CN110122929B - 一种基于惯性传感器的抽烟事件监测系统及监测方法 - Google Patents

Abstract

本发明公开了一种基于惯性传感器的抽烟事件监测系统及监测方法，该方法首先使用戴在手腕上的智能手表采集惯性传感器数据，然后通过手表设备姿态追踪小臂方向在地球坐标系中的变化情况，通过建立地球坐标系中的手臂运动模型，进一步选取两个描述小臂方向变化的角度特征，利用用户抽烟时这两个角度特征的变化情况，分别进行了抽烟备选动作初步筛选、抽烟动作识别以及抽烟阶段识别三个步骤，将抽烟动作与阶段准确地识别出来。最终将智能手表中计算的结果保存在手机或者电脑上，用户可以查看自己每天抽烟的次数，每次抽烟发生的时间阶段等信息。

Description

一种基于惯性传感器的抽烟事件监测系统及监测方法

技术领域

本发明属于惯性感知和人体日常活动监测技术领域，具体涉及一种基于惯性传感器的抽烟事件监测系统及监测方法。

背景技术

抽烟是一种日常生活常见的动作行为，当今中国有大致3.5亿烟民，中国吸烟人数在世界排名第一。而因为烟草中含有尼古丁等特殊物质，长期吸烟会导致肺部疾病，并且对于环境造成一定的污染，甚至对于家庭和国家带来不小的经济损失。目前研究机构表明，在合适的时机进行提醒干预，可以有效的帮助人们戒烟。虽然通过之前的一些研究表明，计算机视觉或者RF感知技术可以对抽烟动作进行监测，但是他们对于空间有一定的限制，必须要求用户在摄像头可以捕捉或者射频信号可以辐射的范围内进行动作行为；目前一些商用的烟雾报警器可以对于烟雾进行监测并报警，但是这些主要用于室内火灾预防方面，无法对于室外抽烟行为进行监测并且无法对于用户个体的抽烟行为进行监测。

因此，基于以上考虑，有必要提出一套基于便携式可穿戴设备的抽烟监测系统，不仅可以解决其他技术空间上的限制，同时还可以更好的针对个体用户进行抽烟行为的监测，从而辅助用户戒烟。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于惯性传感器的抽烟事件监测系统及监测方法，以解决现有技术对于空间限制的不足，以及无法针对个体用户进行抽烟行为监测的现状。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于惯性传感器的抽烟事件监测系统，应用于智能手臂式穿戴设备中，包括：手臂运动模型特征获取模块、单次抽烟动作识别模块及抽烟阶段识别模块；其中，

手臂运动模型特征获取模块，根据穿戴设备的设备姿态信息构建手臂运动模型，并设定两个角度特征来表示手臂运动模型中小臂向量的方向信息；

单次抽烟动作识别模块，基于手臂运动模型特征获取模块设定的角度特征，对于单次抽烟动作进行动作切分、粗粒度筛选、阶段特征提取以及动作识别，判断是否发生了抽烟动作；

抽烟阶段识别模块，在单次抽烟动作识别的基础上，结合抽烟动作的周期性，对抽烟动作的结果进行二次识别并判断抽烟行为发生的时间阶段。

进一步地，所述手臂运动模型具体为：通过穿戴设备的设备姿态信息，获取对应小臂向量在地球坐标系中的3D方向，进而通过该方向的变化来描述手臂运动的一种模型；其中，小臂向量具体为当穿戴设备戴在人体手腕上时，其设备坐标系中x轴与小臂方向一致，利用设备坐标系x轴来表示小臂向量方向信息。

进一步地，所述小臂向量具体为当穿戴设备戴在人体手腕上时，其设备坐标系中x轴与小臂方向一致，利用设备坐标系x轴来表示小臂向量方向信息，例如，当穿戴设备戴在右手时，小臂方向与手表坐标系中的x轴负方向一致，因此可以将小臂向量以设备坐标系中的(-1，0，0)来表示。

进一步地，所述两个角度特征来表示小臂向量的方向信息，具体包含小臂向量与地球坐标系Z轴与X轴的两个夹角的角度特征θ_ag与θ_armH，其中，θ_ag表示小臂向量与地球坐标系中竖直向上的Z轴坐标轴的夹角，反应了小臂向量与身体躯干的夹角，θ_armH表示小臂向量在地球坐标系水平面的投影与地球坐标系中指向正东方向及X轴坐标轴的夹角，用户朝向不同方向时θ_armH值会有所不同，通过Δθ_armH来表示小臂在水平面的相对转动角度。

进一步地，所述单次抽烟动作识别模块中的动作切分具体为：以50-200Hz的频率采集到的设备姿态信息，获取小臂向量信息，通过角度特征θ_ag的变化将小臂动作切分成运动阶段与稳定阶段。

进一步地，所述单次抽烟动作识别模块中的粗粒度筛选具体为：对于切分出来的各个阶段开始与结束时刻的θ_ag与θ_armH差值Δθ_ag与Δθ_armH，设定相应的阈值从而获取抽烟的三个阶段：抬手阶段-吸烟阶段-放手阶段。

进一步地，所述单次抽烟动作识别模块中的特征提取阶段具体为：对于每个时间序列阶段提取三类特征值：阶段持续时间，手臂运动模型中θ_ag与Δθ_armH的统计特征，以及陀螺仪角速度数据统计特征，这些统计特征主要包含了平均值、最大值、最小值、方差、偏度和峰度等；其中Δθ_armH指时间序列阶段过程中与时间序列阶段开始时θ_armH的变化值。

进一步地，所述单次抽烟动作识别模块中的动作识别阶段具体为：基于上述三类特征值对于单次抽烟动作进行识别分类，使用支持向量机对于是否为抽烟动作进行二分类判断。

进一步地，所述抽烟动作的周期性具体指用户在抽一根烟的过程中，抽烟这一动作在吸食这根烟的阶段多次重复发生，且抽烟动作不可能在一段时间内单独出现。

进一步地，所述抽烟阶段识别模块的识别方法为：

a.根据待检测抽烟备选动作时域位置，前后各取两分钟，设置一个四分钟的窗口；

b.若窗口内仅仅发生了一次抽烟动作，则将此次动作标记为非抽烟动作，若窗口内出现四次以上抽烟动作，则将这些抽烟动作之间的非抽烟动作标记为抽烟动作；

c.当一次备选抽烟动作被判为非抽烟动作时，若其相邻时间的一侧没有动作发生，而另外一侧出现三次以上抽烟动作时，将该次动作标记为抽烟动作。

进一步地，所述的抽烟行为发生的时间阶段具体为系统识别出来的连续抽烟动作从第一次抽烟动作开始作为抽烟行为发生时间阶段的开始到最后一次抽烟动作结束作为抽烟行为发生时间阶段的结束。

本发明的一种基于惯性传感器的抽烟事件监测方法，其包括以下步骤：

1)以每秒50-200Hz的频率采集智能手臂式穿戴设备的加速度计、陀螺仪以及磁力计数据；

2)计算每个采样点的手臂运动模型中的角度特征θ_ag与θ_armH；

3)设置包含了0.2s采样点的滑动窗口通过窗口内角度特征θ_ag的方差判断手臂是否处于运动状态，进一步设定阈值筛选出手臂是否经历了抬手、吸烟或者放手三个阶段的抽烟备选动作；

4)找到一次完整的抬手-吸烟-放手阶段的组合，提取各个阶段的关键特征，通过支持向量机(svm)判断是否为一次抽烟动作；

5)基于判断出来的抽烟结果，设置一个四分钟的滑动窗口，通过窗口内发生的抽烟动作情况，设计一套抽烟阶段识别算法来对误判的动作进行纠正并标记出抽烟发生的时间段；

6)将计算出来的抽烟行为信息保存下来并提供用户查询。

进一步地，所述的步骤3)中阈值筛选方法为：

31)当滑动窗口中角度特征θ_ag的方差大于0.3时，为运动阶段，反之为静止阶段；

32)运动阶段中，开始时刻与结束时刻θ_ag与θ_armH变化值记为Δθ_ag与Δθ_armH，以佩戴在右手为例，当Δθ_ag大于30度并且Δθ_armH大于0时，判断为抬手阶段；当Δθ_ag小于-30度并且Δθ_armH小于0时，判断为放手阶段；

33)静止阶段中，当θ_ag平均值小于60度时，判断为吸烟阶段。

进一步地，所述的步骤4)中关键特征包含三类特征：阶段持续时间，手臂运动模型中θ_ag与Δθ_armH的统计特征，以及陀螺仪角速度数据统计特征，这些统计特征主要包含了平均值、最大值、最小值、方差、偏度和峰度等；其中Δθ_armH指时间序列阶段过程中与时间序列阶段开始时θ_armH的变化值。

进一步地，所述的步骤5)中设计一套抽烟阶段识别算法来对误判的动作进行纠正的方法为：

51)根据待检测抽烟备选动作时域位置，前后各取两分钟，设置一个四分钟的窗口；

52)若窗口内仅仅发生了一次抽烟动作，则将此次动作标记为非抽烟动作，若窗口内出现四次以上抽烟动作，则将这些抽烟动作之间的非抽烟动作标记为抽烟动作；

53)当一次备选抽烟动作被判为非抽烟动作时，若其相邻时间的一侧没有动作发生，而另外一侧出现三次以上抽烟动作时，将该次动作标记为抽烟动作。

进一步地，所述的步骤5)中抽烟发生的时间段包含一段连续的时间内第一次抽烟动作发生开始到最后一次抽烟动作结束这一段时间。

进一步地，所述的步骤6)中的抽烟行为信息包含抽烟行为发生的阶段、抽烟行为所在阶段包含的抽烟动作次数、每次抽烟动作的分段情况及特征变化情况等。

本发明的有益效果：

1、本发明设计了一套手臂运动模型，该模型可适用于描述具有差异性的不同用户小臂运动的变化情况，可以有效的刻画小臂向量在3D空间中的变化情况，并且选择的特征不受身体朝向影响，可以长时间进行动作监测。

2、准确的抽烟动作识别：本发明通过两层抽烟动作监测方法有效地判断用户是否在进行抽烟行为，并准确地判断抽烟动作的各个阶段以及抽烟行为发生的时间段。

3、详细的抽烟信息记录：本发明可以记录下来用户每天抽烟的次数时间阶段，更为详细的可以记录下用户每次抽烟所进行的抽烟动作的次数。

4、成本低廉：可应用于现有的智能手表/智能手环或其他智能手臂式穿戴设备中，无需其他硬件设备，成本很低。

附图说明

图1为系统架构图；

图2为手臂运动模型中角度特征θ_ag示意图；

图3为手臂运动模型中角度特征θ_armH示意图；

图4为抽烟动作状态转换图；

图5为本发明方法的流程图；

图6为本发明系统的离线效果示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于惯性传感器的抽烟事件监测系统，应用于智能手臂式穿戴设备中，包括：手臂运动模型特征获取模块、单次抽烟动作识别模块及抽烟阶段识别模块；其中，

手臂运动模型特征获取模块，根据智能手臂式穿戴设备的设备姿态信息构建手臂运动模型，并设定两个角度特征来表示手臂运动模型中小臂向量的方向信息；

单次抽烟动作识别模块，基于手臂运动模型特征获取模块计算出来的特征，对于单次抽烟动作进行动作切分、粗粒度筛选、阶段特征提取以及动作识别，判断是否发生了抽烟动作；

抽烟阶段识别模块，在单次抽烟动作识别的基础上，结合抽烟动作的周期性，对于抽烟动作的结果进行二次识别并判断抽烟行为发生的时间阶段。

其中，所述手臂运动模型具体为：通过穿戴设备的设备姿态信息，获取对应小臂向量在地球坐标系中的3D方向，进而通过该方向的变化来描述手臂运动的一种模型。

其中，所述穿戴设备的设备姿态信息具体为：设备自身的三轴坐标系在地球坐标系及由重力、南北方向和东西方向确定的坐标系中的表示，具体以3×3旋转矩阵R的形式保存设备坐标系转换到地球坐标系的坐标转换来表示设备姿态信息。

其中，所述小臂向量是指穿戴设备戴在人体手腕上时，其设备坐标系中x轴与小臂方向一致，从而利用设备坐标系x轴来表示小臂向量方向信息，例如，当手表戴在右手时，小臂方向与手表坐标系中的x轴负方向一致，因此可以将小臂向量以设备坐标系中的(-1，0，0)来表示。

所述两个角度特征来表示小臂向量的方向信息，具体包含小臂向量与地球坐标系Z轴与X轴的两个夹角的角度特征θ_ag与θ_armH，参照图2与图3所示，本发明的一种基于手臂运动模型特征的角度特征θ_ag与θ_armH示意图，其中θ_ag为指小臂向量与地球坐标系中竖直向上的Z轴坐标轴的夹角，反应了小臂向量与身体躯干的夹角，而θ_armH为小臂向量在地球坐标系水平面的投影与地球坐标系中指向正东方向及X轴坐标轴的夹角；

其中，所述单次抽烟动作识别模块中的动作切分，以50-200Hz的频率采集到的设备姿态信息，获取小臂向量特征，通过手臂运动模型的角度特征θ_ag变化将动作切分成运动阶段与稳定阶段。

其中，所述单次抽烟动作识别模块中的粗粒度筛选，对于θ_ag与θ_armH设定阈值从而将切分出来的阶段细分为多种状态，参照图4所示，进一步找到我们抽烟三个阶段：抬手阶段-吸烟阶段-放手阶段。

其中，所述单次抽烟动作识别模块中的特征提取阶段，主要包含三类特征值：阶段持续时间、手臂运动模型中角度特征的统计特征以及陀螺仪角速度数据统计特征，这些统计特征主要包含平均值、最大值、最小值、方差、偏度和峰度等。

其中，所述单次抽烟动作识别模块中的动作识别阶段，基于上述三类特征值对于单次抽烟动作进行识别分类，具体使用支持向量机对于是否为抽烟动作进行二分类判断。

其中，抽烟动作的周期性具体指用户在抽一根烟的过程中，抽烟这一动作在吸食这根烟的阶段多次重复发生，并且抽烟动作不可能在一段时间内单独出现。

其中，所述抽烟阶段识别模块中第二层抽烟动作识别的方法为：

a.根据待检测抽烟备选动作发生的时域位置，前后各取两分钟，设置一个四分钟的窗口；

b.如果窗口内仅仅发生了一次抽烟动作，则将此次动作标记为非抽烟动作，若窗口内出现四次以上抽烟动作，则将这些抽烟动作之间的非抽烟动作标记为抽烟动作；

c.当一次备选抽烟动作被判为非抽烟动作时，若其相邻时间的一侧没有动作发生，而另外一侧出现三次以上抽烟动作时，将该次动作标记为抽烟动作。

参照图5所示，本发明的一种基于惯性传感器的抽烟事件监测方法，示例中，其包括以下步骤：

1)以每秒50Hz的频率采集智能手表加速度计、陀螺仪以及磁力计数据；

2)对每个采样点计算手臂运动模型中的角度特征θ_ag与θ_armH；

3)设置包含了0.2s采样点的滑动窗口通过角度特征θ_ag方差判断手臂是否处于运动状态，进一步设定阈值筛选出手臂是否经历了抬手、吸烟或者放手三个阶段的抽烟备选动作；

4)找到一次完整的抬手-吸烟-放手阶段的组合，提取各个阶段的关键特征，通过支持向量机(svm)判断是否为一次抽烟动作；

5)基于判断出来的抽烟结果，设置一个四分钟的滑动窗口，通过窗口内发生的抽烟动作情况，设计一套抽烟阶段识别算法来对误判的动作进行纠正并标记出抽烟发生的时间段。

6)将计算出来的抽烟行为信息保存下来并提供用户查询。

参照图6所示，所述的步骤6)中的抽烟行为信息包含了抽烟动作分段效果、部分特征值显示、抽烟事件长度等特征变化情况等。其中抽烟动作分段具体指将与抽烟相关的抬手-吸烟-放手三个阶段标记显示出来，并且记录其发生的对应时刻；部分特征值包含了θ_ag与θ_armH的变化情况；抽烟事件长度信息分别包含了单次抽烟动作所持续的时间以及抽烟阶段所持续的时间，该时间是通过统计阶段所包含采样点个数得到，另外抽烟阶段中也包含了单次抽烟动作重复的次数等信息。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，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，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (2)

1.一种基于惯性传感器的抽烟事件监测方法，其特征在于，其包括以下步骤：

1)以每秒50-200Hz的频率采集智能手臂式穿戴设备的加速度计、陀螺仪以及磁力计数据；

2)计算每个采样点的手臂运动模型中的角度特征θ_ag与θ_armH；

3)设置包含了0.2s采样点的滑动窗口通过窗口内角度特征θ_ag的方差判断手臂是否处于运动状态，进一步设定阈值筛选出手臂是否经历了抬手、吸烟或者放手三个阶段的抽烟备选动作；

4)找到一次完整的抬手-吸烟-放手阶段的组合，提取各个阶段的关键特征，通过支持向量机判断是否为一次抽烟动作；

5)基于判断出来的抽烟结果，设置一个四分钟的滑动窗口，通过窗口内发生的抽烟动作情况，设计一套抽烟阶段识别算法来对误判的动作进行纠正并标记出抽烟发生的时间段；

6)计算抽烟行为信息并保存下来供用户查询；

所述的步骤3)中阈值筛选方法为：

31)当滑动窗口中角度特征θ_ag的方差大于0.3时，为运动阶段，反之为静止阶段；

32)运动阶段中，开始时刻与结束时刻θ_ag与θ_armH变化值记为Δθ_ag与Δθ_armH，以佩戴在右手为例，当Δθ_ag大于30度并且Δθ_armH大于0时，判断为抬手阶段；当Δθ_ag小于-30度并且Δθ_armH小于0时，判断为放手阶段；

33)静止阶段中，当θ_ag平均值小于60度时，判断为吸烟阶段；

所述的步骤4)中关键特征包含三类特征：阶段持续时间，手臂运动模型中θ_ag与Δθ_armH的统计特征，以及陀螺仪角速度数据统计特征，这些统计特征包含了平均值、最大值、最小值、方差、偏度和峰度；其中Δθ_armH指时间序列阶段过程中与时间序列阶段开始时θ_armH的变化值；θ_ag表示小臂向量与地球坐标系中竖直向上的Z轴坐标轴的夹角，θ_armH表示小臂向量在地球坐标系水平面的投影与地球坐标系中指向正东方向及X轴坐标轴的夹角。

2.根据权利要求1所述的基于惯性传感器的抽烟事件监测方法，其特征在于，所述的步骤5)中设计一套抽烟阶段识别算法来对误判的动作进行纠正的方法为：

51)根据待检测抽烟备选动作时域位置，前后各取两分钟，设置一个四分钟的窗口；

52)若窗口内仅仅发生了一次抽烟动作，则将此次动作标记为非抽烟动作，若窗口内出现四次以上抽烟动作，则将这些抽烟动作之间的非抽烟动作标记为抽烟动作；

53)当一次备选抽烟动作被判为非抽烟动作时，若其相邻时间的一侧没有动作发生，而另外一侧出现三次以上抽烟动作时，将该次动作标记为抽烟动作。

Images