具有身体成分分析电路的电子设备的制作方法

具有身体成分分析电路的电子设备
1.本专利申请要求2022年7月14日提交的美国专利申请第17/865,194号和2021年8月30日提交的美国临时专利申请第63/238,714号以及2021年9月9日提交的美国临时专利申请第63/242,357号的优先权，这些专利申请据此全文以引用方式并入本文。
技术领域
2.本公开整体涉及电子设备，并且更具体地讲，涉及具有传感器的电子设备。


背景技术：

3.诸如蜂窝电话、手表和其他装备等电子设备有时设置有传感器，诸如指纹传感器、面部识别相机和心率传感器。
4.使用诸如这些设备等设备可能是有挑战性的。用户可希望获得传统电子设备无法提供的不同类型的健康相关信息。用户可能需要依赖多于一件电子装备来获得期望的健康相关信息，这可能是不方便且麻烦的。


技术实现要素：

5.电子设备可包括身体成分分析电路，该身体成分分析电路基于面部、颈部和/或身体的捕获图像(例如，由深度传感器捕获的三维深度图、可见光和红外图像和/或其他合适的图像)来估计身体成分。在一些布置中，该电子设备中的深度传感器可包括红外光发射器和红外光检测器，该红外光发射器用结构红外光照明面部和颈部，该红外光检测器检测从面部和颈部反射的红外光。该深度传感器可基于所反射的红外光来产生捕获三维结构数据的深度图图像数据。如果需要，其他类型的深度感测技术和/或可见光相机可用于捕获面部和颈部图像数据。在一些布置中，这些图像可为全身图像，或可为用户身体的一部分诸如躯干或二头肌的图像。
6.在一些布置中，该身体成分分析电路可使用经用户研究训练的模型来将图像映射到身体成分信息。该模型可在特定身体部位的图像上训练和/或可在整个身体的图像上训练。该身体成分信息可描述脂肪如何分布在整个身体中和/或可描述身体的内脏和皮下隔室中的脂肪的相对量。该身体成分分析电路可使用面部的图像来缩放身体的图像，以便确定身体的尺寸。该电子设备可为头戴式设备或在捕获第二用户的图像时由第一用户佩戴或使用的任何其他合适的电子设备。该电子设备也可在捕获用户的图像时自行操作。如果需要，该电子设备可在附接到静止夹具时捕获用户的图像。
7.该身体成分分析电路可分析图像数据并且可提取图像数据的与身体成分强相关的部分，诸如脸颊、颈部、面部、胸部、腰部、臀部、大腿和其他区域的部分。该身体成分分析电路可将图像数据编码到潜在空间中。该潜在空间可基于在用户研究数据上训练的深度学习模型。
8.当使用面部图像时，该潜在空间可包括表示用户身份的第一潜在空间、表示面部表情的第二潜在空间和表示颈部位姿的第三潜在空间。该身体成分分析电路可通过使用用
户身份潜在空间中的面部和颈部图像数据补偿面部表情和颈部位姿来输出估计身体成分。
9.当使用身体图像时，潜在空间可包括表示用户身份的第一潜在空间、表示呼吸状态的第二潜在空间和表示身体位姿的第三潜在空间。该身体成分分析电路可通过使用用户身份潜在空间中的身体图像数据补偿呼吸状态和身体位姿来输出估计身体成分。
10.该身体成分分析电路可使用经用户研究训练的模型来将图像映射到身体成分信息。该模型可在特定身体部位的图像上训练和/或可在整个身体的图像上训练。该身体成分信息可描述脂肪如何分布在整个身体中和/或可描述特定身体部位中的内脏和皮下脂肪的相对量。该身体成分分析电路可使用面部的图像来缩放身体的图像，以便确定身体的尺寸。该电子设备可为头戴式设备或在捕获第二用户的图像时由第一用户佩戴的任何其他合适的电子设备。
附图说明
11.图1是根据一个实施方案的例示性电子设备的示意图。
12.图2是根据实施方案的具有显示器的示例性电子设备的透视图，该显示器具有与光学组件重叠的光学组件窗口。
13.图3为根据实施方案的具有光学组件诸如光源和图像传感器的示例性电子设备的横截面侧视图。
14.图4为根据实施方案的包括漫射器的示例性光源的横截面侧视图。
15.图5为根据实施方案的使用图4所示类型的光源将点图案投射在其上的示例性物体的前视图。
16.图6为根据实施方案的用于分析面部和颈部图像的例示性身体成分分析电路的示意图。
17.图7为根据实施方案的用于分析身体图像的例示性身体成分分析电路的示意图。
18.图8为根据实施方案的与面部和颈部相关联的例示性三维深度图图像数据的图。
19.图9为示出根据实施方案的可提取图8中所示类型的三维深度图图像数据的相关部分以供身体成分分析的方式的图。
20.图10为根据实施方案的对应于正面身体视图的例示性图像数据的图。
21.图11为根据实施方案的对应于侧面身体视图的例示性图像数据的图。
22.图12为示出根据实施方案的可提取图10和图11中所示类型的图像数据的相关部分以供身体成分分析的方式的图。
23.图13为示出根据实施方案的可对在不同时间捕获的面部图像数据进行对准以供身体成分分析的方式的示意图。
24.图14为示出根据实施方案的可对在不同时间捕获的身体图像数据进行对准以供身体成分分析的方式的示意图。
25.图15为根据实施方案的在一定时间段内可采集到的例示性用户研究数据的图。
26.图16为根据实施方案的基于所捕获的图像数据来估计身体成分所涉及的例示性步骤的流程图。
具体实施方式
27.图1中示出了可设置有光学组件的类型的例示性电子设备的示意图。电子设备10可为计算设备诸如膝上型计算机、包含嵌入式计算机的计算机监视器、平板电脑、蜂窝电话、媒体播放器、或其他手持式或便携式电子设备、扬声器(例如，语音控制的助理或其他合适扬声器)、较小的设备(诸如手表设备)、挂式设备、耳机或听筒设备、嵌入在眼镜中的设备或者佩戴在用户的头部上的其他装备，或其他可佩戴式或微型设备、电视机、不包含嵌入式计算机的计算机显示器、游戏设备、导航设备、嵌入式系统(诸如其中具有显示器的电子设备被安装在信息亭或汽车中的系统)、实现这些设备中的两种或更多种设备的功能的装置、或其他电子装备。
28.如图1所示，电子设备10可具有控制电路16。控制电路16可包括用于支持设备10的操作的存储和处理电路。存储和处理电路可以包括存储装置，诸如硬盘驱动器存储装置、非易失性存储器(例如，被配置为形成固态驱动器的闪存存储器或其他电可编程只读存储器)、易失性存储器(例如，静态或动态随机存取存储器)、等等。控制电路16中的处理电路可以被用于控制设备10的操作。该处理电路可基于一个或多个微处理器、微控制器、数字信号处理器、基带处理器、电源管理单元、音频芯片、专用集成电路等。
29.设备10可具有输入输出电路诸如输入输出设备12。输入输出设备12可包括收集用户输入的用户输入设备和向用户提供输出的输出组件。设备12还可包括接收设备10的数据并且从设备10向外部设备提供数据的通信电路。设备12还可包括从环境收集信息的传感器。
30.输入-输出设备12可包括一个或多个显示器，诸如显示器14。显示器14可为包括用于采集来自用户的触摸输入的触摸传感器的触摸屏显示器，或者显示器14可对触摸不敏感。显示器14的触摸传感器可基于电容性触摸传感器电极的阵列、声学触摸传感器结构、电阻性触摸部件、基于力的触摸传感器结构、基于光的触摸传感器，或其他合适的触摸传感器布置。显示器14可为液晶显示器、发光二极管显示器(例如，有机发光二极管显示器)、电泳显示器或其他显示器。
31.输入输出设备12可包括光学组件18。光学组件18可包括发光二极管和其他光源。例如，光学组件18可包括一个或多个可见光源，诸如光源20(例如，发光二极管)。发光二极管20可提供恒定照明(例如，以实现设备10的闪光功能)和/或可发射用于可见光相机诸如可见光图像传感器26的闪光照明的脉冲。光学组件18还可包括红外光源(例如，激光器、灯、红外发光二极管、垂直腔面发射激光器(vcsel)的阵列等)，诸如红外光源22。红外光源22可提供红外波长诸如940nm、800nm-1100nm范围内的波长等下的恒定照明和/或脉冲照明。例如，红外光源22可为红外相机诸如红外图像传感器28提供恒定照明。例如，红外图像传感器28可被配置为捕获来自用户的眼睛的虹膜扫描信息和/或可用于捕获用于在控制电路16上实现的面部识别过程的图像。
32.如果需要，红外光源22可用于提供泛光照明(例如，均匀覆盖给定区域的漫射红外光)以及提供结构光(例如，准直点的图案)。泛光照明可用于捕获外部物体的红外图像(例如，以检测用户的面部和/或创建深度图)，而结构光可被投射到外部物体上以执行深度映射操作(例如，以获得用户面部的三维图)。这仅是例示性的。如果需要，可使用其他类型的深度传感器(例如，间接飞行时间传感器、立体相机等)。
33.为了使得光源22能够提供泛光照明和结构光两者，光源22可包括可切换漫射器和准直光源诸如激光器或垂直腔面发射激光器的阵列。当需要泛光照明时，可打开漫射器以漫射来自光源的光。当需要结构化照明时，可关闭漫射器以允许准直光不受抑制地穿过漫射器。漫射器诸如光源22中的漫射器可由液晶材料、电泳材料或其他可切换光调制器形成。在一些具体实施中，光源22将光投射穿过衍射光学元件(doe)以产生点图案的复制品。然而，这仅为例示性的。如果需要，红外光源22可包括提供泛光照明的第一光源和提供结构光的第二光源。
34.光学组件18还可包括光学接近检测器24和环境光传感器30。
35.光学接近检测器24可包括红外光源诸如红外发光二极管和相应的光检测器诸如红外光电探测器以用于检测被来自发光二极管的红外光照明的外部物体何时位于设备10附近。
36.环境光传感器30可为测量环境光的强度的单色环境光传感器，或者可为通过利用多个光电探测器进行光测量来测量环境光颜色和强度的彩色环境光传感器，每个光电探测器设置有对应的滤色器(例如，通过红光、蓝光、黄光、绿光或其他颜色的光的滤色器)，并且每个光电探测器因此对不同波长带中的环境光作出响应。
37.除了光学组件18之外，输入输出设备12可包括按钮、操纵杆、滚轮、触摸板、小键盘、键盘、麦克风、扬声器、音调发生器、振动器、相机、发光二极管及其他状态指示器、非光学传感器(例如，温度传感器、麦克风、电容式触摸传感器、力传感器、气体传感器、压力传感器、监测设备取向和运动的传感器，诸如由加速度计、罗盘和/或陀螺仪形成的惯性测量单元)、数据端口等。用户可通过输入输出设备12提供命令来控制设备10的操作，并且可使用输入输出设备12的输出资源从设备10接收状态信息和其他输出。
38.设备10可具有外壳。外壳可形成膝上型计算机壳体、用于手表的壳体、蜂窝电话壳体、平板电脑壳体或其他合适的设备壳体。图2中示出了例示性电子设备的一部分的透视图。在图2的示例中，设备10包括显示器，诸如安装在外壳32中的显示器14。有时可称为壳体或箱体的外壳32可由塑料、玻璃、陶瓷、纤维复合材料、金属(例如，不锈钢、铝等)、其他合适的材料或这些材料中的任意两种或更多种的组合形成。外壳32可以利用一体式配置形成，在一体式配置中，外壳32的一部分或全部被机加工或模制成单个结构，或者可以利用多个结构(例如，内部框架结构、形成外部外壳表面的一个或多个结构等)形成。外壳32可具有任何合适的形状。在图2的示例中，外壳32具有矩形轮廓(从上方观察时的占有面积)并且具有四个周边边缘(例如，相对的上边缘和下边缘以及相对的左边缘和右边缘)。侧壁可沿着外壳32的周边延伸。如果需要，条带可联接到外壳32的主要部分(例如，在设备10为手表或头戴式设备的配置中)。
39.可使用显示器覆盖层诸如透明玻璃层、透明塑料、蓝宝石或其他透明层(例如，形成设备10的正面的一部分或全部或者安装在设备10的其他部分中的透明平面构件)来保护显示器14。可在显示器覆盖层中形成开口。例如，可在显示器覆盖层中形成开口以容纳按钮、扬声器端口诸如扬声器端口34或其他组件。开口可形成在外壳32中以形成通信端口(例如，音频插孔端口、数字数据端口等)，以形成用于按钮的开口等。在一些构造中，外壳32可具有由平面玻璃构件或其他透明层(例如，形成在与包括显示器覆盖层的设备10的正面相对的设备10的背面上的平面构件)形成的后外壳壁。
40.显示器14可在有效区域aa中具有像素阵列38(例如，液晶显示器像素、有机发光二极管像素、电泳显示器像素等)。有效区域aa的像素38可为设备10的用户显示图像。有效区域aa可为矩形的，可沿其一个或多个边缘具有凹口，可为圆形的，可为椭圆形的，可为具有圆角的矩形，和/或可具有其他合适的形状。
41.显示器14的无效部分诸如无效边界区域ia可沿有效区域aa的一个或多个边缘形成。无效边界区域ia可与电路、信号线和不发光以形成图像的其他结构重叠。为了从设备10的用户的视角隐藏边界区域ia中的无效电路和其他组件，显示器14的最外层(例如，显示器覆盖层或其他显示层)的下侧可涂覆有不透明掩蔽材料，诸如黑色墨水层(例如，包含黑色染料和/或黑色颜料的聚合物，其他颜色的不透明材料等)和/或其他层(例如，金属、电介质、半导体等)。诸如这些的不透明掩蔽材料也可形成在由玻璃、陶瓷、聚合物、结晶透明材料诸如蓝宝石或其他透明材料形成的平坦后外壳壁的内表面上。
42.在图2的示例中，扬声器端口34由细长开口(例如，条形开口)形成，该细长开口沿平行于外壳32的上部周边边缘的维度延伸。扬声器可安装在设备外壳32内，与扬声器端口34的开口对准。在设备10的操作期间，扬声器端口34用作设备10的用户的耳机扬声器端口(例如，用户可在电话呼叫期间将开口34放置在用户的耳朵附近)。
43.光学组件18(例如，可见数字图像传感器、红外数字图像传感器、基于光的接近传感器、环境光传感器、提供恒定照明和/或脉冲照明的可见光发光二极管和/或红外发光二极管等)可安装在一个或多个光学组件窗口诸如光学组件窗口40下方。在图2的示例中，窗口40中的四个具有圆形轮廓(例如，当从上方观察时为圆形的占有面积)，并且窗口40中的一个具有细长的条形开口(例如，当从上方观察时为细长的条形占有面积)。细长窗口40安装在沿着设备10的上部周边边缘的侧壁和扬声器端口34之间，并且平行于外壳32的上部周边边缘延伸。如果需要，窗口诸如光学窗口40可具有除圆形和矩形之外的形状。图2的示例仅是示例性的。
44.光学组件窗口诸如窗口40可形成在显示器14的无效区域ia中(例如，显示器覆盖层中的无效边界区域，诸如沿着外壳32的上部周边边缘延伸的无效显示区域)，或者可形成在设备10的其他部分中，诸如由涂覆有不透明掩蔽材料的透明构件形成的后外壳壁的部分、金属外壳壁的部分、聚合物壁结构等。如图2中的示例所示，窗口40邻近外壳32的上部周边边缘形成，位于显示器14的显示器覆盖层中的扬声器端口开口34和沿外壳32的上部边缘的侧壁之间。在一些构型中，不透明掩蔽层形成在无效区域ia中的显示器覆盖层的下侧上，并且光学窗口40由不透明掩蔽层内的开口形成。为了帮助光学窗口40在视觉上与不透明掩蔽层混合，深色墨水层、金属层、由电介质层叠堆形成的薄膜干涉滤光器和/或其他结构可与窗口40重叠。
45.设备10中的红外发射器和红外检测器可用于形成三维深度传感器。图3为设备10中的例示性深度传感器36的侧视图，该例示性深度传感器可用于产生三维深度图，诸如眼睛扫描信息、人脸图像(例如，用于进行面部识别操作以认证设备10的用户的用户面部的图像、用于产生动画表情的用户面部和颈部的图像等)、身体图像(例如，用于进行运动跟踪或身体分割的用户身体的图像)和/或其他三维深度映射信息。深度传感器36可包括红外光发射器22和红外光检测器28。设备10可使用红外光源22(例如，红外发光二极管、红外激光器等)来产生红外光48。光48可照明设备10附近的外部物体，例如外部物体44(例如，用户的脸
部和/或眼睛)。可使用红外数字图像传感器28接收来自外部物体44的经反射的红外光46并对其成像，以产生面部和/或眼睛的红外图像(例如，三维深度图)。还可通过将适当的软件算法应用于可见光和/或近红外视频和/或使用设备中的任何其他合适的深度传感器来捕获深度信息。
46.红外光源22可根据要由红外相机28采集的红外信息的类型在不同模式下操作。例如，在泛光照明模式下，光源22可发射均匀地覆盖期望目标区域的漫射光。在结构光模式下，光源22可将已知的光图案发射到期望目标区域上。
47.图4示出了当光源22在泛光照明模式下操作时来自光源22的照明。如图4所示，光源22可发射连续地覆盖外部物体44的给定区域的漫射红外光56。红外相机28可捕获被漫射照明的外部物体44的红外图像。在一些布置中，来自光源22的泛光照明可用于在面部识别操作期间检测用户的面部。
48.图5示出了当光源22在结构光模式下操作时来自光源22的照明。在结构光模式下，光源22可将已知的红外光56的图案投射到外部物体44上。在图5的示例中，红外光56在外部物体44上形成点图案。这些点可以是有序的网格阵列(例如，彼此均匀地间隔开)，或者这些点可以随机斑点图案投射。然而，这仅为例示性的。如果需要，光源22可以其他图案(例如，水平线、垂直线、水平线和竖直线的网格、或其他合适的预先确定的图案)发射结构光。图5的结构红外光56可基于激光干涉或者可基于穿过空间光调制器发射红外光以产生期望图案的投影显示元件。
49.在一些布置中，光源22可包括提供泛光照明的一个光源和提供结构光的另一个光源。在其他布置中，同一光源可用于提供泛光照明和结构光两者。这可使用选择性地漫射从光源发射的光的可切换漫射器元件来实现。
50.使用光学组件18采集的数据可用于一个或多个健康相关应用，诸如身体成分估评。例如，控制电路16可使用光学组件18来捕获用户面部、颈部和/或身体的图像(例如，可见图像、红外图像、三维深度图图像等)，这些图像然后可被分析以提供用户特定的身体成分信息，诸如身体质量指数、体脂百分比(例如，全身的脂肪百分比、单独身体部位的脂肪百分比和/或诸如皮下和内脏隔室等不同脂肪储存隔室中的脂肪百分比)、骨骼质量和/或其他健康相关信息。
51.控制电路16可存储用于将用户图像数据映射到身体成分信息的一个或多个模型。模型可为统计模型，可为机器学习模型，可为基于统计建模和机器学习的组合的模型，或者可为多个机器学习模型的组合。使用机器学习训练的模型可使用主成分分析、自动编码器和/或任何其他合适的数据压缩技术来实现。
52.自动编码器是一种人工神经网络，它通过减小数据的维度来学习将数据编码到潜在空间中。自动编码器被训练以编码潜在空间内的输入分布，以最小化输出和输入之间的损失。主成分分析通过移除冗余信息并捕获输入数据的最重要特征(例如，具有最高方差的特征)来减小输入数据的维度。主成分分析通常局限于线性映射，而编码器不具有任何线性约束。
53.图6为用于从面部和/或颈部图像确定身体成分的身体成分分析电路58的示意图。身体成分分析电路58可为控制电路16的一部分，和/或可实现为独立电路。身体成分分析电路58可接收诸如以下的信息：面部和颈部图像数据(例如，来自深度传感器36的用户面部
和/或颈部的三维深度图数据、来自可见图像传感器26的用户面部和/或颈部的可见图像等)，以及可选的另外的用户数据(例如，用户特定的人口统计信息，诸如性别、身高、体重、年龄、种族和/或存储在设备10中和/或以其他方式提供给电路58的其他用户数据)。基于所接收的面部和颈部图像数据和可选的用户人口统计数据，身体成分分析电路58可输出估计身体成分信息，诸如身体质量指数、身体脂肪百分比、面部和颈部的脂肪百分比、骨骼质量和/或其他健康相关信息。如果需要，可省略用户人口统计信息，并且身体成分分析电路58可仅基于所捕获的面部和颈部图像数据来估计用户的身体成分。
54.如果需要，面部和颈部图像数据可作为专用身体成分分析的一部分(例如，当深度传感器36专门用于获得用于身体成分分析的面部和颈部图像时)进行采集，和/或可在深度传感器36已经用于一些其他目的时(例如，在深度传感器36已经用于面部识别和用户认证目的时，在深度传感器36已经用于创建涉及捕获用户的面部表情的动画表情或其他虚拟现实应用时)进行采集。面部和颈部图像数据可包括在一天的不同时间和/或经过多天捕获的面部和颈部的一个或多个图像。
55.用户人口统计信息可从用户接收作为专用身体成分分析问卷的一部分，和/或可从用户接收作为一些其他健康相关应用的一部分。
56.身体成分分析电路58可存储使用来自用户研究的数据训练的模型。例如，数据可在给定时间段内(例如，一个月、两个月、三个月、六个月、八个月、十个月、一年、多于一年、少于一年等)从一组参与者(例如，十名参与者、五十名参与者、一百名参与者、一千名参与者和/或任何其他合适数量的参与者)收集。在研究期间的每个数据收集点处，可测量研究参与者的面部和颈部形状和大小，并且可测量用户的身体成分。可使用图3中所示类型的三维深度传感器、使用人体学测量(例如，身体标志和测量)和/或使用任何其他合适的测量设备(例如，三维身体扫描器)来测量面部和颈部形状和大小。可使用诸如磁共振成像、双能x线吸收法、空气置换体积描记法、水下称重法等任何合适的身体成分跟踪技术来测量身体成分。另选地，模型可被训练以预测面部和颈部中的脂肪百分比。在用户研究期间收集的数据可用作用于训练存储在设备10中的身体成分分析电路58中的模型的训练数据。
57.身体成分分析电路58可使用主成分分析、自动编码器和/或任何其他合适的数据压缩技术来减小潜在空间中输入数据的维度。例如，潜在空间可包括描述对象的身份的身份潜在空间、描述对象的面部表情的表情潜在空间以及描述对象的颈部位姿的位姿潜在空间。通过包括面部表情潜在空间和颈部位姿潜在空间，身体成分分析电路58可通过仅使用身份潜在空间补偿面部表情和颈部位姿的影响来输出对象的估计身体成分。另外，迁移学习方法可用于使用其他数据选择性地增强经预训练机器学习模型。
58.图7为从面部和/或颈部图像确定身体成分的身体成分分析电路58的示意图。身体成分分析电路58可为控制电路16的一部分，和/或可实现为独立电路。身体成分分析电路58可接收诸如以下的信息：身体图像数据(例如，来自深度传感器36的用户身体的三维深度图数据、来自可见图像传感器26的用户身体的可见图像等)，以及可选的另外的用户数据(例如，用户特定的人口统计信息，诸如性别、身高、体重、年龄、种族和/或存储在设备10中和/或以其他方式提供给电路58的其他用户数据)。基于所接收的身体图像数据和可选的用户人口统计数据，身体成分分析电路58可输出估计身体成分信息，诸如身体质量指数、身体脂肪百分比、骨骼质量和/或其他健康相关信息。如果需要，可省略用户人口统计信息，并且身
体成分分析电路58可仅基于所捕获的身体图像数据来估计用户的身体成分。
59.身体成分分析电路58可使用任何合适的模型来分析身体成分。在双隔室模型中，假设身体由两个隔室构成，这些隔室为对应于脂肪的第一隔室和对应于除脂肪之外的一切(例如，肌肉、骨骼等)的第二隔室。在三隔室模型中，假设身体由内脏脂肪、皮下脂肪和非脂肪构成。如果需要，身体成分分析电路58可使用三隔室模型，并且可基于用户的图像来估计用户体内的内脏脂肪、皮下脂肪和非脂肪的量。身体成分分析电路58可估计身体特定区域的身体成分(例如，在用户的躯干中存在多少内脏脂肪和皮下脂肪)，或可估计整个身体中的身体成分(例如，内脏脂肪和皮下脂肪的总量如何跨用户的身体分布)。
60.如果需要，身体图像数据可作为专用身体成分分析的一部分(例如，当深度传感器36专门用于获得用于身体成分分析的身体图像时)进行采集，和/或可在深度传感器36已经用于一些其他目的时(例如，在深度传感器36已经用于一些其他身体扫描目的时)进行采集。身体图像数据可包括在一天的不同时间和/或经过多天捕获的不同视图(例如，正面视图、侧面轮廓视图、背面视图等)的身体的一个或多个图像。图像数据可包括诸如来自在对象呼吸和/或移动时拍摄的视频的那些的图像序列。
61.用户人口统计信息可从用户接收作为专用身体成分分析问卷的一部分，和/或可从用户接收作为一些其他健康相关应用的一部分。
62.身体成分分析电路58可存储使用来自用户研究的数据训练的模型。例如，数据可在给定时间段内(例如，一个月、两个月、三个月、六个月、八个月、十个月、一年、多于一年、少于一年等)从一组参与者(例如，十名参与者、五十名参与者、一百名参与者、一千名参与者和/或任何其他合适数量的参与者)收集。在研究期间的每个数据收集点处，可测量研究参与者的身体形状和大小，并且可测量用户的身体成分。可使用图3中所示类型的三维深度传感器、使用人体学测量(例如，身体标志和测量)和/或使用任何其他合适的测量设备(例如，三维身体扫描器)来测量身体形状和大小。可使用诸如磁共振成像、双能x线吸收法、空气置换体积描记法、水下称重法等任何合适的身体成分跟踪技术来测量身体成分。另选地，模型可被训练以预测身体中的脂肪百分比。在用户研究期间收集的数据可用作用于训练存储在设备10中的身体成分分析电路58中的模型的训练数据。
63.身体成分分析电路58可使用主成分分析、自动编码器和/或任何其他合适的数据压缩技术来减小潜在空间中输入数据的维度。例如，潜在空间可包括描述对象的身份的身份潜在空间、描述对象的呼吸状态的呼吸状态潜在空间以及描述对象的身体位姿的位姿潜在空间。通过包括呼吸状态潜在空间和身体位姿潜在空间，身体成分分析电路58可通过仅使用身份潜在空间补偿呼吸和身体位姿的影响来输出对象的估计身体成分。另外，迁移学习方法可用于使用其他数据选择性地增强经预训练机器学习模型。
64.身体成分分析电路58将图像数据映射到身体成分所使用的模型可考虑各种因素以帮助辨别脂肪与液体。身体成分分析电路58可使用已知的脂肪和水储存区域来在脂肪和液体积聚之间进行区分。例如，眼袋可为液体滞留而不是脂肪储存的指示标识。关节、脚和手臂周围的区域往往是液体滞留区域而不是脂肪储存区域。
65.图8为示出可用于在使用面部和/或颈部图像数据时确定身体成分的例示性数据的图。如图8所示，所捕获的图像数据60(例如，所捕获的面部和颈部图像数据)可包括用户面部和颈部的三维深度图。面部和颈部图像数据60可包括表示到跨用户面部和颈部的不同
位置的深度的数据点阵列。如果需要，可由图3的深度传感器36捕获图像数据60。
66.如果需要，可在身体成分分析操作期间使用所有图像数据60，或可在身体成分分析操作期间使用图像数据60的仅一部分。因为身体脂肪往往储存在某些脂肪袋诸如脸颊和颈部中的区域中，所以那些区域可比其他区域更能指示身体成分。例如，在用户的身体脂肪变化时，用户前额的形状可表现出很少变化，而脸颊和颈部的部分可表现出与身体成分的变化直接相关的可检测变化。如果需要，身体成分分析电路58可选择数据60的某些部分诸如区域62中的数据以供身体成分分析，并且可将剩余数据从设备10删除。在选择区域62中的数据并且删除剩余数据之后，身体成分分析电路58可使用图9的数据60’进行身体成分分析。
67.图10和图11是示出可用于在使用身体图像时确定身体成分的例示性数据的图。如图10所示，所捕获的图像数据60(例如，所捕获的身体图像数据60)可包括从正面视图捕获的用户身体的一个或多个三维深度图。图11示出了所捕获的身体图像数据60可包括从侧面轮廓视图捕获的用户身体的一个或多个三维深度图的方式。身体图像数据60可包括表示到跨用户身体的不同位置的深度的数据点阵列。如果需要，可由图3的深度传感器36捕获图像数据60。然而，这仅是例示性的。如果需要，图像数据60可为由不同类型的深度传感器(例如，不使用结构光的深度传感器)捕获的深度图像数据，可为使用可见光相机捕获的可见光图像数据，可为由红外传感器捕获的红外图像数据，或者可为其他合适的图像数据。
68.在一些布置中，可使用放置成离用户足够远以便捕获全身图像的设备10中的传感器来采集数据60。例如，设备10可为具有传感器的电视机，在用户站得离用户足够远以便捕获全身图像时该传感器捕获图像数据60，或者设备10可为便携式电子设备，诸如蜂窝电话、膝上型计算机、平板电脑或可支撑在一个位置中以便在用户站在一定距离处时捕获用户的全身图像的其他电子设备。如果需要，设备10可为头戴式设备或第一用户(例如，体能教练员)在观察一定距离处的第二用户(例如，教练员的客户)时佩戴的任何其他合适的电子设备。头戴式设备可具有在第二用户站在离佩戴设备10的第一用户一定距离处时捕获第二用户的图像数据60的传感器。电子设备可在捕获用户的图像时自行操作。如果需要，电子设备可在捕获用户的图像时附接到静止固定夹具。
69.在一些布置中，数据60可由拿在用户手中的手持式电子设备(例如，使用设备10中的前置图像传感器)来采集。可使用枕形失真矫正、梯形校正和/或任何其他合适的失真补偿技术来校正图像失真。如果需要，可使用未表现出失真的用户面部图像来移除全身图像中的失真。例如，可从不具有失真的面部图像确定用户面部的尺寸，该尺寸进而可用于缩放全身图像，使得控制电路16可基于全身图像来确定用户身体的尺寸。来自设备10中的运动传感器(例如，加速度计、陀螺仪、指南针等)的取向信息也可用于移除全身图像中的失真以获得用户身体的大小的更准确图片。也可使用其中身体成分分析电路58将身体的不同部位的多个照片合并在一起的布置。
70.在一些布置中，图像数据60可包括用户身体的仅一部分的图像。例如，图像数据60可为仅包括用户躯干的图像的躯干图像数据、包括用户二头肌的图像的二头肌图像数据、仅包括用户腿部的图像的腿部图像数据和/或其他合适的图像数据。用户身体的某一部分的图像可用于确定用户身体的该特定部分中的身体成分(例如，以跟踪躯干、二头肌等中的内脏和/或皮下脂肪)。
71.如果需要，可在身体成分分析操作期间使用所有图像数据60，或可在身体成分分析操作期间使用图像数据60的仅一部分。因为身体脂肪往往储存在某些脂肪袋诸如面部、颈部、腰部、臀部和大腿中的区域中，所以那些区域可比其他区域更能指示身体成分。例如，在用户的身体脂肪变化时，用户前额的形状可表现出很少变化，而脸颊、颈部和腰部的部分可表现出与身体成分的变化直接相关的可检测变化。如果需要，身体成分分析电路58可确定数据60的哪些部分对应于身体的与诸如区域62中的数据等身体成分强相关的区域，并且可将剩余数据从设备10删除。在选择区域62中的数据并且删除剩余数据之后，身体成分分析电路58可使用图12的数据60’进行身体成分分析。
72.如果需要，身体成分分析电路58可通过比较在不同时间捕获的面部、颈部和/或身体图像来跟踪身体成分随时间的变化。图13是示出身体成分分析电路58可比较在不同时间捕获的面部图像的方式的图。如图13所示，图像64可表示由深度传感器36在第一时间捕获的图像，而图像64’可表示由深度传感器36在第二时间捕获的图像。为了跟踪第一时间和第二时间之间的身体成分变化，身体成分分析电路58可对准图像64和图像64’的至少预期随时间变化的部分。例如，用户的眼睛、鼻子、耳朵和/或其他面部特征可随时间推移表现出很少变化，并且因此可用作用于对准在不同时间捕获的图像的良好锚点。如图13所示，例如，身体成分分析电路58可使图像64的眼睛64e与图像64’的眼睛64e’对准，由此允许身体成分分析电路58更准确地针对面部的其他区域诸如用户的脸颊和颈部跟踪形状和大小的变化。如果需要，身体成分分析电路58可存储将面部和颈部形状和大小的变化映射到身体成分的变化的模型(例如，如果需要，身体成分分析电路58可将图像64和图像64’之间的差异映射到身体脂肪的对应变化)。
73.图14是示出身体成分分析电路58可比较在不同时间捕获的身体图像的方式的图。如图14所示，图像64可表示由深度传感器36在第一时间捕获的图像，而图像64’可表示由深度传感器36在第二时间捕获的图像。为了跟踪第一时间和第二时间之间的身体成分变化，身体成分分析电路58可对准图像64和图像64’的至少预期随时间变化的部分。例如，用户的眼睛、鼻子、耳朵、其他面部特征和四肢和/或骨骼长度可随时间推移表现出很少变化，并且因此可充当用于对准在不同时间捕获的图像的良好锚点。如图14所示，例如，身体成分分析电路58可使图像64的眼睛64e与图像64’的眼睛64e’对准，由此允许身体成分分析电路58更准确地针对身体的其他区域诸如用户的面向、颈部和腰部跟踪形状和大小的变化。如果需要，身体成分分析电路58可存储将身体形状和大小的变化映射到身体成分的变化的模型(例如，如果需要，身体成分分析电路58可将图像64和图像64’之间的差异映射到身体脂肪的对应变化)。
74.图15是示出可在用于训练存储在设备10中的身体成分分析电路58中的模型的一个或多个用户研究期间收集数据的方式的图。如图15所示，可在时间t0、时间t1、时间t2等至多到时间tn从给定用户群体收集数据66。数据66可包括参与者面部、颈部和/或身体形状和大小的测量以及参与者身体脂肪的测量。数据66可每天收集一次、每周收集一次、每月收集一次或在整个用户研究中以任何其他合适的节奏进行收集。研究可在一个月、两个月、三个月、六个月、八个月、十个月、一年、多于一年、少于一年等的时间段内延伸。
75.在研究期间的每个数据收集点处(例如，在时间t0、t1、t2、......tn处)，可测量每个参与者的面部、颈部和/或身体形状和大小，并且可测量参与者的身体成分。训练数据可
包括全身测量和/或可包括分段身体测量(例如，二头肌测量、躯干测量、腿部测量等)。基于分段身体数据训练存储在设备10中的模型可允许用户跟踪特定身体部位的变化。例如，用户可使用设备10来拍摄用户二头肌的图片，并且身体成分分析电路58可基于数据66中所包括的二头肌训练数据将二头肌图像映射到肌肉质量值。
76.可使用图3所示类型的三维深度传感器、使用人体学测量(例如，身体标志和测量)和/或使用任何其他合适的测量设备(例如，三维身体扫描器)来测量面部、颈部和/或身体形状和大小。可使用诸如磁共振成像、双能x线吸收法、空气置换体积描记法、水下称重法等任何合适的身体成分跟踪技术来测量身体成分。例如，可使用诸如磁共振成像或双能x线吸收法等局部方法来测量脂肪数据(例如，以获得诸如四肢、躯干、下腹部、上腹部、胸部、颈部、头部和面部等身体部位的身体脂肪)。在用户研究期间收集的数据66可用作用于训练存储在设备10中的身体成分分析电路58中的模型的训练数据。如果需要，可使用结合图13和图14描述的类型的技术来对准和比较在整个研究的不同时间捕获的给定参与者的面部、颈部和/或身体的图像。
77.图16为在设备10的操作期间基于所捕获的图像来估计用户身体成分所涉及的例示性步骤的流程图。
78.在框100的操作期间，身体成分分析电路58可使用设备10中的一个或多个光学组件18来捕获用户面部、颈部和/或身体的一个或多个图像。例如，深度传感器36可捕获用户面部、颈部和/或身体的三维深度图图像，可见图像传感器26可捕获用户面部、颈部和/或身体的可见图像，和/或设备10中的其他光学组件18可用于采集用户面部、颈部和/或身体的图像数据。
79.对于身体图像，可通过从头到脚扫描身体、通过在一个图像帧中捕获整个身体和/或通过捕获身体不同部位诸如面部、颈部、腰部、腿部等的多个图像帧来捕获图像数据。身体图像数据可包括正面身体视图和侧面身体视图，如图10和图11所示。还可在诸如来自在对象呼吸和/或移动时拍摄的视频的那些的图像序列中捕获图像数据。
80.面部、颈部和/或身体图像数据可作为专用身体成分分析的一部分(例如，当深度传感器36专门用于获得用于身体成分分析的面部、颈部和/或身体图像时)进行采集，和/或可在深度传感器36已经用于一些其他目的时(例如，在深度传感器36已经用于面部识别和用户认证目的时，在深度传感器36已经用于创建涉及捕获用户的面部表情的动画表情或其他虚拟现实应用时)进行采集。面部、颈部和/或身体图像数据可包括在一天的不同时间和/或经过多天从不同角度捕获的面部、颈部和/或身体的一个或多个图像。
81.在框102的操作期间，身体成分分析电路58可分析在框100期间捕获的图像，并且可识别所捕获的图像的哪些区域与身体成分分析相关。这可包括识别图像数据的哪些区域对应于与身体成分强相关的区域(例如，图8、图9、图10、图11和图12的区域62)。例如，可保存对应于面部区域(例如，脸颊区域)、颈部区域和/或腰部区域的图像数据以供身体成分分析。如果需要，可删除或以其他方式不使用图像数据的不与身体成分强相关的区域。
82.在框104的操作期间，身体成分分析电路58可将在块102期间识别的相关图像数据编码到潜在空间中。这可包括使用自动编码器、主成分分析和/或其他数据压缩技术来减小图像数据的维度。例如，如果身体成分的相关图像数据包括数千个数据点，则身体成分分析电路58可将相关图像数据压缩到数百个数据点(作为例示性示例)。
83.对于面部和颈部图像，潜在空间可包括描述对象的身份的身份潜在空间、描述对象的面部表情的表情潜在空间以及描述对象的颈部位姿的位姿潜在空间。潜在空间可基于统计建模、深度学习技术(例如，自动编码器、主成分分析等)，和/或可基于统计建模和深度学习的组合。
84.对于身体图像，潜在空间可包括描述对象的身份的身份潜在空间、描述对象的呼吸状态的呼吸状态潜在空间以及描述对象的身体位姿的身体位姿潜在空间。潜在空间可基于统计建模、深度学习技术(例如，自动编码器、主成分分析等)，和/或可基于统计建模和深度学习的组合。
85.在框106的操作期间，身体成分分析电路58可通过仅提取身份潜在空间(例如，移除表情潜在空间和颈部位姿潜在空间)来补偿面部/颈部图像中的面部表情和颈部位姿的影响。对于身体图像，身体成分分析电路58可通过仅提取身份潜在空间(例如，移除呼吸状态潜在空间和身体位姿潜在空间)来补偿呼吸和身体位姿的影响。
86.在框108的操作期间，身体成分分析电路58可基于身份潜在空间中的图像数据来估计身体成分。例如，使用在一个或多个用户研究上训练的模型(例如，如结合图6和图7所描述)，身体成分分析电路58可将所压缩的图像数据(例如，表示用户脸颊和颈部的大小和形状的压缩数据集、表示用户腰部的大小和形状的压缩数据集等)映射到身体成分信息，诸如身体质量指数、身体脂肪百分比(例如，全身的脂肪百分比、单独身体部位的脂肪百分比和/或诸如皮下和内脏隔室等不同脂肪储存隔室中的脂肪百分比)、骨骼质量和/或其他健康相关信息。由身体成分分析电路58提供的身体成分信息可为估计的当前身体成分值(例如，身体脂肪百分比值、身体质量指数值或骨骼质量值)，和/或可为某一身体成分参数的估计变化(例如，诸如身体质量指数、身体脂肪百分比、骨骼质量等给定身体成分参数的增加或减少的量)。如果需要，身体成分分析电路58还可考虑任何可用的用户人口统计信息(例如，性别、身高、体重、年龄、种族和/或存储在设备10中和/或以其他方式提供给电路58的其他用户数据)以确定用户的身体成分。
87.身体成分分析电路58可使用任何合适的模型来分析身体成分。在双隔室模型中，假设身体由两个隔室构成，这些隔室为对应于脂肪的第一隔室和对应于除脂肪之外的一切(例如，肌肉、骨骼等)的第二隔室。在三隔室模型中，假设身体由内脏脂肪、皮下脂肪和非脂肪构成。如果需要，身体成分分析电路58可使用三隔室模型，并且可基于用户的图像来估计用户体内的内脏脂肪、皮下脂肪和非脂肪的量。
88.在框108的操作期间，身体成分分析电路58可估计身体特定区域的身体成分(例如，在用户的躯干、二头肌或其他身体部位中存在多少内脏脂肪和皮下脂肪)，或可估计整个身体中的身体成分(例如，内脏脂肪和皮下脂肪如何跨用户身体分布)。
89.框108的操作可包括将失真(例如，当用户使前置相机向下指向以在一个帧中捕获整个身体时产生的透视失真)从身体的图像移除。身体成分分析电路58还可使用用户面部的图像(例如，先前采集的面部图像，诸如在用户识别操作期间采集的面部图像和/或专门捕获以供身体成分分析的面部图像)来缩放全身图像(例如，可基于全身图像和面部图像使用面部图像进行缩放来确定身体尺寸)。来自设备10中的运动传感器(例如，加速度计、陀螺仪、指南针等)的取向信息也可用于移除全身图像中的失真以获得用户身体的大小的更准确图片。也可使用其中身体成分分析电路58将身体的不同部位的多个照片合并在一起的布
置。
90.在框110的操作期间，控制电路16可响应于分析结果而采取动作。例如，设备10可向设备10的用户提供估评结果和/或可向设备10的用户发出警报(例如，如果估评结果表明例如疾病的风险)。一般来讲，基于框108的传感器处理操作的结果，可发出通知，可更新数据库，可提供建议，和/或可采取其他动作。例如，显示器14可显示所估计的身体脂肪百分比值、身体质量指数值、骨骼质量值和/或由身体成分分析电路58确定的其他信息。通知可包括文本通知、可听警报、电子邮件消息、带注释图像、显示器14上的其他屏幕上通知内容和/或其他通知内容。
91.如上所述，本技术的一个方面在于采集和使用信息，诸如来自输入-输出设备的信息。本公开构想，在一些情况下，可采集包括唯一地识别或可用于联系或定位特定人员的个人信息的数据。此类个人信息数据可包括人口统计数据、基于位置的数据、电话号码、电子邮件地址、twitter id、家庭地址、与用户的健康或健身等级相关的数据或记录(例如，生命信号测量结果、药物信息、锻炼信息)、出生日期、用户名、口令、生物识别信息、或任何其他识别信息或个人信息。
92.本公开认识到在本公开技术中使用此类个人信息可以用于使用户受益。例如，该个人信息数据可用于递送用户较感兴趣的目标内容。因此，使用此类个人信息数据使得用户能够对所递送的内容进行有计划的控制。此外，本公开还预期个人信息数据有益于用户的其他用途。例如，健康和健身数据可用于向用户的总体健康状况提供见解，或者可用作使用技术来追求健康目标的个人的积极反馈。
93.本公开设想负责采集、分析、公开、传输、存储或其他使用此类个人信息数据的实体将遵守既定的隐私政策和/或隐私实践。具体地，此类实体应当实行并坚持使用被公认为满足或超出对维护个人信息数据的隐私性和安全性的行业或政府要求的隐私政策和实践。此类政策应该能被用户方便地访问，并应随着数据的采集和/或使用变化而被更新。来自用户的个人信息应当被收集用于实体的合法且合理的用途，并且不在这些合法使用之外共享或出售。此外，应在收到用户知情同意后进行此类采集/共享。此外，此类实体应考虑采取任何必要步骤，保卫和保障对此类个人信息数据的访问，并确保有权访问个人信息数据的其他人遵守其隐私政策和流程。另外，这种实体可使其本身经受第三方评估以证明其遵守广泛接受的隐私政策和实践。另外，应当调整政策和实践，以便采集和/或访问的特定类型的个人信息数据，并适用于包括管辖范围的具体考虑的适用法律和标准。例如，在美国，某些健康数据的收集或访问可能受联邦和/或州法律诸如健康保险及责任法案(hipaa)的管辖，而其他国家中的健康数据可能受其他法规和政策约束并且应当相应地加以处理。因此，在每个国家应为不同的个人数据类型保持不同的隐私实践。
94.不管前述情况如何，本公开还预期用户选择性地阻止使用或访问个人信息数据的实施方案。即本公开预期可提供硬件元件和/或软件元件，以防止或阻止对此类个人信息数据的访问。例如，本技术可被配置为允许用户在注册服务期间或其后随时选择参与采集个人信息数据的“选择加入”或“选择退出”。又如，用户可以选择不提供特定类型的用户数据。再如，用户可以选择限制特定于用户的数据被保持的时间长度。除了提供“选择加入”和“选择退出”选项外，本公开设想提供与访问或使用个人信息相关的通知。例如，用户可以在下载应用程序(“应用”)时被告知其个人信息数据将被访问，然后就在个人信息数据被应用访
问之前再次提醒用户。
95.此外，本公开的目的是应管理和处理个人信息数据以最小化无意或未经授权访问或使用的风险。一旦不再需要数据，通过限制数据收集和删除数据可最小化风险。此外，并且当适用时，包括在某些健康相关应用程序中，数据去标识可用于保护用户的隐私。在适当的情况下，可以通过移除特定标识符(例如，出生日期等)、控制存储的数据的量或特征(例如，在城市级而非地址级收集位置数据)、控制数据的存储方式(例如，在用户之间聚合数据)和/或其他方法来促进去标识。
96.因此，虽然本公开广泛地覆盖了使用可包括个人信息数据的信息来实现一个或多个各种所公开的实施方案，但本公开还预期各种实施方案也可在无需访问个人信息数据的情况下被实现。即，本发明技术的各种实施方案不会由于缺少此类个人信息数据的全部或一部分而无法正常进行。
97.根据一个实施方案，提供了一种电子设备，该电子设备包括：传感器，该传感器捕获面部和颈部的图像；以及身体成分分析电路，该身体成分分析电路将该图像的一部分编码到潜在空间中并且将该图像的该部分映射到脂肪百分比值。
98.根据另一个实施方案，该潜在空间基于统计模型。
99.根据另一个实施方案，该潜在空间基于深度学习模型。
100.根据另一个实施方案，该传感器包括深度传感器，并且该图像包括三维深度图图像，该深度传感器包括红外光源和红外光检测器，该红外光源用结构光照明面部和颈部，该红外光检测器检测从面部和颈部反射的结构光。
101.根据另一个实施方案，该潜在空间包括表示用户身份的第一潜在空间、表示面部表情的第二潜在空间和表示颈部位姿的第三潜在空间。
102.根据另一个实施方案，该身体成分分析电路通过使用该第一潜在空间补偿面部表情和颈部位姿来将该图像的该部分映射到该脂肪百分比值。
103.根据另一个实施方案，该图像的该部分包括脸颊部分和颈部部分。
104.根据另一个实施方案，该身体成分分析电路删除图像的未被编码到潜在空间中的剩余部分。
105.根据另一个实施方案，该身体成分分析电路至少部分地基于用户人口统计数据来将该图像的该部分映射到该脂肪百分比值。
106.根据另一个实施方案，该传感器包括可见光相机，并且该图像包括可见光图像。
107.根据一个实施方案，提供了一种电子设备，该电子设备包括：红外光源，该红外光源用结构光照明面部；红外光检测器，该红外光检测器检测从面部反射的结构光并且输出对应深度信息；身体成分分析电路，该身体成分分析电路将深度信息映射到身体成分信息；以及显示器，该显示器显示身体成分信息。
108.根据另一个实施方案，该身体成分分析电路将深度信息编码到潜在空间中。
109.根据另一个实施方案，该潜在空间基于用用户研究数据训练的深度学习模型。
110.根据另一个实施方案，该身体成分分析电路补偿面部表情和颈部位姿。
111.根据另一个实施方案，该身体成分分析电路删除深度信息的未使用部分。
112.根据一个实施方案，提供了一种电子设备，该电子设备包括：三维深度传感器，该三维深度传感器捕获面部和颈部图像数据；以及控制电路，该控制电路接收面部和颈部图
像数据，接收用户人口统计信息并且基于面部和颈部图像数据和用户人口统计信息来确定估计身体成分。
113.根据另一个实施方案，该控制电路使用面部和颈部图像数据的一部分来确定该估计身体成分并且删除面部和颈部图像数据的剩余部分。
114.根据另一个实施方案，该电子设备包括：显示器，该显示器显示该估计身体成分。
115.根据另一个实施方案，该控制电路将面部和颈部图像数据编码到潜在空间中。
116.根据另一个实施方案，潜在空间基于用用户研究数据训练的深度学习模型。
117.根据一个实施方案，提供了一种电子设备，该电子设备包括：传感器，该传感器捕获身体的图像；以及身体成分分析电路，该身体成分分析电路使用经用户研究训练的模型来将身体的图像映射到身体成分信息，该经用户研究训练的模型考虑由于呼吸和位姿而引起的变化。
118.根据另一个实施方案，该传感器捕获面部的图像，并且该身体成分分析电路使用面部的图像来缩放身体的图像以确定身体的尺寸。
119.根据另一个实施方案，该身体成分信息指示身体脂肪如何分布在整个身体中。
120.根据另一个实施方案，该身体成分信息包括内脏脂肪百分比和皮下脂肪百分比。
121.根据另一个实施方案，该经用户研究训练的模型选自由统计模型和深度学习模型组成的组。
122.根据另一个实施方案，该电子设备包括头戴式支撑结构。
123.根据另一个实施方案，该传感器在头戴式支撑结构佩戴在第二用户的头部上时捕获第一用户的身体的图像。
124.根据另一个实施方案，该传感器包括红外深度传感器，并且该面部和身体的这些图像是红外深度图图像。
125.根据另一个实施方案，该传感器包括可见光相机，并且该面部和身体的这些图像是可见光图像。
126.根据另一个实施方案，该身体的图像是身体的仅一部分的图像，并且该身体成分信息描述该身体的该部分的身体成分。
127.前述内容仅为示例性的并且可对所述实施方案作出各种修改。前述实施方案可独立实施或可以任意组合实施。