本發明涉及智能電動牙刷，尤其涉及一種基于人工智能的效果分析的電動牙刷系統。
背景技術：
1、電動牙刷的技術發展始終圍繞清潔性能與使用體驗的提升逐步推進，早期產品以機械驅動為核心，主要通過優化振動頻率與清潔模式豐富度滿足基礎清潔需求。隨著傳感技術的日趨成熟，壓力傳感器、加速度傳感器等元器件逐步集成到產品中，使電動牙刷具備了刷牙過程中基礎運行數據的采集能力，進而實現力度提醒、刷牙時長統計等簡單功能反饋。近年來，人工智能與物聯網技術的持續滲透成為行業發展重要方向，部分產品開始引入機器學習模型進行刷牙效果的初步評估，同時搭建與云端平臺的數據交互通道，拓展出智能監測、使用數據記錄等新增功能，推動電動牙刷從單純的清潔工具逐步向智能健康監測類產品轉型。
2、當前智能電動牙刷的技術應用仍存在諸多明顯短板。數據安全方面，部分產品為實現功能升級或模型優化，需要將用戶刷牙原始數據完整上傳至云端，這一過程存在顯著的數據泄露隱患。刷頭適配環節缺乏高效精準的自動識別手段，多數依賴用戶手動選擇型號，不僅增加操作復雜度，還可能因型號匹配錯誤影響清潔效果與數據分析精度。傳感器在長期使用中易受刷頭磨損、環境濕度等因素影響出現性能漂移，而現有產品普遍缺乏針對性的實時校準措施，導致數據采集與分析結果存在偏差。此外，現有分析模型多局限于單一維度評估，難以全面覆蓋刷牙力度、清潔區域覆蓋、刷牙姿勢等關鍵指標，且模型更新缺乏靈活的適配機制，無法充分貼合不同用戶的使用習慣，反饋功能也常存在實時性不足或信息呈現不夠直觀的問題，難以有效幫助用戶改善刷牙質量。
技術實現思路
1、本發明的目的在于克服上述問題，提供基于人工智能的效果分析的電動牙刷系統，為實現上述目的，本發明采用如下技術方案：
2、基于人工智能的效果分析的電動牙刷系統，包括多源數據采集模塊、ai算法處理模塊、動態效果優化模塊以及用戶交互反饋模塊，所述多源數據采集模塊采集電動牙刷的運行數據；所述ai算法處理模塊與多源數據采集模塊通信連接，接收運行數據，進行智能分析并輸出刷牙效果分析結果；所述動態效果優化模塊與ai算法處理模塊通信連接，接收刷牙效果分析結果，并根據結果調整電動牙刷的運行參數；所述用戶交互反饋模塊與ai算法處理模塊及動態效果優化模塊通信連接，接收刷牙效果分析結果及調整后的運行參數信息并向用戶輸出；所述ai算法處理模塊采用聯邦遷移學習架構，基于本地數據更新其分析模型，并與云端服務器進行加密協同迭代。
3、進一步地，ai算法處理模塊包括振動頻譜識別模塊、實時效果分析模塊及聯邦遷移學習模塊；所述振動頻譜識別模塊對運行數據中的振動信號進行頻譜分析，識別當前刷頭類型；所述實時效果分析模塊基于運行數據及識別出的刷頭類型，通過本地部署的機器學習模型進行實時分析，得到刷牙效果分析結果；所述聯邦遷移學習模塊執行聯邦遷移學習架構下的模型更新與協同迭代。
4、進一步地，振動頻譜識別模塊對振動信號進行快速傅里葉變換，將其從時域轉換至頻域，獲得振動頻譜特征，其計算公式為：
5、f＝fft(s(t))；
6、其中，f為振動頻譜特征，fft為快速傅里葉變換函數，s(t)為時間域的振動信號；
7、從振動頻譜特征中提取與刷頭物理結構共振相關的特征頻段的能量分布，構成特征向量；計算特征向量與預存儲的、對應不同刷頭型號的基準特征向量之間的余弦相似度，依據最高相似度結果確定刷頭類型。
8、進一步地，實時效果分析模塊部署于本地微控制器，采用的機器學習模型為卷積神經網絡層與變換器編碼器層串聯構成的混合模型；所述卷積神經網絡層包括卷積層與池化層，輸入為包含時序信息的多維運行數據，所述多維運行數據至少涵蓋振動頻率、加速度及壓力參數，經標準化預處理后輸入，通過卷積運算與池化處理提取數據的局部時空特征，激活函數采用線性整流函數；所述變換器編碼器層包含注意力頭與位置編碼單元，對局部時空特征進行全局注意力計算，建模不同時間點特征間的依賴關系，設置dropout機制抑制過擬合；所述混合模型的輸出層通過激活函數輸出刷牙力合理性評分、刷區覆蓋完整性評分及刷牙姿勢正確性判定結果中的至少一項評估結果。
9、進一步地，聯邦遷移學習模塊在本地利用當前用戶的運行數據及對應的效果分析結果標簽，計算所述實時效果分析模塊中機器學習模型的損失函數梯度其計算公式為：
10、
11、其中，n為本地訓練所用的數據樣本數量，xi為第i個樣本的輸入數據，yi為第i個樣本的標簽數據，θ為模型參數，l為損失函數；
12、使用非對稱加密算法對梯度進行加密，加密過程采用公鑰加密梯度數據結合私鑰簽名驗證的雙重機制，所述公鑰由云端服務器預分發至本地設備，所述私鑰存儲于電動牙刷的安全存儲區域且不對外傳輸，將加密后的梯度及對應的簽名信息一并上傳至云端服務器；接收由云端服務器聚合多個設備梯度后下發的更新后的全局模型參數，更新本地的機器學習模型。
13、進一步地，聯邦遷移學習模塊采用分層參數調整策略，所述機器學習模型的參數θ劃分為通用特征層參數θg與用戶適配層參數θp；在本地訓練與梯度計算時，對θp采用大于θg的學習率；在云端聚合時，對θg的梯度采用加權平均法進行聚合，權重基于各設備本地數據樣本數量確定，對θp的梯度計算所有設備梯度的方差，根據方差結果選擇進行聚合或保留本地更新。
14、進一步地，動態效果優化模塊在電動牙刷每次啟動后的初始階段，控制馬達空載運行，采集此時的振動信號作為空載基準信號；對空載基準信號進行頻譜分析，篩選能量占比居前的諧振峰作為主要諧振峰，將空載基準信號與預存的標準空載信號對應的主要諧振峰進行比對，計算兩者的頻率偏移量與能量差值；根據頻率偏移量與能量差值的綜合判定結果，對ai算法處理模塊中的相關傳感器校準參數或模型輸入預處理參數進行補償調整。
15、進一步地，動態效果優化模塊持續記錄用戶的刷牙效果分析結果與對應的運行參數調整歷史，所述刷牙效果分析結果包括刷力數據、覆蓋完整度數據及姿勢錯誤數據，所述運行參數調整歷史包括振動頻率調整信息與振幅調整信息，基于預設周期內的歷史數據通過聚類算法生成相應用戶的刷牙習慣畫像，所述畫像分類依據刷力特征、覆蓋特征及姿勢特征確定。
16、進一步地，在用戶交互反饋模塊中，當刷牙效果分析結果指示存在刷力過大、遺漏區域或姿勢錯誤時，控制電動牙刷的馬達產生強度驟降型振動波形或規律性間歇型振動波形，提供實時觸覺警示；在刷牙結束后，生成可視化報告，所述報告包含刷牙時長、口腔分區覆蓋熱力圖、綜合效果評分及近期刷牙效果趨勢對比，通過綁定的移動終端應用程序向用戶展示。
17、本發明的優點在于：
18、1、本發明通過在ai算法處理模塊中采用聯邦遷移學習架構，結合非對稱加密的雙重驗證機制，將模型參數劃分為通用特征層與用戶適配層并差異化調整學習率，僅加密上傳模型梯度而留存原始數據于本地，實現了在不泄露用戶隱私的前提下，依托本地數據更新與全局參數優化提升模型分析精度，讓模型既能貼合個體使用習慣，又能不斷完善分析能力。
19、2、本發明通過振動頻譜識別模塊對振動信號進行頻譜分析以自動匹配刷頭類型，同時在電動牙刷啟動初始階段采集空載基準信號，對比標準信號計算頻率偏移量與能量差值并補償相關參數，實現了無需用戶手動操作即可精準識別刷頭型號，有效修正傳感器漂移與刷頭磨損帶來的誤差，提升刷牙效果分析的準確性與穩定性。
20、3、本發明通過在本地微控制器部署由卷積神經網絡層與變換器編碼器層組成的混合模型，分析包含振動頻率、加速度、壓力等參數的多維數據，同時設置實時觸覺警示與可視化報告反饋機制，實現了對刷牙力、覆蓋區域、刷牙姿勢的多維度實時評估，讓用戶在刷牙過程中及時調整行為，刷牙后清晰了解效果細節與變化，助力改善刷牙質量。