CN104888444B - 一种卡路里消耗和手部姿势识别的智慧手套、方法及系统 - Google Patents

Abstract

本发明提供一种卡路里消耗和手部姿势识别的智慧手套、方法及系统，所述智慧手套包括处理器模块、存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器，所述存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器分别与处理器模块相连接；所述感知模块包括压力传感器和IMU惯性单元，分别用于负责感应用户健身过程中的手部受压力量大小和IMU数据，进而针对用户力量训练收集源数据，并将所述源数据传送给处理器模块；所述处理器模块负责对源始数据的预处理。本发明在进行力量训练过程中，被检测动作的检测准确率高，误报率低，在手部姿势偏离后能够发出警报信号。

Description

一种卡路里消耗和手部姿势识别的智慧手套、方法及系统

技术领域

本发明涉及一种智能检测装置，尤其涉及一种用于测量力量训练的卡路里消耗和手部姿势识别的智慧手套，并涉及了采用该智慧手套的卡路里消耗和手部姿势识别的方法及其系统。

背景技术

如今，随着健康生活的理念越来越深入人心，越来越多的健身爱好者希望能够测量出参加力量训练时候的卡路里的消耗及之后的饮食调节，然而，传统的获取运动过程中人体的能量消耗不仅程序繁琐，且还需要额外的设备，因此我们急切需要找到一种能够方便并有效的检测力量训练时的卡路里的消耗和动作识别的方法。

日常健身过程中，尤其是力量训练时，人体将消耗大量的卡路里，为了有助于训练后的营养补充和膳食搭配，又不要较准确地估算出人体在训练过程中的卡路里消耗；同时，正确的姿势是任何训练项目的必要条件。这是因为正确的姿势有助于减轻甚至消除任何潜在的训练伤病，有助于训练者的身体健康。

为了实现对健身时动作的准备检测和卡路里的消耗，人们提出了利用跑步机，自行车，跑鞋来检测卡路里的消耗的方法，然而采用这些方法搭建的检测系统本身都存在着种种不足，这些系统都采取了特定运动的计算模块来检测卡路里的消耗，在利用这些特定的计算模块进行卡路里的计算的时候，测量模块并不是可移动的，不能够真正地做到可穿戴，在目前的研究和工业生产中，并没有一种设备能够实现上述的功能，后者现有的方法由于模块的特殊性并不能够广泛地应用到这个场景。

发明内容

本发明所要解决的技术问题是需要提供一种测量力量训练的卡路里消耗和手部姿势识别的智慧手套、方法及系统，以在力量训练过程中，通过利用传感器及处理单元，实现对人体卡路里消耗和手部姿势识别的功能，并达到及时报警和反馈的功能。

对此，本发明提供一种卡路里消耗和手部姿势识别的智慧手套，包括：处理器模块、存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器，所述存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器分别与处理器模块相连接，其中，所述感知模块包括压力传感器和IMU惯性单元，所述压力传感器和IMU惯性单元分别用于负责感应用户健身过程中的手部受压力量大小和IMU数据，进而针对用户力量训练收集源数据，并将所述源数据传送给处理器模块；所述处理器模块负责对源始数据的预处理；所述存储模块负责存储处理器预处理的结果以及从云服务器传回的处理结果；所述通信模块负责将源数据、预处理后的数据传至云服务器，供云服务器作进一步的数据处理和分析，并负责将云服务器处理的结果传回至智慧手套；所述预警提示模块则负责当用户动作不标准、运动超量或者受力不当中任意一种情况时给用户发出警示；所述显示模块负责将用户健身过程中的动作类型、消耗卡路里和姿势标准度的结果显示出来。本发明所述的智慧手套也可简称为手套。

本发明还提供一种卡路里消耗和手部姿势识别的方法，采用了上述的智慧手套，并包括以下步骤：

步骤S1，利用压力传感器的薄膜压力传感器和IMU惯性单元来搜集力量训练时的源数据；

步骤S2，将源数据传输到处理器模块进行处理；

步骤S3，将接收到的压力传感器和IMU惯性单元所获取的数据进行ETL过程，进行ETL分析，所述ETL过程为通过ETL技术对步骤S2所得到的数据进行抽取、转置、加载和交付的过程；

以及，步骤S4，计算出消耗的卡路里，通过支持向量机建立分类模型，将超出力量训练的源数据作为目标动作类，其他的作为非目标动作类；然后判断是否超出力量训练的阈值，若是则发出提醒信号，若否则将数据传输到可移动设备进行记录，并推荐膳食食谱、营养搭配及训练计划。

所述步骤S3中，TL过程指数据的extract、Transform和load，即对数据进行抽取、转置、加载和交付的过程，是指数据处理之前对数据进行预处理的重要步骤；步骤S4中，根据设置的计算模型，人体在运动过程中对外输出的机械功可以通过一个转化因子与人体在这一过程中消耗的卡路里联系起来，结合测力传感器的读数和重构所得运动轨迹来计算功，从而计算出消耗的卡路里和将目标动作类和其他动作类进行区分的一类支持向量机；将超出力量训练作为目标动作类，并判断是否超出力量训练的阈值，若是，则发出提醒信号；本步骤S4将数据传输到可移动设备，进行记录，推荐膳食食谱、营养搭配及训练计划,；所述阀值可以根据用户的需求进行自定义设置，如在使用杠铃时，由预先设置的力的大小，称之为阈值，如果超过这个预先设置的大小，则发出信号。

本发明的进一步改进在于，在步骤S1中，用户通过按钮或开关将整个系统打开，所述智慧手套的感知模块上设置有一个或两个以上的压力传感器。所述按钮和开关可以是通过触摸感应器来实现的按钮和开关，所述按钮和开关可以设置在IMU惯性单元附件，以便于用户操作。

本发明的进一步改进在于，在步骤S2中包括以下步骤：

步骤S21，通过压力传感器和IMU惯性单元采集压力数据和运动姿态数据，基于可穿戴计算技术，将获得的加速度传感器、磁传感器和陀螺仪的数据进行滑动均值滤波，以消除背景噪声，所述滑动均值滤波器的滑动窗口宽度为7；

步骤S22，对加速度传感器和陀螺仪的读数采用互补滤波器的方式实现手套姿态的准确估计，该互补滤波器用于结合加速度传感器对于手套姿态角的估计值和陀螺仪对于手套姿态角的估计值；

步骤S23，采用互补滤波器的方式估计出手套在运动过程中的姿态角后，根据力学原理消除掉重力在智慧手套运动方向上的投射分量，提取出由于智慧手套自身运动所产生的加速度值，实现加速度校准；

步骤S24，获取经过校准后的加速度数据，采用一次积分的方式获得智慧手套运动的速度值；

步骤S25，积分得到智慧手套运动的速度值之后，根据智慧手套起始于静止状态并终止于静止状态的运动特征，对智慧手套运动的速度进行校准；

步骤S26，对所得速度值进行一次积分，从而得到智慧手套运动的位移大小。

步骤S22中，通过互补滤波器实现数据的分析处理，物体在空间中的姿态，可由加速度和角速度结合相应进而达到准确估计的目的，因此，所述步骤S22通过互补滤波器结合加速度传感器测量的手套姿态角的估计值和陀螺仪测量的手套姿态角的估计值，进而得到手套姿势的准确估计。步骤S23中，提取出由于智慧手套自身运动所产生的加速度值，也就是要滤除掉智慧手套在三维坐标的三个方向上的加速度分量，这一点可以通过互补滤波或卡曼滤波等方式实现。步骤24中，为了较少积分后的速度漂移，积分只针对对应于手套运动时的加速度值，为此，指数均值(EMA)被采用作为判断手套加速度值对应于手套的静止状态还是运动状态；当滑动窗口内指数均值大于阈值时，该窗口内的加速度被判断为对应于手套的运动状态；反之，则被判断为对应于手套的静止状态；当判断过程完成后，积分只被作用于对应手套运动状态下的加速度值，从而获得相应的速度值，而对应于手套静止状态下的加速度值则被视为零值；所述阈值是在数据处理过程中，结合传感器、算法以及用户需求进行综合确定，不同的情况下，此阈值会有所不同。所述步骤S25中，采用步骤S24所述的指数均值(EMA)判断手套的运动状态，当判定为静止时，则将对应的速度值强制设置为0。

本发明的进一步改进在于，还包括用于卡路里消耗和手部姿势识别的调整一类支持向量机的高维特征模型，所述步骤S4包括以下步骤：

步骤S41A，结合步骤S2所得到的位移值，结合薄膜压力传感器的读数，经过步骤S3的处理，计算出手套运动所做的功，按照建立的功与卡路里消耗的关系模型计算卡路里消耗；

步骤S42B，记录卡路里的消耗，并进行膳食搭配和营养均衡的提醒；

步骤S42A，基于统计学习理论预先建立高维特征模型，所述高维特征模型以设定空间内由于各项姿态偏离动作导致的信息变化的异常模式作为训练样本；

步骤S41B，将异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类，并判断出运动姿态是否发生偏离，若是则发出警示信号。

所述关系模型为根据人体在运动过程中对外输出的机械功通过转化因子与人体在这一过程中消耗的卡路里联系起来，结合测力传感器的读数和重构所得运动轨迹来计算功，从而计算出消耗的卡路里进而将目标动作类和其他动作类进行区分。

本发明还提供一种卡路里消耗和手部姿势识别的系统，采用了上述的卡路里消耗和手部姿势识别的方法，并包括以下模块：

信号获取与计算模块，用于收集智慧手套运动状态时的信号，并评估运动状态信息加以初步计算；

异常检测模块，用于通过异常检测算法识别信号是否变化的异常；

动作判断模块，用于将目标动作类和其他动作类进行区分的一类支持向量机，以超出力量训练阈值所导致的异常模式作为目标动作类，并判断智慧手套的运动姿势是否发生姿势偏离；

以及，警报模块，用于当判断发生姿态偏离时发出警示信号。

本发明的进一步改进在于，所述信号获取与计算模块包括以下单元：

感应采集单元，用于开启整个系统并收集运动数据，收集的运动数据包括力量训练方向上的力和三维坐标各个方向上的运动数据；

数据处理单元，用于对每一个方向上的力和运动信息求得平均值，将此平均值作为运动状态信息；

平滑单元，针对数据处理单元所得到的数据进行ETL分析，并通过滑动平均方法对运动状态信息进行平滑处理。

所述感应采集单元的三维坐标为确定物体在立体空间上的运动状态的x轴、y轴和z轴。

本发明的进一步改进在于，所述异常检测模块包括以下单元：

异常计算单元，用于对运动状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常数据；

异常输出单元，用于当所述的异常数据大于或等于预设阈值时，将子序列作为异常模式输出。

所述异常检测模块采用的是基于支持向量机的多维空间数据判别算法，该异常检测模块进行姿势异常检测原理为：首先按照标准的姿势将所有姿势做几遍，所述标准的姿势可以参考教学视频或者教练在一旁指导，然后提取出用户的源数据和每一个动作的运动轨迹，并保存作为参照；然后，当用户进行健身运动时，将用户此时的健身手部运动轨迹与参照轨迹进行对比，比如通过相似度比较的方式进行对比，即可判断出用户运动时的姿势是否标准，以及标准程度，所述标准程度也就是与参考轨迹的相似程度；获取的数据是随着时间而产生的，也就是时间序列模型，为便于实现数据分析和处理，本发明对获取的数据进行分割，而子序列指的是截取一段由感知模块获取并经过ETL过程的数据，至于子序列的长度和数据量，根据系统的处理能力可以自定义设置；所述局部异常数据是指在子序列中，按照支持向量机的方法计算，部分数据明显与此子序列的其他数据有偏差的数据；所述预设阀值为预先设置的阀值，是在数据处理过程中，结合传感器、算法以及用户需求进行综合确定，不同的情况下，此阈值会有所不同。

本发明的进一步改进在于，所述动作判断模块包括以下单元：

建立模型单元，用于基于统计学习理论预设建立高维特征模型，所述高维特征模型以设定空间内由于各项人体动作导致运动状态信息变化的异常模式作为训练样本；

动作识别单元，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。

本发明的进一步改进在于，还包括反馈模块，用于反馈针对手部姿势警报信号的响应信息，调整一类支持向量机的高维特征模型。

与现有技术相比，本发明的有益效果在于：在进行力量训练过程中，被检测动作的检测准确率为84％-94％，误报率低，以及卡路里的测量准确率高达90％，能够实现对手部姿势偏离判断后发出警报信号，并利用系统的自学习功能处理误报情况，进一步降低误报率；本发明在现有的传感器技术的基础上，进行卡路里的测量和手部姿势识别的工作，采用高效的数据处理方法和算法模型，可广泛地应用力量训练中，为健身爱好者提供良好的参考，并能够提供后期膳食搭配和营养均衡推荐。

附图说明

图1是本发明一种实施例的智慧手套的模块示意图；

图2是本发明另一种实施例的工作原理图；

图3是本发明另一种实施例的工作流程示意图；

图4是本发明再一种实施例的功能模块框图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明：

实施例1：

如图1所示，本例提供一种卡路里消耗和手部姿势识别的智慧手套，包括：处理器模块、存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器，所述存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器分别与处理器模块相连接，其中，所述感知模块包括压力传感器和IMU惯性单元，所述压力传感器和IMU惯性单元分别用于负责感应用户健身过程中的手部受压力量大小和IMU数据，进而针对用户力量训练收集源数据，并将所述源数据传送给处理器模块；所述处理器模块负责对源始数据的预处理；所述存储模块负责存储处理器预处理的结果以及从云服务器传回的处理结果；所述通信模块负责将源数据、预处理后的数据传至云服务器，供云服务器作进一步的数据处理和分析，并负责将云服务器处理的结果传回至智慧手套；所述预警提示模块则负责当用户动作不标准、运动超量或者受力不当中任意一种情况时给用户发出警示；所述显示模块负责将用户健身过程中的动作类型、消耗卡路里和姿势标准度的结果显示出来。

本例所述的智慧手套也可简称为手套；所述智慧手套的感知模块上设置有一个或两个以上的压力传感器，所述压力传感器设置在手掌握力处，所述IMU惯性单元设置在手腕处，便于客户使用方便；所述存储模块包括内置大容量存储器和外置的存储器接口，便于用户运动数据的存储和调用；所述源数据为通过压力传感器和IMU惯性单元分别感应用户健身过程中的手部受压力量大小和IMU数据所对应的采集数据。

本例的使用过程，首先按照标准的姿势将所有姿势做几遍，所述标准的姿势可以参考教学视频或者教练在一旁指导，然后通过感知模块提取出用户的源数据和每一个动作的运动轨迹，并保存作为参照；然后，当用户进行健身运动时，将用户此时的健身手部运动轨迹与参照轨迹进行对比，比如通过相似度比较的方式进行对比，即可判断出用户运动时的姿势是否标准，以及标准程度，所述标准程度也就是与参考轨迹的相似程度；当用户卡路里消耗和手部姿势与参照数据之间的差值达到一定范围，也就是超过了预设的阀值时，所述预警提示模块发出声、光或震动等报警提示；所述阀值根据用户需求进行预先设定，例如，可设置为5。

实施例2：

如图2和图3所示，本例还提供一种卡路里消耗和手部姿势识别的方法，采用了实施例1所述的智慧手套，并包括以下步骤：

步骤S1，利用压力传感器的薄膜压力传感器和IMU惯性单元来搜集力量训练时的源数据；

步骤S2，将源数据传输到处理器模块进行处理；

步骤S3，将接收到的压力传感器和IMU惯性单元所获取的数据进行ETL过程，进行ETL分析，所述ETL过程为通过ETL技术对步骤S2所得到的数据进行抽取、转置、加载和交付的过程；

以及，步骤S4，计算出消耗的卡路里，通过支持向量机建立分类模型，将超出力量训练的源数据作为目标动作类，其他的作为非目标动作类；然后判断是否超出力量训练的阈值，若是则发出提醒信号，若否则将数据传输到可移动设备进行记录，并推荐膳食食谱、营养搭配及训练计划。

所述步骤S3中，TL过程指数据的extract、Transform和load，即对数据进行抽取、转置、加载和交付的过程，是指数据处理之前对数据进行预处理的重要步骤；步骤S4中，根据设置的计算模型，人体在运动过程中对外输出的机械功可以通过一个转化因子与人体在这一过程中消耗的卡路里联系起来，结合测力传感器的读数和重构所得运动轨迹来计算功，从而计算出消耗的卡路里和将目标动作类和其他动作类进行区分的一类支持向量机；将超出力量训练作为目标动作类，并判断是否超出力量训练的阈值，若是，则发出提醒信号；本步骤S4将数据传输到可移动设备，进行记录，推荐膳食食谱、营养搭配及训练计划,；所述阀值可以根据用户的需求进行自定义设置，如在使用杠铃时，由预先设置的力的大小，称之为阈值，如果超过这个预先设置的大小，则发出信号。

在实际应用中，通过处理器模块接收压力传感器和IMU惯性单元测量出所需的运动数据，建立出运动信号和力量训练动作的关系，只需要使用简单的传感器即能够通过被检测者的卡路里的消耗和手部姿势的识别，判断出被检测者是否发生手部姿势的偏离并进行报警，减少了对笨重的测量设备的依赖，将大大地提高手部姿势识别的正确率；在特定的运动中，可通过可移动设备终端显示出卡路里消耗量及膳食搭配推荐。

在本例中，所述智慧手套的压力传感器数量为一个或者两个以上，所述处理器模块所包括的中央处理器的数目为一个，如附图1所示，被检测的智慧手套上携带两类传感器：压力传感器和IMU惯性单元，这两类传感器将收集到运动数据经过互补滤波、指数均值和ETL等过程传输到中央处理器中，再根据设置的计算模型和机器学习的方法进行手部姿势的识别。

本例在步骤S1中，用户优选通过按钮或开关将整个系统打开，所述按钮和开关可以是通过触摸感应器来实现的按钮和开关，所述按钮和开关可以设置在IMU惯性单元附件，以便于用户操作。

本例所述步骤S2利用异常检测算法识别所获取的运动信息的异常是基于局部异常因子的时间序列异常检测算法，步骤S2中包括以下步骤：

步骤S21，通过压力传感器和IMU惯性单元采集压力数据和运动姿态数据，基于可穿戴计算技术，将获得的加速度传感器、磁传感器和陀螺仪的数据进行滑动均值滤波，以消除背景噪声，所述滑动均值滤波器的滑动窗口宽度为7；

步骤S22，对加速度传感器和陀螺仪的读数采用互补滤波器的方式实现手套姿态的准确估计，该互补滤波器用于结合加速度传感器对于手套姿态角的估计值和陀螺仪对于手套姿态角的估计值；

步骤S23，采用互补滤波器的方式估计出手套在运动过程中的姿态角后，根据力学原理消除掉重力在智慧手套运动方向上的投射分量，提取出由于智慧手套自身运动所产生的加速度值，实现加速度校准；

步骤S24，获取经过校准后的加速度数据，采用一次积分的方式获得智慧手套运动的速度值；

步骤S25，积分得到智慧手套运动的速度值之后，根据智慧手套起始于静止状态并终止于静止状态的运动特征，对智慧手套运动的速度进行校准；

步骤S26，对所得速度值进行一次积分，从而得到智慧手套运动的位移大小。

步骤S22中，通过互补滤波器实现数据的分析处理，物体在空间中的姿态，可由加速度和角速度结合相应进而达到准确估计的目的，因此，所述步骤S22通过互补滤波器结合加速度传感器测量的手套姿态角的估计值和陀螺仪测量的手套姿态角的估计值，进而得到手套姿势的准确估计。步骤S23中，提取出由于智慧手套自身运动所产生的加速度值，也就是要滤除掉智慧手套在三维坐标的三个方向上的加速度分量，这一点可以通过互补滤波或卡曼滤波等方式实现。步骤24中，为了较少积分后的速度漂移，积分只针对对应于手套运动时的加速度值，为此，指数均值(EMA)被采用作为判断手套加速度值对应于手套的静止状态还是运动状态；当滑动窗口内指数均值大于阈值时，该窗口内的加速度被判断为对应于手套的运动状态；反之，则被判断为对应于手套的静止状态；当判断过程完成后，积分只被作用于对应手套运动状态下的加速度值，从而获得相应的速度值，而对应于手套静止状态下的加速度值则被视为零值；所述阈值是在数据处理过程中，结合传感器、算法以及用户需求进行综合确定，不同的情况下，此阈值会有所不同。所述步骤S25中，采用步骤S24所述的指数均值(EMA)判断手套的运动状态，当判定为静止时，则将对应的速度值强制设置为0。

本例还包括用于卡路里消耗和手部姿势识别的调整一类支持向量机的高维特征模型，所述步骤S4包括以下步骤：

步骤S41A，结合步骤S2所得到的位移值，结合薄膜压力传感器的读数，经过步骤S3的处理，计算出手套运动所做的功，按照建立的功与卡路里消耗的关系模型计算卡路里消耗；

步骤S42B，记录卡路里的消耗，并进行膳食搭配和营养均衡的提醒；

步骤S42A，基于统计学习理论预先建立高维特征模型，所述高维特征模型以设定空间内由于各项姿态偏离动作导致的信息变化的异常模式作为训练样本；

步骤S41B，将异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类，并判断出运动姿态是否发生偏离，若是则发出警示信号。

所述关系模型为根据人体在运动过程中对外输出的机械功通过转化因子与人体在这一过程中消耗的卡路里联系起来，结合测力传感器的读数和重构所得运动轨迹来计算功，从而计算出消耗的卡路里进而将目标动作类和其他动作类进行区分。

本例根据手套姿势做功与卡路里之间的关系来构建出模型，从而来进行计算分析，功与能量之间可用运动状态来表示，体现出运动开始时刻、运动结束时刻和运动的瞬时速度；因为不是所有的内能用来做功，一部分内能由于热量消耗，血液流动而损耗，人体的内能按照一定的比率转化成功。能量流失的计量按照以下的公式来计算：W_power＝η·E_cal。

其中，η表示卡路里消耗转为机械功的效率，E_cal表示人体运动过程中消耗高的卡路里，W_power表示人体运动过程中对外输出的机械功。基于机器学习的相关知识，构建出做功与卡路里消耗之间的模型关系。可穿戴计算中测量机械功，通常是测量运动轨迹从而计算出来人体所做的功。进一步，测量运动轨迹是用一些常见的传感器例如加速度传感器和重力传感器来实现。

实施例3：

如图4所示，本例还提供一种卡路里消耗和手部姿势识别的系统，采用了实施例2所述的卡路里消耗和手部姿势识别的方法，并包括以下模块：

信号获取与计算模块41，用于收集智慧手套运动状态时的信号，并评估运动状态信息加以初步计算；

异常检测模块42，用于通过异常检测算法识别信号是否变化的异常；

动作判断模块43，用于将目标动作类和其他动作类进行区分的一类支持向量机，以超出力量训练阈值所导致的异常模式作为目标动作类，并判断智慧手套的运动姿势是否发生姿势偏离；

以及，警报模块44，用于当判断发生姿态偏离时发出警示信号。

本例所述信号获取与计算模块41包括以下单元：

感应采集单元411，用于开启整个系统并收集运动数据，收集的运动数据包括力量训练方向上的力和三维坐标各个方向上的运动数据；

数据处理单元412，用于对每一个方向上的力和运动信息求得平均值，将此平均值作为运动状态信息；

平滑单元413，针对数据处理单元412所得到的数据进行ETL分析，并通过滑动平均方法对运动状态信息进行平滑处理。

所述感应采集单元411的三维坐标为确定物体在立体空间上的运动状态的x轴、y轴和z轴。

本例所述异常检测模块42包括以下单元：

异常计算单元421，用于对运动状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常数据；

异常输出单元422，用于当所述的异常数据大于或等于预设阈值时，将子序列作为异常模式输出。

优选地，本例利用时间序列异常检测算法，可通过更为精确的检测标准限定，将标准和异常两种姿势所对应的时间序列分离出去，排除此两种常见的人体动作造成的异常模式。

所述异常检测模块42采用的是基于支持向量机的多维空间数据判别算法，该异常检测模块42进行姿势异常检测原理为：首先按照标准的姿势将所有姿势做几遍，所述标准的姿势可以参考教学视频或者教练在一旁指导，然后提取出用户的源数据和每一个动作的运动轨迹，并保存作为参照；然后，当用户进行健身运动时，将用户此时的健身手部运动轨迹与参照轨迹进行对比，比如通过相似度比较的方式进行对比，即可判断出用户运动时的姿势是否标准，以及标准程度，所述标准程度也就是与参考轨迹的相似程度；获取的数据是随着时间而产生的，也就是时间序列模型，为便于实现数据分析和处理，本例对获取的数据进行分割，而子序列指的是截取一段由感知模块获取并经过ETL过程的数据，至于子序列的长度和数据量，根据系统的处理能力可以自定义设置；所述局部异常数据是指在子序列中，按照支持向量机的方法计算，部分数据明显与此子序列的其他数据有偏差的数据；所述预设阀值为预先设置的阀值，是在数据处理过程中，结合传感器、算法以及用户需求进行综合确定，不同的情况下，此阈值会有所不同。

本例所述动作判断模块43包括以下单元：

建立模型单元431，用于基于统计学习理论预设建立高维特征模型，所述高维特征模型以设定空间内由于各项人体动作导致运动状态信息变化的异常模式作为训练样本；

动作识别单元432，用于将异常输出单元422所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。

本例还优选包括反馈模块45，用于反馈针对手部姿势警报信号的响应信息，调整一类支持向量机的高维特征模型。

本例获取的数据是随着时间而产生的，也就是时间序列模型，为便于实现数据分析和处理，本例对获取的数据进行分割，而子序列指的是截取一段由感知模块获取并经过ETL过程的数据，至于子序列的长度和数据量，根据系统的处理能力可以自定义设置；所述局部异常数据是指在子序列中，按照支持向量机的方法计算，部分数据明显与此子序列的其他数据有偏差的数据；所述预设阀值为预先设置的阀值，是在数据处理过程中，结合传感器、算法以及用户需求进行综合确定，不同的情况下，此阈值会有所不同。

在完成异常检测模块42后，部分运动动作将因为造成运动状态信息的明显变化被检测到而输出对应的异常模式。然后，对这些异常模式将进入动作分析，从而判断异常模式是属于何种动作。为了从这些模式中区别出异常动作，本例使用了从异常模式中所提取过的特征的一类支持向量机(one-class Support Vector Machine,one-class SVM)；一类SVM是一种扩展的支持向量机算法，在一类SVM，所有的样本分为目标类和其他类；为了解决非线性分类的问题，将输入样本映射成一个高维图像。在本例中，非标准姿势的异常模式被视作目标动作类，而其他动作的异常模式被视作为其他动作类。非标准动作的异常模式亦已经被事先映射成一个高维图像。通过利用一类SVM判断，可以从上一步骤输出的异常模式中分离出摔倒动作来，依赖于由输出的异常模式和选定的模型，从而决定发生了何种动作。

本例还优选包括用于调整完善一类支持向量机的高维特征模型，提供可以优化检测和决策算法的系统反馈。如果警报没有及时被关闭，系统则会通过信号关联的其他设备向他人发出求助信息，比如通过第三方应用发送即时信息或短信等求助。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种卡路里消耗和手部姿势识别的智慧手套，其特征在于，包括：处理器模块、存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器，所述存储模块、通信模块、感知模块、预警提示模块、显示模块、电源模块、开关模块和云服务器分别与处理器模块相连接，其中，所述感知模块包括压力传感器和IMU惯性单元，所述压力传感器和IMU惯性单元分别用于负责感应用户健身过程中的手部受压力量大小和IMU数据，进而针对用户力量训练收集源数据，并将所述源数据传送给处理器模块；所述处理器模块负责对源数据的预处理；所述存储模块负责存储处理器模块预处理的结果以及从云服务器传回的处理结果；所述通信模块负责将源数据、预处理后的数据传至云服务器，供云服务器作进一步的数据处理和分析，并负责将云服务器处理的结果传回至智慧手套；所述预警提示模块则负责当用户动作不标准、运动超量或者受力不当中任意一种情况时给用户发出警示；所述显示模块负责将用户健身过程中的动作类型、消耗卡路里和姿势标准度的结果显示出来；

所述压力传感器设置在手掌握力处，所述IMU惯性单元设置在手腕处；在使用过程中，先按照标准姿势将所有姿势做几遍，然后通过感知模块提取出用户的源数据和每一个动作的运动轨迹，并保存作为参照；然后，当用户进行健身运动时，将用户此时的健身手部运动轨迹与参照轨迹进行对比；当用户卡路里消耗和手部姿势与参照数据之间的差值超过了预设的阀值时，所述预警提示模块发出报警提示；

通过处理器模块接收压力传感器和IMU惯性单元测量出所需的运动数据，建立出运动信号和力量训练动作的关系；所述处理器模块对源数据进行的预处理中，采用指数均值作为判断手套加速度值对应于手套的静止状态还是运动状态的判断标准；当滑动窗口内指数均值大于阈值时，该窗口内的加速度被判断为对应于手套的运动状态；反之，则被判断为对应于手套的静止状态；当判断过程完成后，对应于手套静止状态下的加速度值则被视为零值；当判定为静止状态时，则将对应的速度值强制设置为0。

2.一种卡路里消耗和手部姿势识别的方法，其特征在于，采用了权利要求1所述的智慧手套，并包括以下步骤：

步骤S1，利用压力传感器的薄膜压力传感器和IMU惯性单元来搜集力量训练时的源数据；

步骤S2，将源数据传输到处理器模块进行处理；

步骤S3，将接收到的压力传感器和IMU惯性单元所获取的数据进行ETL过程，进行ETL分析，所述ETL过程为通过ETL技术对步骤S2所得到的数据进行抽取、转置、加载和交付的过程；

以及，步骤S4，计算出消耗的卡路里，通过支持向量机建立分类模型，将超出力量训练的源数据作为目标动作类，其他的作为非目标动作类；然后判断是否超出力量训练的阈值，若是则发出提醒信号，若否则将数据传输到可移动设备进行记录，并推荐膳食食谱、营养搭配及训练计划。

3.根据权利要求2所述的卡路里消耗和手部姿势识别的方法，其特征在于，在步骤S1中，用户通过按钮或开关将整个系统打开，所述智慧手套的感知模块上设置有一个或两个以上的压力传感器。

4.根据权利要求2所述的卡路里消耗和手部姿势识别的方法，其特征在于，在步骤S2中包括以下步骤：

步骤S21，通过压力传感器和IMU惯性单元采集压力数据和运动姿态数据，基于可穿戴计算技术，将获得的加速度传感器、磁传感器和陀螺仪的数据进行滑动均值滤波，以消除背景噪声，滑动均值滤波器的滑动窗口宽度为7；

步骤S22，对加速度传感器和陀螺仪的读数采用互补滤波器的方式实现手套姿态的准确估计，该互补滤波器用于结合加速度传感器对于手套姿态角的估计值和陀螺仪对于手套姿态角的估计值；

步骤S23，采用互补滤波器的方式估计出手套在运动过程中的姿态角后，根据力学原理消除掉重力在智慧手套运动方向上的投射分量，提取出由于智慧手套自身运动所产生的加速度值，实现加速度校准；

步骤S24，获取经过校准后的加速度数据，采用一次积分的方式获得智慧手套运动的速度值；

步骤S25，积分得到智慧手套运动的速度值之后，根据智慧手套起始于静止状态并终止于静止状态的运动特征，对智慧手套运动的速度进行校准；

步骤S26，对所得速度值进行一次积分，从而得到智慧手套运动的位移大小。

5.根据权利要求4所述的卡路里消耗和手部姿势识别的方法，其特征在于，所述步骤S4包括以下步骤：

步骤S41A，结合步骤S2所得到的位移值，结合薄膜压力传感器的读数，经过步骤S3的处理，计算出手套运动所做的功，按照建立的功与卡路里消耗的关系模型计算卡路里消耗；

步骤S42B，记录卡路里的消耗，并进行膳食搭配和营养均衡的提醒；

步骤S42A，基于统计学习理论预先建立高维特征模型，所述高维特征模型以设定空间内由于各项姿态偏离动作导致的信息变化的异常模式作为训练样本；

步骤S41B，将异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类，并判断出运动姿态是否发生偏离，若是则发出警示信号。

6.一种卡路里消耗和手部姿势识别的系统，其特征在于，采用了权利要求2至5任意一项所述的卡路里消耗和手部姿势识别的方法，并包括以下模块：

信号获取与计算模块，用于收集智慧手套运动状态时的信号，并评估运动状态信息加以初步计算；

异常检测模块，用于通过异常检测算法识别信号是否变化的异常；

动作判断模块，用于将目标动作类和其他动作类进行区分的一类支持向量机，以超出力量训练阈值所导致的异常模式作为目标动作类，并判断智慧手套的运动姿势是否发生姿势偏离；

以及，警报模块，用于当判断发生姿态偏离时发出警示信号。

7.根据权利要求6所述的卡路里消耗和手部姿势识别的系统，其特征在于，所述信号获取与计算模块包括以下单元：

感应采集单元，用于开启整个系统并收集运动数据，收集的运动数据包括力量训练方向上的力和三维坐标各个方向上的运动数据；

数据处理单元，用于对每一个方向上的力和运动信息求得平均值，将此平均值作为运动状态信息；

平滑单元，针对数据处理单元所得到的数据进行ETL分析，并通过滑动平均方法对运动状态信息进行平滑处理。

8.根据权利要求6所述的卡路里消耗和手部姿势识别的系统，其特征在于，所述异常检测模块包括以下单元：

异常计算单元，用于对运动状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常数据；

异常输出单元，用于当所述的异常数据大于或等于预设阈值时，将子序列作为异常模式输出。

9.根据权利要求8所述的卡路里消耗和手部姿势识别的系统，其特征在于，所述动作判断模块包括以下单元：

建立模型单元，用于基于统计学习理论预设建立高维特征模型，所述高维特征模型以设定空间内由于各项人体动作导致运动状态信息变化的异常模式作为训练样本；

动作识别单元，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。

10.根据权利要求6所述的卡路里消耗和手部姿势识别的系统，其特征在于，还包括反馈模块，用于反馈针对手部姿势警报信号的响应信息，调整一类支持向量机的高维特征模型。