CN113156155B - 高精度可穿戴设备的测速方法、系统、介质及设备 - Google Patents

Abstract

本发明涉及一种跑步训练的高精度可穿戴设备的测速方法、系统、介质及设备，将IMU传感器进行灵敏度以及零偏补偿；对补偿后的传感器数据动态融合；对融合后的传感器数据判断是否为脚步静止段；对检测结果为静止段的数据进行四元数姿态解算；基于解算后的数据用积分计算得出速度。本发明提供实时的训练数据以制定更高效、更科学的训练方式，协助及时调整运动训练强度，避免训练强度过大造成的意外受伤。

Description

高精度可穿戴设备的测速方法、系统、介质及设备

技术领域

本发明涉及穿戴设备领域，具体涉及一种跑步训练的高精度可穿戴设备的测速方法、系统、介质及设备。

背景技术

科学的训练计划对于田径运动员以及跑步运动爱好者尤为重要，科学的训练可以使运动员减少受伤风险，更充分的备战各种级别的比赛，也便于跑步爱好者制定合适的强度运动计划，避免意外受伤。利用人体穿戴传感，采集跑步数据及智能化分析训练结果，不仅可以帮助运动员提高训练质量和运动能力还可以推进全民运动，让更多的人积极参与跑步运动提升全民身体素质。这种设备既可以为运动员定制合理强度的训练计划，也可以为运动爱好者提供更专业的实时数据以供参考，提升了的运动的趣味性，从而推动全民运动与健身。

训练强度的分配是制定训练计划的关键环节，而功率等同于训练强度。计算跑步速度是衡量跑步过程中功率消耗的重要环节，功率是由力和速度共同决定，跑步过程中外力恒定，除了地球施加的重力并无其他外力，因此速度越快等同于单位时间内做功越多，功率越大。所以高精度的测速设备对于田径运动员以及跑步爱好者尤为重要。

现有技术中存在如下技术问题，上世纪90年代,Luinge等和Bachmann等对可穿戴式传感器的人体运动跟踪技术进行了研究。但是可穿戴式传感器应用于实时监测人体速度的极少，Yang开发了一种跑步测速算法且仅利用了单一传感器，实验结果良好，但是这对传感器精度和成本要求都很高；Sabatini设计了一种估计人体行走速度的算法，但是缺少对高速段的实验验证。走和跑是两种不同的人体运动机制，很难兼顾行走和跑步的测速准确性。且由于人的身材差异，跑步习惯，以及跑步姿势的不同加上技术上硬件设备的误差等干扰，致使很难精确测速。

针对上述技术问题，本发明提供一种跑步训练的高精度可穿戴设备的测速方法、系统、介质及设备本案由此产生。

发明内容

本发明的目的在于提供一种跑步训练的高精度可穿戴设备的测速方法，该测速方法包括以下步骤：

步骤一、将IMU传感器进行灵敏度以及零偏补偿；

步骤二、对补偿后的传感器数据动态融合；

步骤三、对补偿后的传感器数据判断是否为脚步静止段；

步骤四、对检测结果为静止段的数据进行四元数姿态解算；

步骤五、基于解算后的数据用积分计算得出速度。

本发明的测速方法基于补偿后的传感器数据动态融合来实时进行四元数姿态解算的测速算法，具体包括以下步骤：

S1:将同一个轴分别静置于垂直向上的方向以及垂直向下的方向，静止放置一段时间，求出两段数据的均值，用较大的数减去较小的数得出差值，再用2去除以这个差值所得结果为加速度计这个轴的灵敏度。对加速度计的三个轴均做如上的操作，便可得出三个轴各自的灵敏度，灵敏度几乎不随时间或者温度变化而变化，计算公式如下：

其中Z_sensitivity代表Z轴的灵敏度，和/>分别代表Z轴垂直向上和垂直向下的输出数据的平均值。X轴和Y轴灵敏度同理可得。

S2:将测量角速度的传感器原地分别绕X轴，Y轴，Z轴逆时针稳定旋转N圈，所得结果积分的理想值应为N×360°，将输出数据进行积分，所得结果与N×360°做比，即为角速度计的灵敏度，与加速度计一样，角速度计的灵敏度也几乎不随时间或者温度变化而变化。具体公式如下：

其中Z_sensitivity代表Z轴的灵敏度，Δt为采样间隔，∑Z为Z轴所有数据的输出之和。同理求得X轴和Y轴灵敏度；

S3:将加速度计静止放在水平面一段时间，计算采集数据的平均值,减去理想输出值，即是零偏。假设此时加速度计Z轴垂直向下于水平面，则X轴的零偏为：

Y轴的零偏为：

Z轴的零偏为:

其中分别为X轴，Y轴，Z轴静止放置在水平面上时，输出数据的平均值；

S4:将角速度计静止放置在水平桌面上一段时间，计算采集数据的平均值,然后减去理想输出值，即是零偏。则角速度计X轴的零偏为：

Y轴的零偏为：

Z轴的零偏为:

其中分别为X轴，Y轴，Z轴静止放置在水平面上时，输出数据的平均值。

S5:本设备的动态传感器的融合算法是基于卡尔曼滤波器主要原理，即通过方差来分配权重，通过求解每一个加速计传感器的方差，计算得出当前时刻的权重。本设备有三个加速度计，三个加速度计权重计算公式分别如下：

其中var₁，var₂，var₃分别为三个传感器的方差，W₁，W₂，W₃则分别为计算所得的传感器权重。

S6:设定阈值σ，基于角速度大小判断是否为脚步静止段，如Δd_n＜σ，则判定此时为静止段，Δd_n为此时刻角速度大小。

S7:本设备利用了非线性卡尔曼滤波结合四元数计算航向角度，其原理是通过加速度计和磁力计的数据来矫正角速度在动态过程中的误差，然后基于校正后的角速度求得航向角。四元数通常由常量部分和向量部分组成：

其中q₁代表实部，代表虚部。基于四元数的坐标变化公式如下：

其中S_E代表传感器在地球坐标系的数值，q_E代表传感器的地球坐标系，q_E ^*＝[q₁,-q]是q_E的共轭，s是传感器的测量值。代表四元数的乘法运算，四元数乘法定义如下：

其中p·q代表向量p和q的点乘，p×q代表向量p和q的叉乘。将传感器数值转化成地球坐标系下的数据值后，便可计算地球坐标系下基于四元数的航向角度变化速率，其公式如下：

其中ω是角速度，q为前一时刻所得航向角，是航向角变化速率，接着将/>积分便可得到当前时刻的航向角：

S8：卡尔曼滤波由预测模型和观测模型构成，公式(16)可作为卡尔曼滤波的预测模型，观测模型则是基于传感器的测量数据建立。本文采用了QUEST算法，利用加速度计的测量值a和磁力计的测量值m计算最优四元数q，q可以使a和m旋转至其对应的地球坐标系的值。模型观测值为：

Z＝X+V (17)

其中ω＝[ω_x,ω_y,ω_z]，q＝[q₁,q₂,q₃,q₄]，V＝[v₁,v₂,v₃,v₄,v₅,v₆,v₇]。接着初始化观测模型方差O_n和预测模型方差Q_n，便可以用卡尔曼滤波算法估计航向角，利用估计出的航向角计算地球坐标系下的角速度计测量值，最后计算纠偏过后的角速度，公式如下

gyro_corrected＝gyro_E-e (18)

其中gyro_corrected是纠偏过后的角速度，gyro_E是角速度计在地球坐标系下的测量值，e是由加速度以及磁力计共同计算得出的误差。

S9：本设备计算的方式是基于每一步去求解平均速度，通过瞬时速度积分去求步长，进而求得每一步的平均速度：

其中v_n为每一步的速度，S_n为每一步的步长，ΔT为每一步用时。

本发明的另一目的在于提供一种跑步训练的高精度可穿戴设备的测速系统，

补偿模块：将IMU传感器进行灵敏度以及零偏补偿；

融合模块：对补偿后的传感器数据动态融合；

判断模块：对补偿后的传感器数据判断是否为脚步静止段；

解算模块：对检测结果为静止段的数据进行四元数姿态解算；

计算模块：基于解算后的数据用积分计算得出速度。

本发明的另一目的在于提供一种介质及含有该介质的可穿戴设备，其特征在于：介质及该可穿戴设备存储存储有上述测速系统，并能运行执行上述的测速方法。

本发明相对于现有技术的有益效果：不仅可以高精度测速且具有很强的鲁棒性；算法对不同身材、不同跑步姿势以及硬件差异性不敏感，测速误差一致性良好，即使跑步模态之间相互切换(例如，散步，快走，慢跑，快速跑，爬坡等)，也可确保高精度测速。

本文设计的可穿戴设备由多个低成本加速度传感器，陀螺仪以及磁力计组成。

利用不同量程的加速度传感器融合可提高测速精度，避免无法采集加速度较大的数据以及加速度较小的数据的情况；融合陀螺仪以便应用姿态解算等导航算法；磁力计用以消除磁场的干扰，辅助陀螺仪更准确的计算航向角度。

软件与算法部分分为室内，户外两种模式，通过调整不同的环境参数，以便获得更精确的测速数据，使用户有更好的体验感。

附图说明

图1为本发明跑步训练的高精度可穿戴设备的测速方法流程图；

图2为本发明四元数姿态解算的测速算法流程图；

图3为本发明测试速度为9km/h示意图；

图4为本发明测试速度为2km/h示意图；

图5为本发明测试速度为4km/h，6km/h，9km/h示意图；

图6为本发明测试速度为3km/h，6km/h，9km/h示意图；

图7为本发明坡度调整为3，测试速度分别为2km/h，4km/h，6km/h，9km/h示意图；

图8为本发明坡度由3调整为5后调整为6，测试速度分别为2km/h，4km/h，6km/h，9km/h，14km/h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，所描述的实施例仅仅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，都属于本发明保护的范围。

请参阅图1、2，一种适用于跑步训练的高精度可穿戴设备的测速方法，该测速方法包括以下步骤：

S101步骤一、将IMU传感器进行灵敏度以及零偏补偿；

S102步骤二、对补偿后的传感器数据动态融合；

S103步骤三、对补偿后的传感器数据判断是否为脚步静止段；

S104步骤四、对检测结果为静止段的数据进行四元数姿态解算；

S105步骤五、基于解算后的数据用积分计算得出速度。

优选的，该所述测速方法是基于补偿后的传感器数据动态融合来实时进行四元数姿态解算的测速算法，且该测速算法流程包括以下步骤：

S1:将同一个轴分别静置于垂直向上的方向以及垂直向下的方向，静止放置一段时间，求出两段数据的均值，用较大的数减去较小的数得出差值，再用2去除以这个差值所得结果为加速度计这个轴的灵敏度。对加速度计的三个轴均做如上的操作，便可得出三个轴各自的灵敏度，灵敏度几乎不随时间或者温度变化而变化，计算公式如下：

其中Z_sensitivity代表Z轴的灵敏度，和/>分别代表Z轴垂直向上和垂直向下的输出数据的平均值。X轴和Y轴灵敏度同理可得。

S2:将测量角速度的传感器原地分别绕X轴，Y轴，Z轴逆时针稳定旋转N圈，所得结果积分的理想值应为N×360°，将输出数据进行积分，所得结果与N×360°做比，即为角速度计的灵敏度，与加速度计一样，角速度计的灵敏度也几乎不随时间或者温度变化而变化。具体公式如下：

其中Z_sensitivity代表Z轴的灵敏度，Δt为采样间隔，∑Z为Z轴所有数据的输出之和。同理求得X轴和Y轴灵敏度；

S3:将加速度计静止放在水平面一段时间，计算采集数据的平均值,减去理想输出值，即是零偏。假设此时加速度计Z轴垂直向下于水平面，则X轴的零偏为：

Y轴的零偏为：

Z轴的零偏为:

其中分别为X轴，Y轴，Z轴静止放置在水平面上时，输出数据的平均值；

S4:将角速度计静止放置在水平桌面上一段时间，计算采集数据的平均值,然后减去理想输出值，即是零偏。则角速度计X轴的零偏为：

Y轴的零偏为：

Z轴的零偏为:

其中分别为X轴，Y轴，Z轴静止放置在水平面上时，输出数据的平均值。

S5:本设备的动态传感器的融合算法是基于卡尔曼滤波器主要原理，即通过方差来分配权重，通过求解每一个加速计传感器的方差，计算得出当前时刻的权重。本设备有三个加速度计，三个加速度计权重计算公式分别如下：

其中var₁，var₂，var₃分别为三个传感器的方差，W₁，W₂，W₃则分别为计算所得的传感器权重。

S6:设定阈值σ，基于角速度大小判断是否为脚步静止段，如Δd_n＜σ，则判定此时为静止段，Δd_n为此时刻角速度大小。

S7:本设备利用了非线性卡尔曼滤波结合四元数计算航向角度，其原理是通过加速度计和磁力计的数据来矫正角速度在动态过程中的误差，然后基于校正后的角速度求得航向角。四元数通常由常量部分和向量部分组成：

其中q₁代表实部，代表虚部。基于四元数的坐标变化公式如下：

其中S_E代表传感器在地球坐标系的数值，q_E代表传感器的地球坐标系，q_E ^*＝[q₁,-q]是q_E的共轭，s是传感器的测量值。代表四元数的乘法运算，四元数乘法定义如下：

其中p·q代表向量p和q的点乘，p×q代表向量p和q的叉乘。将传感器数值转化成地球坐标系下的数据值后，便可计算地球坐标系下基于四元数的航向角度变化速率，其公式如下：

其中ω是角速度，q为前一时刻所得航向角，是航向角变化速率，接着将/>积分便可得到当前时刻的航向角：

S8：卡尔曼滤波由预测模型和观测模型构成，公式(16)可作为卡尔曼滤波的预测模型，观测模型则是基于传感器的测量数据建立。本文采用了QUEST算法，利用加速度计的测量值a和磁力计的测量值m计算最优四元数q，q可以使a和m旋转至其对应的地球坐标系的值。模型观测值为：

Z＝X+V (17)

其中ω＝[ω_x,ω_y,ω_z]，q＝[q₁,q₂,q₃,q₄]，V＝[v₁,v₂,v₃,v₄,v₅,v₆,v₇]。接着初始化观测模型方差O_n和预测模型方差Q_n，便可以用卡尔曼滤波算法估计航向角，利用估计出的航向角计算地球坐标系下的角速度计测量值，最后计算纠偏过后的角速度，公式如下

gyro_corrected＝gyro_E-e (18)

其中gyro_corrected是纠偏过后的角速度，gyro_E是角速度计在地球坐标系下的测量值，e是由加速度以及磁力计共同计算得出的误差。

S9：本设备计算的方式是基于每一步去求解平均速度，通过瞬时速度积分去求步长，进而求得每一步的平均速度：

其中v_n为每一步的速度，S_n为每一步的步长，ΔT为每一步用时。

本实施例还提供一种跑步训练的高精度可穿戴设备的测速系统，

补偿模块：将IMU传感器进行灵敏度以及零偏补偿；

融合模块：对补偿后的传感器数据动态融合；

判断模块：对补偿后的传感器数据判断是否为脚步静止段；

解算模块：对检测结果为静止段的数据进行四元数姿态解算；

计算模块：基于解算后的数据用积分计算得出速度。

本实施例提供一种介质及含有该介质的可穿戴设备，介质及该可穿戴设备存储存储有上述测速系统，并能运行执行上述的测速方法。

接下来提供一系列验证效果的实例，需要说明的是，本次实验采集了大于100人的跑步数据，每次测试，设备均固定在鞋带第二个交叉点处，如图2所示。其中实验对象包括男性和女性，高矮胖瘦等体型均有参与速度测试，测试地点设立在跑步机上，因为跑步机显示的速度是代表跑步机机带的出带速度，出带速度是极为稳定的，可以作为参考数据。

为了消除各种情况下的运动模态互相转化的干扰，本次实验在跑步机上测试的速度包括从2km/h至14km/h，中间伴随着连续速度变化比如由3km/h增至6km/h，再增至9km/h，此期间跑步模态转化是连续不间断的。此外本次实验对坡度也进行了连续调整，验证是否坡度不同会影响实验测速结果。

实验结果仿真图用matlab生成，图3-8为实验仿真结果图。图3，图4均为单一运动模态的测试，图3为跑步模态的测试，测试速度为9km/h，测试结果为8.74km/h；图4为步行模态的测试，测试速度为2km/h，测试结果为2.04km/h。

图5，图6为运动模态变化下的测速结果仿真图，测试速度为4km/h，6km/h，9km/h和3km/h，6km/h，9km/h。3km/h通常为慢速走，4km/h通常为中速走，6km/h通常为快速走，9km/h为跑步模态。图5测试结果为4.03km/h，6.2km/h，8.63km/h；图6测试结果为3.12km/h，6.09km/h，9.1km/h。

图7测试运动模态变化下的速度并且将坡度由1调整为3，测试速度分别为2km/h，4km/h，6km/h，9km/h。测试结果分别为1.31km/h，3.88km/h，6.36km/h，8.6km/h。图8测试运动模态变化下的速度并且连续调整了坡度，由3调整为5后调整为6，测试速度分别为2km/h，4km/h，6km/h，9km/h，14km/h，其中14km/h为快速跑步模态。测试结果分别为1.66km/h,4.11km/h,7km/h,9.9km/h，13.81km/h。

由实验仿真图3-8结果可以看出，即使有运动模态的变化，测速结果依然准确，加上坡度的干扰后，由于低速段会用手扶跑步机，会造成测速结果略低于跑步机速度，但是高速段测试结果依然稳定。

Claims (8)

1.高精度可穿戴设备的测速方法，其特征在于：该测速方法包括以下步骤：

步骤一、将IMU传感器进行灵敏度以及零偏补偿；

步骤二、对补偿后的传感器数据动态融合；

步骤三、对补偿后的传感器数据判断是否为脚步静止段；

步骤四、对检测结果为静止段的数据进行四元数姿态解算，具体方法为：利用非线性卡尔曼滤波结合四元数计算航向角度，即通过加速度计和磁力计的数据来矫正角速度在动态过程中的误差，然后基于校正后的角速度求得航向角；四元数由常量部分和向量部分组成：

其中q₁代表实部，代表虚部；基于四元数的坐标变化公式如下：

其中S_E代表传感器在地球坐标系的数值，q_E代表传感器的地球坐标系，q_E ^*＝[q₁,-q]是q_E的共轭，s是传感器的测量值；代表四元数的乘法运算，四元数乘法定义如下：

其中p·q代表向量p和q的点乘，p×q代表向量p和q的叉乘；将传感器数值转化成地球坐标系下的数据值后，便可计算地球坐标系下基于四元数的航向角度变化速率，其公式如下：

其中ω是角速度，q为前一时刻所得航向角，是航向角变化速率，接着将/>积分便可得到当前时刻的航向角：

所述卡尔曼滤波由预测模型和观测模型构成，观测模型则是基于传感器的测量数据建立；利用加速度计的测量值a和磁力计的测量值m计算最优四元数q，q可以使a和m旋转至其对应的地球坐标系的值；模型观测值为：

Z＝X+V (17)

其中ω＝[ω_x,ω_y,ω_z]，q＝[q₁,q₂,q₃,q₄]，V＝[v₁,v₂,v₃,v₄,v₅,v₆,v₇]；接着初始化观测模型方差O_n和预测模型方差Q_n，用卡尔曼滤波算法估计航向角，利用估计出的航向角计算地球坐标系下的角速度计测量值，最后计算纠偏过后的角速度，

公式如下

gyro_corrected＝gyro_E-e (18)

其中gyro_corrected是纠偏过后的角速度，gyro_E是角速度计在地球坐标系下的测量值，e是由加速度以及磁力计共同计算得出的误差；

步骤五、基于解算后的数据用积分计算得出速度。

2.根据权利要求1所述的高精度可穿戴设备的测速方法，其特征在于：步骤一中将IMU传感器进行灵敏度以及零偏补偿的方法为：

S1、将同一个轴分别静置于垂直向上的方向以及垂直向下的方向，静止放置一段时间，求出两段数据的均值，用较大的数减去较小的数得出差值，再用2去除以这个差值所得结果为加速度计这个轴的灵敏度；灵敏度的计算公式如下：

其中Z_sensitivity代表Z轴的灵敏度，和/>分别代表Z轴垂直向上和垂直向下的输出数据的平均值；X轴和Y轴灵敏度同理可得；

S2、将测量角速度的角速度计原地分别绕X轴，Y轴，Z轴逆时针稳定旋转N圈，所得结果积分的理想值应为N×360°，将输出数据进行积分，所得结果与N×360°做比，即为角速度的角速度计的灵敏度；公式如下：

其中Z_sensitivity代表Z轴的灵敏度，Δt为采样间隔，∑Z为Z轴所有数据的输出之和；同理求得X轴和Y轴灵敏度；

S3、加速度计静止放在水平面一段时间，计算采集数据的平均值,减去理想输出值，即是零偏；加速度计Z轴垂直向下于水平面，则X轴的零偏为：

Y轴的零偏为：

Z轴的零偏为:

其中分别为X轴，Y轴，Z轴静止放置在水平面上时，输出数据的平均值；

S4、角速度计静止放置在水平桌面上一段时间，计算采集数据的平均值,然后减去理想输出值，即是零偏；角速度计X轴的零偏为：

Y轴的零偏为：

Z轴的零偏为:

其中分别为X轴，Y轴，Z轴静止放置在水平面上时，输出数据的平均值。

3.根据权利要求1所述的高精度可穿戴设备的测速方法，其特征在于：步骤二对补偿后的传感器数据动态融合的方法为：通过方差来分配权重，通过求解每一个加速度计的方差，计算得出当前时刻的权重；其中有三个加速度计，三个加速度计权重计算公式分别如下：

其中var₁，var₂，var₃分别为三个加速度计的方差，W₁，W₂，W₃则分别为计算所得的三个加速度计的权重。

4.根据权利要求3所述的可穿戴设备的测速方法，其特征在于：步骤三对补偿后的传感器数据判断是否为脚步静止段的方法为：设定阈值σ，基于角速度大小判断是否为脚步静止段，如Δd_n＜σ，则判定此时为静止段，Δd_n为此时刻角速度大小。

5.根据权利要求1所述的一种高精度可穿戴设备的测速方法，其特征在于：步骤五基于解算后的数据用积分计算得出速度的方法为：基于每一步去求解平均速度，通过瞬时速度积分去求步长，进而求得每一步的平均速度：

其中v_n为每一步的速度，S_n为每一步的步长，ΔT为每一步用时。

6.一种跑步训练的高精度可穿戴设备的测速系统，其特征在于：包括补偿模块、融合模块、判断模块、解算模块和计算模块，其中

补偿模块：将IMU传感器进行灵敏度以及零偏补偿；

融合模块：对补偿后的传感器数据动态融合；

判断模块：对补偿后的传感器数据判断是否为脚步静止段；

解算模块：对检测结果为静止段的数据进行四元数姿态解算；利用非线性卡尔曼滤波结合四元数计算航向角度，即通过加速度计和磁力计的数据来矫正角速度在动态过程中的误差，然后基于校正后的角速度求得航向角；四元数由常量部分和向量部分组成：

其中q₁代表实部，代表虚部；基于四元数的坐标变化公式如下：

其中S_E代表传感器在地球坐标系的数值，q_E代表传感器的地球坐标系，q_E ^*＝[q₁,-q]是q_E的共轭，s是传感器的测量值；代表四元数的乘法运算，四元数乘法定义如下：

其中p·q代表向量p和q的点乘，p×q代表向量p和q的叉乘；将传感器数值转化成地球坐标系下的数据值后，便可计算地球坐标系下基于四元数的航向角度变化速率，其公式如下：

其中ω是角速度，q为前一时刻所得航向角，是航向角变化速率，接着将/>积分便可得到当前时刻的航向角：

所述卡尔曼滤波由预测模型和观测模型构成，观测模型则是基于传感器的测量数据建立；利用加速度计的测量值a和磁力计的测量值m计算最优四元数q，q可以使a和m旋转至其对应的地球坐标系的值；模型观测值为：

Z＝X+V (17)

其中ω＝[ω_x,ω_y,ω_z]，q＝[q₁,q₂,q₃,q₄]，V＝[v₁,v₂,v₃,v₄,v₅,v₆,v₇]；接着初始化观测模型方差O_n和预测模型方差Q_n，用卡尔曼滤波算法估计航向角，利用估计出的航向角计算地球坐标系下的角速度计测量值，最后计算纠偏过后的角速度，

公式如下

gyro_corrected＝gyro_E-e (18)

其中gyro_corrected是纠偏过后的角速度，gyro_E是角速度计在地球坐标系下的测量值，e是由加速度以及磁力计共同计算得出的误差；

计算模块：基于解算后的数据用积分计算得出速度。

7.一种介质，其特征在于：该介质内存储计算机程序，运行所述计算机程序能够执行权利要求1-5任意一项的测速方法。

8.一种跑步训练的高精度可穿戴设备，其特征在于：该设备内存储计算机程序，运行所述计算机程序能够执行权利要求1-5任意一项所述的测速方法。