CN106572814A - 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法 - Google Patents

用于对用户活动进行分类和/或对用户步数进行计数的设备和方法 Download PDF

Info

Publication number
CN106572814A
CN106572814A CN201480079476.7A CN201480079476A CN106572814A CN 106572814 A CN106572814 A CN 106572814A CN 201480079476 A CN201480079476 A CN 201480079476A CN 106572814 A CN106572814 A CN 106572814A
Authority
CN
China
Prior art keywords
window
equipment
axle
crest
accelerometer data
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.)
Granted
Application number
CN201480079476.7A
Other languages
English (en)
Other versions
CN106572814B (zh
Inventor
凯尼·丘·丘·盛
基蒂彭·卡萨苏克
埃·昂
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.)
Nitto Denko Corp
Original Assignee
Nitto Denko Corp
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 Nitto Denko Corp filed Critical Nitto Denko Corp
Priority to CN202110542602.XA priority Critical patent/CN113303790A/zh
Publication of CN106572814A publication Critical patent/CN106572814A/zh
Application granted granted Critical
Publication of CN106572814B publication Critical patent/CN106572814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (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)
  • User Interface Of Digital Computer (AREA)

Abstract

用于对用户的活动进行分类和/或对用户的步数进行计数的方法和设备。用于对用户的活动进行分类的方法可以包括：测量多个轴的加速计数据；基于加速计数据识别多个轴中的最活跃轴；以及基于最活跃轴的加速计数据的信号幅度以及一个或多个阈值对用户的活动进行分类。

Description

用于对用户活动进行分类和/或对用户步数进行计数的设备 和方法
技术领域
本公开一般地涉及用于对用户的活动进行分类和/或对用户步数进行计数的设备和方法。
背景技术
近年来，人们变得越来越关心健康并开始用跑步和走路作为方便和有效的锻炼方式。对通过可穿戴传感器来自我跟踪日常活动也存在越来越多的兴趣。因此，存在对能够精确记录穿戴者的步法状态以及所走过的步数的计步设备的需求。
使用(一个或多个)加速计的传统计步设备通常要求用户首先将设备定位到有限的方向集。例如，用户需要将设备缚牢在他们身上，使得在整个测量期间专用轴(即，设备的方向)基本上并且持续与重力方向对齐。
现有设备通常不能够检测改变或区分与用户的不同步法相对应的信号，导致对所走过的步数的不正确计数。在现有计步设备中，设备所经历的运动噪声将使得假的步子被测量并使实际的步子被错过。
另外，由于对每一步来说绑缚有设备的身体部位的前后摆动并不一样，信号波谷和波峰不一致，现有设备通常不能够正确地将波峰识别为步数。
本发明实施例提供试图解决以上问题中的至少一个问题的用于活动监控的系统和方法。
发明内容
根据本发明的第一方面提供了一种设备，用于对穿戴有该设备的用户的活动进行分类，该设备包括用于测量多个轴的加速计数据的加速计；以及被配置为执行以下操作的处理器：
基于加速计数据识别多个轴中的最活跃轴；以及
基于最活跃轴的加速计数据的信号幅度以及一个或多个阈值对用户的活动进行分类。
根据本发明的第二方面提供了一种设备，用于对穿戴有该设备的用户走过的步数进行计数，该设备包括用于测量至少一个轴的加速计数据的加速计；以及被配置为执行以下操作的处理器：
对连续处理窗口中的加速计数据应用导数算子；
计数每个处理窗口中加速计数据的导数中的波峰；以及
基于当前窗口中的第一个波峰与前一处理窗口中最后一个波峰之间的时间差来消除重复计数的波峰。
根据本发明的第三方面提供了一种用于对用户的活动进行分类的方法，该方法包括：测量多个轴的加速计数据；基于加速计数据识别多个轴中的最活跃轴；以及基于最活跃轴的加速计数据的信号幅度以及一个或多个阈值对用户的活动进行分类。
根据本发明的第四方面提供了一种用于用户走过的步数进行计数的方法，该方法包括：测量至少一个轴的加速计数据；对连续处理窗口中的加速计数据应用导数算子；计数每个处理窗口中加速计数据的导数中的波峰；以及基于当前窗口中的第一个波峰与前一处理窗口中最后一个波峰之间的时间差来消除重复计数的波峰。
附图说明
根据仅用作示例的以下描述并结合附图，对本领域技术人员来说本发明实施例将是显而易见的且将被更好地理解，其中：
图1-示出根据示例实施例的活动分类过程。
图2-示出原始加速计数据中的尖峰。
图3-示出根据示例实施例的、在应用平滑处理之后具有衰减的尖峰的图2的加速计数据。
图4-示出根据示例实施例的加速计信号的示例信号幅度和所确定的特性。
图5-示出根据示例实施例的使用阈值电平对活动进行分类的过程。
图6-示出根据示例实施例的在不同活动期间测量的信号幅度。
图7-示出根据示例实施例的波峰检测和步数计数过程。
图8-示出根据示例实施例的、应用潘·汤普金斯(Pan Tompkins)导数算子之前和之后戴在手腕上的设备的信号波形。
图9-示出根据示例实施例的用于处理后续的(一个或多个)窗口的自适应阈值(Δw)。
图10-示出根据示例实施例的两个连续窗口的波峰之间的峰峰距离。
图11-示出根据示例实施例的执行活动分类和步数计数的处理流程。
图12-示出根据示例实施例的、包括可穿戴设备和通信设备的装配的示意性图示。
图13-示出根据示例实施例的、包括可穿戴设备和通信设备的装配的框图。
图14-示出根据示例实施例的、用于对用户活动进行分类的设备的框图。
图15-示出根据示例实施例的、用于对用户的步数进行计数的设备的框图。
图16-示出根据示例实施例的、图示对用户活动进行分类的方法的流程图。
图17-示出根据示例实施例的、图示对用户的步数进行计数的方法的流程图。
具体实施方式
本发明实施例涉及用于对用户活动进行分类的可穿戴设备和方法以及用于对用户走过的步数进行计数的可穿戴设备和方法。在一个非限制性示例实施例中，设备被戴在用户的手腕上，并被配置为获得用户的加速信息进行处理以对用户活动进行分类和/或对用户走过的步数进行计数。
本说明书还公开了一种装置，在示例实施例中该装置可在可穿戴设备的内部和/或外部，以用于执行方法的步骤。这种装置可针对所需目的被特别构建，或可包括由存储在计算机中的计算机程序选择性地激活或重配置的通用计算机或其它设备。本文所呈现的算法和显示并不内在地与任何特定的计算机或其它装置相关。各种通用机器可与根据本文教导的程序一起使用。可替代地，构建用于执行所需要的方法步骤的更多专用装置可能是合适的。传统通用计算机的结构将在下文中出现。此外，本说明书还隐含地公开了计算机程序，因为本文所描述的方法的各个步骤可通过计算机代码来执行对本领域技术人员来说将是显而易见的。计算机程序不旨在限于任何具体的编程语言和其实现方式。将要理解的是，各种编程语言和其编码可被用于实现本文所包含的公开的教导。此外，计算机程序不旨在限于任何具体的控制流程。计算机程序存在许多变体，其可使用不同的控制流程而不背离本发明的精神或范围。
此外，可并行地而非顺序地执行计算机程序的一个或多个步骤。可将这种计算机程序存储在任何计算机可读介质上。计算机可读介质可包括存储设备，例如，磁盘或光盘、存储器芯片、或适于与通用计算机通过接口连接的其它存储设备。计算机可读介质还可包括诸如互联网系统中例示的硬接线介质或诸如GSM移动电话系统中例示的软件介质。当计算机程序被有效地加载到这种通用计算机上并在其上被执行时，有效地导致实现优选方法的步骤的装置。
本发明也可被实现为硬件模块。更具体地，从硬件意义上来说，模块是被设计用于与其它组件或模块一起使用的功能性硬件单元。例如，模块可通过使用分立的电子组件来实现，或可以形成整个电子电路的一部分(例如，专用集成电路(ASIC))。存在许多其它可能性。本领域技术人员将理解的是，系统还可被实现为硬件或软件模块的组合。
图1示出根据示例实施例的用于对用户活动进行分类的方法的流程图100，该方法包括：
在步骤102处，通过可穿戴设备获得用户的加速信号，
在步骤104处，将加速信号数据拆分到多个处理窗口；并且在每个处理窗口中，
在步骤106处，用移动平均函数对数据进行平滑，
在步骤108处，加速数据被转换为g值数据，
在步骤110处，识别加速信号的最活跃轴，
在步骤112处，基于来自最活跃轴的加速信号对用户活动进行分类，
下面将描述可单独使用和/或与一个或多个其它示例特征相结合使用的示例特征的细节。
处理窗口
本文仅通过示例方式将窗口大小描述为窗口的持续时间。据发现，适于对活动进行分类和/或对步数进行计数的精确度例如可以(但不限于)通过使用约在＞0至5秒之间(取决于具体的精确度要求)的窗口大小来实现。一般地，较长的窗口大小可以降低窗口转换区中重复计数波峰的可能性并且因此可以提高精确度。较短的窗口可更好地捕获不同活动之间的转换，这种转换可发生在非常短的时间段内。
加速计数据的平滑
原始加速计数据通常有噪声。图2中示出示例加速计数据中的杂散尖峰200。杂散尖峰200可导致错误的轴被识别为用于随后处理的最活跃轴。在示例实施例中，对原始加速计数据有利地应用平滑。优选地，通过对原始加速计数据200应用移动平均运算来实现平滑。
图3示出根据一个示例实施例的应用平滑之后的加速计数据202*，数据202*具有经衰减的尖峰200*，其优选地不影响用于随后处理的最活跃轴的识别。
最活跃轴
示例实施例中的最活跃轴被识别为具有最大幅度信号的加速计轴，表示重力以及穿戴者的脚对地的冲击力的共同作用。换言之，示例实施例中的最活跃轴是离垂直方向最近(即，基本上与地球垂直)的加速计轴。
有利地，不管用户使用或穿戴设备的位置或朝向如何都可以容易地通过其它轴识别出最活跃轴。
在优选实施例中，通过比较每个窗口中经平滑的x、y和z轴(即，三个加速计轴，不管相对于地面的实际朝向是什么)数据来选择最活跃轴，在本文中被称为移动平均。确定来自每个窗口的每个轴的绝对值，在本文中被称为绝对移动平均。然后确定每个轴的基于绝对值的平均值，在本文中被称为平均绝对移动平均。在优选实施例中，根据三个平均值的比较，将具有最大平均值的轴识别为每个窗口的最活跃轴。
活动分类
在示例实施例中，通过使用来自最活跃轴的移动平均数据，用户的活动被分类成轻微活动、中度活动或剧烈活动状态。
在一个实施例中，通过以下方式来计算最活跃轴的信号幅度：从例如窗口408(大小约在＞0至5之间)中的最活跃轴数据406的最大(max)g值404中减去平均值400或最小(min)g值402，如图4中所示。
图5示出根据示例实施例的、图示使用阈值电平对活动进行分类的过程的流程图500。在示例情形中，用户将设备戴在手腕上，实验结果(见图6)显示，例如，可以使用0.1g和1g的阈值电平用于活动分类。
在步骤502处，确定最活跃轴的信号幅度(SA)。在步骤504中，如果SA小于阈值1(例如，SA＜0.1g)，执行到轻微活动状态的分类，见步骤506。在步骤508中，如果SA小于阈值2(例如，SA＜1g)，执行到中度活动状态的分类，见步骤510。换言之，在一个示例中，针对0.1g＜SA＜1g，分类到中度活动状态。如果SA≥阈值2(例如，SA≥1g)，执行到剧烈活动状态的分类，见步骤512。
分类的示例包括：
轻微活动-诸如站着不动、等交通灯变绿或打字(例如，在桌上)之类的平稳运动
中度活动-慢步走、快步走
剧烈活动-慢跑、跑步
在示例实施例中，涉及身体运动的大部分其它活动(例如，爬楼梯、骑自行车、游泳、踢足球)也可以是可分类的，例如基于以下各项可分类：
进一步拆分成与不同活动中的每种活动相对应的多个SA阈值(除以上示例中在阈值1和2之外)和/或
在示例实施例中可以通过以下方式对以上3种通用分类执行进一步处理：
使用频率分类和/或信号匹配技术进行滤波和识别。
参考图6，绘图600和602分别显示基于在处理窗口中从最大值减去最小值计算得到的最活跃轴的SA和基于在处理窗口中从最大值减去平均值计算得到的最活跃轴的SA。如可从图6中看到的，基于在处理窗口中从最大值减去平均值的SA对基于阈值的分类来说是优选的，因为它在相应的活动区域得到具有减小的绝对值和更窄的值带的更平滑的绘图。
图7示出根据示例实施例的、图示用于计算步数的过程的流程图700。在步骤702处，捕获加速计数据。在步骤704处，将数据拆分到处理窗口。在步骤706处，基于经分类的活动，对来自最活跃轴的数据应用低通滤波。在步骤708处，使用潘·汤普金斯导数算子计算经滤波数据的导数。在步骤710处，对导数信号的输出进行归一化。在步骤712处，执行波峰检测用于步数计算。在步骤714处，基于当前处理窗口确定并更新自适应阈值以用于下一处理窗口。在步骤716处，消除重复计数的波峰。
下面将描述可单独使用和/或与一个或多个其它示例特征相结合使用的示例特征的细节。
基于活动类型的低通滤波器(步骤706，图7)
优选地基于活动类型调整低通滤波器的截止频率以移除运动噪声的正确频率范围。选择正确的截止频率可有利地改善信号几何形状，以在随后的波峰检测处理期间避免假波峰或未检测到的波峰。
在示例实施例中，用户可输入活动类型，或可使用上述活动分类方法和设备(或通过任何其它方法或设备)来识别活动类型。
潘·汤普金斯导数算子(步骤708，图7)
方程式(1)：y(n)＝(1/8)[2x(n)+x(n-1)-x(n-3)-2x(n-4)]
其中n表示数据点并且n＞4。
在优选实施例中，针对峰值检测，方程式(1)中的潘·汤普金斯导数算子被用于通过有利地放大斜率信息并优化信号状态来进一步提高峰值检测的精确度。
在正常走路和跑步期间，手臂摆动例如通常与相反的腿同步。例如，当左脚向前迈步时右臂向前摆动，反之亦然。基于这个原因，用户每走一步，例如戴在手腕上的设备中检测到一个加速波峰。
加速改变也可取决于手的摆动和脚的冲击力。在正常走路状态期间，冲击力通常不够强，例如戴在手腕上的设备中大部分加速改变是由于手的摆动。由于对每一步来说手的向前和向后摆动通常并不相同，信号波形的不一致的波峰和波谷使得精确的波峰检测算法难于实现，而在优选实施例中，潘·汤普金斯导数算子导致更一致的波峰和波谷图样。图8a)和b)分别示出根据示例实施例的、应用潘·汤普金斯导数算子之前(曲线800)和之后(曲线802)戴在手腕上的设备的信号波形。
归一化(步骤710，图7)
在示例实施例中，归一化处理是优选的，以针对峰值检测处理正确地对导数信号进行缩放。在一个实施例中，通过首先从信号中减去信号的最小值并且然后除以被减信号的最大值来对信号进行归一化。
峰值检测(步骤712，图7)
根据示例实施例，将在归一化的导数信号超过阈值电平时检测到峰值(即，计步)。由于数据现在被归一化(例如，最小值＝0，最大值＝1)，用于第一个处理窗口的阈值Δ1例如可以被设置为＞0至0.5之间的任何预定值。
确定并更新自适应阈值(步骤714，图7)
如图9中所示，自适应阈值(Δw)将被确定并被用于随后的窗口，该值可以被设置为当前窗口最后一个峰值与谷值之差的约0至50％之间的任何预定值。在一个示例中：
方程式(2)：Δw＝(a-b)*0.5
其中Δw＝下一窗口w的自适应阈值，a＝当前窗口(w-1)的最后一个峰值，b＝当前窗口(w-1)的最后一个谷值，并且w≥2。
消除重复计数的波峰(步骤716，图7)
发明人发现，潘·汤普金斯导数运算倾向于在随后的窗口中生成假的第一个波峰，这可导致对波峰(即，步子)的重复计数。
图10示出优选实施例中有利地识别要从计数中移除的假波峰的方法。通过检查当前被测窗口1002的第一个波峰1000与前一窗口1006的最后一个波峰1004之间的距离来识别假波峰。
在一个实施例中，阈值可被设置为4步每秒。例如，在采样率为80Hz的数据点域中，基于4步每秒，距离阈值可被设置为20个数据点。如果峰峰距离小于20个数据点，则当前波峰1200被标识为假的并且被从步数计数中移除。
图11示出图示一个实施例的处理流程1100的流程图，其中活动分类和基于活动的步数计数技术被集成到单个可戴在手腕上的设备中。
在步骤1102处，设备通过3轴加速计捕获用户的加速数据。在步骤1104处，加速信号被拆分到约在＞0至5秒之间的处理窗口中。在步骤1106处，通过执行移动平均函数对每个窗口中的信号进行平滑。在步骤1108处，通过比较每个轴的平均绝对移动平均值来识别最活跃轴。具有最大值的轴将是最活跃轴。
在步骤1110和1114处，通过计算最活跃轴的移动平均信号的信号幅度(最大平均)对每个窗口中的活动进行分类。在一个非限制性示例中，分类将基于0.1g和1g阈值。一旦识别低活动状态(步骤1110)，处理将移动到下一窗口(1112)，因为不需要计步。
对于中度和剧烈活动状态(步骤1114)，执行计步。在步骤1116和1118处，将基于所识别的活动更新每个窗口的低通滤波器的截止频率，并相应地应用低通滤波。
在步骤1120处，然后应用潘·汤普金斯导数算子。在步骤1122处，然后对导数信号进行归一化以将每个窗口中的信号幅度调整到0至1内(在一个非限制性示例中，首先从信号中减去信号的最小值，然后除以被减信号的最大值)。
在步骤1124处，然后执行波峰检测，其中所检测到的每个波峰带来一次步数计数。在一个非限制性示例中，在从轻微活动状态转换到中度或剧烈活动之后的第一个窗口中，阈值将被设置在＞0至0.5之间。换言之，从轻微活动状态过渡的第一个窗口通常不需要步数消除。对于随后的窗口(处于中度或剧烈活动状态)，有利地执行重复计数的波峰检测和消除，直到该窗口检测到轻微活动状态。在步骤1126处，在一个非限制性示例中，在随后的窗口中，自适应阈值被使用并将被设置在前一窗口最后一个波峰和波谷间的高度差的0至50％之间。
在步骤1128处，然后使用峰峰距离(当前窗口第一个波峰vs.前一窗口最后一个波峰)阈值去移除来自潘·汤普金斯运算的假波峰。在一个非限制性示例中，阈值基于4步每秒。例如，在采样率为80Hz的数据点域中，距离阈值被设置为20个数据点。如果峰峰距离小于20个数据点，则当前波峰被标识为假的并且被从步数计数中移除。
针对下一窗口的处理将循环回去并按照上述步骤1106-1108进行。
图12示出根据示例实施例的包括腕表1201形式的可穿戴设备的装配1200。将要理解的是，在不同实施例中，设备还可具有适于被穿戴在用户身体的任何部位(例如，他的/她的手臂、腰、臀、或脚)的任何其它形式。腕表1201对用户的活动进行分类和/或对用户走过的步数进行计算并将(一个或多个)结果无线地传送到装配1200的电信设备，例如，移动电话1202或其它便携电子设备，或诸如台式计算机、膝上型计算机、标签计算机等。
图13示出根据示例实施例的包括可穿戴设备1301、用于对活动进行分类和/或对用户步数进行计数的装配1300的示意框图。设备1301包括用于获得用户的加速信息的信号感测模块1302，例如加速计或陀螺仪。
可被适应为在设备中使用的优选加速计的一个非限制性示例是可从FreescaleSemiconductor，Inc.获得的MMA8652FC。这种加速计可提供在单个封装中测量所有三个方向中的加速度的优点。可替代地，在不同实施例中可使用被定向为提供三轴感测的若干单轴加速计。
设备1301还包括数据处理和计算模块1304(例如，处理器)，其被布置为接收并处理来自信号感测模块1302的加速信息。设备1301还包括用于向设备1301的用户显示结果的显示器单元1306。该实施例中的设备1301还包括被布置为与装配1300的电信设备1310无线地通信的无线传输模块1308。电信设备1310包括用于接收来自可穿戴设备1301的信号的无线接收器模块1312和用于向电信设备1310的用户显示结果的显示器单元1314。
图14示出根据一个实施例的设备1400的框图，设备1400用于对穿戴有该设备的用户的活动进行分类。设备1400包括：加速计1402，用于测量多个轴的加速计数据；以及处理器1404，被配置用于基于加速计数据识别多个轴中的最活跃轴并基于最活跃轴的加速计数据的信号幅度以及一个或多个阈值对用户活动进行分类。
处理器1404可被配置为在识别最活跃轴之前向加速计数据应用平滑。
处理器1404可被配置为通过确定具有最大平均绝对幅度(其也可被称为最大平均绝对移动平均信号值)的经平滑信号的轴来识别最活跃轴。
处理器1404可被配置为基于最活跃轴的加速计数据的最大信号幅度对活动进行分类。
处理器1404可被配置为基于最活跃轴的加速计数据的最大信号幅度减去平均信号幅度来对活动进行分类。
处理器1404可被配置为基于在预定处理窗口上测量的加速计数据来识别最活跃轴并对用户的活动进行分类。
处理窗口可以在约＞0至5秒之间的范围。
图15示出根据一个实施例的设备1500的框图，设备1500用于对穿戴该设备的用户走过的步数进行计数。设备1500包括：加速计1502，用于测量至少一个轴的加速计数据；以及处理器1504，被配置为对连续处理窗口中的加速计数据应用导数算子，对每个处理窗口中的加速计数据的导数中的波峰进行计数，以及基于当前窗口中的第一个波峰与前一处理窗口中的最后一个波峰之间的时间差来消除重复计数的波峰。
处理器1504可被配置为：如果当前处理窗口是从轻微活动状态转换到中度或剧烈活动状态之后的第一个处理窗口，则基于第一阈值来对波峰进行计数。
处理器还可被配置为更新针对下一窗口的自适应阈值。针对下一窗口的自适应阈值可基于当前处理窗口中最后一个连续的波峰和波谷对的信号幅度差。针对下一窗口的自适应阈值可在当前处理窗口中最后一个连续的波峰与波谷对的信号幅度差的约＞0至50％之间。
处理器1504可被配置为：如果当前窗口中的第一个波峰与前一处理窗口中的最后一个波峰之间的时间差小于第二阈值，则从当前窗口中的波峰数中消除波峰。第二阈值可以是约1/4秒。导数算子可包括潘·汤普金斯导数算子。
设备1400、1500可在可穿戴设备中被实现。
设备1400、1500可在包括可穿戴设备和通信设备的装配中被实现。
设备1400、1500可在包括可穿戴设备和无线通信设备的装配中被实现。
图16示出根据示例实施例的、图示用于对用户活动进行分类的方法的流程图1600。在步骤1602处，测量多个轴的加速计数据。在步骤1604处，基于加速计数据识别多个轴中的最活跃轴。在步骤1606处，基于最活跃轴的加速计数据的信号幅度以及一个或多个阈值对用户活动进行分类。
方法可包括在识别最活跃轴之前对加速计数据应用平滑。
方法可包括通过确定具有最大平均绝对值(其可被称为最大平均绝对移动平均信号值)的经平滑信号的轴来识别最活跃轴。方法可包括基于最活跃轴的加速计数据的最大信号幅度对活动进行分类。
方法可包括基于最活跃轴的加速计数据的最大信号幅度减去平均信号幅度来对活动进行分类。
方法可包括基于在预定处理窗口上测量的加速计数据来识别最活跃轴并对用户的活动进行分类。
处理窗口可以在约0至5秒之间的范围。
图17示出流程图1700，流程图1700图示用于对用户走过的步数进行计数的方法。在步骤1702处，测量至少一个轴的加速计数据。在步骤1704处，对连续处理窗口中的加速计数据应用导数算子。在步骤1706处，对每个处理窗口中的加速计数据的导数中的波峰进行计数。在步骤1708处，基于当前窗口中的第一个波峰与前一处理窗口中的最后一个波峰之间的时间差来消除重复计数的波峰。
方法可以包括：如果当前处理窗口是从轻微活动状态转换到中度或剧烈活动状态之后的第一个处理窗口，则基于第一阈值来对波峰进行计数。
方法还可以包括更新针对下一窗口的自适应阈值。针对下一窗口的自适应阈值可基于当前处理窗口中最后一个连续的波峰和波谷对的信号幅度差。针对下一窗口的自适应阈值可在当前处理窗口中最后一个连续的波峰与波谷对的信号幅度差的约＞0至50％之间。
方法可以包括：如果当前窗口中的第一个波峰与前一处理窗口中的最后一个波峰之间的时间差小于第二阈值，则从当前窗口中的波峰数中消除波峰。第二阈值可以是约1/4秒。
导数算子可包括潘·汤普金斯导数算子。
本发明的示例实施例有利地不需要在整个监控期间将设备绑缚在固定的朝向。这是因为示例实施例中的设备不断地在处理窗口内检测要被用于后续处理的最活跃轴(其将是距冲击力的方向最近的轴)。在示例实施例中可通过在每个窗口内寻找具有最大平均绝对移动平均加速信号的轴来识别最活跃轴。
本发明的实施例可通过将加速计数据拆分到处理窗口并比照阈值电平(例如，0.1g和1g)观察每个窗口内的信号幅度来有利地能够检测改变并区分与轻微、中度或剧烈状态相对应的信号。
在本发明的实施例中，可通过使用具有适当的截止频率(取决于活动)的低通滤波器来正确地移除运动噪声。
在本发明的实施例中，潘·汤普金斯导数运算连同基于波峰距离的波峰消除算法以及基于波峰的最大-最小值的自适应阈值有利地帮助设备和方法精确地将波峰识别为步数。
本领域技术人员将要理解是，可对本发明做出各种变化和/或修改(如具体实施例中所示)而不背离广义描述的本发明的精神或范围。本实施例因此被认为在所有方面是示意性的而不是限制性的。此外，本发明包括特征的任意组合，尤其是专利权利要求书中的特征的任意组合，即使特征或特征的组合未在专利权利要求书或本实施例中被明确列举。
例如，虽然在一些实施例中描述了戴在手腕上的设备，设备可以被戴在用户的手臂、臀、腰、脚上。此外，设备和方法可仅执行上述活动分类和步数计数中的一者，或同时执行两者。

Claims (33)

1.一种设备，用于对穿戴有该设备的用户的活动进行分类，该设备包括：
加速计，用于测量多个轴的加速计数据；以及
处理器，被配置为：
基于所述加速计数据识别所述多个轴中的最活跃轴；以及
基于所述最活跃轴的加速计数据的信号幅度以及一个或多个阈值对所述用户的活动进行分类。
2.如权利要求1所述的设备，其中，所述处理器被配置为在识别所述最活跃轴之前对所述加速计数据应用平滑。
3.如权利要求2所述的设备，其中，所述处理器被配置为通过确定具有最大平均绝对幅度的经平滑信号的轴来识别所述最活跃轴。
4.如前述权利要求中的任一项所述的设备，其中，所述处理器被配置为基于所述最活跃轴的加速计数据的最大信号幅度对所述活动进行分类。
5.如权利要求4所述的设备，其中，所述处理器被配置为基于所述最活跃轴的加速计数据的最大信号幅度减去平均信号幅度来对所述活动进行分类。
6.如前述权利要求中的任一项所述的设备，其中，所述处理器被配置为基于在预定处理窗口上测量的加速计数据来识别所述最活跃轴并对所述用户的活动进行分类。
7.如权利要求6所述的设备，其中，所述处理窗口在从约＞0至5秒的范围内。
8.一种设备，用于对穿戴有该设备的用户走过的步数进行计数，该设备包括：
加速计，用于测量至少一个轴的加速计数据；以及
处理器，被配置为：
对连续处理窗口中的加速计数据应用导数算子；
计数每个处理窗口中的加速计数据的导数中的波峰；以及
基于当前窗口中的第一个波峰与前一处理窗口中最后一个波峰之间的时间差来消除重复计数的波峰。
9.如权利要求8所述的设备，其中，所述处理器被配置为：如果所述当前处理窗口是从轻微活动状态转换到中度活动状态或剧烈活动状态之后的第一个处理窗口，则基于第一阈值来对所述波峰进行计数。
10.如权利要求8或9所述的设备，其中，所述处理器还被配置为更新针对下一窗口的自适应阈值。
11.如权利要求10所述的设备，其中，所述针对下一窗口的自适应阈值基于所述当前处理窗口中最后一个连续的波峰和波谷对的信号幅度差。
12.如权利要求11所述的设备，其中，所述针对下一窗口的自适应阈值在所述当前处理窗口中最后一个连续的波峰和波谷对的信号幅度差的约＞0至50％之间。
13.如权利要求8至12中的任一项所述的设备，其中，所述处理器被配置为：如果所述当前窗口中的第一个波峰与所述前一处理窗口中最后一个波峰之间的时间差小于第二阈值，则从所述当前窗口的波峰计数中消除波峰。
14.如权利要求13所述的设备，其中，所述第二阈值是约1/4秒。
15.如权利要求8至14中的任一项所述的设备，其中，所述导数算子包括潘·汤普金斯导数算子。
16.如前述权利要求中的任一项所述的设备，其中，所述设备被实现在可穿戴设备中。
17.如前述权利要求中的任一项所述的设备，其中，所述设备在包括可穿戴设备和通信设备的装配中被实现。
18.如前述权利要求中的任一项所述的设备，其中，所述设备在包括可穿戴设备和无线通信设备的装配中被实现。
19.一种用于对用户的活动进行分类的方法，该方法包括：
测量多个轴的加速计数据；
基于所述加速计数据识别所述多个轴中的最活跃轴；以及
基于所述最活跃轴的加速计数据的信号幅度以及一个或多个阈值对所述用户的活动进行分类。
20.如权利要求19所述的方法，包括在识别所述最活跃轴之前对所述加速计数据应用平滑。
21.如权利要求20所述的方法，其中，包括通过确定具有最大平均绝对幅度的经平滑信号的轴来识别所述最活跃轴。
22.如权利要求19至21中的任一项所述的方法，包括基于所述最活跃轴的加速计数据的最大信号幅度对所述活动进行分类。
23.如权利要求22所述的方法，包括基于所述最活跃轴的加速计数据的最大信号幅度减去平均信号幅度来对所述活动进行分类。
24.如权利要求19至23中的任一项所述的方法，包括基于在预定处理窗口上测量的加速计数据来识别所述最活跃轴并对所述用户的活动进行分类。
25.如权利要求24所述的方法，其中，所述处理窗口在从约＞0至5秒的范围内。
26.一种用于用户走过的步数进行计数的方法，该方法包括：
测量至少一个轴的加速计数据；
对连续处理窗口中的加速计数据应用导数算子；
计数每个处理窗口中的加速计数据的导数中的波峰；以及
基于当前窗口中的第一个波峰与前一处理窗口中最后一个波峰之间的时间差来消除重复计数的波峰。
27.如权利要求26所述的方法，包括：如果所述当前处理窗口是从轻微活动状态转换到中度活动状态或剧烈活动状态之后的第一个处理窗口，则基于第一阈值来对所述波峰进行计数。
28.如权利要求26或27所述的方法，包括更新针对下一窗口的自适应阈值。
29.如权利要求28所述的方法，其中，所述针对下一窗口的自适应阈值是基于所述当前处理窗口中最后一个连续的波峰和波谷对的信号幅度差的。
30.如权利要求29所述的方法，其中，所述针对下一窗口的自适应阈值在所述当前处理窗口中最后一个连续的波峰和波谷对的信号幅度差的约＞0至50％之间。
31.如权利要求26至30中的任一项所述的方法，包括：如果所述当前窗口中的第一个波峰与所述前一处理窗口中最后一个波峰之间的时间差小于第二阈值，则从所述当前窗口的波峰计数中消除波峰。
32.如权利要求31所述的方法，其中，所述第二阈值是约1/4秒。
33.如权利要求26至32中的任一项所述的方法，其中，所述导数算子包括潘·汤普金斯导数算子。
CN201480079476.7A 2014-05-30 2014-05-30 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法 Active CN106572814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110542602.XA CN113303790A (zh) 2014-05-30 2014-05-30 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/SG2014/000248 WO2015183193A1 (en) 2014-05-30 2014-05-30 Device and method for classifying the activity and/or counting steps of a user

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110542602.XA Division CN113303790A (zh) 2014-05-30 2014-05-30 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法

Publications (2)

Publication Number Publication Date
CN106572814A true CN106572814A (zh) 2017-04-19
CN106572814B CN106572814B (zh) 2021-06-08

Family

ID=54699385

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110542602.XA Withdrawn CN113303790A (zh) 2014-05-30 2014-05-30 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法
CN201480079476.7A Active CN106572814B (zh) 2014-05-30 2014-05-30 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110542602.XA Withdrawn CN113303790A (zh) 2014-05-30 2014-05-30 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法

Country Status (6)

Country Link
US (2) US10441197B2 (zh)
JP (1) JP6567658B2 (zh)
KR (2) KR102141367B1 (zh)
CN (2) CN113303790A (zh)
SG (1) SG11201609607QA (zh)
WO (1) WO2015183193A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068322A (zh) * 2019-04-18 2019-07-30 中国电子科技集团公司电子科学研究院 一种基于终端的行人定位方法及行人定位装置
WO2022000996A1 (zh) * 2020-06-30 2022-01-06 歌尔股份有限公司 计步判断方法、装置及计算机可读存储介质

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170235366A1 (en) * 2014-08-07 2017-08-17 Beijing Zhigu Tech Co., Ltd. Dominant limb identification method and device
US11045116B1 (en) * 2017-09-15 2021-06-29 David Martin Enhanced determination of cadence for control in mobile
US11609242B1 (en) * 2014-10-26 2023-03-21 David Martin Efficient gait data management in mobile
SG11201704170TA (en) * 2014-11-27 2017-06-29 Razer (Asia-Pacific) Pte Ltd Step counter devices and step counting methods
WO2017148701A1 (en) 2016-02-29 2017-09-08 Koninklijke Philips N.V. Measurement apparatus and correction method
CN106108913B (zh) * 2016-07-25 2019-05-07 北京顺源开华科技有限公司 误计步消除方法、装置及可穿戴设备
US10610132B2 (en) * 2016-08-02 2020-04-07 Medtronic, Inc. Step detection using accelerometer axis
US10952686B2 (en) 2016-08-02 2021-03-23 Medtronic, Inc. Mobile application to prompt physical action to measure physiologic response in implantable device
CN107063291A (zh) * 2017-03-06 2017-08-18 建荣半导体（深圳）有限公司 计步方法、计步装置、计步芯片及移动终端
CN109431000B (zh) * 2017-04-12 2021-07-30 江苏杰创企业管理有限公司 一种基于步长信息的运动指导系统及方法
CN110168316B (zh) * 2017-08-23 2021-07-16 华为技术有限公司 基于步频的足部计步数方法、装置及设备
US11717186B2 (en) 2019-08-27 2023-08-08 Medtronic, Inc. Body stability measurement
US11602313B2 (en) 2020-07-28 2023-03-14 Medtronic, Inc. Determining a fall risk responsive to detecting body position movements
CN112378416B (zh) * 2020-12-07 2023-01-24 歌尔科技有限公司 计步方法、计步装置及可读存储介质
CN113303789B (zh) * 2021-04-30 2023-01-10 武汉齐物科技有限公司 一种基于加速度的步态事件检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090319221A1 (en) * 2008-06-24 2009-12-24 Philippe Kahn Program Setting Adjustments Based on Activity Identification
US7653508B1 (en) * 2006-12-22 2010-01-26 Dp Technologies, Inc. Human activity monitoring device
CN102184549A (zh) * 2011-04-29 2011-09-14 韩铮 一种运动参数确定方法、装置和运动辅助设备
CN102307525A (zh) * 2009-01-05 2012-01-04 莫韦公司 用于表征运动的设备和方法
CN102333483A (zh) * 2009-02-26 2012-01-25 莫韦公司 用于检测人的步行的系统和方法
US20120136573A1 (en) * 2010-11-25 2012-05-31 Texas Instruments Incorporated Attitude estimation for pedestrian navigation using low cost mems accelerometer in mobile applications, and processing methods, apparatus and systems
CN102667672A (zh) * 2009-07-07 2012-09-12 韩铮 一种加速度动作识别系统及其方法
CN103308068A (zh) * 2012-03-15 2013-09-18 精工爱普生株式会社 状态检测装置、电子设备、测定系统及状态检测方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6539336B1 (en) 1996-12-12 2003-03-25 Phatrat Technologies, Inc. Sport monitoring system for determining airtime, speed, power absorbed and other factors such as drop distance
JP4632746B2 (ja) 2004-10-29 2011-02-16 三洋電機株式会社 運動量計測装置及び運動量計測プログラム
US7467060B2 (en) 2006-03-03 2008-12-16 Garmin Ltd. Method and apparatus for estimating a motion parameter
US7457719B1 (en) 2006-11-21 2008-11-25 Fullpower Technologies, Inc. Rotational insensitivity using gravity-based adjustment
US7987070B2 (en) * 2007-04-23 2011-07-26 Dp Technologies, Inc. Eyewear having human activity monitoring device
WO2009122788A1 (ja) * 2008-03-31 2009-10-08 シャープ株式会社 体動測定装置、携帯電話、体動測定装置の制御方法、体動測定装置制御プログラムおよび該プログラムを記録したコンピュータ読み取り可能な記録媒体
US8187182B2 (en) * 2008-08-29 2012-05-29 Dp Technologies, Inc. Sensor fusion for activity identification
JP5417779B2 (ja) * 2008-09-18 2014-02-19 オムロンヘルスケア株式会社 活動量計
GB2467514A (en) 2008-12-23 2010-08-04 Univ Oxford Brookes Gait monitor for sensing vertical displacement
US8956293B2 (en) * 2009-05-20 2015-02-17 Sotera Wireless, Inc. Graphical ‘mapping system’ for continuously monitoring a patient's vital signs, motion, and location
FI20096232A0 (sv) * 2009-11-23 2009-11-23 Valtion Teknillinen Fysisk aktivitetsbaserad styrning för en anordning
JP5617299B2 (ja) 2010-03-25 2014-11-05 オムロンヘルスケア株式会社 活動量計、制御プログラムおよび活動種類特定方法
US9167991B2 (en) * 2010-09-30 2015-10-27 Fitbit, Inc. Portable monitoring devices and methods of operating same
JP5364744B2 (ja) * 2011-03-01 2013-12-11 日本電信電話株式会社 加速度検出装置、方法及びプログラム
JP2014006090A (ja) * 2012-06-22 2014-01-16 Seiko Epson Corp 携帯型機器
US9999376B2 (en) * 2012-11-02 2018-06-19 Vital Connect, Inc. Determining body postures and activities
US9161172B2 (en) * 2012-11-06 2015-10-13 Qualcomm Incorporated Map-based adaptive sampling of orientation sensors for positioning
US9398867B2 (en) * 2013-01-07 2016-07-26 Archinoetics Llc Efficient activity classification from motion inputs
JP2014212915A (ja) * 2013-04-25 2014-11-17 セイコーエプソン株式会社 行動判別装置、および行動判別方法
KR101839258B1 (ko) * 2013-10-14 2018-03-15 나이키 이노베이트 씨.브이. 운동 움직임 속성으로부터의 페이스 및 에너지 지출의 계산

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7653508B1 (en) * 2006-12-22 2010-01-26 Dp Technologies, Inc. Human activity monitoring device
US20090319221A1 (en) * 2008-06-24 2009-12-24 Philippe Kahn Program Setting Adjustments Based on Activity Identification
CN102307525A (zh) * 2009-01-05 2012-01-04 莫韦公司 用于表征运动的设备和方法
CN102333483A (zh) * 2009-02-26 2012-01-25 莫韦公司 用于检测人的步行的系统和方法
CN102667672A (zh) * 2009-07-07 2012-09-12 韩铮 一种加速度动作识别系统及其方法
US20120136573A1 (en) * 2010-11-25 2012-05-31 Texas Instruments Incorporated Attitude estimation for pedestrian navigation using low cost mems accelerometer in mobile applications, and processing methods, apparatus and systems
CN102184549A (zh) * 2011-04-29 2011-09-14 韩铮 一种运动参数确定方法、装置和运动辅助设备
CN103308068A (zh) * 2012-03-15 2013-09-18 精工爱普生株式会社 状态检测装置、电子设备、测定系统及状态检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NEIL ZHAO: "Full-Featured Pedometer Design Realized with 3-Axis Digital Accelerometer", 《ANALOG DIALOGUE》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068322A (zh) * 2019-04-18 2019-07-30 中国电子科技集团公司电子科学研究院 一种基于终端的行人定位方法及行人定位装置
CN110068322B (zh) * 2019-04-18 2024-03-01 中国电子科技集团公司电子科学研究院 一种基于终端的行人定位方法及行人定位装置
WO2022000996A1 (zh) * 2020-06-30 2022-01-06 歌尔股份有限公司 计步判断方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
SG11201609607QA (en) 2016-12-29
KR20170019347A (ko) 2017-02-21
CN113303790A (zh) 2021-08-27
KR20190112842A (ko) 2019-10-07
US10441197B2 (en) 2019-10-15
WO2015183193A1 (en) 2015-12-03
KR102141367B1 (ko) 2020-08-05
CN106572814B (zh) 2021-06-08
US20170188897A1 (en) 2017-07-06
US20200000379A1 (en) 2020-01-02
JP6567658B2 (ja) 2019-08-28
JP2017522149A (ja) 2017-08-10

Similar Documents

Publication Publication Date Title
CN106572814A (zh) 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法
US10506990B2 (en) Devices and methods for fall detection based on phase segmentation
EP3369375A1 (en) Method and apparatus for identifying state of motion of human body
JP6403696B2 (ja) 身体的活動のモニタリングデバイス及びその方法
CN104135911B (zh) 多轴线活动监测装置中的活动分类
JP6564328B2 (ja) 身体活動監視デバイスを用いたゲームプレーの拡張
CN104990562B (zh) 基于自相关运算的计步方法
CN108289636A (zh) 用于确定对象的呼吸速率的方法和装置
CN104813379A (zh) 检测设备在水平或垂直方向的位置的变化
CN112067015B (zh) 基于卷积神经网络的计步方法、装置及可读存储介质
CN102654405A (zh) 基于加速度传感器的计步方法及其装置
CN106456030A (zh) 用于消除生理测量中的伪影的设备和方法
CN104567912A (zh) 一种在Android手机上实现计步器的方法
CN107270931A (zh) 一种IOS和android平台通用的步态自相关计步器
US20170311899A1 (en) Apparatus and method for identifying movement in a patient
CN105387870A (zh) 信息处理装置、行进方向推断方法以及存储介质
US20220072373A1 (en) Wearable system and method for sensing and monitoring a swimming activity of a user
WO2018086321A1 (zh) 一种计步方法及装置
CN114341947A (zh) 用于使用可穿戴设备的锻炼类型辨识的系统和方法
JP6867448B2 (ja) ユーザーの活動を分類し及び／又はユーザーの歩数をカウントするデバイス及び方法
Zaeni et al. Classification of the Stride Length based on IMU Sensor using the Decision Tree
US10755597B2 (en) Method and apparatus for calculating meal period
CN107209023B (zh) 步进计数器装置及步进计数方法
CN108197082B (zh) 一种根据步伐可信度估计的计步方法
Alinia Reliable filter-based step counting algorithm for low-intensity aided walking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant