CN107909023A - 运动参数的识别方法、装置、终端及存储介质 - Google Patents
运动参数的识别方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN107909023A CN107909023A CN201711112935.9A CN201711112935A CN107909023A CN 107909023 A CN107909023 A CN 107909023A CN 201711112935 A CN201711112935 A CN 201711112935A CN 107909023 A CN107909023 A CN 107909023A
- Authority
- CN
- China
- Prior art keywords
- data
- exercise data
- kinematic parameter
- historical movement
- terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000033001 locomotion Effects 0.000 claims abstract description 253
- 238000012549 training Methods 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 13
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004220 aggregation Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Abstract
本申请公开了一种运动参数的识别方法、装置、终端及存储介质，属于终端技术领域。所述方法包括：获取目标对象的第一运动数据和第二运动数据，第一运动数据为可穿戴设备在目标时间段内采集的运动数据，第二运动数据为终端在目标时间段内采集的运动数据，获取运动参数模型，运动参数模型是根据历史运动数据训练得到的，历史运动数据用于表示目标对象的运动规律；根据第一运动数据和第二运动数据，采用运动参数模型得到识别结果，识别结果用于指示目标对象的运动状态和/或运动状态的估计开始时刻。本申请通过运动参数是根据可穿戴设备和终端这两者采集到的数据综合确定的，避免了运动参数的识别仅依赖于可穿戴设备的情况，提高了运动参数的识别结果的可信度。
Description
技术领域
本申请实施例涉及终端技术领域，特别涉及一种运动参数的识别方法、装置、终端及存储介质。
背景技术
智能手环、智能手表、智能眼镜等可穿戴设备，可以记录用户日常生活中的运动参数，运动参数包括用户的运动状态和/或运动状态的开始时刻。
发明内容
本申请实施例提供了一种运动参数的识别方法、装置、终端及存储介质，可以提高识别运动参数的准确率。所述技术方案如下：
第一方面，提供了一种运动参数的识别方法，用于与可穿戴设备建立通信连接的终端中，所述方法包括：
获取目标对象的第一运动数据和第二运动数据，所述第一运动数据为所述可穿戴设备在目标时间段内采集的运动数据，所述第二运动数据为所述终端在所述目标时间段内采集的运动数据；
获取运动参数模型，所述运动参数模型是根据历史运动数据训练得到的，所述历史运动数据用于表示所述目标对象的运动规律；
根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果，所述识别结果用于指示所述目标对象的运动状态和/或所述运动状态的估计开始时刻。
第二方面，提供了一种运动参数的识别装置，用于与可穿戴设备建立通信连接的终端中，所述装置包括：
第一获取模块，用于获取目标对象的第一运动数据和第二运动数据，所述第一运动数据为所述可穿戴设备在目标时间段内采集的运动数据，所述第二运动数据为所述终端在所述目标时间段内采集的运动数据；
第二获取模块，用于获取运动参数模型，所述运动参数模型是根据历史运动数据训练得到的，所述历史运动数据用于表示所述目标对象的运动规律；
识别模块，用于根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果，所述识别结果用于指示所述目标对象的运动状态和/或所述运动状态的估计开始时刻。
第三方面，提供了一种终端，所述终端包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现第一方面提供的运动参数的识别方法。
第四方面，提供一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被处理器执行时实现第一方面提供的运动参数的识别方法。
本申请实施例提供的技术方案带来的有益效果是：
通过终端接收到可穿戴设备在目标时间段内采集的第一运动数据，以及终端在目标时间段内采集的第二运动数据，并根据第一运动数据和第二运动数据采用运动参数模型得到识别结果，该识别结果用于指示该目标对象的运动状态和/或运动状态的估计开始时刻；使得运动参数是根据可穿戴设备和终端这两者采集到的数据综合确定的，避免了运动参数的识别仅依赖于可穿戴设备的情况，提高了运动参数的识别结果的可信度。
附图说明
图1是本申请实施例提供的运动参数的识别方法所涉及的实施环境的结构示意图；
图2是本申请一个实施例提供的运动参数的识别方法的流程图；
图3是本申请另一个实施例提供的运动参数的识别方法的流程图；
图4是本申请一个实施例提供的运动参数的识别方法涉及的原理示意图；
图5是本申请一个实施例提供的运动参数的识别方法涉及的原理示意图；
图6是本申请一个实施例提供的运动参数的识别方法涉及的界面示意图；
图7是本申请一个实施例提供的运动参数的识别装置的结构示意图；
图8是本申请一个示例性实施例提供的终端的结构方框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先，对本申请涉及到的名词进行介绍。
运动参数模型：是一种用于根据输入的数据确定目标对象的运动参数的数学模型。
可选地，运动参数模型包括但不限于：深度神经网络(Deep Neural Network，DNN)模型、循环神经网络(Recurrent Neural Networks，RNN)模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型、逻辑回归(LogisticRegression，LR)模型中的至少一种。
DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称，中间层)和输出层。可选地，输入层、至少一层隐层(或称，中间层)和输出层均包括至少一个神经元，神经元用于对接收到的数据进行处理。可选地，不同层之间的神经元的数量可以相同；或者，也可以不同。
RNN模型是一种具有反馈结构的神经网络。在RNN模型中，神经元的输出可以在下一个时间戳直接作用到自身，即，第i层神经元在m时刻的输入，除了(i-1)层神经元在该时刻的输出外，还包括其自身在(m-1)时刻的输出。
embedding模型是基于实体和关系分布式向量表示，将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中，三元组实例包括主体、关系、客体，三元组实例可以表示成(主体，关系，客体)；主体为实体头，客体为实体尾。比如：小张的爸爸是大张，则通过三元组实例表示为(小张，爸爸，大张)。
GBDT模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值，以年龄为例，预测值为属于年龄对应的节点的所有人年龄的平均值。
LR模型是指在线性回归的基础上，套用一个逻辑函数建立的模型。
相关技术中，可穿戴设备对运动参数进行识别的过程包括：可穿戴设备采集用户的运动数据，对运动数据进行分析，得到并记录用户的运动参数，运动参数包括运动状态和/或运动状态的开始时刻。当可穿戴设备与终端建立通信连接时，将记录的运动参数同步至终端，使得终端能够显示用户的运动参数。上述运动参数的识别方法仅依赖于可穿戴设备，导致运动参数的识别结果的准确率较低。为此，本申请提供了一种运动参数的识别方法、装置、终端及存储介质，以解决上述相关技术中存在的问题。本申请提供的技术方案中，通过根据可穿戴设备和终端这两者采集到的数据综合确定运动参数，提高了运动参数的识别结果的可信度。下面采用示意性的实施例进行说明。
请参考图1，其示出了本申请实施例提供的运动参数的识别方法所涉及的实施环境的结构示意图。该实施环境包括：至少一个可穿戴设备120和至少一个终端140。
可穿戴设备120是可穿戴在目标对象身上，具有预设功能的便携式设备。可穿戴设备120包括智能手环、智能手表、智能眼镜、智能头盔中的至少一种。本申请实施例中仅以可穿戴设备120为智能手环为例进行说明。
目标对象为穿戴有该可穿戴设备120的具有运动能力的客体，包括人类、动物或者机器人等。本申请实施例中仅以目标对象为人类为例进行说明。
可穿戴设备120用于检测目标对象的行为数据。该行为数据包括但不限于目标对象的生理数据、目标对象的第一运动数据等数据。生理数据包括目标对象的脉搏、血压、呼吸频率、体温中的至少一种。第一运动数据包括目标对象的速度、加速度、角速度、运动状态的第一开始时刻中的至少一种。
可选的，可穿戴设备120中包括重力传感器、光电传感器、温度传感器、振动传感器、压力传感器、陀螺仪中的至少一种传感器，通过上述至少一种传感器，可穿戴设备120检测到用户的至少一种行为数据。
比如，可穿戴设备120通过重力传感器采集目标对象的重力加速度。
可穿戴设备120通过无线网络或有线网络与终端140建立通信连接。
可选的，可穿戴设备120与终端140进行配对，在可穿戴设备120与终端140配对成功后，与终端140进行通信。可穿戴设备120与终端140配对成功是指可穿戴设备120与终端140通过任一种通信方式建立通信信道，可穿戴设备120与终端140之间能够相互传输数据，或者至少能够进行单向通信。在本申请实施例中，由于需要由可穿戴设备120采集目标对象的第一运动数据并发送至终端140，因此在本申请实施例中，可穿戴设备120与终端140配对成功后，至少存在可穿戴设备120到终端140的单向传输信道。
其中，可穿戴设备120和终端140之间的通信模式包括蓝牙、近场通信(Near FieldCommunication，NFC)、无线保真(Wireless-Fidelity，WiFi)、红外等任一种通信模式。当可穿戴设备120与终端140配对成功，那么可穿戴设备120和终端140中将保存有相互的标识，只要可穿戴设备120与终端140配对成功过一次，那么只要该可穿戴设备120与终端140再次处于通信范围内，将自动建立通信信道。
可选的，可穿戴设备120将采集到的第一运动数据发送至终端140。对应的，终端140接收到第一运动数据。
终端140也称为便携式终端140，该终端140可以是手机、MP3播放器(MovingPicture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器等设备。
终端140中内置有运动传感器，该运动传感器用于采集目标对象的第二运动数据。第二运动数据包括目标对象的速度、加速度、角速度、运动状态的第二开始时刻中的至少一种。
可选的，终端140中存储有运动参数模型，该运动参数模型是根据历史运动数据训练得到的，历史运动数据用于表示该目标对象的运动规律。
由于可穿戴设备120和终端140都是用户经常随身携带的，因此终端140能够接收到可穿戴设备120在目标时间段内采集的第一运动数据，以及终端140自身在目标时间段内采集的第二运动数据，并根据第一运动数据和第二运动数据采用运动参数模型得到识别结果，该识别结果用于指示该目标对象的运动状态和/或运动状态的估计开始时刻；使得运动参数是根据可穿戴设备和终端这两者采集到的数据综合确定的，避免了运动参数的识别仅依赖于可穿戴设备的情况，提高了运动参数的识别结果的可信度。
可选地，在本申请实施例中，无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(HyperText Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Trassport LayerSecurity，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
请参考图2，其示出了本申请一个实施例提供的运动参数的识别方法的流程图。本申请实施例以该运动参数的识别方法应用于图1所示出的终端140来举例说明。该运动参数的识别方法包括：
步骤201，获取目标对象的第一运动数据和第二运动数据，第一运动数据为可穿戴设备在目标时间段内采集的运动数据，第二运动数据为终端在目标时间段内采集的运动数据。
可选的，可穿戴设备通过内置的至少一种传感器实时采集目标对象的第一运动数据。第一运动数据包括目标对象的速度、加速度、角速度中的至少一种，或者，第一运动数据包括目标对象的运动状态。
可选的，第一运动数据还包括运动状态的第一开始时刻。其中，目标对象的运动状态包括步行状态、骑行状态和跑步状态中的一种。
可穿戴设备将采集到的第一运动数据实时地发送至终端，或者每隔预定时间段发送至终端，对应的，终端接收到第一运动数据。
目标时间段内采集到的第一运动数据发送至终端，对应的，终端接收到第一运动数据。
可选的，终端通过内置的运功传感器实时采集目标对象的第二运动数据。第二运动数据包括目标对象的速度、加速度、角速度中的至少一种，或者，第二运动数据包括目标对象的运动状态。
可选的，第二运动数据还包括运动状态的第二开始时刻。
终端获取可穿戴设备在目标时间段内采集的第一运动数据的同时，获取在同一个目标时间段内终端采集到的目标对象的第二运动数据。
可选的，目标时间段为从第一时刻到第二时刻的一段时间段，该第一时刻小于当前时刻且第一时刻与当前时刻的差值绝对值为第一预定阈值，该第二时刻大于当前时刻且第二时刻与当前时刻的差值绝对值为第二预定阈值。
比如，当前时刻为9:00，第一预定阈值为20分钟，第二预定阈值为30分钟，则目标时间段为8:40至9:30这一时间段，终端获取这一时间段内用户的第一运动数据和第二运动数据。
步骤202，获取运动参数模型，运动参数模型是根据历史运动数据训练得到的，历史运动数据用于表示目标对象的运动规律。
终端中存储有运动参数模型，该运动参数模型是根据至少一组历史运动数据训练得到的，每组历史运动数据包括：可穿戴设备采集的第一历史运动数据、终端采集的第二历史运动数据和预先标定的正确历史运动数据。
每组历史运动数据中预先标定的正确历史运动数据是指通过其他测量工具测量得到的目标对象实际上的历史运动数据，或者设置的目标对象实际上的历史运动数据。
其中，运动参数模型的训练过程可参考下面的实施例中的相关描述，在此先不介绍。
步骤203，根据第一运动数据和第二运动数据，采用运动参数模型得到识别结果，识别结果用于指示目标对象的运动状态和/或运动状态的估计开始时刻。
可选的，目标对象的运动参数包括目标对象的运动状态和/或运动状态的估计开始时刻。
目标对象的运动状态的确定方式包括：当第一运动数据和第二运动数据均包括目标对象的速度、加速度和角速度中的至少一种时，终端根据第一运动数据和第二运动数据，采用运动参数模型得到目标对象的运动状态。
运动状态的估计开始时刻的确定方式包括：当第一运动数据包括可穿戴设备记录的运动状态的第一开始时刻，第二运动数据包括终端记录的运动状态的第二开始时刻时，终端根据第一开始时刻和第二开始时刻，采用运动参数模型得到运动状态的估计开始时刻。
需要说明的一点是，运动状态的确定方式和运动状态的估计开始时刻的确定方式可以均是根据第一运动数据和第二运动数据确定的，也可以其中一个确定方式是根据第一运动数据和第二运动数据确定的，另一个确定方式是根据第一运动数据或第二运动数据确定的即可。
比如，当第一运动数据包括可穿戴设备记录的运动状态和运动状态的第一开始时刻，第二运动数据包括终端记录的运动状态的第二开始时刻时，终端根据第一运动数据得到目标对象的运动状态，根据第一运动数据和第二运动数据，采用运动参数模型得到运动状态的估计开始时刻。
需要说明的另一点是，运动状态的确定方式和运动状态的估计开始时刻的确定方式可参考下面实施例中的相关描述，在此先不介绍。
综上所述，由于可穿戴设备和终端都是用户经常随身携带的，本申请实施例通过终端接收到可穿戴设备在目标时间段内采集的第一运动数据，以及终端在目标时间段内采集的第二运动数据，并根据第一运动数据和第二运动数据采用运动参数模型得到识别结果，该识别结果用于指示该目标对象的运动状态和/或运动状态的估计开始时刻；使得运动参数是根据可穿戴设备和终端这两者采集到的数据综合确定的，避免了运动参数的识别仅依赖于可穿戴设备的情况，提高了运动参数的识别结果的可信度。
在终端获取运动参数模型之前，终端需要对历史运动数据进行训练得到运动参数模型。可选的，运动参数模型的训练过程包括：终端获取训练样本集，训练样本集包括至少一组历史运动数据，对至少一组历史运动数据采用误差反向传播算法进行训练，得到运动参数模型。
其中，每组历史运动数据包括：可穿戴设备采集的第一历史运动数据、终端采集的第二历史运动数据和预先标定的正确历史运动数据。每组历史运动数据中的各个数据为在预定时间段内采集到的目标对象的运动数据。
可选的，至少一组历史运动数据中存在至少两组历史运动数据各自对应的预定时间段是相同时长的时间段，或者，存在至少两组历史运动数据各自对应的预定时间段是不同时长的时间段，或者，每组历史运动数据各自对应的预定时间段是相同时长的时间段。
可选的，至少一组历史运动数据中每组历史运动数据各自对应的预定时间段不存在交集，或者，存在至少两组历史运动数据各自对应的预定时间段不存在交集。下面仅以每组历史运动数据各自对应的预定时间段的时长相同且不存在交集为例进行说明。
示意性的，终端对至少一组历史运动数据采用误差反向传播算法进行训练，得到运动参数模型，包括但不限于以下几个步骤：
1、对于至少一组历史运动数据中的每组历史运动数据，将第一历史运动数据和第二历史运动数据输入原始参数模型，得到训练结果。
可选的，原始参数模型是根据神经网络模型建立的，比如：预测模型是根据DNN模型或者RNN模型建立的。
示意性的，对于每组历史运动数据，终端创建该组历史运动数据对应的输入输出对，输入输出对的输入参数为该组历史运动数据中的第一历史运动数据和第二历史运动数据，输出参数为该组历史运动数据中的正确历史运动数据；终端将输入参数输入预测模型，得到训练结果。
比如，以第一历史运动数据包括时刻“8：30：00”，第二历史运动数据包括时刻“8：30：20”，正确历史运动数据包括时刻“8：30：05”为例，终端创建的输入输出对为：(8：30：00，8：30：20)->(8：30：05)；其中，(8：30：00，8：30：20)为输入参数，(8：30：05)为输出参数。
可选的，输入输出对通过特征向量表示。
2、对于每组历史运动数据，将训练结果与正确历史运动数据进行比较，得到计算损失，计算损失用于指示训练结果与正确历史运动数据之间的误差。
可选地，计算损失通过交叉商(cross-entropy)来表示，
可选地，终端通过下述公式计算得到计算损失H(p，q)：
其中，p(x)和q(x)是长度相等的离散分布向量，p(x)表示表示训练结果；q(x)表示输出参数；x为训练结果或输出参数中的一个向量。
3、根据至少一组历史运动数据各自对应的计算损失，采用误差反向传播算法训练得到运动参数模型。
可选地，终端通过反向传播算法根据计算损失确定运动参数模型的梯度方向，从运动参数模型的输出层逐层向前更新运动参数模型中的模型参数。
基于上述训练得到的运动参数模型，请参考图3，其示出了本申请一个实施例提供的运动参数的识别方法的流程图。本申请实施例以该运动参数的识别方法应用于图1所示出的终端140来举例说明。该运动参数的识别方法包括：
步骤301，获取目标对象的第一运动数据和第二运动数据。
终端获取到可穿戴设备采集的目标对象的第一运动数据和终端采集的目标对象的第二运动数据。终端获取第一运动数据和第二运动数据的过程可参考上述实施例中的相关描述，在此不再介绍。
步骤302，获取运动参数模型，运动参数模型是根据历史运动数据训练得到的，历史运动数据用于表示目标对象的运动规律。
终端获取上述训练得到的运动参数模型。运动参数模型的训练过程可参考上述实施例中的相关描述，在此不再介绍。
步骤303，从第一运动数据中提取第一运动特征，和/或，从第二运动数据中提取第二运动特征。
当第一运动数据包括目标对象的速度、加速度和角速度中的至少一种时，终端从第一运动数据中提取第一运动特征。
可选地，终端获取到的第一运动数据为波形数据，从该波形数据中提取第一运动特征，第一运动特征包括加速度的平均值、均方根、标准差、偏度，峰度系数和波峰因数中的至少一个特征。
当第二运动数据包括目标对象的速度、加速度和角速度中的至少一种时，终端从第二运动数据中提取第二运动特征。
可选地，终端获取到的第二运动数据为波形数据，从该波形数据中提取第二运动特征，第二运动特征包括加速度的平均值、均方根、标准差、偏度，峰度系数和波峰因数中的至少一个特征。
步骤304，将第一运动特征和/或第二运动特征输入至运动参数模型中，得到目标对象的运动状态，运动状态包括步行状态、骑行状态和跑步状态中的一种。
终端将第一运动特征和/或第二运动特征输入至运动参数模型中，得到目标对象的运动状态的属性值，根据存储的属性值与运动状态的对应关系，确定与该属性值对应的运动状态。
可选的，属性值与运动状态的对应关系如表一所示。在表一中，运动状态的类型包括3类，分别为步行状态、骑行状态和跑步状态，运动状态为“步行状态”时对应的属性值为“1”，运动状态为“骑行状态”时对应的属性值为“2”，运动状态为“跑步状态”时对应的属性值为“3”。
表一
基于表一提供的属性值与运动状态的对应关系，在一个示意性的例子中，终端将第一运动特征和第二运动特征输入至运动参数模型中，得到属性值“2”，终端根据该属性值“2”确定对应的运动状态为“骑行状态”。
步骤305，将第一开始时刻和第二开始时刻输入至运动参数模型中，得到运动状态的估计开始时刻。
当第一运动数据包括可穿戴设备记录的运动状态的第一开始时刻，第二运动数据包括终端记录的运动状态的第二开始时刻时，终端将第一开始时刻和第二开始时刻输入至运动参数模型中，得到运动状态的估计开始时刻。
示意性的，第一开始时刻为“10：30：00”，第二开始时刻“10：30：10”，终端将第一开始时刻和第二开始时刻输入至运动参数模型中，得到运动状态的估计开始时刻为“10：30：03”。
需要说明的是，步骤303和步骤304，与步骤305可以并列执行。本申请实施例对此不加以限定。
在一个示意性的例子中，如图4所示，用户A在跑步过程中佩戴有智能手环120且手握终端140，该智能手环120与终端140已配对成功并建立了通信连接。如图5所示，智能手环120采集用户A的第一运动数据，该第一运动数据包括波形数据A1和第一开始时刻“10：30：00”，终端140采集用户A的第二运动数据，该第一运动数据包括波形数据A2和第二开始时刻“10：30：10”，当智能手环120将采集到的用户A的第一运动数据发送至终端140时，终端接收第一运动数据，终端将在同一个目标时间段内的第一运动数据和第二运动数据作为输入参数，输入至训练好的运动参数模型中，输出得到识别结果，该识别结果用于指示目标对象的运动状态为“跑步状态”，和运动状态“跑步状态”的估计开始时刻为“10：30：03”。
步骤306，以预设显示方式显示目标对象的运动状态和运动状态的估计开始时刻。
可选的，当终端确定出目标对象的运动状态和运动状态的估计开始时刻时，以预设显示方式显示目标对象的运动状态和运动状态的估计开始时刻。
其中，预设显示方式包括文本显示形式、图像显示形式、动画显示形式、视频显示方式中的至少一种。
基于图5所确定出的运动状态和运动状态的估计开始时刻，在一个示意性的例子中，如图6所示，终端在显示屏上以文本显示形式显示文本内容60，该文本内容60包括“当前状态：跑步状态；估计开始时刻：10：30：03”。
综上所述，本申请实施例通过第一运动数据包括可穿戴设备记录的运动状态的第一开始时刻，第二运动数据包括终端记录的运动状态的第二开始时刻，终端将第一开始时刻和第二开始时刻输入至运动参数模型中，得到运动状态的估计开始时刻；使得运动状态的估计开始时刻的确定需要综合考虑可穿戴设备和终端所记录的开始时刻，避免了运动参数的识别仅依赖于可穿戴设备，导致运动参数的识别结果的可信度较低的问题，提高了终端确定运动状态的估计开始时刻的精确性。
需要说明的是，终端在确定出目标对象的运动参数后，可以将第一运动数据、第二运动数据和识别结果添加至训练样本集，得到更新后的训练样本集；根据更新后的训练样本集对运动参数模型进行训练，得到更新后的运动参数模型，更新后的运动参数模型用于根据获取到的目标对象的第一运动数据和第二运动数据，确定目标对象在下一个目标时间段的运动状态的估计开始时刻。
其中，根据更新后的训练样本集对运动参数模型进行训练，得到更新后的运动参数模型的过程可类比参考上述实施例中运动参数模型的训练过程，在此不再赘述。
在本申请实施例中，还通过根据更新后的训练样本集对运动参数模型进行训练，得到更新后的运动参数模型，使得终端可以根据新的训练样本不断提高运动参数模型的精度，提高终端确定目标对象的运动参数的准确性。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图7，其示出了本申请一个实施例提供的运动参数的识别装置的结构示意图。该运动参数的识别装置可以通过专用硬件电路，或者，软硬件的结合实现成为图1中的终端140的全部或一部分，该运动参数的识别装置包括：第一获取模块710、第二获取模块720和识别模块730。
第一获取模块710，用于获取目标对象的第一运动数据和第二运动数据，第一运动数据为可穿戴设备在目标时间段内采集的运动数据，第二运动数据为终端在目标时间段内采集的运动数据；
第二获取模块720，用于获取运动参数模型，运动参数模型是根据历史运动数据训练得到的，历史运动数据用于表示目标对象的运动规律；
识别模块730，用于根据第一运动数据和第二运动数据，采用运动参数模型得到识别结果，识别结果用于指示目标对象的运动状态和/或运动状态的估计开始时刻。
可选的，第一运动数据包括可穿戴设备记录的运动状态的第一开始时刻，第二运动数据包括终端记录的运动状态的第二开始时刻，识别模块730，还用于将第一开始时刻和第二开始时刻输入至运动参数模型中，得到运动状态的估计开始时刻；
其中，运动参数模型是根据至少一组历史运动数据训练得到的，每组历史运动数据包括：可穿戴设备采集的第一历史运动数据、终端采集的第二历史运动数据和预先标定的正确历史运动数据。
可选的，第一运动数据和第二运动数据均包括目标对象的速度、加速度和角速度中的至少一种，识别模块730，还用于从第一运动数据中提取第一运动特征，和/或，从第二运动数据中提取第二运动特征；
将第一运动特征和/或第二运动特征输入至运动参数模型中，得到目标对象的运动状态，运动状态包括步行状态、骑行状态和跑步状态中的一种；
其中，运动参数模型是根据至少一组历史运动数据训练得到的，每组历史运动数据包括：可穿戴设备采集的第一历史运动数据、终端采集的第二历史运动数据和预先标定的正确历史运动数据。
可选的，第二获取模块720，包括第一获取单元和第二获取单元；
第一获取单元，用于获取训练样本集，训练样本集包括至少一组历史运动数据，每组历史运动数据包括：可穿戴设备采集的第一历史运动数据、终端采集的第二历史运动数据和预先标定的正确历史运动数据；
第二获取单元，用于对至少一组历史运动数据采用误差反向传播算法进行训练，得到运动参数模型；
其中，每组历史运动数据中的各个数据为在同一时间段内采集到的目标对象的运动数据。
可选的，第二获取单元，还用于对于至少一组历史运动数据中的每组历史运动数据，将第一历史运动数据和第二历史运动数据输入原始参数模型，得到训练结果；对于每组历史运动数据，将训练结果与正确历史运动数据进行比较，得到计算损失，计算损失用于指示训练结果与正确历史运动数据之间的误差；根据至少一组历史运动数据各自对应的计算损失，采用误差反向传播算法训练得到运动参数模型。
可选的，该装置，还包括添加模块和更新模块；
添加模块，用于将第一运动数据、第二运动数据和识别结果添加至训练样本集，得到更新后的训练样本集；
更新模块，用于根据更新后的训练样本集对运动参数模型进行训练，得到更新后的运动参数模型，更新后的运动参数模型用于根据获取到的目标对象的第一运动数据和第二运动数据，确定目标对象在下一个目标时间段内的运动状态的估计开始时刻。
相关细节可结合参考图1至图6所示的方法实施例。其中，第一获取模块710和第二获取模块720还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能；识别模块730还用于实现上述方法实施例中其他任意隐含或公开的与识别步骤相关的功能。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请还提供一种计算机可读介质，其上存储有程序指令，程序指令被处理器执行时实现上述各个方法实施例提供的运动参数的识别方法。
本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个实施例所述的运动参数的识别方法。
请参考图8，其示出了本申请一个示例性实施例提供的终端的结构方框图。该终端为图1中的终端140。该终端可以包括一个或多个如下部件：处理器810和存储器820。
处理器810可以包括一个或者多个处理核心。处理器810利用各种接口和线路连接整个电梯调度设备内的各个部分，通过运行或执行存储在存储器820内的指令、程序、代码集或指令集，以及调用存储在存储器820内的数据，执行电梯调度设备的各种功能和处理数据。可选地，处理器810可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(CentralProcessing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器810中，单独通过一块芯片进行实现。
可选地，处理器810执行存储器820中的程序指令时实现下上述各个方法实施例提供的运动参数的识别方法。
存储器820可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器820包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器820可用于存储指令、程序、代码、代码集或指令集。存储器820可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据电梯调度设备的使用所创建的数据等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (11)
1.一种运动参数的识别方法，其特征在于，用于与可穿戴设备建立通信连接的终端中，所述方法包括：
获取目标对象的第一运动数据和第二运动数据，所述第一运动数据为所述可穿戴设备在目标时间段内采集的运动数据，所述第二运动数据为所述终端在所述目标时间段内采集的运动数据；
获取运动参数模型，所述运动参数模型是根据历史运动数据训练得到的，所述历史运动数据用于表示所述目标对象的运动规律；
根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果，所述识别结果用于指示所述目标对象的运动状态和/或所述运动状态的估计开始时刻。
2.根据权利要求1所述的方法，其特征在于，所述第一运动数据包括所述可穿戴设备记录的所述运动状态的第一开始时刻，所述第二运动数据包括所述终端记录的所述运动状态的第二开始时刻，
所述根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果，包括：
将所述第一开始时刻和所述第二开始时刻输入至所述运动参数模型中，得到所述运动状态的所述估计开始时刻；
其中，所述运动参数模型是根据至少一组所述历史运动数据训练得到的，每组所述历史运动数据包括：所述可穿戴设备采集的第一历史运动数据、所述终端采集的第二历史运动数据和预先标定的正确历史运动数据。
3.根据权利要求1所述的方法，其特征在于，所述第一运动数据和所述第二运动数据均包括所述目标对象的速度、加速度和角速度中的至少一种，所述根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果，包括：
从所述第一运动数据中提取第一运动特征，和/或，从所述第二运动数据中提取第二运动特征；
将所述第一运动特征和/或所述第二运动特征输入至所述运动参数模型中，得到所述目标对象的所述运动状态，所述运动状态包括步行状态、骑行状态和跑步状态中的一种；
其中，所述运动参数模型是根据至少一组所述历史运动数据训练得到的，每组所述历史运动数据包括：所述可穿戴设备采集的第一历史运动数据、所述终端采集的第二历史运动数据和预先标定的正确历史运动数据。
4.根据权利要求1至3任一所述的方法，其特征在于，所述获取运动参数模型，包括：
获取训练样本集，所述训练样本集包括至少一组所述历史运动数据，每组所述历史运动数据包括：所述可穿戴设备采集的第一历史运动数据、所述终端采集的第二历史运动数据和预先标定的正确历史运动数据；
对所述至少一组所述历史运动数据采用误差反向传播算法进行训练，得到所述运动参数模型；
其中，每组所述历史运动数据中的各个数据为在同一时间段内采集到的所述目标对象的运动数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述至少一组所述历史运动数据采用误差反向传播算法进行训练，得到所述运动参数模型，包括：
对于所述至少一组历史运动数据中的每组所述历史运动数据，将所述第一历史运动数据和所述第二历史运动数据输入原始参数模型，得到训练结果；
对于每组所述历史运动数据，将所述训练结果与所述正确历史运动数据进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述正确历史运动数据之间的误差；
根据所述至少一组历史运动数据各自对应的计算损失，采用所述误差反向传播算法训练得到所述运动参数模型。
6.根据权利要求4所述的方法，其特征在于，所述根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果之后，还包括：
将所述第一运动数据、所述第二运动数据和所述识别结果添加至所述训练样本集，得到更新后的训练样本集；
根据所述更新后的训练样本集对所述运动参数模型进行训练，得到更新后的运动参数模型，所述更新后的运动参数模型用于根据获取到的所述目标对象的第一运动数据和第二运动数据，确定所述目标对象在下一个目标时间段内的运动状态的估计开始时刻。
7.一种运动参数的识别装置，其特征在于，用于与可穿戴设备建立通信连接的终端中，所述装置包括：
第一获取模块，用于获取目标对象的第一运动数据和第二运动数据，所述第一运动数据为所述可穿戴设备在目标时间段内采集的运动数据，所述第二运动数据为所述终端在所述目标时间段内采集的运动数据；
第二获取模块，用于获取运动参数模型，所述运动参数模型是根据历史运动数据训练得到的，所述历史运动数据用于表示所述目标对象的运动规律；
识别模块，用于根据所述第一运动数据和所述第二运动数据，采用所述运动参数模型得到识别结果，所述识别结果用于指示所述目标对象的运动状态和/或所述运动状态的估计开始时刻。
8.根据权利要求7所述的装置，其特征在于，所述第一运动数据包括所述可穿戴设备记录的所述运动状态的第一开始时刻，所述第二运动数据包括所述终端记录的所述运动状态的第二开始时刻，
所述识别模块，还用于将所述第一开始时刻和所述第二开始时刻输入至所述运动参数模型中，得到所述运动状态的所述估计开始时刻；
其中，所述运动参数模型是根据至少一组所述历史运动数据训练得到的，每组所述历史运动数据包括：所述可穿戴设备采集的第一历史运动数据、所述终端采集的第二历史运动数据和预先标定的正确历史运动数据。
9.根据权利要求7所述的装置，其特征在于，所述第一运动数据和所述第二运动数据均包括所述目标对象的速度、加速度和角速度中的至少一种，
所述识别模块，还用于从所述第一运动数据中提取第一运动特征，和/或，从所述第二运动数据中提取第二运动特征；将所述第一运动特征和/或所述第二运动特征输入至所述运动参数模型中，得到所述目标对象的所述运动状态，所述运动状态包括步行状态、骑行状态和跑步状态中的一种；
其中，所述运动参数模型是根据至少一组所述历史运动数据训练得到的，每组所述历史运动数据包括：所述可穿戴设备采集的第一历史运动数据、所述终端采集的第二历史运动数据和预先标定的正确历史运动数据。
10.一种终端，其特征在于，所述终端包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现如权利要求1至6任一所述的运动参数的识别方法。
11.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被处理器执行时实现如权利要求1至6任一所述的运动参数的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711112935.9A CN107909023B (zh) | 2017-11-13 | 2017-11-13 | 运动参数的识别方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711112935.9A CN107909023B (zh) | 2017-11-13 | 2017-11-13 | 运动参数的识别方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107909023A true CN107909023A (zh) | 2018-04-13 |
| CN107909023B CN107909023B (zh) | 2020-07-14 |
Family
ID=61844858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711112935.9A Expired - Fee Related CN107909023B (zh) | 2017-11-13 | 2017-11-13 | 运动参数的识别方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909023B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472281A (zh) * | 2018-09-10 | 2019-03-15 | 平安科技（深圳）有限公司 | 运动记录处理方法及系统、终端及可读存储介质 |
| CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
| CN111967482A (zh) * | 2019-05-20 | 2020-11-20 | 中国移动通信有限公司研究院 | 一种数据处理方法、装置及系统 |
| CN112651414A (zh) * | 2019-10-10 | 2021-04-13 | 马上消费金融股份有限公司 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
| CN113357773A (zh) * | 2021-05-31 | 2021-09-07 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
| CN117709130A (zh) * | 2024-02-05 | 2024-03-15 | 江苏深蓝航天有限公司 | 载体的瞬时运动参数的求解方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
| US20160148103A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Fast behavior and abnormality detection |
| CN105686833A (zh) * | 2016-01-13 | 2016-06-22 | 上海交通大学 | 基于无线体域网的可穿戴式多节点三维运动监测系统 |
| WO2016172463A1 (en) * | 2015-04-22 | 2016-10-27 | Alcatel-Lucent Usa Inc. | Wearable interactive learning devices |
| CN106267774A (zh) * | 2015-05-25 | 2017-01-04 | 腾讯科技（深圳）有限公司 | 运动状态识别方法和装置 |
| US20170119276A1 (en) * | 2015-10-28 | 2017-05-04 | Sk Planet Co., Ltd. | Wearable device and method for providing feedback information through vein authentication |
| CN106705989A (zh) * | 2015-07-21 | 2017-05-24 | 华为终端（东莞）有限公司 | 记步方法、设备及终端 |
| CN106874874A (zh) * | 2017-02-16 | 2017-06-20 | 南方科技大学 | 一种运动状态的识别方法及装置 |
| CN106975218A (zh) * | 2017-03-10 | 2017-07-25 | 安徽华米信息科技有限公司 | 基于多个可穿戴设备控制体感游戏的方法及装置 |
| CN107007263A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院计算技术研究所 | 一种普适化的睡眠质量测评方法和系统 |
| US9762581B1 (en) * | 2016-04-15 | 2017-09-12 | Striiv, Inc. | Multifactor authentication through wearable electronic device |
| CN107172590A (zh) * | 2017-06-30 | 2017-09-15 | 北京奇虎科技有限公司 | 基于移动终端的活动状态信息处理方法、装置及移动终端 |
-
2017
- 2017-11-13 CN CN201711112935.9A patent/CN107909023B/zh not_active Expired - Fee Related
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
| US20160148103A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Fast behavior and abnormality detection |
| WO2016172463A1 (en) * | 2015-04-22 | 2016-10-27 | Alcatel-Lucent Usa Inc. | Wearable interactive learning devices |
| CN106267774A (zh) * | 2015-05-25 | 2017-01-04 | 腾讯科技（深圳）有限公司 | 运动状态识别方法和装置 |
| CN106705989A (zh) * | 2015-07-21 | 2017-05-24 | 华为终端（东莞）有限公司 | 记步方法、设备及终端 |
| US20170119276A1 (en) * | 2015-10-28 | 2017-05-04 | Sk Planet Co., Ltd. | Wearable device and method for providing feedback information through vein authentication |
| CN105686833A (zh) * | 2016-01-13 | 2016-06-22 | 上海交通大学 | 基于无线体域网的可穿戴式多节点三维运动监测系统 |
| US9762581B1 (en) * | 2016-04-15 | 2017-09-12 | Striiv, Inc. | Multifactor authentication through wearable electronic device |
| CN106874874A (zh) * | 2017-02-16 | 2017-06-20 | 南方科技大学 | 一种运动状态的识别方法及装置 |
| CN106975218A (zh) * | 2017-03-10 | 2017-07-25 | 安徽华米信息科技有限公司 | 基于多个可穿戴设备控制体感游戏的方法及装置 |
| CN107007263A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院计算技术研究所 | 一种普适化的睡眠质量测评方法和系统 |
| CN107172590A (zh) * | 2017-06-30 | 2017-09-15 | 北京奇虎科技有限公司 | 基于移动终端的活动状态信息处理方法、装置及移动终端 |
Non-Patent Citations (2)
| Title |
|---|
| ALLEN Y.YANG ET AL: "Distributed recognition of human actions using wearable motion sensor networks", 《JOURAL OF AMBIENT INTELLIGENCE AND SMART ENVIRONMENTS》 * |
| 王壮: "可穿戴设备中的人体姿态识别方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472281A (zh) * | 2018-09-10 | 2019-03-15 | 平安科技（深圳）有限公司 | 运动记录处理方法及系统、终端及可读存储介质 |
| CN111967482A (zh) * | 2019-05-20 | 2020-11-20 | 中国移动通信有限公司研究院 | 一种数据处理方法、装置及系统 |
| CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
| CN110263870B (zh) * | 2019-06-26 | 2023-04-18 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
| CN112651414A (zh) * | 2019-10-10 | 2021-04-13 | 马上消费金融股份有限公司 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
| CN113357773A (zh) * | 2021-05-31 | 2021-09-07 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
| WO2022252720A1 (zh) * | 2021-05-31 | 2022-12-08 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
| CN117709130A (zh) * | 2024-02-05 | 2024-03-15 | 江苏深蓝航天有限公司 | 载体的瞬时运动参数的求解方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107909023B (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909023A (zh) | 运动参数的识别方法、装置、终端及存储介质 | |
| CN107817891A (zh) | 屏幕控制方法、装置、设备及存储介质 | |
| US10922866B2 (en) | Multi-dimensional puppet with photorealistic movement | |
| CN110569795B (zh) | 一种图像识别方法、装置以及相关设备 | |
| CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
| CN110364144A (zh) | 一种语音识别模型训练方法及装置 | |
| CN108520220A (zh) | 模型生成方法和装置 | |
| WO2018000259A1 (zh) | 一种机器人交互内容的生成方法、系统及机器人 | |
| CN110119271A (zh) | 一种跨机器学习平台的模型定义协议及适配系统 | |
| CN108229269A (zh) | 人脸检测方法、装置和电子设备 | |
| CN108074236A (zh) | 植物浇灌提醒方法、装置、设备及存储介质 | |
| CN106775198A (zh) | 一种基于混合现实技术实现陪伴的方法及装置 | |
| CN108245880A (zh) | 基于多穿戴环带传感器融合的体感检测可视化方法和系统 | |
| CN107886953A (zh) | 一种基于表情和语音识别的婴儿哭声翻译系统 | |
| CN109951363A (zh) | 数据处理方法、装置及系统 | |
| CN109117952A (zh) | 一种基于深度学习的机器人情感认知的方法 | |
| CN113191479A (zh) | 联合学习的方法、系统、节点及存储介质 | |
| CN107944376A (zh) | 视频数据实时姿态识别方法及装置、计算设备 | |
| Zheng et al. | Meta-learning meets the Internet of Things: Graph prototypical models for sensor-based human activity recognition | |
| CN105426961B (zh) | 利用智能手环和智能手机捕捉使用者意图的方法 | |
| WO2023226186A1 (zh) | 神经网络训练方法、人体运动识别方法及设备、存储介质 | |
| CN108737491A (zh) | 信息推送方法和装置以及存储介质、电子装置 | |
| CN110276380B (zh) | 一种基于深度模型框架的实时运动在线指导系统 | |
| CN106875955A (zh) | 一种声音动画的制作方法及电子设备 | |
| Kumar et al. | Human Activity Recognition (HAR) Using Deep Learning: Review, Methodologies, Progress and Future Research Directions |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |