CN104391580B - 可穿戴设备的穿戴状态的处理方法及装置 - Google Patents
可穿戴设备的穿戴状态的处理方法及装置 Download PDFInfo
- Publication number
- CN104391580B CN104391580B CN201410749079.8A CN201410749079A CN104391580B CN 104391580 B CN104391580 B CN 104391580B CN 201410749079 A CN201410749079 A CN 201410749079A CN 104391580 B CN104391580 B CN 104391580B
- Authority
- CN
- China
- Prior art keywords
- acquisition channel
- data
- characteristic data
- wearable device
- acquiring
- 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
- 238000003672 processing method Methods 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000009471 action Effects 0.000 claims description 75
- 238000005070 sampling Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 51
- 238000005259 measurement Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 4
- 108091006146 Channels Proteins 0.000 description 165
- 210000003205 muscle Anatomy 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000002567 electromyography Methods 0.000 description 15
- 238000001914 filtration Methods 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 9
- 210000000245 forearm Anatomy 0.000 description 5
- 230000036982 action potential Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 210000002435 tendon Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 241000411545 Punargentus Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000623 ulna Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种可穿戴设备的穿戴状态的处理方法及装置。本发明实施例通过利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数,进而根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据,使得能够根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,这样,实现了获取可穿戴设备的实际穿戴状态这一目的。
Description
【技术领域】
本发明涉及通信技术,尤其涉及一种可穿戴设备的穿戴状态的处理方法及装置。
【背景技术】
可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备,例如,智能手环、智能手表、智能项链、智能眼镜、智能戒指等。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互等技术来实现强大的功能,可穿戴设备将会对我们的生活、感知带来很大的转变。
然而,由于用户穿戴可穿戴设备的随意性,使得可穿戴设备的实际穿戴状态与理想穿戴状态不一致,因此,可能无法满足可穿戴设备的工作需求,例如,采集人体指定部位的数据等需求,从而导致了可穿戴设备的可靠性的降低。因此,亟需提出一种获取可穿戴设备的穿戴状态的方法,以确定可穿戴设备的实际穿戴状态是否与理想穿戴状态一致。
【发明内容】
本发明的多个方面提供一种可穿戴设备的穿戴状态的处理方法及装置,用以获取可穿戴设备的穿戴状态。
本发明的一方面,提供一种可穿戴设备的穿戴状态的处理方法,包括:
利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数;
根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据;
根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述每个采集通道的特征数据,包括下列数据中的至少一项:
时域特征数据;以及
频域特征数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述每个采集通道的特征数据包括频域特征数据;所述根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,包括:
根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况;
根据所述干扰情况,获得所述可穿戴设备的贴合状态。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况,包括:
若任一采集通道的频域特征数据大于或等于预先设置的频域特征阈值,获得所述可穿戴设备的干扰情况为出现干扰;或者
若所述每个采集通道的频域特征数据均小于所述频域特征阈值,获得所述可穿戴设备的干扰情况为没有干扰;或者
若任一采集通道的频域特征数据中只存在直流分量,获得所述可穿戴设备的干扰情况为出现干扰。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述每个采集通道的特征数据包括时域特征数据;所述根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,包括:
根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道;
根据所述确定的采集通道,获得所述可穿戴设备的方位状态。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道,包括:
根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据;
根据所述每个采集通道的归一化特征数据,获得所述每个采集通道的归一化特征数据与原点之间的特征距离;
根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据之前,还包括:
获取所述用户开始做出所述第一动作的第一开始采样点和所述用户停止做出所述第一动作的第一结束采样点;
根据所述第一开始采样点和所述第一结束采样点,获取所述用户做出所述第一动作时所述每个采集通道的时域特征数据;
获取所述用户开始做出所述第二动作的第二开始采样点和所述用户停止做出所述第二动作的第二结束采样点;
根据所述第二开始采样点和所述第二结束采样点,获取所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态之后,还包括:
获取所述可穿戴设备的标准穿戴状态;
根据所述标准穿戴状态和所述测量穿戴状态,生成穿戴调整指示,以指示用户调整所述可穿戴设备;以及输出所述穿戴调整指示;或者
根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据。
本发明的另一方面,提供一种可穿戴设备的穿戴状态的处理装置,包括:
采集单元,用于利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数;
分析单元,用于根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据;
处理单元,用于根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述每个采集通道的特征数据,包括下列数据中的至少一项:
时域特征数据;以及
频域特征数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述每个采集通道的特征数据包括频域特征数据;所述处理单元,具体用于
根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况;以及
根据所述干扰情况,获得所述可穿戴设备的贴合状态。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述处理单元,具体用于
若任一采集通道的频域特征数据大于或等于预先设置的频域特征阈值,获得所述可穿戴设备的干扰情况为出现干扰;或者
若所述每个采集通道的频域特征数据均小于所述频域特征阈值,获得所述可穿戴设备的干扰情况为没有干扰;或者
若任一采集通道的频域特征数据中只存在直流分量,获得所述可穿戴设备的干扰情况为出现干扰。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述每个采集通道的特征数据包括时域特征数据;所述处理单元,具体用于
根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道;以及
根据所述确定的采集通道,获得所述可穿戴设备的方位状态。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述处理单元,具体用于
根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据;
根据所述每个采集通道的归一化特征数据,获得所述每个采集通道的归一化特征数据与原点之间的特征距离;以及
根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述处理单元,还用于
获取所述用户开始做出所述第一动作的第一开始采样点和所述用户停止做出所述第一动作的第一结束采样点;
根据所述第一开始采样点和所述第一结束采样点,获取所述用户做出所述第一动作时所述每个采集通道的时域特征数据;
获取所述用户开始做出所述第二动作的第二开始采样点和所述用户停止做出所述第二动作的第二结束采样点;以及
根据所述第二开始采样点和所述第二结束采样点,获取所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述处理单元,还用于
获取所述可穿戴设备的标准穿戴状态;
根据所述标准穿戴状态和所述测量穿戴状态,生成穿戴调整指示,以指示用户调整所述可穿戴设备;以及输出所述穿戴调整指示;或者
根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据。
由上述技术方案可知,本发明实施例通过利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数,进而根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据,使得能够根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,这样,实现了获取可穿戴设备的实际穿戴状态这一目的。
另外,采用本发明提供的技术方案,获取到可穿戴设备的测量穿戴状态之后,通过进一步获取所述可穿戴设备的标准穿戴状态,进而根据所述标准穿戴状态和所述测量穿戴状态,生成并输出穿戴调整指示,以指示用户调整所述可穿戴设备,这样,用户则可以根据穿戴调整指示调整所穿戴的可穿戴设备,能够避免现有技术中由于可穿戴设备的实际穿戴状态与理想穿戴状态不一致而导致的无法满足可穿戴设备的工作需求的问题,能够有效提高可穿戴设备的可靠性。
另外,采用本发明提供的技术方案,获取到可穿戴设备的测量穿戴状态之后,通过进一步获取所述可穿戴设备的标准穿戴状态,进而根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据,这样,则可以根据数据调整指示调整可穿戴设备所采集的测量数据,能够避免现有技术中由于可穿戴设备的实际穿戴状态与理想穿戴状态不一致而导致的无法满足可穿戴设备的工作需求的问题,能够有效提高可穿戴设备的可靠性。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的可穿戴设备的穿戴状态的处理方法的流程示意图;
图2为本发明另一实施例提供的可穿戴设备的穿戴状态的处理装置的结构示意图;
图3为图1对应的实施例中智能手环的穿戴示意图。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚,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全部其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例中所涉及的终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(Tablet Computer)、个人电脑(Personal Computer,PC)、MP3播放器、MP4播放器、可穿戴设备(例如,智能眼镜、智能手表、智能手环等)等。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本发明一实施例提供的可穿戴设备的穿戴状态的处理方法的流程示意图,如图1所示。
101、利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数。
所谓的表面肌电信号(surface electromyography,sEMG)是肌肉收缩时伴随的电信号,是由肌肉兴奋时所募集的运动单位产生的一个个动作电位序列(Motor Unit ActionPotential Trains,MUAPT)在皮肤表面叠加而成,是一种非平稳的微弱信号。
一般来说,不同的肌肉负责不同的动作,因此在进行对应动作时,对应皮肤的表面肌电信号表现出最活跃的状态。以人体的前臂肌为例,前臂肌位于桡、尺骨的周围,分前、后两群,共20多块,多数为具有长肌腱的长肌,肌腹位于近侧,细长的腱位于远侧,故前臂的上半部膨隆,而下半部逐渐变细。前臂肌肉浅层从桡侧到尺侧依次为肱桡肌、旋前圆肌、桡侧腕屈肌、掌长肌、及尺侧腕屈肌。例如,用户做出手臂外展这个动作时,桡侧腕屈肌的表面肌电信号表现出最活跃的状态,或者,再例如,用户做出手臂内收这个动作时,尺侧腕屈肌的表面肌电信号表现出最活跃的状态。
一般来说,表面肌电信号的有效频段可以认为是在5Hz~450Hz,根据香农采样定理,表面肌电信号的采样频率至少是信号源有效频段的两倍,因此表面肌电信号的采样频率可以设置为1000Hz或2000Hz等数值。
102、根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据。
103、根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态。
所谓的采集通道,是指固定设置在可穿戴设备上,与可穿戴设备之间的相对位置固定不变。
需要说明的是,101~103的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在终端上的本地程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
这样,通过利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数,进而根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据,使得能够根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,这样,实现了获取可穿戴设备的实际穿戴状态这一目的。
可选地,在本实施例的一个可能的实现方式中,所述每个采集通道的特征数据,包括下列数据中的至少一项:
时域特征数据;以及
频域特征数据。
在一个具体的实现方式中,具体可以对每个采集通道所获取的原始的表面肌电信号进行过滤处理,以获得过滤之后的每个采集通道的过滤的表面肌电信号sEMGi(t),其中,i表示采集通道的编号,取值可以为0~M-1;M表示采集通道的数量。具体可以进行高通滤波处理(例如,滤波参数为5Hz)、低通滤波处理(例如,滤波参数为150Hz)以及带陷滤波处理(例如滤波参数为工频50Hz及其一次谐波100Hz)等处理。
在获得每个采集通道的过滤的表面肌电信号sEMGi(t)之后,可以获得每个采集通道的信号幅值的绝对值均值MAVi(r),作为每个采集通道的时域特征数据,即
其中,
i表示采集通道的编号,取值可以为0~M-1;
M表示采集通道的数量;
W表示计算时域特征数据所采用的滑动窗口,滑动的步长为W/2;
N表示采样点的数量。
W的取值可以灵活调整,为了简化后面的计算,还可以简单将W的取值设置为整个数据的长度。
信号幅值的绝对值均值,是信号幅度的一种最直接体现。当表面肌电信号sEMGi(t)以拉普拉斯随机过程形式出现时,信号幅值的绝对值均值MAVi(r)便是其信号幅度的极大似然估计。
在获得每个采集通道的过滤的表面肌电信号sEMGi(t)之后,可以获得每个采集通道的信号均方根值RMSi(r),作为每个采集通道的时域特征数据,即
其中,
i表示采集通道的编号,取值可以为0~M-1;
M表示采集通道的数量;
W表示计算时域特征数据所采用的滑动窗口,滑动的步长为W/2;
N表示采样点的数量。
W的取值可以灵活调整,为了简化后面的计算,还可以简单将W的取值设置为整个数据的长度。
信号均方根值,同样在时间维度上反应振幅变化的特征,其峰值表示波幅或收缩强度的大小,主要取决于肌肉负荷性因素和肌肉本身生理、生化过程之间的内在联系。信号均方根值RMSi(r)值被认为是时域特征数据中最可靠的参数,用于估计产生力的大小。
在另一个具体的实现方式中,具体可以对每个采集通道所获取的原始的表面肌电信号进行过滤处理,以获得过滤之后的每个采集通道的过滤的表面肌电信号sEMGi(t),其中,表示采集通道的编号,取值可以为0~M-1;M表示采集通道的数量。具体可以进行高通滤波处理(例如,滤波参数为5Hz)、低通滤波处理(例如,滤波参数为150Hz)以及带陷滤波处理(例如滤波参数为工频50Hz及其一次谐波100Hz)等处理。
在获得每个采集通道的过滤的表面肌电信号sEMGi(t)之后,可以对每个采集通道的过滤的表面肌电信号sEMGi(t),进行频域变换处理,以获得所述每个采集通道的频域特征数据。
具体地,所述频域变换处理可以包括但不限于快速傅里叶变换(Fast FourierTransform,FFT),那么,每个采集通道的频域特征数据FFTi(sEMGi(t))。i表示采集通道的编号,取值可以为0~M-1;M表示采集通道的数量。
可选地,在本实施例的一个可能的实现方式中,若所述每个采集通道的特征数据包括频域特征数据;相应地,在103中,具体可以根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况,进而,则可以根据所述干扰情况,获得所述可穿戴设备的贴合状态。
在一个具体的实现过程中,还可以进一步预先设置频域特征阈值Pmax,该频域特征阈值Pmax具体可以为一经验值,例如以智能手环为例,该频域特征阈值Pmax可以为20,单位为表面肌电信号sEMGi(t)的单位V。穿戴智能手环的手臂自然下垂,处于放松状态,持续1秒左右,以状态下的可穿戴设备上所设置的M个采集通道所获取的用户的表面肌电信号为例。若任一采集通道的频域特征数据大于或等于所述频域特征阈值Pmax,则可以获得所述可穿戴设备的干扰情况为出现干扰;若所述每个采集通道的频域特征数据均小于所述频域特征阈值Pmax,则可以获得所述可穿戴设备的干扰情况为没有干扰;若任一采集通道的频域特征数据中只存在直流分量,则可以获得所述可穿戴设备的干扰情况为出现干扰。
本实施例中,具体可以将所获得的所述可穿戴设备的干扰情况,用一个干扰标识P来表示。例如,当所述可穿戴设备的干扰情况为出现干扰时,则可以将干扰标识P的取值设置为-1;当所述可穿戴设备的干扰情况为没有干扰时,则可以将干扰标识P的取值设置为1。或者,再例如,当所述可穿戴设备的干扰情况为出现干扰时,则可以将干扰标识P的取值设置为1;当所述可穿戴设备的干扰情况为没有干扰时,则可以将干扰标识P的取值设置为0,等等,本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,若所述每个采集通道的特征数据包括时域特征数据;相应地,在103中,具体可以根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道,进而,则可以根据所述确定的采集通道,获得所述可穿戴设备的方位状态。
在一个具体的实现过程中,以智能手环为例,具体可以根据所述用户做出第一动作(例如,穿戴智能手环的手臂伸直,手掌与地面平行,手掌心朝向地面,握拳,持续1秒左右)时所述每个采集通道的时域特征数据和所述用户做出第二动作(例如,穿戴智能手环的手臂伸直,手掌与地面平行,手掌心朝向地面,向上抬手到手掌心朝向前方,持续1秒左右)时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据。然后,根据所述每个采集通道的归一化特征数据,获得所述每个采集通道的归一化特征数据与原点之间的特征距离。最后,则可以根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
由于不同人在进行相同动作时的表面肌电信号不尽相同,因此,无法直接通过某个动作所对应的表面肌电信号的时域特征阈值来进行时域特征数据的对比。但是,人体的肌肉构造是相同的,用户所做出的动作即第一动作与第二动作就能够很好的反映了不同肌肉的动作,因此,可以将不同动作所对应的时域特征数据进行比较处理,例如,利用第二动作所对应的时域特征数据作为参考,将第一动作所对应的时域特征数据进行归一化处理,获得每个采集通道的归一化特征数据,这样,能够消除不同人的表面肌电信号的强度不一致所带来的一些问题。
在获得所述每个采集通道的归一化特征数据之后,则可以获得所述每个采集通道的归一化特征数据与原点之间的特征距离。例如,
W1表示对过滤的表面肌电信号sEMGi(t)进行不同动作的采样点切分时,所采用的滑动窗口;
W2表示计算时域特征数据所采用的滑动窗口长度;
s2为过滤的表面肌电信号sEMGi(t)进行不同动作的采样点切分时步长,一般为经验值,例如,W1/2;。
至此,获得了最大的特征距离之后,则可以根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
在一个具体的实现过程中,以智能手环为例,如图3所示,可以定义智能手环的本体圆环上均匀设置M个采集通道Ti,其中,表示采集通道的编号,取值可以为0~M-1。由于采集通道是固定设置在可穿戴设备上的,与可穿戴设备之间的相对位置固定不变,因此,则可以预先在用户穿戴可穿戴设备的身体部位上设置一个参考位置,例如,参考位置P0,或者,再例如,与参考位置P0逆时针角度为120°~160°的位置,等等。
例如,所述参考位置的设置,可以满足如下条件:所述参考位置处肌肉的表面肌电信号在用户做出指定手势时候,表现出最活跃的状态,也就是说,在用户做出指定手势时候,所述参考位置处肌肉的表面肌电信号的时域特征数据与原点之间的特征距离,为最大值。然后,获得最大的特征距离之后,直接将最大的特征距离所对应的采集通道,确定为所述可穿戴设备上所指定的参考位置所对应的采集通道。那么,确定出参考位置所对应的采集通道就可以知道可穿戴设备的方位状态。
或者,再例如,所述参考位置的设置,可以无需满足任何条件,随便设置一个位置作为参考位置,然后,再进一步确定在用户做出指定手势时候,所述参考位置处肌肉的表面肌电信号的时域特征数据与原点之间的特征距离,为最大值的计算位置与参考位置之间的相对位置。这样,获得最大的特征距离之后,将最大的特征距离所对应的采集通道,确定为计算位置所对应的采集通道。那么,当确定出该计算位置所对应的采集通道之后,也可以知道确定出参考位置所对应的采集通道,进而就可以知道可穿戴设备的方位状态。
为了进一步验证参考位置所对应的采集通道的准确性,还可以再选择一个其他的时域特征数据例如,RMSi(r),对其进行与MAVi(r)相同的处理,如果此时所确定的参考位置所对应的采集通道A与对MAVi(r)进行处理之后所确定的参考位置所对应的采集通道B是同一个采集通道,则说明该参考位置确实对应该采集通道,如果不是同一个采集通道,则需要指示用户重新做出第一动作和第二动作,以重新执行本发明所提供的技术方案。
在另一个具体的实现过程中,还可以进一步获取所述用户开始做出所述第一动作的第一开始采样点和所述用户停止做出所述第一动作的第一结束采样点,进而,则可以根据所述第一开始采样点和所述第一结束采样点,获取所述用户做出所述第一动作时所述每个采集通道的时域特征数据。以及还可以进一步获取所述用户开始做出所述第二动作的第二开始采样点和所述用户停止做出所述第二动作的第二结束采样点,进而,则可以根据所述第二开始采样点和所述第二结束采样点,获取所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
例如,在获得过滤的表面肌电信号sEMGi(t)之后,可以将每个采集通道的过滤的表面肌电信号sEMGi(t)进行平均处理,以获得平均表面肌电信号序列即
其中,
i表示采集通道的编号,取值可以为0~M-1;
M表示采集通道的数量;
在获得平均表面肌电信号序列之后,可以以滑动窗口W,步长为W/2,对平均表面肌电信号序列进行移动平均处理,以获得序列EMA(r),即
其中,
W表示滑动窗口,滑动的步长为W/2;
N表示采样点的数量。
在获得序列EMA(r)之后可以,利用如下公式获得平均能量序列
进一步地,还可以进一步预先设置平均能量阈值Emax,该平均能量阈值Emax具体可以为一经验值,例如,R为的样本总数,也就是移动平均处理后的窗口总数量。
例如,若且则可以获得用户开始做出第一动作的第一开始采样点Nstart1,即Nstart1=r1*W/2,以及用户开始做出第一动作的第一结束采样点Nstop1,即Tstop1=(r1+s2)*W/2。其中,s1和s2为调整系数,可以为经验值,例如,6和30。
或者,再例如,若且则可以获得用户开始做出第二动作的第二开始采样点Nstart2,即Nstart2=r2*W/2,以及用户开始做出第二动作的第二结束采样点Nstop1,即Tstop2=(r2+s2)*W/2。其中,s1和s2为调整系数,可以为经验值,例如,6和30。
需要说明的是,在上面两个例子的具体实现中,具体可以指示用户先做出一个第一动作,或者一系列的第一动作,然后再指示用户做出一个第二动作,或者一系列的第二动作,或者,还可以指示用户连续做出一组第一动作和第二动作,或者几组第一动作和第二动作,此时,用户做出第二动作的采样点与用户做出第一动作的采样点需要满足一定的关系,例如,r2>r1+δr,其中,δr为时间系数,可以为经验值,例如,30。
这样,经过上述的数据处理过程,获取了所述用户开始做出所述第一动作的第一开始采样点Nstart1和所述用户停止做出所述第一动作的第一结束采样点Nstop1,以及所述用户开始做出所述第二动作的第二开始采样点Nstart2和所述用户停止做出所述第二动作的第二结束采样点Nstop1,就可以从每个采集通道的过滤的表面肌电信号sEMGi(t)中,获取所述用户做出所述第一动作时所对应的表面肌电信号sEMGi(Nstart1,Nstop1),以及所述用户开始做出所述第二动作的表面肌电信号sEMGi(Nstart2,Nstop2)。
在获取所述用户做出所述第一动作时所对应的表面肌电信号sEMGi(Nstart1,Nstop1),以及所述用户开始做出所述第二动作的表面肌电信号sEMGi(Nstart2,Nstop2)之后,则可以进一步根据表面肌电信号sEMGi(Nstart1,Nstop1),获得所述用户做出所述第一动作时所述每个采集通道的时域特征数据,以及根据表面肌电信号sEMGi(Nstart2,Nstop2),获得所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
至此,通过执行上述操作,获得了可穿戴设备的测量穿戴状态,具体可以表示为一个具有两个维度的向量,即为<贴合状态,方位状态>。
可选地,在本实施例的一个可能的实现方式中,在103之后,还可以进一步获取所述可穿戴设备的标准穿戴状态,然后,则可以根据所述标准穿戴状态和所述测量穿戴状态,执行优化所述可穿戴设备的操作。
在一个具体的实现过程中,具体可以根据所述标准穿戴状态和所述测量穿戴状态,生成穿戴调整指示,以指示用户调整所述可穿戴设备;以及输出所述穿戴调整指示,例如,,震动指示、声音指示或灯光指示等形式的指示信息。
这样,用户则可以根据穿戴调整指示调整所穿戴的可穿戴设备,例如,调整所穿戴的可穿戴设备的穿戴角度、穿戴部位、穿戴位置等,能够避免现有技术中由于可穿戴设备的实际穿戴状态与理想穿戴状态不一致而导致的无法满足可穿戴设备的工作需求的问题,能够有效提高可穿戴设备的可靠性。
在另一个具体的实现过程中,具体可以根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据。
这样,则可以根据数据调整指示调整可穿戴设备所采集的测量数据,能够避免现有技术中由于可穿戴设备的实际穿戴状态与理想穿戴状态不一致而导致的无法满足可穿戴设备的工作需求的问题,能够有效提高可穿戴设备的可靠性。
本发明实施例通过利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数,进而根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据,使得能够根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,这样,实现了获取可穿戴设备的实际穿戴状态这一目的。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
图2为本发明另一实施例提供的可穿戴设备的穿戴状态的处理装置的结构示意图,如图2所示。本实施例的可穿戴设备的穿戴状态的处理装置可以包括采集单元21、分析单元22和处理单元23。其中,采集单元21,用于利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数;分析单元22,用于根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据;处理单元23,用于根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态。
需要说明的是,本实施例所提供的可穿戴设备的穿戴状态的处理装置的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在终端上的本地程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
可选地,在本实施例的一个可能的实现方式中,所述每个采集通道的特征数据,可以包括但不限于下列数据中的至少一项:
时域特征数据;以及
频域特征数据。
可选地,在本实施例的一个可能的实现方式中,所述每个采集通道的特征数据包括频域特征数据;相应地,所述处理单元23,具体可以用于根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况;以及根据所述干扰情况,获得所述可穿戴设备的贴合状态。
在一个具体的实现过程中,所述处理单元23,具体可以用于若任一采集通道的频域特征数据大于或等于预先设置的频域特征阈值,获得所述可穿戴设备的干扰情况为出现干扰。
在另一个具体的实现过程中,所述处理单元23,具体可以用于若所述每个采集通道的频域特征数据均小于所述频域特征阈值,获得所述可穿戴设备的干扰情况为没有干扰。
在另一个具体的实现过程中,所述处理单元23,具体可以用于若任一采集通道的频域特征数据中只存在直流分量,获得所述可穿戴设备的干扰情况为出现干扰。
可选地,在本实施例的一个可能的实现方式中,所述每个采集通道的特征数据包括时域特征数据;所述处理单元23,具体可以用于根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道;以及根据所述确定的采集通道,获得所述可穿戴设备的方位状态。
在一个具体的实现过程中,所述处理单元23,具体可以用于根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据;根据所述每个采集通道的归一化特征数据,获得所述每个采集通道的归一化特征数据与原点之间的特征距离;以及根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
在另一个具体的实现过程中,所述处理单元23,还可以进一步用于获取所述用户开始做出所述第一动作的第一开始采样点和所述用户停止做出所述第一动作的第一结束采样点;根据所述第一开始采样点和所述第一结束采样点,获取所述用户做出所述第一动作时所述每个采集通道的时域特征数据;获取所述用户开始做出所述第二动作的第二开始采样点和所述用户停止做出所述第二动作的第二结束采样点;以及根据所述第二开始采样点和所述第二结束采样点,获取所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
可选地,在本实施例的一个可能的实现方式中,所述处理单元23,还可以进一步用于获取所述可穿戴设备的标准穿戴状态;根据所述标准穿戴状态和所述测量穿戴状态,生成穿戴调整指示,以指示用户调整所述可穿戴设备;以及输出所述穿戴调整指示;或者根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据。
需要说明的是,图1对应的实施例中方法,可以由本实施例提供的可穿戴设备的穿戴状态的处理装置实现。详细描述可以参见图1对应的实施例中的相关内容,此处不再赘述。
本实施例中,通过采集单元利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数,进而由分析单元根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据,使得处理单元能够根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,这样,实现了获取可穿戴设备的实际穿戴状态这一目的。
另外,采用本发明提供的技术方案,获取到可穿戴设备的测量穿戴状态之后,通过进一步获取所述可穿戴设备的标准穿戴状态,进而根据所述标准穿戴状态和所述测量穿戴状态,生成并输出穿戴调整指示,以指示用户调整所述可穿戴设备,这样,用户则可以根据穿戴调整指示调整所穿戴的可穿戴设备,能够避免现有技术中由于可穿戴设备的实际穿戴状态与理想穿戴状态不一致而导致的无法满足可穿戴设备的工作需求的问题,能够有效提高可穿戴设备的可靠性。
另外,采用本发明提供的技术方案,获取到可穿戴设备的测量穿戴状态之后,通过进一步获取所述可穿戴设备的标准穿戴状态,进而根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据,这样,则可以根据数据调整指示调整可穿戴设备所采集的测量数据,能够避免现有技术中由于可穿戴设备的实际穿戴状态与理想穿戴状态不一致而导致的无法满足可穿戴设备的工作需求的问题,能够有效提高可穿戴设备的可靠性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种可穿戴设备的穿戴状态的处理方法,其特征在于,包括:
利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数;
根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据;
根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态;其中,
所述每个采集通道的特征数据包括频域特征数据;所述根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,包括:
根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况;
根据所述干扰情况,获得所述可穿戴设备的贴合状态;
所述每个采集通道的特征数据包括时域特征数据;所述根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态,包括:
根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道;
根据所述确定的采集通道,获得所述可穿戴设备的方位状态。
2.根据权利要求1所述的方法,其特征在于,所述每个采集通道的特征数据,包括下列数据中的至少一项:
时域特征数据;以及
频域特征数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况,包括:
若任一采集通道的频域特征数据大于或等于预先设置的频域特征阈值,获得所述可穿戴设备的干扰情况为出现干扰;或者
若所述每个采集通道的频域特征数据均小于所述频域特征阈值,获得所述可穿戴设备的干扰情况为没有干扰;或者
若任一采集通道的频域特征数据中只存在直流分量,获得所述可穿戴设备的干扰情况为出现干扰。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道,包括:
根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据;
根据所述每个采集通道的归一化特征数据,获得所述每个采集通道的归一化特征数据与原点之间的特征距离;
根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据之前,还包括:
获取所述用户开始做出所述第一动作的第一开始采样点和所述用户停止做出所述第一动作的第一结束采样点;
根据所述第一开始采样点和所述第一结束采样点,获取所述用户做出所述第一动作时所述每个采集通道的时域特征数据;
获取所述用户开始做出所述第二动作的第二开始采样点和所述用户停止做出所述第二动作的第二结束采样点;
根据所述第二开始采样点和所述第二结束采样点,获取所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
6.根据权利要求1~5任一权利要求所述的方法,其特征在于,所述根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态之后,还包括:
获取所述可穿戴设备的标准穿戴状态;
根据所述标准穿戴状态和所述测量穿戴状态,生成穿戴调整指示,以指示用户调整所述可穿戴设备;以及输出所述穿戴调整指示;或者
根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据。
7.一种可穿戴设备的穿戴状态的处理装置,其特征在于,包括:
采集单元,用于利用用户所穿戴的可穿戴设备上所设置的M个采集通道,分别获取所述用户的表面肌电信号,M为大于或等于2的整数;
分析单元,用于根据所述M个采集通道中每个采集通道所获取的表面肌电信号,获得所述每个采集通道的特征数据;
处理单元,用于根据所述每个采集通道的特征数据,获得所述可穿戴设备的测量穿戴状态;其中,
所述每个采集通道的特征数据包括频域特征数据;所述处理单元,具体用于
根据所述每个采集通道的频域特征数据,获得所述可穿戴设备的干扰情况;以及
根据所述干扰情况,获得所述可穿戴设备的贴合状态;
所述每个采集通道的特征数据包括时域特征数据;所述处理单元,具体用于
根据所述每个采集通道的时域特征数据,确定所述可穿戴设备上所指定的参考位置所对应的采集通道;以及
根据所述确定的采集通道,获得所述可穿戴设备的方位状态。
8.根据权利要求7所述的装置,其特征在于,所述每个采集通道的特征数据,包括下列数据中的至少一项:
时域特征数据;以及
频域特征数据。
9.根据权利要求7所述的装置,其特征在于,所述处理单元,具体用于
若任一采集通道的频域特征数据大于或等于预先设置的频域特征阈值,获得所述可穿戴设备的干扰情况为出现干扰;或者
若所述每个采集通道的频域特征数据均小于所述频域特征阈值,获得所述可穿戴设备的干扰情况为没有干扰;或者
若任一采集通道的频域特征数据中只存在直流分量,获得所述可穿戴设备的干扰情况为出现干扰。
10.根据权利要求7所述的装置,其特征在于,所述处理单元,具体用于
根据所述用户做出第一动作时所述每个采集通道的时域特征数据和所述用户做出第二动作时所述每个采集通道的时域特征数据,获得所述每个采集通道的归一化特征数据;
根据所述每个采集通道的归一化特征数据,获得所述每个采集通道的归一化特征数据与原点之间的特征距离;以及
根据最大的特征距离,确定所述可穿戴设备上所指定的参考位置所对应的采集通道。
11.根据权利要求10所述的装置,其特征在于,所述处理单元,还用于
获取所述用户开始做出所述第一动作的第一开始采样点和所述用户停止做出所述第一动作的第一结束采样点;
根据所述第一开始采样点和所述第一结束采样点,获取所述用户做出所述第一动作时所述每个采集通道的时域特征数据;
获取所述用户开始做出所述第二动作的第二开始采样点和所述用户停止做出所述第二动作的第二结束采样点;以及
根据所述第二开始采样点和所述第二结束采样点,获取所述用户做出所述第二动作时所述每个采集通道的时域特征数据。
12.根据权利要求7~11任一权利要求所述的装置,其特征在于,所述处理单元,还用于
获取所述可穿戴设备的标准穿戴状态;
根据所述标准穿戴状态和所述测量穿戴状态,生成穿戴调整指示,以指示用户调整所述可穿戴设备;以及输出所述穿戴调整指示;或者
根据所述标准穿戴状态和所述测量穿戴状态,生成数据调整指示,以供根据所述数据调整指示,调整所述可穿戴设备所采集的测量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410749079.8A CN104391580B (zh) | 2014-12-09 | 2014-12-09 | 可穿戴设备的穿戴状态的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410749079.8A CN104391580B (zh) | 2014-12-09 | 2014-12-09 | 可穿戴设备的穿戴状态的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104391580A CN104391580A (zh) | 2015-03-04 |
CN104391580B true CN104391580B (zh) | 2017-05-17 |
Family
ID=52609492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410749079.8A Active CN104391580B (zh) | 2014-12-09 | 2014-12-09 | 可穿戴设备的穿戴状态的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104391580B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6593772B2 (ja) * | 2015-08-27 | 2019-10-23 | カシオ計算機株式会社 | 電子機器及びその制御方法、制御プログラム |
CN105167761B (zh) * | 2015-09-22 | 2019-06-11 | 深圳市元征科技股份有限公司 | 智能穿戴设备佩戴状态检测方法及装置 |
CN105533940A (zh) * | 2015-12-01 | 2016-05-04 | 深圳还是威健康科技有限公司 | 一种终端调整提醒方法及智能手环 |
CN105852857B (zh) * | 2016-05-03 | 2018-08-14 | 北京银河润泰科技有限公司 | 肌电采集设备的信号处理方法及装置 |
CN109696658B (zh) * | 2017-10-23 | 2021-08-24 | 京东方科技集团股份有限公司 | 采集设备、声音采集方法、声源跟踪系统及其方法 |
CN114003124B (zh) * | 2020-07-28 | 2022-11-01 | 荣耀终端有限公司 | 确定可穿戴设备的穿戴状态的方法和电子设备 |
CN113625882B (zh) * | 2021-10-12 | 2022-06-14 | 四川大学 | 一种基于稀疏多通道相关性特征的肌电手势识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2763000A2 (en) * | 2013-02-04 | 2014-08-06 | Immersion Corporation | Wearable device manager |
CN104042199A (zh) * | 2014-07-04 | 2014-09-17 | 时云医疗科技(上海)有限公司 | 一种特征指标反馈系统及其反馈方法 |
CN104133554A (zh) * | 2014-08-07 | 2014-11-05 | 北京智谷睿拓技术服务有限公司 | 主导肢体识别方法和装置 |
-
2014
- 2014-12-09 CN CN201410749079.8A patent/CN104391580B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2763000A2 (en) * | 2013-02-04 | 2014-08-06 | Immersion Corporation | Wearable device manager |
CN104042199A (zh) * | 2014-07-04 | 2014-09-17 | 时云医疗科技(上海)有限公司 | 一种特征指标反馈系统及其反馈方法 |
CN104133554A (zh) * | 2014-08-07 | 2014-11-05 | 北京智谷睿拓技术服务有限公司 | 主导肢体识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
表面肌电信号分析与实时系统构建;王玉珏;《中国优秀硕士学位论文全文数据库信息科技辑》;20120715;第14-20页第三张、第21-27页第4章、第36-47页第6章 * |
Also Published As
Publication number | Publication date |
---|---|
CN104391580A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104391580B (zh) | 可穿戴设备的穿戴状态的处理方法及装置 | |
TWI720215B (zh) | 提供即時訊號分段和基準點對準架構的系統與方法 | |
CN107714024B (zh) | 用于监测心脏活动的方法、系统及装置 | |
Pan et al. | Continuous estimation of finger joint angles under different static wrist motions from surface EMG signals | |
KR20170113252A (ko) | 저전력 센서를 이용한 심박수 및 호흡수 추정을 위한 방법 및 장치 | |
Narayan | Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification | |
US20170105682A1 (en) | Heart rate monitor with time varying linear filtering | |
CN107273827B (zh) | 一种心电信号r波检测方法及装置 | |
US9901270B2 (en) | Biosignal processing apparatus and method | |
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
CN107212883B (zh) | 一种基于脑电控制的机械臂写字装置及控制方法 | |
CN106691447A (zh) | 肌肉训练辅助装置、肌肉训练评估装置及方法 | |
Gradolewski et al. | Arm EMG wavelet-based denoising system | |
CN109044280A (zh) | 一种睡眠分期方法及相关设备 | |
WO2019012394A1 (en) | ELIMINATION OF ARTIFACTS IN NEUROPHYSIOLOGICAL SIGNALS | |
Ma et al. | A multichannel nonlinear adaptive noise canceller based on generalized FLANN for fetal ECG extraction | |
CN105686827B (zh) | 一种基于微控制器的肌电信号处理及特征提取方法 | |
JP2021115429A (ja) | 信号計測システム、計測信号処理装置及びプログラム | |
CN204133464U (zh) | 一种皮肤电阻传感器 | |
CN207412163U (zh) | 肌肉训练评估装置 | |
CN115857696A (zh) | 一种设备交互方法、可穿戴设备和存储介质 | |
Mukhopadhyay et al. | Stress Detection on Tiny Edge Device with GSR Sensor | |
Zhang et al. | A flexible and miniaturized wireless ECG recording system with metal-skin contacts input for wearable personalized healthcare | |
CN110680315A (zh) | 基于非对称多重分形去趋势相关分析脑肌电信号监测方法 | |
KR20140038875A (ko) | 기저선 변동 및 전력선 간섭을 제거하는 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |