技术领域本发明主要涉及一种电子运动器材的软硬件实现方法，属于电子运动器材领域。
背景技术：
目前呼啦圈运动非常流行，它对身体健康非常有益，但是传统的呼啦圈非常笨重且不方便携，在狭小的空间内不能进行运动。很多人每天都需要进行这项运动，但是呼啦圈的局限性使得他们不能每天都进行。同时传统呼啦圈的笨重也会对运动者的腰部造成一定程度的损伤。针对上述问题，我们利用嵌入式技术设计了一种基于加速度计的虚拟电子呼啦圈，该电子设备的电路板尺寸非常小，方便携带，将其佩戴在腰间或置于上衣口袋即可进行呼啦圈运动。如果运动者的扭腰力度达到转传统呼啦圈的水平，该电子设备会自动计数一圈，否则不计数，并且运动者能通过电子设备的蓝牙模块与手机相连接查看运动结果。此项发明替代了传统的呼啦圈，使得这项运动能随时随进行，因此非常有意义。
技术实现要素：
本发明要解决现有呼啦圈不方便使用的问题，提供一种基于加速度计的虚拟电子呼啦圈实现方法，该方法通过分析加速度计在呼啦圈运动中的波形特征判断是否完成一次呼啦圈运动，从而彻底解决了传统呼啦圈的不方便使用的问题。本发明主要由硬件和软件两部分组成，硬件主要负责数据采集、数据处理和通讯，软件主要负责对数据的分析与判断。1.硬件方案本发明的硬件部分主要由16位超低功耗微控制器MSP430、adxl345加速度计、HC-05蓝牙设备和电池四部分组成。低功耗的adxl345加速度计可以对高达±16g的加速度进行高分辨率测量。MSP430单片机通过spi总线驱动加速度计，采集加速度计X、Y、Z轴的数据，采集频率为100Hz。MSP430单片机通过串口驱动蓝牙设备与用户的手机进行连接，并将结果发送到手机端方便用户查看。本发明采用800mA的锂电池供电。由于硬件功耗低，因此设备能运行较长时间。硬件大小为30mm*40mm*15mm，体积小非常方便用户携带。2.软件方案本发明设计了一套算法能准确判断出加速度产生的数据是否完成了一次呼啦圈运动。算法主要由卡尔曼滤波器和朴素贝叶斯分类器组成。卡尔曼滤波器对加速度计产生的数据进行滤波，去掉一些异常数据。呼啦圈运动训练样本的X、Y、Z轴波形呈周期性变化，在数据采集频率为100Hz的条件下，一个周期由m个点组成。通过分离出每个周期，然后提取每个周期的波形特征(均值、方差、有效值、峰值因子、三轴的相关性)，最后利用提取的样本特征训练朴素贝叶斯分类器，训练结束后该分类器就能对实时加速度计数据集进行判断是否完成一次完整的呼啦圈运动。在虚拟电子呼啦圈运行的时候加速度计会产生大量的数据，该数据是一串时间相关的数据，如何高效的处理这些数据，产生有效的实时数据集非常关键，本发明采用滑动窗口的方法解决这个问题。一个完整的呼啦圈运动加速度计的每个轴会产生m个数据，我们就设置滑动窗口的大小为m，然后将滑动窗口中这3*m个数据分别提取上述的波形特征送入朴素贝叶斯分类器中判断滑动窗口内的数据是否能构成一次完整的呼啦圈运动，如果能则计一圈，否则滑动窗口向后滑动m/4个数据。该方法使得算法能实时判断正在进行的运动是否完成一次呼啦圈运动。基于加速度计的虚拟电子呼啦圈的实现方法，包括如下步骤：步骤1：训练样本的特征提取；11.首先招募10名志愿者做传统的转呼啦圈运动，将硬件佩戴在志愿者的腰部，每名志愿者转500圈，收集运动过程中的加速度数据作为训练样本，加速度计读取数据的频率为100Hz；12.然后利用卡尔曼滤波器滤除训练样本中一些异常数据，通过滤波得到了可用的训练集。训练集中的数据分为3类，分别是加速度计X、Y、Z轴的数据。每个轴的数据在时间上是连续的，以时间为横坐标，数值为纵坐标是一串连续的周期性不规则波形。通过分析可知每个波代表转一次呼啦圈。接着对连续波形进行分割，求出每位志愿者转一次呼啦圈需要的加速度数据个数，并求取平均值m作为后续滑动窗口大小。最后求出每个波形的特征，包括均值、方差、有效值、峰值因子、三轴的相关性，这些波形特征呈现一定分布，以这些波形特征值作为输入训练步骤2中朴素贝叶斯分类算法。121.处理加速度计X轴数据；假设X轴产生一个波形的数据为x1、x2、x3……xn，各个特征值计算方法如下：101.均值：Jx=(x1+x2+...+xn)n---(1)]]>102.方差F=(x1-J)2+(x2-J)2+...+(xn-J)2n---(2)]]>103.有效值E=x12+x2+...+xn2n---(3)]]>104.峰值因子Cf=xpE---(4)]]>式(1)、(2)、(3)(4)中n为加速度计X轴产生数据的数量，式(4)中xp为x1…xn的最大值，E为有效值。122.以步骤121的方法，计算加速度计Y轴和Z轴的波形特征。123.加速度计X、Y、Z轴相关性计算假设Y轴产生的数据为y1、y2、y3…yn。相关性包括X和Y轴、X和Z轴、Y和Z轴的相关性，X和Y轴相关性如式子(5)所示，Pxy=Σi=1n(xi-Jx)(yi-Jy)Σi=1n(xi-Jx)2Σi=1n(yi-Jy)2---(5)]]>式(5)中Jy为Y轴波形的平均值，Jx为X轴波形的平均值，xi为加速度计X轴产生的数据，yi为加速度计Y轴产生的数据。124.以步骤123的方法计算X和Z轴、Y和Z轴的相关性。步骤2：训练分类算法；十名志愿者总共生成r圈的训练数据，对应的X、Y、Z轴分别有r个波形。这些波形基本包括了转呼啦圈的各种状态，因此训练的分类算法能适应不同人的要求。同时为了区分呼啦圈运动和其他运动，又收集非呼啦圈运动的动作的样本数据作为反面的训练样本。以这两组训练样本训练朴素贝叶斯分类器，21.做波形均值的朴素贝叶斯分类器训练；假设采集走w步的数据为非呼啦圈运动的训练样本，并且以波形特征的均值为例，其他四个波形特征处理方法一致，具体训练过程如下所示：呼啦圈运动波形特征的平均值为JJ＝{J1、J2、J3、…Jr