一种佩戴检测系统的制作方法

本实用新型涉及一种可穿戴智能设备领域，特别是涉及一种佩戴检测系统。

背景技术：

现今，可穿戴设备变得越来越普及，但人们在使用过程中也不断发现其存在的问题。问题之一就是，可穿戴设备无法准确判断是否的确佩戴于人体指定位置。例如：将可穿戴设备放置于桌面或者绑于桌腿等情况下，可穿戴设备依然能够测出心率值，这就使数据的准确性下降，导致其记录的心率值无法用于正确分析用户的生理状态以及健康情况。

针对上述棘手问题，现有技术也做了相应的尝试，例如：增设一红外传感器以检测该传感器一定距离内是否有物体遮挡，从而判断可穿戴设备是否佩戴于人体上。但是，该现有技术的缺陷在于，其无法正确区分遮挡红外传感器的是人体还是其他物体。现有技术也尝试结合心率传感器进行二次光学检测，但仍然无法解决上述技术问题，其主要面临如何设置合适阈值的问题。例如：若设置较宽的光学检测阈值，则会导致传感器无法排除其他物体的干扰；而若设置较窄的光学检测阈值，又会因人体不同的光学特性而导致无法囊括所有人，进而导致部分人可测，而有些用户即使正确佩戴设备亦被误认为未佩戴。当然，还有的现有技术增设电容传感器或者温度传感器，通过检测人体体表的静电流或者体表温度的方式检测设备是否被正确穿戴。

众所周知的是，传感器越多，判断条件则会相应越多，故可判断地越精准。但是，设备无法无限扩大，特别是对于可穿戴设备而言，因可穿戴设备贴近人体，因而更讲究人体佩戴的舒适性和便携性。此外，考虑到设备的成本问题，也不适宜增设过多的传感器。

因此，如何利用尽可能少的传感器实现尽可能高的识别率，成本本技术领域亟需解决的一个技术问题。

技术实现要素：

鉴于以上所述现有技术的缺点，本实用新型的目的在于提供一种佩戴检测系统，用于解决现有技术中佩戴检测不够准确的问题。

为实现上述目的及其他相关目的，本实用新型提供一种佩戴检测系统，应用于可穿戴设备，所述系统包括，一或多个佩戴检测模块，用于根据检测参数的阈值判断所述可穿戴设备是否佩戴于预设位置；处理模块，通信连接各所述佩戴检测模块，以采集各佩戴检测模块检测参数的阈值，并调整检测参数的阈值。

于本实用新型的一实施例中，所述佩戴检测模块包括电容检测模块、红外检测模块、及绿光检测模块中的任一种或多种组合。

于本实用新型的一实施例中，所述佩戴检测模块包括红外检测模块和绿光检测模块；其中，所述红外检测模块和绿光检测模块共用一光接收模块。

于本实用新型的一实施例中，所述绿光模块包括绿光二极管和光敏传感器；所述绿光二极管用于发射绿光光线，所述光敏传感器用于接收绿光光线经皮肤反射的光信号。

于本实用新型的一实施例中，所述可穿戴设备包括可穿戴式心率测量设备，所述系统还包括：心率计算模块，用于计算心率数据；存储模块，用于存储心率数据

于本实用新型的一实施例中，所述系统还包括：传输模块，用于将心率数据传输至外部设备。

于本实用新型的一实施例中，所述传输模块包括无线传输模块；所述无线传输模块包括蓝牙模块、wifi模块、3G/4G/5G模块中的任一种或多种组合。

于本实用新型的一实施例中，所述处理模块包括：MCU模块、FPGA模块、SoC模块、或者DSP模块中的任一种或多种组合。

如上所述，本实用新型的一种佩戴检测系统，具有以下有益效果：本实用新型提升佩戴检测系统检测可穿戴设备是否佩戴于指定位置的准确度，使佩戴检测系统更加适用于使用者本人，且最大程度地排除非人体或非使用者本人之外的情况，使系统收集的数据更有价值地用于分析使用者的生理状态和健康情况。

附图说明

图1显示为本实用新型一实施例中佩戴检测系统的模块示意图。

元件标号说明

11 电容检测模块

12 红外检测模块

13 绿光检测模块

14 处理模块

15 心率计算模块

16 存储模块

17 传输模块

具体实施方式

以下通过特定的具体实例说明本实用新型的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本实用新型的其他优点与功效。本实用新型还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本实用新型的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本实用新型的基本构想，遂图式中仅显示与本实用新型中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本实用新型提供一种佩戴检测系统，应用于可穿戴设备。所述佩戴检测系统用于检测可穿戴设备是否佩戴于人体，从而防止误记录未佩戴于人体情况下的数据，使可穿戴设备收集的数据更有价值地用于分析使用者的生理状态和健康情况。需要说明的是，所述可穿戴设备包括用于测量心率、血压、睡眠质量、或者体温等指标的设备，下文以可穿戴式心率测量设备为例，说明本实用新型的实施方式和实现原理。

如图1所示，展示本实用新型一实施例中佩戴检测系统的示意图。所述佩戴检测系统包括一或多个佩戴检测模块，用于根据检测参数的阈值判断所述可穿戴设备是否佩戴于预设位置。于本实施例中，所述佩戴检测模块包括电容检测模块11、红外检测模块12、绿光检测模块13。所述佩戴检测系统还包括处理模块14，其通信连接各所述佩戴检测模块，以采集各佩戴检测模块检测参数的阈值，并调整检测参数的阈值。所述处理模块包括：MCU模块、FPGA模块、SoC模块、或者DSP模块中的任一种或多种组合。下文将以具体的实施例说明佩戴检测系统的实施方式及实现原理。

所述电容检测模块11检测人体静电并获取相应的电容值，若该电容值处于预设阈值范围内，则处理模块14可判断该可穿戴设备佩戴于人体；若该电容值超出预设阈值范围，则处理模块14可判断可穿戴设备并未佩戴于人体。

所述红外检测模块12利用人体发射红外线的特性，检测预设距离内是否被遮挡；若被遮挡，则处理模块14可判断该可穿戴设备佩戴于人体；若未被遮挡，则处理模块14可判断可穿戴设备并未佩戴于人体。

所述绿光检测模块13具体包括绿光二极管和光敏传感器，所述绿光二极管用于发射绿光光线，光线穿透皮肤下的脂肪、肌肉、微细血管等人体组织，由于血液流动带动了携氧血红细胞和去氧血红细胞的流动，绿色光源对这两种细胞产生了反射效果，对血液的其他液体成分产生了透射效果。所述光敏传感器用于接收所述绿光的经皮肤反射的光信号，以供处理模块14判断该可穿戴设备是否佩戴于人体。关于所述电容检测模块11、红外检测模块12、及绿光检测模块13具体如何检测心率数据均为现有，故不再赘述。

需要说明的是，所述佩戴检测模块可包括电容检测模块11、红外检测模块12、绿光检测模块13中的任一种，也可包括电容检测模块11、红外检测模块12、绿光检测模块13的两两组合的模块，或者可同时包括该三种检测模块，本实用新型对此不作限定。

在一优选的设计中，所述佩戴检测模块包括红外检测模块12和绿光检测模块13，所述红外检测模块12和绿光检测模块13共用一光接收模块，从而将红外检测模块12和绿光检测模块13整合于同一光学模块中，减小模块尺寸，节省了可穿戴设备的设计空间，使可穿戴设备便于携带。具体的，所述红外检测模块12和绿光检测模块13共用一个光接收模块，且共用一套控制系统，从而可节约空间尺寸。需要说明的是，因共用的光接收模块需要既覆盖红外光的响应峰值区，又要覆盖绿光的响应峰值区，故在实际使用中可折中设定两者相对较优的区域。

所述佩戴检测系统还包括心率计算模块15、存储模块16、以及传输模块17。所述心率计算模块15用于计算心率数据，所述存储模块16用于存储心率数据，所述传输模块17用于将心率数据传输至外部设备。其中，所述传输模块17例如为无线传输模块17，所述无线传输模块17可采用蓝牙模块、Wifi模块、3G/4G/5G移动蜂窝模块等等。

本实用新型提供一套佩戴检测系统的硬件设备，其包括一或多个佩戴检测模块以及处理模块。本实用新型提供的佩戴检测系统可单独使用，也可结合相应的软件或程序实现如下功能：所述处理模块14基于机器学习算法，建立所述阈值分类模型，以提升佩戴检测模块的检测准确率。机器学习算法用于把无序的数据转换成有用的信息，帮助用户从海里的数据中抽取有价值的重要信息。机器学习算法主要分为监督学习算法和无监督学习算法。监督学习算法适用于目标变量的分类，也即需知晓预测的目标是什么；无监督学习算法则没有类别信息，也无给定目标值。所述监督学习算法又包括决策树算法、SVM算法、贝叶斯算法、K-邻近算法、线性回归算法、局部加权线性回归算法、Ridge回归算法、Lasso最小回归系数估计算法等等。下文以监督学习算法中的决策树算法、SVM、boosting算法、以及贝叶斯算法为例说明佩戴检测系统自学习的过程和原理。

以绿光检测模块13为例，绿光检测模块13的检测参数为光学参数。所述光学参数是指一或两个绿光通道的预设时间内的光学数据的参数指标，所述参数指标例如为两个绿光通道的均值、方差、或者标准差等指标，也可以是两个绿光通道数据各自的均值、差值等指标。举例来说，所述光学参数例如为所述绿光检测模块13获取到的光强信号，所述光强信号的参数指标例如为该光强信号的均值、方差值、或者标准差值等等。所述预设时间，例如可优选为绿光检测模块13开启后经绿光自调整稳定后的2秒或2秒以上的数据段，从而保证光学参数的稳定性。

具体的，处理模块14基于决策树算法判断绿光检测模块13的光学参数的阈值是否落入模糊区域内。通常来说，佩戴检测系统的检测准确率与容易混淆的模糊区域内的准确率息息相关，故所述模糊区域主要包括容易混淆人体皮肤和非人体皮肤的情况所对应的数值区域。若绿光检测模块13的光学参数的阈值落入模糊区域内，则所述处理模块14基于SVM算法、boosting算法、贝叶斯分类中的任一种或多种组合，将该光学参数的阈值进行归于人体皮肤类或者非人体皮肤类，并存储归类结果信息。

值得注意的是，本实施例中的佩戴检测系统以一定数量的光学参数的阈值作为模型样本，不断提升和完善各光学参数的阈值在模糊区域的检测精准度，从而提升佩戴检测系统检测可穿戴设备是否佩戴于指定位置的准确度。本实用新型在有效控制设备硬件成本的情况下，通过多个检测参数和机器学习等软件算法和逻辑优化最大限度地实现佩戴检测的正确判断，并通过自学习使佩戴检测系统更加适用于使用者本人，且最大程度地排除非人体或非使用者本人之外的情况，使系统收集的数据更有价值地用于分析使用者的生理状态和健康情况。但需要再次说明的是，本实用新型提供的仅为硬件系统，其可结合软件使用，但本实用新型本身并不涉及软件技术的改进。

上述实施例仅例示性说明本实用新型的原理及其功效，而非用于限制本实用新型。任何熟悉此技术的人士皆可在不违背本实用新型的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本实用新型所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本实用新型的权利要求所涵盖。