CN105534527B - 智能穿戴设备特殊状态的识别方法及智能穿戴设备 - Google Patents

智能穿戴设备特殊状态的识别方法及智能穿戴设备 Download PDF

Info

Publication number
CN105534527B
CN105534527B CN201510875549.XA CN201510875549A CN105534527B CN 105534527 B CN105534527 B CN 105534527B CN 201510875549 A CN201510875549 A CN 201510875549A CN 105534527 B CN105534527 B CN 105534527B
Authority
CN
China
Prior art keywords
setting time
setting
acceleration information
wearable device
intelligent wearable
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
Application number
CN201510875549.XA
Other languages
English (en)
Other versions
CN105534527A (zh
Inventor
刘均
龙知才
张小艳
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Launch Technology Co Ltd
Original Assignee
Hesvit Health Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hesvit Health Technology Co Ltd filed Critical Hesvit Health Technology Co Ltd
Priority to CN201510875549.XA priority Critical patent/CN105534527B/zh
Publication of CN105534527A publication Critical patent/CN105534527A/zh
Application granted granted Critical
Publication of CN105534527B publication Critical patent/CN105534527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes

Abstract

智能穿戴设备特殊状态的识别方法及智能穿戴设备。通过对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息，根据滤波后的加速度信息获取设定时间内的安静指数和体动强度，判断设定时间内是否处于静止状态，对滤波后的加速度信息进行直方图统计，根据获取的滤波后的加速度信息的分布区间和分布规律，获取静止时长，若设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且静止时长大于设定时长，确定智能穿戴设备设定时间内处于未佩戴状态，从而防止误判断当前处于睡眠状态，可以准确地判断当前处于睡眠状态还是未佩戴状态。

Description

智能穿戴设备特殊状态的识别方法及智能穿戴设备
技术领域
本发明涉及智能终端技术领域，尤其涉及一种智能穿戴设备特殊状态的识别方法及智能穿戴设备。
背景技术
目前，智能穿戴设备正在日渐普及，智能穿戴设备通过多种传感器可以监测佩戴者的运动信号及状态信息。然而，智能穿戴设备尚处于起步阶段，现有的智能穿戴设备在状态判断时，极易将未佩戴状态判断为睡眠状态，不能准确地判断这种特殊状态。
发明内容
本发明实施例提供了一种智能穿戴设备特殊状态的识别方法及智能穿戴设备，以准确地判断当前处于睡眠状态还是未佩戴状态。
一方面，提供了一种智能穿戴设备特殊状态的识别方法，包括：
对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息；
根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度；
根据所述设定时间内的安静指数和体动强度，判断设定时间内是否处于静止状态；
对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长；
若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
另一方面，提供了一种智能穿戴设备，包括：
滤波模块，用于对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息；
获取模块，用于根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度；
判断模块，用于根据所述设定时间内的安静指数和体动强度，判断设定时间内是否处于静止状态；
所述获取模块还用于对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长；
确定模块，用于若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
实施本发明实施例提供的一种智能穿戴设备特殊状态的识别方法及智能穿戴设备，具有如下有益效果：
通过对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息，根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度，根据设定时间内的安静指数和体动强度，判断设定时间内是否处于静止状态，对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长，若设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态，从而防止误判断当前处于睡眠状态，可以准确地判断当前处于睡眠状态还是未佩戴状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种智能穿戴设备特殊状态的识别方法的流程示意图；
图2为对图1所示的一种智能穿戴设备特殊状态的识别方法进一步详细的流程示意图；
图3为本发明实施例提供的一种智能穿戴设备的结构示意图；
图4为对图3所示的一种智能穿戴设备进一步详细的结构示意图。
具体实施方式
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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种智能穿戴设备特殊状态的识别方法的流程示意图，该方法包括以下步骤：
步骤S101，对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息。
在本实施例中，智能穿戴设备上设有三轴加速度传感器，用于采集佩戴者的三维加速度信息。对于空间域的平滑滤波，可采用简单的平均法进行，获得滤波后的加速度信息。
这里，实时采集可以是采集一次加速度的时间，例如1秒，对应50个采样点，即1秒读50个采样点的数据。当数据长度达到设定长度时，开始平滑滤波，例如，该设定长度可以为100个采样点，即时间长度为2秒。
步骤S102，根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度。
计算安静指数，需要获取区间段内合加速度的最大值和最小值计算区间幅度，后判断其大小，依此进行该设定时间内小幅度时段数目统计。
计算体动强度，需要计算波形面积。波形面积是根据每个采样时段的合加速度距离基线的积分而得到的。
然后，依据安静指数和体动强度，判断设定时间内处于“安静状态”或“非安静状态”。
步骤S103，根据所述设定时间内的安静指数和体动强度，判断所述设定时间内是否处于静止状态。
步骤S104，对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长。
具体的，根据区间幅度范围Range判断是否存在大的猝发干扰，如果Range值小于设定的统计直方图的区间幅度范围的阈值HistRange，则定义为满足统计条件的信号时段，然后对其进行一分钟直方图统计。
寻找直方图的基准参数，参考基准参数移动加速度信号校准其基线后进行直方图统计。
步骤S105，若设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
根据获取的相关参数进行状态判断，进而准确地识别出佩戴状态。
根据本发明实施例提供的一种智能穿戴设备特殊状态的识别方法，确定智能穿戴设备当前处于未佩戴状态，从而防止误判断当前处于睡眠状态，可以准确地判断当前处于睡眠状态还是未佩戴状态。
图2为对图1所示的一种智能穿戴设备特殊状态的识别方法进一步详细的流程示意图，该方法包括以下步骤：
S201：对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息。
具体的，首先通过三轴加速度传感器按照一定的采样频率采集传感器所述三维空间的三轴加速度信息。根据三轴加速度信息求取合加速度。
求三轴数据平方和的二次方根，即合加速度：
本实施例示例的采样频率FREQUENCE为50Hz。
然后，根据采集到的加速度信息进行平滑滤波。
具体的，若当前合加速度数据达到一定预设长度LENGTH时，
DATA_FILTERED[i]＝(k1*(DATA[i-2]+k2*DATA[i-1]+k3*DATA[i]+k4*DATA[i+1])+k5*DATA[i+2])/(k1+k2+k3+k4+k5)；
其中，LENGTH为当前信号段的进行实时预处理的长度；k1，k2，k3，k4，k5为平滑滤波的加权系数。
本发明中处理长度LENGTH设为100，即每次预设处理时长为2秒。
下面根据滤波后的加速度信息获取相关的安静指数及体动强度并依此判断数据状态，具体地：
步骤S202，计算所述滤波后的加速度信息的区间幅度最大值和最小值，根据所述区间幅度最大值和最小值，获取区间幅度范围。
具体的，计算安静指数，需要获取当前采集时段内合加速度的最大最小值计算区间幅度,后判断其大小，依此进行一分钟内小幅度时段数目统计。
计算区间幅度最大值DATA_Max，最小值DATA_Min，依此得到区间幅度范围Range＝DATA_Max-DATA_Min。
步骤S203，当所述区间幅度范围小于设定幅度范围时，确定所述区间幅度范围内的合加速度值偏离基线的程度。
当区间幅度范围小于Range_Threshold时，再判断该区间的合加速度值偏离基线的程度。
步骤S204，当所述区间幅度范围内所有合加速度值偏离程度均小于设定值时，确定当前区间段为无动作时段。
当区间所有合加速度偏离程度都很小于Deviate_Threshold时，则该采集时段会被定义为无动作时段。
其中DataLength为采样长度，Data为当前合加速度数组，Range_Threshold无动作幅度范围阈值，Deviate_Threshold无动作基线偏离程度阈值，参考基线referGnd，基线初始值为重力加速度，后期基线则为上个无动作信号时段的合加速度的均值，即referGnd＝(int)((1.0*total)/num+0.5)。
步骤S205，累加计算每分钟的无动作时长。
累加计算每分钟的无动作时长NoActionElasped→NoActionElasped_1Min[i]。
步骤S206，统计设定时间内的无动作时长，获取设定时间内的安静指数。
本实施例中，设定时间为M分钟。统计当前M分钟内，无动作总时长；当每分钟的无动作采样总时长等于60秒时，无动作总时长即累加1。
其中：ReadTimes_1Min为当前一分钟读入加速度数据次数(如，一次读取长度为Datalength的数据，则一分钟的读取次数为60*FREQUENCE/DataLength，当采样频率FREQUENCE为50，一次读取长度为100时，则一分钟的读取次数为30)，NoActionElasped_MMin[j]为第j分钟时M分钟内的安静指数。本发明中，M设定为30。
步骤S207，获取每分钟合加速度的积分总和，得到每分钟的波动强度。
步骤S208，根据每分钟的波动强度，获取设定时间内的体动强度。
具体的，计算体动强度需要计算波形面积。波形面积是根据每个采样时段的合加速度距离基线的积分而得到。
根据每个采样时段的积分总和Integral计算每分钟合加速度的积分总和Integral_1Min，依此得到每分钟的波动强度WaveIntensity_1Min[i]；最后，统计M分钟内的波动强度WaveIntensity_MMin。
参考M分钟内的波动强度，由此得到M/2时刻的体动强度ActiveIntensity。
其中k根据一定的权函数而设定加权系数，权函数可以灵活设定，本发明中，是按照三角窗加权0-M分钟的波动强度获取第M/2分钟的体动强度。
步骤S209，判断设定时间内每个一分钟之前的N分钟至每个一分钟之后的N分钟内的安静指数及体动强度是否分别满足：所述设定时间内的安静指数大于或等于第一设定值，且体动强度小于或等于第二设定值，若连续满足所述条件的次数大于N+1，则判断当前一分钟处于静止状态。
具体的，依据安静指数和波动强度判断“安静状态”or“非安静状态”。
判断当前一分钟其前N分钟至其后N分钟内的安静指数及体动强度是否满足当前2*N+1分钟内安静指数大于等于StillMin，体动强度小于等于WaveIntensityMin，如果连续满足条件的次数大于Num则当前一分钟被判定为“静止状态”(QuietState)。本发明中Num设定为N+1，其中，N为正整数。
步骤S210，对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律。
具体的，根据区间幅度范围Range判断是否存在大的猝发干扰，如果Range值小于设定的统计直方图的区间幅度范围的阈值HistRange，则定义为满足统计条件的信号时段，然后对其进行一分钟直方图统计。
⑴寻找直方图的基准参数Global_Min；
首先对合加速度DATA依次减去Data_Min，对新的序列进行直方图统计，后查找该直方图序列的左右边界LeftPos。左边界LeftPos从直方图序列的左边开始依次查找，当直方图序列值小于5时，则该值所在的位置即为左边界。
根据左边界得到基准参数Global_Min＝Data_Min+LeftPos+Offset，其中Offset为偏移量，可根据实际情况进行设定。
⑵参考基准参数移动加速度信号校准其基线后进行直方图统计。
基线校准后的加速度信号为Data[i]-Global_Min，此步骤是对基线校准后的信号值进行直方图统计。
其中，Value为基线校准后的加速度信号值。
步骤S211，确定直方图第一主峰和第二主峰的位置。
寻找直方图第一第二主峰的位置；
如果直方图的数据值为其左右邻域内的最大值，则被定义为主峰。从左至右第一次找到的峰值点定为第一主峰HistPeak1，第二寻找到的峰值点定为第二主峰HistPeak2。此处的左右邻域长度为NeighLength，即若当前点为i，则判断其是否为最大值的判断区间为[i-NeighLength,i+NeighLength]，本实施例中NeighLength＝5。
步骤S212，计算所述第一主峰和第二主峰之间的间距。
计算第一主峰和第二主峰之间的间距HistPP。
步骤S213，统计所述设定时间内满足每分钟直方图的第一主峰和第二主峰之间的间距小于设定间距的次数。
统计M分钟内每分钟直方图的峰峰间距满足间距条件的次数。
步骤S214，累加统计到的所述次数，得到所述静止时长。
当每分钟的直方图主峰间距小于DISTANCE时视为满足条件，依此方式统计M分钟内直方图的峰峰间距满足间距条件的总次数。DISTANCE为间距常数，根据大量直方图分布情况而设定。
若M分钟内全部满足条件时，则当前情况当前一分钟被定义为静止时段，连续被定义为静止时段的次数为静止时长StillElapsed。
步骤S215，若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
若当前一分钟及当前一分钟之前的设定时间段内同为“静止状态”(QuietState)时，且静止时长StillElapsed大于等于K，则当前状态被判定为未佩戴状态。
根据本发明实施例提供的一种智能穿戴设备特殊状态的识别方法，通过对加速度信号累加或积分分析得到一个状态，反映出设定时间内加速度数据状态情况及稳定情况，在数据处于安静且稳定的情况下，通过直方图的形式得到加速度数据的分布情况，通过多方面快速统计的方式充分挖掘长时间加速度信号内隐藏的有用信息，识别出设定采集时间内智能穿戴设备所处的特殊状态。
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，因为根据本发明，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3为本发明实施例提供的一种智能穿戴设备的结构示意图，该智能穿戴设备1000包括：
滤波模块11，用于对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息。
获取模块12，用于根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度。
判断模块13，用于根据设定时间内的安静指数和体动强度，判断所述设定时间内是否处于静止状态。
所述获取模块12还用于对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长。
确定模块14，用于若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
根据本发明实施例提供的一种智能穿戴设备，确定智能穿戴设备当前处于未佩戴状态，从而防止误判断当前处于睡眠状态，可以准确地判断当前处于睡眠状态还是未佩戴状态。
图4为对图3所示的一种智能穿戴设备进一步详细的结构示意图，该智能穿戴设备2000包括：
滤波模块21，用于对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息。
获取模块22，用于根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度。
在本实施例中，获取模块22包括：
第一计算单元221，用于计算所述滤波后的加速度信息的区间幅度最大值和最小值；
获取单元222，用于根据所述区间幅度最大值和最小值，获取区间幅度范围；
第一确定单元223，用于当所述区间幅度范围小于设定幅度范围时，确定所述区间幅度范围内的合加速度值偏离基线的程度；
所述第一确定单元223还用于当所述区间幅度范围内所有合加速度值偏离程度均小于设定值时，确定当前区间段为无动作时段；
所述第一计算单元221还用于累加计算每分钟的无动作时长；
所述获取单元222还用于统计所述设定时间内每分钟的无动作时长，获取所述设定时间内的安静指数。
所述获取单元222还用于：
获取所述设定时间内每分钟合加速度的积分总和，得到每分钟的波动强度；
根据每分钟的波动强度，获取所述设定时间内的体动强度。
第二确定单元224，用于确定直方图第一主峰和第二主峰的位置；
第二计算单元225，用于计算所述第一主峰和第二主峰之间的间距；
所述第二计算单元225还用于统计所述设定时间内满足每分钟直方图的第一主峰和第二主峰之间的间距小于设定间距的次数；
所述第二计算单元225还用于累加统计到的所述次数，得到所述静止时长。
判断模块23，用于判断所述设定时间内的每个当前一分钟之前的N分钟至每个当前一分钟之后的N分钟内的安静指数及体动强度是否分别满足：每个当前一分钟的安静指数大于或等于第一设定值，且体动强度小于或等于第二设定值，若满足所述条件的次数大于N+1，则判断每个当前一分钟处于静止状态，其中，N为正整数。
确定模块24，用于若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
根据本发明实施例提供的一种智能穿戴设备，通过对加速度信号累加或积分分析得到一个状态，反映出设定时间内加速度数据状态情况及稳定情况，在数据处于安静且稳定的情况下，通过直方图的形式得到加速度数据的分布情况，通过多方面快速统计的方式充分挖掘长时间加速度信号内隐藏的有用信息，识别出设定时间内智能穿戴设备所处的特殊状态。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可以用硬件实现，或固件实现，或它们的组合方式来实现。当使用软件实现时，可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如，如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(Digital Subscriber Line，DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的，那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本发明所使用的，盘(Disk)和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟(DVD)、软盘和蓝光光碟，其中盘通常磁性的复制数据，而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。
总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能穿戴设备特殊状态的识别方法，其特征在于，包括：
对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息；
根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度；
根据所述设定时间内的安静指数和体动强度，判断所述设定时间内是否处于静止状态；
对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长；
若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
2.如权利要求1所述的方法，其特征在于，所述根据所述滤波后的加速度信息获取设定时间内的安静指数，包括：
计算所述滤波后的加速度信息的区间幅度最大值和最小值，根据所述区间幅度最大值和最小值，获取区间幅度范围；
当所述区间幅度范围小于设定幅度范围时，确定所述区间幅度范围内的合加速度值偏离基线的程度；
当所述区间幅度范围内所有合加速度值偏离程度均小于设定值时，确定当前区间段为无动作时段；
累加计算每分钟的无动作时长；
统计所述设定时间内每分钟的无动作时长，获取所述设定时间内的安静指数。
3.如权利要求2所述的方法，其特征在于，所述根据所述滤波后的加速度信息获取设定时间内的体动强度，包括：
获取所述设定时间内每分钟合加速度的积分总和，得到每分钟的波动强度；
根据每分钟的波动强度，获取所述设定时间内的体动强度。
4.如权利要求1-3任意一项所述的方法，其特征在于，所述根据所述设定时间内的安静指数和体动强度，判断所述设定时间内是否处于静止状态，包括：
判断所述设定时间内的每个当前一分钟之前的N分钟至每个当前一分钟之后的N分钟内的安静指数及体动强度是否分别满足：每个当前一分钟的安静指数大于或等于第一设定值，且体动强度小于或等于第二设定值，若连续满足所述条件的次数大于N+1，则判断每个当前一分钟处于静止状态，其中，N为正整数。
5.如权利要求1所述的方法，其特征在于，所述根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长，包括：
确定直方图第一主峰和第二主峰的位置；
计算所述第一主峰和第二主峰之间的间距；
统计所述设定时间内满足每分钟直方图的第一主峰和第二主峰之间的间距小于设定间距的次数；
累加统计到的所述次数，得到所述静止时长。
6.一种智能穿戴设备，其特征在于，包括：
滤波模块，用于对智能穿戴设备实时采集到的三轴加速度信息进行平滑滤波，获取滤波后的加速度信息；
获取模块，用于根据所述滤波后的加速度信息获取设定时间内的安静指数和体动强度；
判断模块，用于根据所述设定时间内的安静指数和体动强度，判断设定时间内是否处于静止状态；
所述获取模块还用于对所述滤波后的加速度信息进行直方图统计，获取所述滤波后的加速度信息的分布区间和分布规律，并根据所述滤波后的加速度信息的分布区间和分布规律，获取静止时长；
确定模块，用于若所述设定时间内每个当前一分钟及每个当前一分钟之前的设定时间段均为静止状态，且所述静止时长大于设定时长，确定所述智能穿戴设备当前处于未佩戴状态。
7.如权利要求6所述的智能穿戴设备，其特征在于，所述获取模块包括：
第一计算单元，用于计算所述滤波后的加速度信息的区间幅度最大值和最小值；
获取单元，用于根据所述区间幅度最大值和最小值，获取区间幅度范围；
第一确定单元，用于当所述区间幅度范围小于设定幅度范围时，确定所述区间幅度范围内的合加速度值偏离基线的程度；
所述第一确定单元还用于当所述区间幅度范围内所有合加速度值偏离程度均小于设定值时，确定当前区间段为无动作时段；
所述第一计算单元还用于累加计算每分钟的无动作时长；
所述获取单元还用于统计所述设定时间内每分钟的无动作时长，获取所述设定时间内的安静指数。
8.如权利要求7所述的智能穿戴设备，其特征在于，所述获取单元还用于：
获取所述设定时间内每分钟合加速度的积分总和，得到每分钟的波动强度；
根据每分钟的波动强度，获取所述设定时间内的体动强度。
9.如权利要求6-8任意一项所述的智能穿戴设备，其特征在于，所述判断模块具体用于：
判断所述设定时间内的每个当前一分钟之前的N分钟至每个当前一分钟之后的N分钟内的安静指数及体动强度是否分别满足每个当前一分钟的安静指数大于或等于第一设定值，且体动强度小于或等于第二设定值，若连续满足所述条件的次数大于N+1，则判断每个当前一分钟处于静止状态，其中，N为正整数。
10.如权利要求6所述的智能穿戴设备，其特征在于，所述获取模块包括：
第二确定单元，用于确定直方图第一主峰和第二主峰的位置；
第二计算单元，用于计算所述第一主峰和第二主峰之间的间距；
所述第二计算单元还用于统计所述设定时间内满足每分钟直方图的第一主峰和第二主峰之间的间距小于设定间距的次数；
所述第二计算单元还用于累加统计到的所述次数，得到所述静止时长。
CN201510875549.XA 2015-12-01 2015-12-01 智能穿戴设备特殊状态的识别方法及智能穿戴设备 Active CN105534527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510875549.XA CN105534527B (zh) 2015-12-01 2015-12-01 智能穿戴设备特殊状态的识别方法及智能穿戴设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510875549.XA CN105534527B (zh) 2015-12-01 2015-12-01 智能穿戴设备特殊状态的识别方法及智能穿戴设备

Publications (2)

Publication Number Publication Date
CN105534527A CN105534527A (zh) 2016-05-04
CN105534527B true CN105534527B (zh) 2018-07-13

Family

ID=55814480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510875549.XA Active CN105534527B (zh) 2015-12-01 2015-12-01 智能穿戴设备特殊状态的识别方法及智能穿戴设备

Country Status (1)

Country Link
CN (1) CN105534527B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067000A (zh) * 2016-05-27 2016-11-02 大连楼兰科技股份有限公司 基于时域范围的车辆低速碰撞信号的特征提取方法
CN108120450B (zh) * 2016-11-29 2020-06-26 华为技术有限公司 一种静止状态的判断方法及装置
CN107817534B (zh) * 2017-10-31 2020-05-12 深圳市元征科技股份有限公司 一种智能穿戴设备的数据采集方法、装置及智能穿戴设备
CN108095694B (zh) * 2018-01-12 2021-01-26 安徽华米智能科技有限公司 可穿戴设备的状态监测方法、装置及可穿戴设备
CN109620158B (zh) * 2018-12-28 2021-10-15 惠州Tcl移动通信有限公司 睡眠监控的方法、智能终端及存储装置
CN114532992B (zh) * 2022-03-23 2024-04-02 深圳市爱都科技有限公司 小睡状态检测方法、装置、系统及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100553555C (zh) * 2004-01-15 2009-10-28 皇家飞利浦电子股份有限公司 自适应生理监视系统及其使用方法
FI20045336A0 (fi) * 2004-09-13 2004-09-13 Valtion Teknillinen Menetelmä mukana kuljetettavan henkilökohtaisen laitteen kantajan verifiointiin/identifiointiin
US11026600B2 (en) * 2012-01-09 2021-06-08 Invensense, Inc. Activity classification in a multi-axis activity monitor device
US9398867B2 (en) * 2013-01-07 2016-07-26 Archinoetics Llc Efficient activity classification from motion inputs

Also Published As

Publication number Publication date
CN105534527A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105534527B (zh) 智能穿戴设备特殊状态的识别方法及智能穿戴设备
EP3369375A1 (en) Method and apparatus for identifying state of motion of human body
CN105588577B (zh) 一种用于运动监测装置的异常计步的检测方法和装置
CN107277222B (zh) 基于手机内置传感器的用户行为状态判断方法
CN108511067A (zh) 预警方法及电子设备
US9398867B2 (en) Efficient activity classification from motion inputs
CN105559751A (zh) 监测微活动状态的方法、装置及可穿戴设备
CN103892830A (zh) 一种基于人体皮肤电阻变化的情绪检测方法及系统
CN109938740A (zh) 一种步态周期检测方法、装置及计算机可读存储介质
CN110501947A (zh) 信号处理方法及设备
CN109498001B (zh) 睡眠质量评估方法和装置
CN111683318A (zh) 一种耳机佩戴检测方法、装置、耳机及可读存储介质
CN115857701B (zh) 一种ssvep脑电信号处理方法及相关设备
CN110123328B (zh) 一种基于无线识别的呼吸频率检测方法
JP7115247B2 (ja) 機械学習方法、機械学習プログラムおよび機械学習装置
CN111839847A (zh) 肌电假肢控制方法、装置、电子设备和计算机可读介质
WO2022111203A1 (zh) 心率检测方法和装置
CN114896568B (zh) 一种游泳数据统计方法、装置、设备及介质
CN107783942B (zh) 一种异常行为检测方法及装置
CN110710954A (zh) 一种通过声音采集检测睡眠质量的方法
JP2020048622A (ja) 生体状態推定装置
CN104504066A (zh) 出行方式判断方法和装置
JP2018051162A (ja) 生体信号検出システム、生体信号検出方法
CN110507319B (zh) 一种疲劳度检测方法及设备
CN110852397A (zh) 一种基于相对波动的自适应信号融合方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20190513

Address after: 518000 Yuanzheng Industrial Park, North of Fifth Avenue, Bantian Street, Longgang District, Shenzhen City, Guangdong Province

Patentee after: Yuanzheng Science and Technology Co., Ltd., Shenzhen City

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee before: HESVIT HEALTH TECH CO., LTD.

TR01 Transfer of patent right