CN111982149A - 一种计步识别方法、装置、设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种计步识别方法、装置、设备及计算机可读存储介质，该方法包括：获取目标时间范围内的多组运动特征值；对多组运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；将多个待识别序列输入识别模型，得到识别结果；若识别结果为确认计步，则开始进行计步；该方法利用了主成分分析处理和降维处理对运动特征值进行处理，将无效数据或干扰数据进行了过滤，得到可以用于准确判断是否需要计步的待识别序列；识别模型可以根据待识别序列的特征判断是否需要开始计步，比人为设置的规则具有更高的准确性，在对待识别序列进行识别后可以得到准确的识别结果，准确地确定是否需要进行计步，提高了计步识别的准确度。

Description

一种计步识别方法、装置、设备及可读存储介质

技术领域

本申请涉及运动检测技术领域，特别涉及一种计步识别方法、计步识别装置、计步识别设备及计算机可读存储介质。

背景技术

运动手环可以监测佩戴者运动的步数，佩戴者可以通过步数知道自己每天的运动量，对维持自己的身体健康很有意义。相关技术一般利用人为设置的规则，例如加速度数据的频率和幅值大小，来判断是否需要计步；或者增加其它更多的特征来识别计步和不应计步的场景。通过人为设置的规则的根据特征的大小划分区间判断计步和不应计步场景，对于线性可分的或者低维的数据能够划分，但对于线性不可分或高维的数据无能为力。当特征少时，识别准确度不高；当特征值多时，重复类似的特征和对识别准确度影响不大的特征也会导致识别准确度较低。因此相关技术对不应该计步的场景，比如洗手，刷牙，整理书桌等场景也会计步，造成计步错误的问题，即相关技术存在计步识别准确度低的问题。

因此，如何解决相关技术存在的计步识别准确度低的问题，是本领域技术人员需要解决的技术问题。

发明内容

有鉴于此，本申请的目的在于提供一种计步识别方法、计步识别装置、计步识别设备及计算机可读存储介质，利用主成分分析处理和降维处理对运动特征值进行处理，得到可以准确判断是否需要计步的待识别序列，对待识别序列进行识别后即可得到准确的识别结果，进而准确地确定是否需要进行计步，提高了计步识别的准确度。

为解决上述技术问题，本申请提供了一种计步识别方法，包括：

获取目标时间范围内的多组运动特征值；

对多组所述运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；

将多个所述待识别序列输入识别模型，得到识别结果；

若所述识别结果为确认计步，则开始进行计步。

可选地，所述获取目标时间范围内的多组运动特征值，包括：

分别获取基于X轴方向、Y轴方向和Z轴方向的加速度数据；

利用所述目标时间范围内特征值采集窗口对应的所述加速度数据得到一组所述运动特征值，并按照预设时间间隔滑动更新特征值采集窗口，直至得到所述目标时间范围对应的所有所述运动特征值。

可选地，所述对多组所述运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列，包括：

利用各组所述运动特征值作为特征矩阵的各行向量构建所述特征矩阵，并对所述特征矩阵进行主成分分析处理，得到变换矩阵；

利用所述变换矩阵对各组所述运动特征值进行数据降维处理，得到对应的多个所述待识别序列。

可选地，所述利用所述变换矩阵对各组所述运动特征值进行数据降维处理，得到对应的多个所述待识别序列，包括：

计算所述变换矩阵各行元素对应的绝对值和；

在多个所述绝对值和中确定预设数量个目标绝对值和；各个所述目标绝对值和大于所述绝对值和中的非目标绝对值和；

确定所述目标绝对值和在所述变换矩阵中对应的行号，并将各组所述运动特征值中与所述行号对应的特征项确定为目标特征项；

利用所述目标特征项生成各组所述运动特征值对应的所述待识别序列。

可选地，所述将多个所述待识别序列输入识别模型，得到识别结果，包括：

将各个所述待识别序列输入ELM识别模型，得到对应的识别标签，并更新识别次数；

若所述识别标签中目标识别标签的数量大于预设阈值，则所述识别结果为确认计步，并将所述识别次数清零；

若所述目标识别标签的数量不大于所述预设阈值，则判断所述识别次数是否达到次数阈值；

若所述识别次数达到所述次数阈值，则确定所述识别结果为确认不计步，并将所述识别次数清零；

若所述识别次数未达到所述次数阈值，则更新所述目标时间范围并重新获取多组所述运动特征值。

可选地，还包括：

统计所述目标时间范围内的范围步数；

相应的，若所述识别结果为确认计步，还包括：

将所述范围步数增加至历史步数。

可选地，还包括：

若所述识别结果为确认不计步，则将所述范围步数清零。

本申请还提供了一种计步识别装置，包括：

获取模块，用于获取目标时间范围内的多组运动特征值；

处理模块，用于对多组所述运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；

识别模块，用于将多个所述待识别序列输入识别模型，得到识别结果；

确认模块，用于若所述识别结果为确认计步，则开始进行计步。

本申请还提供了一种计步识别设备，包括存储器和处理器，其中：

所述存储器，用于保存计算机程序；

所述处理器，用于执行所述计算机程序，以实现上述的计步识别方法。

本申请还提供了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现上述的计步识别方法。

本申请提供的计步识别方法，获取目标时间范围内的多组运动特征值；对多组运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；将多个待识别序列输入识别模型，得到识别结果；若识别结果为确认计步，则开始进行计步。

可见，该方法并不采用人为设置的规则对是否需要计步进行判断，而是在获取多组运动特征值后对各组运动特征值进行主成分分析处理和数据降维处理。主成分分析处理和降维处理可以将运动特征值中的有效数据保留，将无效数据或干扰数据过滤，提高识别的准确性。在处理后，利用有效数据生成对应的待识别序列，并将待识别序列输入识别模型，以便利用识别模型对当前是否需要进行计步进行识别，得到识别结果。识别模型可以根据待识别序列的特征判断是否需要开始计步，比人为设置的规则具有更高的准确性。若识别结果为确认计步，则开始进行计步。由于不采用人为设定规则的方法对是否需要计步进行判断，同时利用了主成分分析处理和降维处理对运动特征值进行处理，将无效数据或干扰数据进行了过滤，得到可以用于准确判断是否需要计步的待识别序列。识别模型可以根据待识别序列的特征判断是否需要开始计步，比人为设置的规则具有更高的准确性，在对待识别序列进行识别后可以得到准确的识别结果，准确地确定是否需要进行计步，提高了计步识别的准确度，解决了相关技术存在的计步识别准确度低的问题。

此外，本申请还提供了一种计步识别装置、计步识别设备及计算机可读存储介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种计步识别方法流程图；

图2为本申请实施例提供的一种具体的计步识别方法流程图；

图3为本申请实施例提供的一种加速度数据波形图；

图4为本申请实施例提供的一种计步识别装置的结构示意图；

图5为本申请实施例提供的一种计步识别设备的结构示意图。

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，所描述的实施例仅仅是本申请一部分实施例，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。

请参考图1，图1为本申请实施例提供的一种计步识别方法流程图。该方法包括：

S101：获取目标时间范围内的多组运动特征值。

需要说明的是，本实施例中的部分或全部步骤可以由计步识别设备执行，计步识别设备可以为单一设备，例如运动手环、运动手表、智能戒指、智能耳机、定位器等；计步识别设备还可以包括多个具体的设备，例如运动手环、智能手机、电脑、服务器等。在这种情况下，各个具体的设备可以分别执行本申请提出的计步识别方法的不同步骤，例如可以由运动手环获取运动特征值，由智能手机、电脑或服务器执行后续步骤得到识别结果，并将识别结果发送给运动手环，由运动手环根据识别结果确定是否开始计步。或者由智能手机、电脑或服务器根据识别结果确定是否开始计步。

由于单一时刻的数据或多个时刻的单一类型的数据在进行计步识别时不够准确，因此本实施例中在目标时间范围内获取多组运动特征值。目标时间范围即为运动特征值的提取范围，其具体范围本实施例不做限定，例如可以为5秒。在获取运动特征值时以组为单位，每组运动特征值中包括多个特征项，每个特征项具有不同的意义，例如某个方向上速度的平均值，或者可以为某个方向上加速度的方差值。运动特征值为多组，各组运动特征值之间的区别在于其分别在目标时间范围内不同的时间点或时间区间内提取。运动特征值包括的特征项越多，可以用于进行计步识别的数据就越多。由于本申请在后续对运动特征值进行主成分分析处理和数据降维处理，会确定运动特征值中有效的特征项并将无效的特征项滤除，因此并不会因为采集的特征项数量过多造成计算速度较慢和影响识别准确性的问题。故此本实施例中优选的，为每一组运动特征值设置尽可能多的特征项。

S102：对多组运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列。

在得到运动特征值后，对运动特征值进行主成分分析处理和数据降维处理，以便保留运动特征值中有助于进行计步识别的数据，将无效数据或干扰数据滤除。主成分分析(principal component analysis，PCA)也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到更加科学有效的数据信息。由于运动特征值中包括多个特征项，为了防止在计步识别时数据过多导致干扰过多，进而降低识别准确度，需要通过数据降维将有效数据保留，将对计步识别作用不大的数据确定为干扰数据或无效数据，进而将其滤除，以保证识别准确性。

具体的，在对多组运动特征值进行主成分分析处理和数据降维处理后得到的有效数据为各组运动特征值中的部分特征项，即目标特征项，利用各组运动特征值中对应的目标特征项，可以组成对应的待识别序列。需要说明的是，各组运动特征值中的目标特征项的编号均相同，即其实际意义相同。例如A和B两组运动特征值，分别包括[A1，A2，A3]和[B1，B2，B3]三个特征项，若目标特征项对应的序号为1和2，则A对应的待识别序列即为[A1，A2]，B对应的待识别序列即为[B1，B2]。

S103：将多个待识别序列输入识别模型，得到识别结果。

识别模型被提前训练好，用于对待识别序列进行识别处理，得到识别结果。识别模型的具体形式本实施例不做限定，例如可以为卷积神经网络模型，或者可以为ELM(ExtremeLearning Machine，极限学习机器)神经网络模型。在得到待识别序列后，将待识别序列输入至识别模型，具体的识别过程本实施例不做限定。识别结果的用于表示是否需要开始计步，其形式可以为数字或文字等，例如当识别结果为1时，表示需要计步，即确认计步；当识别结果为0时，表示不需要计步，即确认不计步。

S104：若识别结果为确认计步，则开始进行计步。

若识别结果为确认计步，则说明根据运动特征值识别到正在走路或跑步，需要进行计步，因此开始进行计步。需要说明的是，上述步骤对应的计步识别算法可以与计步算法融合，或者可以独立于计步算法单独存在，在需要进行计步或不需要进行计步时可以向计步算法发送计步信息或禁止计步信息，以便根据识别结果进行计步或不计步的控制。

应用本申请实施例提供的计步识别方法，并不采用人为设置的规则对是否需要计步进行判断，而是在获取多组运动特征值后对各组运动特征值进行主成分分析处理和数据降维处理。主成分分析处理和降维处理可以将运动特征值中的有效数据保留，将无效数据或干扰数据过滤，提高识别的准确性。在处理后，利用有效数据生成对应的待识别序列，并将待识别序列输入识别模型，以便利用识别模型对当前是否需要进行计步进行识别，得到识别结果。识别模型可以根据待识别序列的特征判断是否需要开始计步，比人为设置的规则具有更高的准确性。若识别结果为确认计步，则开始进行计步。由于不采用人为设定规则的方法对是否需要计步进行判断，同时利用了主成分分析处理和降维处理对运动特征值进行处理，将无效数据或干扰数据进行了过滤，得到可以用于准确判断是否需要计步的待识别序列。识别模型可以根据待识别序列的特征判断是否需要开始计步，比人为设置的规则具有更高的准确性，在对待识别序列进行识别后可以得到准确的识别结果，准确地确定是否需要进行计步，提高了计步识别的准确度，解决了相关技术存在的计步识别准确度低的问题。

基于上述实施例，本实施例将对上述实施例中的若干步骤进行具体的阐述。请参考图2，图2为本申请实施例提供的一种具体的计步识别方法流程图。本实施例中，计步识别设备为智能手表。在接收到开始计步的指令后，智能手表可以进入判断模式，即开始进行计步识别。

在采用滑动窗口计算特征值(即上述的待识别序列)时，包括获取运动特征值和进行处理得到待识别序列两个过程。本实施例中根据加速度数据计算各个特征项，并利用各个特征项组成运动特征值。S101步骤可以包括：

步骤11：分别获取基于X轴方向、Y轴方向和Z轴方向的加速度数据。

步骤12：利用目标时间范围内特征值采集窗口对应的加速度数据得到一组运动特征值，并按照预设时间间隔滑动更新特征值采集窗口，直至得到目标时间范围对应的所有运动特征值。

计步识别设备的运动为空间运动，因此可以获取空间直角坐标系中X轴方向、Y轴方向和Z轴方向的加速度数据。目标时间范围较大，在获取多组运动特征值时，可以采用滑动窗口的方式获取。具体的，可以参考图3，图3为本申请实施例提供的一种加速度数据波形图。该加速度数据可以为沿X轴方向、Y轴方向或Z轴方向中任一方向的加速度数据。滑动窗口即为特征值采集窗口，在获取运动特征值时，利用特征值采集窗口内的加速度数据生成一组运动特征值，在本组运动特征值生成完毕后，按照预设时间间隔滑动更新特征值采集窗口，即在目标时间范围内，对特征值采集窗口进行滑动，以便根据新的加速度数据计算新的一组运动特征值。本实施例中，目标时间范围可以为5秒，采样频率为50Hz，特征值采集窗口的宽度为2秒，预设时间间隔为1秒，因此可以利用第1200个加速度数据(横轴标号为1200)到第1300个加速度数据计算第一组运动特征值中的特征项，并组成第一组运动特征值。利用第1250个加速度数据到第1350个加速度数据计算第二组运动特征值中的特征项，并组成第二组运动特征值。利用第1300个加速度数据到第1400个加速度数据计算第三组运动特征值中的特征项，并组成第三组运动特征值。利用第1350个加速度数据到1450个加速度数据计算第四组运动特征值中的特征项，并组成第四组运动特征值。在此时，运动特征值获取完毕。

在本实施例中，特征项共有31个，具体请参见表1：

表1

特征序号	特征名称	特征序号	特征名称
				1	合加速度均值	17	Y轴最大值最小值差
2	合加速度方差	18	Y轴过均值个数
				3	合加速度绝对值和	19	Z轴均值
4	合加速度绝对值平均值	20	Z轴方差
				5	合加速度最大值最小值差	21	Z轴绝对值和
6	合加速度过均值个数	22	Z轴绝对值平均值
				7	X轴均值	23	Z轴最大值最小值差
8	X轴方差	24	Z轴过均值个数
				9	X轴绝对值和	25	合加速度主频位置
10	X轴绝对值平均值	26	合加速度主频幅值
				11	X轴最大值最小值差	27	合加速度第二频率位置
12	X轴过均值个数	28	合加速度第二频率对应幅值
				13	Y轴均值	29	绝对值和最大轴和占三轴绝对值和比值
14	Y轴方差	30	绝对值和最大轴和第二大轴的绝对值和比值
				15	Y轴绝对值和	31	绝对值和第二大轴与最小轴的绝对值和比值
16	Y轴绝对值平均值

以第一组运动特征值(即利用第1200个加速度数据(横轴标号为1200)到第1300个加速度数据计算得到的运动特征值)为例。利用X轴的加速度数据计算特征序号为7～12的特征项。其中，X轴均值即为X轴方向上各个加速度数据的均值；X轴方差即为X轴方向上各个加速度数据的方差；X轴绝对值和即为X轴方向上各个加速度数据取绝对值后相加得到的和；X轴绝对值平均值即为X轴方向上各个加速度数据去绝对值后求平均得到的平均值；X轴最大值最小值差即为X轴方向上各个加速度数据的极差，即最大的加速度数据与最小的加速度数据的差；X轴过均值个数即为X轴方向上各个加速度数据大于加速度数据平均值的数量。相应的，特征序号为13～18以及特征需要19～24的特征项的具体意义与上述内容类似，区别在于利用Y轴方向的加速度数据或Z轴方向的加速度数据进行计算。具体计算过程可以参考相关技术，在此不再赘述。

在获取到X轴、Y轴和Z轴三个方向的加速度数据后，可以利用其得到合加速度对应的加速度数据，即按照空间向量相加的方法得到合加速度后对合加速度取模，得到合加速度对应的加速度数据。特征序号为1～6的特征项利用合加速度对应的加速度数据进行上述计算。特征序号为25～28的特征项也可以利用合加速度对应的加速度数据进行计算，其中主频位置即为合加速度对应的加速度数据的最大频率，第二频率位置即为合加速度对应的加速度数据的第二大频率。需要说明的是，主频位置和第二频率位置均为具体的频率值，并不是该频率值对应的时间。

对于特征序号为29～31的特征项，需要分别计算X轴、Y轴和Z轴对应的加速度数据的绝对值和，即分别对各个轴对应的加速度数据取绝对值并求和，得到三个绝对值和数据。其中，第29号特征项为绝对值和最大轴和占三轴绝对值和的比值，即该比值中的分子为三个绝对值和中的最大值，分母为三个绝对值和相加的和值。第30号特征项为绝对值和最大轴和第二大轴的绝对值和比值，即该比值中的分子为三个绝对值和中的最大值，分母为三个绝对值和中的第二大值(即中间值)。第31号特征项为绝对值和第二大轴与最小轴的绝对值和比值，即该比值中的分子为三个绝对值和中的第二大值，即中间值，分母为三个绝对值和中的最小值。在计算得到上述31个特征项后，可以按照序号顺序组成对应的运动特征值。

在得到多组运动特征值后，对所述运动特征值进行主成分分析处理和数据降维处理，得到待识别序列。具体的，S102步骤可以包括：

步骤21：利用各组运动特征值作为特征矩阵的各行向量构建特征矩阵，并对特征矩阵进行主成分分析处理，得到变换矩阵。

步骤22：利用变换矩阵对各组运动特征值进行数据降维处理，得到对应的多个待识别序列。

在进行主成分分析处理之前，需要利用各组运动个整治构建特征矩阵，具体的构建方式为，将各组运动特征值作为特征矩阵的各行向量，利用各个行向量构成特征矩阵。由于各组运动特征值中包括31个特征项，因此各组运动特征值均为31维向量，共有4组运动特征值，因此构成的特征矩阵A为N*M＝4*31的矩阵。在得到特征矩阵后进行主成分分析处理得到变换矩阵，主成分分析处理的过程如下：

1、减平均值，即让每一维(共M维)元素减去各自特征的平均值。

2、计算A的协方差矩阵B。

3、计算协方差矩阵B的特征值与特征向量。

4、对特征值从大较小的排序。

5、从最大的特征值开始，计算贡献率。

其中，贡献率＝前K个特征值之和/总特征值之和

当贡献率大于阈值，例如90％时，取此时的K值。

6、取前K个特征向量，构成变换矩阵T，T为M*K的矩阵。则T即为变换矩阵。通过PCA处理，可以确定哪些特征项包含了更多有效信息，有助于准确地进行计步识别。

在得到变换矩阵后，利用其对各组运动特征值进行数据降维处理，将有效的特征项保留，得到待识别序列。步骤22具体可以包括：

步骤31：计算变换矩阵各行元素对应的绝对值和。

步骤32：在多个绝对值和中确定预设数量个目标绝对值和；各个目标绝对值和大于绝对值和中的非目标绝对值和。

步骤33：确定目标绝对值和在变换矩阵中对应的行号，并将各组运动特征值中与行号对应的特征项确定为目标特征项。

步骤34：利用目标特征项生成各组运动特征值对应的待识别序列。

由于T为M*K的矩阵，因此在计算变换矩阵各行元素的绝对值的和之后，可以得到一个M维的向量，则可以利用SUMT＝[S₁，S₂，…，S_M]。其中各个元素可以被称为贡献度，用于表示对应的特征项有助于准确地进行计步识别的贡献程度。在得到SUMT向量后，取SUMT各个元素中最大的前L个，L即为预设数量，其大小可以根据实际情况进行设置，例如可以为6。即在多个绝对值和中确定预设数量个目标绝对值和，且目标绝对值和大于其他非目标绝对值和。被取到的元素的下标记为特征序号，也为目标绝对值在变换矩阵中的行号，确定目标绝对值和在变换矩阵中对应的行号，并将各组运动特征值中与行号对应的特征项确定为目标特征项。例如，若想从M个特征项保留6个特征进行分类，则取L为6，若S₂最大，则其会被确定为目标绝对值和，即利用各组运动特征值中的第二号特征项参与构建对应的待识别序列。与表1对应，第二号特征项即为合加速方差。在确定所有的目标特征项后，利用目标特征项生成对应的待识别序列。通过数据降维处理，可以减少数据量，保留有助于准确进行计步识别的特征项，避免其他数据对计步识别的准确度造成影响，同时可以减少计步识别的计算量，提高识别速度。

在得到待识别序列后，请参考图2，将待识别序列输入识别模型以便得到识别结果。本实施例中采用ELM模型作为识别模型，在此之前，还需要对ELM模型进行训练。

1、构建训练和测试样本，每个样本的格式为：

X_i＝[Label，x₁，x₂，…x_L].i＝1,2,…N。

N为样本的个数。x代表挑选出的特征值。样本中包含计步场景和不应计步场景的数据，并且两种数据的个数要接近。每个样本用L个不同特征表示。Label为样本的标签，可以用Label＝1代表计步数据，Label＝0代表非计步数据。随机取95％的数据作为训练样本，剩下的样本为测试样本。

2、将训练和测试样本输入ELM算法，ELM的其他输入参数有激活函数类型，隐藏层节点个数。激活函数与隐藏层节点个数的具体内容不做限定，例如选取激活函数为Sigmoid函数，设置隐藏层节点个数为200。

3、输出训练精度和测试精度，得到ELM模型。由于ELM模型的精度很难达到100％，在实际测试中最终训练精度为98％，测试精度为94％。由于精度未达到100％，为了保证计步识别的准确度，还可以采用多次识别的方式。具体的，S103步骤可以包括：

步骤41：将各个待识别序列输入ELM识别模型，得到对应的识别标签，并更新识别次数。

需要说明的是，识别标签即为各个待识别序列对应的Label。本实施例中共得到四个待识别序列，因此将其输入ELM模型后会得到四个对应的识别标签，其可以用向量的形式表示。在识别完成后可以更新识别次数，识别次数用于记录连续识别次数。

步骤42：若识别标签中目标识别标签的数量大于预设阈值，则识别结果为确认计步，并将识别次数清零。

目标识别标签为表示确认计步的标签，本实施例中，目标识别标签可以为1。在得到四个识别标签后，判断其中1的数量识别否大于预设阈值，预设阈值的具体大小不做限定，例如可以为2。若目标识别标签的数量大于预设阈值，则说明运动特征值表明用于正在走路，因此识别结果为确定计步，同时将识别次数清零，以便在下次识别时调用。

步骤43：若目标识别标签的数量不大于预设阈值，则判断识别次数是否达到次数阈值。

若目标识别标签的数量不大于预设阈值，说明无法确定是否需要计步。此时可以判断识别次数是否达到次数阈值，即判断是否已经连续多次无法确定当前情况下是否需要计数。

步骤44：若识别次数达到次数阈值，则确定识别结果为确认不计步，并将识别次数清零。

步骤45：若识别次数未达到次数阈值，则更新目标时间范围并重新获取多组运动特征值。

若识别次数达到次数阈值，则说明已经连续多次无法确定要计步，此时则确定不计步，同时将识别次数清零以便下次调用。若识别次数未达到次数阈值，为了保证识别准确度，不能直接确定识别结果为确认不计步，而是可以更新目标时间范围，例如当前的目标时间范围为0～5秒，则更新后的目标时间范围可以为5～10秒，在更新目标时间范围后重新获取对应的多组运动特征值，以便重新进行判断，直至确定识别结果为确定计步或识别次数达到预设阈值为止。通过多次识别的方式可以保证识别准确性。

进一步，在一种可行的实施方式中，由于进行计步识别需要一定时间，而用户在计步识别的过程中可能已经行走了多步。为了保证统计到的步数的准确性，还可以包括：

步骤51：统计目标时间范围内的范围步数。

相应的，若识别结果为确认计步，还包括：

步骤52：将范围步数增加至历史步数。

相应的，若识别结果为确认不计步，还包括：

步骤53：则将范围步数清零。

具体的，在进行计步识别的过程中，还可以统计目标时间范围内的范围步数，当目标时间范围被更新过时，即存在多个目标时间范围时，可以分别统计各个目标时间范围对应的范围步数。若最终识别结果为确认计步，则说明用户确实在行走，目标时间范围对应的范围步数同样有效，因此将其增加至历史步数中。若最终识别结果为确认不计步，则说明用户没有在行走，目标时间范围对应的范围步数无效，因此将其清零。

综上，请结合图2，在一种具体的实施方式中，首先若计步算法开始计入步数，先不输出步数，即先不将步数记入历史步数，进入判别模式。以0～5s为目标时间范围，以1s为间隔，以2s为特征值采样窗口长度采集L个目标特征项，构建样本(即待识别序列)X，共得到4个样本，输入ELM模型得到该样本的Label。得到连续的4个Label。则得到一个Label序列[y_1，y_2，…y_4]。若序列值为[1,1,1,1]说明连续4次都判断为计步数据，若序列值为[0,0,0,0]说明连续4次都判断为不应计步数据。设置置信阈值C＝2。当序列中1的个数大于C时，判断此时的状态为计步状态，加入这5s的步数，退出判别模式。若1的数量不大于2，则重新确定目标时间范围为5～10s，再次进行上述判断。若连续两次判断均为不计步状态，则认为此时为不应计步的情况，清除这10s统计的步数(即范围步数)，继续判别模式，得到5s的数据计算Label序列，直到判断为应该计步才退出判别模式。

下面对本申请实施例提供的计步识别装置进行介绍，下文描述的计步识别装置与上文描述的计步识别方法可相互对应参照。

请参考图3，图3为本申请实施例提供的一种计步识别装置的结构示意图，包括：

获取模块110，用于获取目标时间范围内的多组运动特征值；

处理模块120，用于对多组运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；

识别模块130，用于将多个待识别序列输入识别模型，得到识别结果；

确认模块140，用于若识别结果为确认计步，则开始进行计步。

可选地，获取模块110，包括：

加速度获取单元，用于分别获取基于X轴方向、Y轴方向和Z轴方向的加速度数据；

运动特征值获取单元，用于利用目标时间范围内特征值采集窗口对应的加速度数据得到一组运动特征值，并按照预设时间间隔滑动更新特征值采集窗口，直至得到目标时间范围对应的所有运动特征值。

可选地，处理模块120，包括：

主成分分析单元，用于利用各组运动特征值作为特征矩阵的各行向量构建特征矩阵，并对特征矩阵进行主成分分析处理，得到变换矩阵；

数据降维单元，用于利用变换矩阵对各组运动特征值进行数据降维处理，得到对应的多个待识别序列。

可选地，数据降维单元，包括：

绝对值和计算子单元，用于计算变换矩阵各行元素对应的绝对值和；

第一确定子单元，用于在多个绝对值和中确定预设数量个目标绝对值和；各个目标绝对值和大于绝对值和中的非目标绝对值和；

第二确定子单元，用于确定目标绝对值和在变换矩阵中对应的行号，并将各组运动特征值中与行号对应的特征项确定为目标特征项；

序列生成子单元，用于利用目标特征项生成各组运动特征值对应的待识别序列。

可选地，识别模块130，包括：

输入单元，用于将各个待识别序列输入ELM识别模型，得到对应的识别标签，并更新识别次数；

确定计步单元，用于若识别标签中目标识别标签的数量大于预设阈值，则识别结果为确认计步，并将识别次数清零；

次数判断单元，用于若目标识别标签的数量不大于预设阈值，则判断识别次数是否达到次数阈值；

确定不计步单元，用于若识别次数达到次数阈值，则确定识别结果为确认不计步，并将识别次数清零；

更新单元，用于若识别次数未达到次数阈值，则更新目标时间范围并重新获取多组运动特征值。

可选地，还包括：

统计模块，用于统计目标时间范围内的范围步数；

相应的，还包括：

增加模块，用于将范围步数增加至历史步数。

可选地，还包括：

清零模块，用于若识别结果为确认不计步，则将范围步数清零。

下面对本申请实施例提供的计步识别设备进行介绍，下文描述的计步识别设备与上文描述的计步识别方法可相互对应参照。

请参考图4，图4为本申请实施例提供的一种计步识别设备的结构示意图。其中计步识别设备100可以包括处理器101和存储器102，还可以进一步包括多媒体组件103、信息输入/信息输出(I/O)接口104以及通信组件105中的一种或多种。

其中，处理器101用于控制计步识别设备100的整体操作，以完成上述的计步识别方法中的全部或部分步骤；存储器102用于存储各种类型的数据以支持在计步识别设备100的操作，这些数据例如可以包括用于在该计步识别设备100上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、只读存储器(Read-Only Memory，ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。

多媒体组件103可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或通过通信组件105发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口104为处理器101和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件105用于计步识别设备100与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件105可以包括：Wi-Fi部件，蓝牙部件，NFC部件。

计步识别设备100可以被一个或多个应用专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例给出的计步识别方法。

下面对本申请实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的计步识别方法可相互对应参照。

本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的计步识别方法的步骤。

该计算机可读存储介质可以包括：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。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，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、包含或者其他任何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。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种计步识别方法，其特征在于，包括：

获取目标时间范围内的多组运动特征值；

对多组所述运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；

将多个所述待识别序列输入识别模型，得到识别结果；

若所述识别结果为确认计步，则开始进行计步。

2.根据权利要求1所述的计步识别方法，其特征在于，所述获取目标时间范围内的多组运动特征值，包括：

分别获取基于X轴方向、Y轴方向和Z轴方向的加速度数据；

利用所述目标时间范围内特征值采集窗口对应的所述加速度数据得到一组所述运动特征值，并按照预设时间间隔滑动更新特征值采集窗口，直至得到所述目标时间范围对应的所有所述运动特征值。

3.根据权利要求1所述的计步识别方法，其特征在于，所述对多组所述运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列，包括：

利用各组所述运动特征值作为特征矩阵的各行向量构建所述特征矩阵，并对所述特征矩阵进行主成分分析处理，得到变换矩阵；

利用所述变换矩阵对各组所述运动特征值进行数据降维处理，得到对应的多个所述待识别序列。

4.根据权利要求3所述的计步识别方法，其特征在于，所述利用所述变换矩阵对各组所述运动特征值进行数据降维处理，得到对应的多个所述待识别序列，包括：

计算所述变换矩阵各行元素对应的绝对值和；

在多个所述绝对值和中确定预设数量个目标绝对值和；各个所述目标绝对值和大于所述绝对值和中的非目标绝对值和；

确定所述目标绝对值和在所述变换矩阵中对应的行号，并将各组所述运动特征值中与所述行号对应的特征项确定为目标特征项；

利用所述目标特征项生成各组所述运动特征值对应的所述待识别序列。

5.根据权利要求1所述的计步识别方法，其特征在于，所述将多个所述待识别序列输入识别模型，得到识别结果，包括：

将各个所述待识别序列输入ELM识别模型，得到对应的识别标签，并更新识别次数；

若所述识别标签中目标识别标签的数量大于预设阈值，则所述识别结果为确认计步，并将所述识别次数清零；

若所述目标识别标签的数量不大于所述预设阈值，则判断所述识别次数是否达到次数阈值；

若所述识别次数达到所述次数阈值，则确定所述识别结果为确认不计步，并将所述识别次数清零；

若所述识别次数未达到所述次数阈值，则更新所述目标时间范围并重新获取多组所述运动特征值。

6.根据权利要求1至5任一项所述的计步识别方法，其特征在于，还包括：

统计所述目标时间范围内的范围步数；

相应的，若所述识别结果为确认计步，还包括：

将所述范围步数增加至历史步数。

7.根据权利要求6所述的计步识别方法，其特征在于，还包括：

若所述识别结果为确认不计步，则将所述范围步数清零。

8.一种计步识别装置，其特征在于，包括：

获取模块，用于获取目标时间范围内的多组运动特征值；

处理模块，用于对多组所述运动特征值进行主成分分析处理和数据降维处理，得到多个待识别序列；

识别模块，用于将多个所述待识别序列输入识别模型，得到识别结果；

确认模块，用于若所述识别结果为确认计步，则开始进行计步。

9.一种计步识别设备，其特征在于，包括存储器和处理器，其中：

所述存储器，用于保存计算机程序；

所述处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的计步识别方法。

10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的计步识别方法。

Images