CN111288986A

CN111288986A - 一种运动识别方法及运动识别装置

Info

Publication number: CN111288986A
Application number: CN201911409891.5A
Authority: CN
Inventors: 董春娇; 商春恒
Original assignee: China Science Pengzhou Intelligent Industry Innovation Center Co Ltd
Current assignee: China Science Pengzhou Intelligent Industry Innovation Center Co Ltd
Priority date: 2019-12-31
Filing date: 2019-12-31
Publication date: 2020-06-16
Anticipated expiration: 2039-12-31
Also published as: CN111288986B

Abstract

本发明提供一种运动识别方法及识别装置，识别方法包括采集用户的运动数据，根据运动数据计算表征用户运动状态的第一特征数据，并根据该数据判断用户处于静止还是运动状态。响应于用户处于运动状态，根据运动数据计算表征运动类型的第二特征数据，并根据第二特征数据判断运动类型。根据确定的运动类型，计算表征运动动作的第三特征数据，并根据第三特征数据判断用户的运动动作。在第二次分类中，结合人类运动时的习惯可采用动态运动类型判断，判断结果一致时保持低频次判断，判断结果分散时开启高频次判断。该运动识别方法不需要同时对所有特征数据进行计算，可自动调整类型判断频次，有效减少运算量，保证识别方法实时性，且不影响分类精度。

Description

一种运动识别方法及运动识别装置

技术领域

本发明属于运动识别技术领域，具体涉及一种运动识别方法及一种运动识别装置。

背景技术

市面上主要利用加速度计和陀螺仪对运动数据进行采集，其中由于加速度计和陀螺仪具有成本低、体积小、功耗低等优点得到广泛应用，很多手环利用这些传感器做计步器使用，但是针对采集到的加速度或角速度等运动数据的进一步处理，传统的多分类识别方法，首先选择多个特征数据，进行一些归一化和降维变换，然后一起输入分类器，直接输出分类结果。由于在处理过程中需要提取多个特征数据，并且这些特征数据选择的越丰富，模型准确度越高，虽然可以进行降维选择，但是实时提取这些特征数据还是一个很大的计算开销，并且在没有进行运动时候也在不停计算，浪费功耗。

因此，针对以上问题，需要开发一种智能化、简便化的运动识别装置，可以针对不同特征数据进行分类提取，由此减少运算工作量。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种运动识别方法、运动识别装置以及电子设备、计算机可读存储介质。

本发明的第一方面，提供一种运动识别方法，具体包括以下步骤：

采集用户的运动数据，所述运动数据包括三轴加速度数据和三轴角速度数据；

根据所述运动数据计算表征用户运动状态的第一特征数据，并根据所述第一特征数据，判断所述用户处于静止状态还是运动状态；

响应于所述用户处于运动状态，根据所述运动数据计算表征用户运动类型的第二特征数据，并根据所述第二特征数据判断所述用户的运动类型；

根据确定的所述运动类型，根据所述运动数据计算表征运动动作的第三特征数据，并根据所述第三特征数据判断所述用户的运动动作。

可选的，所述采集用户的运动数据，包括：

利用六轴传感器采集所述用户的三轴加速度数据和三轴角速度数据。

可选的，所述根据所述第一特征数据，判断所述用户处于静止状态还是运动状态，包括：

每间隔预设的第一时间段，计算一次实际合加速度的最大值，并将所述实际合加速度的最大值与第一预设值进行比较，并记录超出所述第一预设值的次数；

计算预设的第二时间段内，超出所述第一预设值的次数是否超出第二预设值，若是则判定所述用户处于运动状态，若否则判定所述用户处于静止状态，其中，所述第二时间段包括多个所述第一时间段。

可选的，所述根据所述第二特征数据判断所述用户的运动类型，包括：

设置第一检测频率，根据所述第一检测频率多次检测所述用户的运动状态，分别计算每次所述运动状态所对应的第二特征数据，并根据各所述第二特征数据判断所述用户的运动类型；

响应于多次判断结果一致，则输出所述多次判断所确定的运动类型，并切换至第二检测频率多次检测所述用户的运动状态；

响应于多次判断结果分散，则继续保持所述第一检测频率；

其中，所述第一检测频率大于所述第二检测频率。

可选的，所述切换至第二检测频率多次检测所述用户的运动状态，包括：

分别计算每次所述运动状态所对应的第二特征数据，并根据各所述第二特征数据判断所述用户的运动类型；

响应于多次判断结果一致，则输出所述多次判断所确定的运动类型，继续保持所述第二检测频率；

响应于多次判断结果分散，则切换至所述第一检测频率。

可选的，采用随机森林作为分类器，根据各所述第二特征数据进行判断，输出所述随机森林的分类结果作为所述用户的运动类型；

若输出的所述运动类型与上一次输出的所述运动类型相同，则代表结果一致；若不相同，则代表结果分散。

可选的，所述根据所述第三特征数据判断所述用户的运动动作，包括：

从预先存储的分类模型集合中选定与当前运动类型相匹配的分类模型；

将所述第三特征数据输入至选定的所述分类模型中，根据所述分类模型所输出的分类结果判断所述用户的运动动作。

本发明的第二方面，提供一种运动识别装置，包括：采集模块，用于采集用户的运动数据，所述运动数据包括三轴加速度数据和三轴角速度数据；

运动状态判断模块，用于根据所述运动数据计算表征用户运动状态的第一特征数据，并根据所述第一特征数据，判断所述用户处于静止状态还是运动状态；

响应于所述用户处于运动状态，根据所述运动数据计算表征用户运动类型的第二特征数据；

运动类型判断模块，用于根据所述第二特征数据判断所述用户的运动类型；

运动动作判断模块，用于根据确定的所述运动类型，根据所述运动数据计算表征运动动作的第三特征数据，并根据所述第三特征数据判断所述用户的运动动作。

可选的，所述采集模块采用六轴传感器。

本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现上述记载的运动识别方法。

本发明提供的运动识别方法及运动识别装置，相对于现有技术的有益效果具体如下：本发明提出一种三次分类的运动识别方法，即第一次分类，区分静止状态和运动状态，确定是运动状态后，第二次分类区分不同的运动类型，然后根据运动类型，选择不同的特征数据和分类模型，进行第三次分类，即动作分类。该运动识别方法根据需要的特征数据进行分步确定运动状态、运动类型及运动动作，以实现对运动的准确识别。其中，在第二次分类中，结合人类运动时的习惯可采用动态运动类型判断，判断结果一致时，保持低频次判断，判断结果分散时，开启高频次判断。该运动识别方法不需要同时对所有特征数据进行计算，可自动调整类型判断频次，有效减少运算量，保证识别方法实时性，且不影响分类精度。

附图说明

图1为本发明第一实施例的一种运动识别方法流程示意图；

图2为本发明第一实施例的一种运动识别方法整体示意框图；

图3为本发明第一实施例的运动识别方法中第一次分类示意框图；

图4为本发明第一实施例的运动识别方法中第二次分类示意框图；

图5为本发明第二实施例的运动识别装置的组成示意框图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

如图1和图2所示，本发明的第一方面，提供一种运动识别方法，具体包括：采集用户的运动数据，运动数据包括三轴加速度数据和三轴角速度数据。根据运动数据计算表征用户运动状态的第一特征数据，并根据第一特征数据，判断用户处于静止状态还是运动状态。响应于用户处于运动状态，根据运动数据计算表征用户运动类型的第二特征数据，并根据第二特征数据判断用户的运动类型。根据确定的运动类型，根据运动数据计算表征运动动作的第三特征数据，并根据第三特征数据判断用户的运动动作。

需要说明的是，本发明的运动识别方法首先通过六轴传感器获得三轴加速度、三轴角速度、进而获得三轴空间角度及三轴实际加速度，然后提取各轴的特征数据，各特征数据包括三轴各自的实际加速度最大值、最小值、平均值、中位数、波峰、波谷、上升\下降时间等数据，或者合加速度的各个特征值，以及各轴线方向与水平方向的夹角等，特征数据选择的越丰富，模型准确度越高，虽然可以进行降维选择，但是实时提取这些特征数据还是一个很大的计算开销，并且在没有进行运动时候也在不停计算，浪费功耗。不同的运动类型在进行动作分类时，需要不同的特征数据，如果提前判断好运动类型，就会减少很多工作。所以，本发明提出一种三次分类的运动识别方法。第一次分类，区分静止和运动状态，确定是运动状态后，第二次分类区分不同的运动类型，然后根据运动类型，选择不同的特征数据和分类模型，进行第三次分类，即动作分类。

本发明提供的运动识别方法根据需要的特征数据进行分步确定运动状态、运动类型及运动动作，可以实现对运动的准确识别。并且在此过程中不需要同时对所有特征数据进行计算，可以有效减少运算量，保证识别方法实时性，并且不影响分类精度。

具体地，如图1所示，第一步、采用六轴传感器采集用户的运动数据，具体运动数据包括三轴加速度数据和三轴角速度数据。

如图1和图2所示，第二步、判断该用户是处于运动状态还是静止状态，具体地，根据上述采集的运动数据计算表征用户运动状态的第一特征数据，再根据第一特征数据，判断用户处于静止状态还是运动状态，即对应图2中的第一次分类。其中，第一特征数据指实际合加速度。

具体地，每间隔预设的第一时间段，计算一次实际合加速度的最大值，并将实际合加速度的最大值与第一预设值进行比较，并记录超出第一预设值的次数。计算预设的第二时间段内，超出第一预设值的次数是否超出第二预设值，若是则判定用户处于运动状态，若否则判定用户处于静止状态，其中，第二时间段包括多个第一时间段。也就是说，本实施例通过计算一段时间内实际合加速度超过阈值的次数对用户的运动状态进行判断。

在一个示例中，第二时间段包括多个第一时间段，进行多次检测，其中，每个第一时间段进行一次检测。本实施例中选择每一分钟判断一次用户运动状态，并在一分钟内进行多次计算实际加速度的最大值，例如，如图3所示，我们在一分钟内每间隔5秒计算一次，每次计算的实际加速度最大值超过第一预设值输出1，否则输出0，之后计算一分钟内所有输出值的累加值，如果一分钟内的累加值超过第二预设值，则可判断该用户处于运动状态，否则判断该用户处于静止状态。

需要说明的是，本实施例的静止状态不是指绝对静止，而是运动幅度较小，没有超过第一预设值。上述的第一预设值与第二预设值不作具体限定，可根据具体运动进行设定。

如图1和图2所示，第三步、当判断出该用户处于运动状态时，进一步判断该运动状态的运动类型，例如：该运动属于走路、跑动、游泳、篮球、羽毛球、乒乓球等中任意一种，该运动识别方法可实时区分运动类型，即对应图2中的第二次分类。

具体地，根据第二特征数据判断用户的运动类型，包括：设置第一检测频率，根据第一检测频率多次检测用户的运动状态，分别计算每次运动状态所对应的第二特征数据，并根据各第二特征数据判断用户的运动类型；响应于多次判断结果一致，则输出多次判断所确定的运动类型，并切换至第二检测频率多次检测用户的运动状态，响应于多次判断结果分散，则继续保持第一检测频率。其中，第一检测频率大于第二检测频率。之后，切换至第二检测频率多次检测用户的运动状态，包括：分别计算每次运动状态所对应的第二特征数据，并根据各第二特征数据判断用户的运动类型。响应于多次判断结果一致，则输出多次判断所确定的运动类型，则继续保持第二检测频率，响应于多次判断结果分散，则切换至第一检测频率。

进一步地，上述根据各第二特征数据判断用户的运动类型可采用随机森林作为分类器进行判断，具体地，根据多个检测时间段的第二特征数据进行判断，输出随机森林的分类结果作为用户的运动类型，若输出的运动类型与上一次输出的运动类型相同，则代表结果一致；若不相同，则代表结果分散。

需要说明的是，第二次分类中的第二特征数据包括实际合加速度的一些特征数据，比如最大值、最小值、平均值、中位数、波峰、波谷、上升\下降时间。也就是说，第二次分类中通过计算实际合加速度的各个特征数据可以实现对运动类型的判断。

在一个示例中，通过实际采集数据发现，用户在进入一个运动状态之后，会持续运动大概半小时至一个小时之间，在切换不同运动时，一般会休息至少一分钟，这样，就可以动态的进行运动类型判断，具体地，如图4所示，将第二次分类划分为四个过程，具体有：A过程，代表用户刚开始运动，进行高频率检测并分类判别，也就是上述记载的在第一检测频率下对用户进行多次检测并计算第二特征数据，例如，每分钟检测一次，对最新的五次一分钟时间段的第二特征数据采用随机森林进行判断，如果结果相一致，输出结果，并切换至第二检测频率，即执行低频率检测。B过程，代表运动期间，进行低频率检测并分类判别，即在第二检测频率下进行检测，例如每五分钟取一段一分钟数据进行检测，对最新的五次一分钟时间段的第二特征数据采用随机森林进行判断，如果结果一致，保持低频率检测，取下个五分钟的数据，继续判断，如果结果不一致，切换至高频率检测。C过程，代表判别结果分散，重新切换至第一检测频率进行检测判断，即每分钟一次，连续检测五次的高频率检测。D过程，代表判断结果一致，切换至第二检测频率继续检测，即五分钟检测一次的低频率检测。

如图1和图2所示，第四步、根据确定的运动类型进一步判断运动动作，具体地，根据运动数据计算表征运动动作的第三特征数据，并根据第三特征数据判断用户的运动动作，包括：从预先存储的分类模型集合中选定与当前运动类型相匹配的分类模型。将第三特征数据输入至选定的分类模型中，根据分类模型所输出的分类结果判断用户的运动动作，即对应图2中的第三次分类。

也就是说，根据已经判断出的运动类型进一步详细划分，选择不同的特征数据和分类模型，进行第三次分类，即动作分类，比如第三步中运动类型识别为篮球动作后，需要进一步区分该运动动作具体是投球、运球还是传球等动作，并同时输出每个动作的角度、加速度等详细数据。这样，我们就可以根据不同的运动类型，再多计算一些特征数据进行分类，比如篮球动作中，我们可以分别计算x轴加速度/合加速度的比值，y轴加速度/合加速度的比值，以及z轴加速度/合加速度的比值，用以判断手臂在不同方向上的用力，当然，根据不同的运动类型可以选择计算不同的特征数据，其中，第三特征数据包括x、y、x三个轴各自的最大值、最小值、平均值、中位数、波峰、波谷、上升\下降时间等，然后根据各个运动类型的训练数据，选择最优分类模型，比如篮球分类可以选择决策树，游泳动作可以选择svm等。

本发明的第二方面，如图5所示，提供一种运动识别装置100，包括：采集模块101，用于采集用户的运动数据，运动数据包括三轴加速度数据和三轴角速度数据，其中，采集模块采用六轴传感器。运动状态判断模块102，用于根据运动数据计算表征用户运动状态的第一特征数据，并根据第一特征数据，判断用户处于静止状态还是运动状态。响应于用户处于运动状态，根据运动数据计算表征用户运动类型的第二特征数据。运动类型判断模块103，用于根据第二特征数据判断用户的运动类型。运动动作判断模块104，用于根据确定的运动动作，根据运动数据计算表征运动动作的第三特征数据，并根据第三特征数据判断用户的运动动作。

本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时能实现上述记载的运动识别方法。其中，计算机可读介质可以是本发明的装置、设备、系统中所包含的，也可以是单独存在。

其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。

其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims

1.一种运动识别方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的运动识别方法，其特征在于，所述采集用户的运动数据，包括：

3.根据权利要求2所述的运动识别方法，其特征在于，所述根据所述第一特征数据，判断所述用户处于静止状态还是运动状态，包括：

4.根据权利要求1-3任一项所述的运动识别方法，其特征在于，所述根据所述第二特征数据判断所述用户的运动类型，包括：

响应于多次判断结果分散，则继续保持所述第一检测频率；

其中，所述第一检测频率大于所述第二检测频率。

5.根据权利要求4所述的运动识别方法，其特征在于，所述切换至第二检测频率多次检测所述用户的运动状态，包括：

响应于多次判断结果分散，则切换至所述第一检测频率。

6.根据权利要求5所述的运动识别方法，其特征在于，采用随机森林作为分类器，根据各所述第二特征数据进行判断，输出所述随机森林的分类结果作为所述用户的运动类型；

7.根据权利要求1-3任一项所述的运动识别方法，其特征在于，所述根据所述第三特征数据判断所述用户的运动动作，包括：

8.一种运动识别装置，其特征在于，包括：采集模块，用于采集用户的运动数据，所述运动数据包括三轴加速度数据和三轴角速度数据；

9.根据权利要求7所述的运动识别装置，其特征在于，所述采集模块采用六轴传感器。

10.一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，所述计算机程序被处理器执行时能实现根据权利要求1至7中任意一项所述的运动识别方法。