CN106681478A - 一种简易的便携式可穿戴设备状态判别方案 - Google Patents

一种简易的便携式可穿戴设备状态判别方案 Download PDF

Info

Publication number
CN106681478A
CN106681478A CN201710005020.1A CN201710005020A CN106681478A CN 106681478 A CN106681478 A CN 106681478A CN 201710005020 A CN201710005020 A CN 201710005020A CN 106681478 A CN106681478 A CN 106681478A
Authority
CN
China
Prior art keywords
state
vector
wearable device
motion
motion state
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.)
Pending
Application number
CN201710005020.1A
Other languages
English (en)
Inventor
蒋挺
张�浩
谢轩
薛文玲
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201710005020.1A priority Critical patent/CN106681478A/zh
Publication of CN106681478A publication Critical patent/CN106681478A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/325—Power saving in peripheral device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种简易的便携式可穿戴设备状态判别方案，该方案包含：确定当前模式状态，利用三轴加速度按传感器采集人体不同活动状态的加速度信号，对信号进行数据预处理并提取相应特征，利用不同状态下特征矢量的差异进行辨别，分为未佩戴状态，运动状态和非运动状态。其中，运动状态包含走路模式和跑步模式。运动状态和非运动状态可能有相似的波形，利用连续时间段内，检测的运动步数是否大于一定阈值，进行进一步判别。本发明方案，逻辑清晰，运算开销小，功耗低，适合运算和存储能力有限的小型系统。

Description

一种简易的便携式可穿戴设备状态判别方案
技术领域
本发明涉及智能设备技术领域，特别是涉及便携式可穿戴设备进行活动状态判别的方法及便携式可穿戴设备。
背景技术
随着互联网技术的不断更新与迭代，各种便携式可穿戴设备走进人们的工作生活之中。便携式可穿戴设备主要依据自身所集成的各种传感器，通过采集人们日常活动状态的信号信息，进行处理分析，计算出人体活动特征睡眠，运动等等。
生活工作中，常用的便携式可穿戴设备主要包含运动与睡眠两种状态的检测。一部分产品采取两种状态模式并行的方式进行，同时进行运动步数检测和统计睡眠数据，这种方式极大地增加了数据的运算量和产品功耗；另一部分产品采用半自动切换状态方案，依据一段时间内，对运动步数进行累计，当累计大于一定阈值，则切换到运动状态，否则切换到睡眠状态，这种方式下，当睡眠状态下翻身或抖动状态过于频繁，容易产生误判。
综上所述，现有便携式可穿戴设备主要存在功耗过大和判别准确率低的缺陷。
发明内容
为了克服上述现有技术的不足，本发明提供了一种简易的便携式可穿戴设备状态判别方案，该方案在提高状态判别准确度的基础上同时降低了设备功耗。
本发明所采用的技术方案是：
根据三轴加速度传感器的采样频率，采集人体在不同活动状态下的加速度信号。
根据采集所产生的加速度信号，利用x，y，z三轴原始数据的1范数作为基本数据，相比使用三轴加速度矢量和作为基本数据，减少计算量，降低功耗。
对得到的基本数据，进行平滑处理，根据三轴加速度传感器的采样频率决定滑动窗的大小，将滑动平均值作为新的基本数据，降低设备内部噪声对加速度信号的影响。
对处理后的基本数据进行特征提取，提取一定时间段内的加速度信号在时域波形上的多个特征值，包含：一定时间段内加速度信号的最大差分值，表明信号的最大波动情况；一定时间段内加速度信号的平均值，表明信号的相对波动范围；一定时间段内加速度的平均差分值，表明信号的相对波动幅度；一定时间段内加速度的差分值大于一定阈值的百分比，表明信号的整体波动情况。特征选择部分，相比传统均值，方差等特征，仅仅使用一些加减法和几次简单的乘除法，减少计算量，降低功耗。
根据提取的多个特征，首先进行特征阈值判断，检测是否属于未佩戴状态，当未检测到未佩戴状态，进行运动状态检测，利用不同运动状态下的多个特征作为一组矢量，选取输入特征矢量与参考特征矢量之间的最小距离，并且满足一定的阈值要求，作为判定的运动状态，否则判定为非运动状态。
不同运动状态下的参考特征矢量，是利用一种聚类算法，将大量不同运动状态下的多个特征作为一组矢量输入，找出不同状态下多个特征的质心，作为参考特征矢量。主要训练过程都在线下进行，线上只需计算输入特征矢量和参考特征矢量的相对距离，来判断不同的状态，这种方式不仅降低了运算量，而且提高了算法的精确度。
根据上述得出的活动判别状态，分别调用不同的响应事件，如：走路，跑步，或者睡眠。响应事件依据判别的状态决定是否执行，减少了计算量，降低功耗。
运动状态和非运动状态可能有相似的波形，当产生误判，利用连续时间段内检测的运动步数是否大于一定阈值，进行进一步判别。连续时间段内步数的检测，可以有效克服非运动状态下的大间隔频繁运动产生的判决误差，进一步提高判别状态的准确度。
与现有技术相比，本发明的有益效果是：本发明提供了一种简易的便携式可穿戴设备状态判别方案，该方案在提高状态判别准确度的基础上同时降低了设备功耗。
附图说明
图1为：本发明方案进行状态判别的示意性流程图；
图2为：本发明进行状态判别过程流程图实例；
图3为：本发明在走路状态下进行聚类算法得到的聚类图实例。
图4为：本发明在跑步状态下进行聚类算法得到的聚类图实例。
具体实施方式
为了更加清晰地阐明该技术方案的目的以及优点，下面结合附图，对本发明进一步说明。
当前，便携式可穿戴设备在处理运动和睡眠监测的问题上，主要存在两个问题：一是采取运动与睡眠状态同时进行监测，虽然提高了计算的准确率，却极大地增加了产品的功耗；二是采取半自动切换状态，通过一定时间内对运动步数的累计进行判决，在降低功耗的同时，也降低了准确率。
为了解决当前问题，本方案首先对三轴加速段传感器采样到的原始数据进行预处理操作，提取相对简单而有效的特征，根据不同状态下，特征之间的差异，进行不同活动状态的判别，调用相应的状态事件，运动状态和非运动状态可能有相似的波形，当产生误判，利用连续时间段内运动步数是否大于一定阈值，进行进一步判别。方案不仅降低了功耗，而且提高了判别计算的准确率，弥补了当前便携式可穿戴设备的不足。
参见图1，为本发明方案进行状态判别的示意性流程图，具体包含以下步骤：
S101、根据三轴加速度传感器的采样频率，采集人体在不同活动状态下的加速度信号，本发明中采取50Hz的采样频率，满足人体不同活动状态的检测；
S102、根据步骤S101所产生的加速度信号，利用x，y，z三轴原始数据的1范数：
asum＝|ax|+|ay|+|az|
作为接下来数据处理的基本数据；
S103、对步骤S102得到的基本数据，进行平滑处理，根据步骤S101中设定的三轴加速度传感器的50Hz采样频率，滑动窗的大小设为n＝7，将滑动平均值：
asum＝(asum1+asum2+asum3+asum4+asum5+asum6+asum7)/n
作为新的基本数据；
S104、对步骤S103处理后的基本数据进行特征提取，提取一定时间段内的加速度信号在时域波形上的多个特征值。本发明方案采取动态滑动窗的办法，每当采样达到100个点(即：2s)进行1次特征提取与判别，并以50个点(即：1s)重叠地向前滑动。计算数据统计特征主要包括：2s时间内加速度信号的最大差分值Feature1，表明信号的最大波动情况；2s时间内加速度信号的平均值Feature2，表明信号的相对波动范围；2s时间内加速度的平均差分值Feature3，表明信号的相对波动幅度；2s时间内加速度的差分值大于一定阈值的百分比Feature4，表明信号的整体波动情况；
S105、根据人体在不同活动状态下特征值之间差异，首先进行特征阈值判断，检测是否属于未佩戴状态，当未检测到未佩戴状态，进行运动状态检测，利用不同运动状态下的多个特征作为一组矢量，选取输入特征矢量与参考特征矢量之间的最小距离，并且满足一定的阈值要求，作为判定的运动状态，否则判定为非运动状态。
S106、基于步骤S105的判别状态，调用不同状态响应事件。
参见图2，为本发明进行状态判别过程流程图实例。具体执行步骤如下：
首先，根据Feature1最大差分值和Feature2平均差分值是否小于Threshold1阈值1和Threshold2阈值2，判断设备是否穿戴，其中Threshold1和Threshold2的设定为：当设备静放在桌子上，加速度传感器采集到的一些设备内部噪声的最大值。
如果没有检测到未佩戴状态，进行下一步检测，根据Feature2平均差分值，Feature3幅度平均值和Feature4差分值大于一定阈值的百分比，利用输入特征矢量和参考特征矢量之间的距离，选择最小距离，并且最小距离满足Threshold3或Threshold4，则判断为走路或者跑步状态，否则判定为非运动状态。
参见图3和图4，本发明在走路和跑步两种状态下进行一种聚类方法后得到的聚类图，参考特征矢量通过聚类算法得出。
其中，F2*,F3*,F4*为走路时特征Feature2，Feature3，Feature4的质心，即走路时参考特征矢量；F2**,F3**,F4*为跑步时特征Feature2，Feature3，Feature4的质心，即跑步时参考特征矢量。
输入特征矢量与参考特征矢量之间的距离公式，
走路时为：
Min1＝|F2-F2*|/K1+|F3-F3*|/K2+|F4-F4*|/K3
其中，K1,K2,K3为归一化参数，分别为：走路参考特征矢量中的特征最大值与最小值的相对差值。
跑步时为：
Min2＝|F2-F2**|/K4+|F3-F3**|/K5+|F4-F4**|/K6
其中，K4,K5,K6为归一化参数，分别为：跑步参考特征矢量中的特征最大值与最小值的相对差值。
Threshold3和Threshold4的选择分别为：满足走路或者跑步阈值范围的最小距离中的最大值。
当进入走路，跑步或者非运动状态，分别调用其相应的响应事件。运动状态和非运动状态可能有相似的波形，当误判为运动状态，则进行步数计算并累计，当判别为非运动状态，并且时间间隔大于一定阈值，停止步数累计。当步数大于一定阈值，判定为运动状态，否则判定为非运动状态。本发明根据大量人体正常运动和休息的数据分析，采取时间间隔t＝3s，连续时间段内计算步数达到10步，则认定为运动状态，否则反馈为非运动状态。

Claims (6)

1.一种简易的便携式可穿戴设备状态判别方案，其特征在于，对人体不同活动状态下加速度信号进行解析，预处理，并进行特征提取，提取一定时间段内的加速度信号在时域波形上的多个特征值。根据人体在不同活动状态下特征值之间差异，将满足判决条件的活动状态，作为判决的活动状态。
2.根据权利要求1所述的一种简易的便携式可穿戴设备状态判别方案，其特征在于，对进行预处理操作后得到的加速度信号，计算数据统计特征主要包括：一定时间段内加速度信号的最大差分值；一定时间段内加速度信号的平均值；一定时间段内加速度的平均差分值；一定时间段内加速度的差分值大于一定阈值的百分比。
3.根据权利要求2所述的一种简易的便携式可穿戴设备状态判别方案，其特征在于，根据权利要求2中提取的多个特征，首先进行特征阈值判断，检测是否属于未佩戴状态，当未检测到未佩戴状态，进行运动状态检测，利用不同运动状态下的多个特征作为一组矢量，选取输入特征矢量与参考特征矢量之间的最小距离，并且满足一定的阈值要求，作为判定的运动状态，否则判定为非运动状态。
4.根据权利要求3所述的一种简易的便携式可穿戴设备状态判别方案，其特征在于，特征矢量是不同运动状态下多个特征值的一种组合。输入特征矢量，是当前需要判别的状态矢量；参考特征矢量，是在电脑上，利用一种聚类算法，将大量不同运动状态下的多个特征作为一组特征矢量输入，找出不同运动状态下多个特征的质心，作为参考特征矢量。
5.一种简易的便携式可穿戴设备状态判别方案，其特征在于，运动状态和非运动状态可能有相似的波形，当产生误判，利用连续时间段内运动步数是否大于一定阈值，进行进一步判别。
6.根据权利要求5所述的一种简易的便携式可穿戴设备状态判别方案，其特征在于，连续时间段内运动步数检测是指，当判断为运动状态，则进行步数计算并累计，当判别为非运动状态，并且时间间隔大于一定阈值，停止步数累计。当累计步数大于一定阈值，判定为运动状态，否则判定为非运动状态。
CN201710005020.1A 2017-01-04 2017-01-04 一种简易的便携式可穿戴设备状态判别方案 Pending CN106681478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710005020.1A CN106681478A (zh) 2017-01-04 2017-01-04 一种简易的便携式可穿戴设备状态判别方案

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710005020.1A CN106681478A (zh) 2017-01-04 2017-01-04 一种简易的便携式可穿戴设备状态判别方案

Publications (1)

Publication Number Publication Date
CN106681478A true CN106681478A (zh) 2017-05-17

Family

ID=58849050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710005020.1A Pending CN106681478A (zh) 2017-01-04 2017-01-04 一种简易的便携式可穿戴设备状态判别方案

Country Status (1)

Country Link
CN (1) CN106681478A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107941236A (zh) * 2017-12-05 2018-04-20 广东乐心医疗电子股份有限公司 计步方法、装置及存储介质
CN108803897A (zh) * 2018-06-07 2018-11-13 北京握奇智能科技有限公司 一种可穿戴设备的亮屏控制方法及装置
CN109101098A (zh) * 2018-07-06 2018-12-28 北京奇宝科技有限公司 一种检测可穿戴设备的佩戴状态的方法和装置
WO2019137110A1 (zh) * 2018-01-12 2019-07-18 安徽华米信息科技有限公司 可穿戴设备的状态监测方法、装置及可穿戴设备
CN111189469A (zh) * 2019-12-31 2020-05-22 歌尔科技有限公司 计步方法、终端设备及存储介质
CN111198281A (zh) * 2018-10-30 2020-05-26 意法半导体股份有限公司 确定电子设备是否位于静止或稳定表面上的系统和方法
CN111724878A (zh) * 2020-06-23 2020-09-29 歌尔科技有限公司 一种数据获取方法、装置及其设备
CN112294336A (zh) * 2019-07-26 2021-02-02 安徽华米信息科技有限公司 数据采集控制方法、装置及可穿戴设备
CN113271535A (zh) * 2021-05-18 2021-08-17 东莞市小精灵教育软件有限公司 设备状态检测方法及装置、轨迹打点方法及智能设备

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107941236A (zh) * 2017-12-05 2018-04-20 广东乐心医疗电子股份有限公司 计步方法、装置及存储介质
CN107941236B (zh) * 2017-12-05 2020-12-11 广东乐心医疗电子股份有限公司 计步方法、装置及存储介质
WO2019137110A1 (zh) * 2018-01-12 2019-07-18 安徽华米信息科技有限公司 可穿戴设备的状态监测方法、装置及可穿戴设备
CN108803897A (zh) * 2018-06-07 2018-11-13 北京握奇智能科技有限公司 一种可穿戴设备的亮屏控制方法及装置
CN108803897B (zh) * 2018-06-07 2021-08-20 北京握奇智能科技有限公司 一种可穿戴设备的亮屏控制方法及装置
CN109101098A (zh) * 2018-07-06 2018-12-28 北京奇宝科技有限公司 一种检测可穿戴设备的佩戴状态的方法和装置
CN111198281B (zh) * 2018-10-30 2022-09-30 意法半导体股份有限公司 确定电子设备是否位于静止或稳定表面上的系统和方法
CN111198281A (zh) * 2018-10-30 2020-05-26 意法半导体股份有限公司 确定电子设备是否位于静止或稳定表面上的系统和方法
US11719718B2 (en) 2018-10-30 2023-08-08 Stmicroelectronics S.R.L. System and method for determining whether an electronic device is located on a stationary or stable surface
US11099208B2 (en) 2018-10-30 2021-08-24 Stmicroelectronics S.R.L. System and method for determining whether an electronic device is located on a stationary or stable surface
CN112294336A (zh) * 2019-07-26 2021-02-02 安徽华米信息科技有限公司 数据采集控制方法、装置及可穿戴设备
CN111189469A (zh) * 2019-12-31 2020-05-22 歌尔科技有限公司 计步方法、终端设备及存储介质
CN111724878A (zh) * 2020-06-23 2020-09-29 歌尔科技有限公司 一种数据获取方法、装置及其设备
CN113271535A (zh) * 2021-05-18 2021-08-17 东莞市小精灵教育软件有限公司 设备状态检测方法及装置、轨迹打点方法及智能设备

Similar Documents

Publication Publication Date Title
CN106681478A (zh) 一种简易的便携式可穿戴设备状态判别方案
CN105912142B (zh) 一种基于加速传感器的记步与行为识别方法
CN107095669B (zh) 一种癫痫患者脑电信号的处理方法及系统
CN102090883B (zh) 一种胎动自动识别方法及其装置
CN108021888B (zh) 一种跌倒检测方法
CN106123911A (zh) 一种基于加速传感器和角速度传感器的记步方法
CN108446733A (zh) 一种基于多传感器数据的人体行为监测及智能识别方法
CN104598880A (zh) 一种基于模糊支持向量机的行为识别方法
CN102133103B (zh) 用肌电信号识别人体行走步态周期的方法
CN106767888A (zh) 一种基于波峰波谷检测的计步算法
CN103400123A (zh) 基于三轴加速度传感器及神经网络的步态类型鉴别方法
CN112464738B (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
CN116484307A (zh) 基于云计算智能戒指远程控制方法
Jensen et al. Classification of kinematic swimming data with emphasis on resource consumption
CN106095101A (zh) 基于节能机制的人体行为识别方法及客户端
CN107588784A (zh) 一种状态识别并区分的方法、装置及终端
CN106388786A (zh) 一种基于智能指环采集数据的处理方法
CN106503651A (zh) 一种手势图像的提取方法及系统
CN112617849A (zh) 一种基于cnn+lstm的心房颤动检测与分类方法
CN117807531B (zh) 一种基于智能戒指的血氧数据精确采集系统
CN102937320A (zh) 用于智能空调的健康保护方法
CN107421560A (zh) 一种计步方法、装置和手腕式计步器
CN106835200B (zh) 铝电解槽区域控制系统
CN113128379A (zh) 人体跌倒检测方法、计算机可读存储介质和电子装置
CN110236538B (zh) 一种基于肌电信号的运动起始点自动实时检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170517