CN111513723A - 运动姿态监测方法、调整方法、装置和终端 - Google Patents
运动姿态监测方法、调整方法、装置和终端 Download PDFInfo
- Publication number
- CN111513723A CN111513723A CN202010315752.2A CN202010315752A CN111513723A CN 111513723 A CN111513723 A CN 111513723A CN 202010315752 A CN202010315752 A CN 202010315752A CN 111513723 A CN111513723 A CN 111513723A
- Authority
- CN
- China
- Prior art keywords
- motion
- current user
- characteristic value
- determining
- data
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 479
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 40
- 230000001133 acceleration Effects 0.000 claims abstract description 33
- 230000005484 gravity Effects 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 46
- 230000006870 function Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000013145 classification model Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及运动数据分析领域,公开了一种运动姿态监测方法、调整方法、装置和终端。本发明中,一种运动姿态监测方法,应用于终端,包括:根据内置的加速度传感器获取当前用户的第一运动数据,并根据内置的重力传感器获取所述当前用户的第二运动数据;根据所述第一运动数据和所述第二运动数据确定所述当前用户的运动特征值;其中,所述运动特征值包括所述当前用户在运动过程中产生的加速度在重力方向上的分量;根据所述运动特征值确定所述当前用户的运动姿态,使得可以在运动过程中简易、方便地监测用户的运动姿态。
Description
技术领域
本发明实施例涉及运动数据分析领域,特别涉及一种运动姿态监测方法、调整方法、装置和终端。
背景技术
随着人们生活水平的不断提高,人们越来越重视自身的身体健康状况,因而越来越多的人选择通过健身运动来提高自身的身体素质。为了提高健身效果,用户往往会通过健身APP或者可穿戴设备获取运动过程中的运动数据,来了解自己的运动情况,并记录运动过程。
在运动过程中,用户运动姿态是一项可以反映用户运动情况以及身体健康情况的重要运动数据。目前大部分的运动设备只能根据内置传感器采集的数据提供简单的计步、记录运动速度等功能;而对于运动姿态的分析往往需要通过穿戴专业的运动姿态采集传感器来获取运动数据,并在训练结束后将数据同步到服务器,在服务器中对运动姿态进行进一步的分析。
发明人发现现有技术中至少存在如下问题:目前大部分的运动监测设备只能提供简单的计步、计速功能,无法进行运动姿态分析。而专业的运动姿态采集传感器通常价格昂贵,且穿戴运动姿态采集传感器会对用户的正常运动造成一定的影响;另外,需要在运动结束后将传感器采集的数据上传服务器进行大量的计算才能获取运动姿态分析结果,无法实时反馈运动过程中的运动姿态,极大地影响了用户正常的跑步体验。
发明内容
本发明实施例的目的在于提供一种运动姿态监测方法、调整方法、装置和终端,使得可以在运动过程中简易、方便地监测用户的运动姿态。
为解决上述技术问题,本发明的实施例提供了一种运动姿态监测方法,应用于终端,包括以下步骤:根据内置的加速度传感器获取当前用户的第一运动数据,并根据内置的重力传感器获取所述当前用户的第二运动数据;根据第一运动数据和第二运动数据确定当前用户的运动特征值;其中,运动特征值包括当前用户在运动过程中产生的加速度在重力方向上的分量;根据运动特征值确定当前用户的运动姿态。
本发明的实施例还提供了一种运动姿态调整方法,包括:通过以上运动姿态监测方法获取当前用户的运动姿态;根据运动姿态调整当前用户预设的运动计划。
本发明的实施例还提供了一种运动姿态监测装置,包括:加速度传感器,用户获取当前用户的第一运动数据;重力传感器,用于获取当前用户的第二运动数据;处理器,用于根据第一运动数据和第二运动数据确定当前用户的运动特征值;其中,运动特征值包括当前用户在运动过程中产生的加速度在重力方向上的分量;运动姿态确定模块,用于根据运动特征值确定当前用户的运动姿态。
本发明的实施例还提供了一种运动姿态调整装置,包括:监测模块,用于通过以上的运动姿态监测方法获取当前用户的运动姿态;调整模块,用于根据运动姿态调整当前用户预设的运动计划。
本发明的实施例还提供了一种终端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行以上运动姿态监测方法,或者执行以上运动姿态调整方法。
本发明的实施例还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现以上运动姿态监测方法,或者执行以上运动姿态调整方法。
本发明实施例相对于现有技术而言,提出一种运动姿态监测方法,通过由终端内置的重力传感器数据和加速度传感器分别采集到的第一运动数据和第二运动数据,来提取当前用户的运动特征值,进而根据运动特征值确定运动姿态,可以实现对用户在运动过程中的运动姿态进行监测,简易方便,且可以实时反馈运动姿态,另外,本方法无需专业的运动监测传感器,对于终端设备的要求低,可以利用用户现有的终端设备进行运动姿态的监测,具有较低的成本。
另外,根据运动特征值确定当前用户的运动姿态包括:根据运动特征值确定当前用户的左脚着地时长和右脚着地时长;根据左脚着地时长和右脚着地时长计算左右均衡值;根据左右均衡值,确定当前用户的运动姿态。通过确定当前用户的左脚着地时长和右脚着地时长来得到左右均衡值,从而通过左右均衡值来反映用户在运动过程中的左右均衡性。
另外,根据第一运动数据和第二运动数据确定当前用户的运动特征值,包括:按照预设的采样周期,分别对第一运动数据和第二运动数据进行采样,得到N个第一子数据和N个第二子数据;其中,N为大于1的整数;根据N个第一子数据和N个第二子数据,确定N个运动特征值;其中,运动特征值是根据同一采样时刻采样得到的第一子数据和第二子数据确定的。
另外,根据运动特征值确定当前用户的左脚着地时长和右脚着地时长包括:将各运动特征值输入预设识别模型进行运动状态识别,得到各运动特征值对应的运动状态;其中,各运动特征值对应的运动状态为左脚着地或右脚着地;根据对应于运动状态为左脚着地的运动特征值的数量和采样周期,确定左脚着地时长,以及根据对应于运动状态为右脚着地的运动特征值的数量和采样周期,确定右脚着地时长。通过将运动特征值输入预设识别模型进行运动状态识别,来得到运动特征值对应的运动状态,简单快捷,且识别结果精准。
另外,根据运动特征值确定当前用户的左脚着地时长和右脚着地时长包括:将各运动特征值输入预设识别模型进行识别,确定各运动特征值对应的运动状态,各运动特征值对应的运动状态为左脚着地或右脚着地;从N个运动特征值中筛选出第一目标对象和第二目标对象;其中,第一目标对象表征运动状态的起始点,第二目标对象表征运动状态的结束点,第一目标对象和第二目标对象按照采样时间顺序间隔排列;从各目标对象中选取第一组合和第二组合;其中,第一组合包含相邻排列的第一目标对象和第二目标对象且对应的运动状态均为左脚着地,第二组合包含相邻的第一目标对象和第二目标对象且对应的运动状态均为右脚着地;根据第一组合中两个目标对象的采样时刻,确定当前用户的左脚着地时长,且根据第二组合中两个目标对象的采样时刻,确定当前用户的右脚着地时长。
另外,根据运动特征值确定当前用户的运动姿态包括:当当前用户在任一时刻的运动特征值与当前用户在任一时刻的前一时刻的运动特征值之间的差值在预设阈值范围内时,将当前用户在任一时刻的运动特征值更新为当前用户在任一时刻的前一时刻的运动特征值;根据当前用户在当前运动过程中的所有时刻的运动特征值,确定当前用户的运动姿态。通过对运动特征值进行过滤处理,可以滤除运动之外的因素对运动特征值数据的干扰,进一步提升后续运动姿态识别结果的准确度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明第一实施例提供的一种运动姿态监测方法的流程示意图;
图2是本发明第二施例提供的一种运动姿态调整方法的流程示意图;
图3是本发明第三实施例提供的一种运动姿态监测装置的结构示意图;
图4是本发明第四实施例提供的一种运动姿态调整装置的结构示意图;
图5是本发明第五实施例提供的一种终端的结构示意图。
具体实施例
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施例涉及一种运动姿态监测方法,应用于终端,包括:获取终端内置加速度传感器的第一运动数据和终端内置重力传感器的第二运动数据;根据第一运动数据和第二运动数据提取运动者的运动特征值,运动特征值包括加速度向量在重力向量方向上的分量;根据运动特征值确定运动姿态。
图1为本实施例的流程示意图,以下将结合图1对本实施例涉及的一种运动姿态监测方法进行详细说明。
步骤S101、根据内置的加速度传感器获取当前用户的第一运动数据,并根据内置的重力传感器获取所述当前用户的第二运动数据。
需要说明的是,本实施例提供的运动姿态监测方法应用于终端,终端可以为手机、运动手环、运动手表等可随身携带的终端设备,终端内置有加速度传感器和重力传感器。本实施例提供的运动姿态监测方法对终端的设备要求较低,在运动过程中,用户可通过随身携带的移动终端来对用户的运动姿态进行监测。在其他实施例中,终端还可以内置其它类型的传感器,来采集其它类型的运动数据。
本实施例提供的运动姿态监测方法,可以应用于多种运动场景,例如跑步、游泳、跳绳、爬山或攀岩等。
第一运动数据指的是加速度传感器获取的加速度数据,第二运动数据指的是重力传感器获取的重力数据。加速度传感器输出的第一运动数据包括用于表征当前的加速度向量,包括加速度大小,以及加速度的方向;重力传感器输出的第二运动数据包括 用于表征当前的重力向量,包括重力合力的大小,以及重力合力的方向。
在一个例子中,用户在跑步过程中,通过用户携带的手机实时获取用户在跑步运动过程中的第一运动数据,以及第二运动数据。例如传感器的采集周期为20ms,也即每20ms加速度传感器和重力传感器分别采集一条第一运动数据和第二运动数据,则1s内每个传感器会采集到50条传感器数据。手机内可以预先安装有相应的运动应用程序APP,传感器在采集到运动数据后,按照预设同步周期将采集的运动数据同步至APP中,例如每隔20ms或者1s传感器将采集到的运动数据同步至APP中,在APP中对采集的运动数据进行下一步的处理。可以理解的是,此处传感器采集周期、同步周期的举例仅为描述方便,不对本发明的具体实现方式构成限定。
步骤S102、根据第一运动数据和第二运动数据确定当前用户的运动特征值,运动特征值包括当前用户在运动过程中产生的加速度在重力方向上的分量。
本实施例中,运动特征值包括用户在运动过程中产生的加速度在重力方向上的分量。在其他实施例中,运动特征值还可以包括加速度在水平方向上的分量,通过加速度在水平方向上的分量可以表征运动者的横向运动,进而辅助判断用户的运动状态。
需要说明的是,根据第一运动数据和第二运动数据确定当前用户的运动特征值,可以包括:按照预设的采样周期,分别对第一运动数据和第二运动数据进行采样,得到N个第一子数据和N个第二子数据;其中,N为大于1的整数;根据N个第一子数据和N个第二子数据,确定N个运动特征值;其中,运动特征值是根据同一采样时刻采样得到的第一子数据和第二子数据确定的。
具体来说,终端按照预设的采样周期从传感器上传的数据中进行采样,从第一运动数据中采样得到第一子数据,从第二运动数据中采样得到第二子数据。例如,终端的采样周期为1s,传感器的采集周期为20ms,终端每隔1s获取传感器同步上传的50条传感器数据,对采样周期1s内的50条第一运动数据进行采样,来得到当前采样时刻的第一子数据;对采样周期1s内的50条第二运动数据进行采样,来得到当前采样时刻的第二子数据。根据同一采样时刻采样得到的第一子数据和第二子数据,来确定当前采样时刻的运动特征值。
在一个例子中,按照预设的采样周期,分别对第一运动数据和第二运动数据进行采样可以包括:分别对采样周期内的第一运动数据和第二运动数据求平均值,将采样周期内的第一运动数据的平均值作为第一子数据,将采样周期内的第二运动数据的平均值作为第二子数据。需要说明的是,在其他实施例中还可以将采样周期内多条第一运动数据的中值作为第一子数据,多条第二运动数据的中值作为第二子数据。
可以理解的是,在按照预设的采样周期,分别对第一运动数据和第二运动数据进行采样之前,还可以包括对第一运动数据和第二运动数据进行降噪处理,通过对降噪处理后的运动数据进行采样,来得到降噪处理后的第一子数据和降噪处理后的第二子数据,并根据降噪处理后的第一子数据和降噪处理后的第二子数据来确定当前采样时刻的运动特征值。通过对采样周期内的传感器数据进行降噪处理,去除偏离正常值的运动数据,并根据降噪处理后的运动数据来确定运动特征值,可以减少偶然误差,提高后续运动姿态分析结果的准确度。需要说明的是,对数据的降噪处理为现有技术,在此不对降噪处理的方法作过多的说明和限定。
根据第一子数据和第二子数据确定运动特征值包括:根据第二子数据确定当前运动的重力合力的方向,作为垂直方向,根据第一子数据获取加速度,并根据以下公式计算加速度在重力方向上的分量P:
将得到的第一子数据和第二子数据代入上述公式(1),计算加速度在重力方向上的分量P。
步骤S103、根据运动特征值确定当前用户的运动姿态。
以跑步为例,人在跑步过程中呈现三种运动状态:左脚着地、右脚着地和腾空,相应的不同运动状态下所采集到的传感器数据不同,且呈现出与运动状态相对应的运动特征值。跑步过程中,用户通过不断地在左脚着地、腾空、右脚着地三种状态中切换,从而实现在主运动方向上的位移,而在左脚着地状态时,用户运动数据会表现出偏左的特征,在右脚着地状态时,用户运动数据会表现出偏右的特征,因此可以根据运动特征值确定运动状态。
需要说明的是,步骤S103可以包括:当当前用户在任一时刻的运动特征值与当前用户在任一时刻的前一时刻的运动特征值之间的差值在预设阈值范围内时,将用户在任一时刻的运动特征值更新为当前用户在任一时刻的前一时刻的运动特征值;根据当前用户在当前运动过程中的所有时刻的运动特征值,确定当前用户的运动姿态。通过对特征值进行过滤处理,可以滤除运动之外的因素对特征值数据的干扰,进一步提升后续运动姿态分析结果的准确度。
具体来说,在通过步骤S102确定运动特征值后,对运动特征值进行过滤处理,前后两个时刻t时刻和t-1时刻的运动特征值分别为Pt以及Pt-1,当|Pt-Pt-1|<预设阈值时,将t-1时刻的运动特征值Pt-1赋予t时刻:Pt=Pt-1,并根据过滤处理后的运动特征值来确定运动姿态。
在本实施例中,根据运动特征值确定当前用户的运动姿态包括:根据运动特征值确定当前用户的左脚着地时长和右脚着地时长;根据左脚着地时长和右脚着地时长计算左右均衡值;根据左右均衡值,确定当前用户的运动姿态。确定运动特征值对应的运动状态,进而可以确定左脚着地时长和右脚着地时长,并得到左右均衡值,从而通过左右均衡值来反映用户在运动过程中的左右均衡性。
左脚着地时长与右脚着地时长的比值为左右均衡值,用于表征运动过程中的左右均衡性,例如左右均衡值为1表示运动左右均衡性较好,左右均衡值大于1表示运动姿态偏左,左右均衡值小于1表示运动姿态偏右。
在其他实施例中,还可以通过步长等来表征运动姿态。
需要说明的是,根据运动特征值确定当前用户的左脚着地时长和右脚着地时长可以包括:将各运动特征值输入预设识别模型进行运动状态识别,得到各运动特征值对应的运动状态;其中,各运动特征值对应的运动状态为左脚着地或右脚着地;根据对应于运动状态为左脚着地的运动特征值的数量和采样周期,确定左脚着地时长,以及根据对应于运动状态为右脚着地的运动特征值的数量和采样周期,确定右脚着地时长。通过将运动特征值输入预设识别模型来得到运动特征值对应的运动状态,方便快捷,且识别结果准确。
具体来说,终端安装的APP内预设有识别模型,在获取运动特征值后,将运动特征值输入预设识别模型中,对运动特征值对应的运动状态进行识别,以获取运动特征值对应的运动状态。需要说明的是,此处运动特征值对应的运动状态指的是对应当前用户的运动状态。根据对应于左脚着地状态的运动特征值的数量和采样周期,可以获知当前用户左脚着地状态的持续时长,也即左脚着地时间;根据对应于右脚着地状态的运动特征值的数量和采样周期,可以获知当前用户右脚着地状态的持续时长,也即右脚着地时间。
另外,在其他实施例中,根据运动特征值确定当前用户的左脚着地时长和右脚着地时长可以包括:将各运动特征值输入预设识别模型进行识别,确定各运动特征值对应的运动状态,各运动特征值对应的运动状态为左脚着地或右脚着地;从N个运动特征值中筛选出第一目标对象和第二目标对象;其中,第一目标对象表征运动状态的起始点,第二目标对象表征运动状态的结束点,第一目标对象和第二目标对象按照采样时间顺序间隔排列;从各目标对象中选取第一组合和第二组合;其中,第一组合包含相邻排列的第一目标对象和第二目标对象且对应的运动状态均为左脚着地,第二组合包含相邻的第一目标对象和第二目标对象且对应的运动状态均为右脚着地;根据第一组合中两个目标对象的采样时刻,确定当前用户的左脚着地时长,且根据第二组合中两个目标对象的采样时刻,确定当前用户的右脚着地时长。
需要说明的是,运动特征值对应的运动状态,指的是对应当前用户的运动状态,例如某一运动特征值对应当前用户的左脚着地状态;第一目标对象对应的运动状态或第二目标对象对应的运动状态,指的是对应当前用户的运动状态,例如某一第一目标对象表征当前用户左脚着地状态的起始点,某一第二目标对象表征当前用户左脚着地状态结束点。
具体来说,在跑步过程中,加速度在重力方向上的分量将会呈现出类似正弦曲线的波动,用户的运动状态在左脚着地、腾空和右脚着地之间进行切换,当上一时刻的运动特征值对应的运动状态为腾空或右脚着地,而当前时刻的运动特征值对应的运动状态为左脚着地时,表示当前时刻为左脚着地的起始点;当当前时刻的运动特征值对应的运动状态为左脚着地,下一时刻的运动特征值对应的运动状态为腾空或右脚着地时,表示当前时刻为左脚着地的结束点,根据起始点和结束点之间的时刻差即可得到左脚着地时长;相应的也可以得到右脚着地时长。
根据确定的左脚着地时长和右脚着地时长,可以计算当前用户运动过程中的左右均衡值,左脚着地时长与右脚着地时长的比值为左右均衡值。
其中,预设的识别模型包括分类模型,例如为XGBoost、LSTM、随机森林或LightGBM中的任一种。
XGboost(extreme gradient boosting,极端梯度提升)是大规模并行boostedtree的工具,是GBDT(gradient boosting decision tree,梯度提升迭代决策树)的改进,既可以用于分类也可以用于回归问题中。Xgboost是集成算法中提升算法Boosting的代表算法,集成算法通过在数据集中构建多个弱评估器,汇总所有弱评估器的建模结果,以获取比单个模型更好的回归或分类表现。模型的建模过程大致如下:最开始先建立一棵树,然后逐渐迭代,每次迭代过程中都增加一棵树,也就是说不断地进行特征分裂来生长一棵树,逐渐形成众多树模型集成的强评估器。
对于Xgboost算法,每个叶子节点上会有叶子权重。叶子权重是所有在此叶子节点上的样本在这一棵树上的取值,用fk(xi)来表示,其中k代表第k棵决策树,xi代表样本i对应的特征向量指标。当只有一棵树时,f1(xi)就是算法返回的结果,但很多情况下只用一棵树的结果较为不理想。当有多棵树时,结果就是所有树的权重之和,不妨设模型中共有K棵决策树,那么整个模型在样本i上给出的预测结果,也就是权重为:
XGboost集成算法主要构成有如下三部分:
(1)学习目标函数
XGboost中引入了模型复杂度来衡量算法的运算效率,公式如下:
这可以实现模型表现和运算速度的平衡。其中i代表数据集中的第i个样本,m表示导入第k棵树的数据总量,k代表建立树的总量。第一项衡量真实标签和预测结果之间的差异,代表传统的损失函数;第二项代表模型的复杂度,使用树模型的某种变换表示,这个变化代表从树的结构来衡量树模型的复杂度。在迭代每一课树的过程中,都最小化目标函数Obj(k)来获取最优所以这也最小化了模型的错误率与复杂度。
接下来求解目标函数。目标函数中第一项与已经建好的树结构有如下相关性,当构建第t棵树时:
(2)寻找最佳树结构
树的复杂度是叶子数目加上正则项,表达式如下:
其中第t棵树的结构已经被确定设为q,可以将树的结构带入到损失函数,继续对目标函数进行转化,表达式如下:
目标函数值越小,表示分数越小,也就是说树结构越好。算法通过利用上述公式构造不同的树结构来搜寻最优的树结构。
(3)寻找最佳分支
XGboost最优树的集成模型,和决策树算法类似,使用贪婪算法来进行计算,如果每片叶子都是最优,那么整体生成的树结构就是最优。首先使用目标函数来衡量树的结构优劣,然后让树从深度0开始生长,每进行一次分枝,计算目标函数的减少量,当减少量低于预先设定的某个阈值时,停止树的生长,生成模型。
最后,使用预言模型标记语言(Predictive Model Markup Language,PMML)方式对通过上述方式训练得到的模型进行持久化,使得模型可以在客户端(Android、IOS)使用。
PMML是数据挖掘的一种通用的规范,它用统一的XML格式来描述我们生成的机器学习模型。在使用PMML进行持久化处理时,主要需要两步的工作,第一块是将离线训练得到的模型转化为PMML模型文件,第二块是将PMML模型文件载入在线预测环境,进行预测。
LSTM(Long Short-Term Memory,长短期记忆神经网络)模型是RNN(RecurrentNeural Network,循环神经网络)的一种,由于其设计特点,LSTM模型非常适合用于建模时间序列数据,如文本数据等。
随机森林指的是利用多棵树对样本进行训练并预测的一种分类模型,在机器学习中,随机森林是一个包含多个决策树的分类模型,并且其输出的类别是由个别树输出的类别的众数而定,对于很多种资料,它可以产生高准确度的分类器,具有可以处理大量的输入变数、可以在内部对于一般化后的误差产生无偏差的估计、可以估计遗失的资料,且如果有很大一部分的资料遗失,仍可以维持准确度、可以平衡不平衡的分类资料集的误差、可以计算各例中的亲近度,对于数据挖掘、侦测离群点(outlier)和将资料视觉化非常有用以及模型学习过程快速等特点。
LigthGBM和XGboost一样都是对GBDT的高效实现,原理上LigthGBM和GBDT及XGboost类似,都采用损失函数的负梯度作为当前决策树的残差近似值,去拟合新的决策树。
需要说明的是,预设识别模型是通过获取用户历史运动过程中的运动特征值,并根据历史运动过程中的运动特征值对预先建立的分类模型进行训练得到的。通过输入历史运动过程中的运动特征值预先对分类模型进行训练,可以提高分类模型分类结果的准确度和可靠性。
具体来说,通过步骤S101和步骤S102提取历史运动过程中的运动特征值样本数据,并对运动特征值样本数据进行以上的过滤处理后,将运动特征值样本数据输入分类模型,对分类模型进行训练。
另外,在根据运动特征值确定运动姿态后,还可以在APP的用户界面呈现运动姿态结果,具体来说,以跑步运动为例,APP的用户界面中可以呈现当前运动的运动姿态平均值,还可以呈现每一步的运动姿态,例如展示每千米的左右均衡值的平均值,以及已跑过距离的左右均衡值平均值;还可以展示已跑过的距离中每一步的左右均衡值。
与现有技术相比,本发明实施例提出一种运动姿态监测方法,通过由终端内置的重力传感器数据和加速度传感器分别采集到的运动数据,来提取当前用户的运动特征值,进而根据运动特征值确定运动姿态,可以实现对用户在运动过程中的运动姿态进行监测,简易方便,且可以实时反馈运动姿态,另外,本方法无需专业的运动监测传感器,对于终端设备的要求低,可以利用用户现有的终端设备进行运动姿态的监测,具有较低的成本。
本发明第二实施例涉及一种运动姿态调整方法,包括:通过以上运动姿态监测方法获取运动者的运动姿态;根据运动姿态调整运动计划,流程图如图2所示。
步骤S201、通过以上运动姿态监测方法获取当前用户的运动姿态。
具体来说,通过以上述实施例提供的运动姿态监测方法获取当前用户的运动姿态,其中运动姿态可以为当前时刻的平均运动姿态,还可以是每一步的运动姿态。
步骤S202、根据运动姿态调整当前用户预设的运动计划。
在一个例子中,跑步过程中的运动姿态用左右均衡值来表征,在终端安装的APP中可以实时显示当前用户在跑步过程中的左右均衡值,用户可以在APP的用户界面中查看当前的左右均衡值。
终端根据监测到的左右均衡值数据,调整用户在终端中预设的运动计划,例如当监测到的左右均衡值超出预设值时,表示用户的当前运动左右严重失衡,此时可以停止用户的运动计划,提醒用户根据监测到的左右均衡值调整跑步过程中的左脚和右脚的力量分布,从而纠正运动姿态;还可以是调整用户的当前运动计划,例如当前预设的运动计划为跑步5公里,当监测到用户的左右均衡值超出预设值时,将用户的运动计划更改为慢走,并提醒用户对左右脚力量分布进行调整,来纠正用户的运动姿态。
在一个例子中,还可以是在运动结束后,在终端的APP用户界面向用户显示运动过程的运动姿态,其中,用户界面可以显示跑步过程的综合左右均衡值,还显示运动中每一步的左右均衡值。进一步地,APP在展示的运动姿态分析结果的同时,还展示下一次的运动计划建议,进而来纠正用户的运动姿态,减小运动姿态不正确给用户带来的伤害。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施例涉及一种运动姿态监测装置,如图3所示,包括:包括:加速度传感器301,用于获取当前用户的第一运动数据;重力传感器302,用于获取当前用户的第二运动数据;处理器303,用于根据第一运动数据和第二运动数据确定当前用户的运动特征值;其中,运动特征值包括当前用户在运动过程中产生的加速度在重力方向上的分量;还用于根据运动特征值确定当前用户的运动姿态。
需要说明的是,处理器303还用于按照预设的采样周期,分别对第一运动数据和第二运动数据进行采样,得到N个第一子数据和N个第二子数据;其中,N为大于1的整数;根据N个第一子数据和N个第二子数据,确定N个运动特征值;其中,运动特征值是根据同一采样时刻采样得到的第一子数据和第二子数据确定的。
处理器303还用于根据运动特征值确定当前用户的左脚着地时长和右脚着地时长;根据左脚着地时长和右脚着地时长计算左右均衡值;根据左右均衡值,确定当前用户的运动姿态。
另外,处理器303还用于将各运动特征值输入预设识别模型进行运动状态识别,得到各运动特征值对应的运动状态;其中,各运动特征值对应的运动状态为左脚着地或右脚着地;根据对应于运动状态为左脚着地的运动特征值的数量和采样周期,确定左脚着地时长,以及根据对应于运动状态为右脚着地的运动特征值的数量和采样周期,确定右脚着地时长。
另外,处理器303还可以用于将各运动特征值输入预设识别模型进行识别,确定各运动特征值对应的运动状态,各运动特征值对应的运动状态为左脚着地或右脚着地;从N个运动特征值中筛选出第一目标对象和第二目标对象;其中,第一目标对象表征运动状态的起始点,第二目标对象表征运动状态的结束点,第一目标对象和第二目标对象按照采样时间顺序间隔排列;从各目标对象中选取第一组合和第二组合;其中,第一组合包含相邻排列的第一目标对象和第二目标对象且对应的运动状态均为左脚着地,第二组合包含相邻的第一目标对象和第二目标对象且对应的运动状态均为右脚着地;根据第一组合中两个目标对象的采样时刻,确定当前用户的左脚着地时长,且根据第二组合中两个目标对象的采样时刻,确定当前用户的右脚着地时长。
另外,处理器303还可以用于当当前用户在任一时刻的运动特征值与用户在任一时刻的前一时刻的运动特征值之间的差值在预设阈值范围内时,将当前用户在任一时刻的运动特征值更新为当前用户在任一时刻的前一时刻的运动特征值;根据当前用户在当前运动过程中的所有时刻的运动特征值,确定当前用户的运动姿态。
不难发现,本实施例为与第一实施例相对应的装置实施例,本实施例可与第一实施例互相配合实施。第一实施例中提到的相关技术细节在本实施例中依然有效,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在第一实施例。
值得一提的是,本实施例中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第四实施例涉及一种运动姿态调整装置,如图4所示,包括:监测模块401,用于通过以上的运动姿态监测方法获取当前用户的运动姿态;调整模块402,用于根据运动姿态调整当前用户预设的运动计划。
由于第二实施例与本实施例相互对应,因此本实施例可与第二实施例互相配合实施。第二实施例中提到的相关技术细节在本实施例中依然有效,在第二实施例中所能达到的技术效果在本实施例中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在第二实施例中。
本发明第五实施例涉及一种终端,如图5所示,包括至少一个处理器501;以及,与至少一个处理器501通信连接的存储器502;其中,存储器502存储有可被至少一个处理器401执行的指令,指令被至少一个处理器501执行,以使至少一个处理器501能够执行以上实施例的运动姿态监测方法,或者执行以上实施例的运动姿态调整方法。
其中,存储器502和处理器501采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器501和存储器502的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器501。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明第六实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各自更动与修改,因此本发明的保护范围应当以权利要求限定的范围为准。
Claims (10)
1.一种运动姿态监测方法,其特征在于,应用于终端,所述方法包括:
根据内置的加速度传感器获取当前用户的第一运动数据,并根据内置的重力传感器获取所述当前用户的第二运动数据;
根据所述第一运动数据和所述第二运动数据确定当前用户的运动特征值;其中,所述运动特征值包括所述当前用户在运动过程中产生的加速度在重力方向上的分量;
根据所述运动特征值确定所述当前用户的运动姿态。
2.根据权利要求1所述的运动姿态监测方法,其特征在于,所述根据所述运动特征值确定所述当前用户的运动姿态包括:
根据所述运动特征值确定所述当前用户的左脚着地时长和右脚着地时长;
根据所述左脚着地时长和所述右脚着地时长计算左右均衡值;
根据所述左右均衡值,确定所述当前用户的运动姿态。
3.根据权利要求2所述的运动姿态监测方法,其特征在于,所述根据所述第一运动数据和所述第二运动数据确定所述当前用户的运动特征值,包括:
按照预设的采样周期,分别对所述第一运动数据和所述第二运动数据进行采样,得到N个第一子数据和N个第二子数据;其中,N为大于1的整数;
根据N个所述第一子数据和N个所述第二子数据,确定N个所述运动特征值;其中,所述运动特征值是根据同一采样时刻采样得到的所述第一子数据和所述第二子数据确定的。
4.根据权利要求3所述的运动姿态监测方法,其特征在于,所述根据所述运动特征值确定所述当前用户的左脚着地时长和右脚着地时长,包括:
将各所述运动特征值输入预设识别模型进行运动状态识别,得到各所述运动特征值对应的运动状态;其中,各所述运动特征值对应的运动状态为左脚着地或右脚着地;
根据对应于运动状态为左脚着地的运动特征值的数量和所述采样周期,确定所述左脚着地时长,以及根据对应于运动状态为右脚着地的运动特征值的数量和所述采样周期,确定所述右脚着地时长。
5.根据权利要求3所述的运动姿态监测方法,其特征在于,所述根据所述运动特征值确定所述当前用户的左脚着地时长和右脚着地时长,包括:
将各所述运动特征值输入预设识别模型进行运动状态识别,确定各所述运动特征值对应的运动状态;其中,各所述运动特征值对应的运动状态为左脚着地或右脚着地;
从N个所述运动特征值中筛选出第一目标对象和第二目标对象;其中,所述第一目标对象表征运动状态的起始点,所述第二目标对象表征运动状态的结束点,所述第一目标对象和所述第二目标对象按照采样时间顺序间隔排列;
从各目标对象中选取第一组合和第二组合;其中,所述第一组合包含相邻排列的第一目标对象和第二目标对象且对应的运动状态均为左脚着地,所述第二组合包含相邻的第一目标对象和第二目标对象且对应的运动状态均为右脚着地;
根据所述第一组合中两个目标对象的采样时刻,确定所述当前用户的左脚着地时长,且根据所述第二组合中两个目标对象的采样时刻,确定所述当前用户的右脚着地时长。
6.根据权利要求1所述的运动姿态监测方法,其特征在于,所述根据所述运动特征值确定所述当前用户的运动姿态包括:
当所述当前用户在任一时刻的运动特征值与所述当前用户在所述任一时刻的前一时刻的运动特征值之间的差值在预设阈值范围内时,将所述用户在任一时刻的运动特征值更新为所述当前用户在所述任一时刻的前一时刻的运动特征值;
根据所述当前用户在所述运动过程中的所有时刻的运动特征值,确定所述当前用户的运动姿态。
7.一种运动姿态调整方法,其特征在于,包括:
通过权利要求1-6中任一种运动姿态监测方法获取当前用户的运动姿态;
根据所述运动姿态调整所述当前用户预设的运动计划。
8.一种运动姿态监测装置,其特征在于,包括:
加速度传感器,用于获取当前用户的第一运动数据;
重力传感器,用于获取所述当前用户的第二运动数据;
处理器,用于根据所述第一运动数据和所述第二运动数据确定所述当前用户的运动特征值;其中,所述运动特征值包括所述当前用户在运动过程中产生的加速度在重力方向上的分量,还用于根据所述运动特征值确定所述当前用户的运动姿态。
9.一种运动姿态调整装置,其特征在于,包括;
监测模块,用于通过权利要求1-6中任一种运动姿态监测方法获取当前用户的运动姿态;
调整模块,用于根据所述运动姿态调整所述当前用户预设的运动计划。
10.一种终端,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一所述的运动姿态监测方法,或者执行如权利要求7所述的运动姿态调整方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315752.2A CN111513723A (zh) | 2020-04-21 | 2020-04-21 | 运动姿态监测方法、调整方法、装置和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315752.2A CN111513723A (zh) | 2020-04-21 | 2020-04-21 | 运动姿态监测方法、调整方法、装置和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111513723A true CN111513723A (zh) | 2020-08-11 |
Family
ID=71902218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315752.2A Pending CN111513723A (zh) | 2020-04-21 | 2020-04-21 | 运动姿态监测方法、调整方法、装置和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111513723A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309167A (zh) * | 2020-11-13 | 2021-02-02 | 河南观潮智能科技有限公司 | 智慧停车管理系统及停车方法 |
CN113065612A (zh) * | 2021-05-18 | 2021-07-02 | 西京学院 | 一种基于机器学习的人类活动分类识别方法及系统 |
CN117357101A (zh) * | 2023-11-03 | 2024-01-09 | 绍兴清研微科技有限公司 | 基于石墨烯柔性压力传感器的运动监测方法、装置及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009300227A (ja) * | 2008-06-12 | 2009-12-24 | Nippon Telegr & Teleph Corp <Ntt> | 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム |
CN104297519A (zh) * | 2013-07-19 | 2015-01-21 | 广州三星通信技术研究有限公司 | 人体运动姿态识别方法和移动终端 |
CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
CN105311814A (zh) * | 2014-07-31 | 2016-02-10 | 精工爱普生株式会社 | 运动解析装置、运动解析方法、以及运动解析系统 |
CN105320278A (zh) * | 2014-07-31 | 2016-02-10 | 精工爱普生株式会社 | 信息分析装置、运动解析系统、信息显示系统及显示方法 |
JP2016182160A (ja) * | 2015-03-25 | 2016-10-20 | 日本電信電話株式会社 | 運動状態解析システムとその方法、装置及びプログラム |
CN106256396A (zh) * | 2015-06-22 | 2016-12-28 | 卡西欧计算机株式会社 | 运动支援装置以及运动支援方法 |
CN106525071A (zh) * | 2016-10-26 | 2017-03-22 | 上海与德信息技术有限公司 | 一种运动状态监测方法及装置 |
CN107174253A (zh) * | 2017-05-23 | 2017-09-19 | 广东远峰电子科技股份有限公司 | 一种下肢运动姿态的判断方法、装置和系统 |
CN108452480A (zh) * | 2018-04-11 | 2018-08-28 | 杭州启望科技有限公司 | 一种跑步机及跑步机上跑步姿势的检测方法和装置 |
CN109715064A (zh) * | 2016-09-16 | 2019-05-03 | 住友电气工业株式会社 | 移动能力评估装置、移动能力评估系统、移动能力评估程序和移动能力评估方法 |
CN109730687A (zh) * | 2019-01-14 | 2019-05-10 | 清华大学 | 用于脑瘫患者的可穿戴步态检测分析系统 |
CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
-
2020
- 2020-04-21 CN CN202010315752.2A patent/CN111513723A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009300227A (ja) * | 2008-06-12 | 2009-12-24 | Nippon Telegr & Teleph Corp <Ntt> | 位置追跡システム、位置追跡装置、位置追跡方法およびプログラム |
CN104297519A (zh) * | 2013-07-19 | 2015-01-21 | 广州三星通信技术研究有限公司 | 人体运动姿态识别方法和移动终端 |
CN105311814A (zh) * | 2014-07-31 | 2016-02-10 | 精工爱普生株式会社 | 运动解析装置、运动解析方法、以及运动解析系统 |
CN105320278A (zh) * | 2014-07-31 | 2016-02-10 | 精工爱普生株式会社 | 信息分析装置、运动解析系统、信息显示系统及显示方法 |
JP2016182160A (ja) * | 2015-03-25 | 2016-10-20 | 日本電信電話株式会社 | 運動状態解析システムとその方法、装置及びプログラム |
CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
CN106256396A (zh) * | 2015-06-22 | 2016-12-28 | 卡西欧计算机株式会社 | 运动支援装置以及运动支援方法 |
CN109715064A (zh) * | 2016-09-16 | 2019-05-03 | 住友电气工业株式会社 | 移动能力评估装置、移动能力评估系统、移动能力评估程序和移动能力评估方法 |
CN106525071A (zh) * | 2016-10-26 | 2017-03-22 | 上海与德信息技术有限公司 | 一种运动状态监测方法及装置 |
CN107174253A (zh) * | 2017-05-23 | 2017-09-19 | 广东远峰电子科技股份有限公司 | 一种下肢运动姿态的判断方法、装置和系统 |
CN108452480A (zh) * | 2018-04-11 | 2018-08-28 | 杭州启望科技有限公司 | 一种跑步机及跑步机上跑步姿势的检测方法和装置 |
CN109730687A (zh) * | 2019-01-14 | 2019-05-10 | 清华大学 | 用于脑瘫患者的可穿戴步态检测分析系统 |
CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309167A (zh) * | 2020-11-13 | 2021-02-02 | 河南观潮智能科技有限公司 | 智慧停车管理系统及停车方法 |
CN113065612A (zh) * | 2021-05-18 | 2021-07-02 | 西京学院 | 一种基于机器学习的人类活动分类识别方法及系统 |
CN117357101A (zh) * | 2023-11-03 | 2024-01-09 | 绍兴清研微科技有限公司 | 基于石墨烯柔性压力传感器的运动监测方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027487B (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
CN111513723A (zh) | 运动姿态监测方法、调整方法、装置和终端 | |
CN107153812A (zh) | 一种基于机器视觉的运动辅助方法及系统 | |
EP3163464B1 (en) | Energy consumption measuring method and energy consumption measuring system | |
CN110334573B (zh) | 一种基于密集连接卷积神经网络的人体运动状态判别方法 | |
CN108703760A (zh) | 基于九轴传感器的人体运动姿态识别系统及方法 | |
JP2018102617A (ja) | 感情推定装置、方法およびプログラム | |
EP2624171B1 (en) | Method and node for analysing periodic movements | |
SE1350894A1 (sv) | Metod och system för bestämning av utförandeindikatorer förperiodiska rörelser | |
US20190133495A1 (en) | Systems and methods for improving athletic training, performance and rehabilitation | |
CN112057066A (zh) | 心率的检测方法、可穿戴设备及计算机存储介质 | |
CN113951879B (zh) | 血糖预测方法和装置、监测血糖水平的系统 | |
CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
Yu | RETRACTED: Auxiliary research on difficult aerobics exercise training based on fpga and movement recognition technology | |
US20210319337A1 (en) | Methods and system for training and improving machine learning models | |
US20230004795A1 (en) | Systems and methods for constructing motion models based on sensor data | |
CN115554674A (zh) | 一种运动能耗预测方法及装置 | |
CN115565639A (zh) | 一种锻炼心率的预测方法、装置以及设备 | |
CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
Wang et al. | SwimSense: Monitoring swimming motion using body sensor networks | |
JP2012108836A (ja) | 日常計測データからの対人特性推定装置、推定方法および推定プログラム | |
US20230397838A1 (en) | System, apparatus and method for activity classification | |
CN114241603B (zh) | 基于可穿戴设备的毽球动作识别与水平等级评估方法及系统 | |
Wang | [Retracted] Parameter Testing and System of Skiing Aerial Skills under the Background of Artificial Intelligence | |
CN117236729B (zh) | 一种基于智慧体育的过程性综合测评方法及系统 |
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 |