CN105760646A - 一种活动分类方法和装置 - Google Patents

Abstract

本发明公开了一种活动分类方法和装置，用以解决现有技术中存在的能够区分的活动类别较少和准确度较低的问题。该方法包括：获取惯性传感器采集的用户活动数据；根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据；根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据；确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度；根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

Description

一种活动分类方法和装置

技术领域

本发明涉及传感技术领域，尤其涉及一种活动分类方法和装置。

背景技术

用户每天的活动分为多种，包括睡眠、走动、运动、乘车、静坐和家务等等，不同的行为及其持续时间对人体健康的影响是不同的。如果能够对用户的生活进行记录，就可以帮助用户了解自身近期的生活状况，帮助用户有意识的建立良好的生活方式和运动习惯，最终改善用户的健康状况，并辅助用户进行决策。

目前已经有一些关于生活记录方面的研究，主要是利用来自加速度传感器的信号进行步数的统计计算。此外，为了精确的计算用户消耗的能量，需要准确的区分用户的活动类别。不同的活动类别，其运动强度不同，而不同的运动强度，单位时间内消耗的能量也不同。

现有的活动分类方法，通常是先利用传感器采集惯性信号，比如加速度传感器信号、地磁传感器信号或陀螺仪传感器信号等，然后对惯性信号进行处理分析，确定活动类别。

但是目前的技术在实现时，涉及到的类别较少，许多类别都未包含其中，比如进行步行与跑步的分类，进行乘车和步行的分类。采用的方法一般都是基于活动的周期性分析、基于似然函数的分类等。这种方法存在下述缺陷：

1、适用的范围受限，比如基于活动的周期性分析，对于乘车等活动，其惯性信号没有明确的周期性；

2、分类的准确性不高，对于某些时期，比如慢跑、骑车慢速行驶等小情况，分类结果很有可能错误；

3、现有的方法计算量较大，复杂性较高，只能工作在计算能力强的活动跟踪设备上，无法应用在设备处理能力弱、存储能力低的应用场景下。

发明内容

本发明实施例提供一种活动分类方法和装置，用以解决现有技术中存在的能够区分的活动类别较少和准确度较低的问题。

本发明实施例采用以下技术方案：

一种活动分类方法，包括：

获取惯性传感器采集的用户活动数据；

根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据；

根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据；其中，所述长时时间长度大于所述短时时间长度；

确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度；

根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

其中，所述短时特征包括：

方差、最大最小差值、样本熵和局部二值模式中的至少一种。

其中，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据，具体包括：

针对每个长时时间长度执行：

对所述长时时间长度对应的短时特征数据中每种短时特征的数据分别进行统计，得到每种短时特征的数据在所述长时时间长度内的分布信息；

将每种短时特征的数据在所述长时时间长度内的分布信息确定为所述长时时间长度对应的长时特征数据。

其中，确定用户在每个长时时间长度内的活动类别之后，所述方法还包括：

根据确定出的用户在每个长时时间长度内的活动类别以及预设规则，确定用户在不同活动时间对应的活动类别；其中，所述预设规则为：当用户在相邻的两个长时时间长度内的活动类别相同时，将所述相邻的两个长时时间长度合并，将合并后的时间长度对应的时间确定为所述相邻的两个长时时间长度内的活动类别对应的活动时间。

其中，确定用户在不同活动时间对应的活动类别之后，所述方法还包括：

当确定出的用户在不同活动时间对应的活动类别中，存在第一活动类别时，判断所述第一活动类别前后相邻的两个活动类别是否相同；其中，所述第一活动类别满足：活动时间小于预先设置的第一阈值；

当判断出所述第一活动类别前后相邻的两个活动类别相同时，将所述第一活动类别校正为其前后相邻的活动类别；

当判断出所述第一活动类别前后相邻的两个活动类别不相同时，将所述第一活动类别校正为其前后相邻的两个活动类别中活动时间长的活动类别。

其中，确定用户在每个长时时间长度内的活动类别之后，所述方法还包括：

根据每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别的置信度；则

确定用户在不同活动时间对应的活动类别之后，所述方法还包括：

根据用户在每个长时时间长度内的活动类别的置信度，确定用户在每个活动时间对应的活动类别的置信度；

当确定出的用户在不同的活动时间对应的活动类别中，存在第二活动类别时，比较所述第二活动类别前后相邻的两个活动类别的置信度的大小；其中，所述第二活动类别满足：活动时间大于所述第一阈值，且小于预先设置的第二阈值，以及置信度小于预先设置的第三阈值的活动类别；

当所述第二活动类别前相邻的活动类别的置信度大于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其前相邻的活动类别；

当所述第二活动类别前相邻的活动类别的置信度小于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其后相邻的活动类别。

一种活动分类装置，包括：

用户活动数据获取单元，用于获取惯性传感器采集的用户活动数据；

短时特征数据确定单元，用于根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据；

长时特征数据确定单元，用于根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据；其中，所述长时时间长度大于所述短时时间长度；

相似度确定单元，用于确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度；

活动类别确定单元，用于根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

其中，所述短时特征包括：

方差、最大最小差值、样本熵和局部二值模式中的至少一种。

其中，所述长时特征数据确定单元，具体用于：

针对每个长时时间长度执行：

对所述长时时间长度对应的短时特征数据中每种短时特征的数据分别进行统计，得到每种短时特征的数据在所述长时时间长度内的分布信息，并将每种短时特征的数据在所述长时时间长度内的分布信息确定为所述长时时间长度对应的长时特征数据。

其中，所述装置还包括：

活动类别合并单元，用于根据确定出的用户在每个长时时间长度内的活动类别以及预设规则，确定用户在不同活动时间对应的活动类别；其中，所述预设规则为：当用户在相邻的两个长时时间长度内的活动类别相同时，将所述相邻的两个长时时间长度合并，将合并后的时间长度对应的时间确定为所述相邻的两个长时时间长度内的活动类别对应的活动时间。

其中，所述装置还包括：

第一校正单元，用于当确定出的用户在不同活动时间对应的活动类别中，存在第一活动类别时，判断所述第一活动类别前后相邻的两个活动类别是否相同；其中，所述第一活动类别满足：活动时间小于预先设置的第一阈值；当判断出所述第一活动类别前后相邻的两个活动类别相同时，将所述第一活动类别校正为其前后相邻的活动类别；当判断出所述第一活动类别前后相邻的两个活动类别不相同时，将所述第一活动类别校正为其前后相邻的两个活动类别中活动时间长的活动类别。

其中，所述装置还包括：

置信度确定单元，用于根据每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别的置信度；

第二校正单元，用于根据用户在每个长时时间长度内的活动类别的置信度，确定用户在每个活动时间对应的活动类别的置信度；当确定出的用户在不同的活动时间对应的活动类别中，存在第二活动类别时，比较所述第二活动类别前后相邻的两个活动类别的置信度的大小；其中，所述第二活动类别满足：活动时间大于所述第一阈值，且小于预先设置的第二阈值，以及置信度小于预先设置的第三阈值的活动类别；当所述第二活动类别前相邻的活动类别的置信度大于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其前相邻的活动类别；当所述第二活动类别前相邻的活动类别的置信度小于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其后相邻的活动类别。

本发明实施例的有益效果如下：

本发明实施例中，通过获取惯性传感器采集的用户活动数据，根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据，再根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据，并基于每个长时时间长度对应的长时特征数据与预先确定出的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。一方面，由于每个活动类别都可以预先确定出类中心数据，因此方便扩充活动类别，从而使本方案中能识别的活动类别较多；另一方面，通过结合短时特征数据和长时特征数据，确定活动类别，与现有技术中基于局部特征的方法相比，准确性大大提高。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中，一种活动分类方法的实现流程图；

图2为本发明实施例中，活动分类方法在实际应用中的应用场景示意图；

图3为本发明实施例中，活动分类方法的算法系统架构图；

图4为本发明实施例中，活动分类方法的算法详细框图；

图5为本发明实施例中，为按序号连续顺序组成的一组m维矢量示意图；

图6为本发明实施例中，不同活动类别的方差特征的长时特征直方图；

图7为本发明实施例中，后处理校正流程图；

图8为本发明实施例中，一种活动分类装置的结构示意图。

具体实施方式

为了解决现有技术中存在的能够区分的活动类别较少和准确度较低的问题，本发明实施例提供了一种活动分类方案。该技术方案中，通过获取惯性传感器采集的用户活动数据，根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据，再根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据，并基于每个长时时间长度对应的长时特征数据与预先确定出的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。一方面，由于每个活动类别都可以预先确定出类中心数据，因此方便扩充活动类别，从而使本方案中能识别的活动类别较多；另一方面，通过结合短时特征数据和长时特征数据，确定活动类别，与现有技术中基于局部特征的方法相比，准确性大大提高。

以下结合说明书附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限制本发明。并且在不冲突的情况下，本发明中的实施例及实施例的特征可以互相结合。

本发明实施例提供了一种活动分类方法，如图1所示，为该方法的实现流程图，具体包括下述步骤：

步骤11，获取惯性传感器采集的用户活动数据。

本发明实施例中，用户可以佩戴具有惯性传感器的终端设备，由该终端设备采集用户的惯性数据，比如具有加速度传感器的终端设备，采集用户的三轴加速度数据，再将处理后的三轴加速度数据作为用户活动数据。

步骤12，根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据。

本发明实施例中采用的短时特征可以包括：方差、最大最小差值、样本熵和局部二值模式中的至少一种。

具体的提取过程在后续实施例中进行介绍，在此不再赘述。

步骤13，根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据。其中，长时时间长度大于短时时间长度。

其中，短时时间长度和长时时间长度可以根据用户佩戴的终端设备的存储能力和计算能力进行设置，但是需要满足的是，长时时间长度要大于短时时间长度。

当步骤12得到的短时特征数据中包含上述至少一种短时特征的数据时，步骤13可以具体包括：

针对每个长时时间长度执行：

对长时时间长度对应的短时特征数据中每种短时特征的数据分别进行统计，得到每种短时特征的数据在长时时间长度内的分布信息，再将每种短时特征的数据在长时时间长度内的分布信息确定为长时时间长度对应的长时特征数据。

由于长时时间长度大于短时时间长度，因此一个长时时间长度内至少包含一个短时时间长度，则一个长时时间长度对应的短时特征数据应该为该长时时间长度包含的短时时间长度对应的短时特征数据。

步骤14，确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度。

其中，每个活动类别的类中心数据可以按照如下方式预先确定：

针对每个活动类别，采集多组用户活动数据，计算每组用户活动数据对应的长时特征数据，并将多组长时特征数据的均值作为该活动类别的类中心数据。

在确定相似度时，可以采用最近邻方式确定，也可以采用其它的相似度度量方式，比如基于欧式距离的相似度度量和基于余弦距离的相似度度量等。

步骤15，根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

具体的，用户在每个长时时间长度内的活动类别可以为与该长时时间长度对应的长时特征数据相似度最大的类中心数据对应的活动类别。

另外，为了进一步提高分类的准确性，本发明实施例后续还可以对确定出的用户在每个长时时间长度内的活动类别做进一步处理。

可选的，本发明实施例还可以包含下述步骤：

根据确定出的用户在每个长时时间长度内的活动类别，以及预设规则，确定用户在不同活动时间对应的活动类别。

其中，预设规则可以为：当用户在相邻的两个长时时间长度内的活动类别相同时，将该相邻的两个长时时间长度合并，将合并后的时间长度对应的时间确定为该相邻的两个长时时间长度内的活动类别对应的活动时间；否则，每个长时时间长度对应的时间便为每个长时时间长度内的活动类别对应的活动时间。

至此，可以得到用户在不同活动时间对应的活动类别，并且相邻的活动时间对应的活动类别是不相同的。

另外，基于本领域技术常识，在其它活动中不应出现短时的乘车，在运动中不应出现短时家务，因此本发明实施例还可以对这样一些明显错误的分类进行校正，以进一步提高准确性。

比如，当确定出的用户在不同活动时间对应的活动类别中，存在第一活动类别时，判断该第一活动类别前后相邻的两个活动类别是否相同；其中，该第一活动类别应该满足：活动时间小于预先设置的第一阈值；

当判断出该第一活动类别前后相邻的两个活动类别相同时，将该第一活动类别校正为其前后相邻的活动类别；

当判断出该第一活动类别前后相邻的两个活动类别不相同时，将该第一活动类别校正为其前后相邻的两个活动类别中活动时间长的活动类别。

本发明实施例中还可以在步骤15之后，根据每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别的置信度。

其中，置信度越高，则对应的活动类别结果的准确性越高，可信程度越高。

在这种情况下，还可以进一步基于置信度对分类结果进行校正。

比如，根据用户在每个长时时间长度内的活动类别的置信度，确定用户在每个活动时间对应的活动类别的置信度；

当确定出的用户在不同的活动时间对应的活动类别中，存在第二活动类别时，比较该第二活动类别前后相邻的两个活动类别的置信度的大小；其中，该第二活动类别满足：活动时间大于所述第一阈值，且小于预先设置的第二阈值，以及置信度小于预先设置的第三阈值的活动类别；

当该第二活动类别前相邻的活动类别的置信度大于其后相邻的活动类别的置信度时，将该第二活动类别校正为其前相邻的活动类别；

当该第二活动类别前相邻的活动类别的置信度小于其后相邻的活动类别的置信度时，将该第二活动类别校正为其后相邻的活动类别。

本发明实施例中，通过获取惯性传感器采集的用户活动数据，根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据，再根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据，并基于每个长时时间长度对应的长时特征数据与预先确定出的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。一方面，由于每个活动类别都可以预先确定出类中心数据，因此方便扩充活动类别，从而使本方案中能识别的活动类别较多；另一方面，通过结合短时特征数据和长时特征数据，确定活动类别，与现有技术中基于局部特征的方法相比，准确性大大提高。

为了更好的理解本发明实施例，以下结合具体的实施对本发明实施例的具体实施过程进行说明。

如图2所示，为本发明实施例提供的活动分类方法在实际应用中的应用场景示意图。其中，用户佩戴具有加速度传感器的终端设备，采集用户的三轴加速度数据；终端设备和后台数据库相结合，通过特征提取、类别判断和后处理等步骤，对活动类别进行识别；后台数据库存储活动类别的识别结果，并将识别结果下发至智能手机客户端上；用户再通过智能手机客户端查看活动类别的识别结果。

后台数据库可以存储用户多日甚至多年的活动情况，实现了用户的生活记录，便于用户了解自己的生活方式。同时，基于活动类别的识别结果，还可以为用户提供运动、睡眠等方面的建议，帮助用户建立良好的生活和运动习惯。

其中，终端设备需要包含三轴加速度传感器、处理器等基本模块，本发明实施例提供的方法对终端设备中的处理器的处理能力和存储能力要求不高，目前的终端设备基本都具有这个能力，如图3所示，为本发明实施例中提供的一种终端设备结构原理图。

本发明实施例在具体应用时，终端设备可以采用计步器或手机等。

如图3所示，为本发明实施例中提供的活动分类方法的算法系统架构图，该算法系统可以主要分为：加速度数据获取模块、短时特征提取模块、长时特征直方图统计模块、最近邻类别判断模块、置信度分析模块和后处理结果校正模块。

如图4所示，为本发明实施例提供的活动分类方法的算法详细框图。

1、加速度数据获取模块

该模块用于采集用户的三轴加速度数据。

由于终端设备的存储能力和处理能力有限，因此可缓存的加速度数据的数量是有限的，本发明实施例中以加速度采样率为25Hz，终端设备可以缓存5秒钟的三轴加速度数据为例进行说明。

2、短时特征提取模块

短时特征提取时的短时时间长度是由终端设备的存储能力和计算能力确定的，由于本发明实施例中的终端设备可以缓存5秒钟的三轴加速度数据，即短时时间长度不超过5秒钟，因此在本发明实施例中将短时时间长度(即短时时间窗口长度)确定为5秒，步长取2秒。

采用的短时特征包括：方差特征、最大最小差值特征、样本熵特征和局部二值模式特征。

首先，加速度传感器采集的三轴加速度数据分为xi，yi，zi，首先按照公式(1)计算：

ai＝xi²+yi²+zi²(1)

其中，ai为三轴加速度数据平方和，即为用户活动数据。

由于短时时间窗口为5秒，而采样率为25Hz，因此每个短时时间窗口内能采集到的用户活动数据ai的数量为n，其中n＝25×5＝125。

提取方差：

$\mathrm{Std}=\frac{1}{n}\underset{i=n}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{ai}-m)}^2---\left(2\right)$

$m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{ai}---\left(3\right)$

其中，Std为方差，m为短时时间窗口内的三轴加速度平方和的均值。

提取最大最小差值：

MaxMin＝max(ai)-min(ai)(4)

其中，MaxMin为最大最小差值，max(ai)为短时时间窗口内的三轴加速度平方和中的最大值，min(ai)为短时时间窗口内的三轴加速度平方和中的最小值。

提取样本熵：

本发明实施例中取1阶样本熵。

步骤一，在一个短时时间窗口内，三轴加速度平方和为ai(1)，ai(2)，…，ai(n)共n个点。

步骤二，按序号连续顺序组成一组m维矢量：从Xm(1)到Xm(n-m)。

如图5所示，为按序号连续顺序组成的一组m维矢量示意图，其中：

Xm(i)＝[a(i)，a(i+1)，…，a(i+m-1)](5)

其中，，i＝1～n-m。

这些矢量代表着从第i个点开始连续的m个ai的值。

需要说明的是，公式(5)和公式(4)中的m并不代表一个含义，公式(5)中的m仅代表矢量的维度。

步骤三，定义矢量Xm(i)和Xm(j)间的距离d[Xm(i)，Xm(j)]为两者对应元素中差值最大的一个，即：

d[Xm(i)，Xm(j)]＝max(|u(i+k)-u(j+k)|)(6)

其中，k＝0～m-1；i，j＝1～n-m，j≠i。

步骤四，预先设置阈值r，对每个i≤n-m的值，统计d[Xm(i)，Xm(j)]小于r的数目(称为模板匹配数)及此数目与距离总数n-m-1的比值，记作：

$B_r^m\left(i\right)=\frac{n^m\left(i\right)}{n-m-1}---\left(7\right)$

步骤五，求其对所有i的平均值：

$B^m\left(r\right)={(n-m)}^{-1}\×\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}{B}_1^m\left(i\right)---\left(8\right)$

其中，B^m(r)为样本熵。

提取局部二值模式的计算方式如下：

本发明实施例中采用局部二值模式直方图，其中局部二值模式直方图一般为图像处理中常用的特征，这里将其引入三轴加速度数据的特征提取中。

首先，在一个短时时间窗口内，三轴加速度平方和为ai，则局部二值模式b(i)的定义为：

$b\left(i\right)=\left\{\begin{array}{cc}3& \mathrm{ifa}(i-1)>a\left(i\right)\mathrm{anda}(i+1)>a\left(i\right)\\ 2& \mathrm{ifa}(i-1)>a\left(i\right)\mathrm{anda}(i+1)\≤a\left(i\right)\\ 1& \mathrm{ifa}(i-1)\≤a\left(i\right)\mathrm{anda}(i+1)>a\left(i\right)\\ 0& \mathrm{ifa}(i-1)\≤a\left(i\right)\mathrm{anda}(i+1)\≤a\left(i\right)\end{array}\right.---\left(9\right)$

在得到b(i)之后，对其进行直方图统计，得到局部二值模式直方图h(k)：

h(k)＝num(b(i)＝＝k)(10)

其中k＝0～3，该局部二值模式直方图表征短时时间窗口内b(i)等于k的点的个数，反映了短时时间窗口内的数据复杂度。

根据上述分析可知，经过短时特征提取，每2秒钟可以得到一组短时特征数据，该短时特征数据包括方差Std、最大最小差值MaxMin、样本熵B、局部二值模式直方图h(k)，k＝0～3，共7维。也就是说，每2秒钟就能够得到一个7维特征向量，并输入长时特征直方图统计模块，进行长时特征提取。

3、长时特征直方图统计模块

每2秒钟得到一个7维特征向量输入长时特征直方图统计模块，进行长时特征提取，长时时间窗口内的直方图统计可以消除短时特征的噪声影响，考虑终端设备的处理能力和存储能力，本发明实施例中取长时时间长度(即长时时间窗口)为2分钟。并且得到的长时特征数据以直方图来标识，能够较好的描述长时时间窗口内的数据复杂性，稳定性强。

具体的，对于输入的7维特征向量f_i(j):

i＝1～N1，N1为短时特征的类别数，本发明实施例中N1＝7；

j＝1～N2，N2为短时特征向量个数，这里长时时间窗口长度为2分钟，每2秒一个短时特征向量输入，因此有60个短时特征向量，即N2＝60。

对于第i个特征的时间序列f_i(j)，其分布范围是A～B，将[A，B]平均分为M个区间，其中，

$H_i\left(k\right)=\mathrm{num}(f_i\left(j\right)\∈[A+k\×\frac{B-A}{M},A+(k+1)\×\frac{B-A}{M}\left]\right),---\left(11\right)$

其中，H_i(k)表示第k个区间中点的个数，j＝1～N2。

本发明实施例中，可以固定每个区间的宽度w，同时设定区间的个数M，则前M-1个区间的宽度均为w，最后一个区间的范围是[w×(M-1)，B]。

每种特征的分布范围不同，区间的个数和宽度也不同，本发明实施例中以方差为例进行说明。取w＝200，M＝100，计算其直方图，不同活动的方差的直方图见图6，从图6中可以看出，利用这种特征可以区分出不同的活动。其中，横轴为区间序号，纵轴为落入本区间的短时特征的个数。

对于不同的特征，其w和M可以是不同的，设N1种短时特征取直方图的宽度和类别数分别为wi和Mi，则经过长时特征提取后得到的直方图向量的长度为Mall维的向量即为最终进行活动类别判断的长时特征向量。

4、最近邻类别判断模块

在判断之前，预先需要确定每个活动类别的类中心，本发明实施例中，为每个活动类别采集多组加速度数据，并计算其对应的长时特征直方图向量V，计算不同活动类别的多组长时特征直方图向量V的均值作为类中心。

第i类的类中心：Ci＝mean(V_j)，其中，V_j为第i类的长时特征直方图向量。

得到类中心后，就可以利用最近邻法则对需要判断的特征向量进行类别判断。

计算当前长时特征直方图向量V与n个类中心的相似度：

S_i＝sim(V，C_i)；(12)

其中，i＝1～n，当V与C_k的相似度最高时，V就属于第k类，即V∈第k类，ifS_k＝＝max[S_i，i＝1...n)。

其中，相似度S的定义方式为：

直方图H1和H2的相似度sim(H1,H2)定义为：H1和H2重合的数量和除以H1的总数(H1和H2的总数目相同)，即：

$\mathrm{sim}(H1,H2)=\frac{\underset{i=1}{\overset{\mathrm{Mall}}{\mathrm{\Σ}}}\min (H_1\left(i\right),H_2\left(i\right))}{\underset{i=1}{\overset{\mathrm{Mall}}{\mathrm{\Σ}}}{H}_1\left(i\right)};---\left(13\right)$

从上面的公式可以看出，当H1和H2完全重合时，sim(H1,H2)＝1，在H1和H2不完全重合的情况下，相似度是一个0至1之间的数。

待判断的长时特征直方图向量V与类中心Ci的相似度越大，V属于第i类活动类别的可能性越高。

需要说明的时，本发明实施例中也可以采用其他的相似度度量方式，如基于欧氏距离的相似度、基于余弦距离的相似度度量等。

5、置信度分析模块

当活动类别分为n类时，当前长时特征直方图向量V与n个类中心Ci的相似度为Si＝sim(V，Ci)，i＝1…n；

对Si进行排序，由大到小进行排序后为RSi，i＝1…n，即：

RS₁≥RS₂≥…≥RS_n

置信度定义为：Conf＝(RS1-RS2)/(1-RS2)，当最大的相似度越接近1时，置信度越高。置信度Conf的范围是0～1，当Conf越大时，其对应的类别的判断结果的准确性越高，可信程度越高。

将最近邻类别判断结果和置信度分析模块的结果输入给后处理结果校正模块进行校正，修改错误的判断结果，增加准确性。

6、后处理结果校正模块

经过最近邻类别判断结果和置信度分析模块，每2分钟可以得到一个活动数组Act2m(i)和对应的置信度数组Conf2m(i)，如果相邻的多个活动类别相同，则合并，相应的，其对应的置信度进行平均作为合并后的活动的置信度。

如果Act2m(i)、Act2m(i+1)…Act2m(i+n)相等，则进行合并，其对应的置信度为(Conf2m(i)+Conf2m(i+1)+…+Conf2m(i+n))/(n+1)，其持续的时间间隔个数为n+1。

经过合并，得到三个数组：活动数组Act(i)、Conf(i)、Time(i)，i＝1,…,count。其中，count为合并后的活动的个数，相邻的两个活动是不相同的。在此基础上进行后处理分析。

考虑前后时间，可以进行一些明显错误结果的校正，这里需要考虑的是不能因为校正使得损失原分析结果的细节。根据公知长时，在其他活动中不应出现短时的乘车，在运动中不应出现短时家务…，为此本发明实施例形成了下面的后处理流程。

如图7所示，为本发明实施例中提供的后处理校正流程图。

首先，判断Time(i)是否小于预先设置的第一阈值Th1，其中该第一阈值可以根据用户需求进行自定义设置。

当判断出Time(i)小于Th1时，判断Act(i)是否和其前后相邻的Act(i+1)和Act(i-1)相同；

当判断出Act(i)和Act(i+1)和Act(i-1)相同时，将Act(i)校正为Act(i+1)或Act(i-1)；

当判断出Act(i)和Act(i+1)和Act(i-1)不相同时，继续判断Act(i+1)和Act(i-1)是否相同；

当判断出Act(i+1)和Act(i-1)相同时，再判断Time(i-1)是否大于Time(i+1)；

当判断出Time(i-1)大于Time(i+1)时，将Act(i)校正为Act(i+1)；

当判断出Time(i-1)小于Time(i+1)时，将Act(i)校正为Act(i+1)；

当判断出Time(i)不小于Th1时，判断Time(i)是否小于预先设置的第二阈值Th2，以及Conf(i)是否小于预先设置的第三阈值Th3；

当判断出Time(i)小于Th2，且Conf(i)小于Th3时，继续判断Conf(i-1)是否大于Conf(i+1)；

当判断出Conf(i-1)大于Conf(i+1)时，将Act(i)校正为Act(i+1)；

当判断出Conf(i-1)小于Conf(i+1)时，将Act(i)校正为Act(i-1)。

经过后处理，再对相邻的相同活动进行合并，得到最终的活动识别结果。

最终的活动识别结果可以在用户的手机客户端或网站进行直观显示，为用户提供直观的信息呈现。

本发明实施例中，通过获取惯性传感器采集的用户活动数据，根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据，再根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据，并基于每个长时时间长度对应的长时特征数据与预先确定出的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。一方面，由于每个活动类别都可以预先确定出类中心数据，因此方便扩充活动类别，从而使本方案中能识别的活动类别较多；另一方面，通过结合短时特征数据和长时特征数据，确定活动类别，与现有技术中基于局部特征的方法相比，准确性大大提高。

另外，结合置信度，对得到的分类结果进行校正，使准确性进一步的提高。

基于同一发明构思，本发明实施例中还分别提供了活动分类装置，由于上述装置解决问题的原理与活动分类方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。

如图8所示，为本发明实施例提供的活动分类装置的结构示意图，包括：

用户活动数据获取单元81，用于获取惯性传感器采集的用户活动数据；

短时特征数据确定单元82，用于根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据；

长时特征数据确定单元83，用于根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据；其中，所述长时时间长度大于所述短时时间长度；

相似度确定单元84，用于确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度；

活动类别确定单元85，用于根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

其中，所述短时特征包括：

方差、最大最小差值、样本熵和局部二值模式中的至少一种。

其中，所述长时特征数据确定单元83，具体用于：

针对每个长时时间长度执行：

对所述长时时间长度对应的短时特征数据中每种短时特征的数据分别进行统计，得到每种短时特征的数据在所述长时时间长度内的分布信息，并将每种短时特征的数据在所述长时时间长度内的分布信息确定为所述长时时间长度对应的长时特征数据。

其中，所述装置还包括：

活动类别合并单元86，用于根据确定出的用户在每个长时时间长度内的活动类别以及预设规则，确定用户在不同活动时间对应的活动类别；其中，所述预设规则为：当用户在相邻的两个长时时间长度内的活动类别相同时，将所述相邻的两个长时时间长度合并，将合并后的时间长度对应的时间确定为所述相邻的两个长时时间长度内的活动类别对应的活动时间。

其中，所述装置还包括：

第一校正单元87，用于当确定出的用户在不同活动时间对应的活动类别中，存在第一活动类别时，判断所述第一活动类别前后相邻的两个活动类别是否相同；其中，所述第一活动类别满足：活动时间小于预先设置的第一阈值；当判断出所述第一活动类别前后相邻的两个活动类别相同时，将所述第一活动类别校正为其前后相邻的活动类别；当判断出所述第一活动类别前后相邻的两个活动类别不相同时，将所述第一活动类别校正为其前后相邻的两个活动类别中活动时间长的活动类别。

其中，所述装置还包括：

置信度确定单元88，用于根据每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别的置信度；

第二校正单元89，用于根据用户在每个长时时间长度内的活动类别的置信度，确定用户在每个活动时间对应的活动类别的置信度；当确定出的用户在不同的活动时间对应的活动类别中，存在第二活动类别时，比较所述第二活动类别前后相邻的两个活动类别的置信度的大小；其中，所述第二活动类别满足：活动时间大于所述第一阈值，且小于预先设置的第二阈值，以及置信度小于预先设置的第三阈值的活动类别；当所述第二活动类别前相邻的活动类别的置信度大于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其前相邻的活动类别；当所述第二活动类别前相邻的活动类别的置信度小于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其后相邻的活动类别。

为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种活动分类方法，其特征在于，包括：

获取惯性传感器采集的用户活动数据；

根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据；

根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据；其中，所述长时时间长度大于所述短时时间长度；

确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度；

根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

2.如权利要求1所述的方法，其特征在于，所述短时特征包括：

方差、最大最小差值、样本熵和局部二值模式中的至少一种。

3.如权利要求2所述的方法，其特征在于，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据，具体包括：

针对每个长时时间长度执行：

对所述长时时间长度对应的短时特征数据中每种短时特征的数据分别进行统计，得到每种短时特征的数据在所述长时时间长度内的分布信息；

将每种短时特征的数据在所述长时时间长度内的分布信息确定为所述长时时间长度对应的长时特征数据。

4.如权利要求1所述的方法，其特征在于，确定用户在每个长时时间长度内的活动类别之后，所述方法还包括：

根据确定出的用户在每个长时时间长度内的活动类别以及预设规则，确定用户在不同活动时间对应的活动类别；其中，所述预设规则为：当用户在相邻的两个长时时间长度内的活动类别相同时，将所述相邻的两个长时时间长度合并，将合并后的时间长度对应的时间确定为所述相邻的两个长时时间长度内的活动类别对应的活动时间。

5.如权利要求4所述的方法，其特征在于，确定用户在不同活动时间对应的活动类别之后，所述方法还包括：

当确定出的用户在不同活动时间对应的活动类别中，存在第一活动类别时，判断所述第一活动类别前后相邻的两个活动类别是否相同；其中，所述第一活动类别满足：活动时间小于预先设置的第一阈值；

当判断出所述第一活动类别前后相邻的两个活动类别相同时，将所述第一活动类别校正为其前后相邻的活动类别；

当判断出所述第一活动类别前后相邻的两个活动类别不相同时，将所述第一活动类别校正为其前后相邻的两个活动类别中活动时间长的活动类别。

6.如权利要求5所述的方法，其特征在于，确定用户在每个长时时间长度内的活动类别之后，所述方法还包括：

根据每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别的置信度；则

确定用户在不同活动时间对应的活动类别之后，所述方法还包括：

根据用户在每个长时时间长度内的活动类别的置信度，确定用户在每个活动时间对应的活动类别的置信度；

当确定出的用户在不同的活动时间对应的活动类别中，存在第二活动类别时，比较所述第二活动类别前后相邻的两个活动类别的置信度的大小；其中，所述第二活动类别满足：活动时间大于所述第一阈值，且小于预先设置的第二阈值，以及置信度小于预先设置的第三阈值的活动类别；

当所述第二活动类别前相邻的活动类别的置信度大于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其前相邻的活动类别；

当所述第二活动类别前相邻的活动类别的置信度小于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其后相邻的活动类别。

7.一种活动分类装置，其特征在于，包括：

用户活动数据获取单元，用于获取惯性传感器采集的用户活动数据；

短时特征数据确定单元，用于根据预先设置的短时时间长度，对每个短时时间长度内的用户活动数据进行短时特征提取，得到每个短时时间长度对应的短时特征数据；

长时特征数据确定单元，用于根据预先设置的长时时间长度，对每个长时时间长度对应的短时特征数据进行统计，得到每个长时时间长度对应的长时特征数据；其中，所述长时时间长度大于所述短时时间长度；

相似度确定单元，用于确定每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度；

活动类别确定单元，用于根据确定出的每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别。

8.如权利要求7所述的装置，其特征在于，所述短时特征包括：

方差、最大最小差值、样本熵和局部二值模式中的至少一种。

9.如权利要求8所述的装置，其特征在于，所述长时特征数据确定单元，具体用于：

针对每个长时时间长度执行：

对所述长时时间长度对应的短时特征数据中每种短时特征的数据分别进行统计，得到每种短时特征的数据在所述长时时间长度内的分布信息，并将每种短时特征的数据在所述长时时间长度内的分布信息确定为所述长时时间长度对应的长时特征数据。

10.如权利要求7所述的装置，其特征在于，所述装置还包括：

活动类别合并单元，用于根据确定出的用户在每个长时时间长度内的活动类别以及预设规则，确定用户在不同活动时间对应的活动类别；其中，所述预设规则为：当用户在相邻的两个长时时间长度内的活动类别相同时，将所述相邻的两个长时时间长度合并，将合并后的时间长度对应的时间确定为所述相邻的两个长时时间长度内的活动类别对应的活动时间。

11.如权利要求10所述的装置，其特征在于，所述装置还包括：

第一校正单元，用于当确定出的用户在不同活动时间对应的活动类别中，存在第一活动类别时，判断所述第一活动类别前后相邻的两个活动类别是否相同；其中，所述第一活动类别满足：活动时间小于预先设置的第一阈值；当判断出所述第一活动类别前后相邻的两个活动类别相同时，将所述第一活动类别校正为其前后相邻的活动类别；当判断出所述第一活动类别前后相邻的两个活动类别不相同时，将所述第一活动类别校正为其前后相邻的两个活动类别中活动时间长的活动类别。

12.如权利要求11所述的装置，其特征在于，所述装置还包括：

置信度确定单元，用于根据每个长时时间长度对应的长时特征数据与预先确定的每个活动类别的类中心数据的相似度，确定用户在每个长时时间长度内的活动类别的置信度；

第二校正单元，用于根据用户在每个长时时间长度内的活动类别的置信度，确定用户在每个活动时间对应的活动类别的置信度；当确定出的用户在不同的活动时间对应的活动类别中，存在第二活动类别时，比较所述第二活动类别前后相邻的两个活动类别的置信度的大小；其中，所述第二活动类别满足：活动时间大于所述第一阈值，且小于预先设置的第二阈值，以及置信度小于预先设置的第三阈值的活动类别；当所述第二活动类别前相邻的活动类别的置信度大于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其前相邻的活动类别；当所述第二活动类别前相邻的活动类别的置信度小于其后相邻的活动类别的置信度时，将所述第二活动类别校正为其后相邻的活动类别。