CN109078320A - 一种基于投影手机分层分级的物联网终端数据处理方法 - Google Patents

一种基于投影手机分层分级的物联网终端数据处理方法 Download PDF

Info

Publication number
CN109078320A
CN109078320A CN201810772231.2A CN201810772231A CN109078320A CN 109078320 A CN109078320 A CN 109078320A CN 201810772231 A CN201810772231 A CN 201810772231A CN 109078320 A CN109078320 A CN 109078320A
Authority
CN
China
Prior art keywords
mobile phone
data processing
projection mobile
different levels
processing method
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.)
Pending
Application number
CN201810772231.2A
Other languages
English (en)
Inventor
薛爱凤
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.)
Shenzhen Win Win Time Technology Co Ltd
Original Assignee
Shenzhen Win Win Time Technology Co Ltd
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 Shenzhen Win Win Time Technology Co Ltd filed Critical Shenzhen Win Win Time Technology Co Ltd
Priority to CN201810772231.2A priority Critical patent/CN109078320A/zh
Publication of CN109078320A publication Critical patent/CN109078320A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/20—Input arrangements for video game devices
    • A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
    • A63F13/211—Input arrangements for video game devices characterised by their sensors, purposes or types using inertial sensors, e.g. accelerometers or gyroscopes
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/40—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment
    • A63F13/42—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/50—Controlling the output signals based on the game progress
    • A63F13/52—Controlling the output signals based on the game progress involving aspects of the displayed game scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72409—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by interfacing with external accessories
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/10—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals
    • A63F2300/105—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals using inertial sensors, e.g. accelerometers, gyroscopes
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/60—Methods for processing data by generating or executing the game program
    • A63F2300/6045—Methods for processing data by generating or executing the game program for mapping control signals received from the input arrangement into game commands
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2250/00—Details of telephonic subscriber devices
    • H04M2250/54—Details of telephonic subscriber devices including functional features of a projector or beamer module assembly

Abstract

本发明提供一种基于投影手机分层分级的物联网终端数据处理方法，所述方法包括(1)建立投影手机与运动体感系统连接；(2)运动体感系统采集运动体感数据通过分层分级进行数据处理；(3)通过投影手机进行呈现。本发明提出一种分层分级“运动体感+投影手机”的物联网终端数据处理方法，通过采集运动体感数据，投影手机的呈现，并通过分层分级数据处理的方法，实现低时延、随时随地运动健身的需求。

Description

一种基于投影手机分层分级的物联网终端数据处理方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于投影手机分层分级的物 联网终端数据处理方法。
背景技术
跳舞毯是一种融科技与趣味为一体的家庭娱乐健身方式，通过同步跳舞毯 的踩踏数据和电视机屏幕的互动来实现，但是无法实现随时随地运动健身的需 求。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于投 影手机分层分级的物联网终端数据处理方法。
本发明的目的是采用下述技术方案实现的：
一种基于投影手机分层分级的物联网终端数据处理方法，其改进之处在于， 所述方法包括
(1)建立投影手机与运动体感系统连接；
(2)运动体感系统采集运动体感数据通过分层分级进行数据处理；
(3)通过投影手机进行呈现。
进一步地，所述运动体感系统包括存储器、加速度传感器、角速度传感器 和反向投影运算模块；
所述存储器，用于存储运动体感前后的原始数据和结果数据；反向投影运 算单元，用于进行反投影运算，实现时延调整和相干累加。
进一步地，所述存储器分别标号为Mem0、Mem1，Mem0、Mem1交替使用以 达到并行化，用以节省处理数据的时间；运动体感数据经过多次累加得到，故 存储器Mem0和Mem1分别存储累加前后的运动体感数据，通过数据选择器 Mem_Switch选择数据存放位置；每块图像数据存储器由两块存储体组成，以Mem0 为例记作Mem0_0、Mem0_1，用以乒乓操作。
进一步地，所述步骤(2)包括
(2.1)将判别内容分层分级；
(2.2)结合三轴加速度进行基本运动判断；
(2.3)结合角速度进行细分运动类型环节；
(2.4)使用优化的SVM分层级结合不同层级数据进行同种运动类型环节在 各人群用户通过画像标签进一步精细区分；
(2.5)进行自适应完善。
进一步地，所述步骤(2.1)包括
(2.1.1)使用加速度传感器数据进行运动判断；
(2.1.2)统计通过对轨迹的峰值出现的频率；
(2.1.3)进行滤波。
进一步地，所述步骤(2..3)包括采用小波变换阈值法对高频噪声干扰进 行处理，给检测加上阈值和步频判断来过滤，相邻两步的时间间隔至少大于0.2 秒，过滤高频噪声。
进一步地，所述步骤(2.4)包括
(4.1)对数据进行降维；
(4.2)降维采用特征值和画像人群间距离来表示x＝
(4.3)对降维后的数据进行异常值判别。
进一步地，所述步骤(2.5)包括
(5.1)对运动状态进行抽样计算；
(5.2)对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM 分类器对样本划分正确率。
进一步地，所述步骤(5.2)包括计算SVM分类器识别率，进行适应度评 估，不设定遗传算法的终止值，终止条件采用比高法，训练的识别率高于现有 则设为最优参数，否则，执行选择、交叉和变异操作进一步优化训练参数。
进一步地，所述步骤(3)包括通过延时计算公式t＝2R/c得到运动状态t， 其中c为光速；根据所述时延值读取存储器中运动状态，并根据这个时延值计 算相位因子exp(j*2π*f*t)，其中f为采样频率；根据时延调整得到的相位 因子以及时延值所对应运动状态通过相干累加运算后通过投影手机进行呈现。
为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概 括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些 实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面 的详细说明的序言。
与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：
本发明提出一种分层分级“运动体感+投影手机”的物联网终端数据处理方 法，通过采集运动体感数据，投影手机的呈现，并通过分层分级数据处理的方 法，实现低时延、随时随地运动健身的需求。
为了上述以及相关的目的，下面的说明以及附图详细说明某些示例性方面， 并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其 它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公 开的实施例是要包括所有这些方面以及它们的等同。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的 实施例，并与说明书一起用于解释本申请的原理。
图1是本发明提供的一种基于投影手机分层分级的物联网终端数据处理方 法流程图；
图2是本发明提供的不同层级数据对部分病态特征的进一步精细区分流程 图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人 员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以 及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和 功能是可选的，并且操作的顺序可以变化。实施方案的部分和特征可以被包括 在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求 书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的 这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便， 并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任 何单个发明或发明构思。
如图1所示，本发明提出一种基于投影手机分层分级的物联网终端数据处 理方法，所述方法包括
(1)建立投影手机与运动体感系统连接；
(2)运动体感系统采集运动体感数据通过分层分级进行数据处理；
(3)通过投影手机进行呈现。
所述运动体感系统包括存储器、加速度传感器、角速度传感器和反向投影 运算模块；
所述存储器，用于存储运动体感前后的原始数据和结果数据；反向投影运 算单元，用于进行反投影运算，实现时延调整和相干累加。
上述技术方案中，所述存储器分别标号为Mem0、Mem1，Mem0、Mem1交替 使用以达到并行化，用以节省处理数据的时间。由于最后运动体感数据要经过 多次累加得到，故存储器Mem0和Mem1分别存储累加前后的运动体感数据，其 通过数据选择器Mem_Switch选择数据存放位置。每块图像数据存储器由两块存 储体组成，以Mem0为例记作Mem0_0、Mem0_1，用以乒乓操作。
存放原理如下：Mem0_0中运动体感数据经过BP加速单元运算后存放在 Mem1_1中，与此同时在BP加速单元处理数据时会由DMA向另一个空余存储体 Mem0_1中搬运运动体感数据；同理Mem0_1中运动体感数据经过反向投影运算 单元运算后存放在Mem1_0中，与此同时在BP加速单元处理数据时会由DMA向 另一个空余存储体Mem0_0中搬运数据。通过这样的乒乓流水操作掩盖数据搬 运时间，从而减少算法运行时间。
所述步骤(2)包括
1、将判别内容分层分级，不同层级只采用原始数据；
针对跌倒检测和常见的人体行为分析的应用而言，加速度传感器能很好的 区分人体行为的运动和静止状态，对于相似的运动行为就比较难于区分，特点 是区分度大且混淆度也大。结合腕部角速度可以进行进一步的区分，但是加速 度、角速度同时进行计算，运算量大，影响了时效性和电量功耗，故采用分层 分级、降维分类、重点校验的方式，兼顾了计算量和准确性。
1)、使用加速度传感器数据进行运动判断
智能腕表三轴加速度传感器，按照100Hz的采样频率(人行走的频率一般 在110步/分钟(1.8Hz),跑步时的频率不会超过5Hz,选择100Hz的采样频率 可以比较准确地反应加速度变化)，采集x,y,z三个方向的作用力。
2)、统计通过对轨迹的峰值出现的频率
用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收 脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势， 之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小， 在迈步时增加。
在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而 且在某点有一个峰值，其中垂直方向的加速度变化最大。
3)、进行滤波
其中，采集过程中电路中的电磁干扰是主要的干扰源，电磁干扰为高频噪 声；而人体运动主要是在50Hz以内的低频信号，本发明选用小波变换阈值法。 对于高频噪声干扰，采用检测加上阈值和步频判断来过滤，也就是说相邻两步 的时间间隔至少大于0.2秒，过滤高频噪声。
2、结合三轴加速度进行基本运动判断；
由于加速度适合用于方向明确的运动判别，而对于无法跌倒检测、运动周 期环节、八字脚等判别，则需要使用角速度来判别。
基于运动学算法原理，检测四个步态事项时相：一个步态周期被分成了两 个阶段，分别是“支撑阶段”(stance phase)和“摆动阶段”(swing phase)。 并且又进一步分为了七个小部分，支撑阶段又分为脚跟接触、脚跟上升、脚趾 接触以及脚趾下降四个环节。
3、结合角速度进行细分运动类型环节；
如对于跌倒检测的判别，适合使用角速度信号向量模，ax,ay,az分别为 加速度传感器x、y、z三轴方向输出向量模数据。用wx,wy,wz分别为陀螺 仪x、y、z三轴方向输出向量模数据。
建立和自适应完善的识别模型，通过加速度传感器规律进行建模，并通过 遗传算子的操作，给出运动状态识别结果，供数据分析管理使用。
手持设备会有一些低幅度和快速的抽动状态，或是我们俗称的手抖，或者 某个恶作剧用户想通过短时快速反复摇动设备来模拟人走路，这些干扰数据如 果不剔除，会影响计步的准确值。
对采集到三个方向数据，进行小波分解、对高频小波系数处理、小波重构 三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合 信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理； 获取信噪比高的步态数据。
小波变换采用硬阈值法，cj，k为小波系数，λ为阈值。
跌倒具有大加速度和角速度峰值特征,这是因为摔倒过程中由于和低势物 体碰撞产生的SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。然 而人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断人 体摔倒行为的发生会带来很大的误判。使用SVMA及SVMW相结合的信息阈值法 可以区分跌倒与产生SVM峰值较小的低强度运动。通过对人体摔倒过程及其它 日常生活行为过程中实验结果数据SVMA和SVMW进行分析,本发明识别跌倒的加 速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT ＝4rad/s。
4、如图2所示，使用优化的SVM分层级结合不同层级数据进行同种运动类 型环节在各人群用户通过画像标签进一步精细区分；
采取如下方法：
(1)首先对数据进行降维
a、b、c、d分别为左脚四个区域不同压力值/体重值,对样本人群整体取标 准差，N为样本量，先训练分类器，再用分类器识别步态样本。先综合计算某 人步态偏离整理人群的程度：
(2)降维采用特征值和画像人群间距离来表示
(3)对降维后的数据进行异常值判别；
然后将x进行SVM计算，分别计算将数据库中已经注册了个人N类步态 样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超 出(1，N)范围，则新注册类别N+1类，然后重新更新分类器。
在上述不同运动划分基础上，同种运动再次细分。
如：正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖 尿病患者及临界者，关节活动度变小导致前足/后足压力明显增大，且压力分布 不均衡。这样如站立状态，又进一步划分为正常站立和病态站立。
最后分类时采取投票方式决定分类结果。
人群边界中心距特征，边界中心距的定义是边界点到质心的距离。
多维信号，为了消除数据间不同量纲、不同数量级的影响，需要对原始数 据进行标准化处理，使其具有可比性，通过举证中的每个元素减去所在列的均 值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的 矩阵X，即
X＝[X1，X2，......Xn]T＝[Xij](n×p)；
其中，i＝1，2···n；j＝1，2···p；
相关系数矩阵：
R是实对称矩阵(即rij＝rji)，其中r为相关系数。
累计贡献率：
但累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量 留下，作为固定工作样本集，其余舍弃。
计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩 阵F(n×m)＝X(n×p)·U(p×m)
其中,X是原数据矩阵，U是主成分载荷，得分矩阵F即为PCA降维后所 得到的最终结果。
本发明采用此种方式既使用到了固定工作样本集方法计算速度快的特点， 又避免了其当向量的个数超出工作样本集的规模，算法仅优化支持向量中的一 部分的存在范围局限性的问题。
本发明通过上述方法挑出异常人群。
结合大数据进行持续的训练细分：
SVM分类器适应度函数f(xi)＝min(1-g(xi))， 为SVM分类器对样本划分正确率。
利用加速度计的输出数据,采用三条件(C1,C2和C3)判断算法,并利用中 值滤波的方法,便可有效地判断人体运动的步态,在这里,以状态“0”表示运动, 状态“1”表示静止。
条件1(C1):加速度计输出合成幅值,处于给定的上下阈值之间,则人体静 止。
定义加速度计的输出合成幅值 为:
定义给定阈值为:tha min＝8m/s和tha max＝11m/s,
并有:
条件2(C2):加速度计输出的局部方差,低于给定的阈值,则人体静止。定义 加速度计输出的局部方差 为:
其中为此区间加速度计合成幅值的输出平均值,其表达式为:
s为半窗口采样数量,通常定义其值为15。定义给 定阈值为:并有:
条件3(C3):陀螺仪输出合成幅值,低于给定的阈值,则人体静止。定义陀螺 仪输出的合成幅值为:
给定的阈值为:thωmax＝50/s,并有:
采用上述3个条件之间采用“与”逻辑,即只有当3个条件的判断结果都 为“1”时才认为步态处于绝对静止状态。再通过中值滤波方法,便可有效地判 断连续输出的运动结果,剔除噪点,获得有效、合理的步态检测数据。
用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收 脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势， 之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小， 在迈步时增加。
可以看到在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦 曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大，通过对轨迹 的峰值进行监测计算和加速度阈值决策，即可实时计算用户运动状态。
5、对模型的自适应完善；
随着样本量的增加，SVM分类器能够自适应不断优化完善：
(1)对运动状态进行抽样计算
在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小， 正好相抵，导致未发现异常，故再次进行随机抽样验证。
每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率。
(2)对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM 分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用 来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。
每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行 适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识 别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优 化训练参数。
所述步骤(3)包括通过延时计算公式t＝2R/c得到运动状态t，其中c为光 速；根据所述时延值读取存储器中运动状态，并根据这个时延值计算相位因子 exp(j*2π*f*t)，其中f为采样频率；根据时延调整得到的相位因子以及时 延值所对应运动状态通过相干累加运算后通过投影手机进行呈现。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本 公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主 题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反， 如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全 部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其 中每项权利要求独自作为本发明单独的优选实施方案。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限 制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人 员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发 明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保 护范围之内。

Claims (10)

1.一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述方法包括
(1)建立投影手机与运动体感系统连接；
(2)运动体感系统采集运动体感数据通过分层分级进行数据处理；
(3)通过投影手机进行呈现。
2.如权利要求1所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述运动体感系统包括存储器、加速度传感器、角速度传感器和反向投影运算模块；
所述存储器，用于存储运动体感前后的原始数据和结果数据；反向投影运算单元，用于进行反投影运算，实现时延调整和相干累加。
3.如权利要求2所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述存储器分别标号为Mem0、Mem1，Mem0、Mem1交替使用以达到并行化，用以节省处理数据的时间；运动体感数据经过多次累加得到，故存储器Mem0和Mem1分别存储累加前后的运动体感数据，通过数据选择器Mem_Switch选择数据存放位置；每块图像数据存储器由两块存储体组成，以Mem0为例记作Mem0_0、Mem0_1，用以乒乓操作。
4.所述如权利要求1所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(2)包括
(2.1)将判别内容分层分级；
(2.2)结合三轴加速度进行基本运动判断；
(2.3)结合角速度进行细分运动类型环节；
(2.4)使用优化的SVM分层级结合不同层级数据进行同种运动类型环节在各人群用户通过画像标签进一步精细区分；
(2.5)进行自适应完善。
5.如权利要求4所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(2.1)包括
(2.1.1)使用加速度传感器数据进行运动判断；
(2.1.2)统计通过对轨迹的峰值出现的频率；
(2.1.3)进行滤波。
6.如权利要求4所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(2..3)包括采用小波变换阈值法对高频噪声干扰进行处理，给检测加上阈值和步频判断来过滤，相邻两步的时间间隔至少大于0.2秒，过滤高频噪声。
7.如权利要求4所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(2.4)包括
(4.1)对数据进行降维；
(4.2)降维采用特征值和画像人群间距离来表示
(4.3)对降维后的数据进行异常值判别。
8.如权利要求4所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(2.5)包括
(5.1)对运动状态进行抽样计算；
(5.2)对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM分类器对样本划分正确率。
9.如权利要求8所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(5.2)包括计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异操作进一步优化训练参数。
10.如权利要求1所述的一种基于投影手机分层分级的物联网终端数据处理方法，其特征在于，所述步骤(3)包括通过延时计算公式t＝2R/c得到运动状态t，其中c为光速；根据所述时延值读取存储器中运动状态，并根据这个时延值计算相位因子exp(j*2π*f*t)，其中f为采样频率；根据时延调整得到的相位因子以及时延值所对应运动状态通过相干累加运算后通过投影手机进行呈现。
CN201810772231.2A 2018-07-13 2018-07-13 一种基于投影手机分层分级的物联网终端数据处理方法 Pending CN109078320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810772231.2A CN109078320A (zh) 2018-07-13 2018-07-13 一种基于投影手机分层分级的物联网终端数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810772231.2A CN109078320A (zh) 2018-07-13 2018-07-13 一种基于投影手机分层分级的物联网终端数据处理方法

Publications (1)

Publication Number Publication Date
CN109078320A true CN109078320A (zh) 2018-12-25

Family

ID=64837889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810772231.2A Pending CN109078320A (zh) 2018-07-13 2018-07-13 一种基于投影手机分层分级的物联网终端数据处理方法

Country Status (1)

Country Link
CN (1) CN109078320A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729867A (zh) * 2014-01-07 2014-04-16 南京大学 基于bp反投影成像算法的硬件加速器以及数据处理方法
US20160155231A1 (en) * 2013-06-11 2016-06-02 Sony Computer Entertainment Europe Limited Head-mountable apparatus and systems
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
CN106999748A (zh) * 2014-10-06 2017-08-01 弋动科有限公司 与运动数据有关的系统、设备和方法
CN107102728A (zh) * 2017-03-28 2017-08-29 北京犀牛数字互动科技有限公司 基于虚拟现实技术的显示方法及系统
CN107863980A (zh) * 2017-12-18 2018-03-30 上海青橙实业有限公司 智能手环、投影手机、系统及控制方法
CN108211200A (zh) * 2018-03-15 2018-06-29 上品家武汉有限公司 基于物联网的智能教学体感健身瑜伽垫

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160155231A1 (en) * 2013-06-11 2016-06-02 Sony Computer Entertainment Europe Limited Head-mountable apparatus and systems
CN103729867A (zh) * 2014-01-07 2014-04-16 南京大学 基于bp反投影成像算法的硬件加速器以及数据处理方法
CN106999748A (zh) * 2014-10-06 2017-08-01 弋动科有限公司 与运动数据有关的系统、设备和方法
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
CN107102728A (zh) * 2017-03-28 2017-08-29 北京犀牛数字互动科技有限公司 基于虚拟现实技术的显示方法及系统
CN107863980A (zh) * 2017-12-18 2018-03-30 上海青橙实业有限公司 智能手环、投影手机、系统及控制方法
CN108211200A (zh) * 2018-03-15 2018-06-29 上品家武汉有限公司 基于物联网的智能教学体感健身瑜伽垫

Similar Documents

Publication Publication Date Title
Quaid et al. Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm
EP3058440B1 (en) Calculating pace and energy expenditure from athletic movement attributes
CN108244744B (zh) 一种运动状态识别的方法、鞋底及鞋
CN104729507B (zh) 一种基于惯性传感器的步态识别方法
CN106910314B (zh) 一种基于体形的个性化跌倒检测方法
KR102274478B1 (ko) 자동 운동 세그먼트화 및 인식
KR102054542B1 (ko) 신체 활동 모니터링 디바이스에 의한 게임 플레이 확장
CN106971059A (zh) 一种基于神经网络自适应健康监测的可穿戴设备
CN107753026A (zh) 针对脊柱腿部健康的智能鞋自适应监测方法
CN108836337A (zh) 一种通过足部运动状态进行个性化足型健康检测的方法
CN108831527A (zh) 一种用户运动状态检测方法、装置及可穿戴设备
CN106875630B (zh) 一种基于层次分类的可穿戴跌倒检测方法及系统
CN110390565A (zh) 通过ai边缘计算实现智能网关自适应管理的方法及系统
Baca Methods for recognition and classification of human motion patterns–a prerequisite for intelligent devices assisting in sports activities
CN108514421A (zh) 提升混合现实与日常健康监测的方法
CN106030246B (zh) 用于对对象的周期性运动的循环数目进行计数的设备、方法和系统
CN105268171B (zh) 步态监测方法、装置及可穿戴设备
JP6724984B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN108717548B (zh) 一种面向传感器动态增加的行为识别模型更新方法及系统
CN109805935A (zh) 一种基于人工智能分层分级运动识别方法的智能腰带
CN110169774B (zh) 一种基于区块链的运动状态识别系统及方法
Koskimaki et al. Accelerometer vs. electromyogram in activity recognition
CN109045682A (zh) 一种降低投影手机与智能鞋互动健身游戏传输时延的方法
Jablonsky et al. Evaluating sensor placement and modality for activity recognition in active games
CN109078320A (zh) 一种基于投影手机分层分级的物联网终端数据处理方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181225