CN105030260B - 运动状态判断方法及脚部穿戴物 - Google Patents
运动状态判断方法及脚部穿戴物 Download PDFInfo
- Publication number
- CN105030260B CN105030260B CN201510447571.4A CN201510447571A CN105030260B CN 105030260 B CN105030260 B CN 105030260B CN 201510447571 A CN201510447571 A CN 201510447571A CN 105030260 B CN105030260 B CN 105030260B
- Authority
- CN
- China
- Prior art keywords
- pressure
- judged
- cycle
- amplitude
- work
- 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
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种运动状态判断方法及脚部穿戴物,包括如下步骤:S10:采集前脚掌和后脚掌在周期T内的压力幅值,根据压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3。S20:将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。上述运动状态判断方法不容易受到其他无关动作的干扰,判断精确度较高。上述运动状态判断方法所采用的算法复杂度也较低。此外,通过引入加速度幅值、角度幅值的绝对值的最大值及角速度幅值的绝对值的最大值的特征,可以使得判断运动状态更精确。
Description
技术领域
本发明涉及运动状态判断技术领域,特别是涉及一种运动状态判断方法及脚部穿戴物。
背景技术
随着智能穿戴式设备的兴起和发展,为了提高在同类产品中的竞争力,智能穿戴式设备的开发商在不断地开发智能穿戴式设备的新功能。其中,在智能穿戴式设备上植入用户运动状态判断功能,已成为智能穿戴式设备用于提高产品竞争力的一项新功能。
目前,现有的对用户运动状态进行判断的方法一般是通过提取用户移动的加速度曲线的特征来判断各种运动状态。例如,若用户移动的加速度大于预设阈值,则将用户的运动状态判断为非静止状态,若用户移动的加速度小于或等于预设阈值,则将用户的运动状态判断为静止状态。当处于其他步行、跑步、骑自行车、乘坐交通工具等运动状态时,则需要将提取的加速度曲线特征与运动状态参考库的时域或频域特征进行对比分类。
然而,单一的加速度特征容易受到各种其他无关动作的干扰,运动状态判断精确度较低,即使是采用复杂的机器学习领域的SVM支持向量机算法也依然很难达到较高的判断精确度。
发明内容
基于此,有必要提供一种判断精确度较高的运动状态判断方法及脚部穿戴物。
一种运动状态判断方法,包括如下步骤:
S10:采集前脚掌和后脚掌在周期T内的压力幅值,根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3;
S20:将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。
在其中一个实施例中,当所述压力幅值大于预设压力幅值时,得到有效计步压力幅值;
所述有效计步步数根据所述有效计步压力幅值的个数得到;
所述有效计步压力幅值的持续时间根据所述预设压力幅值及所述有效计步压力幅值得到。
在其中一个实施例中,所述步骤S20具体包括:
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为所述预设值。
在其中一个实施例中,K1=2、K2=2、K3=0.5、K4=0.5、K5=2、K6=5、K7=2、K8=5、K9=600、K10=1000、K11=600、K12=1000、K13=5、K14=800、K15=800、K16=5、K17=2、K18=1200、K19=3、K20=0和K21=1000。
在其中一个实施例中,所述步骤S10还包括:采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,其中,x为前进方向,y为左右方向,z为垂直方向;
所述步骤S20还包括:当D1>K16,D3=K20,M1>K18或M1<K21时,若(az-g)>C1*g,且ax和az的所述加速度幅值出现的时间差小于预设时间,则判断为快跑,否则判断为骑车,其中,6<C1<10,g为重力加速度。
在其中一个实施例中,所述步骤S10还包括:采集脚掌在所述周期T内的加速度幅值,采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度;
所述步骤S20还包括:当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行。
在其中一个实施例中,所述步骤S10还包括:采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在所述周期T内的最大压力幅值,分别定义为X1、X2、X3及X4,采集脚掌在所述周期T内的角度幅值的绝对值的最大值,定义为βx、βy和βz,并采集脚掌在所述周期T内的角速度幅值的绝对值的最大值,定义为ωx、ωy和ωz,其中,x为前进方向,y为左右方向,z为垂直方向,
若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于所述预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4;
所述步骤S20还包括:当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4)或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4)或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒。
一种脚部穿戴物,包括本体及设置于所述本体上的至少两个压力传感器,以及与所述至少两个压力传感器电性连接的处理器,所述至少两个压力传感器分别设置于所述本体对应前脚掌和后脚掌的部位,
所述至少两个压力传感器用于分别采集前脚掌和后脚掌在周期T内的压力幅值;
所述处理器用于根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3;
所述处理器用于将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。
在其中一个实施例中,所述处理器用于判断获取运动状态;
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为所述预设值。
在其中一个实施例中,还包括设置于所述本体上并与所述处理器电性连接的惯性传感器,
所述惯性传感器用于采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,其中,x为前进方向,y为左右方向,z为垂直方向;
所述处理器用于当D1>K16,D3=K20,M1>K18或M1<K21时,若(az-g)>C1*g,且ax和az的所述加速度幅值出现的时间差小于预设时间,则判断为快跑,否则判断为骑车,其中,6<C1<10,g为重力加速度;
所述处理器还用于对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度;
所述处理器还用于当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行。
在其中一个实施例中,所述至少两个压力传感器为四个,分别设置于前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧,
所述四个压力传感器分别用于采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在所述周期T内的最大压力幅值,分别定义为X1、X2、X3及X4,
所述惯性传感器用于采集脚掌在所述周期T内的角度幅值的绝对值的最大值,定义为βx、βy和βz,还用于采集脚掌在所述周期T内的角速度幅值的绝对值的最大值,定义为ωx、ωy和ωz,其中,x为前进方向,y为左右方向,z为垂直方向;
所述处理器用于若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于所述预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4;
所述处理器还用于当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4),或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4),或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒。
在其中一个实施例中,所述处理器包括处理模块以及通讯模块,所述处理模块与所述压力传感器及所述惯性传感器电性连接,所述通讯模块与所述处理模块电性连接,
所述处理模块用于根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3;
所述处理模块还用于判断获取运动状态;
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为预设值;
所述处理模块还用于当D1>K16,D3=K20,M1>K18或M1<K21时,若(az-g)>C1*g,且ax和az的所述加速度幅值出现的时间差小于预设时间,则判断为快跑,否则判断为骑车,其中,6<C1<10,g为重力加速度;
所述处理模块还用于对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度;
所述处理模块还用于当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行;
所述处理模块还用于若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于所述预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4;
所述处理模块还用于当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4),或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4),或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒;
所述通讯模块用于接收所述处理模块发送的运动状态信号。
在其中一个实施例中,所述脚部穿戴物为鞋子、鞋垫或袜子。
在其中一个实施例中,前脚掌和后脚掌分别设置有压力传感器,前脚掌和后脚掌在所述周期T内的所述压力幅值通过对应的所述压力传感器感测得出,
脚掌设置有惯性传感器,在所述周期T内的所述加速度幅值的平均值、所述角度幅值的绝对值及所述角速度幅值的绝对值通过所述惯性传感器感测获得。
在其中一个实施例中,所述前脚掌的内侧向外侧设置有至少两个压力传感器,所述后脚掌的内侧向外侧设置有至少两个压力传感器,所述前脚掌的压力幅值由前脚掌的所述至少两个压力传感器感测的数值进行加权后获得,所述后脚掌的压力幅值由后脚掌的所述至少两个压力传感器感测的数值进行加权后获得。
上述运动状态判断方法通过有效计步步数、有效计步压力幅值的平均值以及有效计步压力幅值的持续时间的平均值与多个不同的预设值进行比对以判断出获得运动状态,且不容易受到其他无关动作的干扰,判断精确度较高。此外,相对于单纯地提取用户移动的加速度曲线的特征以及采用机器学习领域的SVM支持向量机等复杂度较高的算法来判断各种运动状态,该运动状态判断方法所采用的算法复杂度较低,算法所需的功耗也较低。此外,通过引入加速度幅值、角度幅值的绝对值的最大值及角速度幅值的绝对值的最大值的特征,可以使得判断运动状态更精确。
附图说明
图1为一实施方式的运动状态判断方法的步骤流程图;
图2为一实施例的慢跑的压力波形曲线图;
图3为一实施方式的脚部穿戴物的结构示意图;
图4为一实施方式的处理器的功能模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
请参阅图1,其为一实施方式的运动状态判断方法的流程图。该运动状态判断方法包括如下步骤:
S10:采集前脚掌和后脚掌在周期T内的压力幅值,根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3。
可以理解,用户在运动时,根据不同的运动状态,脚部在一定时间内走过的步数、脚部对地面的压力、以及脚部的前脚掌和后脚掌分别着地的压力等参数均存在着差异。因此,通过在采集前脚掌和后脚掌在周期T内的压力幅值,并通过压力幅值得到有效计步步数、有效计步压力幅值的平均值以及有效计步压力幅值的持续时间的平均值可以判断出用户的运动状态,且不容易受到其他无关动作的干扰,例如,头部、手部和腰部做出的无关动作,判断精确度较高。
在一个实施例中,前脚掌和后脚掌分别设置有压力传感器,前脚掌和后脚掌在周期T内的压力幅值通过对应的压力传感器感测得出。
在一个实施例中,周期T为3~8秒,通过在3~8秒内采集的压力幅值,可以得到有效且稳定的数据,以对运动状态进行判断。当然,周期T不局限于3~8秒,在实际情况中,还可以对周期T进行调整,例如,当压力幅值采集的对象为儿童时,由于儿童运动的幅度较小,即在一定时间内的走过的步数较少,那么周期T可以适当加长;又如,当压力幅值采集的对象为活泼好动的成人时,由于活泼好动的成人运动的幅度较大,即在一定时间内的走过的步数较多,那么周期T可以适当减短。因此,周期T的选取需要根据数据采集者的日常运动情况进行调整,以确保可以得到有效且稳定的压力幅值以对运动状态进行判断。优选的,周期T为5秒,普适性较强。
在一个实施例中,当压力幅值大于预设压力幅值时,得到有效计步压力幅值。也就是说,当用户的脚部施压后,且压力的变化产生极值时,就会产生一个压力幅值,而当压力幅值大于预设压力幅值时,则认为该压力幅值为有效计步压力幅值,以减少用户的脚部的无序抖动所产生的影响,判断精确度较高。
在一个实施例中,有效计步步数根据有效计步压力幅值的个数得到。
在一个实施例中,有效计步压力幅值的持续时间根据预设压力幅值及有效计步压力幅值得到。具体的,有效计步压力幅值的持续时间为有效计步压力幅值的压力波形走势向上穿过预设压力幅值和向下穿过预设压力幅值的前后时间差。
S20:将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。
在其中一个实施例中:步骤S20具体包括;
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为所述预设值。
在步骤S20中,通过有效计步步数、有效计步压力幅值的平均值以及有效计步压力幅值的持续时间的平均值与多个不同的预设值进行对比以判断出获得运动状态,且不容易受到其他无关动作的干扰,判断精确度较高。此外,相对于单纯地提取用户移动的加速度曲线的特征以及采用复杂的机器学习领域的SVM支持向量机等算法来判断各种运动状态,该运动状态判断方法所采用的算法复杂度较低,算法所需的功耗也较低。
在一个实施例中,K1=2、K2=2、K3=0.5、K4=0.5、K5=2、K6=5、K7=2、K8=5、K9=600、K10=1000、K11=600、K12=1000、K13=5、K14=800、K15=800、K16=5、K17=2、K18=1200、K19=3、K20=0和K21=1000。
更具体的,采用如下算法判断并获取运动状态;
当D1<2,D3<2,且t1≤0.5秒或t3≤0.5秒时,则判断为静坐;
当D1<2,D3<2,且t1>0.5秒或t3>0.5秒时,则判断为站立;
需要说明的是,静坐或站立的压力波峰的宽度较宽,即站立的有效计步压力幅值的持续时间的平均值大于预设值时,则认定为站立。
当2≤D1≤5,2≤D3≤5时,且600<M1≤1000,600<M3≤1000时,则判断为步行;
当2≤D1≤5,2≤D3≤5时,且M1>1000,M3≤600时或者M1≤600,M3>1000,则判断为爬楼;
当D1>5,D3>5时,且M1>800,M3>800时,则判断为慢跑;
当D1>5,D3<2时,且M3>1200时,则判断为快跑;
当3<D1≤5,D3=0时,且1000<M3≤1200时,则判断为骑车。
为了更好地对上述运动状态判断方法进行解释,请参阅图2,其为一实施例的慢跑的压力波形曲线图。横轴(时间轴):时间(100信号瞬时值)=1s,即1秒。纵轴(压力轴):1信号瞬时值=1/4096的压力量程,其中,压力量程与压力传感器的特性有关,在本实施例中,上述压力量程为2*106Pa,例如,纵轴800就代表(800/4096)*2*106Pa。本实施例中,选取右脚作为测量对象,其中,Heel-left为后脚掌-内侧,Heel-right为后脚掌-外侧,middlefoot为脚掌中部,Forefoot-right为前脚掌-外侧,Forefoot-middle为前脚掌-中部,Forefoot-left为前脚掌-内侧。
参照图2可以看出,慢跑运动在横轴(时间轴)780信号瞬时值~880信号瞬时值的时间段内,即在1秒的时间段内,单一只脚有两个波峰,即有两个压力幅值,当预设压力幅值为300时,有效计步压力幅值为两个,再考虑到左右脚都走了相同的步数,那么可以得到在1秒的时间段内,有4个有效计步步数。
在一个实施例中,预设压力幅值为300~500。当然,预设压力幅值不局限于300~500,在实际情况中,还可以对预设压力幅值进行调整,例如,当预设压力幅值针对的对象为儿童时,其体重较轻,那么预设压力幅值可以适当减小;又如,预设压力幅值针对的对象为成人时,其体重较重,那么预设压力幅值可以适当增加。因此,预设压力幅值的选取需要根据数据采集者的体重进行调整,以确保可以得到有效且准确的有效计步步数以对运动状态进行判断。优选的,预设压力幅值为300,普适性较强。
因此,根据数据采集者的日常运动情况以及体重可以对如下预设值:K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21进行调整,以达到更高的判断精确度。对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,对预设值和预设压力幅值做出的修改和调整,都属于本发明的保护范围。
在一个实施例中,为了解决在判断快跑和骑车,步行和爬楼的运动状态时,产生冲突并无法识别的问题。
所述步骤S10还包括:采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,其中,x为前进方向,y为左右方向,z为垂直方向。
所述步骤S20还包括:当D1>K16,D3=K20,M1>K18或M1<K21时,若(az-g)>C1*g,且ax和az的所述加速度幅值出现的时间差小于预设时间,则判断为快跑,否则判断为骑车,其中,6<C1<10,g为重力加速度。
在其中一个实施例中,所述预设时间为0.05秒~0.2秒。
这样,当在判断快跑和骑车的运动状态时,步行和爬楼的判断标准产生冲突时,引入与加速度相关的判断标准,可以解决在判断快跑和骑车的运动状态时,产生冲突并无法识别的问题,判断精确度较高。
在一个实施例中,脚掌设置有惯性传感器,在所述周期T内的所述加速度幅值的平均值、所述角度幅值的绝对值及所述角速度幅值的绝对值通过所述惯性传感器感测获得。优选的,惯性传感器为六轴惯性传感器。六轴惯性传感器包括三轴陀螺仪和三轴加速传感器。更优选的,惯性传感器为九轴惯性传感器。九轴惯性测量传感器包括三轴陀螺仪、三轴加速传感器和三轴磁感应传感器。脚掌在所述周期T内的加速度幅值通过惯性传感器的三轴加速传感器采集得到。
在一个实施例中,为了判断在快跑、骑车和爬楼等运动状态时,出现意外摔倒的情况,例如,还可以将该摔倒状态的信号发送至摔倒者的亲友,以进行有效的后续救援和监控。
所述步骤S10还包括:采集脚掌在所述周期T内的加速度幅值,采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度;
所述步骤S20还包括:当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行。
在本实施例中,所述步骤S10还包括:采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在所述周期T内的最大压力幅值,分别定义为X1、X2、X3及X4,采集脚掌在所述周期T内的角度幅值的绝对值的最大值,定义为βx、βy和βz,并采集脚掌在所述周期T内的角速度幅值的绝对值的最大值,定义为ωx、ωy和ωz,其中,x为前进方向,y为左右方向,z为垂直方向。
若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于所述预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4。
所述步骤S20还包括:当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
左右压力平衡,条件A:(P1+P3)>Y1*(P2+P4),或P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
前后压力平衡,条件B:(P1+P2)>Y2*(P3+P4),或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
角度峰值,条件C:βx>β1度或βy>β2度;
角速度峰值,条件D:ωx>ω1度/秒或ωy>ω2度/秒。
在其中一个实施例中,60<β1<90,60<β2<90,100<ω1<200,100<ω2<200。
这样,当在判断快跑、骑车和爬楼等运动状态,并出现意外摔倒的情况时,通过判断当前所述周期T内的X1、X2、X3或X4是否大于1000,且下一个所述周期T内的X1、X2、X3和X4是否均小于所述预设压力幅值,来开启摔倒状态的判断,并引入在所述周期T内的角度幅值的绝对值的最大值、角速度幅值的绝对值的最大值、左右压力平衡和前后压力平衡来判断是否为摔倒状态,判断精确度较高。例如,当判断为摔倒状态时,还将该摔倒状态的信号发送至摔倒者的亲友,以进行有效的后续救援和监控。
在一个实施例中,脚掌设置有惯性传感器,所述角度幅值的绝对值及所述角速度幅值的绝对值通过所述惯性传感器感测获得。
在一个实施例中,设置至少四个压力传感器,分别设置于前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧,用于分别采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在多个所述周期T内的压力幅值。脚掌在所述周期T内的角度幅值和角速度幅值通过惯性传感器的三轴陀螺仪采集得到。
在其中一个实施例中,所述前脚掌的内侧向外侧设置有至少两个压力传感器,所述后脚掌的内侧向外侧设置有至少两个压力传感器,所述前脚掌的压力幅值由前脚掌的所述至少两个压力传感器感测的数值进行加权后获得,所述后脚掌的压力幅值由后脚掌的所述至少两个压力传感器感测的数值进行加权后获得。
上述运动状态判断方法通过有效计步步数、有效计步压力幅值的平均值以及有效计步压力幅值的持续时间的平均值与多个不同的预设值进行对比以判断出获得运动状态,且不容易受到其他无关动作的干扰,判断精确度较高。此外,相对于单纯地提取用户移动的加速度曲线的特征以及采用机器学习领域的SVM支持向量机等复杂度较高的算法来判断各种运动状态,该运动状态判断方法所采用的算法复杂度较低,算法所需的功耗也较低。
请参阅图3,其为一实施方式的脚部穿戴物10的结构示意图。
脚部穿戴物10包括本体100及设置于本体100上的至少两个压力传感器200,以及与至少两个压力传感器200电性连接的处理器300,至少两个压力传感器200分别设置于本体100对应前脚掌和后脚掌的部位。
在本实施例中,处理器300设置于本体100上,可以理解,处理器300还可以设置于本体100外,确保处理器300与至少两个压力传感器200电性连接即可。
至少两个压力传感器200用于分别采集前脚掌和后脚掌在周期T内的压力幅值。
处理器300用于根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3。
处理器300用于将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。
在其中一个实施例中,处理器300用于判断获取运动状态;
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为预设值。
在一个实施例中,K1=2、K2=2、K3=0.5、K4=0.5、K5=2、K6=5、K7=2、K8=5、K9=600、K10=1000、K11=600、K12=1000、K13=5、K14=800、K15=800、K16=5、K17=2、K18=1200、K19=3、K20=0和K21=1000。
首先,上述脚部穿戴物10通过设置于本体100上的至少两个压力传感器200采集前脚掌和后脚掌在周期T内的压力幅值,处理器300再根据压力幅值得到有效计步步数、有效计步压力幅值的平均值以及有效计步压力幅值的持续时间的平均值与多个不同的预设值进行对比以判断出获得运动状态,且不容易受到其他无关动作的干扰,判断精确度较高。
其次,上述脚部穿戴物10用于将多个压力传感器和惯性传感器贴合在脚掌上,解决了一般运动手环或运动手表等穿戴式设备容易产生干扰数据的状况,运动状态判断精确度会更高。且由于不需要再佩戴其他设备,用户的体验和接收度会更高。
最后,相对于现有的智能穿戴式设备,采用机器学习领域的SVM支持向量机等复杂度较高的算法来判断各种运动状态,而造成高功耗,续航时间较短和用户体验度较低的问题,上述脚部穿戴物10所采用的算法复杂度较低,算法所需的功耗也较低,极大地提高了续航时间和用户体验度。
请参阅图1,脚部穿戴物10还包括设置于本体100上并与处理器300电性连接的惯性传感器400。
惯性传感器400用于采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,其中,x为前进方向,y为左右方向,z为垂直方向。
处理器300用于当D1>K16,D3=K20,M1>K18或M1<K21时,若(az-g)>C1*g,且ax和az的所述加速度幅值出现的时间差小于预设时间,则判断为快跑,否则判断为骑车,其中,6<C1<10,g为重力加速度。
在其中一个实施例中,所述预设时间为0.05秒~0.2秒。
处理器300还用于对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度。
处理器300还用于当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行。
请参阅图1,至少两个压力传感器400为四个,分别设置于前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧。
四个压力传感器400分别用于采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在所述周期T内的最大压力幅值,分别定义为X1、X2、X3及X4,
惯性传感器400用于采集脚掌在所述周期T内的角度幅值的绝对值的最大值,定义为βx、βy和βz,还用于采集脚掌在所述周期T内的角速度幅值的绝对值的最大值,定义为ωx、ωy和ωz,其中,x为前进方向,y为左右方向,z为垂直方向。
处理器300用于若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于所述预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4;
处理器300还用于当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4)或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4)或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒。
在其中一个实施例中,60<β1<90,60<β2<90,100<ω1<200,100<ω2<200。
请参阅图4,其为一实施方式的处理器300的功能模块图。
处理器300包括处理模块310以及通讯模块320,请一并参阅图3,处理模块310与压力传感器320及惯性传感器400电性连接,通讯模块320与处理模块310电性连接。
处理模块310用于根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3。
处理模块310还用于判断获取运动状态;
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为预设值;
处理模块310还用于当D1>K16,D3=K20,M1>K18或M1<K21时,若(az-g)>C1*g,且ax和az的所述加速度幅值出现的时间差小于预设时间,则判断为快跑,否则判断为骑车,其中,6<C1<10,g为重力加速度。
在其中一个实施例中,所述预设时间为0.05秒~0.2秒。
处理模块310还用于对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度。
处理模块310还用于当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行。
处理模块310还用于若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于所述预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4。
处理模块310还用于当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4)或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4)或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒。
在其中一个实施例中,60<β1<90,60<β2<90,100<ω1<200,100<ω2<200。
当判断并获得运动状态时,处理模块310向通讯模块320发送运动状态信号,通讯模块320用于接收处理模块310发送的所述运动状态信号。例如,通讯模块320响应所述运动状态信号,并向外部的智能移动设备发送通知信号,如此,可以在外部的智能移动设备上得知运动状态。
需要说明的是,上述脚部穿戴物10包括但不局限于鞋子、鞋垫或袜子。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种运动状态判断方法,其特征在于,包括如下步骤:
S10:采集前脚掌和后脚掌在周期T内的压力幅值,根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3;
S20:将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。
2.根据权利要求1所述的运动状态判断方法,其特征在于,所述步骤S20具体包括:
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为所述预设值。
3.根据权利要求2所述的运动状态判断方法,其特征在于,
所述步骤S10还包括:采集脚掌在所述周期T内的加速度幅值,采集脚掌在所述周期T内的加速度幅值的平均值,定义为ax、ay和az,对(az-g)做每个有效计步时间段的二次积分,定位为S,其中,x为前进方向,y为左右方向,z为垂直方向,g为重力加速度;
所述步骤S20还包括:当K5≤D1≤K6,K7≤D3≤K8,且M1>K10或M3>K12时,若二次积分值S/2大于>0.1米,则判断为爬楼,否则判断为步行。
4.根据权利要求2所述的运动状态判断方法,其特征在于,
所述步骤S10还包括:采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在所述周期T内的最大压力幅值,分别定义为X1、X2、X3及X4,采集脚掌在所述周期T内的角度幅值的绝对值的最大值,定义为βx、βy和βz,并采集脚掌在所述周期T内的角速度幅值的绝对值的最大值,定义为ωx、ωy和ωz,其中,x为前进方向,y为左右方向,z为垂直方向,
若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4;
所述步骤S20还包括:当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4)或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4)或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒。
5.一种脚部穿戴物,其特征在于,包括本体及设置于所述本体上的至少两个压力传感器,以及与所述至少两个压力传感器电性连接的处理器,所述至少两个压力传感器分别设置于所述本体对应前脚掌和后脚掌的部位,
所述至少两个压力传感器用于分别采集前脚掌和后脚掌在周期T内的压力幅值;
所述处理器用于根据所述压力幅值得到有效计步步数,分别定义为D1及D3、有效计步压力幅值的平均值,分别定义为M1及M3、以及有效计步压力幅值的持续时间的平均值,分别定义为t1及t3;
所述处理器用于将D1、D3、M1、M3、t1及t3与多个不同的预设值进行比对,判断获取运动状态。
6.根据权利要求5所述的脚部穿戴物,其特征在于,所述处理器用于判断获取运动状态;
当D1<K1,D3<K2,且t1≤K3秒或t3≤K4秒时,则判断为静坐;
当D1<K1,D3<K2,且t1>K3秒或t3>K4秒时,则判断为站立;
当K5≤D1≤K6,K7≤D3≤K8时,且K9<M1≤K10,K11<M3≤K12时,则判断为步行;
当K5≤D1≤K6,K7≤D3≤K8时,且M1>K10,M3≤K11时或M1≤K9,M3>K12,则判断为爬楼;
当D1>K13,D3>K13时,且M1>K14,M3>K15时,则判断为慢跑;
当D1>K16,D3<K17时,且M1>K18时,则判断为快跑;
当K19<D1≤K16,D3=K20时,且K21<M1≤K18时,则判断为骑车;
其中,K1、K2、K3、K4、K5、K6、K7、K8、K9、K10、K11、K12、K13、K14、K15、K16、K17、K18、K19、K20和K21定义为所述预设值。
7.根据权利要求6所述的脚部穿戴物,其特征在于,所述至少两个压力传感器为四个,分别设置于前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧,
所述四个压力传感器分别用于采集前脚掌内侧、前脚掌外侧、后脚掌内侧、后脚掌外侧在所述周期T内的最大压力幅值,分别定义为X1、X2、X3及X4,
所述脚部穿戴物还包括设置于所述本体上并与所述处理器电性连接的惯性传感器,所述惯性传感器用于采集脚掌在所述周期T内的角度幅值的绝对值的最大值,定义为βx、βy和βz,还用于采集脚掌在所述周期T内的角速度幅值的绝对值的最大值,定义为ωx、ωy和ωz,其中,x为前进方向,y为左右方向,z为垂直方向;
所述处理器用于若当前所述周期T内的X1、X2、X3或X4>1000,且下一个所述周期T内的X1、X2、X3和X4均小于预设压力幅值时,则采集在当前所述周期T内的X1、X2、X3和X4中的最大值出现的极值时间,采集在所述极值时间前0.5秒或后0.5秒的所有所述压力幅值,定义为P1、P2、P3和P4;
所述处理器还用于当两只脚中的一只满足下述条件A或条件B,且两只脚同时满足条件C和条件D,且继续检测后续多个所述周期T的时间段,若所有所述压力幅值的平均值均小于所述预设压力幅值时,则判断为摔倒,
条件A:(P1+P3)>Y1*(P2+P4),或(P1+P3)<Y1*(P2+P4),其中,2<Y1<6;
条件B:(P1+P2)>Y2*(P3+P4),或(P1+P2)<Y2*(P3+P4),其中,2<Y2<6;
条件C:βx>β1度或βy>β2度;
条件D:ωx>ω1度/秒或ωy>ω2度/秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510447571.4A CN105030260B (zh) | 2015-07-27 | 2015-07-27 | 运动状态判断方法及脚部穿戴物 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510447571.4A CN105030260B (zh) | 2015-07-27 | 2015-07-27 | 运动状态判断方法及脚部穿戴物 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105030260A CN105030260A (zh) | 2015-11-11 |
CN105030260B true CN105030260B (zh) | 2018-07-03 |
Family
ID=54437662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510447571.4A Active CN105030260B (zh) | 2015-07-27 | 2015-07-27 | 运动状态判断方法及脚部穿戴物 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105030260B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516234A (zh) * | 2015-11-13 | 2016-04-20 | 深圳市微纳集成电路与系统应用研究院 | 一种可穿戴智能设备心跳控制装置和方法 |
CN105651302A (zh) * | 2016-01-15 | 2016-06-08 | 广东欧珀移动通信有限公司 | 提高计步精度的方法、装置及移动终端 |
CN107344009A (zh) * | 2016-05-04 | 2017-11-14 | 江剑华 | 一种智能护腿板 |
CN106264457A (zh) * | 2016-07-28 | 2017-01-04 | 南京为绿生物科技有限公司 | 一种基于物联网技术的医疗健康安全监护方法和系统 |
JP6610626B2 (ja) * | 2017-08-03 | 2019-11-27 | カシオ計算機株式会社 | 活動状況解析装置、活動状況解析方法及びプログラム |
JP7212685B2 (ja) * | 2017-10-24 | 2023-01-25 | アッサ アブロイ アーベー | マルチバイオメトリクスを備えたウェアラブルデバイス |
CN108309305A (zh) * | 2018-01-26 | 2018-07-24 | 陈忠 | 一种基于步态采集的人体状态监控装置及监控方法 |
CN110363959B (zh) * | 2019-05-28 | 2021-01-22 | 哈尔滨理工大学 | 一种基于足底压力和三轴加速度传感器的摔倒判定方法 |
CN111035391B (zh) * | 2019-11-27 | 2021-09-17 | 吉林大学 | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 |
CN112504295B (zh) * | 2020-07-14 | 2022-04-12 | 荣耀终端有限公司 | 骑行检测方法、电子设备及计算机可读存储介质 |
CN112237426A (zh) * | 2020-10-14 | 2021-01-19 | 北京爱笔科技有限公司 | 步伐检测的方法、装置、检测设备以及计算机存储介质 |
CN115553757B (zh) * | 2022-12-06 | 2023-04-07 | 深圳市第二人民医院(深圳市转化医学研究院) | 步态过程中的有效地面反力智能筛选方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101947151A (zh) * | 2010-08-30 | 2011-01-19 | 北京大学 | 一种基于动力膝下假肢的步态识别方法 |
CN102800170A (zh) * | 2012-09-11 | 2012-11-28 | 重庆大学 | 基于多传感器的人体跌倒检测报警器 |
CN103340634A (zh) * | 2013-06-17 | 2013-10-09 | 无锡市中安捷联科技有限公司 | 一种基于加速度变化检测人运动状态的方法 |
CN103876756A (zh) * | 2014-04-18 | 2014-06-25 | 南京工程学院 | 下肢助力外骨骼机器人步态模式识别方法及系统 |
CN103900741A (zh) * | 2014-03-25 | 2014-07-02 | 深圳市豪恩声学股份有限公司 | 可穿戴式智能测定系统及智能鞋 |
CN104434123A (zh) * | 2014-12-04 | 2015-03-25 | 黑龙江大学 | 基于聚类算法的人体运动状态判断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7758523B2 (en) * | 2004-05-24 | 2010-07-20 | Kineteks Corporation | Remote sensing shoe insert apparatus, method and system |
US6892574B1 (en) * | 2004-07-30 | 2005-05-17 | Ming-Jor Lo | Foot pressure testing structure |
KR20140062541A (ko) * | 2012-11-12 | 2014-05-26 | 재단법인대구경북과학기술원 | 스마트 인솔을 이용한 헬스케어 모니터링 시스템 |
-
2015
- 2015-07-27 CN CN201510447571.4A patent/CN105030260B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101947151A (zh) * | 2010-08-30 | 2011-01-19 | 北京大学 | 一种基于动力膝下假肢的步态识别方法 |
CN102800170A (zh) * | 2012-09-11 | 2012-11-28 | 重庆大学 | 基于多传感器的人体跌倒检测报警器 |
CN103340634A (zh) * | 2013-06-17 | 2013-10-09 | 无锡市中安捷联科技有限公司 | 一种基于加速度变化检测人运动状态的方法 |
CN103900741A (zh) * | 2014-03-25 | 2014-07-02 | 深圳市豪恩声学股份有限公司 | 可穿戴式智能测定系统及智能鞋 |
CN103876756A (zh) * | 2014-04-18 | 2014-06-25 | 南京工程学院 | 下肢助力外骨骼机器人步态模式识别方法及系统 |
CN104434123A (zh) * | 2014-12-04 | 2015-03-25 | 黑龙江大学 | 基于聚类算法的人体运动状态判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105030260A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105030260B (zh) | 运动状态判断方法及脚部穿戴物 | |
KR102252269B1 (ko) | 수영 분석 시스템 및 방법 | |
US10314520B2 (en) | System and method for characterizing biomechanical activity | |
TWI614514B (zh) | 供一行動裝置中使用之方法及設備、行動裝置及非暫時性電腦可讀媒體 | |
US20230191192A1 (en) | Methods and apparatus for power expenditure and technique determination during bipedal motion | |
CN104135911B (zh) | 多轴线活动监测装置中的活动分类 | |
US10398358B2 (en) | Dynamic sampling | |
Ustev et al. | User, device and orientation independent human activity recognition on mobile phones: Challenges and a proposal | |
CN104056445B (zh) | 一种基于心率和加速度传感器的人体运动分析方法及其装置 | |
US7450002B2 (en) | Method and apparatus for monitoring human activity pattern | |
US7753861B1 (en) | Chest strap having human activity monitoring device | |
CN105675048B (zh) | 平衡识别精确度与耗电量的无线系统和方法 | |
US10694980B2 (en) | Exercise support device, exercise support method and exercise support program | |
CN107977074B (zh) | 用于移动或可穿戴设备用户的上下文感知的方法和装置 | |
CN107617201A (zh) | 用于自动配置传感器的方法、电子设备和记录介质 | |
Nguyen et al. | Classification of five ambulatory activities regarding stair and incline walking using smart shoes | |
CN108073287A (zh) | 运动监测方法、装置和可穿戴运动设备 | |
WO2017093814A1 (en) | Wearable inertial electronic device | |
EP3327725B1 (en) | Running analysis device, running analysis method and running analysis program | |
Tang et al. | Self-adaptive step counting on smartphones under unrestricted stepping modes | |
KR101609813B1 (ko) | 스마트폰 환경에서 보행 수 검출 장치 및 방법 | |
US20220005575A1 (en) | Information processing device, information processing method, and non-transitory recording medium | |
KR101713496B1 (ko) | 가속도 센서를 이용한 무지연 실시간 걸음검출 시스템 및 방법 | |
US11280634B2 (en) | System, method and article for counting steps using an accelerometer |
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 |