CN107256329A - 能量消耗 - Google Patents
能量消耗 Download PDFInfo
- Publication number
- CN107256329A CN107256329A CN201710339155.1A CN201710339155A CN107256329A CN 107256329 A CN107256329 A CN 107256329A CN 201710339155 A CN201710339155 A CN 201710339155A CN 107256329 A CN107256329 A CN 107256329A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- peak
- activity
- energy consumption
- 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
Links
- 230000000694 effects Effects 0.000 claims abstract description 190
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000005265 energy consumption Methods 0.000 claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 54
- 230000009183 running Effects 0.000 claims description 34
- 230000033001 locomotion Effects 0.000 claims description 23
- 238000009825 accumulation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004060 metabolic process Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 abstract description 6
- 238000011002 quantification Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 31
- 241000894007 species Species 0.000 description 20
- 210000000707 wrist Anatomy 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 17
- 239000000463 material Substances 0.000 description 17
- 238000001514 detection method Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 230000037023 motor activity Effects 0.000 description 10
- 230000003068 static effect Effects 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 210000002414 leg Anatomy 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000037081 physical activity Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000000746 body region Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 210000002683 foot Anatomy 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 210000003127 knee Anatomy 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 230000037396 body weight Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 229910002804 graphite Inorganic materials 0.000 description 2
- 239000010439 graphite Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000003739 neck Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 238000005219 brazing Methods 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000002322 conducting polymer Substances 0.000 description 1
- 229920001940 conductive polymer Polymers 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 210000004602 germ cell Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- WABPQHHGFIMREM-BKFZFHPZSA-N lead-212 Chemical compound [212Pb] WABPQHHGFIMREM-BKFZFHPZSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/003—Repetitive work cycles; Sequence of movements
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/003—Repetitive work cycles; Sequence of movements
- G09B19/0038—Sports
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Educational Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Obesity (AREA)
Abstract
本申请涉及从配置为由佩戴在用户的附属物上的装置计算能量消耗值。可将步数计数量化,例如通过检测移动数据中的手臂挥动峰和回弹峰。可建立和预期活动相关的加速度频率的搜索范围。可分析搜索范围中的加速度数据的频率,以识别一个或多个峰,诸如回弹峰和手臂挥动峰。创新的系统和方法可确定是否使用手臂挥动数据、回弹数据、和/或其他数据或数据的部分来将脚步量化。峰的数量(以及峰的类型)可用于选择步频和步幅。至少一部分移动数据可被基于脚步的量化而分类成活动种类。
Description
本申请是申请日为2013年1月17日、申请号为201380015483.6且发明名称为“能量消耗”的发明申请的分案申请。
交叉引用
该申请要求2012年1月19日申请的美国专利申请No.61/588,647的美国临时专利申请的权益,其被通过引用的方式全文合并于此。
背景技术
尽管大部分人了解身体健康的重要性,许多人难以找到保持常规锻炼程序所需要的动力。一些人特别难于保持涉及持续重复的动作的锻炼方式,这包括跑步、步行和骑自行车。
附加地,个体可将锻炼视作工作或日常杂事,且由此将其从他们日常生活的享受方面分离开。通常,该运动活动和其他活动之间的分离降低了个体可能具有的对于锻炼的激励的量。朝向鼓励个体参与运动活动的运动活动服务和系统还可能关于关注一个或多个特定的活动,却忽视了个体的兴趣。这还可降低用户参与运动活动或使用运动活动服务和系统的兴趣。
许多现有的服务和装置不能提供对物理活动中用户的能量消耗(例如热量消耗)的准确估计。因此,用户不清楚特定活动(其可包括通常不被视作“锻炼”的日常事务)对其健康的好处。现有的允许用户监测器能量消耗的装置通常存在下列一项或多项缺陷,包括:冗繁的采集系统、超出可接受阈值的不准确的测量、报告值时不可接受的延时、基于检测的用户的移动的错误的活动分类、不能计入不同用户之间的差异(例如,针对在步行和/或跑步中不“回弹”至如同“普通”人一样的程度的个人的恰当的分类)、在被分类成特定的活动时不恰当地包括重复形为(诸如示例性的,跑步和/或步行)、相对高的功率消耗、和/或这些或其他缺陷的组合。
因此,希望具有解决这些短处的至少一个或多个的改进的系统和方法。
发明内容
下文中提供了简化的概述,以提供关于本公开的一些方面的基本的理解。该概述不意图作为本公开的详尽的概括。其不意图确定本公开的关键或决定性元件,或勾勒出本公开的范围。下文中的概述仅以下文中的描述的前序的简化形式展示了本公开的一些概念。
本公开的方面涉及计算能量消耗值。一个或多个装置可使用加速度计和/或其他传感器来检测用户的物理活动。在一个实施例中,装置被配置为佩戴在用户的附属物上,且可用于采集和处理移动数据。该装置可包括处理器和存储器,其中至少一个处理器配置为捕获用户的移动数据,且存储器包括在由处理器执行时采集和分析移动数据的计算机可读指令。该移动数据可用于确定能量消耗值。该装置可构造为在佩戴在用户的附属物上时通过传感器捕捉用户的移动数据。其可配置为佩戴在手臂上,例如但不限于由用户的腕部定位。特定的实施例可完全在单个装置上进行。
在特定的实施例中,用于采集移动数据的经由的传感器数据采集自(或推导自)用户佩戴的装置。在其他实施例中,下列项中的至少一个完全在用户佩戴的装置上进行:脚步的量化、确定哪些数据用于量化和/或监测脚步、将数据组织成活动种类、和/或确定能量消耗值。在特定的实施例中,装置已经在定位在装置上的计算机可读介质上包括诸如代谢等效值或在计算中使用的数据或信息的信息。因此,在该计算中不需要外部信息。
特定的实施例可基于移动数据将由用户进行的脚步量化,例如通过在移动数据中检测手臂挥动峰和回弹峰。该量化可完全基于从佩戴在用户的手臂上的单个装置(例如靠近腕部)采集的数据完成。在一个实施例中,移动数据从加速度计获取。可针对时间框架和值获取加速度计大小矢量,诸如可计算基于针对该时间框架的大小矢量的平均值。该平均值(或任意其他值)可被用于确定针对该时间框架的大小矢量是否满足加速度阈值,以适格用于计算针对该相应的时间框架的脚步计数。满足阈值的加速度数据可置于分析缓存中。可建立和预期活动相关的加速度频率的搜索范围。在特定的实施例中可分析搜索范围中的加速度数据的频率,以识别一个或多个峰,诸如回弹峰和手臂挥动峰。在一个实施例中,如果第一频率峰位于估计的手臂挥动范围中其还满足手臂挥动峰阈值,则可将其识别为手臂挥动峰。类似地,如果第二频率峰位于估计的回弹范围中且还满足回弹峰阈值,则可将其识别为回弹峰。
创新的系统和方法可确定是否使用手臂挥动数据、回弹数据、和/或其他数据或数据的部分来将脚步量化。峰的数量(诸如手臂挥动峰和/或回弹峰的数量)可用于确定使用哪些数据。在一个实施例中,系统和方法可使用峰的数量(和峰的类型)来选择步频和步幅以用于量化脚步。在此外的其他实施例中,至少一部分移动数据可被基于脚步的量化而分类成活动种类。
在一个实施例中,传感器信号(诸如加速度计频率)和基于传感器信号的计算(例如,步数)可在活动种类的分类中使用,诸如示例性地是步行或跑步。在特定的实施例中,如果数据未被分类成在第一种类(例如步行)或种类的组(例如,步行和跑步),则第一方法可分析采集到的数据。示例性地,在一个实施例中,如果检测到的参数不能被分类,则欧几里得范数公式可被用于进一步分析。在一个实施例中,可使用获得的值的平均大小向量范数(平方的和的平方根)。在此外的其他实施例中,不同的方法可在分类入第一种类或种类的组之后分析至少一部分数据。在一个实施例中,可使用如在此处公开的脚步算法。分类和未分类的数据可用于计算能量消耗值。
存储器可包括指令,其在由装置的处理器执行时将第一时间阶段的能量消耗值和来自第二时间阶段的能量系消耗值组合,以确定累积的能量消耗值。装置可包括配置为可在装置由该用户佩戴时由用户观察。该装置可配置为将累积的能量消耗值显示在显示器上。能量消耗值在装置上的显示可相应于从位于装置上的用户输入装置接收用户输入。显示器可包括发光结构的长度,诸如配置为提供能量消耗的标识的LED。在一个实施例中,显示的消耗可和目标相关,诸如由用户设置的目标。
在一些实施例中,本发明可在计算机可读介质上部分地或完全地实施,例如,通过存储计算机可执行指令或模块,或通过使用计算机可读数据结构。
自然,上述的实施例的方法还可包括其他附加的元件、步骤、计算机可执行指令、或计算机可读数据结构。
本发明的这些和其他实施例的细节在下文中的图和描述中阐明。本发明的其他特征和优势将从下列描述和图以及从权利要求是明显的。
图说明
在图中通过示例的方式且非限制地示出了本公开,在所述图中相似的图标记贯穿地表示相似的元件,且在其中:
图1A-B示出了可根据示例性实施例用于采集和分析移动数据的系统的示例,其中图1A示出了配置为采集和分析运动活动的示例性网络,且图1B示出了根据示例性实施例的示例性计算装置;
图2A和2B示出了根据示例性实施例可由用户佩带的示例性传感器组件;
图3示出了可用于根据一个实施例将能量消耗值量化的示例性流程图;
图4示出了可用于根据一个实施例将脚步量化的示例性流程图;特别地,图4A为可用于根据一个实施例采集和分析移动数据的流程图,且图4B是可用于根据一个实施例确定数据范围用于检测用户的脚步或其他物理活动的流程图;
图5示出了可用于根据一个实施例估计频率和设置频率搜索范围的示例性流程图;
图6示出了显示了根据特定实施例的移动数据的示例性搜索方位的图;
图7示出了显示了示例性FFT输出的图。具体地,图7A示出了将FFT幂针对频率数据制图的图,频率数据包括在挥臂范围中数据以及在回弹范围中的数据;且图7B示出了同一图,其具有用于确定回弹范围中的峰是否满足标准的阈值;
图8A和8B示出了示例性流程图,其可被实施以确定是否根据一个实施例利用手臂挥动频率、回弹频率和/或其他频率;
图9示出了可被实施以根据一个实施例将活动分类以及确定速度的示例性流程图;
图10示出了可被实施以根据一个实施例确定能量消耗值的示例性流程图;
图11图形地示出了基于可在一个实施例中实施的示例性频率数据的能量消耗值的示例性累积;和
图12示出了可结合地或独立于此处描述的其他实施例实施的测量用户活动的实施例的流程图。
具体实施方式
在下文中对于各个实施例的描述中,参照图,所述图构成了此处的一部分,且其中通过示例的方式示出在其中可实施本公开的方面的各个实施例。应理解也可使用其他实施例,且可进行结构以及功能性的修改而不背离本发明的范围。此外,本公开中的标题不应被视作对本公开的方面的限制。受益于本公开,本领域技术人员将理解示例性实施例并不受限至示例性标题。
I.示例性个人训练系统
A、示例性计算装置
图1A示出了根据示例性实施例的个人训练系统100的示例。示例性系统100可包括一个或多个电子装置,诸如计算机102。计算机102可包括移动终端,诸如电话、音乐播放器、平板电脑、上网本或任意便携式装置。在其他实施例中,计算机102可包括机顶盒(STB)、台式电脑、(一个或多个)数字录像机(DVR)、(一个或多个)计算机服务器、和/或任意其他希望的计算装置。在特定的构造中,计算机102可包括游戏主机,例如XBOX,Playstation,和/或Wii游戏主机。本领域技术人员将理解这些仅为出于描述目的的示例性主机,且本公开不被限制至任意主机或装置。
转至图1B,计算机102可包括计算单元104,其可包括至少一个处理单元106。处理单元106可为用于执行软件指令的任意类型的处理装置,例如可示例性地为微处理器装置。计算机102可包括多种非易失性计算机可读介质,诸如存储器108。存储器108可包括但不限于,诸如RAM110的随机访问存储器(RAM)和诸如ROM112的只读存储器(ROM)。存储器108可包括任意下列:电可擦除可编程只读存储器(EEPROM)、闪存或其他存储技术、CD-ROM、数字化多用途光盘(DVD)或其他光盘存储器、磁存储装置、或任意其他可用于存储信息以及由计算机102访问的介质。处理单元106和系统存储器108可被直接地或间接地连接(通过总线114或替换的通信结构)至一个或多个周边装置。例如,处理单元106或系统存储器108可直接或间接连接至附加的贮存存储器,诸如硬盘驱动器116、可移除磁盘驱动器117、光盘驱动器118和闪存卡121。
处理单元106和系统存储器108还可直接或间接连接至一个或多个输入装置120和一个或多个输入装置122。输出装置122可例如包括显示装置136、电视、打印机、音响或喇叭。在一些实施例中,一个或多个显示装置可并入眼部佩戴装置中。并入眼部佩戴装置的显示装置可提供至用户的反馈。并入了一个或多个显示装置的眼部佩戴装置还可提供给便携式显示系统。输入装置120可例如包括键盘、触摸屏、远端控制板、指点装置(诸如鼠标、触摸板、触控笔、轨迹球或操纵杆)、扫描仪、摄像机或麦克风。关于此,输入装置可包括一个或多个传感器,其配置为从用户感知、检测、和/或测量运动活动,诸如用户124,如图1A所示。
再次参照图1A,可将图像捕捉装置126和/或传感器128用于检测和/或测量用户124的运动活动。在一个实施例中,获取数据的图像捕捉装置126或传感器128可直接检测运动活动,使得从图像捕捉装置126或传感器128获取的数据直接地和运动参数相关联。但是,在其他实施例中,来自图像捕捉装置126和/或传感器128的数据可被组合使用,不论是彼此组合或和其他传感器组合,以检测和/或测量移动。因此,可从自两个或更多个装置获取的组合数据确定特定的测量值。图像捕捉装置126和/或传感器128可包括或可操作地连接至一个或多个传感器,这包括但不限于加速度计、陀螺仪、定位装置(例如GPS)、光传感器、温度传感器(包括环境温度和/或体温)、心率监测器、图像捕捉传感器、湿度传感器、和/或以上的组合。示出的传感器126、128的示例性使用在下文中的题为“示例性传感器”的部分I.C中给出.计算机102也可使用触摸屏或图像捕捉装置来确定用户指点的位置,以从图形化用户界面进行选择。一个或多个实施例可使用一个或多个有线和/或无线技术,其中无线技术的示例包括蓝牙技术、蓝牙低能量技术、和/或ANT技术。
B.示例性网络
计算机102、计算单元104、和/或任意其他电子装置可直接地或间接地连接至一个或多个网络接口,诸如示例性接口130(在图1B中示出),以和诸如网络132的网络通信。在图1B的示例中,网络接口130可包括网络适配器或网络界面卡(NIC),根据一个或多个通信协议将其配置为将来自计算单元104的数据和控制信号转换成网络信息,这些通信协议诸如传输控制协议(TCP)、互联网协议(IP)、和用户数据包协议(UDP)。这些协议在本领域中是周知的,且因此将不在此被详尽地讨论。界面130可采用任意合适的连接中介以连接至网络,这包括例如无线收发器、电源线适配器、调制解调器、或以太网连接。但是,网络132可为具有任意类型(一种或多种)或拓扑结构(一种或多种)、单独的或成组合的(一个或多个)的一个或多个信息分布网络,诸如(一个或多个)互联网、(一个或多个)内部网、(一个或多个)云、(一个或多个)局域网。网络132可为光缆、光纤、卫星、电话、蜂窝式通讯手段、无线通讯扥个中的一个或多个。网络在本领域中是周知的,且由此将不在下文中更详细地讨论。网络132可被不同地配置,例如具有一个或多个有线或无线通讯通道,以将一个或多个位置(例如,学校、商业地址、家庭、消费地点、网络资源地等)连接至一个或多个远端服务器134,或至其他的计算机,诸如和计算机102相同或类似的。事实上,系统100可包括多于一个的每个部件(例如,多于一个计算机102、多于一个显示器136等)。
不论网络132中的计算机102或其他电子装置是便携式的或处在固定的位置处,将理解,处理上文具体列出的输入、输出和存储外围装置之外,计算装置可连接至(诸如直接地或通过网络132)多种其他的外围装置,包括可进行输入、输出或存储功能的那些,或其组合。在特定的实施例中,单个装置可集成图1A中示出的一个或多个部件。示例性地,单个装置可包括计算机102、图像捕捉装置126、传感器128、显示器136和/或附加的部件。在一个实施例中,传感器装置138可包括具有显示器136、图像捕捉装置126和一个或多个传感器128的移动终端。但是,在其他实施例中,图像捕捉装置126和/或传感器128可为配置为操作地连接至媒体装置的外围装置,所述媒体装置例如游戏或媒体系统。由此,由前文可见,本公开不限于固定系统和方法。而是,特定的实施例可由用户124在几乎任意位置中实施。
C.示例性传感器
计算机102和/或其他装置可包括一个或多个传感器126、128,配置为检测和/或监测至少用户124的至少一个体能参数。传感器126和/或128可包括但不限于加速度计、陀螺仪、定位装置(例如GPS)、光传感器、温度传感器(包括环境温度和/或体温)、睡眠模式心率监测器、图像捕捉传感器、湿度传感器、和/或以上的组合。网络132和/或计算机102可和系统100的一个或多个电子装置通信,这示例性地包括显示器136、图像捕捉装置126(例如,一个或多个视频摄像机)、和传感器128,其可为为红外(IR)装置。在一个实施例中,传感器128可包括IR收发器。例如,传感器126、和/或128可传输波形至环境中,包括朝向用户124的方向和接收“反射”或以其他方式检测这些发出的波形的变动。在此外的其他实施例中,图像捕捉装置126和/或传感器128可配置为发射和/或接收其他无线信号,诸如雷达、声纳、和/或听觉信息。本领域技术人员将容易地理解可将对应于多个不同的数据谱的信号根据各个实施例使用。基于此,传感器126和/或128可检测从外部源(例如,非系统100)发出的波形。示例性地,传感器126和/或128可监测从用户124和/或周围环境发出的热量。因此,图像捕捉装置126和/或传感器128可包括一个或多个热成像装置。在一个实施例中,图像捕捉装置126和/或传感器128可包括配置为进行距离现象学测定(range phenomenology)。作为非限制性示例,配置为进行距离测定的图像捕捉装置可从Portland,Oregon的Flir Systems,Inc.购得。尽管图像捕捉装置126和传感器128以及显示器136示出为和计算机102直接(有线地或无线地)通信,本领域技术人员将理解任意装置可和网络132直接(有线地或无线地)通信。
1、多用途电子装置
用户124可持有、携带、和/或穿戴任意数量的电子装置,包括传感装置138、140、142和/或144。在特定的实施例中,一个或多个装置138、140、142、144可不被针对健身或运动用途特别地制造。事实上,本公开的方面涉及利用来自多个装置的数据以采集、检测和/或测量运动数据,该多个装置中的一些并非健身装置。在一个实施例中,装置138可包括便携式电子装置,诸如电话或数字音乐播放器,包括从Cupertino,Californiao的Apple公司可购得的或或从Redmond,Washington的Microsoft可购得的或Windows装置。如在本领域中已知的,数字音乐播放器可用作计算机的输出装置(例如,将来自声音文件的音乐输出或将来自图像文件的图像输出)以及存储装置两者。在一个实施例中,装置138可为计算机102,而在其他实施例中,计算机102可完全不同于装置138。不论装置138是否配置为提供特定的输出,其可用作输入装置,以接收传感信息。装置138、140、142和/或144可包括一个或多个传感器,这包括但不限于加速度计、陀螺仪、定位装置(例如GPS)、光传感器、温度传感器(包括环境温度和/或体温)、心率监测器、图像捕捉传感器、湿度传感器、和/或以上的组合。在特定的实施例中,传感器可为被动式的,诸如可由图像捕捉装置126和/或传感器128(以及其他)检测的反射材料。在特定的实施例中,传感器144可合并进入服饰中,诸如运动衣物。例如,用户124可佩带一个或多个体上(on-body)传感器144a-b。传感器144可合并进入用户124的衣物中和/或布置在用户124的身体的任意希望的位置处。传感器144可和计算机102、传感器128、138、140和142和/或相机126通信。在2002年10月30日提交的美国专利申请No.10/286,396(公开为美国专利No.2004/0087366)中,描述了交互性游戏服饰的示例,其内容通过引用的方式合并于此,用于任意和全部非限制性目的。在特定的实施例中,被动式传感表面可反射波形,诸如由图像捕捉装置126和/或传感器128发射的红外光。在一个实施例中,位于用户124的服饰上的被动式传感器可包括由玻璃或其他可反射波形的透明或半透明表面制成总体球状结构。可使用不同等级的服饰。其中给定等级的服饰具有特定的传感器,其配置为在恰当地佩带时定位为靠近用户124的身体的特定部分。示例性地,高尔夫服饰可包括布置在处于第一构造中的服饰上的一个或多个传感器,而足球服饰可包括布置在处于第二构造中的服饰上的一个或多个传感器。
装置138-144可彼此通信,直接地或通过诸如网络132的网络。一个或多个装置139-144之间的通信可通过计算机102进行。示例性地,两个或更多个装置138-144可为可操作地连接至计算机102的总线114的外围装置。在此外的其他实施例中,诸如装置138的第一装置可和诸如计算机102的第一计算机以及诸如装置142的其他装置通信,但是,装置142可不配置为连接至计算机102,而是可和装置138通信。本领域技术人员将理解其他的构造也是可能的。
示例性实施例的一些实施方式可替换地或附加地采用意图为能够用于宽范围的功能的计算装置(例如台式计算机或笔记本个人计算机)。这些计算装置可按需要具有外部装置或附加的构件的任意组合。而且,图1B中示出的部件可包括在服务器134、其他计算机、装置中等。
2、示例性服饰/附件传感器
在特定的实施例中,传感装置138、140、142和/或144可形成在用户124的衣物或附件中或以其他方式和其关联,附件包括手表、臂带、腕带、项链、衬衫、鞋等。鞋安装和腕部佩带装置(分别是装置140和142)的示例在下文中随机进行了描述,但是,其仅为示例性实施例,且本公开不应被限制至此。
i.鞋安装装置
在特定的实施例中,传感装置140可包括鞋类物件,其可包括一个或多个传感器,这包括但不限于:加速度计、诸如GPS的位置感应部件和/或力传感器系统。图2A示出了传感器系统202的一个示例性实施例。在特定的实施例中,系统202可包括传感组件204。组件204可包括一个或多个传感器,诸如加速度计、位置确定部件、和/或力传感器。在示出的实施例中,组件204并入多个传感器,其可包括力敏电阻(FSR)传感器206。在此外的其他实施例中,可使用其他传感器(一个或多个)。端口208可布置在鞋的鞋底结构209中。端口208可可选地设置为和电子模块210(其可在壳体211中)以及将FSR传感器连接至端口208的多个引线212通信。模块210可收纳在鞋的鞋底结构中的井部或腔部中。端口208和模块210包括互补接口214、216,用于连接和通信。
在特定的实施例中,图2A中示出的至少一个力敏电阻206可包括第一和第二电极或电接触部218、220和力敏电阻材料222,其布置在电极218、220之间,以将电极218、220电连接在一起。当压力施加至力敏材料222时,力敏材料222的电阻和/或电导变化,其改变了电极218、220之间的电势。电阻的改变可由传感器系统202检测,以检测施加在传感器216上的力。力敏电阻材料222可以多种方式在压力下改变其电阻。例如,力敏材料222可具有在材料被压缩时降低的内部电阻,和在下文中详述到的量子隧道复合材料类似。该材料的进一步压缩可进一步降低电阻,允许量化测量,以及双态(开/关)测量。在一些情形中,该类型的力敏电阻形为可描述为“基于体积的电阻”,且表现出该形为的材料可被称作“智能材料”。作为另一示例,材料222可通过改变面-面接触的程度而改变电阻。这可以若干种方式实现,例如,通过使用在表面上的微凸起部,其在非受压条件中升高表面电阻,其中表面电阻在微凸起部被压缩时降低,通过使用柔性电极,其可被变形以产生和另一电极的增加的面-面接触。该表面电阻可为材料222和电极218、220、222之间的电阻和/或多层材料222的导电层(例如,碳/石墨)和力敏层(例如,半导体)之间的表面电阻。压缩越大,面-面接触越大,导致更低的电阻且允许量化测量。在一些情形中,该类型的力敏电阻形为可被描述“基于接触的电阻”。应理解此处定义的力敏电阻材料222可为或包括掺杂或非掺杂半导体材料。
FSR传感器216的电极218、220可由任意导电材料制成,包括金属、碳/石墨纤维或复合材料、其他导电复合材料、导电聚合物或含导电材料的聚合物、导电陶瓷、掺杂半导体、或任意其他导电材料。引线212可由任意合适的方法连接至电极218、220,包括焊接、钎焊、铜焊、粘合剂接合、紧固件、或任意其他整体式或非整体式接合方法。替换地,电极218、220和相关的引线(一个或多个)212可由单件相同的材料制成。
II.腕戴式装置
如图2B所示,装置226(其可为图1A所示的传感装置142或其复制物)可配置为由用户124佩带,例如绕手腕、手臂、脚踝等。装置226可监测用户的活动,包括例如用户124的全天活动。关于此,装置组件226可在用户124和计算机102的交互中和/或独立于计算机102操作时检测运动移动。示例性地,在一个实施例中,装置226可为全天活动监测器,其不论用户和计算机102的接近度或交互测量活动。装置226可直接地和网络132和/或其他装置通信,诸如装置138和/或140。在其他实施例中,从装置226获取的运动数据可用于由计算机102进行的确定,例如和哪个锻炼项目被呈现至用户124相关的确定。在一个实施例中,装置226还可和移动装置无线地交互,诸如与用户124或远端站点(诸如专用于健身或健康相关专题的站点)相关联的移动装置138。在一些预定的时刻,用户可能希望将数据从该装置226转移至另一位置。
如图2B所示,装置226可包括诸如可按压输入按键228的输入机构,以辅助装置226的操作。按键228可操作地连接至控制器230和/或其任意其他电子部件,诸如关于图1B中示出的计算机102所讨论的一个或多个元件。控制器230可嵌入在壳体232中或称为壳体232的一部分。壳体232可由一种或多种材料制成,包括弹性体部件和包括一个或多个显示器,诸如显示器234。该显示器可视作装置226的可发光部分。显示器234可包括一系列单独的发光元件或灯部件,在示例性实施例中诸如为LED灯234。LED灯可以阵列形成且操作地连接至控制器230。装置226可包括标示系统236,其也可视作总体的显示器234的一部分或构件。将理解标示系统236可操作,且和显示器234(其可具有像素部件235)一起发光,或完全独立于显示器234发光。标示系统236还可包括多个附加的发光元件160或灯部件238,其在示例性实施例中也可形为LED灯。在特定的实施例中,标示系统可提供目标的视觉标识,诸如通过亮起发光构件238的一部分,以表示朝向一个或多个目标的进度。
紧固机构240可被解开栓锁,其中装置226可布置为绕用户124的腕部,且紧固机构240可继而布置在栓锁位置中。需要的话,用户可所有时间都佩带装置226。在一个实施例中,紧固机构240可包括接口(例如但不限于USB端口),用于和计算机102和/或装置138、140可操作地交互。
在特定的实施例中,装置226可包括传感器组件(未在图2B中示出)。传感器组件可包括多个不同的传感器。在示例性实施例中,传感器组件可包括或允许至加速度计(包括以多轴加速度计的形式)、心率传感器、定位传感器(诸如GPS传感器)、和/或其他传感器的可操作连接。来自装置142的传感器(一个或多个)的检测到的运动或参数可包括(或用于形成)多种不同的参数、指标或理化特质,包括但不限于速度、距离、已行进步数、卡洛里、心率、出汗检测、努力程度、消耗的氧气、和/或氧气动力学。这样的参数也可以活动点数或由用户基于用户的活动赚取的货币为单位来表示。
II.能量消耗
本公开的特定方面涉及确定能量消耗,诸如通过系统100的一个或多个传感器。在一个实施例中,仅定位在由用户佩戴的装置(诸如腕戴式装置)上的传感器可被用于检测移动参数。来自该装置上的传感器的数据可被用于涉及活动分类的一项或多项确定和/或确定能量消耗,而不需要其他传感器的辅助。活动包括用户124的竞技和/或其他物理活动。图3是流程图300,其示出了可用于根据一个实施例将活动分类和/或计算能量消耗值的示例性过程。图3提供为可包括多个子元件的示例性实施例的概览。基于此,图3后的剩余的图(以及相关的公开)可可选地和图3和/或彼此一起使用,以提供获取传感器数据和提供能量消耗值的完整的系统。根据其他实施例,下文中讨论的一个或多个不同的系统和方法可单独地或和其他公开的系统和方法的仅一部分组合,以提供下列一项或多项:步数、活动分类和能量消耗等。布量化系统和方法的各个实施例可涉及使用多层技术的低功耗、高保真、基于整数的计步器。这些和其他实施例在下文中被描述。
根据第一实施例,来自一个或多个传感器(例如,传感器126、128和/或138-142)的多个样本可在第一时间阶段中获得(例如,参照框302)。在特定的构造中,至少一个传感器(例如传感器142)可包括加速度计。加速度计可为多轴加速度计。但是,在其他实施例中,可使用多个加速度计。其他的非基于加速度计的传感器也在本公开的范围中,其可以是和加速度计组合的或是单独的。实际上,可配置为检测和测量运动移动和/或生理属性的任意传感器(一个或多个)都在本公开的范围中。基于此,数据可从多个传感器获取和/或推导,包括例如,定位传感器(例如GPS)、心率传感器、力传感器、陀螺仪等。在一个实施例中,各种系统和方法被至少部分地在可移动装置上实施。在特定的实施例中,可移动装置可为腕带式装置(例如参见传感器142)。在一个实施例中,来自配置为佩戴在人附属物(例如,腕、手臂、颈部、脚踝、腿等)上的装置的传感器数据可被使用,而没有其他传感器数据。诸如通过加速度计和/或其他传感器测量的移动数据可加载进入基于加速度计缓存的多段式阈值。
更多的方面涉及检测和/或测量运动参数,诸如示例性地,由用户进行的脚步的数量,诸如由用户124。一个或多个系统或方法可使用数据(诸如包括加速度计数据的加速度缓存)的不同部分,以确定是否检测到的参数标示特定的动作或活动。在一个实施例中,步数可在预定的时间阶段中检测(例如,参见框304)。可用于将由用户在时间阶段中进行的脚步量化(或甚至确定在传感器数据中是否存在脚步)的不同的系统和方法的示例在图4-8的背景下提供,且将在下文中描述。在一个实施例中,脚步数据和/或其他移动数据可用于活动分类,示例性地,诸如步行或跑步(参见块306)。在特定的实施例中,如果数据未被分类成在第一种类(例如步行)或种类的组(例如,步行和跑步),则第一方法可分析采集到的数据。示例性地,在一个实施例中,如果检测到的参数不能被分类,则欧几里得范数公式可被用于进一步分析。在一个实施例中,可使用获得的值的平均大小向量范数(平方的和的平方根)。在此外的其他实施例中,不同的方法可在分类入第一种类或种类的组之后分析至少一部分数据。在一个实施例中,可使用如在此处公开的脚步算法。本公开还提供了可实施的分类过程的一些示例(例如参见图9)。
其他实施例可使用经分类的活动数据和/或未分类的活动数据来估计由一个或多个传感器感知的用户的检测到的移动的能量消耗(例如,框308)。图10提供了一个示例,其可被实施以确定能量消耗。图11图形地示出了累积能量消耗值的一个实施例,其可例如用于确定在一些实施例中的卡路里消耗。
其他的实施例涉及根据至少一个活动因子调节能量消耗值。在一些实施例中,在活动和活动因子之间不存在一一对应。活动因子的选择可基于若干不同的变量,诸如确定的活动、进行的脚步、心率、和锻炼强度。图12示出了根据本发明的实施例的计算能量消耗点数的方法。
各个实施例的方面可提供在现有技术中已知的系统和方法上的一个或多个优点和/或优势。在特定的实施例中,使用缓存填充策略将错认定(false positives)从短期手臂移动中消除或去除。使用受限的搜素用于分析(例如FFT)可辅助选择正确的频率(例如,和垂直回弹相关的频率而不是和手臂挥动的频率,使得针对两个脚步获得正确的步行频率)。在其他实施例中,移动数据窗口的重叠可允许对活动的短期爆发的改进的检测(例如,脚步活动)。最终,可在一个传感器组合的信道上进行频率分析,使得手臂转动不被检测和传感器输出的测量遗漏。此外,通过组合加速度计信道,可进行更少的分析(例如,傅里叶转换频率分析)。这可改进电池寿命。一个或多个这些优势可实现在配置为在物理移动进行期间佩戴在用户的附属物上的可移动装置上。
图4示出了示例性方法的流程图400,其可用于将诸如脚步的特定活动的表现量化,其可繁盛在诸如步行、跑步、或任意其他个人的物理活动中。图4的一个或多个过程可实施为框304的一部分。替换地,流程图400的一个或多个部分可独立于框302或任意此处公开的其他过程而进行。
流程图400可从框402开始,以获得和运动移动相关的数据。该数据可被从框302的传感器数据计算或以其他方式获得。在特定的实施例中,可在可移动装置(包括腕戴式装置,例如传感器142)上进行任意量化或计算的至少一部分。此外,单个装置(诸如装置142/226)和/或传感器(例如,加速度计)可提供被用于确定多个不同的移动的数据。和可在配置为佩戴在附属物(诸如手臂或腿)上的单个可移动装置上的系统和方法相关的特定实施例包括用于采集和处理移动数据的全部传感器和/或其他信息,且提供数据输出至用户。
在一个实施例中,单个多轴加速度计可提供和用户的实际脚步(例如检测由于脚步造成的回弹)和手臂挥动移动相关的数据。在一个实施例中,装置/传感器226被而配置为从佩戴者的脚步检测回弹数据以及采集手臂挥动数据。在一个实施例中,被配置为佩戴在手腕上的单个整体式装置被允许基于用户的手臂挥动和脚步造成的回弹而采集加速度计数据。检测手臂挥动和回弹数据的说明性示例在下文中提供在图5中。
采集和多个移动相关的运动数据(诸如回弹数据和手臂挥动数据)可在特定的实施例中提供在现有技术系统和方法中没有获得的一项或多项好处,这包括例如,改进的精度以及报告值时减少的时延。由一个或多个实施例提供的更多未在现有技术中提供的好处包括基于步数(或相关运动移动)的活动的分类。示例性地,一些个人在步行和/或跑步中不“回弹”至和“普通”人相同的程度。此外,特定的实施例可导致将由于不恰当的分类成特定的活动(例如示例性地,跑步和/或步行)而产生的重复的行为去除。此外的其他好处可包括改进的强度和/或速度的确定在活动分类中使用这些确定、改进的功率消耗、和/或这些或其他改进的组合。
在框402处获得的数据可从一个或多个传感器获得,包括由用户携带或佩戴的,或固定在特定位置处的,诸如在腕戴式装置226中。根据第一实施例,可在第一时间阶段中从一个或多个传感器获得多个示例。在一个实施例中,至少一个传感器包括加速度计。加速度计可为多轴加速度计。在其他实施例中,可使用多个加速度计。其他的非基于加速度计的传感器也在本公开的范围中。
框402(或302)可以固定的采样速率获得,但是在其他实施例中,可将可变的采样速率用于至少一个传感器。在一个实施例中可使用25赫兹的采样速率。在一个这样的实施例中,使用25Hz的采样速率来从附属物佩戴(例如腕戴式)可移动装置获得加速度计数据可充分地获得数据,例如示例性地用于计步,而保持和其他现有技术方法相比可接受的电池寿命。在此外的其他实施例中,可使用50Hz采样速率。这些速率仅为说明性的,其他速率也在本公开的范围中。在特定的实施例中,第一时间阶段可为1秒。在其他实施例中,可在该第一时间阶段中获得数据的64个样本。数据的每一个样本可具有多个参数,例如用于多轴线的移动矢量,但是,在其他实施例中,数据的每一个样本是单个值。特定的实施例可提供包括多个值为单个值的数据。示例性地,来自3轴加速度计的数据可提供为单个值。
采集的数据可被分析或处理,其可在采集时、以预定的间隔、在预定标准发生时、在稍后的时间或以上述的组合发生。在特定的实施例中,第一时间阶段中的样本可被均值置中和/或缩放。
来自第一时间阶段的样本(或和接收的样本相关的数据)可被布置在缓存中(例如,参见框404)。本领域技术人员意识到,一个或多个缓存可为一个或多个计算机可读介质的一部分,诸如系统存储器108中的计算机可读介质110和/或112。一个或多个系统或方法可被实施,以确定来自第一时间阶段的样本是否被布置的第一缓存中。一个或多个系统或方法可被实施,以确定来自第一时间阶段的样本是否被布置的第一缓存中。示例性地,可考虑精度和/或可靠性。
在一个实施例中,约128个样本可布置在第一缓存中。在其他实施例中,阈值可等于2.8。在特定实施例中,缓存可为第一时间阶段的约2倍。示例性地,如果第一时间阶段是1秒,则缓存时长在特定的实施例中为约2秒。缓存可为特定的时长(约2秒),而不论第一时间阶段的时长。缓存时长可取决于一个或多个因子,包括例如但不限制于:电池寿命、希望的能量消耗、采样速率、获得的样本、希望在计算过程前等待的时间和/或这些和其他考量的组合。
在特定的实施例中,第一缓存可包括一个或多个子缓存。示例性地在25Hz的采样速率上的128样本缓存可包括两个64样本子缓存。在其他的实施例中,数据的集合(即,可为128样本的第一缓存)可在时长上平等地分隔,该时长诸如为2秒。示例性地,第一缓存可分隔成4个相等的子缓存(其可例如时长为半秒)。在其他实施例中,每一个子缓存可和约半秒的数据相关,而和缓存的大小无关。根据一个实施例,每一个子缓存都从至少在一个另外的子缓存上独立地分析(且可从该特定的缓存中的每一个其他的子缓存独立地缓存)。
本公开的其他方面涉及可选地在进行进一步分析(例如,FFT分析)之前将可舍弃的数据分类(或以其他方式不在具体的分析中使用)。因此,尽管诸如框406的特定的过程可被实施以通过一个或多个排除标准标记或可能地话一出错误数据(诸如被确定为不是脚步或手臂挥动数据的数据),这样的数据可被保存用于后续分析。作为一个示例,加速度计数据的峰和/或谷可被测量以确定它们是否足够大以被视作步行或跑步。在特定的实施例中,缓冲的多个段可被使用,以确保迅速的手臂起伏不被装置错误地解释,且由此可通过进行数据分析而使用受限的处理功率,该数据分析例如为进入频率分析模式。
基于此,特定的数据不可用于确定实际的脚步,但其可用于确定运动活动的分类(例如,步行、跑步、打篮球等)或计算能量消耗,以及其他确定(例如参见框407)。在一个实施例中,第一缓存可具有标示移动或其他物理活动的数据,例如,加速度计数据(单独的或和来自一个或多个其他传感器的数据组合)可包括标示检测到的活动的频率。但是,该活动可能不是包括脚步的活动。在下文中讨论了将活动分类和计算能量消耗的示例性实施例,包括未用于将脚步量化的数据,其可在下文中关于至少图9-12的描述中找到。
本公开的方面可使用传感器数据将活动量化,该活动诸如用户脚步运动。在此外的其他实施例中,脚步可被检测,但是,检测到的脚步可不引起装置或过程被配置为检测的活动。示例性地,装置(或多个装置)可配置为检测步行和/或跑步,而不检测在诸如篮球比赛的竞技环境中常见的拖脚运动。基于此,在若干体育运动中的活动可使得用户挥动其手臂和/或回弹,但是不标示步行或跑步。示例性地,防守型篮球选手通常需要沿若干方向拖脚,但是其不是步行或跑步。本公开的方面涉及增加计步的精度,且因此可实施过程以从步数确定中移除这样的移动。但是,在其他的实施例中,可使用这样的数据以确定用户在进行特定的活动且基于此认定实施其他的过程。此外,在其他实施例中,即使在用于将脚步量化的特定系统和方法中,被视作对于意图的检测错误的活动可被在其他分析中考虑,例如用于确定活动分类。
不论框406是否被实施,系统和方法可被实施,以基于数据(或其一部分)将计步。在一个实施例中,框408可被实施,以处理至少一部分数据。分析(和/或其他统计措施)可在整个缓存上或在至少一个子缓存上进行,例如用于计算在子缓存中数据的均值(例如,平均值)和/或偏差(例如,偏差或标准偏差)。在一个实施例中,下列一个或多个可在传感器数据上进行:缩放、移除重力、计算数据的绝对值、值的均值置中、包括原始数据和/或均值置中绝对值。受益于本公开的本领域技术人员将容易地了解,其他系统和方法可被实施以处理数据,而不背离本发明的范围。
根据一个实施例,数据(例如在缓存或子缓存中的数据)可被和阈值进行比较,作为框408或其他过程的一部分(例如,参见,判定410)。当在此处使用时,和阈值相关的讨论可指的是较值的预定值或范围更低和/或更高。在一个实施例中,可计算来自传感器数据的矢量大小。在其他实施例中,可从矢量大小确定均值。作为一个示例,可从加速度计信号计算矢量大小数据,其可用于确定加速度计信号的均值。可针对每秒、每5秒、或任意时长计算平均值。在一个实施例中,该值可和子缓存的第一阈值进行比较,该子缓存包括在缓存中的数据。在一个实施例中,如果子缓存中的数据不满足阈值,则整个缓存中的数据(例如在第一缓存中的数据)不可在脚步量化的后续确定中使用。其他逻辑可用于确定子缓存是否具有有效的数据(例如,满足阈值的数据),且如果是,该数据被用于后续的步数确定。在一个实施例中,连续的邻近的段(其可为4个子缓存)必须被组合,其具有在阈值上上的数据(例如,检测到的加速度),以被分析(例如示例性地通过频率确定算法)。在特定的实施例中,第一缓存的数据(如和单个子缓存相对的)被用于后续确定。
如果缓存(例如,第一缓存或第二缓存,第二缓存可为第一缓存的子缓存)满足阈值(和/或符合其他标准,包括但不限于在前文中描述的那些),该数据可被利用。示例性地,框412可被实施,以开始利用满足阈值的数据。图4B提供了流程图420,其示出了用于利用数据的示例性过程,在下段中对其进行描述。如果在判定410处,确定数据不满足阈值,判定414可被实施。示例性地,在一个实施例中,可在判定410处确定,均值置中加速度数据不满足阈值,由此标示没有足够的加速度来确保诸如FFT的确定后续过程。在一个实施例中,框412可被实施以确定是否针对此前的样本缓存检测到脚步(或获取关于确定的信息)。如果否,则数据可被关于量化脚步的目的舍弃(例如,框416)。在一个实施例中,可将包括数据的分析缓存重置。但是,如果此前的样本缓存包括脚步数据,则框418可被实施,以在脚步量化过程中利用此前的脚步数据。
参照图4B,流程图420示出了处理满足判定410的阈值的数据的一个实施例的说明性示例。因此,根据一个实施例,流程图420是框412的一个实施例的示例,且已经分别被标识为412a-412f,本领域技术人员将理解流程图420可被实施,整体地或部分地,独立于框412和/或图4A的流程图400的一个或多个过程。如框412a所示,该数据被标记或以其他方式布置在分析缓存中。在一个实施例中,数据包括从活动数据的半秒时长获得的平均大小值。在一个实施例中,在可接受第一缓存的对应的时长期间获得的未均值置中的数据可提供给分析缓存。但是,在其他的示例中,从满足判定410的阈值的数据计算出的偏差可布置在分析缓存中。在一个实施例中,分析缓存可为先入后出(FILO)缓存。
判定412b可被实施以确定框410a的分析缓存是否已满。在一个实施例中,确定可基于活动数据的时长或和其相关。示例性地,当包括5秒时长的数据用于一个实施例时,分析缓存可为满的。当包括一定量的样本时,可认定分析缓存为满的。在一个实施例中,分析缓存可包括128个样本。在特定的实施例中,分析缓存可较关于图4A的流程图400描述的样本缓存要大。在一个实施例中,样本缓存可包括64个数据样本(其可例如对应于一秒时长的活动数据)且分析缓存可包括256个数据样本(其可对应于4秒活动数据)。分析缓存可包括和第一缓存相同的时长,因此为在获取单个样本缓存后为满的。因此,在一个实施例中,分析缓存可包括单个样本缓存。如果分析缓存被认定为未满,则框412可被实施直至缓存为满的。
在获取了整个分析缓存之后,判定412c可被实施以将数据分类成脚步数据或非脚步数据。基于此,特定的实施例可使用在分析缓存中的数据以计算能量消耗,而不论该数据是否被认定为包括脚步数据或阈值水平的脚步数据,但是,仍可将感知的数据分类成是否检测到阈值量的脚步。在一个实施例中,分析缓存可被分隔成子缓存。示例性地,128个样本的缓存可分隔成4个相等的子缓存,每个具有32个样本。在其他实施例中,包括作为分析缓存的部分的相应的样本缓存可被使用在任意确定中。可使用数据的子区或每个子缓存的属性。在一个实施例中,可使用数据之间的变差或偏差。示例性地,每个子缓存或子区的平均值和标准偏差可被计算和使用,作为判定412c的一部分。该标准偏差的平均值可被在特定的实施例中确定。
在框412c的一个实施例中,如果特定的缓存中任意子缓存或子区包括未满足“低阈值标准”的属性,活动可被认定为包括非脚步数据。在一个实施例中,低阈值标准包括确定子缓存的属性是其他子缓存的标准偏差的平均值小于50%。在一个实施例中,整个分析缓存可被认定为非脚步数据,但是在其他实施例中,仅那些不满足低阈值标准的特定的子缓存被认定为包括非脚步数据。其他实施例可使用“高阈值标准”。在一个实施例中,高阈值标准可包括确定任意子缓存的属性是否是其他子缓存的标准偏差的平均值的大于180%。和低阈值标准类似,未满足该标准可导致整个分析缓存被认定为非脚步数据,但是在其他实施例中,仅那些未满足高阈值标准的特定的子缓存被认定为包括非脚步数据。
低阈值标准和高阈值标准可被组合地使用,使得两者都必须被满足,但是在其他实施例中,可使用一个或多个标准,而不实施或成功地完成另一个。未满足一个或多个标准可导致不在至少一部分数据上进行后续的和脚步相关的分析,但是,数据可被用于其他和活动相关的确定(例如参见框412d)。但是,如果标准在框412c处被成功地满足,框412e可被实施以进行频率确定和设定频率搜索范围。在其他实施例中,关于框406描述的一个或多个过程可被作为判定412c的一部分进行。
本公开的方面涉及配置为进行频率估计和设置频率搜索范围以定位峰的系统和方法。在一个实施例中,峰定位系统和方法可被在缓存中数据上使用,该缓存诸如分析缓存。但是在其他实施例中,可使用其他数据,单独地或和分析缓冲中的数据组合地。图5提供了流程图500,其示出了用于估计频率的一个示例性过程。本领域技术人员将容易地理解图5仅为多个实施例中的一个,其可被根据各个实施例使用。参照流程图500,可确定或获得用于检测频率的函数的阈值(例如,框502)。
用于确定定位峰的认定标准的一个或多个系统或方法可估计数据点的频率。示例性地,可获得平均值(诸如示例性地,均值)和/或标准偏差(或变差)。这样的数据可用于确定“峰”和“谷”(例如,在数据中的高值和低值),其可被量化。这样的数据可用于确定峰附近的导数和/或动态阈值。在一个实施例中,诸如缓存中的数据的一次或两次加权移动均值的加权均值可被用于任意确定中。在其他的实施例中,还可使用原始传感器数据(例如,加速度计信号),单独地或是和其他属性组合地,诸如数据的导数。
在一个实施例中,1次加权移动均值、2次加权移动均值和原始数据都各自被使用。在其他的实施例中,可仅使用2次加权移动均值。在一个实施例中,计算导数的均值和标准偏差,且可用作阈值水平。在一个实施例中,一个或多个过程可被使用,以获取阈值。示例性地,可使用第一方法以在固定的范围中定位峰。但是在特定的实施例中,可使用第二方法来确定用于定位峰的识别标准。在特定的实施例中,可至少部分地基于电池寿命实施第一、第二或附加的方法。示例性地,第二方法可需要附加的处理功率,且因此,可不在接收到电池寿命低于设定点和/或以在阈值之上的速率降低时被使用。
在框504处,步频可被确定用于特定的缓存。在特定的实施例中,可使用缓存的平均加速度来产生数据的特有的窄搜索方法(例如频率)。该搜索范围可将平均加速度和期望的步行/跑步(或其他活动)频率相关联。示例性地,图6示出了图600,其示出了沿x轴线602的平均加速度(以米每平方米“m/s2”表达)以及以赫兹(Hz)计的沿y轴线604的双脚步频。区域606示出了检测区域,其可由边界线608a-608d限定。一个或多个边界线608可至少部分地基于在框502处计算的阈值。因此,如果加速度产生位于加速度计预测的频率范围之外的频率(例如,位于边界线608a-608d之外),则特定的系统和方法可不将其计为脚步。这可用于确保认为是随机噪音的数据(例如,具有不同频率内容但具有类似的加速度大小的数据)不被计为特定的活动(例如跑步)。在一个实施例中,可逼近平均频率。在一个实施例中,可计算沿一个或多个轴线测量的传感器数据的平均频率。示例性地,从一个或多个加速度计采集的传感器数据可用于确定沿x、y和z轴线的一个或多个平均频率。示例性地,手臂挥动数据可包括沿三个轴线的每一个的组分,且因此被测量。在一个实施例中,可通过查验数据中的峰和/或谷的数量来估计多轴线的平均频率。
如图6所示,边界的使用(诸如边界608a-608d)将会将至少部分信号移除出考量,该至少部分信号不太可能为步行和/或跑步(或选择的其他活动)。示例性地,如下文中关于图9所说明的,0.5-2.4Hz范围中的信号(沿y轴线604定位)可被视作标示步行(例如参照由610标示的样本)。在其他实施例中,在2.4至5Hz的范围中的信号可被视作标示跑步。示例性地,数据点612可标示运动员正在以每英里8分钟的速度跑步,且数据点614可标示运动员正在以每英里5.5分钟的速度跑步。在下文中关于图9说明了该数据用作数据的分类的其他的可能用途,该分类包括“步行”、“跑步”或其他活动数据;示例性地,可基于频率和两部分数据的标准偏差的和确定变化的活动分类。
在一个实施例中,该数据(和/或其他数据)可被查验,以确定在平均值的标准偏差中是否有多个连续的值。在一个实施例中,该分析可在多个样本上进行。此外,在特定的实施例中,手臂挥动数据可用于确定双脚步频(参见轴线604)。示例性地,如果腕戴式装置被构造为测量手臂挥动,这样的数据可被解释为单脚频率。基于此,由元件616标示的单脚频率数据点可对应于数据点610值的一半(关于y轴线604)。因此,在一个实施例中,单脚步频的值可加倍,以获得双脚步频。本领域技术人员将理解图600不需要被产生或显示,而其仅在此处被示出以展示本公开的方面。
判定506可被实施,以确定是否调节预计步频。在一个实施例中,判定506可考虑在此前的缓存中脚步(或脚步的频率)是否被计入。示例性地,判定506可确定在此前的缓存中是否存在成功的FFT定位的脚步。如将在本领域中所理解的,存在一情形,其中数据(例如频率)变化,但是,用户可仍然进行相同的活动,但可以不同的速率或步速。示例性地,如果用户以10mph跑步且减慢到5mph,他/她可能仍在跑步,尽管以较慢的步速。但是,在该情形中,检测到的频率可变动。特定的实施例可使用线性组合来将脚步量化。示例性地,如果在框506处,确定此前的数据表明用户在步行或跑步,则根据一个实施例,下一组数据可在任意的确定中使用该此前的数据,例如以线性组合,诸如经由框508。在一个实施例中,如果存在第一量的缓存时长的区被分类成“跑步”且存在第二量的区被分类成“步行”,则可使用系统和方法来确定用户是否仅调节了他们的步幅或以其他方式改变其速度。在一个实施例中,在缓存中样本的至少一部分可被认定为在特定的种类中,而不论该部分的数据。示例性地,如果样本被针对10个间隔采集,且其中9个被分类成跑步,而仅一个被分类成不信个,则在框架508处整个时长可被认定为跑步。在一个实施例中,间隔可仅在其紧前和/或紧后的数据表示统一的不同的种类时被认定为不同种类。
在特定的实施例中,标示用户未在步行、跑步或进行其他预定的活动将阻止或中止在计步确定中使用数据的线性组合。示例性地,这可在用户已经中止脚步运动时(例如,不再步行或跑步)发生。因此,系统和方法可阻止或中止任意的线性组合过程。在一个实施例中,脚步量化可在缺少线性组合的情况下进行,例如示例性地通过如上所述地识别峰。可将该估计(其可已经经由框508被调节)用于建立在数据中的回弹和/或手臂挥动峰的搜索范围(例如参照框512)。
可实施框412f来识别频率数据中的峰的子组(或多个子组),以用于确定脚步的量化。在一个实施例中,进行FFT,且可在FFT谱中识别峰,诸如通过阈值和/或峰附近的导数。FFT处理可在开始频率估计过程之前、期间或之后进行,该过程诸如关于图5描述的一个或多个过程。在其他实施例中,FFT可使用一个或多个阈值以及从流程图500的一个或多个过程获得的导数。在一个实施例中,可使用数据(例如示例性地,在第一缓存中获得的数据和/或在第一时间框架中获得的数据)中的特定的峰(或多个峰)。这可基于确定不能使用线性组合时进行。在一个实施例中,“回弹峰”、“手臂挥动峰”、和/或其他峰可被识别出。示例性地,许多用户在跑步时将其脚部着地时“回弹”。该回弹可提供数据中的频率峰。其他峰(和/或谷)可存在于传感器数据中。示例性地,许多用户通常在跑步和/或步行期间以可预计的方式挥动其手臂,以提供“手臂挥动峰”。示例性地,手臂通常沿前部/后部轴线挥动(例如,从前至后)。该频率可通常为“回弹峰”的频率的约一半。但是,这些峰可各自例如基于个体、移动类型、地形、和/或以上的组合而独立地变动。
图7A示出了传感器数据的示例性FFT输出的图700,该数据诸如多轴加速度计数据。图700示出了沿x轴线702的以赫兹(Hz)计的频率以及沿y轴线704的FFT幂。线706将频率(沿x轴线702)关于幂(沿y轴线708)作图,其中沿y轴线704的大小或最大高度提供峰的最大FFT幂。峰大小标示频率的相对强度,且可用作标示人是否在进行脚步运动的标识。本领域技术人员将理解图700不需要被产生或显示,而其仅在此处被示出以展示本公开的方面。
如还从图7A可见的,手臂挥动范围708示出在沿x轴线702的约0至2Hz之间,且包括手臂挥动峰710。回弹峰范围示出为在沿x轴线702的约2-4Hz处,且包括回弹峰714。因此,在示出的示例中,回弹峰范围中的回弹峰708的频率总体地为手臂挥动峰的频率的两倍。因此,系统和方法可基于建立的阈值识别峰(和/或谷)。基于此,一个或多个非瞬时性计算机可读介质的计算机可执行指令可被执行,以确定在峰的阈值量是否定位在该范围中(不论是固定的还是动态地确定的)。如果在该范围中没有定位有峰,则缓存可被清空(或否则不将该数据用在计步确定中)。基于此,峰可指向可通过最高数量的发生和/或最高绝对值测量的频率。
特定的实施例可确定峰(例如,手臂挥动峰、回弹峰、和/或任意其他峰)是否满足阈值。在一个实施例中,在受限的搜索范围中的频率幂的阈值可确保该频率并不仅是噪声,且其足够大以被视作活动(示例性地诸如步行或跑步)。在此外的其他实施例中,可使用重叠窗口策略。示例性地,FFT窗口可被以重叠的方式分析,以确保短时长脚步被计入。图7B示出了图700,其基本如图7A所示,但是,其还包括手臂挥动阈值716和回弹阈值718。如所示,在手臂挥动范围708(在0-2Hz之间)中的峰仅在其大小满足FFT幂的阈值时被计入(例如,阈值716为约500,如在y轴线704上所示)。
类似地,在特定的实施例中,在回弹峰范围(2-4Hz)中的峰仅在其大小满足阈值(诸如回弹阈值718,其为约2500,如在y轴线704上所示)时被计入。在特定的实施例中,满足或超出阈值的峰可被计为脚步(参照框412g)。脚步可对于设定的时间渐增,诸如在FFT分析窗口的时长中。特定的实施例可通过重叠的窗口持续渐增。在一个实施例中,脚步可被针对每个样本缓存或分析缓存的特定部分(例如,25%)量化,且如果满足阈值,则脚步可被针对特定的样本缓存或活动缓存的部分计入。但是,如果未满足针对该示例性缓存或部分的阈值,则基于步频确定针对该活动缓存的剩余部分(或特定邻近样本)的脚步。示例性地,如果分析缓存包括4个样本缓存且仅前3个包括脚步,则该分析缓存的3/4的步数可基于此前选择的步频。
其他方面涉及使用哪些峰(如果有的话)。根据一个实施例,系统和方法可选择哪些峰被用于量化脚步,不论定位的峰是否被认定为是有效的或是满足阈值。如上所述,在一些情形中,来自脚部接触的回弹数据可较手臂挥动数据更可靠。等价地,在其他实施例中,手臂挥动数据可提供更准确的结果。在此外的其他情形中,使用两种峰(和/或其他的峰)一起获得数据范围可提供最佳结果。此处公开的实施例涉及可使用在可移动装置上的系统和方法,该装置配置为佩戴在附属物(诸如手臂或腿)上,以采集活动数据以及确定使用哪些峰来量化脚步(以及可能地在此外的实施例中,确定活动类型和/或能量消耗)。基于此,各个峰的组合可被用于确定运动员的特定活动。在特定的实施例中,系统和方法可构造为动态地确定是否使用回弹峰,示例性地例如峰714或手臂挥动峰,诸如峰710。可将该确定大致实时地更新(例如,每0.5秒、每1秒、每2秒、每4秒等),且基于活动数据。
图8示出了示例性流程图,其可被实施以确定是否根据一个实施例利用手臂挥动频率或回弹频率。如图8所示,系统和方法可被实施,以从说明性FFT输出中选择相关频率峰,以确定哪些数据提供最准确的结果(例如,应使用来自加速度计数据的FFT分析的哪个频率)。在特定的实施例中,步频可用在由FFT谱代表的该时间阶段的步数的产生中。
在一个实施例中,“相关”峰可包括手臂挥动峰和回弹峰。框801可被实施,以将在对应的搜索范围中识别的峰的数量量化。因此,位于回弹范围(BR)(例如参见包括在图7A的0-2Hz中的频率的范围708)的频率估计中的回弹峰可被量化,且位于手臂挥动范围(ASR)(例如参见包括在图7A的2-4Hz中的频率的范围712)的频率估计中的手臂挥动峰也可被量化。在特定的实施例中,识别的峰的数量(和/或识别的特定的峰的数量)可被用于确定哪些估计的步频(例如,通过ASR、BR或其他范围中的峰确定的)可被使用。示例性地,判定802可确定是否在BR中至少存在1个峰或在ASR中至少存在一个峰。如果没有,框804可被实施,以记录没有脚步在特定的范围中进行。但是,如果在判定802处存在至少一个BR或至少一个ASR峰,则判定806可被实施以确定是否仅存在1个BR峰(和0个ASR峰)或替换地,仅在1个ASR峰(和0个BR峰)。如果确定仅有一个ASR峰,则框808可被实施以将步频标记在2*ASR频率处。替换地,如果确定仅有一个BR峰,则框810可被实施以将步频标记为对应BR频率。作为第三替换方式,如果存在多于仅1个ASR或多于仅1个BR,而没有另一个,则判定812可被实施。在讨论判定812之前,使得读者注意图8(以及其此处提供的其他流程图)包括若干判定,诸如示例性地,判定802、806、812和814。基于本公开,本领域技术人员将方便地理解,一个或多个判定可被组合成单个判定和/或以不同的顺序布置,诸如将判定804并入在判定802中。因此,以当前顺序使用多个判定仅处于说明的目的。
一个或多个过程可确定是否存在刚好1个BR峰以及1个ASR峰(例如参照判定812)。如果不是,则框824(其在下文中讨论)可被实施。如果是,判定814可被实施,以确定ASR峰是否在BR峰的设定范围中。在一个实施例中,判定814可确定ASR峰是否在1/2*BR峰的+/-15%中。如果如此,框816可被实施,以确定步频为BR峰和2倍ASR频率的均值。
但是,如果ASR峰和BR峰不在确定的范围阈值中,则框818可被实施,以计算距离每个峰的估计频率的距离。一个或多个过程可继而确定是否至少一个峰的大小大于阈值。示例性地,判定820可被实施,以确定是否两个峰的大小大于阈值。如果判定820的阈值(一个或多个)未被满足,则框821可被实施,以选择两个峰中较大的一个的频率和大小。但是,如果峰的大小大于阈值,则步频和峰的大小可从更靠近估计的步频的峰选择(例如,框822)。
参照示出了流程图823的图8B,系统和方法可配置为当在搜索范围中存在多于一个BR峰和多于一个ASR峰时确定步频。在一个实施例中,框824可当在数据中存在多于一个BR峰和1个ASR峰时被用于确定步频。当在图8A的判定812处确定不存在刚好1个BR峰和1个ASR峰时,可实施框824,但是在其他实施例中,框824独立于判定812和/或图8A。框824可确定靠近估计的频率的峰,该估计的频率诸如由频率估计器估计的频率(例如参见框412e和流程图500)。在一个实施例中,确定最靠近估计的频率的BR峰和ASR峰。判定826可被实施以确定在BR峰的设定范围内是否存在至少一个识别出的ASR峰,和/或在ASR峰的设定范围内是否存在至少一个识别出的BR峰。在一个实施例中,判定826可确定ASR峰是否在1/2*BR峰的+/-15%中,或是否BR峰在1/2*ASR峰的+/-15%中。
如果确定在判定826处阈值范围设定未被满足,则框828可被启动,以缺省地至具有单个峰的搜索范围,且定位多峰区域中的最大的峰。替换地,如果在判定826中阐述的标准被满足,则框830可被实施。在一个实施例中,如果在单个峰范围的判定826中阐明的设定范围(例如,15%)中存在多个峰,则框830可被实施,以选择最大的峰的频率和峰大小。判定832可被实施以确定识别的峰哪个更大。示例性地,判定832可确定BR峰是否大于ASR峰(或反过来)。判定832可仅确定BR峰和ASR峰哪个更高。在一个实施例中,两个峰中较大的一个可被选为步频(例如,参见框834和836)。
本公开的此外的方面涉及基于传感器数据将用户的竞技或物理移动分类。此处公开的实施例涉及可用在可移动装置上的系统和方法,该装置可构造为佩戴在附属物上(诸如手臂或腿),以采集活动数据和使用采集的活动数据确定用户正在参与哪项活动。图9是示出了说明性示例的流程图9,其根据一个实施例将活动分类且可选地确定速度。为了简明,在流程图900中提供的活动分类为“跑步”、“步行”以及“其他”,但是,本领域技术人员将理解,基于本公开,可实施其他分类。
参照流程图900,活动可基于传感器数据的前期分析初始地分类成步行或跑步(例如参照框902)。这可发生在采集传感器数据和/或进行FFT分析的同一装置上。在一个实施例中,该装置构造为佩戴在附属物上,例如用户的腕部。在一个实施例中,分类(例如,跑步或步行)可基于数据的通常内容。例如,可将FFT选择的步频和时间阶段信息用于初始地将活动分类。活动分类确定可基本实时地更新,诸如在完成脚步量化后立刻。
如关于图6和7所讨论的,满足阈值的数据可用于确定被量化的脚步是跑步或步行(或其他活动)。在特定的实施例中,“信号”的签名可被用于确定用户是在步行或是在跑步(或或者,进行其他活动)。具有特定范围的步频的信号可标示步行,而其他的可标示跑步。大小数据还可在特定的实施例中被用于确定活动分类。变化邻近数据的种类可基于变化“签名”。
在一个实施例中,分析缓存可在框902处被初始地分类成特定的活动。但是,在其他的实施例中,可使用独立的缓存,其具有和样本和/或分析缓存不同的时长。尽管,分类缓存可具有和第一缓存不同的时长,并不需要这些(或其他)缓存为分立的缓存;而是,第二缓存可为若干第一缓存的集合或是其他缓存的逻辑延伸。基于此,采集的数据可存储在单个位置中,但用于(甚至同时地)两个不同的缓存、过程、和/或分析。
此外,可使用周围的数据来将数据的特定区分类。示例性地,如果前一区数据(例如,至少两个数据值)标示用户正在跑步或步行,则下一组数据可在任意确定中使用此前的数据,例如以线性的组合。在一个实施例中,如果存在第一量的缓存时长的区被分类成“跑步”且存在第二量的区被分类成“步行”,则可使用系统和方法来确定用户是否仅调节了他们的步幅或以其他方式改变其速度。在一个实施例中,在缓存中样本的至少一部分可被认定为在特定的种类中,而不论该部分的数据。示例性地,如果样本被针对10个间隔采集,且其中9个被分类成跑步,而仅一个被分类成不信个,则整个时长可被认定为跑步。在一个实施例中,间隔可仅在其紧前和/或紧后的数据表示统一的不同的种类时被认定为不同种类。
根据一个实施例,如果活动被初始地分类成跑步(例如,在判定904处),则可计算步行活动的速度(参见例如框906)。可基于用户的步频和/或特征计算速度。示例性地,在一个实施例中,可基于用户的升高和步频的线性组合计算速度。本领域技术人员将理解,可使用其他特征,包括但不限于,性别、体重、和/或其他特征。
如果初始的分类是跑步,则在一个实施例中,可使用分析缓存中的每一个数据组的标准偏差(或变差)来计算活动分类(以及可选的,速度)的最终确认。在一个实施例中,可基于用户的步频、标准偏差和/或特征来确定速度。在一个实施例中,可基于用户的身高和特定的缓存(例如,分析缓存)中的数据组的标准偏差的线性组合来计算速度。可进行活动分类的最终确定。在一个实施例中,可使用分析缓存中的值的组或值的标准偏差(或变差)。示例性地,在一个实施例中,可查验多个连续的值(或值的组),以确定是否满足连续值的阈值水平(例如参见判定910)。在一个实施例中,值可被用于确定对于一共4个连续的值,是否满足存在一定量的(例如3个)值在平均值的一个标准偏差中。
判定910可独立于框908中确定速度的结果而进行。在一个实施例中,判定910可在框908的过程至少部分中进行,但是在其他实施例中,判定910可在框908已经开始之后进行。
在一个实施例中,判定910处的负认定可将在框902处初始地提供给数据的“跑步”分类移除或否定。但是,其他实施例可使用数据,而不论该数据被认定为标示跑步或步行(或其他活动分类)。在一个实施例中,可在用于确定能量消耗的系统和方法中使用数据。用于确定能量消耗的系统和方法可使用该(和其他数据)来将给感知的数据分类成活动。这样的示例在该公开中稍后说明。
返回至判定910,如果满足阈值(或如果阈值的要求确实),则框914可被实施,以将活动置入分类缓存中。分类缓存可填充有来自框908和910的步行数据(其速度可被确定,自框906)以及跑步数据。在特定的实施例中,活动(例如步行或跑步)、活动时长、以及计算出的速度被布置在分类缓存中。在一个实施例中,活动缓存可为约12.8秒时长。但是其他的时长也在本公开的范围中。如上所述,任意缓存(诸如分类缓存)可具有和其他缓存(诸如分析或样本缓存)不同的时长,并不需要这些(或其他)缓存为分立的缓存;而是,第二缓存可为若干第一缓存的集合或是其他缓存的逻辑延伸。基于此,采集的数据可存储在单个位置中,但用于(甚至同时地)两个不同的缓存、过程、和/或分析。
判定916可被实施以确定框914的分类缓存是否已满。在一个实施例中,确定可基于活动数据的时长或和其相关,诸如在一个实施例中为12.8秒。当包括一定量的样本时,可认定分析缓存为满的。在一个实施例中,分析缓存可包括12个样本。
如上所述,流程图900提供了多个实施例中的一个,其可被根据本公开执行。示例性地,系统100可处理从上述的一个或多个传感器接受的数据,以尝试将用户的活动分类。示例性地,系统100可将传感器信号和对应于旋转的活动的一个或多个信号或活动“模板”或“签名”进行比较。在特定的实施例中,可通过将传感器附连至用户且当用户进行各种活动时监测产生的信号而创建模板。根据特定的实施例,活动可和专用于用户124的活动模板相关联。在一个这样的实施例中,用户124可分配有针对特定活动的缺省模板,除非已经有分配给该活动的特定模板。由此,用户124可创建或接收(但不必须创建或接收)一活动模板,其较缺省的模板更准确,这是因为该模板针对用户和/或活动更特定。用户124可具有针对一项或多项预先限定或未预先限定的活动创建模板的选项。特定的或其他的新模板可在用户社区中共享。共享的模板可基于多个不同的传感器。在一些实施例中,可针对和不同的传感器的使用微调或调节模板。示例性地,可将针对和基于鞋的传感器的使用而创建的模板微调以用于腕佩戴传感器。
可根据从多个不同的传感器中的一个或多个获取的数据创建活动模板。示例性地,第一组传感器(例如,传感器126和138)可使用在第一活动模板的形成或微调中;但是,第二组传感器(例如,传感器128和140)可使用在第二活动模板的形成或微调中。在此外的其他实施例中,第三组传感器(诸如传感器128和140(和/或其他传感器))可在针对第一用户124的同一活动模板的形成之外用于第二用户(例如,非用户124)的第一活动模板的形成中。因此,根据特定的实施例,不要求来自特定传感器的数据被接收用于:1)针对不同用户的相同活动模板;和/或2)针对同一用户的不同活动模板。
在一个实施例中,腕佩戴式加速器(其可为多轴加速度计)可附接至用户,且可创建基于用户跑步、步行等时的加速度计输出的信号模板。模板可为使用的(一个或多个)传感器和/或(一个或多个)传感器的位置的函数。在一些实施例中,通过组合多个信号(或值)产生单个信号(或值)。示例性地,可将三轴加速度计的三个输出求和或以其他方式组合,以产生一个或多个信号。示例性步骤902可包括将信号、多个信号或信号的组合和一个或多个模板比较。在一些实施例中,可实施最佳匹配方式,其中每个活动都被尝试分类。在其他实施例中,如果信号、多个信号或信号的组合不充分地匹配模板,活动可保持未分类。
图10示出了用于估计能量消耗的又一实施例的流程图1000。在一个实施例中,可获取来自一个或多个传感器的移动数据。(例如参照框1002)。在特定的实施例中,可获得来自被构造为附连至人附属物的仅单个装置的传感器数据。在一个实施例中,可单独地使用来自单个加速度计(单轴或多轴)的传感器数据。在一个实施例中,原始传感器数据可被使用。在一个实施例中,原始加速度数据可被获得。该传感器数据可被处理,以移除重力影响。在一个实施例中,可计算传感器数据(原始的或经处理的)的欧几里得范数。该数据可包括加速度计数据。可以25Hz获取加速度计数据。在特定的实施例中,获得包括25个样本的样本缓存。在一个实施例中,每个样本代表约0.5秒的活动数据。
框1004可被实施,以将数据分类成活动(或尝试分类数据成活动)。这可在缓存(诸如样本缓存)是满的时候发生。示例性地,在25个样本的缓存中获取25个样本。活动的分类可包括此处描述的一个或多个分类系统和方法,包括参照图9描述的一个或多个方面。在一个实施例中,可实施傅里叶变换布算法,诸如此前在本公开中描述的。当然,该数据可已被分类或可基于导数数据的此前的分类而方便地分类。因此,在一个实施例中,对应的活动分类可对于至少一部分数据是已知的。在特定的实施例中,活动可被分类成诸如步行、慢跑、跑步(或未分类)。在其他实施例中,活动可被分类成步行或跑步(或未分类)。
可确定能量消耗值用于分类的活动(例如参照框1006)。能量消耗值的确定可使用一个或多个数据点,其包括用户的个人信息,诸如示例性地,年龄、体重、性别、身高、和以上的组合。但是在其他实施例中,可能不使用一些或全部任意已知的个人信息。在一个实施例中,用户信息可存储在非瞬时性计算机可读介质上,其位于包括传感器的装置上,该传感器感知在分析中使用的活动数据。在一个实施例中,用户信息完全从构造为佩戴在人附属物上的装置获取,该装置包括至少一个传感器。在一个实施例中,该装置包括在确定中使用的全部传感器和用户信息。
但是,在此外的其他实施例中,系统和方法可基于该数据是否从第一传感器(或第一类型的传感器)获得而不需要至少一种类型的个人信息来计算能量消耗值。在其他实施例中,如果数据从第二传感器(或第二类型的传感器)获得,则可使用至少一种类型的个人信息。传感器或装置可从独有的标识确定,诸如示例性地,其可谓串号、MAC地址等。但是在其他实施例中,可从非独有的标识确定传感器或装置,诸如示例性地,来自具有传感器的装置的型号。在其他的实施例中,可获得或获取缺省值。在特定的实施例中,由于装置间的不同,缺省值可被故意地折扣。
系统和方法可被实施,以分配能量消耗值给未分类数据(例如参照框1008)。在一个实施例中,可基于数据计算欧几里得均值。例如,可计算欧几里得范数的平均加速度。在一个实施例中,如果活动数据的整个(或几乎整个)时长反映出活动是一贯的,例如示例性地,时长中的1秒间隔标示用户在步行或进行一贯的活动,则第一缺省过程可被使用以确定活动。可使用来自一个或多个传感器的数据。在一个这样的实施例中,来自若干加速度计(和/或多轴加速度计)的数据可被规格化,以产生值。值(其可被规格化)可被置入缓存中。在一个实施例中,可使用样本缓存。样本缓存可为1秒缓存。在特定的实施例中,可使用可变的采样速率。在一个这样的实施例中,25个样本可在1秒中获得。在此外的其他实施例中,可使用其他速率,例如包括固定速率。在一个实施例中,来自若干加速度计(和/或多轴加速度计)、以一间隔(例如1秒)捕获的数据可被加和,且可计算加速度计的绝对值的平均值。可基于加速度计数分配缺省能量消耗值。诸如代谢等价值(MET值)的等价值可从缓存内的数据确定。在一个实施例中,可将矩形双曲线过程用于确定等价值。
在特定的实施例中,能量消耗值的确定可使用一个或多个数据点,其包括用户的个人信息,诸如示例性地,年龄、体重、性别、身高、闲置代谢率(RMR)和以上的组合。但是在其他实施例中,可能不使用一些或全部任意已知的个人信息。在一个实施例中,用户信息可存储在非瞬时性计算机可读介质上,其位于包括传感器的装置上,该传感器感知在分析中使用的活动数据。在一个实施例中,用户信息完全从构造为佩戴在人附属物上的装置获取,该装置包括至少一个传感器。在一个实施例中,该装置包括在确定中使用的全部传感器和用户信息。可基于用户的RMR和MET值确定针对数据的每1秒间隔的能量消耗值。
在特定的实施例中,分类和/或未分类的能量消耗值的能量消耗可被累积(例如参见框1010)。分类和未分类活动的能量消耗值可被累积,且在一个实施例中,可使用这个和/或其他信息确定卡路里消耗。根据一个实施例,分类活动的能量消耗值可布置在缓存中,其在一个实施例中可为具有较活动缓存或其他缓存的要大的时间框架。(例如参照子框1010a)。这在特定的实施例中可确保诸如来自12.8活动缓存的信息(参见框910)不被重复计入。可通过将此前的12.8秒减去且从分类活动加入能量消耗(例如卡路里消耗)而调节子框1010b。本领域技术人员将理解13秒和12.8秒仅为示例。在特定的实施例中,缓存可为先入先出(FIFO)缓存。用于分类和未分类活动两者的总能量消耗点数可继而被加和,用于相应的时间阶段,且一个或多个缓存(诸如样本、能量消耗、和/或活动缓存(一个或多个))可被重置。
图11示出了活动和能量消耗确定的示例性相关性的视图。在一个实施例中,视图示出了未分类的加速度测量(诸如图10示出的流程图的部分)的示例性相关性,其和能量消耗值相关联。但是在其他实施例中,至少一部分分类的数据可通过该或类似的过程相关联。图11的上部部分包括图1100,其将测量的加速度(参见y轴线1102)关于时间(参见x轴线1104)作图。在一个实施例中,加速度可被作为事件爱你上的多轴线(例如,x、y和z轴线)的欧几里得范数分析。数据组1106示出了数据的集合(即在x轴线1104上的0.3至约0.4之间),其中当和图1100上的其他值比较时加速度值一贯地升高,该其他值诸如对应于x轴线1104上的约0.9处的数据组1108的加速度值。特别地,数据组1108的加速度值约为零(0)。如在图1110中可见,位于图11的下部中,累积能量消耗(如沿y轴线(1112)以卡路里为单位测得的)沿相同时间刻度(参见刻度1114,其在x轴线1104的相同刻度附近)。如还在图1110中可见的,对应的能量消耗和图1110中阐明的加速度值相关联。因此,在位置1116处(其对应于数据组1106)附近的对应的累积较在位置1118处(其对应于数据组1108)附近的对应的能量消耗的累积要高得多。事实上,位置1118示出了没有或很少的能量累积值的增加。
III能量消耗点数计算
在一些实施例中,在活动和活动因子之间不存在一一对应。活动因子的选择可基于若干不同的变量,诸如确定的活动、进行的脚步、心率、和锻炼强度。实际确定的活动可对应于一组活动因子,且其他变量可用于进行活动因子的最终选择。在此外的其他实施例中,在活动和活动因子之间存在一一对应。在这些实施例的一些中,诸如进行的脚步、心率和锻炼强度的其他变量可被用于调节或补偿活动因子。自然,在一些实施例中存在在活动和活动因子之间的一一对应,且没有对活动因子进行调节或补偿。
图12示出了根据本发明的实施例的计算能量消耗值(诸如点数)的方法。至少一项用户124的活动被分类(例如,参见框1204,其可例如用于此处公开的一个或多个分类系统和方法),框1204可被实施以确定对应的活动参数。活动因子或对应于快步走、以低速跑步、慢速步行或任意其他活动。针对活动的活动因子可和进行该活动需要的卡路里或能量相关联。如果活动未在步骤1202中分类,可选择或推导出缺省活动因子。在一些实施例中,可使用多个缺省活动因子。可评估活动的强度、时长或其他特质(一个或多个),基于其可应用一个或多个缺省活动因子。可经由中位数/均值、范围、或其他统计学方式设置多个活动因子。
在本发明的不同实施例中,使用活动因子来计算能量消耗点数。在至少一个用户124的活动被分类之后,在步骤310中,可计算能量消耗点数。能量消耗点数的使用允许比较活动水平且可促进用户之间的协作、使得具有不同能力的用户之间的竞赛标准化、以及以其他方式鼓励活动。在一个实施例中,如下计算能量消耗点数:
EEPs=AF*时长 (公式1)
其中
EEPs=能量消耗点数
AF=在步骤1204中确定的活动因子
时长=在步骤1202中分类的活动的时长
步骤1206可在包括监测活动的传感器的一装置上进行和/或可在包括处理器的另一装置上进行,其诸如移动电话(例如参见138)或服务器(例如参见134)。在此外的其他实施例中,框1206可被在一装置上执行,该装置配置为佩戴在人附属物(例如,腕、手臂、颈部、脚踝、腿等)上。该装置可为包括用于采集活动数据的传感器的同一装置。在一个实施例中,该同一装置包括采集全部传感器数据和/或以其他方式本地地包含用于计算活动数据的全部信息。
在一些实施例中,公式1可被修改,以包括由活动因子和时长相乘得到的标量。可选择该标量,以使得典型能量消耗点数落在希望的范围中。该点数范围可能是针对不同的比赛或竞赛或希望的。
公式1的变体可使用在本发明的其他实施例中。在一些实施例中,用户可选择公式和/或一个或多个变量,例如标量。可针对不同的比赛或竞赛选择公式。在一个示例中,一个组可基于体能在选手中设置差点,使得最健康的仅在其进行常见活动或一组活动以更长的时间段(一段或多段)时产生EEPs。参与能量消耗点数竞赛的一组用户可在开始该竞赛之前同意特定的公式或方法。在本发明的一些实施例中,用户可参与多个竞赛,且由于不同的计算方法而针对同一活动赚取不同的点数。示例性地,用户可参与具有特定计算方法的两个竞赛。用户可针对两个不同的比赛赚取两个不同的点数总值,以及针对其总体能量消耗赚取第三点数总值。一些点数总值可从总体点数总值保持独立。
在计算出能量消耗点数之后,计算出的点数可在步骤1208中被组合(例如被添加至)至总值。该总值可允许用户124(和/或用户124批准的选定的个人或组)来观察在各个时间阶段上赚取了多少点数,例如逐日、逐周和逐月。也可针对多个时间阶段计算总值。示例性地,用户可接受针对多个阶段的总值,这些阶段包括24小时、一周、一月和一年。在一些实施例中,用户可选择其他时间阶段或取消选择时间阶段。用户可同步追踪多个时间阶段,且自装置使用或程序启动开始追踪点数奖励。针对任意给定的时间阶段的总值可呈现针对若干活动赚取的活动点数。示例性地,在一天中,用户可接收针对不同时间阶段中的步行、慢跑、和冲刺跑的点数。如上所述,针对每项活动赚取的点数可为对应的活动因子的函数。
当用户124已经不活跃以预定的时间阶段时减去能量消耗点数,或当满足特定的规则时增强其。该特征可包括在全部计算中,或可在不同的比赛或竞赛中使用。示例性地,在步骤1214中,可确定是否已经满足调节标准。该调节标准可包括不活跃以约定的时间阶段。在一些实施例中,不仅通过确定从用户曾活跃其经过的时间的量来确定不活跃。
当已经满足调节标准时,可在步骤1210中调节能量消耗点数总值。该调节可为不活跃阶段的函数。在一些实施例中,装置可警告用户124(或经授权的组/个人)其已接近受到能量消耗点数的减少,以鼓励活动。在此外的其他实施例中,警报可告知用户124(和/或其他经授权的个人和/或组)其已经受到能量消耗点数的减少。在特定的实施例中,队友和/或竞赛用户可被告知减少(或减少的可能)。在其他实施例中,教师、训练师、和/或家长可更容易地监测他人的物理活动。当用户已经不活跃时,该过程可在步骤1214结束。当然,图12中示出的方法可以不同的时间间隔重复,且允许同时追踪用于不同的时间阶段的点数,诸如逐日、逐周和逐年。
在另一方面中,诸如装置226的装置10可基于不活跃或非活跃周期提供信息。如果装置10感知用户已经在非活跃(例如,低活跃度)状态以预定量的时间,警告信息可传输至标识系统或显示器以提醒用户变得更活跃。警告信息可以此处所述的任意方式传输。低活跃度状态的阈值和不活跃时间也可变动并由用户单独地设置。
在一些布置中,可能检测到用户非活跃或不活跃,并影响用户朝向活动目标的完成的进度。例如,当用户未在特定的时间量上表现出特定水平的移动或移动的种类,用户未表现出至少阈值水平的心率,用户未在一段时间量上移动足够量的距离等和/或以上的组合时检测到不活跃。对于其中用户累积活动点数以达到活动点数目标的布置,当检测到非活跃度(例如不活跃或不活动状态)的量时,点数或值可从用户的活动点数或其他活动指标总量推导出。可使用各种转换率以将非活跃换转成活动点数扣除。在特别的示例中,10分钟不活跃可对应于5分的扣除。在另一示例中,30分钟不活跃可对应于100分的扣除。活动点数的损失或扣除可为线性的或非线性的,例如,为指数的、抛物线的等。
用户的非活跃时间可包括非活跃时间和静止时间。非活跃和静止时间可由不同的移动、心率、脚步或其他阈值限定,或可使用相同的阈值限定。在一个示例中,静止时间可具有比非活跃阈值更高的阈值(例如,需要更高水平的活动)。即,个体可被视作静止的,而不是不活跃的。非活跃阈值可对应于静止阈值或更高的阈值,如果需要的话。替换地,不活跃阈值可较静止阈值更大。可存在多个静止阈值、不活跃和/或非活跃阈值(例如,静止阈值和不活跃阈值中的一个可为非活跃阈值)。也可在多个阈值或几乎没有活动的水平(例如,不活跃)之间限定不同的点数扣除或点数扣除的速率。例如,用户可由于不活跃而每小时损失50点,并由于静止活动而每小时损失30点,或与此相反。此外,活动点数扣除可取决于用户是否是不活跃的或不活动的而在不同的时刻处触发。例如,用户可在30分钟不活跃或45分钟静止之后开始损失活动点数.还可限定附加的阈值(例如,多于2个阈值)以及相应的活动点数损失速率。
在一些布置中,可将各种传感器用来检测非活跃时间周期。如所述,不活跃时间阶段可基于心率、移动信号的幅度、步速(例如小于每分钟10步)等来限定。替换地或附加地,可基于物理位置、体部位置、体部取向、体部姿态或由个人进行的活动的类型而测量不活跃和静止时间阶段。各个物理地部活跃或静止体部位置或取向的有害的影响也可不同。因此,30分钟斜靠可能造成和45分钟坐立相同的健康危险。健康危险的可能性也可为时间相关的。因此,特定范围的长度和在特定的时间范围中的不活跃(例如,睡眠)可能不引入健康危险。在一个示例中,在9PM和9AM之间睡7-9个小时可能不引入致命的健康危险,且由此,不对活动点数或其他活动指标值扣除有所贡献。实际上,在一些示例中,特定范围的长度和/或在特定范围的时间的不活跃(诸如睡眠)的缺失可能被视作对用户的健康是有害的。因此,可在这些时间中以较慢的速率扣除或累积活动点数。
替换地或附加地,可基于一日中的时间、用户的地址、用户的物理位置、非活跃水平等确定活跃指标的值(例如活动点数)降低的量。例如,用户可在下午较在晚间损失更大的活动指标值和/或以更快的速率损失活动指标值。在另一示例中,如果用户在健身房,其可较用户在家损失更少的活动点数或其他活动指标和/或以更少的速率损失活动电枢或其他活动指标。
为了计入非活跃类型的变化(例如在活动被视作活跃的必需水平之下),系统可区分物理体部位置或取向,包括例如睡眠、斜靠、坐立和站立。区别不同的物理体部位置和取向可包括将传感器布置在用户体部的不同位置,以检测每个身体部分各自的位置。用户的物理体部位置可继而基于体部部分相对于彼此的相对位置被确定。例如,当膝部位置传感器处于腰部或胸部传感器的第一阈值距离中时,系统可确定用户正在坐立。如果膝部位置传感器位于第一阈值距离之外,系统可确定用户正在站立。在上述示例中,系统可使用诸如垂直距离的距离的一部分。通过单独或与绝对距离(例如,2个传感器之间的直线距离)组合地使用垂直距离,系统还可区别用户何时躺下以及站起。例如,躺下位置可对应于膝部传感器和胸部或腰部传感器之间的非常低的垂直距离,即使绝对距离可能更大。站立位置可对应于膝部传感器和腰部或胸部传感器之间的更大的垂直距离,但展现出类似的绝对距离。在其他示例中,由各个传感器形成的角度可用于确定个体的位置。附加地或替换地,用户的各个体部部分的位置可结合加速度计或移动数据评价,以确定用户是否正在移动或进行特定水平的移动(例如,位于该水平处、位于其上、位于其下)。
在活动点数扣除之外,系统可向用户警告不活跃,以鼓励活跃的生活方式。在一个示例中,系统可在特定量的不活跃(诸如2分钟、5分钟、30分钟、1小时等)后通过在诸如此处描述的可穿戴装置的装置上显示信息或标识而警示用户。不活跃时间的量可在不连续的时间周期上可加和。连续的不活跃时间的量可替换地或附加地被追踪。例如,如果用户在10:15和11:00AM之间不活跃,然后再次在2:00和2:30PM之间不活跃,不活跃时间的总量可为1小时15分钟。不活跃的消息或标示可在扣除活动点数之前作为警示提出。例如,消息可标示如果用户不在约定量的时间(例如,30分钟、5分钟、10秒、30秒、1小时、2小时等)内表现出足够水平的活动,则将扣除X量的活动点数。因此,装置可包括不活跃计时器,以确定用户不活跃的量。附加地,信息可提供用户应进行以抵消由不活跃引起的任意风险的活动类型的建议。例如,系统可建议用户以每英里10分钟的速度步行1小时。当用户已经抵消或解决检测到的不活跃时间量的风险或负面影响时,可提供祝贺消息或其他标识。
如果用户在退出不活动或不活跃模式的特定的时间量中返回至不活动或不活跃模式,则可提供警告、点数扣除和/或其他的告示。例如,用户可锻炼或进行足够水平的活动以10分钟的阶段,以退出静止或不活跃模式。但是,系统或装置可能需要至少30分钟的活动来避免诸如1小时、2小时、3小时等的时间周期的此外的警告。例如,警告可包括用户为在充分量的时间上、或以充分的活跃水平、或以上的组合进行活动。附加地,短的时间量中的多个静止阶段(例如,时间的阈值量)可能需要更高或附加水平的活动来抵消包括健康危险等在内的可能的静止影响。在特定的示例中,用户可能需要进行高水平的活动以中断点数扣除。
装置或其他系统还可告知用户在负面健康影响可能发生之前允许的不活跃时间的量。在一个示例中,装置或系统可包括倒计时,标示在可能的健康风险可能开始生效之前允许的不活跃时间的剩余量。可基于进行的活动的量赚取或累积允许的不活跃时间的量。因此,装置还可提供建议或推荐,关于为了赚取特定量的不活跃时间(例如,看1小时电视)而可进行的活动的类型和/或长度。不同类型的不活跃或静止活动可能需要不同类型或量的活动。例如,1小时倚靠可能相较于1小时坐立需要更艰苦或更长的锻炼。在另一示例中,编织时坐立1小时可能较看电视时坐立1小时需要较不艰巨或较少量的锻炼或活动。根据一个或多个布置,可基于实验数据和/或预定的编程以及数据表格产生推荐,所述表格说明活动的类型和/或长度以及允许的不活跃的对应的量。
装置或活动追踪系统还可基于历史记录推荐活动。例如,装置或追踪系统可确定用户在过去进行的活动,并基于这些活动的类型产生推荐。附加地或替换地,装置或追踪系统可产生用于由用户在过去进行的具体的锻炼的推荐。例如,用户可能需要进行消耗500卡路里的活动来抵消2小时的电视观看。在这样的情形中,系统可推荐由用户在过去进行的特定的锻炼,其中用户消耗了500卡路里。可将历史活动类型和特定的历史锻炼的组合用于产生推荐。在一个示例中,系统可基于用户表现为偏好的锻炼的类型而推荐用户在过去进行的两种锻炼中的一种。该偏好可基于用户进行的每种种类的锻炼的此处而确定。也可基于位置和时间推荐锻炼或活动类型。例如,如果用户此前在同一位置和/或相同的时间进行了特定活动种类或特定的锻炼路径,则系统可推荐该活动种类或锻炼路径。也可使用其他的推荐算法和因素。
系统100可被配置为传输能量消耗点数至社交网络站点。可基于用户针对希望的时间间隔的他们的总点数将其排名(例如,按天、周、月、年等排名)。
结论
提供具有此处描述的一个或多个特征的活动环境向用户提供一种体验,其将鼓励和激励用户参与运动活动并改进他或她的体能。用户可通过社交网络进一步通信并挑战彼此,以参与点数挑战。
已经结合其示例性实施例对实施例的方面进行了描述。本领域普通技术人员通过查看本公开可预见所述的权利要求的范围和精神内的多个其他实施例、改动和变动。示例性地,本领域技术人员将将理解示例性视图中示出的步骤可以区别于所述顺序的顺序进行,且根据本发明的实施例的方面一个或多个示出的步骤可为可选的。
Claims (20)
1.一种整体式装置,包括:
配置为佩戴在用户的附属物上的整体式壳体,其包括:
处理器;
传感器,配置为捕捉用户的移动数据;
非瞬时计算机可读介质,其包括计算机可执行指令,当该指令由处理器执行时实施至少以下:
在佩戴在用户的附属物上时通过传感器捕捉用户的移动数据;
将移动数据加入一个或多个缓存;
在所述移动数据中检测手臂挥动峰和回弹峰;
确定是否利用所述移动数据中的手臂挥动峰或回弹峰量化脚步;和
基于数据中利用的手臂挥动峰或回弹峰的至少一项来计算用户在一时间阶段中的步频;
基于在该时间阶段中计算的步频将所述移动数据分类为跑步或步行,和
计算用户的速度,其中如果移动数据被分类为步行,则速度被计算为步频和用户的高度的线性组合,并且其中如果运动数据被分类为跑步,则速度被计算为用户的高度和一个或多个缓存中的数据的标准偏差的线性组合。
2.如权利要求1所述的整体式装置,其中所述整体式装置的非瞬时计算机可读介质还包括指令,该指令在被处理器执行至少进行:
从该整体式装置上的计算机可读介质接收对应于经分类的数据的代谢等价值,其中该代谢等价值被用于计算能量消耗值。
3.如权利要求2所述的整体式装置,其中所述整体式装置的非瞬时计算机可读介质还包括在被处理器执行时进行一方法的指令,所述方法至少包括:
确定所述移动数据中的至少一部分不能被分类成跑步或步行中的任一种,且响应地,进行将代谢等价值分配给该未分类的数据的能量消耗确定。
4.如权利要求3所述的整体式装置,其中所述能量消耗数据的计算包括将经分类的活动的能量消耗值和未分类活动的能量消耗值组合。
5.如权利要求1所述的整体式装置,其中,所述时间阶段是第一时间阶段,并且该整体式装置还包括配置为在被用户佩戴时由用户可观察的显示器,且所述整体式装置的非瞬时计算机可读介质还包括指令,其由处理器执行时至少执行下列项:
将第一时间阶段的能量消耗值和第二时间阶段的能量消耗值组合,以确定累积的能量消耗值;和
将该累积的能量消耗值显示在该整体式装置的显示器上。
6.如权利要求1所述的整体式装置,其中所述传感器包括加速度计,且所述整体式装置的非瞬时计算机可读介质还包括指令,其由处理器执行时至少执行下列项:
针对一时间框架从加速度计确定加速度计大小矢量;
针对该时间框架从该大小矢量计算平均值;和
针对该时间框架确定该大小矢量是否满足加速度阈值和是否被用于将至少针对第一时间框架的脚步量化。
7.如权利要求6所述的整体式装置,所述整体式装置的非瞬时计算机可读介质还包括指令,该指令在被处理器执行时至少进行:
确定针对该时间框架的大小矢量未满足加速度阈值,且因此未被用于将至少针对第一时间框架的脚步量化;和
在能量消耗值的计算中使用不满足所述加速度阈值的数据。
8.如权利要求7所述的整体式装置,其中所述整体式装置的非瞬时计算机可读介质还包括指令,该指令在被处理器执行时至少进行:
确定至少一部分数据满足加速度阈值,且响应地,将加速度数据置于分析缓存中;
计算该分析缓存的平均加速度值,以创建与预期活动相关的加速度频率的搜索范围;
在所述搜索范围中分析该加速度数据的频率,以识别至少一个回弹峰和一个手臂挥动峰;和
确定是否使用所述回弹峰和手臂挥动峰中的至少一个来将脚步量化。
9.如权利要求8所述的整体式装置,其中所述搜索范围包括手臂挥动范围和回弹范围,且其中在所述加速度数据中分析频率包括:
如果第一频率峰在手臂挥动峰范围中且满足手臂挥动峰阈值,则识别第一频率峰为手臂挥动峰;和
如果第二频率峰在回弹范围中且满足回弹峰阈值,则识别第二频率峰为回弹峰。
10.如权利要求9所述的整体式装置,其中确定是否使用所述回弹峰或手臂挥动峰量化脚步包括:
将手臂挥动峰和回弹峰的次数量化;和
在计算中使用所述手臂挥动峰和回弹峰量化来选择步频和步幅。
11.如权利要求10所述的整体式装置,其中所述整体式装置的非瞬时计算机可读介质还包括指令,该指令在被处理器执行时至少进行:
基于选择的频率和步幅,量化在对应的时间框架中由用户进行的脚步的数量;和
基于所述进行的脚步的数量,将所述用户的移动分类成针对对应的时间框架的活动。
12.如权利要求11所述的整体式装置,其中,所述时间阶段是第一时间阶段,并且所述整体式装置的非瞬时计算机可读介质还包括指令,该指令在被处理器执行时至少进行:
基于经分类的活动,分配能量消耗值给该第一时间阶段;
将第一时间阶段的能量消耗值和第二时间阶段的能量消耗值组合,以计算累积的能量消耗值;和
将该累积的能量消耗值显示在该整体式装置的显示器上。
13.如权利要求12所述的整体式装置,其中来自第二时间阶段的能量消耗值包括未被分类成活动的数据。
14.如权利要求12所述的整体式装置,其中所述整体式装置的非瞬时计算机可读介质还包括指令,该指令在被处理器执行时至少进行:
从定位在用户输入装置上的用户输入装置接收用户输入,且响应地,在所述显示器上显示能量消耗值。
15.一种非瞬时计算机可读介质,其包括计算机可执行指令,当该指令由处理器执行时至少进行:
利用佩戴在用户的附属物上的传感器捕捉用户的移动数据;
将用户进行的脚步量化,包括:
在所述移动数据中检测手臂挥动事件和回弹事件;
确定是否利用所述移动数据中的手臂挥动事件或回弹事件将所述脚步量化;和
仅使用从佩戴在用户的附属物上的传感器采集的移动数据,基于数据中利用的手臂挥动事件或回弹事件的至少一项计算用户在一时间阶段中的步频;
基于在该时间阶段中计算的步频将所述移动数据分类为跑步或步行,和
计算用户的速度,其中如果移动数据被分类为步行,则速度被计算为步频和用户的高度的线性组合,并且其中如果运动数据被分类为跑步,则速度被计算为用户的高度和移动数据的至少一部分的标准偏差的线性组合。
16.如权利要求15所述的非瞬时计算机可读介质,其中,计算机可读指令在由处理器执行时还配置为至少执行下列项:
从移动数据计算能量消耗值。
17.如权利要求16所述的非瞬时计算机可读介质,其中所述时间阶段是第一时间阶段,并且计算出的能量消耗值是第一能量消耗值,且所述计算机可读介质还包括在由处理器执行时至少执行下列项的指令:
将第一时间阶段的能量消耗值和第二时间阶段的能量消耗值组合,以确定累积的能量消耗值;和
将累积的能量消耗值显示在配置为在移动数据采集期间由用户佩戴的装置的显示器上。
18.如权利要求17所述的非瞬时计算机可读介质,其中所述用户的被捕获的移动数据仅来自位于所述装置上的一个或多个传感器。
19.如权利要求18所述的非瞬时计算机可读介质,其中计算能量消耗值所需要的全部信息或者(a)在所述移动数据的采集之前位于所述装置上或者(b)从所述移动数据推导出,而没有来自装置外部的信息。
20.如权利要求19所述的非瞬时计算机可读介质,其中所述传感器包括加速度计。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261588647P | 2012-01-19 | 2012-01-19 | |
US61/588,647 | 2012-01-19 | ||
CN201380015483.6A CN104169926B (zh) | 2012-01-19 | 2013-01-17 | 计算能量消耗的装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380015483.6A Division CN104169926B (zh) | 2012-01-19 | 2013-01-17 | 计算能量消耗的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256329A true CN107256329A (zh) | 2017-10-17 |
CN107256329B CN107256329B (zh) | 2020-12-15 |
Family
ID=47720720
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380015483.6A Active CN104169926B (zh) | 2012-01-19 | 2013-01-17 | 计算能量消耗的装置 |
CN201710339155.1A Active CN107256329B (zh) | 2012-01-19 | 2013-01-17 | 用于检测用户的移动数据的整体式装置和非瞬时计算机可读介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380015483.6A Active CN104169926B (zh) | 2012-01-19 | 2013-01-17 | 计算能量消耗的装置 |
Country Status (6)
Country | Link |
---|---|
US (7) | US9529966B2 (zh) |
EP (1) | EP2805273B1 (zh) |
JP (3) | JP5937230B2 (zh) |
KR (2) | KR101789462B1 (zh) |
CN (2) | CN104169926B (zh) |
WO (1) | WO2013109780A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109875518A (zh) * | 2019-04-02 | 2019-06-14 | 浙江和也健康科技有限公司 | 一种多用户睡眠状况同步监测系统及监测方法 |
Families Citing this family (95)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712724B2 (en) | 2010-09-30 | 2014-04-29 | Fitbit, Inc. | Calendar integration methods and systems for presentation of events having combined activity and location information |
US11243093B2 (en) | 2010-09-30 | 2022-02-08 | Fitbit, Inc. | Methods, systems and devices for generating real-time activity data updates to display devices |
US9390427B2 (en) | 2010-09-30 | 2016-07-12 | Fitbit, Inc. | Methods, systems and devices for automatic linking of activity tracking devices to user devices |
US8620617B2 (en) | 2010-09-30 | 2013-12-31 | Fitbit, Inc. | Methods and systems for interactive goal setting and recommender using events having combined activity and location information |
US8744803B2 (en) | 2010-09-30 | 2014-06-03 | Fitbit, Inc. | Methods, systems and devices for activity tracking device data synchronization with computing devices |
US8954290B2 (en) | 2010-09-30 | 2015-02-10 | Fitbit, Inc. | Motion-activated display of messages on an activity monitoring device |
US10983945B2 (en) | 2010-09-30 | 2021-04-20 | Fitbit, Inc. | Method of data synthesis |
US9241635B2 (en) | 2010-09-30 | 2016-01-26 | Fitbit, Inc. | Portable monitoring devices for processing applications and processing analysis of physiological conditions of a user associated with the portable monitoring device |
US8738321B2 (en) | 2010-09-30 | 2014-05-27 | Fitbit, Inc. | Methods and systems for classification of geographic locations for tracked activity |
US8762101B2 (en) | 2010-09-30 | 2014-06-24 | Fitbit, Inc. | Methods and systems for identification of event data having combined activity and location information of portable monitoring devices |
US10004406B2 (en) | 2010-09-30 | 2018-06-26 | Fitbit, Inc. | Portable monitoring devices for processing applications and processing analysis of physiological conditions of a user associated with the portable monitoring device |
US8954291B2 (en) | 2010-09-30 | 2015-02-10 | Fitbit, Inc. | Alarm setting and interfacing with gesture contact interfacing controls |
US9310909B2 (en) | 2010-09-30 | 2016-04-12 | Fitbit, Inc. | Methods, systems and devices for physical contact activated display and navigation |
US9148483B1 (en) | 2010-09-30 | 2015-09-29 | Fitbit, Inc. | Tracking user physical activity with multiple devices |
US8805646B2 (en) | 2010-09-30 | 2014-08-12 | Fitbit, Inc. | Methods, systems and devices for linking user devices to activity tracking devices |
US10216893B2 (en) | 2010-09-30 | 2019-02-26 | Fitbit, Inc. | Multimode sensor devices |
US9253168B2 (en) | 2012-04-26 | 2016-02-02 | Fitbit, Inc. | Secure pairing of devices via pairing facilitator-intermediary device |
US8762102B2 (en) | 2010-09-30 | 2014-06-24 | Fitbit, Inc. | Methods and systems for generation and rendering interactive events having combined activity and location information |
US8738323B2 (en) | 2010-09-30 | 2014-05-27 | Fitbit, Inc. | Methods and systems for metrics analysis and interactive rendering, including events having combined activity and location information |
US8694282B2 (en) | 2010-09-30 | 2014-04-08 | Fitbit, Inc. | Methods and systems for geo-location optimized tracking and updating for events having combined activity and location information |
US8615377B1 (en) | 2010-09-30 | 2013-12-24 | Fitbit, Inc. | Methods and systems for processing social interactive data and sharing of tracked activity associated with locations |
US8738925B1 (en) | 2013-01-07 | 2014-05-27 | Fitbit, Inc. | Wireless portable biometric device syncing |
US9339691B2 (en) | 2012-01-05 | 2016-05-17 | Icon Health & Fitness, Inc. | System and method for controlling an exercise device |
KR101789462B1 (ko) * | 2012-01-19 | 2017-10-23 | 나이키 이노베이트 씨.브이. | 에너지 소비 |
US8948832B2 (en) | 2012-06-22 | 2015-02-03 | Fitbit, Inc. | Wearable heart rate monitor |
US9641239B2 (en) | 2012-06-22 | 2017-05-02 | Fitbit, Inc. | Adaptive data transfer using bluetooth |
US9044149B2 (en) | 2012-06-22 | 2015-06-02 | Fitbit, Inc. | Heart rate data collection |
US9005129B2 (en) | 2012-06-22 | 2015-04-14 | Fitbit, Inc. | Wearable heart rate monitor |
US20150277572A1 (en) * | 2012-10-24 | 2015-10-01 | Intel Corporation | Smart contextual display for a wearable device |
KR101911218B1 (ko) * | 2012-10-30 | 2018-10-24 | 삼성전자주식회사 | 운동량 계산 방법 및 장치 |
US9039614B2 (en) | 2013-01-15 | 2015-05-26 | Fitbit, Inc. | Methods, systems and devices for measuring fingertip heart rate |
US9728059B2 (en) | 2013-01-15 | 2017-08-08 | Fitbit, Inc. | Sedentary period detection utilizing a wearable electronic device |
JP2014161514A (ja) * | 2013-02-25 | 2014-09-08 | Nintendo Co Ltd | 情報処理システム、情報処理プログラム、情報処理装置及び情報処理方法 |
US10318708B2 (en) * | 2013-03-14 | 2019-06-11 | Nike, Inc. | System and method for monitoring athletic activity from multiple body locations |
US9254409B2 (en) | 2013-03-14 | 2016-02-09 | Icon Health & Fitness, Inc. | Strength training apparatus with flywheel and related methods |
US9086281B1 (en) * | 2013-05-21 | 2015-07-21 | Amazon Technologies | Using accelerometer data to determine movement direction |
US10512407B2 (en) | 2013-06-24 | 2019-12-24 | Fitbit, Inc. | Heart rate data collection |
US20150044648A1 (en) | 2013-08-07 | 2015-02-12 | Nike, Inc. | Activity recognition with activity reminders |
JP6539272B2 (ja) * | 2013-08-07 | 2019-07-03 | ナイキ イノベイト シーブイ | コンピュータにより実現される方法、非一時的かつコンピュータが読み取り可能な媒体、および単一装置 |
EP3036669A1 (en) * | 2013-08-23 | 2016-06-29 | NIKE Innovate C.V. | Energy expenditure device |
WO2015027178A1 (en) * | 2013-08-23 | 2015-02-26 | Nike Innovate C.V. | Athletic activity sessions and groups |
US10216985B2 (en) | 2013-08-23 | 2019-02-26 | Nike, Inc. | Sessions and groups |
US10188347B2 (en) | 2013-08-23 | 2019-01-29 | Nike, Inc. | Energy expenditure device |
KR101850225B1 (ko) * | 2013-10-14 | 2018-04-18 | 나이키 이노베이트 씨.브이. | 복수의 디바이스들로부터의 에너지 소비량 계산결과들을 병합하는 신체단련 훈련 시스템 |
KR101839257B1 (ko) * | 2013-10-14 | 2018-03-15 | 나이키 이노베이트 씨.브이. | 운동 움직임 속성으로부터의 페이스 및 에너지 지출의 계산 |
KR101830558B1 (ko) * | 2013-10-14 | 2018-02-20 | 나이키 이노베이트 씨.브이. | 목표 동기부여를 제공하도록 구성되는 피트니스 디바이스 |
WO2015066718A2 (en) * | 2013-11-04 | 2015-05-07 | Basis Science, Inc. | Detection of biking, walking, and running |
US10471302B1 (en) * | 2013-11-08 | 2019-11-12 | Capsule Technologies, Inc. | Method and system for administering an activity program |
CN105848733B (zh) | 2013-12-26 | 2018-02-13 | 爱康保健健身有限公司 | 缆绳器械中的磁性阻力机构 |
US11990019B2 (en) | 2014-02-27 | 2024-05-21 | Fitbit, Inc. | Notifications on a user device based on activity detected by an activity monitoring device |
US9031812B2 (en) | 2014-02-27 | 2015-05-12 | Fitbit, Inc. | Notifications on a user device based on activity detected by an activity monitoring device |
WO2015138339A1 (en) | 2014-03-10 | 2015-09-17 | Icon Health & Fitness, Inc. | Pressure sensor to quantify work |
US9288298B2 (en) | 2014-05-06 | 2016-03-15 | Fitbit, Inc. | Notifications regarding interesting or unusual activity detected from an activity monitoring device |
GB2529998A (en) * | 2014-06-04 | 2016-03-16 | Ki Health Innovation Ltd | Monitoring adherence to healthcare guidelines |
CN106470739B (zh) | 2014-06-09 | 2019-06-21 | 爱康保健健身有限公司 | 并入跑步机的缆索系统 |
US10012490B1 (en) * | 2014-06-16 | 2018-07-03 | Amazon Technologies, Inc. | Determining location or position of a portable electronic device |
WO2015195965A1 (en) | 2014-06-20 | 2015-12-23 | Icon Health & Fitness, Inc. | Post workout massage device |
DE112015007285B4 (de) * | 2014-09-02 | 2023-11-02 | Apple Inc. | Monitor für physische aktivität und training |
US20170225036A1 (en) * | 2014-10-22 | 2017-08-10 | Sony Corporation | Information processing device, information processing method, and program |
JP6134872B1 (ja) * | 2014-12-03 | 2017-05-24 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 対象の周期的な運動のサイクル数を計数するデバイス、方法及びシステム |
WO2016088027A1 (en) * | 2014-12-04 | 2016-06-09 | Koninklijke Philips N.V. | Calculating a health parameter |
WO2016112024A1 (en) * | 2015-01-05 | 2016-07-14 | Nike, Inc. | Energy expenditure calculation using data from multiple devices |
KR20170101996A (ko) * | 2015-01-05 | 2017-09-06 | 나이키 이노베이트 씨.브이. | 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산 |
US10391361B2 (en) | 2015-02-27 | 2019-08-27 | Icon Health & Fitness, Inc. | Simulating real-world terrain on an exercise device |
US10921342B2 (en) | 2015-03-20 | 2021-02-16 | Qualcomm Incorporated | Arm swing compensation techniques |
EP3090685A1 (en) * | 2015-05-08 | 2016-11-09 | The Swatch Group Research and Development Ltd. | Pedometer and method for analyzing motion data |
EP3090684A1 (en) * | 2015-05-08 | 2016-11-09 | The Swatch Group Research and Development Ltd. | Pedometer and method for analyzing motion data |
US9392946B1 (en) | 2015-05-28 | 2016-07-19 | Fitbit, Inc. | Heart rate sensor with high-aspect-ratio photodetector element |
US9968840B2 (en) * | 2015-06-23 | 2018-05-15 | Ipcomm | Method and apparatus to provide haptic and visual feedback of skier foot motion and forces transmitted to the ski boot |
US11172331B2 (en) * | 2015-06-23 | 2021-11-09 | Ipcomm Llc. | Synchronizing data collection of motion and ground reaction force with the start of sporting activities |
CN106156480A (zh) * | 2015-07-01 | 2016-11-23 | 安徽华米信息科技有限公司 | 一种数据统计方法及装置 |
US10212994B2 (en) | 2015-11-02 | 2019-02-26 | Icon Health & Fitness, Inc. | Smart watch band |
US11206989B2 (en) | 2015-12-10 | 2021-12-28 | Fitbit, Inc. | Light field management in an optical biological parameter sensor |
US10568525B1 (en) | 2015-12-14 | 2020-02-25 | Fitbit, Inc. | Multi-wavelength pulse oximetry |
US10080530B2 (en) | 2016-02-19 | 2018-09-25 | Fitbit, Inc. | Periodic inactivity alerts and achievement messages |
WO2017161021A1 (en) | 2016-03-15 | 2017-09-21 | Nike Innovate C.V. | Adaptive athletic activity prescription systems |
US10625137B2 (en) | 2016-03-18 | 2020-04-21 | Icon Health & Fitness, Inc. | Coordinated displays in an exercise device |
US10493349B2 (en) | 2016-03-18 | 2019-12-03 | Icon Health & Fitness, Inc. | Display on exercise device |
US10272317B2 (en) | 2016-03-18 | 2019-04-30 | Icon Health & Fitness, Inc. | Lighted pace feature in a treadmill |
EP3448249A4 (en) | 2016-04-29 | 2019-10-09 | Fitbit, Inc. | MULTI-CHANNEL PHOTOPLETHYSMOGRAPHY SENSOR |
US10736543B2 (en) | 2016-09-22 | 2020-08-11 | Apple Inc. | Workout monitor interface |
US10671705B2 (en) | 2016-09-28 | 2020-06-02 | Icon Health & Fitness, Inc. | Customizing recipe recommendations |
US11051706B1 (en) | 2017-04-07 | 2021-07-06 | Fitbit, Inc. | Multiple source-detector pair photoplethysmography (PPG) sensor |
US10845955B2 (en) | 2017-05-15 | 2020-11-24 | Apple Inc. | Displaying a scrollable list of affordances associated with physical activities |
US11875696B2 (en) * | 2017-08-29 | 2024-01-16 | Slyde Analytics Llc | Method and device for retrieving biomechanical parameters of a stride |
CN112512366B (zh) * | 2018-05-31 | 2022-03-18 | 耐克创新有限合伙公司 | 在可调节足部支撑系统中可用的流体流动控制装置 |
JP2020010893A (ja) * | 2018-07-19 | 2020-01-23 | 花王株式会社 | 活動分類方法及び活動分類装置 |
CN111374671A (zh) * | 2018-12-28 | 2020-07-07 | 上海倍增智能科技有限公司 | 一种基于手机计步计数的运动指标管理系统 |
US10912522B1 (en) * | 2020-01-25 | 2021-02-09 | Aura Devices, Inc. | Systems and methods for counting features in motion signals |
DK181076B1 (en) | 2020-02-14 | 2022-11-25 | Apple Inc | USER INTERFACES FOR TRAINING CONTENT |
US11236902B2 (en) | 2020-04-27 | 2022-02-01 | Rheem Manufacturing Company | Frustoconical combustion chamber for a fluid heating device and methods for making the same |
JP7264183B2 (ja) * | 2021-03-22 | 2023-04-25 | カシオ計算機株式会社 | 情報処理装置、計測装置、情報処理方法及びプログラム |
US11977729B2 (en) | 2022-06-05 | 2024-05-07 | Apple Inc. | Physical activity information user interfaces |
US20230390626A1 (en) | 2022-06-05 | 2023-12-07 | Apple Inc. | User interfaces for physical activity information |
WO2024063457A1 (en) * | 2022-09-20 | 2024-03-28 | Samsung Electronics Co., Ltd. | Methods and systems for determining a step count of a user |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1530880A (zh) * | 2003-03-07 | 2004-09-22 | ������������ʽ���� | 体动检测装置、节拍计、手表型信息处理装置、及其控制方法、控制程序以及记录介质 |
CN101061949A (zh) * | 2006-04-28 | 2007-10-31 | 万威科研有限公司 | 运动数据设备 |
KR20080051665A (ko) * | 2006-12-06 | 2008-06-11 | 삼성전자주식회사 | 보폭을 추정하기 위한 방법 및 장치 |
US20100305480A1 (en) * | 2009-06-01 | 2010-12-02 | Guoyi Fu | Human Motion Classification At Cycle Basis Of Repetitive Joint Movement |
CN101910846A (zh) * | 2008-01-28 | 2010-12-08 | 佳明有限公司 | 用于确定运动感测装置的附着位置的方法和装置 |
CN102243248A (zh) * | 2011-04-01 | 2011-11-16 | 可瑞尔科技(扬州)有限公司 | 一种自动区分行走与跑步模式的速度检测装置及其方法 |
Family Cites Families (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2229224T3 (es) * | 1994-09-07 | 2005-04-16 | Omron Healthcare Co., Ltd. | Dispositivo medidor de una cantidad de ejercicio, capaz de presentar la cantidad de ejercicio que todavia ha de realizarse. |
JP3513632B2 (ja) * | 1994-09-12 | 2004-03-31 | オムロンヘルスケア株式会社 | 運動量測定装置 |
DE69739489D1 (de) * | 1996-04-08 | 2009-08-20 | Seiko Epson Corp | Hilfseinrichtung zur Sportübung |
JP2004113821A (ja) | 1996-04-08 | 2004-04-15 | Seiko Epson Corp | 運動処方支援装置 |
JP3314917B2 (ja) * | 1997-04-17 | 2002-08-19 | 株式会社カージオペーシングリサーチ・ラボラトリー | 体動検出方法及びその装置 |
JP2935218B1 (ja) | 1998-05-26 | 1999-08-16 | 株式会社東京機械製作所 | 折り機の排出装置における折り丁排出ピッチ揃え装置 |
US6513532B2 (en) | 2000-01-19 | 2003-02-04 | Healthetech, Inc. | Diet and activity-monitoring device |
JP4021137B2 (ja) * | 2000-09-07 | 2007-12-12 | マイクロストーン株式会社 | 身体動作センシング装置 |
JP2004097649A (ja) * | 2002-09-12 | 2004-04-02 | Akoozu:Kk | 消費カロリー表示装置 |
US8206219B2 (en) | 2002-10-30 | 2012-06-26 | Nike, Inc. | Interactive gaming apparel for interactive gaming |
US7805149B2 (en) | 2004-01-16 | 2010-09-28 | Adidas Ag | Location-aware fitness training device, methods, and program products that support real-time interactive communication and automated route generation |
US7480512B2 (en) | 2004-01-16 | 2009-01-20 | Bones In Motion, Inc. | Wireless device, program products and methods of using a wireless device to deliver services |
US7631382B2 (en) | 2003-03-10 | 2009-12-15 | Adidas International Marketing B.V. | Intelligent footwear systems |
US6837827B1 (en) | 2003-06-17 | 2005-01-04 | Garmin Ltd. | Personal training device using GPS data |
US20050208372A1 (en) | 2004-03-18 | 2005-09-22 | Celgard Inc. | Separator for a battery having a zinc electrode |
KR100786703B1 (ko) * | 2004-07-24 | 2007-12-21 | 삼성전자주식회사 | 가속도 센서를 이용한 운동량 측정장치 및 방법 |
US7254516B2 (en) | 2004-12-17 | 2007-08-07 | Nike, Inc. | Multi-sensor monitoring of athletic performance |
US7813870B2 (en) | 2006-03-03 | 2010-10-12 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
US7827000B2 (en) * | 2006-03-03 | 2010-11-02 | Garmin Switzerland Gmbh | Method and apparatus for estimating a motion parameter |
JP4885665B2 (ja) * | 2006-09-21 | 2012-02-29 | セイコーインスツル株式会社 | 歩数計 |
JP4885676B2 (ja) * | 2006-09-29 | 2012-02-29 | セイコーインスツル株式会社 | 歩数計 |
JP2008131425A (ja) | 2006-11-22 | 2008-06-05 | Funai Electric Co Ltd | 受光装置の受光感度制御システム |
CN103182174B (zh) | 2007-02-14 | 2015-09-16 | 耐克创新有限合伙公司 | 运动信息的收集和显示 |
WO2008104803A2 (en) | 2007-02-26 | 2008-09-04 | Oxford Genome Sciences (Uk) Limited | Proteins |
GB2447647A (en) * | 2007-03-16 | 2008-09-24 | Cambridge Neurotechnology Ltd | Activity monitor |
JP2008246179A (ja) | 2007-03-30 | 2008-10-16 | Matsushita Electric Works Ltd | 活動量計 |
US20080250337A1 (en) | 2007-04-05 | 2008-10-09 | Nokia Corporation | Identifying interesting locations based on commonalities in location based postings |
WO2008143738A1 (en) * | 2007-05-18 | 2008-11-27 | Ultimate Balance, Inc. | Newtonian physical activity monitor |
WO2009065637A1 (en) | 2007-11-24 | 2009-05-28 | Routerank Ltd | Optimized route planning |
JP5202933B2 (ja) * | 2007-11-30 | 2013-06-05 | 株式会社タニタ | 体動検出装置 |
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
WO2009126818A2 (en) | 2008-04-09 | 2009-10-15 | Nike International, Ltd. | System and method for athletic performance race |
US8446378B2 (en) | 2008-04-16 | 2013-05-21 | Nike, Inc. | Athletic performance user interface for mobile device |
JP5531227B2 (ja) * | 2008-06-09 | 2014-06-25 | 株式会社タニタ | 行動判定装置 |
US8135404B2 (en) | 2008-09-29 | 2012-03-13 | Via Telecom, Inc. | Apparatus, system, and methods for handling attach procedure in mobile communication system |
JP5369726B2 (ja) | 2009-02-02 | 2013-12-18 | セイコーエプソン株式会社 | 拍動検出装置、および拍動検出方法 |
US20100198626A1 (en) | 2009-02-04 | 2010-08-05 | Apple Inc. | Systems and methods for accessing shopping center services using a portable electronic device |
US9122250B2 (en) | 2009-04-26 | 2015-09-01 | Nike, Inc. | GPS features and functionality in an athletic watch system |
JP5675775B2 (ja) | 2009-04-27 | 2015-02-25 | ナイキ イノベイト セー. フェー. | 運動トレーニング用トレーニングプログラムおよび楽曲プレイリスト生成法 |
US20100287178A1 (en) | 2009-05-08 | 2010-11-11 | Google Inc. | Refining location estimates and reverse geocoding based on a user profile |
US8533620B2 (en) | 2009-09-04 | 2013-09-10 | Nike, Inc. | Monitoring and tracking athletic activity |
KR101560954B1 (ko) | 2010-08-09 | 2015-10-15 | 나이키 이노베이트 씨.브이. | 모바일 장치를 이용한 피트니스 모니터링 |
US8814754B2 (en) | 2010-11-01 | 2014-08-26 | Nike, Inc. | Wearable device having athletic functionality |
KR101789462B1 (ko) * | 2012-01-19 | 2017-10-23 | 나이키 이노베이트 씨.브이. | 에너지 소비 |
JP5984589B2 (ja) * | 2012-09-03 | 2016-09-06 | セイコーインスツル株式会社 | 電子機器およびプログラム |
-
2013
- 2013-01-17 KR KR1020167030008A patent/KR101789462B1/ko active IP Right Grant
- 2013-01-17 CN CN201380015483.6A patent/CN104169926B/zh active Active
- 2013-01-17 EP EP13704645.4A patent/EP2805273B1/en active Active
- 2013-01-17 WO PCT/US2013/021976 patent/WO2013109780A2/en active Application Filing
- 2013-01-17 JP JP2014553416A patent/JP5937230B2/ja active Active
- 2013-01-17 US US13/744,103 patent/US9529966B2/en active Active
- 2013-01-17 KR KR1020147023144A patent/KR101672609B1/ko active IP Right Grant
- 2013-01-17 CN CN201710339155.1A patent/CN107256329B/zh active Active
-
2016
- 2016-05-11 JP JP2016095383A patent/JP6464113B2/ja active Active
- 2016-11-18 US US15/355,243 patent/US9747411B2/en active Active
-
2017
- 2017-07-24 US US15/657,820 patent/US9996660B2/en active Active
-
2018
- 2018-05-11 US US15/977,486 patent/US10734094B2/en active Active
-
2019
- 2019-01-07 JP JP2019000641A patent/JP2019115665A/ja active Pending
-
2020
- 2020-07-29 US US16/942,249 patent/US11081207B2/en active Active
-
2021
- 2021-06-30 US US17/364,185 patent/US11990220B2/en active Active
-
2024
- 2024-03-26 US US18/617,232 patent/US20240242812A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1530880A (zh) * | 2003-03-07 | 2004-09-22 | ������������ʽ���� | 体动检测装置、节拍计、手表型信息处理装置、及其控制方法、控制程序以及记录介质 |
CN101061949A (zh) * | 2006-04-28 | 2007-10-31 | 万威科研有限公司 | 运动数据设备 |
KR20080051665A (ko) * | 2006-12-06 | 2008-06-11 | 삼성전자주식회사 | 보폭을 추정하기 위한 방법 및 장치 |
CN101910846A (zh) * | 2008-01-28 | 2010-12-08 | 佳明有限公司 | 用于确定运动感测装置的附着位置的方法和装置 |
US20100305480A1 (en) * | 2009-06-01 | 2010-12-02 | Guoyi Fu | Human Motion Classification At Cycle Basis Of Repetitive Joint Movement |
CN102243248A (zh) * | 2011-04-01 | 2011-11-16 | 可瑞尔科技(扬州)有限公司 | 一种自动区分行走与跑步模式的速度检测装置及其方法 |
Non-Patent Citations (2)
Title |
---|
DAVID ANDRE: "The development of the SenseWear® armband, a revolutionary energy assessment device to assess physical activity and lifestyle", 《CRAINS DETROIT BUSINESS》 * |
上海体育科学研究所选材研究组: "快跑速度、步频、步幅对田径速度性项目选材的意义及评价", 《优秀青少年运动员科学选材研究论文汇编》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109875518A (zh) * | 2019-04-02 | 2019-06-14 | 浙江和也健康科技有限公司 | 一种多用户睡眠状况同步监测系统及监测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200372968A1 (en) | 2020-11-26 |
US10734094B2 (en) | 2020-08-04 |
CN104169926A (zh) | 2014-11-26 |
KR20140117576A (ko) | 2014-10-07 |
US20170329890A1 (en) | 2017-11-16 |
US20210327556A1 (en) | 2021-10-21 |
JP2016198512A (ja) | 2016-12-01 |
US20130191034A1 (en) | 2013-07-25 |
US20180260516A1 (en) | 2018-09-13 |
KR101789462B1 (ko) | 2017-10-23 |
JP6464113B2 (ja) | 2019-02-06 |
EP2805273A2 (en) | 2014-11-26 |
KR20160128452A (ko) | 2016-11-07 |
US9996660B2 (en) | 2018-06-12 |
US11081207B2 (en) | 2021-08-03 |
US20170068778A1 (en) | 2017-03-09 |
US9747411B2 (en) | 2017-08-29 |
US11990220B2 (en) | 2024-05-21 |
KR101672609B1 (ko) | 2016-11-03 |
CN107256329B (zh) | 2020-12-15 |
WO2013109780A3 (en) | 2013-09-12 |
US9529966B2 (en) | 2016-12-27 |
JP5937230B2 (ja) | 2016-06-22 |
US20240242812A1 (en) | 2024-07-18 |
JP2019115665A (ja) | 2019-07-18 |
EP2805273B1 (en) | 2023-06-21 |
WO2013109780A2 (en) | 2013-07-25 |
CN104169926B (zh) | 2017-06-09 |
JP2015503993A (ja) | 2015-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104169926B (zh) | 计算能量消耗的装置 | |
CN104169923B (zh) | 活动点数 | |
US10366628B2 (en) | Activity recognition with activity reminders | |
CN112578663B (zh) | 腾空时间 | |
CN105848565B (zh) | 由运动移动属性计算步伐和能量消耗 | |
CN104126184B (zh) | 用于包括训练计划的自动个人训练的方法和系统 | |
CN103620607B (zh) | 处理进行运动活动的用户的数据以估计能量消耗的方法和装置 | |
KR20140004204A (ko) | 운동 세션 중 사용자 퍼포먼스 메트릭을 추적하는 방법 | |
CN105612475A (zh) | 具有姿态识别和功率管理的腕戴式运动装置 | |
CN104871163B (zh) | 用于远程联合练习训练的用户界面和健身仪表 | |
JP6560354B2 (ja) | 複数のデバイスからのデータを使用したエネルギー消費計算 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |