CN110169774B - 一种基于区块链的运动状态识别系统及方法 - Google Patents
一种基于区块链的运动状态识别系统及方法 Download PDFInfo
- Publication number
- CN110169774B CN110169774B CN201910453334.7A CN201910453334A CN110169774B CN 110169774 B CN110169774 B CN 110169774B CN 201910453334 A CN201910453334 A CN 201910453334A CN 110169774 B CN110169774 B CN 110169774B
- Authority
- CN
- China
- Prior art keywords
- motion data
- user
- group
- step state
- parameter
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供了一种基于区块链的运动状态识别系统及方法,其中,该系统包括边缘层、中继层和高可靠层;边缘层,获取用户的运动数据,根据运动数据识别用户的第一步态特征,并将运动数据和第一步态特征发送至节点端;中继层根据运动数据和第一步态特征识别用户的第二步态特征,并将运动数据、第一步态特征和第二步态特征发送至高可靠层;高可靠层根据运动数据、第一步态特征和第二步态特征识别用户的组群;并将用户的运动数据存储至组群对应的存储区域,其中,存储区域存在于区块链中。本申请通过分层计算来识别用户的组群,能够减少边缘层的计算量,进而降低功耗,节省电量。
Description
技术领域
本申请涉及区块链技术领域,尤其是涉及一种基于区块链的运动状态识别系统及方法。
背景技术
随着区块链挖矿技术应用的日益普及,在可穿戴健康设备上应用“挖矿”的产品也开始涌现,如用可穿戴健康设备计步的步数进行计算,奖励代币Token,新颖的商业模式受到追捧。然而,不可避免的,可穿戴式智能硬件作为小型化物联网设备,其设备体积容量更小,应用现有区块链技术存在如下问题:
节点数越多意味着系统的安全性和公平性越高,然而每增加一个节点,就需要多达成一次共识,对区块链硬件设备的性能都提出了更高的要求,节点数和效率形成矛盾,尤其对于体积更小的可穿戴智能硬件,其原本有限的计算能力和待机功耗就更加捉襟见肘。
现有可穿戴设备具有运动、心率等健康检测等功能,较多用于保健检测类健康检测,由于体积、重量、系统性能的约束,电量和计算能力是制约广泛使用最重要的因素之一。
发明内容
有鉴于此,本申请的目的在于提供一种基于区块链的运动状态识别系统及方法,通过分层计算来识别用户的组群,能够减少边缘层的计算量,进而降低功耗,节省电量。
第一方面,本申请实施例提供了一种基于区块链的运动状态识别系统,其中,所述运动状态识别系统包括边缘层、中继层和高可靠层;所述边缘层、所述高可靠层均与所述中继层通信连接;
所述边缘层,获取用户的运动数据;根据所述运动数据识别所述用户的第一步态特征;将所述运动数据和所述第一步态特征发送至所述中继层;
所述中继层,接收所述运动数据和所述第一步态特征;根据所述运动数据和所述第一步态特征识别所述用户的第二步态特征;将所述运动数据、所述第一步态特征和所述第二步态特征发送至所述高可靠层;
所述高可靠层,接收所述运动数据、所述第一步态特征和所述第二步态特征;根据所述运动数据、所述第一步态特征和所述第二步态特征识别所述用户的组群;并将所述用户的运动数据存储至所述组群对应的存储区域,其中,所述存储区域存在于区块链中。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述运动数据包括所述用户的加速度参数;所述边缘层根据所述运动数据识别所述用户的第一步态特征包括:
所述边缘层基于所述加速度参数的峰值频率,以及预设标准步态的加速度参数的峰值频率,识别所述用户的所述第一步态特征。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述运动数据还包括所述用户的角速度参数;所述中继层根据所述运动数据和所述第一步态特征识别所述用户的第二步态特征包括:
所述中继层根据所述第一步态特征确定支持向量机模型,所述中继层利用所述支持向量机模型对所述加速度参数以及所述角速度参数进行识别处理,得到所述第二步态特征。
结合第一方面的第二种可能的实施方式,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述运动数据还包括所述用户的生理特征参数;所述高可靠层根据所述运动数据、所述第一步态特征和所述第二步态特征识别所述用户的组群包括:
所述高可靠层将所述加速度参数、所述角速度参数和所述生理特征参数进行降维处理,得到降维后的加速度参数、降维后的角速度参数和降维后的生理特征参数;
根据所述降维后的生理特征参数,识别所述用户所属的生理组群;
根据所述第一步态特征、所述第二步态特征以及所述降维后的加速度参数和所述降维后的角速度参数,识别用户所属的步态组群;
根据所述生理组群以及所述步态组群,确定所述用户所属的组群。
结合第一方面的第三种可能的实施方式,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述中继层包括当前计算节点和多个相邻计算节点,所述当前计算节点和每个相邻计算节点均通信连接;
所述当前计算节点确定所述当前计算节点的计算负载;所述当前计算节点在所述当前计算节点的计算负载大于预设负载阈值时,获取所述当前计算节点的每个相邻计算节点的计算负载,并确定计算负载最小的相邻计算节点,所述当前计算节点将所述运动数据发送至负载最小的相邻计算节点;
所述负载最小的相邻计算节点接收所述运动数据,并对所述运动数据进行计算。
第二方面,本申请实施例还提供一种基于区块链的运动状态识别方法,其中,包括:
获取用户的运动数据;
根据所述运动数据,利用边缘层识别所述用户的第一步态特征;
根据所述运动数据以及所述第一步态特征,利用中继层识别所述用户的第二步态特征;
根据所述运动数据、所述第一步态特征以及所述第二步态特征,识别所述用户的组群;
将所述用户的运动数据存储至所述组群对应的存储区域;其中,所述存储区域存在于区块链中。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述运动数据包括所述用户的加速度参数;所述根据所述运动数据,利用边缘层识别所述用户的第一步态特征,包括:
利用所述边缘层根据所述加速度参数的峰值频率,以及预设标准步态的加速度参数的峰值频率,识别所述用户的所述第一步态特征。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述运动数据包括所述用户的角速度参数;所述根据所述运动数据以及所述第一步态特征,利用中继层识别所述用户的第二步态特征,包括:
根据所述第一步态特征确定所述中继层的支持向量机模型;
利用所述支持向量机模型对所述加速度参数以及所述角速度参数进行识别处理,得到所述第二步态特征。
结合第二方面的第二种可能的实施方式,本申请实施例提供了第二方面的第三种可能的实施方式,其中,所述运动数据还包括所述用户的生理特征参数;所述根据所述运动数据、所述第一步态特征以及所述第二步态特征,识别所述用户的组群,包括:
将所述加速度参数、所述角速度参数和所述生理特征参数进行降维处理,得到降维后的加速度参数、降维后的角速度参数和降维后的生理特征参数;
根据所述降维后的生理特征参数,识别所述用户所属的生理组群;
根据所述第一步态特征、所述第二步态特征以及所述降维后的加速度参数和所述降维后的角速度参数,识别用户所属的步态组群;
根据所述生理组群以及所述步态组群,确定所述用户所属的组群。
结合第二方面的第三种可能的实施方式,本申请实施例提供了第二方面的第四种可能的实施方式,其中,所述中继层包括当前计算节点和多个相邻计算节点,该方法还包括:
获取当前计算节点的计算负载;
当所述计算节点的计算负载大于预设负载阈值时,获取所述计算节点的每个相邻计算节点的计算负载;
在确定计算负载最小的相邻计算节点之后,将所述运动数据发送至所述负载最小的相邻计算节点,由所述负载最小的相邻计算节点进行计算。
本申请实施例提供的一种基于区块链的运动状态识别系统及方法,其中,该系统包括边缘层、中继层和高可靠层;边缘层、高可靠层均与中继层通信连接;边缘层,获取用户的运动数据,根据运动数据识别用户的第一步态特征,并将运动数据和第一步态特征发送至节点端;中继层,接收运动数据和第一步态特征,根据运动数据和第一步态特征识别用户的第二步态特征,并将运动数据、第一步态特征和第二步态特征发送至高可靠层;高可靠层,接收运动数据、第一步态特征和第二步态特征,根据运动数据、第一步态特征和第二步态特征识别用户的组群;并将用户的运动数据存储至组群对应的存储区域,其中,存储区域存在于区块链中。采用本申请实施例的方法,其通过多个计算节点分散计算负载,并在多个计算节点中逐级将用户细分组群,将同一类型用户放到同一组群中进行竞争记账,在减少边缘层的计算量,降低功耗,节省电量的同时,确保了竞争记账的公平性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于区块链的运动状态识别系统的结构示意图;
图2为本申请实施例提供的另一种基于区块链的运动状态识别系统的结构示意图;
图3为本申请实施例提供的一种基于区块链的运动状态识别方法的流程图;
图4为本申请实施例提供的另一种基于区块链的运动状态识别方法的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
相关技术中,可穿戴式智能设备进行挖矿时,其将用户的运动行为转化成“挖矿算力”,以进行竞争记账,并根据记账结果结算用户的币值。然而,可穿戴式智能设备受体积、重量、系统性能的约束,导致电量和计算能力均较低。针对上述问题,本申请实施例提供了一种基于区块链的运动状态识别系统及方法,下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种运动状态识别方法进行详细介绍。
图1为本申请实施例提供的一种基于区块链的运动状态识别系统的结构示意图,如图1所示,该系统包括边缘层11、中继层12和高可靠层13;边缘层11、高可靠层13均与中继层12通信连接;
边缘层11,获取用户的运动数据,根据运动数据识别用户的第一步态特征,并将运动数据和第一步态特征发送至中继层。
在具体实施中,边缘层11可以是便携式设备,如运动手环,足底压力采集设备等。
边缘层11获取的运动数据包括加速度参数,角速度参数以及生理特征参数。通过边缘层11的三轴加速度传感器采集三个方向的加速度参数,以及三轴陀螺仪采集三个方向的角速度参数,以及足底压力传感器采集足下压力。需要说明的是,在本申请实施例中,生理特征并不限于足底压力,还可以是通过光学传感器等设备采集的血红蛋白,血液浓度等参数,在此不做限定。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,因此,本申请实施例选用小波变换阈值法,在采集过程中加上阈值和步频判断来过滤掉电磁干扰产生的高频噪声,也就是说采集得到的相邻两步的时间间隔至少大于0.2秒。
具体的,人行走的步伐频率一般在110步/分钟(1.8Hz),跑步时的频率不会超过5Hz,在本申请实施例中,选择100Hz的采样频率进行采样,因此,便携设备的三轴加速度传感器按照100Hz的采样频率进行采集直线方向(x),水平方向(y),垂直方向(z)三个方向的作用力。
值得说明的是,边缘层11在采集数据时会采集到一些低幅度和快速的抽动状态,例如,手抖或者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,会影响数据的准确性。
对采集到数据,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,将各方向的时域信号离散化,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。其中,小波变换采用硬阈值法:
其中,Cj,k表示小波系数,λ表示阈值。
由于边缘层11的体积较小,为尽可能降边缘层11的计算负载,由边缘层11对数据进行初步的处理,即根据加速度参数的峰值频率,以及预设标准步态的加速度参数的峰值频率,识别用户的第一步态特征,并将运动数据以及第一步态特征发送至中继层12。
举例而言,在目标进行直线运动时,目标在垂直方向和直线方向的加速度会呈现周期性变化。在目标进行收脚的动作时,由于人体重心向上且单只脚触地,垂直方向加速度呈正向增加的趋势,之后目标继续向前,人体重心下移两脚触底,加速度相反。水平加速度在目标收脚时减小,在目标迈步时增加。我们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。根据该波形规律,通过计步算法,得到用户的第一步态特征。
其中,第一步态特征包括用户是处于何种运动状态,例如用户是用户是在进行直线运动,循环运动或瞬间运动等。
中继层12,接收运动数据和第一步态特征,根据运动数据和第一步态特征识别用户的第二步态特征,并将运动数据、第一步态特征和第二步态特征发送至高可靠层13。
在具体实施中,中继层12可以是手机,计算机,网关等,用于加载边缘计算芯片,对用户的步态特征进行识别。
具体的,为区分每个个体的运动行为,从而对用户精确分类,在判断目标的第一步态特征之后,还需要对用户的步态信息进一步解析,以得到第二步态特征。由于人体运动行为过程具有复杂性和随机性,使用单一的加速度判断会带来很大的误判。因此,在中继层12,使用水平加速度向量机模型(Support Vector Machine,SVM)以及角速度向量机模型相结合的信息阈值法对目标的步态信息进行解析。
中继层12在接收到边缘层11发送的运动数据以及第一步态特征后,根据第一步态特征确定支持向量机模型。其中,支持向量机模型包括加速度向量机模型SVMA和角速度向量机模型SVMW。
在具体实施中,可以通过以下公式获取加速度向量机模型SVMA和角速度向量机模型SVMW:
其中,ax为采集直线方向的加速度,ay为采集水平方向的加速度,az为采集垂直方向的加速度,ωx为采集直线方向的角速度,ωy为采集水平方向的角速度,ωz为采集垂直方向的角速度。
中继层12利用确定的支持向量机模型分别对加速度参数以及角速度参数进行计算,例如将加速度参数和角速度参数与数据库中预先设定的多种步态对应的加速度参数和角速度参数进行比对,根据比对结果确定用户的第二步态特征,将第一步态特征、第二步态特征以及运动数据发送给高可靠层13。
例如,当用户发生跌倒时,跌倒行为在该时刻产生的水平加速度和角速度峰值较其他运动状态的水平加速度和角速度峰值更大,这是因为跌倒过程中由于人和物体碰撞产生的SVM峰值比其他运动状态(如步行、走楼梯等)的SVM峰值要大。识别跌倒的加速度信号向量机模型阈值取SVMAT=20M/S2和角速度信号向量机模型阈值取SVMWT=4rad/s,当用户的SVMA大于SVMAT,且SVMW大于SVMWT,认为用户的步态信息为跌倒。
高可靠层13,接收运动数据、第一步态特征和第二步态特征,根据运动数据、第一步态特征和第二步态特征识别用户的组群;并将用户的运动数据存储至组群对应的存储区域,其中,存储区域存在于区块链中。
在具体实施中,高可靠层13根据第一步态特征、第二步态特征以及运动数据识别用户的步态组群,即用户是在进行何种行为,例如,上楼梯、下楼梯、平底走、慢跑、跳跃等等,以及根据用户的生理特征参数识别用户的生理状况,例如用户是否属于糖尿病人,或者用户是否属于运动员等。在识别出步态组群以及生理组群后,根据识别结果,将用户划入对应的组群,并将用户接入与该组群对应的区块链中。运动员,普通人和糖尿病患者的运动数据形成的算力将分别在运动员组群,普通人组群和糖尿病患者组群对应的区块链中参与竞争记账,获取奖励币值。
例如,识别出用户甲属于糖尿病患者,并且用户甲的步态是步行,前进了2000步,将用户甲分入糖尿病患者组群对应的区块链中,通过区块链技术,根据用户甲向前步行了2000步,在糖尿病患者组群中进行比较,为用户甲转化200算力。识别出用户乙属于运动员,并且用户乙的步态是跑步,前进了20000步,将用户乙分入运动员组群对应的区块链中,通过区块链技术,根据用户乙向前跑步了20000步,在运动员组群中进行比较,为用户转化100算力。
具体的,首先对运动数据中的加速度参数、角速度参数以及生理特征参数进行降维处理。以生理特征参数降维为例,首先,通过足底压力传感器获取足底四个区域的压力a,b,c,d,并通过以下公式对足底压力a,b,c,d进行降维:
其中,a、b、c、d分别为左脚四个区域不同压力值,对样本人群整体取标准差,N为样本量,分别左脚四个区域对应的均值,先训练分类器,再用分类器识别步态样本。先综合计算用户步态偏离整体人群的程度。然后将x进行SVM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
其中,
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:
在累计贡献率达到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) (10)
其中,X是原数据矩阵,U是主成分载荷,得分矩阵F即为降维后所得到的最终结果。
通过上述处理,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。
通过上述方法判断出用户的生理状态,从而识别用户的生理组群。
在本申请实施例中,通过前文所述方式得到的用户步态,认为用户处于缓慢行动步态,对于用户是处于绝对静止还是缓慢行走没有准确识别,因此,在高可靠层13需要对用户的步态进一步详细划分,并将用户归入相应的组群中,以便后续对用户的运动数据进行算力转化。
以识别用户是处于静止状态还是运动状态为例,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,设状态“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:thamin=8m/s和thamax=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:
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=50rad/s,并有:
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”时认为用户处于绝对静止状态。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。
随着样本量的增加,SVM分类器能够自适应不断优化完善:
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,故使用公式(4)再次进行随机抽样验证。
对每次输入新的样本,采用交叉验证法原理,计算SVM分类器识别率。
计算SVM分类器识别率时,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。
采用本申请实施例的方法,其通过分层分级对用户的组群进行识别,即通过边缘层11、中继层12和高可靠层13在逐级将用户细分组群,并将同一类型用户放到同一组群中进行竞争记账,不仅减少边缘层11的计算量,降低功耗,节省电量,还确保了竞争记账的公平性。
如图2所示,该运动状态识别系统中的中继层12包括当前计算节点和多个相邻计算节点,当前计算节点和每个相邻计算节点均通信连接;
当前计算节点确定当前计算节点的计算负载;当前计算节点在当前计算节点的计算负载大于预设负载阈值时,获取当前计算节点的每个相邻计算节点的计算负载,并确定计算负载最小的相邻计算节点,当前计算节点将运动数据发送至负载最小的相邻计算节点;
负载最小的相邻计算节点接收运动数据,并对运动数据进行计算。
在具体实施中,每个计算节点的计算负载是一定的,并且当计算节点的计算负载大于一定预设负载阈值时,有可能导致该计算节点停止作业。因此,为了确保正常作业,当前计算节点可以实时计算当前计算节点的计算负载,并将计算负载与预设负载阈值进行对比,若当前计算节点的计算负载大于预设负载阈值,则获取与当前计算节点通信连接的所有相邻计算节点的计算负载。
将所有相邻计算节点的计算负载进行对比,确定计算负载最小的相邻计算节点,并将运动数据发送至该计算负载最小的相邻计算节点,以使得该计算负载最小的相邻计算节点对运动数据进行计算。
采用本申请实施例的运动状态识别系统,其通过3层信任金字塔模型,即基于区块链账本的可信记录、公有链基于国家授时中心的可信时间、基于数字证书的可信身份、基于数字签名的可信行为、基于智能合约的可信关系,以区块链技术锚定构建多维度的数字网络社会,并为该络谱生态中的所有伙伴提供存在性证明、完整性证明、身份证明、时间戳证明、数据关系证明和凭证登记流转等能力。同时,联合各合作方对数字身份、可信数据、数字凭证进行可信登记,向调用这些信息的第三方提供存在性、完整性、身份、时间戳、数据关系和凭证登记等信息。这些信息具备可验证、可审计、可追溯、不可篡改等特性。络谱提供的服务不仅包括信息数据的登记、存证等业务,还可以在众多合作场景中取得广泛应用,实现区块链上的各要素之间实施互动。
基于同一发明构思,本公开实施例中还提供了与运动状态识别系统对应的运动状态识别方法,由于本申请实施例中的方法解决问题的原理与本申请实施例上述运动状态识别系统相似,因此方法的实施可以参见系统的实施,重复之处不再赘述。如图3所示,为本申请实施例所提供的运动状态识别方法的流程图,该运动状态识别方法包括:
S301、获取用户的运动数据;
S302、根据运动数据,利用边缘层识别用户的第一步态特征;
S303、根据运动数据以及第一步态特征,利用中继层识别用户的第二步态特征;
S304、根据运动数据、第一步态特征以及第二步态特征,识别用户的组群;
S305、将用户的运动数据存储至组群对应的存储区域;其中,存储区域存在于区块链中。
在一种实施方式中,运动数据包括用户的加速度参数;根据运动数据,利用边缘层识别用户的第一步态特征,包括:
利用边缘层根据加速度参数的峰值频率,以及预设标准步态的加速度参数的峰值频率,识别用户的第一步态特征。
在另一种实施方式中,运动数据包括用户的角速度参数;根据运动数据以及第一步态特征,利用中继层识别用户的第二步态特征,包括:
根据第一步态特征确定中继层的支持向量机模型;
利用支持向量机模型对加速度参数以及角速度参数进行识别处理,得到第二步态特征。
在另一种实施方式中,运动数据还包括用户的生理特征参数;根据运动数据、第一步态特征以及第二步态特征,识别用户的组群,包括:
将加速度参数、角速度参数和生理特征参数进行降维处理,得到降维后的加速度参数、降维后的角速度参数和降维后的生理特征参数;
根据降维后的生理特征参数,识别用户所属的生理组群;
根据第一步态特征、第二步态特征以及降维后的加速度参数和降维后的角速度参数,识别用户所属的步态组群;
根据生理组群以及步态组群,确定用户所属的组群。
如图4所示,在又一种实施方式中,中继层包括当前计算节点和多个相邻计算节点,该方法还包括:
S401、获取当前计算节点的计算负载;
S404、当计算节点的计算负载大于预设负载阈值时,获取计算节点的每个相邻计算节点的计算负载;
S403、在确定计算负载最小的相邻计算节点之后,将运动数据发送至负载最小的相邻计算节点,由负载最小的相邻计算节点进行计算。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中一种运动状态识别方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述运动状态识别方法,通过分层计算来识别用户的组群,进而减少边缘层的计算量,达到降低功耗,节省电量的目的。
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。
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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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、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。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种基于区块链的运动状态识别系统,其特征在于,所述运动状态识别系统包括边缘层、中继层和高可靠层;所述边缘层、所述高可靠层均与所述中继层通信连接;
所述边缘层,获取用户的运动数据,所述运动数据包括生理特征参数、加速度参数和角速度参数;根据所述运动数据中加速度参数的峰值频率、预设标准步态的加速度参数的峰值频率识别所述用户的第一步态特征;将所述运动数据和所述第一步态特征发送至所述中继层;
所述中继层,接收所述运动数据和所述第一步态特征;根据所述第一步态特征确定支持向量机模型,并利用所述支持向量机模型对所述加速度参数以及所述角速度参数进行识别处理,得到第二步态特征;将所述运动数据、所述第一步态特征和所述第二步态特征发送至所述高可靠层;
所述高可靠层,接收所述运动数据、所述第一步态特征和所述第二步态特征;根据所述运动数据、所述第一步态特征和所述第二步态特征识别所述用户的组群;并将所述用户的运动数据存储至所述组群对应的存储区域,其中,所述存储区域存在于区块链中;所述高可靠层根据所述运动数据、所述第一步态特征和所述第二步态特征识别所述用户的组群,具体包括:
所述高可靠层将所述加速度参数、所述角速度参数和所述生理特征参数进行降维处理,得到降维后的加速度参数、降维后的角速度参数和降维后的生理特征参数;
根据所述降维后的生理特征参数,识别所述用户所属的生理组群;
根据所述第一步态特征、所述第二步态特征以及所述降维后的加速度参数和所述降维后的角速度参数,识别用户所属的步态组群;
根据所述生理组群以及所述步态组群,确定所述用户所属的组群。
2.根据权利要求1所述的运动状态识别系统,其特征在于,所述中继层包括当前计算节点和多个相邻计算节点,所述当前计算节点和每个相邻计算节点均通信连接;
所述当前计算节点确定所述当前计算节点的计算负载;所述当前计算节点在所述当前计算节点的计算负载大于预设负载阈值时,获取所述当前计算节点的每个相邻计算节点的计算负载,并确定计算负载最小的相邻计算节点,所述当前计算节点将所述运动数据发送至负载最小的相邻计算节点;
所述负载最小的相邻计算节点接收所述运动数据,并对所述运动数据进行计算。
3.一种基于区块链的运动状态识别方法,其特征在于,包括:
获取用户的运动数据;所述运动数据包括生理特征参数、加速度参数和角速度参数;
根据所述运动数据,利用边缘层根据所述加速度参数的峰值频率,以及预设标准步态的加速度参数的峰值频率,识别所述用户的第一步态特征;
利用中继层根据所述第一步态特征确定所述中继层的支持向量机模型;利用所述支持向量机模型对所述运动数据中的加速度参数以及所述角速度参数进行识别处理,得到第二步态特征;
根据所述运动数据、所述第一步态特征以及所述第二步态特征,识别所述用户的组群,包括:将所述加速度参数、所述角速度参数和所述生理特征参数进行降维处理,得到降维后的加速度参数、降维后的角速度参数和降维后的生理特征参数;
根据所述降维后的生理特征参数,识别所述用户所属的生理组群;
根据所述第一步态特征、所述第二步态特征以及所述降维后的加速度参数和所述降维后的角速度参数,识别用户所属的步态组群;
根据所述生理组群以及所述步态组群,确定所述用户所属的组群;
将所述用户的运动数据存储至所述组群对应的存储区域;其中,所述存储区域存在于区块链中。
4.根据权利要求3所述的运动状态识别方法,其特征在于,所述中继层包括当前计算节点和多个相邻计算节点,该方法还包括:
获取当前计算节点的计算负载;
当所述计算节点的计算负载大于预设负载阈值时,获取所述计算节点的每个相邻计算节点的计算负载;
在确定计算负载最小的相邻计算节点之后,将所述运动数据发送至所述负载最小的相邻计算节点,由所述负载最小的相邻计算节点进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453334.7A CN110169774B (zh) | 2019-05-28 | 2019-05-28 | 一种基于区块链的运动状态识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453334.7A CN110169774B (zh) | 2019-05-28 | 2019-05-28 | 一种基于区块链的运动状态识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110169774A CN110169774A (zh) | 2019-08-27 |
CN110169774B true CN110169774B (zh) | 2022-06-14 |
Family
ID=67696469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910453334.7A Active CN110169774B (zh) | 2019-05-28 | 2019-05-28 | 一种基于区块链的运动状态识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110169774B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112370049B (zh) * | 2020-11-16 | 2022-07-29 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于多模态信号同步的冻结步态采集分析系统及方法 |
CN113674509B (zh) * | 2021-10-21 | 2022-06-21 | 北京博华信智科技股份有限公司 | 基于区块链的边缘节点灾害监测预警系统及方法 |
CN116746910B (zh) * | 2023-06-15 | 2024-05-28 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
CN117421605B (zh) * | 2023-10-27 | 2024-04-30 | 绍兴清研微科技有限公司 | 一种基于区块链技术的步态识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244685A (zh) * | 2011-08-11 | 2011-11-16 | 中国科学院软件研究所 | 一种支持负载均衡的分布式缓存动态伸缩方法及系统 |
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 |
CN207216286U (zh) * | 2017-09-29 | 2018-04-10 | 深圳正指向科技有限公司 | 一种儿童智能手表 |
CN108922585A (zh) * | 2018-04-27 | 2018-11-30 | 长春市万易科技有限公司 | 一种基于区块链的智能健康手环数据存储方法与系统 |
CN208210017U (zh) * | 2018-06-14 | 2018-12-07 | 诺雪(重庆)科技有限公司 | 一种基于区块链的患者数据监测设备及在线诊疗设备 |
CN109040053A (zh) * | 2018-07-26 | 2018-12-18 | 深圳市梵高夫科技有限公司 | 基于区块链运动参数的获取方法、终端及存储介质 |
CN109617992A (zh) * | 2018-12-29 | 2019-04-12 | 杭州趣链科技有限公司 | 一种基于区块链的边缘计算节点动态选举方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010126625A1 (en) * | 2009-04-30 | 2010-11-04 | Medtronic, Inc. | Patient state detection based on support vector machine based algorithm |
US20180344215A1 (en) * | 2015-11-24 | 2018-12-06 | Dacadoo Ag | Automated health data acquisition, processing and communication system and method |
US20160270717A1 (en) * | 2011-06-10 | 2016-09-22 | Aliphcom | Monitoring and feedback of physiological and physical characteristics using wearable devices |
US9168419B2 (en) * | 2012-06-22 | 2015-10-27 | Fitbit, Inc. | Use of gyroscopes in personal fitness tracking devices |
CN103330565A (zh) * | 2013-04-16 | 2013-10-02 | 北京航空航天大学 | 基于足底压力分布变化的人体步态识别装置 |
US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
US11232466B2 (en) * | 2015-01-29 | 2022-01-25 | Affectomatics Ltd. | Recommendation for experiences based on measurements of affective response that are backed by assurances |
US9985964B2 (en) * | 2016-03-28 | 2018-05-29 | Black Gold Coin, Inc. | Systems and methods for providing block chain-based multifactor personal identity verification |
CN107016346A (zh) * | 2017-03-09 | 2017-08-04 | 中国科学院计算技术研究所 | 步态身份识别方法及系统 |
CN107048570B (zh) * | 2017-04-12 | 2019-02-05 | 佛山市量脑科技有限公司 | 一种智能鞋垫的数据分析处理方法 |
CN109000680B (zh) * | 2018-05-31 | 2020-10-30 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 陀螺仪加速度敏感误差系数获取方法、装置和系统 |
CN109375770A (zh) * | 2018-09-25 | 2019-02-22 | 东莞幻鸟新材料有限公司 | 一种基于区块链的动态识别智能康复系统 |
CN109464193B (zh) * | 2018-12-27 | 2020-12-08 | 北京爱康宜诚医疗器材有限公司 | 数据预测方法、装置及系统 |
-
2019
- 2019-05-28 CN CN201910453334.7A patent/CN110169774B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244685A (zh) * | 2011-08-11 | 2011-11-16 | 中国科学院软件研究所 | 一种支持负载均衡的分布式缓存动态伸缩方法及系统 |
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 |
CN207216286U (zh) * | 2017-09-29 | 2018-04-10 | 深圳正指向科技有限公司 | 一种儿童智能手表 |
CN108922585A (zh) * | 2018-04-27 | 2018-11-30 | 长春市万易科技有限公司 | 一种基于区块链的智能健康手环数据存储方法与系统 |
CN208210017U (zh) * | 2018-06-14 | 2018-12-07 | 诺雪(重庆)科技有限公司 | 一种基于区块链的患者数据监测设备及在线诊疗设备 |
CN109040053A (zh) * | 2018-07-26 | 2018-12-18 | 深圳市梵高夫科技有限公司 | 基于区块链运动参数的获取方法、终端及存储介质 |
CN109617992A (zh) * | 2018-12-29 | 2019-04-12 | 杭州趣链科技有限公司 | 一种基于区块链的边缘计算节点动态选举方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110169774A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110169774B (zh) | 一种基于区块链的运动状态识别系统及方法 | |
CN108244744B (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
Lee et al. | Parkinson’s disease classification using gait characteristics and wavelet-based feature extraction | |
Kwapisz et al. | Activity recognition using cell phone accelerometers | |
CN108831527A (zh) | 一种用户运动状态检测方法、装置及可穿戴设备 | |
Derawi | Accelerometer-based gait analysis, a survey | |
Pires et al. | Identification of activities of daily living through data fusion on motion and magnetic sensors embedded on mobile devices | |
CN106910314B (zh) | 一种基于体形的个性化跌倒检测方法 | |
Allahbakhshi et al. | The key factors in physical activity type detection using real-life data: A systematic review | |
Piórek et al. | Quaternions and joint angles in an analysis of local stability of gait for different variants of walking speed and treadmill slope | |
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 | |
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 | |
Sang et al. | Human activity recognition and monitoring using smartphones | |
Villar et al. | Autonomous on-wrist acceleration-based fall detection systems: unsolved challenges | |
Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier | |
Jablonsky et al. | Evaluating sensor placement and modality for activity recognition in active games | |
Josiński et al. | Assessment of local dynamic stability in gait based on univariate and multivariate time series | |
KR102302234B1 (ko) | 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 | |
Majumder et al. | A novel wireless system to monitor gait using smartshoe-worn sensors | |
Lau et al. | Fall detection and motion analysis using visual approaches | |
JP7489729B2 (ja) | 転倒危険予防方法およびこのような方法を遂行する装置 | |
CN105147249A (zh) | 一种可穿戴或可植入设备评价系统与方法 | |
Al Safadi et al. | Generalized activity recognition using accelerometer in wearable devices for IoT applications | |
Sikandar et al. | Evaluating the difference in walk patterns among normal-weight and overweight/obese individuals in real-world surfaces using statistical analysis and deep learning methods with inertial measurement unit data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |