CN106197470B - 一种数据处理方法及电子设备 - Google Patents

一种数据处理方法及电子设备 Download PDF

Info

Publication number
CN106197470B
CN106197470B CN201610496502.7A CN201610496502A CN106197470B CN 106197470 B CN106197470 B CN 106197470B CN 201610496502 A CN201610496502 A CN 201610496502A CN 106197470 B CN106197470 B CN 106197470B
Authority
CN
China
Prior art keywords
extreme
extreme value
point
group
value chain
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
CN201610496502.7A
Other languages
English (en)
Other versions
CN106197470A (zh
Inventor
卢睿
谢晓辉
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing 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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201610496502.7A priority Critical patent/CN106197470B/zh
Publication of CN106197470A publication Critical patent/CN106197470A/zh
Application granted granted Critical
Publication of CN106197470B publication Critical patent/CN106197470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种数据处理方法及电子设备，包括：获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链；对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。

Description

一种数据处理方法及电子设备
技术领域
本发明涉及数据处理方法，尤其涉及一种数据处理方法及电子设备。
背景技术
随着可穿戴电子设备的蓬勃发展，人们越来越关心可穿戴电子设备对于个人健康方面的贡献，于是各种各样的健康检测设备层出不穷。日常中最受关注的就是计步设备。计步设备通过对用户日常中走路、跑步等多项运动方式的记录和分析，对用户的个人健康做出评估和建议。
得出准确评估结果的前提是数据分析的准确程度，目前较为常用的数据分析是基于动态阈值的计步方法，这种方法抗干扰能力差，误识别率较高。
发明内容
为解决上述技术问题，本发明实施例提供了一种数据处理方法及电子设备。
本发明实施例提供的数据处理方法，包括：
获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；
在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；
对所述极值点数据进行处理，得到三条极值链；
从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链；
对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。
本发明实施例中，所述方法还包括：
在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中确定出极值点数据之前，对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
本发明实施例中，所述对所述极值点数据进行处理，得到三条极值链，包括：
对于三组极值点数据，将各组的极值点数依次进行连接，得到三条粗极值链；
根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链。
本发明实施例中，所述根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链，包括：
对于粗极值链中的极值点，若第i个极值点与第i-1个极值点的时间相隔超过预设阈值，将第i个极值点放入对应的精确极值链中；i≥2；
对于粗极值链中的极值点，将第i个极值点与第i-1个极值点进行比较，若峰谷类型不同，则等待第i+1个极值点的输入；若峰谷类型相同，则比较第i个极值点与第i-1个极值点的加速度值大小，若同为峰值则将加速度最大的极值点放入对应的精确极值链中，若同为谷值则将加速度最小的极值点放入对应的精确极值链中；
对于粗极值链中的极值点，若第i-1个极值点、第i个极值点与第i+1个极值点的类型分别为峰谷峰或者谷峰谷，则判断第i-1个极值点、第i个极值点与第i+1个极值点所形成的三角形是否满足预设条件；满足时，将所述第i-1个极值点、第i个极值点与第i+1个极值点放入对应的精确极值链中；若不满足，则丢弃第i-1个极值点或第i+1个极值点后，将极值点放入对应的精确极值链中。
本发明实施例中，所述从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链，包括：
对于所述三条精确极值链，分别计算各个精确极值链的至少一个目标特征；
根据所述各个精确极值链的目标特征，从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，作为目标极值链。
本发明实施例中，所述从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，包括：
对于所述三条精确极值链，根据各个精确极值链中的N个周期的极值点数据，计算至少如下参数：周期时间方差、平均幅值、波形抖动剧烈度；N≥3；
当所述参数满足预设条件时，所述参数对应的精确极值链的周期性满足预设条件。
本发明实施例提供的电子设备，包括：
传感器，用于获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；
处理器，用于在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链；对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。
本发明实施例中，所述处理器，还用于在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中确定出极值点数据之前，对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
本发明实施例中，，所述处理器，还用于对于三组极值点数据，将各组的极值点数依次进行连接，得到三条粗极值链；根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链。
本发明实施例中，所述处理器，还用于执行以下操作：
对于粗极值链中的极值点，若第i个极值点与第i-1个极值点的时间相隔超过预设阈值，将第i个极值点放入对应的精确极值链中；i≥2；
对于粗极值链中的极值点，将第i个极值点与第i-1个极值点进行比较，若峰谷类型不同，则等待第i+1个极值点的输入；若峰谷类型相同，则比较第i个极值点与第i-1个极值点的加速度值大小，若同为峰值则将加速度最大的极值点放入对应的精确极值链中，若同为谷值则将加速度最小的极值点放入对应的精确极值链中；
对于粗极值链中的极值点，若第i-1个极值点、第i个极值点与第i+1个极值点的类型分别为峰谷峰或者谷峰谷，则判断第i-1个极值点、第i个极值点与第i+1个极值点所形成的三角形是否满足预设条件；满足时，将所述第i-1个极值点、第i个极值点与第i+1个极值点放入对应的精确极值链中；若不满足，则丢弃第i-1个极值点或第i+1个极值点后，将极值点放入对应的精确极值链中。
本发明实施例中，所述处理器，还用于对于所述三条精确极值链，分别计算各个精确极值链的至少一个目标特征；根据所述各个精确极值链的目标特征，从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，作为目标极值链。
本发明实施例中，所述处理器，还用于对于所述三条精确极值链，根据各个精确极值链中的N个周期的极值点数据，计算至少如下参数：周期时间方差、平均幅值、波形抖动剧烈度；N≥3；当所述参数满足预设条件时，所述参数对应的精确极值链的周期性满足预设条件。
本发明实施例的技术方案中，获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链；对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。本发明实施例中，通过对极值峰谷状态的分析来计步，计算简单精准且速度快；并且，使用的是三个加速度轴中周期性最好的加速度数据，抗干扰能力强且稳定性好。
附图说明
图1为本发明实施例一的数据处理方法的流程示意图；
图2为加速度数据的示意图一；
图3为加速度数据的示意图二；
图4为本发明实施例二的数据处理方法的流程示意图；
图5为本发明实施例三的数据处理方法的流程示意图；
图6为加速度数据的示意图三；
图7为加速度数据的示意图四；
图8为本发明实施例四至实施例七的电子设备的结构组成示意图。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。
图1为本发明实施例一的数据处理方法的流程示意图，本示例中的数据处理方法应用于电子设备中，如图1所示，所述数据处理方法包括以下步骤：
步骤101：获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。
本发明实施例中，所述电子设备为移动电子设备，例如手机、平板电脑、智能手表、智能手环、智能眼镜等电子设备。所述电子设备上具有传感器，例如重力传感器(G-Sensor)，利用传感器能够检测电子设备在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。
在一实施场景下，用户可以携带电子设备进行跑步或走路，这样，电子设备的运动数据即可表明用户的运动数据，基于此，传感器检测到的电子设备的运动数据也可以用来表明用户的运动数据。
本发明实施例中，获取的是三维空间上的三组加速度数据，三维空间对应三个坐标轴(简称轴)，实际的加速度在这三个轴上的映射即为各个轴所对应的加速度数据。三维空间的三个坐标轴形成了三个维度，分别为：第一维度、第二维度和第三维度。例如，三个坐标轴分别为x轴、y轴和z轴。
这里，实际的加速度数据(也即三组加速度数据的矢量合)中包含有重力加速度。用户在运动中可能平持电子设备或者将电子设备置于口袋中，所以电子设备的放置方向不固定，因此，可以用实际的加速度(也即三组加速度数据的矢量合)来确定电子设备(也即用户)的运动轨迹。然而，包含重力加速度的实际的加速度(也即三组加速度数据的矢量合)在某些情况下会出现无法分辨的波形，参照图2，图2所示的4幅图是4个不同的用户采集到的数据，由于将三个轴的数据融合成一个数据(即实际的加速度)，会丢失部分特征，并且三个轴的加速度数据周期性并不完全同步，相互干扰，导致相邻周期的波形会有部分或全部的重叠，导致周期的不规则，对通过数周期来计算步数的算法来说较难处理。
基于此，本发明实施例中，分别获取电子设备在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。而不是直接获取三组加速度数据的矢量合。
步骤102：在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据。
本发明实施例中，极值点数据是指在最大值和最小值。以第一组加速数据为例，以时间为横轴，以加速度数据为纵轴，将第一组加速度数据按照时间模拟出曲线，在这个曲线中，所有的最高点和最低点即为第一组加速度数据的极值点数据。这里，最高点是指：与之临近的数据均小于等于所述最高点。最低点是指：与之临近的数据均大于等于所述最低点。
本发明实施例中，对于三组加速度数据，分别确定出各组加速度数据中的极值点数据。
步骤103：对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链。
本发明实施例中，将一组中所有的极值点数据按照时间顺序依次连接，即可得到该组加速度数据对应的极值链。三组加速度数据分别对应的三条极值链。以第一组加速度数据为例，第一组加速度数据中的极值链按照时间顺序依次连接，得到第一组加速度数据对应的极值链。同理，可以根据第二组加速度数据得到对应的极值链，以及根据第三组加速度数据得到对应的极值链。
本发明实施例中，由上述过程得到的极值链为粗极值链，还需要对所述粗极值链中的极值点进行合并和整理，得到精确极值链。然后，从所述三条精确极值链中选择出满足预设条件的一条精确极值链，作为目标极值链。
这里，满足预设条件是指：在同一时间段内从三条精确极值链中选取周期性最优最稳定的精确极值链。
步骤104：对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。
参照图3，在0～4s过程中，x轴(第一维度)对应的数据周期情况最好，使用x轴的极值链数据进行计步，4s之后z轴(第三维度)对应的数据周期性最好，转而使用z轴的极值链数据进行计步即可。
本发明实施例的技术方案，基于极值点优化合并的计步方法，将传感器三个轴上的加速度数据分别经过均值滤波之后，找出所有极值点数据，然后对这些极值点数据进行优化合并，得到最终的三条极值链，随后在三条极值链中依据特征情况挑选周期性最优的一条，通过对极值链上极值点的峰谷状态分析，得到计步的准确结果。
图4为本发明实施例二的数据处理方法的流程示意图，本示例中的数据处理方法应用于电子设备中，如图4所示，所述数据处理方法包括以下步骤：
步骤401：获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。
本发明实施例中，所述电子设备为移动电子设备，例如手机、平板电脑、智能手表、智能手环、智能眼镜等电子设备。所述电子设备上具有传感器，例如重力传感器(G-Sensor)，利用传感器能够检测电子设备在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。
在一实施场景下，用户可以携带电子设备进行跑步或走路，这样，电子设备的运动数据即可表明用户的运动数据，基于此，传感器检测到的电子设备的运动数据也可以用来表明用户的运动数据。
本发明实施例中，获取的是三维空间上的三组加速度数据，三维空间对应三个坐标轴(简称轴)，实际的加速度在这三个轴上的映射即为各个轴所对应的加速度数据。三维空间的三个坐标轴形成了三个维度，分别为：第一维度、第二维度和第三维度。例如，三个坐标轴分别为x轴、y轴和z轴。
这里，实际的加速度数据(也即三组加速度数据的矢量合)中包含有重力加速度。用户在运动中可能平持电子设备或者将电子设备置于口袋中，所以电子设备的放置方向不固定，因此，可以用实际的加速度(也即三组加速度数据的矢量合)来确定电子设备(也即用户)的运动轨迹。然而，包含重力加速度的实际的加速度(也即三组加速度数据的矢量合)在某些情况下会出现无法分辨的波形，参照图2，图2所示的4幅图是4个不同的用户采集到的数据，由于将三个轴的数据融合成一个数据(即实际的加速度)，会丢失部分特征，并且三个轴的加速度数据周期性并不完全同步，相互干扰，导致相邻周期的波形会有部分或全部的重叠，导致周期的不规则，对通过数周期来计算步数的算法来说较难处理。
基于此，本发明实施例中，分别获取电子设备在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。而不是直接获取三组加速度数据的矢量合。
步骤402：对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
本发明实施例中，为简化后面的极值数据的求取操作，先将三个轴的加速度数据分别通过一个均值滤波器或中值滤波器，去除掉数据中小范围的波动噪声，得到相对平稳的数据。
步骤403：在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据。
本发明实施例中，极值点数据是指在最大值和最小值。以第一组加速数据为例，以时间为横轴，以加速度数据为纵轴，将第一组加速度数据按照时间模拟出曲线，在这个曲线中，所有的最高点和最低点即为第一组加速度数据的极值点数据。这里，最高点是指：与之临近的数据均小于等于所述最高点。最低点是指：与之临近的数据均大于等于所述最低点。
本发明实施例中，对于三组加速度数据，分别确定出各组加速度数据中的极值点数据。
步骤404：对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链。
本发明实施例中，将一组中所有的极值点数据按照时间顺序依次连接，即可得到该组加速度数据对应的极值链。三组加速度数据分别对应的三条极值链。以第一组加速度数据为例，第一组加速度数据中的极值链按照时间顺序依次连接，得到第一组加速度数据对应的极值链。同理，可以根据第二组加速度数据得到对应的极值链，以及根据第三组加速度数据得到对应的极值链。
本发明实施例中，由上述过程得到的极值链为粗极值链，还需要对所述粗极值链中的极值点进行合并和整理，得到精确极值链。然后，从所述三条精确极值链中选择出满足预设条件的一条精确极值链，作为目标极值链。
这里，满足预设条件是指：在同一时间段内从三条精确极值链中选取周期性最优最稳定的精确极值链。
步骤405：对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。
参照图3，在0～4s过程中，x轴(第一维度)对应的数据周期情况最好，使用x轴的极值链数据进行计步，4s之后z轴(第三维度)对应的数据周期性最好，转而使用z轴的极值链数据进行计步即可。
本发明实施例的技术方案，基于极值点优化合并的计步方法，将传感器三个轴上的加速度数据分别经过均值滤波之后，找出所有极值点数据，然后对这些极值点数据进行优化合并，得到最终的三条极值链，随后在三条极值链中依据特征情况挑选周期性最优的一条，通过对极值链上极值点的峰谷状态分析，得到计步的准确结果。
图5为本发明实施例三的数据处理方法的流程示意图，本示例中的数据处理方法应用于电子设备中，如图5所示，所述数据处理方法包括以下步骤：
步骤501：获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。
本发明实施例中，所述电子设备为移动电子设备，例如手机、平板电脑、智能手表、智能手环、智能眼镜等电子设备。所述电子设备上具有传感器，例如重力传感器(G-Sensor)，利用传感器能够检测电子设备在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。
在一实施场景下，用户可以携带电子设备进行跑步或走路，这样，电子设备的运动数据即可表明用户的运动数据，基于此，传感器检测到的电子设备的运动数据也可以用来表明用户的运动数据。
本发明实施例中，获取的是三维空间上的三组加速度数据，三维空间对应三个坐标轴(简称轴)，实际的加速度在这三个轴上的映射即为各个轴所对应的加速度数据。三维空间的三个坐标轴形成了三个维度，分别为：第一维度、第二维度和第三维度。例如，三个坐标轴分别为x轴、y轴和z轴。
这里，实际的加速度数据(也即三组加速度数据的矢量合)中包含有重力加速度。用户在运动中可能平持电子设备或者将电子设备置于口袋中，所以电子设备的放置方向不固定，因此，可以用实际的加速度(也即三组加速度数据的矢量合)来确定电子设备(也即用户)的运动轨迹。然而，包含重力加速度的实际的加速度(也即三组加速度数据的矢量合)在某些情况下会出现无法分辨的波形，参照图2，图2所示的4幅图是4个不同的用户采集到的数据，由于将三个轴的数据融合成一个数据(即实际的加速度)，会丢失部分特征，并且三个轴的加速度数据周期性并不完全同步，相互干扰，导致相邻周期的波形会有部分或全部的重叠，导致周期的不规则，对通过数周期来计算步数的算法来说较难处理。
基于此，本发明实施例中，分别获取电子设备在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据。而不是直接获取三组加速度数据的矢量合。
实际中，G-Sensor检测到的数据包括：用户行走时产生的三维空间三个方向上加速度变化的情况(x、y、z、共三个轴，包含重力加速度)，以及使用过程中的噪声。
步骤502：对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
本发明实施例中，为简化后面的极值数据的求取操作，先将三个轴的加速度数据分别通过一个均值滤波器或中值滤波器，去除掉数据中小范围的波动噪声，得到相对平稳的数据dx(t)、dy(t)、dz(t)。
步骤503：在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据。
本发明实施例中，极值点数据是指在最大值和最小值。以第一组加速数据为例，以时间为横轴，以加速度数据为纵轴，将第一组加速度数据按照时间模拟出曲线，在这个曲线中，所有的最高点和最低点即为第一组加速度数据的极值点数据。这里，最高点是指：与之临近的数据均小于等于所述最高点。最低点是指：与之临近的数据均大于等于所述最低点。
本发明实施例中，对于三组加速度数据，分别确定出各组加速度数据中的极值点数据。
步骤504：对于三组极值点数据，将各组的极值点数依次进行连接，得到三条粗极值链。
本发明实施例中，将一组中所有的极值点数据按照时间顺序依次连接，即可得到该组加速度数据对应的极值链。三组加速度数据分别对应的三条极值链。以第一组加速度数据为例，第一组加速度数据中的极值链按照时间顺序依次连接，得到第一组加速度数据对应的极值链。同理，可以根据第二组加速度数据得到对应的极值链，以及根据第三组加速度数据得到对应的极值链。
本发明实施例中，由上述过程得到的极值链为粗极值链。
具体地，三组极值点数据对应得到三条粗极值链Ox(n)、Oy(n)、Oz(n)，粗极值链中的每个元素都是一个极值点，记录的信息有该极值点相对于平稳数据链di(t)(i＝x，y，z)中的位置下标，该极值点的加速度大小，以及该极值点的峰谷类型(是峰值还是谷值)。
步骤505：根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链。
本发明实施例中，还需要对所述粗极值链中的极值点进行合并和整理，得到精确极值链。
具体地，根据以下规则将粗极值链Oi(n)中的极值进行选优和合并，得到三条精确的极值链rx(n)、ry(n)、rz(n)：
规则(1)：对于粗极值链中的极值点，若第i个极值点与第i-1个极值点的时间相隔超过预设阈值，将第i个极值点放入对应的精确极值链中；i≥2；
规则(2)对于粗极值链中的极值点，将第i个极值点与第i-1个极值点进行比较，若峰谷类型不同，则等待第i+1个极值点的输入；若峰谷类型相同，则比较第i个极值点与第i-1个极值点的加速度值大小，若同为峰值则将加速度最大的极值点放入对应的精确极值链中，若同为谷值则将加速度最小的极值点放入对应的精确极值链中；
规则(3)：对于粗极值链中的极值点，若第i-1个极值点、第i个极值点与第i+1个极值点的类型分别为峰谷峰或者谷峰谷，则判断第i-1个极值点、第i个极值点与第i+1个极值点所形成的三角形是否满足预设条件；满足时，将所述第i-1个极值点、第i个极值点与第i+1个极值点放入对应的精确极值链中；若不满足，则丢弃第i-1个极值点或第i+1个极值点后，将极值点放入对应的精确极值链中。
具体地，从初始极值链Oi(n)到最终精确极值链ri(n)的过程包含合并和整理两个部分。合并部分是依据以下的规则，将Oi(n)中的极值优胜劣汰：
1)若极值点数<1，则不做处理；若新的极值点与上一个极值点到来的时间相隔过长，则认为是中间一段时间内用户打断了计步过程，重新开始计步，则新的极值点直接放入ri(n)不做其他处理；
2)极值点数>1，后面进来的极值点与前一个极值点做比较，若峰谷类型不同，则等待第三个极值点的输入；若峰谷类型相同，则比较两个极值点的加速度值大小择优选取，若同为峰值则取加速度最大的极值点，若同为谷值则取加速度最小的极值点；
3)若有三个类型分别为“峰-谷-峰”或者“谷-峰-谷”的极值存在，则进一步判断这3个极值点所形成的三角形是否满足以下条件：
1>面积足够大(滤除小波动，降低误识别)；
2>第一个点和第三个点之间的时间间隔是否合理(即是否满足正常运动的“一步”的时间限定)；
3>对称性(正常运动中峰谷应当比较对称)。
4)若三角形满足3中的条件，则保留这些极值，若不满足，假设按照时间顺序三个极值点分别为p1、p2、p3，则比较p1、p3两个极值点的加速度值大小择优选取，选取方式同2；若最终决定选取p1，则丢掉p3这个点，若最终决定选取p3，则丢掉p1，保留p2、p3。
经过极值的合并过程之后，得到的极值链需要进行一些后处理，即整理。后处理是：若两个峰谷类型相同的极值点相隔的时间约等于正常运动的“一步”的时间，则猜想是否中间漏掉了一个极值点，在数据di(t)中这两个极值点划定的时间范围内若能找到某个点p，与这两个极值点峰谷类型不同，且与这两个极值点形成的三角形满足上述1>、2>、3>三个条件，则将这个p点补充到ri(n)中来。
步骤506：对于所述三条精确极值链，分别计算各个精确极值链的至少一个目标特征；根据所述各个精确极值链的目标特征，从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，作为目标极值链。
本发明实施例中，对得到的精确极值链ri(n)分别求其多种特征，挑选其中周期性最稳定的一条，以其极值点形成的一系列“峰-谷-峰”或者“谷-峰-谷”模式，推测出用户实际行走的步数。周期性稳定与否的判断标准是：
对于所述三条精确极值链，根据各个精确极值链中的N个周期的极值点数据，计算至少如下参数：周期时间方差、平均幅值、波形抖动剧烈度；N≥3；
当所述参数满足预设条件时，所述参数对应的精确极值链的周期性满足预设条件。具体地，参照图6：
1)取连续4个周期作为参考量；
2)计算这4个周期内的周期时间方差(峰-峰值之间的周期时间方差VarP，和谷-谷值之间的周期时间方差VarV)、平均幅值、4个周期内波形抖动的剧烈程度等。时间方差大说明周期不稳定，幅值变化太小说明不是很好的运动行为(小范围的抖动有可能是噪声)，波形抖动剧烈说明周期不稳定。
VarP是t1～t4的方差，VarV是t5～t8的方差。依据挑选出来的最优的精确极值链rbest(n)(也即目标极值链)，推测用户实际行进的步数。精确的极值链中包含一系列的“峰-谷-峰”或者“谷-峰-谷”模式。一个“峰-谷-峰”或者“谷-峰-谷”代表一个运动周期，在一个运动周期之中，根据用户行走习惯的不同，可能完成了1步，也可能完成了2步。分类依据的特征有：运动周期的时间长度time，周期内数据di(t)波形形成的积分面积，周期内峰谷值的差(即振幅)。通过每个运动周期对应步数的修正，得到最终的步数。
步骤507：对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。
参照图3，在0～4s过程中，x轴(第一维度)对应的数据周期情况最好，使用x轴的极值链数据进行计步，4s之后z轴(第三维度)对应的数据周期性最好，转而使用z轴的极值链数据进行计步即可。
参照图7，图7所示的三幅图中，每幅图的上半张曲线都是G-Sensor数据经过均值滤波之后的结果，即di(t)。下面的曲线是粗极值链Oi(n)，虚线是精确的极值链ri(n)。从周期的稳定性考虑，X轴的稳定性最好，用来计步，从每个周期的时间跨度、幅值上来看，一个周期是正常行走的1步，从而得到计步的最终结果。
本发明实施例的技术方案，基于极值点优化合并的计步方法，将传感器三个轴上的加速度数据分别经过均值滤波之后，找出所有极值点数据，然后对这些极值点数据进行优化合并，得到最终的三条极值链，随后在三条极值链中依据特征情况挑选周期性最优的一条，通过对极值链上极值点的峰谷状态分析，得到计步的准确结果。
图8为本发明实施例四的电子设备的结构组成示意图，如图8所示，所述电子设备包括：
传感器81，用于获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；
处理器82，用于在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链；对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据。
本领域技术人员应当理解，图8所示的电子设备中的各单元的实现功能可参照前述数据处理方法的相关描述而理解。
在本发明实施例五中，所述处理器82，还用于在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中确定出极值点数据之前，对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
在本发明实施例六中，所述处理器82，还用于对于三组极值点数据，将各组的极值点数依次进行连接，得到三条粗极值链；根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链。
所述处理器82，还用于执行以下操作：
对于粗极值链中的极值点，若第i个极值点与第i-1个极值点的时间相隔超过预设阈值，将第i个极值点放入对应的精确极值链中；i≥2；
对于粗极值链中的极值点，将第i个极值点与第i-1个极值点进行比较，若峰谷类型不同，则等待第i+1个极值点的输入；若峰谷类型相同，则比较第i个极值点与第i-1个极值点的加速度值大小，若同为峰值则将加速度最大的极值点放入对应的精确极值链中，若同为谷值则将加速度最小的极值点放入对应的精确极值链中；
对于粗极值链中的极值点，若第i-1个极值点、第i个极值点与第i+1个极值点的类型分别为峰谷峰或者谷峰谷，则判断第i-1个极值点、第i个极值点与第i+1个极值点所形成的三角形是否满足预设条件；满足时，将所述第i-1个极值点、第i个极值点与第i+1个极值点放入对应的精确极值链中；若不满足，则丢弃第i-1个极值点或第i+1个极值点后，将极值点放入对应的精确极值链中。
在本发明实施例七中，所述处理器82，还用于对于所述三条精确极值链，分别计算各个精确极值链的至少一个目标特征；根据所述各个精确极值链的目标特征，从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，作为目标极值链。
所述处理器82，还用于对于所述三条精确极值链，根据各个精确极值链中的N个周期的极值点数据，计算至少如下参数：周期时间方差、平均幅值、波形抖动剧烈度；N≥3；当所述参数满足预设条件时，所述参数对应的精确极值链的周期性满足预设条件。
本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和智能设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个第二处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种数据处理方法，其特征在于，所述方法包括：
获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；
在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；
对所述极值点数据进行处理，得到三条极值链；
从所述三条极值链中选择出满足周期性最优的一条极值链，作为目标极值链；
对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据；
所述对所述极值点数据进行处理，得到三条极值链，包括：
对于三组极值点数据，将各组的极值点数依次进行连接，得到三条粗极值链；
根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链。
2.根据权利要求1所述的数据处理方法，其特征在于，所述方法还包括：
在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中确定出极值点数据之前，对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
3.根据权利要求1所述的数据处理方法，其特征在于，所述根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链，包括：
对于粗极值链中的极值点，若第i个极值点与第i-1个极值点的时间相隔超过预设阈值，将第i个极值点放入对应的精确极值链中；i≥2；
对于粗极值链中的极值点，将第i个极值点与第i-1个极值点进行比较，若峰谷类型不同，则等待第i+1个极值点的输入；若峰谷类型相同，则比较第i个极值点与第i-1个极值点的加速度值大小，若同为峰值则将加速度最大的极值点放入对应的精确极值链中，若同为谷值则将加速度最小的极值点放入对应的精确极值链中；
对于粗极值链中的极值点，若第i-1个极值点、第i个极值点与第i+1个极值点的类型分别为峰谷峰或者谷峰谷，则判断第i-1个极值点、第i个极值点与第i+1个极值点所形成的三角形是否满足预设条件；满足时，将所述第i-1个极值点、第i个极值点与第i+1个极值点放入对应的精确极值链中；若不满足，则丢弃第i-1个极值点或第i+1个极值点后，将极值点放入对应的精确极值链中。
4.根据权利要求1所述的数据处理方法，其特征在于，所述从所述三条极值链中选择出满足预设条件的一条极值链，作为目标极值链，包括：
对于所述三条精确极值链，分别计算各个精确极值链的至少一个目标特征；
根据所述各个精确极值链的目标特征，从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，作为目标极值链。
5.根据权利要求4所述的数据处理方法，其特征在于，所述从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，包括：
对于所述三条精确极值链，根据各个精确极值链中的N个周期的极值点数据，计算至少如下参数：周期时间方差、平均幅值、波形抖动剧烈度；N≥3；
当所述参数满足预设条件时，所述参数对应的精确极值链的周期性满足预设条件。
6.一种电子设备，其特征在于，所述电子设备包括：
传感器，用于获取在第一维度上的第一组加速度数据、第二维度上的第二组加速度数据以及第三维度上的第三组加速度数据；
处理器，用于在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中分别确定出各组的极值点数据；对所述极值点数据进行处理，得到三条极值链；从所述三条极值链中选择出满足周期性最优的一条极值链，作为目标极值链；对所述目标极值链上的极值点的峰谷状态进行分析，得到计步数据；
所述处理器，还用于对于三组极值点数据，将各组的极值点数依次进行连接，得到三条粗极值链；根据预设策略分别对所述三条粗极值链中的极值点进行合并和整理，得到三条精确极值链。
7.根据权利要求6所述的电子设备，其特征在于，所述处理器，还用于在所述第一组加速度数据、第二组加速度数据以及第三组加速度数据中确定出极值点数据之前，对所述第一组加速度数据、第二组加速度数据以及第三组加速度数据分别进行均值滤波。
8.根据权利要求6所述的电子设备，其特征在于，所述处理器，还用于执行以下操作：
对于粗极值链中的极值点，若第i个极值点与第i-1个极值点的时间相隔超过预设阈值，将第i个极值点放入对应的精确极值链中；i≥2；
对于粗极值链中的极值点，将第i个极值点与第i-1个极值点进行比较，若峰谷类型不同，则等待第i+1个极值点的输入；若峰谷类型相同，则比较第i个极值点与第i-1个极值点的加速度值大小，若同为峰值则将加速度最大的极值点放入对应的精确极值链中，若同为谷值则将加速度最小的极值点放入对应的精确极值链中；
对于粗极值链中的极值点，若第i-1个极值点、第i个极值点与第i+1个极值点的类型分别为峰谷峰或者谷峰谷，则判断第i-1个极值点、第i个极值点与第i+1个极值点所形成的三角形是否满足预设条件；满足时，将所述第i-1个极值点、第i个极值点与第i+1个极值点放入对应的精确极值链中；若不满足，则丢弃第i-1个极值点或第i+1个极值点后，将极值点放入对应的精确极值链中。
9.根据权利要求6所述的电子设备，其特征在于，所述处理器，还用于对于所述三条精确极值链，分别计算各个精确极值链的至少一个目标特征；根据所述各个精确极值链的目标特征，从所述三条精确极值链中选择出周期性满足预设条件的精确极值链，作为目标极值链。
10.根据权利要求9所述的电子设备，其特征在于，所述处理器，还用于对于所述三条精确极值链，根据各个精确极值链中的N个周期的极值点数据，计算至少如下参数：周期时间方差、平均幅值、波形抖动剧烈度；N≥3；当所述参数满足预设条件时，所述参数对应的精确极值链的周期性满足预设条件。
CN201610496502.7A 2016-06-29 2016-06-29 一种数据处理方法及电子设备 Active CN106197470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610496502.7A CN106197470B (zh) 2016-06-29 2016-06-29 一种数据处理方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610496502.7A CN106197470B (zh) 2016-06-29 2016-06-29 一种数据处理方法及电子设备

Publications (2)

Publication Number Publication Date
CN106197470A CN106197470A (zh) 2016-12-07
CN106197470B true CN106197470B (zh) 2019-11-26

Family

ID=57463306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610496502.7A Active CN106197470B (zh) 2016-06-29 2016-06-29 一种数据处理方法及电子设备

Country Status (1)

Country Link
CN (1) CN106197470B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106840192A (zh) * 2017-02-07 2017-06-13 上海评驾科技有限公司 一种应用智能手机的机动车行驶状态判定方法
CN107515010A (zh) * 2017-08-28 2017-12-26 五邑大学 一种计步器的数据处理方法以及计步器装置
CN109033996B (zh) * 2018-07-03 2022-02-11 运易通科技有限公司 一种基于运动数据的波形分析方法及系统
CN109212260B (zh) * 2018-09-07 2021-06-25 青岛迈金智能科技有限公司 一种运动频率计算方法和装置
CN114881091B (zh) * 2022-06-08 2024-08-02 深圳市汇泰科电子有限公司 一种计数频率检测的方法
CN116308963B (zh) * 2023-05-19 2023-07-18 北京十环信息有限公司 一种政务数据分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090081122A (ko) * 2008-01-23 2009-07-28 연세대학교 산학협력단 모바일 기기에 장착되는 걸음수 측정 장치 및 이를 이용한걸음수 측정 방법
CN102106138A (zh) * 2008-07-29 2011-06-22 京瓷株式会社 便携式电子设备
CN103148864A (zh) * 2013-04-03 2013-06-12 哈尔滨工程大学 通用微机电系统计步器及计步方法
CN103727959A (zh) * 2013-12-31 2014-04-16 歌尔声学股份有限公司 计步方法及装置
CN105043410A (zh) * 2015-06-30 2015-11-11 深圳市元征科技股份有限公司 一种计步器
CN105496416A (zh) * 2015-12-28 2016-04-20 歌尔声学股份有限公司 一种人体运动状态的识别方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090081122A (ko) * 2008-01-23 2009-07-28 연세대학교 산학협력단 모바일 기기에 장착되는 걸음수 측정 장치 및 이를 이용한걸음수 측정 방법
CN102106138A (zh) * 2008-07-29 2011-06-22 京瓷株式会社 便携式电子设备
CN103148864A (zh) * 2013-04-03 2013-06-12 哈尔滨工程大学 通用微机电系统计步器及计步方法
CN103727959A (zh) * 2013-12-31 2014-04-16 歌尔声学股份有限公司 计步方法及装置
CN105043410A (zh) * 2015-06-30 2015-11-11 深圳市元征科技股份有限公司 一种计步器
CN105496416A (zh) * 2015-12-28 2016-04-20 歌尔声学股份有限公司 一种人体运动状态的识别方法和装置

Also Published As

Publication number Publication date
CN106197470A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106197470B (zh) 一种数据处理方法及电子设备
Shen et al. Performance evaluation of implicit smartphones authentication via sensor-behavior analysis
Nickel et al. Authentication of smartphone users based on the way they walk using k-NN algorithm
Yang et al. Unlocking smart phone through handwaving biometrics
Gu et al. An automated face reader for fatigue detection
CN107506684A (zh) 步态识别方法及装置
CN107704829B (zh) 一种人脸关键点追踪方法及应用和装置
CN104239761A (zh) 基于触屏滑动行为特征的身份持续认证方法
CN104883505A (zh) 电子设备及其拍照控制方法
CN105589977B (zh) 一种运动次数监测方法及装置
Oshin et al. ERSP: An energy-efficient real-time smartphone pedometer
Pan et al. Using accelerometer for counting and identifying swimming strokes
Sun et al. Physical activity monitoring with mobile phones
Wirz et al. Decentralized detection of group formations from wearable acceleration sensors
CN107533371A (zh) 使用影响手势的用户接口控制
Kim et al. Group activity recognition with group interaction zone
Watanabe et al. Toward an immunity-based gait recognition on smart phone: a study of feature selection and walking state classification
Raj et al. Different techniques for human activity recognition
CN117782148A (zh) 步数计量方法、装置、电子设备及可读存储介质
CN113742669A (zh) 一种基于孪生网络的用户认证方法
Wang et al. Socialite: Social activity mining and friend auto-labeling
Hoelzl et al. Goal oriented opportunistic recognition of high-level composed activities using dynamically configured hidden markov models
CN107992193A (zh) 手势确认方法、装置及电子设备
Darbar et al. Surfacesense: Smartphone can recognize where it is kept
CN106293023A (zh) 姿态确定方法和设备

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