CN110180158B

CN110180158B - 一种跑步状态识别方法、系统及终端设备

Info

Publication number: CN110180158B
Application number: CN201910591409.8A
Authority: CN
Inventors: 罗新建; 张海涛; 王梦亮
Original assignee: Le Pao Sports Internet Wuhan Co ltd
Current assignee: Le Pao Sports Internet Wuhan Co ltd
Priority date: 2019-07-02
Filing date: 2019-07-02
Publication date: 2021-04-23
Anticipated expiration: 2039-07-02
Also published as: CN110180158A

Abstract

本发明属于运动状态识别技术领域，公开了一种跑步状态识别方法、系统及终端设备。该跑步状态识别方法、系统及终端设备通过采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据，分析计算获得多维特征指标向量，然后将其与预设的用户的跑步指纹进行相似度对比，最终能够准确地获知是否是该用户在进行跑步运动，不仅提高了跑步识别的准确性，而且能够有效地识别出是否存在代跑作弊。

Description

一种跑步状态识别方法、系统及终端设备

技术领域

本发明属于运动状态识别技术领域，具体涉及一种跑步状态识别方法、系统及终端设备。

背景技术

近年来，我国青少年的体质持续下降，反映心肺功能的肺活量指标继续呈下降趋势，学生的速度、爆发力、力量素质、耐力素质水平不容乐观，中小学生超重比例增加，视力不良检出率仍然居高不下。在调查中发现绝大多数大学生不会长期坚持参加体育锻炼，有一部学生会在进行体质测试前一两周进行短时期的体育锻炼，主要目的是想顺利通过体质测试，并非出于健身的目的；更多的同学不会主动走进操场进行锻炼，他们更倾向于在宿舍玩电子游戏或者看电视剧。

为此，部分学校针对自己学校的在校学生出台了相应的跑步锻炼计划，规定在校学生每周或每天必须进行一定时间的跑步锻炼，并利用相关的运动状态监测设备进行监测。但是现有的运动状态监测设备均是通过单位时间内的速度或步频进行判断，设定阈值简单识别，这样的问题在于：

(1)由于快慢是一个相对的概念，快走的速度可能大于慢跑的速度，简单的以速度或步频无法有效的分辨出快走和慢跑的状态，即无法准确地对跑步状态进行识别。

(2)无法识别用户作弊，部分不爱运动的学生将自己的运动状态监测设备交由其他同学，让其他同学代跑作弊。

发明内容

为了解决现有技术存在的上述一个或多个技术问题，本发明提供了一种跑步状态识别方法、系统及终端设备，旨在更加准确地识别跑步状态，并防止用户作弊。

为了实现上述目的，一方面，本发明提供了一种跑步状态识别方法，所述方法包括：

采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据；

基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率；

将所述角速度周期性波动数据和所述线加速度周期性波动数据对时间求积分，获得所述运动时间段内的角速度几率密度分布和线加速度几率密度分布；

基于所述角速度几率密度分布和所述线加速度几率密度分布，获得多个摆动特征指标；

将多个所述摆动特征指标、所述运动频率以及所述跑步速度数据进行数据结合，构建所述运动时间段内的多维特征指标向量；

将所述多维特征指标向量与预设的所述用户的跑步指纹进行相似度对比，获得是否是所述用户在跑步的结论。

进一步的，在基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率之前，所述方法还包括：

分别计算所述角速度周期性波动数据和所述线加速度周期性波动数据的三轴矢量和。

进一步的，所述多个摆动特征指标至少为5个摆动特征指标。

进一步的，所述5个摆动特征指标分别为中位数、平均值、标准差、峰度和偏度。

进一步的，所述跑步指纹为所述用户在正常跑步运动中的所述多维特征指标向量。

另一方面，本发明还提供了一种跑步状态识别系统，该系统包括：

数据采集模块，用于采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据；

第一数据分析模块，用于基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率；

第二数据分析模块，用于将所述角速度周期性波动数据和所述线加速度周期性波动数据对时间求积分，获得所述运动时间段内的角速度几率密度分布和线加速度几率密度分布；

第三数据分析模块，用于基于所述角速度几率密度分布和所述线加速度几率密度分布，获得多个摆动特征指标；

特征指标向量构建模块，用于将多个所述摆动特征指标、所述运动频率以及所述跑步速度数据进行数据结合，构建所述运动时间段内的多维特征指标向量；

识别模块，将所述多维特征指标向量与预设的所述用户的跑步指纹进行相似度对比，获得是否是所述用户在跑步的结论；

存储模块，用于存储所述跑步指纹。

进一步的，该系统还包括：

数据处理模块，用于在基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率之前，分别计算所述角速度周期性波动数据和所述线加速度周期性波动数据的三轴矢量和。

进一步的，所述多个摆动特征指标至少为5个摆动特征指标，所述5个摆动特征指标分别为中位数、平均值、标准差、峰度和偏度。

本发明还提供了一种跑步状态识别终端设备，该跑步状态识别终端设备包括：

陀螺仪，用于采集用户运动时间段内的角速度周期性波动数据；

加速度计，用于采集用户运动时间段内的线加速度周期性波动数据；

GPS定位仪，用于采集用户运动时间段内的跑步速度数据；

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跑步状态识别方法的步骤。

与现有技术相比，本发明提供的技术方案具有如下有益效果或优点：

本发明所提供跑步状态识别方法、系统及终端设备通过采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据，分析计算获得多维特征指标向量，然后将其与预设的用户的跑步指纹进行相似度对比，最终能够准确地获知是否是该用户在进行跑步运动，不仅提高了跑步识别的准确性，而且能够有效地识别出是否存在代跑作弊。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

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一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种跑步状态识别方法的方法流程图；

图2为本发明实施例提供的一种跑步状态识别系统的结构框图；

图3为本发明实施例中的跑步指纹示意图；

图4为本发明实施例中当次运动的多维特征指标向量与跑步指纹的对比示意图。

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。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，指示方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义型实施例中的附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。此外，术语“第一”、“第二”仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，本发明提供了一种跑步状态识别方法，所述方法包括：

步骤S1：采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据。

在具体的实施过程中，能够采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据的数据采集装置有很多，比如智能手机、智能手环等等，在此不做限定。

完成步骤S1之后，执行步骤S2：基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率。

在具体的实施过程中，由于用户在携带用于采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据的数据采集装置时存在放置的随意性，比如可能放置于裤兜中，也可能悬挂在脖子上，还可能固定在腰上等等。为了能够更好地体现角速度和线加速度的周期性，在执行步骤S2之前，本发明实施例提供的所述跑步状态识别方法还包括：

矢量和的优势在于不依赖用户运动时所述数据采集装置的放置位置，能够更好地反应运动的周期性。

完成步骤S2之后，执行步骤S3：将所述角速度周期性波动数据和所述线加速度周期性波动数据对时间求积分，获得所述运动时间段内的角速度几率密度分布和线加速度几率密度分布。

在具体的实施过程中，角速度几率密度分布和线加速度几率密度分布能够很好地体现运动模式下的基本特征。

完成步骤S3之后，执行步骤S4：基于所述角速度几率密度分布和所述线加速度几率密度分布，获得多个摆动特征指标。

在具体的实施过程中，特征指标越多，判断的维度越多，其判断的准确性就越高，因此，本发明实施例中的所述多个摆动特征指标至少为5个摆动特征指标，具体的，所述5个摆动特征指标分别为中位数、平均值、标准差、峰度和偏度。

完成步骤S4之后，执行步骤S5：将多个所述摆动特征指标、所述运动频率以及所述跑步速度数据进行数据结合，构建所述运动时间段内的多维特征指标向量。

完成步骤S5之后，执行步骤S6：将所述多维特征指标向量与预设的所述用户的跑步指纹进行相似度对比，获得是否是所述用户在跑步的结论。

在具体的实施过程中，本发明实施例中的所述跑步指纹是通过采集的用户正常跑步时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据，然后经过步骤S2～步骤S5中的方法构建的针对该用户的特定的多维特征指标向量，如图3所示，该特定的多维特征指标向量能够准确反应出该用户在跑步时的摆动特征和运动特征。将其作为该用户跑步的跑步指纹(标准指标向量)，当用户后续在进行运动时，通过将当次的多维特征指标向量与所述跑步指纹进行对比判断，如图4所示，能够清楚准确地获知该用户是否在跑步或是否是该用户在跑步。

对应于上述跑步状态识别方法，本发明实施例还提供了一种跑步状态识别系统，如图2所示，该系统包括：

数据采集模块1，用于采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据；

第一数据分析模块2，用于基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率；

第二数据分析模块3，用于将所述角速度周期性波动数据和所述线加速度周期性波动数据对时间求积分，获得所述运动时间段内的角速度几率密度分布和线加速度几率密度分布；

第三数据分析模块4，用于基于所述角速度几率密度分布和所述线加速度几率密度分布，获得多个摆动特征指标；

特征指标向量构建模块5，用于将多个所述摆动特征指标、所述运动频率以及所述跑步速度数据进行数据结合，构建所述运动时间段内的多维特征指标向量；

识别模块6，将所述多维特征指标向量与预设的所述用户的跑步指纹进行相似度对比，获得是否是所述用户在跑步的结论；

存储模块7，用于存储所述跑步指纹。

在具体的实施过程中，该系统还包括：

在具体的实施过程中，所述多个摆动特征指标至少为5个摆动特征指标，所述5个摆动特征指标分别为中位数、平均值、标准差、峰度和偏度。

在具体的实施过程中，所述跑步指纹为所述用户在正常跑步运动中的所述多维特征指标向量。

对应于上述跑步状态识别方法，本发明实施例还提供了一种跑步状态识别终端设备，该跑步状态识别终端设备包括：

GPS定位仪，用于采集用户运动时间段内的跑步速度数据；

存储器，用于存储计算机程序；

本发明实施例所提供跑步状态识别方法、系统及终端通过采集用户运动时间段内的角速度周期性波动数据、线加速度周期性波动数据以及跑步速度数据，分析计算获得多维特征指标向量，然后将其与预设的用户的跑步指纹进行相似度对比，最终能够准确地获知是否是该用户在进行跑步运动，不仅提高了跑步识别的准确性，而且能够有效地识别出是否存在代跑作弊。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种跑步状态识别方法，其特征在于，所述方法包括：

将所述多维特征指标向量与预设的所述用户的跑步指纹进行相似度对比，获得是否是所述用户在跑步的结论；

所述跑步指纹为所述用户在正常跑步运动中的所述多维特征指标向量；

在基于所述角速度周期性波动数据和所述线加速度周期性波动数据，分析获得所述运动时间段内的运动频率之前，所述方法还包括：

2.根据权利要求1所述的跑步状态识别方法，其特征在于，所述多个摆动特征指标至少为5个摆动特征指标。

3.根据权利要求2所述的跑步状态识别方法，其特征在于，所述5个摆动特征指标分别为中位数、平均值、标准差、峰度和偏度。

4.一种跑步状态识别系统，其特征在于，包括：

存储模块，用于存储所述跑步指纹；所述跑步指纹为所述用户在正常跑步运动中的所述多维特征指标向量；

5.根据权利要求4所述跑步状态识别系统，其特征在于，所述多个摆动特征指标至少为5个摆动特征指标，所述5个摆动特征指标分别为中位数、平均值、标准差、峰度和偏度。

6.一种跑步状态识别终端设备，其特征在于，包括：

GPS定位仪，用于采集用户运动时间段内的跑步速度数据；

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3任一项所述跑步状态识别方法的步骤。