基于耳机逆向信号的电动牙刷口腔定位方法

1.本发明属于人机交互的声波感知技术领域，具体涉及一种基于耳机逆向信号的电动牙刷口腔定位方法。


背景技术：

2.研究表明电动牙刷的刷牙时长对提升口腔健康程度有重要作用。足够的刷牙时长可以有效去除牙斑菌，使得用户口腔健康长期保持良好水平。
3.设计精确有效的刷牙位置监控系统对用户刷牙情况进行提醒和记录会有助于提高用户的刷牙完成度，进而提高用户的口腔健康水平。
4.然而现有技术中尚不存在能够自动判断电动牙刷在口腔中所处位置的方法。只有首先解决以什么样的途径进行信号采集，进而设计出对采集的信号如何识别的方案，才能实现电动牙刷在口腔中的定位，进而实现各牙齿的刷牙时长统计，为口腔健康提供可靠的数据。


技术实现要素：

5.本发明目的是为了克服现有技术的不足，提供一种基于耳机逆向信号的电动牙刷口腔定位方法，实现电动牙刷在口腔中位置的识别。
6.本发明的技术构思是建立了一个颅骨到耳蜗骨传导路径的声衰减模型，通过计算声衰减程度定位当前刷牙位置，进而能够在基于刷牙位置识别功能的基础上，实现各牙齿的刷牙时长统计。每次刷牙后，系统可以对用户漏刷、刷牙时长不足的位置进行提醒，从而督促用户进行完整的牙齿清洁。
7.基于耳机逆向信号的电动牙刷口腔定位方法，其特征是该方法使用电动牙刷、耳机、声卡或智能手机三种设备；耳机与声卡的麦克风接口相连，或与智能手机的3.5mm接口相连；牙刷是独立的设备，不与其他设备连接；
8.该方法包括以下步骤：
9.1)以门牙牙缝为界，将牙床分为上左、上右、下左、下右4个牙区，先佩戴耳机，后启动电动牙刷开始刷牙，电动牙刷的振动使颅骨产生4个牙区的骨传导声波信号，利用耳机作为传感器获得逆向信号以感知该声波信号，其中所述声卡或智能手机的采集频率记为fs；
10.2)逆向信号的转换与时序切割
11.采集到的每一组逆向信号经ad转换为离散数字信号，以实时序列形式缓存，经时序切割，得到定长序列；所述时序切割是将切割窗口长度设为n，即两个声道各接收到n个采样点时截断，再执行下一次切割；
12.离散数字信号经切割后形成以n
×
2形式存储的2-d数组，左声道信号序列定义为s
l
(i)，右声道信号序列定义为sr(i)，其中i表示序列索引，i＝0,
…
,n-1；
13.3)牙区判别方法的构建，包括3.1)左右牙区判别方法与3.2)上下牙区判别方法
14.3.1)左右牙区判别方法是对左右声道功率进行对比
15.一个窗口的离散数字信号的左声道功率p
l
、右声道功率pr的计算方法为：
[0016][0017]
当p
l
》pr时判定该窗口对应的刷牙位置为左牙区，当p
l
《pr时判定该窗口对应的刷牙位置为右牙区；
[0018]
3.2)上下牙区判别方法是利用上下颌骨不同的自然频率进行判断
[0019]
电动牙刷工作时产生的振动频率与ers主峰频率一致，记为f
main
，频带宽度设为40hz，其频带区间称为主频带；上颌骨自然频率设为500hz，下颌骨自然频率设为1200hz；自然频率的频带宽度设为200hz，其频带区间称为自然频带；
[0020]
采用以下方法从逆向信号中判别上下牙区，包括3.2.1)自然频带特征提取步骤，3.2.2)基于自然频带特征的判别阈值计算步骤，以及3.2.3)基于判别阈值的牙区判断步骤；
[0021]
所述3.2.1)自然频带特征提取是将信号序列s(i)经fft运算并归一化，转换为序列f(i)，称之为频域序列，序列总长度依然为n，对于频率区间[f1,f2]，从序列f(i)中分别找到与f1,f2最接近的频域所对应的索引值i，记为i1、i2；频率区间[f1,f2]内粗糙度ra为i1到i2范围内频域的归一化的二阶差分平方和；
[0022]
之后计算高频带和低频带排除主频带后的粗糙度rah和ra
l
；
[0023]
再计算rah和ra
l
两者之差rad，作为最终的自然频带特征：
[0024]
rad＝ra
h-ra
l
[0025]
所述3.2.2)判别阈值计算包括分别计算上、下牙区各组逆向信号rad值的均值，判别阈值是上、下牙区rad均值的平均；
[0026]
4)牙区判别，先判断左右牙区，后判断上下牙区
[0027]
对窗口中的一组逆向信号，先根据步骤3.1)判断左右牙区，后根照前述步骤3.2.1)计算rad值，并与步骤3.2.2)得到的阈值进行对比，当大于阈值时判定为上牙区，当小于阈值时判定为下牙区，从而判断出该窗口对应4个牙区中的哪一个。
[0028]
所述步骤2)中，为避免后续计算中的频谱泄漏(计算机二进制运算导致频谱峰值邻域出现额外频带的现象)，使所述时序切割的窗口长度n满足以下条件：n∈rn，rn与采样频率率fs有关：
[0029][0030]
所述3.2.1)自然频带特征提取中，区间[f1,f2]内粗糙度ra的计算方式如下：
[0031]
首先，将信号序列s(i)经fft运算并归一化，转换为序列f(i)，称之为频域序列，序列总长度依然为n，相邻f(i)之间存在一个与n和fs有关固定的步进频率f
step
，依据奈奎斯特采样定理，计算公式为：
[0032][0033]
其次建立函数i(f
obj
)，
[0034]
i(f
obj
)＝argmini|i
·fstep-f
obj
|，i＝0,
…
,n-1，
[0035]
argmini是使后式达到最小值时i的取值，其作用是对于给定的频域f
obj
从序列f(i)中找出与f
obj
最接近的索引值i；
[0036]
再计算序列f(i)的一阶前向差分：
[0037]
δf(i)＝f(i+1)-f(i),i∈[1,n-1]∩n
[0038]
进而计算f(i)的二阶前向差分：
[0039]
δ2f(i)＝δf(i+1)-δf(i),i∈[1,n-2]∩n
[0040]
由于是双声道，因此需要对左右声道s
l/r
(i)的频域序列f
l
(i)和fr(i)合并计算；对于频率区间[f1,f2]，该区间内粗糙度ra为归一化的二阶差分平方和，综合以上公式将其表述为函数形式：
[0041][0042]
从而建立了用于计算某频率区间内的粗糙度ra的函数。
[0043]
所述3.2.1)自然频带特征提取中，通过以下步骤计算高频部分1200hz和低频部分500hz排除主频带后的粗糙度rah和ra
l
；
[0044]
两者排除主频带之后的高频自然频带r
f_h
和低频自然频带r
f_l
为：
[0045][0046]
其中“—”表示减集运算，计算结果为区间的形式，根据f
main
值的不同，计算结果分为三种情况：
[0047]rf_h
和r
f_l
均是连续频带，如果则排除主频带之后的高频自然频带与低频自然频带记为r
f_h
＝[f
h1
,f
h2
]，r
f_l
＝[f
l1
,f
l2
]，其中f
h1
和f
h2
分别表示r
f_h
的上下限，同样的，f
l1
,f
l2
分别表示r
f_l
的上下限，r
f_h
存在间断区间，r
f_l
不存在间断区间；如果f
main
∈(1120,1280)，则排除主频带之后的高频自然频带与低频自然频带记为r
f_h
＝[f
h1
,f
h2
]∪[f
h3
,f
h4
]，r
f_l
＝[f
l1
,f
l2
]，[f
h1
,f
h2
]和[f
h3
,f
h4
]分别表示r
f_h
被主频带分隔的两段连续频带，r
f_h
存在间断区间，r
f_l
不存在间断区间；如果f
main
∈(420,580)，则排除主频带之后的高频自然频带与低频自然频带记为r
f_l
＝[f
l1
,f
l2
]∪[f
l3
,f
l4
]，r
f_h
＝[f
h1
,f
h2
]，[f
l1
,f
l2
]和[f
l3
,f
l4
]分别表示r
f_l
被主频带分隔的两段连续频带；
[0048]
对三种情况下的rah与ra
l
采用不同的计算方法：
[0049]
对于情况1，rah和ra
l
的计算方法为：
[0050][0051]
对于情况2，f
main
∈(1120,1280)，rah和ra
l
的计算方法为：
[0052][0053]
对于情况3，f
main
∈(420,580)，rah和ra
l
的计算方法为：
[0054][0055]
所述3.2.2)基于自然频带特征的判别阈值计算，具体如下：
[0056]
步骤1)采集的上、下牙区逆向信号组数分别记为nu、n
l
，由于每一组逆向信号算得一个rad值，将上牙区第x组的rad记为radu(x)，下牙区第y组的rad记为rad
l
(y)，分别计算上、下牙区各组信号的rad均值m
u/l
，计算方法为：
[0057][0058]
判别阈值是对上述两个均值再次取平均，即：
[0059]
th
rad
＝(mu+m
l
)/2。
[0060]
耳机逆向信号是利用耳机的电磁感应现象，将耳机作为信号收集装置，反向收集来自颅骨中的骨传导信号。当电动牙刷的振动能量作用于牙齿时，振动信号沿面部骨骼传导至耳蜗附近，由耳机捕获并转化为电流信号。在声卡中，声卡可以通过改装驱动程序等方式，实现对耳机逆向信号的收集。
[0061]
随着电动牙刷的普及以及家用耳机成本的不断降低，利用耳机逆向信号实现电动牙刷位置监控是一个有价值应用开发的方法。
[0062]
由于口腔条件和颅骨形态等存在个体差异，难以使用单一模型对刷牙位置进行判别。在以往的信号识别技术中，广泛采用的方法是使用cnn卷积神经网络对刷牙信号进行训练。然而若对电动牙刷口腔定位采用这种方案，不仅需要对用户的刷牙数据进行大量收集，而且对于上下牙区的自然频率信息难以提取。本发明构建了一个牙齿位置到声衰减功率的物理模型，其中含有多个未知参数，这些未知参数反映了用户的个体差异。本发明只需要收集一组用户数据即可求解参数，不需要对用户进行大量数据训练，极大提升了可用性。
[0063]
受益于物理模型的鉴别方案，该发明能够显著提升处理速度和运行效率，为实现实时位置识别提供了重要基础。由于模型中的物理参数反映了个体差异，用户的不同参数可以一定条件下用于实现用户身份鉴别。该发明为使得耳机成为用户身份识别设备成为可能。
[0064]
相比于深度学习方案，该发明设备价格低廉，操作简单，计算快，开销小，识别精确度高，能够胜任家用场景的日常应用，为我国居民口腔健康水平的提高做出重要支撑。
附图说明
[0065]
图1本发明的总体流程图。
[0066]
图2是本发明的具体工作流程图。
[0067]
图3四牙区不同牙位的左右声道功率对比。
具体实施方式
[0068]
本发明用于感知电动牙刷在口腔中的牙区位置。首先将牙床共分为4个牙区，分别是上左(upper left，ul)、上右(upper right，ur)、下左(lower left，ll)、下右(lower right，lr)。四个牙区分类的定义是：上牙床全部牙齿归属于上牙区，下牙床全部牙齿归属于下牙区；在上下牙区中，以门牙牙缝为分界线，左侧为左牙区，右侧为右牙区。耳机逆向信号(earphone reverse signal，以下简称ers)是利用耳机作为传感器，通过将耳机插入声卡麦克风插口的方式，感知到颅骨内的骨传导声波信号。本发明利用这种方法，感知口腔内
电动牙刷的振动信号。ers以模拟信号的形式进入声卡，经过采样转换为离散的数字信号，在计算机或移动设备中以数组(序列)形式存储。声卡采样率为fs，一般家用设备上运行时，fs的默认取值为44100hz。当信号开始收集时，会有持续的ers被声卡收集，因此计算机中获取的是连续不断的实时序列，序列的计量单位是采样点个数。由于左右耳机各有一个收集位置，因此收集的实时序列是双声道的。
[0069]
基于耳机逆向信号的电动牙刷口腔定位方法，整体流程如图1所示，具体流程如图2所示，该方法使用三种设备：耳机、声卡或智能手机、电动牙刷；耳机与声卡的麦克风接口相连，或与智能手机的3.5mm接口相连；牙刷是独立的设备，与其他设备之间不连接；
[0070]
该方法包括以下步骤：
[0071]
1)使用时先佩戴好耳机，后启动系统开始刷牙，利用耳机作为传感器，通过耳机逆向信号感知颅骨内的骨传导声波信号，该信号源于口腔内电动牙刷的振动；
[0072]
2)逆向信号的转换与时序切割
[0073]
采集到的逆向信号经ad转换为离散数字信号，并以实时序列形式存储，经时序切割，得到定长序列用于后续处理，所述时序切割包括将切割窗口的长度设为n，即两个声道各接收到n个采样点时截断，再执行下一次切割，为避免后续计算中的频谱泄漏(计算机二进制运算导致频谱峰值邻域出现额外频带的现象)，需要满足以下条件：n∈rn，其中rn与采样率fs有关：
[0074][0075]
数字信号经切割后形成以n
×
2形式存储的2-d数组，左声道数组定义为s
l
(i)，右声道数组定义为sr(i)，其中i表示序列索引，i＝0,
…
,n-1；
[0076]
3)牙区判别，先判断左右牙区，后判断上下牙区
[0077]
3.1)左右牙区判别方法是对左右声道功率进行对比
[0078]
一个窗口信号的左声道功率为p
l
，右声道功率pr的计算方法分别为：
[0079][0080]
当p
l
》pr时判定当前刷牙位置为左牙区，当p
l
《pr时判定当前刷牙位置为右牙区；
[0081]
3.2)上下牙区判别，利用上下颌骨不同的自然频率来判断上下牙区
[0082]
电动牙刷工作时产生的振动频率与ers主峰频率一致，记为f
main
，频带宽度设为40hz，其频带区间定义为主频带；上颌骨自然频率设为500hz，下颌骨自然频率设为1200hz；自然频率的频带宽度设为200hz，其频带区间定义为自然频带；实际收集的ers中，同时包含有上述三种频带成分，其中自然频带是判断上下牙区的关键信息，而主频带则是干扰信息；对于不同牙刷的f
main
值不同，主频带会与自然频带存在交集，导致干扰判断；
[0083]
采用以下算法从上述混合频带信息中判别上下牙区；具体包括一种可以排除主频带的特征提取方法(自然频带特征提取)，一种基于前者特征的判别阈值计算方法，以及基于判别阈值的牙区判断方法；
[0084]
a)自然频带特征提取
[0085]
将信号序列s(i)经fft运算并归一化，转换为序列f(i)，称之为频域序列，序列总长度依然为n，该序列f(i)索引并非直接表示频率，但与频率有对应关系，每个索引之间存在一个固定的步进频率f
step
，该步进频率与序列长度n和采样率fs有关，依据奈奎斯特采样
定理，其具体计算方法为：
[0086][0087]
定义函数i(f
obj
)，用于从频域序列f(i)中获取目标频率f
obj
对应的索引值，具体实现如下：
[0088]
i(f
obj
)＝arg mini|i
·fstep-f
obj
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0089]
在信号频谱上，主峰至频谱两端存在一个从峰值至零值的平滑过渡频带，以下简称过渡带，过渡带和主频带的关系在于，主频带是过渡带的子集，过渡带范围更大，但是过渡带上并非所有信息都能对自然频带产生干扰，只有主频带才对自然频带存在干扰。过渡带和自然频带之间也存在交集。本步骤的目标是提取自然频带的强度，但是过渡带的存在决定了这种强度不能直接通过计算功率的方式获得(包含了过渡带功率)，而应当计算曲线的粗糙程度；下面的算法是为了获取附着在过渡带上的其他频率的功率，例如自然频带的功率；自然频带附着在过度曲线上，表现为一种“毛刺”现象，因此引入以下频域曲线粗糙度ra(以下简称粗糙度)的概念；
[0090]
计算粗糙度前，先定义序列f(i)的一阶前向差分：
[0091]
δf(i)＝f(i+1)-f(i),i∈[1,n-1]∩n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)依据公式(5)计算f(i)的二阶前向差分δ2f(i)：
[0092]
δ2f(i)＝δf(i+1)-δf(i),i∈[1,n-2]∩n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0093]
由于存在双声道数据，因此需要对左右声道的频域序列合并计算，左右声道s
l/r
(i)的频域序列分别为f
l
(i)和fr(i)，现假设有频率区间[f1,f2]，其中该区间内粗糙度ra为归一化的二阶差分平方和，综合公式(4)(6)将其表述为函数形式：
[0094][0095]
该函数算得某频率区间(频带)内的粗糙度ra；
[0096]
过渡带的范围远大于主频带，因此以下算法用于计算排除主频带后的粗糙度；此外，由于自然频带有两个，因此需要分别计算自然频带高频部分(1200hz)的粗糙度rah和低频部分(500hz)的粗糙度ra
l
；两者对应的频带分别为高频自然频带r
f_h
和低频自然频带r
f_l
；这里可直接从自然频带中排除主频带，排除的计算方法为：
[0097][0098]
公式(8)中区间之间的“—”表示减集运算，计算结果为区间的形式，根据f
main
值的不同，计算结果分为三种情况：
[0099]rf_h
和r
f_l
均是连续频带，条件是定义公式(8)的计算结果为r
f_h
＝[f
h1
,f
h2
]，其中f
h1
和f
h2
分别表示r
f_h
的上下限频率，同样的，r
f_l
＝[f
l1
,f
l2
]；
[0100]rf_h
存在间断区间，r
f_l
不存在间断区间，条件是f
main
∈(1120,1280)；定义r
f_h
＝[f
h1
,f
h2
]∪[f
h3
,f
h4
]，r
f_l
＝[f
l1
,f
l2
]；[f
h1
,f
h2
]和[f
h3
,f
h4
]分别表示r
f_h
间断的两段频率；
[0101]rf_l
存在间断区间，r
f_h
不存在间断区间，条件是f
main
∈(420,580)；定义r
f_l
＝[f
l1
,fl2
]∪[f
l3
,f
l4
]，r
f_h
＝[f
h1
,f
h2
]；[f
l1
,f
l2
]和[f
l3
,f
l4
]分别表示r
f_l
间断的两段频率；
[0102]
对三种情况下的rah与ra
l
采用不同的计算方法：
[0103]
对于情况1，rah和ra
l
的计算方法为：
[0104][0105]
对于情况2，f
main
∈(1120,1280)，rah和ra
l
的计算方法为：
[0106][0107]
对于情况3，f
main
∈(420,580)，rah和ra
l
的计算方法为：
[0108][0109]
得到高低频的频带信息后，需要计算rah和ra
l
两者之差rad，作为最终的自然频带特征：
[0110]
rad＝ra
h-ra
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0111]
该特征仅是一种对频带信息的数学描述，因此以下算法利用该特征，对上下牙区进行判别；
[0112]
b)判别阈值计算
[0113]
在该步骤中，用户首先随机收集一组数据，方式是直接将牙刷抵于对应牙区即可进行数据收集，收集时长不作规定，但包括4个牙区；
[0114]
对于不同牙区的数据，从a)中计算得到的rad值均不同，但是存在统计学的规律，体现在：上牙区牙齿的rad值总体大于下牙区，且上下牙区之间的rad值分布存在一个界线，该界线称为rad阈值，表示为th
rad
；
[0115]
当某用户收集了多组上牙区数据，总组数为nu，由于每一组数据计算得到一个rad的值，因此对于上牙区，第x组计算结果记为radu[x]，
[0116]
同样的对于下牙区，总组数为n
l
，第y组计算结果记为rad
l
[y]，
[0117]
先分别计算上下牙区的rad均值m
u/l
，计算方法为：
[0118][0119]
判别阈值的计算方法是对上述两个量再次取均值，即：
[0120]
th
rad
＝(mu+m
l
)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0121]
c)牙区判别
[0122]
对一组窗口信号，依照前面步骤计算rad值，与th
rad
进行对比，当rad》th
rad
时判定为上牙区，当rad≤th
rad
时判定为下牙区；综合前面3.1)中的结果，得到最终的4牙区判别结果。
[0123]
实施例1
[0124]
本实施例中随机选取了一名24岁志愿者作为系统的用户。该用户拥有完整的32颗成年人牙齿。实施例中使用的电动牙刷为philips hx9911，耳机设备选取ath-m30x。用户的
操作规程包括收集数据，求解模型，刷牙位置识别，刷牙时长统计。对于系统工作流参见图1。本实施例主要包括以下几个步骤：
[0125]
1)用户五指自然握持牙刷柄，耳机两侧包夹牙刷头，首先采集刷牙数据。
[0126]
2)时序切割
[0127]
接收实时序列并执行切割，每个声道接收到4410个采样点作为一个窗口，采样的数据是以4410
×
2存储的2-d数组。
[0128]
3)牙区判别
[0129]
a)首先判别左右牙区，用户刷牙时左右声道的功率存在差异，依据左右声道功率大小判别左右牙区。当前窗口的左声道功率pl＝28425.37，右声道功率为pr＝4784.85，系统依据p
l
》pr的结果判定当前位置为左牙区。
[0130]
b)依据rad值的计算结果，如图3所示，若当前刷牙位置的rad值大于99.2则判定为上牙区，否则判定为下牙区。当前窗口中，rad＝177.35，因此系统判定为上牙区。
[0131]
综合以上判别结果，认定当前刷牙动作位于上左牙区。

技术特征：
1.基于耳机逆向信号的电动牙刷口腔定位方法，其特征是该方法使用电动牙刷、耳机、声卡或智能手机三种设备；耳机与声卡的麦克风接口相连，或与智能手机的3.5mm接口相连；牙刷是独立的设备，不与其他设备连接；该方法包括以下步骤：1)以门牙牙缝为界，将牙床分为上左、上右、下左、下右4个牙区，先佩戴耳机，后启动电动牙刷开始刷牙，电动牙刷的振动使颅骨产生4个牙区的骨传导声波信号，利用耳机作为传感器获得逆向信号以感知该声波信号，其中所述声卡或智能手机的采集频率记为fs；2)逆向信号的转换与时序切割采集到的每一组逆向信号经ad转换为离散数字信号，以实时序列形式缓存，经时序切割，得到定长序列；所述时序切割是将切割窗口长度设为n，即两个声道各接收到n个采样点时截断，再执行下一次切割；离散数字信号经切割后形成以n
×
2形式存储的2-d数组，左声道信号序列定义为s
l
(i)，右声道信号序列定义为s
r
(i)，其中i表示序列索引，i＝0,
…
,n-1；3)牙区判别方法的构建，包括3.1)左右牙区判别方法与3.2)上下牙区判别方法3.1)左右牙区判别方法是对左右声道功率进行对比一个窗口的离散数字信号的左声道功率p
l
、右声道功率p
r
的计算方法为：当p
l
>p
l
时判定该窗口对应的刷牙位置为左牙区，当p
l
<p
r
时判定该窗口对应的刷牙位置为右牙区；3.2)上下牙区判别方法是利用上下颌骨不同的自然频率进行判断电动牙刷工作时产生的振动频率与ers主峰频率一致，记为f
main
，频带宽度设为40hz，其频带区间称为主频带；上颌骨自然频率设为500hz，下颌骨自然频率设为1200hz；自然频率的频带宽度设为200hz，其频带区间称为自然频带；采用以下方法从逆向信号中判别上下牙区，包括3.2.1)自然频带特征提取步骤，3.2.2)基于自然频带特征的判别阈值计算步骤，以及3.2.3)基于判别阈值的牙区判断步骤；所述3.2.1)自然频带特征提取是将信号序列s(i)经fft运算并归一化，转换为序列f(i)，称之为频域序列，序列总长度依然为n，对于频率区间[f1,f2]，从序列f(i)中分别找到与f1,f2最接近的频域所对应的索引值i，记为i1、i2；频率区间[f1,f2]内粗糙度ra为i1到i2范围内频域的归一化的二阶差分平方和；之后计算高频带和低频带排除主频带后的粗糙度ra
h
和ra
l
；再计算ra
h
和ra
l
两者之差rad，作为最终的自然频带特征：rad＝ra
h-ra
l
所述3.2.2)判别阈值计算包括分别计算上、下牙区各组逆向信号rad值的均值，判别阈值是上、下牙区rad均值的平均；4)牙区判别，先判断左右牙区，后判断上下牙区对窗口中的一组逆向信号，先根据步骤3.1)判断左右牙区，后根照前述步骤3.2.1)计算rad值，并与步骤3.2.2)得到的阈值进行对比，当大于阈值时判定为上牙区，当小于阈值
时判定为下牙区，从而判断出该窗口对应4个牙区中的哪一个。2.如权利要求1所述的基于耳机逆向信号的电动牙刷口腔定位方法，其特征是所述步骤2)中，为避免后续计算中的频谱泄漏(计算机二进制运算导致频谱峰值邻域出现额外频带的现象)，使所述时序切割的窗口长度n满足以下条件：n∈r
n
，r
n
与采样频率率fs有关：3.如权利要求1所述的基于耳机逆向信号的电动牙刷口腔定位方法，其特征是所述3.2.1)自然频带特征提取中，区间[f1,f2]内粗糙度ra的计算方式如下：首先，将信号序列s(i)经fft运算并归一化，转换为序列f(i)，称之为频域序列，序列总长度依然为n，相邻f(i)之间存在一个与n和fs有关固定的步进频率f
step
，依据奈奎斯特采样定理，计算公式为：其次建立函数i(f
obj
)，i(f
obj
)＝argmin
i
|i
·
f
step-f
obj
|，i＝0,
…
,n-1，argmin
i
是使后式达到最小值时i的取值，其作用是对于给定的频域f
obj
从序列f(i)中找出与f
obj
最接近的索引值i；再计算序列f(i)的一阶前向差分：δf(i)＝f(i+1)-f(i),i∈[1,b-1]∩n进而计算f(i)的二阶前向差分：δ2f(i)＝δf(i+1)-δf(i),i∈[1,n-2]∩n由于是双声道，因此需要对左右声道s
l/r
(i)的频域序列f
l
(i)和f
r
(i)合并计算；对于频率区间[f1,f2]，该区间内粗糙度ra为归一化的二阶差分平方和，综合以上公式将其表述为函数形式：从而建立了用于计算某频率区间内的粗糙度ra的函数。4.如权利要求3所述的基于耳机逆向信号的电动牙刷口腔定位方法，其特征是所述3.2.1)自然频带特征提取中，通过以下步骤计算高频部分1200hz和低频部分500hz排除主频带后的粗糙度ra
h
和ra
l
；两者排除主频带之后的高频自然频带r
f_h
和低频自然频带r
f_l
为：其中“—”表示减集运算，计算结果为区间的形式，根据f
main
值的不同，计算结果分为三种情况：r
f_h
和r
f_l
均是连续频带，如果则排除主频带之后的高频自然频带与低频自然频带记为r
f_h
＝[f
h1
,f
h2
]，r
f_l
＝[f
l1
,f
l2
]，其中f
h1
和f
h2
分别表示r
f_h
的上下限，同样的，f
l1
,f
l2
分别表示r
f_l
的上下限，
r
f_h
存在间断区间，r
f_l
不存在间断区间；如果f
main
∈(1120,1280)，则排除主频带之后的高频自然频带与低频自然频带记为r
f_h
＝[f
h1
,f
h2
]∪[f
h3
,f
h4
]，r
f_l
＝[f
l1
,f
l2
]，[f
h1
,f
h2
]和[f
h3
,f
h4
]分别表示r
f_h
被主频带分隔的两段连续频带，r
f_h
存在间断区间，r
f_l
不存在间断区间；如果f
main
∈(420,580)，则排除主频带之后的高频自然频带与低频自然频带记为r
f_l
＝[f
l1
,f
l2
]∪[f
l3
,f
l4
]，r
f_h
＝[f
h1
,f
h2
]，[f
l1
,f
l2
]和[f
l3
,f
l4
]分别表示r
f_l
被主频带分隔的两段连续频带；对三种情况下的ra
h
与ra
l
采用不同的计算方法：对于情况1，ra
h
和ra
l
的计算方法为：对于情况2，f
main
∈(1120,1280)，ra
h
和ra
l
的计算方法为：对于情况3，f
main
∈(420,580)，ra
h
和ra
l
的计算方法为：5.如权利要求4所述的基于耳机逆向信号的电动牙刷口腔定位方法，其特征是所述3.2.2)基于自然频带特征的判别阈值计算，具体如下：步骤1)采集的上、下牙区逆向信号组数分别记为n
u
、n
l
，由于每一组逆向信号算得一个rad值，将上牙区第x组的rad记为rad
u
(x)，下牙区第y组的rad记为rad
l
(y)，分别计算上、下牙区各组信号的rad均值m
u/l
，计算方法为：判别阈值是对上述两个均值再次取平均，即：th
rad
＝(m
u
+m
l
)/2。

技术总结
基于耳机逆向信号的电动牙刷口腔定位方法，使用电动牙刷、耳机、声卡或智能手机三种设备；耳机与声卡的麦克风接口相连；步骤包括信号时序切割；利用左右声道功率判断左右牙区；设计粗糙度算法用自然频率差异鉴别上下颌骨，包括自然频带特征提取，基于自然频带特征的判别阈值计算，基于判别阈值的牙区判断。本发明基于耳机逆向信号获取传感数据，无需额外复杂设备，设备廉价，识别精度高，计算快开销小。本发明构建的物理模型无需训练，可以直接利用一组刷牙数据对参数进行求解，为刷牙监控系统提供了新的牙位识别方案，可以有效监督用户刷牙过程，对提高用户口腔健康水平有重要意义。对提高用户口腔健康水平有重要意义。对提高用户口腔健康水平有重要意义。


技术研发人员：洪锋 王阳 姜雪婷 姜雨霏 鲍晨煜
受保护的技术使用者：中国海洋大学
技术研发日：2023.02.06
技术公布日：2023/7/31