阅读说明：本技术 减轻神经肌肉失调的影响 (Mitigate the influence of neuromuscular disorders ) 是由 尤里·克里蒙 谢里沙·米德拉 卡塔林·巴特菲-沃尔科特 英格里德·墨菲 瓦穆斯·瓦德翰·奇乌 于 2019-05-16 设计创作，主要内容包括：本公开涉及减轻神经肌肉失调的影响。在一些实施例中,公开的主题是具有可穿戴辅助设备的辅助系统,可穿戴辅助设备减轻神经肌肉失调(例如非预期运动或损失力量)的影响。当处于主动/预测模式时,辅助系统使用基于情境、操作和历史上下文的预测分析。当处于反应模式时,辅助设备在不改变用户的力量的情况下减轻非预期运动。辅助系统可以具有锻炼模式,用于评估用户的各种肌肉和关节的力量和灵活性,并且促进锻炼以避免进一步损失,或维持当前力量和灵活性。辅助系统利用来自耦合到辅助设备的传感器(以及可选地来自耦合到移动设备和环境中的传感器)的传感器数据。辅助设备上的致动器基于推断的预期动作或对非预期移动的反应来控制设备的移动。(This disclosure relates to mitigate the influence of neuromuscular disorders.In some embodiments, disclosed theme is the auxiliary system with wearable ancillary equipment, and wearable ancillary equipment mitigates the influence of neuromuscular disorders (such as unintended movements or loss strength).When have the initiative/prediction mode when, auxiliary system use the forecast analysis based on situation, operation and historical context.When being in reaction pattern, ancillary equipment mitigates unintended movements in the case where not changing the strength of user.Auxiliary system can have exercise mode, for assessing the various muscle of user and the strength and flexibility in joint, and promote to take exercise to avoid further loss, or maintain current strength and flexibility.Auxiliary system utilizes the sensing data from the sensor (and optionally from the sensor being coupled in mobile device and environment) for being coupled to ancillary equipment.Actuator in ancillary equipment is based on the expected movement acted or control the reaction of unexpected movement equipment of deduction.)

减轻神经肌肉失调的影响

技术领域

本主题的实施例总体涉及辅助设备，并且更具体地但不限于，涉及通过推断或预测预期运动来减轻神经肌肉失调(例如，震颤或损失力量)的影响的设备。

背景技术

数百万人患有退行性(degenerative)运动控制(例如，帕金森病、多发性硬化等)，这抑制了一个人执行基本任务(例如，进食、穿衣、书写等)的能力。许多人患有上肢震颤。上肢和下肢还出现损失力量、灵活性和控制力。摇晃、震颤、和肌肉力量损失可能是各种神经障碍的结果。特发性震颤(essential tremor)的根本原因尚不清楚，也没有有效的治疗方法。随着人口老龄化，预计这些统计数据将会恶化。

先前研究和解决方案可以包括：各种药物；深部脑刺激(需要手术)；可穿戴式振动设备；具有稳定作用的勺子；加重手套；或EMG信号过滤。这些技术中的每个技术都具有一个或多个缺陷。药物可能只能部分地解决问题，在许多情况下，缺乏有效性。一个人的身体可能会对药物产生抵抗力，并且必须不断地增加剂量。一些药物可能带来显著的对抗性副作用，例如，生理上的(例如，肾脏)、行为上的(例如，攻击性)等。用于植入深部脑刺激的手术成本极高，并且需要进行具有高致命风险和严重副作用的侵入性手术。可穿戴式振动设备(例如，微软公司的Emma项目)尚未确立疗效。此外，Emma没有辅助模式(例如，给予用户力量以增强萎缩的肌肉)，并且没有锻炼模式。具有自稳定作用的特殊勺子或叉子可以减轻仅适用于餐具的解决方案。加重手套是被动的，并且仅仅在手套中加重。该解决方案不能完全缓解震颤，并且针对严重震颤和力量损失而言功效差。手套不提供分析、患者监测、或锻炼的能力。虽然正在进行对过滤EMG信号的早期研究以找到抑制震颤的方法，但其功效尚未确定。EMG过滤还可能在试图过滤震颤时因干扰预期运动而引起问题。EMG过滤不会监测用户状况，也不会补充部分损失的力量。

发明内容

本公开的一个实施例提供了一种用于减轻神经肌肉失调的系统，包括：辅助设备，包括：辅助设备传感器，用于测量佩戴辅助设备的用户的肌肉的运动、压力、或收缩和放松中的至少一项；以及致动器，用于增强用户的肌肉活动；以及处理电路，用于执行以下操作：处理传感器数据以推断用户的预期运动，传感器数据是从辅助设备传感器和环境传感器接收的；以及控制致动器以通过增强用户的肌肉来实现预期运动。

本公开的另一实施例提供了一种用于减轻神经肌肉失调的方法，方法包括：使用辅助设备的设备传感器测量佩戴辅助设备的用户的肌肉的运动、压力、或收缩和放松中的至少一项；处理传感器数据以推断用户的预期运动，传感器数据是从辅助设备传感器和环境传感器接收的；以及控制辅助设备的致动器以通过增强用户的肌肉来实现预期运动。

本公开的又一实施例提供了至少一种非暂态机器可读介质，包括用于减轻神经肌肉失调的指令，指令在由处理电路执行时，使得处理电路执行包括以下各项的操作：使用辅助设备的设备传感器测量佩戴辅助设备的用户的肌肉的运动、压力、或收缩和放松中的至少一项；处理传感器数据以推断用户的预期运动，传感器数据是从辅助设备传感器和环境传感器接收的；以及控制辅助设备的致动器以通过增强用户的肌肉来实现预期运动。

附图说明

在不一定按比例绘制的附图中，相同附图标记可以描述不同视图中的相似组件。具有不同字母后缀的相同数字可以表示相似组件的不同实例。在以下附图的图示中，通过示例而非限制的方式示出了一些实施例，其中：

图1是根据实施例的由神经肌肉失调引起的问题和高级解决方案及应用的图示；

图2示出了根据实施例的可以使用辅助设备的各种场景；

图3是示出根据实施例的用于辅助系统中的运动调制装置的高级方法的图示；

图4示出了根据实施例的辅助设备系统的动态连续体(dynamic continuum)；

图5是示出根据实施例的辅助设备系统的各种组件的框图；

图6是示出根据实施例的预期运动推断器(IMI)的替代推断引擎的框图；

图7A-7C包括根据实施例的进一步示出如图5-6中所示的辅助系统的各种组件的框图；

图8A-8D包括示出根据实施例的用于在各种操作模式中辅助用户减轻神经肌肉失调的影响的方法的流程图；并且

图9是示出可以在其上实现一个或多个实施例的机器的示例的框图。

具体实施方式

在以下描述中，出于解释的目的，阐述了各种细节以便提供对一些示例实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有这些具体细节或具有略微改变的情况下来实践本主题。

本主题的实施例是涉及改善患有退行性运动控制的那些人的功能并且扩展其独立生活能力的系统和方法。此外，在实施例中，本主题包括将有助于减少肌肉退化的物理治疗方法。

本文描述的实施例在退行性疾病进展的若干阶段为用户提供许多益处，例如，推断用户的预期运动以更准确地执行该运动、减轻震颤、适当地补充损失的肌肉力量、或为用户提供治疗锻炼。此外，可以监测用户的进展以进行自定制，或向医疗专业人员、制药机构、或研究机构等进行报告。应当注意，实施例不限于人类应用，还可以被实现用于诸如狗、马、猫等动物。

说明书中对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本主题的至少一个实施例中。因此，(在整个说明书中的各个地方出现的)短语“在一个实施例中”或“在实施例中”的出现不一定都指代相同的实施例，或不一定都指代不同的或相互排斥的实施例。在其他实施例中可以组合各种实施例的特征。

出于解释的目的，阐述了具体配置和细节以便提供对本主题的透彻理解。然而，对于本领域普通技术人员显而易见的是，所描述的主题的实施例可以在没有本文呈现的具体细节的情况下被实施，或可以以如本文所述的各种组合被实施。此外，可以省略或简化公知的特征，以免模糊所描述的实施例。在整个说明书中可以给出各种示例。这些示例仅是对具体实施例的描述。权利要求的范围或含义不限于给出的示例。

本文描述的实施例与诸如虚拟臂、低通滤波器、或简单外骨骼之类的技术不同。实施例可以包括以下元素，例如，上下文感知、意图推断、感知用户的物理状态、选择性扩增(例如，与给定任务需要涉及的所选择的肌肉的人类力量减少的量相对应)、或持续监测用户的力量或灵活性。

外骨骼解决方案本身(假设存在该解决方案)可能促进肌肉萎缩。实施例通过在给定当前肌肉状态(例如，肌肉被削弱的程度)的情况下将辅助限制为完成任务所需的程度内，并且通过促进针对弱化的肌肉的锻炼，来帮助延迟预期的肌肉退化(deterioration)。补充力是有针对性的(例如，其对应于弱化的肌肉)并且被调整的(例如，力的量仅替换已经损失的肌肉力量，或者不足以替换已经损失的肌肉力量)。虽然下面的描述通常集中于针对手的解决方案，但是应该理解，本文描述的技术和方法可以用于震颤抑制或力量增强对其是有益的任意肢体。例如，实施例可以与腿部支架整合，以增加稳定性、增强“向上和向前”移动、或改善姿势。在另一示例中，实施例可以提供平衡锻炼，并且评估姿势显性帕金森病的状态。在又一示例中，实施例可以包括脖子或颈部设备，以在颈部肌肉较弱时保持一个人的头部直立等。

图1是根据实施例的由患者的手或手臂中的神经肌肉失调引起的问题110、以及针对这些问题的适用于若干应用130的力量水平解决方案120(例如，修改用户的力量)的图示100。当一个人的手发生震颤时，日常任务变得更加困难。例如，当一个人患有严重震颤时，拿着咖啡杯101而不会溅出滚烫咖啡可能几乎是不可能的。类似地，扣上衬衫103、进行握手105、或在键盘上打字107可能变为繁重的任务。

在实施例中，针对手震颤的解决方案120包括手套121。手套121可以包括连接器123A-E(例如，电缆、带状电缆、液压线、气动线、形状改变材料(例如，形状记忆合金、智能聚合物等)、压电式电线等)，用于根据致动器127(例如，电动机、泵等)来控制各个手指关节。例如，手套拇指可以包括成对的连接器123A和123B、以及针对两个拇指关节125A-B的相应致动器127。致动器127控制连接器123A-E以调适(moderate)针对给定关节或哪个方向矢量将施加多少压力或力。在示例中，致动器127可以发起或刺激肌肉收缩或放松。手套121可以是可佩戴手臂增强件的一部分，该可佩戴手臂增强件配备有传感器、致动器127、和智能，用于确定预期运动，并且调节手臂、手或其他肢体，以正确地实现用户的预期运动。例如，这可以包括根据被抓取的物体施加不同的抓握压力(例如，在抓握保龄球时施加的抓握压力大于抓握橙子时施加的抓握压力)。

增强设备的应用130可以包括各种任务。例如，用户能够拾取玻璃131，而不会使玻璃掉落，或不会施加足以使玻璃破裂的压力。可以改善灵巧度(dexterity)，例如允许用户扣上衬衫133。用户能够拾取诸如智能手机之类的细长物体135A，并且然后轻松地使用智能手机135B。可以实现手套121的各种形状因子，例如，没有手指的手套137，或从指尖延伸到肘部的形状适配手套139。取决于使用者的障碍(例如，震颤与损失力量等)，不同形状适配可以是有用的。

如上所述，手套121或其他肢体支撑件(例如，骨骼肌增强设备)可以被用来帮助用户实现预期运动，例如，拿起杯子、抑制震颤等。此外，计算节点可以被用来解释传感器信息以推断用户的预期运动(例如，拿着一杯水、扣上衬衫、进行握手等)。

计算节点可以维持感知用户的历史和当前肌肉力量和灵活性。可以通过向控制设备的致动器发送信号来选择性地扩增与用户力量已经衰退的位置相对应的动作。由计算节点控制的系统还可以为用户提供锻炼模式：a)执行有效的锻炼例程，或b)记录用户的力量、灵活性、或运动范围的变化。在推断用户预期运动时，计算节点可以维持情境和历史上下文感知。

除了辅助用户进行日常任务并且促进集中锻炼以避免进一步的肌肉衰退之外，由设备(例如，在计算节点中)收集的历史信息在持续的患者护理中可能是有价值的。例如，反馈数据对于以下人员或行业可能具有很大价值：医学专家(例如，用于疾病进展、药物滴定等)；护理人员(例如，用于创建或监测治疗方案)；或制药业(例如，用于试验、研究等)。反馈数据可以在本地处理(例如，通过设备)或被远程处理(例如，来自设备的原始数据被传递到云组件)以产生例如特征提取、历史数据或纵向分析，其可以由各种来源(例如，医学专家、研究人员等)消耗。

图2示出了根据实施例的可以使用辅助设备的各种场景。应该注意，为了说明的目的，描述了针对手、或手和手臂组合的辅助。然而，辅助设备可以用于各种肢体、核心躯干、或颈部支撑。可以基于可用的训练和传感器信息在家庭、办公室或公共环境中提供辅助。描述了具有用户可以与之交互的各种对象的环境200(例如，家庭环境)。图示的中心是用户可以在环境200中看到的对象。在这种情况下，咖啡杯203搁置在桌子209上。可以看到在咖啡杯203中存在茶袋205和勺子207。辅助系统可以基于如下面更全面描述的因素来推断或预测用户对环境200中的对象的意图。

在实施例中，环境200可以包括相机传感器211，该相机传感器211可以辅助针对场景的上下文(context)开发213。动作分析和设置/场景确定210可以取决于上下文。例如，如相机传感器211所捕获的环境200的视觉方面以及基于对象或情况的上下文开发213可以辅助对场景的分析。在示例中，杯子203(对象)可以指示用于喝饮料的设置，并且可能的动作是拿起杯子203。

在实施例中，环境200可以包括音频传感器221。音频传感器221可以检测听觉提示，例如，环境声音(例如，打破玻璃)、言语提示或超控(override)223(例如，“停！”、“哇”等惊叹)、或非言语表达(例如，喘气、呻吟、吼叫等)，如下所述。预期运动推断220可以使用音频提示进行自校准(例如，调谐)220。例如，用户可以察觉到辅助设备正试图帮助将用户的手201移动向勺子207，但是用户的实际意图是抓住杯子203。在这种情况下，例如，用户可以通过说“是杯子，不是勺子”或“我想要杯子”来超控设备。可以通过自校准和调谐组件(例如，通过基于场景的上下文方面的训练)来识别超控。

位置231和环境上下文233可以用于辅助动作加权230。例如，用户更有可能计划喝咖啡(例如，抓住杯子203并且将杯子203带到嘴唇)，而不是执行与打开门有关的动作。当用户在厨房或餐厅时，与咖啡杯203有关的一些动作更有可能(与当用户在零售商店或浴室时相比)。例如，当用户在厨房时，用户更有可能将空咖啡杯203放在洗碗机中(与用户在餐馆时相比)。在示例中，可以定义可能的动作的列表，例如，拿着杯子/勺子/茶袋、转动门把手、或扣上衣服。可以基于察觉的情境和操作上下文来为每个动作分配权重。可以初始手动地分配权重，或可以基于训练标准和机器学***来抓取物体；例如，在陶瓷咖啡杯上使用较强的抓握，在泡沫杯上使用较轻的抓握。

如上所述，具有关于先前动作的信息的设备存储器241可以与历史上下文243一起由下一动作推断引擎240使用，以根据与类似上下文相关的先前动作来预测下一动作。例如，如果先前动作是“用勺子搅拌杯子”，则可以推断下一动作是“从杯子里喝水”。应当理解，当辅助系统处于被动和反应模式时，预测性推断可以跳过，以支持简单的震颤缓解。

环境200(例如，采用辅助系统)可以包括眼睛和身体***251。系统可以包括视线跟踪设备253。可以通过由眼睛/身体***251或视线跟踪设备253确定的用户焦点来识别250感兴趣的对象。例如，当用户的视线位于杯子/勺子/茶袋(203/207/205)对象组合上时，推断引擎240可以将较低权重分配给涉及桌子209、家庭标志(home sign)208、或时钟206的动作。

环境200还可以包括接近度传感器261、运动检测器263、或压力传感器265。运动方向分析引擎260可以使用来自(一个或多个)传感器261、263或265的信息来识别相对于彼此的用户运动或对象运动。相对X、Y、Z坐标位置或移动271可以与空间解释273一起使用，以通过接近度来识别对象270。例如，当用户将他们的手201向下移动向杯子203时，可以检测到向下运动。当处理空间中的运动、或处理三维空间中的对象之间的关系时，可以使用绝对位置(例如，X、Y、Z坐标)或关系定位(例如，动量、对象之间的距离、或方向(例如，俯仰、偏航、滚动)等等)来考虑三维设置中通常可用的六个自由度。

应当理解，并非所有实施例都将包括如在环境200中描述的所有传感器。例如，当用户在户外时，未能通信地耦合到辅助设备(例如，智能手套121)或便携式设备(OTG)(例如，智能手机、平板电脑、可穿戴设备、HMD等)的传感器可以不向辅助系统提供输入。在这种情况下，预测或实时推断分析可能限于可用的传感器信息。在环境200中，例如，基于在厨房环境中针对这些对象的先前动作，朝向杯子203的用户移动可以预测拿起杯子203的动作。用户可能旨在替代地抓住勺子207。例如，对于主动和预测帮助，如果力量辅助帮助太强而无法无辅助地改变移动的方向，则用户可能需要发出超控。在被动和反应帮助以减轻震颤的情况下，用户可以在没有明确超控的情况下容易地拿到杯子203。在具有凝视***的环境的示例中，用户朝向茶袋205的视线可以超控历史上下文加权，并且正确地预测用户想要抓住茶袋205而不是咖啡杯203的手柄。在示例中，当用户处于安装有(能够被集成到辅助系统中的)传感器的家庭或已知环境中时，各种相机和麦克风可以被固定在环境中，并且被耦合到由用户佩戴或握持的移动设备(例如，可穿戴设备、HMD、智能手机、辅助设备等)。当用户处于具有有限传感器或不具有集成传感器的环境中时，辅助设备的操作可能受到限制，其中一些分析和推断引擎被省略或减少。本领域技术人员将理解，在阅读本公开之后，取决于可用的传感器和历史数据，特定功能可以是可选的或省略的。

图3是示出根据实施例的用于辅助系统中的运动调制装置300的高级方法的图示。运动调制装置300包括具有若干致动器301的智能手套310(例如，辅助设备)。致动器301由智能手套310上的小圆圈指示。应当注意，并非所有致动器301都被标识，以便不使附图复杂化。致动器301可以对应于用户的肢体(例如，附肢、手等)中的压力或神经点。当信号被发送到致动器301时，可以将电流施加到用户的肢体以促进或抑制肌肉或关节的移动。智能手套310还可以包括坚固且柔韧的织带，以帮助用户获得附加力量。基于预期动作，织带可以接受信号以收紧、松弛或硬化为所需的形状或并置(juxtaposition)。

在实施例中，综合感测网络330可以向预期运动推断器和运动调制引擎320提供来自辅助设备上和环境中的各种传感器的数据。(使用辅助设备上的传感器进行的)手部运动跟踪331以及(使用来自位置333、语音335和视觉337传感器的数据进行的)环境建模可以被用来向预期运动推断器和运动调制引擎320提供来自传感器的环境信息。

在实施例中，预期运动推断器和运动调制引擎320可以检测运动，并且识别对象321和用户针对对象的预期动作323。如下所述，各种经训练的机器学习模型可以被用来基于决策分析和报告引擎340中的历史、情境和操作上下文来推断用户的意图。决策分析和报告引擎340可以通过发送致动命令(actuation command)341来辅助对运动调制引擎320的实时控制307。在实施例中，决策分析和报告引擎340可以使用动作建模343来提供致动命令341。决策分析和报告引擎340可以执行报告生成345以用于药物滴定、微调、早期警报等等。报告生成345的输出可以由各种人或机构使用以更好地照顾用户。例如，医学专家可以监测用户的状况，护理人员或亲属可以收到事件警报(例如，掉落杯子)，设备维护人员可以收到设备故障警报等等。

图4示出了根据实施例的辅助设备系统的动态连续体400。手套可以是被动的410或主动的420、或两者的组合。在完全被动模式410中，设备可以被认为处于脱离状态(disengaged)411。当处于脱离状态411时，设备既不会辅助也不会阻碍用户移动。该模式可以在用户不需要对特定任务的帮助时被使用，或该模式可以在紧急情况或系统故障期间被使用，例如，通过显式用户命令或根据指示故障的自诊断来发起。

设备可以处于反应模式413，在该模式下，设备例如实时地对用户预期运动进行反应。辅助设备系统可以对应于用户的自然移动进行操作，同时抑制无意识震颤。该模式可以在用户具有自然力量但受震颤影响时被使用。另一反应模式可以提供与具有力量降低的肌肉相对应的选择性扩增。扩增水平对应于力量损失的水平，其可以保存在由计算节点可访问的数据存储中。该模式在用户具有部分力量剩余时是适用的。

设备可以处于预测模式415。在预测模式415(例如，自主模式)中，辅助设备可以基于情境上下文、或当用户在某种情境下开始动作时预测地(例如，在用户通过他们的肌肉发出运动信号之前)发起运动。该模式在用户大量损失力量时是适用的。例如，如果用户难以开始运动(例如，将手或手臂抬离身体)，则辅助设备可以通过识别附近对象、识别当日时间可能情境等来预测动作。例如，用户可能通常在上午8点吃早餐。在上午8:15，用户面对咖啡杯。基于上下文，辅助设备可以触发肌肉反应以伸手去拿并且抓住咖啡杯。设备可以被训练以识别各种常见场景或从重复任务中进行学习。

图5是示出根据实施例的辅助设备系统的各种组件的框图500。出于说明性目的，可以在现有系统中使用的组件用点线边框示出。专用于如本文描述的辅助设备的实施例的组件用虚线边框示出。这些组件的集成为具有神经肌肉问题的用户提供了改进的辅助设备。图示分为五个功能部分、层或模式：感测层510；确定发生了什么层520；判断(或用户意图)层530；受控运动层540；以及更新层550。

在实施例中，辅助设备系统包括能够用各种技术来实现的力施加器(例如，外骨骼状长手套)，例如，使用电动泵、电机或阀门来控制液压或气动线、电缆或带状物等、或智能聚合物、生物化合物等从而施加力以增加用户的肌肉力量的机电装置。力施加器可以包括多个传感器(未示出，例如，运动、压力等)和致动器(例如，图1中示出的致动器127)。在一个实施例中，致动器127主动抑制被确定为非预期震颤的运动。在另一实施例中，手套121保持刚性(例如，替代主动抵抗震颤)，使得用户感觉他们的手被固定在手套121中。这种类型的设备可能对于手震颤的人来说是舒适的。致动器移动手套的机械元件(例如，带状物123和关节125)，与用户的预期肌肉活动相对应。致动器运动对应于用户施加的肌肉力量(即，没有扩增)，或致动器可以选择性地“扩增”与具体肌肉中力量损失的量相对应的运动。

再次参考图5，在实施例中，可以累积地聚合传感器数据以确定用户在空间和环境中的实时运动(例如，运动检测器)，以用于上下文感知。传感器数据可以是从所有相关和可用传感器设备聚合的。传感器可以包括：智能手套设备中的传感器阵列511(例如，加速度计、陀螺仪、热传感器、压力传感器、其他生理和移动传感器)；用户的OTG设备(或其他可穿戴设备、智能手机、或移动设备)中的传感器513；外部设备中的传感器515(例如，相机、接近度传感器等)。OTG设备上的传感器513可以包括物理和生理传感器(例如，全球定位系统(GPS)、加速度计、陀螺仪、接近度传感器、麦克风、头戴式设备(HMD)相机、心率监测器，其他生理传感器等)。外部设备中的传感器515(例如，相机、接近度检测器、麦克风等)可以用于提供情境上下文。

在实施例中，来自设备中的传感器511、用户的OTG设备中的传感器513、和外部设备中的传感器515的传感器信息被提供给层520，以确定关于用户发生了什么、或在环境中发生了什么(例如，用户的情境上下文)。运动检测器521可以识别用户的移动以及靠近用户的对象的移动。对象和手势识别组件523识别用户手势和接近用户的对象。对象识别可以辅助情境上下文，例如，辅助拿起并且拿着带有液体的咖啡杯。对象识别可以识别用户正在接近楼梯并且可能需要辅助以抓住栏杆(或在腿部辅助设备的情况下，辅助以向上或向下踩踏)。自然语言处理器(NLP)525可以识别来自音频传感器(例如，麦克风)的语音。在实施例中，用户可以提供可听(例如，言语或非言语)命令或反馈。实施例可以识别除语音之外的可听声音。例如，可以识别门铃并且推断用户即将起身去开门。或在另一示例中，吹哨的茶壶可以产生用户即将进入厨房以关闭炉子的推断。存在位置组件527可以识别用户在哪里。例如，当用户在家时，与用户在工作或购物时相比，不同的情境上下文可能是相关的。在另一示例中，接近度传感器可以感测到用户正在接近具有特定种类的锁定机构的门。在该示例中，接近和锁定机制是情境上下文的方面。

一旦各种移动、识别、语言、和位置上下文在层520中被聚合和识别，就可以将信息提供给判断层530。判断层530基于移动、环境中的对象、手势识别、听觉提示(例如，言语或非言语表达、环境声音等)或位置来识别用户意图。在实施例中，预期运动推断器(IMI)531可以使用来自层520的信息来确定用户预期的运动，然后可以例如通过受控运动层540使用该用户预期的运动来提供控制或运动调制信息，从而完成预期运动。在实施例中，IMI 531实时确定用户的运动的哪些元素是预期的，而不是由非预期震颤引起的运动。IMI 531通过将运动与情境上下文关联(例如，通过分析运动轨迹)以及可选地从用户获取提示(例如，语音和眼睛视线)并且从环境获取提示(例如，声音)来做出确定。在实施例中，在肌肉力量丧失的极端情况下，IMI 531可以在不依赖于用户的肌肉运动的情况下推断预期运动(如下面参考图6所讨论的)。

在实施例中，IMI 531包括情境上下文存储器(SCM)组件532、情境上下文标识符(SCI)533、功能对象配置文件(FOP)534、和学习/推断引擎535。IMI 531可以接收作为显式用户交互超控分量536的输入，例如，在用户打算进行不可预测的动作的情况下，或在用户打算在IMI 531没有准确地推断用户的预期动作时进行纠正的情况下。IMI 531还可以接收自校准和调谐(SCT)信息538，以改进对预期运动的推断。

在实施例中，SCI 533基于实时传感器数据以及来自(例如，从SCM 532获取的)先前情境上下文的提示来确定针对用户和环境发生了什么。SCI 533提供对与历史模式、位置、时间、和情境上下文以及实时传感器数据相关的情境的识别。通过相关性、推断和偏离常模的标准偏差来计算高概率结果。SCI 533可以接收输入元素，包括：环境上下文、情境上下文、和实时传感器数据。环境上下文提供与先前位置和时间索引有关的信息，以便识别任意日常模式和相关联位置以及基于时间的事件。情境上下文与先前事件相关联，例如，环境、位置和在该位置发生的相关事物之间的相关信息。实时传感器数据提供针对上下文的附加准确性和细节。SCI 533使用这些输入来确定高概率上下文，并且确保向越来越准确的模型进行改进。

在实施例中，SCM 532提供历史上下文存储装置。历史上下文是在环境和情境中发生的事件的历史，并且被用来改善在给定当前上下文下将发生事件的可能性。因此，用户可以在历史上每天上午8点吃早餐。IMI 531可以将来自SCM 532的历史上下文(例如，已经发生的事件)与来自SCI 533的当前上下文进行整合，以更准确地推断用户意图。例如，使用SCM 532中与早餐活动相对应的历史数据，以及来自SCI 533的用户在走廊中的移动，IMI531可以推断用户正走向厨房以开始制作咖啡。在另一示例中，IMI 531可以在用户上午7:30打开衣柜或梳妆台抽屉时推断用户即将进行穿衣打扮。但是，如果是下午3点，用户打开梳妆台抽屉可能指示用户即将收起干净的衣物。可以基于当日时间、位置、移动等来为各种可能情境分配概率。SCI 533和SCM 532可以提供高概率情境上下文，其与运动数据一起作为IMI 531的核心输入。

在实施例中，SCM 532通过定义已经发生的运动之间的关系来辅助SCI 533，从而提供连续的运动推断。在示例中，用户的手伸向杯子的方向，并且杯子旁边放着笔。已知用户不久之前在桌子上放了一张纸，这有助于推断出用户可能会去拿笔。已知这是早餐时间并且用户刚刚拿着叉子，这有助于推断出用户可能会去拿杯子。SCM 532可以通过运动的相关性(例如，方向、矢量、接近速率等)和对象的细化来辅助提供对情境和事件的识别，从而预先确定将在上下文内***纵的可能对象。SCM 532数据可以以各种方式被使用。例如，运动推断引擎(例如，位于IMI 531中)可以评估对象和序列关联，以便基于对象属性和用于操纵的事件序列来区分响应。在另一示例中，接近序列预测器可以提供特异性(specificity)和过程，以基于最可能牵涉即将到来的动作的对象来缩小对将要操纵哪个对象的选择。

FOP 534可以包括特定对象的列表，该特定对象具有关于如何控制(例如，操作)这些对象的特定相应属性。当可用时，辅助系统基于诸如用户位置之类的信息在列表中执行查找。当可用时，该配置文件信息辅助IMI 531确定用户的预期动作。例如，辅助系统可以检测用户位置在二楼的走廊尽头。在配置文件列表中的查找提供了如下信息，这是通向浴室的门，其开启器呈旋钮状，需要顺时针旋转四分之一圈以打开门。FOP 534基于对象的功能和操作模态来提供对列表中的对象的操作上下文的识别。这可以包括标准对象(例如，一般公众可用)、修改对象(例如，辅助对象)(例如，其中力、抓握、表面被修改以增强或辅助定向)、以及定制系统(其被修改以专门增强单个用户的限制)。FOP 534可以包括针对标准模态、辅助模态、自动模态、或定制模态的对象操作元素。这里，自动模态包括其中对象自动操作从而减轻用户施加力以操作对象的那些模态。示例可以包括能够通过建筑物(例如，家庭)自动化网络控制的自动开门器。因此，检测到的用户接近度或言语命令可以打开或关闭门。

标准模态元件或组件可以基于在没有任何增强的情况下日常对象在该情境中的方式来使对象参与操作和预测/主动动作。辅助模态元件可以基于对日常对象的一些辅助增强(其允许较简单的操纵，例如，与美国残疾人法案(ADA)辅助相关的增强)来使对象参与操作和预测/主动动作。定制模态元件可以基于用户特有的定制增强(例如，家庭改进和汽车/驾驶增强)来使对象参与操作和预测/主动动作。在示例中，通信组件(例如，发送器、收发器等)可以向对象发送信号或命令以请求该对象以预定义的定制方式来辅助用户。例如，在示例中，请求可以是打开或关闭自动门。FOP 534可以提供高概率操作上下文，其是IMI531的第三核心输入。

学习或推断引擎535可以包括反馈以持续改进辅助系统的决策能力。例如，当用户通过言语干扰预测意图(例如，用实际意图超控预测意图)时，例如，当IMI 531误判用户意图时，可以触发自学习调整。535内的推断引擎(如下面参考图6所讨论的)可以包括通过学习、分析和反馈循环提供改进的准确性的高概率上下文元件。

在实施例中，图5中示出的许多动作可以在辅助设备上进行处理，使得用户不需要依赖访问云或互联网连接。一些处理可以在本地边缘云上被执行，例如，在用户家中或办公室中的本地服务器上，或甚至在智能手机或其他移动设备上。为了向用户提供更多独立性，用户常见的对象、情境和动作可以具有存储在辅助设备上的存储器中的本地配置文件。辅助系统的训练、或用户监测和报告可能需要访问互联网或云，然而，训练、监测或报告也可能在本地进行。在示例中，训练可能需要使用计算复杂且密集的训练模型，其可以在具有足够功率的计算节点上更好地离线执行。可能需要访问云或互联网服务器来接收医生输入、新对象的配置文件等。自校准输入(例如，超控)可以被立即应用，或被保存到在辅助设备连接到计算强大的设备以重新训练模型时的稍后时间。应当理解，与本地或远程云服务器相比，处理或组件的不同组合可以驻留在辅助设备上，这对于向用户提供实时辅助是必要的。

图6是示出根据实施例的IMI的替代推断引擎的框图。在实施例中，推断引擎630以概率的形式从SCM 532、SCI 533、和FOP 534接收核心输出，分别包括：高概率运动/接近上下文632、高概率情境上下文633、和高概率操作上下文634。使用概率是因为用户的动作不是确定性的。用户运动是模拟的，而不是数字的，并且几乎具有无限可能性。因此，可能的情境上下文、操作上下文和运动/接近上下文可以在关联之前被分配有概率。学习分析反馈回路推断引擎635使用这些高概率上下文预测来接收连续的上下文反馈，并且通过将操作上下文、情境上下文和运动/接近上下文进行关联来训练系统。应当理解，关联可以使用这些上下文类型中的任一个作为训练中的主要因素(例如，作为种子、开始或起始点等)。例如，训练可以首先关注情境(例如，情境上下文是种子)，并且将情境与历史操作(例如，操作上下文)和运动(例如，运动或接近上下文)关联。替代地，训练可以关注与情境和移动关联的历史运动。在实施例中，各种上下文可以被训练为对等变量。应当理解，可以使用各种机器学习模型将三种类型的上下文关联为可变输入。

一旦经过训练，学习分析和反馈循环推断引擎635中的机器学习模型可以向IMI631提供针对情境、移动/运动、和操作的一个或多个高概率推断。应当理解，虽然推断引擎630在图6中被示为单独的块或组件，但是推断引擎630可以被实现为IMI 631的子组件，或推断引擎630和IMI 631的各种组件可以被实现为单个处理或分布式处理或组合。IMI 631使用(例如，针对情境、移动/运动和操作的)高概率推断，并且向运动控制系统640(例如，图5中示出的层540或MME 545)提供运动信息。

再次参考图5，IMI 531可以向运动调制引擎(MME)545提供关于用户的意图(例如，预期运动)是什么的高概率信息，而MME 545使用该信息来执行运动(例如，增强用户自己的肌肉输入以实现预期运动)。在实施例中，MME 545激活辅助设备(例如，机电装置、智能手套等)的力施加器以实现预期运动。MME 545例如从运动检测器521接收关于用户运动的信息，并且从IMI 531接收预期运动。基于操作模式或其他参数(例如，用户力量和限制)，或预测与反应用户辅助模式。MME 545确定要通过致动器(例如，致动器127)或通过其他信令(例如，用于操作自动门或灯开关的无线电信号)激活哪些运动。MME 545可以确定哪些动作将利用用户的先天或当前力量，以及哪些动作需要力量扩增或辅助，以及需要哪些致动器来完成预期动作。每个致动器可以向单个肌肉或一组肌肉提供肌肉辅助或震颤抑制。因此，如果用户仅在一些肌肉中损失力量，或力量损失的程度不同，则可以以不同的强度水平来激活致动器。如果用户的特定肌肉具有震颤，则可以激活与易患震颤的肌肉相对应的致动器来抑制震颤。在另一实施例中，没有致动器被激活以用于用户的预期运动，用户可以用先天力量来完成运动。然而，在这种情况下，抑制可以用于非预期运动，例如，震颤、抽搐或其他运动障碍。

在实施例中，MME 545有助于实现三个先前描述的操作模式：系统初始化、标准用户操作模式、和锻炼模式。MME 545可以基于接收系统操作模式标记或标识符541而不同地操作。系统初始化模式可以由家庭成员、护士、治疗师或其他个人执行，以模仿用户在操作/佩戴辅助设备时的日常例程。可以执行对日常例程的模仿以训练辅助系统并且提供用于将情境、运动和操作上下文关联的基线。该训练还可以填充FOP 534中的对象配置文件。标准用户操作模式是用于用户辅助的模式。MME 545可以包括机器学习以学习并且微调其操作。当辅助设备由用户操作时，运行时的学习可以增强初始基线。

在实施例中，辅助系统包括锻炼模式。该模式为用户提供锻炼方案(例如，伸展和强化)。在该模式中，系统可以在用户参加阻力训练课程之前首先提示用户。MME 545可以根据(一个或多个)特定肌肉中剩余的力量来局部地调整使用多少阻力或拉伸，以及记录用户进度以向用户和保健人员生成报告。锻炼方案和推荐可以包括医生输入542。记录数据还可以被用来在标准用户操作模式下校准设备的操作。

MME 545还可以利用附加属性，例如，用户生理参数(UPP)543和医生输入542。UPP543可以包括用户当前健康状态的数据库，例如，对应于特定肌肉和关节的力量和灵活性。UPP 543可以由系统基于锻炼模式的进行来连续更新，或从外部源(例如，医生、物理治疗师)接收。医生输入542可以提供与具体锻炼哪个(哪些)肌肉以及推荐哪个(哪些)锻炼有关的信息，包括频率和持续时间或重复次数。在实施例中，UPP 543还可以包括特定指令以更积极地抑制震颤(例如，因为这对用户来说是舒适的)，或相反地不抑制震颤(例如，因为在某些情况下，这对用户来说是不舒适的)。

受控运动层540还可以包括致动器控制管理器(ACM)546、家庭自动化控制器548、以及运动或移动启动器547。ACM 546可以驱动辅助设备(例如，智能手套)中的致动器网络以基于来自MME 545的指引/指令来执行特定运动。运动或移动启动器547可以向各个致动器发送信号或指令以实现移动。家庭自动化控制器548可以与家庭自动化类型的网络和设备进行通信。例如，IMI 531可以确定用户打算打开通往浴室的门。作为要求用户手动打开门的替代方案，IMI 531可以向家庭自动化控制器548发送命令，在数字门开启器可用时发起命令以经由家庭自动化网络打开自动门。

在实施例中，辅助系统可以包括紧急超控537，用于指示辅助系统立即停止并且移除对用户运动的任何抑制/扩增/干扰。该超控537可以基于特定语音命令(关键字、感叹、呻吟、喘气、叫喊等)、手势、或特定“停止”按钮/开关的激活等。例如，当用户感觉到设备不协作、或提供不正确的辅助/抑制时，用户可以停用辅助设备(例如，向致动器控制管理器546发送即时信号以停用致动器)。可以通过物理或虚拟开关或按钮、或语音命令来触发停用。在实施例中，停用(例如，紧急超控)可以由除用户之外的其他人触发，例如，家庭成员、护理人员、紧急响应人员、医学专家等。

在实施例中，辅助系统可以包括用户交互超控组件536，用于在用户察觉到设备正在做出不正确的预测但不需要紧急关闭时，向IMI 531提供校正。例如，IMI 531可以推断用户正要去拿杯子。用户可以大声说出“我正试图拿起勺子”。该命令或移动建议可以用NLP525识别，并且由IMI 531用来校正动作。针对该校正的情境、操作和运动上下文可以被输入到学习/推断引擎535以用于附加训练。应当注意，可以使用其他提示来超控IMI 531。例如，可以预先定义特定动作(例如，手猛地一拉、或来回拉动手、或其他手势)以指示IMI 531推断决策不准确。

在实施例中，辅助系统可以包括自校准调谐器(SCT)538。SCT 538可以包括用于IMI 531和MME 545的连续自学***台。以简单的形式，对于IMI 531，当用户明确地超控IMI531推断时，SCT 538可以调整模型的机器学习权重。当用户表示特定运动不充分(例如，手指没有充分地握住门把手以旋转把手)、或运动使用户产生不舒适(例如，由于来自致动器的过大的力)时，可以执行MME 545的自校准。

在实施例中，MME 545可以向更新层550提供历史信息。更新层550可以包括用户监测和报告(UMR)551组件。UMR 551可以(例如，经由云553)向外部人员或实体(例如，治疗师、研究机构等)提供报告或分析。UMR 551还可以向UPP 543提供与用户的力量水平有关的更新信息和其他当前操作信息，以供MME 545使用。在辅助模式期间(例如，在用户标准操作模式期间、并且尤其是在锻炼模式期间)，辅助系统可以连续评估用户当前的肌肉力量、灵活性、和发动机控制。UMR 551可以更新UPP 543数据库。UMR 551还可以监测一系列物理属性(例如，力量、震颤强度、生物测定、和特定活动)。

可以通过按照预定义量表(例如，统一帕金森病评定量表(UPDRS))添加客观评估来增强UMR 551。在示例中，可以执行定时测试以查看患者能够在指定间隔中将他们的食指触摸到拇指的次数，或用户能够向上旋转/向下旋转他们的手的次数，作为灵活性的度量。能够由辅助设备容易地自动化进行的测试子集可以定期运行(例如，每周一次或每两周一次)。这些力量和灵活性测试与仅在年度/半年度体检中执行的测试(这是患者的当前典型情况)相比可以更频繁地被执行。这些测试的结果可以报告到云553，以供医生、治疗师和其他有关方使用。该数据对于医生、治疗师、制药、研究机构等可能具有很大价值，以用于提供更好的药物滴定、物理治疗(例如，锻炼)，或用于帮助其他类似处境的个体。在实施例中，信息被处理，并且(一个或多个)特定特征集被利用适当程度的隐私保护或加密提供。

图7A-7C包括根据实施例的进一步示出如图5-6中所示的替代辅助系统的各种组件的框图。图7A示出了根据实施例的(例如，图5中示出的)SCI 533组件。情境上下文标识符533可以使用高概率上下文(情境)输入741来识别高概率情境上下文633，该高概率情境上下文633可以由IMI(631，图7C)使用。情境上下文标识符743可以使用若干输入数据730和741以及导出的输入(例如，上下文标识符703、713和723)来识别情境上下文。高概率上下文(情境)741可以从环境上下文703、先前情境上下文713、和历史上下文723导出。环境上下文703可以使用先前位置和时间索引701来识别环境(例如，家庭、办公室、杂货店、餐厅、走廊、厨房、浴室等)。先前事件711可以被用来识别先前情境上下文713(例如，在厨房中可以意味着需要使用餐具来吃饭或喝饮料)。历史上下文723可以使用先前历史可能信息721(例如，在存在杯子对象的厨房中意味着可能拿起杯子)。情境上下文标识符743可以使用高概率上下文(情境)741和实时传感器数据730来生成高概率情境上下文633。在实施例中，经训练的机器学习模型可以在一个或多个点处被使用以确定/计算各种上下文标识符703、713、723或741，其中，模型特定于用于导出上下文标识符703、713、723、743或633/741的输入701、711、721、730或741数据。

在示例中，用户进入已知使用纸杯的本地咖啡店。情境上下文可以指示将一定压力放置在杯子上以安全地拿着它。另一咖啡店可能使用需要不同压力拿着的陶瓷杯。如果用户经常光顾两个咖啡店，则可以将两个位置和默认杯子配置文件保存为应用于特定对象的先前情境上下文。因此，当用户进入使用陶瓷杯的商店时，位置概率将与对象或操作概率关联以施加适当的压力。可能那天商店将会使用不同种类的杯子，或咖啡店是未知的。在这些情况下，用户可能会说“我正在使用纸咖啡杯”来提醒辅助设备选择正确的对象配置文件，如下面更详细讨论的。

在实施例中，用户可以通过听觉或其他方式指示用户打算访问使用陶瓷杯的咖啡店。历史上下文可以推断去往咖啡店、点单、和喝咖啡的一系列动作。当用户离开家时，在辅助设备的本地存储装置中仅可以使用历史动作和功能对象配置文件的子集。例如，用户可能知道咖啡店的网络连接不可靠。可以将该情境上下文存储为远程云服务器或本地边缘云服务器中的针对位置或活动的配置文件。在实施例中，可以基于预期情境和操作上下文(例如，去往咖啡店)从云中预先提取各种历史动作和功能对象配置文件或一系列预期动作。因此，当预先提取数据时，与必须依赖于通常在本地存储的信息的子集相比，辅助设备可以以更高的准确度水平进行操作来推断预期运动和动作。

现在参考图7B，示出了根据实施例的通过运动的关联的情境和事件的框图图示。可以从运动(方向、矢量、接近速率)的关联和对象的细化来导出情境和事件的标识，以便预先确定在上下文中要操纵的可能对象。如上所述，SCM 532(图5)可以包括运动推断引擎752和接近序列预测器754。运动推断引擎752评估对象和序列关联751，以便基于对象属性和用于操纵的事件序列来区分响应。接近序列预测器754提供特异性和过程，以基于最可能牵涉即将到来的动作的对象来缩小对将要操纵的对象的选择。对象含义细化753是一种技术，通过该技术可以对对象选择(例如，即将使用哪个对象)进行细化。例如，当接近若干对象(例如，桌子上的笔、记事本、报纸、和杯子)时，可能难以确定用户想要与若干对象中的哪个对象进行交互。然而，给定在放下笔之后抓住杯子的用户行为模式，对象选择可以被细化为例如在刚刚放下笔时具有更大概率选择杯子(与选择报纸相比)。SCM 532可以向高概率上下文(对象)755提供输入。高概率对象上下文755可以被用来确定具有运动推断和关于对象的接近序列信息(例如，操作上下文)的情境上下文存储器756。情境上下文存储器756可以向IMI 631(图7C)提供高概率运动/接近上下文632。

现在参考图7C，示出了根据实施例的示出对象634(图6)的操作上下文的识别的框图。可以基于对象功能和操作模态来识别高概率操作上下文634。对象可以包括标准对象(例如，一般公众可用，例如纸质或陶瓷咖啡杯)、修改对象(例如，辅助对象)(例如，其中力、抓握、表面被修改以增强或辅助定向)、以及定制模态对象(其被修改以专门增强单个用户的限制)。高概率识别(操作)769可以从对象操作(标准)762、对象操作(辅助)764或对象操作(定制)766导出。对象操作(标准)762可以使用标准模态配置文件763来识别用户针对标准对象的可能操作。对象操作(辅助)764可以使用辅助模态配置文件765来识别用户针对辅助对象的可能操作。对象操作(定制)766可以使用定制模态配置文件767来标识用户针对定制对象的可能操作。例如，物体可以被识别为没有手柄的咖啡杯，这可以向纸杯或发泡聚苯乙烯泡沫杯分配更高(与陶瓷杯相比)的概率。

(例如，图5中示出的)FOP 534操作基于针对高概率识别(操作)769确定的功能和操作模态来提供对对象的操作上下文的识别。功能对象配置文件534可以向IMI 631提供输入，以确定高概率操作上下文634(图6)。功能对象配置文件534通常存储与对象以及对象如何***作有关的信息。例如，针对厨房微波炉的功能对象配置文件可以包括：厨房微波炉位于何处(例如，位于什么房间、离地面有多高、位于柜台上方等)；手柄位于何处(例如，位于左侧、位于顶部等)；开始按钮位于何处，该开始按钮可以发出什么样的特定信号(例如，声音、灯等)等等。在另一示例中，针对门的配置文件可以包括门具有的打开机制的类型，包括以下细节，例如，把手放置的位置、旋转方式(例如，顺时针或逆时针)、或门是否具有机电开门能力。如上所述，IMI 631向运动控制层540提供预期运动信息，运动控制层540进而控制力施加器以实现预期运动。

图8A-C包括示出根据实施例的用于在各种操作模式中辅助用户减轻神经肌肉失调的影响的方法的流程图。在框801中，辅助系统识别操作模式。辅助设备可以以系统初始化或设置模式810、用户辅助模式820、或锻炼模式830进行操作。

现在参考图8B，示出了根据实施例的系统初始化810的方法的流程图。在框811中，可以识别和登记可用于输入的传感器。用于自动发现的方法可以被用来识别范围内的传感器。替代地，用户可以手动地定位和登记传感器。传感器可以包括辅助设备、其他OTG或可穿戴设备、以及环境设备上的传感器。在框812中，可以建立针对经登记的传感器的数据关联映射。传感器数据关联可以建立传感器之间的关系(例如，传感器相对于彼此的位置、传感器相对于环境的位置(例如，位置、高度等)、传感器的数据如何相互关联(例如，在时间上、在超控的角度上等))，并且基于此进行意图推断。在框813中，可以创建环境配置文件数据库840。在框814中，情境配置文件数据库842可以被创建，并且被用来捕获情境上下文，并且例如，通知环境配置文件数据库840。环境配置文件和情境配置文件数据库840和842可以从环境收集一些传感器数据，以及使用训练数据填充配置文件。在示例中，护士或家庭成员可以在家庭环境中走动。相机(例如，被耦合到头戴式显示器(HMD)(例如，眼镜、护目镜、头盔等)或被安装在墙壁上)可以捕获环境信息，例如，位于走廊、浴室、厨房、家庭活动室等中。可以使用用户在这些环境中的常见活动来输入或训练情境上下文。

在框815中，用户的初始生理参数可以被预加载到用户生理参数(UPP)数据库844中。用户力量和限制信息可以被假设、从医疗保健专业人员接收、或从测试导出，并且被输入作为基线。将理解，可以在环境配置文件数据库840和情境配置文件数据库842之前或之后填充UPP数据库844。

现在参考图8C，示出了根据实施例的用户辅助模式820的方法的流程图。应当理解，用户辅助模式820可以在动态连续体中具有各种水平的被动、反应或主动辅助，如图4所示。当辅助设备处于用户辅助模式820时，在框821，辅助系统接收针对各种上下文或动作的传感器数据，包括但不限于，移动、对象识别、位置、环境、和用户反馈。传感器数据可以被聚合以关联来自各种传感器的信息。历史上下文也可以与传感器数据关联以导出实时上下文。如上所述，可以使用各种机器学习模型来辅助数据的关联。当处于预测模式时，在框822中，可以推断预期运动。在反应模式中，也可以推断预期运动和非预期运动，从而抑制非预期运动。在示例中，用户可能没有力量来提供来自移动的预测运动。在这种情况下，可以基于上下文来预测运动。在框823中，运动可以被调制以减轻震颤、减轻非预期运动、或为预期运动提供辅助力量。运动调制可以是反应的(而不是预测的)，用于调制和执行动作。运动调制可以基于用户的力量和限制参数844。运动调制可以包括发送信号825到辅助设备(例如，智能手套、柔性腿部支架、颈部支撑等)中的致动器。应当理解，运动调制可以是主动的(例如，力量辅助)、或反应的(例如，震颤减的)、或两者，如由操作模式和用户生理参数识别的(例如，使用UPP数据库844)。如上所述，在框824中，可以执行用户监测和报告。在框826中，可以执行辅助的校准和调谐，如上所述。

现在参考图8D，示出了根据实施例的示出辅助设备的锻炼模式830的方法的流程图。在框831中，用户或系统可以选择锻炼来进行练***。在框837中，可以在UPP数据库844中更新用户力量或限制或其他生理参数中的变化。在框838中，可以生成与锻炼方案的状态和更新的参数有关的报告。可以存储报告以供稍后查看，或根据需要转发给用户或医疗保健人员。

图9示出了在其上可以执行本文讨论的任意一个或多个技术(例如，方法)的示例机器900的框图。在实施例中，辅助设备(例如，智能手套或腿部支架等)与机器900(例如，服务器机器)进行通信，机器900可以用于执行经训练的模型并且根据上下文数据基于推断的预期运动来提供运动控制。机器900可以是本地或远程计算机，或诸如智能手机、平板电脑或可穿戴设备之类的OTG设备中的处理节点。机器900可以作为独立设备进行操作，或可以连接(例如，联网)到其他机器。在实施例中，机器可以与辅助设备直接耦合或集成。应当理解，当处理器902直接耦合到辅助设备时，机器900的一些组件可以被省略以提供轻量且灵活的设备(例如，显示设备、UI导航设备等)。在联网部署中，机器900可以操作作为服务器-客户端网络环境中的服务器机器、客户端机器、或两者。在示例中，机器900可以用作对等(P2P)(或其他分布式)网络环境中的对等机器。机器900可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、Web设备、网络路由器、交换机或网桥、或能够(顺序地或以其他方式)执行指令(这些指令指定要由机器采取的动作)的任意机器。此外，虽然仅示出单个机器，但术语“机器”也应当被理解为包括单独或联合执行一组(或多组)指令以执行本文讨论的任意一个或多个方法的机器的任意集合，例如，云计算、软件即服务(SaaS)、或其他计算机集群配置。

如本文所述，示例可以包括逻辑或多个组件或机制，或可以由逻辑或多个组件或机制来操作。电路是在有形实体中实现的电路的集合，其包括硬件(例如，简单电路、门、逻辑等)。电路成员随着时间的推移和底层硬件的变化可以是灵活的。电路包括可以在操作时单独地或组合地执行指定操作的成员。在示例中，电路的硬件可以不可变地设计以执行特定操作(例如，硬连线)。在示例中，电路的硬件可以包括可变连接的物理组件(例如，执行单元、晶体管、简单电路等)，包括被物理地修改以编码特定操作的指令的计算机可读介质(例如，磁性的、电性的、可移动放置的不变聚集粒子等)。在连接物理组件时，硬件组件的基础电特性被改变，例如，从绝缘体变为导体，反之亦然。该指令使得嵌入式硬件(例如，执行单元或加载机构)能够通过可变连接在硬件中创建电路的成员，以在操作时执行特定操作的部分。因此，当设备操作时，计算机可读介质通信地耦合到电路的其他组件。在示例中，任意物理组件可以在不止一个电路的不止一个成员中被使用。例如，在操作中，执行单元可以在一个时间点在第一电路单元的第一电路中被使用，并且在不同时间由第一电路单元中的第二电路重用，或在不同时间由第二电路单元中的第三电路重用。

机器(例如，计算机系统)900可以包括硬件处理器902(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核心、或它们的任意组合)、主存储器904、和静态存储器906，它们中的一些或全部可以经由互连链路(例如，总线)908彼此通信。机器900还可以包括显示单元910、字母数字输入设备912(例如，键盘)、和用户界面(UI)导航设备914(例如，鼠标)。在示例中，显示单元910、输入设备912、和UI导航设备914可以是触摸屏显示器。机器900可以另外包括存储设备(例如，驱动单元)916、信号生成设备918(例如，扬声器)、网络接口设备920、以及一个或多个传感器921(例如，全球定位系统(GPS)传感器、罗盘、加速度计、或其他传感器)。在示例中，传感器921可以包括可穿戴传感器、基于辅助设备的传感器、和环境传感器，如上所述。机器900可以包括输出控制器928，例如，串行(例如，通用串行总线(USB))、并行、或其他有线或无线(例如，红外(IR)、近场通信(NFC)等)连接以通信或控制一个或多个***设备(例如，打印机、读卡器等)。

存储设备916可以包括机器可读介质922，在该机器可读介质922上存储有一组或多组数据结构或指令924(例如，软件)，该一组或多组数据结构或指令924体现任意一个或多个本文描述的技术或功能，或由任意一个或多个本文描述的技术或功能利用。指令924在由机器900执行期间还可以完全或至少部分地驻留在主存储器904内、静态存储器906内、或硬件处理器902内。在示例中，硬件处理器902、主存储器904、静态存储器906、或存储设备916中的一个或任意组合可以构成机器可读介质。

虽然机器可读介质922被示出为单个介质，但是术语“机器可读介质”可以包括被配置为存储一个或多个指令924的单个介质或多个介质(例如，集中式或分布式数据库、或相关联的高速缓存和服务器)。

术语“机器可读介质”可以包括能够存储、编码或携带由机器900执行并且使得机器900执行本公开的任意一个或多个技术的指令的、或能够存储、编码或携带由这类指令使用或与这类指令相关的数据结构的任意介质。非限制性机器可读介质示例可以包括固态存储器、以及光学和磁性介质。在示例中，大容量机器可读介质包括拥有多个具有不变(例如，静止)质量的粒子的机器可读介质。因此，大容量机器可读介质不是暂态传播信号。大容量机器可读介质的具体示例可以包括：非易失性存储器，例如，半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪存器件；磁盘，例如，内部硬盘和可移动磁盘；磁光盘；和CD-ROM和DVD-ROM磁盘。

指令924还可以通过通信网络926使用传输介质经由网络接口设备920利用多种传输协议(例如，帧中继、网际协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任意一种被发送或接收。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如，互联网)、移动电话网络(例如，蜂窝网络)、普通老式电话(POTS)网络、和无线数据网络(例如，称为 的电气和电子工程师协会(IEEE)802.11标准族、称为的IEEE 802.16标准族)、IEEE 802.15.4标准族、对等(P2P)网络等。在示例中，网络接口设备920可以包括一个或多个物理插孔(例如，以太网、同轴或电话插孔)或一个或多个天线以连接到通信网络926。在示例中，网络接口设备920可以包括多个天线，以使用单输入多输出(SIMO)、多输入多输出(MIMO)、或多输入单输出(MISO)技术中的至少一个来进行无线通信。术语“传输介质”应当被理解为包括能够存储、编码或携带用于由机器900执行的指令的任意无形介质，并且包括数字或模拟通信信号、或用于促进这类软件的通信的其他无形介质。

附加说明和实例

示例1是一种用于减轻神经肌肉失调的系统，包括：辅助设备，包括：辅助设备传感器，用于测量佩戴辅助设备的用户的肌肉的运动、压力或收缩和放松中的至少一项；以及致动器，用于增强用户的肌肉活动；以及处理电路，用于执行以下操作：处理传感器数据以推断用户的预期运动，传感器数据是从辅助设备传感器和环境传感器接收的；以及控制致动器以通过增强用户的肌肉来实现预期运动。

在示例2中，示例1的主题包括，其中，传感器数据包括对运动、对象、手势、语音、除语音之外的可听声音、位置、或接近度中的至少一个的测量结果。

在示例3中，示例1-2的主题包括，其中，为了控制致动器以通过增强用户的肌肉来实现预期运动，处理电路基于操作模式来修改控制，其中，操作模式是以下各项中的一项：被动-反应模式、主动-反应模式、主动-预测模式、超控模式、或锻炼模式。

在示例4中，示例3的主题包括，其中，被动-反应模式减轻非预期运动，主动-反应模式辅助损失力量的用户，主动-预测模式预测预期运动，并且锻炼模式用于促进力量和灵活性保留并且监测用户的当前能力。

在示例5中，示例1-4的主题包括，其中，环境传感器包括以下各项中的至少一项：麦克风、加速度计、陀螺仪、全球定位系统(GPS)传感器、接近度传感器、位置传感器、指南针、相机、或生理传感器。

在示例6中，示例5的主题包括，其中，上下文信息被提供给经训练的机器学习模型以推断用户的预期运动。

在示例7中，示例1-6的主题包括，其中，为了处理传感器数据以推断用户的预期运动，处理电路将传感器数据转换为上下文信息，该上下文信息包括以下各项中的至少一项：高概率情境上下文、高概率操作上下文、或高概率运动上下文。

在示例8中，示例7的主题包括，其中，响应于由用户响应于致动器的控制而做出的可听命令，系统的超控模式被处理电路实现，超控模式使得处理电路执行以下操作：修改对致动器的控制以遵从可听命令；以及使用来自传感器数据的当前上下文和可听命令来重新训练机器学习模型，以改进未来的推断。

在示例9中，示例5-8的主题包括：存储器，用于存储物理对象配置文件，物理对象配置文件包括标准模态配置文件、辅助模态配置文件、或定制模态配置文件中的至少一个，物理对象配置文件被处理电路用于创建高概率操作上下文。

在示例10中，示例8-9的主题包括：通信组件，用于向与包括定制模态的物理对象配置文件相对应的对象发送操作请求，该操作请求响应于与对象的操作相对应的预期运动而被发送。

在示例11中，示例1-10的主题包括，其中，为了控制致动器，处理电路基于用户的当前能力来修改控制以调整力量辅助水平。

在示例12中，示例1-11的主题包括，其中，为了处理传感器数据以推断用户的预期运动，处理电路实现：预期运动推断器，该预期运动推断器使用从传感器数据导出的上下文来生成预期运动，该预期运动包括一个或多个动作。

在示例13中，示例12的主题包括，其中，预期运动推断器包括针对系统的操作模式的多个准确度水平，其中，准确度水平取决于当前上下文中的可用传感器数据和历史上下文中的可用数据，并且其中，对可用传感器数据和历史上下文的分析被分布在辅助设备中包括的第一处理电路和远离辅助设备的第二处理电路之间，其中，第一处理电路有权访问包括用户熟悉的对象配置文件的存储器，并且第二处理电路有权访问包括针对用户不熟悉的对象的对象配置文件和历史上下文数据的存储器，其中，第一处理电路被布置为在与第二处理电路断开连接时以与在被通信地连接到第二处理电路时相比较低的准确度水平来推断预期运动。

示例14是一种用于减轻神经肌肉失调的方法，该方法包括：使用辅助设备的设备传感器测量佩戴辅助设备的用户的肌肉的运动、压力或收缩和放松中的至少一项；处理传感器数据以推断用户的预期运动，传感器数据是从辅助设备传感器和环境传感器接收的；以及控制辅助设备的致动器以通过增强用户的肌肉来实现预期运动。

在示例15中，示例14的主题包括，其中，传感器数据包括对运动、对象、手势、语音、除语音之外的可听声音、位置、或接近度中的至少一个的测量结果。

在示例16中，示例14-15的主题包括，其中，控制致动器以通过增强用户的肌肉来实现预期运动包括：基于操作模式来修改控制，其中，操作模式是以下各项中的一项：被动-反应模式、主动-反应模式、主动-预测模式、超控模式、或锻炼模式。

在示例17中，示例16的主题包括，其中，被动-反应模式减轻非预期运动，主动-反应模式辅助损失力量的用户，主动-预测模式预测预期运动，并且锻炼模式用于促进力量和灵活性保留并且监测用户的当前能力。

在示例18中，示例14-17的主题包括，其中，环境传感器包括以下各项中的至少一项：麦克风、加速度计、陀螺仪、全球定位系统(GPS)传感器、接近度传感器、位置传感器、指南针、相机、或生理传感器。

在示例19中，示例18的主题包括，其中，上下文信息被提供给经训练的机器学习模型以推断用户的预期运动。

在示例20中，示例14-19的主题包括，其中，处理传感器数据以推断用户的预期运动包括：将传感器数据转换为上下文信息，该上下文信息包括以下各项中的至少一项：高概率情境上下文、高概率操作上下文、或高概率运动上下文。

在示例21中，示例20的主题包括：响应于由用户响应于致动器的控制而做出的可听命令，实现超控模式，该超控模式包括：修改度致动器的控制以遵从听觉命令；以及使用来自传感器数据的当前上下文和可听命令来重新训练机器学习模型，以改进未来的推断。

在示例22中，示例18-21的主题包括：在存储器上存储物理对象配置文件，物理对象配置文件包括标准模态配置文件、辅助模态配置文件、或定制模态配置文件中的至少一个；以及根据物理对象配置文件创建高概率操作上下文。

在示例23中，示例21-22的主题包括：向与包括定制模态的物理对象配置文件相对应的对象发送操作请求，该操作请求响应于与对象的操作相对应的预期运动而被发送。

在示例24中，示例14-23的主题包括，其中，控制致动器包括：基于用户的当前能力来修改控制以调整力量辅助水平。

在示例25中，示例14-24的主题包括，其中，处理传感器数据以推断用户的预期运动包括：使用从传感器数据导出的上下文来生成预期运动，该预期运动包括一个或多个动作。

在示例26中，示例25的主题包括，其中，使用从传感器数据导出的上下文来生成预期运动是利用具有针对不同操作模式的多个准确度水平的技术来执行的，其中，准确度水平取决于当前上下文中的可用传感器数据和历史上下文中的可用数据，并且其中，对可用传感器数据和历史上下文的分析被分布在辅助设备中包括的第一处理电路和远离辅助设备的第二处理电路之间，其中，第一处理电路有权访问包括用户熟悉的对象配置文件的存储器，并且第二处理电路有权访问包括针对用户不熟悉的对象的对象配置文件和历史上下文数据的存储器，其中，第一处理电路被布置为在与第二处理电路断开连接时以与在被通信地连接到第二处理电路时相比较低的准确度水平来推断预期运动。

示例27是至少一种非暂态机器可读介质，包括用于减轻神经肌肉失调的指令，该指令在由处理电路执行时，使得处理电路执行包括以下各项的操作：使用辅助设备的设备传感器测量佩戴辅助设备的用户的肌肉的运动、压力或收缩和放松中的至少一项；处理传感器数据以推断用户的预期运动，传感器数据是从辅助设备传感器和环境传感器接收的；以及控制辅助设备的致动器以通过增强用户的肌肉来实现预期运动。

在示例28中，示例27的主题包括，其中，传感器数据包括对运动、对象、手势、语音、除语音之外的可听声音、位置、或接近度中的至少一个的测量结果。

在示例29中，示例27-28的主题包括，其中，控制致动器以通过增强用户的肌肉来实现预期运动包括：基于操作模式来修改控制，其中，操作模式是以下各项中的一项：被动-反应模式、主动-反应模式、主动-预测模式、超控模式、或锻炼模式。

在示例30中，示例29的主题包括，其中，被动-反应模式减轻非预期运动，主动-反应模式辅助损失力量的用户，主动-预测模式预测预期运动，并且锻炼模式用于促进力量和灵活性保留并且监测用户的当前能力。

在示例31中，示例27-30的主题包括，其中，环境传感器包括以下各项中的至少一项：麦克风、加速度计、陀螺仪、全球定位系统(GPS)传感器、接近度传感器、位置传感器、指南针、相机、或生理传感器。

在示例32中，示例31的主题包括，其中，上下文信息被提供给经训练的机器学习模型以推断用户的预期运动。

在示例33中，示例27-32的主题包括，其中，处理传感器数据以推断用户的预期运动包括：将传感器数据转换为上下文信息，该上下文信息包括以下各项中的至少一项：高概率情境上下文、高概率操作上下文、或高概率运动上下文。

在示例34中，示例33的主题包括，其中，操作包括：响应于由用户响应于致动器的控制而做出的可听命令，实现超控模式，该超控模式包括：修改对致动器的控制以遵从听觉命令；以及使用来自传感器数据的当前上下文和可听命令来重新训练机器学习模型，以改进未来的推断。

在示例35中，示例31-34的主题包括，其中，操作包括：在存储器上存储物理对象配置文件，物理对象配置文件包括标准模态配置文件、辅助模态配置文件、或定制模态配置文件中的至少一个；以及根据物理对象配置文件创建高概率操作上下文。

在示例36中，示例34-35的主题包括，其中，操作包括：向与包括定制模态的物理对象配置文件相对应的对象发送操作请求，该操作请求响应于与对象的操作相对应的预期运动而被发送。

在示例37中，示例27-36的主题包括，其中，控制致动器包括：基于用户的当前能力来修改控制以调整力量辅助水平。

在示例38中，示例27-37的主题包括，其中，处理传感器数据以推断用户的预期运动包括：使用从传感器数据导出的上下文来生成预期运动，该预期运动包括一个或多个动作。

在示例39中，示例38的主题包括，其中，使用从传感器数据导出的上下文来生成预期运动是利用具有针对不同操作模式的多个准确度水平的技术来执行的，其中，准确度水平取决于当前上下文中的可用传感器数据和历史上下文中的可用数据，并且其中，对可用传感器数据和历史上下文的分析被分布在辅助设备中包括的第二处理电路和远离辅助设备的第三处理电路之间，其中，第二处理电路有权访问包括用户熟悉的对象配置文件的存储器，并且第三处理电路有权访问包括针对用户不熟悉的对象的对象配置文件和历史上下文数据的存储器，其中，第二处理电路被布置为在与第三处理电路断开连接时以与在被通信地连接到第三处理电路时相比较低的准确度水平来推断预期运动。

示例40是一种用于减轻神经肌肉失调的系统，该系统包括：用于使用辅助设备的设备传感器测量以下中的至少一个的装置：运动，压力或收缩和放松的用户的肌肉辅助设备；用于处理传感器数据以推断用户的预期运动，从辅助设备传感器和环境传感器接收的传感器数据的装置；和用于控制辅助设备的致动器以通过增强使用者的肌肉来实现预期运动的装置。

在示例41中，示例40的主题包括，其中，传感器数据包括对运动、对象、手势、语音、除语音之外的可听声音、位置、或接近度中的至少一个的测量。

在示例42中，示例40-41的主题包括，其中，用于控制致动器以通过增强用户的肌肉来实现预期运动的装置包括：用于基于操作模式修改控制的装置，其中，操作模式是以下各项中的一项：被动-反应模式、主动-反应模式、主动-预测模式、超控模式、或锻炼模式。

在示例43中，示例42的主题包括，其中，被动-反应模式减轻非预期运动，主动-反应模式辅助损失力量的用户，主动-预测模式预测预期运动，并且锻炼模式用于促进力量和灵活性保留并且监测用户的当前能力。

在示例44中，示例40-43的主题包括，其中，环境传感器包括以下各项中的至少一项：麦克风、加速度计、陀螺仪、全球定位系统(GPS)传感器、接近度传感器、位置传感器、指南针、相机、或生理传感器。

在示例45中，示例44的主题包括，其中，上下文信息被提供给经训练的机器学习模型以推断用户的预期动作。

在示例46中，示例40-45的主题包括，其中，用于处理传感器数据以推断用户的预期运动的装置包括：用于将传感器数据转换为上下文信息的装置，该上下文信息包括以下各项中的至少一项：高概率情境上下文、高概率操作上下文、或高概率运动上下文。

在示例47中，示例46的主题包括：响应于由用户响应于致动器的控制而做出的可听命令，用于实现超控模式的装置，包括：用于修改对致动器的控制以遵从听觉命令的装置；以及用于使用来自传感器数据的当前上下文和可听命令来重新训练机器学习模型以改进未来的推断的装置。

在示例48中，示例44-47的主题包括：用于在存储器上存储物理对象配置文件的装置，物理对象配置文件包括标准模态配置文件、辅助模态配置文件、或定制模态配置文件中的至少一个；以及用于根据物理对象配置文件创建高概率操作上下文的装置。

在示例49中，示例47-48的主题包括：用于向与包括定制模态的物理对象配置文件相对应的对象发送操作请求的装置，该操作请求响应于与对象的操作相对应的预期运动而被发送。

在示例50中，示例40-49的主题包括，其中，用于控制致动器的装置包括：用于基于用户的当前能力来修改控制以调整力量辅助水平的装置。

在示例51中，示例40-50的主题包括，其中，用于处理传感器数据以推断用户的预期运动的装置包括：用于使用从传感器数据导出的上下文来生成预期运动的装置，该预期运动包括一个或多个动作。

在示例52中，示例51的主题包括，其中，用于使用从传感器数据导出的上下文来生成预期运动的装置是利用具有针对不同操作模式的多个准确度水平的技术来执行的，其中，准确度水平取决于当前上下文中的可用传感器数据和历史上下文中的可用数据，并且其中，对可用传感器数据和历史上下文的分析被分布在辅助设备中包括的第一处理电路和远离辅助设备的第二处理电路之间，其中，第一处理电路有权访问包括用户熟悉的对象配置文件的存储器，并且第二处理电路有权访问包括针对用户不熟悉的对象的对象配置文件和历史上下文数据的存储器，其中，第一处理电路被布置为在与第二处理电路断开连接时以与在被通信地连接到第二处理电路时相比较低的准确度水平来推断预期运动。

示例53是至少一种机器可读介质，包括指令，该指令在由处理电路执行时，使得处理电路执行操作以实现示例1-52中的任一项。

示例54是一种装置，包括用于实现示例1-52中的任一项的装置。

示例55是一种系统，用于实现示例1-52中的任一项。

示例56是一种方法，用于实现示例1-52中的任一项。

本文描述的技术不限于任何特定硬件或软件配置；它们可以适用于任何计算、消费电子或处理环境。这些技术可以用硬件、软件、固件或其组合来实现，从而产生支持本文描述的实施例的执行或实现的逻辑或电路。

对于模拟，程序代码可以表示使用硬件描述语言或另一功能描述语言(其基本上提供了设计的硬件预期如何执行的模型)的硬件。程序代码可以是汇编语言或机器语言、或能够被编译或解释的数据。此外，在本领域中，谈及软件以某种形式采取动作或产生结果是常见的。这样的表达仅仅是说明通过处理系统执行程序代码(这使得处理器执行动作或产生结果)的简写方式。

每个程序可以用高级过程性、声明性或面向对象的编程语言来实现，以与处理系统进行通信。然而，如果需要，程序可以用汇编语言或机器语言来实现。在任何情况下，语言都可以被编译或解释。

程序指令可以被用来使得用指令编程的通用或专用处理系统执行本文描述的操作。替代地，操作可以由包括用于执行操作的硬连线逻辑的专用硬件组件来执行，或由经编程的计算机组件和定制硬件组件的任意组合来执行。本文描述的方法可以被提供为计算机程序产品(也被描述为计算机或机器可访问或可读介质)，其可以包括一个或多个机器可访问存储介质，在其上存储有指令，该指令可以被用来对处理系统或其他电子设备进行编程以执行方法。

程序代码或指令可以被存储在例如易失性或非易失性存储器(例如，存储设备或相关机器可读或机器可访问介质，包括固态存储器、硬盘驱动器，软盘、光存储、磁带、闪存、记忆棒、数字视频磁盘、数字通用光盘(DVD)等)以及更多奇特介质(机器可访问生物状态保存存储)中。机器可读介质可以包括用于以机器可读的形式存储、发送或接收信息的任意机制，并且介质可以包括有形介质，通过该有形介质可以传递电子的、光学的、声音的、或其他形式的编码有程序代码的传播信号或载波，例如天线、光纤、通信接口等。程序代码可以以分组、串行数据、并行数据、传播信号等的形式来传输，并且可以以压缩或加密格式来使用。

程序代码可以用在可编程机器上执行的程序来实现，例如，移动或固定计算机、个人数字助理、智能电话、移动互联网设备、机顶盒、蜂窝电话和寻呼机、消费电子设备(包括DVD播放器、个人视频记录器、个人视频播放器、***、立体声接收器、有线电视接收器)、和其他电子设备，各自包括处理器、处理器可读的易失性或非易失性存储器、至少一个输入设备、或一个或多个输出设备。程序代码可以应用于使用输入设备输入的数据，以执行所描述的实施例并且生成输出信息。输出信息可以应用于一个或多个输出设备。本领域普通技术人员可以理解，所公开的主题的实施例可以用各种计算机系统配置来实施，包括多处理器或多核处理器系统、小型计算机、大型计算机、以及能够嵌入到几乎任意设备中的普及或微型计算机或处理器。所公开的主题的实施例还可以在分布式计算环境、云环境、对等或网络微服务中实施，其中任务或其部分可以由通过通信网络链接的远程处理设备来执行。

处理器子系统可以被用来执行机器可读或机器可访问介质上的指令。处理器子系统可以包括一个或多个处理器，每个处理器具有一个或多个核。此外，处理器子系统可以被设置在一个或多个物理设备上。处理器子系统可以包括一个或多个专用处理器，例如，图形处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、或固定功能处理器。

虽然操作可以被描述为有序过程，但是一些操作实际上可以并行地、同时地、或在分布式环境中被执行，并且其中程序代码在本地或在远程存储以供单处理器或多处理器机器进行访问。此外，在一些实施例中，可以重新布置操作的顺序而不偏离所公开的主题的精神。程序代码可以由嵌入式控制器使用、或与嵌入式控制器结合使用。

如本文所述，示例可以包括电路、逻辑、或多个组件、模块或机制，或可以在电路、逻辑或多个组件、模块或机制上进行操作。模块可以是通信地耦合到一个或多个处理器从而执行本文描述的操作的硬件、软件或固件。应当理解，模块或逻辑可以用硬件组件或设备、在一个或多个处理器上运行的软件或固件、或其组合来实现。模块可以是通过共享或传递数据而集成的不同且独立的组件，或模块可以是单个模块的子组件，或可以被分为多个模块。组件可以是在单个计算节点上运行或实现的过程，或可以是分布在并行地、同时地、顺序地或组合地运行的多个计算节点之间的过程，如结合附图中的流程图更全面地描述的。这样，模块可以是硬件模块，并且模块可以被认为是能够执行指定操作的有形实体，并且可以以特定方式进行配置或布置。在示例中，可以以指定的方式将电路(例如，内部地、或相对于诸如其他电路之类的外部实体)布置为模块。在示例中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或一个或多个硬件处理器的全部或一部分可以由固件或软件(例如，指令、应用部分、或应用)配置为操作来执行指定操作的模块。在示例中，软件可以驻留在机器可读介质上。在示例中，软件在由模块的底层硬件执行时使得硬件执行指定操作。因此，术语硬件模块被理解为包括有形实体，该有形实体是物理地被构造、专门地被配置(例如，硬连线)、或临时地(例如，暂时地)被配置(例如，被编程)为以指定方式进行操作或执行本文描述的任意操作的部分或全部的实体。考虑其中模块临时地被配置的示例，不需要在任一时刻实例化每个模块。例如，在模块包括通过使用软件配置、布置或调整的通用硬件处理器的情况下，通用硬件处理器可以在不同时间被配置为相应不同的模块。因此，软件可以将硬件处理器配置为例如在一个时刻构成特定模块，并且在不同的时刻构成不同的模块。模块也可以是软件模块或固件模块，其操作用于执行本文描述的方法。

在本文件中，如专利文件中常见的那样，术语“一”或“一个”被用于包括一个或一个以上，这独立于任何其他“至少一个”或“一个或多个”的实例或用法。在本文件中，除非另有指示，术语“或”被用于指代非排他性的或，即“A或B”包括“A而非B”、“B而非A”、以及“A和B”。在所附的权利要求中，术语“包括”和“其中”被用作相应术语“包含”和“其中”的通俗英语中的等同物。另外，在所附权利要求中，术语“包括”和“包含”是开放式的，即包括除了那些在这类术语后面列出的元素之外的元素的系统、设备、物品、或处理仍然被认为落入该权利要求的保护范围内。此外，在所附权利要求中，术语“第一”、“第二”、和“第三”等仅用作标号，而不意图强加对它们的对象的数字顺序要求。

虽然已经参考说明性实施例描述了本主题，但是该描述并不旨在以限制或约束的意义来进行解释。例如，上述示例(或其一个或多个方面)可以与其他示例组合使用。可以使用其他实施例，例如，本领域普通技术人员在阅读本文的公开内容时将理解的。摘要用于允许读者快速发现技术公开的本质。然而，提交摘要时应当理解，摘要不会用于解释或限制权利要求的范围或含义。