CN111241983A - 一种姿势检测方法、装置、系统、电子设备及存储介质 - Google Patents

Abstract

本申请涉及一种姿态检测方法、装置、系统、电子设备及存储介质，该方法包括：接收第一采样时刻的运动数据；确定所述运动数据对应的包络信号；分析所述包络信号确定所述第一采样时刻的姿势信息。该技术方案通过对运动数据进行处理得到运动数据对应的包络信号，通过对包络信号进行分析确定当前时刻的姿势，由此实现了对日常人体坐下或者站起等瞬时姿态的快速检测，以便智能可穿戴设备的及时反馈。该方法可以广泛应用在医疗康复、人机交互、虚拟实现等领域。

Description

一种姿势检测方法、装置、系统、电子设备及存储介质

技术领域

本申请涉及数据处理领域，尤其涉及一种姿势检测方法、装置、系统、电子设备及存储介质。

背景技术

现有技术中，常见的人体姿态识别一般分为两种：(一)基于图像识别的人体运动姿态方法。(二)基于电磁波定位的人体运动姿态检测方法基于电磁波定位的人体运动姿态监测。

但是上述两种方式在实现过程中仍存在缺陷，对于图像识别的方法：视频监测智能布置在固定的场所进行实时监控，如果目标不出现在经常活动的区域，视频监控就不能起到作用，并且可能会造成被监测者的个人隐私暴露。对于电磁波定位的人体运动姿态检测方法：受外界环境(如电子产品)电磁波的干扰较大，得到的数据不准确。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种姿势检测方法、装置、系统、电子设备及存储介质。

第一方面，本申请提供了一种姿势检测方法，包括：

接收第一采样时刻的运动数据；

确定所述运动数据对应的包络信号；

分析所述包络信号确定所述第一采样时刻的姿势信息。

可选的，所述运动数据包括：至少一个关键部位对应的运动数据，其中每个关键部位对应至少一个运动数据。

可选的，所述确定所述运动数据对应的包络信号，包括：

获取初始化后的核函数；

将所述运动数据传入所述核函数；

对传入所述运动数据后的核函数进行积分，得到所述运动数据对应的包络信号。

可选的，所述方法还包括：

获取相邻的第二采样时刻的姿势信息，所述第二采样时刻在所述第一采样时刻之前；

当所述第一采样时刻的姿势信息与所述第二采样时刻的姿势信息不同时，获取所述第一采样时刻与所述第二采样时刻的时间差；

当所述时间差大于预设时间差时，更新所述第一采样时刻对应的姿势标识。

可选的，所述运动数据包括：大腿重力加速度方向加速度，大腿矢状面方向角速度以及小腿三轴合角速度。

可选的，所述方法还包括：

获取连续N个采样时刻的大腿重力加速度方向加速度和大腿矢状面方向角速度，其中N为大于1的整数；

所述分析所述包络信号确定第一采样时刻的姿势信息，包括：

根据连续N个采样时刻的所述大腿重力加速度方向加速度的包络信号以及所述大腿矢状面方向角速度的包络信号确定大腿运动状态；

根据所述小腿的三轴合角速度的包络信号确定小腿运动状态；

基于所述大腿运动状态以及所述小腿运动状态确定所述第一采样时刻的姿势信息。

可选的，所述根据连续N个采样时刻的所述大腿重力加速度方向加速度的包络信号以及所述大腿矢状面方向角速度的包络信号确定大腿状态，包括：

计算N个所述大腿重力加速度方向加速度的包络信号的差分平均值；

通过所述差分平均值得到大腿在垂直方向上的第一变化趋势；

根据所述大腿矢状面方向角速度的包络信号得到大腿在矢状面方向上的第二变化趋势；

基于所述第一变化趋势与所述第二变化趋势确定所述大腿运动状态。

第二方面，本申请提供了一种姿势检测装置，包括：

接收模块，用于接收第一采样时刻的运动数据；

确定模块，用于确定所述运动数据对应的包络信号；

分析模块，用于分析所述包络信号确定所述第一采样时刻的姿势信息。

第三方面，本申请提供了一种姿势检测系统，包括：运动传感器和处理器，所述运动传感器与所述处理器通信连接；

所述运动传感器，用于采集第一采样时刻的运动数据，将所述运动数据发送至所述处理器；

所述处理器，用于接收第一采样时刻的运动数据，确定所述运动数据对应的包络信号，分析所述包络信号确定所述第一采样时刻的姿势信息。

第四方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行计算机程序时，实现上述方法步骤。

第五方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：通过对运动数据进行处理得到运动数据对应的包络信号，通过对包络信号进行分析确定当前时刻的姿势，由此实现了对日常人体坐下或者站起等瞬时姿态的快速检测，以便智能可穿戴设备的及时反馈。该方法可以广泛应用在医疗康复、人机交互、虚拟实现等领域。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，对于本领域普通技术人员而言，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为本申请实施例提供的一种姿势检测系统的示意图；

图2为本申请实施例提供的一种姿势检测方法的流程图；

图3为本申请另一实施例提供的一种姿势检测方法的流程图；

图4为本申请另一实施例提供的一种姿势检测方法的流程图；

图5为本申请实施例提供的一种姿势检测装置的框图；

图6为本申请实施例提供的一种电子设备的结构示意图。

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的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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。

本申请提供了一种姿势检测方法，装置，系统，电子设备以及存储介质，本发明实施例所提供的方法可以应用于任意需要的电子设备，例如，可以为服务器、终端等电子设备，在此不做具体限定，为描述方便，后续简称为电子设备。

下面首先对本发明实施例所提供的一种姿势检测方法进行介绍。

图1为本申请实施例提供的一种姿势检测系统的示意图，如图1所示，该系统包括：至少一个运动传感器100和处理器101，运动传感器100与处理器101通信连接。

运动传感器100，用于采集第一采样时刻的运动数据，将运动数据发送至处理器；

处理器101，用于接收第一采样时刻的运动数据，确定运动数据对应的包络信号，分析包络信号确定第一采样时刻的姿势信息。

本实施例以人体作为一个示例，运动传感器可以分别佩戴在人体大腿和人体小腿侧面，运动传感器采集的运动数据包括：陀螺仪数据，加速度数据，角度数据等，运动传感器与处理器的通信方式可以是有线或无线。

图2为本申请实施例提供的一种姿势检测方法的流程图。如图2所示，该方法包括以下步骤：

步骤S11，接收第一采样时刻的运动数据；

步骤S12，确定运动数据对应的包络信号；

步骤S13，分析包络信号确定第一采样时刻的姿势信息。

本实施例中，通过对运动数据进行处理得到运动数据对应的包络信号，通过对包络信号进行分析确定当前时刻的姿势，由此实现了对日常人体坐下或者站起等瞬时姿态的快速检测，以便智能可穿戴设备的及时反馈。该方法可以广泛应用在医疗康复、人机交互、虚拟实现等领域。

本实施例中，接收的第一采样时刻的运动数据包括：至少一个关键部位对应的运动数据，其中每个关键部位对应至少一个运动数据，例如：关键部位可以是：大腿，小腿，肩部，肘部等，运动数据包括：关键部位的陀螺仪数据，加速度数据，角速度数据等。

可选的，确定运动数据对应的包络信号，通过以下方式实现：获取初始化后的核函数，将运动数据传入核函数，对传入所述运动数据后的核函数进行积分，得到运动数据对应的包络信号。本实施例所采用的核函数可以是：高斯核函数，马顿核函数等。

本实施例以判断人体坐姿和站姿为例，所以从运动数据中提取符合人体坐姿以及站姿特征变化的运动数据，提取的运动数据包括；大腿重力加速度方向加速度，大腿矢状面方向角速度以及小腿的三轴合角速度。其中，小腿的三轴合角速度通过下式计算得到：

式中，w₁x、w₂y、w₃z分别为x、y、z轴的角速度。

然后将大腿重力加速度方向加速度，大腿矢状面方向角速度以及小腿的三轴合角速度进行平滑滤波处理。基于处理后的大腿重力加速度方向加速度，大腿矢状面方向角速度以及小腿的三轴合角速度提取包络信号。

包络信号的提取过程如下：获取初始化后的第一核函数，kernel(jk)＝{j₁,j₂,j₃...j_n}，其中，j₁,j₂,j₃...j_n＝0。

将大腿重力加速度方向加速度s_i传入第一核函数，得到第二核函数kernel(jk)＝{j₂,j₃...j_n,s_i},j₂,j₃...j_n＝0，基于梯形算法对第二核函数进行积分envelope-Signal＝sum{j₂,...j_n,s_i}÷2，即得到大腿重力加速度方向加速度的包络信号y_i＝envelope-Signal，其中，第二核函数为传入大腿重力加速度方向加速度后的第一核函数。

将大腿矢状面方向角速度s_i+1传入第二核函数，得到第三核函数kernel(jk)＝{j₃...j_n,s_i,s_i+1},j₃...j_n＝0，基于梯形算法对第三核函数进行积分envelope-Signal＝sum{j₃,...j_n,s_i,s_i+1}÷2，即得到大腿矢状面方向角速度的包络信号y_i+1＝envelope-Signal，其中，第三核函数为传入大腿矢状面方向角速度后的第二核函数。

将小腿的三轴合角速度s_i+2传入第三核函数，得到第四核函数kernel(jk)＝{j₄...j_n,s_i,s_i+1,s_i+2},j₄...j_n＝0，基于梯形算法对第四核函数进行积分，即envelope-Signal＝sum{j₃,...j_n,s_i,s_i+1，s_i+2}÷2得到小腿的三轴合角速度的包络信号y_i+2＝envelope-Signal，其中，第四核函数为传入小腿的三轴合角速度后的第三核函数。

本实施例中，分析包络信号确定第一采样时刻的姿势信息，具体通过以下方式实现：获取连续N个采样时刻的大腿重力加速度方向加速度和大腿矢状面方向角速度，其中N为大于1的整数。

根据连续N个采样时刻的大腿重力加速度方向加速度的包络信号以及大腿矢状面方向角速度的包络信号确定大腿运动状态，根据小腿的三轴合角速度的包络信号确定小腿运动状态，基于大腿运动状态以及小腿运动状态确定第一采样时刻的姿势信息。

具体的，根据连续N个采样时刻的大腿重力加速度方向加速度的包络信号以及大腿矢状面方向角速度的包络信号确定大腿状态，具体通过以下方式实现：计算N个大腿重力加速度方向加速度的包络信号的差分平均值，通过差分平均值得到大腿在垂直方向上的第一变化趋势，根据大腿矢状面方向角速度的包络信号得到大腿在矢状面方向上的第二变化趋势。

可选的，计算N个大腿重力加速度方向加速度的包络信号的差分平均值，通过差分平均值得到大腿在垂直方向上的第一变化趋势，是通过将大腿重力加速度方向加速度的包络信号的差分平均值与第一阈值进行比较，如果差分平均值大于第一阈值，则大腿在垂直方向上的第一变化趋势为上升趋势，确认大腿当前由弯曲状态变为直立状态；如果差分平均值小于第一阈值，则大腿在垂直方向上的第一变化趋势为下降趋势，确认大腿当前由直立状态变为弯曲状态。

可选的，根据大腿矢状面方向角速度的包络信号得到大腿在矢状面方向上的第二变化趋势，是通过将大腿矢状面方向角速度的包络信号与第二阈值进行比较，如果大腿矢状面方向角速度的包络信号大于阈值，则确认大腿的发生动作。

然后基于第一变化趋势与第二变化趋势确定大腿运动状态，例如：第一变化趋势为上升趋势，且根据第二变化趋势确认大腿的发生动作，则确认大腿运动状态由弯曲变为直立。或者，第二变化趋势为下降趋势，且根据第二变化趋势确认大腿的发生动作，则确认大腿运动状态由直立变为弯曲。

本实施例中，根据小腿的三轴合角速度的包络信号确定小腿运动状态，是通过将小腿的三轴合角速度与第三阈值进行比较，当小于第三阈值时，则确认小腿处于静止状态；当大于第三阈值时，则确认小腿处于运动状态。

最后基于大腿运动状态以及小腿运动状态确定第一采样时刻的姿势信息。例如：大腿运动状态由直立变为弯曲时，小腿处于静止状态，则确认人体的姿势信息为坐姿。大腿运动状态由弯曲变为直立，小腿处于静止状态，则确认人体的姿势信息为站姿。

图3为本申请另一实施例提供的一种姿势检测方法的流程图。如图3所示，该方法还包括以下步骤：

步骤S21，获取相邻的第二采样时刻的姿势信息，第二采样时刻在第一采样时刻之前；

步骤S22，当第一采样时刻的姿势信息与第二采样时刻的姿势信息不同时，获取第一采样时刻与第二采样时刻的时间差；

步骤S23，当时间差大于预设时间差时，更新第一采样时刻对应的姿势标识。

本实施例中，获取相邻的第二采样时刻的姿势信息，第二采样时刻在第一采样时刻之前，其中获取相邻的第二采样时刻的姿势信息，包括：获取第二采样时刻的姿势标识，根据姿势标识确定第二采样时刻的姿势信息。

当第一采样时刻的姿势信息与第二采样时刻的姿势信息不同时，获取第一采样时刻与第二采样时刻的时间差，当时间差大于预设时间差时，更新第一采样时刻对应的姿势标识。

例如：第二采样时刻的姿势信息为坐姿，第一采样时刻得到的姿势信息为站姿，判断第一采样时刻与第二采样时刻的时间差是否大于预设时间差，如果大于则确认第一采样时刻的姿势信息为站姿，并更新第一采样时刻对应的姿势标识。

在另一个实施例中，还提供了一种确认姿势信息的方式，获取之前采样时刻的大腿重力加速度方向加速度的包络信号的最大值和最小值。

其中，如果第一采样时刻的大腿重力加速度方向加速度的包络信号大于最大值时，则根据第一采样时刻的大腿重力加速度方向加速度的包络信号更新最大值；如果第一采样时刻的大腿重力加速度方向加速度的包络信号小于或等于最大值时，则仍采用之前采样时刻的最大值。

然后根据最大值和最小值确定最大值与最小值之间的最值差。计算第一采样时刻的大腿重力加速度方向加速度的包络信号与第二采样时刻中最小值之差，并与最值差作比，得到比值。该比值能够表现当前时刻与经验瞬时特征的变化，比值越大，说明越接近坐姿，比值越小，说明越接近站姿。

如图4所示，本申请另一实施例提供了一种姿势检测方法的流程图，该方法实施例具体用于判断坐姿与站姿的瞬时变化。该方法包括：

步骤S31，接收当前采样时刻的运动数据；

本实施例中，当前采样时刻的运动数据包括：每个关键部位对应至少一个运动数据，例如：关键部位可以是：大腿，小腿，肩部，肘部等，运动数据包括：关键部位的陀螺仪数据，加速度数据，角速度数据等。

本实施例以判断坐姿与站姿为例，所以提取的运动数据为：大腿重力加速度方向加速度，大腿矢状面方向角速度以及小腿的三轴合角速度。

步骤S32，确定运动数据对应的包络信号；

具体的，获取初始化后的核函数，将运动数据传入核函数，对传入所述运动数据后的核函数进行积分，得到运动数据对应的包络信号。

步骤S33，分析包络信号确定当前采样时刻的姿势信息；

具体的，根据连续N个采样时刻的大腿重力加速度方向加速度的包络信号以及大腿矢状面方向角速度的包络信号确定大腿运动状态，根据小腿的三轴合角速度的包络信号确定小腿运动状态，基于大腿运动状态以及小腿运动状态确定当前采样时刻的姿势信息。

步骤S34，当姿势信息符合坐姿特征，或姿势信息符合站姿特征时，则确认当前采样时刻相比前一采样时刻发生姿势变化，并执行步骤S35；

当姿势信息不符合坐姿特征，或姿势信息不符合站姿特征时，则确认当前采样时刻相比前一采样时刻未发生过姿势变化，并执行步骤S36。

本申请实施例提供的姿势检测方法相比图像识别等识别方法，基于运动传感器行为识别显示出了功耗低、便携性好、成本低等优势，还可以在医疗康复、人机交互、虚拟实现等领域进行广泛的应用。

本申请公开的检测方法，是基于可穿戴式传感器运动信息融合的人体下肢行为瞬态的判断，能够实现对日常人体坐姿或者站姿等瞬态的快速响应，以便智能可穿戴设备的及时反馈。

图5为本申请实施例提供的一种姿势检测装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。

如图5所示，该装置包括：

接收模块401，用于接收第一采样时刻的运动数据；

确定模块402，用于确定运动数据对应的包络信号；

分析模块403，用于分析包络信号确定第一采样时刻的姿势信息。

本申请实施例还提供一种电子设备，如图6所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。

存储器1503，用于存放计算机程序；

处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例的步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，P C I)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例的步骤。

需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

进一步需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种姿势检测方法，其特征在于，包括：

接收第一采样时刻的运动数据；

确定所述运动数据对应的包络信号；

分析所述包络信号确定所述第一采样时刻的姿势信息。

2.根据权利要求1所述的方法，其特征在于，所述运动数据包括：至少一个关键部位对应的运动数据，其中每个关键部位对应至少一个运动数据。

3.根据权利要求1所述的方法，其特征在于，所述确定所述运动数据对应的包络信号，包括：

获取初始化后的核函数；

将所述运动数据传入所述核函数；

对传入所述运动数据后的核函数进行积分，得到所述运动数据对应的包络信号。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取相邻的第二采样时刻的姿势信息，所述第二采样时刻在所述第一采样时刻之前；

当所述第一采样时刻的姿势信息与所述第二采样时刻的姿势信息不同时，获取所述第一采样时刻与所述第二采样时刻的时间差；

当所述时间差大于预设时间差时，更新所述第一采样时刻对应的姿势标识。

5.根据权利要求3所述的方法，其特征在于，所述运动数据包括：大腿重力加速度方向加速度，大腿矢状面方向角速度以及小腿三轴合角速度。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取连续N个采样时刻的大腿重力加速度方向加速度和大腿矢状面方向角速度，其中N为大于1的整数；

所述分析所述包络信号确定第一采样时刻的姿势信息，包括：

根据连续N个采样时刻的所述大腿重力加速度方向加速度的包络信号以及所述大腿矢状面方向角速度的包络信号确定大腿运动状态；

根据所述小腿的三轴合角速度的包络信号确定小腿运动状态；

基于所述大腿运动状态以及所述小腿运动状态确定所述第一采样时刻的姿势信息。

7.根据权利要求6所述的方法，其特征在于，所述根据连续N个采样时刻的所述大腿重力加速度方向加速度的包络信号以及所述大腿矢状面方向角速度的包络信号确定大腿状态，包括：

计算N个所述大腿重力加速度方向加速度的包络信号的差分平均值；

通过所述差分平均值得到大腿在垂直方向上的第一变化趋势；

根据所述大腿矢状面方向角速度的包络信号得到大腿在矢状面方向上的第二变化趋势；

基于所述第一变化趋势与所述第二变化趋势确定所述大腿运动状态。

8.一种姿势检测装置，其特征在于，包括：

接收模块，用于接收第一采样时刻的运动数据；

确定模块，用于确定所述运动数据对应的包络信号；

分析模块，用于分析所述包络信号确定所述第一采样时刻的姿势信息。

9.一种姿势检测系统，其特征在于，包括：运动传感器和处理器，所述运动传感器与所述处理器通信连接；

所述运动传感器，用于采集第一采样时刻的运动数据，将所述运动数据发送至所述处理器；

所述处理器，用于接收第一采样时刻的运动数据，确定所述运动数据对应的包络信号，分析所述包络信号确定所述第一采样时刻的姿势信息。

10.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述计算机程序时，实现权利要求1-7任一项所述的方法步骤。

11.一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，该计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。

Images