(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111666235.0 (22)申请日 2021.12.31 (71)申请人 江西瑞圣特 科技有限责任公司 地址 330200 江西省南昌市南昌 高新技术 产业开发区天祥北 大道1399号 (72)发明人 李冬保　 (74)专利代理 机构 广州市越秀区哲力专利商标 事务所(普通 合伙) 44288 专利代理师 王毅 (51)Int.Cl. A61C 17/02(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种冲牙器的姿态强度优化方法及系统 (57)摘要 本发明公开了一种冲牙器的姿态强度优化 方法及系统， 包括以下步骤， 步骤S1： 对冲牙 器的 冲牙姿态以及对应的冲牙强度值进行收集整理； 步骤S2： 求得与冲牙姿态相对应的最优冲牙强度 值， 并建立数据集； 其中， 冲牙姿态包括喷嘴在口 腔内的位置和处于这个位置时喷嘴的朝向； 而冲 牙强度值则是对应于上述冲牙姿态的冲牙强度； 步骤S3： 建立神经网络结构学习冲牙姿态和最优 的冲牙强度值之间的对应关系； 步骤S4： 让神经 网络进行学习和进化； 本发明极大提升了冲牙器 的智能化程度， 可以针对不同的人群咯爱提供更 为合适的使用效果， 并在后续的使用过程当中不 断的完善， 不断的贴合于个人的冲牙习惯， 让冲 牙过程更为 舒适。 权利要求书2页 说明书7页 附图4页 CN 114533320 A 2022.05.27 CN 114533320 A 1.一种冲牙器的姿态强度优化方法， 其特 征在于， 包括以下步骤： 步骤S1： 对冲牙器的冲牙姿态以及对应的冲牙强度值进行收集整理； 步骤S2： 求得与冲牙姿态相对应的最优冲牙强度值， 并建立数据集； 其中， 冲牙姿态包 括喷嘴在口腔内的位置和处于这个位置时喷嘴的朝向； 而冲牙强度值则是对应于上述冲牙 姿态的冲牙强度； 步骤S3： 建立神经网络结构学习冲牙姿态和最优的冲牙强度值之间的对应关系； 步骤S4： 让神经网络进行 学习和进化。 2.根据权利要求1所述的冲牙器的姿态强度优化方法， 其特征在于， 所述步骤S1包括以 下子步骤： 步骤S1.1： 收集整理使用冲牙器过程中不同的冲牙姿态及对应冲牙强度值的详细数据 信息。 3.根据权利要求2所述的冲牙器的姿态强度优化方法， 其特征在于， 所述步骤S2包括有 以下子步骤： 步骤S2.1： 根据收集整理的冲牙姿态及对应的冲牙强度值， 针对性的建立关于冲牙强 度值的优化方程A →B； 步骤S2.2： 针对上述的优化方程， 对冲牙强度值的上限B1和下限B2进行 范围上的限定； 步骤S2.3： 将对应冲牙姿态的冲牙强度值进行离散化操作， 然后根据步骤S2.1建立的 优化方程及步骤S2.2中的范围限定， 对 对应冲牙姿态下的冲牙强度值进行求 解； 步骤S2.4： 针对所有不同冲牙姿态下的冲牙强度值分别求出最优解； 根据得到的解， 建 立冲牙姿态和冲牙强度值的对应关系， 并建立初始数据集。 4.根据权利要求3所述的冲牙器的姿态强度优化方法， 其特征在于， 所述步骤S3包括以 下子步骤： 步骤S3.1： 将步骤S2.4中建立的初始数据集分为初始训练集和初始测试集， 建立初始 的神经网络模型来对映射关系进行学习， 初始神经网络在初始训练集进行训练， 通过初始 测试集对初始神经网络进行测试， 判断该初始神经网络是否有效； 步骤S3.2： 建立神经网络搜索空间； 将神经元隐藏层的数量、 每个隐藏层内隐藏有的神 经元数量及学习率作为构建神经网络过程中可以变化的参数； 在初始神经网络模型的基础 上， 构建多个神经网络模型， 分别在初始训练集中进行训练， 然后在初始测试集中进行测 试； 根据在测试集上 的表现， 选出多个神经网络模型和初始神经网络架构表现最好的网络 模型， 应用于系统中用于 完成最优的冲牙强度值的选取。 5.根据权利要求4所述的冲牙器的姿态强度优化方法， 其特征在于， 所述步骤S4包括以 下子步骤： 步骤S4.1： 将冲牙器运用到用户的个人口腔护理环境中， 并用当前最优的神经网络模 型来输出每 个冲牙姿态对应的最优的冲牙强度值； 步骤S4.2： 在产品实验或用户的实际冲牙过程当中， 记录整个冲牙过程当中的多个冲 牙姿态以对应于冲牙姿态的冲牙强度值； 步骤S4.3： 记录在实际使用过程当中， 用户对于某个冲牙姿态的冲牙强度值的调整数 据； 步骤S4.4： 对比实验过程或用户使用过程中由当前神经网络输出的冲牙强度值与使用权　利　要　求　书 1/2 页 2 CN 114533320 A 2者通过实际使用感受调整得到的全局最优冲牙强度值， 如果二者偏差的绝对值大于 设定的 阈值， 则对神经网络进行重新训练； 步骤S4.5： 将实验过程或用户使用过程中记录得到的冲牙姿态和对应的冲牙强度值作 为关系对加入到已经有的数据集中， 并且将数据集分成扩增后训练集和扩增后测试集， 在 已经建立好的神经网络空间中进行搜索， 构多个神经网络模型， 分别在扩增后的训练集中 进行训练， 然后在扩增后的测试集中进行测试， 将多个神经网络模型中架构表现最好的网 络模型作为当前最优的神经网络模型应用于冲 牙器系统中， 并且用于完成以后的产品实验 工作或用户的实际冲牙操作； 步骤S4.6： 在以后的产品实验或实际的冲牙操作过程中， 不断的通过判断差值是否大 于阈值来判断当前神经网络是否是最优的模型， 从而对 模型进行持续优化。 6.根据权利要求5所述的冲牙器的姿态强度优化方法， 其特征在于， 相邻 两个所述冲牙 姿态之间的位置间隔长度为 一个牙齿的宽度。 7.一种冲牙器的姿态强度优化装置， 其特 征在于， 包括： 搜集整理模块， 用于对冲牙器的冲牙姿态以及对应的冲牙强度值进行收集整理； 冲牙强度计算模块， 用于求得与冲牙姿态相对应的最优冲牙强度值， 并建立数据集； 其 中， 冲牙姿态包括喷嘴在口腔 内的位置和处于这个位置时喷嘴的朝向； 而冲牙强度值则是 对应于上述冲牙姿态的冲牙强度； 关系学习 模块， 用于建立神经网络结构学习冲牙姿态和最优的冲牙强度值之间的对应 关系； 学习进化模块， 用于让神经网络进行 学习和进化。 8.一种冲牙器的姿态强度优化系统， 其特 征在于， 包括： 模块1： 冲牙器的姿态确认模块； 所述冲牙器的姿态确认模块包括如权利要求7所述的 搜集整理模块； 模块2： 冲牙器的冲牙强度值调整控制模块； 所述冲牙器的冲牙强度值调整控制模块包 括如权利要求7 所述的冲牙强度计算模块和关系学习模块； 模块3： 神经网络模块自进化的学习模块； 所述神经网络模块自进化的学习模块包括如 权利要求7 所述的学习进化模块。 9.一种计算机设备， 包括： 处理器和存储器， 所述存储器存储程序模块， 其特征在于， 所 述程序模块在所述处 理器运行， 实现如权利要求1 ‑6任一项所述的方法。 10.一种可读存储介质， 存储程序模块， 其特征在于， 所述程序模块在处理器中运行可 实现如权利要求1 ‑6任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114533320 A 3