CN108814618A

CN108814618A - 一种运动状态的识别方法、装置及终端设备

Info

Publication number: CN108814618A
Application number: CN201810391890.1A
Authority: CN
Inventors: 孟洋; 陈维亮
Original assignee: Goertek Techology Co Ltd
Current assignee: Goertek Techology Co Ltd
Priority date: 2018-04-27
Filing date: 2018-04-27
Publication date: 2018-11-16
Anticipated expiration: 2038-04-27
Also published as: CN108814618B

Abstract

本发明公开了一种运动状态的识别方法，应用于数据处理技术领域，包括：获取运动传感器采集的数据，并当根据数据确定运动状态为走路状态或骑行状态时，利用数据计算峰度值；当峰度值大于第一峰度阈值且小于第二峰度阈值时，利用数据计算样本熵；当样本熵大于样本熵阈值时，则运动状态为骑行状态；当样本熵小于样本熵阈值时，则运动状态为走路状态；该方法充分结合了峰度和样本熵两者计算的优点，在保证运动状态识别准确度的基础上了提高了计算效率。本发明还公开了一种运动状态的识别装置、终端设备及计算机可读存储介质，具有上述有益效果。

Description

一种运动状态的识别方法、装置及终端设备

技术领域

本发明涉及数据处理技术领域，特别涉及一种运动状态的识别方法、装置、终端设备及计算机可读存储介质。

背景技术

现有技术中运动状态的识别综合采用傅里叶变换、小波变换、以及峰度和样本熵等特征。但是这些只适用于理论研究，而在实际应用中，除了保证运动状态分类的准确性，还要考虑算法运行速度和内存占用情况。现有的硬件中要么保证准确性但是舍弃运算速度(即获取运动状态识别结果速度慢)，要么保证运算速度舍弃准确性(即获取运动状态识别结果不准确)，两者不兼得。因此，需要在保证运动状态识别的准确性的条件下，提高运算速度。

发明内容

本发明的目的是提供一种运动状态的识别方法、装置、终端设备及计算机可读存储介质，能够结合峰度和样本熵两者计算的优点，在保证运动状态识别准确度的基础上了提高了计算效率。

为解决上述技术问题，本发明提供一种运动状态的识别方法，包括：

获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路状态或骑行状态时，利用所述数据计算峰度值；

当所述峰度值大于第一峰度阈值且小于第二峰度阈值时，利用所述数据计算样本熵；

当所述样本熵大于样本熵阈值时，则运动状态为骑行状态；

当所述样本熵小于样本熵阈值时，则运动状态为走路状态。

可选的，获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路状态或骑行状态时，利用所述数据计算峰度值，包括：

获取预定组数的三轴加速度，并计算各组所述三轴加速度的合加速度；

计算所述合加速度的标准差；

当所述标准差位于第一指定区间时，利用所述合加速度以及所述标准差计算峰度值。

可选的，计算所述合加速度的标准差之后，还包括：

当所述标准差位于第二指定区间时，则运动状态为静止状态；

当所述标准差位于第三指定区间时，则运动状态为跑步状态。

可选的，利用所述数据计算样本熵，包括：

利用所述合加速度计算样本熵。

可选的，所述运动状态的识别方法，还包括：

当所述峰度值小于所述第一峰度阈值时，则运动状态为走路状态；

当所述峰度值大于所述第二峰度阈值时，则运动状态为骑行状态。

本发明还提供一种运动状态的识别装置，包括：

峰度值计算模块，用于获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路状态或骑行状态时，利用所述数据计算峰度值；

样本熵计算模块，用于当所述峰度值大于第一峰度阈值且小于第二峰度阈值时，利用所述数据计算样本熵；

第一分类模块，用于当所述样本熵大于样本熵阈值时，则运动状态为骑行状态；当所述样本熵小于样本熵阈值时，则运动状态为走路状态。

可选的，所述运动状态的识别装置，还包括：

第二分类模块，用于当所述峰度值小于所述第一峰度阈值时，则运动状态为走路状态，当所述峰度值大于所述第二峰度阈值时，则运动状态为骑行状态。

本发明还提供一种终端设备，包括：

运动传感器，用于采集数据；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述任一项所述运动状态的识别方法的步骤。

可选的，所述终端设备具体为智能穿戴设备。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述运动状态的识别方法的步骤。

本发明所提供的运动状态的识别方法，包括：获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路状态或骑行状态时，利用所述数据计算峰度值；当所述峰度值大于第一峰度阈值且小于第二峰度阈值时，利用所述数据计算样本熵；当所述样本熵大于样本熵阈值时，则运动状态为骑行状态；当所述样本熵小于样本熵阈值时，则运动状态为走路状态。

可见，该方法在峰度可以准确区分走路状态和骑行状态的范围内，利用计算过程简单、计算速度快的峰度来区分走路状态和骑行状态，并在峰度不能准确识别的范围内，采用计算准确度高的样本熵区分走路状态和骑行状态，采用两者相结合的方式区分走路状态和骑行状态，充分利用了两者的计算优点，最终实现即保证了运动状态识别的准确性，又提高了运动状态识别的计算效率。本发明还提供了运动状态的识别装置、终端设备及计算机可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的运动状态的识别方法的流程图；

图2为本发明实施例所提供的另一运动状态的识别方法的流程图；

图3为本发明实施例所提供的实验情况下各种运动状态对应的标准差分布图；

图4为本发明实施例所提供的图3分布图的局部放大图；

图5为本发明实施例所提供的一种具体的运动状态的识别方法的流程图示意图；

图6为本发明实施例所提供的运动状态的识别装置的系统框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前在需要进行运动识别的应用场景下，大多都通过加速计数据的特征进行运动识别，例如在智能穿戴产品的心率检测时，利用加速计数据的特征进行运动识别，在不同的运动状态下，提供一个心率可参考的取值范围，提高了心率检测的准确性。加速度的变化能够直接反映人体的运动状态。现有技术中常用的运动识别算法中，包括计算时域的均值、标准差和中值等，以及傅里叶变换(FFT)计算运动频率的主频和小波变换计算小波系数等。本实施例舍弃计算复杂效率低的FFT和小波变换，并将峰度和样本熵相结合，充分利用了两者的计算优点，最终实现即保证了运动状态识别的准确性，又提高了运动状态识别的计算效率。具体请参考图1，图1为本发明实施例所提供的运动状态的识别方法的流程图；该方法可以包括：

S100、获取运动传感器采集的数据，并当根据数据确定运动状态为走路状态或骑行状态时，利用数据计算峰度值。

具体的，本实施例并不限定如何根据运动传感器采集的数据确定当前状态为走路状态或者骑行状态的方式，相应的也不限定运动传感器采集的数据的种类。例如数据可以是加速度或者是合加速度，对应可以利用数据的平均值，或者均值，再或者是标准差与相应设定的阈值区间进行比较，进行确定采集的数据对应的运动状态可能是走路状态或骑行状态。只要用户能够根据该数据确定其对应的运动状态可能为走路状态或骑行状态即可，即用户可以确定该数据对应的运动状态可能是走路状态也可能是骑行状态。后续步骤可以快速准确的确定该数据对应的运动状态具体为走路状态，还是骑行状态，最终实现对运动状态的精准识别。

在确定运动状态为走路状态或骑行状态后，根据采集到的数据计算峰度值。具体峰度值的计算过程可以参考现有技术中峰度值的计算公式。

其中，峰度的数学定义是四阶中心矩除以标准差的四次方。

进一步，优选的，为了保证走路状态或骑行状态识别的精确性以及计算效率。本实施例通过合加速度以及标准差来确定走路状态或骑行状态对应分类区域。具体的本实施例中获取运动传感器采集的数据，并当根据数据确定运动状态为走路状态或骑行状态时，利用数据计算峰度值可以包括：

获取预定组数的三轴加速度，并计算各组三轴加速度的合加速度；

计算合加速度的标准差；

当标准差位于第一指定区间时，利用合加速度以及标准差计算峰度值。

其中，本实施例中并不限定预定组数的具体数值，用户可以根据实际的计算精度需求进行选择。三轴加速度具体为X轴加速度、Y轴加速度和Z轴加速度，其可以分别通过三轴(X轴、Y轴与Z轴)加速度传感器获取。将各组三轴加速度融合得到对应的合加速度。具体的求解过程可以是：

其中，Acc为合加速度，为X轴加速度的平方，为Y轴加速度的平方，为Z轴加速度的平方。即将X轴加速度、Y轴加速度和Z轴加速度的数据取平方根。

其中，本实施例并不对第一指定区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。当标准差位于第一指定区间即确定了此时的运动状态为走路状态或骑行状态。

本实施例中在确定标准差是否位于第一指定区间，即确定运动状态为走路状态或骑行状态的过程中计算的标准差可以直接在峰度值的计算过程中使用，进一步加快了峰度值的计算效率。

具体的计算峰度值的过程可以如下：

其中，K为峰度值，N为样本数，即预设组数，σ为样本标准差，为样本平均值，X_i为第i个样本的数值。其中，样本为各个合加速度。

S110、当峰度值大于第一峰度阈值且小于第二峰度阈值时，利用数据计算样本熵。

S120、当样本熵大于样本熵阈值时，则运动状态为骑行状态。

S130、当样本熵小于样本熵阈值时，则运动状态为走路状态。

本实施例中选用峰度来区分骑行状态或者走路状态的原因是峰度值计算简单，计算速度快。但是其存在无法通过单一阈值将走路状态和骑行状态准确的区分开，在一定的区域内容易发生混淆。因此现有技术中为了提高计算速度选用峰度区分走路状态和骑行状态是不准确的，即牺牲了运动状态识别的准确性来提高计算速度。本实施例为了克服现有技术中的缺点即实现在保证计算效率的情况下，提高运动状态识别的准确性，采用首先确定容易发生混淆的区域，并在该区域内使用计算准确度高的样本熵进行走路状态和骑行状态的识别。即本实施例通过两个改进点实现既保证了运动状态识别的准确性又保证了计算效率。首先通过设定多个峰度阈值，实现对容易发生混淆区域和能够准确识别走路状态和骑行状态区域进行区分。其次在划分出的容易发生混淆区域采用计算准确高的样本熵来执行走路状态和骑行状态的识别。

即本实施例中考虑到样本熵能够准确的区分走路状态和骑行状态，而峰度不能有效区分走路状态和骑行状态；样本熵计算复杂，计算效率低，而峰度计算简单，计算效率高。因此本实施例采用使用峰度进行整体的走路状态与骑行状态的识别，在峰度不能准确识别的危险区范围内，采用样本熵进行识别。这样采用两者相结合的方式对走路状态和骑行状态进行识别，充分利用了两者的优点，保证了运动状态识别的准确度和效率。

其中，本实施例中在小于第一峰度阈值对应区域和大于第二峰度阈值对应区域时能够准确且快速的区分运动状态为走路状态还是骑行状态。本实施例并不限定在小于第一峰度阈值对应区域和大于第二峰度阈值对应区域的具体识别方式。可选的，当峰度值小于第一峰度阈值时，则运动状态为走路状态；当峰度值大于第二峰度阈值时，则运动状态为骑行状态。具体可以参考图2。

具体的，本实施例中通过设置第一峰度阈值和第二峰度阈值将整个区域划分为小于第一峰度阈值的区域、大于第二峰度阈值的区域以及第一峰度阈值和第二峰度阈值之间的区域。通常情况下走路状态对应的峰度值小于骑行状态下对应的峰度值。因此当峰度值位于小于第一峰度阈值的安全识别区域时，对应的运动状态为走路状态；当峰度值位于大于第二峰度阈值的安全识别区域时，对应的运动状态为骑行状态；当峰度值大于第一峰度阈值且小于第二峰度阈值时容易发生混淆，此时利用样本熵进行精确识别；通常情况下走路状态对应的样本熵小于骑行状态下对应的样本熵，因此当样本熵位于大于样本熵阈值的区域时，对应的运动状态为骑行状态；当样本熵位于小于样本熵阈值的区域时，对应的运动状态为走路状态。

本实施例中并不限定第一峰度阈值、第二峰度阈值以及样本熵阈值的具体数值，其可以根据用户使用的具体应用场景进行确定。进一步，本实施例中并不限定当峰度值等于第一峰度阈值时其属于大于第一峰度阈值且小于第二峰度阈值对应的区域还是属于小于第一峰度阈值区域，其根据用户实际选择进行确定并执行对应所属区域的动作；也不限定当峰度值等于第二峰度阈值时其属于大于第一峰度阈值且小于第二峰度阈值对应的区域还是属于大于第二峰度阈值区域，其根据用户实际选择进行确定并执行对应所属区域的动作；也不限定当样本熵等于样本熵阈值时其属于大于样本熵阈值区域还是属于小于样本熵阈值区域，其根据用户实际选择进行确定并执行对应所属区域的动作。

其中，样本熵是时间序列复杂度的检测方法，样本熵越大，序列越复杂，周期性越差。人体运动的加速度信号具有一定周期性，所以可以利用样本熵进行人体运动状态识别。本实施例并不限定利用数据计算样本熵的具体形式，用户可以根据其采集的数据的具体类型进行相应样本熵的计算。当选用合加速度计算峰度值时，为了进一步提高计算效率，优选的，本实施例可以利用合加速度计算样本熵。此时具体计算原理和过程可以如下：

从X(1),X(2),…X(N)中连续抽取m个数重构一组m维矢量y_m(i)以及y_m(j)；其中，N为样本数，即预设组数，X(i)为第i个样本的数值，即第i个合加速度的数值，y_m(i)代表从第i个点(第i个合加速度)开始连续的m个样本数值(连续的m个合加速度数值)所构成的一组m维矢量，即y_m(i)＝{X(i),X(i+1),X(i+m-1)}，y_m(j)代表从第j个点(第j个合加速度)开始连续的m个样本数值(连续的m个合加速度数值)所构成的一组m维矢量。本实施例并不对m的数值进行限定。

定义y_m(i)与y_m(j)之间的距离的最大值：

d[y_m(i),y_m(j)]＝max(X(i+k)-X(j+k))

其中，k＝0～m-1,i,j＝1,2,3,...N-m且i≠j。

统计每个i值对应的d[y_m(i),y_m(j)]＜r的数目；其中，i＜N-m；利用公式计算各所述数目与距离总数N-m-1的比值

即在给定阈值r的情况下，对每一个i＜N-m的值，统计计算d[y_m(i),y_m(j)]＜r的数目num(d[y_m(i),y_m(j)]＜r)，并计算此数目与距离总数N-m-1的比值。本实施例并不限定具体阈值r的数值，例如r＝0.1σ～0.25σ。其中，σ为样本标准差。

利用公式计算对N-m的平均值B^m(r)；即在给定阈值r的情况下求其对所有i的平均值记作B^m(r)。其中，在给定阈值r情况下记作

将m的维数加1后，重复上述过程得到B^m+1(r)；根据B^m(r)以及B^m+1(r)，利用公式计算得到样本熵SampEn(m,r)。

不同的m，r，N值，会得到不同的样本熵。考虑到计算量，为了进一步提高计算速度，优选的，本实施例中m和r的取值具体为：m＝2，r＝0.25σ。由上述原理可知，样本熵的计算较为复杂，运算速度比峰度慢，但是样本熵在峰度值大于第一峰度阈值且小于第二峰度阈值时能够准确地区分走路状态与骑行状态。

基于上述技术方案，本发明实施例提供的运动状态的识别方法，采用峰度和样本熵两种统计特征进行运动状态分类，综合了峰度和样本熵各自的优缺点，并提出了危险识别区域(即大于第一峰度阈值且小于第二峰度阈值对应区间)这一概念。峰度计算速度快，但是分类准确度较低，而样本熵分类的准确度高，但是计算较为复杂，因此，对于峰度区分运动状态容易出现混淆的情形，设定危险识别区域，在危险识别区域范围外，采用峰度进行分类，而在危险识别区域范围内采用样本熵进行识别。这样既避免了运动状态识别混淆问题，又提高了运动状态识别的计算速度。

基于上述实施例，本实施例为了在基本不增加运算量的情况下，增加运动状态的识别种类，优选的，计算合加速度的标准差之后，还可以包括：

当标准差位于第二指定区间时，则运动状态为静止状态；

当标准差位于第三指定区间时，则运动状态为跑步状态。

具体的，本实施例中通过计算合加速度的标准差之后，不仅能够确定运动状态为走路状态或骑行状态，还能够确定静止状态和跑步状态。本实施例并不限定第二指定区间和第三指定区间的具体数值，用户可以根据实际应用场景进行设定。

标准差反映的是数据的离散程度。一般情况下跑步状态的标准差大于走路状态或骑行状态，走路状态或骑行状态的标准差大于静止状态。当人处于静止状态时，标准差σ基本是不变的，应该趋近于零，考虑到硬件的噪声以及实际试验测试结果可以设置大于0的一个数值。请参考图3和图4，给出了实验情况下各种运动状态对应的标准差。图4是图3的局部放大图。其中，*表示静止状态，+号表示走路状态，□表示跑步状态，五角星表示骑行状态。从图中可以看到静止状态的标准差一定小于100，走路状态或骑行状态的标准差都大于100小于1200，跑步状态的标准差都大于1200。因此可以设定第二指定区间为标准差σ小于100，第一指定区间标准差σ[100,1200)，第三指定区间标准差σ不小于1200。

本实施例中通过标准差、峰度和样本熵即可以准确的将运动状态划分为静止状态、走路状态、跑步状态和骑行状态。具体过程为，首先通过标准差准确快速的区分出静止状态和跑步状态，当其处于走路状态或骑行状态时，利用标准差计算峰度，通过计算速度快的峰度值分区走路状态和骑行状态，在峰度不能准确识别的危险识别区域内，采用样本熵进行分类。这样采用两者相结合的方式对走路状态和骑行状态数据分类，充分利用了两者的优点，保证了运动状态分类的准确度和效率，最终通过加速度数据，准确而高效地实现了对静止状态，走路状态，跑步状态和骑行状态四种运动状态的识别。

下面请参考图5，以第二指定区间为标准差σ小于100，第一指定区间标准差σ[100,1200)，第三指定区间标准差σ不小于1200，第一峰度阈值为5，第二峰度阈值为6.5，第一峰度阈值和第二峰度阈值对应区间为[5,6.5]，样本熵阈值为1.4为例，说明整个过程。具体过程为：根据获取的X轴加速度、Y轴加速度、Z轴加速度，计算出合加速度，并根据合加速度计算标准差σ，当σ小于100时，确定其运动状态为静止状态，当σ大于等于1200时，确定其运动状态为跑步状态，当σ[100,1200)，确定其运动状态为走路状态或骑行状态，并计算此时峰度值，当峰度值K小于5时，确定其运动状态为走路状态，当峰度值K大于6.5时，确定其运动状态为骑行状态，当峰度值K[5,6.5]时，计算样本熵，当样本熵大于1.4时，确定其运动状态为骑行状态，当样本熵不大于1.4时，确定其运动状态为走路状态。

基于上述技术方案，本发明实施例提供的运动状态的识别方法，通过标准差、峰度和样本熵即可以准确的将运动状态划分为静止状态、走路状态、跑步状态和骑行状态。通过标准差准确区分静止状态和跑步状态，通过峰度和样本熵相结合的方式准确区分骑行状态和走路状态。即在峰度不能准确识别的危险识别区域内，采用样本熵进行分类。这样采用两者相结合的方式对走路状态和骑行状态数据分类，充分利用了两者的优点，保证了运动状态识别的准确度和效率，最终通过加速度数据，准确而高效地实现了对静止状态，走路状态，跑步状态和骑行状态四种运动状态的识别。

下面对本发明实施例提供的运动状态的识别装置、终端设备及计算机可读存储介质进行介绍，下文描述的运动状态的识别装置、终端设备及计算机可读存储介质与上文描述的运动状态的识别方法可相互对应参照。

请参考图6，图6为本发明实施例所提供的运动状态的识别装置的系统框图，该装置可以包括：

峰度值计算模块100，用于获取运动传感器采集的数据，并当根据数据确定运动状态为走路状态或骑行状态时，利用数据计算峰度值；

样本熵计算模块200，用于当峰度值大于第一峰度阈值且小于第二峰度阈值时，利用数据计算样本熵；

第一分类模块300，用于当样本熵大于样本熵阈值时，则运动状态为骑行状态；当样本熵小于样本熵阈值时，则运动状态为走路状态。

基于上述实施例，峰度值计算模块100可以包括：

合加速度计算单元，用于获取预定组数的三轴加速度，并计算各组三轴加速度的合加速度；

标准差计算单元，用于计算合加速度的标准差；

峰度值计算单元，用于当标准差位于第一指定区间时，利用合加速度以及标准差计算峰度值。

基于上述实施例，该装置还可以包括：

第二分类模块，用于当峰度值小于所述第一峰度阈值时，则运动状态为走路状态，当峰度值大于所述第二峰度阈值时，则运动状态为骑行状态。

基于上述任意实施例，该装置还可以包括：

第三分类模块，用于当标准差位于第二指定区间时，则运动状态为静止状态；

第四分类模块，用于当标准差位于第三指定区间时，则运动状态为跑步状态。

需要说明的是，基于上述任意实施例，所述装置可以是基于可编程逻辑器件实现的，可编程逻辑器件包括FPGA，CPLD，单片机等。

本实施例还提供一种终端设备，包括：

运动传感器，用于采集数据；

其中，本实施例并不对运动传感器进行限定，可以根据用户计算参数的选择具体确定。可选的，运动传感器具体为三轴加速度传感器。

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上述任意实施例所述的运动状态的识别方法的步骤。如处理器获取运动传感器采集的数据，并当根据数据确定运动状态为走路状态或骑行状态时，利用数据计算峰度值；当峰度值大于第一峰度阈值且小于第二峰度阈值时，利用数据计算样本熵；当样本熵大于样本熵阈值时，则运动状态为骑行状态；当样本熵小于样本熵阈值时，则运动状态为走路状态。

其中，本实施例并不对终端设备进行限定，其可以是智能穿戴设备，心率检测设备，也可以是手机等移动终端设备。例如，当其进行运动状态分类的应用场景为心率检测时，智能穿戴设备由于能够准确快速的区分不同运动状态，可以在不同的运动状态下，提供一个心率可参考的取值范围，能够提高心率检测的准确性。因此提高运动状态分类的准确性，可以提高心率检测的准确性。

本实施例还提供一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例运动状态的识别方法的步骤。如计算机程序被处理器执行时实现获取运动传感器采集的数据，并当根据数据确定运动状态为走路状态或骑行状态时，利用数据计算峰度值；当峰度值大于第一峰度阈值且小于第二峰度阈值时，利用数据计算样本熵；当样本熵大于样本熵阈值时，则运动状态为骑行状态；当样本熵小于样本熵阈值时，则运动状态为走路状态。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种运动状态的识别方法、装置、心率检测设备、终端设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种运动状态的识别方法，其特征在于，包括：

当所述样本熵大于样本熵阈值时，则运动状态为骑行状态；

当所述样本熵小于样本熵阈值时，则运动状态为走路状态。

2.根据权利要求1所述的运动状态的识别方法，其特征在于，获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路状态或骑行状态时，利用所述数据计算峰度值，包括：

计算所述合加速度的标准差；

3.根据权利要求2所述的运动状态的识别方法，其特征在于，计算所述合加速度的标准差之后，还包括：

4.根据权利要求2所述的运动状态的识别方法，其特征在于，利用所述数据计算样本熵，包括：

利用所述合加速度计算样本熵。

5.根据权利要求1所述的运动状态的识别方法，其特征在于，还包括：

6.一种运动状态的识别装置，其特征在于，包括：

7.根据权利要求6所述的运动状态的识别装置，其特征在于，还包括：

8.一种终端设备，其特征在于，包括：

运动传感器，用于采集数据；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述运动状态的识别方法的步骤。

9.根据权利要求8所述的终端设备，其特征在于，所述终端设备具体为智能穿戴设备。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述运动状态的识别方法的步骤。