一种智能手表的交互方法及交互系统与流程

本发明涉及智能设备的交互方式领域，具体涉及基于一种智能手表的交互方法及交互系统。

背景技术：

目前，可穿戴智能感知设备迅速发展，其中智能手表尤为流行，但由于其佩戴于手腕，无法配备足够大的屏幕，人们无法像手机一样地随心所欲地输入。智能手表现有的输入方式主要分为三种：单点触屏、手指跟踪以及语音识别。单点触屏以及手指跟踪的方法受屏幕的限制，而语音识别则由于信息敏感更是颇受限制。为了摆脱智能手表输入困难的窘境，如今许多科研团队也进行了研究，大多需要额外配置设备，购置成本以及学习成本的存在，大多无法广泛地被接受。

技术实现要素：

针对上述技术问题，本发明提出了基于人体传播振动信号的智能手表的交互方法及交互系统，尽量贴合用户使用习惯的情况下，为智能手表拓展新的交互手段，从而解决智能手表交互手段贫瘠的问题。本发明采用了如下技术方案：

一种智能手表的交互方法，包括以下步骤：

s1、基于人体传播振动信号，采集智能手表加速度计和陀螺仪的振动信号；

s2、采用异常检测算法识别振动信号；

s3、对振动信号进行预处理，采用k近邻算法改进后的算法对振动信号进行进一步的分类识别；

s4、分析使用者对结果的反馈，及时矫正以维持稳定的识别精度。

进一步，分别采集加速度计和陀螺仪的x、y、z三轴的振动信号。

进一步，步骤s2利用异常检测算法来识别信号包括：

s21、采集加速度计z轴数据；

s22、采用高通滤波器对所述加速度计z轴数据进行滤波；

s23、设置有效敲击信号的阈值及噪音信号阈值；

s24、读取一段振幅小于噪音信号阈值信号作为第一状态；

s25、继续监听，等待读取振幅大于有效敲击信号阈值的信号，计振幅大于有效敲击信号阈值的位置为x，设置信号的起始位置为位置x前l的位置，即x-l；

s26、继续监听，等待读取一段连续且振幅小于噪音信号阈值的信号，当出现连续振幅小于噪音信号阈值时，设置信号的结束位置为当前位置；

s27、通过信号起止位置获取信号数据，判断信号长度是否满足长度区间，如不满足则回到s25，如满足则进入下一步；

s28、对数据进行高通滤波，分别计算滤波后信号前m个点的能量及m个点之后的能量，判断信号是否大于信噪比阈值，大于则判断信号为有效信号，否则认为是噪音信号，返回到s25。

进一步，步骤s3包括：

s31、对信号进行归一化的预处理，将信号减去均值并除以方差；

s32、在初始化训练模型阶段，将步骤s31处理后的数据作为训练样本存储到数据库中；在实际使用阶段，使用基于k近邻算法改进后的算法对信号进行分类与识别。

进一步，k邻近算法改进后的算法具体为：基于动态时间规整算法，将实际信号与训练信号进行以帧为单位的匹配，计算出彼此之间的最短的曼哈顿距离，并以此来作为k近邻算法进行分类识别的依据。

进一步，步骤s4包括：

s41、由步骤3得到的分类结果集合后，纠正使用者输入结果；

s42、纠正后，对训练样本进行一定程度的修正，从而保持精度的稳定。

进一步，步骤s41中通过提供候选键或通过在输入法的联想结果对于实际输入进行纠正。

进一步，步骤s42具体为：

s421、纠正结果与分类结果一致，无操作；

s422、纠正结果与分类结果不一致时，对于训练样本中与分类结果相同类别的样本，删除通过k邻近算法改进后的算法计算得到的距离最大的样本，再将当前的样本替换至被删除样本的位置。

一种智能手表的交互系统，包括：

信号检测模块，基于人体传播振动信号，采集智能手表加速度计和陀螺仪的振动信号；

识别分类模块，采用异常检测算法识别振动信号；对振动信号进行预处理，采用k近邻算法改进后的算法对振动信号进行进一步的分类识别；

实时反馈模块，分析使用者对结果的反馈，及时矫正以维持稳定的识别精度。

一种程序，执行本发明所述的智能手表的交互方法。

与现有技术相比，本发明的有益效果在于：通过基于人体传播振动信号把人体部位(例如，手背)当作虚拟屏幕，并结合了改进的机器学习算法，实际地拓展了手表的交互手段，提高了用户体验，本发明的交互手段新颖有趣，能够切实满足用户需求，可广的应用于文本输入、手表游戏等。

附图说明

图1是本发明的交互方法的流程图；

图2是本发明的检测信号模块的工作流程图；

图3是本发明的反馈系统工作流程图；

图4为本发明的结构示意图；

图5是本发明原始动态时间规整算法的信号匹配结果；

图6是本发明改进后以帧为单位进行动态时间规整算法的匹配结果(帧移为1，帧长为3)；

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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的较优的实施例作进一步的详细说明。

本发明公开了基于人体传播振动信号与机器学习的智能手表交互方法及交互系统。如图1所述，本发明的交互方法包括了以下步骤：

s1、基于人体传播振动信号，程序控制智能手表的加速度计和陀螺仪采集智能手表加速度计和陀螺仪的振动信号；

具体为分别采集加速度计和陀螺仪的x、y、z三轴的振动信号；

s2、采用异常检测算法识别振动信号；

s3、对振动信号进行预处理，采用k近邻算法改进后的算法对振动信号进行进一步的分类识别；

s4、分析使用者对结果的反馈，及时矫正以维持稳定的识别精度。

如图2所示，步骤s2利用异常检测算法来识别信号，具体步骤如下：

先采集加速度计z轴数据，并取高通40hz的信号，同时读取一段振幅小于噪声信号阈值的信号，优选信号长度为10个点，噪声信号阈值为0.015，此时为信号检测的第一个状态；继续监听，等待振幅大于有效敲击信号阈值的信号，计振幅大于有效敲击信号阈值的位置为x，设置信号的起始位置为位置x前l的位置，即x-l，优选有效敲击信号阈值为2。在接收目标信号后，等待读取一段连续的振幅小于噪声信号阈值的信号，当出现连续振幅小于噪音信号阈值时，设置信号的结束位置为当前位置，优选信号长度为10个点，噪声信号阈值为0.015。在噪声信号阈值与有效敲击信号阈值之间检测得到的信号片段之后，再增加信号长度与信噪比的约束，优选信号长度l满足37≤l≤60，信号长度满足约束条件后，分别计算滤波后信号前m个点的能量及m个点之后的能量，判断信号是否大于信噪比阈值，大于则判断信号为有效信号，否则认为是噪音信号，信噪比阈值为s10，至此，信号得以被检测出来。

本实施例中，步骤s3对振动信号进行预处理，采用k近邻算法改进后的算法对振动信号进行进一步的分类识别，具体步骤如下：

先对每一个样本的加速度计和陀螺仪的x、y、z三轴的振动信号以传感器类别划分的拼接，针对对应传感器的3轴数据进行整体的归一化处理，具体减去数据的均值，再除以数据的方差，然后在初始化训练模型阶段，将归一化处理后的数据作为训练样本存储到数据库中，在实际使用阶段基于k近邻算法改进后的算法对信号进行分类与识别，具体为基于动态时间规整算法，计算测试/输入样本与训练样本之间的距离，根据距离的大小给出分类结果。

其中，动态时间规整算法，是一种基于动态规划的思路，将动态时间规整的对象由从原始的一维的点扩展为三维(三轴)的帧，并计算彼此的距离，可以更准确地衡量两个信号的相似程度，同时，算法允许根据实际的采样频率与需求相应地调整帧长与帧移来降低算法的功耗，从而获得理想的性能。解决由于两个信号之间的时序错位而无法进行比较的问题，并将两者之间的区别进行量化的方法。所述的距离不限于为曼哈顿距离或欧拉距离。

图5是原始动态时间规整算法的信号匹配结果；图6是本发明改进后以帧为单位进行动态时间规整算法的匹配结果(帧移为1，帧长为3)；由此可看出动态时间规整算法在增加了帧长帧移的约束之后，信号匹配方式确实会发生改变。

如图3所示，本实施例的步骤s4中，在步骤s2获得分类结果之后，将结果输出至应用中，并且与此同时，将新的样本x以及s3算法中所得到的与训练样本的距离记录下来，监听应用的反馈。在接收到对分类结果的反馈后，根据既定的样本替换策略来对训练样本进行操作，从而获得较高的鲁棒性。具体为：由步骤3得到的分类结果集合后，纠正使用者输入结果，具体通过提供候选键或通过在输入法的联想结果对于实际输入进行纠正；纠正后，对训练样本进行一定程度的修正，从而保持精度的稳定，具体为纠正结果与分类结果一致，无操作；纠正结果与分类结果不一致时，对于训练样本中与分类结果相同类别的样本，删除通过k邻近算法改进后的算法计算得到的距离最大的样本，再将当前的样本替换至被删除样本的位置。

如图4所示，本例的具体实施的结构分为三个模块，信号检测模块、识别分类模块，以及实时反馈模块。信号检测模块检测信号，检测到信号后将信号进行归一化预处理，减去数据的均值再除以数据的方差，作为分类识别模块的输入；分类识别模块的训练(初始化)阶段为单纯的信号存储操作，而在训练完成后投入使用阶段，将执行改进的分类算法。分类结果将传递进入实时反馈模块。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。