CN107247974B - 基于多源数据融合的健身运动识别方法及系统 - Google Patents

Abstract

本发明涉及一种基于多源数据融合的健身运动识别系统，包括运动数据处理装置和可穿戴设备，其中，所述运动数据处理装置包括用于采集健身器械上的运动数据的采集模块、用于收集所述可穿戴设备上的运动数据的收集模块以及分析所述健身器械上的运动数据与所述可穿戴设备上的运动数据之间的关联性的分析模块。

Description

基于多源数据融合的健身运动识别方法及系统

技术领域

本发明涉及计算和运动识别技术领域，特别涉及一种基于多源数据融合的健身运动识别方法及系统。

背景技术

近年来，随着人们生活水平的提高以及体育健身意识的增强，越来越多的人开始进行运动锻炼。健身场馆拥有丰富的健身器械和专业的指导，因而深受大众的喜爱。经常在健身场馆中锻炼的人通常会先做出运动规划，记录每一次健身运动数据，从而使得健身过程更加科学安全。

同时，许多厂家推出了关于健身运动管理的智能解决方案，例如国内的钛酷科技建立了智能健身工作室，通过智能手环、智能健身器械、运动Αpp等对用户在健身房中的健身运动过程进行记录，通过RFID方式进行使用者身份的识别；力方体智慧健身房通过手机扫描二维码的方式实现健身过程的智能化，该系统要求使用者在健身之前扫描健身器械上的二维码，将用户ID与健身器械ID进行匹配从而记录用户的健身运动信息，其他的一些智能健身房还有光猪圈、Liking Fit以及国外的David Barton Gym、Smart Fitness Club等。

根据数据获取途径的不同，目前的一些健身运动管理识别方法有以下几种：例如，中国专利CN201610236650.5和CN201610341997.6公开的一种基于计算机视觉的健身管理识别方法，使用摄像头等图像传感器并需要算法支持；中国专利CN201610708951.3和CN201610889984.2公开的一种基于其他传感器的健身管理识别方法，通过使用一些类似光电、RFID等传感器，对健身器械的状态进行获取；中国专利CN201610236650.5、CN201610811069.1和CN201610644136.5公开了一种基于可穿戴设备的健身管理识别方法、该方法需要用户穿戴一些设备，利用设备上的传感器来对用户或者运动行为进行感知。

上述这些方法虽然能够检测和记录用户运动情况，但是一方面成本较高，并存在用户隐私问题；另一方面也易受环境影响，尤其是目前可穿戴设备对于运动检测的应用范围只局限在跑步、走路以及睡眠等差异较大的运动上，无法实现精准的运动识别，难以满足实际的应用需求。

因此，需要一种便捷智能、识别精度高并且避免干扰用户运动的健身运动识别方法。

发明内容

本发明的目的是提供一种基于多源数据融合的健身运动识别方法及系统，能够克服上述现有技术的缺陷。

根据本发明的一个方面，提供一种基于多源数据融合的健身运动识别系统，包括运动数据处理装置和可穿戴设备，其中，所述运动数据处理装置包括用于采集健身器械上的运动数据的采集模块、用于收集所述可穿戴设备上的运动数据的收集模块以及分析所述健身器械上的运动数据与所述可穿戴设备上的运动数据之间的关联性的分析模块。

优选的，所述分析模块将与所述健身器械的关联性度量值最高的所述可穿戴设备，识别为与所述健身器械匹配的可穿戴设备。

优选的，所述分析模块定时检验与所述健身器械匹配的可穿戴设备是否保持匹配。

优选的，所述分析模块将与所述健身器械相关性度量值仅次于最高的可穿戴设备的相关性度量值作为阈值界限，用于定时检验；

优选的，所述运动数据处理装置还包括用于识别可穿戴设备的识别模块。

优选的，所述识别模块选择识别所述健身器械周围一定范围内的可穿戴设备。

优选的，所述分析模块可以同时针对一个或多个健身器械与一个或多个所述可穿戴设备进行关联性分析。

根据本发明的另一方面，提供一种使用上述基于多源数据融合的健身运动识别系统进行健身运动识别的方法，包括以下步骤：

步骤1)使用所述采集模块采集当前健身器械上的运动数据；

步骤2)使用所述收集模块收集与健身器械关联的可穿戴设备上的运动数据；

步骤3)所述分析模块分析所述步骤1)获得的当前健身器械上的运动数据与所述步骤2)获得的可穿戴设备的运动数据之间的关联性，计算得出与当前健身器械匹配的可穿戴设备。

步骤4)所述分析模块定时检验所述步骤3)得出的识别结果，若与当前健身器械匹配的可穿戴设备在任一时段的运动数据与当前健身器械的运动数据之间的相关性度量值高于所述阈值界限，则检验结果为所述可穿戴设备与当前健身器械保持匹配；否则检验结果为所述可穿戴设备与当前健身器械停止匹配，重新返回步骤1)。

优选的，所述步骤3)进一步包括：

分别计算可穿戴设备上的加速度各个轴数据及合成加速度数据与当前健身器械上的合成加速度数据之间的相关系数；

为获得的所述相关系数分配不同的权重值；

根据所述相关系数和相应的所述权重值计算得到所述可穿戴设备与当前健身器械的相关性度量值。

优选的，所述相关系数与所述权重值的对应关系是所述相关系数越大，所述权重值越大。

相对于现有技术，本发明取得了如下有益技术效果：本发明的基于多源数据融合的健身运动识别方法及系统，根据健身器械的功能布置识别系统的位置，数据采集精准；识别系统通过与一般智能穿戴设备关联，用户无需额外操作或佩戴设备，简单方便，广泛适用于一般的健身环境；识别方法采用了加权算法比对数据的关联性，在运动识别过程中无需限制可穿戴设备的方向或位置，实用性强，易于推广，用户体验性好。

附图说明

图1是本发明基于多源数据融合的健身运动识别方法的流程图

具体实施方式

为了使本发明的目的、技术方案以及优点更加清楚明白，以下结合附图，对根据本发明的实施例中提供的基于多源数据融合的健身运动识别方法及系统进一步详细说明。

目前人们所指的可随身识别的运动记录设备大多属于智能可穿戴设备，在众多种类的可穿戴设备中，可以识别和记录用户的运动状态(走路、跑步、睡眠等)，并且通过手机app向使用者显示相关数据的智能手环，以其低廉的价格和长时间的续航能力占据了市场的主流位置。例如，国内外主流消费电子厂商小米、华为、Jawbone、Misfit等都推出了自己的智能手环产品。

经发明人仔细研究发现，当用户使用健身器械进行运动时，健身器械因用户使用产生的运动数据，与用户身上佩戴的可穿戴设备采集的用户的运动数据具有一定关联，例如，在用户使用高位下拉器时，智能手环的运动趋势与健身器械上配重盘的运动趋势相似，因此可通过将二者的运动趋势进行比对，就可判断高位下拉器与用户的对应关系，从而实现健身运动的识别。

在本发明的一个实施例中，提供一种基于多源数据融合的健身运动识别系统，该系统包括运动数据处理装置和可穿戴设备，其中，运动数据处理装置包括用于采集健身器械上的运动数据的采集模块、识别可穿戴设备的识别模块，收集可穿戴设备上的数据的收集模块，以及分析健身器械上的运动数据与用户可穿戴设备上的运动数据之间的关联性的分析模块，例如，该运动数据处理装置可以是一种贴在健身器械上的，能够实现上述功能的智能贴件；可穿戴设备是佩戴在用户身上的可随身采集记录的用户运动数据的设备，例如智能手环。

在本发明的另一个实施例中，上述运动数据处理装置的布置位置可以是：对于具有配重盘的力量型健身器械，可将运动数据处理装置放置在配重盘之上；对于其他健身器械，可将运动数据处理装置放置在易于采集用户使用该健身器械时的运动状态的位置，例如在跑步机上的运动数据处理装置，可以固定在跑道两旁的轨道上。

在本发明的另一个实施例中，提供一种基于多源数据融合的健身运动识别方法，该方法使用了上述基于多源数据融合的健身运动识别系统。

图1示出了本发明提供的基于多源数据融合的健身运动识别方法的流程图，如图1所示，本发明的健身运动识别方法包括以下步骤：

S10.识别并匹配健身器材周围的可穿戴设备

将运动数据处理装置布置在健身器械上，当用户使用该健身器械时，运动数据处理装置的识别模块搜索并连接该健身器械周围一定范围内的用户的可穿戴设备，以智能手环为例，可根据蓝牙信号的强弱设定识别模块的搜索范围。经发明人实验可知，如将筛选阈值设定为距离健身器械2米的范围，在2米处的蓝牙信号强度约为-76db，即当识别模块搜索到的智能手环的蓝牙信号强度比-76db强的时，当前健身器械的识别模块与该智能手环之间的距离不超过2米，可进行匹配，否则不进行连接。

S20.采集/收集运动数据

完成步骤S10的识别后，健身器械上的运动数据处理装置通过识别模块与一定数量的可穿戴设备建立了连接，在同一时段内，采集模块采集健身器械上的运动加速度数据，收集模块收集与运动数据处理装置建立连接的各穿戴设备的加速度数据。其中，收集模块，例如，可利用蓝牙4.0协议，同时与范围内的多个智能手环进行连接，并接收来自智能手环发送的加速度数据。

S30.分析运动数据

根据步骤S20，在用户使用健身器械过程中，运动数据处理装置的收集模块不断接受周围可穿戴设备发来的加速度数据，分析模块在分析上述数据时，例如，可对接收到的加速度数据滑动窗口的划分，以便降低分析模块的计算开销。由于收集到的加速度数据随时间的推移不断更新，因此可根据健身运动的周期性特点，例如，设置滑动窗口大小为4s，步长为2s。

同时，分析模块可在每个滑动窗口中，分别计算其中一个可穿戴设备的多个轴，与运动数据处理装置的采集模块采集到的健身器械上的加速度数据之间的相关系数ρ_xy，具体公式为：

其中，X，Y分别是可穿戴设备与健身器械的加速度序列，Cov(X，Y)为X，Y的协方差，D(X)、D(Y)分别为X、Y的方差。

利用加权算法，为每个相关系数分配适当的权重，从而计算每对加速度序列的相关系数之和：

score＝w_Xcor_X+w_Ycor_Y+w_Zcor_Z+w_Mcor_M

其中，cor_x，cor_y，cor_z，cor_m分别表示不同加速度轴的加速度序列以及合成加速度序列之间的相关系数，w_X，w_Y，w_Z，w_M表示不同相关系数对应的权重。

经发明人实验，为获得准确的识别结果，可以根据实际的应用环境条件、健身器械种类数量，或者用户数量等因素，为不同的相关系数分配不同的权重。

在本发明的另一个实施例中，设定权重随着相关系数的增大而增大，例如，如下表所示：

表1相关系数与权值对应表

相关系数	权重
		0.75-1	0.9
0.5-0.75	0.6
		0.3-0.5	0.1
0-0.3	0

以下将通过具体数据来举例说明上述加权算法：

将收集模块收集到的一个智能手环的加速度数据表示成A₁，其中，A₁＝(α_x1，α_y1，α_z1)，α_x1，α_y1，α_z1分别是可穿戴设备上的x、y、z轴的加速度序列；将采集模块采集到的相应的健身器械上的加速度数据表示成A₂，其中，A₂＝(α_x2，α_y2，α_z2)，α_x2，α_y2，α_z2分别是健身器械上的x、y、z轴的加速度序列。

假设：

α_x1＝(1，2，3，4，5，6)，α_y1＝(1，1，2，1，1，3)，α_z1＝(1，5，4，3，5，6)；

α_x2＝(1，3，5，7，9，11)，α_y2＝(1，1，1，1，1，1)，α_z1＝(1，1，1，1，1，1)；

利用合成加速度公式

分别计算可穿戴设备上的合成加速度以及健身器械上的合成加速度：

即可穿戴设备上的合成加速度为：

α_m1＝(1.7321，5.4772，5.3852，5.0990，7.1414，9.0000)

健身器械上的合成加速度为：

α_m＝(1.7321，3.3166，5.1962，7.1414，9.1104，11.0905)

根据上述相关系数公式分别计算出可穿戴设备的不同加速度轴上的以及合成加速度与健身器械上的合成加速度的相关系数：

即

cor_X＝corr(α_x1，α_m)＝0.9994；cor_Y＝corr(α_y1，α_m)＝0.5802；

cor_Z＝corr(α_z1，α_m)＝0.7041；cor_X＝corr(α_m1，α_m)＝0.9005；

根据表1分别查找上述计算得到的相关系数对应的权重值：

即

w_X＝0.9；w_Y＝0.6；w_Z＝0.6；w_M＝0.9

最后可根据上述求和公式，计算得到每对加速度序列的相关系数之和作为相关性度量值，以用于判断该可穿戴设备与相应健身器械的相关性：

即

score＝0.9*0.9994+0.6*0.5802+0.6*0.7041+0.9*0.9005＝2.4805

利用上述加权算法，分析模块将分别计算与健身器械连接的所有可穿戴设备的相关性度量值，计算完成后将所有相关性度量值由大到小排序，将最大的相关性度量值所对应的可穿戴设备识别为与当前健身器械相关性最高的设备，从而判定佩戴该可穿戴设备的用户正在使用当前的健身器械，完成健身运动的识别。

在本发明的另一个实施例中，分析模块以时间段为单位，经过多次重复计算该时间段内相关性度量值最高的可穿戴设备，根据概率来判断该可穿戴设备与当前健身器械的相关性，从而提高识别准确率。

S40.定时检验

在用户在健身时更换器械，或某个健身器械更换不同的使用者时，会导致识别结果与实际健身运动情况的不匹配，因此分析模块可通过设定阈值界限来对步骤S30完成的识别结果定时进行检验，以便判断是否需要重新识别。

例如，在分析模块利用步骤S30中的加权算法，首次计算得到所有可穿戴设备的相关性度量值并按照由大到小的排序后，可将排序第二的相关性度量值设定为用于定时检验的阈值界限。定时检验的具体方法是：

步骤S30完成后，运动数据处理装置的收集模块会定时收集匹配的可穿戴设备的运动数据，采集模块会采集相应时间段的健身器械的运动数据，分析模块利用上述运动数据，利用步骤S30的加权算法重新计算该匹配的可穿戴设备与当前健身器械的相关性度量值，并与首次识别成功时保存下来的排序第二的阈值界限相比较，若重新计算的相关性度量值小于该阈值界限，则判断识别失败，佩戴该可穿戴设备的用户停止使用当前健身器械，并返回步骤S10重新执行识别方法；若重新计算的相关性度量值大于该阈值界限，则一直到用户停止使用该健身器械或可穿戴设备，判定识别成功，佩戴该可穿戴设备的用户在使用当前健身器械。

在本发明的另一个实施例中，可穿戴设备与运动数据处理装置之间的通信还可以采用其他的无线传输方式，例如WIFI，此时，运动数据处理装置的识别模块可以采用其他方式对健身器械周围的可穿戴设备进行筛选，例如，利用红外测距方式测量可穿戴设备与当前健身器械的距离等。

在本发明的另一个实施例中，提供一种健身运动识别系统包括、运动数据采集装置、运动数据分析装置和可穿戴设备，其中运动数据采集装置设置于健身器械上，用于采集健身器械的运动数据，相当于上述实施例中的采集模块；运动数据分析装置用于分析比对运动数据采集装置采集的运动数据与可穿戴设备的运动数据，相当于上述实施例中的分析模块；与上述实施例的不同之处在于，运动数据分析装置可以采用无线传输的方式，同时接收来自运动数据采集装置和可穿戴设备的运动数据，并集中分析识别健身房内多个健身器械与多个用户的对应关系。

尽管在上述实施例中，采用了加速度三轴数据的加权算法来进行健身运动的识别，但本领域普通技术人员应理解，在其他实施例中，可以采用其他算法来比对用户的可穿戴设备采集的数据与健身器械的运动数据之间的关联性，例如，加速度三轴数据各自合成的算法或两两组合的算法等；另外，在采用蓝牙4.0等无线传输方式进行数据传输时，健身房嘈杂的环境常会引起传输不稳定，从而导致采集和收集的运动数据存在时间序列上的误差，通常情况下，该误差不会对识别精度造成影响，如果环境条件较差或健身器械及用户数量较多，在使用上述方法进行识别时，可将由此产生的数据偏移计算入识别过程中，例如，计算采集和收集的运动数据之间的延时，重新调整二者的映射关系，以保证识别准确。

相对于现有技术，在本发明实施例中所提供的基于多源数据融合的健身运动识别方法及系统，利用当前健身器械上的运动数据以及用户可穿戴设备上的运动数据之间的关联性，采用加权算法进行用户健身运动的识别，该方法在识别的过程中不需要对可穿戴设备的方向以及位置进行限制，用户体现性好。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所作出的各种改变以及变化。

Claims (5)

1.一种基于多源数据融合的健身运动识别系统，包括运动数据处理装置和可穿戴设备，其中，所述运动数据处理装置包括用于采集健身器械上的运动数据的采集模块、用于收集所述可穿戴设备上的运动数据的收集模块以及分析所述健身器械上的运动数据与所述可穿戴设备上的运动数据之间的关联性的分析模块；

其中，所述分析模块被配置为用于通过下面的步骤分析所述关联性：

分别计算可穿戴设备上的加速度各个轴数据及合成加速度数据与当前健身器械上的合成加速度数据之间的相关系数；

为获得的所述相关系数分配不同的权重值，所述相关系数与所述权重值的对应关系是所述相关系数越大，所述权重值越大；

根据所述相关系数和相应的所述权重值计算得到所述可穿戴设备与当前健身器械的关联性度量值；

所述分析模块将与所述健身器械的关联性度量值最高的所述可穿戴设备，识别为与所述健身器械匹配的可穿戴设备；

所述分析模块定时检验与所述健身器械匹配的可穿戴设备是否保持匹配；

所述分析模块将与所述健身器械相关性度量值仅次于最高的可穿戴设备的相关性度量值作为阈值界限，用于定时检验；若与当前健身器械匹配的可穿戴设备在任一时段的运动数据与当前健身器械的运动数据之间的相关性度量值高于设定的阈值界限，则检验结果为所述可穿戴设备与当前健身器械保持匹配；否则检验结果为所述可穿戴设备与当前健身器械停止匹配。

2.根据权利要求1所述基于多源数据融合的健身运动识别系统，所述运动数据处理装置还包括用于识别可穿戴设备的识别模块。

3.根据权利要求2所述基于多源数据融合的健身运动识别系统，所述识别模块选择识别所述健身器械周围一定范围内的可穿戴设备。

4.根据权利要求1至3任一项所述基于多源数据融合的健身运动识别系统，所述分析模块可以同时针对一个或多个健身器械与一个或多个所述可穿戴设备进行关联性分析。

5.一种使用权利要求1至4任一项所述的基于多源数据融合的健身运动识别系统进行健身运动识别的方法，包括以下步骤：

步骤1)使用所述采集模块采集当前健身器械上的运动数据；

步骤2)使用所述收集模块收集与健身器械关联的可穿戴设备上的运动数据；

步骤3)所述分析模块分析所述步骤1)获得的当前健身器械上的运动数据与所述步骤2)获得的可穿戴设备的运动数据之间的关联性，计算得出与当前健身器械匹配的可穿戴设备；

步骤4)所述分析模块定时检验所述步骤3)得出的识别结果，若与当前健身器械匹配的可穿戴设备在任一时段的运动数据与当前健身器械的运动数据之间的相关性度量值高于设定的阈值界限，则检验结果为所述可穿戴设备与当前健身器械保持匹配；否则检验结果为所述可穿戴设备与当前健身器械停止匹配，重新返回步骤1)。

Images