CN112115964A - 加速度标注模型生成方法、加速度标注方法、设备及介质 - Google Patents

Abstract

本发明公开一种加速度标注模型生成方法、加速度标注方法、设备及介质，该加速度标注模型生成方法包括获取原始数据，所述原始数据包括携带同一数据标识对应的训练惯性测量信号和训练加速度信号；对所述训练惯性测量信号进行分析，获取所述训练惯性测量信号对应的标注动作类别；对所述训练加速度信号进行分析，获取所述训练加速度信号对应的标注加速度特征；基于同一数据标识对应的所述标注动作类别和所述标注加速度特征，形成标注训练样本；采用所述标注训练样本训练神经网络模型，生成目标加速度标注模型，该目标加速度标注模型可以根据待处理加速度信号直接得到目标动作类别，使用方便，识别准确率高。

Description

加速度标注模型生成方法、加速度标注方法、设备及介质

技术领域

本发明涉及动作识别领域，尤其涉及一种加速度标注模型生成方法、加速度标注方法、设备及介质。

背景技术

目前，随着传感技术和数字化技术的发展，通过检测人体运动步态信息，以确定动作类别的方法也越来越多。现有的技术通常是生成识别模型以对运动信息进行识别确定目标动作类别，该识别模型训练过程中，需要人工预先对训练样本进行标记，然后通过人工手动加窗分割训练样本，该过程消耗大量的人力和物力，且对个人经验依赖性较强，筛选得到的加速度信号和对应的动作类别可能不准确，导致动作类别识别效果不佳，由于一种模型只能识别一种动作类别，实用性不强。或者利用识别方法识别目标动作类别，识别方法需要在人体多处关节上安置加速度传感器来确保较高的识别精度，这种方法能够直观地发现各种动作类别的加速度特征，但实际应用中要求使用者携带多个传感器，十分不便，使用场景有限，成本较高。

发明内容

本发明实施例提供一种加速度标注模型生成方法、加速度标注方法、设备及介质，以解决现有动作识别不准确或者识别操作不便的问题。

一种加速度标注模型生成方法，包括：

获取原始数据，所述原始数据包括携带同一数据标识对应的训练惯性测量信号和训练加速度信号；

对所述训练惯性测量信号进行分析，获取所述训练惯性测量信号对应的标注动作类别；

对所述训练加速度信号进行分析，获取所述训练加速度信号对应的标注加速度特征；

基于同一数据标识对应的所述标注动作类别和所述标注加速度特征，形成标注训练样本；

采用所述标注训练样本训练神经网络模型，生成目标加速度标注模型。

一种加速度标注方法，包括：

获取待处理数据，所述待处理数据包括待处理加速度信号；

对所述待处理加速度信号进行分析，获取所述待处理加速度信号对应的待处理加速度特征；

将所述待处理加速度特征输入加速度标注模型，获取与所述待处理加速度特征相对应的目标动作类别。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述加速度标注模型生成方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述加速度标注模型生成方法的步骤。

上述加速度标注模型生成方法、加速度标注方法、设备及介质，对所述训练惯性测量信号进行分析，获取所述训练惯性测量信号对应的标注动作类别，利用训练惯性测量信号获取标注动作类别，使得标注动作类别具有客观性，避免人工干预模型生成过程。对所述训练加速度信号进行分析，获取所述训练加速度信号对应的标注加速度特征，为后续神经网络模型训练提供技术支持。基于同一数据标识对应的所述标注动作类别和所述标注加速度特征，形成标注训练样本，利用训练惯性测量信号获取标注动作类别，使得标注动作类别具有客观性，避免人工干预模型生成过程。采用所述标注训练样本训练神经网络模型，生成目标加速度标注模型，有效地减少人工干预，确保生成的目标加速度标注模型具有客观性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中加速度标注模型生成方法的一流程图；

图2是本发明一实施例中加速度标注模型生成方法的另一流程图；

图3是本发明一实施例中加速度标注模型生成方法的另一流程图；

图4是本发明一实施例中加速度标注模型生成方法的另一流程图；

图5是本发明一实施例中加速度标注模型生成方法的另一流程图；

图6是本发明一实施例中加速度标注模型生成方法的另一流程图；

图7是本发明一实施例中加速度标注方法的一流程图；

图8是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在一实施例中，如图1所示，提供一种加速度标注模型生成方法，包括如下步骤：

S101：获取原始数据，原始数据包括携带同一数据标识对应的训练惯性测量信号和训练加速度信号。

其中，原始数据是为训练神经网络模型而采集的数据。

训练惯性测量信号是采用惯性测量传感器(即IMU传感器)采集得到的信号。训练加速度信号是采用移动设备或者加速度传感器采集的信号。本实施例中，测试对象携带惯性测量传感器和移动设备，或者携带惯性测量传感器和加速度传感器进行行走、跳跃或者其他动作，以采集到携带同一数据标识对应的训练惯性测量信号和训练加速度信号，以便后续训练神经网络模型得到目标加速度标注模型，可以利用目标加速度标注模型识别加速度信号，以确定加速度信号对应的动作类别有效减少加速度传感器数量，减低成本。可以理解地，后续直接利用目标加速度标注模型对移动设备或者加速度传感器采集的待处理加速度信号进行识别，即可确定对应的动作类别，而不需要各种加速度传感器，方法简便，使用场景非常广泛。

需要说明地是，训练惯性测量信号和训练加速度信号中携带数据标识，该数据标识是基于测试对象信息和时间信息形成的唯一标识，以便后续确定测试对象的同一数据标识的训练惯性测量信号和训练加速度信号，以训练神经网络模型。其中，时间信息是获得训练惯性测量信号或者训练加速度信号的时间；测试对象信息包括对象标识，还包括年龄、身高、体重和性别。本示例中，在原始数据采集过程中，可基于对象标识和实时获取的时间信息生成唯一的数据标识，以使惯性测量传感器采集的训练惯性测量信号携带该数据标识，移动设备或者加速度传感器采集的训练加速度信号也携带该数据标识。可以理解地，在训练惯性测量信号和训练加速度信号进行分析之前，需要对训练惯性测量信号和训练加速度信号进行筛选处理，以排除异常信号，确保后续的目标加速度标注模型的准确率。

作为一示例，可以采集至少一个测试对象的原始数据训练神经网络模型，得到目标加速度标注模型。作为另一示例，可以预先根据年龄和体重等测试对象信息对多个测试对象进行分类，以使测试对象信息相近的测试对象作为一组，采集该组内的原始数据，以得到训练惯性测量信号和训练加速度信号，以排除个体的差异对训练过程的影响，确保目标加速度标注模型的精准度。后续识别时，预先对待识别用户进行分类，以提高识别的准确性。

S102：对训练惯性测量信号进行分析，获取训练惯性测量信号对应的标注动作类别。

其中，标注动作类别是测试对象运动过程中的动作行为的类别，后续利用标注动作类别和对应的训练加速度信号训练神经网络模型。标注动作类别包括但不限于慢走、快走、跑步和跳跃等，也就是说，后续生成的目标加速度标注模型可以根据加速度信号确定对应的慢走、快走、跑步和跳跃等动作类别。

具体地，服务器对训练惯性测量信号进行分析，以得到以获取训练惯性测量信号对应的测试对象运动过程中的关节运动姿态，再根据关节运动姿态得到训练惯性测量信息对应的标注动作类别。本实施例中，利用训练惯性测量信号获取标注动作类别，使得标注动作类别具有客观性，避免人工干预模型生成过程。以人体行走时，关节运动姿态为下肢关节姿态为例，若起始步骤是右足跟触地，右腿髋关节向后伸，右腿整体也在运动；同时，左腿髋关节向前屈，左腿整体摆动直至左足尖离地，左足尖离地以后进入单腿支撑状态，左腿髋关节继续前屈，左腿随动；同时右腿髋关节继续后伸；紧接着右髋关节继续后伸，左髋关节继续前屈、左膝关节开始前伸，此时重心继续前移，直到左足跟与地面接触，至此单腿支撑相结束；随后进入第二次双腿支撑状态，随后的角度变化等过程与初始的过程是对称的，只是换成了左腿支撑右腿摆动，接着进入左腿的摆动，此时，利用惯性传感器实时采集训练惯性测量信号，对训练惯性测量信号进行分析，以得到下肢姿态的髋关节、踝关节和膝关节的测试过程的训练关节角度信息等，并根据这些训练关节角度信息查询预设映射规则以得到训练惯性测量信号对应的标注动作类别。

S103：对训练加速度信号进行分析，获取训练加速度信号对应的标注加速度特征。

其中，标注加速度特征是对训练加速度信号转化为对应的用于表示加速度信息的加速度数值，该标注加速度特征包括但不限于加速度矢量。本实施例中，对训练加速度信号进行分析，获取训练加速度信号对应的标注加速度特征，为后续神经网络模型训练提供技术支持。

S104：基于同一数据标识对应的标注动作类别和标注加速度特征，形成标注训练样本。

标注训练样本是指用于对神经网络模型进行训练的样本。本实施采用的同一数据标识对应的标注动作类别和标注加速度特征作为一组标注训练样本，可以确保标注动作类别和标注加速度特征具有对应性，确保后续的目标加速度标注模型的准确性。

本实施例中，标注动作类别具有多样性，使得后续生成的目标加速度标注模型可以根据实时采集的加速度信号确定对应的动作类别，以解决现有技术中一个模型只能识别一种动作类别的问题，提高目标加速度标注模型的性能。

S105：采用标注训练样本训练神经网络模型，生成目标加速度标注模型。

其中，目标加速度标注模型是基于标注训练样本进行训练所确定的模型，可以反映加速度特征和对应的动作类别之间的映射关系的模型。本实施例中，通过测试对象携带的训练惯性测量传感器采集训练惯性测量信号，可以有效还原测试对象的关节运动姿态，以确定携带数据标识的标注动作类别；利用测试对象携带的移动设备或者加速度传感器采集训练加速度信号，对训练加速度信号进行分析，以确定携带数据标识的标注加速度特征；再将同一数据标识的标注动作类别和标注加速度特征形成一标注训练样本，以利用标注训练样本训练神经网络模型，从而可以生成用于准确预测加速度信号对应的动作类别的目标加速度标注模型，使用数量较少的传感器，且有效地减少人工干预，确保生成的目标加速度标注模型具有客观性，且应用场景广。

本实施例所提供的加速度标注模型生成方法，对训练惯性测量信号进行分析，获取训练惯性测量信号对应的标注动作类别，利用训练惯性测量信号获取标注动作类别，使得标注动作类别具有客观性，避免人工干预模型生成过程。对训练加速度信号进行分析，获取训练加速度信号对应的标注加速度特征，为后续神经网络模型训练提供技术支持。基于同一数据标识对应的标注动作类别和标注加速度特征，形成标注训练样本，利用训练惯性测量信号获取标注动作类别，使得标注动作类别具有客观性，避免人工干预模型生成过程。采用标注训练样本训练神经网络模型，生成目标加速度标注模型，有效地减少人工干预，确保生成的目标加速度标注模型具有客观性。该目标加速度标注模型在实际使用过程中，根据待处理加速度信号直接得到目标动作类别，使用方便，识别效果较佳。

在一实施例中，如图2所示，步骤S102，即对训练惯性测量信号进行分析，获取训练惯性测量信号对应的标注动作类别，包括：

S201：基于训练惯性测量信号，获取训练惯性测量信号对应的训练动作信息，训练动作信息包括训练关节角度信息和运动时间信息。

其中，训练动作信息是与测试对象运动过程中与关节和时间相关的信息。

训练关节角度信息是测试对象在测试过程中关节的运动角度信息，具体包括关节的最大角度、最小角度和角度变化范围和关节位置等。例如，关节为髋关节、踝关节和膝关节，训练关节角度信息可以为关节位置和髋关节前屈范围为0至35°、髋关节后伸范围为0至7°、膝关节屈曲活动范围为0至60°、踝关节背屈范围为0至15°和砣屈范围为0至20°等。

运动时间信息是指测试对象在测试过程中运动的时间。该运动时间信息包括至少一个关节运动周期，每一关节运动周期对应一个动作类别，以便后续可基于一个关节运动周期分析一个用于训练神经网络的标注动作类别，以确保标注动作类别的有效性。本实施例中，对训练惯性测量信号进行分析，可以快速地确定训练动作信息，避免人工干扰。

S202：对训练关节角度信息和运动时间信息进行分析，获取训练惯性测量信号对应的标注动作类别。

具体地，对训练关节角度信息进行识别以确定最大关节角度、最小关节角度和关节角度变化范围等，以确定运动时间信息中完成的所有动作类别，并对运动时间信息分析，以确定运动过程中所包括的的所有关节运动周期，以确定测试对象在运动过程中每一关节运动周期的标注动作类别，为后续确定标注加速度特征和对应的标注动作类别提供支持。

本实施例所提供的加速度标注模型生成方法，基于训练惯性测量信号，获取训练惯性测量信号对应的训练动作信息，训练动作信息包括训练关节角度信息和运动时间信息，对训练惯性测量信号进行分析，可以快速地确定训练动作信息，避免人工干扰，以便后续确定与训练惯性测量信号对应的标注动作类别。对训练关节角度信息和运动时间信息进行分析，获取训练惯性测量信号对应的标注动作类别，使得标注动作类别的确定过程较为客观，避免人工干扰，为后续确定标注加速度特征和对应的标注动作类别提供支持，使得后续训练生成的模型具有客观性。

在一实施例中，如图3所示，步骤S202，对训练关节角度信息和运动时间信息进行分析，获取训练惯性测量信号对应的标注动作类别，包括：

S301：对训练关节角度信息和运动时间信息进行分析，获取关节运动周期和关节运动周期内的关节运动姿态。

其中，关节运动周期是指测试对象完成一个动作类别所使用的周期，例如，测试对象完成行走这个动作类别所需的关节运动周期(即走一步)为1秒。可以理解地，运动时间信息包括至少一个关节运动周期。

以人体行走为例，若起始步骤是右足跟触地，右腿髋关节向后伸，右腿整体也在运动；同时，左腿髋关节向前屈，左腿整体摆动直至左足尖离地，左足尖离地以后进入单腿支撑状态，左腿髋关节继续前屈，左腿随动；同时右腿髋关节继续后伸；紧接着右髋关节继续后伸，左髋关节继续前屈、左膝关节开始前伸，此时重心继续前移，直到左足跟与地面接触，至此单腿支撑相结束；随后进入第二次双腿支撑状态，随后的角度变化等过程与初始的过程是对称的，只是换成了左腿支撑右腿摆动，接着进入左腿的摆动，至此一个完整的右下肢行走周期就结束了，即完成一个完整的关节运动周期，

关节运动姿态是测试对象测试过程中的关节运动的情况，具体是测试对象测试过程完成动作类别时，关节运动的姿态，例如，关节运动姿态是关节最大角度和关节角度变化范围等。

本实施中，根据训练关节角度信息和运动时间信息确定关节运动周期和关节运动周期内的关节运动姿态，以便后续基于关节运动周期内的标注动作类别，具有客观性，以解决现有技术中需要人工筛选出特定的动作类别而产生的失误。

S302：基于关节运动姿态，确定关节运动角度范围。

具体地，关节运动姿态主要包括关节位置。本示例中，服务器可根据关节位置和关节运动周期确定关节运动速度和关节运动加速度，将关节运动速度、关节运动加速度和关节位置值代入逆动力学方程中，从而得到关节运动角度范围，以便后续客观地判断标注动作类别，减少人工干扰。

S303：基于关节运动周期和关节运动角度范围，确定关节伸展时间和关节弯曲时间。

该关节伸展时间是指关节运动周期内关节伸展的时间，可以理解为完成一个运动类别过程中关节伸展的时间。该关节弯曲时间是指关节运动周期内关节弯曲的时间，可以理解为完成一个运动类别过程中关节弯曲的时间，以便后续客观地判断标注动作类别，减少人工干扰。

S304：基于关节运动角度范围、关节伸展时间和关节弯曲时间，获取训练惯性测量信号对应的标注动作类别。

具体地，采用预设映射规则对关节运动角度范围、关节伸展时间和关节弯曲进行处理，以确定与关节运动角度范围、关节伸展时间和关节弯曲时间相匹配的标注动作类别，使得标注动作类别的确定过程更加客观，标注动作类别更加准确。为后续根据标注动作类别和标注加速度特征训练目标加速度标注模型提供技术支持。

其中，预设映射规则是指预先规定的训练惯性测量信号与标注动作类别间的映射关系。例如，对于标注动作类别为行走时，预设映射规则为髋关节前屈活动的关节运动角度范围为0至35°，后伸的关节运动角度范围为0至7°，膝关节屈曲的关节运动角度范围为0至60°，踝关节背屈的关节运动角度范围为0至15°，砣屈的关节运动角度范围为0至20°，正常人的步频95～125/min。

本实施例所提供的加速度标注模型生成方法，对训练关节角度信息和运动时间信息进行分析，获取关节运动周期和关节运动周期内的关节运动姿态，以便后续基于关节运动周期内的标注动作类别，具有客观性，以解决现有技术中需要人工筛选出特定的动作类别而产生的失误。基于关节运动姿态，确定关节运动角度范围，基于关节运动周期和关节运动角度范围，确定关节伸展时间和关节弯曲时间，以便后续客观地判断标注动作类别，减少人工干扰。基于关节运动角度范围、关节伸展时间和关节弯曲时间，获取训练惯性测量信号对应的标注动作类别，为后续根据标注动作类别和标注加速度特征训练目标加速度标注模型提供技术支持。

在一实施例中，如图4所示，步骤S101，即获取原始数据，包括：

S401：采用设置在测试对象上的惯性测量传感器，实时采集携带数据标识的训练惯性测量信号。

本实施例中，采用惯性测量传感器可以还原测试对象的关节运动姿态，以便根据关节运动姿态确定测试对象的标注动作类别，具有客观性，使得后续生成的目标加速度标注模型更加精准，以解决现有技术中人工根据加速度传感器采集的加速度信号确定标注动作类别，人工依赖性强，可能出现错误的问题。

S402：采用设置在同一测试对象上的移动设备或加速度传感器，实时采集携带数据标识的训练加速度信号。

本实施例中，采用同一测试对象的移动设备或者加速度传感器采集训练加速度信号，以确保同一测试对象在同一时间采集的训练加速度信号和训练惯性测量信号携带相同的数据标识，其中，移动设备可以是智能手表和手机等移动设备。

可以理解地，当采用设置在同一测试对象上的移动设备采集训练加速度信号，则方案中仅需要设置惯性测量传感器，达到减少了传感器的数量，在确保模型训练准确的同时，可以减少成本，后续应用目标加速度标注模型非常方便，适用于多种场景。

S403：基于同一数据标识的训练惯性测量信号和训练加速度信号，获取原始数据。

本实施例所提供的加速度标注模型生成方法，采用设置在测试对象上的惯性测量传感器，实时采集携带数据标识的训练惯性测量信号，具有客观性，使得后续生成的目标加速度标注模型更加精准，以解决现有技术中人工根据加速度传感器采集的加速度信号确定标注动作类别，人工依赖性强，可能出现错误的问题。采用设置在同一测试对象上的移动设备或加速度传感器，实时采集携带数据标识的训练加速度信号，以确保携带同一数据标识的训练加速度信号和训练惯性测量信号具有对应关系，以保障基于同一数据标识的训练惯性测量信号和训练加速度信号获取的原始数据的准确性，保障利用目标加速度标注模型进行模型训练的可行性。

在一实施例中，惯性测量传感器设置在测试对象的髋关节、膝关节和踝关节上。本实施例中，惯性测量传感器设置在测试对象的髋关节、膝关节和踝关节上，以分别采集测试对象的髋关节、膝关节和踝关节对应的惯性测量信号，以便根据髋关节、膝关节和踝关节对应的惯性测量信号还原出测试对象运动过程的关节运动姿态，进而确定髋关节、膝关节和踝关节的关节角度，以为后续确定数据标识的标注动作类别和标注加速度特征提供基础。

在一实施例中，如图5所示，在步骤S401之前，即在采用设置在测试对象上的惯性测量传感器，实时采集携带数据标识的训练惯性测量信号之前，加速度标注模型生成方法还包括:

S501：采用设置在测试对象上的惯性测量传感器，实时采集校准惯性测量信号。

具体地，在测试对象的关节上安装惯性测量传感器，测试对象静止站立，测量校准惯性测量信号，以对惯性测量传感器测得校准惯性测量信号进行校准。本示例中，测试对象的关节上安装惯性测量传感器是在髋关节、膝关节和踝关节上分别安装惯性测量传感器。

S502：对校准惯性测量信号进行转换，获取校准惯性测量信号对应的校准关节坐标。

通常情况下，校准惯性测量信号为波形数据，采用计算机对标准惯性测量信号进行转换，以得到关节位置和关节运动角度范围，在该关节坐标中建立坐标系，以得到校准关节坐标，以便后续获取校准映射关系。

S503：基于校准关节坐标和预设关节坐标，获取校准映射关系。

其中，预设关节坐标为预设关节坐标系上的坐标。由于各个惯性测量传感器内的坐标系不一致，后续采用各个关节上的惯性测量传感器确定的训练关节角度信息不准确，因此，利用设定预设关节坐标系以得到各个惯性测量传感器中的坐标系与预设关节坐标系之间的校准映射关系，利用预设关节坐标系使得确保训练关节角度信息是基于统一的校准标准形成的，确保后续得到精准的训练关节角度信息。

校准映射关系是惯性测量传感器中的坐标系与预设关节坐标之间转化的关系，可以理解地，一惯性测量传感器对应一校准映射关系，以确保后续的训练关节角度信息是基于同一预设关节坐标系转化而来，得到精准的训练关节角度信息，从而提高了后续生成的模型的精准度。例如，校准映射关系可以是函数等。

本实施例所提供的加速度标注模型生成方法，采用设置在测试对象上的惯性测量传感器，实时采集校准惯性测量信号，将校准惯性测量信号进行转换，获取校准惯性测量信号对应的校准关节坐标，以便后续获取校准映射关系。基于校准关节坐标和预设关节坐标，获取校准映射关系，以确保后续的训练关节角度信息是基于同一预设关节坐标系转化而来，得到精准的训练关节角度信息，从而提高了后续生成的模型的精准度。

相应地，步骤S201，即基于训练惯性测量信号，获取训练惯性测量信号对应的训练动作信息，训练动作信息包括训练关节角度信息和运动时间信息，具体包括如下步骤：

S2011：基于训练惯性测量信号，获取对应的原始关节角度信息。

其中，原始关节角度信息是对训练测量信号进行分析后获得的未经过校准的关节角度信息，该原始关节角度信息包括最大角度、最小角度、角度变化范围和关节位置等。

S2012：采用校准映射关系对原始关节角度信息进行校准，获取训练关节角度信息。

本实施例中，根据校准映射关系对原始关节角度信息中的坐标进行转化，以得到各个关节的训练关节角度信息，由于训练关节角度信息是基于同一预设关节坐标系转化而来，提高了训练关节角度信息的精准度，从而可以提高后续生成的模型的精准度。

本实施例所提供的加速度标注模型生成方法，基于训练惯性测量信号，获取对应的运动时间信息和原始关节角度信息，采用校准映射关系对原始关节角度信息进行校准，获取训练关节角度信息，提高了训练关节角度信息的精准度，从而可以提高后续生成的模型的精准度。

在一实施例中，如图6所示，步骤S105，即所采用标注训练样本训练神经网络模型，生成目标加速度标注模型，包括：

S601：采用标注训练样本训练神经网络模型，生成原始加速度标注模型。

S602：获取原始加速度标注模型的标注准确率，若标注准确率大于预设准确率，则将原始加速度标注模型确定为目标加速度标注模型。

将所有标注训练样本划分成训练集和验证集。利用训练集中的标注训练样本采用标注训练样本训练神经网络模型，生成原始加速度标注模型。接着，将验证集中的标注训练样本输入到原始加速度标注模型，获取每一标注训练样本对应的验证动作类别；统计标注动作类别和验证动作类别相同的标注训练样本对应的准确样本数量，并获取验证集中所有标注训练样本对应的总样本数量，根据准确样本数量和总样本数量计算出原始加速度标注模型的准确率，若准确率大于预设准确率，则将原始加速度标注模型确定为目标加速度标注模型，确保目标加速度标注模型的准确率达到预设标准。

本实施例所提供的加速度标注模型生成方法，采用标注训练样本训练神经网络模型，生成原始加速度标注模型。获取原始加速度标注模型的标注准确率，若标注准确率大于预设准确率，则将原始加速度标注模型确定为目标加速度标注模型，确保目标加速度标注模型的准确率。

本发明提供一种加速度标注方法，包括以下步骤：

S701：获取待处理数据，待处理数据包括待处理加速度信号。

其中，待处理数据是指实时采集的运动数据，对该待处理数据进行处理，以确定对应的目标动作类别。本实施例中，该待处理数据是由移动设备或加速度传感器采集的，不需要惯性测量传感器，使用方便可以应用更多的场景，且有效减少成本。例如，针对老人看护，利用老人随身携带的移动设备，采集获取待处理数据，以确定实现对应的目标动作类别，实现对老人动作监测，对于跌倒等异常行为的快速报警，从而避免造成更大的伤害。

S702：对待处理加速度信号进行分析，获取待处理加速度信号对应的待处理加速度特征。

本实施例中，对待处理加速度信号进行分析，以获取对应的待处理加速度特征，以使待处理加速度特征可用于后续目标加速度标注模型计算。

S703：将待处理加速度特征输入步骤S101-步骤S105目标加速度标注模型，获取与待处理加速度特征相对应的目标动作类别。

其中，目标动作类别是与待处理加速度特征对应的动作类别。本实施例中，将移动设备采集的待处理加速度特征输入目标加速度标注模型，可以快速地确定对应的目标动作类别。

本实施例所提供的加速度标注方法，获取待处理数据，所述待处理数据包括待处理加速度信号，确保目标加速度标注模型的准确率。对所述待处理加速度信号进行分析，获取所述待处理加速度信号对应的待处理加速度特征，以使待处理加速度特征可用于后续目标加速度标注模型计算。将所述待处理加速度特征输入目标加速度标注模型，获取与所述待处理加速度特征相对应的目标动作类别，可以快速地确定对应的目标动作类别。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储同一数据标识对应的所述标注动作类别和所述标注加速度特征。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种加速度标注模型生成方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中加速度标注模型生成方法，例如图1所示的步骤S101-S105，或者图3至图6中所示的步骤，或者所述处理器执行所述计算机程序时上述实施例中加速度标注方法，例如图7所示的步骤S701-S703，为避免重复，这里不再赘述。

在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质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中加速度标注模型生成方法，例如图1所示的步骤S101-S105，或者图3至图6中所示的步骤，或者所述处理器执行所述计算机程序时上述实施例中加速度标注方法，例如图7所示的步骤S701-S703，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种加速度标注模型生成方法，其特征在于，包括：

获取原始数据，所述原始数据包括携带同一数据标识对应的训练惯性测量信号和训练加速度信号；

对所述训练惯性测量信号进行分析，获取所述训练惯性测量信号对应的标注动作类别；

对所述训练加速度信号进行分析，获取所述训练加速度信号对应的标注加速度特征；

基于同一数据标识对应的所述标注动作类别和所述标注加速度特征，形成标注训练样本；

采用所述标注训练样本训练神经网络模型，生成目标加速度标注模型。

2.如权利要求1所述的加速度标注模型生成方法，其特征在于，所述对所述训练惯性测量信号进行分析，获取所述训练惯性测量信号对应的标注动作类别，包括：

基于所述训练惯性测量信号，获取所述训练惯性测量信号对应的训练动作信息，所述训练动作信息包括训练关节角度信息和运动时间信息；

对所述训练关节角度信息和所述运动时间信息进行分析，获取所述训练惯性测量信号对应的标注动作类别。

3.如权利要求2所述的加速度标注模型生成方法，其特征在于，所述对所述训练关节角度信息和所述运动时间信息进行分析，获取所述训练惯性测量信号对应的标注动作类别，包括：

对所述训练关节角度信息和所述运动时间信息进行分析，获取关节运动周期和所述关节运动周期内的关节运动姿态；

基于所述关节运动姿态，确定关节运动角度范围；

基于所述关节运动周期和所述关节运动角度范围，确定关节伸展时间和关节弯曲时间；

基于所述关节运动角度范围、关节伸展时间和关节弯曲时间，获取所述训练惯性测量信号对应的标注动作类别。

4.如权利要求1所述的加速度标注模型生成方法，其特征在于，所述获取原始数据，包括：

采用设置在测试对象上的惯性测量传感器，实时采集携带数据标识的训练惯性测量信号；

采用设置在同一所述测试对象上的移动设备或加速度传感器，实时采集携带数据标识的训练加速度信号；

基于同一数据标识的所述训练惯性测量信号和所述训练加速度信号，获取原始数据。

5.如权利要求4所述的加速度标注模型生成方法，其特征在于，所述惯性测量传感器设置在所述测试对象的髋关节、膝关节和踝关节上。

6.如权利要求2所述的加速度标注模型生成方法，其特征在于，在所述采用设置在测试对象上的惯性测量传感器，实时采集携带数据标识的训练惯性测量信号之前，所述加速度标注模型生成方法还包括:

采用设置在测试对象上的惯性测量传感器，实时采集校准惯性测量信号；

对所述校准惯性测量信号进行转换，获取所述校准惯性测量信号对应的校准关节坐标；

基于所述校准关节坐标和预设关节坐标，获取校准映射关系；

所述基于所述训练惯性测量信号，获取所述训练惯性测量信号对应的训练动作信息，所述训练动作信息包括训练关节角度信息和运动时间信息；包括：

基于所述训练惯性测量信号，获取对应的原始关节角度信息；

采用所述校准映射关系对所述原始关节角度信息进行校准，获取训练关节角度信息。

7.如权利要求1所述的加速度标注模型生成方法，其特征在于，所采用所述标注训练样本训练神经网络模型，生成目标加速度标注模型，包括：

采用所述标注训练样本训练神经网络模型，生成原始加速度标注模型；

获取所述原始加速度标注模型的标注准确率，若所述标注准确率大于预设准确率，则将所述原始加速度标注模型确定为目标加速度标注模型。

8.一种加速度标注方法，其特征在于，包括：

获取待处理数据，所述待处理数据包括待处理加速度信号；

对所述待处理加速度信号进行分析，获取所述待处理加速度信号对应的待处理加速度特征；

将所述待处理加速度特征输入权利要求1-7任一项所述加速度标注模型，获取与所述待处理加速度特征相对应的目标动作类别。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述加速度标注模型生成方法，或者所述处理器执行所述计算机程序时实现如权利要求8所述加速度标注方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述加速度标注模型生成方法，或者所述计算机程序被处理器执行时实现如权利要求8所述加速度标注方法。

Images