运动分级算法系统

1.本发明涉及运动步频测算技术领域，具体为运动分级算法系统。


背景技术：

2.根据中国专利号为“cn109871771a”公开的一种基于单视角视频的自动检测人体的方法及系统，该方法包括以下步骤：s1：人体检测训练，在运动视频中，将一张图片中将所有人体的区域检测出来并进行标注，s2：人体识别训练，在运动视频中，通过相邻视频帧中将同一个框选人体标注出来，同时将不同的人体标注出来；s3：利用人体识别算法模型和人体跟踪算法模型得到人体特征集合，利用人体检测算法模型检测出图片中的若干人群；s4：将人体特征集合与图片中检测到的若干人群进行比较，计算图片中人体的相似度，该系统包括人体检测模块、人体识别模块、算法训练模块和人体跟踪模块，本发明通过人体检测算法模型和人体识别算法模型检测并计算图片中人群的相似度，搜索到框选的目标人体。
3.根据中国专利号“cn103268616b”公开的了一种新的多特征多传感器的移动机器人运动人体跟踪方法。包括：步骤一，利用rfid系统对在其附近携带无源标签的人体进行粗定位；步骤二，利用基于头肩特征的自适应模板匹配算法对图像中人体进行初定位；步骤三，利用基于多特征的mean-shift算法对图像中人体精确定位；步骤四，利用扩展卡尔曼滤波算法预测人体运动状态；步骤五，采用双层协作定位机制对获取到的目标位置信息进行筛选；步骤六，利用机器人跟随控制算法控制机器人跟随人体运动。本发明可实现对不同位姿人体的跟踪，解决了目标突然转弯及被遮挡对跟踪的影响问题，使机器人能够精确、稳定、连续地跟踪运动人体。
4.上述专利文件中针对运动计算时由于三轴加速度的频率与人体的实际运动频率不一致，导致计算数据出现误差甚至错误，不利于实际人体运动测算使用。


技术实现要素：

5.解决的技术问题
6.针对现有技术的不足，本发明提供了运动分级算法系统，解决了现有的针对运动测算的频率不一致导致计算数值不准确的问题。
7.技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：运动分级算法系统，包括算法分析系统和数据整理系统，所述算法分析系统和数据整理系统的具体流程如下：
9.sp1：信号降频采样，所述信号降频采样为对三轴加速度信号进行降采样，且降采样率为100hz；
10.sp2：信号取模并去平均值，所述信号取模并去平均值为将加速度的模并减去加速度的均值计算得出；
11.sp3：波峰检测，所述波峰检测为设定波峰检测的阈值为减去平均值后的加速度的标准差，高于阈值的波峰，即为初步检测的波峰；
12.sp4：波峰筛选，所述波峰筛选为设定所对应的频率应小于4hz，针对采样率为100hz的信号，波峰最小间隔为100/4，相邻波峰的间隔小于波峰最小间隔，则保留峰值大的，将峰值小的剔除；
13.sp5：波峰数量统计，所述波峰数量统计为进行10s时长内的波峰数量统计，波峰数量即为步数除以时长，得到每秒的步数；
14.sp6：建模分析,所述建模分析为根据男性和女性设定固定相等的met值系数进行实验建模分析；
15.sp7：分级阈值，所述分级阈值为对建模分析的数据进行收集完善整理。
16.优选的，所述信号降频采样、信号取模并去平均值、波峰检测和波峰筛选均在算法分析系统中进行，所述数据整理系统中进行波峰数量统计和建模分析步骤，所述数据整理系统和算法分析系统电性连接。
17.优选的，所述信号降频采样中原始三轴加速度的信号采用频率为100hz，所述信号降频采样中的采样间隔为每10s一次。
18.优选的，所述建模分析中设定的met值关于每秒步数的相关系数均为0.870，相应的拟合公式为met(女性)＝4.54
×
每秒步数-2.23和met(男性)＝5.11
×
每秒步数-3.37。
19.有益效果
20.本发明提供了运动分级算法系统。具备以下有益效果：
21.本发明采用对三轴加速度信号进行采样后降频至100hz后进行人实际跑步最高步频的测算，通过降频后进行信号取模并去平均值处理、波峰检测和波峰筛选后对波峰数量进行统计，统计出的数据用于机选met值，通过设定met值为固定数值后测算男性和女性的建模图像分析，便于对运动过程中人员的频率进行分级算法处理，提高对运动过程中步频计算的精准度。
附图说明
22.图1为本发明的整体流程图；
23.图2为本发明的三轴加速度信号图；
24.图3为本发明的加速度的模和去均值后的加速度模；
25.图4为本发明的波峰检测图；
26.图5为本发明的波峰筛选后图；
27.图6为本发明的女性met和每秒步数离散图；
28.图7为本发明的男性met和每秒步数离散图；
29.图8为本发明的女性预测met值与真实值的误差分布；
30.图9为本发明的男性预测met值与真实值的误差分布。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.具体实施例一：
33.如图1-9所示，运动分级算法系统，包括算法分析系统和数据整理系统，算法分析系统和数据整理系统的具体流程如下：
34.sp1：信号降频采样，信号降频采样为对三轴加速度信号进行降采样，且降采样率为100hz；
35.sp2：信号取模并去平均值，信号取模并去平均值为将加速度的模并减去加速度的均值计算得出；
36.sp3：波峰检测，波峰检测为设定波峰检测的阈值为减去平均值后的加速度的标准差，高于阈值的波峰，即为初步检测的波峰；
37.sp4：波峰筛选，波峰筛选为设定所对应的频率应小于4hz，针对采样率为100hz的信号，波峰最小间隔为100/4，相邻波峰的间隔小于波峰最小间隔，则保留峰值大的，将峰值小的剔除；
38.sp5：波峰数量统计，波峰数量统计为进行10s时长内的波峰数量统计，波峰数量即为步数除以时长，得到每秒的步数；
39.sp6：建模分析,建模分析为根据男性和女性设定固定相等的met值系数进行实验建模分析；
40.sp7：分级阈值，分级阈值为对建模分析的数据进行收集完善整理。
41.信号降频采样、信号取模并去平均值、波峰检测和波峰筛选均在算法分析系统中进行，数据整理系统中进行波峰数量统计和建模分析步骤，数据整理系统和算法分析系统电性连接，三轴加速度信号的原始采样率为100hz，而实际人跑步的最高步频是小于240次每分钟，也就是说，对应的频率小于4hz，为了节约计算资源，首先，对三轴加速度信号进行降采样至采样率为100hz，采用对三轴加速度信号进行采样后降频至100hz后进行人实际跑步最高步频的测算，通过降频后进行信号取模并去平均值处理、波峰检测和波峰筛选后对波峰数量进行统计，统计出的数据用于机选met值，met值是指运动时的代谢率与安静时代谢率的比值，很多有氧训练器械都会用它来显示运动强度、估算热量消耗，通过设定met值为固定数值后测算男性和女性的建模图像分析，便于对运动过程中人员的频率进行分级算法处理，提高对运动过程中步频计算的精准度，信号降频采样中原始三轴加速度的信号采用频率为100hz，信号降频采样中的采样间隔为每10s一次，信号取模并去平均值中，加速度的模为并减去加速度的均值，acc
nog
＝acc-mean(acc)，波峰检测中设定的波峰检测阈值为减去平均值后的加速度的标准差为threshold＝std(acc
nog
)高于阈值的波峰，即为初步检测的波峰，如图3所示，但是，这里检测得到的波峰会存在一些错检的波峰，即与真正的波峰间隔很小，需要进一步筛选剔除，波峰数量统计中进行10s时长内的波峰数量统计，波峰数量即步数nstep，将步数除以时长t，得到每秒的步数vstep，则公式为v
step
＝n
step
/t，用于计算met值，建模分析中，以右手数据为例，左手和胸部数据的处理方法类似，女性和男性的met值关于每秒步数的相关系数均为0.870，由此可知，met值与每秒步数之间具有很强的相关性，然后，分别进行线性拟合，结果如图6和图7所示建模分析中设定的met值关于每秒步数的相关系数均为0.870，相应的拟合公式为met(女性)＝4.54
×
每秒步数-2.23和met(男性)＝5.11
×
每秒步数-3.37，女性和男性met值预测误差的分布柱状
图，如图8和图9所示，对男性和女性的线性模型预测误差进行统计，女性预测误差在
±
2met以内的百分比为85.8％，在
±
3met以内的百分比为96.9％；男性预测误差在
±
2met以内的百分比为88.0％，在
±
3met以内的百分比为96.3％。
42.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
43.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。