CN104200234B - 人体动作建模和识别方法 - Google Patents
人体动作建模和识别方法 Download PDFInfo
- Publication number
- CN104200234B CN104200234B CN201410330400.9A CN201410330400A CN104200234B CN 104200234 B CN104200234 B CN 104200234B CN 201410330400 A CN201410330400 A CN 201410330400A CN 104200234 B CN104200234 B CN 104200234B
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- model
- sleep
- action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
一种加速度计数据建模和运动识别方法，包括：通过加速度计采集动作数据建立多种动作模型，包括运动、睡眠、翻腕/降腕和敲击等动作；通过加速度计实时采集上述动作数据，并通过平滑滤波器对采集的数据进行平滑处理，去除噪声；分析滤波后的数据，对比目标动作数据模型，进行动作识别。动作识别完成，根据不同动作识别需要，计算后续数据，如卡路里消耗、进行里程数、运动模式、睡眠质量等运动相关信息。本发明在保证动作识别高准确度的情况下，根据各种动作之间的差别，同时实现了多种动作实时分析，能够智能地为用户提供高准确度，高智能化的人体动作识别方法。
Description
技术领域
本发明涉及一种面向人体健康应用的人体动作模型建立和识别方法，利用平滑滤波、动作建模，判别模型和动作识别，来分析并识别人体动作，实现人体健康跟踪和智能生活。
背景技术
随着生活水平越来越高，人们越来越关注自己的健康问题，而掌握自身一天运动信息，就能更加准确让用户了解自身的健康相关信息。人体动作建模和识别方法就为用户提供了这样的可能：通过智能人体动作识别，能够实现如自动记录用户每天的运动量(如走了多少步，走了多少公里、消耗了多少卡路里等)、睡眠质量(多少时间是深睡眠，多少时间是浅睡眠)。使用户随时了解自身的运动信息而不必花时间主动记录，实现完全智能的用户体验。
智能人体动作识别，原理是先利用加速度传感器读取人体做动作时的加速度变化，来建立动作的加速度数据模型，再根据建立好的数据模型对实时采集的数据进行数据识别。可穿戴市场上很多智能手环如Nike+Fuelband、Fitbit Flex、咕咚手环、Jawbone Up2都是用这种方式进行运动识别，但这些智能手环的智能人体动作识别算法虽然能识别人体的前进步伐等，但大都缺乏的运动类型和动作识别，而且准确度也有所欠缺。
发明内容
本发明要克服现有技术不能智能化地识别人体动作模型、运动类别，记录人体动作的缺点，提出一个针对多种运动类型的基于加速度数据的人体动作建模和识别方法。
本发明提供一种根据加速度数据建立人体动作模型和识别人体动作的方法，采用的技术方案实现步骤是：
步骤1，采集人体做动作时的加速度数据，来建立动作的加速度数据模型，包括：采集人体运动时手臂摆动的加速度数据，来建立运动模型；采集人体睡眠时翻身的加速度数据，来建立睡眠模型；采集人体敲击动作时的加速度数据，来建立敲击模型；采集人体翻腕/降腕时手臂的加速度数据，来建立翻腕/降腕模型；
步骤2，实时采集人体动作加速度数据，与已建立的动作模型匹配，识别人体动作；
步骤3，动作模型匹配后，自动记录人体动作，包括运动量、睡眠质量、敲击动作和翻腕动作等信息。
进一步，步骤2所述的动作模型匹配中，运动和睡眠加速度数据模型匹配方法采用3轴加速度动态阈值决策算法，其流程为：
(1)实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
(2)计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
(3)经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为与相应的运动或者睡眠模型匹配。
进一步，步骤2所述的运动建模和识别方法120，采集人体步行和跑步时加速度计数据的变化，根据其规律抽象并建立人体步行/跑步的运动数据模型；实时采集人体活动时的加速度数据，与步行/跑步实时数据对比，进行步行/跑步动作的识别，具体流程：
步骤210通过配置平滑滤波器将输入的人体运动(步行和跑步)时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤220，通过离线训练，将运动加速度数据抽象成运动模型，用于实时运动识别的参考；通过人体在持续运动过程中加速度计采样到的典型数据图，发现在持续规律的运动时，加速度数据变化呈现固定规律，可抽象形成运动模型；
步骤230，平滑后的运动加速度数据，进行数据特征提取；
步骤240，将步骤230提取的数据与运动模型进行匹配识别；具体过程：
2401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
2402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
2403经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为是有效的步伐。
步骤250，根据获得的步伐数据，结合用户的身高体重等信息，计算用户运动的里程长度、运动速度和运动状态等信息。
再进一步，步骤2所述的睡眠建模和识别方法130，采集人体睡眠时翻身的加速度变化，根据其规律抽象并建立睡眠翻身的数据模型；实时采集人体睡眠时翻身的加速度数据，并与人体睡眠翻身模型进行对比，进行睡眠翻身动作的识别；具体流程：
步骤510通过配置平滑滤波器将输入的人体睡眠翻身时加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤520通过离线训练，将睡眠加速度数据抽象成睡眠模型，用于实时睡眠识别的参考；
步骤530平滑后的3轴睡眠加速度数据，进行数据特征提取，
步骤540，将步骤530提取的数据与睡眠模型匹配识别，具体流程为：
5401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
5402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
5403经过平滑滤波的目标加速度数据作为样本数据，进入睡眠模型判断滤波器，数值跨越动态阈值并符合抽象睡眠模型的样本点则认为是有效的翻身动作。
步骤550，根据获得的翻身数据，结合用户的年龄等信息，计算用户深睡眠、浅睡眠的时间等信息。
再进一步，步骤2所述的敲击建模和识别方法140，采集人体敲击物体时的加速度计数据变化，抽象并建立敲击模型；实时采集人体动作的加速度计数据，对比敲击数据模型，进行敲击动作的识别；具体流程：
步骤610通过配置平滑滤波器将输入的敲击物体时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤620通过离线训练，将敲击加速度数据抽象成敲击模型；在敲击物体过程中加速度计采样到的数据会有波动过程：加速度幅度差会从平稳状态中突然持续升高，直至达到最大值；达到最大值后，加速度幅度差会快速下滑，直至达到平稳状态值；因此，可根据加速度幅度数据的这个变化特征，建立波峰起始幅度阈值用于判断波峰起始，建立波峰最高幅度阈值用于判断波峰最高状态，建立波峰时间阈值用于限定敲击波峰的时长；
在步骤630经过实时平滑滤波的加速度幅值差，经过数据特征提取，
步骤640，将步骤630提取的属于与敲击模型对比并识别敲击动作，具体过程是：
6401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
6402计算目标分析数据在该段时间内的最小值和最大值及维持时间，建立波峰波谷起始阈值、波峰波谷幅度阈值、波峰时间阈值
6403经过平滑滤波的目标加速度数据作为样本数据，进入敲击模型判断滤波器，数值跨越动态阈值并符合抽象敲击模型的样本点则认为是有效的敲击动作。
步骤650，根据获得的敲击数据，结合设定的起始数据，进行运动识别和睡眠识别的模式切换。
更进一步，步骤2所述的翻腕建模和识别方法150，采集人体翻腕时加速计的变化，抽象并建立人体翻腕数据模型；实时采集人体睡眠时加速度数据；具体流程：
步骤810通过配置平滑滤波器将输入的翻腕时的加速度数据进行平滑滤波处理，消除系统噪声，是加速度数据平滑；
步骤820通过离线训练，将翻腕过程中加速度数据抽象成翻腕模型；
步骤830经过实时平滑滤波的加速度幅值差，经过数据特征提取；
步骤840，将步骤830提取的数据与翻腕模型对比并识别翻腕动作，具体过程是：
8401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
8402计算目标分析数据在该段时间内的最大值和最小值，取最大值与最小值之差用做计算动态阈值；
8403经过平滑滤波的目标加速度数据作为样本数据，进入翻腕模型判断滤波器，数值跨越动态阈值并符合抽象翻腕模型的样本点则认为是有效的翻腕动作。
步骤850，响应翻腕动作，翻腕一次，显示时间数秒。
本发明提供的动作建模和识别方式，能够适应不同人群的需要，根据不同用户的动作习惯进行建模的调整，以达到最优的动作识别；而且多样的动作建模方式能够分别识别运动、睡眠、翻腕和敲击多种动作，实现在多种应用场景的智能体感识别，给用户提供了多样的动作识别体验
根据本发明提供的动作建模和识别方式，可形成人体动作识别和信息分析装置：
1)通过内置加速度数据的动作模型和识别算法的加速度计装置，识别人步行、跑步、敲击和翻腕等动作，并记录人体步伐、睡眠翻身、敲击动作和翻腕动作等信息
2)通过记录的人体动作信息，分析人体健康信息：根据用户步伐信息，结合用户身高和体重计算用户的卡路里消耗，提示用户是否进行了足够的运动。根据用睡眠翻身次数，分析用户睡眠的各个时间段的睡眠质量，提示用户睡眠质量的好坏。
3)提供用户智能操作体验：通过敲击动作的识别，实现用户通过敲击进行运动识别和睡眠识别的模式切换；通过翻腕动作的识别，实现用户翻腕显示时间的动作感应。
本发明的优点是：智能化地识别人体动作模型、运动类别，记录人体动作。
附图说明
图1是本发明基于加速度数据的人体动作建模和识别方法
图2是本发明运动识别流程图
图3是运动加速度数据建模图
图4是本发明运动加速度数据识别原理图
图5是本发明睡眠识别流程图
图6是本发明敲击识别流程图
图7是敲击加速度数据建模图
图8是本发明翻腕识别流程图
具体实施方式
参照附图：
参照图1，基于加速度数据人体动作建模和识别方法，其特征在于：基于加速度数据人体动作建模和识别方法包括读取加速度数据110、运动建模和识别方法120、睡眠建模和识别方法130、敲击动作建模和识别方法140、翻腕动作建模和识别方法150，基于加速度数据人体动作建模和识别方法实现步骤为：
步骤1，采集人体做动作时的加速度数据，来建立动作的加速度数据模型，包括：采集人体运动时手臂摆动的加速度数据，来建立运动模型；采集人体睡眠时翻身的加速度数据，来建立睡眠模型；采集人体敲击动作时的加速度数据，来建立敲击模型；采集人体翻腕/降腕时手臂的加速度数据，来建立翻腕/降腕模型；
步骤2，实时采集人体动作加速度数据，与已建立的动作模型匹配，识别人体动作；
步骤3，动作模型匹配后，自动记录人体动作，包括运动量、睡眠质量、敲击动作和翻腕动作等信息。,进一步，步骤2所述的动作模型匹配中，运动和睡眠加速度数据模型匹配方法采用3轴加速度动态阈值决策算法，其流程为：
(1)实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
(2)计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
(3)经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为与相应的运动或者睡眠模型匹配。
参照图2，步骤2所述的运动建模和识别方法120，采集人体步行和跑步时加速度计数据的变化，根据其规律抽象并建立人体步行/跑步的运动数据模型；实时采集人体活动时的加速度数据，与步行/跑步实时数据对比，进行步行/跑步动作的识别，具体流程：
步骤210通过配置平滑滤波器将输入的人体运动(步行和跑步)时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤220，通过离线训练，将运动加速度数据抽象成运动模型，用于实时运动识别的参考；通过人体在持续运动过程中加速度计采样到的典型数据图，发现在持续规律的运动时，加速度数据变化呈现固定规律，可抽象形成运动模型；
步骤230，平滑后的运动加速度数据，进行数据特征提取；
步骤240，将步骤230提取的数据与运动模型进行匹配识别；参照图3、4，具体过程：
2401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
2402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
2403经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为是有效的步伐。
步骤250，根据获得的步伐数据，结合用户的身高体重等信息，计算用户运动的里程长度、运动速度和运动状态等信息。
参照图5，步骤2所述的睡眠建模和识别方法130，采集人体睡眠时翻身的加速度变化，根据其规律抽象并建立睡眠翻身的数据模型；实时采集人体睡眠时翻身的加速度数据，并与人体睡眠翻身模型进行对比，进行睡眠翻身动作的识别；具体流程：
步骤510通过配置平滑滤波器将输入的人体睡眠翻身时加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤520通过离线训练，将睡眠加速度数据抽象成睡眠模型，用于实时睡眠识别的参考；
步骤530平滑后的3轴睡眠加速度数据，进行数据特征提取，
步骤540，将步骤530提取的数据与睡眠模型匹配识别，具体流程为：
5401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
5402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
5403经过平滑滤波的目标加速度数据作为样本数据，进入睡眠模型判断滤波器，数值跨越动态阈值并符合抽象睡眠模型的样本点则认为是有效的翻身动作。
步骤550，根据获得的翻身数据，结合用户的年龄等信息，计算用户深睡眠、浅睡眠的时间等信息。
参照图6，步骤2所述的敲击建模和识别方法140，采集人体敲击物体时的加速度计数据变化，抽象并建立敲击模型；实时采集人体动作的加速度计数据，对比敲击数据模型，进行敲击动作的识别；具体流程：
步骤610通过配置平滑滤波器将输入的敲击物体时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤620通过离线训练，参照图7，将敲击加速度数据抽象成敲击模型；在敲击物体过程中加速度计采样到的数据会有波动过程：加速度幅度差会从平稳状态中突然持续升高，直至达到最大值；达到最大值后，加速度幅度差会快速下滑，直至达到平稳状态值；因此，可根据加速度幅度数据的这个变化特征，建立波峰起始幅度阈值用于判断波峰起始，建立波峰最高幅度阈值用于判断波峰最高状态，建立波峰时间阈值用于限定敲击波峰的时长；
在步骤630经过实时平滑滤波的加速度幅值差，经过数据特征提取，
步骤640，将步骤630提取的属于与敲击模型对比并识别敲击动作，具体过程是：
6401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
6402计算目标分析数据在该段时间内的最小值和最大值及维持时间，建立波峰波谷起始阈值、波峰波谷幅度阈值、波峰时间阈值
6403经过平滑滤波的目标加速度数据作为样本数据，进入敲击模型判断滤波器，数值跨越动态阈值并符合抽象敲击模型的样本点则认为是有效的敲击动作。
步骤650，根据获得的敲击数据，结合设定的起始数据，进行运动识别和睡眠识别的模式切换。
参照图8，步骤2所述的翻腕建模和识别方法150，采集人体翻腕时加速计的变化，抽象并建立人体翻腕数据模型；实时采集人体睡眠时加速度数据；具体流程：
步骤810通过配置平滑滤波器将输入的翻腕时的加速度数据进行平滑滤波处理，消除系统噪声，是加速度数据平滑；
步骤820通过离线训练，将翻腕过程中加速度数据抽象成翻腕模型；
步骤830经过实时平滑滤波的加速度幅值差，经过数据特征提取；
步骤840，将步骤830提取的数据与翻腕模型对比并识别翻腕动作，具体过程是：
8401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
8402计算目标分析数据在该段时间内的最大值和最小值，取最大值与最小值之差用做计算动态阈值；
8403经过平滑滤波的目标加速度数据作为样本数据，进入翻腕模型判断滤波器，数值跨越动态阈值并符合抽象翻腕模型的样本点则认为是有效的翻腕动作。
步骤850，响应翻腕动作，翻腕一次，显示时间数秒。
Claims (6)
1.基于加速度数据人体动作建模和识别方法，其特征在于：包括读取加速度数据(110)、运动建模和识别方法(120)、睡眠建模和识别方法(130)、敲击动作建模和识别方法(140)、翻腕动作建模和识别方法(150)，基于加速度数据人体动作建模和识别方法实现步骤为：
步骤1，采集人体做动作时的加速度数据，来建立动作的加速度数据模型，包括：采集人体运动时手臂摆动的加速度数据，来建立运动模型；采集人体睡眠时翻身的加速度数据，来建立睡眠模型；采集人体敲击动作时的加速度数据，来建立敲击模型；采集人体翻腕/降腕时手臂的加速度数据，来建立翻腕/降腕模型；
步骤2，实时采集人体动作加速度数据，与已建立的动作模型匹配，识别人体动作；
步骤3，动作模型匹配后，自动记录人体动作，包括运动量、睡眠质量、敲击动作和翻腕动作信息；
所述睡眠建模和识别方法(130)中，采集人体睡眠时翻身的加速度变化，根据其规律抽象并建立睡眠翻身的数据模型；实时采集人体睡眠时翻身的加速度数据，并与人体睡眠翻身模型进行对比，进行睡眠翻身动作的识别，根据用睡眠翻身次数，分析用户睡眠的各个时间段的睡眠质量，提示用户睡眠质量的好坏；
通过敲击动作的识别，实现用户通过敲击进行运动识别和睡眠识别的模式切换。
2.如权利要求1所述的方法，其特征在于：所述的动作模型匹配中，运动和睡眠加速度数据模型匹配方法采用3轴加速度动态阈值决策算法，其流程为：
2.1实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
2.2计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
2.3经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为与相应的运动或者睡眠模型匹配。
3.如权利要求2所述的方法，其特征在于：所述的运动建模和识别方法(120)，采集人体步行和跑步时加速度计数据的变化，根据其规律抽象并建立人体步行/跑步的运动数据模型；实时采集人体活动时的加速度数据，与步行/跑步实时数据对比，进行步行/跑步动作的识别，具体流程：
步骤210通过配置平滑滤波器将输入的人体运动时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤220，通过离线训练，将运动加速度数据抽象成运动模型，用于实时运动识别的参考；通过人体在持续运动过程中加速度计采样到的典型数据图，发现在持续规律的运动时，加速度数据变化呈现固定规律，可抽象形成运动模型；
步骤230，平滑后的运动加速度数据，进行数据特征提取；
步骤240，将步骤230提取的数据与运动模型进行匹配识别；具体过程：
2401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
2402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
2403经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为是有效的步伐；
步骤250，根据获得的步伐数据，结合用户的身高体重信息，计算用户运动的里程长度、运动速度和运动状态信息。
4.如权利要求2所述的方法，其特征在于：所述的睡眠建模和识别方法(130)，具体流程：
步骤510通过配置平滑滤波器将输入的人体睡眠翻身时加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤520通过离线训练，将睡眠加速度数据抽象成睡眠模型，用于实时睡眠识别的参考；
步骤530平滑后的3轴睡眠加速度数据，进行数据特征提取，
步骤540，将步骤530提取的数据与睡眠模型匹配识别，具体流程为：
5401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
5402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值；
5403经过平滑滤波的目标加速度数据作为样本数据，进入睡眠模型判断滤波器，数值跨越动态阈值并符合抽象睡眠模型的样本点则认为是有效的翻身动作；
步骤550，根据获得的翻身数据，结合用户的年龄信息，计算用户深睡眠、浅睡眠的时间信息。
5.如权利要求2所述的方法，其特征在于：所述的敲击建模和识别方法(140)，采集人体敲击物体时的加速度计数据变化，抽象并建立敲击模型；实时采集人体动作的加速度计数据，对比敲击数据模型，进行敲击动作的识别；具体流程：
步骤610通过配置平滑滤波器将输入的敲击物体时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑；
步骤620通过离线训练，将敲击加速度数据抽象成敲击模型；在敲击物体过程中加速度计采样到的数据会有波动过程：加速度幅度差会从平稳状态中突然持续升高，直至达到最大值；达到最大值后，加速度幅度差会快速下滑，直至达到平稳状态值；因此，可根据加速度幅度数据的这个变化特征，建立波峰起始幅度阈值用于判断波峰起始，建立波峰最高幅度阈值用于判断波峰最高状态，建立波峰时间阈值用于限定敲击波峰的时长；
在步骤630经过实时平滑滤波的加速度幅值差，经过数据特征提取，
步骤640，将步骤630提取的属于与敲击模型对比并识别敲击动作，具体过程是：
6401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
6402计算目标分析数据在该段时间内的最小值和最大值及维持时间，建立波峰波谷起始阈值、波峰波谷幅度阈值、波峰时间阈值
6403经过平滑滤波的目标加速度数据作为样本数据，进入敲击模型判断滤波器，数值跨越动态阈值并符合抽象敲击模型的样本点则认为是有效的敲击动作；
步骤650，根据获得的敲击数据，结合设定的起始数据，进行运动识别和睡眠识别的模式切换。
6.如权利要求2所述的方法，其特征在于：所述的翻腕建模和识别方法(150)，采集人体翻腕时加速计的变化，抽象并建立人体翻腕数据模型；实时采集人体睡眠时加速度数据；具体流程：
步骤810通过配置平滑滤波器将输入的翻腕时的加速度数据进行平滑滤波处理，消除系统噪声，是加速度数据平滑；
步骤820通过离线训练，将翻腕过程中加速度数据抽象成翻腕模型；
步骤830经过实时平滑滤波的加速度幅值差，经过数据特征提取；
步骤840，将步骤830提取的数据与翻腕模型对比并识别翻腕动作，具体过程是：
8401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据；
8402计算目标分析数据在该段时间内的最大值和最小值，取最大值与最小值之差用做计算动态阈值；
8403经过平滑滤波的目标加速度数据作为样本数据，进入翻腕模型判断滤波器，数值跨越动态阈值并符合抽象翻腕模型的样本点则认为是有效的翻腕动作；
步骤850，响应翻腕动作，翻腕一次，显示时间数秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410330400.9A CN104200234B (zh) | 2014-07-11 | 2014-07-11 | 人体动作建模和识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410330400.9A CN104200234B (zh) | 2014-07-11 | 2014-07-11 | 人体动作建模和识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104200234A CN104200234A (zh) | 2014-12-10 |
| CN104200234B true CN104200234B (zh) | 2018-10-16 |
Family
ID=52085523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410330400.9A Active CN104200234B (zh) | 2014-07-11 | 2014-07-11 | 人体动作建模和识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104200234B (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170337349A1 (en) * | 2014-12-02 | 2017-11-23 | Koninklijke Philips N.V. | System and method for generating health data using measurements of wearable device |
| US10978194B2 (en) * | 2015-03-06 | 2021-04-13 | Koninklijke Philips N.V. | Systems, methods, and devices for determining endpoints of a rest period using motion data |
| RU2593983C1 (ru) * | 2015-03-13 | 2016-08-10 | Общество С Ограниченной Ответственностью "Хилби" | Способ определения вида двигательной активности человека и устройство для его осуществления |
| CN104952110A (zh) * | 2015-07-08 | 2015-09-30 | 安徽瑞宏信息科技有限公司 | 一种人体骨骼建模方法 |
| CN105159441B (zh) * | 2015-07-28 | 2017-10-31 | 东华大学 | 基于自主式运动识别技术的私人教练智能手环 |
| CN105096696A (zh) * | 2015-07-31 | 2015-11-25 | 努比亚技术有限公司 | 一种基于智能手环的手语翻译装置和方法 |
| CN105241454A (zh) * | 2015-10-23 | 2016-01-13 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于多传感器的行人导航系统及导航方法 |
| CN105582669A (zh) * | 2015-12-21 | 2016-05-18 | 上海交通大学 | 基于动作模板特征匹配的体感游戏手环系统 |
| CN105796111B (zh) * | 2016-03-09 | 2018-12-25 | 安徽华米信息科技有限公司 | 睡眠翻身动作的监测方法、装置及可穿戴设备 |
| CN106067001B (zh) * | 2016-05-27 | 2019-06-11 | 快快乐动（北京）网络科技有限公司 | 一种动作识别方法 |
| CN105975091A (zh) * | 2016-07-05 | 2016-09-28 | 南京理工大学 | 一种基于惯性传感器的虚拟键盘人机交互技术 |
| CN106175781B (zh) * | 2016-08-25 | 2019-08-20 | 歌尔股份有限公司 | 利用可穿戴设备监测游泳状态的方法及可穿戴设备 |
| CN107870681A (zh) * | 2016-09-23 | 2018-04-03 | 上海葡萄纬度科技有限公司 | 实时识别动作的方法以及相应的手环与计算设备 |
| GB201811494D0 (en) * | 2018-07-13 | 2018-08-29 | Smith & Nephew | Inter-device communications and device control in wound therapy systems |
| CN107049255A (zh) * | 2017-04-13 | 2017-08-18 | 海能电子(深圳)有限公司 | 一种穿戴式智能设备及其睡眠算法 |
| CN109091150A (zh) * | 2017-11-29 | 2018-12-28 | 惠州市德赛工业研究院有限公司 | 睡眠体动的识别方法、睡眠质量评估方法及智能穿戴设备 |
| CN109620158B (zh) * | 2018-12-28 | 2021-10-15 | 惠州Tcl移动通信有限公司 | 睡眠监控的方法、智能终端及存储装置 |
| CN110017834B (zh) * | 2019-04-15 | 2021-12-24 | 歌尔科技有限公司 | 使用对象确定方法、设备及存储介质 |
| CN110477887A (zh) * | 2019-09-18 | 2019-11-22 | 浙江理工大学 | 一种非入侵式长程呼吸暂停综合征的监测装置 |
| CN110674801B (zh) * | 2019-12-04 | 2020-03-20 | 展讯通信（上海）有限公司 | 基于加速度计识别用户运动模式的方法、装置及电子设备 |
| CN112130676A (zh) * | 2020-09-23 | 2020-12-25 | 深圳市爱都科技有限公司 | 一种可穿戴终端及其翻腕识别方法 |
| CN112539763B (zh) * | 2020-12-08 | 2023-03-14 | 歌尔科技有限公司 | 运动状态的分类方法、计步装置及可读存储介质 |
| CN113476808A (zh) * | 2021-07-09 | 2021-10-08 | 烟台工程职业技术学院(烟台市技师学院) | 智能体育运动数据测量方法及装置 |
| CN114425149A (zh) * | 2021-12-13 | 2022-05-03 | 中国船舶重工集团公司第七一六研究所 | 一种仰卧起坐运动计数装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102772211A (zh) * | 2012-08-08 | 2012-11-14 | 中山大学 | 一种人体运动状态检测系统及检测方法 |
| CN203424934U (zh) * | 2013-07-24 | 2014-02-12 | 吴盛刚 | 多用途智能健康数据采集模块 |
| CN103616034A (zh) * | 2013-12-10 | 2014-03-05 | 山东省计算中心 | 一种基于蓝牙的网络计步器及计步方法 |
| CN103699795A (zh) * | 2013-12-20 | 2014-04-02 | 东软熙康健康科技有限公司 | 一种运动行为识别方法、装置及运动强度监测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5760669B2 (ja) * | 2011-05-12 | 2015-08-12 | 富士通株式会社 | 状態判定装置、及び状態判定方法 |
-
2014
- 2014-07-11 CN CN201410330400.9A patent/CN104200234B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102772211A (zh) * | 2012-08-08 | 2012-11-14 | 中山大学 | 一种人体运动状态检测系统及检测方法 |
| CN203424934U (zh) * | 2013-07-24 | 2014-02-12 | 吴盛刚 | 多用途智能健康数据采集模块 |
| CN103616034A (zh) * | 2013-12-10 | 2014-03-05 | 山东省计算中心 | 一种基于蓝牙的网络计步器及计步方法 |
| CN103699795A (zh) * | 2013-12-20 | 2014-04-02 | 东软熙康健康科技有限公司 | 一种运动行为识别方法、装置及运动强度监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于惯性传感器的手机手势识别研究;刘煜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115(第01期);第36、57页，图4-1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104200234A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104200234B (zh) | 人体动作建模和识别方法 | |
| Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
| WO2018040757A1 (zh) | 可穿戴设备及利用其监测运动状态的方法 | |
| JP6403696B2 (ja) | 身体的活動のモニタリングデバイス及びその方法 | |
| Coyle et al. | A time-series prediction approach for feature extraction in a brain-computer interface | |
| JP6564328B2 (ja) | 身体活動監視デバイスを用いたゲームプレーの拡張 | |
| US20100210975A1 (en) | Multi-state performance monitoring system | |
| CN105561567A (zh) | 一种计步及运动状态评估装置 | |
| CN106123911A (zh) | 一种基于加速传感器和角速度传感器的记步方法 | |
| CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| Altini et al. | Self-calibration of walking speed estimations using smartphone sensors | |
| KR102089002B1 (ko) | 행동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법 | |
| CN112464738B (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
| CN107469326A (zh) | 一种用于可穿戴设备的游泳监测方法与装置及可穿戴设备 | |
| CN106910314A (zh) | 一种基于体形的个性化跌倒检测方法 | |
| CN106504773B (zh) | 一种可穿戴装置及语音与活动监测系统 | |
| CN104586402A (zh) | 一种人体活动的特征提取方法 | |
| CN102227697A (zh) | 操作识别系统、操作识别装置及操作识别方法 | |
| CN111401435B (zh) | 一种基于运动手环的人体运动模式识别方法 | |
| CN111262637B (zh) | 一种基于Wi-Fi信道状态信息CSI的人体行为识别方法 | |
| CN105574471B (zh) | 用户行为数据的上传方法、用户行为的识别方法及装置 | |
| CN111931568A (zh) | 一种基于增强式学习的人体跌倒检测方法及系统 | |
| WO2022100187A1 (zh) | 一种基于移动端对用户的情感进行识别与监测方法 | |
| Mallol-Ragolta et al. | Outer product-based fusion of smartwatch sensor data for human activity recognition | |
| CN108837476B (zh) | 一种检测游泳起点的方法、装置和智能穿戴设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 310012 F building, 11 floor, A building, Paradise Software Park, 3 West Road, Hangzhou, Xihu District, Zhejiang Applicant after: HANGZHOU NANOSIC TECHNOLOGY CO., LTD. Address before: 310012 F building, 11 floor, A building, Paradise Software Park, 3 West Road, Hangzhou, Xihu District, Zhejiang Applicant before: Hangzhou micro-nano Science and Technology Ltd. |
|
| COR | Change of bibliographic data | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |