误计步消除方法、装置及可穿戴设备
技术领域
本申请涉及可穿戴设备技术领域,尤其涉及一种误计步消除方法、装置及可穿戴设备。
背景技术
随着人们生活水平的提高,越来越多的人注重自身的身体健康,而跑步作为一种方便、经济、高效的锻炼方式,也受到越来越多的人的喜爱,用户常通过每天走路、跑步的步数来衡量每天的运动量。
现有技术中,用户可使用可穿戴设备尤其是腕带式可穿戴设备,例如智能手环、智能手表等监测自己每天的运动量。但是现有的可穿戴设备的虚警率都偏高,可穿戴设备常将用户的一些非走路、跑步的活动计入步数,因此根据可穿戴设备统计的运动量已不能准确地衡量出用户的运动量,进而影响对用户运动量的检测。
发明内容
有鉴于此,本申请提供一种新的技术方案,可以解决误计步的技术问题。
为实现上述目的,本申请提供技术方案如下:
根据本申请的第一方面,提出了一种误计步消除方法,应用在可穿戴设备上,包括:
根据预设时间周期内采集的多个轴向的加速度数据确定用户在所述预设时间周期内的第一活动特征值;
根据所述第一活动特征值确定所述用户在所述预设时间周期内的活动状态是否为第一活动状态,所述第一活动状态用于表示不是走路或者跑步的活动状态;
如果根据所述第一活动特征值确定所述用户在所述预设时间周期内的活动状态为第一活动状态,则控制所述可穿戴式设备工作于非计步模式。
根据本申请的第二方面,提出了一种误计步消除装置,应用在可穿戴设备上,可包括:
第一特征值确定模块,用于根据预设时间周期内采集的多个轴向的加速度数据确定用户在所述预设时间周期内的第一活动特征值;
第一状态确定模块,用于根据所述第一特征值确定模块确定的所述第一活动特征值确定所述用户在所述预设时间周期内的活动状态是否为第一活动状态,所述第一活动状态用于表示不是走路或者跑步的活动状态;
控制模块,用于如果根据所述第一状态确定模块根据所述第一活动特征值确定所述用户在所述预设时间周期内的活动状态为第一活动状态,则控制所述可穿戴式设备工作于非计步模式。
根据本申请的第三方面,提出了一种可穿戴设备,所述可穿戴设备包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,被配置为执行上述误计步消除方法。
由以上技术方案可见,本申请可以准确地识别用户所处的活动状态是否为非走路、跑步的活动状态,从而将用户走路、跑步运动与日常活动,例如、穿衣、刷牙等进行准确区分,避免对非走路、跑步的日常活动进行计步,提高对用户运动量的监测的可信度。
附图说明
图1A示出了根据本发明的一示例性实施例的误计步消除方法的流程示意图;
图1B示出了根据本发明的一示例性实施例的走路状态下实时采集的加速度数据的周期性特征值示意图;
图1C示出了根据本发明的一示例性实施例的穿衣服状态下实时采集的加速度数据的示意图;
图1D示出了根据本发明的一示例性实施例的走路状态下实时采集的加速度数据的主导轴示意图;
图1E示出了根据本发明的一示例性实施例的跑步状态下实时采集的加速度数据的主导轴示意图;
图1F示出了根据本发明的一示例性实施例的洗澡状态下实时采集的加速度数据的主导轴特征值示意图;
图2A示出了根据本发明的又一示例性实施例的误计步消除方法的流程示意图;
图2B示出了根据本发明的一示例性实施例的走路状态下实时采集的每一个轴向的加速度数据的权重值的示意图;
图2C示出了根据本发明的一示例性实施例的刷牙状态下实时采集的每一个轴向的加速度数据的权重值的示意图;
图3A示出了根据本发明的另一示例性实施例的如何确定用户的周期性特征值的流程示意图;
图3B示出了根据本发明的另一示例性实施例的步骤302的流程示意图;
图4示出了根据本发明的再一示例性实施例的如何根据周期性特征值确定用户的活动状态的流程示意图;
图5A示出了根据本发明的另一示例性实施例的如何确定用户的主导轴特征值的流程示意图;
图5B示出了根据本发明的另一示例性实施例的步骤503的流程示意图;
图6示出了根据本发明的再一示例性实施例的如何根据主导轴特征值确定用户的活动状态的流程示意图;
图7示出了根据本发明的再一示例性实施例的如何计算每一个轴向的加速度数据的权重值的流程示意图;
图8示出了根据本发明的一示例性实施例的可穿戴设备的结构示意图;
图9示出了根据本发明的一示例性实施例的误计步消除装置的结构示意图;
图10示出了根据本发明的又一示例性实施例的误计步消除装置的结构示意图;
图11示出了根据本发明的另一示例性实施例的误计步消除装置的结构示意图;
图12示出了根据本发明的另一示例性实施例的误计步消除装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为对本申请进行进一步说明,提供下列实施例:
图1A示出了根据本发明的一示例性实施例的误计步消除方法的流程示意图,图1B示出了根据本发明的一示例性实施例的走路状态下实时采集的加速度数据的周期性特征值示意图,图1C示出了根据本发明的一示例性实施例的穿衣服状态下实时采集的加速度数据的示意图,图1D示出了根据本发明的一示例性实施例的走路状态下实时采集的加速度数据的主导轴示意图,图1E示出了根据本发明的一示例性实施例的跑步状态下实时采集的加速度数据的主导轴示意图,图1F示出了根据本发明的一示例性实施例的洗澡状态下实时采集的加速度数据的主导轴特征值示意图;如图1A所示,包括如下步骤:
步骤101,根据预设时间周期内采集的多个轴向的加速度数据确定用户在预设时间周期内的第一活动特征值。
在一实施例中,预设时间周期可以为每分钟或者每五秒钟等设定时间间隔。
在一实施例中,第一活动特征值可以包括周期性特征值和主导轴特征值。
在一实施例中,多个轴向的加速度数据可以为两个以上轴向的加速度传感器采集得到两个以上轴向的加速度数据,例如,如图1B至图1F所示,横轴表示采样点,例如横轴对应的“1400”表示第1400个采样点,纵轴表示加速度数据的大小,其中,以三轴加速度传感器每分钟1500个采样点的加速度数据为例进行说明,标号11表示三轴加速度传感器在x轴方向的加速度数据,标号12表示三轴加速度传感器在y轴方向的加速度数据,标号13表示三轴加速度传感器在z轴方向的加速度数据,图1B中标号14表示用户在走路状态下的加速度数据的周期性特征值,图1C中标号15表示用户在穿衣服状态下的加速度数据的周期性特征值,图1D中标号16表示用户在走路状态下的加速度数据的主导轴特征值,图1E中标号17表示用户在跑步状态下的加速度数据的主导轴,图1F中标号18表示用户在洗澡状态下的加速度数据的主导轴,由图1B至图1F可知,走路或者跑步状态下加速度数据的周期性特征值和主导轴较为稳定,而穿衣服状态下的周期性特征值跳变概率较大,周期性比较差,洗澡状态下的主导轴经常发生切换,变化率较大,因此,本申请可根据用于在预设时间周期内活动的加速度数据的周期性特征值和主导轴特征值是否稳定来判断用户当前是否为非走路、跑步的状态。
在一实施例中,根据加速度数据得到周期性特征值的一个实现方式可以参见下述图3A所示实施例。
在一实施例中,根据加速度数据得到主导轴特征值的一个实现方式可以参见下述图5A所示实施例。
步骤102,根据第一活动特征值确定用户在预设时间周期内的活动状态是否为第一活动状态,如果根据第一活动特征值确定用户在预设时间周期内的活动状态为第一活动状态,则执行步骤103。
在一实施例中,第一活动状态用于表示不是走路或者跑步的活动状态。
在一实施例中,由于用户处于走路、跑步状态时的周期性特征值比较稳定,周期性特征值的跳变概率非常小,因此为了区分走路、跑步状态下的周期性特征值的跳变概率与用户非走路、跑步状态下的周期性特征值的跳变概率的不同,预设跳变阈值可以设置为一个较小的正数。
在一实施例中,根据周期性特征值确定用户的活动状态是否为第一活动状态可以通过下述图4所示实施例得到,在此先不详述。
在一实施例中,由于用户处于走路、跑步状态时的主导轴比较稳定,主导轴的变化率非常小,因此为了区分走路、跑步状态下的主导轴的变化率与用户非走路、跑步状态下的主导轴的变化率的不同,预设变化率阈值可以设置为一个较小的正数。
在一实施例中,根据主导轴确定用户的活动状态是否为第一活动状态可以通过下述图6所示实施例得到,在此先不详述。
步骤103,控制可穿戴式设备工作于非计步模式。
在一实施例中,通过第一活动特征值确定用户在预设时间周期内的活动状态为第一活动状态时,可控制可穿戴设备工作于非计步模式,即控制可穿戴设备当前不计步。
由上述描述可知,本发明实施例通过上述步骤101-步骤103可以准确地识别用户所处的活动状态是否为非走路、跑步的活动状态,从而将用户走路、跑步运动与日常活动,例如、穿衣、洗澡等进行准确区分,避免对非走路、跑步的日常活动进行计步,提高对用户运动量的监测的可信度。
图2A示出了根据本发明的又一示例性实施例的误计步消除方法的流程示意图,图2B示出了根据本发明的一示例性实施例的走路状态下实时采集的每一个轴向的加速度数据的权重值的示意图,图2C示出了根据本发明的一示例性实施例的刷牙状态下实时采集的每一个轴向的加速度数据的权重值的示意图;本实施例在上述实施例的基础上,结合图1B至图1F对消除误计步进行示例性说明,如图2A所示,包括如下步骤:
步骤201,根据预设时间周期内采集的多个轴向的加速度数据确定用户在预设时间周期内的第一活动特征值。
步骤202,根据第一活动特征值确定用户在预设时间周期内的活动状态是否为第一活动状态,第一活动状态用于表示不是走路或者跑步的活动状态,如果根据第一活动特征值确定用户在预设时间周期内的活动状态为第一活动状态,则执行步骤203,如果根据第一活动特征值确定用户在预设时间周期内的活动状态不为第一活动状态,则执行步骤204。
步骤203,控制可穿戴式设备工作于非计步模式。
在一实施例中,步骤201至步骤203的详细描述可参见图1A实施例,这里不再详述。
步骤204,计算用户在预设时间周期内的第二活动特征值,第二活动特征值包括用户在预设时间周期内的幅值。
在一实施例中,可以将预设时间周期内每一个多个轴向的加速度数据的每一个轴向的加速度计算平方和开根号,得到每一个多个轴向的加速度数据的幅值;将设定时间周期内计算得到的所有幅值计算均值即,可得到预设时间周期内的幅值。例如,如果预设时间周期为6秒钟,而每秒钟采集25个加速度数据,则预设时间周期内可以采集到150组加速度数据,即采集到各自对应的x、y、z轴的150个加速度数据,每组x、y、z轴的加速度数据的幅值6秒钟内的幅值可以为150组加速度数据的幅值的和值之后求均值。
步骤205,根据用户在预设时间周期内活动的幅值,确定用户在预设时间周期内的活动状态是否为第二活动状态,第二活动状态用于表示跑步的活动状态,如果用户在预设时间周期内的活动状态不为第二活动状态,则执行步骤206,如果用户在预设时间周期内的活动状态为第二活动状态,则进入计步模式。
在一实施例中,由于用户出于跑步状态时的加速度数据的幅值比较大,因此为了确定是否为跑步状态,可以设置一个预设幅度阈值,并且将预设幅度阈值设置为一个较大的正数,预设幅度阈值的具体值可以根据经验数据设置。
在一实施例中,如果用户在预设时间周期内活动的幅值大于预设幅度阈值,则可确定用户在预设时间周期内的活动状态为跑步状态。
步骤206,计算每一帧数据的每一个轴向的加速度数据的权重值。
在一实施例中,权重值是指每一帧数据的每一个轴向的加速度数据的标准差与多个轴向的加速度数据的平滑处理后的波形的幅值标准差的比值。
在一实施例中,计算每一帧数据的每一个轴向的加速度数据的权重值的步骤可参见下述图7所示实施例,这里先不详述。
步骤207,确定每一帧数据的每一个轴向的加速度数据的权重值是否与每一个轴向的加速度数据的预设权重值阈值匹配,如果每一帧数据的每一个轴向的加速度数据的权重值与每一个轴向的加速度数据的预设权重值阈值不匹配,则执行步骤208,如果每一帧数据的每一个轴向的加速度数据的权重值与每一个轴向的加速度数据的预设权重值阈值匹配,则执行步骤209。
在一实施例中,每一帧数据的每一个轴向的加速度数据的权重值是否与每一个轴向的加速度数据的预设权重值阈值是否匹配的含义是:如果每一帧数据的每一个轴向的加速度数据的权重值对应轴向的加速度数据的预设权重值阈值满足预设的大小关系,则表示每一帧数据的每一个轴向的加速度数据的权重值与每一个轴向的加速度数据的预设权重值阈值匹配。
例如,在一实施例中,每一帧数据的每一个轴向的加速度数据的权重值是否与每一个轴向的加速度数据的预设权重值阈值是否匹配可以理解为:如果x轴的加速度数据的权重值大于x轴的加速度数据的预设权重值阈值,则表示x轴的加速度数据的权重值与x轴的加速度数据的预设权重值阈值匹配,如果x轴的加速度数据的权重值小于x轴的加速度数据的预设权重值阈值,则表示x轴的加速度数据的权重值与x轴的加速度数据的预设权重值阈值不匹配;如果y轴的加速度数据的权重值大于y轴的加速度数据的预设权重值阈值,则表示y轴的加速度数据的权重值与y轴的加速度数据的预设权重值阈值匹配,如果y轴的加速度数据的权重值小于y轴的加速度数据的预设权重值阈值,则表示y轴的加速度数据的权重值与y轴的加速度数据的预设权重值阈值不匹配;如果z轴的加速度数据的权重值小于z轴的加速度数据的预设权重值阈值,则表示z轴的加速度数据的权重值与z轴的加速度数据的预设权重值阈值匹配,如果z轴的加速度数据的权重值大于z轴的加速度数据的预设权重值阈值,则表示z轴的加速度数据的权重值与z轴的加速度数据的预设权重值阈值不匹配。当然并不限于以上方式。
在一示例性实施例中,图2B为走路状态下采集的三轴加速度数据,图2C为刷牙状态下采集的三轴加速度数据,标号21为x轴的加速度数据,标号22为y轴的加速度数据,标号23为z轴的加速度数据,标号24为z轴加速度数据的权重值,由图2B可知,走路状态下的z轴加速度数据的权重值为0,而刷牙状态下的z轴加速度数据的权重值不稳定,变化较大,因此可通过确定每一帧数据的每一个轴向的加速度数据的权重值是否与每一个轴向的加速度数据的预设权重值阈值匹配,例如z轴的加速度数据的预设权重值阈值可以设置为一个较小的数值,而x、y轴的预设权重值阈值可以设置为一个较大的数值,例如z轴的加速度数据的预设权重值阈值0.01,x轴、y轴的预设权重值阈值分别设置为0.45和0.54,如果z轴的加速度数据的权重值小于0.01,而x轴的加速度数据的权重值大于0.45,y轴的加速度数据的权重值大于0.54,则可确定用户在预设时间周期内的活动状态为走路状态,否则不为走路状态。
步骤208,确定用户在预设时间周期内的活动状态为第一活动状态,执行控制可穿戴式设备工作于非计步模式的步骤。
步骤209,确定用户在预设时间周期内的活动状态为第三活动状态。
在一实施例中,第三活动状态用于表示走路的活动状态。
本实施例中,当根据第一活动特征值无法确定用户的活动状态是第一活动状态时,可进一步根据幅值和第二活动特征值确定用户的活动状态是否为第一活动状态,进一步避免对用户处于第一活动状态下的活动进行计步,在一定程度上减小进入计步器的数据量,降低可穿戴设备的算法运行时间,从而可以进一步降低可穿戴设备的功率消耗。
图3A示出了根据本发明的另一示例性实施例的如何确定用户的周期性特征值的流程示意图,图3B示出了根据本发明的另一示例性实施例的步骤302的流程示意图;如图3A所示,包括如下步骤:
步骤301,将预设时间周期内的多个轴向的加速度数据分割为N帧数据。
在一实施例中,每一帧数据与每一个相邻帧数据重叠M组加速度数据。例如,预设时间周期为6秒,分割为6帧,但是每一帧数据与相邻帧数据重叠0.1帧数据,则每一帧数据为1.2秒钟的数据,如果每秒钟采样25组加速度数据,则每一帧数据包含30组加速度数据。在又一实施例中,每一帧数据还可以只与其相邻的前一帧数据重叠。在再一实施例中,每一帧数据还可以只与其相邻的后一帧数据重叠;在再一实施例中,每一帧数据与前后两帧数据的重叠部分可以不相同;在另一实施例中,每一帧数据还可以不与相邻帧数据存在重叠部分。
步骤302,计算每一帧数据的特征向量,得到N组特征向量,特征向量包括第一特征向量、第二特征向量、第三特征向量。
在一实施例中,步骤302的步骤可参见图3B所示实施例,如图3B所示,包括以下步骤:
步骤311,计算每一帧数据的每一个轴向的加速度数据的均值,得到预设时间周期内的N个第一特征向量。
例如,通过三轴加速度传感器采集到的在6秒钟内各自对应的x、y、z轴的150组加速度数据,以x轴为例进行示例性说明,x轴的150个加速度数据被分割为6帧数据,由于每一帧数据都与相邻的帧数据重叠0.1帧数据,因此每一帧数据具有1.2秒,即30组加速度数据。
计算每一帧数据的30个x轴的加速度数据的平均值,得到x轴方向的特征值meanx=[x1+x2+…+x30]/30,同理可得y轴和z轴上的特征值meany=[y1+y2+…+y30]/30,meanz=[z1+z2+…+z30]/30。由此,每一帧数据可得到一个第一特征向量(meanx,meany,meanz),每一个预设时间周期可得到N个第一特征向量。
步骤312,将每一帧数据内最大幅值对应的加速度数据确定为每一帧数据的第二特征向量,得到预设时间周期内的N个第二特征向量。
例如,通过三轴加速度传感器采集到的在6秒钟内各自对应的x、y、z轴的150组加速度数据,150组加速度数据被分割为6帧数据,由于每一帧数据都与相邻的帧数据重叠0.1帧数据,因此每一帧数据具有1.2秒,即30组加速度数据。
在一实施例中,计算每一帧数据的每一组加速度数据的幅值,得到对每一帧数据得到的30组幅值求最大值即为每一帧数据的第二特征向量,每一个预设时间周期可得到N个第二特征向量。
步骤313,将每一帧数据内最小幅值对应的加速度数据确定为每一帧数据的第三特征向量,得到预设时间周期内的N个第三特征向量。
例如,通过三轴加速度传感器采集到的在6秒钟内各自对应的x、y、z轴的150组加速度数据,150组加速度数据被分割为6帧数据,由于每一帧数据都与相邻的帧数据重叠0.1帧数据,因此每一帧数据具有1.2秒,即30组加速度数据。
在一实施例中,计算每一帧数据的每一组加速度数据的幅值,得到对每一帧数据得到的30组幅值求最小值即为每一帧数据的第三特征向量,每一个预设时间周期可得到N个第三特征向量。
步骤314,将N个第一特征向量、N个第二特征向量、N个第三特征向量确定为N组特征向量。
步骤303,分别计算N组特征向量中每两个相邻的第一特征向量之间的第一夹角余弦、每两个相邻的第二特征向量之间的第二夹角余弦,以及每两个相邻的第三特征向量之间的第三夹角余弦,得到N-1组夹角余弦,N-1组夹角余弦包括N-1个第一夹角余弦、N-1个第二夹角余弦、N-1个第三夹角余弦。
步骤304,将N-1组夹角余弦确定为用户在预设时间周期内活动的周期性特征值。
本实施例中,由于走路、跑步等活动的周期性比较好,因此可将用户在预设时间周期内的周期性特征值来作为区分走路、跑步运动和非走路跑步运动的一种方式,为了提高通过周期性特征值区分用户的活动状态的准确性,避免将非走路、跑步运动的活动状态识别为走路、跑步的活动状态,本公开计算了两种以上的夹角余弦值,从而提高了活动状态检测的准确度。
图4示出了根据本发明的再一示例性实施例的如何根据周期性特征值确定用户的活动状态的流程示意图;如图4所示,包括如下步骤:
步骤401,计算N-1个第一夹角余弦的跳变次数,得到第一跳变概率。
在一实施例中,参见图1B,标号14表示用户在走路状态下的加速度数据的周期性特征值,可以看出标号14所示的第一夹角余弦值比较稳定,第一夹角余弦值对应的第一跳变概率基本为0。参见图1C,标号15表示用户在穿衣服状态下的加速度数据的周期性特征值,可以看出标号15所示的第一夹角余弦值一直在跳变,对应的第一跳变概率比较大。
在一实施例中,如果相邻夹角余弦的差值的绝对值大于预设余弦值,则表示发生了一次跳变,而N-1个第一夹角余弦的跳变次数则可以理解为N-1个夹角余弦中相邻夹角余弦发生跳变的次数。例如,预设时间周期内共计算得到5个第一夹角余弦,每个夹角余弦值分别为0.9998、0.2773、0.9999、0.9999、0.9998,则第一夹角余弦值的跳变次数为1,跳变概率为1/5。
步骤402,计算N-1个第二夹角余弦的跳变次数,得到第二跳变概率。
在一实施例中,可参见步骤401的描述计算第二跳变概率。
步骤403,计算N-1个第三夹角余弦的跳变次数,得到第三跳变概率。
在一实施例中,可参见步骤401的描述计算第三跳变概率。
步骤404,对第一跳变概率、第二跳变概率和第三跳变概率进行权重加和,得到周期性特征值的跳变概率。
在一实施例中,可对上述第一跳变概率、第二跳变概率、第三跳变概率分配不同的权重系数进行权重加和计算,得到周期性特征值的跳变概率。
在一实施例中,第一跳变概率、第二跳变概率、第三跳变概率的权重系数可以通过统计用户在最初使用可穿戴设备的一段时间内(例如,使用可穿戴设备1个月之内)的使用习惯得到,也可由可穿戴设备根据海量的用户实际使用数据统计得到,并存储到可穿戴设备中。
步骤405,确定周期性特征值的跳变概率是否大于预设跳变阈值,如果周期性特征值的跳变概率大于预设跳变阈值,则执行步骤406。
在一实施例中,由于用户处于走路、跑步状态时的周期性特征值比较稳定,周期性特征值的跳变概率非常小,因此为了区分走路、跑步状态下的周期性特征值的跳变概率与用户非走路、跑步状态下的周期性特征值的跳变概率的不同,预设跳变阈值可以设置为一个较小的正数。
步骤406,确定用户在预设时间周期内的活动状态为第一活动状态。
本实施例中,通过周期性特征值可以识别出用户的活动状态周期性是否强,进而将周期性不强的活动状态确定第一活动状态,从而避免对周期性不强的非走路、跑步的日常活动进行计步,提高对用户运动量的监测的可信度。
图5A示出了根据本发明的另一示例性实施例的如何确定用户的主导轴特征值的流程示意图,图5B示出了根据本发明的另一示例性实施例的步骤503的流程示意图;如图5A所示,包括如下步骤:
步骤501,将预设时间周期内的多个轴向的加速度数据分割为N帧数据,其中,每一帧数据与每一个相邻帧数据重叠M组加速度数据,M为不小于0的整数。
在一实施例中,步骤501的详细描述可参见图3A所示实施例的步骤301的描述,这里不再详述。
步骤502,对每一帧数据的每一个轴向的加速度数据的绝对值求和,得到每一帧数据的每一个轴向的加速度特征值。
例如,通过三轴加速度传感器采集到的在6秒钟内各自对应的x、y、z轴的150组加速度数据,以x轴为例进行示例性说明,x轴的150个加速度数据被分割为6帧数据,由于每一帧数据都与相邻的帧数据重叠0.1帧数据,因此每一帧数据具有1.2秒,即30组加速度数据。
计算每一帧数据的30个x轴的加速度数据的绝对值的和值,得到x轴方向的特征值sumx=|x1|+|x2|+…+|x30|,同理可得y轴和z轴上的特征值sumy=|y1|+|y2|+…+|y30|,sumz=|z1|+|z2|+…+|z30|。
在一实施例中,还可以对每一帧数据的每一个轴向的加速度数据的原始值求和,得到每一帧数据的每一个轴向的加速度特征值。
在一实施例中,还可以对每一帧数据的每一个轴向的加速度数据计算其他可以用来表征每一个轴向的加速度数据的能量的算数值。
步骤503,根据预设时间周期内每一帧数据的每一个轴向的加速度特征值确定每一帧数据的主导轴,得到预设时间周期内的N个主导轴。
在一实施例中,步骤503的详细流程可参见图5B所示实施例,如图5B所示,包括如下步骤:
步骤511,将每一帧数据的加速度特征值最大的轴确定为每一帧数据的参考主导轴。
步骤512,将预设时间周期内第一帧数据的参考主导轴确定为第一帧数据的主导轴。
步骤513,确定后一帧数据的参考主导轴是否与当前帧数据的主导轴相同,如果后一帧数据的参考主导轴与当前帧数据的主导轴不相同,则执行步骤514,如果后一帧数据的参考主导轴与当前帧数据的主导轴相同,则执行步骤517。
步骤514,计算后一帧数据的参考主导轴的加速度特征值与当前帧数据的主导轴的加速度特征值的差值。
步骤515,确定差值是否大于预设差值阈值,如果差值大于预设差值阈值,则执行步骤517,如果差值不大于预设差值阈值,则执行步骤516。
例如,如果预设差值阈值为0.5m/s2,当前帧数据的主导轴为x轴,当前帧数据的x轴的主导轴特征值为5m/s2,后一帧数据的参考主导轴为y轴,后一帧数据的y轴的主导轴特征值5.2m/s2,则后一帧数据的参考主导轴的加速度特征值与当前帧数据的主导轴的加速度特征值的差值为0.2m/s2,则说明差值小于预设差值阈值,如果差值为0.6m/s2,则说明差值大于预设差值阈值。
在一实施例中,预设差值阈值可以通过统计用户在最初使用可穿戴设备的一段时间内(例如,使用可穿戴设备1个月之内)的使用习惯得到,也可由可穿戴设备根据海量的用户实际使用数据统计得到,并存储到可穿戴设备中。
步骤516,将当前帧数据的参考主导轴确定为后一帧数据的主导轴。
例如,如果当前帧数据的主导轴为x轴,当前帧数据的x轴的主导轴特征值为5m/s2,后一帧数据的参考主导轴为y轴,后一帧数据的参考主导轴的加速度特征值与当前帧数据的主导轴的加速度特征值的差值小于预设差值阈值,则说明主导轴没有发生真正变化,后一帧数据的参考主导轴仍为x轴。
步骤517,将后一帧数据的参考主导轴确定为后一帧数据的主导轴。
例如,如果当前帧数据的主导轴为x轴,当前帧数据的x轴的主导轴特征值为5m/s2,后一帧数据的参考主导轴为y轴,后一帧数据的参考主导轴的加速度特征值与当前帧数据的主导轴的加速度特征值的差值大于预设差值阈值,则说明主导轴发生了变化,后一帧数据的参考主导轴为y轴。
步骤504,将N个主导轴确定为用户在预设时间周期内活动的主导轴特征值。
本实施例中,由于走路、跑步等活动的主导轴比较稳定,因此可将用户在预设时间周期内的主导轴作为区分走路、跑步运动和非走路跑步运动的一种方式,进一步区分用户的活动状态。
图6示出了根据本发明的再一示例性实施例的如何根据主导轴特征值确定用户的活动状态的流程示意图;如图6所示,包括如下步骤:
步骤601,确定预设时间周期内每一帧数据的主导轴的变化率是否大于预设变化率,如果预设时间周期内每一帧数据的主导轴的变化率大于预设变化率阈值,则执行步骤602,如果预设时间周期内每一帧数据的主导轴的变化率不大于预设变化率阈值,则执行步骤603。
在一实施例中,预设时间周期内每一帧数据可以计算出一个主导轴,如果相邻两帧数据的主导轴不同,则表示主导轴发生了变化,预设时间周期内主导轴的变化率可以理解为预设时间周期内相邻两帧数据的主导轴的变化次数与N-1的比值,例如,预设时间周期内有6帧数据,6帧数据的主导轴分别为x轴、x轴、z轴、z轴、x轴、z轴,则主导轴发生变化的次数为3,主导轴变化率为3/5。
在一实施例中,参见图1D,标号16表示用户在走路状态下的加速度数据的主导轴特征值,可知用户在走路状态下的加速度数据的主导轴一直为y轴,图1E中标号17表示用户在跑步状态下的加速度数据的主导轴,可知用户在跑步状态下的加速度数据的主导轴一直为x轴,图1F中标号18表示用户在洗澡状态下的加速度数据的主导轴,可知用户在洗澡状态下的加速度数据的主导轴在不停的发生变化。
在一实施例中,由于用户处于走路、跑步状态时的主导轴比较稳定,主导轴的变化率非常小,因此为了区分走路、跑步状态下的主导轴的变化率与用户非走路、跑步状态下的主导轴的变化率的不同,预设变化率阈值可以设置为一个较小的正数。
步骤602,确定用户在预设时间周期内的活动状态为第一活动状态。
步骤603,确定用户在预设时间周期内的活动状态不为第一活动状态。
图7示出了根据本发明的再一示例性实施例的如何计算每一个轴向的加速度数据的权重值的流程示意图;如图7所示,包括如下步骤:
步骤701,计算每一帧数据内的多个轴向的加速度数据的平滑处理后的波形的幅值标准差。
在一实施例中,可穿戴设备所采集的加速度数据一般会有噪声,因此可对加速度数据进行平滑处理,平滑处理包括但不限于中值滤波、均值滤波、卡尔曼滤波等处理,进而得到一个较平滑的幅值波形。
在一实施例中,计算每一帧数据内的多个轴向的加速度数据的平滑处理后的波形的幅值标准差,可得到差Std(amp)。
步骤702,计算每一帧数据内的每一个轴向的加速度数据的标准差。
例如,通过三轴加速度传感器采集到的x、y、z轴的加速度数据,计算每一帧数据的x轴的加速度数据的标准差Std(X),计算每一帧数据的y轴的加速度数据的标准差Std(Y),计算每一帧数据的z轴的加速度数据的标准差Std(Z)。
步骤703,计算每一帧数据内每一个轴向的加速度数据的标准差与多个轴向的加速度数据的平滑处理后的波形的幅值标准差的比值,得到每一帧数据的每一个轴向的加速度数据的权重值。
本实施例中,提供了一种计算每一帧数据的每一个轴向的加速度数据的权重值的方法,以便可穿戴设备使用所计算出的权重值进一步区分用户的活动状态,进而避免对用户处于第一活动状态下的活动进行计步,在一定程度上减小进入计步器的数据量,降低可穿戴设备的算法运行时间,从而可以进一步降低可穿戴设备的功率消耗。
本领域技术人员可以理解的是,本申请仅以三轴加速度传感器监测到的加速度数据来消除误计步为例进行示例性说明,本申请还可以使用更多轴或者两轴的加速度传感器采集到的加速度数据来消除误计步;对于上述实施例中涉及到的计算各个特征值所使用的求均值、标准差、求和等步骤,本申请对各个步骤的处理顺序不做限制。
对应于上述的误计步消除方法,本申请还提出了图8所示的根据本申请的一示例性实施例的可穿戴设备的示意结构图。参考图8,在硬件层面,该可穿戴设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成误计步消除装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
图9示出了根据本发明的一示例性实施例的误计步消除装置的结构示意图;如图9所示,该误计步消除装置可以包括:第一特征值确定模块910、第一状态确定模块920、控制模块930。
第一特征值确定模块910,用于根据预设时间周期内采集的多个轴向的加速度数据确定用户在预设时间周期内的第一活动特征值;
第一状态确定模块920,用于根据第一特征值确定模块910确定的第一活动特征值确定用户在预设时间周期内的活动状态是否为第一活动状态,第一活动状态用于表示不是走路或者跑步的活动状态;
控制模块930,用于如果根据第一状态确定模块920根据第一活动特征值确定用户在预设时间周期内的活动状态为第一活动状态,则控制可穿戴式设备工作于非计步模式。
图10示出了根据本发明的又一示例性实施例的误计步消除装置的结构示意图;如图10所示,在上述图9所示实施例的基础上,在一实施例中,第一活动特征值包括周期性特征值;
第一特征值确定模块910可包括:
第一分割单元911,用于将预设时间周期内的多个轴向的加速度数据分割为N帧数据,其中,每一帧数据与每一个相邻帧数据重叠M组加速度数据,N为正整数,M为不小于0的整数;
第一计算单元912,用于计算第一分割单元911分割得到的N帧数据中的每一帧数据对应的一组特征向量,N组特征向量包括第一特征向量、第二特征向量、第三特征向量;
第二计算单元913,用于分别计算第一计算单元912得到的N组特征向量中相邻两组特征向量的第一特征向量之间的第一夹角余弦、每两个相邻的第二特征向量之间的第二夹角余弦,以及每两个相邻的第三特征向量之间的第三夹角余弦,得到N-1组夹角余弦,N-1组夹角余弦中的每一组夹角余弦包括第一夹角余弦、第二夹角余弦、第三夹角余弦;
第一确定单元914,用于将第二计算单元913计算得到的N-1组夹角余弦确定为用户在预设时间周期内活动的周期性特征值。
在一实施例中,第一计算单元912包括:
第一计算子弹元9121,用于计算每一个轴向的加速度数据的均值,得到预设时间周期内的N个第一特征向量;
第二计算子单元9122,用于将每一帧数据内最大幅值对应的加速度数据确定为每一帧数据的第二特征向量,得到预设时间周期内的N个第二特征向量;
第三计算子单元9123,用于将每一帧数据内最小幅值对应的加速度数据确定为每一帧数据的第三特征向量,得到预设时间周期内的N个第三特征向量;
第一确定子单元9124,用于将第一计算子单元9121计算得到的N个第一特征向量、第二计算子单元9122计算得到的N个第二特征向量、第三计算子单元9123计算得到的N个第三特征向量确定为N组特征向量。
在一实施例中,第一状态确定模块920可包括:
第一跳变单元921,用于计算第二计算单元912计算得到的N-1个第一夹角余弦的跳变次数,得到第一跳变概率;
第二跳变单元922,用于计算第二计算单元912计算得到的N-1个第二夹角余弦的跳变次数,得到第二跳变概率;
第三跳变单元923,用于计算第二计算单元912计算得到的N-1个第三夹角余弦的跳变次数,得到第三跳变概率;
第二确定单元924,用于对第一跳变单元921计算得到的第一跳变概率、第二跳变单元922计算得到的第二跳变概率和第三跳变单元923计算得到的第三跳变概率进行权重加和,得到周期性特征值的跳变概率;
第三确定单元925,用于确定第二确定单元924确定的周期性特征值的跳变概率是否大于预设跳变阈值;
第一状态确定单元926,用于如果第三确定单元925确定周期性特征值的跳变概率大于预设跳变阈值,则确定用户在预设时间周期内的活动状态为第一活动状态。
图11示出了根据本发明的另一示例性实施例的误计步消除装置的结构示意图,如图11所示,在上述图9和/或图10所示实施例的基础上,在一实施例中,第一活动特征值包括主导轴特征值;
第一特征值确定模块910包括:
第二分割单元915,用于将预设时间周期内的多个轴向的加速度数据分割为N帧数据,其中,每一帧数据与每一个相邻帧数据重叠M组加速度数据,N为正整数,M为不小于0的整数
求和单元916,用于对每一帧数据的每一个轴向的加速度数据的绝对值求和,得到每一帧数据的每一个轴向的加速度特征值;
主导轴确定单元917,用于根据求和单元916计算得到的预设时间周期内每一帧数据的每一个轴向的加速度特征值确定每一帧数据的主导轴,得到预设时间周期内的N个主导轴;
第四确定单元918,用于将主导轴确定单元917确定的N个主导轴确定为用户在预设时间周期内活动的主导轴特征值。
在一实施例中,主导轴确定单元917包括:
参考子单元9171,用于将第二分割单元915分割得到的每一帧数据的加速度特征值最大的轴确定为每一帧数据的参考主导轴;
第二确定子单元9172,用于将参考子单元9171确定的预设时间周期内第一帧数据的参考主导轴确定为第一帧数据的主导轴;
第三确定子单元9173,用于确定后一帧数据的参考主导轴是否与当前帧数据的主导轴相同;
差值子单元9174,用于如果第三确定子单元9173确定后一帧数据的参考主导轴与当前帧数据的主导轴不相同,则计算后一帧数据的参考主导轴的加速度特征值与当前帧数据的主导轴的加速度特征值的差值;
第四确定子单元9175,用于确定差值子单元9174计算得到的差值是否大于预设差值阈值;
第五确定子单元9176,用于如果第四确定子单元9175确定差值大于预设差值阈值,则将后一帧数据的参考主导轴确定为后一帧数据的主导轴;
第六确定子单元9177,用于如果第四确定子单元9175确定差值不大于预设差值阈值,则将当前帧数据的参考主导轴确定为后一帧数据的主导轴;
第七确定子单元9178,用于如果第三确定子单元9173确定后一帧数据的参考主导轴与当前帧数据的主导轴相同,则将后一帧数据的参考主导轴确定为后一帧数据的主导轴。
在一实施例中,第一状态确定模块920包括:
第五确定单元927,用于确定主导轴确定单元917确定的预设时间周期内每一帧数据的主导轴的变化率是否大于预设变化率;
第二状态确定单元928,用于如果第五确定单元927确定预设时间周期内每一帧数据的主导轴的变化率大于预设变化率阈值,则确定用户在预设时间周期内的活动状态为第一活动状态。
图12示出了根据本发明的另一示例性实施例的误计步消除装置的结构示意图,如图12所示,在上述图9和/或图10和/或11所示实施例的基础上,在一实施例中,装置还包括:
第二特征值确定模块940,用于如果第一状态确定模块920根据第一活动特征值确定用户在预设时间周期内的活动状态不为第一活动状态,则计算用户在预设时间周期内的第二活动特征值,第二活动特征值包括用户在预设时间周期内的幅值;
第二状态确定模块950,用于根据第二特征值确定模块940确定的用户在预设时间周期内活动的幅值,确定用户在预设时间周期内的活动状态是否为第二活动状态,第二活动状态用于表示跑步的活动状态;
计算模块960,用于如果第二状态确定模块950确定用户在预设时间周期内的活动状态不为第二活动状态,则计算每一帧数据的每一个轴向的加速度数据的权重值;
匹配模块970,用于确定计算模块960计算得到的每一帧数据的每一个轴向的加速度数据的权重值是否与每一个轴向的加速度数据的预设权重值阈值匹配;
第三状态确定模块980,用于如果匹配模块970确定每一帧数据的每一个轴向的加速度数据的权重值与每一个轴向的加速度数据的预设权重值阈值不匹配,则确定用户在预设时间周期内的活动状态为第一活动状态,控制模块执行控制可穿戴式设备工作于非计步模式的步骤。
在一实施例中,计算模块960包括:
第三计算单元961,用于计算每一帧数据内的多个轴向的加速度数据的平滑处理后的波形的幅值标准差;
第四计算单元962,用于计算每一帧数据内的每一个轴向的加速度数据的标准差;
第五计算单元963,用于计算第四计算单元962计算得到的每一帧数据内每一个轴向的加速度数据的标准差与第三计算单元961计算得到的多个轴向的加速度数据的平滑处理后的波形的幅值标准差的比值,得到每一帧数据的每一个轴向的加速度数据的权重值。
在一实施例中,装置还可包括:
第四状态确定模块990,用于如果匹配模块970确定用户在预设时间周期内每一个轴向特征值的权重值与每一个轴向特征值的预设权重值匹配,则确定用户在预设时间周期内的活动状态为第三活动状态,第三活动状态用于表示走路的活动状态。
上述实施例可见,本申请可以准确地识别用户所处的活动状态是否为非走路、跑步的活动状态,从而将用户走路、跑步运动与日常活动,例如、穿衣、刷牙等进行准确区分,避免对非走路、跑步的日常活动进行计步,提高对用户运动量的监测的可信度。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。