一种基于步态信息的运动识别和疲劳检测方法及系统与流程

本发明属于健康检测领域，尤其涉及一种基于步态信息的运动识别和疲劳检测方法及系统。

背景技术：

当人体处于疲劳状态时，下肢肌肉疲劳会降低肌肉发力能力，影响关节处肌肉的反应能力，抑制神经反馈及合作，并引起下肢力学的变化量下降，从而增加摔倒或前交叉韧带损伤的风险。因此，检测人体疲劳程度能有效降低人们(尤其是老人、运动员、消防员、高空作业者和在康复训练中的病人)因摔倒或过劳损伤导致的生活、工作和运动事故的发生。

人体是否疲劳在日常生活中通常靠自我主观判断，但这种方法缺乏客观性，且若达到生理极点后，会产生不疲劳的错觉，从而对身体和工作造成安全隐患。

同时，目前的疲劳检测系统并不能识别用户正在进行的活动。并且在不同的活动下，疲劳对人体的影响不同，比如在下楼的时候，若身体处于疲劳状态，会比在疲劳状态下步行承受更大的风险。

技术实现要素：

本发明提出了一种基于步态信息的运动识别和疲劳检测方法及系统，在进行疲劳检测的同时能够识别出用户当前的运动状态，以降低在不同运动下用户疲劳状态带来的受伤风险，还提高了疲劳检测的精度，以解决传统的疲劳状态判断方式下存在的主观判断问题。

一方面，本发明提供了一种基于步态信息的运动识别和疲劳检测方法，方法包括：

步骤1：采集用户的当前步态信息；

步骤2：对步骤1采集的当前步态信息进行数据处理，并根据若干个预设的运动识别与疲劳分类模型对处理后的数据进行识别，识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果；

其中，一个运动识别与疲劳分类模型对应一类当前步态信息，一个运动识别与疲劳分类模型对应一个分类结果；

若干个预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据并进行预处理，并将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成的；

步骤3：将若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果。

优选地，在构建所述述若干个预设的运动识别与疲劳分类模型的过程，对样本数据进行预处理，包括：

根据步态信息中数据的周期性变化规律对样本数据进行步态周期划分；

根据样本数据中的数据类型对划分后的样本数据集划分若干子数据集；

根据十等分分层随机分割交叉验证方法分别将若干子数据集划分为训练集和测试集，并将训练集和测试集中的数据除以相对应数据集中的最大值以得到包含标准化输入数据的训练集和测试集；

其中，标准化输入数据的大小在-1到1的范围内。

优选地，将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个预设的运动识别与疲劳分类模型，包括：

分别将若干子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法(bagging)、随机森林(randomforests)以及极端随机树(extremelyrandomizedtree)三个集成学习算法作为个体学习器，学习到若干个运动识别与疲劳分类模型；

其中，每个所述运动识别与疲劳分类模型的分类结果h(x)是根据如下公式计算而来：

其中，ωi为第i个集成学习算法的个体学习器对应的权重，t为集成学习算法的个体学习器的个数，表示第i个集成学习算法的个体学习器针对样本x得到的类别j的分类结果，c表示样本数据的集合标记。

分类结果h(x)是个体学习器的得出每一类分类结果的数量与其相对于的权重的乘积积和剩余个体学习器得出的同一类分类结果数量与相对应权重的乘积之和为最大的一类的分类结果。

优选地，对所述若干个运动识别与疲劳分类模型进行调节以进一步优化模型的过程包括如下步骤：

步骤51：将若干个子数据集的测试集的数据作为若干个运动识别与疲劳分类模型的输入数据得到若干个分类结果；

步骤52：将若干个分类结果按照“少数服从多数”的原则得到最终结果f(x)：

其中，为第i个运动识别与疲劳分类模型对测试集的类别j的分类结果，n为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记；

步骤53：将最终结果与预存的已知结果进行比较得出分类结果的精度，并判断精度是否达到标准值；

步骤54：若精度未达到标准值，修改若干个运动识别与疲劳分类模型的参数并重复步骤51-53直至精度达到标准值，进而得到了分类精度达到标准值的运动识别与疲劳分类模型，

其中，运动识别与疲劳分类模型的参数包括三个集成学习算法对应权重。

最终结果f(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果。

优选地，用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息包括三轴加速度、三轴角速度和三轴姿态角，若干个预设的运动识别与疲劳分类模型包括与三轴加速度、三轴角速度和三轴姿态角分别在x、y、z轴上的九类数据一一对应的九个运动识别与疲劳分类模型。

另一方面，本发明还提供一种基于步态信息的运动识别和疲劳检测系统，包括：采集设备和服务器；

采集设备，用于采集用户的当前步态信息；

检测设备包括第一处理器和存储器，存储器用于存储多条程序指令，第一处理器用于调用存储器存储的程序指令，以执行如下步骤：

对当前步态信息进行数据处理，并根据若干个预设的运动识别与疲劳分类模型对处理后的数据进行识别，识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果；

将若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果；

其中，一个运动识别与疲劳分类模型对应一类当前步态信息，一个运动识别与疲劳分类模型对应一个分类结果；

若干个预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据并进行预处理，并将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成的。

优选地，采集设备，还用于采集用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息并作为样本数据；检测设备，用于对样本数据进行预处理以及将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个预设的运动识别与疲劳分类模型，

其中，第一处理器调用存储器存储的程序指令，执行在构建所述述若干个预设的运动识别与疲劳分类模型的过程，对样本数据进行预处理时，还执行如下步骤：

根据步态信息中数据的周期性变化规律对样本数据进行步态周期划分，

根据样本数据中的数据类型对划分后的样本数据集划分若干子数据集，

根据十等分分层随机分割交叉验证方法分别将若干子数据集划分为训练集和测试集，并

将训练集和测试集中的数据除以相对应数据集中的最大值以得到包含标准化输入数据的训练集和测试集；

其中，标准化输入数据的大小在-1到1的范围内。

优选地，第一处理器调用存储器存储的程序指令，执行将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个预设的运动识别与疲劳分类模型时，具体还执行如下步骤：

分别将若干子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法bagging、随机森林randomforests以及极端随机树extremelyrandomizedtree三个集成学习算法作为个体学习器，学习到若干个运动识别与疲劳分类模型；

其中，每个所述运动识别与疲劳分类模型的分类结果h(x)是根据如下公式计算而来：

其中，ωi为第i个集成学习算法的个体学习器对应的权重，t为集成学习算法的个体学习器的个数，表示第i个集成学习算法的个体学习器针对样本x得到的类别j的分类结果，c表示样本数据的集合标记。

分类结果h(x)是个体学习器的得出每一类分类结果的数量与其相对于的权重的乘积积和剩余个体学习器得出的同一类分类结果数量与相对应权重的乘积之和为最大的一类的分类结果。

优选地，检测设备，还用于对所述若干个运动识别与疲劳分类模型进行调节以进一步优化模型，

第一处理器调用存储器存储的程序指令，执行优化对所述若干个运动识别与疲劳分类模型进行调节以进一步优化模型时，还执行如下步骤：

步骤51：将若干个子数据集的测试集的数据作为若干个运动识别与疲劳分类模型的输入数据得到若干个分类结果；

步骤52：将若干个分类结果按照“少数服从多数”的原则得到最终结果f(x)：

其中，为第i个运动识别与疲劳分类模型对测试集的类别j的分类结果，n为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记；

步骤53：将最终结果与预存的已知结果进行比较得出分类结果的精度，并判断精度是否达到标准值；

步骤54：若精度未达到标准值，修改若干个运动识别与疲劳分类模型的参数并重复步骤51-53直至精度达到标准值，进而得到了分类精度达到标准值的运动识别与疲劳分类模型，

其中，运动识别与疲劳分类模型的参数包括三个集成学习算法对应权重。

最终结果f(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果。

优选地，系统还包括客户端，客户端分别与检测设备和采集设备通讯；

客户端用于接收采集设备采集的步态信息以及发送步态信息至检测设备；客户端还用于显示最终结果。

检测设备还用于发送最终结果给客户端。

有益效果

本发明提供了一种基于步态信息的运动识别和疲劳检测方法及系统，通过采集用户在运动行为中的步态信息以及若干个预设的运动识别与疲劳分类模型识别出用户当前的运动行为以及判断出用户是否处于疲劳状态，实现了疲劳检测的同时识别出用户当前的运动状态，降低了在不同运动下用户疲劳状态带来的受伤风险，此外，引入机器学习算法生成运动识别与疲劳分类模型以及采用若干个运动识别与疲劳分类模型同时进行结果测试得到综合的最终结果，提高了运动识别和疲劳检测的准确性，解决了传统的疲劳状态判断方式下存在的主观判断问题。

附图说明

图1是本发明所述方法的流程示意图；

图2是本发明中构建运动识别与疲劳分类模型的流程示意图；

图3是本发明中所述图2的子流程示意图；

图4是本发明中所述图2的另一子流程示意图；

图5是本发明中对运动识别与疲劳分类模型进行调节以进一步优化模型的流程示意图；

图6是本发明的系统的功能模块示意图；

图7是本发明所述系统的硬件架构图；

图8是本发明实施例提供的九个运动识别与疲劳分类模型的精度以及最终结果的精度统计图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1所示，本发明实施例提供的一种基于步态信息的运动识别和疲劳检测方法，包括如下步骤：

步骤1：采集用户的当前步态信息。

具体的，本实施例中优选步态信息包括三轴加速度和三轴角速度以及三轴姿态角分别在x、y、z轴上的九种数据，其他可行的实施例中步态信息包括三轴加速度或三轴角速度或三轴姿态角或者它们的组合。

其中在一些实施例中，当前步态信息表示当前时刻的步态信息；在另一些实施例中，当前步态信息表示与当前时刻相距预设时长内的步态信息。

步骤2：对步骤1采集的当前步态信息进行数据处理，并根据若干个预设的运动识别与疲劳分类模型对处理后的数据进行识别，识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果。

具体的，一个运动识别与疲劳分类模型对应一类当前步态信息，一个运动识别与疲劳分类模型对应一个分类结果，例如若当前的步态信息包括三轴加速度和三轴角速度以及三轴姿态角九种数据，则存在九个预设的运动识别与疲劳分类模型，得到九个分类结果。

若干个预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据并进行预处理，并将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成的。

步骤3：将若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果。

具体的，最终结果f(x)如下所示：

此时，为第i个运动识别与疲劳分类模型对当前步态信息的类别j的分类结果，n为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记，最终结果f(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果。

例如，利用9个运动识别与疲劳分类模型得到了9个分类结果，其中a类分类结果有4个、b类分类结果有2个以及c类分类结果有3个，那么按照上述“少数服从多数”的原则，最终结果为a类分类结果。

应当理解，由于运动识别与疲劳分类模型将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据，并应用于机器学习中的基于集成学习的投票分类算法训练生成的，所以运动识别和疲劳分类模型可以用于运动识别和疲劳分类，其中本实施例中优选若干类运动行为是步行、跑步、上楼与下楼，其他实施例中运动行为还可以包括快走、骑行等，本发明对此不进行具体的限定。

需要说明的是，本实施例中优选通过可穿戴惯性的采集设备采集用户的步态信息，可穿戴惯性的采集设备由三轴加速度传感器、三轴陀螺仪等惯性传感器组成，用于采集人体在日常活动中的三轴加速度、三轴角速度和三轴姿态角等步态信息；步骤2和步骤3被检测设备所执行，优选检测设备运行于云服务器，上述方法还包括：执行步骤2之前，采集设备将步骤1采集的步态信息发送给客户端，客户端转发步骤1中的步态信息至检测设备，检测设备再执行步骤2和步骤3后返回最终结果至客户端，客户端上显示该最终结果。其中，客户端分别与采集设备和检测设备建立通讯，客户端是具有无线传输和显示功能的终端设备，包括但是不限制于手机、平板、掌上阅读器等设备；而在其他可行的实施例中，采集设备与检测设备直接通讯用于数据传输或者采集设备和检测设备是同一设备，该方法不包括客户端进行信息中转步骤，本发明对此不进行具体的限定。

如图2所示，构建上述若干个预设的运动识别与疲劳分类模型，包括如下步骤：

步骤21：采集用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息并对采集的步态信息进行非疲劳和疲劳标记，将标记后的步态信息作为样本数据。

其中，样本数据包括非疲劳数据集和疲劳数据集，非疲劳数据集是在用户非疲劳状态时进行若干类运动行为时采集的步态信息，疲劳数据集是在用户疲劳状态是进行若干类运动行为时采集的步态信息。

本实施例中优选判断用户疲劳与非疲劳的标准是：用户一分钟最大跳绳次数低于非疲劳状态下的60％时为疲劳状态，下文将以若干类运动行为是步行、跑步、上楼与下楼为例对步骤21进行具体说明，但是应当理解，其他实施例中运动行为还可以包括快走、骑行等运动类型。

步骤22：对样本数据进行预处理。

步骤23：将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个运动识别与疲劳分类模型。

其中，样本数据中每一种类型步态信息对应生成一个运动识别与疲劳分类模型。例如，步态信息包括三轴加速度和三轴角速度以及三轴姿态角九种数据时，生成了九种运动识别与疲劳分类模型。

需要说明的是，在步骤2中将当前步态信息进行数据处理与构建运动识别与疲劳分类模型时步骤22中预处理方式存在相似之处，因为步骤2的数据处理是为了使处理后的数据可以作为输入数据输入至运动识别与疲劳分类模型而得到分类结果。本实施例中，步骤2将当前步态信息进行数据处理，具体包括：

根据当前步态信息的类型将当前步态信息划分为若干个子数据集，若干个子数据集的数量与当前步态信息的类型数量相同；

将若干个子数据集中的所有数据除以相对应子数据集中的最大值以得到包含标准化输入数据的若干子数据集，标准化输入数据的大小在-1到1的范围内。

例如当前步态信息包括三轴加速度、三轴角速度和三轴姿态角九种类型，则划分为九个子数据集，分别将此九个子数据集中的数据除以相对应子数据集中的最大值得到标准化输入数据，该方式可以消除不同量纲对分类结果的影响。

需要说明的是，本实施例中优选运动行为包括步行、跑步、上楼与下楼，步态信息包括三轴加速度、三轴角速度和三轴姿态角，下文并以此为例进行具体说明，但是应当理解，其他可行的实施例中，运动行为可以包含其他运动状态，例如快走，骑行；步态信息可以包含其他数据类型或者三轴加速度、三轴角速度和三轴姿态角的任意组合，但是不论运动行为以及步态信息的类型，构建运动识别和疲劳分类模型时，采集的作为样本数据的步态信息的类型至少包含了步骤1中采集的当前步态信息的类型，采集的作为样本数据的步态信息中的运动行为至少包含了用户当前的运动行为类型，这样才能以实现用户当前运动识别与疲劳分类的检测。

如图3所示，若构建运动识别与疲劳分类模型时以采集的用户在非疲劳状态和疲劳状态下进行步行、跑步、上楼与下楼时的步态信息为样本数据，则步骤21具体包括：

步骤31：采集用户非疲劳状态下的步行、跑步、上楼与下楼时的步态信息。

步骤32：分别对非疲劳状态的步行、跑步、上楼与下楼时的步态信息进行“步行_非疲劳”，“跑步_非疲劳”，“上楼_非疲劳”与“下楼_非疲劳”标记，标记后的非疲劳状态的步态信息为非疲劳数据集。

步骤33：采集用户疲劳状态下的步行、跑步、上楼与下楼时的步态信息。

步骤34：分别对疲劳状态的步行、跑步、上楼与下楼时的步态信息进行“步行_疲劳”，“跑步_疲劳”，“上楼_疲劳”与“下楼_疲劳”标记，标记后的疲劳状态的步态信息为疲劳数据集。

其中，优选用跳绳方法使用户快速达到下肢肌肉疲劳，判断用户是否疲劳的标准为：一分钟最大跳绳次数低于非疲劳状态下的60％，选择非疲劳状态为用户的正常状态。

如图4所示，步骤22：对样本数据进行预处理，具体包括：

步骤41：根据步态信息中数据的周期性变化规律对样本数据进行步态周期划分。

其中，步态周期为从一侧足跟着地开始到此侧足跟再次着地结束的这段时间，例如可穿戴惯性单元中的三轴陀螺仪的俯仰角的周期性变化为依据进行步态周期的划分，即从角速度z轴的一个波谷开始，到它相邻的波谷结束为一个步态周期；在一些实施例中，为了防止不完整的步态周期数据影响分类模型的训练，舍弃样本数据集中前后数个步态周期的数据，例如舍弃样本数据集中前3个步态周期和后3个步态周期数据。

步骤42：根据样本数据中的数据类型将步态周期划分后的样本数据集划分若干子数据集。

例如，当样本数据中的步态信息包括三轴加速度、三轴角速度和三轴姿态角九种类型，则将步态周期划分后的样本数据集划分为九个子数据集，九个子数据集分别为加速度x子数据集、加速度y子数据集、加速度z子数据集、角速度x子数据集、角速度y子数据集、角速度z子数据集、姿态角x子数据集、姿态角y子数据集以及姿态角z子数据集。

此外，由于步态周期是一系列的以时间相关的周期性事件，只分析步态周期中一个单独的数据点的统计意义不够，因此优选选择步态周期中多个数据点进行分析，例如以10个数据点作为一个样本。

步骤43：根据十等分分层随机分割交叉验证方法分别将若干子数据集划分为训练集和测试集。

例如，根据十等分分层随机分割交叉验证方法分别将上述九个子数据集划分为训练集和测试集。

其中，十等分分层随机分割交叉验证为先打乱原有的数据的顺序，再将数据分为若干份，每份包含与原来的数据集相同比例的各个类别下的数据，例如将子数据集划分为10份，这10份数据9份为训练集，用来训练模型，1份为测试集，用来测试模型。

步骤44：将训练集和测试集中的数据除以相对应数据集中的最大值以得到包含标准化输入数据的训练集和测试集。

其中，标准化输入数据的大小在-1到1的范围内，通过将数据转换到同一规模下，能够消除不同量纲对分类结果的影响。

需要说明的是，步骤23将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个运动识别与疲劳分类模型，具体包括：

分别将若干子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法(bagging)、随机森林(randomforests)以及极端随机树(extremelyrandomizedtree)三个集成学习算法作为个体学习器，学习到若干个运动识别与疲劳分类模型；

其中，每个运动识别与疲劳分类模型的分类结果是根据应用三个算法得出的各种分类结果数量以及给三个算法分配的权重计算而来，测试精度高的模型拥有较高的权重，运动识别与疲劳分类模型对于样本x的分类结果h(x)是三个集成学习算法学习的分类结果的加权平均数最高：

其中，ωi为第i个集成学习算法的个体学习器对应的权重，t为集成学习算法的个体学习器的个数，表示第i个集成学习算法的个体学习器针对样本x得到的类别j的分类结果，c表示样本数据的集合标记，分类结果h(x)是表示通过所有的个体学习器得到的数量权重最多的该类别的分类结果。

其中，本实施例中优选装袋算法(bagging)、随机森林(randomforests)以及极端随机树(extremelyrandomizedtree)的个体学习器的对应权重分别为2、3、4。

例如，存在10个测试样本，分别经过上述装袋算法、随机森林以及极端随机树三个集成学习算法的个体学习器而得到30个分类结果，其中，装袋算法、随机森林以及极端随机树三个集成学习算法相对应的权重分别为2、3、4，假设30个分类结果中a类分类结果10个，b类分类结果20个，10个a类分类结果中有5个由装袋算法得到，5个由随机森林算法得到；20个b类分类结果中有5个是装袋算法得到，5个是随机森林算法得到，10个由极端随机树得到。根据上述分类结果h(x)的计算公式，其中a类分类结果统计方式为：由装袋算法得出的a类分类结果的数量5乘以权重2得到10，由随机森林得到的a分类结果的数量5乘以权重3得到15，将10与15相加得到25作为a类分类结果的计算结果；b类分类结果的统计方式为：由装袋算法得出的b类分类结果的数量5乘以权重2得到10，由随机森林得到的b分类结果的数量5乘以权重3得到15，由极端随机数得到b类分类结果的数量10乘以权重4得到40，将10与15和40相加得到65作为b类分类结果的计算结果，由于65大于25，因此选择b类分类结果为该运动识别与疲劳分类模型的分类结果。

例如，当样本数据中的步态信息包括三轴加速度、三轴角速度和三轴姿态角九种类型，得到了上述所述的九个子数据集，分别将九个子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法(bagging)、随机森林(randomforests)以及极端随机树(extremelyrandomizedtree)三个集成学习算法作为个体学习器，学习到九个运动识别与疲劳分类模型m1-m9。

其中，三种机器学习算法的对应分类结果的精度和权重是经过模型测试调节得出的。

如图5所示，本发明的所述方法还包括对该若干个运动识别与疲劳分类模型进行调节以进一步优化模型，具体包括：

步骤51：将若干个子数据集的测试集的数据作为若干个运动识别与疲劳分类模型的输入数据得到若干个分类结果。

步骤52：将若干个分类结果按照“少数服从多数”的原则得到最终结果f(x)：

其中，为第i个运动识别与疲劳分类模型对测试集的类别j的分类结果，n为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记，最终结果f(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果。

步骤53：将最终结果与预存的已知结果进行比较得出分类结果的精度，并判断精度是否达到标准值。

其中精度是最终结果与已知结果相同的样本数在所有的样本数据中所占的比率。可以理解，根据该原理还可以计算出每个运动识别与疲劳分类模型的精度。

步骤54：若精度未达到标准值，修改若干个运动识别与疲劳分类模型的参数并重复步骤51-53直至精度达到标准值。其中，运动识别与疲劳分类模型的参数包括三个集成学习算法对应权重。

具体的，运动识别与疲劳分类模型的参数包括三个集成学习算法对应权重、集成学习算法中的3个个体学习器的个数以及调节3个个体学习器各自的基学习器的数量、随机属性个数、树最大深度等参数，比较不同参数下的分类结果精度以优化运动识别与疲劳分类模型。

例如，将九个运动识别与疲劳分类模型m1-m9对九个子数据集的测试集的数据进行测试得到九个分类结果，将九个分类结果按照“少数服从多数”的原则得到最终结果，然后将最终结果与预存的已知结果进行比较得出分类结果的精度，若不满足标准值，则继续调节模型的参数，直至满足标准值。

其他可行的实施例中，还可以是通过交叉验证的方法，通过调节数次模型参数获取到数次分类结果的精度，从中选择分类结果精度最高时对应的运动识别与疲劳分类模型。

以九个运动识别与疲劳分类模型m1-m9为例，当九个运动识别与疲劳分类模型m1-m9中装袋算法bagging、随机森林randomforests以及极端随机树extremelyrandomizedtree三个集成学习算法赋予的权重分别为2、3和4，根据对样本数据进行统计分析，得出如图8所示的九个模型的精度以及最终结果的精度。如图所示，九个运动识别与分类模型的精度均在60％以上，最终结果的精度达到了92％，远高于单个模型的精度。进一步地，除了精度作为模型的性能指标，为了更好的衡量本发明中的运动识别与疲劳分类模型的性能，还提供查准率、查全率以及度量作为模型的性能指标。

其中，查准率precisionratio(pre)的计算公式如下：

查全率recall(rec)的计算公式为如下：

度量f1为精度和查全率的组合，计算公式如下：

其中，tp(truepositive)指的是实际类别为正类，预测类别也为正类的数量；fp(falsepositive)指的是实际类别为负类，预测类别为正类的数量；fn(falsenegative)指的是实际类别为正类，预测类别为负类的数量。依据上述原理，对于二分类问题，可根据实际类别与预测类别的组合将样例划分为tp、fp和fn。例如，本发明所针对的多分类问题，8个类别中的每两两类别的组合都对应一组tp、fp和fn。然后，将各组tp、fp和fn对应的元素进行平均，得到tp、fp和fn的平均值

查准率越高表示针对某一类别，模型预测正确的比例越高。查全率越高表示针对某一类别，模型将此类别的样本成功分类的数量比例越大。f1度量是综合考虑查准率、查全率的性能指标。f1度量越大，表示模型当前的查全率和查准率越好。

本实施例中继续以九个运动识别与疲劳分类模型m1-m9为例，当九个运动识别与疲劳分类模型m1-m9中装袋算法bagging、随机森林randomforests以及极端随机树extremelyrandomizedtree三个集成学习算法赋予的权重分别为2、3和4时，得到如下表格1所示的统计数据：

表1九个运动识别与疲劳分类模型对应的查准率、查全率以及度量结果：

如图6所示，本发明实施例提供的一种基于步态信息的运动识别和疲劳检测系统包括：采集设备60、客户端61以及检测设备62。客户端61分别与采集设备60和检测设备62通信。

采集设备60包括采集单元601、处理单元602以及第一无线单元603，其中采集单元601用于采集用户的步态信息，第一无线单元603，用于将步态信息发送给客户端61；

客户端61包括第二无线单元611和显示单元612，其中第二无线单元611用于接收采集设备60采集的步态信息以及发送步态信息至检测设备62；显示单元612用于显示检测设备62返回的最终结果。

检测设备62包括第三无线单元621、数据处理单元622、模型构建单元623以及检测单元624，其中，第三无线单元621用于接收客户端61转发的步态信息以及发送最终结果给客户端61；数据处理单元622，用于将当前步态信息进行数据处理以及将采集的用于模型构建的步态信息进行预处理；模型构建单元623用于生成运动识别与疲劳分类模型；检测单元624，用于根据运动识别与疲劳分类模型检测生成最终结果。

为了简洁，上述单元的具体工作过程，可以参照前述方法实施例的中的对应过程，在此不再赘述，其中上述单元的划分是一种逻辑功能划分，实际实现时可以有另外的划分，例如多个单元集合在一个单元，且上述单元可以以硬件的方式实现，还能以软件功能单元的方式实现。

如图7所示，本发明实施例提供的一种基于步态信息的运动识别和疲劳检测系统采集设备70、客户端71以及检测设备72。客户端71分别与采集设备70和检测设备72通信。

采集设备70，用于采用用户的当前步态信息并转发给客户端71。优选地，采集设备70是可穿戴惯性设备，包括三轴加速度传感器、三轴陀螺仪等惯性传感器701以及第二处理器702和第一无线模块703，用于存储数据及将所采集的数据进行无线传输。利用可穿戴惯性设备采集步态信息解决了传统的检测疲劳程度的方法中通过视觉系统或测力机等设备对用户的步态进行捕捉，但都因设备体积、重量或能耗等因素受制于实验室环境，成本很高，难以运用到人们的日常生活中的问题。

客户端71，用于接收采集设备70采集的步态信息以及发送步态信息至检测设备72，客户端71，还用于显示该最终结果。其中客户端71是具有无线传输和显示功能的终端设备，包括但是不限制于手机、平板、掌上阅读器等设备。

检测设备72，用于进行运动识别和疲劳检测，将最终结果发送给客户端71以及接受客户端71转发的步态信息以构建运动识别与疲劳分类模型。优选地，检测设备72运行于云服务器，其具有强大的存储能力和运行处理能力。

其中，检测设备72包括第一处理器721和存储器722，存储器722用于存储多条程序指令，第一处理器721用于调用存储器722存储的程序指令，以执行如下步骤：

将当前步态信息进行数据处理，并根据若干个预设的运动识别与疲劳分类模型对处理后的数据进行识别，识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果；将若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果。

具体的，一个运动识别与疲劳分类模型对应一类当前步态信息，一个运动识别与疲劳分类模型对应一个分类结果，例如若当前的步态信息包括三轴加速度和三轴角速度以及三轴姿态角九种数据，则存在九个预设的运动识别与疲劳分类模型，以及得到九个分类结果。

若干个预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据并进行预处理，并将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成的。

此外，最终结果f(x)如下所示：

其中，为第i个运动识别与疲劳分类模型对当前步态信息的类别j的分类结果，n为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记，最终结果f(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果。

为了构建上述若干个预设的运动识别与疲劳分类模型，采集设备70，还用于采集用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息并对采集的步态信息进行非疲劳和疲劳标记，将标记后的步态信息作为样本数据。

其中，样本数据包括非疲劳数据集和疲劳数据集，非疲劳数据集是在用户非疲劳状态时进行若干类运动行为时采集的步态信息，疲劳数据集是在用户疲劳状态是进行若干类运动行为时采集的步态信息。

此时，第一处理器721调用存储器722存储的程序指令，执行构建若干个预设的运动识别与疲劳分类模型时，具体还执行如下步骤：

获取采集设备70采集的样本数据；

对样本数据进行预处理；

将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个运动识别与疲劳分类模型。

其中，样本数据中每一种类型步态信息对应生成一个运动识别与疲劳分类模型。例如，步态信息包括三轴加速度和三轴角速度以及三轴姿态角九种数据时，生成了九种运动识别与疲劳分类模型。

本实施例中，第一处理器721执行将当前步态信息进行数据处理，具体还执行如下步骤：

根据当前步态信息的类型将当前步态信息划分为若干个子数据集，若干个子数据集的数量与当前步态信息的类型数量相同；将若干个子数据集中的所有数据除以相对应子数据集中的最大值以得到包含标准化输入数据的若干子数据集，标准化输入数据的大小在-1到1的范围内。

例如当前步态信息包括三轴加速度、三轴角速度和三轴姿态角九种类型，则划分为九个子数据集，分别将此九个子数据集中的数据除以相对应子数据集中的最大值得到标准化输入数据，该方式可以消除不同量纲对分类结果的影响。

如图7所示，采集设备70包括惯性传感器701、第二处理器702和第一无线模块703，若构建运动识别与疲劳分类模型时以采集的采集用户在非疲劳状态和疲劳状态下进行步行、跑步、上楼与下楼时的步态信息为样本数据，则采集设备进行采集用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息并对采集的步态信息并进行非疲劳和疲劳标记，将标记后的步态信息作为样本数据时，具体执行如下步骤：

惯性传感器701，用于采集用户非疲劳状态下的步行、跑步、上楼与下楼时的步态信息。

第二处理器702，用于分别对非疲劳状态的步行、跑步、上楼与下楼时的步态信息进行“步行_非疲劳”，“跑步_非疲劳”，“上楼_非疲劳”与“下楼_非疲劳”标记，标记后的非疲劳状态的步态信息为非疲劳数据集。优选第二处理器702是嵌入式处理器。

惯性传感器701，还用于采集用户疲劳状态下的步行、跑步、上楼与下楼时的步态信息。

第二处理器702，用于分别对疲劳状态的步行、跑步、上楼与下楼时的步态信息进行“步行_疲劳”，“跑步_疲劳”，“上楼_疲劳”与“下楼_疲劳”标记，标记后的疲劳状态的步态信息为疲劳数据集。

其中，优选用跳绳方法使用户快速达到下肢肌肉疲劳，判断用户是否疲劳的标准为：一分钟最大跳绳次数低于非疲劳状态下的60％，选择非疲劳状态为用户的正常状态。

第一处理器721调用存储器722存储的程序指令，执行对样本数据进行预处理时，具体还执行如下步骤：

根据步态信息中数据的周期性变化规律对样本数据进行步态周期划分；根据样本数据中的数据类型将步态周期划分后的样本数据集划分若干子数据集；根据十等分分层随机分割交叉验证方法分别将若干子数据集划分为训练集和测试集；将训练集和测试集中的数据除以相对应数据集中的最大值以得到包含标准化输入数据的训练集和测试集。

其中，步态周期为从一侧足跟着地开始到此侧足跟再次着地结束的这段时间。在一些实施例中，为了防止不完整的步态周期数据影响分类模型的训练，舍弃样本数据集中前后数个步态周期的数据，例如舍弃样本数据集中前3个步态周期和后3个步态周期数据；

此外，由于步态周期是一系列的以时间相关的周期性事件，只分析步态周期中一个单独的数据点的统计意义不够，因此优选选择步态周期中多个数据点进行分析，例如以10个数据点作为一个样本。

其中，十等分分层随机分割交叉验证为先打乱原有的数据的顺序，再将数据分为若干份，每份包含与原来的数据集相同比例的各个类别下的数据，例如将子数据集划分为10份，这10份数据9份为训练集，用来训练模型，1份为测试集，用来测试模型。

其中，标准化输入数据的大小在-1到1的范围内，通过将数据转换到同一规模下，能够消除不同量纲对分类结果的影响。

需要说明的是，第一处理器721调用存储器722存储的程序指令，执行将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成若干个运动识别与疲劳分类模型时，具体还执行如下步骤：

分别将若干子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法(bagging)、随机森林(randomforests)以及极端随机树(extremelyrandomizedtree)三个集成学习算法作为个体学习器，学习到若干个运动识别与疲劳分类模型；

其中，每个运动识别与疲劳分类模型的分类结果是根据应用三个算法得出的各种分类结果的数量以及给三个算法分配的权重计算而来，测试精度高的模型拥有较高的权重，运动识别与疲劳分类模型对于样本x的分类结果h(x)是三个集成学习算法学习的分类结果的加权平均数最高：

其中，ωi为第i个集成学习算法的个体学习器对应的权重，t为集成学习算法的个体学习器的个数，表示第i个集成学习算法的个体学习器针对样本x得到的类别j的分类结果，c表示样本数据的集合标记，分类结果h(x)是个体学习器的得出每一类分类结果的数量与其相对于的权重的乘积和剩余个体学习器得出的同一类分类结果数量与相对应权重的乘积之和为最大的一类的分类结果。

例如，当样本数据中的步态信息包括三轴加速度、三轴角速度和三轴姿态角九种类型，得到了上述所述的九个子数据集，分别将九个子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法(bagging)、随机森林(randomforests)以及极端随机树(extremelyrandomizedtree)三个集成学习算法作为个体学习器，学习到九个运动识别与疲劳分类模型m1-m9。

其中，三种机器学习算法的对应分类结果的精度和权重是经过模型测试调节得出的。

需要说明的是，检测设备还用于对该若干个运动识别与疲劳分类模型进行调节以进一步优化模型，第一处理器721调用存储器722存储的程序指令，执行该若干个运动识别与疲劳分类模型进行调节以进一步优化模型时，具体还执行如下步骤：

步骤51：将若干个子数据集的测试集的数据作为若干个运动识别与疲劳分类模型的输入数据得到若干个分类结果。

步骤52：将若干个分类结果按照“少数服从多数”的原则得到最终结果f(x)：

其中，为第i个运动识别与疲劳分类模型对测试集的类别j的分类结果，n为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记，最终结果f(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果。

步骤53：将最终结果与预存的已知结果进行比较得出分类结果的精度，并判断精度是否达到标准值。

步骤54：若精度未达到标准值，修改若干个运动识别与疲劳分类模型的参数并重复步骤51-53直至精度达到标准值。其中，运动识别与疲劳分类模型的参数包括三个集成学习算法对应权重。

具体的，运动识别与疲劳分类模型的参数包括三个集成学习算法对应权重、集成学习算法中的3个个体学习器的个数以及调节3个个体学习器各自的基学习器的数量、随机属性个数、树最大深度等参数，比较不同参数下的分类结果精度以优化运动识别与疲劳分类模型。

具体实现时，本实施例中的存储器可以是系统存储器，例如挥发性的、非易失性的；还可以是系统外的存储器，例如磁盘、光盘。

需要说明的是，另一些可行的实施例中，基于步态信息的运动识别和疲劳检测系统仅包括采集设备和检测设备，采集设备与检测设备建立通讯，可直接进行数据传输；此时除了不需要客户端作为步态信息的中转设备，采集设备和检测设备直接通讯实现步态信息的传输之外，采集设备和检测设备的功能与上述实施例中采集设备和检测设备的功能相同，在此不再赘述。再或者，基于步态信息的运动识别和疲劳检测系统包括兼具采集设备和检测设备功能的一种设备，同理，请参看上述实施例中采集设备和检测设备的具体描述，在此不再赘述。

综上所述，本发明实施例提供的一种基于步态信息的运动识别和疲劳检测方法和系统，通过采集用户在运动行为中的步态信息以及若干个预设的运动识别与疲劳分类模型识别出用户当前的运动行为以及判断出用户是否处于疲劳状态，一方面实现了疲劳检测的同时识别出用户当前的运动状态，降低了在不同运动下用户疲劳状态带来的受伤风险，第二方面，引入机器学习算法生成运动识别与疲劳分类模型以及采用若干个运动识别与疲劳分类模型同时进行结果测试，以及每个运动识别与疲劳分类模型是根据三个算法学习而来，进而得到综合的最终结果，提高了运动识别和疲劳分类的准确性，解决了传统的疲劳状态判断方式下存在的主观判断问题。第三方面，通过可穿戴惯性的采集设备采用用户的步态信息，克服了传统的检测疲劳程度的方法中通过视觉系统或测力机等设备对用户的步态进行捕捉，但都因设备体积、重量或能耗等因素受制于实验室环境，成本很高，难以运用到人们的日常生活中的困难；第四方面，本发明构建运动识别与疲劳分类模型时，对步态数据进行预处理的过程进行了步态周期划分并舍弃样本数据集中前后数个步态周期的数据，选取步态周期中多个数据点进行分析扩大样本数据量、进行标准化输入数据转换、划分训练集和测试集，利用测试集调节模型等方式，提高了模型预测的精度。

应当理解，当在本说明书和所附权利要求中使用术语“包括”和“包含”指示所描述特征、整体、步骤、步骤、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、步骤、元素、组件和/或其集合的存在或添加。还应当理解，在此本发明说明书中所使用的术语仅仅是处于描述特定实施例的目的而并不意在限制本发明。以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的范围内可对其进行许多修改，但都将落入本发明的保护范围内。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。