CN108577855B - 一种无接触式健身运动监测方法 - Google Patents
一种无接触式健身运动监测方法 Download PDFInfo
- Publication number
- CN108577855B CN108577855B CN201810424945.4A CN201810424945A CN108577855B CN 108577855 B CN108577855 B CN 108577855B CN 201810424945 A CN201810424945 A CN 201810424945A CN 108577855 B CN108577855 B CN 108577855B
- Authority
- CN
- China
- Prior art keywords
- motion
- determining
- variance
- threshold
- amplitude
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开一种无接触式健身运动监测方法。一种运动监测方法,其包含:由接收设备接收来自发送设备的射频信号,其中发送设备和接收设备位于人体的不同两侧;从所述信号中提取CSI信号;对所述CSI信号进行处理;以及根据处理后的CSI信号,与预定的至少一个运动阈值进行比较。
Description
技术领域
本发明涉及家庭中的日常健身运动监测技术,具体涉及基于商业无线局域网设备的无接触的健身运动监测方法。
背景技术
世界卫生组织建议18~64岁成人每周至少做150分钟中等强度的体育活动。然而,快节奏的生活让人们没有大量的时间去健身房锻炼身体,因此,许多人喜欢在家进行俯卧撑和仰卧起坐之类的锻炼方式。这种锻炼方式简单便捷,可操作性强,这类健身运动是全身的活动,可以让人们保持身体健康,以及良好体形。因此,一种可靠、易于部署的可以准确地监控这类运动的系统,成为极大的需求。从而在智能家居中,提供锻炼活动的统计数据(包括运动类型、数量和质量)将是极具吸引力的。
尽管户外运动监测[1][2]在商业上已经有一些成功的应用,但对家庭运动的监测(例如:仰卧起坐和俯卧撑)依然存在空白。与户外运动不同,速度、距离和步数是重要的监测指标,而家庭锻炼活动的监控(如仰卧起坐和俯卧撑)主要是指运动重复动作的数量,一个动作的持续时间,动作质量的判定。而基于可穿戴技术的室外运动监测,其使用的惯性传感器并不适用于家庭运动监测,穿戴式在运动时也会造成不便,同时穿戴的位置也影响监控的准确性。所以,一个新型的方式是利用无处不在的商业Wi-Fi设备进行活动监控。已有研究探索了基于Wi-Fi信号的手势和活动识别的可行性[3][4][5]。然而,识别不足以支持需要连续细粒度的跟踪监测。此外,基于机器学习的识别方法需要大量用户的数据收集进行训练,而且对不同个体和环境的适用性较弱。
[1]Fitbit.https://www.fitbit.com/.(2017).Online,accessed 10-November-2017.
[2]Han Ding,Jinsong Han,Longfei Shangguan,Wei Xi,Zhiping Jiang,ZhengYang,Zimu Zhou,Panglong Yang,JiZhong Zhao.2017.A Platform for Free-weightExercise Monitoring with Passive Tags.IEEE Transactions on Mobile Computing.
[3]Qifan Pu,Sidhant Gupta,Shyamnath Gollakota,and ShwetakPatel.2013.Whole-home gesture recognition using wireless signals.InProceedings of the 19th annual international conference on Mobile computing&networking.ACM,27–38.
[4]Wei Wang,Alex X Liu,Muhammad Shahzad,Kang Ling,and SangluLu.2015.Understanding and modeling of wifi signal based human activityrecognition.In Proceedings of the 21st annual international conference onmobile computing and networking.ACM,65–76.
[5]Yan Wang,Jian Liu,Yingying Chen,Marco Gruteser,Jie Yang,and HongboLiu.2014.E-eyes:device-free locationoriented activity identification usingfine-grained wifi signatures.In Proceedings of the 20th annual internationalconference on Mobile computing and networking.ACM,617–628.
发明内容
为了克服上述现有技术的不足,本发明提供一种无接触感知的健身运动监测方法,该方法基于商业无线局域网,不需要监测目标穿戴任何设备,仅利用一对WiFi收发设备,就可以对健身运动进行监测,包括获取运动的次数、单次动作持续的时间(动作快慢)、动作是否标准、动作类型。
菲涅尔区的相关概念:当射频信号由发送设备发射后,其在空间中通过多条路径达到接收端,也就是接收端接收到的信号是多个信号的叠加,根据波的干涉原理,当信号的两条路径长度相差半波长(λ/2)的奇数倍时产生减弱的信号,当信号的两条路径长度相差半波长的偶数倍时产生增强的信号。当发送设备和接收设备固定时,其直接路径(LoS)的长度是固定的,考虑反射造成的相位偏转π,当反射路径与直接路径的长度差为半波长的奇数倍时产生增强的信号,为半波长的偶数倍时产生减弱的信号,这些半波长的奇数倍和偶数倍的位置就是菲涅尔区的边界。
菲涅尔衍射是感知物体进入第一菲涅尔区以内,信号经过物体表面绕射到达接收端,所引起的接收信号的波形变化现象。
本发明的原理是:基于一对普通家用的商业Wi-Fi设备,利用菲涅耳衍射模型,发现周期性活动与接收信号振幅之间的关系,进而感知和监测运动的数量和持续时间。同时,利用人体动作幅度不同对信号产生影响的差异,可以实现对不标准动作的判定。不同动作对信号影响的差异也体现在波形中波谷数量的不同,在不用收集大量用户的训练数据,就能够实现对不同动作的区分。
本发明的一个方面涉及一种运动监测方法,其包含:由接收设备接收来自发送设备的射频信号,其中发送设备和接收设备位于人体的不同两侧;从所述信号中提取CSI信号;对所述CSI信号进行处理;以及根据处理后的CSI信号,与预定的至少一个运动阈值进行比较。
在一个实施例中,所述方法进一步包含:根据所述处理后的CSI信号,确定所述处理后的CSI信号的振幅方差。
在一个实施例中,,所述方法进一步包含:比较所述振幅方差和方差阈值,如果所述振幅方差大于所述方差阈值,则确定单次动作的运动开始;在确定运动开始之后,比较所述振幅方差和方差阈值,如果所述振幅方差小于所述方差阈值,则确定单次动作的运动结束;
在一个实施例中,所述方法进一步包含:使用波谷查找算法,确定所述处理后的CSI信号的波谷;根据第一次动作中的运动开始和运动结束之间的波谷数量,确定所述运动是第一运动类型还是第二运动类型。
在一个实施例中,所述方法进一步包含:如果所述第一次动作中的波谷数量小于2,则确定所述运动是第一运动类型;以及如果所述第一次动作中的波谷数量等于2,则确定所述运动是第二运动类型。
在一个实施例中,其中所述第一运动类型是俯卧撑;以及所述第二运动类型是仰卧起坐。
在一个实施例中,所述方法进一步包含:根据单次动作的运动开始和运动结束之间的时间差,确定所述运动的单次动作持续时间。
在一个实施例中,所述方法进一步包含:将表示所述运动的动作次数的计数值的初始值设置为0;在确定单次动作的运动开始之后,通过使所述计数值加1来调整所述计数值;在用户停止对动作次数进行计数或者所述振幅方差等于所述方差阈值的持续时间达到时间阈值之前,反复执行运动开始和运动结束的确定步骤以及计数值的调整;根据所述计数值,确定所述运动的动作次数。
在一个实施例中,所述方法进一步包含:如果所述运动为第一运动类型,则比较波谷下降幅度值和波谷下降幅度阈值;以及如果所述运动为第二运动类型,则确定单次动作中的波谷的数量和/或比较波谷之间的波谷距离和波谷距离阈值。
本发明的另一个方面涉及一种计算机可读存储介质,其存储有经配置由处理器执行的指令,该指令使得计算机执行根据本发明的方法实施例中的任一项所述的方法。
本发明的又一个方面涉及一种运动监测系统,其被配置为执行根据本发明的方法实施例中的任一项所述的方法。
本发明的有益效果是:
本发明提供一种无接触感知健身运动监测方法,利用商业的WiFi设备,可以实现实时家庭中的运动监测,健身者不需要穿戴任何的设备,就能实现运动数量的统计,健身动作快慢的监测,健身动作标准程度的判定,健身运动类型的识别,将这些信息反馈给用户,增加用户智能健身的新功能,获得更便捷、更有趣、更科学的健身体验。
附图说明
图1是物体衍射效果图;
图2.往复运动不同停留位置的波形图;
图3为基于本发明提出的WiFi徒手健身运动监测系统;
图4为基于本发明提出的去除伪峰示意图;
图5为基于本发明的单次动作识别起始和终止时刻示意图;
图6为基于本发明的仰卧起坐三种不标准姿势及其感知波形的示意图;
图7为基于本发明的区分动作的感知波形示意图;
图8为基于本发明的一种运动监测方法;
图9为基于本发明的另一种运动监测方法;
图10以方框图的形式描述了数据处理系统。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种无接触的健身运动监测方法,通过利用商业的WiFi网卡,可以实现实时的,无接触的运动监测,具体实施包括如下过程:
1)利用一对传统的商业WiFi收发设备,并在该对WiFi收发设备上安装至少一根天线,发射端为WiFi信号发射器,发射波长为λ的射频信号,接收端接收发射端的WiFi信号。收发设备可以是包含Wi-Fi网卡的任何设备(手机、平板、电脑、智能手表等)。在本发明中,为了便于对锻炼者的运动进行检测,WiFi发送设备和WiFi接收设备分别位于人体的不同两侧,从而发送设备发送的射频信号首先在第一菲涅尔区内衍射通过人体,之后被WiFi接收设备接收。
2)WiFi发射设备利用1根天线发射信号,接收设备用至少一根天线接收发射端发出的包,并从中测量信道状态信息(Channel State Information,CSI)(从中提取出发射端到达接收端CSI的振幅)。
3)利用菲涅尔衍射公式,刻画物体穿越第一菲涅尔区时信号的形成。第一菲涅尔区是以收发设备为焦点形成的椭圆,椭圆的短轴半径记为r1,如图1所示。物体进入第一菲涅尔区,信号则从其两侧衍射通过,进入的程度通过前余隙和后余隙描述,前余隙为后余隙为其中hfront和hback是到LoS的距离,在其上为0,一侧距离为正值,另一侧为负值。进而,衍射参数表示为和对两侧的衍射信号进行积分:
最终,信号振幅表示为:
GainDiff=20log|F(vfront+vback)|
4)对于物体进行周期性的往复运动,从一侧的第一菲涅尔区外起始,运动进入并停止在第一菲涅尔区内或者另一侧菲涅尔区的某个位置。通过第3)步计算得到感知信号,观察到进入菲涅尔区,信号振幅会有明显下降的过程,而停留位置不同将产生不同模式的信号,当物体停留位置未到达LoS(例如:ufront=0),可以看到波形呈现单峰的下降,而当物体穿过LoS时(例如:ufront=3),则会形成多个下降的峰,并随着停留位置距离LoS越远(进入程度越深),中间的两个下降峰的距离则会增加。如图2所示,物体大小为24cm,在不同停留位置,做一次往复运动的波形。
5)基于步骤4)的理论分析,设计健身检测系统,如图3,包含4个模块,重复动作的切分和计数、动作时长估计、动作标准程度评估以及动作分类。
需要指出的是,在某一种类型的运动的检测过程中,至少第一次的动作是标准动作;例如,可以是第一次、第二次、第三次…第N次等均为标准动作,其中N小于或等于锻炼者在该完整检测过程中的所有动作次数。
本领域技术人员能够理解,图3中所示的模块仅是示例性的;在理解本发明的精神和实质的情况下,本领域技术人员能够改变图3中各个模块的顺序。例如,可以首先进行动作的切分和计数,其后是动作分类,然后是动作标准程度评估,最后是时长估计。本领域技术人员能够理解其他的检测顺序。
本领域技术人员还能够理解,可以包含图3中所示的模块中的所有或一部分。例如,用于运动检测的系统可以仅仅包含动作分类功能,即仅包含动作分类模块。或者,替代性地,用于运动检测的系统可以仅仅包含动作切分和计数功能,即仅包含动作的切分和计数模块。本领域技术人员能够理解其他的运动检测系统和/方法,其包含图3中所示的模块(或其功能)的部分或全部。
重复动作的切分指的是区分运动持续期间的单次动作的开始时间和结束时间,通过比较信号的振幅方差和方差阈值(即没有任何活动时的最大方差)来实现。方差阈值为人体静止时坐或者躺在收发设备之间,获取的信号振幅的方差(该值可以是通过离线计算大量用户后的不同静止状态下的经验值)。信号振幅方差小于该阈值则运动尚未开始,一旦大于阈值则运动开始,当重新小于时,则一次运动结束。例如,当检测到接收的信号的振幅方差大于方差阈值时,确定运动的开始;在确定运动的开始之后,再次比较此时接收的信号的振幅方差和方差阈值,如果振幅方差再次小于方差阈值,则确定单次动作的结束,从而完成重复动作的切分。在完成重复动作的切分之后,可以对动作次数进行计算。
对各模块的输入,可以对数据进行降噪处理,我们使用SG滤波方法(Savitzky-Golay filter),对CSI的振幅数据进行滤波处理。也可以使用本领域已知的其他滤波技术对CSI的振幅数据进行滤波处理。
6)在动作切分和计数时,通过波谷查找算法(Find valley algorithm),可以找到振幅信号的波谷。本领域技术人员知晓各种波谷查找算法可以用于找出振幅信号的波谷。在一个实施例中,以滤波后的CSI振幅信号为输入,需要去除伪峰,计算振幅均值作为阈值,去除阈值以上的伪峰,如图4。对仰卧起坐这类动作过程的两个波谷可以清晰识别出来。
确定运动的动作次数可以通过以下步骤实现:将表示所述运动的动作次数的计数值的初始值设置为0;比较所述振幅方差和方差阈值,如果所述振幅方差大于所述方差阈值,则确定单次动作的运动开始;在确定运动开始之后,比较所述振幅方差和方差阈值,如果所述振幅方差小于所述方差阈值,则确定单次动作的运动结束;通过使所述计数值加1来调整所述计数值;在用户停止对动作次数进行计数或者所述振幅方差等于所述方差阈值的持续时间达到时间阈值之前,反复执行运动开始和运动结束的确定步骤以及计数值的调整;根据所述计数值,确定所述运动的动作次数。例如,在一个实施例中,时间阈值为10秒。在一个实施例中,时间阈值可以由进行运动监测的人员设定。在另一个实施例中,时间阈值可以由锻炼者设定。在一个实施例中,可以由用户(监测锻炼者的人员或者锻炼者或者其它人员)设定停止对运动次数进行计数。在又一个实施例中,可以固定时间间隔停止对运动次数进行计数,例如1分钟、5分钟以及其它合适的时间值等。
在另一个实施例中,可以根据波谷的数量来确定运动的动作次数。例如,如果锻炼者进行仰卧起坐,其中仅有一次动作不标准,并且该不标准动作仅仅引起一次波谷,而另外的动作均是标准动作,则根据波谷次数(例如,5个),可以得到动作个数为3(1*2+1*2+1*1)。作为另一个示例,如果锻炼者进行仰卧起坐,其中仅有一次动作不标准,并且该不标准动作仍引起两次波谷,而另外的动作均是标准动作,则根据波谷个数(例如,6个),可以得到动作次数为2(1*2+1*2+1*2)。作为又一个示例,如果锻炼者进行俯卧撑,则无论动作是否标准,每次动作均引起单个波谷,则波谷的数量即为动作次数。
7)一次仰卧起坐动作,是锻炼者从坐状态到移动躺下,然后重新回到坐姿状态。获取一次动作的时间估计(动作快慢),即得到一个活动的起始点和结束点。这里使用CSI振幅的方差,进而判断活动起始时间和结束时间。我们利用一个0.2s滑动窗口(40个样本)来估计振幅方差。如图5,当没有任何活动时的最大方差,作为运动检测的方差阈值。比较所述振幅方差和方差阈值,如果所述振幅方差大于所述方差阈值,则确定一次动作的运动开始,如果所述振幅方差小于所述方差阈值,则确定运动结束,这样可以判断出一次动作的开始和停止时间。根据运动开始和结束点的时间差,确定所述运动的单次动作持续时间。
8)判断仰卧起坐动作是否标准,根据步骤4)中感知信号产生的模式,当动作不标准(例如:身体躺下过程没有触碰垫子),感知信号的波形无法形成完整的两个波谷,而是单一的波谷,如图6,仰卧起坐分别是后仰25度,60度和75度,模拟形成的感知波形。当动作非常接近标准动作时,可以通过两个波谷之间的距离,进而判定动作是否标准。例如,波谷下降幅度阈值为标准动作的波谷下降幅度值的一半。又例如,波谷下降幅度阈值可以是多个人多次标准动作的波谷下降幅度值的平均值/中位值或该平均值/中位值的一半。波谷下降幅度阈值也可以为与标准动作的波谷下降幅度值有关的其他合适的数值。如果所述运动为俯卧撑,则根据波谷下降幅度值,确定所述俯卧撑动作是否标准;以及如果所述运动为仰卧起坐,则根据波谷数量和/或波谷之间的波谷距离,确定所述仰卧起坐动作是否标准。
如果波谷下降幅度值小于波谷下降幅度阈值,则确定所述俯卧撑动作不标准。
如果单次动作的运动开始到运动结束之间的波谷数量小于2,则确定所述仰卧起坐动作不标准;如果单次动作的运动开始到运动结束之间的波谷数量等于2,并且两个波谷之间的波谷距离小于波谷距离阈值,则确定所述仰卧起坐动作不标准;以及如果单次动作的运动开始到运动结束之间的波谷数量等于2,并且两个波谷之间的波谷距离等于波谷距离阈值,则确定所述仰卧起坐动作标准。在一个实施例中,波谷距离阈值可以为运动初期的多人多次标准动作期间的多对两个波谷之间的距离的平均值或中位值。
9)对仰卧起坐和俯卧撑动作进行区分,由于俯卧撑的动作位移较小,而仰卧起坐的动作位移大。在两个都标准的健身动作情况下,可以利用步骤4)中的模式,如图7,将两种健身动作对波形的不同模式,即单波谷和双波谷对两种动作进行区分。根据一次动作中的波谷数量,确定所述运动是仰卧起坐还是俯卧撑。本领域人员理解,在每次运动开始时,初期的动作相对比较标准,因此,可以根据初期的动作来判断动作类型。例如,可以根据第一次动作中的波谷数量,确定所述运动是仰卧起坐还是俯卧撑。
图8是根据本发明的一种运动监测方法,其中在步骤810中,由接收设备接收来自发送设备的射频信号,其中发送设备和接收设备位于人体的发送设备和接收设备位于人体的相对两侧;在步骤820中,从所述信号中提取CSI信号;在步骤830中,对所述CSI信号进行处理;在步骤840中,根据处理后的CSI信号,与预定的至少一个运动阈值进行比较。
图9是根据本发明的一种运动监测方法,其中在步骤910中,由接收设备接收来自发送设备的射频信号,其中发送设备和接收设备位于人体的发送设备和接收设备位于人体的相对两侧;在步骤920中,从所述信号中提取CSI信号;在步骤930中,对所述CSI信号进行处理;在步骤940中,根据处理后的CSI信号,确定所述处理后的CSI信号的振幅方差;在步骤950中,比较所述振幅方差和方差阈值,如果所述振幅方差大于所述方差阈值,则确定一次动作的运动开始;在步骤960中,在确定运动开始之后,比较所述振幅方差和方差阈值,如果所述振幅方差小于所述方差阈值,则确定一次动作的运动结束。
图10以方框图的形式描述了数据处理系统。数据处理系统1000可用于实施本发明中的各种系统。
如图所示,数据处理系统1000包括通信架构1002,其提供处理器单元504、存储装置1006、通信单元1008、输入/输出单元1010和显示器之间的通信。在一些情形中,通信架构1002可以被实施为总线系统。
处理器单元1004被配置为执行软件的指令从而执行若干操作。处理器单元1004根据实施可以包括若干处理器、多核处理器和/或一些其他类型的处理器。在一些情形中,处理器单元1004可以采用硬件单元的形式,例如,电路系统、专用集成电路(ASIC)、可编程逻辑器件或一些其他合适类型的硬件单元。
处理器单元1004运行的操作系统的指令、应用程序和/或程序可位于存储装置1006中。存储装置506可以通过通信架构1002与处理器单元1004通信。如本文所用的,存储装置也被称为计算机可读存储装置,是任何能够将信息暂存和/或永久性存储的任何一件硬件。该信息可以包括,但不限于,数据、程序代码和/或其他信息。
存储器1014和持久存储器1016是存储装置1006的实例。存储器1014可以采用,例如随机存取存储器或一些易失性或非易失性存储装置的形式。持久存储器1016可以包括任何数量的组件和装置。例如,持久存储器1016可以包括硬件设备、闪存、可重写光盘、可重写磁带或上述其他组合。持久存储器1016使用的媒介可以是或可以不是可拆卸的。
通信单元1008允许数据处理系统1000与其他数据处理系统和/或设备通信。通信单元1008可以使用物理和/或无线通信链路提供通信。
输入/输出单元1010允许从与数据处理系统1000相连的其他设备处接收输入和发送输出。例如,输入/输出单元1010可以允许用户通过键盘、鼠标和/或一些其他类型输入设备接收输入。作为另一个例子,输入/输出单元1010可以允许发送输出至与数据处理系统1000相连的打印机。
显示器1012被配置为向用户显示信息。显示器1012可以包括,例如,但不限于,监视器、触摸屏、激光显示器、全息显示器、虚拟显示设备和/或一些其他类型显示设备。
在这个示例性实例中,通过处理器单元1004使用计算机实施指令可以执行不同示例性实施例的过程。这些指令可以被称为程序代码、计算机可用程序指令或计算机可读程序代码,而且处理器单元1004中的一个或更多处理器可以读取和执行。
在这些实例中,程序代码1018以功能性形式位于计算机可读介质1020中,而且可以被加载到或被传输到数据处理系统1000以被处理器单元执行,其中计算机可读介质1020可以被选择性拆卸。程序代码1018和计算机可读介质1020共同形成计算机程序产品1022。在这个示例性实例中,计算机可读介质1020可以是计算机可读存储介质1024或计算机可读信号介质1026。
计算机可读存储介质1024是用于存储程序代码1018的物理的或有形存储设备而不是传播或传输程序代码1018的媒介。计算机可读存储设备1024可以是,例如,但不限于,与数据处理系统相连的光或磁盘或持续存储设备。
可替换地,使用计算机可读信号介质可以将程序代码1018传输到数据处理系统1000中。计算机可读信号介质1026可以是,例如,包含程序代码1018的传播的数据信号。该数据信号可以是电磁信号、光信号和/或一些其他能够通过物理和/或无线通信链路传输的信号。
图10所示的数据处理系统1000并不意图提供可以实施这些示例性实施例的方式的结构限制。可以实施不同示例性实施例的数据处理系统包括附加组件或替代数据处理系统1000所示的那些组件的组件。此外,图10中所示组件可以与所示实例中的不同。
本领域普通技术人员将理解,结合本文中所公开的示例所描述的各种说明性逻辑块、模块及过程可实施为电子硬件、计算机软件或两者的组合。此外,前述过程能够体现为计算机可读介质,其使处理器或计算机进行或执行某些功能。
为了清楚地说明硬件和软件的这种可交换性,上文通常就它们的功能对各种说明性的部件、框和模块进行了描述。该功能是被实现为硬件还是软件取决于特定的应用和施加于整个系统上的设计约束。本领域普通技术人员可以对每个特定的应用以不同方法来实现所描述的功能,但是这种实现决策不应解释为超出本公开的范围。
结合这里所公开的示例所描述的各种说明性的逻辑块、单元、模块和控制器可以利用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件部件、或者设计为实现这里所描述的功能的任何组合来实现或者执行。通用处理器可以是微处理器,但是在替代方案中,处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器也可以实现为计算装置的组合,例如,DSP与微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核或者任何其他此类配置。
结合本文中公开的示例所描述的方法或过程的行为可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。方法或算法的步骤还可以与在示例中所提供的那些不同的替代顺序来执行。软件模块可以存在于RAM存储器、闪速存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移除介质、光学介质或者本领域已知的任何其他形式的存储介质中。示例性存储介质耦合到处理器,使得该处理器能够从/向该存储介质读写信息。在替代方案中,存储介质可以与处理器集成。处理器和存储介质可以驻留在专用集成电路(ASIC)中。
包括在本文中的示意性流程图通常被阐述为逻辑流程图。因此,描绘的顺序和标记的步骤指示本方法的一个实施例。其他步骤和方法可被设想为对于说明的方法的一个或更多个步骤或其一部分在功能、逻辑或效果上是等同的。另外,提供采用的格式和符号以解释方法的逻辑步骤并且被理解为不限制方法的范围。虽然在流程图中采用了各种箭头类型和线类型,但是它们被理解为不限制对应方法的范围。实际上,可使用一些箭头或其他连接符仅指示方法的逻辑流程。例如,箭头可指示描绘的方法的列举的步骤之间的非具体持续时间的等待或监测时段。另外,特定方法发生的顺序可能严格遵守或可能不严格遵守显示的对应步骤的顺序。
附图中的示意性流程图和/或示意性框图说明了根据各种实施例的装置、系统、方法和程序产品的可能的实施方式的架构、功能和操作。在这方面,示意性流程图和/或示意性框图中的每个框可表示模块、段或部分代码,其包含用于实施指定的(一个或更多个)逻辑功能的代码的一个或更多个可执行指令。还应该指出的是,在一些替换的实施方式中,框中指出的功能可不按照附图中指出的顺序发生。例如,事实上,连续显示的两个框可大致同时被执行,或者框有时可以相反的顺序被执行,这取决于涉及的功能。其他步骤和方法可被设想为对于说明的附图的一个或更多个框或其一部分在功能、逻辑或效果上是等同的。
本发明还包括以下实施例:
1.一种运动监测方法,其包含:
由接收设备接收来自发送设备的射频信号,其中发送设备和接收设备位于人体的相对两侧;
从所述信号中提取CSI信号;
对所述CSI信号进行处理;以及
根据处理后的CSI信号,与预定的至少一个运动阈值进行比较。
2.根据实施例1所述的运动监测方法,所述方法进一步包含:
根据所述处理后的CSI信号,确定所述处理后的CSI信号的振幅方差。
3.根据实施例2所述的运动监测方法,所述方法进一步包含:
比较所述振幅方差和方差阈值,如果所述振幅方差大于所述方差阈值,则确定单次动作的运动开始;
在确定运动开始之后,比较所述振幅方差和方差阈值,如果所述振幅方差小于所述方差阈值,则确定单次动作的运动结束;
4.根据实施例3所述的运动监测方法,所述方法进一步包含:
使用波谷查找算法,确定所述处理后的CSI信号的波谷;
根据第一次动作中的运动开始和运动结束之间的波谷数量,确定所述运动是第一运动类型还是第二运动类型。
5.根据实施例4所述的运动监测方法,所述方法进一步包含:
如果所述第一次动作中的波谷数量小于2,则确定所述运动是第一运动类型;以及
如果所述第一次动作中的波谷数量等于2,则确定所述运动是第二运动类型。
6.根据实施例5所述的运动监测方法,其中:
所述第一运动类型是俯卧撑;以及
所述第二运动类型是仰卧起坐。
7.根据实施例3所述的运动监测方法,所述方法进一步包含:
根据单次动作的运动开始和运动结束之间的时间差,确定所述运动的单次动作持续时间。
8.根据实施例3所述的运动监测方法,所述方法进一步包含:
将表示所述运动的动作次数的计数值的初始值设置为0;
在确定单次动作的运动开始之后,通过使所述计数值加1来调整所述计数值;
在用户停止对动作次数进行计数或者所述振幅方差等于所述方差阈值的持续时间达到时间阈值之前,反复执行运动开始和运动结束的确定步骤以及计数值的调整;
根据所述计数值,确定所述运动的动作次数。
9.根据实施例6所述的运动监测方法,所述方法进一步包含:
如果所述运动为第一运动类型,则比较波谷下降幅度值和波谷下降幅度阈值;以及
如果所述运动为第二运动类型,则确定单次动作中的波谷的数量和/或比较波谷之间的波谷距离和波谷距离阈值。
10.根据实施例9所述的运动监测方法,其中所述波谷下降幅度阈值为运动初期的多人多次动作期间的多个波谷下降幅度值的平均值或中位值的一半。
11.根据实施例9所述的运动监测方法,其中所述波谷距离阈值为运动初期的多人多次动作期间的多对两个波谷之间的距离的平均值或中位值。
12.一种计算机可读存储介质,其存储有经配置由处理器执行的指令,该指令使得计算机执行根据实施例1-11中任一项所述的方法。
13.一种运动监测系统,其被配置为执行以下根据实施例1-11中任一项所述的方法。
Claims (12)
1.一种周期性运动监测方法,其包含:
由接收设备接收来自发送设备的射频信号,其中发送设备和接收设备位于人体的相对两侧,从而所述发送设备发送的所述射频信号在菲涅尔区内衍射通过人体,之后被所述接收设备接收;
从所述信号中提取CSI信号;
对所述CSI信号进行处理;以及
使用波谷查找算法,确定处理后的CSI信号的波谷;
根据单次动作中的运动开始和运动结束之间的波谷数量,确定所述运动是第一运动类型还是第二运动类型。
2.根据权利要求1所述的周期性运动监测方法,所述方法进一步包含:
根据所述处理后的CSI信号,确定所述处理后的CSI信号的振幅方差。
3.根据权利要求2所述的周期性运动监测方法,所述方法进一步包含:
比较所述振幅方差和方差阈值,如果所述振幅方差大于所述方差阈值,则确定单次动作的运动开始;
在确定运动开始之后,比较所述振幅方差和方差阈值,如果所述振幅方差小于所述方差阈值,则确定单次动作的运动结束。
4.根据权利要求1所述的周期性运动监测方法,所述方法进一步包含:
如果所述单次动作中的波谷数量小于2,则确定所述运动是第一运动类型;以及
如果所述单次动作中的波谷数量等于2,则确定所述运动是第二运动类型。
5.根据权利要求4所述的周期性运动监测方法,其中:
所述第一运动类型是俯卧撑;以及
所述第二运动类型是仰卧起坐。
6.根据权利要求3所述的周期性运动监测方法,所述方法进一步包含:
根据单次动作的运动开始和运动结束之间的时间差,确定所述运动的单次动作持续时间。
7.根据权利要求3所述的周期性运动监测方法,所述方法进一步包含:
将表示所述运动的动作次数的计数值的初始值设置为0;
在确定单次动作的运动开始之后,通过使所述计数值加1来调整所述计数值;
在用户停止对动作次数进行计数或者所述振幅方差等于所述方差阈值的持续时间达到时间阈值之前,反复执行运动开始和运动结束的确定步骤以及计数值的调整;
根据所述计数值,确定所述运动的动作次数。
8.根据权利要求5所述的周期性运动监测方法,所述方法进一步包含:
如果所述运动为第一运动类型,则比较波谷下降幅度值和波谷下降幅度阈值;以及
如果所述运动为第二运动类型,则确定单次动作中的波谷的数量和/或比较波谷之间的波谷距离和波谷距离阈值。
9.根据权利要求8所述的周期性运动监测方法,其中所述波谷下降幅度阈值为运动初期的多人多次动作期间的多个波谷下降幅度值的平均值或中位值的一半。
10.根据权利要求8所述的周期性运动监测方法,其中所述波谷距离阈值为运动初期的多人多次动作期间的多对两个波谷之间的距离的平均值或中位值。
11.一种计算机可读存储介质,其存储有经配置由处理器执行的指令,该指令使得计算机执行根据权利要求1-10中任一项所述的方法。
12.一种运动监测系统,其包括计算机可读存储介质和处理器,所述计算机可读存储介质存储有经配置由所述处理器执行的指令,该指令使得所述系统执行根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810424945.4A CN108577855B (zh) | 2018-05-07 | 2018-05-07 | 一种无接触式健身运动监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810424945.4A CN108577855B (zh) | 2018-05-07 | 2018-05-07 | 一种无接触式健身运动监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108577855A CN108577855A (zh) | 2018-09-28 |
CN108577855B true CN108577855B (zh) | 2021-06-18 |
Family
ID=63621043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810424945.4A Active CN108577855B (zh) | 2018-05-07 | 2018-05-07 | 一种无接触式健身运动监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108577855B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598646B (zh) * | 2019-09-16 | 2022-07-12 | 北京邮电大学 | 一种基于深度特征的无约束重复动作计数方法 |
CN113255624B (zh) * | 2021-07-14 | 2021-09-21 | 北京壹体科技有限公司 | 一种智能识别引体向上动作姿态完成状况的系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101797156A (zh) * | 2010-04-13 | 2010-08-11 | 秦皇岛市康泰医学系统有限公司 | 一种人体呼吸监控系统呼吸波的判定方法 |
WO2014090263A1 (de) * | 2012-12-12 | 2014-06-19 | Puma SE | Verfahren zur bestimmung des von einer person zurückgelegten weges |
CN104883397A (zh) * | 2015-05-11 | 2015-09-02 | 饶品魁 | 一种基于云计算的CoMP传输方法 |
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016066822A1 (en) * | 2014-10-31 | 2016-05-06 | Siemens Aktiengesellschaft | Method, digital tool, device and system for detecting movements of objects and/or living beings in a radio range, in particular of an indoor area |
US11511156B2 (en) * | 2016-03-12 | 2022-11-29 | Arie Shavit | Training system and methods for designing, monitoring and providing feedback of training |
US10045717B2 (en) * | 2016-06-10 | 2018-08-14 | The Regents Of The University Of California | WiFi-based person-identification technique for use in smart spaces |
CN106772219A (zh) * | 2017-03-08 | 2017-05-31 | 南京大学 | 基于csi信号的室内定位方法 |
CN107968689B (zh) * | 2017-12-06 | 2020-07-31 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
-
2018
- 2018-05-07 CN CN201810424945.4A patent/CN108577855B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101797156A (zh) * | 2010-04-13 | 2010-08-11 | 秦皇岛市康泰医学系统有限公司 | 一种人体呼吸监控系统呼吸波的判定方法 |
WO2014090263A1 (de) * | 2012-12-12 | 2014-06-19 | Puma SE | Verfahren zur bestimmung des von einer person zurückgelegten weges |
CN104883397A (zh) * | 2015-05-11 | 2015-09-02 | 饶品魁 | 一种基于云计算的CoMP传输方法 |
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
Non-Patent Citations (2)
Title |
---|
RT-Fall: A Real-Time and Contactless Fall Detection System with Commodity WiFi Devices;Hao Wang,Daqing Zhang,YashaWang,et al;《IEEE TRANSACTIONS ON MOBILE COMPUTING》;20170228;第16卷(第2期);全文 * |
基于信道状态信息的WiFi环境感知技术;朱海等;《南京邮电大学学报(自然科学版)》;20160229;第36卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108577855A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xin et al. | Freesense: Indoor human identification with Wi-Fi signals | |
US10045717B2 (en) | WiFi-based person-identification technique for use in smart spaces | |
Virmani et al. | Position and orientation agnostic gesture recognition using WiFi | |
Shahzad et al. | Augmenting user identification with WiFi based gesture recognition | |
Wang et al. | Understanding and modeling of wifi signal based human activity recognition | |
Wang et al. | Channel selective activity recognition with WiFi: A deep learning approach exploring wideband information | |
US10531817B2 (en) | Fall detection method and system | |
Chen et al. | Rapid: A multimodal and device-free approach using noise estimation for robust person identification | |
CN113609976B (zh) | 一种基于WiFi设备的方向敏感多手势识别系统及方法 | |
CN109363647B (zh) | 睡眠质量监测方法、装置及终端设备 | |
CN108577855B (zh) | 一种无接触式健身运动监测方法 | |
Wang et al. | CSI-based human sensing using model-based approaches: a survey | |
Liu et al. | RFID and camera fusion for recognition of human-object interactions | |
CN114048773B (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
Li et al. | WiFit: Ubiquitous bodyweight exercise monitoring with commodity wi-fi devices | |
Xin et al. | FreeSense: human-behavior understanding using Wi-Fi signals | |
Liu et al. | Wi-Run: Device-free step estimation system with commodity Wi-Fi | |
CN103941873A (zh) | 识别方法和设备 | |
CN107247974B (zh) | 基于多源数据融合的健身运动识别方法及系统 | |
CN110852200A (zh) | 一种非接触式人体动作检测方法 | |
Nishio et al. | Construction of an aggregated fall detection model utilizing a microwave Doppler sensor | |
CN109840480A (zh) | 一种智能手表的交互方法及交互系统 | |
Pan et al. | Dynamic hand gesture detection and recognition with WiFi signal based on 1d-CNN | |
Kabir et al. | CSI-DeepNet: A lightweight deep convolutional neural network based hand gesture recognition system using Wi-Fi CSI signal | |
Guo et al. | WiRoI: Spatial region of interest human sensing with commodity WiFi |
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 |