一种基于可穿戴设备的运动状态监测方法及可穿戴设备与流程

本发明涉及数据处理技术领域，更具体地，涉及一种基于可穿戴设备的运动状态监测方法及可穿戴设备。

背景技术：

在传统的技术中，对运动者的运动状态(例如，游泳状态)的监测主要通过视觉进行，之后根据视频数据进行分析和识别，这种方案不能实时地监测运动状态并统计出识别结果。目前，通常采用智能可穿戴设备(例如，智能手环、智能运动手表等)来监测运动状态，但是，如何准确并实时地监测并输出运动状态参数，仍是目前亟待解决的问题。

技术实现要素：

有鉴于此，本发明实施例提供一种基于可穿戴设备的运动状态监测方法及可穿戴设备，以提高运动状态监测方法的泛化能力和鲁棒性，并提高运动状态监测的准确率。

第一方面，本发明实施例提供一种基于可穿戴设备的运动状态监测方法，所述方法包括：

获取加速度数据窗口，所述加速度数据窗口具有预定的时间长度；

获取所述加速度数据窗口的特征信息；

将所述特征信息输入到预先训练的运动模式分类模型中以获取运动模式分类结果，所述运动模式分类结果包括非运动模式和至少一个运动模式；

根据所述运动模式分类结果和运动传感数据确定运动状态参数；以及

输出当前运动周期的运动模式和所述运动状态参数。

进一步地，所述获取所述加速度数据窗口的特征信息包括：

通过惯性测量装置获取所述加速度数据窗口的运动传感数据；

根据所述运动传感数据获取所述加速度数据窗口的特征信息，所述特征信息包括三轴上加速度的最小值、最大值、平均值、标准差和两轴之间的相关系数。

进一步地，所述运动状态参数包括当前运动周期的游泳划水次数；

所述根据所述运动模式分类结果和运动传感数据确定运动状态参数包括：

获取所述运动传感数据的峰值个数，根据所述峰值个数获取当前周期的游泳划水次数。

进一步地，所述获取所述运动传感数据的峰值个数包括：

响应于所述峰值大于第一阈值，且所述峰值与前一个峰值的时间间隔大于第二阈值，峰值个数计数加1。

进一步地，所述运动状态参数包括转身动作的次数；

所述根据所述运动模式分类结果和运动传感数据确定运动状态参数包括：

获取转身动作的次数。

进一步地，所述获取转身动作的次数包括：

响应于所述运动模式分类结果为非运动模式且非运动模式持续时间小于预定连续时间，在当前的所述转向角大于转向角阈值且当前运动周期的游泳划水次数在预定次数范围内时，转身动作的次数加1；

其中，所述转向角通过所述运动传感数据计算获得，所述预定次数范围根据运动周期动态更新。

进一步地，所述输出所述运动模式分类结果包括：

记录当前周期的多个所述加速度数据窗口的运动模式分类结果，并对所述运动模式分类结果对应的运动模式分别计数；

输出计数最高的运动模式。

进一步地，所述方法还包括：

响应于所述运动模式分类结果在预定连续时间内均为非运动模式，判定运动结束。

进一步地，所述运动类型为游泳运动，所述运动模式包括蛙泳、蝶泳、仰泳和自由泳。

第二方面，本发明实施例提供一种可穿戴设备，所述可穿戴设备中设置有惯性测量装置、处理器和存储器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。

本发明实施例的技术方案通过将获取的加速度数据窗口的特征信息输入到预先训练的运动模式分类模型中以获取运动模式分类，并根据所述运动模式分类和运动传感数据确定运动状态参数，由此，可以提高运动状态监测方法的泛化能力和鲁棒性，并提高运动状态监测的准确率。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是本发明实施例的运动状态监测方法的流程图；

图2是本发明实施例的运动传感数据的峰值的示意图；

图3是本发明实施例的运行状态监测方法的数据流向图；

图4是本发明实施例的可穿戴设备的示意图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

以下对于本发明实施例的描述以游泳运动为例，应理解，本发明实施例还可以应用于其他运动类型。

图1是本发明实施例的运动状态监测方法的流程图。如图1所示，本实施例的运动状态监测方法包括以下步骤：

步骤s100，获取加速度数据窗口。其中，加速度数据窗口具有预定的时间长度。优选地，加速度数据窗口的时间长度为2秒。其中，加速度数据窗口的时间长度可以根据数据采样的采样率设置。在一种可选的实现方式中，相邻的加速度数据窗口有预定的重叠时间，以使得采样的加速度数据窗口的运动传感数据对应的待识别事件具有连贯性，由此，可以提高运动状态识别的准确率。例如，一个加速度数据窗口的时间长度为2秒，相邻的两个加速度数据窗口具有1秒的重叠时间。

步骤s200，获取加速度数据窗口的特征信息。在一种可选的实现方式中，通过在可穿戴设备中内置imu(inertialmeasurementunit，惯性测量装置)获取加速度数据窗口的运动传感数据，并根据运动传感数据获取加速度数据窗口的特征信息。其中，运动传感数据包括三轴方向((也即x轴、y轴、z轴))上的加速度及运动时的角速度等。加速度数据窗口的特征信息包括但不限于三轴上加速度的最小值、最大值、平均值、标准差和两轴之间的相关系数。具体地，可穿戴设备上配置有惯性测量装置，惯性测量装置包括三轴加速度传感器、陀螺仪和/或磁力计。其中，三轴加速度传感器用于采集获取用户在运动状态时三轴方向上的加速度，陀螺仪用于采集获取用户在运动状态时的角速度，磁力计用于采集获取用户在运动状态时的磁感应强度。

步骤s300，将加速度数据窗口的特征信息输入到预先训练的运动模式分类模型中以获取当前加速度数据窗口的运动模式分类结果。其中，运动模式分类结果包括非运动模式和至少一个运动模式。例如游泳运动，运动模式可以包括蛙泳、蝶泳、仰泳和自由泳等。

在一种可选的实现方式中，通过深度学习算法预先训练运动分类模型。例如，svm(supportvectormachine，支持向量机)和ann(artificialneuralnetwork，人工神经网络)。

svm是一种在分类与回归分析中分析数据的一种监督式学习模型。svm通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为特征空间中的线性可分的问题。同时，svm基于结构风险最小化理论在特征空间中构件最优超平面，使得学习模型得到全局最优化，并且在整个样本空间的期望为概率满足一定上限。由此，svm可以在训练数据量较少的情况下仍然具有较好的泛化能力。

ann是一种模仿生物神经网络的结构和功能的数学模型或计算模型，例如卷积神经网络、循环神经网络等。ann具有以下特点：(1)非线性映照能力，ann能以任意精度逼近任何非线性连续函数。(2)并行分布处理方式，在ann中信息是分布存储和并行处理的，因此ann具有较强的容错性和较快的数据处理速度。(3)自学习和自适应能力，ann在进行训练时，能从输入、输出的数据中提取出规律性的知识，在网络的权值中记忆，因此ann具有较好泛化能力。(4)数据融合能力，ann可以同时处理定量信息和定性信息，因此ann具有较好的数据融合能力。(5)ann是多变量系统，其输入和输出变量的数目可以是任意的。

步骤s400，根据运动模式分类结果和运动传感数据确定运动状态参数。以下以游泳为例来描述根据运动模式分类结果和运动传感数据确定运动状态参数确定运动状态。其中，游泳运动的运动模式可以包括蛙泳、蝶泳、仰泳和自由泳等。

运动状态参数可以包括游泳划水次数、游泳速度，游泳转身的次数等。在本实施例中，根据运动模式分类结果和运动传感数据确定一个运动周期的游泳划水次数具体为响应于用户处于游泳状态，也即预先训练的运动模式分类结果输出的运动模式分类结果为一个运动模式，获取运动传感数据的峰值个数，根据峰值个数获取当前运动周期的游泳划水次数。其中，运动周期在游泳运动中的一趟，也即从泳池一边游到泳池另一边的过程称为一个运动周期。

在一种可选的实现方式中，响应于运动传感数据的峰值大于第一阈值，且该峰值与前一个峰值的时间间隔大于第二阈值，峰值个数计数加1。其中，第一阈值根据实际划水动作的运动传感参数进行设置。第二阈值根据用户的实际游泳速度进行设置。具体地，对惯性测量装置获取的运动传感数据进行预处理(例如通过滤波器进行平滑处理等)，以获取预处理后的三轴上的加速度。根据预处理后的三轴上的加速度获取各时刻的三轴加速度向量(也即由同一时刻的运动在三轴上的加速度值组成的向量)，并获取各时刻的三轴加速度向量的模，从而根据各时刻的三轴加速度向量的模获取当前运动周期的三轴加速度向量的模的曲线。其中，当前运动周期的三轴加速度向量的模的曲线中的峰值即为运动传感数据的峰值。应理解，上述获取运动传感数据的峰值的方法仅仅是示例性的，其他运动传感数据的峰值的获取方法(例如通过三轴加速度的和获取的曲线中的峰值)均可被应用于本实施例中。

图2是本发明实施例的运动传感数据的峰值示意图。如图2所示，运动曲线2为在进行游泳运动时获取的某一时间段的三轴加速度向量的模的曲线。运动动作21所产生的运动传感数据的峰值小于第一阈值th1，也即运动动作21不是划水动作，游泳划水次数不向上计数。运动动作22所产生的运动传感数据的峰值大于第一阈值th1，并且，运动动作22对应的峰值与运动动作21对应的峰值之间的时间间隔t1大于第二阈值th2，因此运动动作22是划水动作，游泳划水次数加1。运动动作23所产生的运动传感数据的峰值大于第一阈值th1，并且，运动动作23对应的峰值与运动动作22对应的峰值之间的时间间隔t2大于第二阈值th2，因此运动动作23是划水动作，游泳划水次数加1。运动动作24所产生的运动传感数据的峰值大于第一阈值th1，但是，运动动作24对应的峰值与运动动作23对应的峰值之间的时间间隔t3小于第二阈值th2，因此运动动作24不是划水动作，游泳划水次数不向上计数。优选地，响应于运动传感数据的峰值大于第一阈值，且该峰值与前一个被计数的峰值的时间间隔大于第二阈值，峰值个数计数加1。例如，运动动作25所产生的运动传感数据的峰值大于第一阈值th1，并且，运动动作25对应的峰值与运动动作23对应的峰值之间的时间间隔t4大于第二阈值th2，因此运动动作25是划水动作，游泳划水次数加1。

在本实施例中，根据运动模式分类结果和运动传感数据确定运动状态参数具体为获取转身动作的次数。容易理解，在运动中，一般在运动到运动场地边缘时存在转身动作。在本实施例中，运动传感数据还可以包括转向角，在一种可选的实现方式中，转向角可以通过三轴加速度和角速度进行估算。本实施例中的用户在运动时的转向角的估算方法可以参照论文：sebastiano.h.，madgwick，andrewj.l.等；estimationofimuandmargorientationusingagradientdescentalgorithm[c]//ieeeinternationalconferenceonrehabilitationrobotics.ieee，2011。在另一种可选的实现方式中，转向角还可以通过三轴加速度和磁感应强度计算。用户在运动状态时的磁感应强度可以采用磁力计采集获取。由此，在获取用户运动时的转向角时，磁力计可以代替陀螺仪。应理解，其他获取转向角的方法均可被应用于本实施例中。

在一种可选的实现方式中，响应于运动模式分类结果为非运动模式且非运动模式持续时间小于预定连续时间，在当前的转向角大于转向角阈值且当前运动周期的游泳划水次数在预定次数范围内时，转身动作的次数加1。其中，一个运动周期的预定次数范围根据运动周期动态更新，预定连续时间根据转身运动所需的平均时间等进行设置，转向角阈值根据此项运动转身时的转向角进行设置，预定次数范围也即一个运动周期的游泳划水次数的范围。

其中，运动模式分类结果为非运动模式，也即在当前加速度数据窗口的时间范围内，用户没有进行任一运动模式，但是，若用户在长时间范围内均输出非运动模式，则用户可能停止了运动。因此，在判断用户是否产生转身运动时，需要判断非运动模式持续时间的长短。

在运动过程中可能会偶尔出现获取的转向角大于转向角阈值的情况，因此需要采用用户在一个运动周期的游泳划水次数参与判定用户的转身动作。也即，在用户当前运动周期的游泳划水次数在预定次数范围内时，用户才可能到达泳池边缘以发生转身动作。同时，由于用户的不同类别(如小孩、大人等)不同，同一用户在不同时间的体力不同，因此预定次数范围是动态变化的，以进一步提高运动状态监测的准确性。

步骤s500，输出当前周期的运动模式和运动状态参数。也就是说，输出当前运动周期的运动模式，以及每个周期的游泳划水次数、运动速度及转身动作的次数等。在一种可选的实现方式中，通过记录当前周期的多个加速度数据窗口的运动模式分类结果，并对运动模式分类结果对应的运动模式分别计数，然后输出计数最高的运动模式。也就是说，每个运动周期中，用户采用的运动模式频率最高的运动模式作为当前周期的运动模式，从而避免误判断造成的误差，进一步提高了运动状态识别的准确性。其中，运动速度可以根据游泳划水次数和当前运动周期的运动时间来计算，也可以根据运动距离和当前运动周期的运动时间来计算。

在一种可选的实现方式中，本实施例的运动状态监测方法还包括：响应于运动模式分类结果在预定连续时间内均为非运动模式，判定运动结束。

本发明实施例的技术方案通过将获取的加速度数据窗口的特征信息输入到预先训练的运动模式分类模型中以获取运动模式分类，并根据所述运动模式分类和运动传感数据确定运动状态参数，由此，可以提高运动状态监测方法的泛化能力和鲁棒性，并提高运动状态监测的准确率。

图3是本发明实施例的运行状态监测方法的数据流向图。如图3所示，预处理及特征提取单元31对输入的训练数据data_tra进行预处理及特征信息提取，并将特征信息输出至运动模式分类训练单元32中进行训练。其中，训练数据data_tra可以包括采集的各种标准运动模式的数据。预处理及特征提取单元31被配置为通过预处理对训练数据做平滑、归一化等处理，并提取预处理后的训练数据的特征信息。运动模式分类训练单元32采用svm或ann对特征信息进行训练以获取运动模式分类模型33。

可以将训练好的运动模式分类模型33嵌入可穿戴设备(例如运动手表，运动手环等)中。在对用户的运动状态进行监测时，通过运动传感数据采集单元34对用户的运动传感数据data_exp进行采集。在一种可选的实现方式中，通过在可穿戴设备中内置imu(inertialmeasurementunit，惯性测量装置)来采集获取用户的预定加速度数据窗口的运动传感数据data_exp。用户的运动传感数据data_exp包括三轴加速度、角速度等。预处理单元35对运动传感数据data_exp进行平滑、归一化等处理，将预处理后的运动传感数据输出至特征提取单元36。特征提取单元36提取预处理后的运动传感数据的特征信息。特征信息包括三轴上加速度的最小值、最大值、平均值、标准差和两轴之间的相关系数等。运动模式分类模型33根据特征信息获取当前加速度数据窗口的运动模式分类结果。其中，运动模式分类结果包括非运动模式和至少一个运动模式。例如游泳运动，运动模式可以包括蛙泳、蝶泳、仰泳和自由泳等。

运动状态监测单元37被配置为根据运动模式分类模型33输出的运动模式分类结果和预处理单元35输出的预处理后的运动传感数据确定运动状态参数，并输出每个周期的运动模式和运动状态参数。其中，运动状态参数可以包括游泳划水次数、运动速度、转身动作的次数等。在一种可选的实现方式中，通过记录当前周期的多个加速度数据窗口的运动模式分类结果，并对运动模式分类结果对应的运动模式分别计数，然后输出计数最高的运动模式，也即当前运动周期的运动模式。

其中，运动状态监测单元37包括转身动作监测子单元371和划水次数监测子单元372。

转身动作监测子单元371被配置为获取在该次运动时间范围内用户转身动作的次数。在一种可选的实现方式中，响应于运动模式分类结果为非运动模式且非运动模式持续时间小于预定连续时间，在当前的转向角大于转向角阈值且当前运动周期的游泳划水次数在预定次数范围内时，转身动作的次数加1。其中，一个运动周期的预定次数范围根据运动周期动态更新，预定连续时间根据转身运动所需的平均时间等进行设置，转向角阈值根据此项运动转身时的转向角进行设置，预定次数范围也即一个运动周期的游泳划水次数。在游泳运动中，一般在游到泳池边缘时存在转身动作，因此，每转身一次为完成了一趟游泳。由此，可以通过转身动作的次数表征用户在游泳运动中的趟数。

在本实施例中，运动传感数据还可以包括转向角。其中，可以通过三轴加速度和角速度来计算转向角，还可以通过三轴加速度和磁感应强度来计算转向角。容易理解，运动模式分类结果为非运动模式，也即在当前加速度数据窗口的时间范围内，用户没有进行任一运动模式，但是，若用户在长时间范围内均输出非运动模式，则用户可能停止了运动。因此，在判断用户是否产生转身运动时，需要判断非运动模式持续时间的长短。在运动过程中可能会偶尔出现获取的转向角大于转向角阈值的情况，因此需要采用用户在一个运动周期的游泳划水次数参与判定用户的转身动作。也即，在用户当前运动周期的游泳划水次数在预定次数范围内时，用户才可能到达运动场地边缘以发生转身动作。同时，由于用户的不同类别(如小孩、大人等)不同，同一用户在不同时间的体力不同，因此预定次数范围是动态变化的，以进一步提高运动状态监测的准确性。

划水次数监测子单元372被配置为获取当前运动周期的游泳划水次数。在一种可选的实现方式中，划水次数监测子单元372响应于用户处于运动状态，也即预先训练的运动模式分类结果输出的运动模式分类结果为一个运动模式，获取运动传感数据的峰值个数，根据峰值个数获取当前周期的游泳划水次数。具体地，响应于运动传感数据的峰值大于第一阈值，且该峰值与前一个峰值的时间间隔大于第二阈值，峰值个数计数加1。其中，第一阈值根据实际运动动作的运动传感参数进行设置。第二阈值根据用户的实际运动速度进行设置。具体地，根据预处理后的三轴上的加速度获取各时刻的三轴加速度向量(也即由同一时刻的运动在三轴上的加速度值组成的向量)，并获取各时刻的三轴加速度向量的模，从而根据各时刻的三轴加速度向量的模获取当前运动周期的三轴加速度向量的模的曲线。其中，当前运动周期的三轴加速度向量的模的曲线中的峰值即为运动传感数据的峰值。应理解，上述获取运动传感数据的峰值的方法仅仅是示例性的，其他运动传感数据的峰值的获取方法(例如通过三轴加速度的和获取的曲线中的峰值)均可被应用于本实施例中。

本发明实施例的技术方案通过将获取的加速度数据窗口的特征信息输入到预先训练的运动模式分类模型中以获取运动模式分类，并根据所述运动模式分类和运动传感数据确定运动状态参数，由此，可以提高运动状态监测方法的泛化能力和鲁棒性，并提高运动状态监测的准确率。

图4是本发明实施例的可穿戴设备的示意图。如图4所示，本实施例的可穿戴设备包括惯性测量装置41、存储器42、通信组件43以及至少一个处理器44。惯性测量装置41、存储器42、通信组件43以及至少一个处理器44通过总线或其他方式连接，图4中以总线为例。其中，惯性测量装置41被配置为采集用户的运动传感数据。其中，惯性测量装置包括三轴加速度传感器、陀螺仪和/或磁力计，运动传感数据包括三轴加速度、角速度和/或磁感应强度等。通信组件43在处理器44控制下接收和发送数据。存储器42存储有可被至少一个处理器44执行的指令，指令被至少一个处理器44执行以实现本发明实施例的运动状态监测方法。

存储器42作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器44通过运行存储在存储器42中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现运动状态监测的方法。

存储器42可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器42可选包括相对于处理器42远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。一个或者多个单元存储在存储器42中，当被一个或者多个处理器44执行时，执行上述任意方法实施方式中的运动状态监测方法。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能单元和有益效果，未在本实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的方法。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。