本发明涉及人体姿态识别技术领域，具体地说，涉及一种人体运动状态反演装置及方法。
背景技术
人体运动非常复杂，受到很多内在因素或者外在环境的影响，如生理、人体结构、环境等。研究人体姿态识别的方法主要基于两种识别：基于图像分析的人体姿态识别和基于运动传感器的人体姿态识别。基于图像分析的识别方法能清晰看见人体运动姿态，准确性高，但对设备要求较高，应用场景特殊且不便携带。基于运动传感器的识别方法能够具有更好的实时性，但目前的基于运动传感器的识别方法并不能达到较好的精确性。
技术实现要素：
本发明提供了一种人体运动状态反演装置，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种人体运动状态反演装置，其包括：
信号采集模块，信号采集模块用于采集人体运动信息；
数据处理模块，其用于对信号采集模块所采集的数据进行处理，并将处理后的结果与设于数据处理模块处的人体预测模型进行匹配，从而获取人体运动姿态预测结果；以及
人机交互模块，其用于接收数据处理模块处处理得到的人体运动姿态预测结果并进行展示；
数据处理模块包括数据预处理单元、状态转移图建立单元、姿态解算单元、第一加权计算单元、融合分类单元和第二加权计算单元；数据预处理单元用于对信号采集模块所采集的信号进行预处理，并提取出多个特征点；状态转移图建立单元用于根据所述多个特征点建立或匹配状态转移图模型；姿态解算单元用于对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息；第一加权计算单元用于对所述多个特征点中的一个或多个与人体三维姿态信息进行加权计算，融合分类单元用于根据加权计算结果建立或匹配人体姿态预分类模型；第二加权计算单元用于对状态转移图模型和人体姿态预分类模型的匹配结果进行加权计算，从而建立或匹配人体姿态分类模型。
本发明中，利用信号采集模块能够采集人体运动信息，从而能够获取相关数据的波形，之后能够利用现有的滑动窗口方法自信号波形中提取多个频域、时域、时频特征点，同时能够利用姿态解算模块获取人体三维姿态信息即人体运动三维空间姿态角；之后能够提取部分特征点的特征值与三维空间姿态角进行加权运算并通过融合分类算法进行训练并与人体实际运动姿态进行匹配，即可较佳地获取人体姿态预分类模型，从而能够建立初步的过渡态模型和稳态模型；于此同时，根据所提取的特征点的特征向量变化关系，能够建立状态转移图模型。之后，通过设置人体姿态预分类模型和状态转移图模型的权重比，即可较佳地获取人体姿态分类模型。
本发明中，第一加权计算单元和第二加权计算单元所采用的权重比均是根据模型预测值与实测值经过一定对比分析，数学处理后获得。
在上述的模型建立完成后，信号采集模块所采集的数据能够与所建立的模型进行匹配，从而能够较佳地获取人体运动姿态。从而能够实现人体运动的自动连续识别，且能够根据识别结果反演出人体姿态。
本发明中，融合分类单元处所运用的融合分类算法是结合knn(k-nearestneighbor)算法和svm(supportvectormachine)算法。knn算法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，而svm是通过一个非线性映射p，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在特征空间中的线性可分的问题。通过将两者进行结合，能够有效地对人体的稳态和过渡态动作进行识别，且同时可以保持特征向量的多样性，从而使得每次迭代都会保留样本间的特征量并更新判断标准，经过多次迭代后将产生匹配度最优的特征向量，且融合算法的稳定性较强。
本发明中，稳态模型的建立是先提取各个稳定运动状态下的上述特征向量(包括所提取的多个特征值和解算出的人体三维姿态信息)，利用融合分类算法对特征向量进行训练拟合，修正每种稳定运动状态分别匹配的特征向量，最终获取所述测量对象的特征向量与稳定运动状态的关系模型。
本发明中，过渡态模型是通过建立上述特征向量(包括所提取的多个特征值和解算出的人体三维姿态信息)与过渡状态的非线性实时关系，通过大样本迭代求解关系模型中的延迟参数与未知系数。
本发明中，稳定运动状态指在相对一段时间内重复、持续、相同的活动，如静止，连续跑步等；非稳定运动状态指存在状态迁移和转换，如跑动到静止站立，躺卧到坐起等。
本发明中，通过建立状态转移图能够较佳地表示出人体在运动过程中当前状态与前后状态之间的过渡关系。
作为优选，信号采集模块包括集成于一人体穿戴设备处的三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，三轴加速度传感器用于采集人体运动过程中产生的加速度数据，三轴地磁传感器用于采集人体运动过程中产生的磁场数据，三轴陀螺仪传感器用于采集人体运动过程中产生的角速度数据和角度数据。
本发明中的三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器均采用mems传感器，从而能够较佳地对人体运动进行实时捕捉记录。且由于三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器同时集成于一人体穿戴设备处，通过将人体穿戴设备设于使用者的不同位置，即可较佳地实现对人体相应部位处的运动姿态检测。且信号采集模块与数据处理模块能够均封装于人体穿戴设备处，从而使得数据的采集和处理能够更加快速和精确。
本发明中，对三轴加速度传感器所采集信号波形的特征点提取能够包括如加速度均值、方差、过零率，均方差等，对三轴地磁传感器所采集信号波形的特征点提取能够包括如角度偏度，峰度等，对三轴陀螺仪传感器所采集信号波形的特征点提取能够包括如傅里叶变换后的加速度直流分量，功率谱密度，角速度幅度、频率、直流分量等。
作为优选，姿态解算单元包括互补滤波单元和四元数算法单元，互补滤波单元包括用于对三轴加速度传感器所采集的数据进行中值滤波处理的中值滤波单元，用于对三轴地磁传感器所采集的数据进行校准的自校准单元，用于对三轴陀螺仪所采集的数据进行均值滤波处理的均值滤波单元，用于对中值滤波单元和自校准单元所处理的数据进行归一化处理的归一化处理单元，以及用于对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数的数据融合单元；四元数算法单元用于对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。
本发明中，通过采用互补滤波单元和四元数算法单元对所采集的数据进行处理，使得数据的采集和处理能够具有较佳的实时性和精确度。
作为优选，数据处理模块与人机交互模块通过蓝牙或wi-fi的方式进行数据传输。从而便于数据的传输。
作为优选，人机交互模块还与一远程服务模块进行数据交互，远程服务模块用于实现对相关数据的远程存储。这使得所处理的数据能够较佳地存储于远程服务模块处，从而便于数据的集中管理。
基于上述任一种人体运动状态反演装置，本发明还提供了一种人体运动状态反演方法，其包括以下步骤：
步骤一，通过一信号采集模块采集人体运动信息；
步骤二，通过一数据处理模块对信号采集模块所采集的数据进行处理，并将处理后的结果与设于数据处理模块处的人体预测模型进行匹配，从而获取人体运动姿态预测结果；
该步骤中，首先建立人体姿态分类模型，在人体姿态分类模型建立后即可根据信号采集模块所采集的信息与人体姿态分类模型进行匹配以获取人体当前姿态；
在人体姿态分类模型的建立和对人体运动信息进行匹配时，通过一数据预处理单元对信号采集模块所采集的信号进行预处理，并提取出多个特征点；通过一状态转移图建立单元根据所述多个特征点建立或匹配状态转移图模型；通过一姿态解算单元对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息；通过一第一加权计算单元对所述多个特征点中的一个或多个与人体三维姿态信息进行加权计算，通过一融合分类单元根据加权计算结果建立或匹配人体姿态预分类模型；通过一第二加权计算单元对状态转移图模型和人体姿态预分类模型的匹配结果进行加权计算，进而建立或匹配人体姿态分类模型；
步骤三，通过一人机交互模块接收数据处理模块处处理得到的人体运动姿态预测结果并进行展示。
作为优选，步骤一中，采用三轴加速度传感器采集人体运动过程中产生的加速度数据，采用三轴地磁传感器采集人体运动过程中产生的磁场数据，采用三轴陀螺仪传感器采集人体运动过程中产生的角速度数据和角度数据。
作为优选，步骤二中，姿态解算单元对经数据预处理单元处理后的数据进行姿态解算时，采用一互补滤波单元对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器的数据进行处理并获取四元数，采用一四元数算法单元对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。
作为优选，采用互补滤波单元对相关数据进行处理时，采用一中值滤波单元对三轴加速度传感器所采集的数据进行中值滤波处理，采用一自校准单元对三轴地磁传感器所采集的数据进行校准，采用一均值滤波单元对三轴陀螺仪所采集的数据进行均值滤波处理，采用一归一化处理单元对中值滤波单元和自校准单元所处理的数据进行归一化处理的，采用一数据融合单元对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数。
作为优选，采用蓝牙或wi-fi的方式实现数据处理模块与人机交互模块进行数据传输。
结合图7所示，本发明的一种人体运动状态反演方法在实际使用时，能够通过三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器实现对人体运动数据的采集，之后通过数据预处理单元能够对所采集的数据进行预处理并提取出特征量，之后经数据预处理单元处理后的数据能够通过姿态解算单元进行姿态解算。其中，在建立模型时，能够根据所提取特征量中的一个或多个与姿态解算的结果进行加权处理后与人体实际姿态建立人体姿态预分类模型，能够根据所提取特征量的变化与人体实际姿态变化建立状态转移图模型，并能够根据状态转移图模型与人体姿态预分类模型的设定权重值，建立出人体姿态分类模型。其中，在识别姿态时，能够根据所提取特征量中的一个或多个与姿态解算的结果进行加权处理后与人体姿态预分类模型进行匹配，能够根据所提取特征量与状态转移图模型进行匹配，并能够根据状态转移图模型的匹配结果与人体姿态预分类模型的匹配结果进行权重计算，进而通过匹配人体姿态分类模型而获取人体当前姿态。
通过本发明的反演装置及反演方法，能够，实现人体稳态与过渡态的运动识别，并通过长期的跟踪测量，实现人体运动状态的反演。
附图说明
图1为实施例1中的人体运动姿态识别系统的系统框图示意图；
图2为实施例1中的信号采集模块的系统框图示意图；
图3为实施例1中的互补滤波单元的系统框图示意图；
图4为实施例1中的人体运动姿态识别方法流程示意图；
图5为实施例2中的人体运动状态反演装置的系统框图示意图；
图6为实施例2中的人体运动状态反演装置的系统架构示意图；
图7为实施例2中的人体运动状态反演方法的流程示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示，本实施例提供了一种基于九轴传感器的人体运动姿态识别系统，其包括：
信号采集模块，信号采集模块用于采集人体运动信息；
数据处理模块，其用于对信号采集模块所采集的数据进行处理，并将处理后的结果与设于数据处理模块处的人体预测模型进行匹配，从而获取人体运动姿态预测结果；以及
人机交互模块，其用于接收数据处理模块处处理得到的人体运动姿态预测结果并进行展示。
本实施例中，通过信号采集模块能够实时采集人体的运动信息，通过数据处理模块能够对信号采集模块所采集的数据进行实时处理，从而能够较佳地对人体的运动姿态进行连续识别，从而能够较佳地达到对人体健康进行监督和指导的目的，在运动健康领域有广泛的应用前景。此外，通过人机交互模块，能够较佳地将当前运动姿态进行显示，从而便于使用者与该系统间的人机交互。
本实施例中，信号采集模块能够用于感应人体的肢体动作，如挥手、弹跳、行走、跳跃等，通过对人体不同肢体的规律动作可以较佳地识别出使用者当前正在进行的动作。
本实施例中，人机交互模块还与一远程服务模块进行数据交互，远程服务模块用于实现对相关数据的远程存储。
本实施例中，人机交互模块与远程服务模块间能够进行通信，远程服务模块能够对人体的长期运动数据进行存储，且能够供人机交互模块随时调阅，通过保存人体长期的运动数据，能够较佳达到对使用者长期运动数据进行存储的功能，进而便于对使用者的相关数据进行集中管理。
结合图2，本实施例中的信号采集模块包括集成于一人体穿戴设备处的三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，三轴加速度传感器用于采集人体运动过程中产生的加速度数据，三轴地磁传感器用于采集人体运动过程中产生的磁场数据，三轴陀螺仪传感器用于采集人体运动过程中产生的角速度数据和角度数据。
本实施例中，三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器均采用mems传感器，从而能够较佳地对人体运动进行实时捕捉记录。且由于三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器同时集成于一人体穿戴设备处，通过将人体穿戴设备设于使用者的不同位置，即可较佳地实现对人体相应部位处的运动姿态检测。
本实施例中，信号采集模块与数据处理模块能够均封装于人体穿戴设备处，从而使得数据的采集和处理能够更加快速和精确。
结合图2，本实施例中的数据处理模块包括数据预处理单元、姿态解算单元和处理单元；数据预处理单元用于对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集的信号进行预处理，并提取出多个特征点发送给处理单元；姿态解算单元用于对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息并发送给处理单元；处理单元用于对所述多个特征点中的一个或多个与三维姿态信息进行加权处理并与人体预测模型进行匹配以获取人体运动姿态预测结果并发送给人机交互模块。
本实施例中，通过姿态解算单元能够较佳地人体当前的三维姿态信息即三维空间姿态角，通过数据预处理单元能够较佳地提取出三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集信号中的多个频域，时域，时频特征点，通过对所述多个特征点中的一个或多个与三维姿态信息进行加权处理，能够较佳地提升识别结果的精确性。
本实施例中，三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器能够实时地对人体的运动状态进行检测，并能够生成加速度变化波形、磁力变化波形和陀螺仪波形，数据预处理单元能够对加速度变化波形、磁力变化波形和陀螺仪波形进行预处理并提取出相关特征点，进而便于数据的后续处理。
本实施例中，处理单元处还设有一存储模块，存储模块能够用于存储相关数据。
结合图3，本实施例中的姿态解算单元包括互补滤波单元和四元数算法单元，互补滤波单元包括用于对三轴加速度传感器所采集的数据进行中值滤波处理的中值滤波单元，用于对三轴地磁传感器所采集的数据进行校准的自校准单元，用于对三轴陀螺仪所采集的数据进行均值滤波处理的均值滤波单元，用于对中值滤波单元和自校准单元所处理的数据进行归一化处理的归一化处理单元，以及用于对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数的数据融合单元；四元数算法单元用于对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。
本实施例中，三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器在进行标定后，三轴加速度传感器能够采用中值滤波单元进行中值滤波从而能够有效地滤除三轴加速度传感器所采集信号中的脉冲误差，之后通过与自校准后的三轴地磁传感器所采集的信号进行归一化处理，并与经均值滤波处理后的三轴陀螺仪信号进行数据融合，能够有效地提升所采集信号的动态性能和静态精度，从而较佳地保证了所采集数据的实时性和精度。
本实施例中，数据处理模块与人机交互模块通过蓝牙或wi-fi的方式进行数据传输。
本实施例的数据处理模块也能够设于人体穿戴设备处，而数据处理模块与人机交互模块能够通过蓝牙或wi-fi的方式进行数据传输，从而使得数据处理模块与人机交互模块间能够较佳地进行数据交互，进而便于使用者使用。
如图4所示，基于本实施例的人体运动姿态识别系统，本实施例还提供了了一种基于九轴传感器的人体运动姿态识别方法，其包括以下步骤：
步骤一，通过一信号采集模块采集人体运动信息；
步骤二，通过一数据处理模块对信号采集模块所采集的数据进行处理，并将处理后的结果与设于数据处理模块处的人体预测模型进行匹配，从而获取人体运动姿态预测结果；
步骤三，通过一人机交互模块接收数据处理模块处处理得到的人体运动姿态预测结果并进行展示。
本实施例中，步骤一中，采用三轴加速度传感器采集人体运动过程中产生的加速度数据，采用三轴地磁传感器采集人体运动过程中产生的磁场数据，采用三轴陀螺仪传感器采集人体运动过程中产生的角速度数据和角度数据。
本实施例中，步骤二中，采用一数据预处理单元对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集的信号进行预处理，并提取出多个特征点发送给一处理单元；采用一姿态解算单元对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息并发送给处理单元；通过处理单元对所述多个特征点中的一个或多个与三维姿态信息进行加权处理并与人体预测模型进行匹配以获取人体运动姿态预测结果并发送给人机交互模块。
本实施例中，采用蓝牙或wi-fi的方式实现数据处理模块与人机交互模块进行数据传输。
通过本实施例中的人体运动姿态识别方法，使得在人体运动时，三轴加速度传感器能够采集人体运动的加速度数据，三轴地磁传感器能够采集人体运动过程中的磁场数据，三轴陀螺仪传感器能够采集人体运动的角速度及角度数据；之后，能够对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器所采集信号的波形进行预处理并提取出多个频域、时域、时频特征点；之后，能够对三轴加速度传感器采集的数据进行中值滤波处理，对三轴地磁传感器采集的数据进行自校准，对三轴陀螺仪传感器所采集的数据进行中值滤波；之后，能够将处理后的三轴加速度传感器和三轴地磁传感器所采集的数据进行归一化处理，并与处理后的三轴陀螺仪传感器所采集数据进行数据融合，从而能够获取四元数；之后，能够采用四元数算法对所获取的四元数进行四元数计算，从而能够获取人体三维姿态信息，即人体运动的三维空间姿态角；之后，能够将所获取的三维空间姿态角与所采特征点中的一个或多个的特征值进行加权处理，并与所建立的人体预测模型进行匹配，从而能够较佳地对人体当前的运动姿态进行识别。
本实施例中，人体预测模型是根据人体运动时所采集的相关参数与人体实际运动姿态而建立的。通过，将采集并处理后的数据与人体预测模型进行匹配即可较佳的对人体的当前运动姿态进行识别。
实施例2
本实施例提供了一种人体运动状态反演装置。本实施例的人体运动状态反演装置与实施例1的主要区别在于，其具体提供了人体预测模型的建立系统和方法。
本实施例中的人体运动状态反演装置包括，
信号采集模块，信号采集模块用于采集人体运动信息；
数据处理模块，其用于对信号采集模块所采集的数据进行处理，并将处理后的结果与设于数据处理模块处的人体预测模型进行匹配，从而获取人体运动姿态预测结果；以及
人机交互模块，其用于接收数据处理模块处处理得到的人体运动姿态预测结果并进行展示；
如图5所示，数据处理模块包括数据预处理单元、状态转移图建立单元、姿态解算单元、第一加权计算单元、融合分类单元和第二加权计算单元；数据预处理单元用于对信号采集模块所采集的信号进行预处理，并提取出多个特征点；状态转移图建立单元用于根据所述多个特征点建立或匹配状态转移图模型；姿态解算单元用于对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息；第一加权计算单元用于对所述多个特征点中的一个或多个与人体三维姿态信息进行加权计算，融合分类单元用于根据加权计算结果建立或匹配人体姿态预分类模型；第二加权计算单元用于对状态转移图模型和人体姿态预分类模型的匹配结果进行加权计算，从而建立或匹配人体姿态分类模型。
本实施例中，利用信号采集模块能够采集人体运动信息，从而能够获取相关数据的波形，之后能够利用现有的滑动窗口方法自信号波形中提取多个频域、时域、时频特征点，同时能够利用姿态解算模块获取人体三维姿态信息即人体运动三维空间姿态角，姿态解算模块的解算原理如实施例1；之后能够提取部分特征点的特征值与三维空间姿态角进行加权运算并通过融合分类算法进行训练并与人体实际运动姿态进行匹配，即可较佳地获取人体姿态预分类模型，从而能够建立初步的过渡态模型和稳态模型；于此同时，根据所提取的特征点的特征向量变化关系，能够建立状态转移图模型。之后，通过设置人体姿态预分类模型和状态转移图模型的权重比，即可较佳地获取人体姿态分类模型。
本实施例中，第一加权计算单元和第二加权计算单元所采用的权重比均是根据模型预测值与实测值经过一定对比分析，数学处理后获得。
在上述的模型建立完成后，信号采集模块所采集的数据能够与所建立的模型进行匹配，从而能够较佳地获取人体运动姿态。从而能够实现人体运动的自动连续识别，且能够根据识别结果反演出人体姿态。
本实施例中，融合分类单元处所运用的融合分类算法是结合knn(k-nearestneighbor)算法和svm(supportvectormachine)算法。knn算法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，而svm是通过一个非线性映射p，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在特征空间中的线性可分的问题。通过将两者进行结合，能够有效地对人体的稳态和过渡态动作进行识别，且同时可以保持特征向量的多样性，从而使得每次迭代都会保留样本间的特征量并更新判断标准，经过多次迭代后将产生匹配度最优的特征向量，且融合算法的稳定性较强。
本实施例中，稳态模型的建立是先提取各个稳定运动状态下的上述特征向量(包括所提取的多个特征值和解算出的人体三维姿态信息)，利用融合分类算法对特征向量进行训练拟合，修正每种稳定运动状态分别匹配的特征向量，最终获取所述测量对象的特征向量与稳定运动状态的关系模型。
本实施例中，过渡态模型是通过建立上述特征向量(包括所提取的多个特征值和解算出的人体三维姿态信息)与过渡状态的非线性实时关系，通过大样本迭代求解关系模型中的延迟参数与未知系数。
本实施例中，稳定运动状态指在相对一段时间内重复、持续、相同的活动，如静止，连续跑步等；非稳定运动状态指存在状态迁移和转换，如跑动到静止站立，躺卧到坐起等。
本实施例中，通过建立状态转移图能够较佳地表示出人体在运动过程中当前状态与前后状态之间的过渡关系。
本实施例中，信号采集模块包括集成于一人体穿戴设备处的三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器，三轴加速度传感器用于采集人体运动过程中产生的加速度数据，三轴地磁传感器用于采集人体运动过程中产生的磁场数据，三轴陀螺仪传感器用于采集人体运动过程中产生的角速度数据和角度数据。
如实施例1，本实施例中的三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器也均采用mems传感器，从而能够较佳地对人体运动进行实时捕捉记录。且由于三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器同时集成于一人体穿戴设备处，通过将人体穿戴设备设于使用者的不同位置，即可较佳地实现对人体相应部位处的运动姿态检测。且信号采集模块与数据处理模块也能够均封装于人体穿戴设备处，从而使得数据的采集和处理能够更加快速和精确。
本实施例中，对三轴加速度传感器所采集信号波形的特征点提取能够包括如加速度均值、方差、过零率，均方差等，对三轴地磁传感器所采集信号波形的特征点提取能够包括如角度偏度，峰度等，对三轴陀螺仪传感器所采集信号波形的特征点提取能够包括如傅里叶变换后的加速度直流分量，功率谱密度，角速度幅度、频率、直流分量等。
本实施例中，姿态解算单元包括互补滤波单元和四元数算法单元，互补滤波单元包括用于对三轴加速度传感器所采集的数据进行中值滤波处理的中值滤波单元，用于对三轴地磁传感器所采集的数据进行校准的自校准单元，用于对三轴陀螺仪所采集的数据进行均值滤波处理的均值滤波单元，用于对中值滤波单元和自校准单元所处理的数据进行归一化处理的归一化处理单元，以及用于对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数的数据融合单元；四元数算法单元用于对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。
本实施例中，姿态解算单元的工作原理如实施例1，通过采用互补滤波单元和四元数算法单元对所采集的数据进行处理，使得数据的采集和处理能够具有较佳的实时性和精确度。
本实施例中，数据处理模块与人机交互模块通过蓝牙或wi-fi的方式进行数据传输。从而便于数据的传输。
本实施例中，人机交互模块还与一远程服务模块进行数据交互，远程服务模块用于实现对相关数据的远程存储。这使得所处理的数据能够较佳地存储于远程服务模块处，从而便于数据的集中管理。
结合图6所示，本实施的一种人体运动状态反演装置包括感知层、个人服务层和后台支持层。其中，信号采集模块和数据处理模块能够归属于感知层，更为具体的，三轴加速度传感器、三轴地磁传感器、三轴陀螺仪传感器和数据处理模块能够均集成于一人体穿戴设备处，从而使得使用者能够通过将人体穿戴设备穿戴于相应的肢体处而实现对相应肢体运动信息的采集，从而便于数据的实时采集和所采集数据精确度的提升。其中，人机交互模块能够归属于个人服务层，人机交互模块能够包括如手机等智能移动终端以及装载于智能移动终端处的应用程序单元，应用程序单元能够包括运动状态识别与监测模块和显控模块，运动状态识别与监测模块能够通过蓝牙或wi-fi的方式与感知层进行数据交互，从而能够较佳的接收数据处理模块处所处理后的数据，进而能够实时连续地对人体当前运动姿态的识别，进而通过显控模块对人体当前运动姿态(过渡态中的某个或稳态中的某个)。其中，远程服务模块能够归属于后台支持层，远程服务模块能够包括系统管理模块、服务响应模块和数据存储与分析模块，从而能够较佳地实现对后台支持层的系统管理、对个人服务层的数据交互请求管理和对相关数据的存储管理。
基于本实施例的一种人体运动状态反演装置，本实施例还提供了一种人体运动状态反演方法，其包括以下步骤：
步骤一，通过一信号采集模块采集人体运动信息；
步骤二，通过一数据处理模块对信号采集模块所采集的数据进行处理，并将处理后的结果与设于数据处理模块处的人体预测模型进行匹配，从而获取人体运动姿态预测结果；
该步骤中，首先建立人体姿态分类模型，在人体姿态分类模型建立后即可根据信号采集模块所采集的信息与人体姿态分类模型进行匹配以获取人体当前姿态；
在人体姿态分类模型的建立和对人体运动信息进行匹配时，通过一数据预处理单元对信号采集模块所采集的信号进行预处理，并提取出多个特征点；通过一状态转移图建立单元根据所述多个特征点建立或匹配状态转移图模型；通过一姿态解算单元对经数据预处理单元处理后的数据进行姿态解算，以获取人体三维姿态信息；通过一第一加权计算单元对所述多个特征点中的一个或多个与人体三维姿态信息进行加权计算，通过一融合分类单元根据加权计算结果建立或匹配人体姿态预分类模型；通过一第二加权计算单元对状态转移图模型和人体姿态预分类模型的匹配结果进行加权计算，进而建立或匹配人体姿态分类模型；
步骤三，通过一人机交互模块接收数据处理模块处处理得到的人体运动姿态预测结果并进行展示。
本实施例中，步骤一中，采用三轴加速度传感器采集人体运动过程中产生的加速度数据，采用三轴地磁传感器采集人体运动过程中产生的磁场数据，采用三轴陀螺仪传感器采集人体运动过程中产生的角速度数据和角度数据。
本实施例中，步骤二中，姿态解算单元对经数据预处理单元处理后的数据进行姿态解算时，采用一互补滤波单元对三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器的数据进行处理并获取四元数，采用一四元数算法单元对互补滤波单元所获取的四元数进行处理，以获取人体三维姿态信息。
本实施例中，采用互补滤波单元对相关数据进行处理时，采用一中值滤波单元对三轴加速度传感器所采集的数据进行中值滤波处理，采用一自校准单元对三轴地磁传感器所采集的数据进行校准，采用一均值滤波单元对三轴陀螺仪所采集的数据进行均值滤波处理，采用一归一化处理单元对中值滤波单元和自校准单元所处理的数据进行归一化处理的，采用一数据融合单元对归一化处理单元和均值滤波单元所处理的数据进行数据融合处理以获取四元数。
本实施例中，采用蓝牙或wi-fi的方式实现数据处理模块与人机交互模块进行数据传输。
结合图7所示，本实施例的一种人体运动状态反演方法在实际使用时，能够通过三轴加速度传感器、三轴地磁传感器和三轴陀螺仪传感器实现对人体运动数据的采集，之后通过数据预处理单元能够对所采集的数据进行预处理并提取出特征量，之后经数据预处理单元处理后的数据能够通过姿态解算单元进行姿态解算。其中，在建立模型时，能够根据所提取特征量中的一个或多个与姿态解算的结果进行加权处理后与人体实际姿态建立人体姿态预分类模型，能够根据所提取特征量的变化与人体实际姿态变化建立状态转移图模型，并能够根据状态转移图模型与人体姿态预分类模型的设定权重值，建立出人体姿态分类模型。其中，在识别姿态时，能够根据所提取特征量中的一个或多个与姿态解算的结果进行加权处理后与人体姿态预分类模型进行匹配，能够根据所提取特征量与状态转移图模型进行匹配，并能够根据状态转移图模型的匹配结果与人体姿态预分类模型的匹配结果进行权重计算，进而通过匹配人体姿态分类模型而获取人体当前姿态。
通过本实施例的反演装置及反演方法，能够，实现人体稳态与过渡态的运动识别，并通过长期的跟踪测量，实现人体运动状态的反演。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。