CN105892674A - 一种基于智能手环的泳姿识别方法和基于智能手环的运动方案 - Google Patents

Abstract

本发明提供一种基于智能手环的泳姿识别方法和基于智能手环的运动方案，能够识别自由泳、蛙泳、仰泳、蝶泳四种常见泳姿。以贝叶斯分类算法为基础，根据不同种类的泳姿，智能手环检测出的物理量，建立了一种泳姿识别的方法，并结合手环检测到的运动时间，脉搏跳速等物理量，提出了一套包括体能评估在内的运动方案。本发明能够满足人们对健康运动的高标准要求。

Description

一种基于智能手环的泳姿识别方法和基于智能手环的运动 方案

技术领域

本发明涉及一种泳姿识别方法，尤其涉及一种一种基于智能手环的泳姿识别方法和基于智能手环的运动方案。

背景技术

随着全民健身计划深入贯彻落实，越来越多的人们参与到运动健身中。而游泳作为一种老少皆宜的健身运动，十分受到人们的追捧。针对游泳运动而设计的智能产品也层出不穷，比如辅助游泳运动的智能手环装置。纵观多款智能手环不难发现，绝大多数手环仅具备如泳速采集、测量心率等功能，却没有任何一款手环能够对游泳者所进行的泳姿进行识别。通过对泳姿的智能识别有利于于对消耗热量和心率等参数进行正确评估，满足人们对健康运动的高标准要求。因此，本发明所提供的一种基于智能手环的泳姿识别方法及运动方案具有重要意义。

发明内容

本发明的目的是为了能够对游泳者所进行的游泳姿态进行识别，并结合运动时间，脉搏跳速等物理量对健身者的运动情况和身体状态进行评估而提供一种基于智能手环的泳姿识别方法和基于智能手环的运动方案。

本发明的目的是这样实现的：一种基于智能手环的泳姿识别方法，

第一步：根据四种不同泳姿设置四个分类，记作C_j，j＝1、2、3、4，其中C₁是自由泳，C₂是蛙泳，C₃是仰泳，C₄是蝶泳；

第二步：根据智能手环所检测到的物理量，设置数据样本X，每个样本X中有五个属性，且五种属性之间相互独立，可记作X＝{x₁,x₂,x₃,x₄,x₅}，其中，x₁是x轴加速度，x₂是y轴加速度，x₃是z轴加速度，x₄是x、y、z轴加速度大小的排序，x₅是一个动作周期，且属性x₄有六种不同的情况，将每种情况记作k＝1、2、3、4、5、6；

第三步：佩戴智能手环以不同泳姿游泳而获得的庞大数据集，从而用数据集来训练分类器，求出所满足所有i、j取值的先验概率，包括：P(x_i≥0/C_j)(i＝1、2、3)、P(x₅/C_j)；

第四步：对于一个实际样本X'，先判断x′_i的正负，中k的取值，概率P(X'/C_j)的计算公式是：

$P(X^{\&prime;}/C_j)=\underset{i=1}{\overset{3}{\mathrm{\&Pi;}}}\left\{\begin{array}{cc}P(x_i\&GreaterEqual;0/C_j)\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}\&GreaterEqual;0\\ \&lsqb;1-P(x_i\&GreaterEqual;0/C_j)\&rsqb;\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}<0\end{array}\right.$

先验概率P(x₅/C_j)计算公式是：

$P(x_5/C_j)=\left\{\begin{array}{cc}1& x_5^{\&prime;}\&Element;\&lsqb;t_{\min }^j-f_j,t_{max}^j+f_j\&rsqb;\\ 0& x_5^{\&prime;}\&NotElement;\&lsqb;t_{\min }^j-f_j,t_{max}^j+f_j\&rsqb;\end{array}\right.$

其中：表示泳姿C_j的一个动作周期在数据集中的最大值和最小值，f_j为根据泳姿设定的阀值；

第五步：根据上一步中计算出的P(X'/C_j)，计算概率P(X'∩C_j)：

P(X'∩C_j)＝P(X'/C_j)·P(C_j)

第六步：获取上一步中求出的所有P(X'∩C_j)中的最大值，记做Max{P(X'∩C_j)}，此时，根据最大值所对应j的值，来对实际样本X'进行分类，完成泳姿识别。

一种基于智能手环的运动方案，包括如下步骤：

第一步：在游泳运动之前，游泳者在智能手环中输入自身的身高体重，并设定好预计要消耗的热量；

第二步：智能手环计算出游泳者关节部分惯性参数；

第三步：游泳者开始游泳；

第四步：智能手环检测到n个动作周期内的三轴加速度、时间周期、心率等物理量；

第五步：通过权利要求1中所建立的泳姿的识别方法，结合智能手环监测的物理量对游泳者现游的泳姿进行识别，并调出已经存在在智能手环中的适合于该泳姿消耗热量计算的数学模型；

第六步：游泳者关节部分惯性参数以及第五步中的数学模型计算出游泳者所消耗的热量；

第七步：将第六步中计算出的热量与预计消耗的热量、心率进行比较，评估游泳者当前时刻的运动状况和身体状况；

第八步：将第七步得到的评估结果定时反馈给游泳者，提醒游泳者是否已经完成了预计消耗热量目标，如果完成预计消耗热量目标，可结束运动；如果没有完成预计消耗热量目标，计算出为完成目标还需要消耗的热量、还需要游泳的时间以及当前时刻的身体状况是否适合继续运动；

第九步：经第八步后，如果继续运动，则从第三步开始重复。

与现有技术相比，本发明的有益效果是：本发明所提供的基于智能手环的泳姿识别方法及运动方案，能够对游泳者所进行的泳姿进行识别。并能够对游泳者的运动情况和身体状况进行评估。本发明所提供的装置，并能够对游泳者的运动情况和身体状况进行更合理的评估。

附图说明

图1为本发明实施例基于智能手环的泳姿识别方法及运动方案的运动方案流程示意图；

图2为泳姿识别方法的流程示意图；

图3为所规定的三轴加速度正方向的示意图；

图4为自由泳在一个动作周期内的动作分解图；

图5为蛙泳在一个动作周期内的动作分解图；

图6为仰泳和自由泳的z轴加速度方向对比图；

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

参见图1，为本发明实施例基于智能手环的泳姿识别方法及运动方案的运动方案流程示意图，包括如下步骤：

S101：进行游泳运动前，游泳者在智能手环中输入自身的身高体重，并设定好预计需要消耗的热量；

S102：智能手环根据健国标委员会颁布的“成年人人体惯性参数”计算出游泳者关节部分惯性参数；

S103：游泳者以喜欢的泳姿游泳；

S104：手环检测到几个动作周期内的三轴加速度，时间周期、心率等物理量，并将物理量数据通过蓝牙通讯传给手机；

S106:通过所建立的泳姿识别方法(S110)，结合手环检测到的物理量对所进行的泳姿进行识别，并调出适合于该泳姿热量计算的数学模型(S109)；

S107：根据第2步所获取游泳者关节部分惯性参数，第5步中调用出的数学模型计算在这几个动作周期内，该泳姿下，游泳者所消耗的卡路里；

S108：将游泳者已经消耗的卡路里和此时的已经消耗的热量、心率(S105)进行比较，评估游泳者此时的运动状况和身体状况,将评估结果定时反馈给游泳者，提醒其是否已经完成了预计消耗热量目标，为完成目标还需要消耗的热量、还需要游泳的时间，以及此时的身体状况是否适合继续运动；

重复进行S103、S104、S105、S107、S108；

结合图2，对泳姿识别方法做进一步详述：

S1101：根据4种不同泳姿，设置4个分类，记作C_j(j＝1、2、3、4，下同)；

其中C₁是自由泳、C₂是蛙泳、C₃是仰泳、C₄是蝶泳

S1102：根据智能手环所检测到的物理量，设置数据样本X，每个样本X中有5个属性，且5种属性之间相互独立，可记作X＝{x₁,x₂,x₃,x₄,x₅}；

其中，x₁是x轴加速度，x₂是y轴加速度，x₃是z轴加速度，x₄是x、y、z轴加速度大小的排序，x₅是一个动作周期

由排列组合知识可知，属性x₄共有6种不同的情况，将每种情况记作

S1103：实验者佩戴智能手环以不同泳姿游泳而获得的庞大数据集，从而用数据集来训练分类器。求出所有先验概率，包括P(x_i≥0/C_j)(i＝1、2、3，下同)、P(x₅/C_j)；

S1104：进行游泳时，将智能手环实际检测出的物理量作为一个实际样本，记作X'；

S1105：判定实际样本属性中k的取值，根据判定结果调出合理的先验概率

S1106：根据上一步中调出的先验概率，根据下面的公式来计算概率P(X'/C_j)：

$P(X^{\&prime;}/C_j)=\underset{i=1}{\overset{3}{\mathrm{\&Pi;}}}\left\{\begin{array}{cc}P(x_i\&GreaterEqual;0/C_j)\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}\&GreaterEqual;0\\ \&lsqb;1-P(x_i\&GreaterEqual;0/C_j)\&rsqb;\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}<0\end{array}\right.$

上式中P(x₅/C_j)按着如下公式计算：

$P(x_5/C_j)=\left\{\begin{array}{cc}1& x_5^{\&prime;}\&Element;\&lsqb;t_{\min }^j-f_j,t_{max}^j+f_j\&rsqb;\\ 0& x_5^{\&prime;}\&NotElement;\&lsqb;t_{\min }^j-f_j,t_{max}^j+f_j\&rsqb;\end{array}\right.$

上式中表示泳姿C_j的一个动作周期在数据集中的最大值和最小值，f_j为根据泳姿设定的阀值；

S1107：根据上一步中计算出的P(X'/C_j)，由下面的公式来计算概率P(X'∩C_j)：

P(X'∩C_j)＝P(X'/C_j)·P(C_j)

S1108：获取上一步中求出的所有P(X'∩C_j)中的最大值，记做Max{P(X'∩C_j)}，得到与其对应的j的值；

S1109：根据j，完成对实际样本X'的分类；

应用案例：

举例前先依次列出属性x₄的所有情况，并依次按记作：是xyz、是xzy、是yxz、是yzx、是zxy、是zyx

规定智能手环检测到的三轴加速度的正方向如图3所示，三轴正方向保持恒定，不会随着人体姿势的变化而变化。

下面通过三组实际案例来验证本方法的可行性：

(1)在别蛙泳(C₁)和自由泳(C₂)、仰泳(C₃)三者中识别蛙泳

如图4所示，进行自由泳或仰泳时，手腕中心点的运动轨迹所在平面近似的垂直于水面，故此时智能手环检测到x轴，y轴的加速度大小会大于z轴加速度的大小；如图5所示，当进行蛙泳时，手腕中心点的运动轨迹所在平面近似的平行于水面，故此时智能手环检测到的x轴，z轴的加速度大小会大于y轴加速度的大小。

因此，先验概率满足(以仅对边自由泳和蛙泳为例)， P(x_i≥0/C₁)≈P(x_i≥0/C₂)、P(x₅/C₁)≈P(x₅/C₂)。故由上述公式推导可得P(X∩C₁)＞＞P(X∩C₂)。

因此，根据智能手环检测出的一组实际样本X'，若判定出P(X'∩C₁)＞＞P(X'∩C₂)，P(X'∩C₃)＞＞P(X'∩C₂)则可断定此时进行自由泳或仰泳的概率远大于进行蛙泳的概率。

(2)区分自由泳(C₂)与仰泳(C₃)

如图所示，在三轴加速度大小排序上，自由泳和仰泳很接近，既先验概率满足，但二者在z轴加速度的方向不同。

假设使用者左手佩戴手环，分别进行仰泳和自由泳，则由智能手环检测出的z轴加速度的正方向如图6所示。同时图6标出了在两种泳姿下，左手腕中心点的运动轨迹延z轴的运动方向。故由图6可知，进行自由泳时，所检测出的z轴加速度方向为正，既样本X中的属性x₃>0；进行仰泳时，所检测出的z轴加速度方向为负，既样本X中的属性x₃<0。故可判定先验概率P(x₃≥0/C₁)＞＞P(x₃≥0/C₃)，P(x₃＜0/C₃)＞＞P(x₃＜0/C₁)，而其他几组先验概率却比较接近，因此可以通过本发明提供的方法来区分仰泳和自由泳。

(3)在别蛙泳(C₁)、自由泳(C₂)、仰泳(C₃)、蝶泳(C₄)四者中识别蝶泳

四种泳姿中，蝶泳的动作周期(进行同一姿势的间隔时间)最长，在进行蝶泳时，智能手环检测出的样本记作X'，其时间周期属性记作x'₅，则根据本发明的识别方法可知先验概率P(x'₅/C₄)＝1，而P(x'₅/C₁)、P(x'₅/C₂)、P(x'₅/C₃)均为0。由此便可判定P(X'∩C₄)大于P(X'∩C₁)、P(X'∩C₂)、P(X'∩C₃)，故可由本方法识别蝶泳。

以贝叶斯分类算法为基础，根据不同种类的泳姿，智能手环检测出的物理量，建立了一种识别泳姿的方法，能够识自由泳、蛙泳、仰泳、蝶泳四种最常见的泳姿。主要包含如下步骤：

根据4种不同泳姿，设置4个分类，记作C_j(j＝1、2、3、4，下同)；

其中C₁是自由泳，C₂是蛙泳，C₃是仰泳，C₄是蝶泳

根据智能手环所检测到的物理量，设置数据样本X，每个样本X中有5个属性，且5种属性之间相互独立，可记作X＝{x₁,x₂,x₃,x₄,x₅}；

其中，x₁是x轴加速度，x₂是y轴加速度，x₃是z轴加速度，x₄是x、y、z轴加速度大小的排序，x₅是一个动作周期

由排列组合知识可知，属性x₄共有6种不同的情况，将每种情况记作

佩戴智能手环以不同泳姿游泳而获得的庞大数据集，从而用数据集来训练分类器。求出所满足所有i、j取值的先验概率，包括：P(x_i≥0/C_j)(i＝1、2、3，下同)、P(x₅/C_j)；

对于一个实际样本X'，先判断x′_i的正负，中k的取值，再根据下面的公式来计算概率P(X'/C_j)：

$P(X^{\&prime;}/C_j)=\underset{i=1}{\overset{3}{\mathrm{\&Pi;}}}\left\{\begin{array}{cc}P(x_i\&GreaterEqual;0/C_j)\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}\&GreaterEqual;0\\ \&lsqb;1-P(x_i\&GreaterEqual;0/C_j)\&rsqb;\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}<0\end{array}\right.$

上式中，先验概率P(x₅/C_j)按着如下公式计算：

$P(x_5/C_j)=\left\{\begin{array}{cc}1& x_5^{\&prime;}\&Element;\&lsqb;t_{\min }^j-f_j,t_{max}^j+f_j\&rsqb;\\ 0& x_5^{\&prime;}\&NotElement;\&lsqb;t_{\min }^j-f_j,t_{max}^j+f_j\&rsqb;\end{array}\right.$

上式中表示泳姿C_j的一个动作周期在数据集中的最大值和最小值，f_j为根据泳姿设定的阀值；

5.根据上一步中计算出的P(X'/C_j)，由下面的公式来计算概率P(X'∩C_j)：

P(X'∩C_j)＝P(X'/C_j)·P(C_j)

6.获取上一步中求出的所有P(X'∩C_j)中的最大值，记做Max{P(X'∩C_j)}，此时，便可根据最大值所对应j的值，来对实际样本X'进行分类；

根据本发明所提供的一种基于智能手环的泳姿识别方法及运动方案，提出了一套包括评估在内的运动方案，具体包含如下步骤：

1.进行游泳运动前，游泳者在智能手环中输入自身的身高体重，并设定好预计需要消耗的热量；

2.智能手环根据国标委员会颁布的“成年人人体惯性参数”计算出游泳者关节部分惯性参数；

3.游泳者以喜欢的泳姿游泳；

4.手环检测到几个动作周期内的三轴加速度、时间周期、心率等物理量；

5.通过所建立的泳姿识别方法，结合手环检测到的物理量对所进行的泳姿进行识别，并调出适合于该泳姿消耗热量计算的数学模型；

6.根据第2步所获取游泳者关节部分惯性参数，第5步中调用出的数学模型计算在这几个动作周期内，该泳姿下，游泳者所消耗的热量；

7.将游泳者已经消耗的热量和预计消耗的热量、心率进行比较，评估游泳者此时的运动状况和身体状况；

8.将评估结果定时反馈给游泳者，提醒其是否已经完成了预计消耗热量目标，为完成目标还需要消耗的热量、还需要游泳的时间，以及此时的身体状况是否适合继续运动；

9.重复3、4、6-8步；

本发明公开了一种基于智能手环的泳姿识别方法及运动方案，能够识别自由泳、蛙泳、仰泳、蝶泳四种常见泳姿。以贝叶斯分类算法为基础，根据不同种类的泳姿，智能手环检测出的物理量，建立了一种泳姿识别的方法。并结合手环检测到的运动时间，脉搏跳速等物理量，提出了一套包括体能评估在内的运动方案。能够满足人们对健康运动的高标准要求。

Claims (2)

1.一种基于智能手环的泳姿识别方法，其特征在于：

第一步：根据四种不同泳姿设置四个分类，记作C_j，j＝1、2、3、4，其中C₁是自由泳，C₂是蛙泳，C₃是仰泳，C₄是蝶泳；

第二步：根据智能手环所检测到的物理量，设置数据样本X，每个样本X中有五个属性，且五种属性之间相互独立，可记作X＝{x₁,x₂,x₃,x₄,x₅}，其中，x₁是x轴加速度，x₂是y轴加速度，x₃是z轴加速度，x₄是x、y、z轴加速度大小的排序，x₅是一个动作周期，且属性x₄有六种不同的情况，将每种情况记作k＝1、2、3、4、5、6；

第三步：佩戴智能手环以不同泳姿游泳而获得的庞大数据集，从而用数据集来训练分类器，求出所满足所有i、j取值的先验概率，包括：

第四步：对于一个实际样本X'，先判断x′_i的正负，中k的取值，概率P(X'/C_j)的计算公式是：

$P(X^{\&prime;}/C_j)=\underset{i=1}{\overset{3}{\&Pi;}}\left\{\begin{array}{cc}P\left(x_i\&GreaterEqual;0/C_j\right)\&CenterDot;P(x_4^k/C_j)\&CenterDot;P\left(x_5/C_j\right)& x_i^{\&prime;}\&GreaterEqual;0\\ \&lsqb;1-P(x_i\&GreaterEqual;0/C_j)\&rsqb;\&CenterDot;P(x_4^k/C_j)\&CenterDot;P(x_5/C_j)& x_i^{\&prime;}<0\end{array}\right.$

先验概率P(x₅/C_j)计算公式是：

其中：表示泳姿C_j的一个动作周期在数据集中的最大值和最小值，f_j为根据泳姿设定的阀值；

第五步：根据上一步中计算出的P(X'/C_j)，计算概率P(X'∩C_j)：

P(X'∩C_j)＝P(X'/C_j)·P(C_j)

第六步：获取上一步中求出的所有P(X'∩C_j)中的最大值，记做Max{P(X'∩C_j)}，此时，根据最大值所对应j的值，来对实际样本X'进行分类，完成泳姿识别。

2.一种基于智能手环的运动方案，其特征在于：包括如下步骤：

第一步：在游泳运动之前，游泳者在智能手环中输入自身的身高体重，并设定好预计要消耗的热量；

第二步：智能手环计算出游泳者关节部分惯性参数；

第三步：游泳者开始游泳；

第四步：智能手环检测到n个动作周期内的三轴加速度、时间周期、心率等物理量；

第五步：通过权利要求1中所建立的泳姿的识别方法，结合智能手环监测的物理量对游泳者现游的泳姿进行识别，并调出已经存在在智能手环中的适合于该泳姿消耗热量计算的数学模型；

第六步：游泳者关节部分惯性参数以及第五步中的数学模型计算出游泳者所消耗的热量；

第七步：将第六步中计算出的热量与预计消耗的热量、心率进行比较，评估游泳者当前时刻的运动状况和身体状况；

第八步：将第七步得到的评估结果定时反馈给游泳者，提醒游泳者是否已经完成了预计消耗热量目标，如果完成预计消耗热量目标，可结束运动；如果没有完成预计消耗热量目标，计算出为完成目标还需要消耗的热量、还需要游泳的时间以及当前时刻的身体状况是否适合继续运动；

第九步：经第八步后，如果继续运动，则从第三步开始重复。