CN107530030A - 确定人类运动活动类型的方法及其实施装置 - Google Patents

Abstract

本发明的组涉及测量领域，旨在研究或分析人体或其部分的运动以用于诊断目的，特别是用于确定人类运动活动的类型。为了实施该方法，记录附接在人体上的三分量加速度计产生的信号，为计算加速度矢量大小，形成加速度矢量大小的时间序列，并识别其极值奠定了基础。之后，通过从一个极值到另一极值连续地计数来确定单个运动的持续时间以及每个运动活动的加速度矢量大小的相邻极值之间的差，极值的数量等于至少一个模式中的参考极值数量，所述至少一个模式由特定类型的运动活动预先确定并且由加速度矢量大小极值的特定参考数量、运动活动持续时间的特定参考值、以及加速度矢量大小的相邻极值之间的差的特定参考值表征；根据比较结果，决定是否执行某种类型的运动活动的运动活动。这种方法所追求的技术成果是使人类运动活动的类型的识别更加可靠。

Description

确定人类运动活动类型的方法及其实施装置

技术领域

本发明涉及测量领域，旨在研究或分析人体或其部分的运动以用于诊断目的，特别是用于确定人类运动活动的类型。

背景技术

人类运动活动类型的确定或者人类在给定时刻是站立、步行、跑步、游泳还是移动的辨识/识别对于获得诊断信息是重要的，特别是用于评估人类健康，评估体力消耗和活动相关的能量消耗。

用于通过使用附接到人体的加速度计来确定人类运动活动类型的各种方法是已知的。

例如，申请JP2013143996(公开于2013年7月25日；IPC A61B5/103，A61B5/55)描述了一种用于确定人类运动活动的类型的方法，该方法基于记录来自与手腕附接的三分量加速度计的信号，检测与脚和地面的接触以及使用者手臂的运动相关的记录的信号峰值，并评估所述峰值的幅度。通过求解相应的方程并将计算结果与预定的阈值进行比较来确定诸如跑步或步行的运动活动的类型。这种方法不能提供对运动活动类型的可靠识别，因为它没有考虑运动习惯，而运动习惯对每个人来说都是单独的。

申请US20130245470(公开于2013年9月19日，IPC A61B5/11)描述了一种用于通过附接到人类胸部的三分量加速度计来确定人类运动活动的类型的方法。这里，运动活动类型的识别是基于这样的事实，即在跑步的某些时刻，当跑步者的脚不与地面接触时，由加速度计记录的加速度矢量与重力矢量相反。在那些时刻，与至少一只脚接触地面的情况相比，加速度矢量大小的导数具有相反的符号。结果，基于加速度矢量大小的导数确定运动的类型。所述方法不能提供对运动活动类型的可靠识别，因为它不考虑特定人的个体运动习惯，而仅能区分跑步和步行。

最接近要求保护的发明的方法可见于申请JP2012065749(公布于2012年4月5日；IPC A61B5/103，A43B5/22)。所述方法提供了对由附接到人体的三分量加速度计生成的信号进行记录并基于此来计算加速度矢量大小。此后，计算加速度矢量大小的极值之间的差，并将获得的结果用于确定执行何种类型的人类运动活动。然而，这种方法与上面所述的方法一样，不能提供人类运动活动类型的可靠识别，因为即使当他/她执行类似的运动时，也不考虑特定个人的个体运动习惯。

发明内容

要求保护的发明旨在解决的技术任务是提出用于识别不同类型的运动活动的更可靠的方法和装置；所述目的是通过编译用于执行各种类型的运动活动的特定人员的加速度幅度的振幅和时间参数的一组参考值(在下文中被称为模式)并且将其用于实施该方法来实现的。

以下术语用于描述本发明。

人类运动活动是一组运动活动或身体运动；它是人类肌肉系统的主要功能。

人类运动活动的类型包括由人执行的步行、跑步、蹲、摆臂、脚摆动、游泳等。

运动活动是指重复运动，例如在步行或跑步过程中的单独步伐、单独的蹲或手臂摆动等等。

三分量加速度计是一种技术装置，其在附接到运动物体上时可以产生与沿着三维空间中的三个正交轴的运动物体加速度矢量的投影相对应的三个电信号。

加速度矢量大小是由三分量加速度计以三个信号的形式记录的加速度的绝对值，所述三个信号对应于沿着三维空间中的三个正交轴的运动物体的加速度投影。

加速度矢量大小的时间阵列是某个(指定)时间间隔的加速度矢量大小值的阵列。

时间限制或马达行为持续时间是从单独的运动活动开始到结束的时间间隔；或者在周期性重复的运动活动的相同阶段之间的时间间隔。

加速度矢量大小极值是其值的时间阵列中的加速度矢量大小的局部极值。

加速度矢量大小极值的数量是单个运动活动的时间限制或持续时间内的局部极值的数量。

模式是一组参数，其将一类人类运动活动表征为一组特定类型的运动活动，包括：

每个运动活动的极值数量的参考值(例如，步行或跑步时的步伐、手臂的摆动等)；

运动活动持续时间的参考值，其由最小值和最大值表示；

相邻极值之间的差的参考值，其由每个极值相对于每个运动活动的下一个极值的最小值和极大值表示。

模式的子集是相同运动活动类型的模式的阵列，其在每个运动活动的极值的参考数量上不同。

当针对各种类型的运动活动进行定制时，所述参数组(模式)被预先形成，这些运动活动可以使用在要求保护的发明中提出的方法来识别。

所述发明的目标之一是提出一种用于识别人类运动活动类型的方法，其中：

登记来自附接到人体并能够产生由人类运动活动引起的信号的三分量加速度计的信号；

基于来自三分量加速度计的所述信号，计算加速度矢量的大小，形成加速度矢量大小的时间阵列，并识别其极值；

通过从一个极值到另一个极值连续地计数，来确定分开的运动活动的持续时间和每个运动活动的加速度矢量大小的相邻极值之间的差，极值的数量等于至少一个模式中的极值的参考数量，该参考数量针对特定类型的运动活动而预先形成，并且由加速度矢量大小极值的特定参考数量、运动活动持续时间的特定参考值以及加速度矢量大小的相邻极值之间的差的特定参考值来表征；

将获得的相邻的加速度矢量大小极值之间的差和运动活动持续时间的值与来自相应的模式的相邻的加速度矢量大小极值之间的差和运动活动持续时间的参考值进行比较；

此后，如果所述确定的运动活动持续时间值和加速度矢量大小的相邻极值之间的差符合运动活动持续时间的所述参考值以及至少一个模式的加速度矢量大小的相邻极值之间的差的预设范围，则进行所执行的运动活动类型的判定。

当分析由附接到人体的三分量加速度计产生的信号的序列时，发明人已经通过实验确定，属于不同类型的运动活动的单个运动活动由以下信息参数表征：

加速度矢量大小极值的数量；

运动活动的持续时间，和

相邻加速度矢量大小极值之间的差值。

因此，提出了形成由加速度矢量大小极值的数量、运动活动持续时间和相邻的加速度矢量大小极值之间的差的参考值表征的多个模式，并与实施所提出的方法的过程中记录的加速度矢量大小的相应参数进行比较。在此，将诸如运动活动持续时间和相邻的加速度矢量大小极值之间的差之类的参数的自然偏差考虑在内，相应的参考值被表示为值的范围——最小值和最大值。应该注意的是，根据具体的任务，针对不同和相似类型的运动活动形成的模式的数量可以变化，例如，如果需要识别一种类型的运动活动，则可以使用单个模式。

在实施所提出的方法的同时，基于由三分量加速度计生成的信号来计算加速度矢量大小，然后形成加速度矢量大小值的时间阵列，并识别其极值。

此后，从第一极值开始计数等于第一模式中的参考极值数量的加速度矢量大小极值的数量，测量假设运动活动的持续时间，并确定相邻极值之间的差。从一个加速度矢量大小极值到另一个加速度矢量大小极值连续地执行类似的过程，并针对每个模式进行重复。如此限定的运动活动持续时间的值和相邻加速度矢量大小极值之间的差值每次都与对应的模式的对应参考值进行比较。

上述过程提供了通过将其参数与参考值进行比较来连续分析加速度矢量大小值阵列的每个片段的机会，其中每个分析片段的尺寸由对应模式的极值的参考数量确定。

最后，如果对于加速度矢量大小阵列的分析片段所特有的运动活动持续时间和加速度矢量大小的相邻极值之间的差的所述确定的值符合运动活动持续时间和对应模式的加速度矢量大小的相邻极值之间的差的所述参考值的预设范围，则对所执行的运动活动类型做出决定。

所提出的运动活动模型的特征在于加速度矢量大小极值的数量、在该极值数量内测量的运动活动持续时间以及相邻极值之间的差，并与加速度矢量大小的记录的时间阵列的分离片段的所述过程结合使用，并且将所述片段参数与相应的参考参数(值)进行比较，提供了可靠地识别所执行的运动活动所述的类型并由此总体上确定运动活动的类型的可能性。这里，术语“可靠”是指第一种和第二种错误的可能性，换句话说，是所执行的运动活动类型的错误识别或者识别不确定的可能性。

如果相对于对应的参考值考虑相邻的加速度矢量大小极值之间的差的变化，则可以增强对运动活动类型的识别的可靠性。

考虑到人体手臂涉及大多数运动类型，加速度计可以附接到人的手臂，特别是手腕，这使得能够识别大部分人类运动活动类型。而且，将这样的装置戴在手腕上是传统而舒适的。

在特定实施例中，三分量加速度计可以由形成三个正交加速度测量轴的互连的三个加速度传感器代替。

如果在形成加速度矢量大小的时间阵列之前对由三分量加速度计产生的信号或加速度矢量大小计算的结果进行平滑，则可以消除对于这种应用而言典型的加速度计信号的高频跳跃。这样的过程进一步增强了运动活动类型识别的可靠性并减少了实施所述方法所需的计算范围。

模式可以例如如下地形成。同时在人执行一系列形成该模式的一定类型的运动活动时，记录来自附接到人体的三分量加速度计的与运动活动有关的信号。进一步地，基于所述信号，计算加速度矢量大小，形成它们的时间阵列，并识别其极值。此后，针对选定的运动活动的数量确定加速度矢量大小极值的数量、运动活动持续时间和相邻极值之间的差。最后，重复的极值数量、以上述极值数量为特征的运动活动的最小和最大持续时间、以及具有上述极值数量的运动活动中的相邻极值之间的最小和最大差，作为至少一个模式的参考值。

如果识别出具有不同重复极值数量的运动活动，则形成至少一个附加模式，其参考值也由重复的极值数量、以上述极值数量为特征的运动活动的最小和最大持续时间、以及以上述极值数量为特征的运动活动中的相邻极值之间的最小和最大差来表示。由此产生的模式形成一种类型的运动活动的模式的子集。

另外，为了消除由三分量加速度计生成的信号的高频跳变，在形成加速度矢量大小的时间阵列之前，平滑所述信号或计算出的加速度矢量大小。

在一般情况下，模式形成可以与特定的人或通过所提出的方法确定的运动活动的类型不相关。然而，如果将三分量加速度计附接到同一人的身体上并且以在实施所提出的方法时所使用的方式附接，则模式形成产生最好的结果。在这种情况下，可以形成反映某人运动的一些特点的模式。

具体地，在模式形成期间由人执行的运动活动的数量在从50到300的范围内。

本发明的另一个目标是一种装置，其用于确定运动活动的类型，并且包括三分量加速度计和计算装置，该三分量加速度计用于附接在人体上并且能够产生与加速度计所经历的加速度沿着三个正交的空间轴的矢量投影相对应的信号，该计算装置连接到加速度计的输出端。

所述计算装置被配置为执行实施所提出的方法所需的所有计算。即：

加速度矢量大小的基于加速度计信号的计算，加速度矢量大小的时间阵列的形成，以及其极值的识别；

对于每个单独的运动活动，评估单个运动持续时间和相邻加速度矢量大小之间的差，其中运动活动的边界通过针对特定类型的运动活动预先形成的至少一个模式将极值的数量与其参考数量进行比较而从一个极值到另一个极值连续地确定，并且其特征在于加速度矢量大小极值的参考数量、运动活动的参考持续时间、以及相邻的加速度矢量大小极值之间的差的参考值；

测量的运动活动持续时间和相邻的加速度矢量大小极值之间的差与某个模式的对应参考值的比较，以及

假定运动活动持续时间和相邻的加速度矢量大小极值之间的差的所述测量值符合至少一个模式的运动活动持续时间以及相邻的加速度矢量大小极值之间的差的所述参考值的预设范围，则做出是否执行特定类型的运动活动的决定。

在特定实施例中，所述计算装置可以被配置为通过另外考虑相邻加速度矢量大小极值之间的差相对于对应参考值的离散度来做出是否执行特定类型运的动活动的决定。

所述加速度计可以设计成固定在手腕上。

可以使用形成三个正交加速度测量轴的三个结构上互连的加速度传感器来代替上述的加速度计。

在特定实施例中，计算装置可以经由循环缓冲器连接到加速度计输出端，以提供加速度计输出端处的信号及其随后的处理的时间相关性。

用于确定人类运动活动类型的装置可以由收发器来补充，以将关于正在执行的人类运动活动的类型的数据无线传输到外部装置。

附图说明

本发明通过以下图形材料来说明。

图1呈现了根据本发明的用于实施所提出的用于确定人类运动活动类型的方法的示例性装置的框图。

图2示出了包括三分量加速度计的用于确定人类运动活动的类型的装置放置在人类手腕上的示例。

图3呈现了用于实施由所要求保护的发明提出的方法的示例性算法的框图，其中所述算法总体上被示出以说明该方法的基本操作。

图4示出了用于形成各种类型的人类运动活动的模式的示例性算法的框图。

图5给出了由三分量加速度计记录的加速度矢量大小的暂时变化的图形表示的示例。该示例图示说明了如何确定表征各种类型的运动活动的局部加速度矢量大小极值。

图6示出了来自图5的加速度矢量大小曲线的片段“c”的放大视图，以图示说明在一个运动活动的边界内的加速度矢量大小的变化以及测量相邻的加速度矢量大小极值之间的差的过程。

图7示出了在实施所提出的方法时记录的来自三分量加速度计的信号的离散度的示例性曲线图。

图8A和图8B(续)表示用于确定人类运动活动的类型的示例性算法的框图，其给出了总体框图在图3中示出的方法的更详细描述。

图9呈现了用于实施根据本发明的方法的用于调节特定类型的人类运动活动的模式的示例性算法的框图。

具体实施方式

所要求保护的发明所提供的方法可以例如借助于装置1来实施，装置1的框图如图1所示。装置1包括具有三个加速度传感器3、4、5的三分量加速度计2，这些加速度传感器产生与加速度计2所经受的加速度沿着空间中的三个正交轴X、Y和Z的矢量投影相对应的信号。加速度传感器3、4和5的输出端通过相应的循环缓冲器6、7和8连接到计算装置9的输入端，该循环缓冲器在一定的时间周期内累积来自加速度传感器3、4和5的信号的值。装置1可以附接到人体，使得人的运动活动引起加速度传感器3、4、5产生稳定的信号。人的手腕是用于附接装置1的最方便的地方，装置的至少包括加速度计2的部分(如图2所示)由此提供机会以确定不同类型的人类运动活动(换言之，运动的类型)的最大数量。

三分量加速度计2(参见图1)连续地产生与加速度计2经受的沿着三个正交矢量轴X、Y和Z的加速度投影相对应的信号x_i、y_i和z_i(其中，i是连续计数数量)。这些信号通过循环缓冲器6、7和8被馈送到计算装置9以供进一步处理。循环(或循环的)缓冲器是通常用于将在一些异步处理之间(在此，连续生成的信号x_i、y_i和z_i之间)的数据流及其由计算装置9执行的处理相关联的FIFO(先入先出)类型。因此，循环缓冲器6、7、8存储信号x_i、y_i和z_i的连续值，其总数取决于循环缓冲器6、7、8的容量；所述信号值在每个连续的计数处连续地更新。计算装置9基于算法来确定特定类型的运动活动，其框图大体上在图4中呈现，并且在图8A、图8B中更详细地描述。循环缓冲器6、7、8的容量由诸如计算装置9的处理速度、执行的计算的复杂度以及所需的计算准确度等因素的组合来规定。

装置1可以用收发器10来补充，以用于将当前执行的人类运动活动的数据无线传输到外部独立装置，例如，传输到累积这些数据的个人计算机或智能手机11。其它选项也是可能的，其中来自智能电话11的数据利用某些网络技术(例如因特网)传送到外部存储器以用于累积以及随后的处理和分析，以用于评估人的身体状况、身体能量消耗等等的上述目的。

示出了用于实施所提出的方法的算法所执行的基本操作的框图在图3中示出。信号x_i、y_i和z_i(其中，i是连续计数数量)以给定的采样率同时生成并且被馈送到三分量加速度计2(位置101)的输出端，该三分量加速度计构成固定在手腕上的装置1的一部分。如上所述，所述信号对应于加速度矢量的沿着三个正交空间轴X、Y和Z的投影。

首先(步骤102)，基于信号x_i、y_i、z_i计算加速度矢量大小，如下：

从而形成值A_i的序列。

为了消除计算值A_i的高频跳变，例如可以通过指数加权移动平均的方法来平滑上述序列(步骤103)。于是，形成了一组没有高频分量的值的新阵列。各种平滑方法是已知的，其可以根据由加速度计2生成的信号x_i、y_i、z_i的频谱来使用。

作为另外一种选择，可以如下修改平滑序列和加速度矢量大小的计算：首先对信号x_i、y_i、z_i进行平滑，之后计算加速度矢量大小。

基于获得的值形成加速度矢量大小的时间阵列(步骤104)并且随后分析加速度矢量大小的时间阵列。所述时间阵列被存储在计算装置9的RW存储器中。

加速度矢量大小的值在图5中示出为示出了值随时间变化的曲线图。显示的曲线具有特征性的锯齿形状。在这个例子中，在“a”区域中的用于的幅度和时间比率是人至少不步行或跑步的情况的特征，而在“b”区域中的那些是步行的人的特征。

在下一个步骤105(参见图3)中，确定加速度矢量大小的局部极值(参见图5的曲线图上的点标记)。之后，在步骤106中，针对所选择的局部极值识别单个运动的时间边界。所述识别是基于一系列局部加速度矢量大小极值与在各种类型的人类运动活动内的一个运动活动的加速度矢量大小极值的数量的参考值的比较。参考值显示在图3中，位置107。

如上所述，模式呈现表征某种类型的人类运动活动的一组参数或参考值。因此，可以使用与特定类型的运动活动相关的多种模式，其中每个模式又可以由用于给定类型的运动活动的模式子集表示。例如，用于识别步行、跑步和跳跃的多种模式S可以包括：

S＝{S_W,S_R,S_J}

其中：S_W是步行模式的子集；

S_R是跑步模式的子集；

S_J是跳跃模式的子集。

另外，每个子集S_W、S_R或S_J可以包括若干模式。例如，包含W个模式(其中W是自然整数)的步行模式S_W的子集可以被表示为：

其中：是第一步行模式；

是第二步行模式；

…

是第W步行模式。

给定类型的运动活动的每个运动活动的局部极值的数量可以用作区分相同子集的模式的标准。

最后，每个模式包括一组以下参考值：

S＝{E,T_min,T_max,h_(1)min,h_(1)max,...,h_(E-1)min,h_(E-1)max}

其中：E是每一个运动活动(例如，步行步伐、跑步步伐、跳跃、手臂摆动等)的极值的数量。

T_min是运动活动的最小持续时间；

T_max是运动活动的最大持续时间；

h_(1)min是第一和第二极值之间的最小差；

h_(1)max是第一和第二极值之间的最大差；

h_(E-1)min是倒数第二和最后一个极值之间的最小差；

h_(E-1)max是倒数第二和最后一个极值之间的最大差。

那些模式在调谐或“教导”装置1的阶段预先形成，这将在下面进行描述，并且作为参考值被存储在所述计算装置9的存储器中。

从第一个检测到的局部加速度矢量大小极值开始，在步骤106对于所有可用的模式连续地识别单个运动的时间边界(参见图3)。首先，从第一个局部极值开始计数等于第一模式中的极值数量E的极值的数量，该第一个局部极值有条件地视为运动活动的开始。因此，该条件运动活动的持续时间T被确定。如果所述持续时间T不在第一模式指定的范围T_min–T_max内，则对下一模式执行相同的过程。如果加速度矢量大小的第一个局部极值的持续时间T与持续时间范围的模式不匹配，则对下一个局部极值加速度矢量大小执行相同的过程。重复相同的过程，直到在加速度矢量大小阵列中找到与相关模式相匹配的局部最小值，即，直到该模式中每个极值数量E的持续时间T符合由该模式设定的值的范围T_min–T_max为止。如上所述，模式的数量由识别各种类型的人类运动活动的问题的复杂性来确定，但是，如果设定借助于某些参考值来识别特定的运动活动类型的简单任务，则一般而言，仅仅单个模式可能就足够了。

进一步地，在步骤106限定的运动活动的时间边界内，相邻极值的差被确定(步骤108)，例如从h₁至h₄的五个极值，如图6中的示例所示，这些差与相邻极值差的相应参考值h_(1)min、h_(1)max,…,h_(4)min、h_(4)max进行比较(步骤109)。比较结果存储在存储器中。对所有模式重复该过程。如果加速度矢量大小的相邻极值的所有比较的差都符合某种类型的运动活动的参考值的给定范围，则对是否执行了与给定模式或运动活动类型相对应的运动活动进行判定。

为了形成模式，将装置1以将来将用于确定的运动活动类型的相同方式附接到人体，例如手腕上，如图2所示。使用者切换装置1到设置模式并且执行特定类型的运动，例如步行或跑步。图4中示出了用于形成各种类型的人类运动活动的模式的示例性算法的框图。获得参考值所需的循环步行或跑步运动活动的数量在50至300的范围内。如果需要，可以重复装置1的设定，为此提供用于更新或调节参考值的特殊模型；所述模型将在下面的图9中描述。

在模式形成模型(参见图4)和运动活动类型识别模式中，使用加速度计2(位置201)的信号x_i、y_i、z_i来计算加速度矢量大小(步骤202)，然后其值被顺序地进行平滑(步骤203)，如上所述，并且用于形成加速度矢量大小的时间阵列(步骤204)以及识别加速度矢量大小的局部极值(步骤205)。

此后，基于给定类型的执行的运动活动的数量(步骤206)，测量给定类型运动活动的平均持续时间(步骤207)。具体地，在步行模式形成过程中绘制的图5的曲线图具有的特征在于表示加速度矢量大小极值的点以及表示运动活动的暂时边界的竖直虚线，加速度矢量大小的局部最小值以大致相等的时间间隔重复。那些局部最小值的位置被认为是下一个运动活动的开始。如所看到的，一个运动活动——在这里，一个步行步伐——持续大约0.4到0.6秒。

此后，识别每个运动活动的极值的数量。从图5可以看出，本例子选择的一个运动活动可以包含三到五个极值，当前运动活动的最后一个极值被认为是下一个运动活动的第一个极值。此后，指定相邻极值之间的差。所述过程在图6中示出，该图示出了图5中呈现的加速度矢量大小曲线的片段“c”的放大视图。这里，持续时间为T的每个运动活动的极值的数量等于五，而相邻极值之间的差相应地表示为h₁,h₂,h₃,h₄。

上述操作以循环方式执行：START(循环的开始)对应于第一局部最小值的位置(步骤208)，END指示与第一局部最小值(START位置)间隔大约运动活动持续时间的下一局部最小值的位置(步骤209)。在下一个步骤(210)中，确定运动活动内的极值的数量、运动活动持续时间、以及运动活动内的相邻极值之间的差。这些参数被存储为步行模式的子集中的第一模式的初始参考值。接下来，执行检验(步骤212)以查看是否可以在给定类型的运动活动的大致持续时间内找到加速度矢量大小的其它最小值。如果检测到另一个局部最小值，则循环反转到开始，并且重复上述提到的过程，指定每个给定运动活动的极值数量，测量运动活动持续时间并找出运动活动内的相邻极值之间的差。这里，循环的开始(START)对应于与前一个运动活动相关的最后一个局部最小值的位置。

结果被保存为下一个参考值。重复该过程，直到在步骤212中没有找到加速度矢量大小的时间阵列中的局部最小值。

最终如下形成用于给定类型的运动活动的模式子集。在步骤210存储的参数被分类成具有相同极值数量的组，这些组的数量由子集中的模式的数量确定。运动活动持续时间的最小值和最大值T_min和T_max对于每个组而言分别由等于E的极值数量以及相邻极值之间的差的最小值和最大值h_(1)min,h_(1)max,…,h_(E-1)min,h_(E-1)max确定。这些参数被接受作为参考。例如，对于图5所示的情况，根据在单个运动的加速度幅度的阵列中识别的极值的数量3、4和5形成了三个模式。

图7和图8a、8b给出了如何实施由本发明提出的方法的更详细的说明。图8a和8b示出了大致在图3中进行描述的用于确定人类运动活动类型的算法的更详细框图。为了增强确定运动类型的可靠性，算法还例如通过计算平均值偏差幅度而考虑检测到的来自三分量加速度计的信号的离散度。

如上所述，首先，基于加速度计信号x_i,y_i,z_i(步骤301)计算加速度矢量大小(步骤302)并进行平滑(步骤303)。进一步，形成加速度矢量大小的时间阵列(步骤304)，并确定加速度矢量大小的局部极值(步骤305)。

确定运动活动的类型的过程由加速度矢量大小的时间阵列与模式的循环比较组成。该过程以上面参考图3描述的方式执行。它以识别加速度矢量大小的第一局部极值(步骤306)开始。之后，执行检验(步骤307)以查看是否有其它模式可用，这些模式尚未与加速度矢量大小的时间阵列进行比较。如果找到这样的模式(模式数据由位置308表示)，则下一个模式被用于比较(步骤309)，并且将等于给定的模式极值的数量E的加速度矢量大小的阵列中的极值的数量不算在内(步骤310)。此外，在步骤311确定持续时间T和相邻极值的差h₁,…,h_E-1，在此之后，通过将上述值与参考值T_min和T_max以及h_(1)min,h_(1)max,…,h_(E-1)min,h_(E-1)max进行比较来初步判定(步骤312)运动活动和给定模式是否一致。该决定被认为是初步的，因为来自加速度矢量大小阵列的分析片段可以匹配两个或更多个模式。事实上，这个阶段只是确定了初步的或候选的模式，根据这种模式对运动活动的类型做出最后的决定。此外，使用电流加速度计信号针对该片段确定与平均统计值的模式偏差(步骤313)。该信息被存储在存储器中，而选择下一个模式的过程(如果存在的话)与步骤309—312(并且必要时，313)中描述的过程一起重复。如果没有找到对应关系，则将模式从候选的范围排除，并且选择程序应用于下一个模式(如果存在的话)，重复步骤309—312(并且必要时，313)中规定的程序。

结果，在检查了所有的模式之后，选择一个模式、两个模式或者没有选择模式。此后，从显示的“候选模式”中进行最终选择或者识别运动活动的类型，可选地考虑到相邻极值之间的差与模式的平均统计值的偏差。

可以对这些参数与统计模式值之间的偏差进行额外的评估，以增强运动活动类型识别的可靠性。对于图5所示的步行情况，在图7中给出估计加速度计信号x_i,y_i,z_i的离散度的一个例子。在这个例子中，用作评估偏差程度的参数的离散度被认为是平均加速度计信号相对于平均信号值的偏差。在这种情况下，信号x_i的离散度值D_X的范围为2.5至9，平均离散度值约为5。对于信号y_i和z_i，离散度值D_Y和D_Z不超过2，平均约为1。所以，如果分别等于6；1.5；1的平均信号值M(x_i),M(y_i),M(z_i)作为参考值，那么与模式的偏差将是：

D＝(6-5)²+(1,5-1)²+(1-1)²＝1,25

数值D越低，执行的运动活动越对应于给定的模式。

在图8b中描述了用于确定运动活动的类型的最后步骤。首先(步骤314)，在步骤312识别对应于分析的运动活动的候选模式的数量。如果所述候选模式的数量多于一个，则所分析的运动活动被认为对应于这种类型的运动活动，该类型的运动活动具有模式，值D相对于该模式是最小的(步骤315)；之后，这种类型的运动活动的计数增加1(步骤316)。如果步骤314识别出仅仅一个候选模式，则该过程直接前进到步骤316，将该类型的运动活动的计数加1。步骤317标记循环的结束。

此外，执行检验以查看是否可以在加速度幅度阵列中找到任何其它的极值(步骤318)。如果没有检测到，则确定人类运动活动类型的过程完成，并且相关计数器存储关于所识别的特定类型的运动活动的数量的信息。这个信息作为一个整体可以确定在特定的时间间隔内的人类运动活动的类型。

如果步骤314的结果显示在步骤312没有识别出候选模式，则考虑下一个加速度幅度的极值(步骤320)。再一次，执行检验以查看是否存在其它的加速度幅度极值(步骤318)。如果没有检测到，则完成对运动活动类型的识别。如果在加速度幅度阵列中发现其它极值，则复位模式计数器(步骤321)，再次执行步骤307(参见图8a)。

如果需要，使用者可以切换到模式更新模型。例如，如果装置1被附接到另一个手臂或使用者身体上的不同位置，或者当改变使用者时，则可能需要这样做。当使用者以特定的方式移动时，可能需要更新模式来识别运动活动类型。

图9中示出了处于模式更新模型下的装置1的操作算法的框图。首先，指定要更新的模式或模式子集。例如，步行模式子集需要更新。使用者将装置1切换到更新模式并且执行与模式形成过程中相同的特定类型的50到300个运动活动(这里是步行步伐)。因此，如上面参考图3、4、8a、8b所描述的，形成加速度矢量大小的阵列。此外，子集模式的更新通过处理用于单独的运动活动的加速度矢量大小阵列的片段的示例来描述(位置401)。

首先，识别所述加速度矢量大小阵列的片段中的极值的数量(步骤402)。此后，执行检验(步骤403)以查看是否有任何其它先前形成的子集的模式具有相同的极值数量。如果没有被检测到，则针对给定的模式子集形成新的模式(步骤404)。在这种情况下，参考值包括：对于极值的参考数量：新的极值数量；对于参考最小和最大运动活动持续时间：片段持续时间；对于相邻极值之间的最小和最大差：加速度矢量大小阵列的给定片段的相邻极值之间的对应差。这标志着新模式形成的完成。其关于运动活动持续时间范围和相邻极值之间的差的范围的参考值将在以后进行调节。

如果步骤403建立了：在给定子集的先前形成的模式之中存在具有与在加速度矢量大小阵列的分析片段中所找到的数量相等的极值数量E的极值，则其参考值需要更新。首先，评估片段持续时间，即运动活动的持续时间(步骤405)，然后(步骤406)计算相邻的加速度矢量大小极值之间的差。进一步地，执行检验(步骤407)以查看计算出的运动活动持续时间和相邻极值之间的差是否符合参考值的范围：T_min,T_max,以及h_(1)min,h_(1)max,…,h_(E-1)min,h_(E-1)max。如果是，则在步骤408更新模式的统计数据：M(x_i),M(y_i),M(z_i)。如果所获得的运动活动持续时间和相邻极值之间的差中的至少一个不符合相应参考值的范围，则执行步骤409，以通过改变相应的值T_min,T_max或h_(1)min,h_(1)max,…,h_(E-1)min,h_(E-1)max来扩展所述值的范围。之后，更新模式的统计数据M(x_i),M(y_i),M(z_i)。加速度计信号(步骤410)被用来更新模式的统计数据。这标志着模式更新的结束。

根据要求保护的本发明的用于确定人类运动活动类型的方法使得不仅能够识别上述示例中所描述的步行或跑步，而且还能够识别其它类型的运动，例如跳跃或静止。除了别的之外，可以使用诸如“垂直手臂摆动”或“水平手臂摆动”之类的这种类型的运动活动的识别来确定身体锻炼的类型或人正在执行的动作。所提出的方法可以用于各种应用中。例如，通过监测使用者的运动活动来检查使用者身体的状况似乎是该方法最有希望的应用。

所描述的用于实现所提出的方法的装置可以被制造成腕带，其识别运动的类型，计数所执行的运动活动的数量并监测使用者的健康。本发明可以实施为独立的小配件或者包括配备有加速度传感器和加速度信号处理电路的人体可穿戴设备、移动通信装置以及外部数据库的系统。

Claims (17)

1.一种用于确定人类运动活动的类型的方法，包括：

记录来自附接到人体并能够产生由人类运动活动引起的信号的三分量加速度计的信号；

基于来自三分量加速度计的所述信号计算加速度矢量的大小，形成加速度矢量大小的时间阵列并识别该时间阵列的极值；

通过从一个极值到其他多个数量与至少一个模式中的参考极值数量相等的极值连续地计数，确定单个运动的持续时间以及每个运动活动的加速度矢量大小的相邻极值之间的差，所述至少一个模式由特定类型的运动活动预先确定并且由加速度矢量大小极值的特定参考数量表征，确定运动活动持续时间的特定参考值，以及确定加速度矢量大小的相邻极值之间的差的特定参考值；

将运动活动的持续时间及相邻的加速度矢量大小的极值之间的差的确定值与对应模式的运动活动持续时间及相邻的加速度矢量大小的极值之间的差的参考值进行比较；以及

根据运动活动的持续时间和加速度矢量大小的相邻极值之间的差的所述确定值是否符合至少一个模式的运动活动持续时间及加速度矢量大小的相邻极值之间的所述差的所述参考值的预设范围，确定所执行的运动活动的类型。

2.根据权利要求1所述的方法，其还包括：根据加速度矢量大小的相邻极值之间的差相对于对应模式值的离散度来确定执行已知类型的运动活动。

3.根据权利要求1所述的方法，其中所述三分量加速度计附接到人体手臂。

4.根据权利要求1所述的方法，其中所述三分量加速度计固定在手腕上。

5.根据权利要求1所述的方法，其中所述三分量加速度计包括形成三个正交加速度测量轴的三个结构上互连的加速度传感器。

6.根据权利要求1所述的方法，其中来自三分量加速度计的信号或加速度矢量大小在形成加速度矢量大小的时间阵列之前经历平滑过程。

7.根据权利要求1所述的方法，其中形成所述至少一个模式包括：

记录来自附接到人体并能够产生由人类运动活动引起的信号的三分量加速度计的信号；所述记录是在用于形成所述至少一个模式类型的一系列人类运动活动期间执行的；

基于来自三分量加速度计的所述信号计算加速度矢量的大小，形成加速度矢量大小的时间阵列并识别该时间阵列的极值；

确定每个运动活动的加速度矢量大小的极值数量、每个运动活动的持续时间以及加速度矢量大小的相邻极值之间的差；以及

将所述极值的重现数量、具有所述极值重现数量的每个运动动作的持续时间的最小值和最大值、以及具有所述极值重现数量的相邻极值之间的差的最小值和最大值，指定为所述至少一个模式的参考值。

8.根据权利要求7所述的方法，其中当发现至少一个运动活动包含不同的重现数量的极值时形成至少一个另外的模式，其中极值的不同重现数量、具有所述极值的不同重现数量的每个运动动作的持续时间的最小值和最大值、以及具有所述极值的不同重现数量的相邻极值之间的差的最小值和最大值，作为所述至少一个另外的模式的参考值。

9.根据权利要求7所述的方法，其中来自三分量加速度计的信号或加速度矢量大小在形成加速度矢量大小的时间阵列之前经历平滑过程。

10.根据权利要求7所述的方法，其中形成所述至少一个模式进一步包括将三分量加速度计附接至人体，其中该人体的人类运动活动类型随后被确定。

11.根据权利要求7所述的方法，其中在形成所述至少一个模式期间，由人执行的一系列相同类型的运动活动中的运动活动的数量范围为50至300。

12.一种用于确定运动活动的类型的装置，包括：

三分量加速度计和计算装置，该三分量加速度计用于附接到人体并用于产生与加速度计的加速度矢量沿三个正交空间轴的投影相对应的信号，该计算装置联接到加速度计的输出端；

所述计算装置用于计算加速度矢量大小，以形成加速度矢量大小的时间阵列并识别其极值；

确定单个运动的持续时间并且确定每一单个运动的加速度矢量大小的相邻极值之间的差，其中通过将极值数量与至少一个模式中的参考数量进行比较来从一个极值到另一极值连续地确定运动活动的边界，所述至少一个模式由已知类型的运动活动预先确定并且由加速度矢量大小极值的参考数量、运动活动持续时间的参考值、以及加速度矢量大小的相邻极值之间的差的参考值表征；

将所测量的运动活动的持续时间与加速度矢量大小的相邻极值之间的差与对应模式的对应参考值进行比较；和

如果运动活动持续时间和加速度矢量大小的相邻极值之间的差的所述测量值符合运动活动持续时间和所述至少一个模式的加速度矢量大小的相邻极值之间的差的所述参考值的预设范围，则确定是否执行了给定类型的运动活动。

13.根据权利要求12所述的装置，其中所述计算装置被配置为基于加速度矢量大小的相邻极值之间的差相对于对应参考值的离散度来确定所执行的运动活动的类型。

14.根据权利要求12所述的装置，其中所述加速度计能够附接在手腕上。

15.根据权利要求12所述的装置，其中三分量加速度计包括形成三个正交加速度测量轴的三个结构上互连的加速度传感器。

16.根据权利要求12所述的装置，其中所述计算装置经由循环缓冲器联接到加速度计的输出端。

17.根据权利要求12所述的装置，还包括收发器，用于将当前执行的人类运动活动类型的数据无线传输给外部装置。