一种智能穿戴设备及人体运动的监测与识别方法
【专利摘要】本发明涉及人体规律性动作的量测领域，尤其是涉及一种智能穿戴设备及人体运动的监测与识别方法，该智能穿戴设备包括：初始化处理单元，用以进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理；进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；以及，将监测模式参数置为第一监测模式；模式处理单元，用以根据当前的监测模式参数而分别调用第一监测模式处理子单元、第二监测模式处理子单元或者第三监测模式处理子单元；滑动处理单元。本发明可以有效地简化算法以降低运算资源要求以及功耗要求。
【专利说明】一种智能穿戴设备及人体运动的监测与识别方法
【技术领域】
[0001]本发明涉及量测人体规律性动作的设备和方法，尤其涉及到一种借助穿戴于人体的传感器进行规律性动作的监测与识别的设备和方法。
【背景技术】
[0002]在当今社会，生活节奏的加快以及工作压力的加大使得越来越多的人处于亚健康状态。这样人们也就越来越关注自己的健康状况，采取各种措施来提高自己的健康状况，比如开始调整自己的作息节奏、合理膳食、适度地做各种运动。在各种改善健康状况的措施中，运动是一个非常重要的措施。适当的运动能够增强人体的新陈代谢水平，塑造完美体态，帮助人们排除不良情绪。随着科技的发展，社会上出现了一系列的监测运动的电子产品。例如:中国专利CN200710097593.8公开了一种量测运动量的腕表型加速度感测模块，包括一微处理器、一加速度传感器、一定时器、一手摆动加速度对应步长的数据库和一显不器。加速度传感器用以感测运动者移行的手部摆动次数和手部摆动加速度，定时器用以计算运动者的移行时间。微处理器会将所接收的手部摆动加速度与手摆动加速度对应步长的数据库所储存的手摆动加速度对应步长的曲线图表相比对，而取得所对应的步长，再将步长、运动者的手部摆动次数和运动者的移行时间经由公式计算而取得移行距离和速度。这些产品一般能比较准确的测算出使用者在走路，跑步，游泳，登山等运动时所经历的时间、距离以及所消耗的能量。但是在使用设备之前，往往需要使用者自己去设置设备的监测内容才能够使得设备对使用者将要做的运动可以进行准确的测量。这样的话，很容易出现使用者忘记切换设备的监测内容而使运动数据不准确的情况。并且，容易使使用者产生一种频繁的去手动设置这些设备的监测内容是一件很麻烦的事情的感觉，致使用户体验欠佳。随着传感技术的不断发展，出现了集三轴加速度、三轴陀螺仪以及三轴磁强计于一体的九轴传感模块的商业应用，例如:在美国专利US20 1 2/0 3 2 3 5 20中公开了在智能穿戴式设备中采用机器学习与自动识别技术来捕获、分析人体规律性动作，以进一步向使用者报告运动量。这些智能技术的采用，对设备的计算能力要求也日益提升，相应地也会导致功耗要求的提升。
[0003]鉴于智能穿戴设备，比如:运动腕带，受限于较小的设备空间，存在计算能力有限以及需要电池尽可能长期供电的设计约束，在尽可能地提升用户体验的前提下，如何简化算法以降低运算资源要求以及功耗要求，一直是人们努力的方向。
【发明内容】
[0004]本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能穿戴设备及人体运动的监测与识别方法，可以有效地简化算法以降低运算资源要求以及功耗要求。
[0005]本发明解决其技术问题所采用的技术方案包括:提供一种人体运动的监测与识别方法，依次包括:[0006]进行初始化处理，其包括进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理；进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；以及，将监测模式参数置为第一监测模式；
[0007]进行模式处理，其包括根据当前的监测模式参数而进行第一监测模式、第二监测模式或者第三监测模式的处理；
[0008]进行数据滑动处理，其包括用新的数据队列重新生成所述的第一数据队列以及所述的第二数据队列，供上述的进行模式处理的过程使用；
[0009]其中，所述第一监测模式的处理包括:搜索相对稳定的静止状态，计算出静止状态开始时刻，监测活动幅度，依据第一策略进行所述监测模式参数的重置；所述第二监测模式的处理包括:搜索相对稳定的重复性运动，监测活动幅度，依据第二策略进行所述监测模式参数的重置；所述第三监测模式的处理包括:通过运动节拍的特征的相似性比较对已经识别出的运动的基本动作的个数进行计数，监测活动幅度，依据第三策略进行所述监测模式参数的重置。
[0010]本发明的更进一步优选方案是:所述第二策略包括:当发现重复性的运动时推算出这种运动状态开始时刻并且识别出这种运动的运动类型，重置所述监测模式参数为第三监测模式；如果发现活动幅度低于静止与运动的临界值的次数达到一定程度时，重置所述监测模式参数为第一监测模式。
[0011]本发明的更进一步优选方案是:所述的重复性运动的运动类型的识别方法包括:提取重复性运动的基本动作特征，并将该基本动作特征与已有的知识库中的所有知识点，一一进行相似度比较，根 据比较结果判断上述基本动作特征所述的运动类型；其中相似度比较获得若干评分序列，取评分序列中最小的评分数的运动类型是所述基本动作特征。
[0012]本发明的更进一步优选方案是:所述的重复性运动的基本动作特征的提取方法包括:将所述的三维加速度分量与三维陀螺仪分量构成与运动节拍同步的六维数据序列片段，并计算出各维的期望与方差；将六维数据序列片段重新构造并得到数据浮动比例矩阵；根据设定参数对数据浮动比例矩阵进行纵向分割与计算，得到数据浮动比例描述序列；根据六维数据序列片段各维的期望与方差以及数据浮动比例描述序列，得到相应运动节拍所标示的基本动作特征。
[0013]本发明的更进一步优选方案是:所述设定参数包括分割段数和分割尺度，该分割段数用于设置所述数据浮动比例矩阵纵向分割的段数，该分割尺度用于设置数据浮动比例矩阵各维分隔段的数据长度。
[0014]本发明的更进一步优选方案是:所述分割段数为3~10段。
[0015]本发明的更进一步优选方案是:所述知识点的生成方法包括:获得若干基本动作特征，并计算每个基本动作特征对应位置上的数据所构成数列的期望与方差；根据生成的期望与方差构成某一运动的基本动作的知识点。
[0016]本发明的更进一步优选方案是:所述第三策略包括:如果与已知运动基本动作不同的动作连续出现的次数达到一定数目，就认为已经结束了已知类型的运动，根据已知类型运动的基本动作的个数计算出已知运动状态结束时刻，重置所述监测模式参数为第二监测模式；如果发现活动幅度低于静止与运动的临界值的次数达到一定程度时，重置所述监测模式参数为第一监测模式。
[0017]本发明的更进一步优选方案是:所述第三监测模式的处理还包括:根据已知类型运动的基本动作的个数，计算出所消耗的能量。
[0018]本发明的更进一步优选方案是:所述第一策略包括:如果发现活动幅度低于静止与运动的临界值，就累计静止状态持续时间，如果发现活动幅度超过静止与运动的临界值的次数达到一定程度时，就计算出静止状态结束时刻，重置所述监测模式参数为第二监测模式。
[0019]本发明的更进一步优选方案是:所述第一监测模式的处理还包括:根据静止状态结束时刻与静止状态开始时刻，计算出这段时间所消耗的能量。
[0020]本发明的更进一步优选方案是:所述第一监测模式的处理包括:在所述的第一数据队列中查找出所有静止段的开始位置与结束位置以及所有运动段的开始位置与结束位置，返回最长的静止段的开始位置与结束位置，同时返回最长的运动段的开始位置与结束位置。
[0021]本发明的更进一步优选方案是:所述的相对稳定的静止状态主要包括:被测对象坐着时的无规则运动、躺着时的无规则运动、以及一些其他的轻微抖动。
[0022]本发明的更进一步优选方案是:所述的进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理指:针对每一个三维陀螺仪分量构成三维向量，将它本身的长度以及在缓冲数据队列中排在它前面所有历史向量所对应的长度加在一起再求平均值，计算结果作为第一数据队列中相应位置上的值。
[0023]本发明的更进一步优选方案是:所述的进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理指:针对每一个三维加速度分量构成三维向量，将三维加速度分量进行求和的处理，计算结果作为第二数据队列中相应位置上的值。
[0024]本发明的更进一步优选方案是:所述第二监测模式的处理和所述第三监测模式的处理均包括:
[0025]在第一数据队列进行运动段与静止段查找，其具体包括:在所述的第一数据队列中查找出所有静止段的开始位置与结束位置以及所有运动段的开始位置与结束位置，返回最长的静止段的开始位置与结束位置，同时返回最长的运动段的开始位置与结束位置；以及，
[0026] 根据运动段的开始位置与运动段的结束位置，查找所述的第二数据队列中的特定运动段中的节拍链的信息。
[0027]本发明的更进一步优选方案是:所述的节拍链的信息包括节拍波形的特征信息、节拍的个数、每个节拍的开始位置与结束位置、第一个节拍的开始位置以及最后一个节拍的结束位置。
[0028]本发明的更进一步优选方案是:所述的第三监测模式包括至少一子类型，每个子类型对应于一种已经识别出的运动的基本动作；所述第三监测模式的处理还包括:根据所述的节拍链信息的第一个节拍的开始位置和结束位置从传感器数据缓存队列截取出与节拍同步的三维加速度计信号片段和三维陀螺仪信号片段，再从这个六维数据序列片段提取相应的波形特征作为这种运动基本动作的特征，并进而根据这种运动基本动作的特征确定第三监测模式的子类型。
[0029]本发明的更进一步优选方案是:所述的在第一数据队列进行运动段与静止段查找的过程具体包括:
[0030]首先，设置运动段编号为0，静止段编号为O ;
[0031]然后，按照从前到后的顺序将第一数据队列的数据依次与人体运动与静止的临界值进行比较:
[0032]对于第一数据队列的第I个元素，当发现第I个元素的值大于等于人体运动与静止的临界值时，将运动段编号自加1，并且将编号I存储为运动段编号所指的运动段的开始位置，紧接着查找第2个元素的值，如果发现第2个元素的值大于等于人体运动与静止的临界值，那么退出；如果发现第2个元素的值小于人体运动与静止的临界值，那么会将编号I存储为运动段编号所指的运动段的结束位置，同时计算并存储该运动段的长度，同时将静止段编号自加I，将编号2存储为静止段编号所指的静止段的开始位置；当发现第I个元素的值小于人体运动与静止的临界值时，会将静止段编号自加1，并且将编号I存储为静止段编号所指的静止段的开始位置，紧接着查找第2个元素的值，如果发现第2个元素的值小于人体运动与静止的临界值，退出；如果发现第2个元素的值大于等于人体运动与静止的临界值，那么会将编号I存储为静止段编号所指的静止段的结束位置，同时计算并存储该静止段的长度，同时将运动段编号自加1，将编号2存储为运动段编号所指的运动段的开始位置；
[0033]对于第一数据队列的第η个元素，该第η个元素为第I个元素与最后元素之间的元素，当发现第η个元素的值大于等于人体运动与静止的临界值并且第η+1个元素的值小于人体运动与静止的临界值时，将编号η存储为运动段编号所指的运动段的结束位置，计算并存储该运动段的长度，将静止段编号自加1，同时将编号η+1存储为静止段编号所指的静止段的开始位置；当发现第η个元素的值小于人体运动与静止的临界值并且第η+1个元素的值大于等于人体运动与静止的临界值时，则将编号η存储为静止段编号所指的静止段的结束位置，计算并存储该静止段的长度，将运动段编号自加1，同时将编号η+1存储为运动段编号所指的运动段的开始位置；
[0034]对于第一数据队列的最后一个元素，当发现最后一个元素的值大于等于人体运动与静止的临界值时，则将最后一个元素的编号存储为运动段编号所指的运动段的结束位置，计算并存储该运动段的长度；当发现最后一个元素的值小于人体运动与静止的临界值时，则将最后一个元素的编号存储为静止段编号所指的静止段的结束位置，计算并存储该静止段的长度。
[0035]本发明的更进一步优选方案是:所述的查找所述的第二数据队列中的特定运动段中的节拍链的信息 的处理采用了二级聚类分析方法，所述的二级聚类分析方法的第一级聚类采用了基于差值比较进行分类的C-means算法，所述的二级聚类分析方法的第二级聚类采用了基于相似性比较进行分类的C-means算法。
[0036]本发明的更进一步优选方案是:所述的第一级聚类的过程具体包括:
[0037]提供人体重复性运动的一个节拍[0038]计算该节拍的期望与方差:
【权利要求】
1.一种人体运动的监测与识别方法，其特征在于，依次包括: 进行初始化处理，其包括进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理；进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；以及，将监测模式参数置为第一监测模式； 进行模式处理，其包括根据当前的监测模式参数而进行第一监测模式、第二监测模式或者第三监测模式的处理； 进行数据滑动处理，其包括用新的数据队列重新生成所述的第一数据队列以及所述的第二数据队列，供上述的进行模式处理的过程使用； 其中，所述第一监测模式的处理包括:搜索相对稳定的静止状态，计算出静止状态开始时刻，监测活动幅度，依据第一策略进行所述监测模式参数的重置；所述第二监测模式的处理包括:搜索相对稳定的重复性运动，监测活动幅度，依据第二策略进行所述监测模式参数的重置；所述第三监测模式的处理包括:通过运动节拍的特征的相似性比较对已经识别出的运动的基本动作的个数进行计数，监测活动幅度，依据第三策略进行所述监测模式参数的重置。
2.根据权利要求1所述的监测与识别方法，其特征在于:所述第二策略包括:当发现重复性运动时推算出这种运动状态开始时刻并且识别出这种运动的运动类型，重置所述监测模式参数为第三监测模式；如果发现活动幅度低于静止与运动的临界值的次数达到一定程度时，重置所述监测 模式参数为第一监测模式。
3.根据权利要求2所述的监测与识别方法，其特征在于:所述的重复性运动的运动类型的识别方法包括:提取重复性运动的基本动作特征，并将该基本动作特征与已有的知识库中的所有知识点，一一进行相似度比较，根据比较结果判断上述基本动作特征所述的运动类型；其中相似度比较获得若干评分序列，取评分序列中最小的评分数的运动类型是所述基本动作特征。
4.根据权利要求3所述的监测与识别方法，其特征在于:所述的重复性运动的基本动作特征的提取方法包括:将所述的三维加速度分量与三维陀螺仪分量构成与运动节拍同步的六维数据序列片段，并计算出各维的期望与方差；将六维数据序列片段重新构造并得到数据浮动比例矩阵；根据设定参数对数据浮动比例矩阵进行纵向分割与计算，得到数据浮动比例描述序列；根据六维数据序列片段各维的期望与方差以及数据浮动比例描述序列，得到相应运动节拍所标示的基本动作特征。
5.根据权利要求4所述的监测与识别方法，其特征在于:所述设定参数包括分割段数和分割尺度，该分割段数用于设置所述数据浮动比例矩阵纵向分割的段数，该分割尺度用于设置数据浮动比例矩阵各维分隔段的数据长度。
6.根据权利要求5所述的监测与识别方法，其特征在于:所述分割段数为3~10段。
7.根据权利要求4所述的监测与识别方法，其特征在于:所述知识点的生成方法包括:获得若干基本动作特征，并计算每个基本动作特征对应位置上的数据所构成数列的期望与方差；根据生成的期望与方差构成某一运动的基本动作的知识点。
8.根据权利要求1所述的监测与识别方法，其特征在于:所述第三策略包括:如果与已知运动基本动作不同的动作连续出现的次数达到一定数目，就认为已经结束了已知类型的运动，根据已知类型运动的基本动作的个数计算出已知运动状态结束时刻，重置所述监测模式参数为第二监测模式；如果发现活动幅度低于静止与运动的临界值的次数达到一定程度时，重置所述监测模式参数为第一监测模式。
9.根据权利要求8所述的监测与识别方法，其特征在于:所述第三监测模式的处理还包括:根据已知类型运动的基本动作的个数，计算出所消耗的能量。
10.根据权利要求1所述的监测与识别方法，其特征在于:所述第一策略包括:如果发现活动幅度低于静止与运动的临界值，就累计静止状态持续时间，如果发现活动幅度超过静止与运动的临界值的次数达到一定程度时，就计算出静止状态结束时刻，重置所述监测模式参数为第二监测模式。
11.根据权利要求10所述的监测与识别方法，其特征在于:所述第一监测模式的处理还包括:根据静止状态结束时刻与静止状态开始时刻，计算出这段时间所消耗的能量。
12.根据权利要求10所述的监测与识别方法，其特征在于:所述第一监测模式的处理包括:在所述的第一数据队列中查找出所有静止段的开始位置与结束位置以及所有运动段的开始位置与结束位置，返回最长的静止段的开始位置与结束位置，同时返回最长的运动段的开始位置与结束位置。
13.根据权利要求1所述的监测与识别方法，其特征在于:所述的相对稳定的静止状态主要包括:被测对象坐着时的无规则运动、躺着时的无规则运动、以及一些其他的轻微抖动。
14.根据权利要 求1所述的监测与识别方法，其特征在于:所述的进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理指:针对每一个三维陀螺仪分量构成三维向量，将它本身的长度以及在缓冲数据队列中排在它前面所有历史向量所对应的长度加在一起再求平均值，计算结果作为第一数据队列中相应位置上的值。
15.根据权利要求1所述的监测与识别方法，其特征在于:所述的进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理指:针对每一个三维加速度分量构成三维向量，将三维加速度分量进行求和的处理，计算结果作为第二数据队列中相应位置上的值。
16.根据权利要求1至15任一项所述的监测与识别方法，其特征在于:所述第二监测模式的处理和所述第三监测模式的处理均包括: 在第一数据队列进行运动段与静止段查找，其具体包括:在所述的第一数据队列中查找出所有静止段的开始位置与结束位置以及所有运动段的开始位置与结束位置，返回最长的静止段的开始位置与结束位置，同时返回最长的运动段的开始位置与结束位置；以及， 根据运动段的开始位置与运动段的结束位置，查找所述的第二数据队列中的特定运动段中的节拍链的信息。
17.根据权利要求16述的监测与识别方法，其特征在于:所述的节拍链的信息包括节拍波形的特征信息、节拍的个数、每个节拍的开始位置与结束位置、第一个节拍的开始位置以及最后一个节拍的结束位置。
18.根据权利要求17述的监测与识别方法，其特征在于:所述的第三监测模式包括至少一子类型，每个子类型对应于一种已经识别出的运动的基本动作；所述第三监测模式的处理还包括:根据所述的节拍链信息的第一个节拍的开始位置和结束位置从传感器数据缓存队列截取出与节拍同步的三维加速度计信号片段和三维陀螺仪信号片段，再从这个六维数据序列片段提取相应的波形特征作为这种运动基本动作的特征，并进而根据这种运动基本动作的特征确定第三监测模式的子类型。
19.根据权利要求16的监测与识别方法，其特征在于:所述的在第一数据队列进行运动段与静止段查找的过程具体包括: 首先，设置运动段编号为O，静止段编号为O ; 然后，按照从前到后的顺序将第一数据队列的数据依次与人体运动与静止的临界值进行比较: 对于第一数据队列的第I个元素，当发现第I个元素的值大于等于人体运动与静止的临界值时，将运动段编号自加1，并且将编号I存储为运动段编号所指的运动段的开始位置，紧接着查找第2个元素的值，如果发现第2个元素的值大于等于人体运动与静止的临界值，那么退出；如果发现第2个元素的值小于人体运动与静止的临界值，那么会将编号I存储为运动段编号所指的运动段的结束位置，同时计算并存储该运动段的长度，同时将静止段编号自加1，将编号2存储为静止段编号所指的静止段的开始位置；当发现第I个元素的值小于人体运动与静止的临界值时，会将静止段编号自加1，并且将编号I存储为静止段编号所指的静止段的开始位置，紧接着查找第2个元素的值，如果发现第2个元素的值小于人体运动与静止的临界值，退出；如果发现第2个元素的值大于等于人体运动与静止的临界值，那么会将编号I存储为静止段编号所指的静止段的结束位置，同时计算并存储该静止段的长度，同时将运动段编号自加1，将编号2存储为运动段编号所指的运动段的开始位置； 对于第一数据队列的第η个元素，该第η个元素为第I个元素与最后元素之间的元素，当发现第η个元素的值大于等于人体运动与静止的临界值并且第η+1个元素的值小于人体运动与静止的临界值时，将编号η存储为运动段编号所指的运动段的结束位置，计算并存储该运动段的长度，将静止段编号自加1，同时将编号η+1存储为静止段编号所指的静止段的开始位置；当发现第η个元素的值小于人体运动与静止的临界值并且第η+1个元素的值大于等于人体运动与静止的临界值时，则将编号η存储为静止段编号所指的静止段的结束位置，计算并存储该静止段的长度，将运动段编号自加1，同时将编号η+1存储为运动段编号所指的运动段的开始位置； 对于第一数据队列的最后一个元素，当发现最后一个元素的值大于等于人体运动与静止的临界值时，则将最后一个元素的编号存储为运动段编号所指的运动段的结束位置，计算并存储该运动段的长度；当发现最后一个元素的值小于人体运动与静止的临界值时，则将最后一个元素的编号存储为静止段编号所指的静止段的结束位置，计算并存储该静止段的长度。
20.根据权利要求16的监测与识别方法，其特征在于:所述的查找所述的第二数据队列中的特定运动段中的节拍链的信息的处理采用了二级聚类分析方法，所述的二级聚类分析方法的第一级聚类采用了基于差值比较进行分类的C-means算法，所述的二级聚类分析方法的第二级聚类采用了基于相似性比较进行分类的C-means算法。
21.根据权利要求20的人体运动的模式识别方法，其特征在于:所述的第一级聚类的过程具体包括: 提供人体重复性运动的一个节拍{aj 计算该节拍的期望与方差
22.根据权利要求20的监测与识别方法，其特征在于:所述的第二级聚类的过程具体包括: 节拍A为
23.一种智能穿戴设备，其特征在于，包括一模块，用以完成人体运动的模式识别，所述模块包括: 初始化处理单元，用以进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理；进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；以及，将监测模式参数置为第一监测模式； 模式处理单元，用以根据当前的监测模式参数而分别调用第一监测模式处理子单元、第二监测模式处理子单元或者第三监测模式处理子单元； 滑动处理单元，用以用新的数据队列重新生成所述的第一数据队列以及所述的第二数据队列，供上述的模式处理单元进行处理； 其中，所述第一监测模式处理子单元用以搜索相对稳定的静止状态，计算出静止状态开始时刻，监测活动幅度，依据第一策略进行所述监测模式参数的重置；所述第二监测模式处理子单元用以搜索相对稳定的重复性运动，监测活动幅度，依据第二策略进行所述监测模式参数的重置；所述第三监测模式处理子单元用以通过运动节拍的特征的相似性比较对已经识别出的运动的基本动作的个数进行计数，监测活动幅度，依据第三策略进行所述监测模式参数的 重置。
【文档编号】A61B5/11GK103908259SQ201410134364
【公开日】2014年7月9日 申请日期:2014年4月3日 优先权日:2014年4月3日
【发明者】夏波, 王志伟, 谢陇 申请人:深圳市德凯瑞科技有限公司