一种基于6轴传感器的智能哑铃计数方法与流程

本发明涉及，特别涉及一种基于6轴传感器的智能哑铃计数方法。

背景技术：

1、使用哑铃进行身体锻炼是人们常见的锻炼方式，现有的智能哑铃普遍都有自动计数的功能，方便用户对锻炼的情况进行统计，最常用的技术手段是利用6轴传感器(加速度+角速度)，采集运动过程中的数据，然后对数据进行滤波和积分，再通过统计超过阈值的峰或者谷的数量来进行计数。

2、例如：专利cn 114534236a,公开了一种基于运动传感器的智能哑铃动作计数方法，通过采集运动时哑铃内六轴传感器的三轴加速度、三轴角速度数据，将x,y,z三轴加速度合成为一个加速度，直线类动作，以合加速度为主要检测曲线，计算合位移来判断动作周期，辅助角速度过滤带旋转晃动；旋转类动作，以角速度为主要检测曲线，计算角度积分来判断动作周期，辅助合位移过滤原位旋转晃动，通过合位移和角度积分综合判断，过滤晃动及无效动作。通过找积分值大于阈值的峰值点，该峰值点的前一个峰谷点为动作周期的起始点，后一个峰谷点为动作周期的结束点。

3、类似的方法有以下的缺陷：1.对于移动幅度较小，或者较慢的动作，信号会想对较弱，容易达不到阈值而出现漏计数。2.拿着哑铃在手上把玩时也容易出现误计数。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于6轴传感器的智能哑铃计数方法。

2、本发明的一种实施例解决其技术问题所采用的技术方案是：一种基于6轴传感器的智能哑铃计数方法，包括如下步骤：

3、s1：数据采集；以相同的采样率采集哑铃运动三轴加速度和三轴角速度的数据；

4、s2：加速度数据合轴；将s1采集的加速度的三个轴数据合并为加速度合轴数据；

5、s3：带通滤波处理；将s1采集的三轴加速度，三轴角速度的轴数据，以及s2合轴的加速度合轴数据进行带通滤波处理；

6、s4：积分滤波处理；将s3中每个轴带通滤波之后的数据分别进行积分滤波处理；

7、s5：脉冲查找；将s4中的积分滤波处理后的数据查找抓取脉冲；

8、s6：噪声过滤；统计s5中的脉冲信息，判断区分为干扰脉冲和有效脉冲；删除干扰脉冲，将有效脉冲放入缓存备用；

9、s7：有效脉冲序列匹配；抓取一定数量并标记s6中缓存的有效脉冲，然后根据正负脉冲出现的规律进行匹配，并判断多个有效脉冲组成的序列是否为重复动作；重复动作为有效运动标识；

10、s8：有效轴选择，有效脉冲序列可在多个轴中出现，利用有效序列保存下来的数据进行筛选；

11、s9：有效计数判断，把所有的有效计数累加，得到哑铃动作的计数值。

12、作为优选的，定义acc_x,acc_y,acc_z表示通过加速度传感器采集到的加速度数据；

13、定义acc_xyz为加速度三个轴合并之后的加速度合轴数据；其中

14、作为优选的，在步骤s5中脉冲查找，每个轴需要缓存3秒积分滤波之后的数据，用于找到脉冲之后计算脉冲的特征，查找步骤如下：

15、s51：初始状态为“空闲”，如果遇到“峰”(中间数据大于两边数据)，且峰值大于“阈值h1”，状态切换到“查找正脉冲”；如果遇到“谷”(中间数据小于两边数据)，且谷值小于“阈值h2”，状态切换到“查找负脉冲”；

16、切换状态之前需要通过缓存数据反推脉冲的起点，起点定义为从“峰”或者“谷”往前回溯，当遇到第一个接近0的数据(绝对值小于“阈值h3”)，记为起点；

17、s52：若当前状态是“查找正脉冲”，如果遇到新的“峰”比现在的“峰”更高，更新“峰”；

18、“峰”往后遇到的第一个接近0的数据，记为终点，“峰”记为顶点，缓存脉冲的类型为正脉冲；状态切换到“空闲”；

19、若当前状态是“查找负脉冲”，如果遇到新的“谷”比现在的“谷”更低，更新“谷”；“谷”往后遇到的第一个接近0的数据，记为终点，“谷”记为顶点，缓存脉冲的类型为负脉冲，状态切换到“空闲”。

20、作为优选的，在步骤s6噪声过滤中，统计脉冲的以下数据：

21、s61：脉冲宽度：终点-起点；

22、s62：脉冲面积：起点和终点之间所有数据的绝对值的和；

23、s63：当前轴2秒平均能量：只算当前轴，终点前2秒至终点之间，所有数据绝对值的平均值；

24、s64：所有轴1秒平均能量：每个轴都计算一次，当前轴终点前1秒至终点这段时间，所有数据绝对值的平均值；

25、s65：带通滤波的噪声点数量：起点和终点之间，当前轴带通滤波之后的噪声顶点个数，其中噪声顶点(定义为中间数据大于两边数据，或，中间数据小于两边数据)；

26、s66：根据噪声顶点的数量，设置面积阈值；

27、s67：根据噪声顶点的数量，设置脉冲幅值阈值；

28、s68：脉冲的顶点的绝对值作为脉冲的幅值；

29、s69：若脉冲的面积小于面积阈值，或者，幅值小于幅值阈值，则该脉冲视为干扰，删除掉；把其余满足条件的脉冲视为有效脉冲，放入缓存备用。

30、作为优选的，在步骤s7有效脉冲序列匹配的步骤如下：

31、s71：缓存最近n1个脉冲，用脉冲的类型(正脉冲或负脉冲)标记每个脉冲，根据正负脉冲出现的规律进行匹配；

32、s72：当脉冲个数大于等于4个的时候，开始进行匹配，首先进行4个脉冲的匹配，匹配序列为a1 b1 a2b2，其中a1 a2为同一类型，b1 b2也为同一类型，下标表示出现的先后顺序；

33、当第一和第三个脉冲类型一样，第二和第四个脉冲类型一样，并且(b1的起点-a1的终点)与(b2的起点-a2的终点)之差的绝对值小于距离阈值，视为满足匹配条件，进行是否为重复动作的识别；

34、s73：每个脉冲记录以下信息：宽度(w)，幅值(v)，面积(a)，当前轴2s平均能量(p2)，所有轴1s平均能量(p1_ax,p1_ay,p 1_az,p 1_axyz,p1_gx,p1_gy,p1_gz)；用向量表示每个脉冲的信息；

35、s74：把a1 b1 a2b2组成一个新的向量，向量按列进行归一化；

36、s75：用归一化之后的数据创建两个新的向量，vector 1＝[a1,b1]，vector2＝[a2,b2]，计算vector 1和vecto r2的余弦相似度和欧氏距离；

37、s76：余弦相似度大于阈值h4，且欧氏距离小于阈值h5，记为有效序列，表示序列有明显的重复动作；

38、s77：余弦相似度和欧氏距离不满足要求，则进行其他序列的匹配。

39、作为优选的，在步骤s72中，脉冲个数匹配数量设置为6个；当脉冲个数等于6个的时候，匹配序列为a1 b1 c1 a2b2c2，其中a1 a2为同一类型，b1 b2为同一类型，c1 c2为统一类型，下标表示出现的先后顺序；

40、当第一和第四个脉冲类型一样，第二和第五个脉冲类型一样，第三和第六个脉冲类型一样，并且(b1的起点-a1的终点)与(b2的起点-a2的终点)之差的绝对值小于距离阈值，(c1的起点-b1的终点)与(c2的起点-b2的终点)之差的绝对值小于距离阈值满足匹配条件，进行是否为重复动作的识别。

41、作为优选的，在步骤s8有效轴选择中，其有效轴筛选机制如下：

42、s81：把有效序列记录的每个轴1s平均能量进行对比；

43、s82：角速度数据的三个轴当中，如果1s平均能量最大的轴，大于能量阈值h6，那么该轴为当前有效轴；

44、否则，在加速度数据的四个轴当中，如果accx，accy，accz中，1s平均能量最大的轴是accxyz的2倍以上，且大于能量阈值h7，那么该轴为有效轴；

45、否则，如果加速度的合轴accxyz的1s平均能量大于阈值h8，那么有效轴为accxyz；

46、s83：如果产生有效序列的轴与有效轴是同一个轴，那么有效序列通过筛选，进入下一步；否则，有效序列没有通过筛选，把该序列忽略掉。

47、作为优选的，在步骤s9有效计数判断中，包括如下步骤：

48、s91：初始状态定义为“无效运动”；

49、s92：如果当前状态为“无效运动”，当有效序列通过筛选之后，有效计数+2，并且把状态改成“有效运动”，缓存这个有效序列的起点和终点；

50、s93：如果当前状态为“有效运动”，有新的有效序列通过筛选，会计算缓存的有效序列和新有效序列起点和终点的交并比，判断两个序列重叠的比例，如果交并比小于阈值h9，有效计数+1，并且记录这个有效序列的起点和终点；

51、如果当前状态是“有效运动”，超过t1时间，没有新的计数增加，状态改成“无效运动”；

52、s94：把所有的有效计数累加，得到哑铃动作的计数值。

53、本发明的有益效果：利用噪声识别，动态调整有效信号的阈值，以及有效轴选择机制来解决小幅度信号容易漏计数的问题；同时利用重复动作相似度判断来预测用户当前是否在进行类似的往返运动，过滤掉无效动作的干扰，减少误计数的出现。

54、为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。