CN112067015A - 基于卷积神经网络的计步方法、装置及可读存储介质 - Google Patents

Abstract

本申请公开了一种基于卷积神经网络的计步方法、装置及可读存储介质，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；根据去噪后的所述加速度信号以及所述运动状态获取计步信息。本申请通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。

Description

基于卷积神经网络的计步方法、装置及可读存储介质

技术领域

本申请涉及计步技术领域，尤其涉及一种基于卷积神经网络的计步方法、装置及可读存储介质。

背景技术

现有技术中，智能穿戴设备如智能手环、智能手表等以及移动终端如手机等通过内置的加速度传感器采集加速度数据，并通过计步检测算法如过零点检测、平坦区域检测、峰值检测等对加速度数据进行计算得到用户的步数，但采集加速度数据的传感器本身存在测量误差，并且在运动过程中会引入随机振动噪声(干扰)如智能穿戴设备与用户手腕的相对振动会对加速度数据检测产生干扰，导致检测到达的加速度数据不准确，最终导致步数统计不够准确。

申请内容

本申请实施例通过提供一种基于卷积神经网络的计步方法，旨在解决现有技术中加速度数据检测不准确，导致步数统计不够准确的问题。

本申请实施例的提供一种基于卷积神经网络的计步方法，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：

获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；

根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；

根据去噪后的所述加速度信号以及所述运动状态获取计步信息。

进一步地，所述根据所述去噪模型对所述当前加速度信号进行去噪处理的步骤之前包括：

根据预设的频率阈值对所述当前加速度信号进行滤波处理。

进一步地，所述根据预设的频率阈值对所述当前加速度信号进行滤波处理的步骤之后包括：

对滤波后的所述当前加速度信号进行归一化处理。

进一步地，所述根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号的步骤包括：

将所述当前加速度信号作为输入数据输入所述去噪模型的输入层；

获取所述去噪模型的全连接层输出的输出数据以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；

其中，所述去噪模型包括两层卷积神经网络层，并包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层、第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层，所述去噪模型以足部的加速度信号作为训练标签训练得到。

进一步地，所述去噪模型以足部的加速度信号作为训练标签训练得到的步骤包括：

获取训练集数据，其中，所述训练集数据包括多种运动状态的加速度信号，且每一所述运动状态均对应设置有多组加速度信号；

获取不同运动状态下足部的加速度信号，作为所述去噪模型的训练标签；

在模型训练过程中，以所述训练集数据中多组加速度信号作为输入数据，并以同种运动状态下的足部的加速度信号作为输出数据进行模型训练；

在训练误差小于设定误差时停止训练，以得到所述基于卷积神经网络的去噪模型。

进一步地，所述根据去噪后的所述加速度信号以及所述运动状态获取计步信息的步骤包括：

对所述去噪后的加速度信号进行时域分析得到时域波形；

根据所述时域波形以及所述运动状态获取所述计步信息。

进一步地，所述根据所述时域波形以及所述运动状态获取所述计步信息的步骤包括：

获取所述时域波形的峰值点，以及所述峰值点与相邻峰值点的时间间隔；

获取所述运动状态对应的预设阈值以及预设时间间隔；

在所述峰值点对应的数值大于所述预设阈值，且所述时间间隔大于预设时间间隔时，将所述峰值点作为计步峰值点；

根据所述计步峰值点得到所述计步信息。

进一步地，所述运动状态包括静止状态、步行状态、慢跑状态、快跑状态、爬梯状态中的至少一种，所述静止状态、步行状态、慢跑状态、快跑状态、爬梯状态对应的预设阈值依次增大，所述静止状态、爬梯状态、步行状态、慢跑状态、快跑状态对应的预设时间间隔依次减小。

为实现上述目的，本申请还提供一种基于卷积神经网络的计步装置，所述基于卷积神经网络的计步装置包括：加速度传感器、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的基于卷积神经网络的计步方法的步骤。

为实现上述目的，本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于卷积神经网络的计步方法的步骤。

本申请提供的基于卷积神经网络的计步方法、装置及可读存储介质，通过获取当前加速度信号，通过预置的基于卷积神经网络的去噪模型去除当前加速度信号的噪声(干扰)，得到去噪后的加速度信号，并通过所述去噪模型分析当前加速度信号对应的运动状态，并通过分析去噪后的加速度信号，结合对应的运动状态计算得到计步信息，通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请基于卷积神经网络的计步装置涉及的硬件构架示意图；

图2是本申请基于卷积神经网络的计步方法的一实施例的流程示意图；

图3是本申请基于卷积神经网络的计步方法的另一实施例的流程示意图；

图4是本申请基于卷积神经网络的计步方法的又一实施例的流程示意图；

图5是本申请的基于卷积神经网络的框架示意图；

图6是本申请步骤S20的一实施例的具体流程示意图；

图7是本申请步骤S22的一实施例的具体流程示意图；

图8是本申请步骤S30的一实施例的具体流程示意图；

图9是本申请步骤S32的一实施例的具体流程示意图。

具体实施方式

为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本申请的主要解决方案是：通过获取当前加速度信号，通过预置的基于卷积神经网络的去噪模型去除当前加速度信号的噪声(干扰)，得到去噪后的加速度信号，并通过所述去噪模型分析当前加速度信号对应的运动状态，并通过分析去噪后的加速度信号，结合对应的运动状态计算得到计步信息，通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。

作为一种实现方式，基于卷积神经网络的计步装置可以如图1所示。

本申请实施例方案涉及的是基于卷积神经网络的计步装置，基于卷积神经网络的计步装置包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。

存储器102可以是高速RAM存储器，也可以是稳定的存储器 (non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机存储介质的存储器103中可以包括检测程序；而处理器101可以用于调用存储器102 中存储的检测程序，并执行以下操作：

获取第一PPG信号，并对所述第一PPG信号进行分割得到多个第一PPG 子信号；

获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；

根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；

根据去噪后的所述加速度信号以及所述运动状态获取计步信息。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

根据预设的频率阈值对所述当前加速度信号进行滤波处理。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

对滤波后的所述当前加速度信号进行归一化处理。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

将所述当前加速度信号作为输入数据输入所述去噪模型的输入层；

获取所述去噪模型的全连接层输出的输出数据以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；

其中，所述去噪模型包括两层卷积神经网络层，并包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层、第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层，所述去噪模型以足部的加速度信号作为训练标签训练得到。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

获取训练集数据，其中，所述训练集数据包括多种运动状态的加速度信号，且每一所述运动状态均对应设置有多组加速度信号；

获取不同运动状态下足部的加速度信号，作为所述去噪模型的训练标签；

在模型训练过程中，以所述训练集数据中多组加速度信号作为输入数据，并以同种运动状态下的足部的加速度信号作为输出数据进行模型训练；

在训练误差小于设定误差时停止训练，以得到所述基于卷积神经网络的去噪模型。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

对所述去噪后的加速度信号进行时域分析得到时域波形；

根据所述时域波形以及所述运动状态获取所述计步信息。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

获取所述时域波形的峰值点，以及所述峰值点与相邻峰值点的时间间隔；

获取所述运动状态对应的预设阈值以及预设时间间隔；

在所述峰值点对应的数值大于所述预设阈值，且所述时间间隔大于预设时间间隔时，将所述峰值点作为计步峰值点；

根据所述计步峰值点得到所述计步信息。

在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：

所述运动状态包括静止状态、步行状态、慢跑状态、快跑状态、爬梯状态中的至少一种，所述静止状态、步行状态、慢跑状态、快跑状态、爬梯状态对应的预设阈值依次增大，所述静止状态、爬梯状态、步行状态、慢跑状态、快跑状态对应的预设时间间隔依次减小。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照图2，图2为本申请基于卷积神经网络的计步方法的第1实施例，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：

步骤S10，获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到。

在本实施例中，所述计步装置可以是智能可穿戴设备如智能手环、智能手表、智能眼镜等，也可以是移动终端如手机、平板电脑、笔记本电脑等，所述计步装置中设置有加速度传感器，用于检测用户的当前加速度信号。本申请将用于所处的状态大致分为静止状态(如用户静坐看电视或者静坐办公)、步行状态、慢跑状态、快跑状态、爬梯状态(包括爬山、爬楼等)这五种状态，用户处于不同的运动状态时，所述加速度传感器采集到的加速度信号是不同的。所述当前加速度信号可以是所述加速度传感器在最近一段时间内如最近5秒内采集得到的加速度信号。

步骤S20，根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号。

在本实施例中，所述计步装置除了包括加速度传感器，还包括处理器如微控制器以及存储器，所述存储器中存储有已经训练完毕的基于卷积神经网络的去噪模型，所述去噪模型用于对所述当前加速度信号进行去噪处理，具体地，以智能手环为例，采集到的所述当前加速度信号中存在噪声，该噪声是由用户手腕与智能手环之间的相对运动产生的，例如，用户在静坐办公并在键盘上打字时，用户手腕与手环之间不断发生相对振动，但是用户此时并未行走，如果不对此类噪声进行过滤，而直接根据单当前加速度信号获取计步信息，将导致计步信息不准确，再如，由于加速度传感器本身存在检测精度的问题，加速度传感器本身存在检测误差，如果不对检测误差进行修正或者补偿，也将导致因为当前加速度信号的不准确而导致计步信息不准确；因此，本实施例中，通过在所述存储器中预置已经训练完毕的基于卷积神经网络的去噪模型，通过所述去噪模型去除所述当前加速度信号中的噪音，并通过对所述当前加速度信号进行特征提取和分析，获取所述当前加速度信号所对应的运动状态。

步骤S30，根据去噪后的所述加速度信号以及所述运动状态获取计步信息。

在本实施例中，根据所述去噪模型同时获取去噪后的加速度信号以及与所述当前加速度信号对应的所述运动状态获取计步信息，具体地，可以对去噪后的加速度信号进行时域分析得到峰值点，并将所述峰值点的数量作为步数，叠加到此前统计的步数上，以得到最新的步数信息，进一步地，为了更准确获取计步信息，可以根据得到的运动状态获取峰值点对应的预设阈值以及预设时间间隔，其中，不同的运动状态具有不同的预设阈值以及预设时间间隔，在峰值点的数值大于对应的运动状态的预设阈值，且该峰值点与相邻峰值点(上一峰值点和下一峰值点)的时间间隔大于对应的运动状态预设时间间隔时，再将该峰值点作为计步峰值点，计步峰值点的数量也即根据当前加速度信号得到的步数，将该步数加到此前统计的步数上，即可得到所述计步信息，并可以通过计步信息输出，以供用户查看。

综上所述，本申请实施例通过获取当前加速度信号，通过预置的基于卷积神经网络的去噪模型去除当前加速度信号的噪声(干扰)，得到去噪后的加速度信号，并通过所述去噪模型分析当前加速度信号对应的运动状态，并通过分析去噪后的加速度信号，结合对应的运动状态计算得到计步信息，通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。

请参阅图3，在上述第1实施例的基础上，提出本申请的计步方法的第2 实施例，所述根据所述去噪模型对所述当前加速度信号进行去噪处理的步骤之前包括：

步骤S40，根据预设的频率阈值对所述当前加速度信号进行滤波处理。

在本实施例中，在将所述当前加速度信号输入到去噪模型之前，对当前加速度信号进行滤波处理，具体地，预设设置一个低频滤波阈值以及一个高频滤波阈值，例如所述低频滤波阈值可为1Hz，以用户手腕佩戴智能手环为例，该低频滤波阈值为1Hz表示用户在1秒内手臂摆动1次，同理，所述高频滤波阈值为5Hz，以用户手腕佩戴智能手环为例，该高频滤波阈值为5Hz表示用户在 1秒内手臂摆动5次，由于用户手臂的在1秒内的摆动次数一般不会低于1次或者高于5次，因此，将所述当前加速度信号中，将频率低于低频滤波阈值所对应的波形滤除，将频率高于高频滤波阈值所对应的波形滤除，如此，在真正进行去噪处理之前，先滤除所述当前加速度信号中不属于用户正常步行时的摆臂动作对应的波形，从而使得滤波后的加速度信号更加准确，减少去噪模型的计算量，提高计步信息的准确度。

请参阅图4，在上述第2实施例的基础上，提出本申请的计步方法的第3 施例，所述根据预设的频率阈值对所述当前加速度信号进行滤波处理的步骤之后包括：

步骤S50，对滤波后的所述当前加速度信号进行归一化处理。

在本实施例中，在对当前加速度信号进行滤波后，对滤波后的加速度信号进行归一化处理，将所述加速度信号归一化0-1的范围内，从而减少所述去噪模型的计算量和计算速度。具体地，通过以下公式，对滤波后的所述当前加速度信号进行归一化处理，其中，所述x(i)为加速度信号，x_min为多个x(i)中最小的x(i)，x_max为多个x(i)中最大的x(i)；

请参阅图5-6，在上述第1-3实施例的基础上，提出本申请的计步方法的第4施例，所述根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号的步骤包括：

步骤S21，将所述当前加速度信号作为输入数据输入所述去噪模型的输入层；

步骤S22，获取所述去噪模型的全连接层输出的输出数据以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；其中，所述去噪模型包括两层卷积神经网络层，并包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层、第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层，所述去噪模型以足部的加速度信号作为训练标签训练得到。

在本实施例中，如图5所示，所述去噪模型包括两层卷积神经网络层，其中一层卷积神经网络层包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层；另一层卷积神经网络层包括第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层；其中，所述输入层用于接收输入数据，所述第一卷积及激活层以及所述第二卷积及激活层的激活函数为Relu函数，同时为了防止过拟合，在卷积层加入正则化操作，在全连接层加入20％的Dropout(dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃)。选用均方误差损失函数和RMSProp优化算法，循环次数设置为N个epoch(当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一个 epoch)，学习速率设置为I，均方误差损失函数公式如下，其中y_i为神经网络的实际输出，Y_i为神经网络的标签值。

在本实施例中，由于足部的加速度信号较少受到随机振动噪音的影响，也即足部的加速度信号相比于手腕的加速度信号更加准确，因此，将足部的加速度信号作为所述训练标签(也即真实值)进行训练，可以理解，不同的运动状态下的足部的加速度信号也是不同的，因此，在模型训练过程中，根据输入的加速度信号对应的运动状态，要用对应运动状态下的足部的加速度信号作为训练标签。当训练误差(也即卷积神经网络的预测值与真实值之间的误差)小于设定误差时，停止训练，得到所述去噪模型。

请参阅图7，在上述第1-4实施例的基础上，提出本申请的计步方法的第 5施例，所述去噪模型以足部的加速度信号作为训练标签训练得到的步骤包括：

步骤S221，获取训练集数据，其中，所述训练集数据包括多种运动状态的加速度信号，且每一所述运动状态均对应设置有多组加速度信号；

步骤S222，获取不同运动状态下足部的加速度信号，作为所述去噪模型的训练标签；

步骤S223，在模型训练过程中，以所述训练集数据中多组加速度信号作为输入数据，并以同种运动状态下的足部的加速度信号作为输出数据进行模型训练；

步骤S224，在训练误差小于设定误差时停止训练，以得到所述基于卷积神经网络的去噪模型。

在本实施例中，通过所述加速度传感器获取训练集数据，具体的，将用户的运动状态分为所述静止状态、步行状态、慢跑状态、快跑状态、爬梯状态这五种运动状态，所述加速度传感分别依次采集在这五种运动状态下的用户腕部以及足底的加速度信号，每种运动状态采集预设时间如5分钟，每种运动状态采集多组加速度信号，例如在第一个5分钟内采集静止状态下的用户腕部以及足底的加速度信号，在第二个5分钟内采集步行状态下的用户腕部以及足底的加速度信号，在第三个5分钟内采集慢跑状态下的用户腕部以及足底的加速度信号，以此类型。

在获取到训练集数据后，按照不同运动状态进行训练，如对于静止状态，将将静止状态下的用户腕部的加速度信号作为输入数据输入到所述输入层，将足底的加速度信号作为输出层的输出数据(也即上述训练标签、真实值)一起放到卷积神经网络中进行训练，其他运动状态下同理，在此不赘述。在训练误差也即所述卷积神经网络的预测值与真实值小于设定误差时，停止训练，得到所述基于卷积神经网络的去噪模型。

请参阅图8，在上述第1-5实施例的基础上，提出本申请的计步方法的第 6施例，所述根据去噪后的所述加速度信号以及所述运动状态获取计步信息的步骤包括：

步骤S31，对所述去噪后的加速度信号进行时域分析得到时域波形；

步骤S32，根据所述时域波形以及所述运动状态获取所述计步信息。

在本实施例中，通过对去噪后的加速度信息进行时域分析，得到时域波形，并进一步根据所述时域波形以及去噪模型识别出来的运动状态一齐获取所述计步信息，具体地，由于不同运动状态下的加速度信号所具有的特征如振动幅度等时不一样的，去噪模型通过提取输入的加速度信号的特征识别出输入的加速度信号对应的运动状态。

请参阅图9，在上述第6实施例的基础上，提出本申请的计步方法的第7 施例，所述根据所述时域波形以及所述运动状态获取所述计步信息的步骤包括：

步骤S321，获取所述时域波形的峰值点，以及所述峰值点与相邻峰值点的时间间隔；

步骤S322，获取所述运动状态对应的预设阈值以及预设时间间隔；

步骤S323，在所述峰值点对应的数值大于所述预设阈值，且所述时间间隔大于预设时间间隔时，将所述峰值点作为计步峰值点；

步骤S324，根据所述计步峰值点得到所述计步信息。

在本实施例中，将去噪后的加速度信号在时域上进行分析，得到时域波形后，可以将所述时域波形的每一峰值点作为一步，但是这样还不够准确，因此，本实施例中，进一步通过去噪模型识别出的运动状态所对应的预设阈值和预设时间间隔，只有在所述峰值点对应的数值大于所述预设阈值，且所述时间间隔大于预设时间间隔时，才将所述峰值点作为计步峰值点，并在已经统计的步数上加上对应的步数，从而根据所述计步峰值点得到所述计步信息。

具体地，所述运动状态包括静止状态、步行状态、慢跑状态、快跑状态、爬梯状态中的至少一种，所述静止状态、步行状态、慢跑状态、快跑状态、爬梯状态对应的预设阈值依次增大，所述静止状态、爬梯状态、步行状态、慢跑状态、快跑状态对应的预设时间间隔依次减小，如此，针对不同的运动状态，针对性地预设不同的预设阈值以及预设时间间隔，从而根据不同的运动状态对应的预设阈值以及预设时间间隔，更准确地计步峰值点，使得计步信息的获取更加准确。

为实现上述目的，本申请还提供一种基于卷积神经网络的计步装置，所述基于卷积神经网络的计步装置包括：加速度传感器、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于卷积神经网络的计步方法的步骤。

为实现上述目的，本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于卷积神经网络的计步方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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流程示意图和 /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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

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

Claims (10)

1.一种基于卷积神经网络的计步方法，其特征在于，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：

获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；

根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；

根据去噪后的所述加速度信号以及所述运动状态获取计步信息。

2.如权利要求1所述的基于卷积神经网络的计步方法，其特征在于，所述根据所述去噪模型对所述当前加速度信号进行去噪处理的步骤之前包括：

根据预设的频率阈值对所述当前加速度信号进行滤波处理。

3.如权利要求2所述的基于卷积神经网络的计步方法，其特征在于，所述根据预设的频率阈值对所述当前加速度信号进行滤波处理的步骤之后包括：

对滤波后的所述当前加速度信号进行归一化处理。

4.如权利要求1所述的基于卷积神经网络的计步方法，其特征在于，所述根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号的步骤包括：

将所述当前加速度信号作为输入数据输入所述去噪模型的输入层；

获取所述去噪模型的全连接层输出的输出数据以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；

其中，所述去噪模型包括两层卷积神经网络层，并包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层、第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层，所述去噪模型以足部的加速度信号作为训练标签训练得到。

5.如权利要求4所述的基于卷积神经网络的计步方法，其特征在于，所述去噪模型以足部的加速度信号作为训练标签训练得到的步骤包括：

获取训练集数据，其中，所述训练集数据包括多种运动状态的加速度信号，且每一所述运动状态均对应设置有多组加速度信号；

获取不同运动状态下足部的加速度信号，作为所述去噪模型的训练标签；

在模型训练过程中，以所述训练集数据中多组加速度信号作为输入数据，并以同种运动状态下的足部的加速度信号作为输出数据进行模型训练；

在训练误差小于设定误差时停止训练，以得到所述基于卷积神经网络的去噪模型。

6.如权利要求1所述的基于卷积神经网络的计步方法，其特征在于，所述根据去噪后的所述加速度信号以及所述运动状态获取计步信息的步骤包括：

对所述去噪后的加速度信号进行时域分析得到时域波形；

根据所述时域波形以及所述运动状态获取所述计步信息。

7.如权利要求6所述的基于卷积神经网络的计步方法，其特征在于，所述根据所述时域波形以及所述运动状态获取所述计步信息的步骤包括：

获取所述时域波形的峰值点，以及所述峰值点与相邻峰值点的时间间隔；

获取所述运动状态对应的预设阈值以及预设时间间隔；

在所述峰值点对应的数值大于所述预设阈值，且所述时间间隔大于预设时间间隔时，将所述峰值点作为计步峰值点；

根据所述计步峰值点得到所述计步信息。

8.如权利要求7所述的基于卷积神经网络的计步方法，其特征在于，所述运动状态包括静止状态、步行状态、慢跑状态、快跑状态、爬梯状态中的至少一种，所述静止状态、步行状态、慢跑状态、快跑状态、爬梯状态对应的预设阈值依次增大，所述静止状态、爬梯状态、步行状态、慢跑状态、快跑状态对应的预设时间间隔依次减小。

9.一种基于卷积神经网络的计步装置，其特征在于，所述基于卷积神经网络的计步装置包括：加速度传感器、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于卷积神经网络的计步方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于卷积神经网络的计步方法的步骤。

Images