CN114732373B - 基于步态检测的步行活动卡路里消耗计算方法及装置 - Google Patents

Abstract

本发明提供一种基于步态检测的步行活动卡路里消耗计算方法及装置，该方法包括：S101：获取身高、体重；S102：基于加速度信息获取三轴加速度信息；S103：通过三轴加速度信息、身高、体重获取用户实时步长，根据实时步长、身高、体重计算卡路里消耗，判断是否接收到第一预设指令，若是，则执行S104，若否，则执行S102；S104：执行第一预设指令，接收指令，在接收的指令为开始指令时，执行S102，在接收的指令为重启指令时，执行S101。本发明大大提升对用户步行时真实活动卡路里估算的准确性和精确度，便于用户快速、准确获取日常步行场景下的活动卡路里消耗情况，促进了健康生活方式的有效进行。

Description

基于步态检测的步行活动卡路里消耗计算方法及装置

技术领域

本发明涉及运动健康领域，尤其涉及一种基于步态检测的步行活动卡路里消耗计算方法及装置。

背景技术

随着科技的进步，基于可穿戴设备或手机的运动健康服务已随处可见并越来越受大众的欢迎。运动健康服务一般包括如心率、睡眠、卡路里消耗等方面的监测。

其中，卡路里是衡量人体活动热量消耗的单位，包括基本新陈代谢所消耗的卡路里和活动卡路里，现有的运动健康设备不具有直接测量卡路里消耗的条件，通常是利用设备内部的传感器数据采集用户的心率或步数，基于该心率或步数简单计算出一个卡路里消耗值，该计算方式并未考虑不同用户的身体条件、运动速度、步长等因素的差异，导致卡路里消耗值的计算极不准确，很难反映用户真实的卡路里消耗情况。

发明内容

为了克服现有技术的不足，本发明提出一种基于步态检测的步行活动卡路里消耗计算方法、终端及存储介质，利用用户的身高、体重以及三轴加速度计算实时步长，根据该实时步长、用户的身体信息计算卡路里消耗，并基于用户的操作进行实时迭代，通过利用实时步长、身体信息进行卡路里计算和实时迭代的方式大大提升对用户步行时真实活动卡路里估算的准确性和精确度，便于用户快速、准确获取日常步行场景下的活动卡路里消耗情况，促进了健康生活方式的有效进行。

为解决上述问题，本发明采用的一个技术方案为：一种基于步态检测的步行活动卡路里消耗计算方法，所述基于步态检测的步行活动卡路里消耗计算方法包括：基于步态检测的步行活动卡路里消耗计算方法包括：S101：构建用于计算步长的神经网络，采集用户的步态信息，根据所述步态信息生成数据集，划分所述数据集为训练集、测试集，基于所述训练集、测试集训练所述神经网络形成步长计算模型，获取用户的身高、体重，所述步态信息包括用户一个步态周期中的加速度信息以及用户的身体信息；S102：采集用户的加速度信息，基于加速度信息获取用户一个步态周期中的三轴加速度信息；S103：将所述三轴加速度信息、身高、体重输入步长计算模型获取用户实时步长，根据实时步长、身高、体重计算用户的卡路里消耗，判断是否接收到第一预设指令，所述第一预设指令包括暂停或停止指令，若是，则执行S104，若否，则执行S102；S104：执行所述第一预设指令，并继续接收指令，在接收的指令为开始指令时，执行S102，在接收的指令为重启指令时，执行S101。

进一步地，所述根据所述步态信息生成数据集的步骤具体包括：根据所述步态信息获取用户一个步态周期中的三轴波峰加速度、波谷加速度以及用户的身高、体重，将所述三轴波峰加速度、波谷加速度、身高、体重作为训练样本的数据，并将所述步态周期中的实际步长作为所述训练样本的标签，通过所述训练样本组成数据集。

进一步地，所述神经网络为深度前馈神经网络，通过高斯分布随机函数初始化所述深度前馈神经网络的权值和阈值。

进一步地，所述基于所述训练集、测试集训练所述神经网络形成步长计算模型的步骤具体包括：S201：通过所述训练集中的训练样本训练和优化所述神经网络；S202：将所述测试集中的训练样本输入训练后的神经网络获取输出值，判断所述输出值与所述训练样本对应的标签之间的误差以及S202的重复次数是否满足预设条件；若是，则执行S201；若否，则将训练后的所述神经网络训练确定为步长计算模型。

进一步地，所述通过所述训练集中的训练样本训练和优化所述神经网络的步骤具体包括：将所述训练集中选取的一批训练样本输入所述神经网络获取网络输出，通过误差公式计算所述网络输出与所述训练样本的标签之间的误差，基于所述误差更新所述神经网络。

进一步地，所述基于所述误差更新所述神经网络的步骤具体包括：基于所述误差通过反向传播算法更新所述神经网络的权值和阈值。

进一步地，所述通过所述训练集中的训练样本训练和优化所述神经网络的步骤之后还包括：判断训练和优化所述神经网络的次数是否达到预设值；若是，则将所述测试集中的训练样本输入训练后的神经网络获取输出值；若否，则继续通过所述训练集中的训练样本训练和优化所述神经网络。

进一步地，所述判断所述输出值与所述训练样本对应的标签之间的误差以及S202的重复次数是否满足预设条件的步骤具体包括：判断所述误差是否大于所述神经网络的目标loss阈值且S202的重复次数小于最大训练次数；若是，则确定不满足预设条件；若否，则确定满足预设条件。

基于相同的发明构思，本发明还提出一种基于步态检测的步行活动卡路里消耗计算装置，所述基于步态检测的步行活动卡路里消耗计算装置包括处理器、存储器，处理器与所述存储器通信连接，所述存储器存储有计算机程序，所述处理器根据所述计算机程序执行如上所述的基于步态检测的步行活动卡路里消耗计算方法。

相比于现有技术，本发明的有益效果在于：利用用户的身高、体重以及三轴加速度计算实时步长，根据该实时步长、用户的身体信息计算卡路里消耗，并基于用户的操作进行实时迭代，通过利用实时步长、身体信息进行卡路里计算和实时迭代的方式大大提升对用户步行时真实活动卡路里估算的准确性和精确度，便于用户快速、准确获取日常步行场景下的活动卡路里消耗情况，促进了健康生活方式的有效进行。

附图说明

图1为本发明基于步态检测的步行活动卡路里消耗计算方法一实施例的流程图；

图2为本发明基于步态检测的步行活动卡路里消耗计算方法中训练神经网络形成步长计算模型一实施例的流程图；

图3为本发明基于步态检测的步行活动卡路里消耗计算装置一实施例的结构图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，通常在此处附图中描述和示出的各本公开实施例在不冲突的前提下，可相互组合，其中的结构部件或功能模块可以以各种不同的配制来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

请参阅图1至图2，其中，图1为本发明基于步态检测的步行活动卡路里消耗计算方法一实施例的流程图；图2为本发明基于步态检测的步行活动卡路里消耗计算方法中基于步态检测的步行活动卡路里消耗计算装置与蓝牙音响、云端服务器的连接一实施例的示意图，结合图1至图2对本发明的基于步态检测的步行活动卡路里消耗计算方法作详细说明。

在本实施例中，应用该基于步态检测的步行活动卡路里消耗计算方法的设备包括智能手表、智能手环、手机、跑步机以及其他能够用于计算实时步长和卡路里消耗的智能器件。

在本实施例中，基于步态检测的步行活动卡路里消耗计算方法包括：

S101：构建用于计算步长的神经网络，采集用户的步态信息，根据步态信息生成数据集，划分数据集为训练集、测试集，基于训练集、测试集训练神经网络形成步长计算模型，获取用户的身高、体重，步态信息包括用户一个步态周期中的加速度信息以及用户的身体信息。

在本实施例中，执行该计算方法的设备在用户开启计算卡路里的系统时，获取用户的身高、体重信息。

其中，设备可以在用户每次开启系统时，显示输入身高、体重的显示框以获取用户的身高、体重，也可以根据用户的登录账号、指纹等识别信息时，获取对应的身高、体重信息。

S102：采集用户的加速度信息，基于加速度信息获取用户一个步态周期中的三轴加速度信息。

其中，可以通过用户的可穿戴设备、智能手机等具备加速度传感器的设备采集用户行走时的加速度信息，并通过差分识别从加速度信息中获取三轴加速度信息。

在一个优选的实施例中，通过用户所佩戴的可穿戴设备或智能手机中的加速度传感器基于采样频率

获取三轴实时加速度序列

、

和

并基于差分识别获取一个步态周期周期中三轴加速度波峰

、

和

及三轴加速度波谷

、

和

。

S103：将三轴加速度信息、身高、体重输入步长计算模型获取用户实时步长，根据实时步长、身高、体重计算用户的卡路里消耗，判断是否接收到第一预设指令，所述第一预设指令包括暂停或停止指令，若是，则执行S104，若否，则执行S102。

在一个实施例中，将三轴加速度波峰

、

和

及三轴加速度波谷

、

和

及用户身高

和体重

输入步长计算模型获得用户实时步长

。通过公式

计算卡路里消耗，其中

，

为重力加速度；将用户卡路里总消耗

在系统的显示单元中更新显示。

S104：执行第一预设指令，并继续接收指令，在接收的指令为开始指令时，执行S102，在接收的指令为重启指令时，执行S101。

在一个优选的实施例中，若用输入户暂停或停止系统的指令，则执行暂停或停止操作；否则，继续采集用户的加速度信息以计算实时步长和卡路里消耗。若用户暂停或停止系统后，用户输入继续开始系统的指令，则继续采集用户的加速度信息以计算实时步长和卡路里消耗；否则，若用户输入重新开启系统的指令，则跳转至获取用户身体信息的步骤，重新获取身体信息以进行实时步长计算和卡路里消耗计算；否则，保持暂停或停止状态。通过上述方式实时获取和计算用户每个步态周期中的实时步长，实现了步长计算、卡路里计算的实时迭代，提高了计算的准确性。

在本实施例中，根据步态信息生成数据集的步骤具体包括：根据步态信息获取用户一个步态周期中的三轴波峰加速度、波谷加速度以及用户的身高、体重，将三轴波峰加速度、波谷加速度、身高、体重作为训练样本的数据，并将步态周期中的实际步长作为所述训练样本的标签，通过训练样本组成数据集。

其中，可以通过用户的可穿戴设备、智能手机等具备加速度传感器的设备采集用户行走时的加速度信息。

在一个优选的实施例中，通过用户所佩戴的可穿戴设备或智能手机中的加速度传感器获取一个步态周期中三轴波峰加速度

、

和

及波谷加速度

、

和

及用户的身高

和体重

。将上述数据作为数据集中一个训练样本的data（数据），标定用户在该步态周期中的实际步长

作为该训练样本的label（标签），重复该步骤

次以获取

个已标定训练样本组成数据集

，其中

的具体数值可根据用户实际应用需要而自定义。

在本实施例中，构建的神经网络为深度前馈神经网络，通过高斯分布随机函数初始化深度前馈神经网络的权值和阈值。

在一个优选的实施例中，创建用于计算步长的深度前馈神经网络，其中，深度前馈神经网络的深度为

，

为大于等于1的整数，

的具体取值可根据用户的实际应用需要而自定义。输入层神经元个数为8，输出层神经元个数为1，其中，输出层的输出值表示一个步态周期中用户的步长；另外，利用高斯分布随机数初始化深度前馈神经网络的所有权值和阈值，学习率初始化为le，神经网络的目标Loss阈值设置为m，网络的最大训练次数设置为T，优化器算法选取贝叶斯正则化算法或动量梯度下降算法或Adam算法等，Loss函数选用Binary Cross Entropy、Focal Loss或MSE等，其中le、m、T的具体数值可根据用户实际应用需要而自定义。

在本实施例中，划分数据集时，将数据集中的一部分训练样本组成训练集，另一部分训练样本组成测试集。

具体的，从数据集

中选取

个已标定训练样本组成训练集P，并将数据集

中剩余已标定训练样本组成测试集Q，其中

的值可根据用户实际应用需要而自定义。

其中，基于训练集、测试集训练所述神经网络形成步长计算模型的步骤具体包括：

S201：通过训练集中的训练样本训练和优化神经网络。

在本实施例中，通过训练集中的训练样本训练和优化神经网络的步骤具体包括：将训练集中选取的一批训练样本输入神经网络获取网络输出，通过误差公式计算网络输出与训练样本的标签之间的误差，基于误差更新神经网络。其中，基于误差通过反向传播算法更新神经网络的所有权值和阈值。

网络输出为计算出的步长，通过预设的误差公式计算该计算出的步长与该训练样本对应的实时步长之间的误差。其中，误差公式为神经网络训练常用的误差公式，具体类型可根据用户需求选择。

在一个优选的实施例中，从训练集P中随机选取

个已标定的训练样本组成1个batch（批次）输入到深度前馈神经网络，按照前向传播的公式计算相应的网络输出；按照误差公式计算出该已标定的训练样本输入到深度前馈神经网络后的网络输出和该已标定的训练样本label间的误差，并基于该误差按照反向传播算法更新深度前馈神经网络所有权值和阈值，其中

的值可根据用户实际应用需要而自定义。

进一步的，通过训练集中的训练样本训练和优化神经网络的步骤之后还包括：判断训练和优化神经网络的次数是否达到预设值；若是，则将测试集中的训练样本输入训练后的神经网络获取输出值；若否，则继续通过训练集中的训练样本训练和优化神经网络。

其中，预设值的大小根据用户需要而自定义。

S202：将测试集中的训练样本输入训练后的神经网络获取输出值，判断输出值与训练样本对应的标签之间的误差以及判断次数是否满足预设条件；若是，则继续通过训练集中的训练样本训练和优化神经网络；若否，则将训练后的神经网络训练确定为步长计算模型。

判断输出值与训练样本对应的标签之间的误差以及S202的重复次数是否满足预设条件的步骤具体包括：判断误差是否大于神经网络的目标loss阈值且S202的重复次数小于最大训练次数；若是，则确定不满足预设条件；若否，则确定满足预设条件。

在一个优选的实施例中，重复S201

次后，从测试集Q中随机选取

个已标定的训练样本组成1个batch输入到深度前馈神经网络，按照前向传播的公式计算相应的网络输出，其中

和

可根据用户实际应用需要而自定义，并按照误差公式计算出该已标定训练样本输入到深度前馈神经网络后的网络输出和该已标定训练样本label间的误差M，若M大于网络的目标Loss阈值m且S202重复次数小于神经网络的最大训练次数T，则跳转至S201；否则，确定深度前馈神经网络训练完成，选取该已训练完成的深度前馈神经网络作为步长计算模型。

有益效果：本发明基于步态检测的步行活动卡路里消耗计算方法利用用户的身高、体重以及三轴加速度计算实时步长，根据该实时步长、用户的身体信息计算卡路里消耗，并基于用户的操作进行实时迭代，通过利用实时步长、身体信息进行卡路里计算和实时迭代的方式大大提升对用户步行时真实活动卡路里估算的准确性和精确度，便于用户快速、准确获取日常步行场景下的活动卡路里消耗情况，促进了健康生活方式的有效进行。

基于相同的发明构思，本发明还提出一种基于步态检测的步行活动卡路里消耗计算装置，请参阅图3，图3为本发明基于步态检测的步行活动卡路里消耗计算装置一实施例的结构图，结合图3对本发明的基于步态检测的步行活动卡路里消耗计算装置进行说明。

在本实施例中，基于步态检测的步行活动卡路里消耗计算装置包括处理器、存储器，处理器与存储器通信连接，存储器存储有计算机程序，处理器根据计算机程序执行如上所述的基于步态检测的步行活动卡路里消耗计算方法。

在一些实施例中，存储器可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程功能器件、分立门或者晶体管功能器件、分立硬件组件。

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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述基于步态检测的步行活动卡路里消耗计算方法包括：

S101：构建用于计算步长的神经网络，采集用户的步态信息，根据所述步态信息获取用户一个步态周期中的三轴波峰加速度、波谷加速度以及用户的身高、体重，将所述三轴波峰加速度、波谷加速度、身高、体重作为训练样本的数据，并将所述步态周期中的实际步长作为所述训练样本的标签，通过所述训练样本组成数据集，划分所述数据集为训练集、测试集，基于所述训练集、测试集训练所述神经网络形成步长计算模型，获取用户的身高、体重，所述步态信息包括用户一个步态周期中的加速度信息以及用户的身体信息；

S102：获取用户的身高、体重，获取用户一个步态周期中的三轴波峰加速度、波谷加速度，将所述三轴波峰加速度、波谷加速度、身高、体重输入步长计算模型获取用户实时步长，其中，用户所佩戴的可穿戴设备或智能手机中的加速度传感器基于采样频率

获取三轴实时加速度序列

、

和

，并基于差分识别获取一个步态周期中的三轴加速度波峰

、

和

及三轴加速度波谷

、

和

；

S103：通过公式

计算卡路里消耗，判断是否接收到第一预设指令，所述第一预设指令包括暂停或停止指令，

为当前步态周期的用户总卡路里消耗，

为上个步态周期的用户总卡路里消耗，M为体重，g为重力加速度，L=0.45H，H为身高，

为用户实时步长，若是，则执行S104，若否，则执行S102；

S104：执行所述第一预设指令，并继续接收指令，在接收的指令为开始指令或重启指令时，执行S102。

2.如权利要求1所述的基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述神经网络为深度前馈神经网络，通过高斯分布随机函数初始化所述深度前馈神经网络的权值和阈值。

3.如权利要求1所述的基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述基于所述训练集、测试集训练所述神经网络形成步长计算模型的步骤具体包括：

S201：通过所述训练集中的训练样本训练和优化所述神经网络；

S202：将所述测试集中的训练样本输入训练后的神经网络获取输出值，判断所述输出值与所述训练样本对应的标签之间的误差以及S202的重复次数是否满足预设条件；

若是，则执行S201；

若否，则将训练后的所述神经网络训练确定为步长计算模型。

4.如权利要求3所述的基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述通过所述训练集中的训练样本训练和优化所述神经网络的步骤具体包括：

将所述训练集中选取的一批训练样本输入所述神经网络获取网络输出，通过误差公式计算所述网络输出与所述训练样本的标签之间的误差，基于所述误差更新所述神经网络。

5.如权利要求4所述的基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述基于所述误差更新所述神经网络的步骤具体包括：

基于所述误差通过反向传播算法更新所述神经网络的权值和阈值。

6.如权利要求4所述的基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述通过所述训练集中的训练样本训练和优化所述神经网络的步骤之后还包括：

判断训练和优化所述神经网络的次数是否达到预设值；

若是，则将所述测试集中的训练样本输入训练后的神经网络获取输出值；

若否，则继续通过所述训练集中的训练样本训练和优化所述神经网络。

7.如权利要求4所述的基于步态检测的步行活动卡路里消耗计算方法，其特征在于，所述判断所述输出值与所述训练样本对应的标签之间的误差以及S202的重复次数是否满足预设条件的步骤具体包括：

判断所述误差是否大于所述神经网络的目标loss阈值且S202的重复次数小于最大训练次数；

若是，则确定不满足预设条件；

若否，则确定满足预设条件。

8.一种基于步态检测的步行活动卡路里消耗计算装置，其特征在于，所述基于步态检测的步行活动卡路里消耗计算装置包括处理器、存储器，处理器与所述存储器通信连接，所述存储器存储有计算机程序，所述处理器根据所述计算机程序执行如权利要求1-6任一项所述的基于步态检测的步行活动卡路里消耗计算方法。

Images