本文一般涉及可穿戴设备，并且更具体地涉及用于在可穿戴设备中识别用户姿势的系统和方法。
背景技术：
移动设备(诸如，智能电话和平板)具有允许用户通过不同用户活动与设备交互的功能。设备姿势可描述用户对设备的移动，诸如在手中移动设备，诸如相对于环境中的参考位置定位、倾斜、旋转或摇动设备。(诸如经由移动设备上的用户界面的)其他用户姿势可包括轻击、滑动、伸展或收聚。移动设备可识别各种姿势并将其转化成对应命令以操作设备。
可穿戴设备是为通用或专用信息技术和媒体开发而开发的微型移动设备。可穿戴设备可并入有计算机和电子器件并且可由用户穿戴。用户可通过各种手段(包括姿势)来与设备不断地交互。可穿戴设备的示例包括智能手表、智能活动跟踪器、智能眼镜以及可穿戴健康监视器。
准确且稳健的姿势识别可增强可穿戴设备的用户体验。然而，姿势识别会消耗显著的功率和计算资源。此外，姿势本质上可以是非周期性的且持续时间短，并且易受到噪声或其他干扰源的影响。基于统计学特征或频率分析的常规姿势识别可能无法提供所期望的识别性能。
附图简述
在附图中(这些附图不一定是按比例绘制的)，相同的数字可以描述在不同视图中的类似的组件。具有不同的字母后缀的相同的数字可以表示类似组件的不同实例。在附图中的诸个图中通过示例而非限制地示出一些实施例：
图1通过示例而非限制来例示出用于在可穿戴设备中识别姿势的系统的图。
图2a-b通过示例而非限制来例示出对传感器测量值的自适应降采样的图。
图3a-b通过示例而非限制来例示出经重采样和标准化的传感器测量值的曲线图。
图4通过示例而非限制来例示出用于在可穿戴设备中识别姿势的方法。
图5通过示例而非限制来例示出根据示例实施例例示本文中所讨论的技术中的任意一种或多种可在其上执行的示例机器的框图。
具体实施方式
在以下描述中，为了进行解释，阐述了众多具体细节以便提供对一些示例实施例的全面理解。然而，对本领域技术人员将显而易见的是，没有这些具体细节也可实践本公开。
本文所描述的是用于在可穿戴设备(诸如，智能电话或智能手表)中识别姿势的系统和方法。姿势识别是基于时域变换和特征提取的。本文所描述的系统可在姿势感测会话期间感测多个传感器测量值，并使用自适应降采样间隔对测量值进行降采样。自适应降采样间隔可至少基于传感器测量值的帧长度与比该帧长度短的指定目标长度的比率的小数部分来确定。降采样测量值的量值可被标准化，并且特征向量可被生成。姿势识别器模块可使用姿势分类将姿势与特征向量相关联。
图1通过示例而非限制来例示出用于在可穿戴设备中识别姿势的系统100的图。由系统100识别的姿势的示例可包括设备姿势(描述可穿戴设备的各种移动模式)或用户姿势(诸如与操作可穿戴设备的用户命令相对应的手势)。可穿戴设备的示例可包括智能手表、智能腕带、智能眼镜、可穿戴医疗和健康监视器或其他可穿戴设备。其他示例可包括智能电话、平板或其他移动设备。
系统100可包括传感器模块110、信号处理器模块120、姿势识别器模块130、存储器140以及任选的输出模块150。在示例中，系统100可包括可穿戴设备，该可穿戴设备包括传感器模块110、信号处理器模块120或姿势识别器模块130中的一个或多个的至少一部分。在一些示例中，系统100的一个或多个模块可被实现为微处理器电路的一部分。微处理器电路可以是专用处理器，诸如数字信号处理器、专用集成电路(asic)、微处理器或用于处理信息(包括诸如从传感器模块110接收的传感器测量值)的其他类型的处理器。替代地，微处理器电路可以是通用处理器，该通用处理器可接收并执行一组指令，这一组指令执行本文所描述的功能、方法或技术。
在一些示例中，系统100的一个或多个模块可在电路或子电路中被实现或执行。这些电路可单独或组合地执行本文所描述的功能、方法或技术。在示例中，电路集的硬件可被不可变地设计为执行特定操作(例如，硬连线的)。在示例中，电路集的硬件可包括可变连接的物理组件(例如，执行单元、晶体管、简单电路等)，包括被物理修改(例如，对不变聚集粒子的磁地、电地、可移动地布置等)的计算机可读介质，用于编码特定操作的指令。在连接物理组件时，硬件组成部分的底层电性质改变，例如从绝缘体改变为导体，反之亦然。这些指令使嵌入式硬件(例如，执行单元或加载机构)能够经由可变连接在硬件中创建电路集的成员以在操作时执行特定操作的部分。相应地，当设备运行时，计算机可读介质可通信地耦合至电路集成员的其他组件。在示例中，物理组件中的任一个可在多于一个电路集的多于一个成员中使用。例如，在操作下，执行单元可在时间上的某一点在第一电路集的第一电路中使用并且在不同的时间被第一电路集中的第二电路或被第二电路集中的第三电路使用。
传感器模块110可包括感测放大器，用于在姿势感测会话期间感测多个传感器测量值。感测放大器可被耦合至移动设备上的一个或多个传感器或与移动设备用户相关联。在示例中，传感器模块110可包括加速度计传感器，该加速度计传感器可在姿势感测会话期间产生多个加速度计测量值。加速度计可以是二维或三维加速度计。在另一示例中，传感器模块110可包括陀螺仪传感器，该陀螺仪传感器可在姿势感测会话期间产生多个取向测量值。传感器的其他示例可包括相机、压力传感器、温度传感器、超声传感器或磁力计等等。传感器测量值可被预处理，包括放大、数字化、过滤或其他信号调节操作。经预处理的传感器测量值在姿势感测会话期间可形成离散时间数字信号的帧(具有帧长度(nframe))。
信号处理器模块120可从经预处理的传感器测量值生成与姿势相关联的特征向量。如图2中所例示的，信号处理器模块120可包括重采样器模块122、标准化器模块124以及特征生成器模块126。重采样器模块122可以以自适应降采样间隔对多个传感器测量值进行降采样以产生具有目标长度nt的降采样测量值。本发明人已认识到同一类型的姿势可具有不同速度或不同持续时间(例如，姿势感测会话的不同持续时间)。与同一类型姿势的不同实例相对应的所得测量值可显示数据长度上的用户间或用户内变化。在姿势感测会话期间对传感器测量值进行降采样(诸如通过使用重采样器模块122)可减小动作速度或动作持续时间上的变化对传感器测量值的影响，从而改善姿势识别的稳健性。对传感器测量值进行降采样还可减少用于姿势识别的功耗和计算需求。
在示例中，目标长度nt是比帧长度nframe短的预定固定长度。自适应降采样间隔(ls)指示用于产生一个降采样测量值的经预处理传感器测量值中的数据样本的计数。例如，ls＝10指示降采样测量值从每十个经预处理传感器测量值导出。
自适应降采样间隔可至少基于帧长度nframe与目标长度nt的比率(r)的小数部分来确定。如果nframe能被nt整除，则降采样间隔ls被确定为与比率r相等。如果nframe不能被nt整除，则比率r具有整数部分ri和小数部分rf，即r＝nframe/nt＝ri+rf,其中0<rf<1。重采样器模块122可累积每个重采样操作的小数部分(rf)(即，arf＝arf+rf)，并根据ri与累积rf(arf)来确定自适应降采样间隔。在示例中，如果arf小于1，则重采样器模块122可将自适应降采样间隔ls设置为ri。如果arf等于或大于1，则重采样器模块122可将ls设置为ri+1，并通过从arf减1来更新arf。即，
作为示例，经预处理的传感器测量值在姿势感测会话期间(即，帧)具有长度为nframe＝129的数据样本。为了将测量值降采样至固定目标长度nt＝20，降采样比率r＝129/20＝6.45，即ri＝6且rf＝0.45。表1例示出至少基于累积的小数部分arf确定的自适应降采样间隔ls。129个样本可被分成多个连续数据块，其中每个数据块具有与ls相等的相应长度并且在前一块结束之后的下一样本处开始。如表1所例示的，在索引0处开始的第一块具有长度ls(1)＝ri＝6。小数部分rf＝0.45被应用于在索引6处开始的第二块。因为累积的小数部分arf(2)＝0.45<1，所以用于第二块的降采样间隔保持为ls(2)＝ri＝6。类似地，对于块3，累积的arf(3)＝0.45+0.45＝0.9<1，致使ls(3)＝6。对于在样本索引19处开始的块4，累积的arf(4)＝0.45*3＝1.35>1。重采样器模块122随后可设置ls(4)＝ri+1＝7，并通过将arf减1来更新arf，即，arf＝arf-1＝0.35。自适应降采样过程可继续进行至传感器测量值的结束。所得20个数据块具有基于累积的小数部分arf来自适应地确定的可变块长度ls。
表1对测量值的自适应降采样的示例
重采样器模块122可通过用对应的代表值替换每个数据块(具有长度ls)来对多个传感器测量值进行降采样。代表值的示例可包括每个数据块内的测量值的平均数、中位数、众数或其他集中趋势指数。在示例中，重采样器模块122可包括平均过滤器模块123，该平均过滤器模块可生成每个数据块内的传感器测量值的平均值，其中每个数据块具有与自适应降采样间隔ls相等的相应长度。对数据块内的传感器测量值取平均可减少传感器测量值中的噪声或不期望的干扰。
被耦合至重采样器模块122的标准化器模块124可标准化降采样测量值的量值并产生标准化测量值。本发明人已认识到同一类型的姿势可具有不同的信号强度签名，诸如由加速度计感测到的加速度信号的量值。标准化(诸如通过使用标准化器模块124)可减少跨同一类型姿势的不同实例的用户间或用户内变化，从而改善姿势识别的稳健性。标准化器模块124可包括量化模块，用于将降采样测量值量化至指定范围。标准化器模块124可进一步使用经验因子(empiricalfactor)来使经量化的测量值标准化。
特征生成器模块126可使用由标准化器模块124提供的标准化测量值来生成特征向量。特征向量可包括形态学和统计学特征。在示例中，特征向量可包括从标准化测量值提取的特性数据样本，诸如峰值、谷值、局部最大值、局部最小值、最大斜率、最小斜率或拐点等等。特征向量还可包括包含在特征向量中的特性数据样本的定时信息。
姿势识别器模块130可将姿势与特征向量相关联。在示例中，姿势识别器模块130可包括一个或多个分类器，这一个或多个分类器将特征向量分类至多个指定目标姿势类别(诸如，与用于操作移动设备(诸如，智能电话或平板)的命令相对应的手势)中的一个。手势可包括一个或多个手指姿势，或者手掌或手臂姿势。手势类别的示例可包括轻击或重复轻击、握持、滑动至多个方向中的一个、多个手指移动、伸展、收聚、以多个取向中的一个旋转、摇动、轻拂或碰撞至多个方向中的一个等等。
在示例中，姿势识别器模块130可使用基于规则的分类器(诸如，决策树)对特征向量进行分类。在示例中，姿势识别器模块130可使用特征向量与姿势模版之间的模版匹配来对特征向量进行分类，其中相似性分数(诸如标准化测量值与姿势模版之间的多维距离)可被确定，并且姿势分类可基于相似性分数与阈值之间的比较来作出。可使用其他线性或非线性分类器(包括回归模型、神经网络分类器、支持向量机、隐马尔可夫模型、随机森林分类器、投票模型或模糊逻辑模型等)中的一个或多个。如图1所例示的，姿势识别器模块130可被耦合至存储器140，该存储器140存储分类器和相关联的参数(诸如，用于特征向量分类的规则、阈值或模版)。经分类的特征向量可附加地被存储在存储器140中，并且可被用于更新模版或其他分类参数以用于未来的姿势识别。
任选的输出模块150可将所识别的姿势与用户意图动作相关联并产生操作可穿戴设备的命令，诸如打开或关闭应用(“app”)或与移动设备的其他交互。
图2a-b通过示例而非限制来例示出对传感器测量值的自适应降采样(诸如，通过使用图1中的重采样器模块122)的图。图2a例示出传感器测量值210，其可以是由传感器模块110产生的离散时间信号的一部分，诸如在姿势感测会话期间获取的加速度信号。具有长度(数据样本的数量)nframe的测量值210可通过使用自适应降采样间隔ls被降采样至目标长度nt，诸如先前参看重采样器模块122所描述的那样。多个连续数据块220a-g可被生成，每一个都具有相应的块长度ls。块长度ls可基于降采样比率nframe/nt的小数部分(rf)(诸如根据式(1))来自适应地确定。如图2a中所例示的，块220c、220e或220g的块长度每个都比220a、220b、220d或220f的块长度长。图2b例示出降采样测量值250a-g。降采样测量值250的每个数据样本被认为是对应数据块的代表值。在示例中，代表值250a-g可各自被计算为相应数据块220a-g内的数据样本的平均值(诸如由平均过滤器模块123产生)。所得降采样测量值250a-g可被标准化以提取用于姿势识别的特征向量。
图3a-3b通过示例而非限制来例示出由加速度计感测并由信号处理器模块120处理的经重采样和标准化的测量值的曲线图。图3a所示的测量值310是在第一姿势感测会话期间获取的并与第一姿势相对应。图3b所示的标准化测量值320是在第二姿势感测会话期间获取的并与不同于第一姿势的第二姿势相对应。通过降采样过程，测量值310和320具有相同的目标数据长度，nt＝60样本。测量值310具有与测量值310不同的信号形态，包括全局峰值和谷值的量值和定时以及局部峰值和谷值的量值和定时。包括形态学特征和定时的特征向量可相应地从测量值310和320生成，并被用于姿势识别(诸如通过使用先前参看图1讨论的模版匹配或其他分类器)。
图4通过示例而非限制来例示出用于在可穿戴设备中识别姿势的方法400。方法400可在系统100或其修改例中被实现并执行。在示例中，方法400可在可穿戴设备(诸如智能手表、可穿戴活动跟踪器或智能电话)中被实现并执行。
方法400可在410处通过在姿势感测会话期间感测多个传感器测量值(诸如通过使用传感器模块110)来开始。传感器测量值的示例可包括由加速度计感测的加速度信号、由陀螺仪感测的取向测量值、由压力传感器感测的压力信号或由温度传感器感测的温度测量值等等。传感器测量值可被处理以创建具有特定帧长度(nframe)的离散时间数字信号。
在420处，可确定自适应降采样间隔(ls)。在姿势感测会话期间对传感器测量值进行降采样可通过减小动作速度或持续时间上的变化对传感器测量值的影响来改善姿势识别的稳健性。自适应降采样间隔可通过使用帧长度nframe与预定目标长度nt的比率来确定。如果nframe能被nt整除，则降采样间隔ls被确定为与比率r相等。如果nframe不能被nt整除，则比率r可具有整数部分ri和小数部分rf，其中0<rf<1。每个重采样操作的小数部分(rf)可被累积。累积的rf(arf)可针对每次降采样操作进行更新。在示例中，如果arf等于或大于1，则arf减1。随后，可根据ri和累积rf(arf)来确定ls，诸如根据式(1)来确定。
在430处，可以以如在步骤420处确定的自适应降采样间隔来对传感器测量值进行降采样以产生具有目标长度nt的降采样测量值。传感器测量值可被分成多个连续数据块，诸如如图2a中例示的数据块220a-g。每个数据块具有与ls相等的相应长度并在前一块结束之后的下一样本处开始。可为每个数据块确定代表值，诸如每个数据块内的测量值的平均数、中位数、众数或其他集中趋势指数。对数据块内的传感器测量值取集中趋势指数可减少传感器测量值中的噪声或其他不期望的干扰。
在440处，可使降采样测量值的量值标准化以产生标准化测量值。标准化(诸如通过使用标准化器模块124)可减少跨同一类型姿势的不同实例的用户间或用户内变化。量值标准化的示例可包括降采样测量值向指定范围的量化，或者使用经验因子对经量化的测量值的标准化。
在450处，可从标准化测量值生成特征向量。特征向量可包括形态学或统计学特征，诸如从标准化测量值提取的特性数据样本。特性数据样本的示例可包括峰值、谷值、局部最大值、局部最小值、最大斜率、最小斜率或拐点等等。特征向量还可包括特性数据样本的定时信息。
在460处，特征向量可与多个指定目标姿势类别(诸如，与用于操作移动设备(诸如，智能电话或平板)的命令相对应的手势(包括一个或多个手指姿势或手掌/手臂姿势))中的一个相关联。手势类别的示例可包括轻击或重复轻击、握持、滑动至多个方向中的一个、多个手指移动、伸展、收聚、以多个取向中的一个旋转、摇动、轻拂或碰撞至多个方向中的一个等等。姿势分类的示例可包括线性或非线性分类器，诸如基于规则的分类器、决策树、模版匹配、回归模型、神经网络分类器、支持向量机分类器、隐马尔可夫模型、随机森林分类器、投票模型或模糊逻辑模型等等。所识别的姿势可与用户意图动作相关联并产生操作可穿戴设备的命令。
图5通过示例而非限制来以计算机系统500的示例形式例示出机器的框图，根据示例实施例，在该机器内，指令集或序列可被执行以使该机器执行本文中讨论的方法中的任意一种方法。在替代实施例中，该机器作为独立设备进行操作，或可以被连接(如，联网)到其他机器。在被联网的部署中，该机器可在服务器-客户机网络环境中作为服务器或客户机来进行操作，或者其可在对等(或分布式)网络环境中充当对等机。该机器可以是交通工具机载系统、机顶盒、可穿戴设备、个人计算机(pc)、平板pc、混合平板、个人数字助理(pda)、移动电话、或能够执行指定待由该机器采取的动作的指令(顺序的或以其他方式)的任何机器。此外，虽然仅示出单个机器，但是，术语“机器”也应当包括单独地或联合地执行一组(或多组)指令以执行本文所讨论的方法中的任何一种或更多种方法的机器的任意集合。类似地，术语“基于处理器的系统”应当被认为包括由处理器(例如，计算机)控制或操作以单独地或联合地执行指令来执行本文讨论的方法中的任何一种或多种方法的一个或多个机器的任意集合。
示例计算机系统500包括至少一个处理器502(例如，中央处理单元(cpu)、图形处理单元(gpu)或两者、处理器核、计算节点等)、主存储器504及静态存储器506，其通过链路508(例如，总线)彼此通信。计算机系统500可进一步包括视频显示单元510、字母数字输入设备512(例如，键盘)、以及用户界面(ui)导航设备514(例如，鼠标)。在一个实施例中，视频显示单元510、输入设备512及ui导航设备514被结合进触屏显示器中。计算机系统500可附加地包括存储设备516(例如，驱动单元)、信号生成设备518(例如，扬声器)、网络接口设备520及一个或多个传感器(未示出)，该传感器诸如：全球定位系统(gps)传感器、罗盘、加速度计或其他传感器。
存储设备516包括机器可读介质522，该机器可读介质522上储存有一组或多组数据结构和指令524(例如，软件)，该一组或多组数据结构和指令524具体化本文中所描述的方法或功能中的任何一者或多者，或由本文中所描述的方法或功能中的任何一者或多者利用。在计算机系统500执行指令524期间，该指令524也可完全地或至少部分地驻留在主存储器504、静态存储器506、和/或处理器502之内，主存储器504、静态存储器506和处理器502也构成机器可读介质。在示例中，存储在机器可读存储介质522中的指令524包括使计算机系统500在姿势感测会话期间感测具有帧长度的多个传感器测量值的指令。指令524还可使计算机系统500：至少基于帧长度与比帧长度短的目标长度的比率的小数部分来确定自适应降采样间隔，以自适应降采样间隔对多个传感器测量值进行降采样以产生具有目标长度的降采样测量值，使降采样测量值的量值标准化以产生标准化测量值，使用标准化测量值来生成特征向量，以及将姿势与特征向量相关联。
虽然机器可读介质522在示例实施例中被例示为单个介质，但术语“机器可读介质”可包括存储一条或多条指令524的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的缓存及服务器)。术语“机器可读介质”也应当被认为包括任何有形介质，该有形介质能够存储、编码或携带由机器执行并且使机器执行本公开的任何一种或多种方法的指令，或者能够储存、编码或携带被所述指令利用或与所述指令相关联的数据结构。术语“机器可读介质”应当相应地被认为包括，但不限于：固态存储器以及光和磁介质。机器可读介质的具体示例包括非易失性存储器，作为示例包括但不限于半导体存储器设备(例如，电可编程只读存储器(eprom)、电可擦可编程只读存储器(eeprom))和闪存设备；诸如内部硬盘及可移动盘之类的磁盘；磁光盘；以及cd-rom和dvd-rom盘。
可使用传输介质，经由网络接口设备520，利用数个公知的传输协议(例如，http)中的任何一种协议，进一步在通信网络526上传送或接收指令524。通信网络的示例包括：局域网(lan)、广域网(wan)、因特网、移动电话网络、普通老式电话(pots)网络及无线数据网络(例如，wi-fi、3g及4glte/lte-a或wimax网络)。术语“传输介质”应当被认为包括能够存储、编码或携带由机器执行的指令的任何无形的介质，并且包括用于促进此类软件的通信的数字或模拟通信信号或者其他无形的介质。
在本文中，实施例可在硬件、固件和软件中的一者或组合中实现。实施例也可被实现为存储在机器可读存储设备上的指令，该指令可由至少一个处理器读取并执行，以执行本文中所描述的操作。机器可读存储设备可包括用于以机器(如，计算机)可读形式存储信息的任何非瞬态机构。例如，机器可读存储设备可包括只读存储器(rom)、随机存取存储器(ram)、磁盘存储介质、光存储介质、闪存设备、以及其他存储设备和介质。
处理器子系统可被用于执行机器可读介质上的指令。处理器子系统可以包括一个或多个处理器，每个处理器具有一个或多个核。另外，处理器子系统可被设置在一个或多个物理设备上。处理器子系统可以包括一个或多个专用处理器，诸如图形处理单元(gpu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)或固定功能处理器。
如本文中所述示例可包括逻辑或多个组件、模块或机构，或可在逻辑或多个组件、模块或机构上操作。各模块可以是通信耦合至一个或多个处理器以实现本文描述的操作的硬件、软件或固件。各模块可以是硬件模块，并且如此，各模块可被认为是能够执行指定操作的有形实体且可以按某种方式来配置或布置。在示例中，可以以指定方式将电路(例如，内部地或者相对于诸如其他电路之类的外部实体)布置为模块。在示例中，一个或多个计算机系统(例如，独立的客户机或服务器计算机系统)或一个或多个硬件处理器的全部或部分可由固件或软件(例如，指令、应用部分、或者应用)配置为操作用于执行指定操作的模块。在示例中，软件可以驻留在机器可读介质上。在示例中，软件在由模块的底层硬件执行时，使此硬件执行指定的操作。因此，术语硬件模块被理解为涵盖有形实体，该有形实体是物理地构造、具体地配置(例如，硬连线)、或者临时地(例如，瞬态地)配置(例如，编程)从而以指定的方式进行操作或者执行本文中所描述的任何操作的部分或全部的实体。就其中临时配置模块的示例而言，这些模块中的每一个不需要在任何一个时刻都进行实例化。例如，在模块包括使用软件而配置的通用硬件处理器的情况下，通用硬件处理器可以在不同时间被配置为相应的不同模块。软件可以相应地配置硬件处理器，例如以便在一个时间实例处构成特定的模块，并且在不同的时间实例处构成不同的模块。各模块也可以是软件或固件模块，它们操作来执行本文描述的方法。
附加注释和示例：
示例1是用于在可穿戴设备中识别姿势的系统。系统可包括信号处理器模块和姿势识别器模块。信号处理器模块可包括：重采样器模块，该重采样器模块用于使用自适应降采样间隔对具有帧长度的多个传感器测量值进行降采样以产生具有比该帧长度短的目标长度的降采样测量值，该自适应降采样间隔至少基于该帧长度与该目标长度的比率的小数部分来确定；标准化器模块，该标准化器模块用于使降采样测量值的量值标准化以产生标准化测量值；以及特征生成器模块，该特征生成器模块用于使用标准化测量值生成特征向量。姿势识别器模块可将姿势与特征向量相关联。
在示例2中，示例1的主题任选地包括，重采样器模块可生成在多个数据块中的每个数据块内的传感器测量值的代表值，每个数据块具有与自适应降采样间隔相等的相应长度。重采样器模块可使用该多个数据块的代表值来产生降采样测量值。
在示例3中，示例2的主题任选地包括，重采样器模块可进一步包括平均过滤器模块，该平均过滤器模块用于生成包括每个数据块内的传感器测量值的平均值的代表值。
在示例4中，示例1-3中任一项或多项的主题任选地包括，降采样测量值的目标长度具有预定固定值。
在示例5中，示例1-3中任一项或多项的主题任选地包括，重采样器模块可确定帧长度与目标长度的比率的整数部分(ri)和小数部分(rf)；累积每个重采样操作的rf；以及根据ri和累积rf来确定自适应降采样间隔。
在示例6中，示例5的主题任选地包括，重采样器模块可响应于累积rf小于1，将自适应降采样间隔设置为ri；以及响应于累积rf大于或等于1，将自适应降采样间隔设置为ri-1，并通过从累积rf减1来更新累积rf。
在示例7中，示例1-3中任一项或多项的主题任选地包括，标准化器模块可包括量化模块，该量化模块用于将降采样测量值量化至指定范围。
在示例8中，示例7的主题任选地包括，标准化器模块可使用经验因子来使经量化的测量值标准化。
在示例9中，示例1-3中任一项或多项的主题任选地包括，传感器模块包括感测放大器，该感测放大器用于在姿势感测会话期间感测多个传感器测量值。
在示例10中，示例9的主题任选地包括，传感器模块可包括加速度计模块或陀螺仪模块中的至少一者，加速度计模块用于产生多个加速度测量值，陀螺仪模块用于产生多个取向测量值。
在示例11中，示例1-3中任一项或多项的主题任选地包括，特征向量生成模块可生成包括从标准化测量值提取的形态学特征的特征向量。
在示例12中，示例1-3中任一项或多项的主题任选地包括，姿势识别器模块可通过将特征向量分类至多个指定目标姿势类别中的一个指定目标姿势类别来将姿势与特征向量相关联。
在示例13中，示例12的主题任选地包括，多个指定目标姿势类别可包括多个手势。
在示例14中，示例12-13中任一项或多项的主题任选地包括，姿势识别器模块可使用支持向量机分类器对特征向量进行分类。
在示例15中，示例1-3中任一项或多项的主题任选地包括，信号处理器电路可进一步对多个传感器测量值进行预处理，包括从多个传感器测量值移除平均值，并且重采样器模块可对经预处理的传感器测量值进行降采样。
在示例16中，示例1-3中任一项或多项的主题任选地包括，可穿戴设备可包括信号处理器模块或姿势识别器模块中的至少一个或多个。
在示例17中，示例16的主题任选地包括，可穿戴设备可包括智能电话、智能手表、智能眼镜、可穿戴健身和活动跟踪器或可穿戴健康监视器之一。
在示例18中，示例1-3中任一项或多项的主题任选地包括，输出模块，用于基于所识别的姿势产生用于操作可穿戴设备的命令。
示例19是一种用于在可穿戴设备中识别姿势的方法，该方法可包括：使用传感器模块在姿势感测会话期间感测具有帧长度的多个传感器测量值；至少基于该帧长度与比该帧长度短的指定目标长度的比率的小数部分来确定自适应降采样间隔；使用自适应降采样间隔对多个传感器测量值进行降采样以产生具有该目标长度的降采样测量值；使降采样测量值的量值标准化以产生标准化测量值；使用标准化测量值生成特征向量；以及将姿势与特征向量相关联。
在示例20中，示例19的主题任选地包括，对多个传感器测量值进行降采样可包括：生成在多个数据块中的每个数据块内的传感器测量值的代表值，每个数据块具有与自适应降采样间隔相等的相应长度；以及对多个数据块的代表值进行降采样。
在示例21中，示例20的主题任选地包括，代表值可包括每个数据块内的传感器测量值的平均值。
在示例22中，示例19-21中任一项或多项的主题任选地包括，降采样测量值的目标长度具有预定固定值。
在示例23中，示例19-21中任一项或多项的主题任选地包括，对多个传感器测量值进行降采样可包括：确定帧长度与目标长度的比率的整数部分(ri)和小数部分(rf)；累积每个重采样操作的rf；以及根据ri和累积rf来确定自适应降采样间隔。
在示例24中，示例23的主题任选地包括，确定自适应降采样间隔可包括：响应于累积rf小于1，将自适应降采样间隔设置为ri；以及响应于累积rf大于或等于1，将自适应降采样间隔设置为ri-1，并通过从累积rf减1来更新累积rf。
在示例25中，示例19-21中任一项或多项的主题任选地包括，使降采样测量值的量值标准化可包括：将降采样测量值量化至指定范围。
在示例26中，示例25的主题任选地包括，降采样测量值可通过使用经验因子来量化。
在示例27中，示例19-21中任一项或多项的主题任选地包括，感测多个传感器测量值可包括：使用加速度计感测多个加速度测量值。
在示例28中，示例19-21中任一项或多项的主题任选地包括，感测多个传感器测量值可包括：使用陀螺仪感测多个取向测量值。
在示例29中，示例19-21中任一项或多项的主题任选地包括，生成特征向量可包括：从标准化测量值提取形态学特征。
在示例30中，示例19-21中任一项或多项的主题任选地包括，将姿势与特征向量相关联可包括：将特征向量分类至多个指定目标姿势类别中的一个指定目标姿势类别。
在示例31中，示例30的主题任选地包括，多个指定目标姿势类别可包括多个手势。
在示例32中，示例30的主题任选地包括，对特性向量进行分类可包括：使用支持向量机分类器来对特征向量进行分类。
在示例33中，示例19-21中任一项或多项的主题任选地包括，对多个传感器测量值进行预处理，包括从多个传感器测量值移除平均值，其中对多个传感器测量值进行降采样可包括：对经预处理的传感器测量值进行降采样。
在示例34中，示例19-21中任一项或多项的主题任选地包括，基于所识别的姿势产生用于操作可穿戴设备的命令。
示例35是至少一种计算机可读存储介质，包括用于执行示例19至34的方法中的任一项的指令。
示例36是一种系统，包括用于执行示例19至34的方法中的任一项的装置。
示例37是一种用于在可穿戴设备中识别姿势的系统，该设备可包括：用于使用传感器模块在姿势感测会话期间感测具有帧长度的多个传感器测量值的装置；用于至少基于该帧长度与比该帧长度短的指定目标长度的比率的小数部分来确定自适应降采样间隔的装置；用于使用自适应降采样间隔对多个传感器测量值进行降采样以产生具有该目标长度的降采样测量值的装置；用于使降采样测量值的量值标准化以产生标准化测量值的装置；用于使用标准化测量值生成特征向量的装置；以及用于将姿势与特征向量相关联的装置。
在示例38中，示例37的主题任选地包括，其中：用于对多个传感器测量值进行降采样的装置包括用于生成在多个数据块中的每个数据块内的传感器测量值的代表值的装置，每个数据块具有与自适应降采样间隔相等的相应长度；以及用于对多个传感器测量值进行降采样的装置包括用于对多个数据块的代表值进行降采样的装置。
在示例39中，示例38的主题任选地包括，代表值可包括每个数据块内的传感器测量值的平均值。
在示例40中，示例37-39中任一项或多项的主题任选地包括，降采样测量值的目标长度具有预定固定值。
在示例41中，示例37-39中任一项或多项的主题任选地包括，用于对多个传感器测量值进行降采样的装置可包括：用于确定帧长度与目标长度的比率的整数部分(ri)和小数部分(rf)的装置；用于累积每个重采样操作的rf的装置；以及用于根据ri和累积rf来确定自适应降采样间隔的装置。
在示例42中，示例41的主题任选地包括，用于确定自适应降采样间隔的装置可包括：用于响应于累积rf小于1而将自适应降采样间隔设置为ri的装置；以及用于响应于累积rf大于或等于1而将自适应降采样间隔设置为ri-1并通过从累积rf减1来更新累积rf的装置。
在示例43中，示例37-39中任一项或多项的主题任选地包括，用于使降采样测量值的量值标准化的装置可包括用于将降采样测量值量化至指定范围的装置。
在示例44中，示例43的主题任选地包括，用于对降采样测量值进行量化的装置可包括用于使用经验因子来对降采样测量值进行量化的装置。
在示例45中，示例37-39中任一项或多项的主题任选地包括，用于感测多个传感器测量值的装置可包括用于使用加速度计感测多个加速度测量值的装置。
在示例46中，示例37-39中任一项或多项的主题任选地包括，用于感测多个传感器测量值的装置可包括用于使用陀螺仪感测多个取向测量值的装置。
在示例47中，示例37-39中任一项或多项的主题任选地包括，用于生成特征向量的装置可包括用于从标准化测量值提取形态学特征的装置。
在示例48中，示例37-39中任一项或多项的主题任选地包括，用于将姿势与特征向量相关联的装置可包括用于将特征向量分类至多个指定目标姿势类别中的一个指定目标姿势类别的装置。
在示例49中，示例48的主题任选地包括，多个指定目标姿势类别可包括多个手势。
在示例50中，示例48的主题任选地包括，用于对特性向量进行分类的装置可包括使用支持向量机分类器来对特征向量进行分类的装置。
在示例51中，示例37-39中任一项或多项的主题任选地包括，用于对多个传感器测量值进行预处理的装置包括用于从多个传感器测量值移除平均值的装置，其中用于对多个传感器测量值进行降采样的装置可包括用于对经预处理的传感器测量值进行降采样的装置。
在示例52中，示例37-39中任一项或多项的主题任选地包括，用于基于所识别的姿势产生用于操作可穿戴设备的命令的装置。
以上具体实施方式包括对附图的引用，附图形成具体实施方式的部分。附图通过图示来示出可实践的特定实施例。这些实施例在本文中也称为“示例”。此类示例可包括除所示出或所描述的那些要素以外的要素。然而，还构想了包括所示出或所描述的要素的示例。此外，或参照本文中所示出或所描述的特定示例(或其一个或多个方面)，或参照本文中所示出或所描述的其他示例(或其一个或多个方面)，还构想了使用所示出或所描述的那些要素的任何组合或排列的示例。
在此文档中引用的出版物、专利和专利文档通过引用被整体结合在本文中，就好像通过引用单独地被结合那样。在本文档与通引用结合在的那些文档之间不一致的用法的情况下，所结合的(诸)引用文档中的用法是对此文档的用法的补充；对于不可调和的不一致性，此文档中的用法占主导。
在此文档中，如在专利文档中常见的那样，使用术语“一(a或an)”以包括一个或多于一个，这独立于“至少一个”或“一个或多个”的任何其他实例或用法。在此文档中，使用术语“或”来指非排他性的“或”，使得“a或b”包括“a但非b”、“b但非a”以及“a和b”，除非另外指示。在所附权利要求书中，术语“包括(including)”和“其中(inwhich)”被用作相应的术语“包括(comprising)”和“其中(wherein)”的普通英语等价词。此外，在所附权利要求书中，术语“包括”和“包含”是开放式的，也就是说，在权利要求中除此类术语之后列举的那些元件之外的元件的系统、设备、制品或过程仍被视为落在那项权利要求的范围内。此外，在所附权利要求书中，术语“第一”、“第二”和“第三”等仅被用作标记，并且不旨在表明对它们的对象的数字顺序。
以上描述旨在是说明性的，而非限制性的。例如，可结合其他实施例来使用以上所描述的示例(或者其一个或多个方面)。诸如，本领域普通技术人员中的一个可通过回顾以上描述来使用其他实施例。摘要允许读者快速地确定本技术公开的性质。提交该摘要应当理解，该摘要将不用于限制或解释权利要求的范围或含义。此外，在以上具体实施方式中，各种特征可以共同成组以使本公开流畅。然而，权利要求可以不陈述本文中所公开的每一特征，因为实施例可以表征所述特征的子集。此外，实施例可包括比特定示例中所公开的那些特征更少的特征。因此，所附权利要求书由此被结合到具体实施方式中，一项权利要求作为单独的实施例而独立存在。本文中所公开的实施例的范围应当参照所附权利要求书连同此类权利要求所赋予权利的等价方案的完整范围来确定。