器101还用于判断在预设时间段内的运动数据是否均满足目标运动类型关联的预设运动强度要求，当判断出运动数据在预设时间段内均满足目标运动类型关联的预设运动强度要求时，处理器101控制开启与目标运动类型关联的传感器组。
[0246]
存储器102可以用于存储计算机可执行程序代码，可执行程序代码包括指令。存储器102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100使用过程中所创建的数据，例如用户每次运动的运动参数，如步数、步幅、配速、心率、血氧、血糖浓度、能量消耗(卡路里)等。存储器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(universal flash storage，ufs)等。在本技术实施例中，存储器102能够存储走、跑、骑、游等目标运动所对应的传感器波形规律特性数据。
[0247]
通信模块103可支持可穿戴设备100通过无线通信技术与网络以及移动终端通信。通信模块103将电信号转换为电磁信号进行发送，或者将接收到的电磁信号转换为电信号。通信模块103可以包括蜂窝移动通信模块、短距离无线通信模块、无线互联网模块、位置信息模块中的一个或者多个。移动通信模块可以基于移动通信的技术标准发送或接收无线信号，可以使用任一移动通信标准或协议，包括但不限于全球移动通信系统(gsm)、码分多址(cdma)、码分多址2000(cdma2000)、宽带cdma(wcdma)、时分同步码分多址(td-scdma)、长期演进(lte)、lte-a(高级长期演进)等。无线互联网模块可以根据无线互联网技术经由通信网络发送或接收无线信号，包括无线lan(wlan)、无线保真(wi-fi)、wi-fi直连、数字生活网络联盟(dlna)、无线宽带(wibro)等。短距离无线通信模块可根据短距离通信技术进行发送或接收无线信号，这些技术包括蓝牙、射频识别(rfid)、红外数据通讯(irda)、超宽带(uwb)、zigbee、近场通信(nfc)、无线保真(wi-fi)、wi-fi直连、无线usb(无线通用串行总线)等。位置信息模块可以基于全球导航卫星系统(gnss)获取可穿戴设备的位置，全球导航卫星系统(gnss)可以包括全球定位系统(gps)、全球卫星导航系统(glonass)、北斗卫星导航系统和伽利略卫星导航系统中的一个或多个。
[0248]
传感器模块104用于测量物理量或检测可穿戴设备100的操作状态。传感器模块104可以包括加速度传感器104a、陀螺仪传感器104b、气压传感器104c、磁传感器104d、生物特征传感器104e、接近传感器104f、环境光传感器104g、触摸传感器104h等。传感器模块104还可以包括控制电路，以用于控制包括在传感器模块104中的一个或多个传感器。
[0249]
其中，加速度传感器104a可检测可穿戴设备100在各个方向上的加速度大小。当可穿戴设备100静止时可检测出重力的大小及方向。还可以用于识别可穿戴设备100的姿态，
应用于横竖屏切换，计步器等应用。在一种实施方式中，加速度传感器104a可以和陀螺仪传感器104b结合起来用于监测用户在运动过程中的步幅、步频及配速等。
[0250]
陀螺仪传感器104b可以用于确定可穿戴设备100的运动姿态。在一些实施例中，可以通过陀螺仪传感器104b确定可穿戴设备100围绕三个轴(即，x，y和z轴)的角速度。
[0251]
气压传感器104c用于测量气压。在一些实施例中，可穿戴设备100通过气压传感器104c测得的气压值计算海拔高度，辅助定位和导航。
[0252]
gps传感器104d可以用于记录用户活动轨迹以确定用户位置。
[0253]
生物特征传感器104e用于测量用户的生理参数，包括但不限于光电容积脉搏波(photoplethysmography，ppg)传感器、ecg传感器、emg传感器、血糖传感器、温度传感器。例如可穿戴设备100可以通过光电容积脉搏波传感器和/或ecg传感器的信号测量用户的心率、血氧、血压数据，基于血糖传感器产生的数据识别用户的血糖值。在本技术实施例中，ppg传感器用于检测用户的心率，具体来讲，ppg传感器在开启之后能够持续检测与用户心率相关的信号数据并传到处理器101，再由处理器101通过心率算法计算出心率值。在本技术实施例中，温度传感器用于检测用户腕部皮肤的第一温度，具体地，温度传感器在开启后能够持续获取用户腕部皮肤的温度数据并传输至处理器101，再由处理器101将温度传感器的电信号数据通过温度算法计算出对应的物理意义的温度值。
[0254]
接近传感器104f用于在没有任何的物理接触时检测可穿戴设备100附近物体的存在。在一些实施例中，接近传感器104f可以包括发光二极管和光检测器。发光二极管可以是红外光，可穿戴设备100使用光检测器检测来自附近物体的反射光。当检测到反射光时，可以确定可穿戴设备100附近有物体。可穿戴设备100可以利用接近传感器104f检测其佩戴状态。
[0255]
环境光传感器104g用于感知环境光亮度。在一些实施例中，可穿戴设备100可以根据感知的环境光亮度自适应调节显示屏亮度，以降低功耗。
[0256]
触摸传感器104h用于检测作用于其上或附近的触摸操作，也称“触控器件”。触摸传感器104h可以设置于显示屏105，由触摸传感器104h与显示屏105组成触摸屏。
[0257]
显示屏105用于显示图形用户界面(user interface，ui)，图形用户界面可以包括图形、文本、图标、视频及其它们的任意组合。显示屏105可以是液晶显示屏(liquid crystal display，液晶显示屏)、有机发光二极管(organic light-emitting diode，oled)显示屏等。当显示屏105是触摸显示屏时，显示屏105能够采集在显示屏105的表面或表面上方的触摸信号，并将该触摸信号作为控制信号输入至处理器101。
[0258]
音频模块106，扬声器107，麦克风108提供用户与可穿戴设备100之间的音频功能等，例如收听音乐或通话；又例如当可穿戴设备100接收来自移动终端的通知消息时，处理器101控制音频模块106输出预设的音频信号，扬声器107发出声音提醒用户。其中，音频模块106将接收到的音频数据转换为电信号发送至扬声器107，由扬声器107将电信号转换为声音；或者由麦克风108将声音转换为电信号发送至音频模块106，再由音频模块106将音频电信号转换为音频数据。
[0259]
相机模块111用于捕获静态图像或视频。相机模块111可以包括图像传感器、图像信号处理器(isp)和数字信号处理器(dsp)。图像传感器把光信号转换成电信号，图像信号处理器将电信号转换成数字图像信号，数字信号处理器将数字图像信号转换成标准格式
(rgb、yuv)的图像信号。图像传感器可以是电荷耦合元件(charge coupled device，ccd)或金属氧化物半导体元件(complementary metal-oxide-semiconductor，cmos)。
[0260]
马达110可以将电信号转换为机械振动，以产生振动效果。马达110可以用于来电、消息的振动提示，也可以用于触摸振动反馈。按键109包括开机键，音量键等。按键109可以是机械按键(物理按钮)或者触摸式按键。指示器112用于指示可穿戴设备100的状态，例如用于指示充电状态、电量变化，也可以用于指示消息，未接来电，通知等。在一些实施例中，可穿戴设备100接收到来自移动终端应用的通知消息后，提供振动反馈。
[0261]
电池113用于为可穿戴设备100的各个部件提供电力。电源管理模块114用于电池的充放电管理，以及监测电池容量，电池循环次数，电池健康状态(是否漏电，阻抗、电压、电流以及温度)等参数。在一些实施例中，电源管理模块114可以通过有线或者无线方式为电池充电。
[0262]
应当理解，在一些实施例中，可穿戴设备100可由前述部件中的一个或多个组成，可穿戴设备100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。
[0263]
应当理解，在一些实施例中，可穿戴设备可由前述部件中的一个或多个组成，可穿戴设备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。
[0264]
本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述血氧数据的训练方法。
[0265]
本技术还提供了一种计算机刻度存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述血氧数据的预测方法。
[0266]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0267]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0268]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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部分可以以软件产品的形式体现出来，该计算机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台计算机设备执行本发明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(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光
盘等各种可以存储程序代码的介质。
[0269]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。