本公开整体涉及传感器，并且在特定实施例中涉及表征运动的设备和方法。
背景技术：
可穿戴电子设备已经在消费群体中被普及。可穿戴电子设备可以使用各种传感器来跟踪用户的活动，并且帮助用户保持健康的生活方式。为了确定用户的活动，可穿戴电子设备收集活动数据并运行该数据的计算。可能期望提供被配置为基于设备的实时运动并且以低功耗精确地监测、检测和表征(或分类)人体运动的可穿戴电子设备。
技术实现要素：
在一个实施例中，设备可以包括：第一传感器，被配置为在第一时间段和第二时间段期间生成第一传感器数据；第二传感器，被配置为在第一时间段期间被禁用，第二传感器还被配置为在第二时间段期间生成第二传感器数据；以及处理器，被配置为在第一时间段期间确定第一传感器数据的特性。设备还可以包括分类电路，分类电路被配置为在第一时间段期间基于第一传感器数据的特性来确定设备是否已改变状态，分类电路还被配置为使得第二传感器响应于设备状态的改变而被启用。
在一个实施例中，方法可以包括：在第一时间段期间生成第一传感器数据；基于第一传感器数据，确定电子设备是否已改变状态，其中响应于确定电子设备已改变状态，发生从第一时间段到第二时间段的转变；以及在第二时间段期间生成第一传感器数据和第二传感器数据。方法可以进一步包括确定第一传感器数据和第二传感器数据中的每一个传感器的一个或多个特征；以及基于以下至少一项来表征人体的运动：第一传感器数据的一个或多个特征和第二传感器数据的一个或多个特征。
在一个实施例中，设备可以包括：加速度计，被配置为在设备的第一状态和设备的第二状态期间生成加速度计数据；与加速度计不同的传感器，被配置为在设备的第二状态期间生成传感器数据；以及处理器，被配置为在设备的第二状态期间确定加速度计数据的一个或多个特征以及传感器数据的一个或多个特征。设备还可以包括分类电路，分类电路被配置为基于以下至少一项来表征人体的运动：加速度计数据的一个或多个特征和传感器数据的一个或多个特征。
附图说明
为了更完整地理解本发明及其优点，现在参考结合附图的以下描述，其中：
图1示出了根据一个实施例的固定到人体的一部分的电子设备；
图2示出了根据一个实施例的图1所示的电子设备的框图，电子设备包括第一传感器、第二传感器、处理器、控制器和分类电路；
图3图示了根据一个实施例的图1中所示的电子设备的垂直轴线和参考平面之间的角度相对于时间的变化；
图4示出了根据一个实施例的由图2中所示的第二传感器生成的标量数据的示例；
图5示出了根据一个实施例的图示操作图2所示的电子设备的方法的流程图；
图6示出了根据一个实施例的图示在特征检测时段期间操作图2所示的电子设备的方法的流程图；
除非另外指明，否则不同附图中的对应数字和符号通常指代对应部分。附图被绘制为清楚地图示实施例的相关方面，并且不一定按比例绘制。
具体实施方式
下面详细讨论各种实施例的制作和使用。然而，应理解，本文所描述的各种实施例适用于各种各样的具体情况。所讨论的具体实施例仅图示制作和使用各种实施例的具体方式，而不应被解释为在有限的范围内。
微机电系统(mems)技术中的最新进展已导致多个这样的传感器与控制电子设备在小的封装上且以低功耗(例如，相对于mems技术的早期开发)的高精度组合和集成。mems技术的快速发展在汽车、电力和燃料、制造业、航空航天、医疗保健、制药、消费品和生物工程等许多不同领域引发了各种各样的发展。附加地，mems技术已被应用于人体健康领域。在这种情况下，从事健身活动的个人监测、保存、分享和适应健身活动以尝试改善健身活动的有效性可能是有用的。
图1示出了根据一个实施例的固定到人体104的一部分的电子设备102。在图1所示的示例中，通过带106将电子设备102固定到人体的手腕或前臂；然而，在其他实施例中，电子设备102可以被固定到人体的另一部分(例如诸如，二头肌、三头肌、胸部或腰部)。
电子设备102可以是可穿戴电子设备，例如是智能手表、健身带、移动电话(例如，运行健身应用程序)等。在一些实施例中，电子设备102可以是被配置为通过无线通信信道(例如，wi-fi、蓝牙等)与至少一个其他设备通信地耦合的物联网(iot)设备。
电子设备102可以包括形成在其中的多个传感器(例如，mems换能器)。作为示例，电子设备102中可以包括一个或多个加速度计、陀螺仪、压力传感器、力传感器、湿度传感器或麦克风。电子设备102可能需要基于电子设备102的实时运动且以低功耗(例如，相对于当前可用的方法)准确地监测、检测和表征(或分类)人体的运动。可以通过使用包括在电子设备102中的多个传感器来实现人体运动的这种实时、低功率和准确的监测、检测和表征。
图2示出了根据一个实施例的电子设备102的框图。图5示出了根据一个或多个实施例的图示操作图2中所示的电子设备102的方法的流程图500。尽管在本公开中描述的示例涉及人体运动被监测、检测和表征的情况，但是应注意，本公开中描述的系统和方法也可以用于监测、检测和表征任何其他运动物体(有生命或无生命的)的运动。
电子设备102可以包括监测、检测和表征系统200(为了简洁起见，以下称为“系统”)。系统200可以被配置为基于电子设备102的运动来监测、检测和表征人体104的运动。例如，由于电子设备102如图1的实施例所示被固定到人体104的一部分，所以可以推断电子设备102的运动可以归因于人体104的运动。
如图2的示例所示，系统200包括第一传感器202、第二传感器204、处理器206、控制器208和分类电路210。在一些实施例中，系统200可以附加地包括存储器212，存储器212通信地耦合到处理器206或分类电路210中的至少一个。作为简要的初始概述，可以使用图5中所示的方法来操作图2中所示的系统200。
如图5所示，在步骤502中并结合图2，第一传感器202在第一时间段(例如，监测时段)期间生成第一传感器数据202x、202y、202z。在该第一时间段期间，第一传感器202被导通或启用，而第二传感器204被关断或禁用。处理器206可以随后确定第一传感器数据202x、202y、202z的一个或多个特性(例如，如图5中的步骤504所示)。在一些实施例中，由处理器206确定的一个或多个特性可以指示电子设备102在第一时间段期间的状态。例如，电子设备102可以处于静止或安静状态，并且根据第一传感器数据202x、202y、202z所确定的一个或多个特性可以指示电子设备102在第一时间段期间处于静止或安静状态。
可以向分类电路210通过由处理器206确定的第一传感器数据202x、202y、202z的一个或多个特性。分类电路210可以监测一个或多个特性(例如，如图5的步骤506中所示)并且确定第一传感器数据202x、202y、202z的一个或多个特性中是否存在变化。第一传感器数据202x、202y、202z的一个或多个特性的变化可以指示电子设备102的状态的改变(例如，如图5的步骤508中所示)并且可以利用信号通知从第一时间段到第二时间段(例如，检测时段)(例如，如图5中的步骤510所示)的转变。
当由分类电路210检测第一传感器数据202x、202y、202z的一个或多个特性的改变时，分类电路210可以生成提供给控制器208的标志信号207，控制器208可以被配置为导通或启用第二传感器204。因此，在第二时间段期间，第一传感器202和第二传感器204都可以被导通或启用，其中第一传感器202和第二传感器204均生成数据(例如，如图5的步骤512所示)。在第二时间段期间将第二传感器数据204x、204y、204z和第一传感器数据202x、202y、202z提供给处理器206。如下面进一步详细描述的，第二传感器数据204x、204y、204z可以与第一传感器数据202x、202y、202z不同并互补。
在第二时间段期间，处理器206确定第二传感器数据204x、204y、204z的一个或多个特征以及第一传感器数据202x、202y、202z的一个或多个特征(例如，如图5的步骤514所示)。处理器206附加地确定第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z之间的相关性(例如，如图5的步骤516所示)。向分类电路210提供第一传感器数据202x、202y、202z的一个或多个特征、第二传感器数据204x、204y、204z的一个或多个特征以及第一传感器数据202x、202y、202z与第二传感器数据204x、204y、204z之间的相关性。分类电路210可以随后基于第一传感器数据202x、202y、202z与第二传感器数据204x、204y、204z之间的相关性来确定是否正在执行健身活动(例如，如图5的步骤518所示)。在分类电路210确定正在执行健身活动的情况下，分类电路210可以基于第一传感器数据202x、202y、202z的一个或多个特征或第二传感器数据204x、204y、204z的一个或多个特征中的至少一个来进一步对人体运动进行表征或分类(例如，如图5的步骤520所示)。
由于第二传感器204被间歇地或偶尔地导通，整体功耗被降低。附加地，由于分类电路210使用来自第一传感器202的数据、来自第二传感器204的补充数据以及这些数据之间的相关性来表征人体的运动，所以增加了运动检测和表征的准确性。更进一步，由于处理器206和分类电路210使用来自第一传感器202和第二传感器204的数据，所以系统200可以广泛地使用在可能需要对物体的运动进行表征或分类的应用中。在下面的描述中更详细地讨论系统200的操作的该简要的初始概述。
再次参考图2，第一传感器202可以是运动传感器(例如，诸如加速度计或被配置为感测电子设备101的振动或加速的设备)。第一传感器202可以生成第一传感器数据202x、202y、202z，第一传感器数据可以是指示电子设备102在横轴(例如，被称为“例轴”)、纵轴(例如，被称为“、轴”)、或垂直轴或法向轴(例如，被称为“、轴”)的至少一个中的振动或加速的时间序列数据。这样，第一传感器数据202x、202y、202z可以是包括多个(例如，三个)标量的矢量，其中每个标量指示电子设备102在相应的运动轴中的振动或加速。
第一传感器202可以被称为始终导通传感器或主传感器(即，被配置为在使用电子设备102时连续生成第一传感器数据202x、202y、202z的传感器)。例如，如以上在简要初始概述中所讨论的，第一传感器202在第一时间段(例如，监测时段)和第二时间段(例如，检测时段)均被导通或启用。相反，第二传感器204可以被称为机会传感器或辅助传感器(即，在使用电子设备102时，间歇地、周期性地或偶尔地导通的传感器)。例如，如以上在简要初始概述中所讨论的，第二传感器204在第二时间段(例如，检测时段)内被导通或启用，但在第一时间段(例如，监测时段)内被关断或禁用。
第一传感器202和第二传感器204可以具有其各自不同的功耗。例如，第一传感器202的(例如，在一段时间上的)功耗可以小于第二传感器204的(例如，在相同的一段时间上的)功耗。如下面更详细描述的，第二传感器204可以是与第一传感器202不同类型的传感器，从而确保第二传感器数据204x、204y、204z与第一传感器数据202x、202y、202z相比是不同类型。
第一传感器数据202x、202y、202z可以是具有多个采样的时间序列数据。换言之，可以通过对由第一传感器202生成的模拟信号进行采样来生成第一传感器数据202x、202y、202z。在这样的实施例中，第一传感器202可以在其中包括采样电路。可以使用本领域已知的一个或多个采样电路(例如，采样保持电路)来实现采样电路。在一个实施例中，采样频率可以至少部分地取决于健身活动的平均频率(例如，大约5hz)。这样，为了满足奈奎斯特采样定理，对第一传感器202的模拟信号进行采样的速率可以大于或等于约10hz(例如，在一个实施例中约为25hz)。
在一些实施例中，在将第一传感器数据202x、202y、202z提供到处理器206之前，可以对第一传感器数据202x、202y、202z进行滤波和处理。可能需要这样的滤波和处理来抑制可能出现在由第一传感器202生成的模拟信号中的低频漂移。例如，可以使用第一低通滤波器来隔离低频漂移。可以从第一传感器数据202x、202y、202z中减去第一低通滤波器的输出来产生经补偿的第一传感器数据202x、202y、202z。第一低通滤波器可以被包括在第一传感器202中或者可以在第一传感器202的外部。在第一低通滤波器在第一传感器202外部的示例中，第一低通滤波器可以被耦合在第一传感器202和处理器206之间。第一低通滤波器的截止频率可以至少部分地取决于健身活动的平均频率。作为图示，健身活动(例如，二头肌卷曲)的平均频率可以是约5hz或更多，并且第一低通滤波器的截止频率可以是约3hz。在一些实现中，第一低通滤波器可以是无限脉冲响应(iir)滤波器(例如，巴特沃斯滤波器)。由于可能需要对人体运动进行实时监测、检测和表征，所以可以应用前向后向滤波来避免引入可能归因于滤波的时间延迟。
向处理器206提供第一传感器数据202x、202y、202z(例如，经补偿的第一传感器数据)，处理器206可以确定第一传感器数据202x、202y、202z的一个或多个特性(例如，统计特性)(例如，如图5的步骤504所示)。作为示例，处理器206可以确定第一传感器数据202x、202y、202z的能量、周期性、频移或角度变化中的至少一个。如以上在简要初始概述中所述，由处理器206确定的一个或多个特性可以指示电子设备102的状态。
图3图示了根据一个实施例的、由处理器206确定的第一传感器数据202x、202y、202z的一个或多个特性的一个示例，其中包括电子设备102的垂直轴线和参考平面之间的角度θ。图3中的曲线使用笛卡尔坐标系，其中y轴是表示角度θ(以度表示)的线性标度，并且x轴是表示时间(表示为采样数量)的线性标度。在图3中针对采样800至1100描绘了处理器206在第一时间段t1(例如，监测时段)期间确定的角度θ。注意，第一时间段t1也包括采样1至799，并且针对采样1至799的角度θ的变化类似于图3中所见的针对采样800至1100的变化。图3中省略了采样1至799，以强调第一时间段t1和第二时间段t2的显著特征。
在图3所示的示例中，处理器206从第一传感器202接收第一传感器数据202x、202y、202z，并基于第一传感器数据202x、202y、202z确定角度θ。假设第一传感器数据202x、202y、202z的每个采样由索引n表示，第一传感器数据202x的横向轴的每个采样由accx[n]表示，第一传感器数据202y的纵向轴的每个采样由accy[n]表示，并且第一传感器数据202z的法向轴的每个采样由accz[n]表示。然后，处理器206可以通过执行以下数学运算为每个采样n确定电子设备102的垂直轴线与参考平面之间的角度θ：θ(n)＝cos-1(a(n).pd)，其中a(n)＝[accx[n]accy[n]accz[n]]/|acc[n]|,pd＝[o-1o]t,
在一些实施例中，第一传感器数据202x、202y、202z的一个或多个特性(例如，角度θ)中的每一个的平均值μ和标准偏差σ可以被存储在存储器212中。平均值μ和标准偏差σ可以被预先加载(例如，基于针对健身爱好者群体观察到的默认值)。在一些实施例中，分类电路210可以基于电子设备102的用户在某个时间段内的个体特性、使用或行为来更新(例如，连续更新)平均值μ和标准偏差σ。在一些示例中，处理器206可以附加地确定电子设备102的状态发生变化的可能性。就此而言，处理器206可以基于特定采样n处的相应特性的值(例如，角度θ)、平均值μ以及标准偏差σ来针对每个采样n确定p值或z值。
如以上在简要初始概述中所述，处理器206可以向分类电路210提供根据第一传感器数据202x、202y、202z确定的一个或多个特性(例如，角度θ)。在处理器206附加地确定电子设备102的状态发生变化的概率的示例中，处理器206还可以向分类电路210提供所确定的概率(例如，p值或z值)。分类电路210监测一个或多个特性(例如，角度θ)以及可能由处理器206确定的概率来确定是否已发生电子设备102的状态的变化(例如，如图5的步骤506和508所示)。如图3所示，第一传感器数据202x、202y、202z的三维矢量被减少为一维量(例如，角度θ)，由此允许在监测第一传感器数据202x、202y、202z的一个或多个特性时的低功耗和小封装。
分类电路210可以是使用机器学习技术(例如，决策树、线性回归、逻辑回归、支持矢量机(svm)、朴素贝叶斯、k-最近邻、k-均值、随机森林、梯度提升等)实现的机器学习分类器。为了进一步增强确定电子设备102是否已改变状态的准确性，分类电路210可以实现基于时间的投票方法。参考图3中的示例，观察到角度θ的变化对采样800至1050是最小的。因此，分类电路210可以监测由处理器207计算的角度θ并确定直到采样1050，电子设备102的状态没有发生变化。然而，在图3所示的曲线中，角度θ在采样1050至采样1100之间急剧变化。角度θ的该变化可能导致角度θ在静止状态下相对于其平均值μ的较大偏差。在一些实施例中，超过两个标准偏差的偏差可以指示已发生电子设备102的状态的改变。换言之，由处理器206确定的概率(例如，p值或z值)可能在采样800至1050和采样1050至1100之间急剧变化，从而指示电子设备102已改变其状态(例如，从休息状态变为活动状态)。
如以上在简要初始概述中所述，电子设备102的状态的改变可以使用信号通知从第一时间段t1到第二时间段t2(例如，检测时段)的转变(例如，如图5的步骤510所示)。附加地，分类电路210可以生成提供给控制器208的标志信号207。控制器208可以被配置为响应于接收标志信号207而导通或启用第二传感器204，从而允许由第二传感器204生成数据(例如，如图5的步骤512所示)。
第二传感器204可以是与第一传感器202不同类型的传感器。例如，第一传感器202可以是加速度计，而第二传感器204可以是不同于加速度计的传感器(例如，磁力计、压力传感器、陀螺仪、湿度传感器或麦克风中的至少一个)。当第二传感器204被导通或启用时，第二传感器204可以生成第二传感器数据204x、204y、204z，第二传感器数据可以是指示电子设备102在横向轴线(例如，被称为“横轴”)、纵向轴线(例如，被称为“、轴”)、或垂直轴线或法向轴线(例如，被称为“、轴”)的至少一个中的高度(例如，在压力传感器的示例中)或定向(例如，在陀螺仪的示例中)的时间序列数据。在一些示例中，第二传感器数据可以是标量(例如，其中第二传感器204是压力传感器)。类似于第一传感器数据202x、202y、202z，第二传感器数据204x、204y、204z可以是具有多个采样的时间序列数据。在一些示例中，以相同的采样速率(例如，约25hz)对由第一传感器202感测的模拟信号和由第二传感器204感测的模拟信号进行采样。
在一些实施例中，可以在向处理器206提供第二传感器数据204x、204y、204z之前对第二传感器数据204x、204y、204z进行滤波。可能需要这样的滤波来抑制可能存在于由第二传感器204生成的模拟信号中的低频漂移或高频噪声。图4示出了在第二传感器204是压力传感器的实施例中从第二传感器204获得的标量第二传感器数据的一个示例。图4中的曲线使用笛卡尔坐标系，其中y轴是表示压力的线性尺度(以百帕，hpa表示)，而x轴是表示时间的线性尺度(表示为采样数量)。在第二传感器204(例如，压力传感器)在桌上保持静止的实验中获得图4中所示的压力传感器数据。如图4所示，即使当第二传感器204静止时，在第二传感器数据204x、204y、204z中也观察到低频漂移402(其自身表现为正弦变化)和高频噪声分量404。
为了补偿低频漂移，可以使用第二低通滤波器。可以从第二传感器数据204x、204y、204z中减去第二低通滤波器的输出来产生经漂移补偿的第二传感器数据204x、204y、204z。第二低通滤波器可以被包括在第二传感器204中或者可以在第二传感器204的外部。在第二低通滤波器位于第二传感器204外部的示例中，第二低通滤波器可以被耦合在第二传感器204和处理器206之间。
第二低通滤波器的截止频率可以至少部分地取决于第二传感器数据204x、204y、204z中存在的健身活动的平均频率和低频漂移402的频率组成。作为示例，参考图4，低频漂移402具有约0.016hz的频率，并且通常低频漂移402可以具有小于约0.1hz的频率组成。这样，低频漂移402的频率组成可能需要在第二低通滤波器的通带内，以确保第二低通滤波器有效地去除第二传感器数据204x、204y、204z的低频漂移402。此外，通常在约0.5hz和1.5hz之间执行健身活动。如此，高于0.5hz的频率可能需要在第二低通滤波器的阻带内，以确保第二低通滤波器的输出和第二传感器数据204x、204y、204z之间的相减将频率保持在0.5hz和1.5hz的范围内。基于这些考虑，第二低通滤波器可以具有约0.4hz的截止频率。该选择将允许0.01hz和0.5hz的分离、相对于对应于健身活动的频率给出0.1hz的带宽、并且还具有10-2量级的系数，从而导致非常小的数字不稳定性。在一些实现中，第二低通滤波器可以是巴特沃斯滤波器。
为了补偿高频噪声，经漂移补偿的第二传感器数据204x、204y、204z可以被低通滤波(例如，通过第三低通滤波器)，以产生经漂移和高频噪声补偿的第二传感器数据204x、204y、204z。第三低通滤波器可以被包括在第二传感器204中或者可以在第二传感器204的外部。在第三低通滤波器处于第二传感器204的外部的示例中，第三低通滤波器可以被耦合在第二低通滤波器(以上所述)和处理器206之间。第三低通滤波器的截止频率可以至少部分地取决于健身活动的平均频率。例如，如上所述，通常在约0.5hz和1.5hz之间执行健身活动。作为图示，对于大多数锻炼(例如，二头肌卷曲、俯卧撑、仰卧起坐、蹲坐)，个人通常需要至少约1秒来完成单个重复。如果个体非常健壮或强壮，则可以在约0.5秒内执行单个重复。因此，超过约2hz的频率分量可能无用。基于这些考虑，第三低通滤波器可以具有约2hz的截止频率。在一些实现中，第三低通滤波器可以是巴特沃斯滤波器。
在第二时间段t2期间，第一传感器202和第二传感器204均可以被导通或启用。在第二时间段t2期间，向处理器206提供第二传感器数据204x、204y、204z和第一传感器数据202x、202y、202z(例如，如图5的步骤512所示)。在第二时间段t2期间，处理器206确定第二传感器数据204x、204y、204z的一个或多个特征以及第一传感器数据202x、202y、202z的一个或多个特征(例如，如图5的步骤514所示)。
作为可以由处理器206在第二时间段t2期间确定的第一传感器数据202x、202y、202z的一个或多个特征的示例，返回参考图3，处理器206可以在第二时间段t2期间继续确定角度θ，并且可以附加地将检测逻辑(例如，峰值检测逻辑)应用于角度θ，以生成第一传感器数据202x、202y、202z的一个或多个特征。例如，在第二时间段t2期间，(例如，由于大多数健身活动的重复性质)可以标识角度θ的周期性模式。如图3所示，角度θ可以包括在第二时间段t2期间的多个正峰值p1、p2、p3和多个负峰值n1、n2、n3、n4。处理器206可以确定总持续时间td，总持续时间td可以是两个连续的负峰值之间的采样数量(例如，负峰值n1和n2之间的采样数量)。在一些实施例中，总持续时间td可以指示第一传感器数据202x、202y、202z的时段。在图3的图示中，总持续时间td可以是约100个采样。
附加地或备选地，处理器206可以确定第一持续时间pd1，第一持续时间pd1可以是第一负峰值n1与随后的正峰值p1之间的采样数量。在图3的图示中，第一阶段持续时间pd1可以是约50个采样。附加地或备选地，处理器206可以确定第一阶段斜率，第一阶段斜率可以是第一负峰值n1与随后的正峰值p1之间的角度θ的变化的速率。附加地或备选地，处理器206可以确定第二阶段持续时间pd2，第二阶段持续时间pd2可以是随后的正峰值p1与下一负峰值n2之间的采样数量。在图3的图示中，第二阶段持续时间pd2可以是约50个采样。附加地或备选地，处理器206可以确定第二阶段斜率，第二阶段斜率可以是随后的正峰值p1和下一负峰值n2之间的角度θ的变化速率。附加地或备选地，处理器206可以确定最大角度变化，最大角度变化可以是正峰值(例如，正峰值p2)和相邻负峰值(例如，负峰值n2)之间的最大差值。例如，在图3的图示中，最大角度变化(例如，峰间值)可以是约130度(例如，根据约为160度的正峰值p2处的角度与约为30度的负峰值n2处的角度获得)。附加地或备选地，处理器206可以确定起始索引，起始索引可以是与负起始峰值相对应的采样。在图3的图示中，对应于近似采样1150的负峰值n1可以是负起始峰值，并且因此起始索引可以是约1150。附加地或备选地，处理器206可以确定停止索引，停止索引可以是对应于负结束峰值的采样。在图3的图示中，对应于近似采样1475的负峰值n4可以是负结束峰值，并且因此停止索引可以约为1475。附加地或备选地，处理器206可以确定中间索引，中间索引可以是对应于负结束峰值n4和负起始峰值n1之间的任何正峰值的采样。
类似于对第一传感器数据202x、202y、202z执行的处理，处理器206可以将检测逻辑(例如，如上所述的峰值检测逻辑)应用于从第二传感器204接收的第二传感器数据204x、204y、204z。作为示例，处理器206可以类似地根据第二传感器数据204x、204y、204z确定第一持续时间、第一阶段持续时间、第一阶段斜率、第二阶段持续时间、第二阶段斜率、第二传感器数据204x、204y、204z(例如，图4所示的压力数据)的最大峰间值、起始索引、停止索引或中间索引中的至少一个。
应注意，由于第二传感器204是与第一传感器202不同的类型，所以第二传感器数据204x、204y、204z可以与第一传感器数据202x、202y、202z不同。尽管如此，第二传感器数据204x、204y、204z可以是第一传感器数据202x、202y、202z的补充，因为在参与健身活动的情况下，可以在第二传感器数据204x、204y、204z中观察到相似的周期性模式。因此，在第二传感器数据204x、204y、204z中也可以观察到第一传感器数据202x、202y、202z中发生的变化，第二传感器数据204x、204y、204z是独立于第一传感器数据202x、202y、202z的测量结果。就此而言，处理器206可以进一步确定第一传感器数据202x、202y、202z与第二传感器数据204x、204y、204z之间的相关性(例如，如图5的步骤516所示)。为了避免误检，可以在第一传感器数据202x、202y、202z或第二传感器数据204x、204y、204z中的至少一个的每个正峰值上确定第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z之间的相关性。
第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z之间的相关性可以表示为相关系数。可以向分类电路210提供相关系数、第一传感器数据202x、202y、202z的一个或多个特征以及第二传感器数据204x、204y、204z的一个或多个特征。随后，分类电路210确定是否正在进行健身活动(例如，如图5的步骤518)，并且如果是，则分类电路210对人体运动进行进一步表征(或分类)(例如，如图5的步骤520)。例如，如上所述，分类电路210可以是使用机器学习技术实现的机器学习分类器。分类电路210可以初始地确定第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z之间的相关性是否足够强来确定正在进行健身活动。在一些实施例中，这可以需要将根据第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z之间的相关性获得的相关性系数与系数阈值(例如，0.5)进行比较。在一些实施例中，分类电路210可以基于电子设备102的用户在一段时间内的个体特征、使用或行为来更新系数阈值。在相关性系数等于或大于系数阈值的情况下，分类电路210可以确定正在执行健身活动。在这样的场景中，分类电路210可以基于第一传感器数据202x、202y、202z的一个或多个特征以及第二传感器数据204x、204y、204z的一个或多个特征(例如，第一阶段持续时间、第一阶段斜率、第二阶段持续时间、第二阶段斜率、最大峰间值、起始索引、停止索引或中间索引)、基于机器学习技术(例如，基于可以预加载在存储器212中的运动签名)进一步对人体运动进行表征或分类。作为示例，分类电路210可以基于第一传感器数据202x、202y、202z的一个或多个特征以及第二传感器数据204x、204y、204z的一个或多个特征对人体运动(例如，二头肌卷曲、俯卧撑、下蹲、驾驶活动或骑自行车活动)进行表征。
在一些实施例中，系统200可以附加地包括计数器214，计数器214可以基于由分类电路210确定的表征或分类来更新或增加计数。作为示例，在分类电路210确定正在执行二头肌卷曲、俯卧撑或下蹲的情况下，计数器214可以基于第一传感器数据202x、202y、202z的一个或多个特征以及第二传感器数据204x、204y、204z的一个或多个特征增加计数，以向用户指示所执行的健身活动的重复次数。
在一些实施例中，分类电路210可以进一步生成指示由分类电路210确定的表征或分类的置信度的准确性的度量。作为示例，分类电路210可以确定指示与其表征或分类相关联的确定程度的置信度区间。响应于度量大于阈值(例如，表示对其表征或分类的高置信度)，分类电路210可以修改提供给控制器208的标志信号207。经修改的标志信号207可以触发控制器208来关断第二传感器204，由此禁用系统200的高功率传感器并节约功率。在这种情况下，第一传感器202被继续导通并启用，并且处理器206继续处理第一传感器数据202x、202y、202z来继续确定第一传感器数据202x、202y、202z(例如，第一阶段持续时间、第一阶段斜率、第二阶段持续时间、第二阶段斜率、最大峰间值、起始索引、停止索引或中间索引)的一个或多个特征，以增加计数器214的计数和/或监测健身活动。
基于上面给出的描述，系统200和操作系统200的方法允许在有机会获得补充数据时导通高功率传感器(例如，第二传感器204)，以启用以高精度执行的表征和分类。由于第二传感器204被间歇性地或偶尔地导通，因此整体功耗降低。附加地，由于分类电路210使用来自第一传感器202的数据、来自第二传感器204的补充数据以及这些数据之间的相关性来表征人体运动，所以增加了运动检测和表征的准确性。更进一步，由于处理器206和分类电路210使用来自第一传感器202和第二传感器204的数据，所以系统200可以被用于可能需要对物体的运动进行表征或分类的广泛的应用中。
图6示出了根据一个实施例的图示在第二时间段t2(例如，检测时段)期间，操作图2中所示的系统200的方法的流程图。图6中所示的示例图示了其中第一传感器202是加速度计、第二传感器204是压力传感器、并且其中由处理器206执行实时处理的实施例。如图6所示，方法包括生成加速度计数据(在步骤602中)并生成压力传感器数据(在步骤604中)。为了使得处理器206实时处理第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z，可以将第一传感器数据202x、202y、202z和第二传感器数据204x、204y、204z中的每一个缓冲到固定长度的缓冲器中(例如，在步骤606和608中)。例如，每次从压力传感器和加速度计获取新采样时，相应的采样有助于填充相应的缓冲器。在一些实施例中，每个缓冲器可以包括5至6秒时间窗的采样。此外，为了避免加速度计数据可能丢失，步骤606中的连续缓冲窗口可以重叠(例如，高达约50％)。类似地，为了避免压力传感器数据的可能丢失，步骤608中的连续缓冲窗口可以重叠(例如，高达约50％)。
如上面关于图2至图5所讨论的，当缓冲窗口被填充时(例如，在步骤610中)，加速度计数据可以被低通滤波(例如，在步骤612中)以补偿低频漂移。附加地，如上面关于图2至图5所讨论的，压力传感器数据可以被带通滤波(例如，在步骤614中)以补偿低频漂移和高频噪声分量。如上面关于图3所讨论的，处理器206可以基于经滤波的加速度计数据来确定角度θ(例如，在步骤616中)。随后，如上面关于图3所讨论的，可以确定角度的一个或多个特征(例如，在步骤618中)。附加地，如上面关于图4所讨论的，可以确定压力传感器数据的一个或多个特征(例如，在步骤620中)。如上面关于图2至图5所讨论的，也可以确定加速度计数据和压力传感器数据之间的相关性(例如，在步骤622中)。可以向分类电路210提供压力传感器数据的一个或多个特征、角度的一个或多个特征以及相关性系数，分类电路210确定是否正在执行健身活动(例如，在步骤624中)。在判定为肯定的情况下，对重复次数进行计数(例如，在步骤626中)。另一方面，在判定为否定的情况下，退出方法(例如，在步骤628中)，并且可以关断压力传感器(例如以节省功率)。
作为检测二头肌卷曲的示例，第一传感器202(例如，一直导通、低功率传感器)可以是加速度计，而第二传感器204(例如，机会式高功率传感器)可以是压力传感器。分类电路210可以监测根据加速度计数据确定的垂直轴线的角度，以检测角度的变化。在检测到变化的情况下，导通压力传感器来获得关于高度变化的信息，从而为从加速度计获得的角度数据提供补充数据。在压力传感器数据和加速度计数据之间的相关性高(例如，大于0.5)的情况下，分类数据可以确定正在执行二头肌卷曲。
作为检测俯卧撑的示例，第一传感器202(例如，一直导通，低功率传感器)可以是加速度计，而第二传感器204(例如，机会式高功率传感器)可以是陀螺仪。分类电路210可以监测根据加速度计数据确定的加速度的周期性以及幅度变化，以检测电子设备的状态变化。在检测到变化的情况下，陀螺仪被导通来获得关于角度变化的信息，由此向从加速度计获得的加速度数据提供补充数据。在从一个时段到下一时段的角度变化与预先存储(例如，在存储器212中)的值匹配的情况下，分类数据可以确定正在执行俯卧撑。
作为下蹲检测的示例，第一传感器202(例如，一直导通，低功率传感器)可以是加速度计，而第二传感器204(例如，机会式高功率传感器)可以是压力传感器。分类电路210可以监测根据加速度计数据确定的垂直加速度的周期性，以检测电子设备的状态变化。在检测到这样的变化的情况下，导通压力传感器来获得关于高度变化的信息，从而为从加速度计获得的加速度数据提供补充数据。在高度变化(从压力传感器获得)基本上等于所估计的高度变化(从处理垂直加速度数据获得)的情况下，分类数据可以确定正在进行下蹲。
如上所述，系统200可以延伸超过健身活动的检测和表征。例如，系统200可以用于确定用户是在驾驶还是骑自行车。作为示例，第一传感器202(例如，一直导通、低功率传感器)可以是加速度计，而第二传感器204(例如，机会式高功率传感器)可以是陀螺仪。分类电路210可以监测根据加速度计数据确定的统计特征(例如，平均值、方差、垂直加速度、其最大和最小变化)来检测电子设备的状态变化。在检测到这样的变化的情况下，导通陀螺仪来获得关于加速度变化速率的信息。在加速度变化速率大于阈值(例如，存储在存储器212中)的情况下，分类数据可以确定正在执行骑自行车。
在一个实施例中，设备可以包括：第一传感器，被配置为在第一时间段和第二时间段期间生成第一传感器数据；第二传感器，被配置为在第一时间段期间被禁用，第二传感器还被配置为在第二时间段期间生成第二传感器数据；以及处理器，被配置为在第一时间段期间确定第一传感器数据的特性。设备还可以包括分类电路，分类电路被配置为在第一时间段期间基于第一传感器数据的特性来确定设备是否已改变状态，分类电路还被配置为使得第二传感器响应于设备状态的变化而被启用。
在一个实施例中，方法可以包括：在第一时间段期间生成第一传感器数据；基于第一传感器数据，确定电子设备是否已改变状态，其中响应于确定电子设备已改变状态，发生从第一时间段到第二时间段的转变；以及在第二时间段期间生成第一传感器数据和第二传感器数据。方法可以进一步包括确定第一传感器数据和第二传感器数据中的每一个的一个或多个特征；以及基于以下至少一项来表征人体的运动：第一传感器数据的一个或多个特征和第二传感器数据的一个或多个特征。
在一个实施例中，设备可以包括：加速度计，被配置为在设备的第一状态和设备的第二状态期间生成加速度计数据；与加速度计不同的传感器，被配置为在设备的第二状态期间生成传感器数据；以及处理器，被配置为在设备的第二状态期间确定加速度计数据的一个或多个特征以及传感器数据的一个或多个特征。设备还可以包括分类电路，分类电路被配置为基于以下至少一项来表征人体的运动：加速度计数据的一个或多个特征和传感器数据的一个或多个特征。
本领域技术人员将进一步理解，结合本文公开的实施例描述的各种示例性逻辑块、模块、电路和算法可以被实现为电子硬件、存储在存储器中或另一计算机可读介质中并由处理器或其他处理设备执行的指令、或二者的组合。作为示例，本文描述的设备和处理系统可以用于任何电路、硬件组件、集成电路(ic)或ic芯片中。本文所公开的存储器可以是任何类型和大小的存储器，并且可以被配置为存储期望的任何类型的信息。为了清楚地图示这种可互换性，上面已经根据其功能整体描述了各种示例性组件、块、模块、电路和步骤。这样的功能如何实现取决于特定应用、设计选择和/或对整个系统施加的设计约束。本领域技术人员可以针对每个特定应用以各种方式实现所描述的功能，但是这样的实现决策不应被解释为导致脱离本发明的范围。
结合本文所公开的实施例描述的各种示例性逻辑块、模块和电路可以利用以下内容来实现或执行：处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件、或其被设计用于执行本文所述功能的任何组合。处理器可以是微处理器，或者备选地，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器的组合、一个或多个微处理器结合dsp核心的组合、或者任何其他这样的配置。
这里所公开的实施例可以以硬件和存储在硬件中的指令来实现，并且可以驻留在例如随机存取存储器(ram)、闪存、只读存储器(rom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)、寄存器、硬盘、可移动磁盘、cd-rom或本领域已知的任何其他形式的计算机可读介质中。示例性存储介质被耦合到处理器，使得处理器可以从存储介质读取信息及将信息写入到存储介质。备选地，存储介质可以被集成到处理器。处理器和存储介质可以驻留在asic中。
虽然已参考示例性实施例描述了本发明，但是该描述不旨在被解释为限制意义。在参考说明书之后，示例性实施例的各种修改和组合以及本发明的其他实施例对本领域技术人员而言将是显而易见的。因此，所附权利要求旨在涵盖任何这样的修改或实施例。