CN108446019B - 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型 - Google Patents

一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型 Download PDF

Info

Publication number
CN108446019B
CN108446019B CN201810149684.XA CN201810149684A CN108446019B CN 108446019 B CN108446019 B CN 108446019B CN 201810149684 A CN201810149684 A CN 201810149684A CN 108446019 B CN108446019 B CN 108446019B
Authority
CN
China
Prior art keywords
user
wearable device
sliding
deviation
displacement
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.)
Active
Application number
CN201810149684.XA
Other languages
English (en)
Other versions
CN108446019A (zh
Inventor
莫凡
周佳
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201810149684.XA priority Critical patent/CN108446019B/zh
Publication of CN108446019A publication Critical patent/CN108446019A/zh
Application granted granted Critical
Publication of CN108446019B publication Critical patent/CN108446019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型，主要包括以下步骤：1)数据采集。2)数据上传。3)行为分析。4)判断用户当前运动状态。5)建立界面操作纠偏模型。6)根据所示纠偏模型和所述滑动平稳模型，纠正用户操作的偏差。本发明的目的是在于提供一种基于可穿戴设备传感器技术的用户行为测试方法和操作纠偏模型，既保证能够广泛而普及的搜集用户行为数据，又保证搜集的数据能够上传至共享平台，用于快速可视化及后续测试分析，并可建立基于用户个人的操作纠偏模型。

Description

一种基于可穿戴设备传感器技术的用户行为测量方法及操作 纠偏模型
技术领域
本发明涉及人因工程技术领域，具体是一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型。
背景技术
随着智能手环、智能手表等各类可穿戴设备的普及，在这些设备上的应用软件层出不穷。由于可穿戴设备的贴身佩戴、移动性增强、屏幕更小、使用环境更多变，这给在这些设备上的应用开发带来了可用性上的难题，设计出能够带来较好用户体验的手表或手环应用，也变得十分困难。
可穿戴设备应用软件的开发者和设计者，需要对用户行为进行捕捉分析的测量方法，测试人员能够对其应用软件进行测试，才能够不断解决可穿戴设备应用软件的可用性难题，进而推进可穿戴设备行业的发展。
目前，针对可穿戴设备应用软件的测试，主要存在以下两个问题：
1)可穿戴设备上，没有进行应用软件测试的用户行为测量方法或工具。
2)现有通过智能手环传感器获取的数据孤立，且可视化分析能力不足，无法提供快速让开发者及设计者了解到应用软件可用性问题的方法。
此外，目前针对智能手表界面的操作，目前主要存在以下两个问题：
1)智能手表屏幕过小，移动性强，导致使用者的界面操作精确度下降。
2)传统的智能手机中的点击纠偏模型，重点考虑手指与视力配合导致的偏差问题。智能手表涉及更多行走不同阶段的区别，这也导致智能手表操作准确率低。
发明内容
本发明目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种基于可穿戴设备传感器技术的用户行为测量方法，主要包括以下设备：可穿戴设备、加速度传感器、角速度传感器、智能手机和服务器。
所述可穿戴设备具有触摸屏。
进一步，所述可穿戴设备是智能手表或智能手环。
所述加速度传感器测量用户穿戴所述可穿戴设备后进行行走、跑动、站立和静坐时的加速度数据。
所述角速度传感器测量用户穿戴所述可穿戴设备后进行行走、跑动、站立和静坐时的角速度数据。
所述智能手机接收所述加速度数据和所述角速度数据，并将所述加速度数据和所述角速度数据上传到所述服务器中。
利用所述设备进行的基于可穿戴设备传感器技术的用户行为测量方法，主要包括以下步骤：
1)数据采集。主要步骤如下：
1.1)用户穿戴所述可穿戴设备。
1.2)用户抬手使用所述可穿戴设备。所述加速度传感器测量用户抬手使用所述可穿戴设备时的加速度数据I，并转换为电信号I。所述角速度传感器测量用户抬手使用所述可穿戴设备时的角速度数据I，并转换为电信号II。
1.3)用户在使用所述可穿戴设备时依次完成不同的运动；所述运动主要包括行走、跑动、站立和静坐。其中行走包括四个阶段Stepk(k＝1,2,3,4)。行走阶段Step1为左脚摆动，即从左脚脚尖离地到再次脚跟着地。行走阶段Step2为左脚承重，即从左脚脚跟着地到脚面彻底贴地。行走阶段Step3为右脚摆动，即从右脚脚尖离地到再次脚跟着地。行走阶段Step4为右脚承重，即从右脚脚跟着地到脚面彻底贴地。
1.4)所述加速度传感器测量用户完成所述动作过程中所述可穿戴设备的加速度数据II，并转换为电信号III。
用户处于行走状态时，所述可穿戴设备加速度转换为电信号III1。其中，用户处于行走阶段Step1时，所述可穿戴设备加速度转换为电信号III11。用户处于行走阶段Step2时，所述可穿戴设备加速度转换为电信号III12。用户处于行走阶段Step3时，所述可穿戴设备加速度转换为电信号III13。用户处于行走阶段Step4时，所述可穿戴设备加速度转换为电信号III14。
用户处于跑动状态时，所述可穿戴设备加速度转换为电信号III2。
用户处于站立状态时，所述可穿戴设备加速度转换为电信号III3。
用户处于静坐状态时，所述可穿戴设备加速度转换为电信号III4。
1.5)所述角速度传感器测量用户完成所述动作过程中所述可穿戴设备的角速度数据II，并转换为电信号IV。
用户行走时，所述可穿戴设备角速度转换为电信号IV1。其中，用户处于行走阶段Step1时，所述可穿戴设备角速度转换为电信号IV11。用户处于行走阶段Step2时，所述可穿戴设备角速度转换为电信号IV12。用户处于行走阶段Step3时，所述可穿戴设备角速度转换为电信号IV13。用户处于行走阶段Step4时，所述可穿戴设备角速度转换为电信号IV14。
用户跑动时，所述可穿戴设备角速度转换为电信号IV2。
用户站立时，所述可穿戴设备角速度转换为电信号IV3。
用户静坐时，所述可穿戴设备角速度转换为电信号IV4。
1.6)用户放下手，不使用所述可穿戴设备。所述加速度传感器测量用户放下手时所述可穿戴设备的加速度数据III，并转换为电信号V。所述角速度传感器测量用户放下手时所述可穿戴设备的角速度数据III，并转换为电信号VI。
2)数据上传。
2.1)所述加速度传感器和所述角速度传感器将所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI传递给安装在所述可穿戴设备上的应用软件。
所述应用软件对所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI进行标记。标记方式为设置一个和电信号数据对应的键值，该键值代表电信号的类型。
2.2)利用所述应用软件对用户使用所述可穿戴设备或未使用所述可穿戴设备的状态进行标记。
在所述电信号I和所述电信号II的每个数据包的包头加入代表用户使用所述可穿戴设备的字段。
在所述电信号V和所述电信号VI的每个数据包的包头加入代表用户未使用所述可穿戴设备的字段。
利用所述应用软件对所述电信号III和所述电信号IV所属的运动状态进行标记。
在所述电信号III1和所述电信号IV1的每个数据包的包头加入代表行走阶段的字段。
在所述电信号III11和所述电信号IV11的每个数据包的包头加入代表行走阶段Step1的字段。
在所述电信号III12和所述电信号IV12的每个数据包的包头加入代表行走阶段Step2的字段。
在所述电信号III13和所述电信号IV13的每个数据包的包头加入代表行走阶段Step3的字段。
在所述电信号III13和所述电信号IV14的每个数据包的包头加入代表行走阶段Step4的字段。
在所述电信号III2和所述电信号IV2的每个数据包的包头加入代表跑动阶段的字段。
在所述电信号III3和所述电信号IV3的每个数据包的包头加入代表站立阶段的字段。
在所述电信号III4和所述电信号IV4的每个数据包的包头加入代表静坐阶段的字段。
2.3)所述应用软件将标记后的电信号上传到所述智能手机中保存。
2.4)所述智能手机将收集到的数据上传至所述服务器中保存。
3)行为分析。主要步骤如下：
3.1)在所述服务器中，对用户使用所述可穿戴设备或未使用所述可穿戴设备时所述加速度传感器和所述角速度传感器的电信号进行处理。主要步骤如下：
3.1.1)利用所述电信号I、所述电信号II、所述电信号V、所述电信号VI建立以时间为横坐标的信号波形图。
3.1.2)在所述服务器对所述电信号I、所述电信号II、所述电信号V、所述电信号VI进行去噪和平滑。
3.1.3)完成所述电信号I、所述电信号II、所述电信号V、所述电信号VI的信号统计I。所述信号统计值I主要包括计算所述电信号I、所述电信号II、所述电信号V、所述电信号VI的最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度。
3.2)在所述服务器中，对用户使用所述可穿戴设备时不同动作状态下所述加速度传感器和所述角速度传感器的电信号进行处理。主要步骤如下：
3.2.1)利用所述电信号III和所述电信号IV建立以时间为横坐标的信号波形图。
3.2.2)在所述服务器对所述电信号III和所述电信号IV进行去噪和平滑。
3.2.3)完成所述电信号III和所述电信号IV的信号统计II。所述信号统计值II主要包括计算所述电信号III和所述电信号IV的最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度。
3.3)建立有监督学习的随机森林，预测样本对应的标签。主要步骤如下：
3.3.1)将每个数据包信号中提取的特征作为一个样本。所述特征主要包括最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度。
3.3.2)为每个所述样本的数据包添加一个标签，即添加数据包的包名。
3.3.3)将添加标签后的所述样本，以有放回抽样的方式，形成训练集。
3.3.4)构建一棵决策树。随机选择多个样本特征。决策树上各节点基于所述样本特征确定。根据所述样本特征，计算最佳的分裂方式。
3.3.5)每棵决策树通过步骤3.3.4不断分裂成长，最终节点用于反映样本标签，即当数据包特征已知时，最终节点用于预测所述数据包的包头名称。
3.3.6)根据步骤3.3.1至步骤3.3.5，建立两个分类模型。利用所述信号统计I的数据建立分类模型I。利用所述信号统计II的数据建立分类模型II。
3.4)建立用户使用所述可穿戴设备或未使用所述可穿戴设备的分类模型I。建立用户在使用所述可穿戴设备时处于不同运动状态的分类模型II。
4)在所述随机森林中，根据所述分类模型I可以对用户使用所述可穿戴设备或未使用所述可穿戴设备进行判断。根据所述分类模型II，可以对用户在使用所述可穿戴设备时的不同运动状态进行判断。
一种应用于所述基于可穿戴设备传感器技术的用户行为测量方法的操作纠偏模型，主要包括以下步骤：
1)记录所述界面操作数据。主要步骤如下：
1.1)用户分别在行走、跑动、站立和静坐状态下点击测试原型中被激活的亮点，直到完成所有所述亮点的点击。点击亮点过程中，用户的操作主要包括点击所述触摸屏屏幕上所述测试原型中的亮点和滑动所述触摸屏屏幕。
所述测试原型为一种显示在所述触摸屏屏幕上的测试程序。所述测试原型具有m页。所述测试原型能随机出现均匀分布于所述触摸屏屏幕的亮点以供用户点击。用户通过滑动所述触摸屏对所述测试原型进行翻页。
进一步，所述测试原型一次只出现一个亮点。所述亮点随机出现。每个所述亮点只出现一次。m≥3。
1.2)在用户点击亮点时，所述测试原型的后台程序记录所述界面操作数据，主要包括用户点击亮点时的点击位置、点击时间、滑动时间和滑动位移。
1.2.1)当用户在所述触摸屏上对所述亮点进行点击操作时，当前次点击数据用(x,y,t)表示。
其中，x为点击所述触摸屏屏幕时的点击横坐标。y为点击所述触摸屏屏幕时的点击纵坐标。t为所述可穿戴设备的系统时间。
所述测试原型的后台程序监控并记录所述坐标(x,y,t)。
1.2.2)用户点击亮点至抬起的时间间隔为：Δt＝(tτ-tτ-1)。 (1)
式中，tτ-1为用户点击所述触摸屏屏幕的时间。tτ为用户抬起的时间。τ为第τ次点击。
1.2.3)用户在点击亮点过程中，进行了多次左右滑动。滑动状态Slidee(e＝L,R)主要包括两种。SlideL为向左滑动。SlideR为向右滑动。滑动状态根据滑动轨迹的角度和滑动起始点坐标判断。
一次滑动行为由多段的小位移组成。
一次滑动表示为序列[(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)]。 (2)
式中，x1、x2、...、xn分别为点击所述触摸屏屏幕时各段小位移的点击横坐标。y1、y2、...、yn分别为点击所述触摸屏屏幕时各段小位移的点击纵坐标。t1、t2、...、tn分别为点击所述触摸屏屏幕时各段小位移的点击时间。n为位移总段数。
进一步，n≥1。
1.3)将所述界面操作数据上传到所述服务器中存储。
2)建立标准特征库和有偏差特征库。
2.1)所述服务器建立标准特征库。将用户在站立和静坐状态下点击所述亮点时的所述界面操作数据存入所述标准特征库。
2.2)所述服务器建立有偏差特征库。将用户在行走和跑动状态下点击所述亮点时的所述界面操作数据存入所述有偏差特征库。
3)根据所述界面操作数据，计算出操作特征。所述操作特征主要包括点击偏差，点击时间、滑动稳定性和滑动时间。
3.1)计算点击偏差。主要步骤如下：
任一个亮点的中心坐标设为(x0,y0)。提取所述测试原型的后台程序记录的所述坐标(x,y,t)。
所述亮点进行点击操作的点击偏差如下所示：
x轴偏差为：Δx＝(x-x0)。 (3)
式中，x0为亮点的中心横坐标。x为点击所述触摸屏屏幕时的点击横坐标。
y轴偏差为：Δy＝(y-y0)。 (4)
式中，y0为亮点的中心纵坐标。y是点击所述触摸屏屏幕时的点击纵坐标。
总位移偏差为
Figure BDA0001579687040000081
式中，x0为亮点的中心横坐标。x为点击所述触摸屏屏幕时的点击横坐标。y0为亮点的中心纵坐标。y为点击所述触摸屏屏幕时的点击纵坐标。
偏移角度为：α＝arctan((y-y0)/(x-x0))。 (6)
式中，x0为亮点的中心横坐标。x为点击所述触摸屏屏幕时的点击横坐标。y0为亮点的中心纵坐标。y为点击所述触摸屏屏幕时的点击纵坐标。
起始转角为x轴的正方向。
3.2)计算滑动稳定性，主要步骤如下。
提取所述测试原型的后台程序记录的所述滑动时间和所述滑动位移。
针对一次滑动操作的稳定性，可由所述序列的多段小位移的变化情况来表示。计算的特征主要包括以下：
每个小位移长度为：
Figure BDA0001579687040000082
式中，xi为第i段小位移的点击横坐标。xi+1为第i+1段小位移的点击横坐标。yi为第i段小位移的点击纵坐标。yi+1为第i+1段小位移的点击纵坐标。i为第i段小位移。
位移的偏转角为：θi＝arctan(yi/xi)。 (8)
式中，yi为第i段小位移的点击纵坐标。xi为第i段小位移的点击横坐标。i为第i段小位移。
偏转角的变化率为：ci＝δθi/δsi。 (9)
式中，θi为第i段位移的偏转角。si为第i段位移长度。i为第i段小位移。
偏转角的二次变化率为：Δci＝δci/δsi。 (10)
式中，ci为偏转角变化率。si为第i段位移长度。i为第i段小位移。
水平速度为：v(x,i)＝δxi/δti。 (11)
式中，xi是滑动所述触摸屏屏幕时第i段位移起始点横坐标和终点横坐标的差值。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备的系统时间差值。
竖直速度为：v(y,i)＝δyi/δti。 (12)
式中，yi是滑动所述触摸屏屏幕时第i段位移起始点纵坐标和终点纵坐标的差值。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备的系统时间差值。
总速度为：
Figure BDA0001579687040000091
式中，v(x,i)为水平速度。v(y,i)为竖直速度。
加速度为：ai＝δvi/δti。 (14)
式中，vi为总速度。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备的系统时间差值。
二次加速度为：Δai＝δai/δti。 (15)
式中，ai为加速度。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备的系统时间差值。
角速度为：wi＝δθi/δti。 (16)
式中，θi为位移的偏转角。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备的系统时间差值。
3.3)统计计算提取单次滑动的特征。主要包括单次滑动时滑动时间和滑动位移的最大值、最小值、平均值和标准差。
用户单次滑动的时间为：Time＝tn-t1。 (17)
式中，t1为点击所述触摸屏屏幕时第一段小位移的点击时间。tn为点击所述触摸屏屏幕时第n段小位移的点击时间。n为位移总段数。
累计位移长度为：
Figure BDA0001579687040000092
式中，1≤i≤n。i为第i段位移。si为第i段位移长度。n为位移总段数。
位移长度为：
Figure BDA0001579687040000093
式中，xn为第n段位移横坐标。x1为第1段位移横坐标。yn为第n段位移纵坐标。y1为第1段位移纵坐标。n为位移总段数。
滑动曲线的平直度为：Straightness＝S/Sn。 (20)
式中，Sn为累计位移长度。n为位移总段数。S为滑动起始点到滑动终点的直线距离。
滑动曲线的跳动为Jitter＝Straightness'/S。 (21)
式中，Straightness为滑动曲线的平直度。S为滑动起始点到滑动终点的直线距离。
4)建立界面操作纠偏模型。主要步骤如下：
4.1)计算所有点击偏差的平均值。根据点击偏差平均值和点击时间，建立偏差向量场。根据所述偏差向量场和所述有偏差特征库构建点击纠偏模型。
所述触摸屏屏幕中任一个坐标位置(xp,yq)。所有坐标位置的集合设为D。
用户处于行走状态对所述触摸屏进行点击时，记
Figure BDA0001579687040000101
为点击时的x轴偏差。点击时的x轴偏差对应的有偏差参数为
Figure BDA0001579687040000102
记
Figure BDA0001579687040000103
为点击时的y轴偏差。点击时的y轴偏差对应的有偏差参数为
Figure BDA0001579687040000104
记
Figure BDA0001579687040000105
为点击时的总位移偏差。点击时的总位移偏差对应的有偏差参数为
Figure BDA0001579687040000106
记
Figure BDA0001579687040000107
为点击时的偏移角度。点击时的偏移角度对应的有偏差参数为
Figure BDA0001579687040000108
记
Figure BDA0001579687040000109
为点击时间。点击时间对应的有偏差参数为
Figure BDA00015796870400001010
得到用户在不同行走阶段对所述触摸屏进行点击时的点击纠偏模型如下所示：
Figure BDA00015796870400001011
式中，
Figure BDA00015796870400001012
为点击时的x轴偏差。点击时的x轴偏差对应的有偏差参数为
Figure BDA00015796870400001013
为点击时的y轴偏差。点击时的y轴偏差对应的有偏差参数为
Figure BDA00015796870400001014
为点击时的总位移偏差。点击时的总位移偏差对应的有偏差参数为
Figure BDA00015796870400001015
为点击时的偏移角度。点击时的偏移角度对应的有偏差参数为
Figure BDA0001579687040000111
为点击时间。点击时间对应的有偏差参数为
Figure BDA0001579687040000112
k为行走阶段。D为所有坐标位置的集合。p为任一坐标位置的横坐标下标。q为任一坐标位置的纵坐标下标。
4.2)根据滑动稳定性和时间，建立滑动纠偏模型。建立滑动纠偏模型的主要步骤如下：
用户处于行走状态时对所述触摸屏进行滑动时，记
Figure BDA0001579687040000113
为滑动时的x轴偏差。滑动时的x轴偏差对应的有偏差参数为
Figure BDA0001579687040000114
记
Figure BDA0001579687040000115
为滑动时的y轴偏差。滑动时的y轴偏差对应的有偏差参数为
Figure BDA0001579687040000116
记
Figure BDA0001579687040000117
为滑动时的总位移偏差。滑动时的总位移偏差对应的有偏差参数为
Figure BDA0001579687040000118
记
Figure BDA0001579687040000119
为滑动时的偏移角度。滑动时的偏移角度对应的有偏差参数为
Figure BDA00015796870400001110
记
Figure BDA00015796870400001111
为滑动时间。滑动时间对应的有偏差参数为
Figure BDA00015796870400001112
得到用户在不同行走阶段对所述触摸屏进行滑动时的所述滑动纠偏模型如下所示：
Figure BDA00015796870400001113
式中，
Figure BDA00015796870400001114
为滑动时的x轴偏差。滑动时的x轴偏差对应的有偏差参数为
Figure BDA00015796870400001115
为滑动时的y轴偏差。滑动时的y轴偏差对应的有偏差参数为
Figure BDA00015796870400001116
为滑动时的总位移偏差。滑动时的总位移偏差对应的有偏差参数为
Figure BDA00015796870400001117
为滑动时的偏移角度。滑动时的偏移角度对应的有偏差参数为
Figure BDA00015796870400001118
为滑动时间。滑动时间对应的有偏差参数为
Figure BDA00015796870400001119
e为向左或向右滑动。k为行走阶段。
5)根据所述点击纠偏模型和所述滑动平稳模型，纠正用户操作所述触摸屏屏幕上所述测试原型时的操作偏差。
本发明的技术效果是毋庸置疑的。本发明的目的是在于提供一种基于可穿戴设备传感器技术的用户行为测试方法和操作纠偏模型，既保证能够广泛而普及的搜集用户行为数据，又保证搜集的数据能够上传至共享平台，用于快速可视化及后续测试分析，并可建立基于用户个人的操作纠偏模型。
附图说明
图1为数据采集及上传阶段流程图；
图2为行为分析阶段流程图；
图3为界面操作纠偏模型构建流程图；
图4为测试原型概念图；
图5为点击位移示意图；
图6为容许区间示意图；
图7为设备示意图。
图中：可穿戴设备1、加速度传感器2、角速度传感器3、智能手机4和服务器5。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
一种基于可穿戴设备传感器技术的用户行为测量方法，主要包括以下设备：可穿戴设备1、加速度传感器2、角速度传感器3、智能手机4和服务器5。
所述可穿戴设备1具有触摸屏。
进一步，所述可穿戴设备1是智能手表或智能手环。
所述加速度传感器2测量用户穿戴所述可穿戴设备1后进行行走、跑动、站立和静坐时的加速度数据。
所述角速度传感器3测量用户穿戴所述可穿戴设备1后进行行走、跑动、站立和静坐时的角速度数据。
所述智能手机4接收所述加速度数据和所述角速度数据，并将所述加速度数据和所述角速度数据上传到所述服务器5中。
实施例2：
利用所述设备进行的基于可穿戴设备传感器技术的用户行为测量方法，主要包括以下步骤：
1)数据采集。主要步骤如下：
1.1)用户穿戴所述可穿戴设备1。
进一步，用户在佩戴所述可穿戴设备1时，需要在所述智能手机4中录入自己的识别信息，比如个人ID号等。基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型可以采用JavaME进行可穿戴设备及智能手机端的编程开发，可以采用JavaEE配合python和R语言，进行服务器5的编程开发。
1.2)用户抬手使用所述可穿戴设备1。所述加速度传感器2测量用户抬手使用所述可穿戴设备1时的加速度数据I，并转换为电信号I。所述角速度传感器3测量用户抬手使用所述可穿戴设备1时的角速度数据I，并转换为电信号II。
1.3)用户在使用所述可穿戴设备1时依次完成不同的运动。所述运动主要包括行走、跑动、站立和静坐。其中行走包括四个阶段Stepk(k＝1,2,3,4)。行走阶段Step1为左脚摆动，即从左脚脚尖离地到再次左脚脚跟着地。行走阶段Step2为左脚承重，即从左脚脚跟着地到左脚脚面彻底贴地。行走阶段Step3为右脚摆动，即从右脚脚尖离地到再次右脚脚跟着地。行走阶段Step4为右脚承重，即从右脚脚跟着地到右脚脚面彻底贴地。
1.4)所述加速度传感器2测量用户完成所述动作过程中所述可穿戴设备1的加速度数据II，并转换为电信号III。
用户处于行走状态时，所述可穿戴设备1加速度转换为电信号III1。其中，用户处于行走阶段Step1时，所述可穿戴设备1加速度转换为电信号III11。用户处于行走阶段Step2时，所述可穿戴设备1加速度转换为电信号III12。用户处于行走阶段Step3时，所述可穿戴设备1加速度转换为电信号III13。用户处于行走阶段Step4时，所述可穿戴设备1加速度转换为电信号III14。
用户处于跑动状态时，所述可穿戴设备1加速度转换为电信号III2。
用户处于站立状态时，所述可穿戴设备1加速度转换为电信号III3。
用户处于静坐状态时，所述可穿戴设备1加速度转换为电信号III4。
1.5)所述角速度传感器3测量用户完成所述动作过程中所述可穿戴设备1的角速度数据II，并转换为电信号IV。
用户行走时，所述可穿戴设备1角速度转换为电信号IV1。其中，用户处于行走阶段Step1时，所述可穿戴设备1角速度转换为电信号IV11。用户处于行走阶段Step2时，所述可穿戴设备1角速度转换为电信号IV12。用户处于行走阶段Step3时，所述可穿戴设备1角速度转换为电信号IV13。用户处于行走阶段Step4时，所述可穿戴设备1角速度转换为电信号IV14。
用户跑动时，所述可穿戴设备1角速度转换为电信号IV2。
用户站立时，所述可穿戴设备1角速度转换为电信号IV3。
用户静坐时，所述可穿戴设备1角速度转换为电信号IV4。
1.6)用户放下手，不使用所述可穿戴设备1。所述加速度传感器2测量用户放下手时所述可穿戴设备1的加速度数据III，并转换为电信号V。所述角速度传感器3测量用户放下手时所述可穿戴设备1的角速度数据III，并转换为电信号VI。
2)数据上传。
2.1)所述加速度传感器2和所述角速度传感器3将所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI传递给安装在所述可穿戴设备1上的应用软件。
所述应用软件对所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI进行标记。标记方式为设置一个和所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI的数据对应的键值，该键值代表电信号所属的类型，即利用键值确定电信号为电信号I、电信号II、电信号III、电信号IV、电信号V或电信号VI。
2.2)利用所述应用软件对用户使用所述可穿戴设备1或未使用所述可穿戴设备1的状态进行标记。
在所述电信号I和所述电信号II的每个数据包的包头加入代表用户使用所述可穿戴设备1的字段。
在所述电信号V和所述电信号VI的每个数据包的包头加入代表用户未使用所述可穿戴设备1的字段。
利用所述应用软件对所述电信号III和所述电信号IV所属的运动状态进行标记。
在所述电信号III1和所述电信号IV1的每个数据包的包头加入代表行走阶段的字段。
在所述电信号III11和所述电信号IV11的每个数据包的包头加入代表行走阶段Step1的字段。
在所述电信号III12和所述电信号IV12的每个数据包的包头加入代表行走阶段Step2的字段。
在所述电信号III13和所述电信号IV13的每个数据包的包头加入代表行走阶段Step3的字段。
在所述电信号III13和所述电信号IV14的每个数据包的包头加入代表行走阶段Step4的字段。
在所述电信号III2和所述电信号IV2的每个数据包的包头加入代表跑动阶段的字段。
在所述电信号III3和所述电信号IV3的每个数据包的包头加入代表站立阶段的字段。
在所述电信号III4和所述电信号IV4的每个数据包的包头加入代表静坐阶段的字段。
2.3)所述应用软件将标记后的电信号上传到所述智能手机4中保存。
2.4)所述智能手机4将收集到的数据上传至所述服务器5中保存。
3)行为分析。主要步骤如下：
3.1)在所述服务器5中，对用户使用所述可穿戴设备1或未使用所述可穿戴设备1时所述加速度传感器2和所述角速度传感器3的电信号进行处理。主要步骤如下：
3.1.1)利用所述电信号I、所述电信号II、所述电信号V、所述电信号VI建立以时间为横坐标的信号波形图。
3.1.2)在所述服务器5对所述电信号I、所述电信号II、所述电信号V、所述电信号VI进行去噪和平滑。
3.1.3)完成所述电信号I、所述电信号II、所述电信号V、所述电信号VI的信号统计I。所述信号统计值I主要包括计算所述电信号I、所述电信号II、所述电信号V、所述电信号VI的最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度。
3.2)在所述服务器5中，对用户使用所述可穿戴设备1时不同动作状态下所述加速度传感器2和所述角速度传感器3的电信号进行处理。主要步骤如下：
3.2.1)利用所述电信号III和所述电信号IV建立以时间为横坐标的信号波形图。
3.2.2)在所述服务器5对所述电信号III和所述电信号IV进行去噪和平滑。
3.2.3)完成所述电信号III和所述电信号IV的信号统计II。所述信号统计值II主要包括计算所述电信号III和所述电信号IV的最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度。
3.3)建立有监督学习的随机森林，预测样本对应的标签。主要步骤如下：
3.3.1)将每个数据包信号中提取的特征作为一个样本。所述特征主要包括最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度。
3.3.2)为每个所述样本的数据包添加一个标签，即添加数据包的包名。
3.3.3)将添加标签后的所述样本，以有放回抽样的方式，形成训练集。
3.3.4)构建一棵决策树。随机选择多个样本特征。决策树上各节点基于所述样本特征确定；根据所述样本特征，计算最佳的分裂方式。
3.3.5)每棵决策树通过步骤3.3.4不断分裂成长，最终节点用于反映样本标签，即当数据包特征已知时，最终节点用于预测所述数据包的包头名称。
3.3.6)根据步骤3.3.1至步骤3.3.5，建立两个分类模型。利用所述信号统计I的数据建立分类模型I。利用所述信号统计II的数据建立分类模型II。
优选的，随机森林具有很好的抗噪声能力，能够处理很高维度(元素多)的数据，并且无需做特征选择，对数据集的适应能力强。随机森林既能处理离散型数据，也能处理连续型数据。
3.4)建立用户使用所述可穿戴设备1或未使用所述可穿戴设备1的分类模型I。建立用户在使用所述可穿戴设备1时处于不同运动状态的分类模型II。
4)在所述随机森林中，根据所述分类模型I可以对用户使用所述可穿戴设备1或未使用所述可穿戴设备1进行判断。根据所述分类模型II，可以对用户在使用所述可穿戴设备1时的不同运动状态进行判断。进行判断的主要步骤如下：
4.1)用户在穿戴所述可穿戴设备1后进行运动。利用所述加速度传感器2测试所述可穿戴设备1的加速度数据。利用所述角速度传感器3测试所述可穿戴设备1的角速度数据。
4.2)所述加速度传感器2将所述加速度数据转化为电信号，并通过所述智能手机4传输到所述服务器5中。所述角速度传感器3将所述角速度数据转化为电信号，并通过所述智能手机4传输到所述服务器5中。
4.3)所述服务器5对接收到的电信号进行去噪和平滑处理。
4.4)对处理后的电信号数据进行信号统计。
4.5)将所述信号统计值输入到所述随机森林中。所述随机森林中的每一棵决策树分别对所述信号统计值进行判断，并得出所述信号统计值对应的运动状态。依据少数服从多数原则，最终判断出用户当前的运动状态。
实施例3：
一种基于所述基于可穿戴设备传感器技术的用户行为测量方法的操作纠偏模型，主要包括以下步骤：
1)采集并记录所述界面操作数据。主要步骤如下：
1.1)用户分别在行走、跑动、站立和静坐状态下点击测试原型中被激活的亮点101，直到完成所有所述亮点101的点击。点击亮点101过程中，用户的操作主要包括点击所述触摸屏屏幕上所述测试原型中的亮点101和滑动所述触摸屏屏幕。
所述测试原型为一种显示在所述触摸屏屏幕上的测试程序。所述测试原型具有m页。所述测试原型能随机出现均匀分布于所述触摸屏屏幕的亮点101以供用户点击。用户通过滑动所述触摸屏对所述测试原型进行翻页。所述测试原型每页具有随机激活的亮点101。
进一步，所述测试原型一次只出现一个亮点101。所述亮点101随机出现。每个所述亮点101只出现一次。m≥3。
优选的，本实施例选取3页测试原型，即本实施例中，m＝3。
1.2)在用户点击亮点101时，所述测试原型的后台程序记录所述界面操作数据，主要包括用户点击亮点101时的点击位置、点击时间、滑动时间和滑动位移。
优选的，所述界面操作数据可以通过API进行监控和记录。
1.2.1)当用户在所述触摸屏上对所述亮点101进行点击操作时，当前次点击数据用(x,y,t)表示。
其中，x为点击所述触摸屏屏幕时的点击横坐标。y为点击所述触摸屏屏幕时的点击纵坐标。t为所述可穿戴设备1的系统时间。
所述测试原型的后台程序监控并记录所述坐标(x,y,t)。
1.2.2)用户点击亮点101至抬起的时间间隔为：Δt＝(tτ-tτ-1)。(1)
式中，tτ-1为用户点击所述触摸屏屏幕的时间。tτ为用户抬起的时间。τ为第τ次点击。
1.2.3)用户在点击亮点101过程中，进行了多次左右滑动。滑动状态Slidee(e＝L,R)主要包括两种。SlideL为向左滑动。SlideR为向右滑动。滑动状态根据滑动轨迹的角度和滑动起始点坐标判断。
一次滑动行为由多段的小位移组成。
一次滑动表示为序列[(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)]。 (2)
式中，x1、x2、...、xn分别为点击所述触摸屏屏幕时各段小位移的点击横坐标。y1、y2、...、yn分别为点击所述触摸屏屏幕时各段小位移的点击纵坐标。t1、t2、...、tn分别为点击所述触摸屏屏幕时各段小位移的点击时间。n为位移总段数。
进一步，n≥1。
1.3)将所述界面操作数据上传到所述服务器5中存储。
2)建立标准特征库和有偏差特征库。
2.1)所述服务器5建立标准特征库。将用户在站立和静坐状态下点击所述亮点101时的所述界面操作数据存入所述标准特征库。
值得注意的是，所述标准特征库并非没有涉及到用户的操作偏差。例如当使用者在静止时直接点击屏幕按钮，由于手指遮挡视线，点击位置依然会偏离于按钮中心。
2.2)所述服务器5建立有偏差特征库。将用户在行走和跑动状态下点击所述亮点101时的所述界面操作数据存入所述有偏差特征库。
值得注意的是，“有偏差”强调的是运动状态对于用户的操作行为的影响。
3)根据所述界面操作数据，计算出操作特征。所述操作特征主要包括点击偏差，点击时间、滑动稳定性和滑动时间。
3.1)计算点击偏差。主要步骤如下：
任一个亮点101的中心坐标设为(x0,y0)。提取所述测试原型的后台程序记录的所述坐标(x,y,t)。
所述亮点101进行点击操作的点击偏差如下所示：
x轴偏差为：Δx＝(x-x0)。 (3)
式中，x0为亮点101的中心横坐标。x为点击所述触摸屏屏幕时的点击横坐标。
y轴偏差为：Δy＝(y-y0)。 (4)
式中，y0为亮点101的中心纵坐标。y是点击所述触摸屏屏幕时的点击纵坐标。
总位移偏差为
Figure BDA0001579687040000191
式中，x0为亮点101的中心横坐标。x为点击所述触摸屏屏幕时的点击横坐标。y0为亮点101的中心纵坐标。y为点击所述触摸屏屏幕时的点击纵坐标。
偏移角度为：α＝arctan((y-y0)/(x-x0))。 (6)
式中，x0为亮点101的中心横坐标。x为点击所述触摸屏屏幕时的点击横坐标。y0为亮点101的中心纵坐标。y为点击所述触摸屏屏幕时的点击纵坐标。
起始转角为x轴的正方向。
3.2)计算滑动稳定性，主要步骤如下。
提取所述测试原型的后台程序记录的所述滑动时间和所述滑动位移。
针对一次滑动操作的稳定性，可由所述序列的多段小位移的变化情况来表示。计算的特征主要包括以下：
每个小位移长度为：
Figure BDA0001579687040000201
式中，xi为第i段小位移的点击横坐标。xi+1为第i+1段小位移的点击横坐标。yi为第i段小位移的点击纵坐标。yi+1为第i+1段小位移的点击纵坐标。i为第i段小位移。
位移的偏转角为：θi＝arctan(yi/xi)。 (8)
式中，yi为第i段小位移的点击纵坐标。xi为第i段小位移的点击横坐标。i为第i段小位移。
偏转角的变化率为：ci＝δθi/δsi。 (9)
式中，θi为第i段位移的偏转角。si为第i段位移长度。i为第i段小位移。
偏转角的二次变化率为：Δci＝δci/δsi。 (10)
式中，ci为偏转角变化率。si为第i段位移长度。i为第i段小位移。
水平速度为：v(x,i)＝δxi/δti。 (11)
式中，xi是滑动所述触摸屏屏幕时第i段位移起始点横坐标和终点横坐标的差值。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备1的系统时间差值。
竖直速度为：v(y,i)＝δyi/δti。 (12)
式中，yi是滑动所述触摸屏屏幕时第i段位移起始点纵坐标和终点纵坐标的差值。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备1的系统时间差值。
总速度为：
Figure BDA0001579687040000202
式中，v(x,i)为水平速度。v(y,i)为竖直速度。
加速度为：ai＝δvi/δti。 (14)
式中，vi为总速度。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备1的系统时间差值。
二次加速度为：Δai＝δai/δti。 (15)
式中，ai为加速度。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备1的系统时间差值。
角速度为：wi＝δθi/δti。 (16)
式中，θi为位移的偏转角。ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备1的系统时间差值。
3.3)统计计算提取单次滑动的特征。主要包括单次滑动时滑动时间和滑动位移的最大值、最小值、平均值和标准差。
用户单次滑动的时间为：Time＝tn-t1。 (17)
式中，t1为点击所述触摸屏屏幕时第一段小位移的点击时间。tn为点击所述触摸屏屏幕时第n段小位移的点击时间。n为位移总段数。
累计位移长度为：
Figure BDA0001579687040000211
式中，1≤i≤n。i为第i段位移。si为第i段位移长度。n为位移总段数。
位移长度为：
Figure BDA0001579687040000212
式中，xn为第n段位移横坐标。x1为第1段位移横坐标。yn为第n段位移纵坐标。y1为第1段位移纵坐标。n为位移总段数。
滑动曲线的平直度为：Straightness＝S/Sn。 (20)
式中，Sn为累计位移长度。n为位移总段数。S为滑动起始点到滑动终点的直线距离。
滑动曲线的跳动为Jitter＝Straightness'/S。 (21)
式中，Straightness为滑动曲线的平直度。S为滑动起始点到滑动终点的直线距离。
4)建立界面操作纠偏模型。主要步骤如下：
值得注意的是，在不同的行走阶段中，用户的身体晃动幅度和角度不同，摆臂的方向也不同，从而导致产生的偏差方向有所不同。因此建立纠偏模型需要针对不同的行走阶段来进行。
4.1)计算所有点击偏差的平均值。根据点击偏差平均值和点击时间，建立偏差向量场。根据所述偏差向量场和所述有偏差特征库构建点击纠偏模型。
所述触摸屏屏幕中任一个坐标位置(xp,yq)。所有坐标位置的集合设为D。
用户处于行走状态对所述触摸屏进行点击时，记
Figure BDA0001579687040000221
为点击时的x轴偏差。点击时的x轴偏差对应的有偏差参数为
Figure BDA0001579687040000222
记
Figure BDA0001579687040000223
为点击时的y轴偏差。点击时的y轴偏差对应的有偏差参数为
Figure BDA0001579687040000224
记
Figure BDA0001579687040000225
为点击时的总位移偏差。点击时的总位移偏差对应的有偏差参数为
Figure BDA0001579687040000226
记
Figure BDA0001579687040000227
为点击时的偏移角度。点击时的偏移角度对应的有偏差参数为
Figure BDA0001579687040000228
记
Figure BDA0001579687040000229
为点击时间。点击时间对应的有偏差参数为
Figure BDA00015796870400002210
得到用户在不同行走阶段对所述触摸屏进行点击时的点击纠偏模型如下所示：
Figure BDA00015796870400002211
式中，
Figure BDA00015796870400002212
为点击时的x轴偏差。点击时的x轴偏差对应的有偏差参数为
Figure BDA00015796870400002213
为点击时的y轴偏差。点击时的y轴偏差对应的有偏差参数为
Figure BDA00015796870400002214
为点击时的总位移偏差。点击时的总位移偏差对应的有偏差参数为
Figure BDA00015796870400002215
为点击时的偏移角度。点击时的偏移角度对应的有偏差参数为
Figure BDA00015796870400002216
为点击时间。点击时间对应的有偏差参数为
Figure BDA00015796870400002217
k为行走阶段。D为所有坐标位置的集合。p为任一坐标位置的横坐标下标。q为任一坐标位置的纵坐标下标。
优选的，所述点击纠偏模型主要用于判断不同行走阶段中点击偏差的偏移方向及偏移量有何不同，点击时间有何不同，滑动稳定性有何不同，滑动时间有何不同。
4.2)根据滑动稳定性和时间，建立滑动纠偏模型。建立滑动纠偏模型的主要步骤如下：
用户处于行走状态时对所述触摸屏进行滑动时，记
Figure BDA0001579687040000231
为滑动时的x轴偏差。滑动时的x轴偏差对应的有偏差参数为
Figure BDA0001579687040000232
记
Figure BDA0001579687040000233
为滑动时的y轴偏差。滑动时的y轴偏差对应的有偏差参数为
Figure BDA0001579687040000234
记
Figure BDA0001579687040000235
为滑动时的总位移偏差。滑动时的总位移偏差对应的有偏差参数为
Figure BDA0001579687040000236
记
Figure BDA0001579687040000237
为滑动时的偏移角度。滑动时的偏移角度对应的有偏差参数为
Figure BDA0001579687040000238
记
Figure BDA0001579687040000239
为滑动时间。滑动时间对应的有偏差参数为
Figure BDA00015796870400002310
得到用户在不同行走阶段对所述触摸屏进行滑动时的所述滑动纠偏模型如下所示：
Figure BDA00015796870400002311
式中，
Figure BDA00015796870400002312
为滑动时的x轴偏差。滑动时的x轴偏差对应的有偏差参数为
Figure BDA00015796870400002313
为滑动时的y轴偏差。滑动时的y轴偏差对应的有偏差参数为
Figure BDA00015796870400002314
为滑动时的总位移偏差。滑动时的总位移偏差对应的有偏差参数为
Figure BDA00015796870400002315
为滑动时的偏移角度。滑动时的偏移角度对应的有偏差参数为
Figure BDA00015796870400002316
为滑动时间。滑动时间对应的有偏差参数为
Figure BDA00015796870400002317
e为向左或向右滑动。k为行走阶段。
运动对点击位置、点击力度和点击时间等，都有一定影响。在建立点击偏差模型时，可以结合不同的行走阶段，通过有偏差时的统计数据和标准的统计数据的差值，来估计运动对点击时间的影响，并以此为依据，稍微放宽识别精准度，从而提高识别准确度，完成纠偏。
例如，针对平均点击时间，可能会出现运动导致点击时间变长，超过操作系统的对于点击定义的设定时长的情况。这种情况下容易导致用户点击失败。此时主动放宽设定时长，可以提高识别准确度，完成纠偏。
进一步，可以根据滑动起始点、滑动终止点、偏转角度、跳动和平直度的偏差，通过聚类方法，将相似的滑动操作进行归类。然后，将同一类滑动所获得的数据点作为数据集，通过拟合方式得出标准滑动轨迹和容许区间、当某一滑动出现偏差，但仍完全处于该容许区间内时，操作仍然被识别为标准操作。参见图5，标准动作为直线，用户滑动动作为曲线，但曲线在容许区间内，仍可被识别为标准动作。
5)根据所述点击纠偏模型和所述滑动平稳模型，纠正用户操作所述触摸屏屏幕上所述测试原型时的操作偏差。

Claims (5)

1.一种基于可穿戴设备传感器技术的用户行为测量方法，其特征在于，主要包括以下设备：可穿戴设备(1)、加速度传感器(2)、角速度传感器(3)、智能手机(4)和服务器(5)；
所述可穿戴设备(1)具有触摸屏；
所述加速度传感器测量用户穿戴所述可穿戴设备(1)后进行行走、跑动、站立和静坐时的加速度数据；
所述角速度传感器(3)测量用户穿戴所述可穿戴设备(1)后进行行走、跑动、站立和静坐时的角速度数据；
所述智能手机(4)接收所述加速度数据和所述角速度数据，并将所述加速度数据和所述角速度数据上传到所述服务器(5)中；
利用所述设备进行的基于可穿戴设备传感器技术的用户行为测量方法，主要包括以下步骤：
1)数据采集；主要步骤如下：
1.1)用户穿戴所述可穿戴设备(1)；
1.2)用户抬手使用所述可穿戴设备(1)；所述加速度传感器(2)测量用户抬手使用所述可穿戴设备(1)时的加速度数据I，并转换为电信号I；所述角速度传感器(3)测量用户抬手使用所述可穿戴设备(1)时的角速度数据I，并转换为电信号II；
1.3)用户在使用所述可穿戴设备(1)时依次完成不同的运动；所述运动主要包括行走、跑动、站立和静坐；其中行走包括四个阶段Stepk(k＝1,2,3,4)；行走阶段Step1为左脚摆动，即从左脚脚尖离地到再次脚跟着地；行走阶段Step2为左脚承重，即从左脚脚跟着地到脚面彻底贴地；行走阶段Step3为右脚摆动，即从右脚脚尖离地到再次脚跟着地；行走阶段Step4为右脚承重，即从右脚脚跟着地到脚面彻底贴地；
1.4)所述加速度传感器(2)测量用户完成动作过程中所述可穿戴设备(1)的加速度数据II，并转换为电信号III；
用户处于行走状态时，所述可穿戴设备(1)加速度转换为电信号III1；其中，用户处于行走阶段Step1时，所述可穿戴设备(1)加速度转换为电信号III11；用户处于行走阶段Step2时，所述可穿戴设备(1)加速度转换为电信号III12；用户处于行走阶段Step3时，所述可穿戴设备(1)加速度转换为电信号III13；用户处于行走阶段Step4时，所述可穿戴设备(1)加速度转换为电信号III14；
用户处于跑动状态时，所述可穿戴设备(1)加速度转换为电信号III2；
用户处于站立状态时，所述可穿戴设备(1)加速度转换为电信号III3；
用户处于静坐状态时，所述可穿戴设备(1)加速度转换为电信号III4；
1.5)所述角速度传感器(3)测量用户完成所述动作过程中所述可穿戴设备(1)的角速度数据II，并转换为电信号IV；
用户行走时，所述可穿戴设备(1)角速度转换为电信号IV1；其中，用户处于行走阶段Step1时，所述可穿戴设备(1)角速度转换为电信号IV11；用户处于行走阶段Step2时，所述可穿戴设备(1)角速度转换为电信号IV12；用户处于行走阶段Step3时，所述可穿戴设备(1)角速度转换为电信号IV13；用户处于行走阶段Step4时，所述可穿戴设备(1)角速度转换为电信号IV14；
用户跑动时，所述可穿戴设备(1)角速度转换为电信号IV2；
用户站立时，所述可穿戴设备(1)角速度转换为电信号IV3；
用户静坐时，所述可穿戴设备(1)角速度转换为电信号IV4；
1.6)用户放下手，不使用所述可穿戴设备(1)；所述加速度传感器(2)测量用户放下手时所述可穿戴设备(1)的加速度数据III，并转换为电信号V；所述角速度传感器(3)测量用户放下手时所述可穿戴设备(1)的角速度数据III，并转换为电信号VI；
2)数据上传；
2.1)所述加速度传感器(2)及角速度传感器(3)将所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI传递给安装在所述可穿戴设备(1)上的应用软件；
所述应用软件对所述电信号I、所述电信号II、所述电信号III、所述电信号IV、所述电信号V和所述电信号VI进行标记；标记方式为设置一个和电信号数据对应的键值，该键值代表电信号的类型；
所述应用软件程序实现方式为：将上传的数据包分别以数组形式储存；为所有数组分别命名；数组名称为电信号的标记；
2.2)利用所述应用软件对用户使用所述可穿戴设备(1)或未使用所述可穿戴设备(1)的状态进行标记；
在所述电信号I和所述电信号II的每个数据包的包头加入代表用户使用所述可穿戴设备(1)的字段；
在所述电信号V和所述电信号VI的每个数据包的包头加入代表用户未使用所述可穿戴设备(1)的字段；
利用所述应用软件对所述电信号III和所述电信号IV所属的运动状态进行标记；
在所述电信号III1和所述电信号IV1的每个数据包的包头加入代表行走阶段的字段；
在所述电信号III11和所述电信号IV11的每个数据包的包头加入代表行走阶段Step1的字段；
在所述电信号III12和所述电信号IV12的每个数据包的包头加入代表行走阶段Step2的字段；
在所述电信号III13和所述电信号IV13的每个数据包的包头加入代表行走阶段Step3的字段；
在所述电信号III14和所述电信号IV14的每个数据包的包头加入代表行走阶段Step4的字段；
在所述电信号III2和所述电信号IV2的每个数据包的包头加入代表跑动阶段的字段；
在所述电信号III3和所述电信号IV3的每个数据包的包头加入代表站立阶段的字段；
在所述电信号III4和所述电信号IV4的每个数据包的包头加入代表静坐阶段的字段；
2.3)所述应用软件将标记后的电信号上传到所述智能手机(4)中保存；
2.4)所述智能手机(4)将收集到的数据上传至所述服务器(5)中保存；
3)行为分析；主要步骤如下：
3.1)在所述服务器(5)中，对用户使用所述可穿戴设备(1)或未使用所述可穿戴设备(1)时所述加速度传感器(2)和所述角速度传感器(3)的电信号进行处理；主要步骤如下：
3.1.1)利用所述电信号I、所述电信号II、所述电信号V、所述电信号VI建立以时间为横坐标的信号波形图；
3.1.2)在所述服务器(5)对所述电信号I、所述电信号II、所述电信号V、所述电信号VI进行去噪和平滑；
3.1.3)完成所述电信号I、所述电信号II、所述电信号V、所述电信号VI的信号统计I；所述信号统计I主要包括计算所述电信号I、所述电信号II、所述电信号V、所述电信号VI的最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度；
3.2)在所述服务器(5)中，对用户使用所述可穿戴设备(1)时不同动作状态下所述加速度传感器(2)和所述角速度传感器(3)的电信号进行处理；主要步骤如下：
3.2.1)利用所述电信号III和所述电信号IV建立以时间为横坐标的信号波形图；
3.2.2)在所述服务器(5)对所述电信号III和所述电信号IV进行去噪和平滑；
3.2.3)完成所述电信号III和所述电信号IV的信号统计II；所述信号统计II主要包括计算所述电信号III和所述电信号IV的最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度；
3.3)建立有监督学习的随机森林，预测样本对应的标签；主要步骤如下：
3.3.1)将每个数据包信号中提取的特征作为一个样本；所述特征主要包括最大值、最小值、均值、均方根值、峰值高度、峰值峰度、峰值宽度、峰和峰的波动幅度；
3.3.2)为每个所述样本的数据包添加一个标签，即添加数据包的包名；
3.3.3)将添加标签后的所述样本，以有放回抽样的方式，形成训练集；
3.3.4)构建一棵决策树；随机选择多个样本特征；决策树上各节点基于所述样本特征确定；根据所述样本特征，计算最佳的分裂方式；
3.3.5)每棵决策树通过步骤3.3.4不断分裂成长，最终节点用于反映样本标签，即当数据包特征已知时，最终节点用于预测所述数据包的包头名称；
3.3.6)根据步骤3.3.1至步骤3.3.5，建立两个分类模型；利用所述信号统计I的数据建立分类模型I；利用所述信号统计II的数据建立分类模型II；
3.4)建立用户使用所述可穿戴设备(1)或未使用所述可穿戴设备(1)的分类模型I；建立用户在使用所述可穿戴设备(1)时处于不同运动状态的分类模型II；
4)在所述随机森林中，根据所述分类模型I可以对用户使用所述可穿戴设备(1)或未使用所述可穿戴设备(1)进行判断；根据所述分类模型II，可以对用户在使用所述可穿戴设备(1)时的不同运动状态进行判断。
2.根据权利要求1所述的一种基于可穿戴设备传感器技术的用户行为测量方法，其特征在于：所述可穿戴设备(1)是智能手表或智能手环。
3.根据权利要求1至2中任一项权利要求所述基于可穿戴设备传感器技术的用户行为测量方法的操作纠偏模型，其特征在于，主要包括以下步骤：
1)记录界面操作数据；主要步骤如下：
1.1)用户分别在行走、跑动、站立和静坐状态下点击测试原型界面中被激活的亮点(101)，直到完成所有所述亮点(101)的点击；点击亮点(101)过程中，用户的操作主要包括点击所述触摸屏屏幕上所述测试原型中的亮点(101)和滑动所述触摸屏屏幕；
所述测试原型为一种显示在所述触摸屏屏幕上的测试程序；所述测试原型具有m页；所述测试原型能随机出现均匀分布于所述触摸屏屏幕的亮点(101)以供用户点击；用户通过滑动所述触摸屏对所述测试原型进行翻页；
1.2)在用户点击亮点(101)时，所述测试原型的后台程序记录所述界面操作数据，主要包括用户点击亮点(101)时的点击位置、点击时间、滑动时间和滑动位移；
1.2.1)当用户在所述触摸屏上对所述亮点(101)进行点击操作时，当前次点击数据用(x,y,t)表示；
其中，x为点击所述触摸屏屏幕时的点击横坐标；y为点击所述触摸屏屏幕时的点击纵坐标；t为所述可穿戴设备(1)的系统时间；
所述测试原型的后台程序监控并记录所述坐标(x,y,t)；
1.2.2)用户点击亮点(101)至抬起的时间间隔为：Δt＝(tτ-tτ-1)；(1)
式中，tτ-1为用户点击所述触摸屏屏幕的时间；tτ为用户抬起的时间；τ为第τ次点击；
1.2.3)用户在点击亮点(101)过程中，进行了左右滑动；滑动状态Slidee(e＝L,R)主要包括两种；SlideL为向左滑动；SlideR为向右滑动；滑动状态根据滑动轨迹的角度和滑动起始点坐标判断；
一次滑动行为由多段的小位移组成；
一次滑动表示为序列[(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)]； (2)
式中，x1、x2、...、xn分别为点击所述触摸屏屏幕时各段小位移的点击横坐标；y1、y2、...、yn分别为点击所述触摸屏屏幕时各段小位移的点击纵坐标；t1、t2、...、tn分别为点击所述触摸屏屏幕时各段小位移的点击时间；n为位移总段数；
1.3)将所述界面操作数据上传到所述服务器(5)中存储；
2)建立标准特征库和有偏差特征库；
2.1)所述服务器(5)建立标准特征库；将用户在站立和静坐状态下点击所述亮点(101)时的所述界面操作数据存入所述标准特征库；
2.2)所述服务器(5)建立有偏差特征库；将用户在行走和跑动状态下点击所述亮点(101)时的所述界面操作数据存入所述有偏差特征库；
3)根据所述界面操作数据，计算出操作特征；所述操作特征主要包括点击偏差，点击时间、滑动稳定性和滑动时间；
3.1)计算点击偏差；主要步骤如下：
任一个亮点(101)的中心坐标设为(x0,y0)；提取所述测试原型的后台程序记录的所述坐标(x,y,t)；
所述亮点(101)进行点击操作的点击偏差如下所示：
x轴偏差为：Δx＝(x-x0)； (3)
式中，x0为亮点(101)的中心横坐标；x为点击所述触摸屏屏幕时的点击横坐标；
y轴偏差为：Δy＝(y-y0)； (4)
式中，y0为亮点(101)的中心纵坐标；y是点击所述触摸屏屏幕时的点击纵坐标；
总位移偏差为
Figure FDA0002668383080000071
式中，x0为亮点(101)的中心横坐标；x为点击所述触摸屏屏幕时的点击横坐标；y0为亮点(101)的中心纵坐标；y为点击所述触摸屏屏幕时的点击纵坐标；
偏移角度为：α＝arctan((y-y0)/(x-x0))； (6)
式中，x0为亮点(101)的中心横坐标；x为点击所述触摸屏屏幕时的点击横坐标；y0为亮点(101)的中心纵坐标；y为点击所述触摸屏屏幕时的点击纵坐标；
起始转角为x轴的正方向；
3.2)计算滑动稳定性，主要步骤如下；
提取所述测试原型的后台程序记录的所述滑动时间和所述滑动位移；
针对一次滑动操作的稳定性，可由所述序列的多段小位移的变化情况来表示；计算的特征主要包括以下：
每个小位移长度为：
Figure FDA0002668383080000072
式中，xi为第i段小位移的点击横坐标；xi+1为第i+1段小位移的点击横坐标；yi为第i段小位移的点击纵坐标；yi+1为第i+1段小位移的点击纵坐标；i为第i段小位移；
位移的偏转角为：θi＝arctan(yi/xi)； (8)
式中，yi为第i段小位移的点击纵坐标；xi为第i段小位移的点击横坐标；i为第i段小位移；
偏转角的变化率为：ci＝δθi/δsi； (9)
式中，θi为第i段位移的偏转角；si为第i段位移长度；i为第i段小位移；
偏转角的二次变化率为：Δci＝δci/δsi； (10)
式中，ci为偏转角变化率；si为第i段位移长度；i为第i段小位移；
水平速度为：v(x,i)＝δxi/δti； (11)
式中，xi是滑动所述触摸屏屏幕时第i段位移起始点横坐标和终点横坐标的差值；ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备(1)的系统时间差值；
竖直速度为：v(y,i)＝δyi/δti； (12)
式中，yi是滑动所述触摸屏屏幕时第i段位移起始点纵坐标和终点纵坐标的差值；ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备(1)的系统时间差值；
总速度为：
Figure FDA0002668383080000081
式中，v(x,i)为水平速度；v(y,i)为竖直速度；
加速度为：ai＝δvi/δti； (14)
式中，vi为总速度；ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备(1)的系统时间差值；
二次加速度为：Δai＝δai/δti； (15)
式中，ai为加速度；ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备(1)的系统时间差值；
角速度为：wi＝δθi/δti； (16)
式中，θi为位移的偏转角；ti是第i段位移从滑动开始到滑动结束对应所述可穿戴设备(1)的系统时间差值；
3.3)统计计算提取单次滑动的特征；主要包括单次滑动时滑动时间和滑动位移的最大值、最小值、平均值和标准差；
用户单次滑动的时间为：Time＝tn-t1； (17)
式中，t1为点击所述触摸屏屏幕时第一段小位移的点击时间；tn为点击所述触摸屏屏幕时第n段小位移的点击时间；n为位移总段数；
累计位移长度为：
Figure FDA0002668383080000082
式中，1≤i≤n；i为第i段位移；si为第i段位移长度；n为位移总段数；
滑动起始点到滑动终点的直线距离为：
Figure FDA0002668383080000083
式中，xn为第n段位移横坐标；x1为第1段位移横坐标；yn为第n段位移纵坐标；y1为第1段位移纵坐标；n为位移总段数；
滑动曲线的平直度为：Straightness＝S/Sn； (20)
式中，Sn为累计位移长度；n为位移总段数；S为滑动起始点到滑动终点的直线距离；
滑动曲线的跳动为Jitter＝Straightness/S； (21)
式中，Straightness为滑动曲线的平直度；S为滑动起始点到滑动终点的直线距离；
4)建立界面操作纠偏模型；主要步骤如下：
4.1)计算所有点击偏差的平均值；根据点击偏差平均值和点击时间，建立偏差向量场；根据所述偏差向量场和所述有偏差特征库构建点击纠偏模型；
所述触摸屏屏幕中任一个坐标位置(xp,yq)；所有坐标位置的集合设为D；
用户处于行走状态下对所述触摸屏屏幕进行点击时，记
Figure FDA0002668383080000091
为点击时的x轴偏差；点击时的x轴偏差对应的有偏差参数为
Figure FDA0002668383080000092
记
Figure FDA0002668383080000093
为点击时的y轴偏差；点击时的y轴偏差对应的有偏差参数为
Figure FDA0002668383080000094
记
Figure FDA0002668383080000095
为点击时的总位移偏差；点击时的总位移偏差对应的有偏差参数为
Figure FDA0002668383080000096
记
Figure FDA0002668383080000097
为点击时的偏移角度；点击时的偏移角度对应的有偏差参数为
Figure FDA0002668383080000098
记
Figure FDA0002668383080000099
为点击时间；点击时间对应的有偏差参数为
Figure FDA00026683830800000910
得到用户在不同行走阶段对所述触摸屏进行点击时的点击纠偏模型如下所示：
Figure FDA00026683830800000911
式中，
Figure FDA00026683830800000912
为点击时的x轴偏差；点击时的x轴偏差对应的有偏差参数为
Figure FDA00026683830800000913
Figure FDA00026683830800000914
为点击时的y轴偏差；点击时的y轴偏差对应的有偏差参数为
Figure FDA00026683830800000915
Figure FDA00026683830800000916
为点击时的总位移偏差；点击时的总位移偏差对应的有偏差参数为
Figure FDA0002668383080000101
Figure FDA0002668383080000102
为点击时的偏移角度；点击时的偏移角度对应的有偏差参数为
Figure FDA0002668383080000103
Figure FDA0002668383080000104
为点击时间；点击时间对应的有偏差参数为
Figure FDA0002668383080000105
k为行走阶段；D为所有坐标位置的集合；p为任一坐标位置的横坐标下标；q为任一坐标位置的纵坐标下标；
4.2)根据滑动稳定性和时间，建立滑动纠偏模型；建立滑动纠偏模型的主要步骤如下：
用户处于行走状态下对所述触摸屏进行滑动时，记
Figure FDA0002668383080000106
为滑动时的x轴偏差；滑动时的x轴偏差对应的有偏差参数为
Figure FDA0002668383080000107
记
Figure FDA0002668383080000108
为滑动时的y轴偏差；滑动时的y轴偏差对应的有偏差参数为
Figure FDA0002668383080000109
记
Figure FDA00026683830800001010
为滑动时的总位移偏差；滑动时的总位移偏差对应的有偏差参数为
Figure FDA00026683830800001011
记
Figure FDA00026683830800001012
为滑动时的偏移角度；滑动时的偏移角度对应的有偏差参数为
Figure FDA00026683830800001013
记
Figure FDA00026683830800001014
为滑动时间；滑动时间对应的有偏差参数为
Figure FDA00026683830800001015
得到用户在不同行走阶段对所述触摸屏进行滑动时的所述滑动纠偏模型如下所示：
Figure FDA00026683830800001016
式中，
Figure FDA00026683830800001017
为滑动时的x轴偏差；滑动时的x轴偏差对应的有偏差参数为
Figure FDA00026683830800001018
Figure FDA00026683830800001019
为滑动时的y轴偏差；滑动时的y轴偏差对应的有偏差参数为
Figure FDA00026683830800001020
Figure FDA00026683830800001021
为滑动时的总位移偏差；滑动时的总位移偏差对应的有偏差参数为
Figure FDA00026683830800001022
Figure FDA00026683830800001023
为滑动时的偏移角度；滑动时的偏移角度对应的有偏差参数为
Figure FDA00026683830800001024
Figure FDA00026683830800001025
为滑动时间；滑动时间对应的有偏差参数为
Figure FDA00026683830800001026
e为向左或向右滑动；k为行走阶段；
5)根据所述点击纠偏模型和所述滑动纠偏模型，纠正用户操作所述触摸屏上所述测试原型时的操作偏差。
4.根据权利要求3所述的一种操作纠偏模型，其特征在于：所述测试原型一次只出现一个亮点(101)；所述亮点(101)随机出现；每个所述亮点(101)只出现一次。
5.根据权利要求3所述的一种操作纠偏模型，其特征在于：m≥3；n≥1。
CN201810149684.XA 2018-02-13 2018-02-13 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型 Active CN108446019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810149684.XA CN108446019B (zh) 2018-02-13 2018-02-13 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810149684.XA CN108446019B (zh) 2018-02-13 2018-02-13 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型

Publications (2)

Publication Number Publication Date
CN108446019A CN108446019A (zh) 2018-08-24
CN108446019B true CN108446019B (zh) 2020-11-06

Family

ID=63192347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810149684.XA Active CN108446019B (zh) 2018-02-13 2018-02-13 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型

Country Status (1)

Country Link
CN (1) CN108446019B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104490401A (zh) * 2015-01-15 2015-04-08 张�杰 基于加速度数据的智能终端进行人体行为自动识别的方法
CN104729507A (zh) * 2015-04-13 2015-06-24 大连理工大学 一种基于惯性传感器的步态识别方法
JP2016207038A (ja) * 2015-04-24 2016-12-08 株式会社オプティム 行動分析サーバ、行動分析方法及び行動分析サーバ用プログラム
CN106683340A (zh) * 2016-12-15 2017-05-17 歌尔股份有限公司 一种用户行为监测方法和可穿戴设备
JP2017158083A (ja) * 2016-03-03 2017-09-07 ソニー株式会社 情報処理装置、制御方法、およびプログラム
CN107212890A (zh) * 2017-05-27 2017-09-29 中南大学 一种基于步态信息的运动识别和疲劳检测方法及系统
CN107277222A (zh) * 2016-12-20 2017-10-20 浙江从泰网络科技有限公司 基于手机内置传感器的用户行为状态判断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9532716B2 (en) * 2013-03-04 2017-01-03 Hello Inc. Systems using lifestyle database analysis to provide feedback

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104490401A (zh) * 2015-01-15 2015-04-08 张�杰 基于加速度数据的智能终端进行人体行为自动识别的方法
CN104729507A (zh) * 2015-04-13 2015-06-24 大连理工大学 一种基于惯性传感器的步态识别方法
JP2016207038A (ja) * 2015-04-24 2016-12-08 株式会社オプティム 行動分析サーバ、行動分析方法及び行動分析サーバ用プログラム
JP2017158083A (ja) * 2016-03-03 2017-09-07 ソニー株式会社 情報処理装置、制御方法、およびプログラム
CN106683340A (zh) * 2016-12-15 2017-05-17 歌尔股份有限公司 一种用户行为监测方法和可穿戴设备
CN107277222A (zh) * 2016-12-20 2017-10-20 浙江从泰网络科技有限公司 基于手机内置传感器的用户行为状态判断方法
CN107212890A (zh) * 2017-05-27 2017-09-29 中南大学 一种基于步态信息的运动识别和疲劳检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adapting the Navigation Interface of Smart Watches to User Movements;Fan Mo.et al;《INTERNATIONAL JOURNAL OF HUMAN–COMPUTER INTERACTION》;20170331;第1-15页 *
基于可穿戴设备的人体行为识别与状态监测方法研究;杨伟笃;《中国优秀硕士论文全文数据库》;20170215;正文第20-30页 *

Also Published As

Publication number Publication date
CN108446019A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108256433B (zh) 一种运动姿态评估方法及系统
CN105242779B (zh) 一种识别用户动作的方法和移动智能终端
CN104395856B (zh) 用于辨识示意动作的计算机实施方法及系统
CN110688929B (zh) 一种人体骨架关节点定位方法及装置
KR101157073B1 (ko) 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치
CN108376405B (zh) 基于双体感追踪系统的人体运动捕捉系统及捕捉方法
Zhang et al. Recognizing hand gestures with pressure-sensor-based motion sensing
CN110471529A (zh) 动作评分方法及装置
WO2003010652A1 (en) Method and apparatus for selecting information in multi-dimensional space
CN103699795A (zh) 一种运动行为识别方法、装置及运动强度监测系统
US11918883B2 (en) Electronic device for providing feedback for specific movement using machine learning model and operating method thereof
KR102369945B1 (ko) 압력을 이용한 운동 자세 구분 방법 및 장치
CN108446019B (zh) 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型
CN109190762A (zh) 基于遗传算法编码的上肢姿态识别算法
CN109643190A (zh) 便携式电子设备的扩展交互
Schmidt et al. A wearable flexible sensor network platform for the analysis of different sport movements
KR101875472B1 (ko) 지화 인식 시스템 및 방법
KR101869304B1 (ko) 컴퓨터를 이용한 수화어 인식시스템, 방법 및 인식프로그램
CN103207686B (zh) 一种指点杆、指点杆信息转换方法、装置及电子设备
CN104978553A (zh) 图像分析的方法及装置
CN103826202A (zh) 基于手机传感器信息改进WiFi定位结果跳动的方法
US9536145B2 (en) System and method for selecting features for identifying human activities in a human-computer interacting environment
Mekruksavanich et al. Free-weight exercise activity recognition using deep residual neural network based on sensor data from in-ear wearable devices
CN112346050B (zh) 基于Wi-Fi设备的跌倒检测方法及系统
CN114330384B (zh) 一种基于无源rfid相位信息的手臂运动轨迹追踪方法

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