一种基于步长信息的运动指导系统及方法与流程
本发明涉及可穿戴智能设备领域，尤其涉及一种基于步长信息的生理体征分析方法及系统。
背景技术：
穿戴式智能设备的发展成为计算机行业以及集成电路行业中的新热点，成为当今移动互联网终端发展中的新方向。随着现今智能手机以及平板电脑等无线移动终端的普及，使智能可穿戴设备更好、更方便的应用于社会，可以更好地感知到外部信息与自身的身体状况，能够在其他设施的辅助下，例如计算机或者互联网，更高效地去处理信息。
智能可穿戴设备的优势在于：第一，高性能性。智能可穿戴设备的功能主要集中于监测身体健康状况、行走的路程、睡眠质量与时长以及燃烧掉的卡路里等等，所有的功能都可以集中在一种设备上，都是通过各种微型传感器和存储器来实现的。第二，体积小、电池续航能力强。由于是植入在小型设备上，所以智能可穿戴所使用的芯片以及传感器都是集成微型的。第三，随着技术的发展，人们生活水平的提高，在追求物质条件的同时人们更加关注自身的健康以及更想对自己了解一些，而这些智能可穿戴设备正好满足了大家的需求，它们的出现可以更好地服务于人们。
中国专利(公开号为cn105192995a)公开了一种具有无线充电功能的可监测心率并调控温度的智能鞋垫。该智能鞋垫包括鞋垫本体和集成芯片；其中，集成芯片设置在鞋垫本体内，集成芯片内部包括温度传感器模块、生理参数感应类传感器模块、无线通信模块、mcu模块以及电源产生模块，集成芯片外部设有天线进行无线充电；温度传感器模块对足底温度进行监测；感应类传感器模块可以实时的监测心率变化；mcu模块是芯片的核心，中央处理器用于处理各种数据；电源产生模块把信号能量转换为稳定的直流电压来提供电源。通过mcu模块中指令寄存器反馈的指令进行加热操作，以及智能鞋垫后端的线圈天线可以接收移动端产生的无线信号。通过这些模块的配合，从而实现整个智能鞋垫的功能。
现有的智能鞋垫虽然具备计步、监测人体生理信息等基本功能，但是，现有技术的智能鞋垫大多功能单一、无法满足人们对智能产品的要求。另一方面，现有技术计算距离的公式为：
技术实现要素：
针对现有技术之不足，本发明提供了一种生理监控智能鞋垫，所述智能鞋垫至少包括鞋垫本体和与所述鞋垫本体进行数据交互的移动端，其中，所述鞋垫本体至少包括传感器单元和通信单元，所述传感器单元用于采集穿戴了所述智能鞋垫的用户的生理数据并将所采集的生理数据经所述通信单元与所述用户指定的和/或所述智能鞋垫近旁的移动端进行数据交互，并且所述移动端通过利用分析所述传感器单元所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间，并且结合所述移动端根据穿戴了所述智能鞋垫的用户所提供的个人身体特征而得到的所述用户的步长修正参数来确定所述用户的步行长度。优选地，所述通信单元与所述移动端进行通信的方式包括但不限于2g、3g、4g、5g和3gpp通讯方式。
根据一个优选实施方式，所述鞋垫本体还包括存储单元，所述智能鞋垫通过将每次运动中的运动时间长度根据所述传感器单元所采集的生理数据反应的加速度的变化进行分段，并将分段后的运动时间子长度按照与之相应的加速度相关的方式临时性存储在所述存储单元中，使得所述智能鞋垫能够响应于所述通信单元与所述移动端的成功匹配而将临时性存储在所述存储单元中的由所述运动时间子长度构成的总运动时间长度推送至所述移动端。
根据一个优选实施方式，所述传感器单元将所采集的生理数据反应的瞬时加速度按照与时间相关的方式存储至所述存储单元中，并且所述移动端通过采取对所述传感器单元所采集的生理数据反应的瞬时加速度的数值进行归一化的方式对所述用户的运动类别进行数量有限的分类，并且所述移动端基于所述数量有限的分类来确定有限数量的所述步长参数区间。
根据一个优选实施方式，所述步行长度是由按照与运动时间子长度相应的加速度相关的方式存储的各个运动时间子长度、所述移动端基于所述传感器单元所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的所述用户步长参数区间以及所述移动端根据穿戴了所述智能鞋垫的用户所提供的个人身体特征而得到的所述用户的步长修正参数三者共同确定的。
根据一个优选实施方式，所述智能鞋垫响应于所述通信单元与所述移动端的成功匹配而将所述传感器单元所采集并临时性存储在所述存储单元中的与用户运动行为有关的数据推送至与所述智能鞋垫成功配对的所述移动端并由所述移动端转发至云端服务平台，并且所述云端服务平台响应于与所述移动端的通信连接而获取所述移动端所收集的用户个人身体特征以及所述传感器单元临时性存储在所述存储单元中的与用户运动行为有关的数据；由能够与所述智能鞋垫进行数据交互的所述移动端和/或所述云端服务平台根据所述用户所提供的至少包括身高、体重、性别和健康状况的个人身体特征来确定所述用户的统计学性质的步长修正参数，并且由所述移动端和/或所述云端服务平台利用预先分析所述传感器单元所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的所述用户步长参数区间并结合所述步长修正参数和所述运动时间子长度以累计方式来确定所述用户的步行长度。智能鞋垫本身电池容量有限，不能随时与移动终端保持通讯，只需要持续完成大量数据存储任务就够了。本发明的生理监控智能鞋垫在定期与移动终端建立通信连接时，彼此短时间内交换数据，可以节约电池电量，有效延长智能鞋垫的持续工作时间。
根据一个优选实施方式，所述智能鞋垫还包括分析单元，所述分析单元利用归一化的方式将所述传感器单元所采集的生理数据反应的瞬时加速度的数值划分为静止类别、走路类别、跑步类别、上楼类别和下楼类别，并基于所述瞬时加速来计算所述用户的步长参数区间，并且所述分析单元结合所述传感器单元所采集的生理数据反应的瞬时加速度和/或所述用户的运动时间来确定所述用户的移动距离和/或步频并将所述移动距离和/或步频数据临时性存储于所述存储单元中。
根据一个优选实施方式，所述分析单元经所述通信单元将其自身所估算的与每次运动相关的步长参数区间按照与所述传感器单元所采集的生理数据反应的瞬时加速度相关的方式分级推送至所述移动端并由所述移动端转发至所述云端服务平台，并且所述云端服务平台根据分析用户步行特征来区分所接收到的数据并将所接收到的数据按照与用户有关的分别存储所述各个用户的数据。
根据一个优选实施方式，所述移动端和/或所述云端服务平台基于所述用户经所述移动端输入的所述用户的个人身体特征来分析与所述用户相关的步长修正参数，并结合利用分析所述传感器单元所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的所述用户步长参数区间来确定所述用户的实际步长参数区间，并且所述步长修正参数是按照与所述用户所指定的个人身体特征相关的方式来调整得到的，并且所述移动端和/或所述云端服务平台利用调整后的步长修正参数来确定所述用户的实际步长参数区间。
根据一个优选实施方式，所述移动端根据所述用户所指定的个人身体特征来预先计算确定与所述用户相关的参考加速度并将所述参考加速度信息存储至所述移动端和/或所述云端服务平台，并且所述移动端和/或所述云端服务平台基于所述参考加速度将所述传感器单元所采集的生理数据反应的瞬时加速度归类至所述静止类别、所述走路类别、所述跑步类别、所述上楼类别和所述下楼类别中的一种类别或多种类别。
根据一个优选实施方式，所述智能鞋垫还包括报警单元，所述报警单元在所述移动端和/或所述云端服务平台分析出所述用户的移动距离和/或步频数据高于预设阈值时发出报警消息，并且所述报警单元根据所述移动端和/或所述云端服务平台基于所述参考加速度将所述传感器单元所采集的生理数据反应的瞬时加速度归类的运动类别、所述用户的移动距离和所述用户的步频数据中的一种或多种对所述报警消息划分的不同等级而发出不同的警报消息。优选地，所述报警装置以震动和/或蜂鸣的形式提醒用户，并且基于所述报警消息等级的不同，所述报警装置发出不同震动频率和/或不同分贝的蜂鸣以提醒用户异常情况的严重程度。
根据一个优选实施方式，所述传感器单元包括定位仪、加速度传感器、压力传感器、湿度传感器、温度传感器和心率传感器中的一种或多种。优选地，所述定位仪为gnss、gps、bds、glonass和galileo定位仪中的一种或多种。所述加速度传感器为电容式加速度传感器、电感式加速度传感器、应变式加速度传感器、压阻式加速度传感器和压电式加速度传感器中的一种或多种，所述压力传感器为半导体压电电阻传感器、静电容量型压力传感器和扩散硅压力变送器中的一种或多种，所述湿度传感器为电阻式氯化锂湿度计、露点式氯化锂湿度计、碳湿敏式湿度计、氧化铝湿度计和陶瓷湿度传感器中的一种或多种，所述温度传感器为接触式或非接触式温度计传感器，所述心率传感器为红外脉搏传感器、心率脉搏传感器、光电脉搏传感器、数字脉搏传感器、心音脉搏传感器和集成化脉搏传感器中的一种或多种。
本发明提供的生理监控智能鞋垫的传感器单元通过多种传感器可实现用户生理状况和运动状况的监测，并基于监测结果实现报警反馈，从而使得用户在运动过程中可避免超负荷运动而造成的身体伤害。另一方面，本发明的智能鞋垫基于用户的生理数据和个人身体特征来计算用户的步行长度，具有准确度高的优势，避免了现有技术因长时间的运动而造成计算误差过大的缺陷。
附图说明
图1是本发明智能鞋垫的一个优选实施方式的示意图；
图2是本发明数据采集过程的一个优选实施方式的示意图；
图3是静止类别时用户的生理体征示意图；
图4是走路类别时用户的生理体征示意图；
图5是跑步类别时用户的生理体征示意图；
图6是抖腿类别时用户的生理体征示意图；
图7是上楼类别时用户的生理体征示意图；和
图8是下楼类别时用户的生理体征示意图。
附图标记列表
10：鞋垫本体20：移动端30：云端服务平台
101：传感器单元102：通信单元103：存储单元
104：分析单元105：报警单元
具体实施方式
下面结合附图和实施例进行详细说明。
实施例1
图1示出了本发明智能鞋垫的一个优选实施方式的示意图。如图1所示，智能鞋垫至少包括鞋垫本体10、移动端20和云端服务平台30。移动端20和云端服务平台30可与鞋垫本体10进行数据交互。优选地，鞋垫本体10与移动端20和/或云端服务平台30的通信方式包括但不限于2g、3g、4g、5g和3gpp通讯。优选的，移动端20包括但不限于手机、平板电脑和智能手环。一切可连接到云端服务平台的移动设备均可视为移动端。优选地，鞋垫本体10至少包括传感器单元101、通信单元102、存储单元103、分析单元104和报警单元105。传感器单元101用于采集穿戴了智能鞋垫的用户的生理数据并将所采集的生理数据经通信单元102与用户指定的和/或智能鞋垫近旁的移动端20进行数据交互。优选地，智能鞋垫近旁的移动端20是指附接在穿戴了该智能鞋垫用户身上的。移动端20通过利用分析传感器单元101所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到用户的步长参数区间，并且结合移动端20根据穿戴了智能鞋垫的用户所提供的个人身体特征而得到的用户的步长修正参数来确定用户的步行长度。本发明的智能鞋垫基于用户的生理数据和个人身体特征来计算用户的步行长度，具有准确度高的优势，避免了现有技术因运动时间过长而造成计算误差过大的缺陷。
根据一个优选实施方式，智能鞋垫通过传感器单元101采集用户的生理数据，在智能鞋垫处于离线状态时，将采集的数据存储在本地。一旦鞋垫本体10与移动端20进行通讯，鞋垫本体10自动将存储和/或采集的数据上传至移动端20。通过移动端20将用户的生理数据上传至云端服务平台30进行存储和/或分析。本发明的生理监控智能鞋垫能够实时对用户的生理体征进行监控，即使在鞋垫本体10处于离线状态时，仍能存储几天甚至几周的数据，智能鞋垫通过对本地存储的数据进行分析以便在用户身体体征出现异常时发出报警反馈信息，避免意外情况发生。
根据一个优选实施方式，传感器单元101包括定位仪、加速度传感器、压力传感器、湿度传感器、温度传感器和心率传感器中的一种或多种。优选地，定位仪为gnss、gps、bds、glonass和galileo定位仪中的一种或多种。加速度传感器为电容式加速度传感器、电感式加速度传感器、应变式加速度传感器、压阻式加速度传感器和压电式加速度传感器中的一种或多种。压力传感器为半导体压电电阻传感器、静电容量型压力传感器和扩散硅压力变送器中的一种或多种。湿度传感器为电阻式氯化锂湿度计、露点式氯化锂湿度计、碳湿敏式湿度计、氧化铝湿度计和陶瓷湿度传感器中的一种或多种。温度传感器为接触式或非接触式温度计传感器。心率传感器为红外脉搏传感器、心率脉搏传感器、光电脉搏传感器、数字脉搏传感器、心音脉搏传感器和集成化脉搏传感器中的一种或多种。本发明的生理监控智能鞋垫通过多种传感器实现对用户生理体征的全面监测。本发明的生理监控智能鞋垫通过对多种传感器采集的数据信号交叉结合使用，从而可以得到更为精准和细致的动作分析。
根据一个优选实施方式，智能鞋垫通过将每次运动中的运动时间长度根据传感器单元101所采集的生理数据反应的加速度的变化进行分段。智能鞋垫将分段后的运动时间子长度按照与之相应的加速度相关的方式临时性存储在存储单元103中。智能鞋垫响应于通信单元102与移动端20的成功匹配而将临时性存储在存储单元103中的由运动时间子长度构成的总运动时间长度推送至移动端20。智能鞋垫将运动中的运动时间进行分段，并将运动时间子长度与之相应的加速度相关的方式存储，在移动端20和/或云端服务平台30计算用户的步行长度之时，能够确保时间与加速度之间对应关系的准确性，更重要的是，运动中的加速度存在较大变化，将运动时间基于加速度的变化进行分段，如此可提供步行总长度的计算精度，避免了现有技术采用
根据一个优选实施方式，传感器单元101将所采集的生理数据反应的瞬时加速度按照与时间相关的方式存储至存储单元103中。移动端20通过采取对传感器单元101所采集的生理数据反应的瞬时加速度的数值进行归一化的方式对用户的运动类别进行数量有限的分类。移动端20基于数量有限的分类来确定有限数量的步长参数区间。优选地，智能鞋垫的分析单元104利用归一化的方式将传感器单元101所采集的生理数据反应的瞬时加速度的数值划分为静止类别、走路类别、跑步类别、上楼类别和下楼类别，并基于瞬时加速来计算用户的步长参数区间。分析单元104结合传感器单元101所采集的生理数据反应的瞬时加速度和/或用户的运动时间来确定用户的移动距离和/或步频并将移动距离和/或步频数据临时性存储于存储单元103中。不同的运动类别，加速度具有加大差异，本发明的智能鞋垫基于运动类别来确定用户的步长参数区间，基于本发明提供的计算方式，可提高步行长度计算的准确度。优选地，用户处于静止类别和/或抖腿类别时，用户的加速度为0。即当用户处于静止类别和/或抖腿类别时，不对用户进行步行长度计算，从而可进一步提高步行长度计算的准确度。
根据一个优选实施方式，步行长度是由按照与运动时间子长度相应的加速度相关的方式存储的各个运动时间子长度、移动端20基于传感器单元101所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的用户步长参数区间以及移动端20根据穿戴了智能鞋垫的用户所提供的个人身体特征而得到的用户的步长修正参数三者共同确定的。优选地，用户的步行长度通过如下公式计算：
根据一个优选实施方式，智能鞋垫响应于通信单元102与移动端20的成功匹配而将传感器单元101所采集并临时性存储在存储单元103中的与用户运动行为有关的数据推送至与智能鞋垫成功配对的移动端20并由移动端20转发至云端服务平台30。云端服务平台30响应于与移动端20的通信连接而获取移动端20所收集的用户个人身体特征以及传感器单元101临时性存储在存储单元103中的与用户运动行为有关的数据。由能够与智能鞋垫进行数据交互的移动端20和/或云端服务平台30根据用户所提供的至少包括身高、体重、性别和健康状况的个人身体特征来确定用户的统计学性质的步长修正参数。移动端20和/或云端服务平台30利用预先分析传感器单元101所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的用户步长参数区间并结合步长修正参数和运动时间子长度以累计方式来确定用户的步行长度。优选地，统计学性质的步长修正参数是基于统计学的原理分析出的步长修正参数。即预先通过对不同身体状况的大量人群的统计，例如统计人数为1000人以上，确定步长修正参数与不同身体状况的关系。
根据一个优选实施方式，由移动端20和/或云端服务平台30通过利用分析用户在运动过程中各个阶段的瞬时加速度而得到的与各个阶段相关的步长参数区间并结合步长修正参数以累计方式来确定的用户步行长度采用定位仪进行校正。优选地，移动端20和/或云端服务平台30计算的走路和跑步类别时的步行长度采用定位仪进行校正。例如，以gps为例，gps在宽阔环境下可以接收良好的卫星信号进行定位指导，但在狭窄环境，如室内，多个高楼环绕阻挡的情况下，gps因无法收集到足够数量的卫星信号而出现定位漂移、数据丢失等情况。此外，用户处于上楼类别或下楼类别时，gps也无法进行精准测距。因此，在gps信号良好情况下，同时用户处于平移(即跑步或走路)时对移动端20和/或云端服务平台30计算的步行长度进行比对并校正。当用户处于上楼类别、下楼类别和/或gps信号较差时，认定gps数据不可信，用户的步行长度使用移动端20和/或云端服务平台30计算的步行长度。
图2示出了本发明数据采集过程的一个优选实施方式的示意图。如图2所示，智能鞋垫通过传感器单元101采集用户的生理数据，当移动端20与智能鞋垫通讯时，智能鞋垫会主动传输储存的数据至移动端20。用户在移动端输入个人身体特征，例如身高、体重、性别、健康状况等。当移动端20与云端服务平台30通讯时，云端服务平台会接收到用户的生理数据和个人身体特征。云端服务平台30根据生理数据反应的不同加速度，对加速度进行等级分配，不同等级下的加速度会得到不同的步长参数区间，同时不同类别下的步长也采用不同的计算方式。同时根据用户个人身体特征分析得出用户的步长修正参数。云端服务平台30根据运动时间子长度、步长参数区间和步长修正参数来计算用户的步行长度。
根据一个优选实施方式，分析单元104经通信单元102将其自身所估算的与每次运动相关的步长参数区间按照与传感器单元101所采集的生理数据反应的瞬时加速度相关的方式分级推送至移动端20并由移动端20转发至云端服务平台30。云端服务平台30根据分析用户步行特征来区分所接收到的数据并将所接收到的数据按照与用户有关的分别存储各个用户的数据。云端服务平台30对接收到的数据进行分析后按照与用户有关的方式进行存储，在对与该用户有关的数据进行查询和/或调取时，可提高查询和/或调取速度，而且还可以同时查询和/或调取与该用户相关的所有数据。
根据一个优选实施方式，移动端20和/或云端服务平台30基于用户经移动端20输入的用户的个人身体特征来分析与用户相关的步长修正参数，并基于利用分析传感器单元101所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到用户的步长参数区间确定用户的实际步长参数区间。步长修正参数是按照与用户所指定的个人身体特征相关的方式来调整得到的。移动端20和/或云端服务平台30利用调整后的步长修正参数来确定用户的实际步长参数区间。以走路和跑步为例，假设一个成年男子身高1.70m，体重65.0kg，与身高相关的，其基于统计学的步长修正参数为1.5～1.7。对用户进行加速度分级，得到的步长参数θ在[0.353m，0.824m]区间内，将θ乘以用户步长修正参数，即可得到步长范围[0.53m，1.40m]。再将不同的步长乘以对应的加速度等级的时间区间并相加，即可得到用户的步行长度。当指定步长修正参数是按照与体重有关的方式来获得的，将θ乘以用户体重转换为的步长修正参数(1.4～1.6)，即可得到步长范围[0.49m，1.32m]。再将不同的步长乘以对应的加速度等级的时间区间并相加，即可得到用户的步行长度。
根据一个优选实施方式，移动端20根据用户所指定的个人身体特征来预先计算确定与用户相关的参考加速度并将参考加速度信息存储至移动端20和/或云端服务平台30。移动端20和/或云端服务平台30基于参考加速度将传感器单元101所采集的生理数据反应的瞬时加速度归类至静止类别、走路类别、跑步类别、上楼类别和下楼类别中的一种类别或多种类别。本发明的智能鞋垫通过移动端20预先计算的加速度来对传感器单元101采集的生理数据反映的瞬时加速度进行分类，可提高分类的准确性。
根据一个优选实施方式，智能鞋垫还包括报警单元105。报警单元105在移动端20和/或云端服务平台30分析出用户的移动距离和/或步频数据高于预设阈值时发出报警消息。报警单元105根据移动端20和/或云端服务平台30基于参考加速度将传感器单元101所采集的生理数据反应的瞬时加速度归类的运动类别、用户的移动距离和用户的步频数据中的一种或多种对报警消息划分的不同等级而发出不同的警报消息。优选地，报警单元105依据人体体征异常情况的严重程度产生不同的反馈信息。优选地，报警单元105在移动端20和/或云端服务平台30发出警报消息时以震动和/或蜂鸣的形式提醒用户。优选的，报警单元105依据人体体征异常情况的严重程度发出不同频率的震动和/或不同分贝的蜂鸣，以便用户及时对自身运动类别做出调整。优选地，智能鞋垫处于离线状态之时，智能鞋垫基于本地存储的用户生理数据信息识别用户的运动类别，并在用户处于预设步频的时间超过预设值时，所述智能鞋垫发出警报信息。例如，智能鞋垫可以对用户进行初步的类别识别，当用户长期处于较高的步频时，报警装置发出报警消息。优选地，智能鞋垫处于在线状态之时，移动端20和/或云端服务平台30在用户的步行长度达到预设阈值并仍以预设步频运动时，移动端20和/或云端服务平台30发出警报指令。
实施例2
本实施例是对实施例1的进一步改进，仅对改进的部分进行说明。
根据一个优选实施方式，本实施例采集用户生理数据的传感器为三轴加速度传感器。本实施例中的类别识别方法适用于年龄段为16～45岁身体状况健康的群体。三轴加速度传感器采集用户的生理数据并将采集的数据上传至移动端20和/或云端服务平台30。移动端20和/或云端服务平台30进行数据处理后得到用户的步频和峰谷差值。移动端20和/或云端服务平台30根据用户的步频和/或峰谷差值识别用户的运动类别。优选地，移动端20和/或云端服务平台30将用户的运动类别划分为静止类别、走路类别、跑步类别、抖腿类别、上楼类别和下楼类别。
根据一个优选实施方式，本实施例采集三轴加速度传感器和压力传感器通过参加用户的生理数据并基于移动端20和/或云端服务平台30的分析以对用户提出运动指导。优选地，压力传感器和三轴加速度传感器通过如下方式对用户提出运动指导。将压力传感器放置于穿戴了智能鞋垫用户的前后脚掌。通过压力传感器，可以对用户前后脚掌的压力变化进行记录。用户在运动过程中(例如跑步或走路)，可以根据前后脚掌压力变化的趋势判断该用户是采用前脚掌先着地还是后脚掌先着地的运动习惯。同时根据三轴加速度传感器去除用户上下楼类别时的数据，再对前后脚掌次数进行统计，并将数据上传至移动端20和/或云端服务平台30进一步分析，给出运动姿势评判，从而对用户提出运动指导。优选地，移动端20和/或云端服务平台30将用户的运动姿势与标准运动姿势进行比对，在用户出现不规范运动姿势时，向用户做出运动指导。本实施例结合压力传感器，可对用户的运动姿势做出评判以及指导，提高用户运动方式的规范性。另一方面，上楼时，用户一般是后脚掌先着地；下楼时，用户一般是前脚掌先着地，如果引进上楼和下楼时期的数据，易对判断结果造成干扰，本实施例评判用户的运动姿势时，去除了上楼和下楼时的数据，提高了数据分析的准确性。
根据一个优选实施方式，移动端20和/或云端服务平台30基于如下方式识别用户的运动类别：当用户长时间处于较低幅值时，判定用户处于静止类别。当用户步频低于预设阈值时，判定用户处于走路类别。当用户步频高于预设阈值时，判定用户处于跑步类别。当用户峰谷差值远低于正常行走或跑步产生的峰谷差值时，判定用户处于抖腿类别。当用户生理信号与预设信号相符时，判定用户处于上楼类别。当用户的y轴幅值低于正常值时，判定用户处于下楼类别。
三轴加速度传感器的x、y、z三轴的定义分别为：参照物为脚，立正站立，x轴垂直于脚尖方向向右，y轴沿着脚尖方向向前，z轴方向根据右手定则确定(垂直脚面向上)。本实施例所有数据采用200hz进行采样，x轴、y轴和z轴的横坐标代表时间，单位为个数，即一共采样了1000个点，总时间为1000/200＝5s。x轴、y轴和z轴的纵坐标代表三轴加速度传感器接收到的数据，该数据无单位。x轴、y轴和z轴的纵坐标的数据与加速度的关系为：真实加速度值＝4g×点位对应纵坐标数值/32768。其中，g为重力加速度，g＝9.81m/s2。三轴加速度传感器接收到数据后，产生一系列离散点数据，该数据的范围为－32768～+32768，该数据范围对应的真实加速度为－4g～+4g。优选地，本实施例基于波形识别用户的运动类别，因而将部分图的纵坐标进行了放大，如原本纵坐标应在－32768～+32768区间内，但为了方便看出整体波形，将坐标轴放大为－40000～+40000这一区间的离散点形成的波形。纵坐标虽然进行了放大，但并不影响真实加速度的计算，即真实值的算法不变。
根据一个优选实施方式，采用滤波器对三轴加速传感器采集到的信号进行预处理。优选地，采用高斯滤波器对信号进行去噪声处理。用ax(t)、ay(t)、az(t)分别表示t时刻x轴、y轴、z轴的加速度信号，记a(t)＝[ax(t)，ay(t)，az(t)]，则高斯滤波公式为
其中，
根据一个优选实施方式，对三轴加速传感器采集到的信号矢量幅值(svm)进行合一化处理后来确定加速度。优选地，对三轴加速传感器采集到的信号矢量幅值(svm)进行合一化处理的计算公式为：
其中，ax(t)、ay(t)、az(t)分别为t时刻三轴加速度传感器在x轴、y轴、z轴所测得的数据。通过对三轴加速传感器采集到的信号矢量幅值(svm)进行合一化处理，可使svm波形与实际步数相对应，提高计步的准确性。
根据一个优选实施方式，为了简化计步难度，本实施例也可以仅使用x坐标轴来计步。使用x轴、y轴和/或z轴来识别用户的运动类别。例如，上楼和下楼类别中使用z轴进行判断，但在计步过程中，仅对x轴进行去噪声处理，然后通过x轴反应的加速度进行计步计算。优选地，对x轴进行去噪声处理也可以使用简单的高斯滤波。
根据一个优选实施方式，本实施例采用归一化法将三轴加速度传感器采集的生理数据反应的瞬时加速度进行归一化处理，基于归一化处理后的加速度将用户的运动类别进行数量有限的分类。优选地，本实施例通过如下方式对加速度进行归一化处理：三轴加速传感器采样了1000个点，移动端20和/或云端服务平台30计算出1000个点对应的幅值反应的瞬时加速度后，再计算出各瞬时加速度在1000个点瞬时加速度之和中的比例，即得经归一化处理的瞬时加速度。将瞬时加速度进行归一化处理后，可以减小因三轴加速度传感器检测的生理数据的误差而造成的分析误差，提高分析的准确性。
图3示出了用户处于静止类别时的生理体征示意图。如图3所示，用户在x轴、y轴和/或z轴的幅值在长时间波动范围较小时，判定用户处于静止类别。优选地，所述长时间至少为5s。或者，用户在x轴、y轴和/或z轴的幅值未出现明显的波峰和/或波谷，判定用户处于静止类别。如图3所示，x轴、y轴和/或z轴的幅值没有明显波动，也未出现波峰和/或波谷，近似为一条直线，因此判断用户处于静止类别。该种判断方式简单直观。
图4示出了用户处于走路类别时的生理体征示意图。如图4所示，用户在x轴、y轴和z轴的步频在长时间均低于预先设定阈值时，判定用户处于走路类别。优选地，所述长时间至少为5s。所述预先设定的阈值为1hz。优选地，步频为移动端20和/或云端服务平台30基于采集的用户生理数据计算的。或者，用户在x轴、y轴和/或z轴的波形与预设波形相符时，判定用户处于走路类别。优选地，所述预设波形为在x轴、y轴和/或z轴呈现双波峰和/或多波峰。如图4所示，x轴的幅值数据呈现明显的双波峰，y轴和z轴的幅值数据呈现明显的多波峰，因此判断用户处于走路类别。该种判断方式简单直观。
图5示出了用户处于跑步类别时的生理体征示意图。如图5所示，用户在x轴、y轴和/或z轴的步频在长时间均高于预先设定阈值时，判定用户处于跑步类别。优选地，所述长时间至少为5s。所述预先设定的阈值为1.5hz。优选地，步频为移动端20和/或云端服务平台30基于采集的用户生理数据计算的。或者，用户在z轴方向上的幅值均值大于20000，并且在x轴和/或y轴上超过上阈值的波峰数小于等于1.5倍低于下阈值的波谷数时，判定用户处于跑步类别。其中，上阈值为x轴和/或y轴各波峰的平均值，下阈值为x轴和/或y轴各波谷的平均值。该种判断方式可直观地从波峰波谷数量以及幅值大小等特征经计算得出。
图6示出了用户处于抖腿类别时的生理体征示意图。如图6所示，用户在x轴、y轴和/或z轴的峰谷差值在长时间均低于走路类别和/或跑步类别产生的峰谷差值的0.5倍时，判定用户处于抖腿类别。优选地，所述长时间至少为5s。以z轴为例，图5所示的跑步类别时的z轴的峰谷差值为50000，图6所示的z轴的峰谷差值为17000，低于跑步类别时峰谷差值的50％，因此判定图6所示的用户处于抖腿类别。x轴和y轴的峰谷差值采用与z轴相同的计算方法。
图7示出了用户处于上楼类别时的生理体征示意图。如图7所示，用户在x轴、y轴和/或z轴的波形与预设波形相符时，判定用户处于上楼类别。优选地，所述预设波形为在z轴呈现双波峰。如图7所示，z轴的幅值数据呈现明显的双波峰，因此判断用户处于上楼类别。该种判断方式简单直观。或者，用户在z轴方向上的幅值均值小于8500，并且在x轴和/或y轴上超过上阈值的波峰数大于1.5倍低于下阈值的波谷数时，判定用户处于下楼类别。其中，上阈值为x轴和/或y轴各波峰的平均值，下阈值为x轴和/或y轴各波谷的平均值。该种判断方式可直观地从波峰波谷数量以及幅值大小等特征经计算得出。
图8示出了用户处于下楼类别时的生理体征示意图。如图8所示，用户在x轴、y轴和/或z轴的波形与预设波形相符时，判定用户处于下楼类别。优选地，所述预设波形为：一段时间内，y轴幅值平均值低于走路类别时的数值。优选地，所说的幅值平均值是指所有数据取绝对值，再进行相加并除以总时间得到的。或者，用户在z轴方向上的幅值均值小于8500，并且在x轴和/或y轴上超过上阈值的波峰数小于等于1.5倍低于下阈值的波谷数时，判定用户处于下楼类别。其中，上阈值为x轴和/或y轴各波峰的平均值，下阈值为x轴和/或y轴各波谷的平均值。该种判断方式可直观地从波峰波谷数量以及幅值大小等特征经计算得出。
根据一个优选实施方式，本实施例所说的波峰和波谷采用如下方式判断：设人体运动时采集到的加速度传感器数据经过滤波预处理和三轴合一化处理后的加速度为a(t)，则定义u＝a(t)－a(t－1)，v＝a(t+1)－a(t)，u和v为有正负值的标量。在t时刻的左右各取3个采样点，当a(t－1)＞a(t－2)＞a(t－3)且a(t+1)＞a(t+2)＞a(t+3)时，可以正确判断出峰值。综上所述，当在t时刻加速度a(t)满足u＝a(t)－a(t－1)>0，v＝a(t+1)－a(t)<0，a(t－1)＞a(t－2)＞a(t－3)且a(t+1)＞a(t+2)＞a(t+3)四个条件时，则确定当前的t时刻为峰值点。用类似的方法可以查找出波谷值。优选地，当查找到一对峰谷值时认为出现一个步伐，该步伐是否为有效步伐则需根据幅度阀值和时间窗口阀值进一步判定。
在检测出峰谷值后，提取加速度数据a(t)的相邻波峰和波谷值的差作为特征值，记为csvm(changeofsvm)，计算公式如下：
csvm＝ap(t)－av(t－k)
其中，ap(t)为t采样时刻波峰值，av(t－k)为t－k采样时刻波谷值，k为相邻波峰波谷值之间的采样点数。优选地，当csvm＞0.2gn时，为一次有效峰谷值数据，否则，予以丢弃。
根据一个优选实施方式，一般人体最快跑步速度为每秒5步，最慢走路为1步2s，两个有效步伐的时间间隔在0.2～2.0s之间，本实施例的采样率为50hz，两个有效步伐的采样点次数间隔值在10～100之间。系统实时更新两步之间的采样点次数，如果落在有效间隔值范围之外，则视为无效扰动，不计入步数寄存器。
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
- 还没有人留言评论。精彩留言会获得点赞！