电子设备和电子设备控制方法与流程

本公开的实施例涉及生理特性的预测，特别是涉及利用学习模型来预测用户的生理特性的电子设备和相关的电子设备的控制方法。

背景技术：

1、可通过测量特定值和基于测量的变量的潜在变量来测量用户的生理特性。

2、由热敏电阻电压计算出的温度和被计算为心电图信号主频的心率可以与用于测量生理特性的测量的变量(观察值)相对应。也就是说，就生理特性而言，用户的生物特征数据可以对应于测量的变量。

3、潜在变量(潜在值)不同于可观测变量，它可以被定义为不是直接测量的而是从另一个变量估计的变量。

4、在用于测量生理特性的模型中，生物学特性可以对应于潜在变量。

5、估计潜在变量的方法可以通过专家分析或数学模型来实现。由专家分析多导睡眠监测信号(polysomnographic signal)所确定的睡眠阶段、通过分类用户行为所确定的压力水平和通过分类用户面部所确定的情绪可以对应于潜在变量。

6、可以基于标记数据集和预测模型学习来预测这种潜在变量。也就是说，标记有潜在生理参数的数据集涉及复杂的医学诊断和人工标记。

7、基于收集的数据的预测模型在收集标记数据和向每个用户提供优化数据方面存在困难。

8、因此，有必要建立模型，在预测内部变量时该模型不依赖于单独的数据而为用户提供优化的预测。

技术实现思路

1、技术问题

2、提供了一种电子设备及控制该电子设备的方法，其中该电子设备利用不同的模型来预测潜在变量和测量变量以为用户优化潜在变量。

3、技术方案

4、根据本公开的一个方面，一种电子设备可包括：传感器，被配置为获取用户的生物特征信号；存储器，被配置为存储用户的测量变量；和处理器，被配置为：接收多个其他用户的生物特征数据以及与多个其他用户的生物特征数据对应的标记数据；利用无监督学习模型来基于用户的生物特征信号预测用户的生物特征数据；利用受监督学习模型来基于用户的生物特征数据、多个其它用户的生物特征数据及标记数据来预测用户的生物特征状态。

5、生物特征数据可以是测量变量，生物特征状态可以是潜在变量。

6、无监督学习模型可以利用通过受监督学习模型输出的数据作为反馈来预测用户的测量变量。

7、处理器可以进一步被配置为独立于标记数据来操作该无监督学习模型。

8、处理器可以进一步被配置为利用受监督学习模型，基于用户的测量变量和标记数据来获取用户的预测的测量变量。

9、处理器可以进一步被配置为：利用无监督学习模型，基于用户的测量变量和学习数据来获取用户的预测的测量变量；基于用户的预测的测量变量和多个其他用户的测量变量来确定个性化测量变量；利用受监督学习模型，基于个性化测量变量和学习数据来预测潜在变量。

10、处理器可以进一步被配置为基于与第一时间点对应的用户的测量变量和与第二时间点对应的用户的测量变量来获取个性化测量变量。

11、处理器可以进一步被配置为基于多个其它用户的预定的生理学特性的测量变量和与多个其它用户的测量变量对应的标记数据来确定用于预测用户的测量变量和用户的潜在变量的多个用户变量。

12、如权利要求1所述的电子设备还可以包括输出接口和输入接口，该输出接口被配置为向用户提供报警；该输入接口被配置为接收用户的命令。处理器可以被进一步被配置为确定基于用户的命令输入来输出报警的报警时间，并基于预测的生物特征状态来改变报警的输出时间。

13、根据本公开另一方面，一种控制电子设备的方法可包括：获取用户的生物特征信号；接收多个其他用户的生物特征数据以及与多个其他用户的生物特征数据对应的标记数据；利用无监督学习模型，基于用户的生物信号来预测用户的生物特征数据；利用受监督训练模型，基于用户的预测的生物特征数据、多个其它用户的生物特征数据来预测用户的生物特征状态。生物特征数据是用户的测量变量，生物特征状态是用户的潜在变量。

14、预测测量变量可以包括将通过受监督学习模型输出的数据用作反馈。

15、预测用户的测量变量可以包括独立于标记数据而操作无监督学习模型。

16、利用受监督学习模型预测用户的测量变量可以包括基于用户的测量变量和标记数据来获取用户的预测的测量变量。

17、利用无监督学习模型预测用户的潜在变量可以包括基于用户的测量变量和学习数据来获取用户的预测的测量变量。该方法可以包括基于用户的预测的测量变量和多个其他用户的测量变量来获取个性化测量变量。可以利用受监督学习模型基于个性化测量变量和学习数据来预测用户的潜在变量。

18、个性化测量变量的确定可以包括利用无监督学习模型基于与第一时间点对应的用户的测量变量和与第二时间点对应的用户的测量变量来获取用户的个性化测量变量。

19、有益技术效果

20、提供了一种电子设备和控制该电子设备的方法，该电子设备利用不同模型来预测潜在变量和测量变量以为用户优化潜在变量。

技术特征：

1.一种电子设备，包括：

2.如权利要求1的电子设备，其中：

3.如权利要求2的电子设备，其中，所述无监督学习模型利用由所述受监督学习模型输出的数据作为反馈来预测所述用户的测量变量。

4.如权利要求3的电子设备，其中，所述处理器进一步被配置为：独立于所述标记数据来操作所述无监督学习模型。

5.如权利要求2的电子设备，其中，所述处理器进一步被配置为：利用所述受监督学习模型基于所述用户的测量变量和所述标记数据来获取所述用户的预测的测量变量。

6.如权利要求2的电子设备，其中，所述处理器进一步被配置为：

7.如权利要求6的电子设备，其中，所述处理器进一步被配置为：基于与第一时间点对应的所述用户的测量变量和与第二时间点对应的所述用户的测量变量来获取所述个性化的测量变量。

8.如权利要求2的电子设备，其中，所述处理器进一步被配置为：基于所述多个其它用户的预定的生理特性的测量变量和与所述多个其它用户的测量变量对应的标记数据来获取用于预测所述用户的测量变量和所述用户的潜在变量的多个用户变量。

9.如权利要求1的电子设备，进一步包括：

10.一种控制电子设备的方法，包括：

11.如权利要求10的方法，其中，所述测量变量的预测包括：利用由所述受监督学习模型输出的数据作为反馈。

12.如权利要求11的方法，其中，所述用户的测量变量的预测包括：独立于所述标记数据来操作所述无监督学习模型。

13.如权利要求10的方法，其中，利用所述受监督学习模型预测所述用户的测量变量包括：基于所述用户的测量变量和所述标记数据来获取所述用户的预测的测量变量。

14.如权利要求10的方法，其中，利用所述无监督学习模型预测所述用户的潜在变量包括：基于所述用户的测量变量和所述学习的数据来获取所述用户的预测的测量变量，

15.如权利要求14的方法，其中，获取所述个性化的测量变量包括：利用所述无监督学习模型，基于与第一时间点对应的所述用户的测量变量和与第二时间对应的所述用户的测量变量来获取所述用户的个性化的测量变量。

技术总结
根据一个实施例的电子设备，包括：传感器，用于获取用户的生物特征信号；存储器，用于存储用户的测量变量；和处理器，被配置为：接收多个其他用户的生物特征数据和与所述多个其他用户的生物特征数据对应的标记数据，利用无监督学习模型来基于所述用户的生物特征信号来预测所述用户的生物特征数据，利用受监督学习模型基于所述用户的预测的生物特征数据、所述多个其它用户的生物特征数据和所述标记数据来预测所述用户的生物特征状态。

技术研发人员：K·斯柳萨连科
受保护的技术使用者：三星电子株式会社
技术研发日：
技术公布日：2024/1/13