标识身体部位的制作方法

1.本公开涉及用于对对象执行个人护理操作的手持设备，并且具体地涉及用于标识对其使用手持设备的对象的身体部位的技术。


背景技术：

2.许多类型的手持设备可用，它们可以被用于对象的身体部位来提供对身体的个人护理操作。例如，存在使用各种技术(诸如剃刮、电解、拔毛、激光和光疗法(被称为光脱毛或强脉冲光ipl)和注射治疗性抗雄激素)去除不需要的毛发的手持设备。其他类型的皮肤科手术，包括减少毛发生长和治疗痤疮，也可以使用基于光的技术。手持设备也可以被用于为对象提供按摩、提供指甲处理、提供物理治疗、为对象应用贴片(例如，心电图电极等)。另一类型可用于身体部位的手持设备是超声波探头。
3.ipl处理的特征在于ipl设备的用户为了毛发去除而处理相对较小的皮肤面积。ipl处理使用强光来加热毛发和发根中的黑色素，使毛囊进入静止期，防止毛发重新生长。该效果仅具有有限的持续时间，并且因此必须定期重复治疗：在大约两个月的初始阶段(每两周进行一次处理)之后，通常在维持阶段每4至8周一次。
4.ipl处理设备可以使用不同的光强度设置来适应不同的肤色和毛发颜色组合。一些现有的ipl处理设备(例如飞利浦lumea)可以包括用于测量肤色的肤色传感器，并且所测量的肤色可以被用于设置/推荐最安全的光强度设置。此外，身体的不同部位可能需要不同的处理特性。在某些情况下，这可以通过为ipl处理设备提供和使用不同的附件来处理，以用于不同的身体部位，例如用于面部和比基尼区域，但希望确定正在使用(和/或已使用)ipl处理设备的身体部位。
5.关于身体部位的该信息在用于执行个人护理操作的手持设备的一般情况下也是有用的，并且该信息不仅可以被用于调整手持设备的操作，还可以用于指导手持设备的用户对适当的身体部位或身体部位的一部分执行个人护理操作，从而提供对对象执行的个人护理操作的摘要或报告，调度身体部位的再处理并向用户或对象提供个性化内容。
6.因此，需要改进标识正在对其使用手持设备的身体部位。


技术实现要素：

7.根据第一具体方面，提供了标识对其使用手持设备的对象的身体部位的计算机实现的方法。手持设备用于对对象执行个人护理操作，并且手持设备包括用于在个人护理操作期间接触对象皮肤的头部部分。手持设备还包括一个或多个传感器，用于测量相应参数并且在手持设备用于对象的皮肤上时生成相应的测量信号。一个或多个传感器包括以下项中的至少一个：(a)皮肤接触传感器，皮肤接触传感器所测量的参数指示头部部分是否与皮肤接触，(b)肤色传感器，肤色传感器所测量的参数指示与头部部分接触的皮肤的肤色，或者指示与头部部分接触的皮肤相邻的皮肤的肤色，以及(c)接近传感器，由接近传感器测量的参数指示从接近传感器到与头部部分接触的皮肤相邻的皮肤的距离。方法包括：从一个
或多个传感器中的每一个获取相应的测量信号，每个测量信号包括当手持设备在对象的皮肤上使用时的相应参数的测量值时间序列；使用经训练的机器学习模型mlm来分析所获取的一个或多个测量信号，以标识对其使用手持设备的对象的身体部位，其中经训练的mlm分析时间窗口中与所获取的一个或多个测量信号有关的多个测量值来标识身体部位；以及输出所标识的身体部位的指示。因此，第一方面通过使用经训练的mlm来提供身体部位标识的改进，经训练的mlm能够基于来自皮肤接触传感器、肤色传感器和接近传感器中的一个或多个的测量信号来标识身体部位。通过分析所获取的一个或多个测量信号中的每一个在时间窗口中的多个测量值来标识身体部位，mlm能够考虑测量信号中的时间信息。
8.在一些实施例中，经训练的mlm是逻辑回归模型、支持向量机、随机森林、朴素贝叶斯分类器、最近邻分类器、决策树分类器、人工神经网络或它们的任何组合。
9.在一些实施例中，经训练的mlm分析所获得的一个或多个测量信号中的每一个中的测量值来标识与所述测量值相对应的身体部位。这些实施例提供了mlm为测量信号中的每个测量样本提供身体部位的标识。
10.在这些实施例中，方法还可以包括重复分析所获取的一个或多个测量信号中的每一个中的后续测量值的步骤，以标识与所述后续测量值相对应的身体部位。这些实施例提供了在个人护理操作过程中可以连续地标识身体部位。
11.在一个实施例中，方法还可以包括在时间窗口中针对所获取的一个或多个测量信号中的每一个确定多个测量值的一个或多个特征的相应值；并且经训练的mlm可以分析所确定的相应值来标识身体部位。
12.在该实施例中，方法还可以包括：在所获取的一个或多个测量信号上移动时间窗口来提供后续的多个测量值；以及重复使用后续多个测量值进行分析的步骤，以标识与所述后续多个测量值相对应的身体部位。这些实施例提供了在个人护理操作过程中可以连续地标识身体部位。
13.在一些实施例中，方法还包括：重复分析一个或多个测量信号中的后续测量值的步骤，以提供指示所标识的身体部位的一系列输出；以及对一系列输出应用过滤器来确定最终输出，最终输出指示对其使用手持设备的身体部位。这些实施例提供的益处是可以从mlm的输出中“消除”虚假的身体部位标识。
14.在一些实施例中，方法还包括在第一时间段期间从用户接收对于对其使用手持设备的对象的身体部位的确认；以及基于所接收的确认和所获取的一个或多个测量信号中、与第一时间段相对应的部分，更新经训练的mlm。这些实施例提供了mlm可以被改善来改进检测精度。这些实施例还提供了mlm可以根据对象身体部位的形状进行自定义或校准。
15.在一些实施例中，手持设备的头部部分选自可移除头部部分集合，其中集合中的每个头部部分被用于与一个或多个相应的身体部位一起使用，并且方法还包括获取在个人护理操作期间手持设备上使用的可移除头部部分的指示，并且经训练的mlm还利用所获取的一个或多个测量信号来分析所获取的指示，以标识对其使用手持设备的对象的身体部位。这些实施例通过mlm利用与将使用手持设备上使用的可移除头部部分来处理的身体部位的信息来改进身体部位标识的精度。
16.在一些实施例中，一个或多个传感器包括皮肤接触传感器以及肤色传感器和接近传感器中的至少一个，并且分析步骤包括：分析来自皮肤接触传感器的测量信号来标识手
持设备与皮肤接触的接触时间段；以及针对所标识的接触时间段，使用经训练的mlm，分析从肤色传感器和接近传感器中的至少一个获取的一个或多个测量信号，以标识在所标识的接触时间段内对其使用手持设备的对象的身体部位。这些实施例利用了手持设备在特定身体部位上操作时保持与皮肤接触的假设，而当手持设备被重新定位在不同的身体部位上时接触被破坏。
17.在这些实施例中，分析来自皮肤接触传感器的测量信号的步骤可以包括将接触时间段标识为手持设备与皮肤连续接触的时间段。
18.备选地，在这些实施例中，分析来自皮肤接触传感器的测量信号的步骤可以包括将接触时间段标识为跨越多个时间段，在每个时间段中手持设备与皮肤连续接触，并且多个时间段小于阈值时间间隔量。这些实施例具有允许失去皮肤接触的小时间段的优点。
19.在一些实施例中，一个或多个传感器包括至少一个皮肤接触传感器和肤色传感器。
20.在备选实施例中，一个或多个传感器包括至少一个皮肤接触传感器、肤色传感器和一个或多个接近传感器。
21.在一些实施例中，一个或多个传感器包括至少多个接近传感器，并且多个接近传感器被布置在手持设备中，使得每个接近传感器测量指示从接近传感器到与头部部分接触的皮肤相邻的皮肤的相应部分的距离的参数。
22.在一些实施例中，皮肤接触传感器是电容传感器，肤色传感器是光学传感器，并且接近传感器是基于光和/或声音的接近传感器。
23.在一些实施例中，接近传感器包括垂直腔表面发射激光(vcsel)传感器。
24.在一些实施例中，对象的身体部位是脚、腿、小腿、腿、大腿、腹部、躯干、胸部、背部、手、臂、小臂、上臂、手臂、腋下、肩膀、颈部、面部、上唇、头皮或头部中的任一个。
25.根据第二方面，提供了计算机程序产品，计算机程序产品包括其中包含有计算机可读代码的计算机可读介质，计算机可读代码被配置为使得在由合适的计算机或处理器执行时，使得计算机或处理器执行根据第一方面或其任何实施例的方法。
26.根据第三具体方面，提供了系统，系统包括用于对对象执行个人护理操作的手持设备和用于标识对其使用手持设备的对象的身体部位的装置。手持设备包括用于在个人护理操作期间接触对象皮肤的头部部分。手持设备还包括一个或多个传感器，用于测量相应参数并且在手持设备用于对象的皮肤上时生成相应的测量信号。一个或多个传感器包括以下项中的至少一个：(a)皮肤接触传感器，皮肤接触传感器所测量的参数指示头部部分是否与皮肤接触，(b)肤色传感器，肤色传感器所测量的参数指示与头部部分接触的皮肤的肤色，或者指示与头部部分接触的皮肤相邻的皮肤的肤色，以及(c)接近传感器，由接近传感器测量的参数指示从接近传感器到与头部部分接触的皮肤相邻的皮肤的距离。装置包括处理单元，处理单元被配置为：从一个或多个传感器中的每一个获取相应的测量信号，每个测量信号包括当手持设备在对象的皮肤上使用时的相应参数的测量值时间序列；使用经训练的机器学习模型mlm来分析所获取的一个或多个测量信号，以标识对其使用手持设备的对象的身体部位，其中经训练的mlm被配置为分析时间窗口中与所获取的一个或多个测量信号的每一个有关的多个测量值来标识身体部位；以及输出所标识的身体部位的指示。因此，第三方面通过使用经训练的mlm来提供身体部位标识的改进，经训练的mlm能够基于来自皮
肤接触传感器、肤色传感器和接近传感器中的一个或多个的测量信号来标识身体部位。由于经训练的mlm被配置为分析所获取的一个或多个测量信号中的每一个在时间窗口中的多个测量值来标识身体部位，mlm能够考虑测量信号中的时间信息。
27.在一些实施例中，经训练的mlm是逻辑回归模型、支持向量机、随机森林、朴素贝叶斯分类器、最近邻分类器、决策树分类器、人工神经网络或它们的任何组合。
28.在一些实施例中，处理单元被配置为使用mlm分析所获得的一个或多个测量信号中的每一个中的测量值来标识与所述测量值相对应的身体部位。这些实施例提供了mlm为测量信号中的每个测量样本提供身体部位的标识。
29.在这些实施例中，处理单元还可以被配置为重复分析所获取的一个或多个测量信号中的每一个中的后续测量值，以标识与所述后续测量值相对应的身体部位。这些实施例提供了在个人护理操作过程中可以连续地标识身体部位。
30.在一个实施例中，处理单元还可以被配置为在时间窗口中针对所获取的一个或多个测量信号中的每一个确定多个测量值的一个或多个特征的相应值；并且处理单元可以被配置为使用经训练的mlm分析所确定的相应值来标识身体部位。
31.在该实施例中，处理单元还可以被配置为：在所获取的一个或多个测量信号上移动时间窗口来提供后续的多个测量值；以及重复使用后续多个测量值的分析，以标识与所述后续多个测量值相对应的身体部位。这些实施例提供了在个人护理操作过程中可以连续地标识身体部位。
32.在一些实施例中，处理单元还被配置为：重复分析一个或多个测量信号中的后续测量值，以提供指示所标识的身体部位的一系列输出；以及对一系列输出应用过滤器来确定最终输出，最终输出指示对其使用手持设备的身体部位。这些实施例提供的益处是可以从mlm的输出中“消除”虚假的身体部位标识。
33.在一些实施例中，处理单元还被配置为：在第一时间段期间从用户接收对于对其使用手持设备的对象的身体部位的确认；以及基于所接收的确认和所获取的一个或多个测量信号中、与第一时间段相对应的部分，更新经训练的mlm。这些实施例提供了mlm可以被改善来改进检测精度。这些实施例还提供了mlm可以根据对象身体部位的形状进行自定义或校准。
34.在一些实施例中，手持设备的头部部分选自可移除头部部分集合，其中集合中的每个头部部分被用于与一个或多个相应的身体部位一起使用，并且处理单元还被配置为：获取在个人护理操作期间手持设备上使用的可移除头部部分的指示，并且使用mlm，利用所获取的一个或多个测量信号来分析所获取的指示，以标识对其使用手持设备的对象的身体部位。这些实施例通过mlm利用与将使用手持设备上使用的可移除头部部分来处理的身体部位的信息来改进身体部位标识的精度。
35.在一些实施例中，一个或多个传感器包括皮肤接触传感器以及肤色传感器和接近传感器中的至少一个，并且处理单元被配置为：分析来自皮肤接触传感器的测量信号来标识手持设备与皮肤接触的接触时间段；以及针对所标识的接触时间段，使用经训练的mlm，分析从肤色传感器和接近传感器中的至少一个获取的一个或多个测量信号，以标识在所标识的接触时间段内对其使用手持设备的对象的身体部位。这些实施例利用了手持设备在特定身体部位上操作时保持与皮肤接触的假设，而当手持设备被重新定位在不同的身体部位
上时接触被破坏。
36.在这些实施例中，处理单元可以被配置为：分析来自皮肤接触传感器的测量信号，以将接触时间段标识为手持设备与皮肤连续接触的时间段。
37.备选地，在这些实施例中，处理单元可以被配置为：分析来自皮肤接触传感器的测量信号，以将接触时间段标识为跨越多个时间段，在每个时间段中手持设备与皮肤连续接触，并且多个时间段小于阈值时间间隔量。这些实施例具有允许失去皮肤接触的小时间段的优点。
38.在一些实施例中，一个或多个传感器包括至少一个皮肤接触传感器和肤色传感器。
39.在备选实施例中，一个或多个传感器包括至少一个皮肤接触传感器、肤色传感器和一个或多个接近传感器。
40.在一些实施例中，一个或多个传感器包括至少多个接近传感器，并且多个接近传感器被布置在手持设备中，使得每个接近传感器测量指示从接近传感器到与头部部分接触的皮肤相邻的皮肤的相应部分的距离的参数。
41.在一些实施例中，皮肤接触传感器是电容传感器，肤色传感器是光学传感器，并且接近传感器是基于光和/或声音的接近传感器。
42.在一些实施例中，接近传感器包括垂直腔表面发射激光(vcsel)传感器。
43.在一些实施例中，对象的身体部位是脚、腿、小腿、腿、大腿、腹部、躯干、胸部、背部、手、臂、小臂、上臂、手臂、腋下、肩膀、颈部、面部、上唇、头皮或头部中的任一个。
44.在一些实施例中，装置是手持设备的一部分，或者以其他方式被包括在手持设备中。在备选实施例中，装置与手持设备分离。
45.这些方面和其他方面将从下文描述的(多个)实施例中变得明显并且参考下文中描述的(多个)实施例来阐明。
附图说明
46.现在将参考以下附图、仅通过示例的方式来描述示例性实施例，其中：
47.图1是包括皮肤接触传感器和肤色传感器的示例性手持设备的图示；
48.图2是包括皮肤接触传感器、肤色传感器和接近传感器的备选示例性手持设备的图示；
49.图3是包括用于执行个人护理操作的手持设备和用于标识对其使用手持设备的身体部位的装置的示例性系统的框图；
50.图4是分类精度与所使用的接近传感器数量的关系图；
51.图5(a)是分类精度随中值过滤器长度变化的曲线图，以及图5(b)是分类精度随模式过滤器长度变化的曲线图；
52.图6是示出了在训练数据收集阶段获得的、来自皮肤接触传感器的示例性测量信号的曲线图；
53.图7示出了图示用于分析测量信号的示例性技术的两个流程图；
54.图8图示了随机森林分类器的示例性结构；
55.图9图示了人工神经网络的示例性结构；
56.图10至图13示出了随机森林分类器和人工神经网络的泛化和个性化的分类结果；
57.图14示出了应用输出模式过滤对随机森林模型的四个不同实现方式的准确性的影响；
58.图15是针对随机森林分类获取的准确度箱线图，其中皮肤接触测量信号未针对附件之间的可变性进行校正；
59.图16和图17是个性化随机森林模型的决策树的可视化；以及
60.图18是图示了标识身体部位的示例性方法的流程图。
具体实施方式
61.如上所述，本文描述的技术可以被用于标识在个人护理操作期间正在对其使用和/或已对其使用手持设备的身体部位。这些技术可以由手持设备(例如，由手持设备中的处理单元)来实现，或者由单独装置中的处理单元来实现。手持设备包括一个或多个传感器，传感器测量相应的参数并生成相应的测量信号，并且这些测量信号(多个)使用机器学习模型(mlm)来分析，以标识对其使用手持设备的身体部位。
62.图1是根据某些实施例的示例性手持设备2的图示，示例性手持设备2包括皮肤接触传感器和肤色传感器。手持设备2用于对象(例如，人或动物)的身体上，并且在使用期间将被握持在用户的一只手或两只手中。手持设备2用于在手持设备2与对象的身体部位接触时，对对象的身体执行一些个人护理操作。在一些实施例中，手持设备2用于对对象的皮肤执行一些个人护理操作。一些示例性的个人护理操作包括但不限于通过剃刮、电解、拔毛、激光和光疗法(被称为光脱毛或强脉冲光ipl)和注射治疗性抗雄激素中的任一个来去除不需要的毛发；皮肤病学(皮肤)处理，包括减少毛发生长、治疗痤疮、光疗治疗、嫩肤、皮肤紧致或葡萄酒色斑治疗；缓解疼痛；提供按摩；提供指甲处理；以及提供物理治疗。手持设备2可以备选地用于将贴片应用到对象的身体(例如心电图(ecg)电极等)，或者手持设备2可以用于在身体部位上执行超声扫描。
63.如本文所述，手持设备2由“用户”操作或使用，并且手持设备2被使用在“对象”的身体上。在某些情况下，用户和对象是同一人，即，手持设备2被握持在手中并由用户自己使用(例如，使用在他们腿上的皮肤上)。在其他情况下，用户和对象是不同的人，例如，手持设备2由用户手持并对其他人使用。
64.手持设备2包括外壳4，外壳4至少包括手柄部分5和头部部分6。手柄部分5的形状使得用户能够利用一只手握持手持设备2。头部部分6位于外壳4的头端8处，并且头部部分6被放置为与对象接触，以在头部部分6与身体或皮肤接触的位置处对对象的身体或皮肤进行个人护理操作。
65.在图1所示的实施例中，手持设备2用于使用能量或能量脉冲(例如光或光脉冲)执行个人护理操作。因此，在图1中，头部部分6包括在外壳4中或外壳4上布置的孔10，使得孔10可以被放置在对象皮肤附近或对象皮肤上(即，接触)。手持设备2包括一个或多个能量源12，用于生成能量脉冲，能量脉冲将经由孔10被施加到对象的皮肤上并实现个人护理操作。一个或多个能量源12被布置在外壳4中，使得能量脉冲从一个或多个能量源12通过孔10来提供。孔10可以是在外壳4的头端8处的开口的形式，或者它可以是对能量脉冲(包括波导)透明或半透明的窗口的形式(即，能量脉冲可以穿过窗口)。
66.在图1所示的示例性实施例中，孔10具有大致矩形形状，这导致皮肤上的大致矩形的皮肤处理区域。应当理解，孔10可以具有任何其他所需的形状。例如，孔10可以是正方形、椭圆形、圆形或任何其他多边形形状。
67.一个或多个能量源12可以生成用于执行个人护理操作的任何合适类型的能量，例如光、声、射频(rf)信号、微波辐射和等离子体。在生成光的能量源12的情况下，能量源12可以被配置为生成任何合适或期望的波长(或波长范围)和/或强度的光脉冲。例如，能量源12可以生成可见光、红外(ir)光和/或紫外(uv)光。每个能量源12可以包括任何合适类型的光源，诸如一个或多个发光二极管(led)、(氙)闪光灯、一个或多个激光器等。在优选实施例中，手持设备2用于执行光脱毛，并且(多个)能量源12将提供强光脉冲。例如，(多个)能量源12可以在约2.5毫秒(ms)的持续时间内，提供具有在560-1200纳米(nm)范围内的光谱含量的光脉冲，因为这些波长通过吸收来加热毛发和发根中的黑色素，使得毛囊处于静止阶段，防止毛发再生。在生成声音的能量源12的情况下，能量源12可以被配置为生成任何合适或期望的波长(或波长范围)和/或强度的声音脉冲。例如，能量源12可以是超声换能器。
68.一个或多个能量源12被配置为提供能量脉冲。即，(多个)能量源12被配置为在短持续时间(例如小于1秒)内以高强度生成能量。能量脉冲的强度应足够高，以对邻近孔10的皮肤或身体部位进行处理操作。
69.当然，虽然图1中所示的实施例是用于使用能量或能量脉冲执行操作的手持设备2，但是应当理解，头部部分6可以被配置为提供或执行其他类型的操作。例如，手持设备2可以是剃须刀或理发器，在这种情况下，头部部分6可以包括一个或多个切割刀片或箔片，用于在头部部分6与皮肤接触时能够切割毛发。作为另一示例，手持设备2可以是用于获得超声图像的超声探头。在该示例中，头部部分6可以包括用于生成超声波的超声换能器和用于接收从身体内部反射回来的超声波的超声接收器。
70.所示的手持设备2还包括两个皮肤接触传感器14、16，它们被定位在头部部分6上或头部部分6中，用于确定头部部分6何时与皮肤接触。皮肤接触传感器14、16测量指示头部部分6是否与皮肤接触的参数，并且生成相应的测量信号(被称为“皮肤接触测量信号”)，测量信号包括参数的测量值时间序列。通常，皮肤接触传感器用于手持设备2，特别是光电脱毛器中，以确保手持设备2在生成光脉冲之前与皮肤正确接触，以避免光脉冲被引导到用户或对象的眼睛中。如本文所述，来自皮肤接触传感器的测量信号可以被用于标识手持设备2所接触的身体部位。
71.在一些实施例中，参数可以是电容，并且因此皮肤接触传感器14、16可以经由头部部分6表面上的相应的成对电触点或电极来测量电容，其中所测量的电容指示是否存在皮肤接触。在备选实施例中，参数可以是光的强度或水平，并且因此皮肤接触传感器14、16可以是测量入射在光传感器上的光的强度或水平的光传感器，其中所测量的强度或水平指示是否存在皮肤接触(例如，较少/没有光可以指示皮肤接触，因为皮肤遮蔽了光传感器14、16，反之亦然)。在其他备选实施例中，参数可以是接触压力的测量，并且因此皮肤接触传感器14、16可以经由相应的压力传感器或机械开关来测量接触压力，其中所测量的接触压力指示是否存在皮肤接触。
72.所示手持设备2还包括定位在头部部分6上或头部部分6中的肤色传感器18，用于确定头部部分6所接触的皮肤的肤色。肤色传感器18测量指示皮肤的肤色的参数，并且生成
包括参数的测量值时间序列的测量信号(被称为“肤色测量信号”)。通常，肤色传感器用于手持设备2，特别是光电脱毛器，以确保光脉冲具有适合于被处理的皮肤类型的强度，或者甚至在皮肤类型不适合光脉冲(例如，黑色素含量高得多的深色皮肤)的情况下，防止光脉冲生成。如本文所述，来自肤色传感器的测量信号可以被用于标识手持设备2接触的身体部位。
73.在一些实施例中，肤色传感器18可以是光传感器，并且由光传感器测量的参数可以是从皮肤反射的特定波长或多个波长的光的强度或水平。以(多个)特定波长测量的反射光的强度或水平可以指示肤色。所测量的反射光的强度或水平可以基于皮肤中黑色素的浓度，并且因此所测量的强度或水平可以指示黑色素浓度。例如，黑色素浓度可以从660nm(红色)和880nm(红外)波长的光反射测量中导出。
74.所图示的手持设备2还包括用户控件20，用户可以操作用户控件来激活手持设备2，使得头部部分6对对象的身体执行所需的个人护理操作(例如，由一个或多个能量源12生成能量脉冲)。备选地或附加地，用户可以使用用户控件18来启动本文所述的身体部位标识技术。用户控件20可以是开关、按钮、触摸板等形式。
75.尽管图1中未示出，但是头部部分6可以被形成为旨在用于特定身体部位的可移除附件。可移除附件在本文中也被称为可移除头部部分。可以提供多个可移除附件，每个可移除附件具有相应形状和相应孔尺寸，并且附件可以基于待处理的身体部位来选择以用于手持设备2。例如，可以提供不同的附件以用于面部、用于腋下、用于比基尼线以及通常用于身体(例如，较大的身体表面区域)。
76.图2示出了备选示例性手持设备32的若干视图，手持设备32包括皮肤接触传感器、肤色传感器和接近传感器。图2示出了手持设备32的正视图(即，面向头部部分6)、穿过手持设备32的侧截面视图和手持设备32的俯视图。图2还示出了接近传感器的视场(fov)。
77.图2中所示的手持设备32通常对应于图1中所示的手持设备2，并且相同的附图标记被用于手持设备32的与手持设备2相同的特征和元件。
78.除了皮肤接触传感器14、16和肤色传感器18之外，图2中的手持设备32包括在手持设备32中或之上布置的八个接近传感器34，用于测量皮肤靠近与头部部分6接触的皮肤部分的接近度或距离。在实际实现方式中，应当理解，在手持设备32中可以使用多于或少于八个的接近传感器34。实际上，在一些在实施例中，可以使用单个接近传感器34。然而，如下文更详细描述的，(多个)接近传感器34被用于观察或测量头部部分6所接触的皮肤区域周围的身体部位的形状(轮廓)，并且因此优选地，手持设备32包括多个(即至少两个)接近传感器34。使用的接近传感器34越多，所观察或测量的皮肤形状(轮廓)的分辨率就越高。在图2所示的实施例中，八个接近传感器34位于头端8处并大致均匀地布置在头部部分6周围。在所示实施例中，每个接近传感器34位于头端8中或头端8上，使得接近传感器34从头部部分6“后退”(即，每个接近传感器34从头部部分6的平面偏移)，因为这改进了接近传感器34的视场并且可能意味着当头部部分6与皮肤接触时测量非零距离。在备选实施例中，每个接近传感器可以被定位在与头部部分6相同的平面中(即，与头部部分6共面)。
79.每个接近传感器34测量指示皮肤接近到传感器34的接近度的参数，并且特别地测量指示从接近传感器34到与头部部分6所接触的皮肤相邻的皮肤的距离的参数。每个接近传感器34生成包括参数的测量值时间序列的相应测量信号(被称为“接近测量信号”)。
80.在一些实施例中，每个接近传感器34可以基于在从相对表面(即皮肤)反射之后从接近传感器34中的能量源到接近传感器34中的能量传感器的能量飞行时间来测量距离。例如，接近传感器34可以包括光源(例如，发射大约850nm的ir光的红外(ir)光源或可见光源)和至少对光源发射的光的(多个)波长敏感的光传感器，并且可以基于对光的飞行时间的分析来确定接近度/距离。作为另一示例，接近传感器34可以包括用于以一个或多个频率发射声音的声源，例如扬声器(例如，所发射的声音可以是超声波)和对声源所发射的声音的频率敏感的声音传感器(例如麦克风)。接近度/距离可以基于对声音的飞行时间的分析来确定。
81.图2中示出了每个接近传感器34的视场(fov)36，并且fov 36表示相关接近传感器34可以测量距离的面积。例如，fov 36可以表示光/声音可以从源发射的方向和/或传感器对入射光/声音敏感的方向。可以看出，8个接近传感器34围绕头部部分6的周边布置，使得fov 36交叠，从而提供围绕周边的完全覆盖。
82.图3是示例性系统42的框图，系统42包括用于执行个人护理操作的手持设备2、32和用于标识对其使用手持设备2、32的身体部位的装置44。装置44被示出为系统42的一部分，系统42还包括手持设备2、32(例如，光脱毛设备、剃刮设备、理发器等)。在图3所示的实施例中，装置44是与手持设备2、32分离的装置，并且因此装置44可以是电子设备的形式，诸如智能电话、智能手表、个人数字助理(pda)、膝上型计算机、台式计算机、智能反射镜等。在其他实施例中，装置44，特别是由装置44提供的根据本发明的功能，是手持设备2、32的一部分。在又一实施例中，根据下述本发明的各种实施例的功能可以在手持设备2、32和单独的装置44之间分开。
83.装置44包括处理单元46，处理单元46通常控制装置44的操作并且使得装置44能够执行本文所述的方法和技术。简而言之，处理单元44在个人护理操作期间从皮肤接触传感器14、16、肤色传感器18和一个或多个接近传感器34中的一个或多个接收测量信号，并且使用经训练的机器学习模型(mlm)分析(多个)测量信号来标识正在对其使用手持设备2、32的身体部位。
84.因此，处理单元46可以被配置为从装置44的另一组件接收(多个)测量信号，并且因此处理单元46可以包括或包含一个或多个输入端口或者用于从其他组件接收(多个)测量信号的另一组件。处理单元46还可以包括或包含一个或多个输出端口或者用于与装置44的其他组件通信的其他组件。
85.处理单元46可以利用软件和/或硬件以多种方式实现，以执行本文所述的各种功能。处理单元46可以包括一个或多个微处理器或数字信号处理器(dsp)，其可以使用软件或计算机程序代码编程来执行所需功能和/或控制处理单元46的组件来实现所需功能。处理单元46可以被实现为用于执行一些功能的专用硬件(例如，放大器、前置放大器、模数转换器(adc)和/或数模转换器(dac))和用于执行其他功能的处理器(例如，一个或多个已编程的微处理器、控制器、dsp和相关电路)的组合。可以在本公开的各种实施例中采用的组件的示例包括但不限于常规微处理器、dsp、专用集成电路(asic)和现场可编程门阵列(fpga)。
86.处理单元46可以包括存储器单元48或与存储器单元48相关联。存储器单元48可以存储数据、信息和/或信号(包括(多个)测量信号和/或定义经训练的mlm的信息或计算机代码)，以由处理单元46使用来控制装置44的操作和/或执行或实施本文描述的方法。在一些
实现方式中，存储器单元48存储可以由处理单元46执行的计算机可读代码，使得处理单元46执行一个或多个功能，包括本文描述的方法。在特定实施例中，程序代码可以是智能电话、平板电脑、膝上型电脑或计算机的应用程序的形式。存储器单元48可以包括任何类型的非暂态机器可读介质，诸如高速缓存或系统存储器，包括易失性和非易失性计算机存储器，诸如随机存取存储器(ram)、静态ram(sram)、动态ram(dram)、只读存储器(rom)、可编程只读存储器(prom)、可擦写只读存储器(eprom)和电可擦写只读存储器(eeprom)，并且存储器单元可以以存储器芯片、光盘(诸如光盘(cd)、数字多功能光盘(dvd)或蓝光光盘)、硬盘、磁带存储解决方案或固态设备(包括记忆棒、固态驱动装置(ssd)、存储卡等)的形式来实现。
87.在图3所示的实施例中，由于装置44与手持设备2、32分离，装置44还包括接口电路装置50，用于使得装置44能够从手持设备接收(多个)测量信号。装置44中的接口电路装置50实现与其他设备的数据连接和/或与其他设备的数据交换，其他设备包括手持设备2、32、服务器、数据库、用户设备和传感器中的一个或多个。到手持设备2、32(或任何其他设备)的连接可以是直接的或间接的(例如，经由互联网)，并且因此接口电路装置50可以经由任何期望的有线或无线通信协议，实现装置44和网络之间的连接，或直接在装置44和另一设备(诸如手持设备2、32)之间的连接。例如，接口电路装置50可以使用wifi、蓝牙、zigbee或任何蜂窝通信协议(包括但不限于全球移动通信系统(gsm)、通用移动电信系统(umts)、长期演进(lte)、lte-advanced等)来操作。在无线连接的情况下，接口电路装置50(以及因此装置44)可以包括一个或多个合适的天线，用于通过传输介质(例如空气)进行发射/接收。备选地，在无线连接的情况下，接口电路装置50可以包括使得接口电路装置50能够连接到装置44外部的一个或多个合适天线的部件(例如，连接器或插头)，用于通过传输介质(例如空气)进行发射/接收。接口电路装置50被连接到处理单元46。
88.尽管图3中未示出，但是装置44可以包括一个或多个用户接口组件，其包括使得装置44的用户能够将信息、数据和/或命令输入到装置44中和/或使得装置44能够向装置44的用户输出信息或数据的一个或多个组件。用户接口可以包括任何合适的(多个)输入组件，包括但不限于键盘、小键盘、一个或多个按钮、开关或转盘、鼠标、触控板、触摸屏、触控笔、相机、麦克风等，并且用户接口可以包括任何合适的(多个)输出组件，包括但不限于显示单元或显示屏、一个或多个灯或灯元件、一个或多个扬声器、振动元件等。
89.应当理解，装置44的实际实现方式可以包括图3中所示的附加组件。例如，装置44还可以包括电源，诸如电池，或者用于使得装置44能够连接到市电电源的组件。
90.图3中所示的手持设备2、32包括一个或多个传感器52，用于在手持设备2、32在对象的皮肤上使用时测量相应的参数并生成相应的测量信号。
91.在一些实施例中，一个或多个传感器52包括皮肤接触传感器14、16或多个皮肤接触传感器14、16。在一些实施例中，一个或多个传感器52包括肤色传感器18或者多个肤色传感器18。在一些实施例中，一个或多个传感器52包括接近传感器34或多个接近传感器34。在其他实施例中，一个或多个传感器52包括以下的任何组合：一个或多个皮肤接触传感器14、16、一个或多个肤色传感器18和/或一个或多个接近传感器34。
92.手持设备2、32还包括接口电路装置54，用于将信号(包括(多个)测量信号)从手持设备2、32传输到装置44。接口电路装置54可以根据以上针对装置44中的接口电路装置50概述的任何选项来实现，以与装置44中的接口电路装置50通信。
93.手持设备2、32还可以包括设备处理单元56，设备处理单元56通常控制手持设备2、32的操作，例如将个人护理部分激活和停用来实现个人护理操作。设备处理单元56可以根据以上针对装置44中的处理单元46概述的任何选项以多种方式来实现。
94.设备处理单元56可以被连接到一个或多个传感器52并且例如经由设备处理单元56的输入端口从一个或多个传感器52接收(多个)测量信号。在一些实施例中，设备处理单元56可以将(多个)测量信号输出到接口电路装置54，以用于传输到装置44用于后续处理。
95.在图3的一些实现方式中，装置44是正在执行提供根据本发明的功能的应用程序的智能电话、平板电脑或智能反射镜。
96.在装置44或装置44的功能是手持设备2、32的一部分的实施例中，设备处理单元56可以实现装置处理单元46的功能，以标识对其使用手持设备2、32的身体部位。
97.应当理解，手持设备2、32的实际实现方式可以包括图3中所示的组件的附加组件。例如，手持设备2、32还可以包括电源，例如电池、或者用于使得手持设备2、32能够连接到市电电源的组件。
98.在使用具有一个或多个传感器52的手持设备2、32期间，由(多个)传感器生成的(多个)测量信号将根据此时对其使用手持设备2、32的身体部位而表现出独特的(或至少可区分的)模式。因此，已认识到，机器学习技术可以被用于标识在个人护理操作期间出现的这些模式，并且将它们与对应的身体部位匹配，身体部分例如脚、腿、小腿、大腿、腹部、躯干、胸部、背部、手、手臂、下臂、上臂、腋下、肩膀、颈部、面部、上唇、头皮或头部。这些模式还可以使得左或右身体部位(例如，左腿或右腿)能够彼此区分。
99.在较高的概念水平上，基于上述传感器52的身体部位标识可以通过考虑不同身体部位可能对来自这些传感器52中的一些传感器的测量信号产生的许多影响来理解。
100.首先，在手持设备2、32和对象皮肤之间可以进行皮肤接触的程度可以取决于身体部位。例如，在上唇处，由于身体弯曲度较高，皮肤接触通常少于其他身体部位。在基于电容的皮肤接触传感器14、16的情况下，这种较低的皮肤接触将对电容信号的信号强度产生影响。附加地，电容信号取决于皮肤的电(介电)特性，电特性可能在不同的身体部位之间有所不同。具体地，皮肤由被油和汗导管穿孔的异质组织层组成。这些导管的浓度和组织的离子渗透性随身体的各个部位而变化，例如汗腺在腋下区域较多，因此电容信号响应在身体部位之间变化。
101.其次，肤色和皮肤光学性质通常会在不同身体部位之间变化，这会影响来自基于光学的肤色传感器18的测量信号。附加地，皮肤接触的程度会影响肤色测量信号的信号强度。
102.第三，基于光学的接近传感器34测量被对象皮肤反射回来的光量。所接收的光量取决于诸如接近传感器34和皮肤之间的距离、“填充因子”(即fov 36有多少被身体/皮肤“填充”)、皮肤和接近传感器34的fov 36之间的角度以及皮肤的光学特性等因素。因此，对于(多个)接近传感器34的任何给定配置，即，就(多个)接近传感器34相对于头部部分6和彼此的放置和取向而言，可以理解，ipl设备在身体上的位置和取向影响来自传感器的信号组合。
103.由于不同的身体部位可以对来自这些传感器52的测量信号产生若干影响，因此mlm被训练从测量信号标识身体部位。该数据驱动的方法意味着在对多个不同的身体部位
进行个人护理操作期间，为对象群体获取一个或多个传感器52的测量信号，其中相应身体部位在整个个人护理操作中已知(即，注释)。随后，受监督的mlm可以被应用于该获取的训练数据。这导致可部署的训练分类器算法基于(多个)输入测量信号而输出经标识的身体部位。机器学习模型可以是例如逻辑回归模型、支持向量机、随机森林、朴素贝叶斯分类器、最近邻分类器、决策树分类器、人工神经网络或其任意组合中的任一个。
104.在身体部位标识算法的一些实现方式中，可以针对来自一个或多个传感器52的每个新测量样本连续地标识身体部位。然而，可以通过随时间聚合测量样本并标识在一定的时间间隔期间所处理的身体部位来改进分类精度。这可能会有所帮助，因为用户通常会在移动到下一身体部位之前完成对一个身体部位的处理。测量样本可以被聚合的时间间隔可以是固定长度，例如几秒。作为备选，测量样本被聚合的时间间隔可以是可变的，以匹配手持设备2、32与对象皮肤接触的时间长度(当一个或多个传感器52包括皮肤接触传感器14、16时)，并且这是基于在不同身体部位之间的转换期间用户可能将手持设备2、32抬离皮肤的假设。
105.如果测量样本随时间被聚合，则mlm可以通过测量信号的处理来显式地确定附加特征，或者如果mlm是深度神经网络，则隐式地确定附加特征。这样的特征的示例可以是传感器52测量的参数的平均值或者每个传感器52所测量的参数的标准偏差，但是可以确定许多其他特征，包括与参数的统计特性相关的特征。
106.现在针对以光脱毛器形式的手持设备2、32呈现证明上述技术在标识身体部位方面的有效性的结果。针对mlm的训练数据由15名女性参与者汇编而成，她们使用具有两个皮肤接触传感器14、16、一个肤色传感器18和8个接近传感器34的光电脱毛器。每个参与者进行了至少两次个人护理会话，其中以下身体部分被连续处理：手臂、腿、下腹部(所谓的“腹部比基尼”部分)、比基尼线、面部和腋下。在整个个人护理操作中以10hz的采样频率采集测量样本，并且利用相关的身体部位对测量信号进行注释。
107.利用所获取的测量信号，随机森林分类器形式的mlm被训练用于身体部位检测。分类器是基于样本的，即，在每个测量样本处对身体部位进行瞬时估计。
108.以下的表1至3是表示随机森林分类器的三个不同版本的分类器性能的混淆矩阵。混淆矩阵针对每个实际(正确)身体部位指示分类器所做的预测，即，分类器输出为手臂、腿等的样本分数。为了获得混淆矩阵中示出的结果，留一对象(leave-one-subject-out)交叉验证被使用。这意味着对每个对象的分类器的性能进行评估，分类器使用所有其他对象的数据进行训练。混淆矩阵示出所有对象的平均结果，并且对角线提供不同身体部位的分类精度。
109.表1是随机森林分类器基于来自皮肤接触传感器14、16和肤色传感器18的测量信号的混淆矩阵。
[0110][0111][0112]
表1
[0113]
表2是随机森林分类器仅基于来自接近传感器34的测量信号的混淆矩阵。
[0114][0115]
表2
[0116]
表3是随机森林分类器基于来自皮肤接触传感器14、16、肤色传感器18和接近传感器34的测量信号的混淆矩阵。
[0117][0118]
表3
[0119]
如图所示，对于三个版本的分类器，随机森林分类器的平均预测正确率分别为61％、70％和82％。正如可以预期的，分类器的性能随着作为分类器一部分评估的传感器的数量而增加。
[0120]
图4描绘了分类精度(即，正确预测的百分比)随着除了皮肤接触传感器14、16和肤色传感器18之外使用的接近传感器8的数量的增加。图4示出了分类精度与所使用的接近传感器34的数量有关的曲线。该曲线经由反向消除而生成，即，从所有8个接近传感器34的测量信号开始，迭代地执行分类器训练，在每个下一迭代中忽略最不显著的接近测量信号。因此可以看出，分类精度随着接近传感器34的数量而改进，但是每个添加的接近传感器的改进减少使用更多接近传感器34。
[0121]
如以上所讨论的，身体部位的每个测量样本标识可以随时间被聚合，以获得更准确的结果。一个示例是在分类器的输出上应用中值滤波器。一般而言，中值滤波在信号处理领域是已知的，并且在这种特殊情况下，中值滤波器抑制了在选定时间窗口中身体部位的偶然错误分类。图5(a)中的曲线示出了分类精度根据中值滤波器长度(以秒s为单位测量)而变化，其中皮肤接触传感器14、16中的每一个、肤色传感器18和8个接近传感器34被使用。可以看出，精度从不使用中值滤波器时的82％提高到使用中值滤波器长度为6秒时的88％(使用6秒长的滤波器意味着分类器输出在6秒时间间隔内被聚合)。
[0122]
在更优选的示例中，可以通过在分类器的输出上应用模式过滤器来随时间聚合身体部位的每个测量样本标识。模式滤波器可以优于中值滤波器，因为它用于输出分类变量的值，即，身体部位。通常，模式过滤在信号处理领域是已知的，并且在这种特定情况下，模式过滤器通过输出在时间窗口中被标识次数最多的身体部位来抑制在选定时间窗口中身体部位的偶然错误分类。图5(b)中的曲线示出了针对每个场景，分类精度随着模式滤波器长度(以秒s为单位测量)而变化，其中皮肤接触传感器14、16中的每一个、肤色传感器18和8个接近传感器34被使用。可以看出，精度从不使用模式过滤器时的81.5％提高到使用9秒的模式过滤器长度时的88％(使用9秒长的过滤器意味着分类器输出在9秒时间间隔内被聚合)。
[0123]
在以上示例中，mlm的训练数据在受控对象测试中获取。备选地，训练数据可以通过在个人护理操作期间从手持设备2、32中的(多个)传感器52获得(多个)测量信号并接收相关身体部位的注释，从“现场消费者”来获取。(多个)测量信号可以被变得对连接的设备(例如装置44)可用，诸如智能电话，并且用户/对象可以使用智能电话上的应用程序，利用相关的身体部位来注释(多个)信号。
[0124]
在某些情况下，即使分类器(或更一般地经训练的mlm)已被训练并正在使用中，在使用手持设备2、32期间获得的进一步测量信号(多个)也可以被用于更新(重新训练)分类器，以改进分类精度(即，由于训练集的大小增加)。
[0125]
类似地(或附加地)，基于特定对象的(多个)测量信号训练或重新训练mlm使得mlm能够针对对象进行个性化(例如针对对象的身体形状进行个性化)，从而提高对该对象的精度。因此，mlm可以基于在对该对象执行的一个或多个“校准”个人护理操作期间获得的(多个)测量信号进行训练。这些校准操作可以涉及引导用户将手持设备2、32应用到对象的特定身体部位，或者备选地用户或对象可以经由用户界面指示正在/已被处理的身体部位。
[0126]
在表1至3中示出的上述结果的上下文中，在训练随机森林分类器和通过留一会话
(leave-one-session-out)交叉验证分别对每个对象进行性能评估时，可以看到对特定对象的mlm个性化提供的更高精度的支持。平均而言，当仅使用皮肤接触传感器14、16和肤色传感器18时，获得的分类器精度为78％，仅使用接近传感器34时为78％，当使用皮肤接触传感器14、16、肤色传感器18和8个接近传感器34时为89％。当将这些可靠性与以上报告的分类器在为整个测试对象群体训练时(分别为61％、70％和82％)的可靠性进行比较时，精度的提高是显而易见的。附加地，除了在对不同对象的精度进行平均时提供更高的精度之外，当分类器针对对象进行个性化时，对象之间的分类器精度的变化较小。
[0127]
根据本文提出的技术，基于来自两个皮肤接触传感器14、16和肤色传感器18的测量信号的mlm的结构、训练和性能的更详细的解释在下文参考图6至图17进行阐述。
[0128]
针对mlm的训练数据来自15名女性参与者，她们使用具有两个皮肤接触传感器14、16和肤色传感器18的光电脱毛器。每个参与者进行了多次个人护理会话，其中以下身体部位被连续处理：下臂、小腿、小腹(所谓的“腹部比基尼”部分)、比基尼线、面部(上唇)和腋下。在处理这些身体部位时，在光电脱毛器上使用了适当的可移除附件。因此，一般的身体附件被用于小腿、下臂和腹部比基尼，比基尼线附件用于比基尼线，面部附件用于面部，腋下附件用于腋下。
[0129]
为了收集测量信号，参与者将设备移动到他们的身体之上并确保在每个移动步骤中适当的皮肤接触。在用于获取测量信号的光电脱毛器中，通过光电脱毛器上的光指示器点亮来指示正确接触，并且光指示器的操作与来自皮肤接触传感器14、16的测量信号超过接触阈值相关。在其他测试场景中，正确的接触可能不会向用户指示，和/或可能不需要收集合适的测量信号来获取。附加地，用于获取测量信号的光电脱毛器被配置为使得仅当皮肤接触传感器14、16指示适当的皮肤接触时(即，当皮肤接触测量信号超过阈值时)获取来自肤色传感器18的测量信号。手持设备2、32在每个身体部位上使用的时间量是可变的并且由参与者确定，但是提供了应尽可能覆盖每个身体部位的指示，并且还指示了大约40秒到1分钟(与身体区域相关)的所需最短处理时间。对其使用手持设备2、32的身体部位由参与者指示，因此所获取的测量信号利用相关身体部位的名称进行注释。
[0130]
图6中的曲线图示出了针对身体部位：手臂、腿、腹部比基尼、比基尼线、面部和腋下，在上述训练数据收集阶段获取的来自皮肤接触传感器14、16的示例性测量信号。为了便于说明，与所标记的身体部位无关的部分测量信号(例如，与手持设备2、32被抬离身体并重新定位在不同身体部位上的情况相对应的部分测量信号)在图6中被省略。
[0131]
以下的表4提供了每个对象(参与者)、每个会话和每个身体部位获得的可用测量样本的数量的概览。可用的测量样本根据在校正偏差后来自皮肤接触传感器14的皮肤接触测量信号(被称为sds1)、在校正偏差之后来自皮肤接触传感器16的皮肤接触测量信号(被称为sds2)以及来自肤色传感器18的肤色测量信号(被称为stss)导出，肤色测量信号与肤色相关并且根据所测量的与红色(660nm)光相关的反射强度(被称为stsred，它针对背景光被校正)以及所测量的与红外(880nm)光相关的反射强度(被称为stsir，它针对背景光被校正)导出。在个人护理操作涉及生成使得手持设备2、32的温度升高的光脉冲的实际实现方式中，或者在手持设备2、32的温度在个人护理操作期间以其他方式发生变化的实现方式中，针对手持设备2、32的温度校正stsred和stsir也是有用的。在表4中将注意到，对于两个会话没有获得样本，这是由于在该会话中数据获取失败。
[0132]
[0133][0134]
表4
[0135]
在下文中，“每个样本”的身体部位分类以及基于测量信号中的“时间特征”的分类被评估。图7中的流程图示出了在两种情况下如何分析测量信号，其中图7(a)与每个样本分类有关，图7(b)与时间特征分类有关。两种方法共有的步骤被标记相同的附图标记。
[0136]
在这两种方法中，测量信号sds1、sds2、stsred、stsir和stss(步骤101)被获取并且针对偏差或背景光被适当地校正。在步骤103中，皮肤接触传感器测量信号sds1和sds2针对在光电脱毛器上使用的附件进行校正。特别地，皮肤接触传感器14、16的至少一部分位于可移除附件(例如电极)上，并且因此由于不同附件上的电容电极或极板中的物理差异，皮肤接触传感器14、16的灵敏度可以与所使用的附件类型相关。在一些实施例中，手持设备2、32可以例如基于连接时从可移除附件获得的信息(例如信号)，检测与手持设备2、32连接的附件类型，并且进行适当的校正或调整。下文更详细地描述了由于附件引起的该校正。
[0137]
随后，对于图7(a)中所示的“每个样本”分类，sds1和sds2高于皮肤接触阈值的测量样本被滤除(步骤105)并且被馈送到分类器(经训练的机器学习算法/模型)-步骤107。
[0138]
如所预期的，当在分类中使用sds1和sds2低于皮肤接触阈值的测量样本时，分类的精度降低。这是因为当没有皮肤接触时，不同身体部位的皮肤接触测量信号非常相似(接
近于0)。
[0139]
在步骤107中，分类器取入一个测量样本，并以此为基础，以相同的采样率输出指示身体部位的一个样本(步骤109)。在图7(a)的方法中，因此不能考虑可能与被处理的身体部位相关的测量信号的任何时间行为。
[0140]
通过使用模式过滤聚合输出样本，可以提高分类性能。因此，指示由分类器标识的身体部位的样本随后被提供给模式过滤步骤，步骤111，并且滑动窗口被应用于经训练的机器学习算法的输出。在步骤113中，模式(即，在滑动窗口中出现频率最高的身体部位)被确定并输出作为最终标识的身体部位。需要注意，如果模式过滤使用“每一个样本”滑动窗口，则表示最终标识的身体部位的样本仍然可以以与输入测量样本相同的速率输出。使用模式过滤提高性能的原因是实际处理的身体部位没有迅速变化。因此，分类器只需要在大多数时间标识正确的身体部位，并且因此身体部位的偶尔错误分类被滤除。
[0141]
对于图7(b)所示的基于“时间特征”的分类，在步骤103之后，应用不同的过滤过程(框115)，并且不应用皮肤接触过滤/阈值。在框115的步骤117中，滑动窗口被应用于输入测量信号来选择测量样本的子集。根据所使用的机器学习模型，在框115的步骤119中，滑动输入窗口中的测量样本在步骤107中被直接馈送到机器学习算法中，或者在框115的步骤121中，特征根据滑动输入窗口中的测量样本来计算并且在步骤107中被馈送到机器学习算法。在以下的讨论中，mlm可以是人工神经网络，在这种情况下应用步骤119(因此测量样本被直接馈送到mlm)，或者mlm可以是随机森林，在这种情况下应用步骤121，并且从滑动输入窗口中的测量样本计算多个特征。图7(b)的步骤107至113与图7(a)中的每样本分类方法相同。因此，输出模式过滤被应用于经训练的机器学习算法的输出，以导出最终输出的身体部位。
[0142]
如上所述，针对分类采用了两个不同的监督机器学习模型：随机森林和(人工)神经网络。两个模型均能够对复杂的非线性传递函数进行建模。
[0143]
如图8所示，随机森林分类器是决策树70的集成。每个决策树70由决策节点72组成，在决策节点72处执行输入特征值中的一个(例如最小值)和数之间的简单比较。通过遍历所有决策节点72，最终到达与决策树70的输出分类(例如所标识的身体部位)相对应的端部节点74。由于单个决策树70通常具有“过度拟合”数据的趋势，所以多个决策树70可以被训练和使用来减轻这种情况。此处，对于单个决策树70的训练，测量样本被随机抽样替换(所谓的自助法)。此外，在每个决策节点72处使用输入特征的随机子集(例如最小值)。随机森林的输出76可以作为决策树70的模式(即最多出现的)输出而获得。使用随机森林分类器的优点是可以/需要调整的特征数量相对较少，并且随机森林的输出对这些特征相对不灵敏。此外，通过简单地可视化决策树，可以很容易地了解经训练的随机森林分类器的“决策过程”，并且因此可以很容易地推断出输入特征的相对重要性。对于以下进一步讨论的结果，已使用随机森林的matlab(treebagger类)和python(sklearn.ensemble.randomforestclassifier类)两者实现方式。
[0144]
如图9所示的人工神经网络80由输入层84、一个或多个隐藏层86和输出层88中布置的节点82(或神经元)组成。输入层84中的每个节点82表示相应的输入值，在这种情况下是sds1、sds2、stsred、stsir或stss的相应窗口部分，并且输出层88中的每个节点82表示不同类中的相应类，在这种情况下是身体部位。在全连接网络中，如图9所示，从一个层中的每个节点82引出的线被连接到(多个)相邻层中的每个节点82。在前向传递中，隐藏层86中的
每个神经元82采用前一层84/86处节点82的值的线性组合，将其输入到激活函数中，并且将激活输出到下一层中的节点82。激活以这种方式传播直到输出层88。在输出层88处，具有最高激活的神经元82被选择为所预测的身体部位。训练人工神经网络时的目标是学习每个节点82处的线性组合的权重，这导致所预测的身体部位和实际的身体部位之间的差异最小。为了实现这一点，输出层88可以与预期值进行比较，并且权重可以使用梯度下降来适配。适配可以通过每一层进行反向传播，从而产生反向传递。正向和反向传递然后可以多次重复，直到权重收敛到它们的最终值。对于以下进一步讨论的结果，python编程环境中的tensorflow被用于人工神经网络。
[0145]
对于如下所述的应用mlm的性能估计，已应用交叉验证。这意味着mlm仅使用以上表4中所示的一部分训练数据进行训练。这部分训练数据被称为“训练集”。随后使用其余的训练数据(即，在模型训练中“看不见”的数据)评估经训练的mlm的预测性能。训练数据的另一部分被称为“测试集”。在当前的分析中，留一法交叉验证已被用于两种不同的方案中。
[0146]
第一方案是通用模型，其中采用了“留一对象”交叉验证。这意味着mlm使用15名对象中的14名的数据进行训练。经训练的mlm随后被用于获得对其测量信号未在训练中使用的对象的预测。该过程针对每个对象分别执行(因此为15次)。以这种方式获得所有对象的“测试模型预测”。经训练的mlm的性能可以在整个研究群体中进行评估。例如，可以在考虑所有对象的所有测量样本的情况下计算正确分类的测量样本的比例。还可以评估每个对象的性能，以了解对象间的差异。当使用单个“一刀切”机器学习分类器进行身体部位检测时，第一方案是相关的。
[0147]
第二方案是个性化模型，其中对每个对象分别采用“留一会话”交叉验证。因此，对于对象的每个个人护理会话，“测试预测”通过使用对同一对象的其他个人护理会话的数据进行训练的mlm来获得。随后可以评估每个对象和/或整个研究群体的预测性能。该方法与调查采用针对一个特定对象定制的mlm的可行性有关。这样的实现方式的缺点是需要执行校准程序：即，为个体对象训练分类器，必须获得来自经处理的身体区域已知的一个或多个个人护理会话的数据。但是，分类性能通常优于通用实现方式。
[0148]
应注意，没有考虑随机样本交叉验证，随机样本交叉验证是其中随机一部分样本(跨对象和/或会话)用作训练集，且另一部分用作测试集的交叉验证。对于通用mlm，这将给出不准确的性能估计，因为每个对象的测量信号将部分在训练集中，并且因此不会对新的“以前未见过”的对象执行测试。对于个性化分类器，在应用随机样本交叉验证时，不涵盖影响预测性能的个人护理会话之间的可能变化。
[0149]
以下的表5示出了针对不同mlm获得的分类精度的概述。此处，对于每个对象，分类精度被计算为正确分类样本的百分比(因此针对所有身体部位)。随后，取这些值的平均值和标准偏差，并在表5中表示。结果通过应用输出模式过滤(图7(a)和图7(b)的步骤111)获得，其窗口长度针对分类性能进行了优化。根据所应用的验证、机器学习模型和处理方法，该窗口长度大约在50到100个测量样本之间。在所有情况下，输出模式过滤对平均精度的影响为5％。对于时间特征处理，大约50个样本的输入窗口长度(步骤117)被应用。
[0150][0151][0152]
表5
[0153]
从表5可以看出，个性化模型的平均精度比通用模型高10％到15％。此外，个性化模型通常提供较低的精度变化，但是基于标准偏差值，这对于所有情况并不明显。然而，以下讨论更详细的结果。
[0154]
主要是对于通用模型，神经网络比随机森林性能更好(好5％)。然而，这主要是由于标识腋下的性能更好，这将在以下讨论。对于通用模型，神经网络和随机森林的性能更加相似，具有时间特征处理的随机森林的一些优点。
[0155]
每个样本和时间特征处理的分类精度似乎相似，除了个性化随机森林模型，时间特征处理提供了更高的精度。
[0156]
针对通用随机森林(图10)、通用神经网络(图11)、个性化随机森林(图12)和个性化神经网络(图13)，分类的更详细结果被示出在图10至图13中。在这些图中，对于每个身体部位，为不同对象获得的精度分布由箱形图指示。附加地，对象“身体部位平均”精度的分布由标记有“平均”的箱线图表示。图10至图13中每一个的箱线图(a)涉及使用按样本处理时获得的精度，并且图10至图13中的每一个中的箱线图(b)涉及使用时间特征处理时获得的精度。
[0157]
可以看出，比基尼线、面部和腋下的精度通常最高，而手臂、腿和腹部比基尼的精度明显较低。这对于神经网络模型最为明显。应注意，比基尼线、面部和腋下可以(并且在获得训练测量信号时)利用手持设备2、32上的它们自己的专用附件进行处理，而手臂、腿部和腹部比基尼使用一般的身体附件进行处理。如上所述，皮肤接触传感器14、16的灵敏度可以与附件类型相关，并且在所显示的结果中已对此进行了校正。因此，尽可能排除了基于附件类型而不是身体部位的分类。由于附件类型(即，当没有对皮肤接触传感器灵敏度进行校正时)分类精度中存在的偏差将在下文进一步讨论。
[0158]
对于通用模型，可以在图10至图13中看到特别是对于手臂、腿和腹部比基尼，精度变化非常大。总体而言，对于个性化模型，精度变化要小得多，对于所有身体部位/对象(少数异常值除外)，利用随机森林时间特征模型的最低精度可能为50％。
[0159]
图14中的曲线图展示了在步骤111中应用输出模式过滤(用于得出上述结果)对随机森林模型的影响。每个曲线图示出了平均分类精度与输出模式过滤窗口长度的关系。图
14(a)涉及具有逐样本处理的通用模型，图14(b)涉及具有时间特征处理的通用模型，图14(c)涉及具有逐样本处理的个性化模型，并且图14(d)涉及具有时间特征处理的个性化模型。总体而言，通过将窗口长度从50个样本增加到150个样本，精度可以从4％增加到7％。对于神经网络模型，获得了类似的结果。
[0160]
表6至表13示出了针对每个样本和时间特征处理的通用随机森林、通用神经网络模型、个性化随机森林和个性化神经网络模型的所有15个对象的混淆矩阵。混淆矩阵针对每个实际身体部位(沿着表格的行)描绘了分类器输出特定身体部位的样本的比例(沿着表格的列)。每个表格的对角线提供了不同身体部位的分类精度。
[0161][0162]
表6表6示出了利用逐样本处理的通用随机森林分类器的混淆矩阵。
[0163][0164]
表7表7示出了利用逐样本处理的通用神经网络分类器的混淆矩阵。
[0165][0166]
表8
[0167]
表8示出了利用逐样本处理的个性化随机森林分类器的混淆矩阵。
[0168][0169][0170]
表9
[0171]
表9示出了利用逐样本处理的个性化神经网络分类器的混淆矩阵。
[0172][0173]
表10
[0174]
表10示出了利用时间特征处理的通用随机森林分类器的混淆矩阵。
[0175][0176]
表11
[0177]
表11示出了利用时间特征处理的通用神经网络分类器的混淆矩阵。
[0178]
[0179][0180]
表12
[0181]
表12示出了利用时间特征处理的个性化随机森林分类器的混淆矩阵。
[0182][0183]
表13
[0184]
表13示出了利用时间特征处理的通用随机森林分类器的混淆矩阵。
[0185]
如上所述，对于一些手持设备2、32，可以使用手持设备2、32上的一般身体附件来处理诸如手臂、腿和腹部比基尼的身体部位，一般身体附件对这些身体部位不特定，而其他身体部位，诸如比基尼线、面部和腋下，可以使用它们自己的专用附件进行处理。对于基于电容的皮肤接触传感器14、16，存在于附件上的皮肤接触传感器的部分之间的响应的系统差异可能由于尺寸和/或所用金属量的差异而存在。此外，由于制造可重复性，皮肤接触传感器和肤色传感器两者均可以预期随机变化。
[0186]
在获得上述结果时，不同附件之间皮肤接触传感器灵敏度的系统差异已被校正。校正基于皮肤接触传感器在与铜接触放置时对不同附件的响应测试。这些结果在下表14中示出。
[0187][0188]
表14
[0189]
从表14中可以看出，除了附件类型之间存在系统性差异外，sds1和sds2之间也存在系统差异(即，响应sds1》响应sds2)。在上述分类结果中，皮肤接触测量信号除以表14中给出的灵敏度。
[0190]
以下表15中示出的混淆矩阵和图15中的精度箱形图示出了在利用逐样本处理的个性化随机森林分类中，不校正附件相关的皮肤接触传感器灵敏度的效果，以例示附件偏差的可能影响。因此，mlm使用训练数据进行训练，其中皮肤接触测量信号未针对附件之间的皮肤接触传感器可变性进行校正，并且同样使用未校正的皮肤接触测量信号执行验证。
[0191][0192]
表15
[0193]
将表15和图15所示的结果与表8和图12所示的结果(使用经校正的皮肤接触测量信号)进行比较，示出了整体分类性能没有太大影响。
[0194]
如上所述，可以通过可视化决策树来深入了解随机森林模型的工作原理。图16和图17示出了个性化随机森林模型基于来自皮肤接触传感器14、16和肤色传感器18的测量信号的决策树中的一个决策树的这种可视化。图16中的示例性决策树基于由于使用不同的附件而没有针对传感器响应的变化校正的皮肤接触测量信号，而图17中的示例性决策树基于由于使用不同附件而已针对传感器响应的变化校正的皮肤接触测量信号。每个决策树包括决策节点以及用于做出分类器决策的对应特征和特征值。因此，每个节点利用测量信号(即，sds1、sds2、stsred、stsir或stss)来标记，以指示哪个测量信号被评估为该决策节点的一部分，以及要遵循到下一节点的特定分支的特征值或条件。例如，对于图16中的第一节
点，sds1被评估，并且如果值大于77.50，则采用向右分支，并且如果值等于或小于77.50，则采用向左分支。在图16和图17中，每个身体部位类别(即，手臂、腿、腹部比基尼等)通过决策树的流程由相应的灰色阴影表示。
[0195]
如图16所示，第一决策(在树的顶部)基于sds1信号做出。该决策主要将手臂、腿和腹部比基尼(主要沿着决策树的右侧向下进行)与比基尼线、面部和腋下(主要沿着决策树的左侧向下进行)分离。可以看出，在第一决策节点之后，进一步的分类主要基于sts信号。
[0196]
对于图17中对皮肤接触测量信号进行附件校正的情况，从决策节点的第一“层”可以看出，分类主要基于肤色测量信号(stsred、stsir和stss)。
[0197]
因此，在这两个示例中，可以看出，随机森林模型主要基于肤色测量信号来标识身体部位。
[0198]
图18中的流程图图示了根据本文描述的用于标识正在对其使用手持设备2、32的身体部位的技术的示例性方法。方法的一个或多个步骤可以根据需要，由装置44中的处理单元46结合装置44的存储器单元48和接口电路装置50和/或一个或多个传感器52中的任一个来执行。处理单元46可以响应于执行计算机程序代码来执行一个或多个步骤，计算机程序代码可以被存储在诸如例如存储器单元48的计算机可读介质上。
[0199]
在步骤201中，处理单元44从一个或多个传感器52中的每一个获取相应的测量信号。如上所述，每个传感器52测量在对象皮肤上使用手持设备时的相应参数，并且传感器52生成包括相应参数的测量值时间序列的测量信号。同样如上所述，一个或多个传感器包括皮肤接触传感器14、16、肤色传感器18和接近传感器34中的至少一个。
[0200]
在一些实施例中，一个或多个传感器52至少包括皮肤接触传感器14、16。在一些实施例中，一个或多个传感器52至少包括肤色传感器18。在一些实施例中，一个或多个传感器52至少包括接近传感器34。在一些实施例中，一个或多个传感器52包括至少一个皮肤接触传感器14、16和肤色传感器18。在一些实施例中，一个或多个传感器52包括至少一个皮肤接触传感器14、16、肤色传感器18和一个或多个接近传感器34。在一些实施例中，一个或多个传感器52包括至少多个接近传感器34。多个接近传感器52可以被布置在手持设备2、32中或手持设备2、32上，使得每个接近传感器34测量从接近传感器34到与头部部分6接触的皮肤相邻的皮肤的相应部分的距离。
[0201]
在一个示例中，接近传感器34包括垂直腔表面发射激光器(vcsel)传感器。vcsel传感器是已知的并且特别用于距离和速度测量。它们应用于例如智能电话和计算机输入设备，例如高端光学计算机鼠标。距离测量可以基于飞行时间技术，根据该技术，脉冲vcsel用作光源，并且距离根据光源发出光脉冲到传感器检测到反射光之间的时间导出。另一技术是自混合干涉(smi)，它依赖于vcsel激光腔与从目标散射回来的相干激光光子的干涉。通过对vcsel驱动电流的特定调制，可以确定目标在激光束方向上的速度和距离。除了前面详细描述的使用vcsel传感器的距离测量来检测身体部位之外，vcsel传感器的输出信号还可以被用于测量手持设备2、32相对于用户皮肤的位移。位移测量使得能够在处理期间为用户提供指导，以改进处理覆盖率并最大限度地减少错过的处理点。对于位移测量，vcsel传感器通常应该使得在与手持设备2、32的处理窗口平行的平面中的(准)2d运动被最佳地检测。因此，vcsel传感器的使用允许仅使用一个类型的传感器来实现身体部位检测和位移测量两者。
[0202]
在步骤201中获得的每个测量信号包括在时间窗口期间与对象有关的多个测量值。在步骤201中，处理单元46可以从相应传感器52直接或从相应传感器52间接(例如，经由接口电路装置50和接口电路装置54)获得(多个)测量信号。在这些实施例中，处理单元46能够在接收到测量信号或测量样本时(例如实时或近实时地)处理测量信号或测量样本，以标识与手持设备2、32实时接触的身体部位。备选地，(多个)测量信号可能已经预先获得并且存储在存储器单元48中，在这种情况下，在步骤201中，处理单元46可以从存储器单元48检索(多个)测量信号。
[0203]
在步骤203中，处理单元46使用经训练的mlm来分析在步骤201中获得的一个或多个测量信号，以标识对其使用手持设备2、32的对象的身体部位。经训练的mlm被配置为分析时间窗口中对所获得的一个或多个测量信号中的每一个的多个测量值来标识身体部位。
[0204]
在步骤205中，处理单元46输出所标识的身体部位的指示。例如，处理单元46可以输出所标识的身体部位的标识。所标识的身体部位的指示可以由处理单元46经由用户接口输出，例如输出给用户或对象，和/或所标识的身体部位的指示可以由处理单元46以信号形式经由接口电路装置50输出到另一电子设备或装置，诸如计算机、膝上型电脑、计算机、服务器等，或者甚至输出到手持设备2、32。在后一种情况下，手持设备2、32可以使用身体部位的标识来调整手持设备2、32的操作参数，诸如毛发切割/剃须长度、光脉冲强度等。
[0205]
在各种实施例中，经训练的mlm可以是逻辑回归模型、支持向量机、随机森林、朴素贝叶斯分类器、最近邻分类器、决策树分类器、人工神经网络或其组合。
[0206]
可以理解，可以由mlm标识的身体部位将与用于训练mlm的信息(训练数据)相关。例如，mlm可能能够将对象的身体部位标识为脚、腿、小腿、大腿、腿、腹部、躯干、胸部、背部、手、手臂、下臂、上臂、腋下、肩部、颈部、面部、上唇、头皮或头部中的任一个。作为另一示例，如果训练数据仅包括脚、腿、手臂、腹部、头部的注释，则mlm只能提供指示这些身体部位中的一个的输出。
[0207]
步骤203可以被重复来提供手持设备2、32所接触的身体部位的另一指示。步骤203的重复可以基于在步骤201中获得的(多个)测量信号中的另一(多个)测量样本(在这种情况下，步骤201可以不重复)，或者步骤203可以基于新的测量值(例如，新获得的(多个)测量信号，或者在重复步骤201之后新获得的(多个)测量样本)。
[0208]
在一些实施例中，步骤203可以针对所获得的(多个)测量信号中的每个测量值(测量样本)重复，使得mlm为每个测量值(测量样本)提供身体部位的指示。在一个或多个传感器52至少包括皮肤接触传感器14、16的实施例中，经训练的mlm可以仅在来自皮肤接触传感器14、16的测量信号指示存在皮肤接触时(例如当由皮肤接触传感器14、16测量的参数的幅度高于阈值时)用于标识身体部位。在这种情况下，步骤203可以仅在存在皮肤接触的情况下执行，或者(多个)测量信号可以仅在存在皮肤接触的情况下被输入到mlm。
[0209]
在其他实施例中，在步骤203(和步骤203的重复)中，经训练的mlm可以基于(多个)测量信号的时间分析来标识对象的身体部位。在这些实施例中，(多个)测量信号中的每一个的一部分(其中一部分是每个测量信号多于一个的测量样本)可以被输入到mlm，并且mlm对该部分中的测量样本进行操作。该部分可以通过将滑动窗口应用到每个测量信号来确定，并且窗口中的测量值(测量样本)被输入到mlm。mlm针对输入到mlm的每个测量值集合输出所标识的身体部位的指示。对于步骤203的重复，滑动窗口跨(多个)测量信号移动(例如，
沿一个或多个样本移动)，以标识待输入到mlm中的新测量样本集合。
[0210]
在上述实施例中，每个测量信号的该部分可以被直接输入到mlm中。在备选实施例中，(多个)部分可以被分析来确定一个或多个特征的值，并且这些特征值在步骤203中被输入到mlm。特征可以是传感器52测量的参数的平均值、每个传感器52所测量的参数的标准偏差和/或与参数的统计性质相关的其他特征，每个特征根据滑动窗口中的测量样本来确定。
[0211]
在步骤203被重复来提供指示所标识的身体部位的一系列输出的实施例中，输出可以被“平滑”来改进身体部位标识的精度，即，虚假的身体部位标识可以被滤除。因此，在一些实施例中，模式过滤器可以被应用于来自mlm的一系列输出以将最终输出的所标识的身体部位确定为在输出集合中最常出现的身体部位。在一些实施例中，滑动窗口可以被应用于输出集合，并且模式过滤器可以被应用于窗口中的输出。
[0212]
在一些实施例中，mlm可以通过使用来自一个或多个传感器52的(多个)测量信号以及用于指示对其使用手持设备2、32的身体部位的测量信号的注释(确认)来针对对象自定义或校准。mlm可以基于注释/确认和(多个)测量信号的相关部分进行更新(训练)。
[0213]
在手持设备2、32的头部部分6可以从可移除头部部分集合中选择的实施例中，方法还可以包括获得在个人护理操作期间，在手持设备2上使用的可移除头部部分的指示，并且该指示可以在分析(多个)测量信号以标识身体部位时被考虑。例如，如果传感器52的性能在可移除头部部分之间变化，则在(多个)测量信号被提供给mlm进行分析之前，来自该/这些传感器52的(多个)测量信号可以针对变化进行校正。备选地，mlm可能已经将可移除头部部分的标识作为输入来训练，并且因此可移除头部部分的标识的指示可以与步骤203中的(多个)测量信号一起作为mlm的输入。作为另一备选，指示身体部位的mlm的输出可以与手持设备2、32上使用的可移除头部部分的类型进行比较。如果匹配，这可以提供所标识的身体部位正确的更高置信度。但是，如果存在不匹配(例如，正在使用腋下附件，但mlm标识的身体部位是面部)，则可以指出这一点。在某些情况下，这种不匹配可能是由于用户在手持设备2、32上附加了错误的附件，并且可以向用户或对象指示正确的附件。
[0214]
在一个或多个传感器52包括皮肤接触传感器14、16以及肤色传感器18和接近传感器34中的至少一个的实施例中，步骤203可以包括分析来自皮肤接触传感器14、16的测量信号，以标识手持设备2、32与皮肤接触的接触时间段。当手持设备2、32在身体部位之间移动时，手持设备2、32可以从身体上抬离，并且因此可以假设在连续失去皮肤接触之间，手持设备2、32用于同一身体部位。在该情况下，步骤203可以包括mlm针对所标识的接触时间段，分析来自肤色传感器18和/或接近传感器34的(多个)测量信号，以在接触时间段内标识单个身体部位。在一些实施例中，接触时间段可以被标识为手持设备2、32与皮肤连续接触的时间段。备选地，接触时间段可以被标识为手持设备2、32与皮肤连续接触的时间段，尽管接触时间短(例如小于阈值时间量，例如小于1或2秒)。更特别地，接触时间段可以被标识为跨越多个时间段，在每个时间段中手持设备2、32与皮肤连续接触，并且每个成对连续时间段之间的时间间隔小于阈值时间量。
[0215]
在手持设备2、32通过使用光脉冲来执行个人护理操作的实施例中，已被施加到身体部位的光脉冲的数量可以被mlm记录和使用来改进身体部位标识。具体地，诸如腿部、腋下、上唇、手臂、比基尼线等身体部位，由于表面积不同，需要的光脉冲量也不同，因此光脉冲数量可以由mlm使用作为身体部位的指标。
[0216]
可以以多种不同方式使用与所标识的身体部位有关的信息。以下提供了一些示例。
[0217]
个人护理操作可能需要定期重复，并且与经处理的身体部位有关的信息可以被用于调度和/或提醒对象何时再处理特定身体部位，以及与随后处理的身体部位有关的信息被用于更新调度。
[0218]
次优的处理结果，例如由于在个人护理操作期间对身体部位的不良覆盖，可能会对对象对手持设备2、32的满意度产生负面影响。可以基于所标识的身体部位和其他信息(诸如施加到身体部位的光脉冲的数量或者处理身体部位所花费的时间)向对象和/或用户提供与身体部位的覆盖范围有关的反馈。这可以使得对象确信手持设备2、32正在被正确使用，或者指示身体部位应被处理更多或更少的时间。
[0219]
因此，在标识正在对其使用手持设备的身体部位方面提供了改进。
[0220]
通过研究附图、公开内容和所附权利要求，本领域技术人员在实践本文描述的原理和技术时可以理解和实现对所公开实施例的变型。在权利要求中，词语“包括”不排除其他元素或步骤，并且不定冠词“一(a)”或“一个(an)”不排除复数。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中列举了某些措施这一事实并不表明这些措施的组合不能有利地使用。计算机程序可以存储或分发在合适的介质上，诸如与其他硬件一起提供或作为其一部分提供的光存储介质或固态介质，但是也可以以其他形式分发，诸如经由互联网或其他有线或无线电信系统。权利要求中的任何附图标记不应被解释为限制范围。