CN104111978A - 能量消耗测量方法以及能量消耗测量系统 - Google Patents

Abstract

本发明提供一种能量消耗测量方法和能量消耗测量系统。本发明的能量消耗测量方法和能量消耗测量系统通过将用户的运动数据进行处理获得一段时间内对应的运动特征矢量，并将该运动特征矢量与数据库中的标准运动特征矢量进行比较获得该段时间内标准运动特征矢量及其对应的能量消耗。本发明的能量消耗测量方法和能量消耗测量系统计算更加精确，设置更加灵活，使用更加方便。

Description

能量消耗测量方法以及能量消耗测量系统

技术领域

本发明属于显示技术领域，具体涉及一种能量消耗测量方法，能量消耗测量系统。

背景技术

传统的计步器是通过震动传感器或加速度传感器，测量人体步行的时候产生的震动，并根据人体行走过程中稳定的频率和速度，对测量到的数据信号进行处理，从而计算出实际行走的步数的装置。这类装置由于只考虑到行走的模式，因此只能记录人们由于行走产生的活动量和其能量消耗，对于其他运动无法准确测量和记录。

很多新型的活动量测量装置可以进行全天候的运动和睡眠状况测量，和传统的只能测量步数的计步器相比，这种新型装置为准确测量人体一天的活动量和相关的脂肪消耗提供了一个可行的实现方法。一些研究者认为测量氧气摄入量是测量日常运动强度的最佳方式。运动强度可通过量化运动过程中和休息时的氧气摄入量进行推断，需要建立大量的能量消耗与氧气摄入量计算关系。

但是，对于某些无氧运动，氧气摄入量不能真实反映活动量和人体消耗的能量，比如游泳，举重。同时，由于测量氧气摄入量的装置精度不高，还存在很大的测量误差。

同时，虽然现实生活中的体育活动有很多种，但是一个人日常进行的体育活动都是有限的几种类型，而能量消耗也就集中在这比较单一几种形式上。大量复杂的能量消耗与氧气摄入量计算关系不仅费时费力，而且也没有太大使用频度。

发明内容

本发明的目的针对现有的根据氧气摄入量计算人体的能量消耗的方法存在精度不高，运算复杂的问题，提供一种计算更加精确，设置更加灵活，使用更加方便的能量消耗测量方法。

解决本发明技术问题所采用的技术方案包括以下步骤:

1)获取用户一段时间的运动数据；

2)对运动数据进行处理获得运动特征矢量；

3)将步骤2中获得的运动特征矢量与数据库中的标准运动特征矢量比较，判断运动是否与数据库匹配；若匹配则根据数据库的数据获得能量消耗值；若不能匹配，则允许用户创建自定义运动模型，并输入相应的能量消耗值。

优选的，所述步骤1)包括采用加速度传感器和角速度传感器记录、存储运动数据。

优选的，所述步骤2)包括：

对运动数据以一定时间单位分割为m个时间单元，每个时间单元包含有各运动变量的n个数据点，其中，m，n为大于零的自然数；

分别计算各运动变量的m个时间单元的n个数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率；

将所有m个时间单元的各运动变量的数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率进行高斯概率分布计算，获取相应的高斯分布曲线离散特征值和位置特征值并采用最小二乘法拟合计算矢量的数值，将矢量作为相应各运动变量的特征矢量；

将各运动变量的特征矢量的集合作为对应时间单元的运动特征矢量。

优选的，所述的运动变量包括运动元素和用户元素；所述运动元素包括位移s、速度v、加速度a、高度h、时间t；所述用户元素包括年龄、性别、体重、身高、肺活量和体重指数。

优选的，所述的步骤3)包括：采用归一化欧式距离计算运动特征矢量与标准运动特征矢量的相似度；比较所述相似度是否小于所述设定值；所述相似度的绝对值小于设定值时则匹配，所述相似度的绝对值大于等于设定值时则不匹配。

优选的，所述的设定值可以为标准运动特征矢量的高斯分布曲线的离散特征阈值

优选的，所述的数据库包括用户自定义运动模型库和云端运动模型库；所述的云端运动模型库用于存储标准运动模型及其对应能量消耗；所述的自定义运动模型库用于存储不能与云端运动模型库匹配的运动特征矢量，并存储由用户输入对应的能量消耗。

本发明的另一个目的针对现有的根据氧气摄入量计算人体的能量消耗的系统存在精度不高，运算复杂的问题，提供一种计算更加精确，设置更加灵活，使用更加方便能量消耗测量系统。

解决本发明技术问题所采用的技术方案是一种能量消耗测量系统，包括:

运动数据获取单元，用于获取用户一段时间的运动数据；

运动数据处理单元，用于对运动数据进行处理获得运动特征矢量；

比较单元，用于将获得的运动特征矢量与数据库中的标准运动特征矢量比较，判断运动是否与数据库匹配；若匹配则根据数据库的数据获得能量消耗值；若不能匹配，则允许用户创建自定义运动模型，并输入相应的能量消耗值。

优选的，所述的运动数据获取单元包括加速度传感器和角速度传感器，用于记录、存储运动数据。

优选的，所述的运动数据处理单元包括：

数据分割子单元，用于对运动数据以一定时间单位分割为m个时间单元，每个时间单元包含有各运动变量的n个数据点，其中，m，n为大于零的自然数；

数据点分量计算子单元，用于分别计算各运动变量的m个时间单元的n个数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率；

数据点离散及拟合子单元，用于将所有m个时间单元的各运动变量的数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率进行高斯概率分布计算，获取相应的高斯分布曲线离散特征值和位置特征值并采用最小二乘法拟合计算矢量的数值，将矢量作为相应各运动变量的特征矢量；

运动特征矢量生成子单元，用于将各运动变量的特征矢量的集合作为对应时间单元的运动特征矢量。

优选的，还包括数据库单元，用于存储运动模型数据；所述的数据库单元包括用户自定义运动模型库和云端运动模型库；所述的云端运动模型库用于存储标准运动模型及其对应能量消耗；所述的自定义运动模型库用于存储不能与云端运动模型库匹配的运动特征矢量，并存储由用户输入对应的能量消耗。

优选的，还包括数据收发单元，用于向数据库单元请求运动模型数据，接收或发送运动模型数据。

优选的，还包括计算单元，若匹配成功则根据数据库的中标准运动特征矢量获得对应的能量消耗；若匹配不成功则接收用户输入的能量消耗。

优选的，还包括:显示单元，用于显示能量消耗计算单元计算得到的能量消耗。

上述的能量消耗测量方法和能量消耗测量系统，可以24小时监测用户的活动内容，获得相应运动数据，对特定时间段的运动数据进行处理获得该段时间对应的运动特征矢量，将该运动特征矢量与数据库进行匹配获取，若匹配成功获取该时间段对应的标准运动特征矢量及其对应能量消耗，若不能与数据库匹配则允许用户自定义运动模型，并输入能量消耗。

附图说明

图1为本发明实施例1所述能量消耗测量方法的流程图。

图2为本发明实施例2中能量消耗测量装置的组成示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

实施例1

如图1所示，本实施例提供一种能量消耗测量方法，包括以下步骤:

1)获取用户一段时间的运动数据；

2)对运动数据进行处理获得运动特征矢量；

3)将步骤2中获得的运动特征矢量与数据库中的标准运动特征矢量比较，判断运动是否与数据库匹配；若匹配则根据数据库的数据获得能量消耗值；若不能匹配，则允许用户创建自定义运动模型，并输入相应的能量消耗值。

上述的能量消耗测量方法，可以24小时监测用户的活动内容，获得相应运动数据，对特定时间段的运动数据进行处理获得该段时间对应的运动特征矢量，将该运动特征矢量与数据库进行匹配获取，若匹配成功获取该时间段对应的标准运动特征矢量及其对应能量消耗值，若不能与数据库匹配则允许用户自定义运动模型，并输入能量消耗值。

优选的，所述的获取运动数据步骤包括采用加速度传感器和角速度传感器记录、存储运动数据。

用户的日常活动，例如，行走、跑步、上楼梯、下楼梯、爬山、跳绳、游泳、羽毛球、篮球等，都伴随着特定的运动轨迹。例如，针对打羽毛球运动，由于存在较频繁的挥臂、快速奔跑和急停、以及跳跃等运动元素，而这些运动元素都有其特定的位移s、速度v、加速度a、高度h和时间t信息。可以通过加速度传感器和角速度传感器(陀螺仪)将这些信息记录下来，形成对应羽毛球运动的运动数据。通过对特定时间段用户的运动数据的计算处理获得该段时间内的运动特征矢量。

运动特征矢量包括多个维度的运动变量，该运动变量包括运动元素和用户元素；运动元素包括位移s、速度v、加速度a、高度h、时间t等信息；用户元素包括年龄、性别、体重、身高、肺活量和体重指数信息等。上述运动特征矢量包括的变量维数可以根据运动形式的不同适当增减。

例如，对于羽毛球运动中的一次跳跃动作，其标准模型的运动特征矢量可以表示为V_T：

$V_T=\left[\begin{array}{c}{s}_T\\ v_T\\ a_T\\ h_T\\ t_T\\ {\mathrm{age}}_T\\ {\mathrm{gender}}_T\\ {\mathrm{weight}}_T\\ {\mathrm{height}}_T\\ {\mathrm{vc}}_T\\ {\mathrm{BMI}}_T\end{array}\right]---1$

其中，该矢量中的s_T、v_T、a_T、h_T、t_T都是一段运动时间内对n个样本采集的形成的一维数组，以位移s_T为例，如公式2所示：

s_T＝[s₀,s₁,s₂,s₃,...,s_n]    2

公式2中的一维数组中S_T包含x轴、y轴、和z轴三个运动方向上的分量s_x，s_y，s_z，以x轴分量为例，如公式3所示。

s_x＝(s_x0,s_x1,……s_xn)    3

公式1中，age_T,gender_T,weight_T,height_T,vc_T和BMI_T分别代表用户年龄、性别、体重、身高、肺活量和体重指数信息。

上面的标准模型的运动特征矢量是通过大量采集该运动特征矢量的矢量数据，并将矢量数据以一定时间单位离散化，对大量离散化的矢量变量数据进行聚类，从而将具有相同特征的矢量数据聚集在特征空间的某一特定区域。由于跳跃、快跑等各个运动的运动特征矢量各不相同，不同种类的运动其运动特征矢量会分布到特征空间不同区域。从而形成对应不同运动类型的特征空间，将用户特定时间内采集的运动数据进行离散化处理，并采用统计学的方法即可获得该段时间对应的运动特征矢量。

应当理解的是，对于大量采集运动数据用于构建特征空间和对特定时间段的运动数据获得该段时间对应的运动特征矢量的方法是相同。

下面介绍对特定时间段内运动数据获得对应的运动特征矢量的计算方法，由于运动特征矢量的变量较多，下面以计算位移变量的位移矢量为例进行说明，其它变量的，例如，v、a、h的计算方法类似，不再一一赘述。

步骤1.通过3轴加速度传感器获得了某种运动(比如：羽毛球运动)的一段时间内的加速度数据后，对运动数据以一定时间单位分割为m个时间单元，每个时间单元包含有各运动变量的n个数据点，其中，m，n为大于零的自然数；

步骤2.分别计算各运动变量的m个时间单元的n个数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率；

以位移数据为例见公式4：

$\stackrel{\→}{s}=({\stackrel{\→}{s}}_x,{\stackrel{\→}{s}}_y,{\stackrel{\→}{s}}_z)$ 公式4

公式4中，是位移数据在x轴方向上一个时间单元内位移平均值、位移方差和斜率矢量的集合，是位移数据在y轴方向上一个时间单元内位移平均值、位移方差和斜率矢量的集合，是位移数据在z轴方向上一个时间单元内位移平均值、位移方差和斜率矢量的集合。

下面以计算位移在x轴方向上的分量为例介绍，位移在y轴方向上的分量位移在z轴方向上的分量的计算与的计算类似，不在一一赘述。

按下述的公式5-9计算位移x轴方向上的分量

${\stackrel{\→}{s}}_x=({\stackrel{\‾}{s}}_x,{\mathrm{\δ}}_x,{\stackrel{\→}{r}}_x)$      公式5

公式5中，是x轴方向上一个时间单元内位移平均值、位移方差和斜率矢量的集合，是一个时间单元内n个位移的平均值，δ_x是一个时间单元内n个位移的方差，是一个时间单元内n个斜率的矢量集合。

${\stackrel{\‾}{s}}_x=\frac{\mathrm{\Σ}{s}_{\mathrm{xi}}}{n}$        公式6

公式6中，是x轴方向上一个时间单元内n个位移的平均值，s_xi为x轴方向上一个时间单元内任意一个位移值。

${\mathrm{\δ}}_x=\frac{\mathrm{\Σ}\sqrt{{s_{\mathrm{xi}}}^2-{{\stackrel{\‾}{s}}_x}^2}}{{\stackrel{\‾}{s}}_x}$     公式7

公式7中，δ_x是x轴方向上一个时间单元内n个位移的方差。

${\stackrel{\→}{r}}_x=(r_{x1},r_{x2},...,r_{\mathrm{xn}})$    公式8

公式8中，是x轴方向上一个时间单元内n个斜率的矢量集合，r_xi是x轴方向上一个时间单元内任意一个斜率。

$r_{\mathrm{xi}}=\frac{s_{\mathrm{xi}}-s_{\mathrm{xi}-1}}{s_{\mathrm{xi}}}$     公式9

公式9中，r_xi是x轴方向上直方图的斜率。

步骤3.将所有m个时间单元的各运动变量的数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率进行高斯概率分布计算，获取相应的高斯分布曲线离散特征值σ和位置特征值μ，如公式10所示：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x-\mathrm{\β})}^2}{2{\mathrm{\σ}}^2})$     公式10

以位移矢量为例，公式10中，x为位移矢量

计算μ值对应的位移矢量的方法可以通过公式10描述的高斯曲线，使用最小二乘法拟合计算矢量的数值。

具体方法是初始设定一个和值，通过计算二次函数最小值的迭代逼近方法，计算修改和使该高斯曲线到所有m个时间单元的位移矢量的距离和最小，此时的高斯矢量为该种运动的运动特征矢量中位移变量的中心值，此时的为判断某个用户输入的数据是否为该种运动的高斯分布阈值。

计算运动特征矢量所有变量的中心值，将所有运动变量的特征矢量集合作为对应时间单元的运动特征矢量V。

根据用户的运动特征矢量V在预先构建的运动特征矢量V与能量消耗的数据库中获得特定时间段用户的能量消耗。其中数据库中预先存储有运动特征矢量V与能量消耗的对应关系数据。

该数据库的构建是建立在大量的测试数据的基础之上的。一般可以采用通用公式计算的方法，或通过大量数据实际测量建立运动特征矢量V和能量消耗之间的对应关系表。

下面对采用通用公式计算的方法构建数据库进行说明：

例如，对于跑步运动来说，消耗的卡路里和运动特征矢量V之间有如下关系：

跑步热量(kcal)＝体重(kg)×运动时间(小时)×指数K

其中，指数K＝30÷速度(分钟/400米)

如某人体重60公斤，长跑1小时，速度是3分钟/400米或8公里/小时，那么他跑步过程中消耗的热量＝60×1×30/3＝600kcal(千卡)。

此种计算包括了运动后由于基础代谢率提高所消耗的一部分热量，也就是运动后体温升高所产生的一部分热量。

这种公式计算的方法优点是比较简单，不需要大量采集用户数据进行统计分析，缺点是对应的活动类型较少，而且精度较差。

另外一种数据库的构建方法是通过采集大量人员的不同运动数据，同时通过专业设备测量每个人每次运动时的能量消耗，并记录对应的人员的身高、体重、BMI、性别、年龄等；从而建立起一种针对特定的运动特征矢量V(变量可以包括身高、体重、BMI、性别、年龄等)，在特定时间段内做不同种类的运动时，运动特征矢量V和能量消耗之间对应关系的数据表。

例如，同样对于跑步来说，让体重分别为50KG、60KG、70KG的人分别以3分钟/400米、4分钟/400米和5分钟/400米进行跑步，然后分别对不同运动状态(对应不同的运动特征矢量V)下的能量消耗进行测量，从而建立起针对体重为50KG、60KG、70KG的人分别在3分钟/400米、4分钟/400米和5分钟/400米的速度进行跑步时能量消耗的关系表。

这种建立数据库的方法是，针对不同身高、体重的人在不同运动状态下实际测量的数据，较为准确；但缺点是由于运动特征矢量V的维度很多，构建这样一个包含整个矢量维度空间的数据库需要大量实际数据的测量，构建数据库的成本很高；但考虑到允许用户常见自定义数据库，并将所有用户的自定义数据库共享可以大大节省构建数据库的成本很高。

本发明中是使用加速度传感器和角速度传感器记录用户的运动数据的。应当理解的是，上述加速度传感器和角速度传感器可以设置于随身佩戴的智能手环、臂带、项圈等装置中。但仅根据加速度传感器记录的位移、速度和加速度等数据，很难直接将用户连续的动作分解成跑动、跳跃或挥臂的运动单元，所以需要对足够小的时间单元的运动数据进行运动特征矢量计算，然后将各个时间单元对应的运动特征矢量和数据库中的标准运动特征矢量进行对比，从而确定用户在某一时间单元中，所进行的运动为哪种运动，进而获取该标准运动特征矢量对应的能量消耗。

具体地，下面介绍如何判断用户某一时间单元中的运动为何种运动。优选的，运动特征矢量与标准运动特征矢量的比较采用归一化欧式距离计算运动特征矢量与标准运动特征矢量的相似度；所述相似度的绝对值小于设定值时则匹配，所述相似度的绝对值大于等于设定值时则不匹配。优选地，所述的设定值可以为标准运动特征矢量的高斯分布曲线的离散特征阈值

首先需要计算用户的某一时间单元内的运动特征矢量V_T，其具体步骤和上述步骤1-3中计算运动特征矢量描述的方法相同。

之后，通过计算特定时间段内运动的运动特征矢量V_T和数据库中标准运动特征矢量V之间的归一化欧式距离，计算出V_T和V之间的相似度d_u，具体计算方法如公式11所示：

$d_u=\frac{V-V_T}{V_T}=\left[\begin{array}{c}\frac{\sqrt{s^2-s_T^2}}{s_T}\\ \frac{\sqrt{v^2-v_T^2}}{v_T}\\ \frac{\sqrt{{a^2-a}_T^2}}{a_T}\\ \frac{\sqrt{h^2-h_T^2}}{h_T}\\ \frac{\sqrt{t^2-t_T^2}}{t_T}\\ \frac{\sqrt{{\mathrm{age}}^2-{\mathrm{age}}_T^2}}{{\mathrm{age}}_T}\\ \frac{\sqrt{{\mathrm{gender}}^2-{\mathrm{gender}}_T^2}}{{\mathrm{gender}}_T}\\ \frac{\sqrt{\mathrm{weigh}{t}^2-{\mathrm{weight}}_T^2}}{{\mathrm{weight}}_T}\\ \frac{\sqrt{{\mathrm{height}}^2-{\mathrm{height}}_T^2}}{{\mathrm{height}}_T}\\ \frac{\sqrt{{\mathrm{vc}}^2-{\mathrm{vc}}_T^2}}{{\mathrm{vc}}_T}\\ \frac{\sqrt{{\mathrm{BMI}}^2-{\mathrm{BMI}}_T^2}}{{\mathrm{BMI}}_T}\end{array}\right]$     公式11

其中，表示位移的标准方差，其具体的计算公式如公式7所示。

通过将相似度绝对值与数据库中存储的该类运动的高斯分布曲线的离散特征阈值比较，确定运动是否与数据库中的运动特征矢量匹配。

如公式12所示，

$\left|{\stackrel{\&RightArrow;}{d}}_u\right|<{\stackrel{\&RightArrow;}{\mathrm{\&sigma;}}}_{\mathrm{opt}}$      公式12

其中，其中，为该种运动聚类时计算得出的高斯分布曲线的离散特征阈值。值越小，表明运动特征相似度判断的基准越高，用户的运动特征矢量越接近与标准运动特征矢量，计算能量消耗的精度也就越高。反之，如果越大，说明能量消耗计算的精度越低。

但是，并不是越小越好，当变小时，整个运动特征矢量空间将更加离散化，需要更多的特征矢量来训练和填充标准运动特征矢量空间。

若则判定匹配成功，从数据库中获得对应的能量消耗。

若匹配不成功则允许用户构建自定义运动模型库，进而由用户输入对应的能量消耗。

也就是说，所述的数据库包括用户自定义运动模型库和云端运动模型库；所述的云端运动模型库用于存储标准运动模型及其对应能量消耗；所述的自定义运动模型库用于存储不能与云端运动模型库匹配的运动特征矢量，并存储由用户输入对应的能量消耗。

具体地，所述的云端运动模型库允许不同的用户按一定标准上传自定义运动模型库的数据，从而使云端运动模型库不断的扩大和完善。当用户非常多，而且上传用户个人卡路里消耗有效数据的样本也非常多的时候，才有可能构建出庞大而精确的标准运动矢量特征空间，才能更好的为每个用户提供精确的标准运动模型及其对应能量消耗的数据。

本发明通过采集用户一段时间的运动数据，并将该运动数据分割成若干个时间单元，对各个时间单元分别计算其对应的运动特征矢量V，然后将各个时间单元对应的运动特征矢量V与数据库中的标准运动特征矢量进行比较从而可以将用户的运动划分为不同的运动单元，然后，分别计算其能量消耗。例如，对用户一段时间内的羽毛球运动数据分割成若干个时间单元，并对各个时间单元分别计算其对应的运动特征矢量V，然后将各个时间单元对应的运动特征矢量V与数据库中的标准运动特征矢量进行比较从而可以将用户的羽毛球运动分解成跑步、跳跃、挥臂等不同运动单元，统计每种运动单元出现的次数和运动的时间，从而计算出整个羽毛球运动中的能量消耗。本发明的能量消耗测量方法计算更加精确，设置更加灵活，使用更加方便。

实施例2

如图2所示，本实施例提供一种能量消耗测量系统，包括：

运动数据获取单元，用于获取用户一段时间内的运动数据；

运动数据处理单元，用于对运动数据进行处理获得运动特征矢量；

比较单元，用于将获得的运动特征矢量与数据库中的标准运动特征矢量比较，判断运动是否与数据库匹配；若匹配则根据数据库的数据获得能量消耗值；若不能匹配，则允许用户创建自定义运动模型，并输入相应的能量消耗值。

具体地，比较单元用于接收运动数据处理单元计算的运动特征矢量，接收数据收发单元发送的运动特征矢量数据，将两者采用归一化欧式距离计算运动特征矢量与标准运动特征矢量的相似度；所述相似度的绝对值小于设定值时则匹配，所述相似度的绝对值大于等于设定值时则不匹配；具体的计算方法见实施例1中的描述。

优选地，所述运动数据获取单元包括加速度传感器和角速度传感器，用于记录、存储运动数据。具体地，上述加速度传感器和角速度传感器可以设置于随身佩戴的智能手环、臂带、项圈等装置中。对用户进行24小时的运动数据采集。

优选的，所述的运动数据处理单元包括：

数据分割子单元，用于对运动数据以一定时间单位分割为m个时间单元，每个时间单元包含有各运动变量的n个数据点，其中，m，n为大于零的自然数；

数据点分量计算子单元，用于分别计算各运动变量的m个时间单元的n个数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率；

数据点离散及拟合子单元，用于将所有m个时间单元的各运动变量的数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率进行高斯概率分布计算，获取相应的高斯分布曲线离散特征值和位置特征值并采用最小二乘法拟合计算矢量的数值，将矢量作为相应各运动变量的特征矢量；

运动特征矢量生成子单元，用于将各运动变量的特征矢量的集合作为对应时间单元的运动特征矢量。

优选的，能量消耗测量系统还包括数据库单元，用于存储运动模型数据；所述的数据库单元包括用户自定义运动模型库和云端运动模型库；所述的云端运动模型库用于存储标准运动模型及其对应能量消耗；所述的自定义运动模型库用于存储不能与云端运动模型库匹配的运动特征矢量，并存储由用户输入对应的能量消耗。

优选的，能量消耗测量系统还包括数据收发单元，用于向数据库单元请求运动模型数据，接收或发送运动模型数据。具体地，所述的数据收发单元包括无线网络连接，用户通过该无线网络连接上传自定义运动模型库或下载标准运动模型库的相关数据，更加方便用户对数据的使用。

优选的，能量消耗测量系统还包括计算单元，若匹配成功则根据数据库的中标准运动特征矢量获得对应的能量消耗；若匹配不成功则接收用户输入的能量消耗。具体地，能量消耗计算单元接收比较单元传递的能量消耗计算用户的特定运动时间内的能量消耗。若匹配则将数据库中标准运动特征矢量及其能量消耗数据传递给能量消耗计算单元，进行能量消耗计算。若不匹配则由用户输入对应的能量消耗，并将计算得到的运动特征矢量和对应的能量消耗数据传递给能量消耗计算单元，进行能量消耗计算。

优选地，所述的能量消耗测量系统还包括:显示单元，用于显示能量消耗计算单元计算得到的能量消耗。具体地，可以是液晶屏、OLED屏，用于显示用户的运动的能量消耗。

本发明的能量消耗测量系统通过采集用户一段时间的运动数据，并将该运动数据分割成若干个时间单元，对各个时间单元分别计算其对应的运动特征矢量V，然后将各个时间单元对应的运动特征矢量V与数据库中的标准运动特征矢量进行比较从而可以将用户的运动划分为不同的运动单元，然后，分别计算其能量消耗。例如，对用户一段时间内的羽毛球运动数据分割成若干个时间单元，并对各个时间单元分别计算其对应的运动特征矢量V，然后将各个时间单元对应的运动特征矢量V与数据库中的标准运动特征矢量进行比较从而可以将用户的将羽毛球运动分解成跑步、跳跃、挥臂等不同运动单元，统计每种运动单元出现的次数和运动的时间，从而计算出整个羽毛球运动中的能量消耗。本发明的能量消耗测量方法计算更加精确，设置更加灵活，使用更加方便。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (14)

1.一种能量消耗测量方法，其特征在于，包括以下步骤:

1)获取用户一段时间内的运动数据；

2)对运动数据进行处理获得运动特征矢量；

3)将步骤2)中获得的所述运动特征矢量与数据库中的标准运动特征矢量比较，判断运动是否与数据库匹配；若匹配则根据数据库的数据获得能量消耗值；若不能匹配，则允许用户创建自定义运动模型，并输入相应的能量消耗值。

2.如权利要求1所述的能量消耗测量方法，其特征在于，所述步骤1)包括采用加速度传感器和角速度传感器记录、存储运动数据。

3.如权利要求1所述的能量消耗测量方法，其特征在于，所述步骤2)包括：

对运动数据以一定时间单位分割为m个时间单元，每个时间单元包含有各运动变量的n个数据点，其中，m，n为大于零的自然数；

分别计算各运动变量的m个时间单元的n个数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率；

将所有m个时间单元的各运动变量的数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率进行高斯概率分布计算，获取相应的高斯分布曲线离散特征值和位置特征值并采用最小二乘法拟合计算矢量的数值，将矢量作为相应各运动变量的特征矢量；

将各运动变量的特征矢量的集合作为对应时间单元的运动特征矢量。

4.如权利要求3所述的能量消耗测量方法，其特征在于，所述的运动变量包括运动元素和用户元素；所述运动元素包括位移s、速度v、加速度a、高度h、时间t；所述用户元素包括年龄、性别、体重、身高、肺活量和体重指数。

5.如权利要求1所述的能量消耗测量方法，其特征在于，所述的步骤3)包括：采用归一化欧式距离计算运动特征矢量与标准运动特征矢量的相似度；比较所述相似度是否小于所述设定值；所述相似度的绝对值小于设定值时则匹配，所述相似度的绝对值大于等于设定值时则不匹配。

6.如权利要求5所述的能量消耗测量方法，其特征在于，所述的设定值为标准运动特征矢量的高斯分布曲线的离散特征分布阈值

7.如权利要求1所述的能量消耗测量方法，其特征在于，所述的数据库包括用户自定义运动模型库和云端运动模型库；所述的云端运动模型库用于存储标准运动模型及其对应能量消耗；所述的自定义运动模型库用于存储不能与云端运动模型库匹配的运动特征矢量，并存储由用户输入对应的能量消耗。

8.一种能量消耗测量系统，其特征在于，包括:

运动数据获取单元，用于获取用户一段时间内的运动数据；

运动数据处理单元，用于对运动数据进行处理获得运动特征矢量；

比较单元，用于将获得的运动特征矢量与数据库中的标准运动特征矢量比较，判断运动是否与数据库匹配；若匹配则根据数据库的数据获得能量消耗值；若不能匹配，则允许用户创建自定义运动模型，并输入相应的能量消耗值。

9.如权利要求8所述的能量消耗测量系统，其特征在于，所述的运动数据获取单元包括加速度传感器和角速度传感器，用于记录、存储运动数据。

10.如权利要求8所述的能量消耗测量系统，其特征在于，所述的运动数据处理单元包括：

数据分割子单元，用于对运动数据以一定时间单位分割为m个时间单元，每个时间单元包含有各运动变量的n个数据点，其中，m，n为大于零的自然数；

数据点分量计算子单元，用于分别计算各运动变量的m个时间单元的n个数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率；

数据点离散及拟合子单元，用于将所有m个时间单元的各运动变量的数据点在x轴、y轴、z轴三个方向上的均值、方差、以及直方图斜率进行高斯概率分布计算，获取相应的高斯分布曲线离散特征值和位置特征值并采用最小二乘法拟合计算矢量的数值，将矢量作为相应各运动变量的特征矢量；

运动特征矢量生成子单元，用于将各运动变量的特征矢量的集合作为对应时间单元的运动特征矢量。

11.如权利要求8所述的能量消耗测量系统，其特征在于，还包括数据库单元，用于存储运动模型数据；所述的数据库单元包括用户自定义运动模型库和云端运动模型库；所述的云端运动模型库用于存储标准运动模型及其对应能量消耗；所述的自定义运动模型库用于存储不能与云端运动模型库匹配的运动特征矢量，并存储由用户输入对应的能量消耗。

12.如权利要求11所述的能量消耗测量系统，其特征在于，还包括数据收发单元，用于向数据库单元请求运动模型数据，接收或发送运动模型数据。

13.如权利要求8所述的能量消耗测量系统，其特征在于，还包括计算单元，若匹配成功则根据数据库的中标准运动特征矢量获得对应的能量消耗；若匹配不成功则接收用户输入的能量消耗。

14.如权利要求13所述的能量消耗测量系统，其特征在于，还包括:

显示单元，用于显示所述计算单元计算得到的能量消耗。