用于自动姿势校准的系统和方法与流程

本申请要求于2016年3月9日提交的美国临时申请no.62/305,883的权益，该临时申请通过引用整体并入。

本发明一般而言涉及姿势反馈设备的领域，并且更具体而言涉及用于自动姿势校准的新的且有用的系统和方法。

背景技术：

市场上可获得健身和活动跟踪以及辅导设备的若干变体。这些产品通常涉及由用户附连或穿戴的传感器。这种产品的一种应用可以是姿势或人体工程学辅导。但是，常见的问题是感测设备常常不是一直附连到用户，从而导致提供准确的姿势辅导方面的问题。感测设备常常使用某种形式的校准，但是适当的校准是有挑战性的，并且有时取决于用户参与遵循规定的动作以便校准，这对于用户而言可能是麻烦的并且容易出错。即使利用校准，由于感测设备的用户或朝向改变，感测设备也会无法在活动过程中准确地表示姿势、人体工程学或其它生物力学方面。因此，在姿势反馈设备领域中需要创建用于自动姿势校准的新的且有用的系统和方法。本发明提供了这种新的且有用的系统和方法。

附图说明

图1是优选实施例的系统的示意图；

图2是用于耦合到衣物的示例性设计的示意性表示；

图3是优选实施例的方法的流程图表示；

图4是不同校准状态的示意性表示；

图5是示例性坐标系的示意性表示；

图6-8是示出运动学数据的俯仰和偏航校正的示例性数据的图形图表；

图9是处理多个活动状态的示意性表示；

图10是用于将运动学数据校准到基本行走朝向的过程的流程图表示；

图11是从基本朝向矩阵和目标朝向矩阵生成姿势校正因子的示意性表示；以及

图12是优选实施例的用于手动校准的方法的流程图表示。

具体实施方式

以下对本发明的实施例的描述并非旨在将本发明限制于这些实施例，而是使本领域技术人员能够制造和使用本发明。

1.概述

优选实施例的用于自动姿势校准的系统和方法用于在不同活动状态期间使用设备的朝向校准，以便评估用户的姿势和生物力学。该系统和方法优选地应用于在提供活动数据和/或姿势数据中使用的活动监视设备的背景中。由活动监视设备收集的原始传感器数据(例如，原始加速度计数据)可以取决于用户姿势和身体上的传感器放置。该系统和方法利用生成传感器数据的变换并且校准在穿戴时考虑位置和朝向的活动监视设备的方法。这种校准过程可以在后台发生，无需用户有意识地参与——自动校准。在校准之后，可以从身体上的传感器放置中抽象出传感器数据，并且传感器数据代替地反映用户姿势。

更具体而言，优选实施例的系统和方法用于通过间接参考第二活动状态的经校准的朝向以及第一活动状态与第二活动之间的相关联的偏移量来监视第一活动状态的姿势。例如，一个优选实现在用户行走时建立参考朝向，然后基于良好坐姿与行走姿势之间的偏移量来评估另一个活动状态(例如，就座)中的姿势。行走尤其是其中已经发现用户表现出基本一致的姿势的活动。此外，行走容易被检测到并且容易在持续的时间段内周期性地执行，这使得能够重新校准参考朝向。

该系统和方法可以提供多个潜在的益处。作为一个潜在的益处，该系统和方法对于在使用期间对传感器的扰动和移动可以是鲁棒的。具有惯性测量单元(imu)的传感器一般用于感测、检测和监视姿势。传感器一般将通过附连或粘附到身体的一部分或一件衣物上而耦合到用户。传感器和用户的相对朝向对于理解用户的生物力学至关重要。但是，传感器可以仅通过正常使用移动，或者甚至可以由用户主动移动或调整。该系统和方法的自动校准(和重新校准)能力可以解决相对朝向的这种改变。此外，用户校准的设置可以扩展到多次使用会话或甚至多个设备。可以避免用户为每次使用而发起校准。例如，即使当传感器以不同的相对朝向耦合到用户时，用户也能够跨多次使用具有准确的定制的姿势监视。

该系统和方法的另一个潜在益处可以是提高准确度。该系统和方法的一些变体可以定制姿势感测和监视，以针对特定用户或用户类。

作为另一个潜在益处，该系统和方法可以在不通过多个校准过程指导用户的情况下使得能够校准。用户可以简单地校准目标姿势，并且系统可以在用户行走时自动校准。

类似地，该系统和方法的另一个潜在益处可以是在活动监视设备如何安装到用户方面的灵活性。该系统和方法可以支持活动监视设备在各种身体位置(诸如上胸部、背部、骨盆区域、肢体和/或任何合适的身体位置)的物理耦合。此外，活动监视设备和用户的一般朝向可以变化。例如，活动监视设备可以附连成面朝上、朝下、右、左、前、后和/或任何合适的朝向。

作为另一个潜在益处，该系统和方法的姿势感测和监视可以扩展到多个活动状态，使得可以对于就座、长时间站立、行走、跑步、驾驶和/或任何合适的活动唯一地监视姿势。

作为另一个潜在益处，该系统和方法可以支持其它可用性特征，诸如姿势反馈静默(silencing)。在一些情况下，当未实现姿势目标时，用户可能想要暂时暂停主动反馈。在一个实现中，可以将静默特征集成到系统和方法中。此外，用于启用静默特征的机构可以被简化为执行与发信号通知校准事件相同的动作。例如，由用户以基本类似的方式使用的单个按钮可以既用于辅导系统考虑被认为是良好的姿势又用于暂时暂停姿势反馈。

该系统和方法可以用于各种用例，诸如姿势辅导、人体工程学辅导、感测如跑步或骑车的活动的生物力学特性，和/或任何合适的用例。在本文中，该系统和方法主要被描述为用于监视用户的脊柱姿势，但是该系统和方法可以可替代地用于校准和监视任何合适的身体部位的朝向。

2.系统

如图1中所示，优选实施例的用于自动姿势校准的系统包括活动监视设备110和自动校准模块120。

优选实施例的活动监视设备110充当用于检测用户的移动和/或朝向的传感器。活动监视设备110优选地是耦合到用户的可穿戴设备。活动监视设备110可以由用户直接穿戴或附连，或者通过附连到穿着的一件衣物上而间接地耦合。在一个变体中，活动监视设备110是独立设备，其可以独立于其它部件操作。在另一个变体中，活动监视设备可以通信耦合到至少第二设备，诸如可在个人计算设备上操作的应用或可在服务器系统上操作的web服务。个人计算设备可以包括移动电话、智能手表、智能可穿戴设备和/或任何合适的计算设备。在一个优选实施例中，活动监视设备110包括被配置为可拆卸地附连到一件衣物上的外壳和/或紧固机构。紧固机构可以是销、夹子或任何合适的锁定机构。

在图2所示的两件式垂饰(pendant)实现中，活动监视设备110包括主壳体(即，“垂饰”)和磁体耦合器。垂饰优选地容纳主要的计算部件。磁体耦合器优选地磁耦合到磁耦合区域周围的垂饰。至少一个磁体可以定位在磁耦合区域和/或磁体耦合器中。磁耦合优选地足够强，以促进穿过衣物层的吸引力。用户可以将主壳体放在衣服的下侧，然后通过将磁体耦合器磁性耦合在衣服的相对侧上来将垂饰固定在适当位置。按钮可以定位在磁耦合区域下方并围绕磁耦合区域，使得用户可以按压磁体耦合器以激活垂饰上的按钮。

活动监视设备110优选地包括传感器系统，该传感器系统包括惯性测量单元112。惯性测量单元112用于测量活动的多个运动学特性。惯性测量单元112可以包括至少一个加速度计、陀螺仪、磁力计和/或其它合适的惯性传感器。惯性测量单元112优选地包括传感器的集合，它们被对准，以沿三个正交轴检测运动学特性。在一个变体中，惯性测量单元112是9轴运动跟踪设备，其包括3轴陀螺仪、3轴加速度计和3轴磁力计。活动监视设备110还可以包括提供传感器融合的集成处理器。传感器融合可以组合来自各种传感器的运动学数据，以减少不确定性。在这个应用中，它可以被用于估计相对于重力的朝向，并且可以被用于针对来自传感器的数据分离力或感测到的动态。设备上的传感器融合可以提供其它合适的传感器便利性。可替代地，可以组合多个不同的传感器以提供运动学测量的集合。可以控制设备上的传感器融合部件，以根据下面描述的方法校准惯性测量单元112。

活动监视设备110的感测系统可以附加地或可替代地包括其它传感器，诸如高度计、全球定位系统(gps)或任何合适的传感器。还可以包括生物传感器。

此外，活动监视设备110可以包括到一个或多个计算设备或具有一个或多个传感器的附加活动监视设备的通信信道。例如，惯性测量系统可以包括到智能电话的蓝牙通信信道，并且智能电话可以跟踪和检索关于地理定位、覆盖的距离、高度变化的数据和其它数据。

活动监视设备110可以附加地包括校准输入端114，其用于使得能够生成信号以触发用于指导活动监视设备110的校准的校准事件和/或发信号通知任何其它合适的信息。校准输入端114可以是活动监视设备上的物理或虚拟按钮，诸如上面的两件式垂饰实现中描述的按钮。校准输入端114可以可替代地或附加地是由诸如用户应用之类的连接设备提供的用户输入机构。

在一个优选的操作状态下，校准输入端的激活触发用于确定目标(即，参考)姿势样本的运动学数据的收集。例如，用户可以通过以良好的姿势站立来引导系统处于被认为是良好的姿势，然后通过激活校准输入端并将姿势保持最小持续时间来校准系统，以识别这个姿势。

可以使校准输入端114过载以引导其它信号。例如，校准输入端114可以附加地被配置为触发静默事件，其可以暂时暂停姿势反馈。例如，用户可能不希望在他们斜倚和放松时被告知他或她的不良姿势。在处于特定的不良姿势时，校准输入端的激活可以被分类为静默事件而不是校准事件。作为响应，可以暂停姿势反馈，直到在用户离开“不良”姿势达到最小量的时间之后，或者在满足任何合适的条件时，重新激活姿势反馈。

活动监视器设备110和/或系统的另一个设备可以包括用户反馈机构，该用户反馈机构可以包括至少一个用户接口元素，其可以提供触觉反馈、音频反馈、图形反馈(例如，在设备上或在应用中)、信息反馈(例如，数据分析表示)和/或其它形式的反馈。

自动校准模块120用于处理由活动监视设备生成的运动学数据。自动校准模块120优选地包括被配置为促进下面描述的校准过程的至少一部分的操作逻辑。特别地，自动校准模块120可以被配置为将由活动监视器收集的运动学数据校准到基本行走朝向。自动校准模块120可以附加地被配置为检测活动状态、检测校准事件、设置姿势校正因子和/或用于自动姿势校准的方法中的其它过程。自动校准模块120优选地集成到活动监视设备110中。可替代地，部分或整个自动校准模块120可以与诸如智能电话或智能手表之类的辅助设备集成。例如，用户应用可以被配置为处理自动校准模块120的自动校准过程的至少一部分。

3.方法

如图3中所示，优选实施例的用于自动姿势校准的方法s100可以包括通过耦合到用户的活动监视设备收集运动学数据s110，将运动学数据校准到活动监视设备的基本行走朝向s120，设置姿势校正因子s130，利用校准的运动学数据测量用户姿势s140，以及基于通过姿势校正因子调整的用户姿势来触发姿势反馈s150。

该方法优选地由诸如上述系统之类的系统实现，但是可替代地可以由任何合适的系统实现。该方法优选地与收集至少一个运动学数据点的至少一个活动监视系统相关联地实现。例如，感测设备可以附连到衣服的上胸部区域，但是感测位置可以可替代地是任何合适的位置，诸如在腰部区域、骨盆区域、背部、头部处或任何合适的位置。可替换地，该方法可以附加地涉及从多个点感测运动学数据，并将该运动学数据应用于校准和监视姿势。

在一个变体中，该方法在与感测系统连接的独立设备上实现。在另一个变体中，该方法在可以在个人计算设备(例如，智能电话、可穿戴计算设备或个人计算机)上操作的本机应用上实现。在又一个变体中，该方法可以在远程服务器上的云中实现。可替代地，该方法可以通过任何合适的系统实现。

该方法的变体可以在感测和监视姿势、用户发起的校准和/或数据驱动或机器学习中使用预先配置的特性。该方法可以附加地用于更改活动监视设备的操作模式。作为简单实现的一个示例，活动监视设备可以预先配置有固定的姿势校正因子。在一些情况下，对大多数用户来说，与行走姿势2度的偏移量可以接近良好目标姿势。在活动监视设备的状态改变的另一个示例中，活动监视设备可以支持结合手动校准的自动校准，如图4所示。

包括通过耦合到用户的活动监视设备来收集运动学数据的方框s110用于感测、检测或以其它方式获得反映用户运动和/或朝向的时间序列传感器数据。在一个变体中，运动数据流的数据是从活动监视设备检测到的原始未处理传感器数据。活动监视设备优选地包括至少一个如上所述的惯性测量单元，但是可以使用任何合适的感测系统。替代的中间数据源可以提供从任何合适的系统收集的存储数据。在另一个变体中，数据可以被预处理。例如，数据可以被过滤、误差校正或以其它方式变换。

运动学数据中的各个运动学测量优选地与沿着限定的轴的不同运动学测量对应。运动学测量优选地沿着正交轴的集合(例如，x、y、z坐标系)。

运动学测量可以包括加速度、速度、位移、力、角速度、角位移、倾斜/角度，和/或与活动的运动学特性或动态特性对应的任何合适的度量。优选地，感测设备提供如由加速度计沿着三个正交轴检测到的加速度。运动学数据流的集合优选地包括在三维空间中的任何正交轴集合(在本文中表示为x、y、z轴)中的加速度。因而，收集运动学数据可以包括收集三轴加速度计数据。可以附加地收集附加的运动学传感器数据，诸如来自三轴陀螺仪的三轴角速度。附加地，感测设备可以通过磁力计(例如，三轴磁力计)检测磁场。优选地以某个采样率(例如，25hz)收集运动学数据。当没有移动时，加速度计读数优选地仅反映地球引力，导致：

其中

如下所述，测量轴可能不与活动的优选或假设的坐标系对齐。因而，在方框s120中可以校准一个或多个传感器的测量轴。x、y和z的相对值由加速度计的当前朝向确定。出于校准目的，我们希望找到朝向框架r，使得当用户站立或坐直时处于良好姿势：

在与r相乘之后的朝向应当使得对于在本文使用并在图5中示出的所选坐标，当向右弯曲时x'变为正，并且当向后弯曲时z'变为正，而y'对于向上加速度而增加。我们定义向前/向后角度θ使得对于完全直立的位置θ＝90°。向前弯曲将导致较小的值θ。

活动监视设备优选地物理地耦合到用户的身体或衣物。耦合至少部分地稳定，使得相对耦合朝向/位置的总体(gross)变化在短时间内保持恒定。但是，该方法优选地足够鲁棒，以支持相对朝向的局部波动。例如，活动监视设备可以耦合到用户穿的衬衫，衬衫的移动可以改变活动监视设备的相对朝向，但是改变被局限于在衬衫上活动监视设备附连到的区域内的改变。如上面所讨论的，活动监视设备可以附连在各种位置和/或朝向。以这种方式，用户可以在他们附连活动监视设备的位置和方式方面具有更大的灵活性。在优选实现中，可以从不一直安装的活动监视设备收集运动数据流的收集s110。活动监视设备的特征一般在于当传感器的朝向在不同的安装(例如，活动监视设备可以在使用之间在不同位置处耦合到用户)和不同的用户之间基本上不完全相同时不一直安装。传感器一般在使用之间和可能使用期间具有不同的朝向。该方法的方框s120可以优选地考虑朝向改变的这种可变性。

包括将运动学数据校准到活动监视设备的基本行走朝向的方框s120用于针对其在行走时的一般朝向使运动学数据规格化或“居中”。更一般而言，方框s120可以可替代地包括在基本活动期间将运动学数据校准到活动监视设备的基本活动朝向。行走活动状态具有特定的特点，可以使其成为用于校准的基本活动的有吸引力的候选。通常执行行走，从而提供校准和更新校准的若干机会。甚至在初始校准之前就可以检测行走。用户姿势一般是一致的，并且在行走时接近良好姿势。可替代地或另外地可以使用替代活动状态。在一个变体中，可以使用多个活动状态，其中系统可以基于不同的活动在校准之间切换。

将运动学数据校准到基本行走朝向优选地包括检测行走s122以及当行走时根据运动学数据生成基本行走朝向s124，如图10中所示。

包括通过运动学数据检测行走活动状态的方框s122用于检测行走活动状态。可以采用各种通过运动学数据检测行走的方法，诸如在2015年9月5日发布的美国专利9,128,521中检测到的行走检测方法，该专利通过引用整体上并入本文。可以在任何校准之前执行行走活动状态的检测，以校正传感器位置。因此，检测行走活动状态对于在不同朝向下工作应当是鲁棒的。

检测行走活动状态的一种可能方法是评估加速度计读数的能量并将该能量与指示行走的阈值进行比较。对于在时间t记录的样本数据，优选的加速度计能量得分at的测量可以通过下式给出：

其中xt、yt和zt是在时间t沿着轴x、y和z的加速度计测量结果。

这个量的改变指示运动。因此，可以将与前一帧的差计算为

dt＝|at-at-1|。

可以将能量得分差相加并与阈值进行比较。在一个特定实现中，能量得分差在宽度为两秒的巴特利特(bartlett)窗中求和。在采样率为25hz的实现中，这个计算可以是：

并且以其缩放形式：

如果在时间t我们的行走得分st超过设定的阈值，那么加速度计读数可以被分类为行走样本。在一个示例性实现中，实验确定的阈值70(其中1g表示2048)可以被用作阈值，其等同于平均值1.118g。可以重复执行这种加速度计功率评估。可以针对一个这种读数检测行走活动状态，但是可能需要将最小数量的连续读数分类为行走样本，以有资格作为行走活动状态。

替代实现可以通过替代感测方法来检测行走活动状态。例如，计步器传感器可以被用于检测何时检测到行走节奏。可替代地，可以基于位置的变化率来检测行走活动状态。例如，诸如gps之类的位置检测设备或移动设备的位置服务可以被用于检测位置的改变。如果变化率在行走速度内，那么可以检测到行走状态。在另一个变体中，用户或其它实体可以向活动监视器设备发信号通知用户处于行走活动状态。例如，用户可以点击指示用户正在行走的按钮。可以使用检测行走活动状态的其它替代方法。

优选在检测到至少最小量的行走活动时建立基本行走朝向。在一个变体中，需要检测最小数量的步数(例如，至少5步、至少10步等)。在另一个变体中，必须检测或激活行走活动状态达最小量的时间(例如，至少5秒、至少10秒等)。优选地对于至少最小量的行走活动记录运动学数据。可替代地，可以使用单个快照的运动学数据。

包括在行走时根据运动学数据生成基本行走朝向的方框s124用于校准将用于姿势监视和/或其它形式的活动跟踪的运动学数据的参考朝向。可以使用用于校准基本参考朝向的各种方法。一种优选的实现可以包括校正运动学数据的俯仰和/或校正运动学数据的偏航。基本行走朝向的校准可以依赖于生成一个或多个旋转矩阵，这些旋转矩阵被设置为将运动学数据校准到那个参考朝向。优选地，通过计算基本朝向框架来建立基本行走朝向，该基本朝向框架是将用在校准运动学数据中的旋转矩阵应用于行走朝向框架的结果。基本朝向框架可以作为rbase给出，其中rbase＝ryrxrz。

在已经收集了足够数量的行走读数之后，可以实现校正运动学数据的俯仰和滚动。在一个变体中，可以使用至少三秒或三步。在一些优选实现中，可以使用十步、十秒或大约250个样本作为最小阈值，但是可以使用任何合适的阈值。自然行走可以使脊柱进入良好或至少一致的姿势。

在一个优选实现中，然后可以计算旋转矩阵ro，使得

ro是两次旋转的产物

ro＝rxrz

其中rx由下式给出

并且rz由下式给出

旋转矩阵ro及其分量rx和rz用于校准俯仰和滚动。角度θ和φ定义为

和

可以用各种方法类似地解决校正运动学数据的偏航。在一种简单的方法中，活动监视设备的朝向可以假设为零度或180度。可以使用朝向假设来代替更高分辨率的校正。朝向假设也可以用作临时解决方案，因为收集了足够的运动学数据。在偏航校正中使用的方差和协方差可能需要多个样本(例如，以25hz采样的至少750个样本或30秒的行走)。在一个优选实施例中，可以通过分析运动学数据的多维绘图的形状来调整运动学数据样本集合的误差。可以假设人类基本上左右对称，使得将较大的特征向量与z轴对齐导致左右对称的测量结果云。优选地在校正俯仰和滚动之后执行偏航形状校正。在这里，运动学数据样本集合由下式表示：

通过适当的俯仰和滚动校正，建模假设可以是：

和

这个建模假设基于(avg(x)，avg(y)，avg(z))的旋转在y轴上(例如，avg(x)＝0和avg(z)＝0)。建模假设也可以是

样本的特征向量可以用于确定要应用于运动学数据样本集合的校正旋转。作为说明性示例，图6示出了在三维曲线图中校正俯仰和滚动之前和之后的行走活动状态期间的1000个加速度计读数，其中穿戴在下背部上的传感器在校正俯仰和滚动之前和之后向右移动。在这个示例中，可以观察到x和z的平均值在校正后大约为0。y的近似平均值是1g，在这个示例中由传感器值2048表示。图7示出了具有特征向量的二维曲线图中的对应数据，其可以用于校正偏航。图8示出了在旋转由较大特征向量定义的角度之后的对应数据。

这种实现可以利用主成分分析(pca)。pca方法优选地仅考虑两个维度作为简化策略。执行pca的二维变化可以包括生成协方差矩阵、生成特征向量和特征值，以及校正与特征向量的角度对应的偏航。本文描述用于估计协方差矩阵以及特征向量和特征值的一种特定方法，其对于具有受限的电池、ram和计算能力的计算设备会特别有益。可以使用任何合适的方法。

在生成协方差矩阵时，可以将xz协方差矩阵定义为

其中

var(x)＝e(x²)-e²(x)

和

cov(x，z)＝e(xz)-e(x)e(z)。

在这里使用大写字母，因为加速度计读数被视为随机变量。这里的e(x)表示x的期望值，其可以通过取x的观察读数的平均值或使用任何合适的估计来估计。

由于上述计算依赖平均值，因此在一个实现中，存储器节省方法可以用新样本读数更新平均值而不存储所有先前样本。假定x的前n个值的已知的平均于是：

这种平均方法可以用于估计e(x)、e(z)、e(x²)和e(xz)，并且根据预期值估计来计算协方差矩阵的估计。假定为大样本尺寸(例如，超过100个样本)，与更严格的或传统估计的差可以忽略不计。对于图6所示示例中的1000个点，估计的协方差矩阵是

对于二维生成特征向量和特征值可以用封闭解(closedsolution)来退化(degenerate)为二次方程。2d协方差矩阵可以具有以下形式

然后可以将两个特征值设置为

其中

由于cov(x，z)≠0，因此对应的特征向量将是或者

或者

校正与特征向量的角度对应的偏航优选地使运动学数据点的集合对应于围绕y轴旋转ve和z轴之间的角度，其中υe＝(xe，ze)是与较大特征值对应的特征向量。ve和z轴之间的角度可以由下式给出

然后，偏航校正是围绕y轴旋转-φe：

然后可以将完整的基本朝向框架定义为rbase＝ryrxrz。由于特征向量的负值也是特征向量，因此该方法可以使用启发式方法来选择适当的特征向量。如果活动监视设备穿戴在下背部上，那么如果向前/向后朝向正确，则预期cov(y，z)为负。如果cov(y，z)为正，那么可以向偏航校正角度添加180度的校正。如果传感器穿戴在上躯干的前部，则情况相反，正确的向前/向后朝向与正的cov(y，z)对应。可以假设、检测、指定或以其它方式确定近似传感器位置。也可以使用对其它身体区域的校正。

在上面的示例中，φe计算到-19.8度。如图8中所示，运动学数据读数集合被校正为关于x轴基本对称地对齐，这与用户的一般左右对称性对应。

优选地，在检测到基本活动状态(例如，行走活动状态)时自动触发方框s120。优选地，在针对每个使用会话初始检测到基本活动状态时执行方框s120。更优选地，优选地重复执行方框s120，使得可以校正运动学数据，以考虑活动监视设备的相对朝向的改变或其它改变。因而，方框s120包括在随后检测到行走活动状态时重新校准运动学数据，其中基本行走朝向至少部分地基于随后的朝向分析来更新。

基本行走朝向可以附加地或可替代地响应于手动激活的触发而被静态校准。当用户处于良好姿势并触发手动校准事件时，手动校准包括确定完整的朝向框架，rtarget＝ryrxrz。可以通过使能活动监视设备上的物理或虚拟按钮或使用任何合适的触发器来触发手动校准事件。然后使用目标姿势来校准传感器的朝向，该朝向随后可以被用于评估用户的姿势和生物力学。在方框s120中，手动校准的目标姿势可以被用作参考姿势，以结合基于活动的校准来确定姿势校正因子。手动校准可以或者作为唯一的校准方法独立完成，或者与自动校准结合使用。在一个变体中，可以在自动校准激活之前(例如在用户走路之前)使用手动校准。例如，活动监视设备在首次被激活时可以使用手动校准模式直到用户行走，这将激活自动校准模式的使用。在另一个变体中，活动监视设备可以包括可选择的校准模式，使得用户可以在自动校准模式和手动校准模式之间改变校准模式。在另一个变体中，该方法可以不包括活动检测，并且指导用户在基本活动期间手动校准。例如，用户可以在行走时或在另一个合适的参考活动期间手动触发校准。当手动校准模式处于活动状态时，可能无法计算或使用姿势校正因子，因为假设用户在触发手动校准事件时例示良好姿势。包括设置姿势校正因子的方框s130用于建立基本活动(例如，行走)的朝向与至少第二活动(例如，就座)之间的差异。姿势校正因子优选地表征可以被用于变换姿势评估的一般观察到的差异或偏移量。在一个实现中，针对特定活动的姿势校正因子可以是目标姿势朝向与基本朝向之间的一个或多个角度偏移量。此外，不同的活动可以具有不同的姿势目标和不同的对应姿势校正因子。行走活动可以被用作参考朝向，因为人们一般具有一致的行走姿势并且一般在行走时保持良好的姿势和平衡，否则人会摔倒。姿势校正因子可以是当校准到行走姿势时与由活动监视设备检测到的朝向的偏移量集合。例如，用户可以以向前两度的姿势来行走。由于活动监视设备被校准到行走朝向，因此可以通过使用具有负两度的校正偏移量的行走姿势来检测具有直立坐姿(即，零角度)的自动校准角度。在这个示例中，姿势校正因子将被设置为负两度偏移量。

可以通过许多替代方法来设置姿势校正因子。在一个变体中，可以缺省地设置姿势校正因子。例如，可以使用各种测试来确定可以用于大多数用户的一般可应用的姿势校正因子。在另一个变体中，可以基于个性化的特点来设置姿势校正因子。例如，可以基于人口统计(例如，年龄、性别、位置)、健康度量(例如，基于运行统计的健康水平)或任何合适的度量将姿势校正因子指派给用户。更优选地，可以通过校准事件来设置姿势校正因子。可以通过这种校准如上所述计算目标朝向框架rtarget＝ryrxrz。然后可以通过比较目标朝向框架与基本朝向框架来计算姿势校正因子。作为一个示例，姿势校正因子可以部分地基于由正交轴{xb，yb，zb}表示的基本朝向框架和由正交轴{xt，yt，zt}表示的目标朝向框架之间的重力向量的(一个或多个)角度偏移量，如图11中所示。由于重力向量在每个朝向框架中不同，因此姿势校正因子考虑这些框架之间的这种差异。可以应用启发式和/或机器智能来基于针对新校准事件的新计算的朝向框架来更新目标朝向框架。

在一些变体或替代实施例中，诸如当处于手动校准模式时，目标姿势可以等同于基本姿势，其中rbase＝rtarget，使得不存在需要应用的姿势校正因子的偏移量分量。手动设置的目标姿势是在姿势校正因子中不需要这种偏移量分量的一种情况。当基本活动状态的姿势基本上等同于第二活动状态时，可以是另一个场景。

在一些情况下，可以基于可用数据使用不同的姿势校正因子。例如，活动监视设备可以最初缺省为一般偏移量，然后一旦接收到人口统计信息就使用姿势校正因子，并且一旦可以针对用户校准姿势校正因子，就使用校准的姿势校正因子。

如所提到的，设置姿势校正因子的一种变体可以包括基于至少一个校准事件设置姿势校正因子。方框s130可以包括通过活动监视设备接收校准事件信号，响应于校准事件信号而测量持续时间段内的代表性姿势，并基于代表姿势设置姿势校正因子。校准事件信号可以是响应于用户交互而触发的逻辑信号。例如，用户可以按下活动监视设备上的校准按钮以触发校准事件。用户可以替代地通过连接的应用(例如，使用智能电话应用)触发校准事件。可替代地，可以通过其它机构触发校准事件。

测量代表性姿势可以包括记录活动监视设备的朝向一段时间。在存在运动(例如，跑步或行走)的活动中，可以处理运动、朝向改变和其它运动学人工痕迹(artifact)，以表征代表性姿势和偏移量。在一些情况下，代表性姿势是可以用于表征偏移量的朝向。在其它情况下，代表性姿势可以表征其它方面，诸如中位姿势、平均姿势、姿势范围和变化，和/或姿势的其它特性。

在手动设置变化中，基于代表性姿势设置姿势校正因子可以包括用与校准事件的代表性姿势对应的更新后的姿势校正因子替换姿势校正因子。例如，用户可以通过坐成目标姿势并激活校准输入端来设置新的目标姿势——先前的目标姿势可以被替换或更新。更优选地，设置姿势校正因子包括基于代表性姿势的处理和来自早期校准事件的代表性姿势的历史来设置姿势校正因子。例如，可以在设置姿势校正因子时对十个最近的代表性姿势进行平均。

在机器智能变化中，基于代表姿势设置姿势校正因子可以包括将姿势校正因子设置为多个校准事件期间的代表性姿势的机器学习分析。

在一个实现中，可以收集并分析大量手动设置的姿势校正因子作为监督回归问题，其中可以通过机器学习方法(诸如神经网络或支持向量回归)来馈送训练偏移量和目标偏移量，以获得更好的预测。可以针对单个用户收集分析中使用的姿势校正因子，但也可以针对一组用户测量姿势校正因子。

启发式和/或机器智能可以附加地应用于检测和解决特定场景。该方法可以包括在上下文中区分校准输入端的激活并且基于场景分类选择性地触发校准事件、静默事件或任何合适类型的事件。在一些场景中，可以忽略校准输入端的激活，因为当前条件不能将事件限定为用于校准或作为静默反馈的信号。

一种边缘情况场景是解决在按钮被意外碰撞时可能发生的意外校准事件。该方法可以包括对校准事件进行分类并拒绝被分类为错误校准的校准事件。例如，可以将分类器设置为通过查找校准中不符合真实校准的细节来自动检测和拒绝错误校准事件。这可以被视为监督分类问题，其可以利用神经网络、径向基函数、支持向量机、k-最近邻等。可以通过基于启发式的规则附加地或可替代地检测意外校准事件。可以拒绝校准事件和/或可以基于各种规则对更新后的姿势校正因子进行不同的加权。一些示例性规则可以包括：检测当前姿势校正因子与新测得的姿势校正因子(即，响应于校准事件而测得的姿势校正因子)的差异是否大于差异阈值；当先前运动大于运动阈值时检测校准事件；以及检测姿势校正因子的改变大于改变阈值。可以使用其它合适的基于启发式的规则。

另一个边缘场景是当用户试图将姿势校准到临时非理想姿势时，例如当他们向后倾斜并在椅子上放松时。该方法可以包括在校准事件被分类为静默事件的姿势状态期间对校准事件进行分类和暂停姿势反馈。由于高度不规则的姿势，可以检测到静默校准事件。例如，如果校准事件的计算出的偏移量大于设定的阈值，那么校准事件可以被认为是静默事件。例如，当用户向后倾斜时，他们可以激活校准输入端以在他们放松时“静默”姿势反馈。姿势反馈的暂停可以持续设定的时间量，直到在运动学数据中检测到某种活动条件，或者基于任何合适的条件。

优选地，针对特定活动设置姿势校正因子。特别地，姿势校正因子优选地为就座状态设置。因而，该方法可以包括检测两个状态之间的活动状态过渡。在就座时监视姿势的情况下，该方法可以包括检测就座活动状态和至少第二活动状态(例如，行走、跑步、站立、驾驶等等)之间的活动状态过渡。

该方法可以附加地支持多个独立的姿势校正因子，如图9中所示。例如，该方法可以使得能够为站立、就座、跑步、驾驶或任何合适的活动设置和校准不同的姿势校正因子。可以基于地理定位、一天中的时间或其它合适的特性来指派进一步的姿势校正因子。当利用多个姿势校正因子工作时，该方法可以包括设置至少第二姿势校正因子，其中第一姿势校正因子用于第一活动状态，并且第二姿势校正因子用于与第一活动状态不同的第二活动；并且其中触发姿势反馈包括：当处于第一活动状态时，基于由第一姿势校正因子调整的用户姿势触发姿势反馈；以及当处于第二活动状态时，基于由第二姿势校正因子调整的用户姿势触发姿势反馈。该方法优选地包括检测活动状态并适当地选择姿势校正因子。

包括用校准的运动学数据测量用户姿势的方框s140用于监视用户姿势。用户姿势优选地通过来自活动监视系统的运动学数据测量来表征。在方框s150中，测得的用户姿势优选地用于评估或跟踪用户姿势的特性。可以在活动监视设备的活动状态期间连续地执行测量用户姿势。例如，测量用户姿势可以可替代地限于特定活动状态。例如，可以仅在检测到用户处于就座活动状态时执行用户姿势。测量用户姿势可以包括生成当前朝向框架，该朝向框架可以在方框s150中用于与基本朝向框架和姿势校正因子进行比较。

利用校准的运动学数据测量用户姿势可以附加地包括评估用户姿势的质量，这用于在考虑校准的朝向之后判断姿势。测量用户姿势以及更具体而言在一个实现中评估质量可以包括以与上述类似的方式收集运动学数据并且生成与通过姿势校正因子调整的基本朝向的比较。可以以各种方式进行比较。在一个实现中，可以以与上面的基本朝向框架基本相似的方式计算当前朝向框架，其中当前朝向框架基于最近采样的运动学数据。然后可以将当前朝向框架rcurrent与通过姿势校正因子进行校正或增强的基本朝向框架rbase进行比较。如果传感器朝向发生变化，rtarget可能不需要在一天中经常更新，因为rbase朝向框架被不断地或周期性地更新。在另一个实现中，实时运动时间序列数据由rbase变换为实时姿势值，并与如由rbase和姿势校正因子(例如，姿势偏移量)定义的理想姿势进行比较。该比较可以指示朝向差异，该差异可以是类似于偏移量的、实时姿势值与目标理想姿势的偏差的测量。例如，从理想坐姿向前倾斜五度的用户可以具有五度的朝向差异。朝向差异可以附加地表征沿着各种向量的姿势偏差(例如，向后的角度朝向差异、向侧面倾斜的朝向差异等)。然后可以针对各种条件分析朝向差异，作为评估姿势质量的方式。优选地，可以将这种朝向差异与可以表征不同类型的姿势(诸如表征“优秀姿势”、“正常姿势”和/或“不良姿势”)的姿势阈值集合进行比较。姿势阈值可以被定义为关于一个或多个轴的朝向的角度范围，但是可以使用任何合适的表征。例如，良好的姿势可以被表征为以理想姿势角为中心(或包含理想姿势角)的角度范围，并且不良姿势可以被表征为具有该角度范围之外的角度的用户姿势。理想姿势一般是姿势校正因子促进以作为目标姿势的定位框架。替代的姿势状况可以解释其它因素，诸如随时间变化的平均用户姿势、在一天或时间窗口期间特定姿势的总持续时间、姿势的改变和/或其它因素。在附加的变体中，姿势状况可以基于姿势校正因子的训练而改变。例如，目标姿势所允许的变化可以基于训练样本中的变化来调整。

包括基于由姿势校正因子调整的用户姿势触发姿势反馈的方框s150用于在针对目标姿势状态判断时对当前用户姿势作出反应。优选地，当当前姿势满足条件时，递送姿势反馈。姿势反馈可以是肯定的——指示用户表现出良好的姿势。姿势反馈可以附加地或可替代地是否定的——指示用户未表现出良好的姿势。基于启发式的规则和/或算法分析可用于确定何时以及如何递送姿势反馈。来自方框s140的姿势质量的评估和分析优选地用于确定姿势反馈。例如，可以设置姿势状况的集合，其中姿势范围阈值用于确定分类的姿势(例如，优秀姿势、良好姿势、不良姿势等等)，并且基于姿势的分类来递送指定形式的反馈。在另一个示例中，可以应用机器学习来以动态方式应用反馈，使得反馈被建模为促进更好的姿势。这可以被视为监督分类问题，其可以利用神经网络、径向基函数、支持向量机、k-最近邻等。

可以以各种方式递送反馈，包括但不限于触觉反馈、音频反馈、图形反馈(在设备上或在应用中)、信息反馈(数据分析表示)和/或其它形式的反馈。例如，反馈可以是当姿势偏离目标姿势时通过活动监视设备或应用递送的触觉振动反馈。可替代地，反馈可以是信息性的(informational)并且通过图形用户界面上的或生成的报告中的数据表示来表示。

如图12中所示，一个优选实施例的用于手动校准的方法s200可以利用本文所述的方法中的一些方法用于仅使用手动校准的活动监视设备，该方法可以包括通过耦合到用户的活动监视设备收集运动学数据s210；通过活动监视设备接收校准事件信号s220；响应于检测到校准事件，设置活动监视设备的基本朝向s230；用校准的运动学数据测量用户姿势s240；以及，基于与基本朝向相比的用户姿势而触发姿势反馈s250。在这里，设置活动监视设备的基本朝向可以基本上类似于方框s120的设置基本朝向，并且可以使用更新基本朝向来代替设置姿势校正偏移量。这种方法可以独立使用或与本文所述的自动校准方法组合使用。在一种模式中，方法可以包括活动监视设备在处于自动校准模式时执行方法s100，并且在处于手动模式时执行方法s200。

用于设置上述姿势校正因子的各种方法中的许多方法可以应用于在手动校准期间设置基本朝向。

在使用校准事件来设置或更新基本朝向的变体中，设置朝向框架以校准运动学数据可以利用在设置姿势校正因子中使用的相同方法中的一些。

在一个变体中，手动校准模式可以包括在上下文中区分校准事件以及过滤或丢弃校准事件，这可以用于忽略错误按钮触发。类似地，该方法可以包括在基于校准事件中的模式更新基本朝向的基本朝向框架时更改新朝向框架的加权。

手动校准模式的另一个变体可以包括将基本朝向设置为多个校准事件的机器学习分析。

手动校准模式的另一个变体可以包括基于在校准事件发生时检测到的活动状态为特定活动状态而设置不同的基本朝向。例如，可以为不同的手动校准姿势设置用于就座、站立、行走等的不同的朝向框架。

手动校准模式的又一个变体可以包括以与上述类似的方式在姿势状态期间对校准事件进行分类并暂停姿势反馈。自动校准方法的其它变体可以类似地应用于手动校准模式。

实施例的系统和方法可以至少部分地被体现和/或实现为被配置为接收存储计算机可读指令的计算机可读介质的机器。指令可以由与应用、小应用、主机、服务器、网络、网站、通信服务、通信接口、用户计算机或移动设备的硬件/固件/软件元件、腕带、智能电话或其任意合适组合集成的计算机可执行部件执行。实施例的其它系统和方法可以至少部分地被体现和/或实现为被配置为接收存储计算机可读指令的计算机可读介质的机器。指令可以由与上述类型的装置和网络集成的计算机可执行部件执行。计算机可读介质可以存储在任何合适的计算机可读介质上，诸如ram、rom、闪存、eeprom、光学设备(cd或dvd)、硬盘驱动器、软盘驱动器或任何合适的设备。计算机可执行部件可以是处理器，但是任何合适的专用硬件设备可以(可替代地或附加地)执行指令。

如本领域技术人员将从前面的具体实施方式和附图和权利要求中认识到的，在不脱离如以下权利要求定义的本发明的范围的情况下，可以对本发明的实施例进行修改和改变。