CN107368768B - 适用于体重秤的用户识别方法及体重秤 - Google Patents

Abstract

本申请公开了一种适用于体重秤的用户识别方法及体重秤。该方法包括：当检测到所述体重秤当前的承重重量大于一预设的第一阈值时，确定有用户上秤，开始持续采样所述用户的体重值；根据采样到的所述用户的体重值，确定所述用户的身份识别因子的统计结果；以及根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别。本发明的适用于体重秤的用户识别方法，通过对用户上秤动作进行分析，统计身份识别因子，并根据身份识别因子来识别上秤的不同用户，可以有效提高用户识别的准确性。

Description

适用于体重秤的用户识别方法及体重秤

技术领域

本发明涉及人体测量技术领域，具体而言，涉及一种适用于体重秤的用户识别方法及体重秤。

背景技术

体重秤在人们的日常生活中的使用非常广泛。目前，为了便于人们对自己的体重进行管理，很多体重秤中都具有体重存储功能，可以存储多个人的体重值。当进行一次新的体重测量时，体重秤会根据测量到的体重值自动识别当前用户，将当前用户识别到所存储的体重值最相近的用户序号上。但当有体重值相接近的用户出现时，自动识别的用户就可能发送错误，从而降低了自动识别的准确度。

发明内容

有鉴于此，本发明提供一种适用于体重秤的用户识别方法及体重秤，能够准确地进行用户识别。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提供了一种适用于体重秤的用户识别方法，包括：当检测到所述体重秤当前的承重重量大于一预设的第一阈值时，确定有用户上秤，开始持续采样所述用户的体重值；根据采样到的所述用户的体重值，确定所述用户的身份识别因子的统计结果；以及根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别；其中所述用户的身份识别因子包括：所述用户第一只脚上秤的时间长度、所述用户第二只脚上秤的时间长度及从所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段内体重变化的平均频率和最大幅值的至少其中之一。

根据本发明的一实施方式，所述身份识别因子包括：所述用户第一只脚上秤的时间长度、所述用户第二只脚上秤的时间长度及从所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段内体重变化的平均频率和最大幅值；所述根据采样到的所述用户的体重值，确定所述用户的身份识别因子的统计结果包括：以时间及采样到的所述体重值确定所述用户的体重变化波形图；从检测到所述体重秤当前的承重重量大于所述第一阈值时开始计时，直到所述体重变化波形图上相邻两点所确定的直线的斜率第一次小于预设的斜率阈值，确定所述时间为所述用户第一只脚上秤的时间长度；从检测到所述体重变化波形图上相邻两点所确定的直线的斜率第一次小于所述斜率阈值开始计时，直到所述波形图上相邻两点所确定的直线的斜率重新大于所述斜率阈值后再一次小于所述斜率阈值，确定所述时间为所述用户第二只脚上秤的时间长度；从检测到所述体重变化波形图上相邻两点所确定的直线的斜率再一次小于所述斜率阈值后开始计时，直到确定所述用户的体重值稳定，确定所述时间段为所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段；以及通过计算所述体重变化波形图上相邻两点所确定的直线的斜率正负变换，确定出所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段内所述体重变化波形图上的每个拐点；根据所述每个拐点的体重值计算所述最大幅值及根据相邻两个拐点的时间间隔计算所述平均频率。

根据本发明的一实施方式，所述体重波形图中不同时间对应的所述体重值为对该时间之前采样到的所述体重值进行滑动平均后的平均值。

根据本发明的一实施方式，所述根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别包括：将所述用户识别为所述身份识别因子相近数量最多的已存储用户。

根据本发明的一实施方式，所述根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别包括：测量所述用户体重稳定后的体重值；识别与所述用户的体重值相接近的已存储用户的数量；当被识别为体重值接近的所述已存储用户的数量为多个时，将所述用户识别为所述身份识别因子相近数量最多的已存储用户。

根据本发明的一实施方式，所述根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别还包括：当所述已存储用户的各身份识别因子与所述用户的各身份识别因子均不接近时，识别所述用户为新用户。

根据本发明的一实施方式，所述方法还包括：当将所述用户识别为已存储用户的其中之一时，将所述用户当前计算出的所述各身份识别因子与其已存储的各身份识别因子分别进行平均，并将平均后的所述各身份识别因子存储为所述已存储用户的新的所述身份识别因子。

根据本发明的一实施方式，所述确定所述用户的体重值稳定包括：在预设的一段时间内，当所述用户的体重值的最大值和最小值的差值小于一预设的第二阈值时，确定所述用户的体重值稳定。

根据本发明的一实施方式，所述根据相邻两个拐点的时间间隔计算所述平均频率包括：计算相邻两个拐点的时间间隔；确定所述相邻两个拐点所述确定的体重变化波形的频率为1/2t，其中t为所述相邻两个拐点的时间间隔；以及将各相邻两个拐点所确定的体重变化波形的频率进行平均，得到所述平均频率。

根据本发明的另一方面，提供了一种体重秤，包括：称重模块，用于测量所述体重秤承载的用户的体重值；存储模块，与所述称重模块相连接，用于存储用户的信息；以及处理模块，分别与所述称重模块和所述存储模块相连接，用于执行上述任一种方法；其中所述用户的信息包括：所述用户的体重值及所述用户的身份识别因子。

根据本发明的适用于体重秤的用户识别方法，通过对用户上秤动作进行分析，统计身份识别因子，并根据身份识别因子来识别上秤的不同用户，可以有效提高用户识别的准确性。

另外，根据一些实施例，本发明的适用于体重秤的用户识别方法，将根据体重值进行身份识别和根据身份识别因子的识别方式相结合，进一步增加了用户身份识别的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。

图1A-1C是根据部分示例性实施方式示出的用户上秤过程中体重变化的波形示意图。

图2是根据一示例性实施方式示出的一种适用于体重秤的用户识别方法的流程图。

图3是根据一示例性实施方式示出的另一种适用于体重秤的用户识别方法的流程图。

图4是根据一示例性实施方式示出的再一种适用于体重秤的用户识别方法的流程图。

图5是根据一示例性实施方式示出的一种体重秤的框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。

图1A-1C是根据部分示例性实施方式示出的用户上秤过程中体重变化的波形示意图。以图1A为例，用户在上秤称重时，大致可以分为如下几个阶段：第一阶段P1为用户第一只脚上秤阶段，第二阶段P2为用户第二只脚上秤阶段，第三阶段P3为用户两只脚全部上秤到体重锁定之前的晃动阶段，第四阶段P4为体重锁定阶段。

其中图1A和1B分别为两个不同用户上秤过程中体重变化的波形示意图，而图1B和图1C为同一用户不同次上秤过程中的体重变化波形图。从几张图的对比可以看出，由于上秤习惯不同，不同用户在上秤过程中的体重波形差别很大，而同一用户不同次上秤过程的体重波形则相似度比较高。

仍然以图1A为例，根据用户上秤过程中的不同阶段，可以将该体重变化波形图分解出几个识别因子。如可以分别将第一阶段P1的时间长度T1、第二阶段P2的时间长度T2及第三阶段P3中体重变化的平均频率F和最大幅值H作为识别该波形，也即识别用户的身份识别因子。

下面将基于上述的身份识别因子，来进一步说明本发明实施方式的用户识别方法。

图2是根据一示例性实施方式示出的一种适用于体重秤的用户识别方法的流程图。如图2所示，该用户识别方法10包括：

在步骤S102中，当检测到体重秤当前的承重重量大于一预设的第一阈值时，确定有用户上秤，开始持续采样该用户的体重值。

该第一阈值例如可以为1Kg，但本发明不以此为限，其可以在实际应用中根据实际需求进行设定。

在步骤S104中，根据采样到的用户的体重值，确定身份识别因子的统计结果。

其中身份识别因子可以包括上述的第一阶段P1的时间长度T1、第二阶段P2的时间长度T2及第三阶段P3中体重变化的平均频率F和最大幅值H的至少其中之一。

在步骤S106中，根据身份识别因子的统计结果，对当前用户进行身份识别。

例如，当仅采用一个身份识别因子进行身份识别时，判断是否存储有身份识别因子与当前用户的身份识别因子相接近的用户，如果没有身份识别因子相接近的用户时，可以判断当前用户为新用户；如果仅有一个身份识别因子相接近的用户时，可以判断当前用户为该用户；而如果有多个身份识别因子相接近的用户时，还可以根据稳定后测量的体重值，来进一步判定当前用户为哪个已存储的用户。

当采用多个身份识别因子进行身份识别时，将当前用户识别为身份识别因子相近数量最多的已存储用户。而如果已存储用户的多个身份识别因子与当前用户的多个身份识别因子均不接近时，可以判断当前用户为新用户。

本发明实施方式的适用于体重秤的用户识别方法，通过对用户上秤动作进行分析，统计身份识别因子，并根据身份识别因子来识别上秤的不同用户，可以有效提高用户识别的准确性。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施方式。

图3是根据一示例性实施方式示出的另一种适用于体重秤的用户识别方法的流程图。如图3所示，该用户识别方法20包括：

在步骤S202中，当检测到体重秤当前的承重重量大于一预设的第一阈值时，确定有用户上秤，开始持续采样该用户的体重值。

该第一阈值例如可以为1Kg，但本发明不以此为限，其可以在实际应用中根据实际需求进行设定。

在步骤S204中，以时间及采样到的体重值确定该用户的体重变化波形图。

体重变化波形图例如如图1A-1C所示，可以以时间为横坐标，以在不同时间采样到的体重值为纵坐标，并将相邻点连接起来。或者，也可以以时间为纵坐标，以体重值为横坐标，本发明不以此为限。

在一些实施例中，该体重变化波形图中不同时间上的体重值还可以是对相应时间之前采样到的体重值进行滑动平均后的平均值，其中滑动窗口的大小可以根据实际需要设置，例如可以设置为5等，本发明不以此为限。

在步骤S206中，统计第一阶段P1的时间长度T1。

例如，从检测到体重秤当前的承重重量大于该第一阈值时开始计时，直到上述体重变化波形图上相邻两点所确定的直线的斜率第一次小于预设的斜率阈值x，确定该时间为时间长度T1。

该斜率阈值可以根据实际需要而设置，例如可以为0，但本发明不以此为限。

在步骤S208中，统计第二阶段P2的时间长度T2。

例如，从检测到上述体重变化波形图上相邻两点所确定的直线的斜率第一次小于预设的斜率阈值x开始计时，直到该波形图上相邻两点所确定的直线的斜率重新大于该斜率阈值x后，再一次又小于该斜率阈值，确定该时间为时间长度T2。

在一些实施例中，由于有的用户上秤速度较快，较难区分第一阶段P1与第二阶段P2，则可以将第一阶段P1与第二阶段P2合并为用户的上秤阶段P’，并统计用户的上秤阶段P’的时间长度T’。例如，从检测到体重秤当前的承重重量大于该第一阈值时开始计时，直到上述体重变化波形图上相邻两点所确定的直线的斜率第一次小于预设的斜率阈值x，确定该时间为该时间长度T’。

在步骤S210中，统计第三阶段P3中用户体重值变化的平均频率F和最大幅值H。

例如，从检测到上述体重变化波形图上相邻两点所确定的直线的斜率再一次小于斜率阈值x后开始计时，直到确定该用户的体重值稳定，确定该时间段为第三阶段。其中体重值稳定的判断条件为在预设的一段时间内，体重最大值和最小值的差值小于一预设的第二阈值，该第二阈值例如可以为0.1Kg，但本发明不以此为限。

在确定的第三阶段P3中，通过计算相邻两点确定的直线的斜率正负变换的方法确定出该体重变化波形的每个拐点，计算每个拐点的时间间隔并存储每个拐点的体重值，从而计算出第三阶段P3体重变换波形的最大幅值H(即各拐点中体重最大值和最小值的差值)及平均频率F(首先计算相邻两个拐点的时间间隔t，该相邻两个拐点所确定的波形的频率则为1/2t；其次，求所有计算出的频率的平均值)。

在步骤S212中，根据身份识别因子，对当前用户进行身份识别。

具体地，将当前用户识别为身份识别因子T1、T2、H及F相近数量最多的已存储用户。而如果已存储用户的各身份识别因子T1、T2、H及F与当前用户的多个身份识别因子均不接近时，判断当前用户为新用户。

在一些实施例中，当当前用户被识别为已存储用户的其中之一时，将该用户的新计算出的身份识别因子T1、T2、H及F与其存储的身份识别因子T1、T2、H及F分别进行平均后，将各身份识别因子的平均值存储为该已存储用户的新的身份识别因子T1、T2、H及F。

图4是根据一示例性实施方式示出的再一种适用于体重秤的用户识别方法的流程图。如图4所示，该用户识别方法30包括：

在步骤S302中，当检测到体重秤当前的承重重量大于一预设的第一阈值时，确定有用户上秤，开始持续采样该用户的体重值。

在步骤S304中，以时间及采样到的体重值确定该用户的体重变化波形图。

在步骤S306中，统计第一阶段P1的时间长度T1。

在步骤S308中，统计第二阶段P2的时间长度T2。

在步骤S310中，统计第三阶段P3中用户体重值变化的平均频率F和最大幅值H。

用户识别方法30的上述步骤与图3所示的用户识别方法20中的步骤S202～S210相同，在此不再赘述。

在步骤S312中，判断是否有已存储用户，其体重值与测量到的当前用户稳定后的体重值相接近，如果没有，则进入步骤S314；否则，进入步骤S316。

在步骤S314中，将当前用户识别为新用户，并存储该用户的信息。

该用户的信息包括：该用户稳定后的体重值及各身份识别因子T1、T2、H及F。

在步骤S316中，判断被识别为体重值接近的已存储用户是否为多个，如果否，则进入步骤S318；否则，进入步骤S320。

在步骤S318中，将当前用户识别为该已存储的用户。

在一些实施例中，还包括：将该用户的新计算出的身份识别因子T1、T2、H及F与其存储的身份识别因子T1、T2、H及F分别进行平均后，将各身份识别因子的平均值存储为该已存储用户的新的身份识别因子T1、T2、H及F。

在步骤S320中，根据身份识别因子，对当前用户进行身份识别。

具体地，将当前用户识别为身份识别因子T1、T2、H及F相接近数量最多的已存储用户。而如果已存储用户的各身份识别因子T1、T2、H及F与当前用户的多个身份识别因子均不接近时，判断当前用户为新用户。

在一些实施例中，当当前用户被识别为已存储用户的其中之一时，将该用户的新计算出的身份识别因子T1、T2、H及F与其存储的身份识别因子T1、T2、H及F分别进行平均后，将各身份识别因子的平均值存储为该已存储用户的新的身份识别因子T1、T2、H及F。

此外，在一些实施方式中，如果与当前用户的身份识别因子T1、T2、H及F相接近数量最多的已存储用户有多个时，还可以通过脚纹识别或者测量用户脚部长度的方法来进一步进行用户识别。具体地，例如可以在体重秤的载置面上安装指纹识别传感器，来识别用户的脚纹(识别大脚趾的脚纹为最佳)，较用户脚纹的特征作为用户存储的信息之一，从而通过用户脚纹识别用户。或者，可以在体重秤的载置面上安装多个红外接近开关来测量用户的脚长，将测量到的用户的脚长作为用户存储的信息之一，从而通过用户的脚长识别用户。

本发明实施方式的适用于体重秤的用户识别方法，将根据体重值进行身份识别和根据身份识别因子的识别方式相结合，进一步增加了用户身份识别的准确性。

需要说明的是，在上述各方法中，不同身份识别因子及体重值相接近例如可以通过将两个比较值之间相差的绝对值与一预设的阈值进行比较，来判断两个比较值是否为接近。若两个比较值相差的绝对值小于或等于该预设的阈值，则确定两个比较值相接近。例如，可以设定用于确定体重值相接近的阈值为2kg；用于确定身份识别因子T1及T2相接近的阈值为60ms；用于确定身份识别因子F相接近的阈值为0.5Hz；用于确定身份识别因子H相接近的阈值为0.5kg。在实际应用中，各阈值可以根据实际需求进行设置，本发明不以此为限。

需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图5是根据一示例性实施方式示出的一种体重秤的框图。如图5所示，体重秤40包括：称重模块402、存储模块404及处理模块406。

其中，称重模块402用于测量体重秤承载的用户的体重值。

存储模块404与称重模块402相连接，用于存储每个用户的用户信息。

用户信息包括：用户的体重值及上述身份识别因子。

处理模块406分别与称重模块402和存储模块404相连接，用于测执行上述用户识别方法10-30中的任一种。

需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

以上具体地示出和描述了本发明的示例性实施方式。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (9)

1.一种适用于体重秤的用户识别方法，其特征在于，包括：

当检测到所述体重秤当前的承重重量大于一预设的第一阈值时，确定有用户上秤，开始持续采样所述用户的体重值；

根据采样到的所述用户的体重值，确定所述用户的身份识别因子的统计结果；以及

根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别；

所述身份识别因子包括：所述用户第一只脚上秤的时间长度、所述用户第二只脚上秤的时间长度及从所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段内体重变化的平均频率和最大幅值；

所述根据采样到的所述用户的体重值，确定所述用户的身份识别因子的统计结果包括：

以时间及采样到的所述体重值确定所述用户的体重变化波形图；

从检测到所述体重秤当前的承重重量大于所述第一阈值时开始计时，直到所述体重变化波形图上相邻两点所确定的直线的斜率第一次小于预设的斜率阈值，确定所述时间为所述用户第一只脚上秤的时间长度；

从检测到所述体重变化波形图上相邻两点所确定的直线的斜率第一次小于所述斜率阈值开始计时，直到所述波形图上相邻两点所确定的直线的斜率重新大于所述斜率阈值后再一次小于所述斜率阈值，确定所述时间为所述用户第二只脚上秤的时间长度；

从检测到所述体重变化波形图上相邻两点所确定的直线的斜率再一次小于所述斜率阈值后开始计时，直到确定所述用户的体重值稳定，确定所述时间段为所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段；以及

通过计算所述体重变化波形图上相邻两点所确定的直线的斜率正负变换，确定出所述用户两只脚全部上秤至所述用户体重被锁定之前的时间段内所述体重变化波形图上的每个拐点；根据所述每个拐点的体重值计算所述最大幅值及根据相邻两个拐点的时间间隔计算所述平均频率。

2.根据权利要求1所述的方法，其特征在于，所述体重波形图中不同时间对应的所述体重值为对该时间之前采样到的所述体重值进行滑动平均后的平均值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别包括：将所述用户识别为所述身份识别因子相近数量最多的已存储用户。

4.根据权利要求1所述的方法，其特征在于，所述根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别包括：

测量所述用户体重稳定后的体重值；

识别与所述用户的体重值相接近的已存储用户的数量；

当被识别为体重值接近的所述已存储用户的数量为多个时，将所述用户识别为所述身份识别因子相近数量最多的已存储用户。

5.根据权利要求3或4所述的方法，其特征在于，所述根据所述用户的身份识别因子的统计结果，对所述用户进行身份识别还包括：当所述已存储用户的各身份识别因子与所述用户的各身份识别因子均不接近时，识别所述用户为新用户。

6.根据权利要求3或4所述的方法，其特征在于，还包括：当将所述用户识别为已存储用户的其中之一时，将所述用户当前计算出的所述各身份识别因子与其已存储的各身份识别因子分别进行平均，并将平均后的所述各身份识别因子存储为所述已存储用户的新的所述身份识别因子。

7.根据权利要求1所述的方法，其特征在于，所述确定所述用户的体重值稳定包括：在预设的一段时间内，当所述用户的体重值的最大值和最小值的差值小于一预设的第二阈值时，确定所述用户的体重值稳定。

8.根据权利要求1所述的方法，其特征在于，所述根据相邻两个拐点的时间间隔计算所述平均频率包括：

计算相邻两个拐点的时间间隔；

确定所述相邻两个拐点所述确定的体重变化波形的频率为1/2t，其中t为所述相邻两个拐点的时间间隔；以及

将各相邻两个拐点所确定的体重变化波形的频率进行平均，得到所述平均频率。

9.一种体重秤，其特征在于，包括：

称重模块，用于测量所述体重秤承载的用户的体重值；

存储模块，与所述称重模块相连接，用于存储每个用户的用户信息；以及

处理模块，分别与所述称重模块和所述存储模块相连接，用于执行根据权利要求1-8任一项所述的方法；

其中所述用户信息包括：所述用户的体重值及所述用户的身份识别因子。

Images