一种智能鞋垫的反馈系统的制作方法

本发明涉及智能鞋垫领域，尤其涉及一种智能鞋垫的反馈系统。

背景技术：

随着电子技术的不断发展及人们生活质量的提高，人们开始对我们的日常穿戴提出了更高的要求，智能穿戴发展迅速，智能鞋垫就是其中的一种。目前，智能鞋垫具有发热、定位等多种功能，能够监测用户的活动水平、行走健康等数据。由于人走路时步态复杂多变，且每次采集的样本数据的长度、起止时刻及状态均具有随机性，因此现有的智能鞋垫以步态检测方法帮助用户纠正步态。

中国专利cn104082905b公开了上一种多功能智能鞋垫，包括鞋垫面、下鞋垫面，其特征在于还包括：第一压力传感器、第二压力传感器、第三压力传感器、三轴加速度传感器、三轴陀螺仪、温湿度传感器、信号处理模块、无线通信模块、电源；第一压力传感器、第二压力传感器、第三压力传感器、三轴加速度传感器、三轴陀螺仪、温湿度传感器分别与信号处理模块相连；信号处理模块与无线通信模块相连；电源分别与第一压力传感器、第二压力传感器、第三压力传感器、三轴加速度传感器、三轴陀螺仪、温湿度传感器、信号处理模块、无线通信模块相连；第一压力传感器(3)、第二压力传感器、第三压力传感器分别设置于下鞋垫的第一跖骨位置、第五跖骨位置和后脚跟处，三轴加速度传感器、三轴陀螺仪、温湿度传感器、信号处理模块、无线通信模块、电源设于下鞋垫面的足弓处，上鞋垫面边缘环状粘合在下鞋垫上。该专利能够实现测重、计步、测距、热量消耗测量、防走失、跌倒报警、无线数据传输等功能。但是，现有的智能鞋垫采用三轴加速度计来监测用户的行动。传统三轴加速度计基于加速度与距离的公式对传感器收集到的加速度数据基于时间进行二重积分即可得到距离的数值。其中vo为初始速度，a为物体加速度，r为物体经过时间t后移动的距离。因此传统的三轴加速度对传感器收集到的加速度数据基于时间进行二重积分即可得到距离的数值。三轴加速度计的传统惯性导航系统仅能在短时间内准确进行定位，但在长时间的运动过程中会由于积累计算误差而使得最终计算值与真实距离偏差较大。因此，目前市场上需要一种能够结合使用者的生理信息和加速度进行进一步的数据分析并显著提高步长测量的精确度的反馈系统。

技术实现要素：

针对现有技术之不足，本发明提供一种智能鞋垫的反馈系统，其特征在于，所述反馈系统包括采集装置、步频统计模块、云服务器和移动端，

所述云服务器基于所述采集装置和所述步频统计模块采集并统计的运动数据判断用户的运动模式，

所述云服务器基于所述采集装置采集的用户以不同加速度参数运动时的生理特征参数的变化对加速度参数划分加速度等级，并且基于所述加速度参数和生理特征参数评估与所述加速度等级对应的步长参数和步长阈值，从而根据各个运动模式的所述步长参数和所述步长阈值向移动端推送对用户的运动状态的反馈建议和/或警告信息；其中

所述云服务器依据所述运动模式和所述步长阈值建立分级别的警报触发方案，并且在所述用户的运动数据大于与所述运动模式对应的所述步长阈值时触发并发送对应的等级警报指令至所述移动端，所述移动端依据所述等级警报指令向用户发出对应等级的警报以进行预警。

根据一个优选实施方式，所述采集装置、所述步频统计模块和警报触发模块设置于智能鞋垫内，

所述云服务器基于所述采集装置采集的加速度参数和生理特征参数计算与用户的生理特征匹配至少一个与时间阈值对应的步行频率阈值，并且将所述时间阈值和对应的步行频率阈值推送至智能鞋垫的所述警报触发模块以建立初始警报触发方案，

在所述智能鞋垫与所述云服务器和/或所述移动端连接中断的情况下，所述警报触发模块在所述步频统计模块监测的步行频率大于对应运动模式的步行频率阈值的时刻基于所述初始警报触发方案触发并发送对应的等级警示指令至所述智能鞋垫的警示模块。

根据一个优选实施方式，所述云服务器包括加速度分级模块、步长统计模块和模式识别模块，

所述加速度分级模块基于所述采集装置采集的加速度参数和与所述加速度参数对应的所述用户的生理特征参数建立加速度等级列表，并且基于所述模式识别模块识别的运动模式和生理特征参数评估与每一个加速度等级对应的步长参数区间，

所述步长统计模块基于所述用户的运动模式、所述加速度等级对应的步长参数区间、生理特征参数和加速度持续时间综合确定所述用户的运动总步长。

根据一个优选实施方式，所述云服务器还包括方案触发模块，

所述方案触发模块存储有预设的与所述运动模式和所述步长阈值相关的预设分级别警报触发方案，所述方案触发模块依据用户的生理特征参数、所述步长统计模块统计的与所述运动模式对应的步长阈值对预设分级别警报触发方案进行调整和修正从而建立与用户的生理特征匹配的分级别警报触发方案，

所述方案触发模块基于所述步长统计模块监测的总步长参数和步行频率参数触发对应的等级警报指令。

根据一个优选实施方式，所述智能鞋垫还设置有通信模块和临时存储模块，所述通信模块在与云服务器和所述移动端的信号均中断的情况下，将接收的采集参数和所述步行频率参数存储在所述临时存储模块并激活所述警报触发模块，所述警报触发模块将触发的包含有触发时间和反馈信息的初始警报信息的发送至所述临时存储模块进行存储，

所述通信模块在与所述云服务器和/或所述移动端恢复连接的时刻将所述采集参数、所述步行频率参数和初始警报触发信息发送至所述云服务器和/或所述移动端，

所述通信模块在所述临时存储模块的存储信息发送完成后且与所述云服务器信号连接的情况下催眠所述警报触发模块。

根据一个优选实施方式，所述移动端设置有用于输入生理特征信息的信息输入模块、用于发出警报信息的警报模块和数据处理模块，

在所述通信模块与所述云服务器的信号中断的情况下，所述移动端的数据处理模块接收所述通信模块发送的数据信息并计算所述用户的生理特征参数、步长参数和运动模式，所述移动端将处理后的生理特征参数、步长参数和运动模式发送至所述云服务器进行存储。

根据一个优选实施方式，所述云服务器中的模式识别模块存储有基于所述与时间相关的预设特征区分的运动模式，所述运动模式至少包括静止模式、行走模式、跑步模式、抖腿模式、上楼模式和下楼模式中的一种模式或几种模式，

所述模式识别模块基于所述步频统计模块发送的与时间相关的三向步行频率参数形成步行频率曲线并且将所述步行频率曲线的三向曲线特征与预设步行频率曲线进行匹配从而确定相应的运动模式。

根据一个优选实施方式，所述模式识别模块基于所述步频统计模块发送的与时间相关的步行频率参数形成三向步行频率曲线，并且基于步行频率曲线的波形特征、幅度特征、峰谷差值特征和/或预设步频确定所述用户的运动模式。

根据一个优选实施方式，所述智能鞋垫内的警示模块基于所述警报触发模块或所述方案触发模块发送的等级警报指令以与警报级别对应的频率震动，从而向所述用户发出警报信息。

根据一个优选实施方式，所述云服务器基于所述移动端的请求条件将与所述请求条件对应的与时间相关的数据推送至所述移动端，所述移动端的数据处理模块基于所述用户输入的生理特征参数对接收的所述与时间相关的数据进行校正并显示在所述移动端。

本发明的有益技术效果：

(1)本发明基于采集和/或计算的数据完成用户个人数据的更新及储存，并基于个人数据完成预设数据的更新，通过不断对数据进行更新，如此可形成个性化的数据分析处理方法，提高分析的精准度。

(2)本发明在智能鞋垫与云端服务平台连接以及未连接的情况下，均能通过数据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。

(3)本发明计算用户的累计步长时，基于用户的生理信息数据分析用户的加速度等级、用户所处的运动模式以及用户的步长参数，通过三者结合计算用户的累计步长，可以显著提高步长计算的精准度，另一方面，当用户处于静止和抖腿模式时，不对用户进行累计步长计算，从而进一步提高了用户累计步长计算的精准度。

附图说明

图1是本发明的反馈系统的结构示意图；

图2是本发明的反馈方法的逻辑示意图；

图3是静止模式的步数频率曲线图；

图4是走路模式的步数频率曲线图；

图5是跑步模式的步数频率曲线图；

图6是抖腿模式的步数频率曲线图；

图7是上楼模式的步数频率曲线图；和

图8是下楼模式的步数频率曲线图。

附图标记列表

10：云服务器20：移动端30：采集装置

11：加速度分级模块12：步长统计模块13：模式识别模块

14：数据库15：方案触发模块21：信息输入模块

22：警报模块23：数据处理模块31：生理信息采集模块

32：地理位置采集模块33：加速度采集模块41：步频统计模块

42：警报触发模块43：警示模块

具体实施方式

下面结合附图进行详细说明。

一种智能鞋垫的反馈系统，所述反馈系统包括采集装置、步频统计模块、云服务器和移动端。所述云服务器基于所述采集装置和所述步频统计模块采集并统计的运动数据判断用户的运动模式。所述云服务器基于所述采集装置采集的用户以不同加速度参数运动时的生理特征参数的变化对加速度参数划分加速度等级，并且基于所述加速度参数和生理特征参数评估与所述加速度等级对应的步长参数和步长阈值，从而根据各个运动模式的所述步长参数和所述步长阈值向移动端推送对用户的运动状态的反馈建议和/或警告信息。其中所述云服务器依据所述运动模式和所述步长阈值建立分级别的警报触发方案，并且在所述用户的运动数据大于与所述运动模式对应的所述步长阈值时触发并发送对应的等级警报指令至所述移动端，所述移动端依据所述等级警报指令向用户发出对应等级的警报以进行预警。

本发明的生理特征参数至少包括用户的性别、身高、体重、心率参数、血压参数、温度参数、湿度参数、压力参数等与用户的生理相关的参数。本发明的生理信息包括用户的健康信息，例如心脏病的心率历史参数、高血压的历史参数、低血压的历史参数。

本发明的云服务器包括至少一个云服务器，也包括由多个云服务器构成的云平台。云服务器设置有数据库，用于对存储每个用户的数据进行分别存储。云服务器还对智能鞋垫发送的数据进行计算处理，并且将对数据的分析结果和方案反馈至移动终端。

本发明的移动端包括设置在智能设备的应用程序，也包计算机设备、笔记本电脑、平板电脑、智能手机、智能手表、智能眼镜、智能手环等可移动的智能电子设备。本发明的移动端可以是不具有数据处理功能的移动端，也可以是具有数据处理功能的移动端。

本发明的智能鞋垫、云服务器和移动端以无线的方式进行通讯连接。本发明的智能鞋垫在与云服务器和移动端的连接断开后，可以自行存储采集和处理的数据，并且在与云服务器或移动端任意一方连接情况下，首先将存储的数据发送至云服务器或移动端。云服务器或移动端对接收的数据进行进一步的处理。在云服务器与移动端的连接断开的情况下，移动端接收智能鞋垫上的模块发送的数据信息并存储，或者对接收的数据进行处理并显示结果。移动端在与云服务器连接后首先将存储的数据发送至云服务器进行存储或数据处理。

实施例1

如图1所示，一种智能鞋垫的反馈系统，包括智能鞋垫40、云服务器10和移动端20。

智能鞋垫40包括采集装置30、步频统计模块41、警报触发模块42和警示模块43。

采集装置30用于采集用户的生理信息、地理位置信息和加速度信息。采集装置30包括生理信息采集模块31、地理位置采集模块32和加速度采集模块33。生理信息采集模块31用于通过用户的足部采集用户的生理征参数。生理信息采集模块31包括心率传感器、血压传感器、温度传感器、湿度传感器、压力传感器中的一种或几种。地理位置采集模块32用于采集用户的地理位置信息及其变化信息。优选的，地理位置采集模块32为gnss、gps、bds、glonass和galileo定位仪中的一种或多种。加速度采集模块33用于采集用户的瞬时加速度信息。优选的，加速度采集装置包括三轴加速度传感器。优选的，瞬时加速度信息附有时间信息。

步频统计模块41用于采集并初步统计用户的步行频率。

警报触发模块42用于根据步频统计模块41统计的步行频率和运动模式触发分等级的警报指令。

警示模块43基于接收到的警报指令以震动的形式或声音的形式发出相应的警报。优选的，警示模块43基于所述警报触发模块42或所述方案触发模块15发送的等级警报指令以与警报级别对应的频率震动，从而向所述用户发出警报信息。

云服务器10包括加速度分级模块11、步长统计模块12、模式识别模块13、数据库14和方案触发模块15。

加速度分级模块11基于加速度采集模块33采集的瞬时加速度参数和生理特征参数对加速度参数进行等级分配。每一种加速度等级对应一个步长参数θ。

步长统计模块12基于运动模式、加速度参数、加速度时间及其对应的步长参数统计用户的运动步长。相比于传统的计算方法，步长统计模块对抖腿和静止模式不进行记步，使统计的步长结果更精确。

模式识别模块13基于步频统计模块41统计的步行频率参数对用户的运动模式进行识别。优选的，模式识别模块13存储有基于所述与时间相关的预设曲线特征区分的运动模式。所述运动模式至少包括静止模式、行走模式、跑步模式、抖腿模式、上楼模式和下楼模式中的一种模式或几种模式。模式识别模块13基于步频统计模块41发送的与时间相关的步行频率参数形成步行频率曲线并且将所述步行频率曲线的曲线特征与至少一种预设步行频率曲线进行匹配从而确定相应的运动模式。

数据库14用于对用户的相关数据进行存储。数据库14基于用户的注册信息建立不同的存储账户从而存储用户的相关生理信息数据和运动信息数据。

方案触发模块15存储有至少一个运动方案和运动建议。方案触发模块15基于用户的生理特征对加速度不同等级的生理反应、步行频率、运动模式和步行长度交叉分析并确定至少一个运动方案和/或运动建议。

优选的，方案触发模块15预先存储有至少一个运动方案和/或运动建议。方案触发模块15基于用户的生理特征对加速度不同等级的生理反应、步行频率、运动模式和步行长度等数据对运动方案和/或运动建议进行修正，建立与用户的生理特征完全匹配的至少一种运动方案。

移动端20包括信息输入模块21、警报模块22和数据处理模块23。信息输入模块21用于用户输入生理特征信息。例如，用户通过信息输入模块输入性别、年龄、身高、体重和身体健康信息。警报模块22基于方案触发模块15发送的等级警示指令发出运动建议或向用户发出警报信息。数据处理模块23对智能鞋垫40发送的数据进行计算处理，得到用户的步长统计结果。

优选的，用户通过信息输入模块21输入数据检索请求。例如，用户输入具有时间信息和/或空间信息的数据检索请求。云服务器10基于移动端20的时间和/或空间请求条件将与时间和/或空间请求条件运动数据推送至所述移动端20。所述移动端20的数据处理模块23基于所述用户输入的生理特征参数对接收的所述与时间和/或空间相关的数据进行校正并显示在所述移动端20。

本发明对智能鞋垫的反馈系统的特征进行如下说明。

云服务器10基于步频统计模块41采集并统计的步行频率参数、运动时间和步行频率阈值判断用户的运动模式。所述云服务器10依据所述采集装置30采集的用户以不同加速度参数运动时的生理状态建立与所述用户的生理特征匹配的加速度等级列表，并且基于用户的所述加速度参数、与所述加速度参数在所述加速度等级列表中对应的步长参数和所述生理特征参数计算所述用户在不同运动模式中运动的步长阈值。其中，所述云服务器依据所述运动模式和所述步长阈值建立分级别的警报触发方案，并且在所述用户的步长参数大于与所述运动模式对应的所述步长阈值时候触发并发送对应的等级警报指令至所述移动端20。所述移动端20依据所述等级警报指令向用户发出对应等级的警报以进行预警。

根据一个优选实施方式，所述云服务器10基于所述采集装置30采集的加速度参数和生理特征参数计算与用户的生理特征匹配至少一个与时间阈值对应的步行频率阈值。云服务器10将所述时间阈值和所述对应的步行频率阈值推送至智能鞋垫40的所述警报触发模块42以建立初始警报触发方案。在所述智能鞋垫40与所述云服务器10和/或所述移动端20连接中断的情况下，所述警报触发模块42在所述步频统计模块41监测的步行频率大于对应运动模式的步行频率阈值的时刻基于所述初始警报触发方案触发并发送对应的等级警示指令至所述智能鞋垫40的警示模块43。

具体地，采集装置30将采集的加速度参数、生理特征参数和步行频率参数发送至云服务器。云服务器根据用户在运动过程中的加速度参数、对应的生理特征参数和对应的步行频率参数确定用户相对于每种运动模式的时间阈值和步行频率阈值。云服务器将用户能够承受的每种运动模式的时间阈值和步行频率阈值发送到智能鞋垫40的警报触发模块42以建立初始警报触发方案。每一种运动模式的时间阈值和步行频率阈值都不完全相同，都是基于用户的生理特征数据进行调整而形成的。警报触发模块42在触发警报的同时将等级警报指令发送至移动端20的警报模块22。警报模块22根据等级警报指令的等级发出对应级别的警报信息。警报信息可以是以自然语言描述的声音提醒，也可以是以不同频率的震动提醒，还可以是不同音量、音频、音色发出的警报声音。优选的，自然语言描述的声音、震动、警报声音中的一种或几种可以同时进行提醒。

例如用户为成年男子，身高为1.7m，体重为65kg，模式识别模块识别用户的运动模式处于跑步模式。

警报触发模块42依据用户的生理特征参数建立的跑步模式的预警方案为，当步行频率在10分钟内大于200hz，触发三级警报；当用户以180hz的步行频率持续运动30分钟，触发二级警报；当用户以大于160hz的步行频率的运动时间累积超过120分钟，触发一级警报。优选的，三级警报至一级警报的振动频率是逐次递增的。优选的，三级警报的警报信息为严重超速，建议用户放慢速度；二级警报的警报信息为超速，建议用户放慢速度；一级警报的警报信息为运动时间超时，建议用户进行休息。移动端20基于警报触发模块42发出的等级警报指令进行对应等级的警报提醒。

根据一个优选实施方式，所述加速度分级模块11基于所述采集装置30采集的加速度参数和与所述加速度参数对应的所述用户的生理特征参数建立加速度等级列表，并且基于所述模式识别模块13识别的运动模式和生理特征参数评估与每一个等级的加速度对应的步长参数区间范围。本发明能够根据用户的生理特征参数来确定加速度的等级，使得到的步长参数与用户的生理特征匹配更精确，减少了计算的误差，提高了反馈系统的准确性。

优选的，加速度分级模块11基于用户对各个瞬时加速度参数的生理反应的生理特征参数将瞬时加速度分级，例如，根据用户的心跳频率、血压的交叉特征，瞬时加速度从低到高分为四个级别，如表1所示。或者，根据用户的心跳频率，步行频率和血压的交叉特征，瞬时加速度从低到高分为五个级别。由于每个用户的生理特征和身体健康状况不同，因此匹配的各个级别的瞬时加速度范围也是不相同的。加速度等级列表包括与每一个级别的瞬时加速度对应的心率参数、血压参数、步频参数和运动时间。

身体健康的普通人的心率范围是60～100次/分钟，运动时心率不应当超过160次/分钟，且应当在最大心率的60％至80％之间。可因年龄、性别或其他生理因素产生个体差异。一般来说，年龄越小，心率越快，老年人心跳比年轻人慢，女性的心率比同龄男性快。特别地，运动员的心率较普通成人偏慢，一般为50次/分钟左右。身体健康的普通人的血压范围是90mmhg<收缩压<140mmhg、60mmhg<舒张压<90mmhg。

表1是本发明一种优选的加速度等级列表。

表1-加速度等级列表

如表1所示，根据在运动过程中，用户的心率和血压对加速度的反应参数，将心率范围为50～90次/分钟，且血压处于正常范围对应的加速度0～1.0m/s²列为第一等级加速度，将心率范围为91～120次/分钟，且血压处于正常范围对应的加速度1.0～2.0m/s²列为第二等级加速度，将心率范围为121～140次/分钟，且血压处于正常范围对应的加速度2.0～3.00m/s²列为第三等级加速度，将心率范围为141～160次/分钟，且血压处于正常范围对应的加速度大于3.0m/s²列为第四等级加速度。加速度等级越高，对应的步长参数就越大。

优选的，对于三轴加速度传感器采集的加速度的计算方法包括去噪和计算两步过程。

去噪计算方法为：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，是零均值高斯核，其中采用三轴合一的方法，计算三轴加速度传感器的信号矢量幅值svm(signalvectormagnitude)来确定加速度，以提高计步的准确性，计算公式如下：

其中，ax(t)、ay(t)、az(t)分别为t时刻三轴加速度传感器在x、y、z轴所测得的数据。

优选的，加速度分级模块11基于采集装置30中的步频参数、地理位置信息采集装置采集的运动轨迹、身高参数、体重参数综合评估用户的每一个等级的加速度对应的步长参数。例如，用户的第一步长参数为限定时间内平均步长与身高的比值。加速度分级模块11基于在相同时间段内采集的加速度参数和运动路程对第一步长参数修正得到第二步长参数。第二步长参数为计算后的步长参数。由于用户的运动模式不同，针对每一个运动模式和每一个加速度等级计算得到的步长参数也不同。鉴于用户的生理特征的限定，每一个用户的步长参数属于与自身生理特征匹配的步长参数区间范围。针对运动模式的特点，每一个运动模式的步长的计算方式也不相同。

如图2所示，云服务器对用户的总步长的统计方法包括：

s1：对采集参数分别加速度等级分配和模式识别；

s2：基于运动模式、由加速度计算的步长参数和生理特征信息综合评估与分级加速度对应的步长参数以及步长参数区间；

s3：基于步长参数区间、生理特征参数和分级加速度的累计时间综合得到用户运动的步长区间以及总步长。

s1：对采集参数分别加速度等级分配和模式识别。

根据生理数据反应的不同加速度，对加速度进行等级分配，同时根据原始生理数据分析得出用户的模式(静止、走路、跑步、上楼、下楼)，不同等级下的加速度会得到不同的步长参数θ，同时不同模式下的步长也采用不同的计算方式。

s2：基于运动模式、由加速度计算的步长参数和生理特征信息综合评估与分级加速度对应的步长参数以及步长参数区间。

例如，用户为身高h＝1.7m，体重为65kg的成年男子。加速度分级模块11对用户的加速度进行分级和评估后得到的步长参数θ在[0.353,0.824]区间内。

步长统计模块12统计的用户的步长范围a＝θ·h＝[0.353,0.824]×1.7＝[0.60,1.40](m)。

s3：基于步长参数区间、生理特征参数和分级加速度的累计时间综合得到用户运动的步长区间以及总步长。

用户的步行总长度即总步长b＝a1·t1+a2·t2+……+an·tn。其中，an表示与加速度等级对应的步长参数，tn表示用户以对应等级的加速度运动的累积时间。

步长统计模块12还基于生理特征计算用户的步长阈值。步长阈值是用户能够持续运动的最大总步长值。用户的身体素质会伴随运动训练发生提高。因此，用户的步长阈值也会根据用户在运动模式中的生理特征参数重新评估和调整。

根据一个优选实施方式，云服务器10中的方案触发模块15存储有预设的与所述运动模式和所述步长阈值相关的预设分级别警报触发方案。所述方案触发模块15依据用户的生理特征参数、步长统计模块12统计的与所述运动模式对应的特征步长阈值对预设分级别警报触发方案进行调整和修正从而建立与用户的生理特征匹配的分级别警报触发方案。所述方案触发模块15基于所述步长统计模块12监测的总步长参数和步行频率参数触发对应的等级警报指令。

优选的，云服务器10的数据库14中预存与所述运动模式和所述步长阈值相关的预设分级别警报触发方案。方案触发模块15基于用户的生理特征参数、加速度等级、步频阈值、步长阈值对预存的分级别警报触发方案进行调整和修正，形成与用户的生理特征匹配的分级别警报触发方案并存储在数据库14中与用户匹配的存储区域。方案触发模块15接收并监测用户在运动过程中的瞬时加速度、运动时间、运动模式、步行频率和总步长中的一种参数或几种参数。在用户出现步行频率参数大于对应运动模式的步频阈值、总步长参数大于步长阈值、心率参数大于心率安全值、血压参数异常中的一种或几种情况时，触发对应级别的等级警报指令。方案触发模块15将等级警报指令同时发送至智能鞋垫中的警示模块43和移动端20的警报模块22。警报模块22和警示模块43同时向用户进行预警。

根据一个优选实施方式，所述智能鞋垫(40)还设置有通信模块和临时存储模块。优选的，警报触发模块42在正常情况下处于催眠状态，在信号中断的情况下基于通信模块的激活而开始存储数据。

优选的，智能鞋垫40将采集的数据优先存储在临时存储模块，由临时存储模块发送至云服务器或移动端，从而避免用户数据由于突发情况出现丢失。

所述通信模块在信号中断的情况下，将接收的所处采集装置(30)发送的采集参数和所述步行频率参数暂时存储在所述临时存储模块。通信模块激活警报触发模块42。所述警报触发模块42将触发的初始警报触发信息发送至所述临时存储模块进行存储。所述通信模块在与所述云服务器和/或所述移动端恢复连接的时刻将所述采集参数、所述步行频率参数和初始警报触发信息发送至所述云服务器10和/或所述移动端20。所述通信模块在所述临时存储模块的存储信息发送完成后催眠所述警报触发模块42。临时存储模块对智能鞋垫40的数据进行存储。在智能鞋垫与云服务器的信号不能连接的情况下，不会导致智能鞋垫采集的用户数据丢失，使得云服务器在恢复连接后能够继续接收数据，从而保证了运动数据的完整性。

优选的，在所述通信模块与所述云服务器10的信号中断的情况下，所述移动端20的数据处理模块接收所述通信模块发送的数据信息并计算所述用户的生理特征参数、步长参数和运动模。所述移动端20将处理后的生理特征参数、步长参数和运动模式发送至所述云服务器进行存储。这样保证了在云服务器不能连接的情况下，用户可以查看和检索自己的运动数据。而不需要等待云服务器连接后才能对运动数据进行处理和查看。

实施例2

本实施例是对实施例1的进一步改进，重复的内容不再赘述。

本实施例对模式识别模块的识别方法进一步说明。

模式识别模块13基于所述步频统计模块41发送的与时间相关的步行频率参数形成步行频率曲线，并且基于步行频率曲线的波形特征、幅度特征、峰谷差值特征和/或预设步频阈值确定所述用户的运动模式。

云服务器或移动端基于用户的生理特征数据、三轴加速度传感器和压力传感器采集的参数、地理位置参数进行数据计算得到步行频率和峰谷差值，并发送至模式识别模块13。

压力传感器设置与智能鞋垫的前后脚掌位置。压力传感器记录用户前后脚掌的压力变化数据。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了用户上下楼状态时的数据。因为在上楼状态时，用户一般是后脚掌先着地；下楼状态时，用户一般是前脚掌先着地。因此，上楼和下楼状态的数据容易对判断结果造成干扰。步频统计模块41对前后脚掌次数进行统计，并将步行频率数据上传至移动端20和/或云端服务平台10进一步分析，判断运动模式，从而对用户反馈运动建议或进行警报提醒。

优选的，本实施例对实施例1中的加速度计算方法进行了改进。智能鞋垫具有特殊性。智能鞋垫由于自身的使用特性，三轴加速度传感器的坐标轴不会产生翻转。因此，本实施例针对智能鞋垫的实际使用方法对三轴加速度传感器的加速度计算方法进行改进。本实施例仅依据三轴加速度传感器采集的x坐标轴的数据计算步长，依据xyz轴的整体数据判断运动模式。在计算过程中，仅对x轴数据进行去噪处理。本实施例的计算方法简化了去噪方法和步长计算方法，减少了数据处理的过程，但是保持了计算结果的精确度。

针对智能鞋垫的特殊性，去噪计算方法为：用ax(t)表示t时刻x轴的加速度信号，记a(t)＝|ax(t)|，则高斯滤波公式为：

a′(t)＝g(t)a(t)＝g(t)·|ax(t)|

其中，是零均值高斯核，其中模式识别模块13将用户的步数频率参数与时间形成步数频率曲线图。如图3至图8所示的步数频率曲线示意图，本实施例的数据以频率200hz进行采样。图3至图8均由x轴、y轴、z轴的曲线图构成。三段曲线图的横轴均表示时间，单位为个数，共采样1000个数据点。纵轴是三轴加速度传感器基于接收的数据产生的离散点数据。纵轴的数据范围为[-32768,+32767]，对应的真实加速度为[-4g,+4g]。设纵轴的真实加速度为a，纵轴数值为a’，真实加速度的计算方法为：a＝4g*a’/32768。其中，g为重力加速度，即g＝9.81m/s^2。

关于图3至图8，因整体算法对运动模式的判断基于波形，而波形对应的点位约在[-40000，+40000]区间内，因此部分附图对纵坐标进行了放大。如原本纵坐标应[-32768,+32767]，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。需要注意的是，放大纵坐标不影响真实加速度的计算，即真实值算法不变。

图3至图8的采样总时间为1000/200＝5s。优选的，本实施例的采样时间最少为5s，可以多于5s。x、y、z三轴是基于三轴加速度传感器的方向定义的。以用户立正状态时的脚为参照物，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)。x轴、y轴和z轴的纵坐标代表基于接收的数据产生的离散点数据本实施例以年龄段为16-45岁正常健康状况的用户群体的数据进行说明。

如图3所示为静止模式的步数频率曲线图。如图3显示，在5s时间内，x、y、z三轴方向的数据幅值的波动范围都比较小，波峰与波谷的差值较小。说明用户没有任何动作，则判定用户处于静止状态。

如图4所示为行走模式的步数频率曲线图。如图4所示，x、y、z三轴方向的数据幅值都具有明显的波动，且波峰、波谷比较明显。用户的步行频率的判断阈值为1hz。当用户的步行频率低于预先设定的频率阈值1hz，判断用户处于行走状态。

如图5所示为跑步模式的步数频率曲线图。如图5所示，x、y、z三轴方向的数据幅值都具有明显的波动，并且波峰、波谷的波动范围较大，波峰之间的周期较短，说明用户的步行频率很快。例如行走模式的步行频率的判断阈值为1.5hz。当用户的步行频率高于预先设定的阈值1.5hz时，判定用户处于跑步状态。

如图6所示为抖腿模式的步数频率曲线图。如图6所示，x、y、z三轴方向的数据幅值都具有明显的波动。但是，x轴方向的数据的波峰周期较短。而y轴和z轴方向的波峰周期比x轴方向的波峰周期长。而且，x、y、z三轴方向数据的峰谷差值均远低于正常行走或跑步产生的峰谷差值，例如用户数据的峰谷差值为正常峰谷差值的0.5倍，因此判断用户处于抖腿状态。

如图6中z轴的时间位置200附近的峰谷差值显示，波峰与波谷之间的差值约为1.7。跑步模式时相同时间位置的峰谷差值为5。图6的峰谷差值低于跑步模式的峰谷差值的50％，即低于5*50％＝2.5。同时，用户的地理位置没有变化，则判断用户处于抖腿模式。

如图7所示为上楼模式的步数频率曲线图。上楼模式的z轴的数据曲线特征成双波峰。如图7所示，z轴的幅值数据呈现明显的双波峰，与预设的上楼模式的曲线特征符合。尤其在时间位置0-100之间形成的曲线，具有明显的双波峰特征。因此判断用户处于上楼状态。

如图8所示为下楼模式的步数频率曲线图。下楼模式预设的波形为，一段时间段内y轴加速度平均值低于行走的加速度平均值。本发明的加速度平均值是对所有加速度数据取绝对值，再进行相加并除以总时间得到的平均值。如图8所示，用户的y轴数据的加速度平均值低于行走的加速度平均值，与预设的波形特征一致，则判断用户处于下楼模式。判断y轴的加速度平均值不是唯一的方法。

优选的，判断用户的上楼模式和下楼模式的方法还包括：当z轴方向上的幅值数据平均小于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，判断用户处于上楼模式；当z轴方向上的幅值数据平均小于8500，而且x轴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，判断用户处于下楼模式。本实施例的预设波形包括阈值判定、平均值、波峰波谷差值、波峰波谷数量等可以直观显示的特征。

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。