CN109558841B - 一种运动状态的识别方法、装置及终端 - Google Patents

Abstract

本发明公开了一种运动状态的识别方法，涉及数据处理技术领域，解决了现有技术中运动状态识别种类不完整的问题，该方法包括：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或乘行模糊状态时，利用数据的期望以及预设的延时时间计算第一相关性系数；当第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态；该方法利用运动传感器采集的数据以及相关性系数，能够识别出运动状态中的乘行状态，进而提高了运动状态的识别完整性。本发明还公开了一种运动状态的识别装置、终端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

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仅能够识别静止状态、走路状态、跑步状态以及骑行状态这几种生活中常见的运动状态。但是对于目前日益普遍的乘行状态(例如乘高铁，乘汽车等)并不能够识别，造成运动状态分类的不完整。因此，需要提高运动状态的识别完整性。

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、终端及计算机可读存储介质，能够识别出运动状态中的乘行状态，进而提高了运动状态的识别完整性。

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或乘行模糊状态时，利用所述数据的期望以及预设的延时时间计算第一相关性系数；

当所述第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；

当所述第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

可选地，在所述利用所述数据的期望以及预设的延时时间计算第一相关性系数之前，还包括：

利用所述数据计算样本熵；

当所述样本熵小于等于样本熵阈值时，则运动状态为走路状态；

当所述样本熵大于所述样本熵阈值时，则执行所述利用所述数据的期望以及预设的延时时间计算第一相关性系数的步骤。

可选地，在所述利用所述数据计算样本熵之前，还包括：

利用所述数据计算峰度值；

当所述峰度值位于第一峰度值区间时，则运动状态为走路状态；

当所述峰度值位于第二峰度值区间时，则运动状态为乘行状态；

当所述峰度值位于第三峰度值区间时，则执行所述利用所述数据计算样本熵的步骤。

可选地，当所述峰度值位于第二峰度值区间时，还包括：

利用所述数据的期望以及预设的延时时间计算第二相关性系数；

当所述第二相关性系数位于第三相关性系数区间时，则运动状态为乘高铁状态；

当所述第二相关性系数位于第四相关性系数区间时，则运动状态为乘车状态；

当所述第二相关性系数位于第五相关性系数区间时，则运动状态为乘行状态。

可选地，当所述第一相关性系数位于所述第二相关性系数区间时，和/或，当所述第二相关性系数位于第五相关性系数区间时，还包括：

获取定位模块采集的速度信息；

当所述速度信息位于第一指定速度区间时，则运动状态为乘高铁状态；

当所述速度信息位于第二指定速度区间时，则运动状态为乘车状态。

可选地，所述根据所述数据确定运动状态为走路或乘行模糊状态，包括：

计算获取的三轴加速度的合加速度，并计算所述合加速度的标准差；

当所述标准差位于第一标准差区间时，则运动状态为走路或乘行模糊状态。

可选地，所述利用所述数据的期望以及预设的延时时间计算第一相关性系数，包括：

利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；

将A(0)与A(n)的比值A(0)/A(n)作为第一相关性系数A；

其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算。

本发明还提供一种运动状态的识别装置，包括：

第一相关性系数计算模块，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或乘行模糊状态时，利用所述数据的期望以及预设的延时时间计算第一相关性系数；

第一分类模块，用于当所述第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当所述第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

本发明还提供一种终端，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上述所述运动状态的识别方法的步骤。

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上述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；并当根据数据确定运动状态为走路或乘行模糊状态时，利用数据的期望以及预设的延时时间计算第一相关性系数；当第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

可见，该方法利用运动传感器采集的数据以及相关性系数，能够识别出运动状态中的乘行状态(即用户处于乘坐交通工具的状态，如乘高铁或者乘汽车等)，且能够将乘行状态和走路状态区分开，进而提高了运动状态的识别完整性和可靠性。本发明还提供了一种运动状态的识别装置、终端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自定义的相关性系数统计结果的示意图；

图3为本发明实施例所提供的运动状态的识别装置的结构框图。

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，相关技术中运动状态的识别仅能够识别静止状态、走路状态、跑步状态以及骑行状态这几种生活中常见的运动状态。但是对于目前日益普遍的乘行状态(例如乘高铁，乘汽车等)并不能够识别，造成运动状态分类的不完整。本实施例中能够识别乘行状态，进而提高了运动状态分类的完整性。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：

S110、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或乘行模糊状态时，利用数据的期望以及预设的延时时间计算第一相关性系数。

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或乘行模糊状态的方式，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，标准方差，再或者是标准差与相应设定的阈值区间进行比较，进而确定采集的数据对应的运动状态可能是走路状态或者可能是乘行状态，也就是走路或乘行模糊状态。可以理解为，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，也可能为乘行状态即可。通过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，还是乘行状态，最终实现对运动状态的精准识别。

由于人体在走路和乘行时都是处于相对稳定的状态，因此走路状态和乘行状态对应的标准差(用来衡量样本波动大小的量)会比较相似，所以本实施例中可以通过标准差这一特征量来确定当前的运动状态是否为走路或乘行模糊状态。进一步，为了保证走路或乘行模糊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或乘行模糊状态对应分类区域。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或乘行模糊状态可以包括：

计算获取的三轴加速度的合加速度，并计算合加速度的标准差；

当标准差位于第一标准差区间时，则运动状态为走路或乘行模糊状态。

具体的，本实施例中并不限定获取的三轴加速度的数量，用户可以根据实际的计算精度需求、设定的运动状态识别的计算频率、以及运动传感器采集数据的频率等来确定。例如用户8秒调用一次本实施例提供的运动状态的识别方法对应的算法也可以称之为识别算法，则对应的获取的运动传感器采集的数据就是这8秒内采集到的数据。具体数量的多少还与运动传感器采集数据的频率相关。如当运动传感器采集数据的频率为26Hz，即每秒采集26个数据，对应的8秒共获取208个数据。在获取到对应数据后，计算对应的合加速度以及合加速度的标准差。本实施例中并不对该计算过程进行限定，用户可以参考相关技术中计算合加速度以及合加速度的标准差的具体方式。

其中，本实施例并不对第一标准差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。当标准差位于第一标准差区间即确定了此时的运动状态为走路或乘行模糊状态。

本实施例中并不限定当标准差位于其他标准差区间时对应的状态。用户可以参考相关技术中其他状态对应的标准差区间设定的具体方式。例如当标准差位于第二标准差区间时，则运动状态为走路或骑行模糊状态；当标准差位于第三标准差区间时，则运动状态为跑步或骑行模糊状态；当标准差位于第四标准差区间时，则运动状态为静止状态。本实施例中并不对各个标准差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。结合各种状态下对应的标准差的特点，可知，第四标准差区间的上限应该是第一标准差区间的下限值，第一标准差区间的上限值应该是第二标准差区间的下限值，第二标准差区间的上限应该是第三标准差区间的下限值。

例如当第四标准差区间为小于等于第一标准差的范围，第一标准差区间为大于第一标准差且小于第二标准差的范围，第二标准差区间为大于等于第二标准差且小于等于第三标准差的范围，第三标准差区间为大于第三标准差的范围。如当第一标准差为σ1，第二标准差为σ2，第三标准差为σ3时，第四标准差区间为小于等于σ1的范围，第一标准差区间为大于σ1且小于σ2的范围，第二标准差区间为大于等于σ2且小于等于σ3的范围，第三标准差区间为大于σ3的范围。当然，也可以是第四标准差区间为小于σ1的范围，第一标准差区间为大于等于σ1且小于等于σ2的范围，第二标准差区间为大于σ2且小于σ3的范围，第三标准差区间为大于等于σ3的范围。即本实施例中并不限定区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

本实施例在确定标准差位于第一标准差区间，即确定运动状态为走路或乘行模糊状态时，需要计算能够将走路或骑行模糊状态进行准确区分的相关性系数。本实施例中并不对计算相关性系数的具体方式进行限定。用户可以根据实际计算精度，以及硬件计算能力选择对应的计算方法。例如利用皮尔森相关(Pearson correlation)算法来计算本实施例中的第一相关性系数。其中，自相关被定义为随机过程中不同时刻的数值之间的皮尔森相关。具体可以利用相关函数

来计算相关性系数，其中，相关函数R(τ)可以表示为延迟时间τ的函数，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，σ为X_t的标准差，E为求期望运算。

当然，用户也可以对现有相关性系数的计算方法进行修改，得到更适用于运动状态识别领域的自定义的相关性参数的计算方法。由于相关性系数表征了同一事件在两个不同时期之间的相关程度，能够反映出自身不同时刻的关联性。因此，本实施例中通过预设的延时时间来得到同一事件的两个不同时期，并结合运动传感器采集的数据的期望来计算相关性系数。进一步，本实施例中利用自定义的相关性系数来降低上述相关性系数计算的复杂性，提高计算效率。优选的，本实施例中利用数据的期望以及预设的延时时间计算第一相关性系数可以包括：

利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；将A(0)与A(n)的比值A(0)/A(n)作为第一相关性系数A。

需要说明的是，A(0)就是将τ＝0带入到A(τ)中得到A(0)＝E[(X_t-μ)(X_t-μ)]，同理A(n)就是将τ＝n带入到A(τ)中得到A(n)＝E[(X_t-μ)(X_t+n-μ)]。其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算，X_t+n为在预设时间段t延时n得到的合加速度。可以理解的是，本实施例中并不对预设的延时时间为n的具体时间数值进行限定，可以根据实际使用场景进行设定。例如n可以是0.5秒或者是1秒等。本实施例也不对预设时间段t的数值进行限定，例如可以是调用一次本实施例提供的运动状态的识别方法对应的算法的时间，如预设时间段t为8秒。当然，本实施例中考虑到运动状态识别准确度以及计算效率，优选的，n的值可以取1，单位为秒。此时对应的相关性系数A具体为：A(0)/A(1)，其中，A(1)就是将τ＝1带入到A(τ)中得到A(1)＝E[(X_t-μ)(X_t+1-μ)]，X_t+1为在预设时间段t延时1秒得到的合加速度。

S120、当第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态。

S130、当第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

具体的，本实施例中并不对第一相关性系数区间以及第二相关性系数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。本实施例中，第二相关性系数区间可以由两部分组成，而第一相关性系数区间处于中间。例如当第一相关性系数区间为大于预设一相关性系数且小于预设二相关性系数的范围，第二相关性系数区间为大于等于预设二相关性系数或小于等于预设一相关性系数的范围，即预设一相关性系数小于预设二相关性系数。如当预设一相关性系数为A1，预设二相关性系数A2时，第一相关性系数区间为大于A1且小于A2的范围，第二相关性系数区间为小于等于A1或大于等于A2的范围。当然，也可以是第一相关性系数区间为大于等于A1且小于等于A2的范围，第二相关性系数区间为小于A1或大于A2的范围。即本实施例中并不限定区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

为了提高运动状态的识别完整性和可靠性，本实施例利用采集到的数据确定走路或乘行模糊状态，并利用计算得到的第一相关性系数对走路或乘行模糊状态进行准确的区分。具体过程可以是，首先确定当前运动状态处于走路或乘行模糊状态(如可以通过计算简单的标准差来快速确定当前是否处于走路或乘行模糊状态)，然后计算第一相关性系数，并根据第一相关性系数所处相关性系数区间，准确的确定对应的运动状态(即当前为走路状态还是乘行状态)。具体可以参考图2，图2给出了本实施例对应的识别结果。*为走路，也即走路状态，+为乘行，也即乘行状态。自定义相关性系数A即第一相关性系数。纵轴为自定义相关性系数A，横轴表示测试数量。可见，本实施例利用相关性系数可以准确地对走路或乘行模糊状态进行区分。

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，该方法利用运动传感器采集的数据以及相关性系数，能够识别出运动状态中的乘行状态(即用户处于乘坐交通工具的状态，如乘高铁或者乘汽车等)，且能够将乘行状态和走路状态区分开，进而提高了运动状态的识别完整性和可靠性。

基于上述实施例，在确定运动状态为走路或乘行模糊状态后可以直接计算第一相关性系数，利用第一相关性系数来对走路或乘行模糊状态进行准确的区分，当然也可以是在确定运动状态为走路或乘行模糊状态后，先利用其他特征量进行运动识别，从走路或乘行模糊状态中区分一部分准确的走路状态或乘行状态，在其他特征不能对走路或乘行模糊状态进行准确区分的区域，再利用相关性系数这个特征进行区分。这样可以在保证运动状态识别准确性的基础上，减少相关性系数的计算量。具体的，本实施例中在利用数据的期望以及预设的延时时间计算第一相关性系数之前还可以包括：

利用数据计算样本熵；

当样本熵小于等于样本熵阈值时，则运动状态为走路状态；

当样本熵大于样本熵阈值时，则执行利用数据的期望以及预设的延时时间计算第一相关性系数的步骤。

具体的，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。

本实施例中并不对样本熵阈值的具体数值进行限定，用户可以根据实际应用场景进行确定。由于一般情况下走路状态对应的样本熵小于乘行状态对应的样本熵，因此当样本熵小于等于样本熵阈值时，则可以准确的确定运动状态为走路状态；但是当样本熵大于样本熵阈值时，通过样本熵这个特征并不能准确的区分当前的运动状态到底是走路状态还是乘行状态，此时就需要计算相关性系数也就是上述实施例中的第一相关性系数，利用第一相关性参数对处于这部分样本熵阈值不能准确区分的模糊区域的状态进行准确的区分(具体区分过程可以参考上个实施例)。

进一步，为了在保证运动状态识别的准确性的基础上，减少计算量，提高计算效率。本实施例中利用数据计算样本熵之前还可以包括：

利用数据计算峰度值；

当峰度值位于第一峰度值区间时，则运动状态为走路状态；

当峰度值位于第二峰度值区间时，则运动状态为乘行状态；

当峰度值位于第三峰度值区间时，则执行利用数据计算样本熵的步骤。

具体的，本实施例中在根据采集到的数据确定运动状态处于走路或乘行模糊状态时，首先利用峰度值这一特征对走路或乘行模糊状态进行区分，在峰度值不能对走路或乘行模糊状态进行准确区分的区域，再使用样本熵这一特征进行区分，具体过程可以参考上述实施例。本实施例并不限定利用数据计算峰度值的具体形式，用户可以参考相关技术。

本实施例中选用峰度值这一特征来区分走路或乘行模糊状态的原因是峰度值计算简单，计算速度快。本实施例中将几个特征进行结合，可以在保证运动状态识别的准确性的基础上又保证了计算效率。首先通过设定多个峰度值区间，实现对容易发生混淆区域和能够准确识别走路状态和乘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样本熵来执行走路或乘行模糊状态的识别，同样通过设定样本熵阈值，实现对容易发生混淆区域和能够准确识别走路状态的区域进行区分。然后在划分出的容易发生混淆区域采用计算准确高的相关性系数来执行走路或乘行模糊状态的识别，最后通过多个相关性系数区间实现对走路或乘行模糊状态的精准识别。从而通过几个特征的结合完成了对走路或乘行模糊状态的准确识别，在保证运动状态识别的准确性的基础上又保证了计算效率。

本实施例中并不对第一峰度值区间、第二峰度值区间以及第三峰度值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。由于走路状态对应的峰度值一般情况下小于乘行状态对应的峰度值，因此第一峰度值区间的上限值应该是第三峰度值区间的下限值，第三峰度值区间的上限值应该是第二峰度值区间的下限值。例如当第一峰度值区间为小于第一设定峰度值的范围，第三峰度值区间为大于等于第一设定峰度值且小于等于第二设定峰度值的范围，第二峰度值区间为大于第二设定峰度值的范围，即第一设定峰度值小于第二设定峰度值。如当第一设定峰度值为K1时，第二设定峰度值为K2时，第一峰度值区间为小于K1的范围，第三峰度值区间为大于等于K1且小于等于K2的范围内，第二峰度值区间为大于K2的范围。当然，也可以是第一峰度值区间为小于等于K1的范围，第三峰度值区间为大于K1且小于K2的范围内，第二峰度值区间为大于等于K2的范围。即本实施例中并不限定各区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

本实施例中当第一峰度值位于第一峰度值区间时，则可以准确的确定运动状态为走路状态；当第一峰度值位于第二峰度值区间时，则可以准确的确定运动状态为乘行状态；仅仅在当第一峰度值位于第三峰度值区间时，通过峰度值这个特征并不能准确的区分当前的运动状态到底是走路状态还是乘行状态，此时就需要计算样本熵，利用样本熵对处于这部分模糊区域的状态进行准确的区分；当样本熵小于等于样本熵阈值时，则可以准确的确定运动状态为走路状态；当样本熵大于样本熵阈值时，通过样本熵这个特征并不能准确的区分当前的运动状态到底是走路状态还是乘行状态，此时就需要计算第一相关性系数，利用第一相关性参数对处于这部分模糊区域的状态进行准确的区分。

当然，可以理解的是，用户也可以不选用样本熵这个特征，也就是说当第一峰度值位于第一峰度值区间时，则可以准确的确定运动状态为走路状态；当第一峰度值位于第二峰度值区间时，则可以准确的确定运动状态为乘行状态；仅仅在当第一峰度值位于第三峰度值区间时，通过峰度值这个特征并不能准确的区分当前的运动状态到底是走路状态还是乘行状态，此时也可以直接采用相关性系数这一特征来进行后续识别。即在峰度值不能区分的区域直接计算第一相关性系数，利用第一相关性系数对处于峰度值不能区分的模糊区域的状态进行准确的区分。

由于乘行状态是一个比较大的状态，其可以包含乘高铁状态、乘车状态(如汽车)等，本实施例中并不对乘行状态所包含的具体详细的状态进行限定，即不限定具体详细的状态的数量以及分类方式，例如可以将乘行状态分为乘高铁状态以及乘车状态。进一步，为了更加准确的获得当前用户所处的具体的乘行状态，本实施例中还可以对此时得到的乘行状态进行进一步的识别，确定其为哪种具体的乘行状态。即本实施例中当峰度值位于第二峰度值区间时，还可以利用相关性系数对乘行状态进行详细的分类，具体过程可以是：利用数据的期望以及预设的延时时间计算第二相关性系数；当第二相关性系数位于第三相关性系数区间时，则运动状态为乘高铁状态；当第二相关性系数位于第四相关性系数区间时，则运动状态为乘车状态；当第二相关性系数位于第五相关性系数区间时，则运动状态为乘行状态。

可以理解的是，本实施例中并不对计算相关性系数的具体方式进行限定。具体可以参考第一相关性系数的计算过程。本实施例在此不再赘述。

本实施例中在计算得到第二相关性系数时，利用第二相关性系数对位于第二峰度值区间的乘行状态进行分类。当第二相关性系数位于第三相关性系数区间时，则运动状态为乘高铁状态；当第二相关性系数位于第四相关性系数区间时，则运动状态为乘车状态；但是当第二相关性系数位于第五相关性系数区间时，本实施例不能准确的对该乘行状态进行分类，因此只能得到当前的运动状态为乘行状态。

本实施例中并不对第三相关性系数区间、第四相关性系数区间以及第五相关性系数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。由于乘高铁状态对应的相关性系数一般情况下小于乘车状态对应的相关性系数，因此第三相关性系数区间的上限值应该是第五相关性系数区间的下限值，第五相关性系数区间的上限值应该是第四相关性系数区间的下限值。例如当第三相关性系数区间为小于预设三相关性系数的范围，第五相关性系数区间为大于等于预设三相关性系数且小于预设四相关性系数的范围，第四相关性系数区间为大于等于预设四相关性系数的范围，即预设三相关性系数小于预设四相关性系数。如当预设三相关性系数为A3，预设四相关性系数A4时，第三相关性系数区间为小于A3的范围，第五相关性系数区间为大于等于A3且小于A4的范围内，第四相关性系数区间为大于等于A4的范围。当然，也可以是第三相关性系数区间为小于等于A3的范围，第五相关性系数区间为大于A3且小于等于A4的范围内，第四相关性系数区间为大于A4的范围。即本实施例中并不限定各区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

本实施例中当第二相关性系数位于第三相关性系数区间时，则可以准确的确定运动状态为乘高铁状态；当第二相关性系数位于第四相关性系数区间时，则可以准确的确定运动状态为乘车状态；仅仅在当第二相关性系数位于第五相关性系数区间时，通过相关性系数这个特征并不能详细的区分当前详细的乘行状态，因此此时只可以准确的确定运动状态为乘行状态。

当然，可以理解的是，用户也可以不选用相关性系数这个特征，也就是说当峰度值位于第二峰度值区间时，可以直接通过速度信息来详细识别当前详细的乘行状态。例如，获取定位模块采集的速度信息；当速度信息位于第一指定速度区间时，则运动状态为乘高铁状态；当速度信息位于第二指定速度区间时，则运动状态为乘车状态。

进一步，当第一相关性系数位于第二相关性系数区间时，和/或，当第二相关性系数位于第五相关性系数区间时，都是处于依赖相关性系数这个特征并不能详细的区分当前详细的乘行状态的情况。为了在这些情况下，仍然能够准确、详细的对乘行状态进行详细划分。本实施例中可以依赖速度信息实现。即依赖定位模块实现对乘行状态进行详细划分。具体过程为：获取定位模块采集的速度信息；当速度信息位于第一指定速度区间时，则运动状态为乘高铁状态；当速度信息位于第二指定速度区间时，则运动状态为乘车状态。即通过速度信息可以准确快速的确定当前乘行状态的详细分类情况。

本实施例中并不对定位模块进行限定，例如其可以是GPS定位模块，也可以是北斗星定位模块，如GPS定位模块会有相应的返回值，返回值可以包含时间戳，经度、纬度，定位精度和速度信息。可以理解的是，GPS定位模块的返回值的时间戳，经度、纬度和定位精度，也可以被应用于调整运动状态的识别方法对应的算法中运动状态分类系数设置上，这样能更精确匹配用户特点。实现对设定系数(如第一相关性系数区间至第五相关性系数区间、样本熵阈值、第一峰度值区间至第三峰度值区间对应的范围数值)的修正、比如，在运动状态识别算法判断结果为走路状态时，在定位精度较好的条件下(定位精度已经返回)，根据两次GPS的经度、纬度和时间戳信息，理论上判断该运动状态不应该是走路状态，更应该是骑行状态，且在多次测试均得到相同的结论，那就证明当前相关性系数设定的区间不适合此用户，可以调整对应区间范围，使得运动状态的分类结果更匹配当前用户，也即进一步提高运动状态识别的适应性和准确性。

本实施例中并不对第一指定速度区间以及第二指定速度区间的具体数值进行限定。一般情况下，高铁对应的速度应该是大于车辆对应的速度。也就是说第二指定速度区间的上限值应该是小于或者等于第一指定速度区间的下限值。结合目前车辆和高铁的速度情况，第一指定速度区间的范围可以是150Km/h＜v＜350Km/h，第二指定速度区间的范围可以是v≤150Km/h，其中，v为速度信息。

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，该方法利用峰度值、样本熵以及相关性系数来区分走路状态和乘行状态，避免了运动状态识别混淆问题，能够准确的区分出走路状态和乘行状态，进而提高了运动状态识别准确度。且通过多个特征的结合，发挥了每种特征的优势，避免了各个特征的劣势(即发挥了峰度值计算量小，计算速度快的优点，其识别结果在某些区域不准确的缺点被计算量偏大，但是计算准确率高的样本熵和相关性系数解决了，且发挥了样本熵和相关性系数计算准确率高的优势)，因此减少了计算量，提高了计算效率。且本发明实施例仅在不能准确对乘行状态进行详细划分的第二相关性系数区间以及第五相关性系数区间对应的易混淆区域内需要依靠外部定位模块发送的速度信息进行区分，除此以外任何区域均可以直接利用程序算法实现对走路状态以及乘行状态(包括对乘行状态的详细分类)的准确区分。

进一步，由于当标准差位于第二标准差区间时，则运动状态为走路或骑行模糊状态以及当标准差位于第三标准差区间时，则运动状态为跑步或骑行模糊状态。其都属于未能准确区分的易混淆区域。本实施例中并不对这两个区域的进一步识别过程进行限定。用户可以根据实际情况进行设置。例如当运动状态为跑步或骑行模糊状态时还可以包括：利用峰度值来进行区分，即利用数据计算峰度值；当峰度值小于第一峰度阈值时，则运动状态为跑步状态；当第二峰度值大于第一峰度阈值时，则运动状态为骑行状态。即利用单一的峰度阈值即第一峰度阈值就可以将跑步状态和骑行状态区分开来。相比利用样本熵区分跑步状态与骑行状态方式，峰度值计算更简单，考虑到计算速度和节约内存，本实施例中选择使用峰度这一特征来分区跑步状态与骑行状态。当然，本实施例中并不限定第一峰度阈值的具体数值。当运动状态为走路或骑行模糊状态时还可以包括：利用相关性系数来进行区分，即利相关性系数以及对应设定区间对走路或骑行模糊状态进行区分，避免了运动状态识别混淆问题，能够准确的区分出走路状态和骑行状态。

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，通过标准差能将静止状态识别出来；利用峰度值和样本熵能一定程度的区分走路状态、跑步状态、骑行状态和乘行状态。此时峰度值比样本熵计算量小，自定义的相关系数最大的优势是能够准确地区分乘行状态和走路状态，并在一定程度上区分乘行状态中的乘车状态和乘高铁状态；对于乘行状态中不能有效详细区分的部分，可以利用定位模块获取得到的速度信息进行识别；此外，定位模块返回值中的时间戳，经度、纬度和定位精度还可以用来调整识别算法中设置的参数，使得识别算法更适配于各个用户，提高识别算法的适应性。本发明实施例充分利用了各种特征量的优点，提高了运动状态分类的准确度，同时降低运算量，保证分类执行效率，最终准确而高效地实现了对各种运动状态的分类(静止状态、走路状态、跑步状态、骑行状态、乘行状态(包括乘车状态和乘高铁状态)六种运动状态的分类)，提高了运动状态的识别完整性和可靠性。

下面对本发明实施例提供的运动状态的识别装置、终端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3，图3为本发明实施例所提供的运动状态的识别装置的结构框图；该装置可以包括：

第一相关性系数计算模块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或乘行模糊状态时，利用数据的期望以及预设的延时时间计算第一相关性系数；

第一分类模块200，用于当第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

基于上述实施例，该装置还可以包括：

样本熵计算模块，用于利用数据计算样本熵；

第二分类模块，用于当样本熵小于等于样本熵阈值时，则运动状态为走路状态；当样本熵大于样本熵阈值时，则触发第一相关性系数计算模块100。

基于上述实施例，该装置还可以包括：

峰度值计算模块，用于利用数据计算峰度值；

第三分类模块，用于当峰度值位于第一峰度值区间时，则运动状态为走路状态；当峰度值位于第二峰度值区间时，则运动状态为乘行状态；当峰度值位于第三峰度值区间时，则触发样本熵计算模块。

基于上述实施例，该装置还可以包括：

第二相关性系数计算模块，用于利用数据的期望以及预设的延时时间计算第二相关性系数；

第四分类模块，用于当第二相关性系数位于第三相关性系数区间时，则运动状态为乘高铁状态；当第二相关性系数位于第四相关性系数区间时，则运动状态为乘车状态；当第二相关性系数位于第五相关性系数区间时，则运动状态为乘行状态。

基于上述实施例，该装置还可以包括：

速度获取模块，用于获取定位模块采集的速度信息；

第五分类模块，用于当速度信息位于第一指定速度区间时，则运动状态为乘高铁状态；当速度信息位于第二指定速度区间时，则运动状态为乘车状态。

基于上述任意实施例，第一相关性系数计算模块100可以包括：

走路或乘行模糊状态确定单元，用于计算获取的三轴加速度的合加速度，并计算合加速度的标准差；当标准差位于第一标准差区间时，则运动状态为走路或乘行模糊状态；

第一相关性系数计算单元，用于利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；将A(0)与A(n)的比值A(0)/A(n)作为第一相关性系数A；

其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算。

需要说明的是，基于上述任意实施例，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，处理器等。

本实施例还提供一种终端，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。如处理器执行计算机程序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或乘行模糊状态时，利用数据的期望以及预设的延时时间计算第一相关性系数；当第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

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。

其中，本实施例并不对终端进行限定，该终端可以是智能手表、智能手环、追踪器等智能穿戴设备，也可以是手机等移动终端。当利用终端进行定位，比如利用追踪器对老人、儿童或贵重物品进行定位时，该运动状态分类可以作为终端的定位依据，通过准确的运动状态识别结果为追踪器的定位策略提供依据。例如，持续处于静止状态时，无需频繁定位，1小时定位一次，走路状态时，4分钟定位一次，跑步状态时，2分钟定位一次，其他状态也有相应的定位策略，此处不赘述。这样，通过准确的运动状态识别能极大的降低终端的功耗，提高终端的待机和使用时长，提升用户体验感。当然，也可以将运动状态分类为与终端相连的其他定位设备提供定位依据。

本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，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或乘行模糊状态时，利用数据的期望以及预设的延时时间计算第一相关性系数；当第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

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、终端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 (7)

1.一种运动状态的识别方法，其特征在于，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或乘行模糊状态时，利用所述数据计算峰度值；

当所述峰度值位于第一峰度值区间时，则运动状态为走路状态；

当所述峰度值位于第二峰度值区间时，利用所述数据的期望以及预设的延时时间计算第二相关性系数；

当所述第二相关性系数位于第三相关性系数区间时，则运动状态为乘高铁状态；

当所述第二相关性系数位于第四相关性系数区间时，则运动状态为乘车状态；

当所述第二相关性系数位于第五相关性系数区间时，则运动状态为乘行状态；

当所述峰度值位于第三峰度值区间时，利用所述数据计算样本熵；

当所述样本熵小于等于样本熵阈值时，则运动状态为走路状态；

当所述样本熵大于所述样本熵阈值时，利用所述数据的期望以及预设的延时时间计算第一相关性系数，其中，所述数据为加速度或合加速度；

当所述第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；

当所述第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

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，当所述第一相关性系数位于所述第二相关性系数区间时，和/或，当所述第二相关性系数位于第五相关性系数区间时，还包括：

获取定位模块采集的速度信息；

当所述速度信息位于第一指定速度区间时，则运动状态为乘高铁状态；

当所述速度信息位于第二指定速度区间时，则运动状态为乘车状态。

3.根据权利要求1所述的运动状态的识别方法，其特征在于，所述根据所述数据确定运动状态为走路或乘行模糊状态，包括：

计算获取的三轴加速度的合加速度，并计算所述合加速度的标准差；

当所述标准差位于第一标准差区间时，则运动状态为走路或乘行模糊状态。

4.根据权利要求1-3任一项所述的运动状态的识别方法，其特征在于，所述利用所述数据的期望以及预设的延时时间计算第一相关性系数，包括：

利用公式

分别计算预设的延时时间为0的相关性参数/>

以及预设的延时时间为/>

的相关性参数/>

；

将

与/>

的比值/>

作为第一相关性系数/>

；

其中，

为延迟时间，/>

为在预设时间段/>

内得到的合加速度，/>

为在预设时间段/>

延时/>

得到的合加速度，/>

为/>

的期望，/>

为求期望运算。

5.一种运动状态的识别装置，其特征在于，包括：

第一相关性系数计算模块，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或乘行模糊状态时，利用所述数据计算峰度值；

当所述峰度值位于第一峰度值区间时，则运动状态为走路状态；

当所述峰度值位于第二峰度值区间时，利用所述数据的期望以及预设的延时时间计算第二相关性系数；

当所述第二相关性系数位于第三相关性系数区间时，则运动状态为乘高铁状态；

当所述第二相关性系数位于第四相关性系数区间时，则运动状态为乘车状态；

当所述第二相关性系数位于第五相关性系数区间时，则运动状态为乘行状态；

当所述峰度值位于第三峰度值区间时，利用所述数据计算样本熵；

当所述样本熵小于等于样本熵阈值时，则运动状态为走路状态；

当所述样本熵大于所述样本熵阈值时，利用所述数据的期望以及预设的延时时间计算第一相关性系数，其中，所述数据为加速度或合加速度；

第一分类模块，用于当所述第一相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当所述第一相关性系数位于第二相关性系数区间时，则运动状态为乘行状态。

6.一种终端，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4任一项所述运动状态的识别方法的步骤。

7.一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4任一项所述运动状态的识别方法的步骤。

Images