CN106237604A

CN106237604A - 可穿戴设备及利用其监测运动状态的方法

Info

Publication number: CN106237604A
Application number: CN201610789754.9A
Authority: CN
Inventors: 苏鹏程; 张凡; 张一凡
Original assignee: Goertek Inc
Current assignee: Goertek Inc
Priority date: 2016-08-31
Filing date: 2016-08-31
Publication date: 2016-12-21
Also published as: US20190209050A1; WO2018040757A1

Abstract

本发明公开了一种可穿戴设备及利用其监测运动状态的方法，该可穿戴设备中设置有传感器，本方法包括：当一次监测过程开始时控制传感器采集用户的运动数据；从运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。本发明实施例的技术方案通过可穿戴设备实现对佩戴者的运动状态进行监测，由于可穿戴设备的可穿戴特性，用户随身佩戴，在运动过程中可以随时对运动状态进行监测识别，方便用户了解自己的运动状态，帮助改善运动效果，提升了可穿戴设备的用户体验。

Description

可穿戴设备及利用其监测运动状态的方法

技术领域

本发明涉及可穿戴设备技术领域，具体涉及一种可穿戴设备及利用其监测运动状态的方法。

背景技术

传统地，对运动者的运动状态(例如，游泳状态)进行监控和跟踪主要通过视觉的方式进行，事后根据视频数据进行分析和识别，这种方案不能实时地给出统计识别结果；另外，也有一些专业的运动监测设备可以对游泳的姿态和运动量等运动数据进行分析，但是价格昂贵，而且携带不方便，不适用于普通的游泳爱好者。并且，现有的运动状态监测方案得到的运动状态监测结果的准确性也有待提高。

发明内容

本发明提供了一种可穿戴设备及利用其监测运动状态的方法，以解决现有技术只能事后对普通运动者的运动状态进行监测识别，便携性差，准确度低，不能满足普通用户游泳运动时对游泳状态的监测需求的问题。

根据本发明的一个方面，提供了一种利用可穿戴设备监测运动状态的方法，该可穿戴设备中设置有传感器，方法包括：当一次监测过程开始时控制传感器采集用户的运动数据；

从运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；

将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。

可选地，控制传感器采集用户的运动数据包括：

控制传感器采集一个轴向或多个轴向上用户的运动数据；

从运动数据中提取用于识别用户运动状态的个或多个特征量包括：从每个轴向的运动数据中提取下述时域特征量中的一个或多个：均值、标准差、最小值、最大值、偏度、峰度和相关系数。

可选地，该方法具体为：当一次监测过程开始时控制传感器采集用户的游泳动作数据；从游泳动作数据中提取用于识别用户游泳状态的一个或多个特征量，得到测试数据，将测试数据与每个代表游泳运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态；其中，模板数据是由采集到的多个用户的标准游泳状态数据生成，并存储在可穿戴设备中，标准游泳状态数据至少包括如下类别数据：蛙泳数据、自由泳数据，蝶泳数据、仰泳数据以及折返状态数据；识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态包括：识别用户的游泳状态为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿、蝶泳泳姿、仰泳泳姿或折返状态。

可选地，控制传感器采集用户的游泳动作数据包括：控制三轴加速度传感器采集用户游泳运动时的三轴加速度数据，将采集的三轴加速度数据保存缓存中，在从游泳动作数据中提取用于识别用户游泳状态的特征量之前，对采集的三轴加速度数据进行如下预处理操作：

按照预定的频率同时从缓存中采样，并以预定步长的滑动窗对采样数据进行加窗处理，得到预定长度的各轴向加速度数据，其中，滑动窗的移动步长需满足相邻滑动窗中的数据部分重叠的条件；以及，对得到的预定长度的各轴向加速度数据，分别采用K时间近邻均值滤波进行平滑滤波处理，以去除干扰噪声。

可选地，该方法还包括：

利用统计分析计算由一个或多个特征量组成的测试数据与用户运动状态之间的相关性，并根据测试数据与用户运动状态之间的相关性对测试数据进行筛选，得到筛选后的测试数据，将筛选后的测试数据与模板数据进行匹配。

可选地，将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生包括：利用模板数据训练支持向量机SVM分类器，从模板数据中选择任意两种类别的模板数据训练一个两类分类器，得到训练好的能够将N种模板数据中任意两种模板数据区分开的SVM两类分类器，

分别将测试数据与训练好的每个SVM两类分类器进行匹配，获取测试数据与每个SVM两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与测试数据匹配成功的模板数据。

可选地，该方法还包括：在确定出用户当前的游泳状态为折返状态后，判断本次折返状态发生的时间点与上一次折返状态发生的时间点之间的时间间隔是否大于预设的时间阈值，是则，确定本次判断出的折返状态有效，否则，确定本次判断出的折返状态无效；以及，当折返状态判断为有效时，保存本次折返状态发生的时间点并用本次折返状态发生的时间点更新存储的折返状态发生时间点。

可选地，该方法还包括：在将测试数据与每个模板数据进行匹配之前，

分别计算采集的各轴上传感器数据的标准差；将各轴上传感器数据的标准差与一个预设的标准差阈值进行比较，若各轴上传感器数据的标准差都小于该标准差阈值，则确定用户未处于运动状态，不做进一步的匹配处理。

根据本发明的另一个方面，提供了一种可穿戴设备，该可穿戴设备中设置有传感器，可穿戴设备包括：

数据采集单元，用于当一次监测过程开始时控制传感器采集用户的运动数据；

特征提取单元，用于从运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；

状态监测单元，用于将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。

可选地，数据采集单元，具体用于控制传感器采集一个轴向或多个轴向上用户的运动数据；

特征提取单元，具体用于从每个轴向的运动数据中提取下述时域特征量中的一个或多个：均值、标准差、最小值、最大值、偏度、峰度和相关系数。

本发明的有益效果是：本发明实施例的利用可穿戴设备进行运动状态监测的方法，一方面，利用可穿戴设备具有的可编程能力，可穿戴设备中可同时嵌入多种低成本微机电系统MEMS传感器(如加速度计、陀螺仪等)这为基于传感器的游泳等运动状态识别提供了软硬件支持。另一方面，可穿戴设备大多都轻便小巧，通常用户会随身佩戴，在进行游泳等活动时可以随时对运动状态进行识别，并进行相应的运动量统计，给用户相应的反馈，并促进人们更好地运动。相比现有技术方案，基于可穿戴设备中运动传感器的运动状态(如游泳姿势)识别灵活可靠，不受环境、光线等的影响，系统实现简单，用户携带方便，满足了普通运动者的使用需求，也提高了可穿戴设备的市场竞争力。并且，本实施例的技术方案通过特征量提取和模板数据匹配相结合的技术手段，能够识别多种用户运动状态，经实验验证，本方案得到的监测结果的准确度较高。

附图说明

图1是本发明一个实施例的一种利用可穿戴设备监测运动状态的方法的流程图；

图2是本发明另一个实施例的一种利用可穿戴设备监测运动状态的方法的流程图；

图3是本发明又一个实施例的数据采集的示意图；

图4是本发明又一个实施例的数据加窗处理的示意图；

图5是本发明一个实施例的可穿戴设备的结构框图。

具体实施方式

目前，智能手表等可穿戴设备的兴起给运动识别的广泛应用提供了可能。首先，智能手表等可穿戴设备具有可编程能力，同时嵌入多种低成本MEMS传感器，如加速度计、陀螺仪等，对基于传感器的游泳等活动识别提供了软硬件支持。其次，智能手表轻便小巧，用户随身佩戴，在进行游泳等活动时可以随时对运动姿势等进行识别，并进行相应的运动量统计，给用户反馈，促进人们更好地运动。

基于此，本发明的设计构思在于：利用可穿戴设备实现运动状态的检测，具体根据可穿戴设备如智能手表中运动传感器采集的数据，将这些采集的测试数据和预设的模板数据比较，得到识别结果。相比传统方式，这种运动状态监测的方案灵活可靠，不受环境、光线等因素的影响，系统实现简单，用户携带方便，具有巨大发展潜力。

实施例一

图1是本发明一个实施例的一种利用可穿戴设备监测运动状态的方法的流程图，参见图1，该可穿戴设备中设置有传感器，该方法包括如下步骤：

步骤S101，当一次监测过程开始时控制传感器采集用户的运动数据；

步骤S102，从运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；

步骤S103，将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。

上述步骤S101至S103可以由设置在可穿戴设备中的功能模块实现。

由图1所示的方法可知，本发明实施例的这种利用可穿戴设备实现运动状态监测的方法，通过控制传感器采集用户的运动数据，从运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据，将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据后确定匹配到的测试数据关联的模板数据对应的运动状态发生。如此，利用可穿戴设备的可穿戴特性，可以实时对运动者的运动状态进行监测和识别，方便运动者了解自己的运动状态，帮助运动者改善运动效果。另外，与专业的运动监测设备相比，可穿戴设备更常用并且价格低，能够满足普通运动者的运动状态监测需求。

以下实施例中，以游泳运动状态监测为例对本发明实施例的利用可穿戴设备监测运动状态的方法的实现过程进行说明，需要强调的是，本发明实施例的技术方案还可以用于其他运动状态的监测，例如应用于其它日常活动的识别，如走、跑、上楼、下楼等动作。其他运动状态监测的具体实现可以参见下面实施例中对游泳运动状态监测的说明。另外，下面实施例中，以智能手表这种可穿戴设备为例说明，利用智能手表来实现对游泳者的游泳运动状态的监测。

游泳等运动状态监测识别在智能手表上的实际应用仍然面临着一些有待解决的问题，具体有：

(1)在游泳时，不同用户的姿势和习惯都不同，甚至相差比较大，而且在泳池里水的阻力和波动等对传感器读数的影响也比较大，需要采取合理的技术手段，提取有效的特征，并采用合适的识别方法，以对不同用户都能有较高的识别能力。

(2)基于智能手表的运动姿势识别需要考虑计算量和功耗的问题。智能手表等可穿戴设备是资源受限的。在识别过程中，智能手表的持续感知需要消耗不少的能量。需要进一步采取有效的策略，控制算法的复杂性，减少计算量，提高感知效率，从而提高用户使用的友好性。

针对这些问题，本发明实施例采用简单有效的预处理措施以去除噪声的影响，并提取真正有区别能力的有限的几种时域特征，避免复杂的特征计算，以降低计算量。另外，采用支持向量机(Support Vector Machine，简称SVM)对游泳姿势进行识别。SVM适合小样本训练集，不需要太复杂的训练过程，而且它具有优秀的泛化能力，能够很好地识别不同用户的游泳姿态。同时，SVM经过训练后产生的分类器简洁，相比KNN等识别方法，只需要用到很少的样本信息，节约了模板数据的存储空间。KNN邻近算法(k-Nearest Neighbor)分类算法是数据挖掘分类技术中最简单的方法之一。

实施例二

图2是本发明另一个实施例的一种利用可穿戴设备监测运动状态的方法的流程图，参见图2，利用可穿戴设备监测运动状态的方法整体的流程是：首先，对四种基本的游泳姿势等进行识别，同时也可以识别出折返动作的发生。主要采用基于时域特征和支持向量机(SVM)的运动状态监测识别。其次，对于游泳运动时采集的三轴加速度数据，采用滑动窗的处理方法，相邻滑动窗之间要有一定的重叠。对滑动窗中X、Y、Z三轴加速度数据，分别采用滑动均值滤波以去除噪声的影响，得到比较平滑的数据。然后，在每个滑动窗中，分别提取时域特征。最后，采用支持向量机(SVM)方法进行分类识别。开始识别前，要采集几种标准的不同姿势的游泳数据进行训练，得到SVM多类分类器。实际使用过程中，针对用户游泳过程中所产生的加速度数据，利用所训练的SVM分类器进行有效的识别。

具体的，参见图2包括如下步骤：流程开始，执行步骤S201，

步骤S201，传感器数据采集；

本发明实施例利用加速度传感器，实现对四种基本的游泳姿势进行识别，同时也可以识别出游泳时的折返动作的发生。

在步骤S201中，控制传感器采集一个轴向或多个轴向上用户的运动数据；当一次监测过程开始时控制控制三轴加速度传感器采集用户游泳运动时的三轴加速度数据，将采集的三轴加速度数据保存缓存中。

图3是本发明又一个实施例的数据采集示意图，参见图3，其中，31表示三轴加速度传感器，32表示采集得到的加速度数据，33表示环形缓冲区；三轴加速度传感器31采集人体动作的三轴加速度数据32，将采集的三轴加速度数据32放入对应的环形缓冲区33(图3示出了一个环形缓冲区33)中，本实施例采用环形缓冲区33的设计可以节省系统的存储空间，也方便对采集的加速度数据后续进行采样以及后续添加滑动窗处理。

本领域技术人员能够理解在本发明的其他实施例中，也可以不采用环形缓冲区33放置采集的加速度数据32，对此不作限制。

此外，需要强调的是，图3是以通过加速度传感器采集人体动作的三轴加速度为例进行的示意性说明。但是在本发明的其他实施例中，也可以通过陀螺仪采集人体动作的三轴角速度数据，或者既通过加速度传感器采集三轴加速度数据又通过陀螺仪采集三轴角速度数据，然后分别对加速度数据和角速度数据进行训练，对此不做限制。

本实施例的方法采集到原始的加速度数据后，在从游泳动作数据中提取用于识别用户游泳状态的一个或多个特征量之前，对采集的三轴加速度数据进行预处理操作

具体来说，是在执行步骤S201之后，执行步骤S202以对加速度数据进行加窗预处理操作。

步骤S202，滑动窗处理；

对于游泳运动时采集的三轴加速度数据，采用滑动窗的处理方法，按照预定的频率同时从缓存中采样，并以预定步长的滑动窗对采样数据进行加窗处理，得到预定长度的各轴向加速度数据，其中，滑动窗的移动步长需满足相邻滑动窗中的数据部分重叠的条件；即，相邻滑动窗之间保证有一定的重叠。而之所以设置相邻滑动窗口之间的数据有部分重叠式为了防止数据遗漏造成识别不准确。

图4是本发明又一个实施例的添加滑动窗处理示意图；如图4所示，从X轴、Y轴、Z轴三轴加速度数据的环形缓冲区中，按照预定的频率采样，对采样数据进行加窗处理。本实施例中，采样频率为50Hz(一秒钟采样得到50个数据)，每个滑动窗的大小为N＝50*T个采样数据，其中T为滑动窗覆盖的时间长度(即，秒数)，滑动窗的移动步长为N/2个采样数据。滑动窗的大小即为得到的T秒内原始数据的长度，也就是说，同时从X轴、Y轴、Z轴三个环形缓冲区中每次分别取出N个采样数据进行测试识别。

需要说明的是，本实施例中设置滑动窗的移动步长为窗口大小的一半，可以理解在本发明的其他实施例中，滑动窗的移动步长也可以是窗口大小的1/3等，只要保证相邻滑动窗中的数据部分重叠即可。另外，本实施例中数据加窗处理采用的窗函数为矩形窗，矩形窗属于时间变量的零次幂窗。但是在本发明实施例中窗函数不限于矩形窗，也可以使用其它窗函数，对窗函数没有限制。

步骤S203，滤波处理；

对得到的预定长度的各轴向加速度数据，分别采用K时间近邻均值滤波进行平滑滤波处理，以去除干扰噪声。具体是对滑动窗中X、Y、Z三轴加速度数据，分别采用滑动均值滤波以去除噪声的影响，得到比较平滑的数据。

本实施例中，对预定长度的加速度数据进行滤波处理以滤除干扰噪声包括：对预定长度的原始数据的每个轴向的进行滤波处理的数据点，选取该数据点左侧相邻的预定数目的数据点以及选取该数据点右侧相邻的预定数目的数据点，计算选取出的数据点的均值并由该均值替换滤波处理的数据点的数值。

具体的，本实施例采用K时间近邻均值滤波进行滤波处理。K时间近邻均值化滤波是通过事先设定时间最近邻的个数K，然后在各轴加速度数据中，把任意一数据点左边K个近邻数据点和右边K个近邻数据点所组成的数据的均值作为滤波处理后该数据点的值。对于时间序列中前K个数据点和最后K个数据点，须做特殊处理，取尽可能多的邻居数据点作为均值化处理的对象。

以三轴加速度数据中的X轴数据为例，K时间近邻均值化滤波为：

其中，N是X轴数据的长度，即滑动窗的大小(本实施例中数据长度为50)，K是预先选取的邻居个数，即选取某一个数据点左、右各多少个最近邻的邻居，a_xj为加速度信号a_j在X轴上的分量，a'_xi是a_xj对应的滤波后的数据，i表示X轴上加速度数据的位置索引，j表示X轴上加速度数据的位置索引，j和i之间为辅助关系。

需要说明的是，本发明其他实施例中，除了K时间近邻均值化滤波之外，还可以采用其它滤波处理方法，例如，中值滤波，巴特沃斯(Butterworth)滤波等，只要能够实现对原始加速度数据进行滤波处理即可，对滤波算法不作限制。

步骤S204，特征提取；

本实施例从滤波处理游泳动作数据中提取用于识别用户游泳状态的若干个特征量，得到测试数据。具体的，本实施例中从每个轴向的运动数据中提取下述时域特征量中的若干个：均值、标准差、最小值、最大值、偏度、峰度和相关系数。

即，对滑动窗口中的X、Y、Z轴提取七种时域特征，包括：均值、标准差、最小值、最大值、偏度、峰度和相关系数，优选地，提取X、Y、Z三轴上的组七种时域特征共组成21维的特征向量。

需要说明的是，在进行特征提取时，在满足所需识别性能的前提下，可以只提取一轴向(如X轴或Y轴向或Z轴向)的七种时域特征，或者只提取一轴向数据中的七种时域特征中的若干个，例如，提取X轴上数据的均值、最小值、最大值、偏度这四种时域特征。或者，可以提取三轴向的七种时域特征中的若干个组成特征向量，例如，分别提取X轴、Y轴、Z轴上数据的均值、最小值、最大值、偏度这四种时域特征，对此不作限制。

进一步的，在提取特征后，为提高数据运算速度，降低计算复杂度，本实施例的方法还包括：利用统计分析计算由若干个特征量组成的测试数据与用户运动状态之间的相关性，并根据测试数据与用户运动状态之间的相关性对测试数据进行筛选，得到筛选后的测试数据，后续利用筛选后的测试数据与模板数据进行匹配。

步骤S205，模板训练；

模板数据是由采集到的多个用户的标准游泳状态数据生成，并存储在智能手表中，标准游泳状态数据至少包括如下类别数据：蛙泳数据、自由泳数据，蝶泳数据、仰泳数据以及折返状态数据；识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态包括：识别用户的游泳状态为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿、蝶泳泳姿、仰泳泳姿或折返状态。

步骤S206，SVM分类模型；

利用模板数据训练支持向量机SVM分类器，从模板数据中选择任意两种类别的模板数据训练一个两类分类器，得到训练好的能够将N种模板数据中任意两种模板数据区分开的SVM两类分类器，分别将测试数据与训练好的每个SVM两类分类器进行匹配，获取测试数据与每个SVM两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与测试数据匹配成功的模板数据。

需要说明的是，步骤S205模板训练和步骤S206SVM分类模型；可以预先训练好后存储在智能手表中，这样在用户使用智能手表进行游泳状态的识别过程中，不需要再去训练模板和训练SVM分类模型，以节省游泳状态识别的时间。也就是说，在实际应用时，步骤S205和步骤S206可以省略。

步骤S207，SVM识别在对用户的游泳姿势进行识别时，对采集到的三轴加速度传感器数据，按照类似的处理，提取出各个滑动窗的测试数据后，采用训练出的SVM两类分类器，可以识别出当前所采用的游泳姿势。

步骤S208，游泳姿势和折返动作识别结果；

根据步骤S207的识别结果，确定用户当前采用的游泳状态。并且如果识别出用户在游泳时的折返点位置，则可以进一步统计出用户所游的趟数，再根据泳池长度，可以计算出游泳的速度等参数。

另外，本实施例中的方法还包括：在确定出用户当前的游泳状态为折返状态后，判断本次折返状态发生的时间点与上一次折返状态发生的时间点之间的时间间隔是否大于预设的时间阈值，是则，确定本次判断出的折返状态有效，否则，确定本次判断出的折返状态无效；以及，当折返状态判断为有效时，保存本次折返状态发生的时间点并用本次折返状态发生的时间点更新存储的折返状态发生时间点。

至此，流程结束。

由上可知，相比以往的传统方法，如视频分析或专业的检测设备，采用内置在智能手表中的加速度传感器进行处理，携带方便，使用灵活，而且对游泳姿势可以进行实时的识别，并给予用户实时的反馈，方便用户随时掌握自己的运动统计状况。而且，为了适应智能手表等设备的资源受限状况，提取了有限的几种典型而且有很好区别能力的时域特征，相比其它的频域或时-频域特征，避免了复杂的特征计算，减少了计算量。另一方面，采用具有很好泛化能力的支持向量机(SVM)进行识别，可以提供非用户受限的识别能力，即，可以对不同用户的游泳姿势都可以很好地识别，避免了每个用户使用前都需要单独训练的情况，方便用户的使用，提高了用户体验。

以下对本发明其他实施例对利用智能手表监测用户的游泳运动状态进行更详细的说明。

实施例三

本实施例的利用智能手表监测游泳运动状态的方法具体包括如下步骤：

步骤31，传感器采集数据

采用智能手表内置的加速度传感器，所采集的数据为游泳动作的X、Y、Z三轴加速度。采集的数据分别保存到长度为Len的环形缓冲区(ring buffer)中，如图3所示。

步骤32，滑动窗处理。

从环形缓冲区中取出的三轴加速度数据分别添加滑动窗，如图4所示。每个窗大小为N个采样，覆盖的时间长度为T秒，滑动窗的移动步长为step个采样(可以取步长＝N/2，即相邻窗重叠半个窗长)。后续对每个窗的数据进行滤波处理。

滑动窗处理的目的：滑动窗处理也就是每次从传感器数据中取一个固定长度的数据段，也就是用滑动窗来覆盖传感器数据，而相邻滑动窗之间有一定长度的重叠，如重叠半个窗长。每次对当前的滑动窗内的数据进行处理，包括提取特征后进行识别，可以判断出当前时间段所对应的游泳姿势。这样采用一个固定长度的滑动窗，处理相对简单，而且可以每次都对相同长度的数据提取特征，方便下一步识别。

步骤33，滤波处理

对采集的原始加速度信号要进行滤波处理，以滤除干扰噪声。

本发明采用K时间近邻均值化滤波器进行处理。K时间近邻均值数据滤波方法就是通过事先设定时间最近邻的个数K，在各轴加速度数据中，把任意一点左右各K个元素所组成的序列的均值作为预处理后该点的值。对于时间序列中前K个数据点和最后K个数据点，必须做特殊处理，取尽可能多的邻居作为均值化处理的对象。

步骤34，特征提取

在对加速度信号进行预处理的基础上，进行加速度的特征提取。频域和时-频域特征(如小波特征)提取复杂，在智能手表上计算这些特征开销较大，会增加运算时间，不利于在智能手表上进行实时的游泳姿势识别。

本发明只提取真正有区别能力的、有限的几种时域特征，避免复杂的特征计算，以降低计算量。具体的，是对每个滑动窗中X、Y、Z三轴加速度数据，分别提取七种时域特征，包括：均值、标准差、最小值、最大值、偏度、峰度和相关系数，组成了共21维的特征向量。以X轴加速度数据x_i,i＝1,2,…,N为例，下面公式(2)至公式(8)中出现的i表示X轴上加速度数据的位置索引，例如，i＝5表示该数据是X轴上加速度数据序列中的第五个数据。各个时域特征具体计算如下：

(1)均值：

(2)标准差：

其中为X轴加速度样本均值。标准差反映了加速度传感器数据的离散程度，它也是识别静态动作与动态动作的重要特征。可以利用标准差来判断用户目前是否处于相对静止状态，如果三个轴上的加速度的标准差都小于一个预设的阈值，则认为用户目前没有在游泳，不做进一步的识别处理。

(3)最小值和最大值：

min_x＝min({x_i,i＝1,2,…N}) 公式(4)

max_x＝max({x_i,i＝1,2,…N}) 公式(5)

(4)偏度：

其中为X轴加速度样本均值，σ_x为X轴加速度样本标准差。偏度是用来度量加速度传感器数据分布偏斜方向和程度的统计特征。

(5)峰度：

其中为X轴加速度样本均值，σ_x为X轴加速度样本标准差，f_i为加速度样本采样间隔。峰度反映了加速度传感器数据在数据曲线顶峰处的陡峭程度,是一个重要的统计特征。

(6)相关系数：

其中和分别为X和Y轴上的加速度样本均值。相关系数是衡量变量之间线性相关程度的指标。

同理，对Y轴和Z轴可计算出这七种时域特征：均值、标准差、最小值、最大值、偏度、峰度和相关系数。对于每个滑动窗，X、Y、Z三轴数据提取的时域特征可组成21维的特征向量。

这几种特征是直接在时域进行计算的，所有不需要复杂的变换系数处理。而对于其它较复杂的傅里叶变换FFT、小波变换等变换系数，如果采用这些变换特征，对每个滑动窗的数据在此进行处理和提取，需要更多的计算量。根据针对游泳场景的试验结果，本发明实施例所采用的这几种时域特征都是重要的统计特征，对于游泳姿势等已具有足够的区分能力，而相比这几种时域特征，采用FFT、小波变换等特征的识别性能并没有明显提高，而计算量却有所增加。

为了进一步减少计算量，在模板训练时，在不明显降低识别性能的前提下可以尝试直接选择这7种特征中的若干种组合进行识别，根据试验结果选择其中性能最好的组合。或者，在各提取三个轴向的七种时域特征得到共21维特征后，在不降低识别性能的前提下，也可以采用特征选择方法进一步降低特征的维数。特征选择方法可以采用主成分分析法(PCA)、线性判决分析法(LDA)或boosting算法等。

步骤35，SVM分类器

支持向量机(SVM)适合小样本训练集，而且具有优秀的泛化和推广能力，具有较好的非用户依赖性，能够很好地识别不同用户的游泳姿态。同时，SVM经过训练后产生的分类器简洁，相比KNN等识别方法，只需要用到很少的样本信息，节约了模板的存储空间。因此本实施例选用SVM分类器对游泳姿势进行识别。并且相比DTW(Dynamic Time Warping，动态时间归整)，SVM分类识别可采用固定长度的滑动窗，处理相对简单，不需要计算用户动作的开始时间和结束时间，提高了处理速度。

设样本集合为(s_i,t_i),i＝1,2,…,n，其中s_i为样本点，t_i∈{-1,+1}为相应的类别标签。则最优分类函数表示为：

其中，sgn()为符号函数，和b^*是在保证正确分类的情况下，求解分类间隔最大时获得的最优解，K(s,s_i)为核函数，它对应变换空间中的内积运算。

则进行游泳状态识别时，将待识别的测试数据代入上式(9)进行计算，则测试数据的类别可根据函数输出符号来判断。

步骤35中SVM分类器，包括训练和使用(进行识别)两部分内容，具体的，分类器训练包括：

在SVM分类模型中(参见上述公式9)，核函数可以选择径向基函数(RBF)，对于RBF，需要确定的参数为核函数参数γ和惩罚因子C。为了确定最优的参数C和γ，以提高分类器的识别精度，本发明采用基于交叉验证(cross-validation)的网格搜索方法。即搜索不同的参数对(C,γ)组合，通过交叉验证方法选择其中具有最高精度的参数对作为最优的结果。

在训练分类器时，首先对P个不同用户的四种基本游泳姿势的加速度数据进行采样。分别按图2中所示的步骤S201-S204进行处理。然后对每个人截取M个滑动窗的特征向量，最后得到4*P*M行21列的特征矩阵，用来训练并构造SVM多类分类器。

使用SVM进行分类识别包括：

在对用户的游泳姿势进行识别时，对采集到的三轴加速度传感器数据，按照图2中的步骤S201-S204处理，提取出各个滑动窗的21维特征矢量，采用训练出的SVM多类分类器，可以识别出当前所采用的游泳姿势。

由于SVM处理的是二分类问题，在利用SVM对多个游泳姿势进行识别时，需要构建分类器。本发明实施例采用“一对一”的方法。即从N个分类中，选择任意两种类别的训练样本训练一个两类分类器，则共需要N*(N-1)/2个两类分类器。该方法虽然分类器的数量较多，但正确率较高。测试样本输入分类器中，利用投票(max-wins-voting，MWV)策略产生最终识别结果。

举例而言，标准游泳状态的模板数据为四种：蛙泳、自由泳、仰泳和蝶泳，为了识别用户游泳时的折返动作，本实施例中将折返动作也作为一类模式，即，本实施例中共有5中类别，则在SVM训练时，有两种实现方式：

第一种方式是，选择任意两种类别的训练样本训练一个两类分类器，则共需要N*(N-1)/2个两类分类器。例如，选择蛙泳和仰泳这两种类别组成一个两类分类器，即(蛙泳/仰泳)，然后，将测试数据A带入该两类分类器的最优分类函数公式中，可得到，测试数据A属于蛙泳或属于仰泳的匹配结果。然后，将测试数据A和剩下的五个两类分类器分别比较，可得到五个匹配结果，最后，根据测试数据A的匹配结果中模板数据出现的数目，将出现次数最多的模板数据作为测试数据A匹配的模板数据，即作为测试数据A所属的类别。接上例，测试数据A与六个SVM两类分类器比较后，发现蛙泳出现了三次，而仰泳、自由泳、蝶泳各出现一次，则识别出测试数据A属于蛙泳。

第二种方式是，在训练SVM两类分类器时，为了减少比较的次数，可以将一种泳姿作为第一类别，而将除该泳姿之外的所有类别作为第二类别。这样，本实施例中为了识别泳姿，只需要同SVM两类分类器比较四次，即可得到的识别结果。举例而言，在一个SVM两类分类器中，将蛙泳作为一种类别而将蛙泳之外的其他类别(即，自由泳、仰泳、蝶泳和折返动作)作为第二种类别。实际应用时，将测试数据和该SVM两类分类器匹配，通过一次比较，即可确定出该测试数据不属于蛙泳，然后再通过与训练好的其他SVM两类分类器比较，可确定出测试数据的具体类别。

步骤36，折返点识别

如果识别出用户在游泳时的折返点位置，则可以进一步统计出用户所游的趟数，再根据泳池长度，可以计算出游泳的速度等参数。但由于不同人的折返习惯和姿势都有很大的不同，简单地依靠加速度阈值判断等方法不能很可靠地识别出折返动作的发生。因为在折返时加速度数据可能会有突变，一种方法是可以判断加速度曲线的斜率变化，如果斜率突然增加并超出一定的阈值则判断折返动作发生；另一种方法可以判断加速度的幅值突然增加并超过一定的阈值则判断折返动作发生。但这些方法并不可靠，因为对于不同的游泳姿势和不同的人来说，折返动作变化很大，情况多种多样，有时加速度的变化并不符合这些规律，简单地依靠这种加速度阈值来判断并不可靠。

为了有效地识别出折返动作，本发明将折返动作单独作为一类模式进行识别，与四种基本泳姿放在一起，采用前述方法进行训练和识别，共需要识别五类模式。而且，为了进一步降低折返动作误识别的发生(即本来没有折返而识别为折返动作的情况)，在识别出折返动作之后启动计时，只有在超出一定的时间阈值TH_T后，才可能再次发生折返动作。因为游泳时游完每一趟都会有一个最小时间间隔TH_T，在判断出折返后，下一个折返动作在该最小时间间隔内是不会发生的。如果在该最小时间间隔内检测到折返动作，则直接忽略掉。

实施例四

本实施例中提供了一种可穿戴设备，图5是本发明一个实施例的可穿戴设备的结构框图，参见图5，该可穿戴设备中设置有传感器，可穿戴设备50包括：

数据采集单元501，用于当一次监测过程开始时控制传感器采集用户的运动数据；

特征提取单元502，用于从运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；

状态监测单元503，用于将测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。

在本发明的一个实施例中，数据采集单元501，具体用于控制传感器采集一个轴向或多个轴向上用户的运动数据；

特征提取单元502，具体用于从每个轴向的运动数据中提取下述时域特征量中的一个或多个：均值、标准差、最小值、最大值、偏度、峰度和相关系数。

在本发明的一个实施例中，可穿戴设备具体用于监测用户的游泳运动状态，当一次监测过程开始时控制传感器采集用户的游泳动作数据；从游泳动作数据中提取用于识别用户游泳状态的若干个特征量，得到测试数据，将测试数据与每个代表游泳运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态；

其中，模板数据是由采集到的多个用户的标准游泳状态数据生成，并存储在可穿戴设备中，标准游泳状态数据至少包括如下类别数据：蛙泳数据、自由泳数据，蝶泳数据、仰泳数据以及折返状态数据；识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态包括：

识别用户的游泳状态为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿、蝶泳泳姿、仰泳泳姿或折返状态。

在本发明的一个实施例中，控制三轴加速度传感器采集用户游泳运动时的三轴加速度数据，将采集的三轴加速度数据保存缓存中，在从游泳动作数据中提取用于识别用户游泳状态的特征量之前，

对采集的三轴加速度数据进行如下预处理操作：按照预定的频率同时从缓存中采样，并以预定步长的滑动窗对采样数据进行加窗处理，得到预定长度的各轴向加速度数据，其中，滑动窗的移动步长需满足相邻滑动窗中的数据部分重叠的条件；以及，对得到的预定长度的各轴向加速度数据，分别采用K时间近邻均值滤波进行平滑滤波处理，以去除干扰噪声。

在本发明的一个实施例中，该可穿戴设备中还包括：降维处理单元，用于利用统计分析计算由一个或多个特征量组成的测试数据与用户运动状态之间的相关性，并根据测试数据与用户运动状态之间的相关性对测试数据进行筛选，得到筛选后的测试数据，将筛选后的测试数据与模板数据进行匹配。

在本发明的一个实施例中，状态监测单元，具体用于利用模板数据训练支持向量机SVM分类器，从模板数据中选择任意两种类别的模板数据训练一个两类分类器，得到训练好的能够将N种模板数据中任意两种模板数据区分开的SVM两类分类器，分别将测试数据与训练好的每个SVM两类分类器进行匹配，获取测试数据与每个SVM两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与测试数据匹配成功的模板数据。

在本发明的一个实施例中，该可穿戴设备中还包括：折返动作确认单元，用于在确定出用户当前的游泳状态为折返状态后，判断本次折返状态发生的时间点与上一次折返状态发生的时间点之间的时间间隔是否大于预设的时间阈值，是则，确定本次判断出的折返状态有效，否则，确定本次判断出的折返状态无效；以及，当折返状态判断为有效时，保存本次折返状态发生的时间点并用本次折返状态发生的时间点更新存储的折返状态发生时间点。

在本发明的一个实施例中，该可穿戴设备中还包括：静止判断单元，用于在将测试数据与每个模板数据进行匹配之前，分别计算采集的各轴上传感器数据的标准差；将各轴上传感器数据的标准差与一个预设的标准差阈值进行比较，若各轴上传感器数据的标准差都小于该标准差阈值，则确定用户未处于运动状态，不做进一步的匹配处理。

需要说明的是，本实施例的这种可穿戴设备可应用到前述利用可穿戴设备进行运动状态的方法中，本实施例对可穿戴设备的工作过程的更多细节可以参见前述实施例中对利用可穿戴设备进行运动状态的方法部分的说明，在此不再赘述。

综上所述，本发明实施例的技术方案相比现有技术，如视频分析或专业的检测设备，通过采用内置在智能手表中的加速度传感器进行处理，携带方便，使用灵活，而且对游泳姿势可以进行实时的识别方便用户随时掌握自己的运动状况。而且，为了适应智能手表等设备的资源受限状况，本发明实施例中提取了有限的几种典型且有很好区别能力的时域特征，相比其它的频域或时-频域特征，避免了复杂的特征计算，减少了计算量。另一方面，采用具有很好泛化能力的支持向量机SVM进行识别，可以实现非用户受限的识别能力，即可以对不同用户的游泳姿势都可以很好地识别，避免了每个用户使用前都需要单独训练的情况，方便用户的使用，提高了用户体验。并且，本实施例的技术方案通过特征量提取和模板数据匹配相结合的技术手段，能够识别多种用户运动状态，经实验验证，本方案得到的监测结果的准确度较高。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围以权利要求的保护范围为准。

Claims

1.一种利用可穿戴设备监测运动状态的方法，其特征在于，该可穿戴设备中设置有传感器，所述方法包括：

当一次监测过程开始时控制所述传感器采集用户的运动数据；

从所述运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；

将所述测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。

2.根据权利要求1所述的方法，其特征在于，控制所述传感器采集用户的运动数据包括：

控制所述传感器采集一个轴向或多个轴向上用户的运动数据；

从所述运动数据中提取用于识别用户运动状态的一个或多个特征量包括：

从每个轴向的运动数据中提取下述时域特征量中的一个或多个：

均值、标准差、最小值、最大值、偏度、峰度和相关系数。

3.根据权利要求1所述的方法，其特征在于，所述方法具体为：

当一次监测过程开始时控制传感器采集用户的游泳动作数据；

从所述游泳动作数据中提取用于识别用户游泳状态的一个或多个特征量，得到测试数据，

将所述测试数据与每个代表游泳运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态；

其中，所述模板数据是由采集到的多个用户的标准游泳状态数据生成，并存储在可穿戴设备中，

所述标准游泳状态数据至少包括如下类别数据：蛙泳数据、自由泳数据，蝶泳数据、仰泳数据以及折返状态数据；

所述识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态包括：

4.根据权利要求3所述的方法，其特征在于，所述控制传感器采集用户的游泳动作数据包括：

控制三轴加速度传感器采集用户游泳运动时的三轴加速度数据，将采集的三轴加速度数据保存缓存中，

在从所述游泳动作数据中提取用于识别用户游泳状态的特征量之前，对采集的三轴加速度数据进行如下预处理操作：

按照预定的频率同时从所述缓存中采样，并以预定步长的滑动窗对采样数据进行加窗处理，得到预定长度的各轴向加速度数据，其中，所述滑动窗的移动步长需满足相邻滑动窗中的数据部分重叠的条件；

以及，对得到的预定长度的各轴向加速度数据，分别采用K时间近邻均值滤波进行平滑滤波处理，以去除干扰噪声。

5.根据权利要求1所述的方法，其特征在于，该方法还包括：

利用统计分析计算由一个或多个特征量组成的测试数据与用户运动状态之间的相关性，并根据测试数据与用户运动状态之间的相关性对测试数据进行筛选，得到筛选后的测试数据，将筛选后的测试数据与所述模板数据进行匹配。

6.根据权利要求1所述的方法，其特征在于，所述将所述测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生包括：

利用模板数据训练支持向量机SVM分类器，从模板数据中选择任意两种类别的模板数据训练一个两类分类器，得到训练好的能够将N种模板数据中任意两种模板数据区分开的SVM两类分类器，

分别将所述测试数据与训练好的每个SVM两类分类器进行匹配，获取所述测试数据与每个SVM两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与所述测试数据匹配成功的模板数据。

7.根据权利要求4所述的方法，其特征在于，该方法还包括：

在确定出用户当前的游泳状态为折返状态后，判断本次折返状态发生的时间点与上一次折返状态发生的时间点之间的时间间隔是否大于预设的时间阈值，是则，确定本次判断出的折返状态有效，否则，确定本次判断出的折返状态无效；

以及，当折返状态判断为有效时，保存本次折返状态发生的时间点并用本次折返状态发生的时间点更新存储的折返状态发生时间点。

8.根据权利要求2所述的方法，其特征在于，该方法还包括：在将所述测试数据与每个模板数据进行匹配之前，

分别计算采集的各轴上传感器数据的标准差；

将各轴上传感器数据的标准差与一个预设的标准差阈值进行比较，若各轴上传感器数据的标准差都小于该标准差阈值，则确定用户未处于运动状态，不做进一步的匹配处理。

9.一种可穿戴设备，其特征在于，该可穿戴设备中设置有传感器，可穿戴设备包括：

特征提取单元，用于从所述运动数据中提取用于识别用户运动状态的一个或多个特征量，得到测试数据；

状态监测单元，用于将所述测试数据与存储的代表预定运动状态的模板数据进行匹配，得到与测试数据匹配成功的模板数据，确定该匹配到的测试数据关联的模板数据对应的运动状态发生。

10.根据权利要求9所述的可穿戴设备，其特征在于，

所述数据采集单元，具体用于控制所述传感器采集一个轴向或多个轴向上用户的运动数据；

所述特征提取单元，具体用于从每个轴向的运动数据中提取下述时域特征量中的一个或多个：均值、标准差、最小值、最大值、偏度、峰度和相关系数。