一种运动状态检测方法及装置与流程

本发明属于运动状态检测技术领域，具体地说，是涉及一种运动状态检测方法及装置。

背景技术：

消费类电子产品中，穿戴类产品的发展日新月异，成为拉动消费类电子产品增长的一个重要增长点；智能手环/手表是穿戴类电子产品的一个重要组成部分，发展也是尤其迅速的。

智能手环/手表通过内置加速度传感器来识别佩戴者的运动状态，分析佩戴者的健康状况等。但是目前对运动状态的识别方法准确率比较低，严重影响用户的使用体验。

技术实现要素：

本发明提供了一种运动状态检测方法，提高了运动状态识别准确率。

为解决上述技术问题，本发明采用下述技术方案予以实现：

一种运动状态检测方法，所述方法包括:

通过三轴加速度传感器采集加速度数据；

对采集到的加速度数据进行低通滤波，获得重力加速度数据；

对采集到的加速度数据进行高通滤波，获得运动加速度数据；

获取重力敏感轴；

选取该重力敏感轴上的运动加速度数据，进行傅里叶变换；

根据傅里叶变换结果的频率和幅值进行运动状态的识别。

进一步的，所述获取重力敏感轴，具体包括：

获取重力加速度数据的x、y、z三轴数据；

分别计算x轴、y轴、z轴的数据累加和；

选择累加和最大值对应的轴为重力敏感轴。

又进一步的，对重力敏感轴上的运动加速度数据进行64点傅里叶变换。

更进一步，所述根据傅里叶变换结果的频率和幅值进行运动状态的识别，具体包括：

(1)在F＜0.5Hz时，若A≤360，则运动状态为静止/睡眠；

(2)在2Hz≥F＞0.5Hz时，若A≥360，则运动状态为走路；

(3)在4Hz≥F＞2Hz时，

若A≥3400，则运动状态为跑步；

若3400＞A≥360，则运动状态为走路；

(4)在5.5Hz≥F＞4Hz时，若A≥3400，则运动状态为跑步；

其中，F为频率，A为最大幅值。

再进一步的，(1)在2Hz≥F＞0.5Hz时，

若A≥1800，则运动状态为快走；

若1800＞A≥360，则运动状态为慢走；

(2)在4Hz≥F＞2Hz时，

若3400＞A≥1800，则运动状态为走路；

若1800＞A≥360，则运动状态为慢走。

优选的，如果运动状态为走路或跑步，则根据运动加速度数据的峰-峰值或谷-谷值确定走路或跑步的步数。

进一步的，如果运动状态为静止/睡眠，则根据运动强度判断静止/睡眠状态：静止状态、尝试睡眠状态、浅度睡眠状态、深度睡眠状态。

又进一步的，所述根据运动强度判断静止/睡眠状态，具体包括：

(1)根据最大幅值A判断运动强度：

若A＜第一设定值，则运动强度为低运动强度；

若第一设定值≤A＜第二设定值，则运动强度为中运动强度；

若A≥第二设定值，则运动强度为高运动强度；

其中，第一设定值和第二设定值表示运动强度的判断阈值，并且第一设定值小于第二设定值；

(2)根据低运动强度和中运动强度的占比判断静止/睡眠状态：

在设定时间段内：

若中运动强度占比大于15％，则为静止状态；

若低运动强度占比小于85％，则为尝试睡眠状态；

若低运动强度占比为85％～90％，则为浅度睡眠状态；

若低运动强度占比大于90％，则为深度睡眠状态。

一种运动状态检测装置，所述装置包括：三轴加速度传感器，用于采集加速度数据；低通滤波器，用于对采集到的加速度数据进行低通滤波，获得重力加速度数据；高通滤波器，用于对采集到的加速度数据进行高通滤波，获得运动加速度数据；重力敏感轴获取模块，用于获取重力敏感轴；数据变换模块，用于对重力敏感轴上的运动加速度数据进行傅里叶变换；识别模块，用于根据傅里叶变换结果的频率和幅值进行运动状态的识别。

进一步的，所述重力敏感轴获取模块包括：数据选取单元，用于获取重力加速度数据的x、y、z三轴数据；计算单元，用于计算x轴、y轴、z轴的数据累加和；判断单元，用于选择累加和最大值对应的轴为重力敏感轴。

与现有技术相比，本发明的优点和积极效果是：本发明的运动状态检测方法及装置，对加速度数据进行低通滤波获得重力加速度数据，对加速度数据进行高通滤波获得运动加速度数据，选取重力敏感轴上的运动加速度数据进行傅里叶变换，根据傅里叶变换结果的频率和幅值进行运动状态的识别，识别准确率高；而且，由于只选取重力敏感轴上的运动加速度数据进行傅里叶变换，提高了数据处理速度，进而提高了整个运动检测方法的检测效率，便于佩戴者准确、快速地获知运动状态，提高了用户的使用体验。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明提出的运动状态检测方法的一个实施例的流程图；

图2是图1中获取重力敏感轴的流程图；

图3是图1中根据运动强度判断静止/睡眠状态的流程图；

图4是本发明提出的运动状态检测装置的一个实施例的结构示意图；

图5是图4中重力敏感轴获取模块的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

本实施例的运动状态检测方法主要包括下述步骤，参见图1所示。

步骤S1：通过三轴加速度传感器采集加速度数据。

在本实施例中，三轴加速度传感器的采集频率为25Hz，采样位数为12位，量程为±8G。

步骤S2：对采集到的加速度数据进行低通滤波，获得重力加速度数据；对采集到的加速度数据进行高通滤波，获得运动加速度数据。

重力加速度的频率集中在0～0.5Hz，运动加速度的频率集中在1Hz以上。使用差分方程来实现数字滤波器。根据重力加速度和运动加速度的频率特性分别设计低通滤波器参数和高通滤波器参数。在本实施例中，低通滤波器的阶数为5，高通滤波器的阶数为5。

五阶差分方程为：

其中，

x(n)、x(n-1)、x(n-2)、x(n-3)、x(n-4)、x(n-5)为输入；

y(n)、y(n-1)、y(n-2)、y(n-3)、y(n-4)、y(n-5)为输出；

x(n)、y(n)分别为当前时刻的输入和输出；

x(n-1)、y(n-1)分别为n-1时刻的输入和输出；

x(n-2)、y(n-2)分别为n-2时刻的输入和输出；

x(n-3)、y(n-3)分别为n-3时刻的输入和输出；

x(n-4)、y(n-4)分别为n-4时刻的输入和输出；

x(n-5)、y(n-5)分别为n-5时刻的输入和输出；

b₀、b₁、b₂、b₃、b₄、b₅分别为x(n)、x(n-1)、x(n-2)、x(n-3)、x(n-4)、x(n-5)的系数；a₀、a₁、a₂、a₃、a₄、a₅分别为y(n)、y(n-1)、y(n-2)、y(n-3)、y(n-4)、y(n-5)的系数；根据滤波器的特性，可通过matlab求解出。

例如，根据低通滤波器的特性，通过matlab求解出各系数：b₀、b₁、b₂、b₃、b₄、b₅分别为0.005697260391747、-0.015373021668546、0.009787689699089、0.009787689699089、-0.015373021668546、0.005697260391747；a₀、a₁、a₂、a₃、a₄、a₅分别为1.000000000000000、-4.555306658232217、8.364724372384901、-7.735045790224121、3.600565371916987、-0.674713439000970。

例如，根据高通滤波器的特性，通过matlab求解出各系数：b₀、b₁、b₂、b₃、b₄、b₅分别为0.748492395854167、-3.720442166646449、7.419000766140107、-7.419000766140107、3.720442166646450、-0.748492395854167；a₀、a₁、a₂、a₃、a₄、a₅分别为1.000000000000000、-4.394515159443736、7.781237674485100、-6.933413385072246、3.106924323424174、-0.559780114856186。

步骤S3：获取重力敏感轴，选取该重力敏感轴上的运动加速度数据，进行傅里叶变换。

获取重力敏感轴具体包括下述步骤，参见图2所示。

S31：获取重力加速度数据的x、y、z三轴数据。

S32：分别计算x轴、y轴、z轴的数据累加和。

S33：选择数据累加和最大值对应的轴为重力敏感轴。

例如，重力加速度数据的x轴数据为x₁、x₂、x₃、......、x_m，y轴数据为y₁、y₂、y₃、......、y_m，z轴数据为z₁、z₂、z₃、......、z_m。x轴的数据累加和为x₁+x₂+x₃+......+x_m，y轴的数据累加和为y₁+y₂+y₃+......+y_m，z轴的数据累加和为z₁+z₂+z₃+......+z_m。假设z轴的数据累加和最大，则z轴为重力敏感轴。

重力敏感轴确定后，选取该重力敏感轴上的运动加速度数据，进行傅里叶变换。在本实施例中，将选取的运动加速度数据进行64点FFT变换，以提高数据处理精度。由于加速度传感器的采集频率为25HZ，因此将25个数据补零到64个数据进行64点FFT变换，分辨率为：25/64＝0.39Hz。

在本实施例中，由于只选取重力敏感轴上的运动加速度数据进行傅里叶变换，而不是所有轴上的运动加速度数据，因此数据处理速度较快，提高了整个运动检测方法的检测效率。

步骤S4：根据傅里叶变换结果的频率和幅值进行运动状态的识别。

傅里叶变换，可以将对信号的分析从时域变换到频域。有些信号从时域分析很难把握信号特征，但是如果变换到频域去分析，就很容易看出特征，也即很容易看出该信号的幅度/频率特性。

由于傅里叶变换能够得到该信号在频域上的幅度/频率特性，再结合人的走路/跑步/静止(睡眠)动作的频率和幅值的差异特性，可以很好的根据傅里叶变换的结果进行动作分类，也即根据最大幅值以及最大幅值所在的频率来进行走路、跑步、静止(睡眠)动作识别，提高了运动状态的识别准确率。

在本实施例中，具体的识别过程为：

(1)在F＜0.5Hz时，若A≤360，则运动状态为静止/睡眠。

(2)在2Hz≥F＞0.5Hz时，若A≥360，则运动状态为走路。

当运动状态为走路时，可以对走路这个运动状态进行进一步的划分。若A≥1800，则运动状态为快走；若1800＞A≥360，则运动状态为慢走。

(3)在4Hz≥F＞2Hz时：

若A≥3400，则运动状态为跑步。

若3400＞A≥360，则运动状态为走路。

当运动状态为走路时，可以对走路这个运动状态进行进一步的划分。若3400＞A≥1800，则运动状态为走路；若1800＞A≥360，则运动状态为慢走。

(4)在5.5Hz≥F＞4Hz时，若A≥3400，则运动状态为跑步。

其中，F为频率，A为最大幅值。

(5)在F≥5.5Hz时，为干扰，不进行识别。

因此，通过频率和幅值可以快速、准确地识别运动状态。

步骤S5：如果运动状态为走路或跑步，则根据重力敏感轴上的运动加速度数据的峰-峰值或谷-谷值确定走路或跑步的步数。

峰-峰(或谷-谷)代表一步，根据峰-峰值或谷-谷值来确认走路或跑步步数。

在统计步数时，通过加窗处理来去除干扰动作，以提高步数统计的准确性。加窗处理原理为：根据走路和跑步动作的频率特性(最快的动作为1s运动5步；最慢的动作为2s运动1步)来定义“时间窗口”，用于排除无效振动。假设人们最快的跑步速度为每秒5步，最慢的步行速度为每2秒1步，这样，两个有效步伐的时间间隔在时间窗口[0.2，2.0]s之内，时间间隔超出该时间窗口的所有步伐都应被排除，从而提高步数统计的准确性。

步骤S6：如果运动状态为静止/睡眠，则根据运动强度判断静止/睡眠状态：静止状态、尝试睡眠状态、浅度睡眠状态、深度睡眠状态。

通过对运动强度的统计来进行静止/睡眠状态的判断，具体包括下述步骤，参见图3所示。

步骤S61：根据最大幅值A判断运动强度。

若A＜第一设定值，则运动强度为低运动强度；

若第一设定值≤A＜第二设定值，则运动强度为中运动强度；

若A≥第二设定值，则运动强度为高运动强度。

其中，第一设定值和第二设定值表示运动强度的判断阈值。第一设定值小于第二设定值。在本实施例中，第一设定值为45，第二设定值为75。

步骤S62：根据低运动强度和中运动强度的占比判断静止/睡眠状态。

在设定时间段内，如2分钟内：

若中运动强度占比大于15％，则为静止状态；

若低运动强度占比小于85％，则为尝试睡眠状态；

若低运动强度占比为85％～90％，则为浅度睡眠状态；

若低运动强度占比大于90％，则为深度睡眠状态。

根据运动强度判断静止/睡眠状态的四个状态，判断准确，便于用户准确获知自己的睡眠质量，从而调整自己的运动量、睡眠时间等，达到健康生活的目的。

步骤S7：保存。

将运动状态、步数、时间戳等信息保存，便于分析一天中不同时间段的运动、睡眠情况，并绘制出不同时间段的运动情况柱状图和睡眠情况柱状图，便于监测佩戴者的健康情况。

本实施例的运动状态检测方法，对加速度数据进行低通滤波获得重力加速度数据，对加速度数据进行高通滤波获得运动加速度数据，选取重力敏感轴上的运动加速度数据进行傅里叶变换，根据傅里叶变换结果的频率和幅值进行运动状态的识别，提高了运动状态识别的准确率，识别准确率高；而且，由于只选取重力敏感轴上的运动加速度数据进行傅里叶变换，提高了数据处理速度，进而提高了整个运动检测方法的检测效率，便于佩戴者准确、快速地获知运动状态，提高了用户的使用体验。

本实施例还提出了一种运动状态检测装置，该装置主要包括三轴加速度传感器、低通滤波器、高通滤波器、重力敏感轴获取模块、数据变换模块、识别模块等，参见图4所示。

三轴加速度传感器，用于采集加速度数据。

低通滤波器，用于对采集到的加速度数据进行低通滤波，获得重力加速度数据。

高通滤波器，用于对采集到的加速度数据进行高通滤波，获得运动加速度数据。

重力敏感轴获取模块，用于获取重力敏感轴。重力敏感轴获取模块主要包括数据选取单元、计算单元、判断单元，参见图5所示。具体来说，数据选取单元，用于获取重力加速度数据的x、y、z三轴数据；计算单元，用于计算x轴、y轴、z轴的数据累加和；判断单元，用于选择累加和最大值对应的轴为重力敏感轴。

数据变换模块，用于对重力敏感轴上的运动加速度数据进行傅里叶变换。

识别模块，用于根据傅里叶变换结果的频率和幅值进行运动状态的识别。

具体的运动状态检测装置的工作过程，已经在上述运动状态检测方法中详述，此处不予赘述。

本实施例的运动状态检测装置，对加速度数据进行低通滤波获得重力加速度数据，对加速度数据进行高通滤波获得运动加速度数据，选取重力敏感轴上的运动加速度数据进行傅里叶变换，根据傅里叶变换结果的频率和幅值进行运动状态的识别，识别准确率高；而且，由于只选取重力敏感轴上的运动加速度数据进行傅里叶变换，提高了数据处理速度，进而提高了整个运动检测方法的检测效率，便于佩戴者准确、快速地获知运动状态，提高了用户的使用体验。

本实施例的运动状态检测装置可应用于智能手环/手表等穿戴类产品，以增强智能手环/手表的功能，监测佩戴者的健康情况。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。