CN104297519A - 人体运动姿态识别方法和移动终端 - Google Patents

Abstract

本发明提供一种人体运动姿态识别方法和移动终端，所述方法包括下述步骤：采集人体运动的加速度数据；根据采集的加速度数据来计算重力方向的加速度，从而得到关于时间的重力方向的加速度曲线；确定重力方向的加速度曲线是否具有处于失重状态的部分，从而根据确定结果来识别人体运动姿态。因此，可以准确地识别出各种人体运动姿态而不需要相对于人体固定加速度传感器。

Description

人体运动姿态识别方法和移动终端

技术领域

下面的描述涉及一种人体运动姿态识别方法和识别人体运动姿态的移动终端。

背景技术

近几十年来，研究者们一直在寻找一种能客观、准确、可靠识别人体运动姿态的方法。近几年出现的基于加速度传感器的方法为识别人体运动姿态提供了新的思路和实际方法并且得到了大量的应用。越来越多的研究表明，人体运动加速度信息可以反映人体运动时的重要运动学特征和步态特征。因此，很多研究机构和研究人员开始获取人体运动加速度信息，并对其进行相关的应用研究。

三轴加速度传感器是一种体积小、重量轻、能够测量包括垂直、侧向、前后向的三个方向上的人体运动加速度。三轴加速度传感器对人体运动状态更敏感，其输出也更能反映人体的真实运动状况。多项实验也证明基于三维加速度传感器的人体运动姿态识别对于不同运动类型具有良好的分辨能力。相对于一些常规的评估方法，采用三轴加速度传感器的这种评估方法具有更好的实用性、客观性和可靠性。但是，目前的基于三轴加速度传感器的人体运动姿态识别还存在几个明显的缺点：

（1）现有的识别系统需要使用专门的传感器模块、供电模块、处理模块才能完成对于运动姿态的识别。个别系统还需要多个传感器模块，并且多个传感器模块与处理模块都是使用导线连接。因此，现有的识别系统非常复杂并且不易操作，发生故障几率大，不适合一般人使用。

（2）现有的识别系统需要将传感器模块紧紧安置于在测试对象身体上的某部分，传感器模块与身体不能发生相对的平移、滑动和旋转，否则会对最终的结果造成很大的误差。这样不仅对测试对象造成极大的束缚，也影响人体的正常运动。

（3）现有的识别系统的限制条件较为苛刻。例如，要求必须将传感器模块固定在测试对象的腰部或者脚踝处等固定位置，才能保证较高的识别率。

（4）现有的识别系统仅对于传感信号进行简单的处理，例如记步等。但是除了走之外，人体运动姿态还包括奔跑、蹦跳等。然而，现有的识别系统无法对于多种运动姿态进行识别。

（5）个别系统为了保证较高的识别率，对于人体运动的加速度信号提取过多维数的特征，使得运动识别算法处理速度较慢，无法达到实时性的要求。

（6）很多系统对于个体的依赖性太大，鲁棒性太低。

如上所述，人体运动姿态可以包括走、跑、跳、跌倒等。在公共健康方面，跌倒以及跌倒导致的受伤仍然是一个严重的问题。对于许多特殊群体，例如孕妇、老人等。一旦发生跌倒而得不到及时的救助，则后果往往不堪设想。及时的发现跌倒事故，并且得到妥善的救援可以有效的将伤害降低到最低的程度。因此跌倒监测十分重要。

近几年出现的基于加速度传感器的方法为跌倒监测提供了新的思路和实际方法并且得到了大量的应用。但是，目前的基于加速度传感器的跌倒监测还存在几个明显的缺点：

（1）有的系统功能复杂，造价昂贵。用户在使用的过程中需要配备专门的传感器模块、供电模块、信号处理模块才能完成对于跌倒动作的识别。用户需要随身携带很多冗余的部件，带来很大的负担。这样的系统复杂并且不易操作，发生故障几率大，不适合一般人使用。

（2）有的跌倒监视系统只能监测跌倒，并不能主动报警。因此，在发生跌倒事件之后，需要用户手动报警。还有的跌倒监视系统虽然能够报警，但是需要专门的通讯模块才能将跌倒信息发送出去，并且发送的报警信息中信息量太少，给救援造成很大的障碍。

（3）现有的跌倒监视系统需要将传感器模块紧紧安置于在用户身体上的某部分，传感器模块与身体不能发生相对的平移、滑动和旋转，否则会对最终的监测结果造成很大的误差。这样不仅对用户造成极大的束缚，也影响人体的正常运动。

（4）现有的跌倒监视系统的限制条件苛刻，要求必须将传感器模块固定在测试对象的腰部或者胯部等固定位置才能保证较高的跌倒监测率。

（5）现有的跌倒监视系统没有一个误报过滤系统，往往给救援单位造成很多不必要的麻烦。

（6）个别系统为了保证较高的监测率，对于加速度信号提取过多维数的特征，使得跌倒识别算法处理速度较慢，无法达到实时性的要求。

发明内容

为了解决上面的和/或其他的问题，示例性实施例提供了一种人体运动姿态识别方法和移动终端。因此，可以准确地识别出各种人体运动姿态而不需要相对于人体固定加速度传感器。

在一方面中，提供了一种人体运动姿态识别方法，所述方法包括下述步骤：采集人体运动的加速度数据；根据采集的加速度数据来计算重力方向的加速度，从而得到关于时间的重力方向的加速度曲线；确定重力方向的加速度曲线是否具有处于失重状态的部分，从而根据确定结果来识别人体运动姿态。

当确定重力方向的加速度曲线具有处于失重状态的部分时，识别出人体运动姿态为跑或跳。

确定重力方向的加速度曲线的处于失重状态的部分的持续时间，其中，当处于失重状态的部分的持续时间大于或等于预定的阈值时，识别出人体运动姿态为跳，其中，当处于失重状态的部分的持续时间小于预定的阈值时，识别出人体运动姿态为跑。

当确定重力方向的加速度曲线不具有处于失重状态的部分时，识别出人体运动姿态为走或静止。

所述方法还包括：确定重力方向的加速度曲线是否具有峰值，其中，当重力方向的加速度曲线具有峰值时，识别出人体运动姿态为走，其中，当重力方向的加速度曲线不具有峰值时，识别出人体运动姿态为静止。

计算重力方向的加速度的步骤包括：将加速度数据进行重力方向投影，以得到重力方向的加速度。

计算重力方向的加速度的步骤包括：根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)

(a'_x(i),a'_y(i),a'_z(i))=(a_x(i),a_y(i),a_z(i))-(a_x0,a_y0,a_z0)    （2）

a'_{k_max}=Max(a'_k(i))      （3）

其中，k=x,y,z，i=0,1,...,N

a'_{k_min}=Min(a'_k(i))       （4）

其中，k=x,y,z，i=0,1,...,N

$(a_{x\_\mathrm{mean}}^{\′},a_{y\_\mathrm{mean}}^{\′},a_{z\_\mathrm{mean}}^{\′})=\frac{(a_{x\_\max }^{\′},a_{y\_\max }^{\′},a_{z\_\max }^{\′})+(a_{x\_\min }^{\′},a_{y\_\min }^{\′},a_{z\_\min }^{\′})}{2}---\left(5\right)$

$D_{\⊥}=\frac{(a_{x-\mathrm{mean}}^{\′},a_{y\_\mathrm{mean}}^{\′},a_{z\_\mathrm{mean}}^{\′})}{\left|\right|a_{x-\mathrm{mean}}^{\′},a_{y\_\mathrm{mean}}^{\′},a_{z\_\mathrm{mean}}^{\′}\left|\right|}---\left(8\right)$

a'_⊥(i)=(a'_x(i),a'_y(i),a'_z(i))·D_⊥   （9）

其中，(a_x0,a_y0,a_z0)为静止时的加速度向量，(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，(a'_x(i),a'_y(i),a'_z(i))为实际运动的加速度向量，a'_{k_max}为实际运动的加速度向量的最大值，a'_{k_min}为实际运动的加速度向量的最小值，(a'_{x_mean},a'_{y_mean},a'_{z_mean})为实际运动的加速度向量的平均值，D_⊥为重力方向的单位加速度向量。

重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

所述方法还包括：对采集的加速度数据进行预处理。

根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))

a_x(i)=med((d_x(i-1),d_x(i),d_x(i+1))

a_y(i)=med((d_y(i-1),d_y(i),d_y(i+1))

a_z(i)=med((d_z(i-1),d_z(i),d_z(i+1))   （1）

其中，(d_x(i),d_y(i),d_z(i))为采集的第i时刻的原始加速度向量。

在另一方面中，提供了一种移动终端，所述移动终端被构造为识别携带所述移动终端的使用者的人体运动姿态，所述移动终端包括：加速度传感器，被构造为采集携带所述移动终端的使用者的人体运动的加速度数据；处理器，被构造为根据采集的加速度数据来计算重力方向的加速度，从而得到关于时间的重力方向的加速度曲线，并被构造为确定重力方向的加速度曲线是否具有处于失重状态的部分，从而根据确定结果来识别人体运动姿态；存储器，被构造为存储处理器在进行操作时所使用的数据。

当确定重力方向的加速度曲线具有处于失重状态的部分时，处理器识别出人体运动姿态为跑或跳。

处理器还被构造为：确定重力方向的加速度曲线的处于失重状态的部分的持续时间，其中，当处于失重状态的部分的持续时间大于或等于预定的阈值时，处理器识别出人体运动姿态为跳，其中，当处于失重状态的部分的持续时间小于预定的阈值时，处理器识别出人体运动姿态为跑。

当确定重力方向的加速度曲线不具有处于失重状态的部分时，处理器识别出人体运动姿态为走或静止。

处理器还被构造为：确定重力方向的加速度曲线是否具有峰值，其中，当重力方向的加速度曲线具有峰值时，处理器识别出人体运动姿态为走，其中，当重力方向的加速度曲线不具有峰值时，处理器识别出人体运动姿态为静止。

处理器被构造为：将加速度数据进行重力方向投影，以得到重力方向的加速度。

处理器被构造为：根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)。

重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

处理器还被构造为：对采集的加速度数据进行预处理。

处理器被构造为：根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

在一方面中，提供了一种跌倒监视方法，所述方法包括下述步骤：采集人体运动的加速度数据；根据采集的加速度数据来计算重力方向的加速度；根据计算的重力方向的加速度来得到关于时间的重力方向的加速度曲线，确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变，从而根据确定结果来识别是否发生跌倒。

当确定处于失重状态的部分的持续时间大于或等于预定的阈值时，确定在处于失重状态的部分之后的重力方向的加速度是否在预定的时间内保持不变，其中，当确定重力方向的加速度在预定的时间内保持不变时，识别出发生跌倒。

当确定处于失重状态的部分的持续时间小于预定的阈值时，或者当确定重力方向的加速度在预定的时间内没有保持不变时，识别出没有发生跌倒。

所述方法还包括：在确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变的步骤之前，确定计算的重力方向的加速度是否大于预定的阈值，其中，当确定计算的重力方向的加速度大于预定的阈值时，识别出没有发生跌倒。

所述方法还包括：当确定计算的重力方向的加速度小于或等于预定的阈值时，计算在从该小于或等于预定的阈值的重力方向的加速度对应的时刻开始的一定的时间内的合加速度能量值的最大值，其中，当计算的合加速度能量值的最大值小于或等于预定的阈值时，识别出没有发生跌倒。

计算重力方向的加速度的步骤包括：将加速度数据进行重力方向投影，以得到重力方向的加速度。

根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)。

重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

根据式（10）来计算的第i时刻的合加速度能量值SV(i)。

$\mathrm{SV}\left(i\right)=\sqrt{a_x^2\left(i\right)+a_y^2\left(i\right)+a_z^2\left(i\right)}---\left(10\right).$

所述方法还包括：对采集的加速度数据进行预处理。

根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

所述方法还包括：当识别出发生跌倒时，发出警告。

所述方法还包括：当在预定时间内警告未被手动取消时，再次确定是否发生跌倒，其中，当经再次确定的步骤确定出没有发生跌倒时，自动停止发出警告。

所述方法还包括：当识别出发生跌倒时，与外部通信以发送与发生跌倒相关的信息。

与发生跌倒相关的信息包括跌倒发生地的地理位置信息。

与外部通信的步骤包括：向外部发起呼叫或与外部进行数据传输。

在另一方面中，提供了一种移动终端，所述移动终端被构造为识别携带所述移动终端的使用者是否跌倒，所述移动终端包括：加速度传感器，被构造为采集携带所述移动终端的使用者的人体运动的加速度数据；处理器，被构造为根据采集的加速度数据来计算重力方向的加速度，根据计算的重力方向的加速度来得到关于时间的重力方向的加速度曲线，并确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变，从而根据确定结果来识别是否发生跌倒；存储器，被构造为存储处理器在进行操作时所使用的数据。

处理器被构造为：当确定处于失重状态的部分的持续时间大于或等于预定的阈值时，确定在处于失重状态的部分之后的重力方向的加速度是否在预定的时间内保持不变，其中，当确定重力方向的加速度在预定的时间内保持不变时，处理器识别出发生跌倒。

处理器被构造为：当确定处于失重状态的部分的持续时间小于预定的阈值时，或者当确定重力方向的加速度在预定的时间内没有保持不变时，识别出没有发生跌倒。

处理器还被构造为：在确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变的步骤之前，确定计算的重力方向的加速度是否大于预定的阈值，其中，当确定计算的重力方向的加速度大于预定的阈值时，处理器识别出没有发生跌倒。

处理器还被构造为：当确定计算的重力方向的加速度小于或等于预定的阈值时，计算从该小于或等于预定的阈值的重力方向的加速度对应的时刻开始的一定的时间内的合加速度能量值的最大值，其中，当计算的合加速度能量值的最大值小于或等于预定的阈值时，处理器识别出没有发生跌倒。

处理器被构造为：将加速度数据进行重力方向投影，以得到重力方向的加速度。

处理器被构造为：根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)

重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

处理器被构造为：根据式（10）来计算的第i时刻的合加速度能量值SV(i)

处理器被还构造为：对采集的加速度数据进行预处理。

处理器被构造为：根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

所述移动终端还包括：警告单元，当识别出发生跌倒时，处理器控制警告单元发出警告。

处理器还被构造为：当在预定时间内警告未被手动取消时，再次确定是否发生跌倒，其中，当经再次确定的步骤确定出没有发生跌倒时，处理器控制控制警告单元停止发出警告。

所述移动终端还包括：通信单元，当识别出发生跌倒时，处理器控制通信单元与外部通信以发送与发生跌倒相关的信息。

与发生跌倒相关的信息包括跌倒发生地的地理位置信息。

处理器控制通信单元向外部发起呼叫或与外部进行数据传输。。

通过下面的具体实施方式、说明书附图以及权利要求，其他特征和方面会变得清楚。

附图说明

图1是示出根据示例性实施例的人体运动姿态识别方法的流程图；

图2是示出根据示例性实施例的移动终端的示意性框图；

图3是示出根据示例性实施例的跌倒监视方法的流程图；

图4是示出根据示例性实施例的跌倒监视方法的流程图；

图5是示出根据示例性实施例的移动终端的示意性框图；

图6是示出根据示例性实施例的关于时间的重力方向的加速度曲线的曲线图；

图7是示出根据示例性实施例的与各种人体运动姿态对应的关于时间的重力方向的加速度曲线的曲线图；

图8是示出根据示例性实施例的与各种人体运动姿态对应的关于时间的重力方向的加速度曲线的曲线图。

在整个附图和具体实施方式中，除非另外描述，否则相同的标号将被理解为指示相同的元件、特征和结构。为了清楚、图解和方便起见，可能夸大这些元件的相对尺寸和绘示。

具体实施方式

提供下面的详细描述，以帮助读者获取对这里描述的方法、设备和/或系统的充分理解。因此，本领域普通技术人员将获知这里描述的方法、设备和/或系统的各种改变、修改及等同物。另外，为了更加清楚和简明，可能省略对公知功能和公知构造的描述。

图1是示出根据示例性实施例的人体运动姿态识别方法100的流程图。

如图1中所示，首先，可以采集人体运动的加速度数据（101）。根据示例性实施例，可以通过包括在诸如智能电话等的移动终端中的三轴加速度传感器来采集携带该移动终端的使用者的加速度数据，这将在下面进行详细描述。

在步骤102，可以根据采集的加速度数据来计算重力方向的加速度，并可以因此得到关于时间的重力方向的加速度曲线（103），如图6中所示。在图6中，横坐标T表示时间，纵坐标Y表示计算的重力方向的加速度。

关于时间的重力方向的加速度曲线可以根据不同的人体运动姿态而具有不同的形状。在图7和图8中示例性地示出了与静止、走、跑、跳等人体运动姿态对应的关于时间的重力方向的加速度曲线。如图7和图8中所示，当人体运动姿态为剧烈运动（跑、跳等）时，关于时间的重力方向的加速度曲线可以具有处于失重状态的部分，而当人体运动姿态为非剧烈运动（静止、走等）时，关于时间的重力方向的加速度曲线可以不具有处于失重状态的部分。因此，根据示例性实施例，可以根据重力方向的加速度曲线是否具有处于失重状态的部分的确定结果来识别人体运动姿态（104～112）。

例如，当确定重力方向的加速度曲线具有处于失重状态的部分时（104：是），可以识别出人体运动姿态为剧烈运动（跑、跳等）（105）；当确定重力方向的加速度曲线不具有处于失重状态的部分时（104：否），可以识别出人体运动姿态为非剧烈运动（静止、走等）（109）。

具体地讲，重力方向的加速度曲线的处于失重状态的部分可以具有不同的持续时间。例如，如图8中所示，与跑对应的重力方向的加速度曲线的处于失重状态的部分的持续时间可以短于与跳对应的重力方向的加速度曲线的处于失重状态的部分的持续时间。因此，根据示例性实施例，可以根据重力方向的加速度曲线的处于失重状态的部分的持续时间来识别人体运动姿态（106～108）。

例如，当处于失重状态的部分的持续时间大于或等于预定的阈值时（106：是），可以识别出人体运动姿态为跳（107）；当处于失重状态的部分的持续时间小于预定的阈值时（106：否），可以识别出人体运动姿态为跑（108）。

此外，关于时间的重力方向的加速度曲线可以根据不同的人体运动姿态而具有或不具有峰值。参照图7和图8，当人体运动姿态为活动（走、跑、跳等）时，关于时间的重力方向的加速度曲线可以具有峰值，而当人体运动姿态为静止时，关于时间的重力方向的加速度曲线可以不具有峰值。因此，根据示例性实施例，可以根据重力方向的加速度曲线是否具有峰值的确定结果来识别人体运动姿态（110～112）。

例如，当重力方向的加速度曲线具有峰值时（110：是），可以识别出人体运动姿态为走（111）；当重力方向的加速度曲线不具有峰值时（110：否），可以识别出人体运动姿态为静止（112）。

因此，根据示例性实施例，可以根据关于时间的重力方向的加速度曲线准确地识别出人体运动姿态是剧烈运动（跑、跳等）、非剧烈运动（静止、走等），或者准确地识别出人体运动姿态是活动（走、跑、跳等）或静止。例如，可以根据处于失重状态的部分的持续时间和重力方向的加速度曲线是否具有峰值来准确地识别诸如静止、走、跑、跳等的各种人体运动姿态。

现在，将详细描述根据示例性实施例的采用重力方向投影方法来计算重力方向的加速度以得到关于时间的重力方向的加速度曲线的方法。

首先，在计算重力方向的加速度之前，可以对通过包括在诸如智能电话等的移动终端中的三轴加速度传感器采集的携带该移动终端的使用者的加速度数据进行预处理。因此，可以抑制噪声对于后面的特征提取的影响。例如，因为加速度传感器采集的信号中可能包括大量的脉冲噪声，所以可以采用诸如中值滤波和高斯滤波等方法进行滤波。

根据示例性实施例，可以根据式（1）进行中值滤波，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

a_x(i)=med((d_x(i-1),d_x(i),d_x(i+1))

a_y(i)=med((d_y(i-1),d_y(i),d_y(i+1))

a_z(i)=med((d_z(i-1),d_z(i),d_z(i+1))    （1）

其中，(d_x(i),d_y(i),d_z(i))为采集的第i时刻的原始加速度向量，函数med()表示取原始加速度向量的中间值，例如，med(2,3,6)=3，med(4,9,7)=7。

然后，可以将加速度数据（例如，经滤波的加速度向量(a_x(i),a_y(i),a_z(i))）进行重力方向投影，以得到重力方向的加速度。

在基于加速度的人体运动姿态识别时，重力方向的加速度信号十分重要。一般情况下，因为使用者携带诸如智能电话等的移动终端时，移动终端可能被放入衣服的口袋中，因此其位置并没有相对于使用者的身体而被固定。例如，在使用者人运动的过程中，位置未被固定的移动终端容易相对于使用者的身体而运动、旋转。因此，移动终端中的加速度传感器可随着移动终端的运动而运动，所以采集到的加速度向量可能发生很大的改变。

然而，由于在近地表面，无论转感器如何旋转，加速度的重力分量的方向是不变的。因此，可以将加速度数据（例如，经滤波的加速度向量(a_x(i),a_y(i),a_z(i))）进行重力方向投影，以得到重力方向的加速度，具体方法如下。

当具有加速度传感器的移动终端静止时，加速度传感器只受重力影响，它的合加速度等于重力加速度。可以记此时加速度向量为：

当使用者携带着移动终端活动时，加速度传感器的加速度向量是使用者对传感器产生的加速度与重力加速度的累加。假设(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，则可以通过式（2）将该加速度值减去重力分量，从而得到使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))。

(a'_x(i),a'_y(i),a'_z(i))=(a_x(i),a_y(i),a_z(i))-(a_x0,a_y0,a_z0)     （2）

为了在实际环境中确定传感器是否处于静止状态，可以通过式（3）、式（4）、式（5）来计算一段短时窗内的实际运动的加速度向量的最大值a'_{k_max}、实际运动的加速度向量的最小值a'_{k_min}、以及实际运动的加速度向量的平均值(a'_{x_mean},a'_{y_mean},a'_{z_mean})。

a'_{k_max}=Max(a'_k(i))     （3）

其中，k=x,y,z，i=0,1,...,N

a'_{k_min}=Min(a'_k(i))     （4）

其中，k=x,y,z，i=0,1,...,N

$(a_{x\_\mathrm{mean}}^{\′},a_{y\_\mathrm{mean}}^{\′},a_{z\_\mathrm{mean}}^{\′})=\frac{(a_{x\_\max }^{\′},a_{y\_\max }^{\′},a_{z\_\max }^{\′})+(a_{x\_\min }^{\′},a_{y\_\min }^{\′},a_{z\_\min }^{\′})}{2}---\left(5\right)$

如果这三个参数满足式（6）和式（7），则可以判断加速度传感器处于静止状态。在式（6）和式（7）中，τ可以为在实验中设定的非常小的阈值。

|a'_{k_max}-a'_{k_min}||≤τ     (6)

其中，k=x,y,z

|||(a'_{x_mean},a'_{y_mean},a'_{z_mean})||-G||≤τ     (7)

在式（7）中，G为重力加速度常数。例如，G可以为标准地球重力加速度常数值9.80665m/S²

然后，可以利用式（8）式来获得重力方向的单位加速度向量D_⊥。

$D_{\⊥}=\frac{(a_{x-\mathrm{mean}}^{\′},a_{y\_\mathrm{mean}}^{\′},a_{z\_\mathrm{mean}}^{\′})}{\left|\right|a_{x-\mathrm{mean}}^{\′},a_{y\_\mathrm{mean}}^{\′},a_{z\_\mathrm{mean}}^{\′}\left|\right|}---\left(8\right)$

这样，将使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))和重力方向的单位加速度向量D_⊥点乘即可获得使用者实际运动的重力方向的加速度a'_⊥(i)，如式（9）所示。

a'_⊥(i)=(a'_x(i),a'_y(i),a'_z(i))·D_⊥     （9）

因此，根据示例性实施例，即使在缺少了传感器放置的位置以及角度偏斜等信息的情况下，仍然可以利用重力分量方向恒定的特征，来计算出使用者实际运动的重力方向的加速度。进而，可以得到关于时间的重力方向的加速度曲线。

现在，将详细描述根据示例性实施例的确定重力方向的加速度曲线是否具有处于失重状态的部分的方法。

通常，物体对支持物的压力小于物体所受重力的现象叫失重，也就是视重小于实际重力。在本说明书中，将近地物体的实际视重小于实际重力的状态称为失重状态，例如，只受到重力而不受到任何支持力的状态可以被称为完全失重状态。当携带移动终端的使用者进行例如跳的运动的过程中，使用者和移动终端及其加速度传感器一起运动。当使用者离开地面时，其只受重力作用（这里，忽略空气阻力），因此处在于完全失重状态。这个瞬间的物理特性反映在加速度传感器上的时候，传感器的输出值可以处于零基点之下（在一般的加速度数据采集设备中，通常设128为零基点），如图6中的（a）所示。当使用者在跑步时也会出现短暂的离开地面的动作，因此也会出现短暂的失重状态。

在实际应用中，加速度传感器并非与身体完全紧密地固定在一起，并且在空中的时候往往会与身体产生碰撞。而使用者在腾空的时候，由于身体的摆动，也会在竖直方向上产生一定的加速度，使得加速度向量频繁地越过零基点。因此在跳跃和跑步时的腾空状态下，竖直方向上不一定能够稳定地检测出失重状态。

根据示例性实施例，为了消除在空中的干扰，可以使用迟滞检测方法。如图6中的（b）所示。设进入阈值（第一阈值）为θ₁，离开阈值（第二阈值）为θ₂，并且使得θ₁<θ₂。当竖直方向上加速度传感器从有重力的状态转成失重状态，则重力方向的加速度a'_⊥(i)向下越过θ₁，进入迟滞区。此时，把离开阈值设为θ₂，当重力方向的加速度a'_⊥(i)大于离开阈值θ₂之前，继续判别为失重状态。直到重力方向的加速度a'_⊥(i)大于离开阈值θ₂，失重状态结束。

例如，在一个示例性实施例中，重力方向的加速度曲线的处于失重状态的部分可以被定义为是重力方向的加速度曲线的在时特定的窗(j,k)中的部分，在特定的时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)可以小于或等于第一阈值（进入阈值θ₁），且在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值（离开阈值θ₂），并且θ₁<θ₂。在该示例性实施例中，处于失重状态的部分的持续时间可以为时窗(j,k)的时间，即，k-j。

图8是示出根据示例性实施例的与各种人体运动姿态对应的关于时间的重力方向的加速度曲线的曲线图。

如图8中所示，当人体运动姿态为静止时，关于时间的重力方向的加速度曲线可以不具有峰值和处于失重状态的部分；当人体运动姿态为走时，关于时间的重力方向的加速度曲线可以具有峰值，但是可以不具有处于失重状态的部分；当人体运动姿态为跑时，关于时间的重力方向的加速度曲线可以具有峰值和具有较短的持续时间（例如，短于与跳对应的处于失重状态的部分的持续时间）的处于失重状态的部分；当人体运动姿态为跳时，关于时间的重力方向的加速度曲线可以具有峰值和具有较长的持续时间（例如，长于与跑对应的处于失重状态的部分的持续时间）的处于失重状态的部分。因此，根据示例性实施例，通过根据关于时间的重力方向的加速度曲线确定其是否峰值和处于失重状态的部分以及处于失重状态的部分的持续时间，可以准确地识别出各种人体运动姿态。

然而，示例性实施例不限于此，例如，在其他的示例性实施例中，可以通过根据关于时间的重力方向的加速度曲线的各种特征来准确地识别出诸如跌倒等的各种人体运动姿态，这将在下面进行详细描述。

图2是示出根据示例性实施例的移动终端200的示意性框图。

根据当前的示例性实施例的移动终端200可以被构造为执行在上面参照图1描述的人体运动姿态识别方法100。例如，移动终端200可以识别携带所述移动终端的使用者的人体运动姿态。因此，根据示例性实施例的移动终端200可以被实现为或应用于诸如智能电话、个人数字助理（PDA）、全球定位系统（GPS）、平板型计算机、便携式多媒体播放器（PMP）等可以被使用者随身携带的移动终端。在下文中，将以智能电话为例来描述根据示例性实施例的移动终端200。

如图2中所示，根据示例性实施例的移动终端200可以包括加速度传感器201、处理器202和存储器203。

加速度传感器201可以被构造为采集加速度数据，例如，加速度传感器201可以采集携带移动终端200的使用者的人体运动的加速度数据。加速度传感器201可以为包括在在诸如智能电话等的移动终端中的三轴加速度传感器。

处理器202可以被构造为控制移动终端200的各个组件的总体操作。例如，处理器202可以控制加速度传感器201开始和停止采集加速度数据，可以接收从加速度传感器201采集的加速度数据，并可以对从加速度传感器201采集的加速度数据进行各种处理，例如，以识别人体运动姿态。这将在下面进行详细描述。

存储器203可以被构造为存储处理器202在进行操作时所使用的数据。例如，存储器203可以是集成在处理器202中的高速缓冲存储器、设置在处理器202外部的易失性或非易失性的存储器。

除了加速度传感器201、处理器202和存储器203之外，移动终端200还可以包括显示器204、传声器/扬声器205、海量存储单元206、诸如按钮、触摸屏等的输入装置207、根据预定的协议与外部（例如主机或其他移动终端）通信的通信单元208、GPS单元209和向包括在移动终端200中的各个组件供电的诸如二次电池的电源等（未示出）。

现在，将更详细地描述处理器202的构造。

根据示例性实施例，处理器202可以被构造为对采集的加速度数据进行处理，并识别各种人体运动姿态。例如，处理器202可以被构造为根据采集的加速度数据来计算重力方向的加速度，从而得到关于时间的重力方向的加速度曲线，并可以被构造为确定重力方向的加速度曲线是否具有处于失重状态的部分，从而根据确定结果来识别人体运动姿态。

关于时间的重力方向的加速度曲线可以根据不同的人体运动姿态而具有不同的形状。在图7和图8中示例性地示出了与静止、走、跑、跳等人体运动姿态对应的关于时间的重力方向的加速度曲线。如图7和图8中所示，当人体运动姿态为剧烈运动（跑、跳等）时，关于时间的重力方向的加速度曲线可以具有处于失重状态的部分，而当人体运动姿态为非剧烈运动（静止、走等）时，关于时间的重力方向的加速度曲线可以不具有处于失重状态的部分。因此，根据示例性实施例，处理器202可以被构造为根据重力方向的加速度曲线是否具有处于失重状态的部分的确定结果来识别人体运动姿态

例如，当确定重力方向的加速度曲线具有处于失重状态的部分时，处理器202可以识别出人体运动姿态为剧烈运动（跑、跳等）；当确定重力方向的加速度曲线不具有处于失重状态的部分时，处理器202可以识别出人体运动姿态为非剧烈运动（静止、走等）。

具体地讲，重力方向的加速度曲线的处于失重状态的部分可以具有不同的持续时间。例如，如图8中所示，与跑对应的重力方向的加速度曲线的处于失重状态的部分的持续时间可以短于与跳对应的重力方向的加速度曲线的处于失重状态的部分的持续时间。因此，根据示例性实施例，处理器202可以根据重力方向的加速度曲线的处于失重状态的部分的持续时间来识别人体运动姿态。

例如，当处于失重状态的部分的持续时间大于或等于预定的阈值时，处理器202可以识别出人体运动姿态为跳；当处于失重状态的部分的持续时间小于预定的阈值时，处理器202可以识别出人体运动姿态为跑。

此外，关于时间的重力方向的加速度曲线可以根据不同的人体运动姿态而具有或不具有峰值。参照图7和图8，当人体运动姿态为活动（走、跑、跳等）时，关于时间的重力方向的加速度曲线可以具有峰值，而当人体运动姿态为静止时，关于时间的重力方向的加速度曲线可以不具有峰值。因此，根据示例性实施例，处理器202可以被构造为根据重力方向的加速度曲线是否具有峰值的确定结果来识别人体运动姿态。

例如，当重力方向的加速度曲线具有峰值时，处理器202可以识别出人体运动姿态为走；当重力方向的加速度曲线不具有峰值时，处理器202可以识别出人体运动姿态为静止。

因此，根据示例性实施例，，处理器202可以根据关于时间的重力方向的加速度曲线准确地识别出人体运动姿态是剧烈运动（跑、跳等）、非剧烈运动（静止、走等），或者准确地识别出人体运动姿态是活动（走、跑、跳等）或静止。例如，处理器202可以根据处于失重状态的部分的持续时间和重力方向的加速度曲线是否具有峰值来准确地识别诸如静止、走、跑、跳等的各种人体运动姿态。

现在，将详细描述根据示例性实施例的处理器202的采用重力方向投影方法来计算重力方向的加速度以得到关于时间的重力方向的加速度曲线的方法。

首先，在计算重力方向的加速度之前，处理器202可以对通过包括在移动终端200中的三轴加速度传感器201采集的携带该移动终端200的使用者的加速度数据进行预处理。因此，可以抑制噪声对于后面的特征提取的影响。例如，因为加速度传感器采集的信号中可能包括大量的脉冲噪声，所以可以采用诸如中值滤波和高斯滤波等方法进行滤波。

根据示例性实施例，处理器202可以根据式（1）进行中值滤波，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

然后，处理器202可以将加速度数据（例如，经滤波的加速度向量(a_x(i),a_y(i),a_z(i))）进行重力方向投影，以得到重力方向的加速度。

当具有加速度传感器的移动终端静止时，加速度传感器只受重力影响，它的合加速度等于重力加速度。可以记此时加速度向量为：

当使用者携带着移动终端200活动时，加速度传感器201的加速度向量是使用者对传感器21产生的加速度与重力加速度的累加。假设(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，则可以通过式（2）将该加速度值减去重力分量，从而得到使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))。

为了在实际环境中确定传感器是否处于静止状态，处理器202可以通过式（3）、式（4）、式（5）来计算一段短时窗内的实际运动的加速度向量的最大值a'_{k_max}、实际运动的加速度向量的最小值a'_{k_min}、以及实际运动的加速度向量的平均值(a'_{x_mean},a'_{y_mean},a'_{z_mean})。

如果这三个参数满足式（6）和式（7），则处理器202可以判断加速度传感器处于静止状态。在式（6）和式（7）中，τ可以为在实验中设定的非常小的阈值。

然后，处理器202可以利用式（8）式来获得重力方向的单位加速度向量D_⊥。

这样，将使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))和重力方向的单位加速度向量D_⊥点乘即可获得使用者实际运动的重力方向的加速度a'_⊥(i)，如式（9）所示。

因此，根据示例性实施例，即使在缺少了传感器201放置的位置以及角度偏斜等信息的情况下，处理器202仍然可以利用重力分量方向恒定的特征，来计算出使用者实际运动的重力方向的加速度。进而，可以通过处理器20以得到关于时间的重力方向的加速度曲线。

现在，将详细描述根据示例性实施例的处理器202的确定重力方向的加速度曲线是否具有处于失重状态的部分的方法。

根据示例性实施例，为了消除在空中的干扰，处理器202可以使用迟滞检测方法。如图6中的（b）所示。设进入阈值（第一阈值）为θ₁，离开阈值（第二阈值）为θ₂，并且使得θ₁<θ₂。当竖直方向上加速度传感器从有重力的状态转成失重状态，则重力方向的加速度a'_⊥(i)向下越过θ₁，进入迟滞区。此时，把离开阈值设为θ₂，当重力方向的加速度a'_⊥(i)大于离开阈值θ₂之前，继续判别为失重状态。直到重力方向的加速度a'_⊥(i)大于离开阈值θ₂，失重状态结束。

例如，在一个示例性实施例中，重力方向的加速度曲线的处于失重状态的部分可以被定义为是重力方向的加速度曲线的在时特定的窗(j,k)中的部分，在特定的时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)可以小于或等于第一阈值（进入阈值θ₁），且在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值（离开阈值θ₂），并且θ₁<θ₂。在该示例性实施例中，处于失重状态的部分的持续时间可以为时窗(j,k)的时间，即，k-j。

如图8中所示，当人体运动姿态为静止时，关于时间的重力方向的加速度曲线可以不具有峰值和处于失重状态的部分；当人体运动姿态为走时，关于时间的重力方向的加速度曲线可以具有峰值，但是可以不具有处于失重状态的部分；当人体运动姿态为跑时，关于时间的重力方向的加速度曲线可以具有峰值和具有较短的持续时间（例如，短于与跳对应的处于失重状态的部分的持续时间）的处于失重状态的部分；当人体运动姿态为跳时，关于时间的重力方向的加速度曲线可以具有峰值和具有较长的持续时间（例如，长于与跑对应的处于失重状态的部分的持续时间）的处于失重状态的部分。因此，根据示例性实施例，移动终端200可以通过根据关于时间的重力方向的加速度曲线确定其是否峰值和处于失重状态的部分以及处于失重状态的部分的持续时间，来准确地识别出各种人体运动姿态。

如上所述，根据示例性实施例的人体运动姿态识别方法100和移动终端200与现有技术相比至少具有如下的优点：

（1）根据示例性实施例的人体运动姿态识别方法100和移动终端200可以仅利用移动终端内部的传感器模块，并且同时利用移动终端进行数据处理和识别结果显示，并利用移动终端自身的电源进行供电。因此，可以不需要其余任何的附属模块。此外，可以只利用一个加速度传感器来实现对于运动姿态的识别，因此避免任何的导线连接，大大降低了系统的复杂性和故障率，使用简单方便。

（2）根据示例性实施例的人体运动姿态识别方法100和移动终端200将移动终端内的加速度传感器采集到的加速度数据进行预处理后首先进行了竖直分量算法修正，再进行特征提取。所以不需要将加速度传感器固定在人体上。即使在识别过程中加速度传感器与人体发生相对的平移与旋转，对最终结果也不会造成很大的误差。同时，可以不对使用者产生任何的束缚感和不适应感，也可以不对于使用者的自然运动产生任何的影响。

（3）根据示例性实施例的人体运动姿态识别方法100和移动终端200一方面考虑到移动终端计算能力弱、待机能力有限等情况，另一方面考虑到姿态识别的实时性需求，因此仅提取加速度信号中相关的时域特征以达到尽量减小计算量和节省能耗的目的。

（4）根据示例性实施例的人体运动姿态识别方法100和移动终端200选择相关的几维时域特征和失重特征进行模式识别，所以对于移动终端（或加速度传感器）的放置位置不敏感。无论将移动终端放置在上衣口袋、腰间还是裤袋里都可以进行运动姿态的识别。对于加速度传感器的位置没有任何特殊的要求，应用场合更多，使用范围更加广泛，极大的方便了用户的使用。

（5）根据示例性实施例的人体运动姿态识别方法100和移动终端200利用移动终端内部的加速度传感器，显示器、电源和处理器。因此，成本相对较低，且更加便于推广普及。

图3是示出根据示例性实施例的跌倒监视方法300的流程图。

如图3中所示，首先，可以采集人体运动的加速度数据（301）。根据示例性实施例，可以通过包括在诸如智能电话等的移动终端中的三轴加速度传感器来采集携带该移动终端的使用者的加速度数据，这将在下面进行详细描述。

在步骤302，可以根据采集的加速度数据来计算重力方向的加速度。因此，可以得到关于时间的重力方向的加速度曲线，并根据得到的关于时间的重力方向的加速度曲线来识别是否发生跌倒（306～310）。然而，示例性实施例不限于此，如在图3中所示出的，可以在计算出重力方向的加速度时，对于是否发生跌倒进行初步判断（303～305）。

经过实验观测，人体在跌倒时，其重力方向的加速度在跌倒后会有一段小于1g、接近0g的取值变化。同时，在人体跌倒时，其加速度会出现一段时间的剧烈波动。基于上述两个观测，在步骤303，可以首先判断重力方向的加速度是否小于某个常数（阈值）ε（ε小于1g且大于0）。如果重力方向的加速度大于常数ε（303：否），则可以识别出没有跌倒发生（310）。

如果重力方向的加速度小于或等于常数ε，则在步骤304，可以计算反映动作强度的合加速度能量值，并得到在从该小于或等于常数ε的重力方向的加速度对应的时刻开始的一定的时间内的（例如，连续30个重力方向的加速度的）合加速度能量值的最大值（304）。如果合加速度能量值的最大值没有大于预定的阈值（305：否），则可以识别出没有跌倒发生（310）。

在经过初步判断（303～305）之后，根据示例性实施例的跌倒监视方法300可以根据计算的重力方向的加速度来得到关于时间的重力方向的加速度曲线（306）。

在人体剧烈运动（例如跳、跑、跌倒）时，关于时间的重力方向的加速度曲线可以具有处于失重状态的部分。与诸如跑、跳等运动动作有所区别的是，在人体跌倒时，重力方向的加速度在跌倒后的瞬态失重时间会保持一小段时间，此后，由于人体跌倒后不可能马上起身，所以重力方向的加速度还会保持一段时间（例如5秒左右）的相对静止状态。因此，可以确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变，从而根据确定结果来识别是否发生跌倒（307-310）。

例如，在307中，确定处于失重状态的部分的持续时间，并判断持续时间是否大于或等于预定的阈值LW。如果确定处于失重状态的部分的持续时间小于预定的阈值（307：否），则可以识别出没有跌倒发生（310）。

如果在307确定处于失重状态的部分的持续时间大于或等于预定的阈值LW（307：是），则可以进一步确定在处于失重状态的部分之后的重力方向的加速度是否在预定的时间（例如，4秒至8秒左右）内保持基本不变（308）。如果确定重力方向的加速度在预定的时间内没有基本保持不变（308：否），则可以识别出没有发生跌倒（310）。相反，如果确定重力方向的加速度在预定的时间内保持不变（308：是），则可以识别出发生跌倒（309）。

因此，根据示例性实施例，可以根据关于时间的重力方向的加速度曲线准确地识别出是否发生跌倒。

现在，将详细描述根据示例性实施例的采用重力方向投影方法来计算重力方向的加速度以得到关于时间的重力方向的加速度曲线的方法。

首先，在计算重力方向的加速度之前，可以对通过包括在诸如智能电话等的移动终端中的三轴加速度传感器采集的携带该移动终端的使用者的加速度数据进行预处理。因此，可以抑制噪声对于后面的特征提取的影响。例如，因为加速度传感器采集的信号中可能包括大量的脉冲噪声，所以可以采用诸如中值滤波和高斯滤波等方法进行滤波。

根据示例性实施例，可以根据式（1）进行中值滤波，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

然后，可以将加速度数据（例如，经滤波的加速度向量(a_x(i),a_y(i),a_z(i))）进行重力方向投影，以得到重力方向的加速度。

当具有加速度传感器的移动终端静止时，加速度传感器只受重力影响，它的合加速度等于重力加速度。可以记此时加速度向量为：

当使用者携带着移动终端活动时，加速度传感器的加速度向量是使用者对传感器产生的加速度与重力加速度的累加。假设(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，则可以通过式（2）将该加速度值减去重力分量，从而得到使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))。

为了在实际环境中确定传感器是否处于静止状态，可以通过式（3）、式（4）、式（5）来计算一段短时窗内的实际运动的加速度向量的最大值a'_{k_max}、实际运动的加速度向量的最小值a'_{k_min}、以及实际运动的加速度向量的平均值(a'_{x_mean},a'_{y_mean},a'_{z_mean})。

如果这三个参数满足式（6）和式（7），则可以判断加速度传感器处于静止状态。在式（6）和式（7）中，τ可以为在实验中设定的非常小的阈值。

然后，可以利用式（8）式来获得重力方向的单位加速度向量D_⊥。

这样，将使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))和重力方向的单位加速度向量D_⊥点乘即可获得使用者实际运动的重力方向的加速度a'_⊥(i)，如式（9）所示。

因此，根据示例性实施例，即使在缺少了传感器放置的位置以及角度偏斜等信息的情况下，仍然可以利用重力分量方向恒定的特征，来计算出使用者实际运动的重力方向的加速度。进而，可以得到关于时间的重力方向的加速度曲线。

此外，在计算出重力方向的加速度之后a'_⊥(i)，可以初步判断是否发生跌倒。例如，可以判断重力方向的加速度a'_⊥(i)是否小于某个常数ε（ε小于1g且大于0）。如果重力方向的加速度a'_⊥(i)大于常数ε，可以识别出没有跌倒发生。此外，如果重力方向的加速度a'_⊥(i)小于或等于常数ε，则可以根据式（10）来计算的第i时刻的合加速度能量值SV(i)。

因此，可以得到在从该小于或等于常数ε的重力方向的加速度对应的时刻开始的一定的时间内的（例如，连续30个时刻）的合加速度能量值的最大值SV_{all_max}。如果合加速度能量值的最大值SV_{all_max}没有大于预定的阈值，则可以识别出没有跌倒发生。

现在，将详细描述根据示例性实施例的确定重力方向的加速度曲线是否具有处于失重状态的部分的方法。

根据示例性实施例，为了消除在空中的干扰，可以使用迟滞检测方法。如图6中的（b）所示。设进入阈值（第一阈值）为θ₁，离开阈值（第二阈值）为θ₂，并且使得θ₁<θ₂。当竖直方向上加速度传感器从有重力的状态转成失重状态，则重力方向的加速度a'_⊥(i)向下越过θ₁，进入迟滞区。此时，把离开阈值设为θ₂，当重力方向的加速度a'_⊥(i)大于离开阈值θ₂之前，继续判别为失重状态。直到重力方向的加速度a'_⊥(i)大于离开阈值θ₂，失重状态结束。

例如，在一个示例性实施例中，重力方向的加速度曲线的处于失重状态的部分可以被定义为是重力方向的加速度曲线的在时特定的窗(j,k)中的部分，在特定的时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)可以小于或等于第一阈值（进入阈值θ₁），且在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值（离开阈值θ₂），并且θ₁<θ₂。在该示例性实施例中，处于失重状态的部分的持续时间可以为时窗(j,k)的时间，即，k-j。

图4是示出根据示例性实施例的跌倒监视方法400的流程图。

首先，可以通过执行参照图3描述的跌倒监视方法300而识别出发生了跌倒（401）。然后，根据示例性实施例的跌倒监视方法400可以发出警告。例如，当将根据本示例性实施例的跌倒监视方法400应用于诸如智能电话的移动终端时，可以通过在智能电话的显示器上显示警告消息的方式、通过智能电话的扬声器发出警告音的方式、和/或使智能电话振动等方式发出警告。例如，可以在智能电话的显示器上显示警告消息并同时通过扬声器发出警告音长达预定的时间（例如15秒）。这样的警告可以被自动或手动取消。

因此，可以确定在预定时间（例如15秒）内警告是否被手动取消（403）。如果确定警告被手动取消（403：是），则跌倒监视方法400可以结束。

如果确定警告没有被手动取消（403：否），则在步骤404，跌倒监视方法400可以再次确定是否发生了跌倒。例如，跌倒监视方法400可以执行参照图3描述的跌倒监视方法300而再次确定是否发生了跌倒。

如果再次确定的结果是没有发生跌倒（405：否），则可以自动停止发出警告（406），并且跌倒监视方法400可以结束。

如果再次确定的结果是发生了跌倒（405：是），则跌倒监视方法400可以与外部（例如，主机或其他的移动终端）通信，从而将与发生跌倒相关的信息发送到外部（407～410）。然而，示例性实施例不限于此，在其他的示例性实施例中，可以在识别出发生跌倒（401）之后与外部通信并发送与发生跌倒相关的信息，或者可以在确定警告没有被手动取消（403：否）之后与外部通信并发送与发生跌倒相关的信息。

与发生跌倒相关的信息可以包括跌倒发生地的地理位置信息。因此，在当前的示例性实施例中，可以在步骤407获得跌倒发生地的地理位置信息。例如，可以使用移动终端中的GPS单元来获得跌倒发生地的地理位置信息。如果获得了跌倒发生地的地理位置信息（408：是），则可以将获得的跌倒发生地的地理位置信息以短信的形式发送到预先设定的移动终端求救（409）。如果因为例如网络问题导致定位不成功而没有获得跌倒发生地的地理位置信息（408：否），则可以拨打预先设定的电话求救（409）。

然而，上面描述的与外部通行并发送与发生跌倒相关的信息的方式仅是一个示例，示例性实施例不限于此，例如，与发生跌倒相关的信息还可以包括跌倒发生的时间、用户预设的文本、由移动终端拍摄的图像或视频、和/或由移动终端录制的音频等。与外部通信可以包括向外部发起呼叫或与外部进行数据传输，例如，发起语音呼叫或视频呼叫、传输文本、图像、视频和/或音频数据、等等。

图5是示出根据示例性实施例的移动终端500的示意性框图。

根据当前的示例性实施例的移动终端500可以被构造为执行在上面参照图3和图4描述的跌倒监视方法方法300和400。例如，移动终端500可以识别携带所述移动终端的使用者是否跌倒。因此，根据示例性实施例的移动终端500可以被实现为或应用于诸如智能电话、个人数字助理（PDA）、全球定位系统（GPS）、平板型计算机、便携式多媒体播放器（PMP）等可以被使用者随身携带的移动终端。在下文中，将以智能电话为例来描述根据示例性实施例的移动终端500。

如图2中所示，根据示例性实施例的移动终端500可以包括加速度传感器501、处理器502和存储器503。

加速度传感器501可以被构造为采集加速度数据，例如，加速度传感器501可以采集携带移动终端500的使用者的人体运动的加速度数据。加速度传感器501可以为包括在在诸如智能电话等的移动终端中的三轴加速度传感器。

处理器502可以被构造为控制移动终端500的各个组件的总体操作。例如，处理器502可以控制加速度传感器501开始和停止采集加速度数据，可以接收从加速度传感器501采集的加速度数据，并可以对从加速度传感器501采集的加速度数据进行各种处理，例如，以识别是否发生跌倒。这将在下面进行详细描述。

存储器503可以被构造为存储处理器502在进行操作时所使用的数据。例如，存储器503可以是集成在处理器502中的高速缓冲存储器、设置在处理器502外部的易失性或非易失性的存储器。

除了加速度传感器501、处理器502和存储器503之外，移动终端500还可以包括显示器504、传声器/扬声器505、海量存储单元506、诸如按钮、触摸屏等的输入装置507、根据预定的协议与外部（例如主机或其他移动终端）通信的通信单元508、GPS单元509和向包括在移动终端500中的各个组件供电的诸如二次电池的电源等（未示出）。

现在，将更详细地描述处理器502的构造。

根据示例性实施例，处理器502可以根据采集的加速度数据来计算重力方向的加速度。因此，可以得到关于时间的重力方向的加速度曲线，并根据得到的关于时间的重力方向的加速度曲线来识别是否发生跌倒。然而，示例性实施例不限于此，例如，处理器502可以在计算出重力方向的加速度时，对于是否发生跌倒进行初步判断。

经过实验观测，人体在跌倒时，其重力方向的加速度在跌倒后会有一段小于1g、接近0g的取值变化。同时，在人体跌倒时，其加速度会出现一段时间的剧烈波动。基于上述两个观测，处理器502可以首先判断重力方向的加速度是否小于某个常数ε（ε小于1g且大于0）。如果重力方向的加速度大于常数ε，则处理器502可以识别出没有跌倒发生。

如果重力方向的加速度小于或等于常数ε，则处理器502可以计算反映动作强度的合加速度能量值，并得到在从该小于或等于常数ε的重力方向的加速度对应的时刻开始的一定的时间内的（例如，连续30个重力方向的加速度的）合加速度能量值的最大值。如果合加速度能量值的最大值没有大于预定的阈值，则处理器502可以识别出没有跌倒发生。

在经过初步判断之后，根据示例性实施例的处理器502可以根据计算的重力方向的加速度来得到关于时间的重力方向的加速度曲线。

在人体剧烈运动（例如跳、跑、跌倒）时，关于时间的重力方向的加速度曲线可以具有处于失重状态的部分。与诸如跑、跳等运动动作有所区别的是，在人体跌倒时，重力方向的加速度在跌倒后的瞬态失重时间会保持一小段时间，此后，由于人体跌倒后不可能马上起身，所以重力方向的加速度还会保持一段时间（例如5秒左右）的相对静止状态。因此，处理器502可以确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变，从而根据确定结果来识别是否发生跌倒。

例如，处理器502可以确定处于失重状态的部分的持续时间，并判断持续时间是否大于或等于预定的阈值LW。如果确定处于失重状态的部分的持续时间小于预定的阈值，则处理器502可以识别出没有跌倒发生。

如果处理器502确定处于失重状态的部分的持续时间大于或等于预定的阈值LW，则处理器502可以进一步确定在处于失重状态的部分之后的重力方向的加速度是否在预定的时间（例如，4秒至8秒左右）内保持基本不变。如果确定重力方向的加速度在预定的时间内没有基本保持不变，则处理器502可以识别出没有发生跌倒。相反，如果确定重力方向的加速度在预定的时间内保持不变，则处理器502可以识别出发生跌倒。

因此，根据示例性实施例，移动终端500可以根据关于时间的重力方向的加速度曲线准确地识别出是否发生跌倒。

现在，将详细描述根据示例性实施例的处理器502的采用重力方向投影方法来计算重力方向的加速度以得到关于时间的重力方向的加速度曲线的方法。

首先，在计算重力方向的加速度之前，处理器502可以对通过加速度传感器501采集的携带移动终端500的使用者的加速度数据进行预处理。因此，可以抑制噪声对于后面的特征提取的影响。例如，因为加速度传感器501采集的信号中可能包括大量的脉冲噪声，所以处理器502可以采用诸如中值滤波和高斯滤波等方法进行滤波。

根据示例性实施例，处理器502可以根据式（1）进行中值滤波，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))。

然后，处理器502可以将加速度数据（例如，经滤波的加速度向量(a_x(i),a_y(i),a_z(i))）进行重力方向投影，以得到重力方向的加速度。

在基于加速度的人体运动姿态识别时，重力方向的加速度信号十分重要。一般情况下，因为使用者携带移动终端500时，移动终端500可能被放入衣服的口袋中，因此其位置并没有相对于使用者的身体而被固定。例如，在使用者人运动的过程中，位置未被固定的移动终端500容易相对于使用者的身体而运动、旋转。因此，移动终端500中的加速度传感器501可随着移动终端500的运动而运动，所以采集到的加速度向量可能发生很大的改变。

然而，由于在近地表面，无论转感器如何旋转，加速度的重力分量的方向是不变的。因此，可以将加速度数据（例如，经滤波的加速度向量(a_x(i),a_y(i),a_z(i))）进行重力方向投影，以得到重力方向的加速度，具体方法如下。

当具有加速度传感器501的移动终端500静止时，加速度传感器501只受重力影响，它的合加速度等于重力加速度。可以记此时加速度向量为： $(a_{x0},a_{y0},a_{z0})=\stackrel{\&RightArrow;}{g}.$

当使用者携带着移动终端500活动时，加速度传感器501的加速度向量是使用者对传感器501产生的加速度与重力加速度的累加。假设(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，则可以通过式（2）将该加速度值减去重力分量，从而得到使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))。

为了在实际环境中确定传感器501是否处于静止状态，可以通过式（3）、式（4）、式（5）来计算一段短时窗内的实际运动的加速度向量的最大值a'_{k_max}、实际运动的加速度向量的最小值a'_{k_min}、以及实际运动的加速度向量的平均值(a'_{x_mean},a'_{y_mean},a'_{z_mean})。

如果这三个参数满足式（6）和式（7），则可以判断加速度传感器501处于静止状态。在式（6）和式（7）中，τ可以为在实验中设定的非常小的阈值。

然后，可以利用式（8）式来获得重力方向的单位加速度向量D_⊥。

这样，将使用者实际运动的加速度向量(a'_x(i),a'_y(i),a'_z(i))和重力方向的单位加速度向量D_⊥点乘即可获得使用者实际运动的重力方向的加速度a'_⊥(i)，如式（9）所示。

因此，根据示例性实施例，即使在缺少了传感器501放置的位置以及角度偏斜等信息的情况下，仍然可以利用重力分量方向恒定的特征，来计算出使用者实际运动的重力方向的加速度。进而，可以得到关于时间的重力方向的加速度曲线。

此外，在计算出重力方向的加速度之后a'_⊥(i)，处理器502可以初步判断是否发生跌倒。例如，处理器502可以判断重力方向的加速度a'_⊥(i)是否小于某个常数ε（ε小于1g且大于0）。如果重力方向的加速度a'_⊥(i)大于常数ε，则处理器502可以识别出没有跌倒发生。此外，如果重力方向的加速度a'_⊥(i)小于或等于常数ε，则处理器502可以根据式（10）来计算的第i时刻的合加速度能量值SV(i)。

因此，处理器502可以得到在从该小于或等于常数ε的重力方向的加速度对应的时刻开始的一定的时间内的（例如，连续30个时刻）的合加速度能量值的最大值SV_{all_max}。如果合加速度能量值的最大值SV_{all_max}没有大于预定的阈值，则处理器502可以识别出没有跌倒发生。

现在，将详细描述根据示例性实施例的处理器502的确定重力方向的加速度曲线是否具有处于失重状态的部分的方法。

根据示例性实施例，为了消除在空中的干扰，可以使用迟滞检测方法。如图6中的（b）所示。设进入阈值（第一阈值）为θ₁，离开阈值（第二阈值）为θ₂，并且使得θ₁<θ₂。当竖直方向上加速度传感器从有重力的状态转成失重状态，则重力方向的加速度a'_⊥(i)向下越过θ₁，进入迟滞区。此时，把离开阈值设为θ₂，当重力方向的加速度a'_⊥(i)大于离开阈值θ₂之前，继续判别为失重状态。直到重力方向的加速度a'_⊥(i)大于离开阈值θ₂，失重状态结束。

例如，在一个示例性实施例中，重力方向的加速度曲线的处于失重状态的部分可以被定义为是重力方向的加速度曲线的在时特定的窗(j,k)中的部分，在特定的时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)可以小于或等于第一阈值（进入阈值θ₁），且在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值（离开阈值θ₂），并且θ₁<θ₂。在该示例性实施例中，处于失重状态的部分的持续时间可以为时窗(j,k)的时间，即，k-j。

当处理器502识别出发生了跌倒时，处理器502可以控制显示器504和传声器/扬声器505发出警告。例如，可以通过在智能电话500的显示器504上显示警告消息的方式、通过智能电话500的传声器/扬声器505发出警告音的方式、和/或使智能电话500振动等方式发出警告。例如，可以在智能电话500的显示器504上显示警告消息并同时通过传声器/扬声器505发出警告音长达预定的时间（例如15秒）。这样的警告可以被自动或手动取消。

因此，处理器502可以确定在预定时间（例如15秒）内警告是否被手动取消。例如，用户可以通过诸如按钮、触摸屏等的输入装置507来取消警告。如果处理器502确定警告没有被手动取消，则处理器502可以再次确定是否发生了跌倒。例如，处理器502可以执行参照图3描述的跌倒监视方法300而再次确定是否发生了跌倒。

如果处理器502再次确定的结果是没有发生跌倒，则处理器502可以控制显示器504和传声器/扬声器505自动停止发出警告（406）。

如果处理器502再次确定的结果是发生了跌倒，则处理器502可以控制通信单元508可以与外部（例如，主机或其他的移动终端）通信，从而将与发生跌倒相关的信息发送到外部。然而，示例性实施例不限于此，在其他的示例性实施例中，可以在识别出发生跌倒之后与外部通信并发送与发生跌倒相关的信息，或者可以在确定警告没有被手动取消之后与外部通信并发送与发生跌倒相关的信息。

与发生跌倒相关的信息可以包括跌倒发生地的地理位置信息。因此，在当前的示例性实施例中，处理器502可以控制GPS单元509获得跌倒发生地的地理位置信息。如果获得了跌倒发生地的地理位置信息，则处理器502可以控制通信单元508将获得的跌倒发生地的地理位置信息以短信的形式发送到预先设定的移动终端求救。如果因为例如网络问题导致定位不成功而没有获得跌倒发生地的地理位置信息，则可以处理器502可以控制通信单元508拨打预先设定的电话求救。

然而，上面描述的与外部通行并发送与发生跌倒相关的信息的方式仅是一个示例，示例性实施例不限于此，例如，与发生跌倒相关的信息还可以包括跌倒发生的时间、用户预设的文本、由移动终端拍摄的图像或视频、和/或由移动终端录制的音频等。与外部通信可以包括向外部发起呼叫或与外部进行数据传输，例如，发起语音呼叫或视频呼叫、传输文本、图像、视频和/或音频数据、等等。

如上所述，根据示例性实施例的跌倒监视方法300和400以及移动终端500与现有技术相比至少具有如下的优点：

（1）根据示例性实施例的跌倒监视方法300和400以及移动终端500利用移动终端内部的加速度传感器得到数据，利用移动终端的处理器进行数据处理，利用移动终端的GPS单元和通信模块进行地理位置坐标获取和发起求救，利用移动终端自身的电源供电。因此成本低廉、简单方便，大大降低了系统的复杂性和故障率。

（2）根据示例性实施例的跌倒监视方法300和400以及移动终端500将移动终端内的加速度传感器采集到的加速度数据进行预处理后首先进行了竖直分量算法修正，再进行特征提取。所以不需要将加速度传感器固定在人体上。即使在识别过程中加速度传感器与人体发生相对的平移、滑动和旋转，对最终结果也不会造成很大的误差。同时，可以不对使用者产生任何的束缚感和不适应感，也可以不对于使用者的自然运动产生任何的影响。

（3）根据示例性实施例的跌倒监视方法300和400以及移动终端500一方面考虑到移动智能终端平台计算能力弱、待机能力有限等情况，另一方面考虑到跌倒识别的实时性需求，因此仅提取加速度信号中相关的时域特征以达到尽量减小计算量和节省能耗的目的。

（4）根据示例性实施例的跌倒监视方法300和400以及移动终端500选择相关的几维时域特征和失重特征进行模式识别，所以对于移动终端（或加速度传感器）的放置位置不敏感。无论将传感器模块放置在上衣口袋、腰间还是裤袋里都可以进行运动姿态的识别。对于加速度传感器的位置没有任何特殊的要求，应用场合更多，使用范围更加广泛，极大的方便了用户的使用。

（5）根据示例性实施例的跌倒监视方法400以及移动终端500在检测到用户发生跌倒事件之后，利用移动终端的GPS单元，对于跌倒事件的发生位置进行地理位置坐标的获取。并通过移动终端的通信单元将地理位置坐标发送到用户预先设定的电话。这样不仅有效避免了用户在跌倒之后无法自主发送求救信号的情况，也使得救援信息所包含了足够的信息量，方便用户最快的得到救援，避免进一步的伤害。

（6）根据示例性实施例的跌倒监视方法300和400以及移动终端500利用移动终端平台内部的加速度传感器，显示器、电源、处理器、GPS单元和通信单元。因此，成本相对较低，且更加便于推广普及。

上面已经描述了一些示例性实施例。然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。

Claims (37)

1.一种人体运动姿态识别方法，其特征在于，所述方法包括下述步骤：

采集人体运动的加速度数据；

根据采集的加速度数据来计算重力方向的加速度，从而得到关于时间的重力方向的加速度曲线；

确定重力方向的加速度曲线是否具有处于失重状态的部分，从而根据确定结果来识别人体运动姿态。

2.如权利要求1所述的方法，其特征在于，当确定重力方向的加速度曲线具有处于失重状态的部分时，识别出人体运动姿态为跑或跳。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

确定重力方向的加速度曲线的处于失重状态的部分的持续时间，

其中，当处于失重状态的部分的持续时间大于或等于预定的阈值时，识别出人体运动姿态为跳，

其中，当处于失重状态的部分的持续时间小于预定的阈值时，识别出人体运动姿态为跑。

4.如权利要求1所述的方法，其特征在于，当确定重力方向的加速度曲线不具有处于失重状态的部分时，识别出人体运动姿态为走或静止。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

确定重力方向的加速度曲线是否具有峰值，

其中，当重力方向的加速度曲线具有峰值时，识别出人体运动姿态为走，

其中，当重力方向的加速度曲线不具有峰值时，识别出人体运动姿态为静止。

6.如权利要求1-5中的任意一项权利要求所述的方法，其特征在于，计算重力方向的加速度的步骤包括：将加速度数据进行重力方向投影，以得到重力方向的加速度。

7.如权利要求6所述的方法，其特征在于，计算重力方向的加速度的步骤包括：根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)

(a'_x(i),a'_y(i),a'_z(i))=(a_x(i),a_y(i),a_z(i))-(a_x0,a_y0,a_z0)     （2）

a'_{k_max}=Max(a'_k(i))            （3）

其中，k=x,y,z，i=0,1,...,N

a'_{k_min}=Min(a'_k(i))            （4）

其中，k=x,y,z，i=0,1,...,N

$(a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;})=\frac{(a_{x\_\max }^{\&prime;},a_{y\_\max }^{\&prime;},a_{z\_\max }^{\&prime;})+(a_{x\_\min }^{\&prime;},a_{y\_\min }^{\&prime;},a_{z\_\min }^{\&prime;})}{2}---\left(5\right)$

$D_{\&perp;}=\frac{(a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;})}{\left|\right|a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;}\left|\right|}---\left(8\right)$

a'_⊥(i)=(a'_x(i),a'_y(i),a'_z(i))·D_⊥       （9）

其中，(a_x0,a_y0,a_z0)为静止时的加速度向量，(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，(a'_x(i),a'_y(i),a'_z(i))为实际运动的加速度向量，a'_{k_max}为实际运动的加速度向量的最大值，a'_{k_min}为实际运动的加速度向量的最小值，(a'_{x_mean},a'_{y_mean},a'_{z_mean})为实际运动的加速度向量的平均值，D_⊥为重力方向的单位加速度向量。

8.如权利要求7所述的方法，其特征在于，重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

9.如权利要求1-5中的任意一项权利要求所述的方法，其特征在于，所述方法还包括：

对采集的加速度数据进行预处理。

10.如权利要求9所述的方法，其特征在于，根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))

a_x(i)=med((d_x(i-1),d_x(i),d_x(i+1))

a_y(i)=med((d_y(i-1),d_y(i),d_y(i+1))

a_z(i)=med((d_z(i-1),d_z(i),d_z(i+1))    （1）

其中，(d_x(i),d_y(i),d_z(i))为采集的第i时刻的原始加速度向量。

11.一种移动终端，其特征在于，所述移动终端被构造为识别携带所述移动终端的使用者的人体运动姿态，所述移动终端包括：

加速度传感器，被构造为采集携带所述移动终端的使用者的人体运动的加速度数据；

处理器，被构造为根据采集的加速度数据来计算重力方向的加速度，从而得到关于时间的重力方向的加速度曲线，并被构造为确定重力方向的加速度曲线是否具有处于失重状态的部分，从而根据确定结果来识别人体运动姿态；

存储器，被构造为存储处理器在进行操作时所使用的数据。

12.如权利要求11所述的移动终端，其特征在于，当确定重力方向的加速度曲线具有处于失重状态的部分时，处理器识别出人体运动姿态为跑或跳。

13.如权利要求12所述的移动终端，其特征在于，处理器还被构造为：

确定重力方向的加速度曲线的处于失重状态的部分的持续时间，

其中，当处于失重状态的部分的持续时间大于或等于预定的阈值时，处理器识别出人体运动姿态为跳，

其中，当处于失重状态的部分的持续时间小于预定的阈值时，处理器识别出人体运动姿态为跑。

14.如权利要求11所述的移动终端，其特征在于，当确定重力方向的加速度曲线不具有处于失重状态的部分时，处理器识别出人体运动姿态为走或静止。

15.如权利要求14所述的移动终端，其特征在于，处理器还被构造为：

确定重力方向的加速度曲线是否具有峰值，

其中，当重力方向的加速度曲线具有峰值时，处理器识别出人体运动姿态为走，

其中，当重力方向的加速度曲线不具有峰值时，处理器识别出人体运动姿态为静止。

16.如权利要求11-15中的任意一项权利要求所述的移动终端，其特征在于，处理器被构造为：将加速度数据进行重力方向投影，以得到重力方向的加速度。

17.如权利要求16所述的移动终端，其特征在于，处理器被构造为：根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)

(a'_x(i),a'_y(i),a'_z(i))=(a_x(i),a_y(i),a_z(i))-(a_x0,a_y0,a_z0)    （2）

a'_{k_max}=Max(a'_k(i))         （3）

其中，k=x,y,z，i=0,1,...,N

a'_{k_min}=Min(a'_k(i))           （4）

其中，k=x,y,z，i=0,1,...,N

$(a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;})=\frac{(a_{x\_\max }^{\&prime;},a_{y\_\max }^{\&prime;},a_{z\_\max }^{\&prime;})+(a_{x\_\min }^{\&prime;},a_{y\_\min }^{\&prime;},a_{z\_\min }^{\&prime;})}{2}---\left(5\right)$

$D_{\&perp;}=\frac{(a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;})}{\left|\right|a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;}\left|\right|}---\left(8\right)$

a'_⊥(i)=(a'_x(i),a'_y(i),a'_z(i))·D_⊥    （9）

其中，(a_x0,a_y0,a_z0)为静止时的加速度向量，(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，(a'_x(i),a'_y(i),a'_z(i))为实际运动的加速度向量，a'_{k_max}为实际运动的加速度向量的最大值，a'_{k_min}为实际运动的加速度向量的最小值，(a'_{x_mean},a'_{y_mean},a'_{z_mean})为实际运动的加速度向量的平均值，D_⊥为重力方向的单位加速度向量。

18.如权利要求17所述的移动终端，其特征在于，重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

19.如权利要求11-15中的任意一项权利要求所述的移动终端，其特征在于，处理器还被构造为：

对采集的加速度数据进行预处理。

20.如权利要求19所述的移动终端，其特征在于，处理器被构造为：根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))

a_x(i)=med((d_x(i-1),d_x(i),d_x(i+1))

a_y(i)=med((d_y(i-1),d_y(i),d_y(i+1))

a_z(i)=med((d_z(i-1),d_z(i),d_z(i+1))   （1）

其中，(d_x(i),d_y(i),d_z(i))为采集的第i时刻的原始加速度向量。

21.一种跌倒监视方法，其特征在于，所述方法包括下述步骤：

采集人体运动的加速度数据；

根据采集的加速度数据来计算重力方向的加速度；

根据计算的重力方向的加速度来得到关于时间的重力方向的加速度曲线，

确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变，从而根据确定结果来识别是否发生跌倒。

22.如权利要求21所述的方法，其特征在于，当确定处于失重状态的部分的持续时间大于或等于预定的阈值时，确定在处于失重状态的部分之后的重力方向的加速度是否在预定的时间内保持不变，

其中，当确定重力方向的加速度在预定的时间内保持不变时，识别出发生跌倒。

23.如权利要求22所述的方法，其特征在于，当确定处于失重状态的部分的持续时间小于预定的阈值时，或者当确定重力方向的加速度在预定的时间内没有保持不变时，识别出没有发生跌倒。

24.如权利要求21所述的方法，其特征在于，所述方法还包括：

在确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变的步骤之前，确定计算的重力方向的加速度是否大于预定的阈值，

其中，当确定计算的重力方向的加速度大于预定的阈值时，识别出没有发生跌倒。

25.如权利要求24所述的方法，其特征在于，所述方法还包括：

当确定计算的重力方向的加速度小于或等于预定的阈值时，计算在从该小于或等于预定的阈值的重力方向的加速度对应的时刻开始的一定的时间内的合加速度能量值的最大值，

其中，当计算的合加速度能量值的最大值小于或等于预定的阈值时，识别出没有发生跌倒。

26.如权利要求21-25中的任意一项权利要求所述的方法，其特征在于，计算重力方向的加速度的步骤包括：将加速度数据进行重力方向投影，以得到重力方向的加速度。

27.如权利要求26所述的方法，其特征在于，计算重力方向的加速度的步骤包括：根据式（2）、式（3）、式（4）、式（5）、式（8）和式（9）来计算重力方向的加速度a'_⊥(i)

(a'_x(i),a'_y(i),a'_z(i))=(a_x(i),a_y(i),a_z(i))-(a_x0,a_y0,a_z0)      （2）

a'_{k_max}=Max(a'_k(i))           （3）

其中，k=x,y,z，i=0,1,...,N

a'_{k_min}=Min(a'_k(i))          （4）

其中，k=x,y,z，i=0,1,...,N

$(a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;})=\frac{(a_{x\_\max }^{\&prime;},a_{y\_\max }^{\&prime;},a_{z\_\max }^{\&prime;})+(a_{x\_\min }^{\&prime;},a_{y\_\min }^{\&prime;},a_{z\_\min }^{\&prime;})}{2}---\left(5\right)$

$D_{\&perp;}=\frac{(a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;})}{\left|\right|a_{x\_\mathrm{mean}}^{\&prime;},a_{y\_\mathrm{mean}}^{\&prime;},a_{z\_\mathrm{mean}}^{\&prime;}\left|\right|}---\left(8\right)$

a'_⊥(i)=(a'_x(i),a'_y(i),a'_z(i))·D_⊥    （9）

其中，(a_x0,a_y0,a_z0)为静止时的加速度向量，(a_x(i),a_y(i),a_z(i))为第i时刻的加速度向量，(a'_x(i),a'_y(i),a'_z(i))为实际运动的加速度向量，a'_{k_max}为实际运动的加速度向量的最大值，a'_{k_min}为实际运动的加速度向量的最小值，(a'_{x_mean},a'_{y_mean},a'_{z_mean})为实际运动的加速度向量的平均值，D_⊥为重力方向的单位加速度向量。

28.如权利要求27所述的方法，其特征在于，重力方向的加速度曲线的处于失重状态的部分是重力方向的加速度曲线的在时窗(j,k)中的部分，其中，在时窗(j,k)中，在j时刻的重力方向的加速度a'_⊥(j)小于或等于第一阈值，在k时刻的重力方向的加速度a'_⊥(k)为在时窗(j,k)中的重力方向的加速度的最大值且大于或等于第二阈值，其中，第一阈值小于第二阈值。

29.如权利要求27所述的方法，其特征在于，根据式（10）来计算的第i时刻的合加速度能量值SV(i)

$\mathrm{SV}\left(i\right)=\sqrt{a_x^2\left(i\right)+a_y^2\left(i\right)+a_z^2\left(i\right)}---\left(10\right).$

30.如权利要求21-25中的任意一项权利要求所述的方法，其特征在于，所述方法还包括：

对采集的加速度数据进行预处理。

31.如权利要求30所述的方法，其特征在于，根据式（1）进行中值滤波，来对采集的加速度数据进行预处理，以得到经滤波的第i时刻的加速度向量(a_x(i),a_y(i),a_z(i))

a_x(i)=med((d_x(i-1),d_x(i),d_x(i+1))

a_y(i)=med((d_y(i-1),d_y(i),d_y(i+1))

a_z(i)=med((d_z(i-1),d_z(i),d_z(i+1))    （1）

其中，(d_x(i),d_y(i),d_z(i))为采集的第i时刻的原始加速度向量。

32.如权利要求21所述的方法，其特征在于，所述方法还包括：

当识别出发生跌倒时，发出警告。

33.如权利要求32所述的方法，其特征在于，所述方法还包括：

当在预定时间内警告未被手动取消时，再次确定是否发生跌倒，

其中，当经再次确定的步骤确定出没有发生跌倒时，自动停止发出警告。

34.如权利要求21所述的方法，其特征在于，所述方法还包括：

当识别出发生跌倒时，与外部通信以发送与发生跌倒相关的信息。

35.如权利要求34所述的方法，其特征在于，与发生跌倒相关的信息包括跌倒发生地的地理位置信息。

36.如权利要求34所述的方法，其特征在于，与外部通信的步骤包括：向外部发起呼叫或与外部进行数据传输。

37.一种移动终端，其特征在于，所述移动终端被构造为识别携带所述移动终端的使用者是否跌倒，所述移动终端包括：

加速度传感器，被构造为采集携带所述移动终端的使用者的人体运动的加速度数据；

处理器，被构造为根据采集的加速度数据来计算重力方向的加速度，根据计算的重力方向的加速度来得到关于时间的重力方向的加速度曲线，并确定重力方向的加速度曲线中的处于失重状态的部分的持续时间和在处于失重状态的部分之后的重力方向的加速度是否改变，从而根据确定结果来识别是否发生跌倒；

存储器，被构造为存储处理器在进行操作时所使用的数据。