CN107970590A - 一种基于Android平台的跑步健身数据系统及方法 - Google Patents

一种基于Android平台的跑步健身数据系统及方法 Download PDF

Info

Publication number
CN107970590A
CN107970590A CN201610938246.2A CN201610938246A CN107970590A CN 107970590 A CN107970590 A CN 107970590A CN 201610938246 A CN201610938246 A CN 201610938246A CN 107970590 A CN107970590 A CN 107970590A
Authority
CN
China
Prior art keywords
value
wave
data
acceleration
difference
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
Application number
CN201610938246.2A
Other languages
English (en)
Other versions
CN107970590B (zh
Inventor
彭
吴兆强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN201610938246.2A priority Critical patent/CN107970590B/zh
Publication of CN107970590A publication Critical patent/CN107970590A/zh
Application granted granted Critical
Publication of CN107970590B publication Critical patent/CN107970590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/20—Distances or displacements
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/30—Speed
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/40—Acceleration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
    • A63B2225/50—Wireless data transmission, e.g. by radio transmitters or telemetry
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
    • A63B2230/06—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations heartbeat rate only
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/50—Measuring physiological parameters of the user temperature
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/75—Measuring physiological parameters of the user calorie expenditure

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Navigation (AREA)

Abstract

本发明实施例提出了一种基于Android平台的跑步健身数据系统及方法，所述方法包括准备流程、计步流程、运动相关数据计算流程、状态识别流程、生理参数监测流程。所述系统包括可穿戴设备和智能终端，其中所述智能终端通过内置的应用程序实现所述准备流程、计步流程、运动相关数据计算流程、状态识别流程、生理参数监测流程。

Description

一种基于Android平台的跑步健身数据系统及方法
技术领域
本发明属于电子技术领域，尤其涉及一种配合智能手环或其他可穿戴设备仪器使用的基于Android平台的跑步健身数据系统及方法。
背景技术
随着技术的发展，各种各样的可穿戴设备逐渐开始普及，其中智能手环一直是一种最常见的可穿戴设备。现有的可穿戴设备(例如智能手环)大多设有计步电路、蓝牙通讯电路，以通过蓝牙连接移动终端(可以为智能手机、平板电脑、PDA等基于Android操作系统的设备)，并通过移动终端对计步电路的输出信号进行统计以获取跑步健身数据。其中，跑步建设数据是指一切的运动相关的数据，例如步行、跑步、健身等。
现有的智能终端在通过可穿戴设备的计步电路获取信号后，通常需要对信号进行相应处理以实现计步。但是消费者普遍会觉得计步数据并不准确，这主要是由于可穿戴设备为了确保低成本、小型化、长时间待机，需要牺牲各种硬件的性能。但是现有技术中又无法通过有效的方法在智能终端侧进行精细化计步计算，因此导致最终的跑步健身数据不准确。
现有技术中最常见的一种计步算法就是如图1所示的，简单的利用事先确定好的阈值来确定。该算法利用事先划定的阀值空间(图中标为A)，将采集到的加速度波形分为运动区和非运动区两部分：对处于非运动区的数据将不做处理；对于处于运动区域的数据则进行波谷检测，并将检测到的波谷数(图中的黑色圆点)记作跑步累计步数。这种已有算法实现起来非常简单、计算量低；但是存在着识别率低、统计数据不准确、极易受外界不稳定因素影响等缺点。
发明内容
针对现有技术中存在的跑步健身数据不准确的问题，本发明要解决的技术 问题是提供一种基于Android平台的跑步健身数据系统及方法，无需对可穿戴设备进行改造就可以通过移动终端侧的软件来提高计步精度。
为了解决上述问题，基于Android平台的跑步健身数据系统及方法，所述方法包括准备流程、计步流程、运动相关数据计算流程、状态识别流程、生理参数监测流程。所述系统包括可穿戴设备和智能终端，其中所述智能终端通过内置的应用程序实现所述准备流程、计步流程、运动相关数据计算流程、状态识别流程、生理参数监测流程。
本发明的上述技术方案的有益效果如下：本发明实施例提出了一种基于Android平台的跑步健身数据系统及方法，能够内置在移动终端内，配合可穿戴设备实现各种功能，且无需更改可穿戴设备就可以确保数据的准确性。
附图说明
图1为本发明实施例中计步的原理图；
图2为本发明实施例中准备流程和计步流程的流程图；
图3为计步流程中判断流程图；
图4为记录计步数据的示意图；
图5为本发明实施例中运动轨迹绘制流程的流程图；
图6a和图6b为利用本发明实施例的运动能耗计算步骤计算得到的步行、跑步的结果与实际值的对比图；
图7为静止状态下可穿戴设备的输出数据；
图8为行走状态下可穿戴设备的输出数据；
图9为跑步状态下可穿戴设备的输出数据；
图10为滤波步骤的流程图；
图11为QRS波检测步骤的流程图；
图12为QRS波群位置确定的示意图；
图13为R波波峰所在位置确定的示意图；
图14为Q波波峰、S波波峰所在位置确定的示意图；
图15为QRS波群的波峰位置确定的示意图；
图16为心律失常诊断的流程图
图17为温度值读取流程。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提出了一种配合智能手环使用以提高计步精度的基于Android平台的跑步健身数据系统及方法。
其中，所述方法可以包括准备流程、计步流程、运动相关数据计算流程、状态识别流程、生理参数监测流程。
(一)准备流程如图1所示的包括：
步骤11、与可穿戴设备建立蓝牙连接；步骤1主要是用来为智能手环与智能终端之间的数据传输建立通道；其中，智能手环与智能终端这两个设备的连接需要首先开启一个BluetoothServerSocket server，其中基于Android的智能终端中使用listenUsingRfcommWithServiceRecord(String,UUID)方法获取一个BluetoothServerSocket，而参数String为主机名称，UUID为通用唯一标识符，这两个设备就是通过该通用唯一标识符UUID来进行匹配)。其中主机名String和通用唯一标识符UUID这两个参数均由SDP(Service Discovery Protocol，蓝牙服务发现协议)记录。获取的BluetoothServerSocket用于监听其他蓝牙设备的接连请求，若是有其他设备接受了主机发送的连接请求，则建立一个可进行双向数据传输的BluetoothSocket，通讯方式为Notification。
步骤12、数据接收步骤，该步骤用于实时接收从可穿戴设备发送过来的计步电路输出信号，在本发明的一个实施例中该计步电路输出信号数据为通过三轴加速度传感器测量得到的加速度值。在接收到该计步电路输出信号后，智能终端需要开启一个新的线程。可穿戴设备的蓝牙蓝牙数据通讯电路使用函数attmdb_att_set_value()更新attributedatabase中的值，使用prf_server_send_event()方法发送携带有特征值的Notification；而智能终端的计步程序则使用socket的getInputStream()方法获取持续的计步电路输出信号，最后通过计步算法来解析该持续的计步电路输出信号。
步骤13、数据来源判断步骤，该步骤用于判断接收到的持续的计步电路输出信号是否为来自可穿戴设备的三轴加速度传感器输出的加速度值；本发明 实施例中，可穿戴设备与智能终端之间传输数据所使用的数据帧的长度为18个字节：中前三个字节为数据来源表示码，若解析的数据中前三位为“acc”，则表示此段特征值是来自可穿戴设备的三轴加速度传感器输出的加速度值。在确定了数据来自可穿戴设备的三轴加速度传感器后，便可对持续的计步电路输出信号进行处理从而进行计步。
(二)计步流程如图1所示的包括：
步骤21、根据当前的海拔、地磁场强度，对对接收到的三轴加速度传感器发送来的持续的计步电路输出信号进行数据修正。由于使用者的跑步海拔、所处地方地磁强度的不同，会对加速度的测量造成一定的影响。为消除以上因素引起的误差，本发明实施例需要通过以下步骤进行数据修正：
通过公式(1)对三轴加速度传感器发送来的持续的计步电路输出信号中X、Y、Z三个轴上的加速度值做了修正补偿，修正公式如下：
Aacc＝Ccompsation+Vvalues×K (1)
其中，Aacc为修正值，Ccompsation为加速度补偿量，Vvalues为某一方向上的加速度值，K为比例系数；
其中Ccompsation由海拔高度决定，当海拔在2000米以下时设定补偿量为245；当海拔在2000米到4000米范围时设定补偿量为255；当海拔在4000米以上时设定补偿量为265；
其中比例系数K为控制信号缩放比的关键量，可以通过以下的公式(2)计算：
其中Mmax为地球表面最大磁场强度；由公式(2)可以看出比例系数K与加速度补偿量Ccompsation成正比。
步骤22、通过以下的公式(3)计算加速度平均值mAvr
mAvr＝(Aaccx+Aaccy+Aaccz)/3 (3)
其中Aaccx为X轴上的加速度分量，Aaccy为Y轴上的加速度分量，Aaccz为Z轴上的加速度分量。
步骤23、将加速度平均值mAvr绘制的波形图记为函数F(t)，并将被测点记作F(t0)，将被测点的前两个值分别定义为F(t1)、F(t2)。然后计算F(t1)与F(t2)差值，记作Δ1。计算F(t1)与F(t0)差值，记作Δ2；
如果Δ1、Δ2异号则认为F(t1)为拐点，否则认为F(t1)不为拐点；若为极值点则将极值点存入数组mExtremums[]中，并进入步骤24。其中，F(t1)也称为F(t前)。
其中步骤23中Δ1、Δ2异号则认为F(t1)为拐点是指，如果Δ1、Δ2一个为正、一个为负，则可以说明其中F(t1)为一个极值点。采用该步骤可以找到波形图中的所有极值点。
步骤24、获取当前的极值点Ek以及前一极值点Ek-1，并计算相邻波峰波谷之间的差值绝对值|Δ|
|Δ|＝|Ek-Ek-1| (4)
其中，|Δ|为相邻的两个极值点之间的差值的绝对值，也是识别运动步伐的判断依据，Ek为本次测量出的拐点(可以用数组mExtremums[k]表示)，Ek-1为记录的上一个极值点(可以用数组mExtremums[k-1]表示)。
步骤25、根据步骤24获取的极值点之间的差值绝对值|Δ|，判断相邻的两个极值点之间的差值的绝对值|Δ|是否满足计步条件；|Δ|需要满足五个条件才能使计步程序记录一步，且记上次计算值为|Δ|1；如图3所示的，五个条件具体包括：
1、识别区间的确定条件；当前值|Δ|大于阀值的部分为运动识别区，小于阀值的部分为非识别区；阀值即为可穿戴设备的计步电路的灵敏度，灵敏度过高或高低均会给计步造成较大误差。
2、上次计算值|Δ|1是否合理的判断条件；若上次计算值|Δ|1相比当前值|Δ|太小(例如，|Δ|1＜|Δ|/4)，则认为上一次波动为高频干扰，上一步不记为一步；否则认为|Δ|1合理数据；
3、当前值|Δ|是否合理的判断条件；在通过第2个条件判定上次计算值|Δ|1有效的情况下，可以进一步判断当前值|Δ|是否合理；若当前|Δ|大于三分之二倍的|Δ|1时，则认为当前值|Δ|为合理数据，可以进入下一步判断；若当前值|Δ|过小，则认为本次波动为抖动干扰，不计为一步；
4、波谷判断；由人体的运动规律可知，完成迈步的动作不可能出现在波峰阶段；所以如果的满足条件的拐点为波峰数据，则舍弃；如果为波谷数据则进入下一个判断条件；
5、时间间隔判断条件；由于人体的最快运动频率为50Hz，即两步之间的时间间隔最小为0.2s，因此当前值|Δ|与上次计算值|Δ|1之间的时间间隔小于0.2s，则该当前值|Δ|为高频噪声干扰，不计为一步。
步骤26、如果当前值|Δ|满足步骤24的五个条件时，当前值|Δ|可以记为一步，如图4所示的。
进一步的，还包括如图5所示的运动轨迹绘制流程。由于运动轨迹是由多个连贯点的集合线段组成，而集合线段中的每一子线段可由相邻的两个经纬度绘制出，绘制小线段的代码如下：
mAMap.addPolyline(mPolylineOptions)
.add(mLatLngList.get(k-1),mLatLngList.get(k)).color(Color.GREEN))；
其中，mAMap为地图MapView对象，用来显示地图界面(在本发明的一个实施例中可以使用高德地图来完成)；color()方法用来设置线段颜色；add()方法用来在地图上绘制两点之间的线段，接收参数为LatLng对象，代码中mLatLngList为存储LatLng型数据的集合，mLatLngList.get(k-1)表示起始点，mLatLngList.get(k)表示结束点；addPolyline()方法用来将Polyline对象添加到地图上，接收参数为PolylineOptions对象，PolylineOptions对象可设置线段的宽度、颜色等信息。每次绘制线段之后需要调用postInvalidate()方法刷新地图，只有刷新地图之后才能显示绘制的线段。
当使用者点击“结束跑步”按钮时，系统调用stopLocation()方法结束定位，系统完成运动运动轨迹的绘制。本次运动获取的所有经纬度将会通过接口上传到后台服务器；Requestbody携带的json数据格式如下：
{
"trajectory":[
{"latitude":"32.98763",
"longitude":"88.23423",},
……
]}
作为示例性的，该接口可以为以下格式：
“http:www.freerunning.com:8080/api/user/data/{user_id}/up/{flag}”。
(三)运动相关数据计算流程包括：
建立SportsDataUtils工具类管理相关运动数据的计算方法，该类中设立的计算方法和功能说明如表1。
表1 运动数据的计算方法及功能说明表
(3.1)运动能耗计算步骤包括：
以75公斤、175cm男子在不同速度下行走、跑步为例对本发明实施例的运动能耗计算步骤进行试验。如图6a和图6b所示的为利用本发明实施例的运动能耗计算步骤计算得到的结果，与实际能耗值的差距很小。由此可以看出本发明实施例的运动能耗计算步骤准确性很高。
本发明实施例的运动能耗计算步骤采用以下公式(5)计算运动能耗
其中，KEaee为人体运动能耗，k为修正参数，其值经测算为0.016，m为使用者身体质量，a为三轴加速度的几何平均值，t为运动持续时间，d为运动距离；
其中三轴加速度的几何平均值a通过以下的公式(6)计算：
其中，TAx为x轴方向上的加速度分量，TAy为轴方向上的加速度分量，TAz为Z轴方向上的加速度分量。
(3.2)运动距离计算步骤包括：
步骤31、计算两次定位之间的距离，具体包括：
设本次定位的点为M(结束点)的坐标为(Mlng，Mlat)，上一次定位的点为N(起始点)的坐标为(Nlng，Nlat)；
Mlng为结束点M的经度，由mLatLngList.get(k).getLongitude()方法获取；
Mlat为结束点M的纬度，由mLatLngList.get(k).getLatitude()方法获取；
Nlng为起始点N的经度，由mLatLngList.get(k-1).getLongitude()方法获取；
Nlat为起始点N的纬度，由mLatLngList.get(k-1).getLatitude()方法获取。
获取的经纬度需要进一步转换为弧度进行计算，转换之后M点坐标表示为(RMlng，RMlng)，N点坐标表示为(RNlng，RNlat)。
本发明实施例中，采用公式(7)计算起始点N与结束点M之间的距离，：
其中，L为两点之间的距离，单位为千米；ER为地球半径，本发明实施例中处取地球平均半径值(6371.004千米)。
具体实现代码如下：
步骤32、在获取了每两次邻近的定位之间的距离之后，就可以获取整个运动轨迹中的运动距离；即如公式(8)所示的：
(3.3)实时速度计算步骤包括：
由两次定位定位之间的时间就可以得到该时间段的实时速度；即通过公式(9)计算实时速度：
Vrt＝L/t (9)
具体实现代码：
public static double realTimeSpeed(double l,double t){double rts＝l/t；return s；}。
(3.4)平均速度计算步骤包括：
平均速度是指使用者在整个运动过程中的平均速度，可以通过以下的公式(10)计算：
V＝Ltot/T (10)
其中，V为平均速度，Ltot为跑步距离，T为跑步持续时间。
具体实现代码如下：
public static double averageSpeed(double l,double t){double rts＝l/t；return s；}
(四)状态识别流程包括：
在本发明的一个实施例中，使用者的状态可以分为：静止、行走、跑步。其中状态识别流程利用相邻拐点差值的绝对值|Δavr|来进行区分；如果|Δavr|＞4.5714则认为波形有效；即本发明实施例中的有效波形阈值为4.5714。否则，将此波动看作噪声干扰，不予计算。
(4.1)静止状态
如图7所示的为静止状态下可穿戴设备的输出数据，可以看出其包括5条波形，包括：三轴加速度传感器在三轴上的加速度波形、加速度平均值mAvr波形、步伐判断量|Δstep|波形。
由图7的前三个波形(三轴加速度传感器在三轴上的加速度波形)可以看出，人体在静止状态下三轴加速传感器在三轴上的加速度基本保持不变。其中，除垂直方向的加速度受重力影响为非零值外，其余方向上加速度均在零值附近波动。其中波动主要是由于噪声和谐波干扰造成的，且采集数据时被测者身体晃动也会造成非垂直方向上加速度的波动。
由图7的第四个波形可以看出，加速度平均值mAvr的最大值为224.2693，最小值为222.84，其相邻拐点差值的绝对值最大值只有1.4293，小于有效波形 阈值4.5714。因此本发明实施例中需要对差值所以，需要做特殊处理，方法如下：
步骤41、取连续十个相邻拐点差值的绝对值|Δavr|，如果该连续十个相邻拐点差值的绝对值|Δavr|均小于4.5714，则预判断当前状态为静止状态；否则步骤结束；
步骤42、如果连续十个相邻拐点差值的绝对值|Δavr|之间的时间间隔为0.6s以内(人体行走频率最快为50Hz，0.6s为极限情况下迈出三步所需时间)，则判断当前状态为静止状态；如果连续十个相邻拐点差值的绝对值|Δavr|之间的时间间隔大于0.6s，则需要判断0.6s内所有|Δavr|是否均小于4.5714；如果是则判断当前状态为静止状态，否则判断当前状态为运动状态；
步骤43、获取步伐判断量|Δstep|，其最大值为1.2253，若此时计步阀值小于1.2253，则会将抖动误认为迈出动作；因此本发明实施例中，静止状态下应将计步阀值设置为大于1.2253的值，即静止状态下计步阀值的下限为1.2253。在本发明实施例中，计步阀值的上限应当有由行走状态下步伐判断量|Δstep|的最小值决定。本发明实施例中，将此处计步阀值确定为阀值上下限的平均值，计算为25.6117。这样既能保证不将身体抖动误认为跑步动作，也可以保证不将个别较大干扰波动误认为跑步动作。
(4.2)行走状态
如图8所示的为行走状态下可穿戴设备的输出数据。忽略人体上体动作，人体迈出一步的动作可分解为一脚触地、另一脚迈出、双脚触地三个阶段，并不断重复。此过程中垂直方向上加速度值变化最大，但会在某一固定值附近上下波动；水平方向受惯性及摩擦力的影响，也会在某个固定值附近波动；此外人体行走时不可避免的会发生左右晃动，此时也会在第三个坐标轴方向产生周期性波动。所以产生的加速度平均值mAvr波形也会周期性的在某个固定值附近发生小范围波动。
由图8可知，行走状态下三轴加速度传感器的三轴加速度值Aaccx、Aaccy、Aaccz均为非零值，且具有很强的规律性。其中，其中X轴加速度值Aaccx在大小为236.0604的值附近上下波动，其中Y轴加速度值Aaccx在大小为220.197的数值 附近上下波动，其中Z轴加速度值Aaccz在大小为239.6163的值附近上下波动；且加速度平均值mAvr同样在大小为229.0932的值附近上下波动。这与上文分析的人体行走状态下加速度的变化规律相符。
如图8所示的，加速度平均值mAvr的最大值为261.044，最小值为204.77，差值绝对值为56.274。如果连续m个相邻拐点差值的绝对值|Δavr|都大于56.274，且小于130.7574(跑步状态下的相邻拐点差值的绝对值)，则认为当前状态为行走状态。
最后的数值为|Δ|，考虑到mAvr的波谷处代表一次有效计步。在行走状态下计步阀值的上限为加速度平均值mAvr处对应的最小|Δ|(该最小值为49.9981)，下限为静止状态下的计步阀值，取平均值可得最终的计步阀值，其值为37.8049。
(4.3)跑步状态
如图9所示的为跑步状态下可穿戴设备的输出数据。跑步状态下的加速度变化状况与行走时基本相同，不同的地方在于其幅值波动更为剧烈，完成一个动作的周期更长，且有腾空期。如图9所示的，加速度平均值mAvr波形的最大值为316.0027，最小为210.2453，其差值为130.7574。如果连续m个相邻拐点差值的绝对值|Δavr|均大于130.7574，则认为当前状态为跑步状态。计步阀值的上限为加速度平均值mAvr波谷处对应的最小|Δ|(最小值89.9981)，下限为行走状态下的计步阀值，取平均值可得最终的计步阀值，其值为63.9015。
(五)生理参数监测流程
生理参数监测流程用于实现以下四个功能：心电信号数字滤波、QRS波检测、心率失常诊断、体温实时监测。
(5.1)心电信号数字滤波：
可穿戴设备的心电信号采集电路一般都设有心电采集芯片(本发明实施例中采用BMD101心电采集芯片)；对于心电采集芯片采集到的数据需要进行滤波才能够得到理想的心电图信号。人类的心电信号频率为0.05-100Hz，因此需要设计一个高通滤波器以滤除0.05Hz以下的低频干扰，并设计一个低通滤波 器以滤除100Hz以上的高频干扰。另外，心电信号中最大的干扰项为50Hz电磁及其谐波干扰；因此还需设计一个50Hz带阻滤波器滤以滤除这一干扰信号。
本发明实施例中采用BMD101心电采集芯片的采样频率为512Hz(记作Bfs)。本发明实施例的滤波流程中，对于心电信号数字滤波采用了matlab工具对数据进行分析，得到滤波结果后；然后将相应的滤波程序移植到Android操作系统的智能终端内(即将matlab中的滤波程序转换成java语言编写的滤波程序)。
其中matlab的滤波步骤如图10所示的包括：
步骤51、滤除50Hz工频干扰；滤波器选择Butterworth filter进行设计，代码如下：
[M,K]＝buttord([0.01 100]/256,[49 51]/256,0.5,50)
[b,a]＝butter(K,M)；
Bs＝filter(b,a,x)；
从上述代码中可以看出，步骤51中滤除了49-51Hz频段的干扰。buttord()函数(该函数用来计算Butterworth filter的截止频率K及阶数M，Bandstop的截止频率为二元矢量)返回的截止频率K为[0.19142,0.0.19922]，阶数M为8，Bs为滤波后数据。
步骤52、高通滤波步骤，采用Butterworth filter设计的高通滤波器滤除基线漂移(0.01-0.05Hz干扰)，代码如下：
[M,K]＝buttord(0.05/256,0,0.5,50)
[b,a]＝butter(M,K)；
Bh＝filter(b,a,Bs)；
其中，M为1，K为0.0028，Bh为滤波后数据；
步骤53、低通滤波步骤，采用Butterworth filter设计的低通滤波器滤除高频干扰(100Hz以上干扰)，代码如下：
[M,K]＝buttord(90/256,10,100/256,0.5,50)
[b,a]＝butter(M,K)；
Bl＝filter(b,a,Bh)；
其中，M为28，K为0.4892，Bl滤波后数据。
(5.2)QRS波检测
QRS波是指正常心电图中幅度最大的波群，反映心室除极的全过程。经发明人实测，QRS波群处在9～18Hz的频率范围内。要确定QRS波群的位置首先要实现对低频波形的抑止。一般除了基线漂移的低频干扰，对QRS波群判断会产生干扰的就是低频段的P波(实测0～9Hz)和T波(实测4～11Hz)。本发明实施例的滤除低频波形算法如图11所示的具体包括：
步骤61、采用以下的迭代法计算预定的连续数据段内的一阶差分f1(n)和二阶差分f2(n)；其中采用的数据集data可以为2753个采样点；其迭代公式为：
f1(n)＝x(n+1)-x(n-1) (11)
f2(n)＝x(n+2)+x(n-2)-2x(n) (12)
步骤62、遍历一阶差分f1(n)和二阶差分f2(n)，找出其中的最大值f1max、f2max和最小值f1min和f2min；并以此计算自适应阈值Mf1和Mf2；
Mf1＝f1max-fmin (13)
Mf2＝f2max-f2min (14)
步骤63、利用一阶差分f1(n)和二阶差分f2(n)分别乘以自适应阀值Mf1、Mf2，通过以下公式(15)以叠加的方式对数据进行通高频抑低频的操作：
fM(n)＝Mf1f1(n)+Mf2f2(n) (15)
步骤64、取fM(n)中最大值与最小值之差记作fMmax，取倍fMmax记作自适应阀值MfM，将大于自适应阀值MfM的值置为Dmax；其中Dmax为数据集data中最大的值，选取此值是为了更加直观的显示出QRS波群位置；如果没有大于自适应阀值MfM的值则置为0，从而初步确定QRS波的范围；如图12所示的；
其中，波群范围函数记作fQRS，对得到的位置数据首先进行去毛刺处理，以去除除突变消除误差；然后将波群范围内所有的一阶差分置为Dmax以标出波群范围；
步骤63、确定波群的R波波峰位置；
如图13所示的，首先要确定波群的R波起点和终点；其中fQRS由0突变到Dmax的点即起始位置，而fQRS由Dmax突变到0的下降沿为终点；
步骤64、根据R波波峰的起点和终点，确定波群的Q波波峰、S波波峰； 如图14所示的，具体的包括：
通过以下公式16确定自适应阀值域Ms
Ms＝C×S；
其中C为经验系数，由实验测试为29；S为一阶差分的标准差；
由上述公式(16)可以看出，区别于传统标准差方程，本发明实施例中的一阶差分的标准S并没有减去其平均数后再平方，而是直接将一阶差分数取平方。这样的好处是偏移量仍然保持在原始数据的基线之上，这样就保证了阀值随着数据的变化而自适应。
在确定Ms＝C×S
Ms选定之后，对一阶差分取绝对值记作abs(f1(n))，则
R波波峰左侧第一个满足abs(f1(n-1))<Ms的点就是R波的起点Rs；
R波波峰右侧第一个满足abs(f1(n-1))>Ms且abs(f1(n))<Ms的点就是R波终点Re；
从Rs向左0.04s范围内数据集data绝对值最大的点即为Q波波峰，从Rs向右0.06s范围内数据集data绝对值最大的点为S波波峰，具体如图15所示。
步骤65、根据R波波峰的起点和终点，确定波群的P波波峰、T波波峰；如图16所示的的。
(5.3)心率失常诊断
其中心律失常诊断算法的流程如图16所示的为心律失常诊断的流程，具体包括：
根据QRS波参数计算RRi；其中RRi为心电图ECG的第i个RR区间；
计算其中的QRS周期，判断RRi>2.4s是否成立，如果是为心脏停搏；如果否，则计算7个连续QRS波参数内的RRi的平均值avrRR，判断2R<RRi<2.4s是否成立，如果是则为心脏漏博；如果否，则计算RRid<0.75avrRR是否成立，如果是则判断QRS时长＞120m且RRi+RRi+1≥2avrRR是否成立，如果否则为房性早搏，如果是则为室性早搏。
如果RRid<0.75avrRR不成立，则计算|3rdRR|＞R/5是否成立，如果是则为心 律不齐；如果否则计算平均心率HR＜60是否成立，如果是则为心动过缓；如果否则判断HR＞100是否成立，如果是则为心动过快；否则为心率正常。
其中各个参数如下表所示的：
(5.4)体温实时监测
在可穿戴设备开启时，其体温检测电路的DS1624数字温度传感器芯片设定为连续模式(即1HSOT置0)，这样便可实现对温度的连续测量。智能终端会每隔500ms发送一次数据请求(读取数据命令为[AAH])；其温度值读取流程如图17所示的。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于Android平台的跑步健身数据方法，其特征在于，包括准备流程、计步流程；
其中所述准备流程包括：与可穿戴设备建立蓝牙连接，从所述可穿戴设备接收实时数据并对接收到的实时数据进行真实性验证；
其中所述计步流程包括：
步骤21、根据当前的海拔、地磁场强度，对接收到的三轴加速度传感器发送来的持续的计步电路输出信号进行数据修正；具体包括：
通过公式(1)对三轴加速度传感器发送来的持续的计步电路输出信号中X、Y、Z三个轴上的加速度值做了修正补偿，修正公式如下：
Aacc＝Ccompsation+Vvalues×K (1)
其中，Aacc为修正值，Ccompsation为加速度补偿量，Vvalues为一个方向上的加速度值，K为比例系数；
其中Ccompsation由海拔高度决定，当海拔在2000米以下时设定补偿量为245；当海拔在2000米到4000米范围时设定补偿量为255；当海拔在4000米以上时设定补偿量为265；
其中比例系数K用于控制信号缩放比，通过以下的公式(2)计算：
<mrow> <mi>K</mi> <mo>=</mo> <mo>-</mo> <msub> <mi>C</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>m</mi> <mi>p</mi> <mi>s</mi> <mi>a</mi> <mi>t</mi> <mi>i</mi> <mi>o</mi> <mi>n</mi> </mrow> </msub> <mo>&amp;times;</mo> <mfrac> <mn>1</mn> <msub> <mi>M</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中Mmax为地球表面最大磁场强度；其中公式(2)中比例系数K与加速度补偿量Ccompsation成正比；
步骤22、通过以下的公式(3)计算加速度平均值mAvr
mAvr＝(Aaccx+Aaccy+Aaccz)/3 (3)
其中Aaccx为X轴上的加速度分量，Aaccy为Y轴上的加速度分量，Aaccz为Z轴上的加速度分量；
步骤23、将加速度平均值mAvr绘制的波形图记为函数F(t)，并将被测点记作F(t0)，将被测点的前两个值分别定义为F(t1)、F(t2)；
然后计算F(t1)与F(t2)差值，记作Δ1；
计算F(t1)与F(t0)差值，记作Δ2；
如果Δ1、Δ2异号则认为F(t1)为拐点，否则认为F(t1)不为拐点；若为极值点则将极值点存入数组mExtremums[]中，并进入步骤24；
步骤24、获取当前的极值点Ek以及前一极值点Ek-1，并计算相邻波峰波谷之间的差值绝对值|Δ|
|Δ|＝|Ek-Ek-1| (4)
其中，|Δ|为相邻的两个极值点之间的差值的绝对值，也是识别运动步伐的判断依据，Ek为本次测量出的拐点，存储在数组mExtremums[k]中；Ek-1为记录的上一个极值点，存储在数组mExtremums[k-1]中；
步骤25、根据步骤24获取的极值点之间的差值绝对值|Δ|，判断相邻的两个极值点之间的差值的绝对值|Δ|是否满足以下的五个计步条件，如果是则记一步：
1、识别区间的确定条件；当前值|Δ|大于阀值的部分为运动识别区，小于阀值的部分为非识别区；阀值即为可穿戴设备的计步电路的灵敏度，灵敏度过高或高低均会给计步造成较大误差；
2、判断上次计算值|Δ|1是否合理的判断条件；若上次计算值|Δ|1相比当前值|Δ|太小\，则认为上一次波动为高频干扰，上一步不记为一步；否则认为|Δ|1合理数据；其中|Δ|1为上一步的计算值；
3、判断当前值|Δ|是否合理的判断条件；在通过第2个条件判定上一次的计算值|Δ|1有效的情况下，则判断当前|Δ|是否大于三分之二倍的|Δ|1时，如果则认为当前值|Δ|为合理数据；如果不是则认为当前值|Δ|过小，本次波动为抖动干扰，不计为一步；
4、波谷判断；所以如果的满足条件的拐点为波峰数据，则舍弃；如果为波谷数据则进入下一个判断条件；
5、时间间隔判断条件；判断当前值|Δ|与上一次的计算值|Δ|1之间的时间间隔小于0.2s，则该当前值|Δ|为高频噪声干扰，不计为一步；
如果当前值|Δ|满足前述的五个条件时，当前值|Δ|可以记为一步；
步骤26、根据运动过程中的定位信息绘制运动轨迹。
2.根据权利要求1所述的基于Android平台的跑步健身数据方法，其特征在于，所述方法还包括运动相关数据计算流程；其中所述运动相关数据计算流程包括运动能耗计算步骤、运动距离计算步骤、实时速度计算步骤、平均速度计算步骤；
其中所述运动能耗计算步骤采用以下公式(5)计算运动能耗
<mrow> <msub> <mi>KE</mi> <mrow> <mi>a</mi> <mi>e</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>k</mi> <mi>m</mi> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>a</mi> <mn>0</mn> </msub> <msub> <mi>a</mi> <mn>1</mn> </msub> </msubsup> <mi>d</mi> <mi>a</mi> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <msub> <mi>t</mi> <mn>1</mn> </msub> </msubsup> <mi>t</mi> <mi>d</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>/</mo> <mn>4.18</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中，KEaee为人体运动能耗，k为修正参数，m为使用者身体质量，a为三轴加速度的几何平均值，t为运动持续时间，d为运动距离；
其中三轴加速度的几何平均值a通过以下的公式(6)计算：
<mrow> <mi>a</mi> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>TA</mi> <mi>x</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>TA</mi> <mi>y</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>TA</mi> <mi>z</mi> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>/</mo> <mn>3</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中，TAx为x轴方向上的加速度分量，TAy为轴方向上的加速度分量，TAz为Z轴方向上的加速度分量；
其中所述运动距离计算步骤包括：
步骤31、计算两次定位之间的距离，具体包括：
设结束点M的坐标为(Mlng，Mlat)，起始点N的坐标为(Nlng，Nlat)；
将结束点M与起始点N之间的经纬度转换为弧度；转换之后结束点M的坐标表示为(RMlng，RMlng)，起始点N的坐标表示为(RNlng，RNlat)；
采用公式(7)计算起始点N与结束点M之间的距离，：
<mrow> <mi>L</mi> <mo>=</mo> <mn>2</mn> <msub> <mi>E</mi> <mi>R</mi> </msub> <mi>a</mi> <mi>r</mi> <mi>c</mi> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>RM</mi> <mrow> <mi>l</mi> <mi>a</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>RN</mi> <mrow> <mi>l</mi> <mi>a</mi> <mi>t</mi> </mrow> </msub> </mrow> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>RM</mi> <mrow> <mi>l</mi> <mi>a</mi> <mi>t</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>RN</mi> <mrow> <mi>l</mi> <mi>a</mi> <mi>t</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>RM</mi> <mrow> <mi>ln</mi> <mi>g</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>RN</mi> <mrow> <mi>l</mi> <mi>h</mi> <mi>g</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中，L为两点之间的距离；ER为地球半径；
步骤32、根据每两次邻近的定位之间的距离，采用公式(8)获取整个运动轨迹中的运动距离：
<mrow> <msub> <mi>D</mi> <mrow> <mi>t</mi> <mi>o</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>L</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
其中所述实时速度计算步骤包括：
通过公式(9)确定两次定位之间的时间以得到该时间段的实时速度：
Vrt＝L/t (9)
其中平均速度计算步骤包括：
通过公式(10)计算使用者在整个运动过程中的平均速度：
V＝Ltot/T (10)
其中，V为平均速度，Ltot为跑步距离，T为跑步持续时间。
3.根据权利要求1所述的基于Android平台的跑步健身数据方法，其特征在于，所述状态识别流程包括：
将使用者的状态分为：静止、行走、跑步；其中状态识别流程利用相邻拐点差值的绝对值|Δavr|来进行区分；如果|Δavr|＞4.5714则认为波形有效，否则将此波动作为噪声干扰；
其中静止状态判断步骤包括：
步骤41、取连续十个相邻拐点差值的绝对值|Δavr|，如果该连续十个相邻拐点差值的绝对值|Δavr|均小于4.5714，则预判断当前状态为静止状态；否则步骤结束；
步骤42、如果连续十个相邻拐点差值的绝对值|Δavr|之间的时间间隔为0.6s以内，则判断当前状态为静止状态；如果连续十个相邻拐点差值的绝对值|Δavr|之间的时间间隔大于0.6s，则需要判断0.6s内所有|Δavr|是否均小于4.5714；如果是则判断当前状态为静止状态，否则判断当前状态为运动状态；
步骤43、获取步伐判断量|Δstep|，其最大值为1.2253，若此时计步阀值小于1.2253，则当前数据为抖动；
其中行走状态判断步骤包括：通过以下参数判断当前状态是否为行走状态：
其中行走状态下三轴加速度传感器的三轴加速度值Aaccx、Aaccy、Aaccz均为非零值，其中X轴加速度值Aaccx在大小为236.0604的值附近上下波动，其中Y轴加速度值Aaccx在大小为220.197的数值附近上下波动，其中Z轴加速度值Aaccz在大小为239.6163的值附近上下波动；且加速度平均值mAvr在大小为229.0932的值附近上下波动；
如果连续m个相邻拐点差值的绝对值|Δavr|都大于56.274，且小于130.7574，则认为当前状态为行走状态；
其中跑步状态判断步骤包括：通过以下参数判断当前状态是否为跑步状态：
如果连续m个相邻拐点差值的绝对值|Δavr|均大于130.7574，则认为当前状态为跑步状态。
4.根据权利要求1所述的基于Android平台的跑步健身数据方法，其特征在于，所述方法还包括生理参数监测流程；其中所述生理参数监测流程包括心电信号数字滤波步骤、QRS波检测步骤、心率失常诊断步骤、体温实时监测步骤；
其中心电信号数字滤波步骤包括：
步骤51、采用Butterworth filter滤波器滤除50Hz工频干扰；
步骤52、采用Butterworth filter高通滤波器滤除0.01-0.05Hz基线漂移；
步骤53、采用Butterworth filter低通滤波器滤除100Hz以上的高频干扰；
其中所述QRS波检测步骤包括：
步骤61、采用以下的迭代法计算预定的数据集内的一阶差分f1(n)和二阶差分f2(n)；其迭代公式为：
f1(n)＝x(n+1)-x(n-1) (11)
f2(n)＝x(n+2)+x(n-2)-2x(n) (12)
步骤62、遍历一阶差分f1(n)和二阶差分f2(n)，找出其中的最大值f1max、f2max和最小值f1min和f2min；并以此计算自适应阈值Mf1和Mf2；
Mf1＝f1max-fmin (13)
Mf2＝f2max-f2min (14)
步骤63、利用一阶差分f1(n)和二阶差分f2(n)分别乘以自适应阀值Mf1、Mf2，通过以下公式(15)以叠加的方式对数据进行通高频抑低频的操作：
fM(n)＝Mf1f1(n)+Mf2f2(n) (15)
步骤64、取fM(n)中最大值与最小值之差记作fMmax，取倍fMmax记作自适应阀值MfM，将大于自适应阀值MfM的值置为Dmax；其中Dmax为数据集中最大的值；如果没有大于自适应阀值MfM的值则置为0，从而初步确定QRS波的范围；
其中，波群范围函数记作fQRS，对得到的位置数据首先进行去毛刺处理以去除除突变消除误差；然后将波群范围内所有的一阶差分置为Dmax以标出波群范围；
步骤63、确定波群的R波波峰位置；具体包括：首先要确定波群的R波起点和终点；其中fQRS由0突变到Dmax的点即起始位置，而fQRS由Dmax突变到0的下降沿为终点；
步骤64、根据R波波峰的起点和终点，确定波群的Q波波峰、S波波峰；具体的包括：
通过以下公式(16)确定自适应阀值域Ms
<mrow> <msub> <mi>M</mi> <mi>s</mi> </msub> <mo>=</mo> <mi>C</mi> <mo>&amp;times;</mo> <mi>S</mi> <mo>;</mo> <mi>S</mi> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>n</mi> <mo>=</mo> <mn>2</mn> </mrow> <mn>2000</mn> </msubsup> <msub> <mi>f</mi> <mn>1</mn> </msub> <msup> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mn>200</mn> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
其中C为经验系数；S为一阶差分的标准差；
再在确定Ms＝C×S
Ms选定之后，对一阶差分取绝对值记作abs(f1(n))，则
R波波峰左侧第一个满足abs(f1(n-1))<Ms的点就是R波的起点Rs；
R波波峰右侧第一个满足abs(f1(n-1))>Ms且abs(f1(n))＜Ms的点就是R波终点Re；
从Rs向左0.04s范围内数据集data绝对值最大的点即为Q波波峰，从Rs向右0.06s范围内数据集data绝对值最大的点为S波波峰；
步骤65、根据R波波峰的起点和终点，确定波群的P波波峰、T波波峰；
其中心率失常诊断步骤包括：
根据QRS波参数计算RRi；其中RRi为心电图ECG的第i个RR区间；
计算其中的QRS周期，判断RRi>2.4s是否成立，如果是为心脏停搏；如果否，则计算7个连续QRS波参数内的RRi的平均值avrRR，判断2R<RRi<2.4s是否成立，如果是则为心脏漏博；如果否，则计算RRid<0.75avrRR是否成立，如果是则判断QRS时长＞120m且RRi+RRi+1≥2avrRR是否成立，如果否则为房性早搏，如果是则为室性早搏；
如果RRid<0.75avrRR不成立，则计算|3rdRR|＞R/5是否成立，如果是则为心律不齐；如果否则计算平均心率HR＜60是否成立，如果是则为心动过缓；如果否则判断HR＞100是否成立，如果是则为心动过快；否则为心率正常；
其中体温实时监测步骤包括：智能终端每间隔预定时间向可穿戴设备发送数据请求以获取温度值。
5.一种基于Android平台的跑步健身数据系统，其特征在于，包括可穿戴设备和移动终端，其中所述移动终端设有应用软件以实现如权利要求1-4任一项所述的准备流程、计步流程、运动相关数据计算流程、状态识别流程、生理参数监测流程。
CN201610938246.2A 2016-10-25 2016-10-25 一种基于Android平台的跑步健身数据系统及方法 Active CN107970590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610938246.2A CN107970590B (zh) 2016-10-25 2016-10-25 一种基于Android平台的跑步健身数据系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610938246.2A CN107970590B (zh) 2016-10-25 2016-10-25 一种基于Android平台的跑步健身数据系统及方法

Publications (2)

Publication Number Publication Date
CN107970590A true CN107970590A (zh) 2018-05-01
CN107970590B CN107970590B (zh) 2019-05-21

Family

ID=62005090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610938246.2A Active CN107970590B (zh) 2016-10-25 2016-10-25 一种基于Android平台的跑步健身数据系统及方法

Country Status (1)

Country Link
CN (1) CN107970590B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108786074A (zh) * 2018-06-14 2018-11-13 浙江大学 运动训练负荷监测设备
CN108985533A (zh) * 2017-06-02 2018-12-11 四川理工学院 一种基于Android平台的运动管理系统和方法
CN109157201A (zh) * 2018-08-13 2019-01-08 广州喜梁门科技有限公司 一种手环设备的系统及其控制方法
CN110721456A (zh) * 2019-10-09 2020-01-24 成都乐动信息技术有限公司 一种基于三轴传感器的踏频检测方法
CN110916636A (zh) * 2019-11-22 2020-03-27 新绎健康科技有限公司 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统
CN111880670A (zh) * 2020-07-28 2020-11-03 深圳市恒达无限通信设备有限公司 手机中智能穿戴设备的数据处理方法及系统
CN113810845A (zh) * 2021-09-17 2021-12-17 广州悦跑信息科技有限公司 一种基于多角度监测的有效跑动距离统计方法及系统
TWI801065B (zh) * 2021-12-27 2023-05-01 國立臺灣師範大學 跑步負荷監測記錄裝置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009297310A (ja) * 2008-06-13 2009-12-24 Sharp Corp 画像データ再生装置、画像再生装置、半導体集積回路およびヘッドマウントディスプレイ装置
CN202710598U (zh) * 2012-07-31 2013-01-30 宋子健 一种人体运动信息检测装置
CN103712632A (zh) * 2013-12-31 2014-04-09 英华达（上海）科技有限公司 一种基于3轴加速计的计步方法和计步器
CN103727954A (zh) * 2013-12-27 2014-04-16 北京超思电子技术股份有限公司 一种计步器
JP2014158256A (ja) * 2013-01-18 2014-08-28 Canon Inc 撮像装置、伸長回路、プログラム、および、補正データ生成装置
CN104713568A (zh) * 2015-03-31 2015-06-17 上海帝仪科技有限公司 步态识别方法以及相应的计步器
US20150186834A1 (en) * 2013-12-27 2015-07-02 Fenwal, Inc. System and method for blood component supply chain management
US20150212108A1 (en) * 2008-06-24 2015-07-30 Philippe Richard Kahn Program Setting Adjustments Based on Activity Identification
CN204563453U (zh) * 2015-03-04 2015-08-19 四川理工学院 一种健身车
CN105214296A (zh) * 2013-02-06 2016-01-06 宋子健 一种获得运动信息的方法
CN105982661A (zh) * 2015-02-02 2016-10-05 四川理工学院 一种便携式心电监护系统及其数据处理方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009297310A (ja) * 2008-06-13 2009-12-24 Sharp Corp 画像データ再生装置、画像再生装置、半導体集積回路およびヘッドマウントディスプレイ装置
US20150212108A1 (en) * 2008-06-24 2015-07-30 Philippe Richard Kahn Program Setting Adjustments Based on Activity Identification
CN202710598U (zh) * 2012-07-31 2013-01-30 宋子健 一种人体运动信息检测装置
JP2014158256A (ja) * 2013-01-18 2014-08-28 Canon Inc 撮像装置、伸長回路、プログラム、および、補正データ生成装置
CN105214296A (zh) * 2013-02-06 2016-01-06 宋子健 一种获得运动信息的方法
CN103727954A (zh) * 2013-12-27 2014-04-16 北京超思电子技术股份有限公司 一种计步器
US20150186834A1 (en) * 2013-12-27 2015-07-02 Fenwal, Inc. System and method for blood component supply chain management
CN103712632A (zh) * 2013-12-31 2014-04-09 英华达（上海）科技有限公司 一种基于3轴加速计的计步方法和计步器
CN105982661A (zh) * 2015-02-02 2016-10-05 四川理工学院 一种便携式心电监护系统及其数据处理方法
CN204563453U (zh) * 2015-03-04 2015-08-19 四川理工学院 一种健身车
CN104713568A (zh) * 2015-03-31 2015-06-17 上海帝仪科技有限公司 步态识别方法以及相应的计步器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴兆强: "基于Android 的便携式心电监护系统设计", 《科技通报》 *
彭龑: "物联网概念下的便携式心电监护仪", 《自动化技术与应用》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985533B (zh) * 2017-06-02 2021-12-28 四川理工学院 一种基于Android平台的运动管理系统和方法
CN108985533A (zh) * 2017-06-02 2018-12-11 四川理工学院 一种基于Android平台的运动管理系统和方法
CN108786074B (zh) * 2018-06-14 2019-06-25 浙江大学 运动训练负荷监测设备
CN108786074A (zh) * 2018-06-14 2018-11-13 浙江大学 运动训练负荷监测设备
CN109157201A (zh) * 2018-08-13 2019-01-08 广州喜梁门科技有限公司 一种手环设备的系统及其控制方法
CN110721456A (zh) * 2019-10-09 2020-01-24 成都乐动信息技术有限公司 一种基于三轴传感器的踏频检测方法
CN110721456B (zh) * 2019-10-09 2020-12-25 成都乐动信息技术有限公司 一种基于三轴传感器的踏频检测方法
CN110916636A (zh) * 2019-11-22 2020-03-27 新绎健康科技有限公司 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统
CN110916636B (zh) * 2019-11-22 2023-05-26 新绎健康科技有限公司 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统
CN111880670A (zh) * 2020-07-28 2020-11-03 深圳市恒达无限通信设备有限公司 手机中智能穿戴设备的数据处理方法及系统
CN111880670B (zh) * 2020-07-28 2021-03-26 深圳市恒达无限通信设备有限公司 手机中智能穿戴设备的数据处理方法及系统
CN113810845A (zh) * 2021-09-17 2021-12-17 广州悦跑信息科技有限公司 一种基于多角度监测的有效跑动距离统计方法及系统
CN113810845B (zh) * 2021-09-17 2022-10-14 广州悦跑信息科技有限公司 一种基于多角度监测的有效跑动距离统计方法及系统
TWI801065B (zh) * 2021-12-27 2023-05-01 國立臺灣師範大學 跑步負荷監測記錄裝置

Also Published As

Publication number Publication date
CN107970590B (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN107970590A (zh) 一种基于Android平台的跑步健身数据系统及方法
CN107970574A (zh) 一种基于Android平台的跑步健身系统及其数据处理方法
US20200000379A1 (en) Device and method for classifying the activity and/or counting steps of a user
US20140288876A1 (en) Dynamic control of sampling rate of motion to modify power consumption
WO2017000563A1 (zh) 智能设备的实时定位方法及系统、手机运动姿态的判定方法
EP2972416A2 (en) Identification of motion characteristics to determine activity
WO2014145122A2 (en) Identification of motion characteristics to determine activity
WO2014145112A2 (en) Methods and architecture for determining activity and activity types from sensed motion signals
CN109893111B (zh) 一种动态血压测量模式选择方法及装置
CN108366742B (zh) 一种生物信号采集方法、装置、电子设备及系统
US10765357B2 (en) System and method for detecting muscle activities
US20140288877A1 (en) Intermediate motion signal extraction to determine activity
CN103315728A (zh) 心率检测和显示方法及其装置
JP2017136164A (ja) センサ情報処理装置、センサユニット、及び、センサ情報処理プログラム
US20230091163A1 (en) Heart activity monitoring during physical exercise
EP2972930A2 (en) Inline calibration of motion sensor
JP2014094043A (ja) 心拍推定装置、心拍推定方法及びプログラム
WO2024012330A1 (zh) 一种用于评估帕金森病情的电子设备
CN108985533B (zh) 一种基于Android平台的运动管理系统和方法
CN112137601A (zh) 信号处理方法、装置、车辆及存储介质
CN113679339A (zh) 睡眠监测方法、设备、系统以及存储介质
JP2016202603A (ja) 生体情報処理システム、プログラム、生体情報処理システムの制御方法
US20200029909A1 (en) Heart Rate Detection Architecture
WO2014191803A1 (en) Acceleration-based step activity detection and classification on mobile devices
Tahir et al. IoT-Motion Sensor Device and Data Analysis:(Motion Detection and Step-Count Algorithm)

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