信号的波峰段和波谷段之间的转换来确定当前步态是否为完整步态。
[0039]根据本公开的进一步实施例，其中，所述判断装置还被配置成，根据当前步态的时间长度和峰峰值判断当前步态是否有效，并相应地计步。
[0040]本公开的上述各个方面所提供的技术方案的技术效果在于相对于现有技术，无需计算合成加速度、步骤简单、在运算过程中占用存储空间小以及采用计步补偿方案，使计步结果更准确。
【附图说明】
[0041]在附图中，相似/相同的附图标记通常贯穿不同视图而指代相似/相同的部分。附图并不必按比例绘制，而是通常强调对本公开的原理的图示。在附图中:
[0042]图1示出了人佩戴腕部计步器走路时的运动简图；
[0043]图2示出了人佩戴腕部计步器跑步时的运动简图；
[0044]图3示出了根据本公开的优选实施例的一种步态识别方法的系统流程图；
[0045]图4示出了人走路时腕部设备中的第一敏感轴加速度信号示意图；
[0046]图5示出了根据本公开的优选实施例的识别步态参数的具体流程图；
[0047]图6示出了根据本公开的优选实施例的判断有效步态的具体流程图；以及
[0048]图7示出了根据本公开的优选实施例的一种计步器的结构框图。
【具体实施方式】
[0049]附图中的流程图和框图，图示了根据本公开各实施例的方法和装置的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0050]以下将参考附图对本公开的计步器及其步态识别方法进行详细描述。
[0051]图1和图2分别示出了人佩戴腕部计步器走路和跑步时的运动简图。如图1和图2所示，腕部计步器佩戴于使用者一只手的腕部。根据本公开的腕部计步器可以被设计成包括第一敏感轴和第二敏感轴，其中第一敏感轴垂直于第二敏感轴。值得注意的是，尽管图1和图2中示出了第一敏感轴和第二敏感轴的方向，但该方向仅仅只是示例，在其他实施例中，第一敏感轴和第二敏感轴的方向可以有所不同。
[0052]众所周知的，日常走路跑步时，为了保持身体的重心稳定，人的双手会配合双脚表现出同周期的协调运动。当人体以一个稳定的状态在步行或者上下楼梯时，双臂自然下垂前后摆动，人的整体在水平方向是以匀速运动。
[0053]如图1所示的腕部设备中加速度传感器的第一敏感轴记录步行或上下楼梯时沿着小臂方向的加速度，第一敏感轴加速度方向与垂直方向接近，第二敏感轴加速度方向与前后方向接近。走路或者上下楼梯时，每迈出一步，身体重心有一次起落，第一敏感轴加速度方向与垂直地面方向接近，能够记录走路的步伐性。
[0054]当人体以一个稳定的状态在跑步时，身体的大臂和小臂约成90°角，以肩为轴进行前后摆臂，其在垂直、水平及侧向均产生较大的加速度值，手臂摆动幅度较大。如图2所示的腕部设备中加速度传感器的第一敏感轴记录沿小臂方向的加速度，第二敏感轴加速度方向与小臂垂直，且该方向与垂直地面方向接近。跑步时，每迈出一步，身体重心都产生一次起和落，相比于第一敏感轴，第二敏感轴加速度方向与垂直地面方向接近，最能够反映跑步的步伐性。
[0055]本公开的发明构思在于借助于第一敏感轴和第二敏感轴的加速度信号来实现跑步与其他走路状态的区分，并将其应用于后续步态的识别和计步；其中基于人运动过程的持续性，可以在已知当前步态的运动状态的基础上，将当前步态的运动状态用于下一个阶段的运动步态识别，以及在已知运动状态的基础上，可以设定合理的动态阈值从而有效的识别运动步态信息。进一步地，在步态计数的过程中，还采用了计步补偿方案，以弥补由于动态阈值与实际信号差异较大而产生的计步误差。计步补偿是根据已识别的步态信息推断出当前存在一个未被识别的步态，进而对计步数进行补偿(例如加I)。
[0056]作为示例，图3示出了本公开的优选实施例的一种步态识别方法的系统流程图。应当理解，图3仅作为示例而提供，其不应构成本公开的实现方式的任何限制。
[0057]如图3所示，首先，步骤S201，采集腕部运动时的加速度信号，该加速度信号包括第一敏感轴信号和第二敏感轴信号。该步骤S201的实现例如可以通过以上描述的加速度传感器根据设定的采样频率进行采样实现。根据本公开设定的采样频率，该采样频率例如可以为50Hz。由于该步骤的实现为本领域所熟知，故不对该步骤做进一步详细的阐述。
[0058]接着，在步骤S202，对所采集的加速度信号进行滤波。该步骤的目的是去除运动信号中的高频噪声，以避免噪声带来的干扰。本领域技术人员将理解，在所采集的加速度信号没有噪声干扰的情况下，或者尽管存在噪声干扰，但对于后面的步态识别不存在实质影响的情况下，该滤波的步骤在一些实施例中有可能不是必需的。
[0059]具体地，可以对所采集的加速度信号进行滑动平均滤波，该滑动平均滤波是对逐步采集到的第一敏感轴、第二敏感轴信号进行滑动平均窗滤波。滑动平均窗滤波去除运动信号中的高频噪声。人的极限是每秒运动5步，因此设定滑动平均滤波器的窗长时，至少需保证5Hz以下的信号能够有效保留。例如，在采样频率为50Hz的情况下，可以设定滤波器窗长为8。加速度数据滤波后，既能保留有效步态信号，又能去除高频噪声。
[0060]在步骤S203，可以分别计算(滤波后的)加速度信号在第一预定时间例如I秒内的最大值和最小值。该步骤的目的在于针对该第一预定时间，用于后续判断该预定时间内的运动状态(后面将进一步进行详细讨论)。
[0061]下面将以第一敏感轴信号为例详细描述步骤S203中求取预定时间例如每秒内最大值和最小值的实现过程，第二敏感轴数据的处理过程同第一敏感轴。该步骤S203的实现过程可以包括:
[0062]初始参数设置:第一敏感轴最大值寄存器中的数据设置为短整型的最小值，最小值寄存器的数值设置为短整型的最大值，点数计数器为O。上述3种参数需上述预定时间例如每秒重新设置一次。
[0063]当有滤波后的新数据到来时，点数计数器自加1，若新数据大于最大值寄存器中的数据或者小于最小值寄存器中的数据，将最大值寄存器中的数据或最小值寄存器中的数据更新为当前新数据。判断点数计数器中的数据是否等于上述预定时间内的采样点数(例如上述预定时间为I秒，采样频率50Hz，则对应的采样点数为50);若等于，则当前最大值和最小值寄存器中的数据分别为该预定时间例如I秒内信号的最大值和最小值。
[0064]步骤S204，识别步态参数以及判断当前信号是否存在波峰段和波谷段的转换。注意:该识别和判断可以同时进行，也可以先后进行。如前所述，人腕部运动时将产生加速度信号，该加速度信号是一种周期性的信号。本公开的构思即在于可以通过设定的动态阈值来识别出波谷和波峰，以及可以同时识别出相应的步态参数，该步态参数例如可以包括波谷值、波谷值在该步态中的相对时间点、波峰值、波峰值在该步态中的相对时间点、以及该步态的总时间长度等。
[0065]图4示出了本公开的由一个波谷段和一个波峰段组成的一个完整步态示意图。基于该完整步态的示意图，本领域技术人员将理解，选择用于步态识别的加速度信号轴，先识别波谷段，再识别波峰段，然后一旦再监测到波峰段到波谷段之间的转换则可以实现完整步态的识别。注意:先识别波谷段，再识别波峰段并非是必需的，在其他实施例中也可以先识别波峰段，再识别波谷段。
[0066]步骤S204的实现过程例如可以如图5所示。同样地，应理解，图5的步骤流程仅仅只是示例，其并不构成对本公开的具体实现的任何限制。
[0067]注意:图5的原理是通过判断信号的波峰段和波谷段的转换，来实现一次步态是否完整的识别并且同时进行步态参数的识别。此外，若设定的动态阈值与实际步态信号偏差较大导致例如只识别出波峰段，本次步态是否完整的识别依然结束。
[0068]图5中的步骤详细描述如下:基于运动持续性原理，在步骤S301根据之前步态的运动状态(例如前一步态的运动状态)，判断当前步态识别所采用的加速度信号，若前一步态的运动状态为跑步状态，则在步骤S302采用第二敏感轴信号进行后续的步态识