CN104434123A - 基于聚类算法的人体运动状态判断方法 - Google Patents

Abstract

基于聚类算法的人体运动状态判断方法，属于计步器领域，为了解决现有现有方法对相似性较大的运动状态进行区分时就会存在很大误差的问题。所述方法包括：采用压力传感器各采集人双脚在坐、站、走、跑和跳状态时，周期T内的压力，根据所述压力，确定各状态的运动频数的判定范围，采用聚类算法，获得各状态的左脚相异度判定范围和右脚相异度判定范围；当需判断某段时间内人体运动状态时，采用压力传感器采集该段时间内双脚的压力值，对所述压力值进行处理，获得在此段时间内的运动频数、左脚相异度和右脚相异度；根据获得的此段时间内的运动频数、左脚相异度和右脚相异度，结合各运动状态的判定范围，判断此段时间内人体的运动状态。它用于计步器内。

Description

基于聚类算法的人体运动状态判断方法

技术领域

本发明属于计步器领域。

背景技术

计步器主要是测量人每天的行走状态，计算行走脚步数量，分析身体运动情况。

现有计步器以加速度传感器、震动传感器和压力传感器为基本参数的计步器，采用压力传感器采集的脚掌压力，根据脚掌压力的变化频率来判断运动状态，根据运动状态进行相应的计数。在区分人体运动状态方面有很多方法，例如通过频率，步速进行区分等，这都是在区分那些相似性很小的状态，例如走和跳，但是相似性较大的运动状态进行区分时就会存在很大误差。

发明内容

本发明目的是为了解决现有现有方法对相似性较大的运动状态进行区分时就会存在很大误差的问题，提供了一种基于聚类算法的人体运动状态判断方法。

本发明所述的基于聚类算法的人体运动状态判断方法，所述方法包括如下步骤：

步骤一：采用压力传感器各采集人双脚在坐、站、走、跑和跳状态时，周期T内的压力，根据所述周期T内的压力，分别获得各状态的运动频数最大值和运动频数最小值，采用聚类算法，分别获得各状态的左脚相异度最大最小值和右脚相异度最大最小值，进而确定各运动状态的判定范围；

步骤二：当需判断某段时间内人体运动状态时，采用压力传感器采集该段时间内双脚的压力值，对所述压力值进行处理，获得在此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右；

步骤三：根据获得的此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右，结合各运动状态的判定范围，判断此段时间内人体的运动状态。

步骤一中，根据所述周期T内的压力，分别获得各状态的运动频数最大值和运动频数最小值，采用聚类算法，分别获得各状态的左脚相异度最大最小值和右脚相异度最大最小值的方法为：

步骤一一：采用压力传感器采集人在站立时双脚的压力，在周期T内每隔时间Δt采集人体的压力，形成不同时间Δt对应的左脚压力矩阵和右脚压力矩阵，矩阵中的压力值均不为零，T/Δt＝n，n为正整数，所述压力包括每个脚掌内侧压力、脚掌外侧压力和脚跟压力；

步骤一二：根据步骤一一中获得的左脚压力矩阵和右脚压力矩阵，计算出对应的特征值，形成不同时间Δt对应的左脚特征值矩阵和右脚特征值矩阵；

步骤一三：对获得的不同时间Δt对应的左脚特征值矩阵的特征值进行相异度比较，获得左脚相异度矩阵，进而获得站立时左脚相异度最小值d_1min和左脚相异度最大值d_1max；对获得的不同时间Δt对应的右脚特征值矩阵的特征值进行相异度比较，获得右脚相异度矩阵，进而获得右脚相异度最小值d_2min和右脚相异度最大值d_2max；

步骤一四：统计所述周期T内每隔时间Δt的出现压力值为零的次数为λ_m，m＝1,2,...,n，周期T内压力值为零的总时间为再根据不同时间段Δt内的λ_m中最小值λ_min和最大值λ_max，确定周期T内站立时运动频数的范围(N_1min,N_1max)，N_1max＝M/(λ_min*Δt)，N_1min＝M/(λ_max*Δt)；

坐、走、跑和跳状态的运动频数最大值、运动频数最小值、左脚相异度最大最小值和右脚相异度最大最小值获得方法与站立时的相同。

步骤一三中，左脚相异度矩阵为：

$\left[\begin{array}{ccccc}0& & & & \\ d\left(\mathrm{2,1}\right)& 0& & & \\ d\left(\mathrm{3,1}\right)& d\left(\mathrm{3,2}\right)& 0& & \\ ...& ...& ...& 0& \\ d(n,1)& d(n,2)& ...& ...& 0\end{array}\right]$

矩阵中的d(x,y)表示不同时间Δt的压力矩阵的特征值的相异度，

其中，x＝2,…,n；y＝1,…,n-1；

相异度 $d(x,y)={\left(\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{|x_m-y_m|}^2\right)}^{1/2},$

x_m和y_m分别表示两个不同时间Δt所采集的压力矩阵的特征值；

右脚相异度矩阵与左脚相异度矩阵形式相同。

步骤三中，根据获得的此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右，结合各运动状态的判定范围，判断此段时间内人体的运动状态的方法为：

当此段时间内的运动频数N∈(N_1min±Δ,N_1max±Δ)、d_左∈(d_1min±Δ,d_1max±Δ)且d_右∈(d_2min±Δ,d_2max±Δ)时，此段时间内人体的运动状态为站；d_1max和d_1min分别表示站时左脚相异度最大值和最小值，d_2max和d_2min分别表示站时右脚相异度最大值和最小值，N_1max和N_1min分别表示站时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_2min±Δ,N_2max±Δ)、d_左∈(d_3min±Δ,d_3max±Δ)且d_右∈(d_4min±Δ,d_4max±Δ)时，此段时间内人体的运动状态为坐；d_3max和d_3min分别表示坐时左脚相异度最大值和最小值，d_4max和d_4min分别表示站时右脚相异度最大值和最小值，N_2max和N_2min分别表示坐时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_3min±Δ,N_3max±Δ)、d_左∈(d_5min±Δ,d_5max±Δ)且d_右∈(d_6min±Δ,d_6max±Δ)时，此段时间内人体的运动状态为走；d_5max和d_5min分别表示走时左脚相异度最大值和最小值，d_6max和d_6min分别表示站时右脚相异度最大值和最小值，N_3max和N_3min分别表示走时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_4min±Δ,N_4max±Δ)、d_左∈(d_7min±Δ,d_7max±Δ)且d_右∈(d_8min±Δ,d_8max±Δ)时，此段时间内人体的运动状态为跑；d_7max和d_7min分别表示跑时左脚相异度最大值和最小值，d_8max和d_8min分别表示站时右脚相异度最大值和最小值，N_4max和N_4min分别表示跑时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_5min±Δ,N_5max±Δ)、d_左∈(d_9min±Δ,d_9max±Δ)且d_右∈(d_10min±Δ,d_10max±Δ)时，此段时间内人体的运动状态为跳；d_9max和d_9min分别表示跳时左脚相异度最大值和最小值，d_10max和d_10min分别表示站时右脚相异度最大值和最小值，N_5max和N_5min分别表示跳时的运动频数的最大值和最小值；

Δ为误差。

本发明的有益效果在于：本发明是通过左脚的相异度和右脚的相异度的范围进行运动状态判断，所述相异度及范围是通过聚类分析算法获得，聚类就是将数据集划分为由若干相似对象组成的多个组或簇的过程，使得同一组中对象间的相似度最大化，不同组中对象间相似度最小化。通过相似性的判断不同的运动状态，这样区分相似性较大的运动状态时不会出现误差，使其具有更高的准确性。

利用聚类的改进算法来进行判别，使其具有更高的准确性。

附图说明

图1是具体实施方式中安装压力传感器的原理示意图；

图2是具体实施方式所述的基于聚类算法的人体运动状态判断方法的流程示意图；

具体实施方式

人体的足是由26块骨，33个关节和126根韧带，肌肉和神经构成的复杂结构。足的基本功能主要是支撑人体的体重，缓冲和吸收冲击力，产生向前的推力，可以维持和调节人体的平衡。足底压力就是人在静止站立或动态行走时，在自身的重力作用下，足底在垂直方向会受到来自地面的反作用力。人体的每走一步，人体收到的压力是十分大的，这种压力大概超过人体体重的50％。人体足底压力会随着人体的运动状态的变化而变化。足底压力传感器所测的压力值数据本身就包括不同实验者的不同生理参数(例如体重)，要把不同实验者各自的生理参数在提取出的特征中有所体现。

采用压力传感器获取人体足底压力信息，进而通过足底压力信息判断人的运动状态。运动状态包括坐，站，走，跑，跳。运动状态的分析是指将判别的运动状态信息与数据库中的相关信息进行匹配，通过一定的判别标准来判定属于何种运动状态。对人体运动状态下的足底压力进行采集，传递和研究。通过实验可以知道并不是足部所有区域都支撑人体体重，所以就选择足底三个有效压力值点，这三个点分别为前脚掌的脚掌内测，脚掌外侧，足跟，如图1所示；本实施方式在足底的三个点设置压力传感器，通过将无线接口连接到电脑，可以实时分析人的运动状态。考虑到这些问题，本实施方式将三个传感器放在鞋垫上，这样就可以连续测定足底的压力和时间参数，并且可以实时的进行分析。

结合图2说明本实施方式，本实施方式的基于聚类算法的人体运动状态判断方法，包括如下步骤：

步骤一：采用压力传感器各采集人双脚在坐、站、走、跑和跳状态时，周期T内的压力，根据所述周期T内的压力，分别获得各状态的运动频数最大值和运动频数最小值，采用聚类算法，分别获得各状态的左脚相异度最大最小值和右脚相异度最大最小值，进而确定各运动状态的判定范围：

步骤一一：采用压力传感器采集人在站立时双脚的压力，在周期T内每隔时间Δt采集人体的压力，形成不同时间Δt对应的左脚压力矩阵和右脚压力矩阵，矩阵中的压力值均不为零，T/Δt＝n，n为正整数，所述压力包括每个脚掌内侧压力、脚掌外侧压力和脚跟压力；

步骤一二：根据步骤一一中获得的左脚压力矩阵和右脚压力矩阵，计算出对应的特征值，形成不同时间Δt对应的左脚特征值矩阵和右脚特征值矩阵；

步骤一三：对获得的不同时间Δt对应的左脚特征值矩阵的特征值进行相异度比较，获得左脚相异度矩阵，进而获得站立时左脚相异度最小值d_1min和左脚相异度最大值d_1max；对获得的不同时间Δt对应的右脚特征值矩阵的特征值进行相异度比较，获得右脚相异度矩阵，进而获得右脚相异度最小值d_2min和右脚相异度最大值d_2max；

步骤一四：统计所述周期T内每隔时间Δt的出现压力值为零的次数为λ_m，m＝1,2,...,n，周期T内压力值为零的总时间为再根据不同时间段Δt内的λ_m中最小值λ_min和最大值λ_max，确定周期T内站立时运动频数的范围(N_1min,N_1max)，N_1max＝M/(λ_min*Δt)，N_1min＝M/(λ_max*Δt)；

坐、走、跑和跳状态的运动频数最大值、运动频数最小值、左脚相异度最大最小值和右脚相异度最大最小值获得方法与站立时的相同。

步骤一三中，左脚相异度矩阵为：

$\left[\begin{array}{ccccc}0& & & & \\ d\left(\mathrm{2,1}\right)& 0& & & \\ d\left(\mathrm{3,1}\right)& d\left(\mathrm{3,2}\right)& 0& & \\ ...& ...& ...& 0& \\ d(n,1)& d(n,2)& ...& ...& 0\end{array}\right]$

矩阵中的d(x,y)表示不同时间Δt的压力矩阵的特征值的相异度，

其中，x＝2，…,n；y＝1,…,n-1；

相异度相异度是基于对象间的距离来计算的，即欧式距离；

x_m和y_m分别表示两个不同时间Δt所采集的压力矩阵的特征值；

右脚相异度矩阵与左脚相异度矩阵形式相同。

采用压力传感器采集双脚压力，在处于运动状态时，总会有一只脚压力为零的时刻，采集压力的间隔十分小，例如20ms采集一次，所以就会出现连零状态，但是在采集压力时只采集不为零的压力值，而对连零状态进行计数，即记下连零状态出现零的次数。

步骤二：当需判断某段时间内人体运动状态时，采用压力传感器采集该段时间内双脚的压力值，对所述压力值进行处理，获得在此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右；

通过步骤一的方法获得左脚相异度矩阵和右脚相异度矩阵后，根据左脚相异度矩阵和右脚相异度矩阵分别获得此段时间的左脚相异度d_左和右脚相异度d_右。

步骤三：根据获得的此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右，结合各运动状态的判定范围，判断此段时间内人体的运动状态：

当此段时间内的运动频数N∈(N_1min±Δ,N_1max±Δ)、d_左∈(d_1min±Δ,d_1max±Δ)且d_右∈(d_2min±Δ,d_2max±Δ)时，此段时间内人体的运动状态为站；d_1max和d_1min分别表示站时左脚相异度最大值和最小值，d_2max和d_2min分别表示站时右脚相异度最大值和最小值，N_1max和N_1min分别表示站时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_2min±Δ,N_2max±Δ)、d_左∈(d_3min±Δ,d_3max±Δ)且d_右∈(d_4min±Δ,d_4max±Δ)时，此段时间内人体的运动状态为坐；d_3max和d_3min分别表示坐时左脚相异度最大值和最小值，d_4max和d_4min分别表示站时右脚相异度最大值和最小值，N_2max和N_2min分别表示坐时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_3min±Δ,N_3max±Δ)、d_左∈(d_5min±Δ,d_5max±Δ)且d_右∈(d_6min±Δ,d_6max±Δ)时，此段时间内人体的运动状态为走；d_5max和d_5min分别表示走时左脚相异度最大值和最小值，d_6max和d_6min分别表示站时右脚相异度最大值和最小值，N_3max和N_3min分别表示走时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_4min±Δ,N_4max±Δ)、d_左∈(d_7min±Δ,d_7max±Δ)且d_右∈(d_8min±Δ,d_8max±Δ)时，此段时间内人体的运动状态为跑；d_7max和d_7min分别表示跑时左脚相异度最大值和最小值，d_8max和d_8min分别表示站时右脚相异度最大值和最小值，N_4max和N_4min分别表示跑时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_5min±Δ,N_5max±Δ)、d_左∈(d_9min±Δ,d_9max±Δ)且d_右∈(d_10min±Δ,d_10max±Δ)时，此段时间内人体的运动状态为跳；d_9max和d_9min分别表示跳时左脚相异度最大值和最小值，d_10max和d_10min分别表示站时右脚相异度最大值和最小值，N_5max和N_5min分别表示跳时的运动频数的最大值和最小值；Δ为误差。

Claims (4)

1.基于聚类算法的人体运动状态判断方法，其特征在于，所述方法包括如下步骤：

步骤一：采用压力传感器各采集人双脚在坐、站、走、跑和跳状态时，周期T内的压力，根据所述周期T内的压力，分别获得各状态的运动频数最大值和运动频数最小值，采用聚类算法，分别获得各状态的左脚相异度最大最小值和右脚相异度最大最小值，从而确定各运动状态的判定范围；

步骤二：当需判断某段时间内人体运动状态时，采用压力传感器采集该段时间内双脚的压力值，对所述压力值进行处理，获得在此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右；

步骤三：根据获得的此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右，结合各运动状态的判定范围，判断此段时间内人体的运动状态。

2.根据权利要1所述的基于聚类算法的人体运动状态判断方法，其特征在于，步骤一中，根据所述周期T内的压力，分别获得各状态的运动频数最大值和运动频数最小值，采用聚类算法，分别获得各状态的左脚相异度最大最小值和右脚相异度最大最小值的方法为：

步骤一一：采用压力传感器采集人在站立时双脚的压力，在周期T内每隔时间△t采集人体的压力，形成不同时间△t对应的左脚压力矩阵和右脚压力矩阵，矩阵中的压力值均不为零，T/△t＝n，n为正整数，所述压力包括每个脚掌内侧压力、脚掌外侧压力和脚跟压力；

步骤一二：根据步骤一一中获得的左脚压力矩阵和右脚压力矩阵，计算出对应的特征值，形成不同时间△t对应的左脚特征值矩阵和右脚特征值矩阵；

步骤一三：对获得的不同时间△t对应的左脚特征值矩阵的特征值进行相异度比较，获得左脚相异度矩阵，进而获得站立时左脚相异度最小值d_1min和左脚相异度最大值d_1max；对获得的不同时间△t对应的右脚特征值矩阵的特征值进行相异度比较，获得右脚相异度矩阵，进而获得右脚相异度最小值d_2min和右脚相异度最大值d_2max；

步骤一四：统计所述周期T内每隔时间△t的出现压力值为零的次数为λ_m，m＝1,2,...,n，周期T内压力值为零的总时间为再根据不同时间段△t内的λ_m中最小值λ_min和最大值λ_max，确定周期T内站立时运动频数的范围(N_1min,N_1max)，N_1max＝M/(λ_min*△t)，N_1min＝M/(λ_max*△t)；

坐、走、跑和跳状态的运动频数最大值、运动频数最小值、左脚相异度最大最小值和右脚相异度最大最小值获得方法与站立时的相同。

3.根据权利要求2所述的基于聚类算法的人体运动状态判断方法，其特征在于，步骤一三中，左脚相异度矩阵为：

$\left[\begin{array}{ccccc}0& & & & \\ d\left(\mathrm{2,1}\right)& 0& & & \\ d\left(\mathrm{3,1}\right)& d\left(\mathrm{3,2}\right)& 0& & \\ ...& ...& ...& 0& \\ d(n,1)& d(n,2)& ...& ...& 0\end{array}\right]$

矩阵中的d(x,y)表示不同时间△t的压力矩阵的特征值的相异度，

其中，x＝2,…,n；y＝1,…,n-1；

相异度 $d(x,y)={\left(\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{|x_m-y_m|}^2\right)}^{1/2},$

x_m和y_m分别表示两个不同时间△t所采集的压力矩阵的特征值；

右脚相异度矩阵与左脚相异度矩阵形式相同。

4.根据权利要求2所述的基于聚类算法的人体运动状态判断方法，其特征在于，步骤三中，根据获得的此段时间内的运动频数、左脚相异度d_左和右脚相异度d_右，结合各运动状态的判定范围，判断此段时间内人体的运动状态的方法为：

当此段时间内的运动频数N∈(N_1min±△,N_1max±△)、d_左∈(d_1min±△,d_1max±△)且d_右∈(d_2min±△,d_2max±△)时，此段时间内人体的运动状态为站；d_1max和d_1min分别表示站时左脚相异度最大值和最小值，d_2max和d_2min分别表示站时右脚相异度最大值和最小值，N_1max和N_1min分别表示站时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_2min±△,N_2max±△)、d_左∈(d_3min±△,d_3max±△)且d_右∈(d_4min±△,d_4max±△)时，此段时间内人体的运动状态为坐；d_3max和d_3min分别表示坐时左脚相异度最大值和最小值，d_4max和d_4min分别表示站时右脚相异度最大值和最小值，N_2max和N_2min分别表示坐时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_3min±△,N_3max±△)、d_左∈(d_5min±△,d_5max±△)且d_右∈(d_6min±△,d_6max±△)时，此段时间内人体的运动状态为走；d_5max和d_5min分别表示走时左脚相异度最大值和最小值，d_6max和d_6min分别表示站时右脚相异度最大值和最小值，N_3max和N_3min分别表示走时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_4min±△,N_4max±△)、d_左∈(d_7min±△,d_7max±△)且d_右∈(d_8min±△,d_8max±△)时，此段时间内人体的运动状态为跑；d_7max和d_7min分别表示跑时左脚相异度最大值和最小值，d_8max和d_8min分别表示站时右脚相异度最大值和最小值，N_4max和N_4min分别表示跑时的运动频数的最大值和最小值；

当此段时间内的运动频数N∈(N_5min±△,N_5max±△)、d_左∈(d_9min±△,d_9max±△)且d_右∈(d_10min±△,d_10max±△)时，此段时间内人体的运动状态为跳；d_9max和d_9min分别表示跳时左脚相异度最大值和最小值，d_10max和d_10min分别表示站时右脚相异度最大值和最小值，N_5max和N_5min分别表示跳时的运动频数的最大值和最小值；

△为误差。