音频播放方法、装置、可穿戴设备和存储介质与流程

1.本发明涉及计算机技术领域，具体涉及机器学习、深度学习和智能穿戴等领域，尤其涉及一种音频播放方法、装置、可穿戴设备和存储介质。


背景技术：

2.随着现代社会的发展和变革，工作和生活的节奏不断加快，对人们的精神和机体的适应能力也提出了更高的要求，越来越多的人面临失眠、肥胖、抑郁等亚健康问题，由此诞生了多种调节改善睡眠和/或健康的方法，其中，音频播放就是一种基于体征数据来调节改善睡眠和/或健康的方法。
3.然而，在实际的播放中，音频往往与用户体征不匹配，导致音频对用户睡眠和/或健康的改善效果不佳。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本发明的第一个目的在于提出一种音频播放方法，以实现根据预测体征数据、设定体征数据和用户属性信息确定音频调制参数，解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
6.本发明的第二个目的在于提出一种音频播放装置。
7.本发明的第三个目的在于提出一种可穿戴设备。
8.本发明的第四个目的在于提出一种存储有计算机指令的计算机可读存储介质。
9.为达上述目的，本发明第一方面实施例提出了一种音频播放方法，包括：
10.采集目标时刻的用户体征数据；
11.根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据；
12.根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数；
13.根据所述音频调制参数，获取匹配的目标音频并播放。
14.可选地，作为第一方面的第一种可能的实现方式，所述根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据，包括：
15.将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征；
16.将所述第一特征与所述用户属性信息融合，以得到第二特征；
17.将所述第二特征输入所述预测模型的预测层进行预测，以得到所述设定时刻的预测体征数据。
18.可选地，作为第一方面的第二种可能的实现方式，所述用户体征数据包括心率的监测数据和活动量的监测数据；所述将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征，包括：
19.将所述目标时刻的所述心率的监测数据输入所述预测模型的共享层进行特征提取，以得到所述心率对应的第一特征；
20.将所述目标时刻的所述活动量的监测数据输入所述预测模型的共享层进行特征提取，以得到所述活动量对应的第一特征。
21.可选地，作为第一方面的第三种可能的实现方式，所述预测体征数据包括心率的预测数据和活动量的预测数据，所述将所述第二特征输入所述预测模型的预测层进行预测，以得到所述预测体征数据，包括：
22.所述将所述第二特征输入所述预测模型的预测层进行预测，以得到所述预测体征数据，包括：
23.将所述第二特征输入到所述预测模型对应心率的预测层进行心率预测，以得到所述心率的预测数据；
24.将所述第二特征输入到所述预测模型对应活动量的预测层进行活动量预测，以得到所述活动量的预测数据。
25.可选地，作为第一方面的第四种可能的实现方式，所述根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数之前，还包括：
26.在设定场景为助眠场景的情况下，获取历史心率数据和历史活动量数据；
27.根据所述历史心率数据和所述历史活动量数据加权和，确定历史活跃度；
28.根据所述历史活跃度所属的活跃度区间，确定所述助眠场景对应的设定体征数据。
29.可选地，作为第一方面的第五种可能的实现方式，所述根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数，包括：
30.将所述预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到所述回归模型输出的音频调制参数，其中，所述音频调制参数包括目标音频响度和目标节奏；
31.相应地，所述根据所述音频调制参数，获取匹配的目标音频并播放，包括：
32.根据所述目标音频响度和目标节奏，在服务器查询匹配的音乐元素，其中，所述音乐元素包括鼓点、旋律、自然音和音量中的多个组合；
33.对查询到的音乐元素进行合成，以得到所述目标音频并播放。
34.本发明实施例的音频播放方法，通过采集目标时刻的用户体征数据，从而根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的设定时刻的预测体征数据，在根据所述预测体征数据、设定体征数据和用户属性信息确定音频调制参数之后，根据音频调制参数，获取匹配的目标音频并播放。由于音频调制参数是根据预测体征数据、设定体征数据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
35.为达上述目的，本发明第二方面实施例提出了一种音频播放装置，包括：
36.采集模块，用于采集目标时刻的用户体征数据；
37.预测模块，用于根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据；
38.第一确定模块，用于根据所述预测体征数据、设定体征数据和用户属性信息，确定
音频调制参数；
39.获取模块，用于根据所述音频调制参数，获取匹配的目标音频并播放。
40.可选地，作为第二方面的第一种可能的实现方式，所述预测模块，包括：
41.提取单元，用于将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征；
42.融合单元，用于将所述第一特征与所述用户属性信息融合，以得到第二特征；
43.预测单元，用于将所述第二特征输入所述预测模型的预测层进行预测，以得到所述设定时刻的预测体征数据。
44.可选地，作为第二方面的第二种可能的实现方式，所述用户体征数据包括心率的监测数据和活动量的监测数据；所述提取单元，用于：
45.将所述目标时刻的所述心率的监测数据输入所述预测模型的共享层进行特征提取，以得到所述心率对应的第一特征；
46.将所述目标时刻的所述活动量的监测数据输入所述预测模型的共享层进行特征提取，以得到所述活动量对应的第一特征。
47.可选地，作为第二方面的第三种可能的实现方式，所述预测体征数据包括心率的预测数据和活动量的预测数据；
48.所述预测单元，用于：
49.将所述第二特征输入到所述预测模型对应心率的预测层进行心率预测，以得到所述心率的预测数据；
50.将所述第二特征输入到所述预测模型对应活动量的预测层进行活动量预测，以得到所述活动量的预测数据。
51.可选地，作为第二方面的第四种可能的实现方式，所述装置，还包括第二确定模块，用于：
52.在设定场景为助眠场景的情况下，获取历史心率数据和历史活动量数据；
53.根据所述历史心率数据和所述历史活动量数据加权和，确定历史活跃度；
54.根据所述历史活跃度所属的活跃度区间，确定所述助眠场景对应的设定体征数据。
55.可选地，作为第二方面的第五种可能的实现方式，所述第一确定模块，用于：
56.将所述预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到所述回归模型输出的音频调制参数，其中，所述音频调制参数包括目标音频响度和目标节奏；
57.相应地，所述获取模块，包括：
58.查询单元，用于根据所述目标音频响度和目标节奏，在服务器查询匹配的音乐元素，其中，所述音乐元素包括鼓点、旋律、自然音和音量中的多个组合；
59.处理单元，用于对查询到的音乐元素进行合成，以得到所述目标音频并播放。
60.本发明实施例的音频播放装置，通过采集目标时刻的用户体征数据，从而根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的设定时刻的预测体征数据，在根据所述预测体征数据、设定体征数据和用户属性信息确定音频调制参数之后，根据音频调制参数，获取匹配的目标音频并播放。由于音频调制参数是根据预测体征数据、设定体征数据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对
该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
61.为达上述目的，本发明第三方面实施例提出了一种可穿戴设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
62.为达上述目的，本发明第四方面实施例提出了一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法。
63.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
64.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
65.图1为本发明实施例所提供的一种音频播放方法的流程示意图；
66.图2为本发明实施例所提供的音频播放的原理示意图；
67.图3为本发明实施例所提供的另一种音频播放方法的流程示意图；
68.图4为本发明实施例所提供的预测模型的示意图；
69.图5为本发明实施例所提供的回归模型的示意图；
70.图6为本发明实施例所提供的又一种音频播放方法的流程示意图；
71.图7为本发明实施例提供的一种音频播放装置的结构示意图；
72.图8为本发明实施例提供的另一种音频播放装置的结构示意图；以及
73.图9为本发明实施例提供的一个可穿戴设备的结构示意图。
具体实施方式
74.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
75.目前，可根据用户最近一次测量的体征状态作为依据，调制并播放音频，但是，仅根据用户最近测量的体征状态来调制、播放音频，会使得音频在播放时已滞后于用户体征，二者不匹配，同时也难以满足用户个体的个性化调制需求。
76.因此针对上述存在的问题，本发明提出一种音频播放方法、装置、可穿戴设备和存储介质。
77.下面参考附图描述本发明实施例的音频播放方法、装置、可穿戴设备和存储介质。
78.图1为本发明实施例所提供的一种音频播放方法的流程示意图。
79.本实施例以该音频播放方法被配置于音频播放装置中来举例说明，该音频播放装置可以应用于任一可穿戴设备中，以使该可穿戴设备可以执行音频播放功能。
80.如图1所示，该音频播放方法可以包括以下步骤：
81.步骤101，采集目标时刻的用户体征数据。
82.在本实施例中，用户体征数据包括：心率、活动量、压力、睡眠、情绪、呼吸率中的一个或多个组合，本实施例中对此不做具体限定。
83.在本实施例中，可以通过可穿戴设备中搭载的传感器采集用户体征数据。其中，可穿戴设备中搭载的传感器会实时监测用户当前的体征状态，在一种可能的实现方式下，可以将用户触发音频播放的时刻作为目标时刻，将用户触发音频播放的时刻采集的体征数据作为目标时刻的用户体征数据。
84.在另一种可能的实现方式下，可以将用户触发音频播放的下一时刻作为目标时刻进行采集，本实施例对此不做具体限定。同时，可穿戴设备中搭载的传感器的数量可为一个或多个，本实施例也不做具体限定。
85.作为一种示例，以该音频播放方法应用于智能手表进行示例性说明，用户可以为佩戴该智能手表的人，可以通过智能手表中搭载的传感器实时监测用户当前的体征状态，目标时刻可以为用户触发音频播放的时刻，采集此时的用户体征数据。
86.步骤102，根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据。
87.在本实施例中，可对目标时刻的用户特征数据进行体征预测，通过预测用户未来的自然演化体征，得到目标时刻之后的设定时刻的预测体征数据。
88.作为一种可能的实现方式，可捕捉心率、活动量和压力等体征数据随时间的变化规律，从而进行体征预测。
89.步骤103，根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数。
90.在本实施例中，由于不同场景下的体征调节需求不同，其对应的设定体征数据也不尽相同，例如，如果用户设定的场景为助眠场景，对应的设定体征数据应为活跃度，而活跃度可以作为用户临睡放松的程度，以此为设定体征数据可以帮助用户尽快进入睡眠状态；如果用户设定的场景为运动减肥场景，对于运动状态的用户，对应的设定体征数据应为燃脂心率，而燃脂心率作为运动减脂的衡量标准之一，以此为设定体征数据可以帮助用户获得更高的减肥效率；如果用户设定的场景为情绪调节场景，对应的设定体征数据应为hrv(heart rate variability，心率变异性)，情绪与hrv高度相关，hrv低表明一种放松的状态，而hrv高则表明一种潜在的精神紧张或沮丧的状态，以此为设定体征数据可以帮助用户及时调整自己的情绪，作为一种可能的实现方式，当监测到用户处于紧张或沮丧的状态时，可以设置一个较低的hrv作为设定体征数据，本实施例不做具体限定。
91.需要说明的是，在设定场景为运动减肥场景的情况下，对于非运动状态的用户，可播放有律动感的音频提高其运动兴趣。在一种可能的实现方式下，可以结合可穿戴设备的久坐提醒功能，播放有律动感的音频以引导用户运动。
92.在另一种可能的实现方式下，若检测到用户长期待在室内，可以播放适合室外活动的音频以引导用户进行室外活动。
93.在本实施例中，用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个。
94.环境信息包括天气和时间中的至少一个。
95.预测体征数据、设定体征数据和用户属性信息，与音频调制参数之间存在着映射
关系。在本实施例中，基于确定的预测体征数据、设定体征数据和用户属性信息，查询该映射关系可以确定所需的音频调制参数。从而使得音频调制参数，与预测体征数据、设定体征数据和用户属性信息相匹配。其中，作为一种可能的实现方式，所述音频调制参数包括目标音频响度和目标节奏。
96.步骤104，根据所述音频调制参数，获取匹配的目标音频并播放。
97.在本实施例中，音乐元素可预先调制分档，并生成音频调制库，存储于云端，其中，音乐元素包括鼓点、旋律、自然音和音量中的多个组合。
98.可选地，可根据音频调制参数，即目标音频响度和目标节奏，查询匹配的音乐元素，并对查询到的音乐元素进行合成，以得到目标音频并播放。
99.综上，通过采集目标时刻的用户体征数据，从而根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的设定时刻的预测体征数据，在根据所述预测体征数据、设定体征数据和用户属性信息确定音频调制参数之后，根据音频调制参数，获取匹配的目标音频并播放。由于音频调制参数是根据预测体征数据、设定体征数据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
100.为了更加清楚地说明上述实施例，现举例进行说明。
101.举例而言，如图2所示，本音频播放实施可分为三部分，一是基于可穿戴设备的用户体征数据和属性信息确定音频调制参数，即基于可穿戴设备的实时用户体征数据预测用户未来的自然演化体征，得到预测体征数据；基于用户设定音频的目标场景，比如助眠场景、运动减肥场景和情绪调节场景，得到用户设定场景对应的设定体征数据，其中，助眠场景对应的设定体征数据为活跃度，运动减肥场景对应的设定体征数据为燃脂心率，情绪调节场景对应的设定体征数据为hrv；基于可穿戴设备得到用户属性信息，其中，用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个，环境信息包括天气和时间中的至少一个，从而根据预测体征数据、设定体征数据和用户属性信息确定音频调制参数。
102.二是基于音频调制规则生成音频调制库，即根据音频调制规则对原始音乐元素进行调制，生成音频调制库，存储于云端，其中，音频调制规则包括节奏和响度，原始音乐元素包括有着多种节奏和响度的鼓点、旋律、自然音和音量。可选地，可以通过将原始音乐元素按照高、中、低比例调制成不同的节奏和响度版本，从而得到调制好的鼓点集、旋律集、自然音集和音量集，并生成音频调制库，存储于云端。需要理解的是，音频调制库是预先生成的，即在进行音频需求匹配之前就已经生成音频调制库了。
103.三是进行音频需求匹配并播放音频，即根据确定的音频调制参数从云端的音频调制库里面匹配得到合适的音频，并将调制后的音频进行合成，播放给用户，最终实现用户睡眠或健康的正向引导。
104.综上，通过基于可穿戴设备的实时用户体征数据预测用户未来的自然演化体征，得到预测体征数据；基于用户设定音频的目标场景，得到用户设定场景对应的目标体征数据；基于可穿戴设备得到用户属性信息，从而根据预测体征数据、设定场景对应的目标体征数据和用户属性信息确定音频调制参数，然后根据确定的音频调制参数从云端的音频调制库里面匹配得到合适的音频，并播放。由于音频调制参数是根据预测体征数据、设定体征数
据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
105.为了清楚说明上一实施例，本实施例提供了另一种音频播放方法，图3为本发明实施例所提供的另一种音频播放方法的流程示意图。
106.如图3所示，该音频播放方法可以包括以下步骤：
107.步骤301，在设定场景为助眠场景的情况下，根据用户的历史体征数据，确定助眠场景对应的设定体征数据。
108.具体地，响应于用户的操作，确定处于助眠场景的情况下，获取根据用户的历史体征数据所确定出的该助眠场景对应的设定体征数据。
109.作为一种可能的实现方式，可以将实时采集的体征数据存储至数据库或其他存储文件中。将存储的体征数据作为历史体征数据，周期性执行根据历史体征数据确定出的该助眠场景对应的设定体征数据。由于设定体征数据是根据用户实时连续的体征数据周期性执行确定的，其准确度较高，从而得到的目标音频可以高效地针对该用户进行睡眠调节，因此，在目标音频准确度需求较高的情况下，可以采用周期性执行的实现方式。
110.作为另一种可能的实现方式，可以将实时采集的体征数据存储至数据库或其他存储文件中。将存储的体征数据作为历史体征数据，在进入助眠场景的情况下，执行根据历史体征数据确定出的该助眠场景对应的设定体征数据。由于设定体征数据是在进入助眠场景下即刻执行确定的，其执行效率高，可快速得到目标音频并进行睡眠调节，因此，在目标音频执行效率需求较高的情况下，可以采用进入助眠场景下即刻执行的实现方式。
111.本实施例中，为了清楚说明根据历史体征数据确定出的该助眠场景对应的设定体征数据的过程，提供了一种可能的实现方式：可以通过可穿戴设备中搭载的传感器获取用户的历史体征数据，其中，历史体征数据包括历史心率数据和历史活动量数据。然后，基于用户历史体征数据的睡前平均心率和平均活动量对历史心率数据和历史活动量数据进行归一化，得到归一化后的历史心率数据hr
norm
和历史活动量数据activity
norm
，以体现每个用户个体的心率与活动量特征。之后，为综合体现心率与活动量的影响，对归一化后的历史心率数据和历史活动量数据按照下例公式进行加权平均，确定历史活跃度activeness。具体计算公如下：
112.activeness＝α*hr
norm
+(1-α)*activity
norm
113.最后根据历史活跃度所属的活跃度区间，确定助眠场景对应的设定体征数据。其中，活跃度区间可以根据可穿戴设备用户的睡前活跃度进行划分，作为一种可能的实现方式，通过统计可穿戴设备用户的睡前活跃度分布历史数据，计算四分位数q1,q2,q3，其中，四分位数也称四分位点，是指在统计学中把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值。根据四分位数将睡前活跃度离散化为三个量化等级，分别取小于q1的睡前活跃度作为低活跃度，处于[q1,q3]区间的睡前活跃度作为中活跃度，大于q3的睡前活跃度作为高活跃度。
[0114]
作为一种可能的实现方式，当用户处于高活跃度区间时，设定体征数据可以设置为中活跃度区间；当用户处于高活跃度区间时，设定体征数据可以设置为低活跃度区间。
[0115]
步骤302，采集目标时刻的用户体征数据。
[0116]
在本实施例中，用户体征数据包括心率的监测数据和活动量的监测数据。
[0117]
本步骤的其他执行过程可以参见上述实施例中步骤101的执行过程，在此不做赘述。
[0118]
步骤303，将目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征。
[0119]
其中，用户体征数据可以包括心率的监测数据和活动量的监测数据。
[0120]
将目标时刻的心率的监测数据输入预测模型的共享层进行特征提取，以得到心率对应的第一特征；将目标时刻的活动量的监测数据输入预测模型的共享层进行特征提取，以得到活动量对应的第一特征。
[0121]
需要说明的是，心率的监测数据和活动量的监测数据所输入的预测模型的共享层可以是相同的共享层，也可以是不同的共享层，本实施例中对此不作限定。
[0122]
步骤304，将第一特征与用户属性信息融合，以得到第二特征。
[0123]
其中，用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个。
[0124]
环境信息包括天气和时间中的至少一个。
[0125]
可选地，将上一步骤中得到的心率对应的第一特征和活动量对应的第一特征，与用户属性信息拼接，以得到第二特征。由于第二特征是直接拼接第一特征和用户属性信息得到的，其执行效率高，可快速得到，因此，在需要快速得到预测体征数据的情况下，可以采用直接拼接的实现方式。
[0126]
或者，可选地，将上一步骤中得到的心率对应的第一特征和活动量对应的第一特征，与用户属性信息进行加权融合，以得到第二特征。其中，心率对应的第一特征、活动量对应的第一特征和用户属性信息的权重，可以是预先配置的，权重的取值以及对预测体征数据的影响程度两者之间具有一定的相关性。本领域技术人员可以知晓，权重的具体取值可以是通过有限次试验获得的，将权重的不同取值中，使得预测体征数据最准确的取值用于进行心率对应的第一特征、活动量对应的第一特征与用户属性信息之间的加权融合。由于第二特征是将第一特征和用户属性信息加权融合而得到，其权重需进行多次实验获得，其准确定较高，能使预测体征数据最准确地取值，因此，在需要准确得到预测体征数据的情况下，可以采用加权融合的实现方式。
[0127]
步骤305，将第二特征输入预测模型的预测层进行预测，以得到设定时刻的预测体征数据。
[0128]
可选地，将第二特征输入到预测模型对应心率的预测层进行心率预测，以得到心率的预测数据；将第二特征输入到预测模型对应活动量的预测层进行活动量预测，以得到活动量的预测数据。
[0129]
在本实施例中，预测体征数据包括心率的预测数据和活动量的预测数据。
[0130]
步骤306，将预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到回归模型输出的音频调制参数。
[0131]
在本实施例中，回归模型为经过训练的模型，经过训练后的回归模型已学习到预测体征数据、设定体征数据和用户属性信息，与音频调制参数之间的映射关系。
[0132]
其中，用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括
年龄、性别、身高、体重、疾病状态中的至少一个。
[0133]
环境信息包括天气和时间中的至少一个，例如：天气可以是晴天、多云、阴天等，时间是目标时刻的时间，具体可以是月日，以及小时、分钟和秒中的至少一部分；还可以仅包括小时、分钟和秒。时间粒度的选择，可以是根据预测精度确定的，通常用户情绪在一天之内的会存在一些周期性的变化，例如早晨通常心理压力较小并随时间呈现逐步紧张的情况，接近中午又会呈现压力下降的趋势。相似地，一年之内的不同月份或不同季节也会由于用户所进行的活动不同，呈现出不同的特点。因此，为了准确预测出用户需求，需要根据预测精度，选择适当的时间粒度。在预测精度需求较高的情况下，可以选择更多时间粒度的组合，如月日，以及小时、分钟和秒；在预测精度需求较低的情况下，可以选择更少时间粒度的组合，例如小时和分钟。
[0134]
音频调制参数包括目标音频响度和目标节奏。音频的响度，是指人耳感受到的声音强弱，它是人对声音大小的一个主观感觉量；节奏是指自然、社会和人的活动中一种与韵律结伴而行的有规律的突变。
[0135]
需要理解的是，在把预测体征数据、设定体征数据和用户属性信息输入回归模型之前，还需要对其做特征工程处理，以使其转换成便于回归模型处理的数据。
[0136]
其中，在把预测体征数据、设定体征数据和用户属性信息输入回归模型之前，回归模型已经过了模型训练的过程。在一种可能的实现方式下，此训练过程可以在可穿戴设备出厂前进行，比如通过线下采集测试用户的体征数据训练回归模型，回归模型训练好后装进可穿戴设备中。而在用户使用过程中，作为一种可能的实现方式，可以记录用户使用前后的体征数据，并基于用户的音频选择操作所选定的音频，生成一个或多个样本历史数据，并利用该数据对回归模型进行训练，以得到有着更佳调节效果的回归模型。
[0137]
步骤307，根据音频调制参数，在服务器中查询匹配的音乐元素。
[0138]
在本实施例中，音乐元素可预先调制分档，并生成音频调制库，存储于服务器中，其中，音乐元素包括鼓点、旋律、自然音和音量中的多个组合。
[0139]
可选地，可根据音频调制参数，即目标音频响度和目标节奏，在服务器中查询匹配的音乐元素。服务器中存储有多种节奏和响度的音乐元素。这些音乐元素是预先对音乐集合中的音频进行处理得到的，作为一种可能的实现方式，可以根据音频调制规则对音乐集合中的音频进行调制，比如，鼓点和旋律是音乐的主干部分，用于调节用户的情绪和节奏，而自然音与音量作为辅助部分主要营造环境氛围，因而可以根据音频调制规则将音乐集合中的鼓点、旋律、自然音和音量按照高、中、低比例调制成不同的节奏和响度版本，从而得到调制好的鼓点集、旋律集、自然音集和音量集，并生成音频调制库，存储于服务器中。
[0140]
步骤308，对查询到的音乐元素进行合成，以得到目标音频并播放。
[0141]
可选地，可对在服务器中查询到的匹配的音乐元素进行合成，以得到目标音频并播放。
[0142]
作为一种可能的实现方式，可将上一步骤中得到的有着目标音频响度和目标节奏的鼓点、旋律、自然音和音量放入不同的音频轨道，并进行合成，从而得到目标音频并播放。
[0143]
综上，通过采集目标时刻的用户体征数据，从而根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的后续时刻的预测体征数据，在根据预测体征数据、设定体征数据和用户属性信息确定音频调制参数之后，根据音频调制参数，获取匹配的目标音
频并播放。由于音频调制参数是根据预测体征数据、设定体征数据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
[0144]
为了更加清楚地说明预测体征数据的获取，现举例进行说明。
[0145]
举例而言，如图4所示的预测模型，可以采用深度学习中的多任务学习技术，充分捕捉心率、活动量和压力等体征数据随时间的变化规律，从而进行体征预测。以心率和活动量为例，首先将心率的监测数据和活动量的监测数据输入到预测模型的共享层的一个神经网络特征提取层，提取出体征数据的第一特征，从而得到心率对应的第一特征和活动量对应的第一特征，其中，心率的监测数据和活动量的监测数据基于用户可穿戴设备得到；然后将第一特征与用户属性信息进行特征融合，即将心率对应的第一特征和活动量对应的第一特征分别与用户属性信息进行拼接，从而得到心率对应的第二特征和活动量对应的第二特征，其中，用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个，环境信息包括天气和时间中的至少一个；最后将第二特征输入预测模型的预测层进行预测，即将心率对应的第二特征和活动量对应的第二特征分别输入到心率的独立预测层和活动量的独立预测层进行预测，从而得到心率的预测数据和活动量的预测数据。
[0146]
需要说明的是，心率的监测数据和活动量的监测数据所输入的预测模型的共享层可以是相同的共享层，也可以是不同的共享层，本实施例中所输入的预测模型的共享层是相同的共享层。可选地，可将心率对应的第一特征和活动量对应的第一特征分别与用户属性信息进行拼接，以得到第二特征，或者，可选地，将心率对应的第一特征和活动量对应的第一特征，与用户属性信息进行加权融合，以得到第二特征，本实施例中采用拼接的方法。
[0147]
综上，通过将心率的监测数据和活动量的监测数据输入到预测模型中共享层的一个神经网络特征提取层，提取出体征数据的第一特征，从而得到心率对应的第一特征和活动量对应的第一特征，然后将心率对应的第一特征和活动量对应的第一特征分别与用户属性信息进行拼接，从而得到心率对应的第二特征和活动量对应的第二特征，最后将心率对应的第二特征和活动量对应的第二特征分别输入到心率的独立预测层和活动量的独立预测层进行预测，从而得到心率的预测数据和活动量的预测数据。由此，可以充分捕捉心率和活动量随时间的变化规律，从而获得相应的预测体征数据。
[0148]
为了更加清楚地说明音频调制参数的确定，现举例进行说明。
[0149]
举例而言，如图5所示，可以采用回归模型，通过将预测体征数据、设定体征数据和用户属性信息输入回归模型，从而得到回归模型输出的音频调制参数。其中，预测体征数据包括：心率、活动量、压力、睡眠、情绪、呼吸率中的一个或多个组合，本实施例中对此不做具体限定。
[0150]
用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个，环境信息包括天气和时间中的至少一个。
[0151]
音频调制参数包括目标音频响度和目标节奏。
[0152]
在本实施例中，回归模型为经过训练的模型，经过训练后的回归模型已学习到预测体征数据、设定体征数据和用户属性信息，与音频调制参数之间的映射关系。其中，回归模型可以选择机器学习回归模型如xgboost(extreme gradient boosting，极致梯度提
升)、svr(support vactor regression,支持向量回归机)、nn(neural network,神经网络)等，或深度学习回归模型如多层残差网络等，本实施例对此不做限制。
[0153]
在本实施例中，需要先对预测体征数据、设定体征数据和用户属性信息做特征工程处理，以使其转换成便于回归模型处理的数据。作为一种可能的实现方式，可将用户基本信息中的性别和环境信息中的天气作为类别型数据，采用独热编码；其他作为数值型数据，采用min-max归一化或高斯标准化。
[0154]
进一步地，将特征工程处理过的数据，即预测体征数据、设定体征数据和用户属性信息，输入至回归模型中，获取回归模型输出的音频调制参数，即目标音频响度和目标节奏。
[0155]
综上，通过将特征工程处理过的数据，即预测体征数据、设定体征数据和用户属性信息，输入至回归模型中，从而得到回归模型输出的音频调制参数。由此，可以使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
[0156]
为了使回归模型准确地输出音频调制参数，本实施例提供了又一种音频播放方法，图6为本发明实施例所提供的又一种音频播放方法的流程示意图。
[0157]
如图6所示，该音频播放方法可以包括以下步骤：
[0158]
步骤601，获取多个样本历史数据。
[0159]
在本实施例中，样本历史数据包括用户体征数据、设定体征数据、用户属性信息和音频调制参数。其中，用户体征数据包括：心率、活动量、压力、睡眠、情绪、呼吸率中的一个或多个组合，用户属性信息可以包括用户基本信息和环境信息，其中，用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个。
[0160]
环境信息包括天气和时间中的至少一个。作为一种可能的实现方式，音频调制参数包括目标音频响度和目标节奏。
[0161]
在一种可能的实现方式下，样本历史数据可以为在线采集的，比如可以通过网络爬虫技术，在线采集可穿戴设备的用户相关数据，作为样本历史数据。
[0162]
在另一种可能的实现方式下，样本历史数据可以为线下采集的，比如可以通过线下采集参与测试的可穿戴设备的测试用户的相关数据，作为样本历史数据，等等，本实施例对此不做限制。
[0163]
步骤602，针对每个样本历史数据，对样本历史数据中的音频调制参数进行标注，以获取已标注的音频调制参数。
[0164]
在本实施例中，为了提升模型的训练效果，可以通过人工标注。作为一种可能的实现方式，针对每个获取到的包括用户体征数据、设定场景对应的目标体征数据、用户属性信息和音频调制参数的样本历史数据，对其中的音频调制参数，即目标音频响度和目标节奏进行标注，从而得到已标注的音频调制参数。
[0165]
步骤603，获取回归模型输出的预测音频调制参数。
[0166]
在本实施例中，先对用户体征数据、设定体征数据和用户属性信息做特征工程处理，以使其转换成便于回归模型处理的数据。作为一种可能的实现方式，可将用户基本信息中的性别和环境信息中的天气作为类别型数据，采用独热编码；其他作为数值型数据，采用min-max归一化或高斯标准化。
[0167]
在本实施例中，回归模型可以选择机器学习回归模型如xgboost、svr、神经网络等，或深度学习回归模型如多层残差网络等，本实施例对此不做限制。
[0168]
进一步地，将特征工程处理过的数据输入至回归模型中，获取回归模型输出的预测音频调制参数。
[0169]
步骤604，根据预测音频调制参数和已标注的音频调制参数之间的差异，对回归模型进行训练，以使差异最小化。
[0170]
在本实施例中，在获取到回归模型输出的预测音频调制参数后，可将预测音频调制参数与已标注的的音频调制参数进行比对，确定预测音频调制参数与已标注的的音频调制参数之间的差异，根据该差异调整回归模型的参数，以使该差异最小化，从而得到训练好的已学习到预测体征数据、设定体征数据和用户属性信息与音频调制参数之间的映射关系的回归模型。
[0171]
需要理解的是，在一种可能的实现方式下，此训练过程可以在可穿戴设备出厂前进行，比如通过线下采集测试用户的体征数据训练回归模型，回归模型训练好后装进可穿戴设备中，并在用户使用过程中，作为一种可能的实现方式，可以记录用户使用前后的体征数据，并基于用户的音频选择操作所选定的音频，生成一个或多个样本历史数据，并利用该数据对回归模型进行训练，以得到有着更佳调节效果的回归模型。
[0172]
在另一种可能的实现方式下，此训练过程可以在用户使用可穿戴设备的过程中进行，比如通过在线采集用户在之前的音频播放过程中的体征数据，并采用用户操作选定的音频的响度和节奏，作为标注，对回归模型进行训练，得到已学习到预测体征数据、设定体征数据和用户属性信息与音频调制参数之间的映射关系的回归模型，并在用户使用过程中时刻记录用户体征数据和用户操作选定的音频的响度和节奏，不断对回归模型进行训练，以得到有着更佳调节效果的回归模型。
[0173]
而在本实施例中，则是在用户使用过程中，作为一种可能的实现方式，可以从服务器获取一个或多个样本历史数据，并利用该数据对回归模型进行训练，以得到有着更佳调节效果的回归模型。
[0174]
步骤605，采集目标时刻的用户体征数据。
[0175]
步骤606，根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的设定时刻的预测体征数据。
[0176]
步骤607，将预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到回归模型输出的音频调制参数。
[0177]
步骤608，根据音频调制参数，获取匹配的目标音频并播放。
[0178]
需要说明的是，步骤605-608的执行过程可以参见实施例101-104的执行过程，在此不做赘述。
[0179]
综上，通过获取多个样本历史数据，针对每个样本历史数据，对样本历史数据中的音频调制参数进行标注，以获取已标注的音频调制参数，在获取回归模型输出的预测音频调制参数之后，根据预测音频调制参数和已标注的音频调制参数之间的差异，对回归模型进行训练，以使差异最小化。由此，通过对回归模型进行训练，可使回归模型学习到预测体征数据、设定体征数据和用户属性信息与音频调制参数之间的映射关系，使回归模型准确地输出音频调制参数。
[0180]
为了实现上述实施例，本发明还提出一种音频播放装置。
[0181]
图7为本发明实施例提供的一种音频播放装置的结构示意图。
[0182]
如图7所示，该音频播放装置包括：采集模块71、预测模块72、第一确定模块73、获取模块74。
[0183]
采集模块71，用于采集目标时刻的用户体征数据；
[0184]
预测模块72，用于根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据；
[0185]
第一确定模块73，用于根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数；
[0186]
具体地，第一确定模块73，具体用于：将所述预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到所述回归模型输出的音频调制参数，其中，所述音频调制参数包括目标音频响度和目标节奏；所述用户属性信息包括用户基本信息和环境信息，其中，所述用户基本信息包括年龄、性别、身高、体重、疾病状态中的至少一个；所述环境信息包括天气和时间中的至少一个。
[0187]
获取模块74，用于根据所述音频调制参数，获取匹配的目标音频并播放。
[0188]
进一步，所述预测模块72，包括：
[0189]
提取单元721，用于将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征；
[0190]
融合单元722，用于将所述第一特征与所述用户属性信息融合，以得到第二特征；
[0191]
预测单元723，用于将所述第二特征输入所述预测模型的预测层进行预测，以得到所述设定时刻的预测体征数据。
[0192]
进一步，所述用户体征数据包括心率的监测数据和活动量的监测数据；所述提取单元721，用于：
[0193]
将所述目标时刻的所述心率的监测数据输入所述预测模型的共享层进行特征提取，以得到所述心率对应的第一特征；
[0194]
将所述目标时刻的所述活动量的监测数据输入所述预测模型的共享层进行特征提取，以得到所述活动量对应的第一特征。
[0195]
进一步，所述预测体征数据包括心率的预测数据和活动量的预测数据；所述预测单元723，用于：
[0196]
将所述第二特征输入到所述预测模型对应心率的预测层进行心率预测，以得到所述心率的预测数据；
[0197]
将所述第二特征输入到所述预测模型对应活动量的预测层进行活动量预测，以得到所述活动量的预测数据。
[0198]
进一步，所述第一确定模块73，用于：
[0199]
将所述预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到所述回归模型输出的音频调制参数，其中，所述音频调制参数包括目标音频响度和目标节奏；
[0200]
相应地，所述获取模块74，包括：
[0201]
查询单元741，用于根据所述目标音频响度和目标节奏，在服务器查询匹配的音乐元素，其中，所述音乐元素包括鼓点、旋律、自然音和音量中的多个组合；
[0202]
处理单元742，用于对查询到的音乐元素进行合成，以得到所述目标音频并播放。
[0203]
需要说明的是，前述对音频播放方法实施例的解释说明也适用于该实施例的音频播放装置，此处不再赘述。
[0204]
基于上述实施例，本发明实施例还提供了一种音频播放装置的可能的实现方式，图8为本发明实施例提供的另一种音频播放装置的结构示意图，在上一实施例的基础上，音频播放装置还包括：第二确定模块75。
[0205]
第二确定模块75，用于：
[0206]
在设定场景为助眠场景的情况下，获取历史心率数据和历史活动量数据；
[0207]
根据所述历史心率数据和所述历史活动量数据加权和，确定历史活跃度；
[0208]
根据所述历史活跃度所属的活跃度区间，确定所述助眠场景对应的设定体征数据。
[0209]
本发明实施例中，通过采集目标时刻的用户体征数据，从而根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的设定时刻的预测体征数据，在根据所述预测体征数据、设定体征数据和用户属性信息确定音频调制参数之后，根据音频调制参数，获取匹配的目标音频并播放。由于音频调制参数是根据预测体征数据、设定体征数据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，从而解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。
[0210]
为了实现上述实施例，本发明还提供一种可穿戴设备，该可穿戴设备可以包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行本发明上述任一实施例提出的音频播放方法。
[0211]
图9为本发明实施例提供的一个可穿戴设备的结构示意图，可以实现本发明图1-8所示实施例的流程，如图9所示，上述可穿戴设备可以包括：壳体91、处理器92、存储器93、电路板94和电源电路95，其中，电路板94安置在壳体91围成的空间内部，处理器92和存储器93设置在电路板94上；电源电路95，用于为上述电子设备的各个电路或器件供电；存储器93用于存储可执行程序代码；处理器92通过读取存储器93中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的音频播放方法。
[0212]
处理器92对上述步骤的具体执行过程以及处理器92通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1-8所示实施例的描述，在此不再赘述。
[0213]
为了实现上述实施例，本发明还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本发明上述任一实施例提出的音频播放方法。
[0214]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。
[0215]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0216]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0217]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0218]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0219]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0220]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0221]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变
型。
[0222]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0223]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种音频播放方法，其特征在于，包括以下步骤：采集目标时刻的用户体征数据；根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据；根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数；根据所述音频调制参数，获取匹配的目标音频并播放。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据，包括：将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征；将所述第一特征与所述用户属性信息融合，以得到第二特征；将所述第二特征输入所述预测模型的预测层进行预测，以得到所述设定时刻的预测体征数据。3.根据权利要求2所述的方法，其特征在于，所述用户体征数据包括心率的监测数据和活动量的监测数据；所述将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征，包括：将所述目标时刻的所述心率的监测数据输入所述预测模型的共享层进行特征提取，以得到所述心率对应的第一特征；将所述目标时刻的所述活动量的监测数据输入所述预测模型的共享层进行特征提取，以得到所述活动量对应的第一特征。4.根据权利要求2所述的方法，其特征在于，所述预测体征数据包括心率的预测数据和活动量的预测数据；所述将所述第二特征输入所述预测模型的预测层进行预测，以得到所述预测体征数据，包括：将所述第二特征输入到所述预测模型对应心率的预测层进行心率预测，以得到所述心率的预测数据；将所述第二特征输入到所述预测模型对应活动量的预测层进行活动量预测，以得到所述活动量的预测数据。5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数之前，还包括：在设定场景为助眠场景的情况下，获取历史心率数据和历史活动量数据；根据所述历史心率数据和所述历史活动量数据加权和，确定历史活跃度；根据所述历史活跃度所属的活跃度区间，确定所述助眠场景对应的设定体征数据。6.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数，包括：将所述预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到所述回归模型输出的音频调制参数，其中，所述音频调制参数包括目标音频响度和目标节奏；相应地，所述根据所述音频调制参数，获取匹配的目标音频并播放，包括：根据所述目标音频响度和目标节奏，在服务器查询匹配的音乐元素，其中，所述音乐元
素包括鼓点、旋律、自然音和音量中的多个组合；对查询到的音乐元素进行合成，以得到所述目标音频并播放。7.一种音频播放装置，其特征在于，包括：采集模块，用于采集目标时刻的用户体征数据；预测模块，用于根据所述目标时刻的用户体征数据进行体征预测，以得到所述目标时刻之后的设定时刻的预测体征数据；第一确定模块，用于根据所述预测体征数据、设定体征数据和用户属性信息，确定音频调制参数；获取模块，用于根据所述音频调制参数，获取匹配的目标音频并播放。8.根据权利要求7所述的装置，其特征在于，所述预测模块，包括：提取单元，用于将所述目标时刻的用户体征数据输入预测模型的共享层进行特征提取，以得到第一特征；融合单元，用于将所述第一特征与所述用户属性信息融合，以得到第二特征；预测单元，用于将所述第二特征输入所述预测模型的预测层进行预测，以得到所述设定时刻的预测体征数据。9.根据权利要求8所述的装置，其特征在于，所述用户体征数据包括心率的监测数据和活动量的监测数据；所述提取单元，用于：将所述目标时刻的所述心率的监测数据输入所述预测模型的共享层进行特征提取，以得到所述心率对应的第一特征；将所述目标时刻的所述活动量的监测数据输入所述预测模型的共享层进行特征提取，以得到所述活动量对应的第一特征。10.根据权利要求8所述的装置，其特征在于，所述预测体征数据包括心率的预测数据和活动量的预测数据；所述预测单元，用于：将所述第二特征输入到所述预测模型对应心率的预测层进行心率预测，以得到所述心率的预测数据；将所述第二特征输入到所述预测模型对应活动量的预测层进行活动量预测，以得到所述活动量的预测数据。11.根据权利要求7-10任一项所述的装置，其特征在于，所述装置，还包括第二确定模块，用于：在设定场景为助眠场景的情况下，获取历史心率数据和历史活动量数据；根据所述历史心率数据和所述历史活动量数据加权和，确定历史活跃度；根据所述历史活跃度所属的活跃度区间，确定所述助眠场景对应的设定体征数据。12.根据权利要求7-10任一项所述的装置，其特征在于，所述第一确定模块，用于：将所述预测体征数据、设定体征数据和用户属性信息输入回归模型，以得到所述回归模型输出的音频调制参数，其中，所述音频调制参数包括目标音频响度和目标节奏；相应地，所述获取模块，包括：查询单元，用于根据所述目标音频响度和目标节奏，在服务器查询匹配的音乐元素，其中，所述音乐元素包括鼓点、旋律、自然音和音量中的多个组合；
处理单元，用于对查询到的音乐元素进行合成，以得到所述目标音频并播放。13.一种可穿戴设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。14.一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

技术总结
本发明提出一种音频播放方法、装置、可穿戴设备和存储介质，涉及机器学习、深度学习和智能穿戴等领域。具体实现方案为：采集目标时刻的用户体征数据，从而根据目标时刻的用户体征数据进行体征预测，以得到目标时刻之后的设定时刻的预测体征数据，在根据所述预测体征数据、设定体征数据和用户属性信息确定音频调制参数之后，根据音频调制参数，获取匹配的目标音频并播放。由于音频调制参数是根据预测体征数据、设定体征数据和用户属性信息确定的，从而使得与音频调制参数匹配的目标音频可以有效地针对该用户进行睡眠或健康的调节，解决现有技术中实际播放的音频与用户所需不匹配，调节效果不佳的技术问题。节效果不佳的技术问题。节效果不佳的技术问题。


技术研发人员：黄汪 汪孔桥 严纪年 朱国康 孟孜 张聪 俞轶
受保护的技术使用者：安徽华米健康科技有限公司
技术研发日：2022.01.06
技术公布日：2023/7/22