CN109426829A - 一种用户身高的估计方法、装置及计算机可读存储介质 - Google Patents
一种用户身高的估计方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109426829A CN109426829A CN201710749762.5A CN201710749762A CN109426829A CN 109426829 A CN109426829 A CN 109426829A CN 201710749762 A CN201710749762 A CN 201710749762A CN 109426829 A CN109426829 A CN 109426829A
- Authority
- CN
- China
- Prior art keywords
- paces
- height
- user
- signal
- acceleration
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及一种用户身高的估计方法、装置及计算机可读存储介质,所述用户身高的估计方法包括:通过对获取与用户身高相关的步伐行为信号,并从所述步伐行为信号中提取步伐加速度信号的特征,根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。本发明实施例有效解决了现有技术中获取用户身高信息不便的技术问题,实现了随时随地、方便快捷地获取用身高信息,提升用户交互体验。
Description
技术领域
本发明涉及人体身高测量技术领域,尤其涉及一种用户身高的估计方法、装置及计算机可读存储介质。
背景技术
随着科技的迅猛发展和生活方式的不断改变,方便快捷地获取用户的身高信息为诸如关于健康和运动的软硬件系统等越来越多的生活场景所需要。通常情况下,尽管用户手动输入身高参数能够得到较为准确的数据,却严重影响和降低用户的交互体验。因此,提供一种能够随时随地、方便快捷地获取用身高信息的方法,减少用户手工输入,对提高用户交互体验必要且紧迫。
当前,身高的测量主要包括:直接测量和间接测量。直接测量,使用尺子或身高测量仪等设备,这些方法在多数场合下具有较强的可用性,可以获得精确、可靠的身高数据,但是往往依赖于特定的测量设备,且需要人工读取身高数据,不适用于对交互体验要求较高的智能产品。间接测量,通过图像识别等方法间接得到身高数据,如申请号为201410704890.4的发明专利,将人脸图像数据输入到训练好的身高识别模型中得到用户的身高,此类方法依然需要额外的人工操作,并且对获取图像信息的设备有一定的需求,交互体验依然难以满足一些特定的智能产品。
发明内容
本发明实施例涉及一种用户身高的估计方法、装置及计算机可读存储介质,以解决现有技术中获取用户身高信息不便的技术问题。
依据本发明实施例的第一个方面,提供了一种用户身高的估计方法,所述方法包括:
获取与用户身高相关的步伐行为信号;
从所述步伐行为信号中提取步伐加速度信号的特征;
根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
进一步地,所述方法还包括:
确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的;
根据所述训练集,对所述机器学习模型进行训练;
根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
进一步地,所述从所述步伐行为信号中提取步伐加速度信号的特征,包括:
根据所述步伐行为信号,确定步伐事件;
以所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
进一步地,所述步伐加速度信号的特征,包括:时域特征和频域特征,其中,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF(Step Frequency);所述频域特征包括所述步伐行为信号在频域上的频率幅值。
依据本发明实施例的第二个方面,提供了一种用户身高估计的装置,所述装置包括:
获取模块,用于获取与用户身高相关的步伐行为信号;
提取模块,用于从所述步伐行为信号中提取步伐加速度信号的特征;
处理模块,用于根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
进一步,所述装置还包括:
确定模块,用于确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的;
训练模块,用于根据所述训练集,对所述机器学习模型进行训练;
生成模块,用于根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
进一步地,所述提取模块包括:
确定单元,用于根据所述步伐行为信号,确定步伐事件;
处理单元,用于根据所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
提取单元,用于根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
进一步地,所述步伐加速度信号的特征,包括:时域特征和频域特征,其中,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
依据本发明实施例的第三个方面,提供了一种用户身高估计的装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述的用户身高的估计方法中的步骤。
依据本发明实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上所述的用户身高的估计方法中的步骤。
本发明所带来的有益效果如下:
本发明实施例涉及一种用户身高的估计方法、装置及计算机可读存储介质,通过对获取与用户身高相关的步伐行为信号,并从所述步伐行为信号中提取步伐加速度信号的特征,根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。本发明实施例有效解决了现有技术中获取用户身高信息不便的技术问题,实现随时随地、方便快捷地获取用身高信息,提升用户交互体验。
附图说明
图1表示本发明一个实施例中的用户身高估计方法的流程图;
图2表示本发明另一实施例中的用户身高估计方法的流程图;
图3表示表示本发明一个实施例中的户身高估计装置的结构示意图;
图4表示本发明另一实施例中的户身高估计装置的结构示意图。
具体实施方式
为使本发明的目的、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作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。
本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种用户身高的估计方法、装置及计算机可读存储介质,解决现有技术中获取用户身高信息不便的问题。
参见图1,图1中示出本发明一个实施例中的用户身高估计方法的流程,具体步骤如下:
S101、获取与用户身高相关的步伐行为信号。
在本发明实施例中,所述获取与用户身高相关的步伐行为信号可以通过行人手持配备加速度传感器手机的方式,采集行为人每一步步伐的加速度数据。
将采集到的原始加速度数据上传至云端服务器,利用该加速度数据的频域分布特性,确定与步伐行为相关的信号的频率分布范围。大量实验与研究表明,步伐行为的最低频率分布在0.4Hz~0.8Hz,步伐的最高频率分布在3Hz~3.75Hz。最后,利用带通滤波器对原始信号在时域上进行滤波处理,去除无关信号,得到与身高行为相关的步伐行为信号。
S102、从所述步伐行为信号中提取步伐加速度信号的特征。
在本发明实施例中,所述从所述步伐行为信号中提取步伐加速度信号的特征,包括:
根据所述步伐行为信号,确定步伐事件;
以所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
其中,所述步伐加速度信号的特征,包括:时域特征和频域特征,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
其中,各种特征值计算方式如下:
amax=max(a);
amin=min(a);
其中,T1、T2分别代表步伐行为中检测到的两个步伐行为的时刻点。
所述步伐行为信号在频域上的频率幅值包括:在频域上分析步伐频率范围内的频率特征,依据频率幅值的大小取幅值最高的频率值作为一项特征。
S103、根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
在本发明实施例中,所述用于估计用户身高的身高估计模型主要通过机器学习模型和相应训练集进行训练生成。其中,所述用于估计用户身高的身高估计模型的模型生成,具体包括:
确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的;
根据所述训练集,对所述机器学习模型进行训练;
根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
在本发明实施例中,通过确定机器学习模型和训练集,并根据所述训练集进行机器学习模型的训练,生成身高估计模型,用于估计用户身高。本发明实施例有效解决了现有技术中获取用户身高信息不便的技术问题,实现随时随地、方便快捷地获取用身高信息,提升用户交互体验。
在本发明的另一个实施例中,参见图2,图2中示出本发明一个实施例中用户身高估计方法的流程,包括:
S201、本地获取步伐数据。
在本发明实施例中,所述获取与用户身高相关的步伐行为信号可以通过行人手持配备加速度传感器手机的方式,采集行为人每一步步伐行为的加速度数据。
S202、上传云端。
在本发明实施例中,将所述将采集到的步伐行为的原始加速度数据上传至云端服务器,以便对所述步伐行为数据处理。
S203、滤波处理。
进一步地,利用所述步伐行为数据中加速度数据的频域分布特性,确定与步伐行为相关的信号的频率分布范围。
利用带通滤波器对原始信号在时域上进行滤波处理,去除无关信号,得到与身高行为相关的步伐行为信号。通常情况下,步伐行为的最低频率分布在0.4Hz~0.8Hz,步伐的最高频率分布在3Hz~3.75Hz。例如,可以使用带通滤波器,设置滤波器的阶数为8,上截止频率为3.5Hz,下截止频率为0.6Hz,对所述步伐行为的原始信号在时域上进行滤波处理。
S204、检测步伐事件。
在本发明实施例中,根据所述步伐行为信号,确定步伐事件。例如,可以通过加速度数据变化趋势确定波峰,然后通过波峰的分布情况进一步确定步伐事件。
S205、分割单步数据。
进一步地,以所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据。
S206、特征提取。
根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
S2071、生成训练集。
分别在时域和频域上提取加速度数据中与身高强关联的特征,得到训练集样本或输入例。
重复以上步骤,即可得到训练集。
S2072、训练模型。
选取机器学习模型,例如选取随机森林模型,可以设定随机森林中树的个数为35,单棵树的深度为9,利用训练集对模型进行训练,以便得到身高估计模型S2082。
S2081、生成输入例。
分别在时域和频域上提取步伐行为的加速度数据中与身高强关联的特征,得到输入例。
S2082、身高估计模型。
S209、得到身高估计结果。
把输入例代入身高估计模型,即可对用户身高进行估计,得到用户身高估计结果。
2010、下载云端结果至本地。
下载云端结果,即所述用户身高估计结果到本地。
在本发明的另一个实施例中,参见图3,图3中示出本发明一个实施例中的用户身高估计的装置,具体包括:
获取模块310,用于获取与用户身高相关的步伐行为信号。
在本发明实施例中,所述获取模块310可以为配置加速度传感器的便携式设备,如配备加速度传感器的手机,通过用户手持配备加速度传感器的手机的方式,采集用户每一步步伐的加速度数据。
其中,将获取的原始加速度数据上传至云端进行处理,并对所述原始步伐数据进行数据预处理,可以使用带通滤波器,设置滤波器的阶数为8,上截止频率为3.5Hz,下截止频率为0.6Hz,以便后续进一步通过加速度数据变化趋势确定波峰,然后通过波峰的分布情况进一步确定步伐事件,并以步伐事件发生的时刻作为参考点对加速度数据进行分割,得到单步的加速度数据。
提取模块320,用于从所述步伐行为信号中提取步伐加速度信号的特征。
在本发明实施例中,所述提取模块320包括:
确定单元3201,用于根据所述步伐行为信号,确定步伐事件;
处理单元3202,用于根据所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
提取单元3203,用于根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
进一步地,所述步伐加速度信号的特征,包括:时域特征和频域特征,其中,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
其中,所述步伐加速度信号的特征,包括:时域特征和频域特征,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
其中,各种特征值计算方式如下:
amax=max(a);
amin=min(a);
其中,T1、T2分别代表步伐行为中检测到的两个步伐行为的时刻点。
处理模块330,用于根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
进一步,所述装置还包括:
确定模块340,用于确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的。
训练模块350,用于根据所述训练集,对所述机器学习模型进行训练。
生成模块360,用于根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
请参阅图4,图4是本发明实施例应用的用户身高估计的装置的结构图,能够实现第三实施例至第四实施例中用户身高估计方法的细节,并达到相同的效果。如图4所示,用户身高估计的装置400包括:处理器401、收发机402、存储器403、用户接口404和总线接口,其中:
在本发明实施例中,用户身高估计的装置400还包括:存储在存储器上403并可在处理器401上运行的计算机程序,计算机程序被处理器401、执行时实现如下步骤:
获取与用户身高相关的步伐行为信号;
从所述步伐行为信号中提取步伐加速度信号的特征;
根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
在图4中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器401代表的一个或多个处理器和存储器403代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机402可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备,用户接口404还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器401负责管理总线架构和通常的处理,存储器403可以存储处理器401在执行操作时所使用的数据。
可选的,计算机程序被处理器403执行时还可实现如下步骤:
确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的;
根据所述训练集,对所述机器学习模型进行训练;
根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
进一步地,所述从所述步伐行为信号中提取步伐加速度信号的特征,包括:
根据所述步伐行为信号,确定步伐事件;
以所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
进一步地,所述步伐加速度信号的特征,包括:时域特征和频域特征,其中,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
本领域普通技术人员可以意识到,结合本发明实施例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、或者计算机软件和电子硬件的结合来实现。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。
本发明实施例还提供一种计算机可读存储介质,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上述用户身高估计方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用户身高的估计方法,其特征在于,所述方法包括:
获取与用户身高相关的步伐行为信号;
从所述步伐行为信号中提取步伐加速度信号的特征;
根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
2.根据权利要求1所述的用户身高的估计方法,其特征在于,所述方法还包括:
确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的;
根据所述训练集,对所述机器学习模型进行训练;
根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
3.根据权利要求1所述的用户身高的估计方法,其特征在于,所述从所述步伐行为信号中提取步伐加速度信号的特征,包括:
根据所述步伐行为信号,确定步伐事件;
以所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
4.根据权利要求1所述的用户身高的估计方法,其特征在于,所述步伐加速度信号的特征,包括:时域特征和频域特征,其中,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
5.一种用户身高估计的装置,其特征在于,所述装置包括:
获取模块,用于获取与用户身高相关的步伐行为信号;
提取模块,用于从所述步伐行为信号中提取步伐加速度信号的特征;
处理模块,用于根据所述步伐加速度信号的特征和用于估计用户身高的身高估计模型,估计所述用户的身高。
6.根据权利要求5所述的用户身高估计的装置,其特征在于,所述装置还包括:
确定模块,用于确定机器学习模型和训练集,所述训练集中包含多个不同训练样本用户的步伐加速度信号的训练样本特征,所述训练样本特征是从每个训练样本用户的步伐行为信号中提取的;
训练模块,用于根据所述训练集,对所述机器学习模型进行训练;
生成模块,用于根据所述机器学习模型的训练结果,生成用于估计用户身高的身高估计模型。
7.根据权利要求5所述的用户身高估计的装置,其特征在于,所述提取模块包括:
确定单元,用于根据所述步伐行为信号,确定步伐事件;
处理单元,用于根据所述步伐事件发生的时刻对所述步伐行为信号中的加速度数据进行分割,得到所述步伐信号中单步的加速度数据;
提取单元,用于根据所述单步的加速度数据,提取所述步伐加速度信号的特征。
8.根据权利要求5所述的用户身高估计的装置,其特征在于,所述步伐加速度信号的特征,包括:时域特征和频域特征,其中,所述时域特征包括以下一项或多项:步伐加速度分别在第一方向、第二方向与第三方向上最大值amax、最小值amin、均值aAVE、方差astd、均方根arms、能量aenergy,以及步频SF;所述频域特征包括所述步伐行为信号在频域上的频率幅值。
9.一种用户身高估计的装置,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1~4任一项所述的用户身高的估计方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~4任一项所述的用户身高的估计方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710749762.5A CN109426829A (zh) | 2017-08-28 | 2017-08-28 | 一种用户身高的估计方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710749762.5A CN109426829A (zh) | 2017-08-28 | 2017-08-28 | 一种用户身高的估计方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109426829A true CN109426829A (zh) | 2019-03-05 |
Family
ID=65501693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710749762.5A Pending CN109426829A (zh) | 2017-08-28 | 2017-08-28 | 一种用户身高的估计方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109426829A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112833907A (zh) * | 2021-01-25 | 2021-05-25 | 北京小米移动软件有限公司 | 计步方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016066114A (ja) * | 2014-09-22 | 2016-04-28 | 株式会社東芝 | 特徴点検出装置、方法及びプログラム |
CN106264545A (zh) * | 2016-08-05 | 2017-01-04 | 北京蜂鸟视图科技有限公司 | 步伐识别方法及装置 |
CN106767890A (zh) * | 2016-12-12 | 2017-05-31 | 北京羲和科技有限公司 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
-
2017
- 2017-08-28 CN CN201710749762.5A patent/CN109426829A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016066114A (ja) * | 2014-09-22 | 2016-04-28 | 株式会社東芝 | 特徴点検出装置、方法及びプログラム |
CN106264545A (zh) * | 2016-08-05 | 2017-01-04 | 北京蜂鸟视图科技有限公司 | 步伐识别方法及装置 |
CN106767890A (zh) * | 2016-12-12 | 2017-05-31 | 北京羲和科技有限公司 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112833907A (zh) * | 2021-01-25 | 2021-05-25 | 北京小米移动软件有限公司 | 计步方法、装置、设备及存储介质 |
CN112833907B (zh) * | 2021-01-25 | 2023-07-18 | 北京小米移动软件有限公司 | 计步方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190939B (zh) | 一种用户画像构建方法及装置 | |
WO2019200781A1 (zh) | 票据识别方法、装置及存储介质 | |
CN108197250B (zh) | 图片检索方法、电子设备及存储介质 | |
KR101969450B1 (ko) | 단위 행동 인식을 기반으로 사용자의 대표 행동을 인식하는 장치 및 방법 | |
CN105953814B (zh) | 一种计步方法、计步装置及移动终端 | |
CN108805840A (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
AU2013217184A1 (en) | A system and method for identifying and analyzing personal context of a user | |
CN107077279B (zh) | 一种压力检测的方法及装置 | |
CN108986125B (zh) | 物体边缘提取方法、装置及电子设备 | |
CN109800731A (zh) | 指纹录入方法及相关装置 | |
CN109711259A (zh) | 指纹录入方法及相关设备 | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN110489659A (zh) | 数据匹配方法和装置 | |
CN109951804A (zh) | 一种人流量估计方法及装置 | |
CN111142668B (zh) | 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法 | |
CN108052960A (zh) | 识别终端握持状态的方法、模型训练方法及终端 | |
JP2013073420A (ja) | レコメンドシステム、レコメンド方法およびプログラム | |
CN109426829A (zh) | 一种用户身高的估计方法、装置及计算机可读存储介质 | |
CN109697676A (zh) | 基于社交群的用户分析及应用方法和装置 | |
CN103810241B (zh) | 一种低频点击的过滤方法和装置 | |
CN115294648A (zh) | 一种人机手势交互方法、装置、移动终端及存储介质 | |
CN111080305A (zh) | 一种风险识别方法、装置及电子设备 | |
CN107145883A (zh) | 文本检测方法和设备 | |
CN116307394A (zh) | 产品用户体验评分方法、装置、介质及设备 | |
CN109977745A (zh) | 人脸图像处理方法及相关装置 |
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 |