CN115802939A - 运动分析方法和装置 - Google Patents
运动分析方法和装置 Download PDFInfo
- Publication number
- CN115802939A CN115802939A CN202180042041.5A CN202180042041A CN115802939A CN 115802939 A CN115802939 A CN 115802939A CN 202180042041 A CN202180042041 A CN 202180042041A CN 115802939 A CN115802939 A CN 115802939A
- Authority
- CN
- China
- Prior art keywords
- walking
- time
- user
- running
- start time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
公开了一种运动分析方法和装置。该装置和方法从用户所携带的加速度计中接收加速度数据(或其他运动传感器的测量)。将该加速度数据划分为时期,并确定在每个时期内用户是否在行走或跑步。将发现用户在行走的连续时期进行连接,以确定用户在行走或跑步的时间段。确定对每个行走时段的用户开始行走或跑步的时间和停止行走或跑步的时间的初始估计。之后执行迭代优化过程,以确定行走或跑步时段的准确的开始时间和停止时间。
Description
技术领域
本发明涉及用户运动测量领域。具体地,本发明涉及测量用户运动的方法和设备,以检测用户何时在行走或跑步,并确定用户行走或跑步的时长。
背景技术
例如活动监测器或计步器的设备用于测量用户的运动。这些设备可以用来确定用户何时在行走,并且还可以由此确定用户的步数。准确地确定步数对于确定用户的正确活动量较为重要。
现有设备通常针对日常市场—在这种市场中,准确性没有可重复性那么重要。这些设备可以是为监测用户的步伐而设计的专用设备,或者也可以采取在例如移动(蜂窝)电话、智能手表、或类似设备的用户设备上运行的软件应用的形式。正如任何使用过这些设备的人都会意识到的,即使行走的距离可能是相同的,但不同的设备常会给出大相径庭的步数。
现有设备无法准确地测量用户的步数和行走时段。在现有的运动测量方法中,可以将足够有力(sufficiently vigorous)的运动计为行走时段。例如,如果设备佩戴于手腕,则例如切菜等需要手腕运动的活动会导致错误读取。现有的活动测量方法假定,任何足够有力的运动的起始都构成行走期的开始时间。类似地,还假定足够有力的运动的停止构成行走期的结束。在一些情况下,如果在行走开始前或行走结束后存在足够有力以满足标准但却不对应于行走的运动,则将会高估行走时长。
对于包括医学应用的各种目的来说,准确的活动数据可能是至关重要的。此外,一些经临床批准的评估需要在特定的预定义时段内行走。任何对所需要的行走时段的偏差都会使评估无效,并且会影响临床试验的整体有效性。因此,这一数据例如可能需要与其他传感器和特定于时间的测量相关,而缺少准确的活动数据可能会对治疗疗效的确定产生负面影响。对于医学应用来说,由于准确性可能影响治疗决定和/或药物试验结果,而这可能具有严重的健康后果,因此对于准确性的需要尤其重要。
发明内容
本发明的各方面在独立权利要求中列出,优选特征在从属权利要求中列出。
公开了一种运动分析方法和装置。该装置和方法从用户所携带的加速度计中接收加速度数据(或运动传感器的其他运动数据)。将该数据划分为时期序列,并确定在每个时期内用户是否在行走。将发现用户在行走的连续时期进行连接,以确定至少一个期间用户在行走的时间段。基于经连接的序列中第一个时期和最后一个时期的时期时间,确定对每个行走时段的用户开始行走的时间和停止行走的时间的初始估计。执行迭代优化过程,以确定每个行走时段的准确的开始时间和停止时间。
根据一个方面,本发明提供了一种用于确定用户的行走或跑步时段的开始时间和停止时间的装置,装置包括至少一个处理器和存储器以用于:从用户在行走或跑步时所携带的用户设备中获取运动数据;将运动数据划分为时期序列;处理每个时期中的运动数据,以确定用户在行走或跑步的一个或多个时期;从一个或多个时期中确定用户的至少一个行走或跑步时段;对于确定的行走或跑步时段,确定行走或跑步时段的初始开始时间和初始停止时间;以及,执行迭代优化过程,该迭代优化过程修改初始开始时间和/或初始停止时间以标识对预定义的优化函数进行优化的行走或跑步时段的经优化的开始时间和/或停止时间。运动传感器可以是加速器计或陀螺仪。
迭代过程可以包括:i)对当前候选开始时间进行递增或递减;ii)基于经递增或递减的当前候选开始时间和当前候选停止时间,确定指标的值;iii)确定在步骤ii)中确定的指标是否优于前一迭代中在步骤ii)中确定的指标,如果在步骤ii)中确定的指标优于前一迭代中确定的指标,则接受经递增或递减的开始时间作为当前候选开始时间,然后返回步骤i),如果前一迭代中在步骤ii)中确定的指标优于当前迭代中确定的指标,则恢复到前一候选开始时间。
迭代过程还可以包括:i)对当前候选停止时间进行递增或递减;ii)基于经递增或递减的当前候选停止时间和当前候选开始时间,确定指标的值;iii)确定在步骤ii)中确定的指标是否优于前一迭代中在步骤ii)中确定的指标,如果在步骤ii)中确定的指标优于前一迭代中确定的指标,则接受经递增或递减的停止时间作为当前候选停止时间,然后返回步骤i),如果前一迭代中在步骤ii)中确定的指标优于当前迭代中确定的指标,则恢复到前一候选停止时间。
通常,优化过程被布置为使行走或跑步时段的预定指标最大化或最小化。可以将该指标布置为使得:在(通过改变开始时间或停止时间)延长行走或跑步时段的时长的情况下,如果增加的间隔对应于行走或跑步,则指标将增大,如果增加的间隔不对应于行走或跑步,则指标将减小。也可以将该指标布置为使得:在(通过改变开始时间或停止时间)降低行走或跑步时段的时长的情况下,如果去除的间隔不对应于行走或跑步,则指标将增大,如果新增的间隔对应于行走或跑步,则指标将减小。在一个实施例中,该指标取决于开始时间和结束时间之间的时间差。至少一个处理器和存储器可以用于确定加速度数据的自相关函数,并且其中,该指标包括从自相关函数中导出的一个或多个参数。该参数可以是自相关函数的零滞后峰值之后的峰值和与峰值对应的自相关滞后中的一个或多个。
时期是预定的时长并且通常是重叠的。在一些实施例中,至少处理器和存储器用于确定每个时期内加速度计数据的自相关函数,并且根据为时期确定的自相关函数确定用户在时期内在行走还是在跑步。至少一个处理器和存储器还可以用于确定步幅时段、步幅相关值、以及均方根幅度中的一个或多个,以确定用户在时期内在行走还是在跑步。至少一个处理器和存储器通过确定以下中的一项或多项来确定用户在时期内在行走还是在跑步:确定步幅时段高于第一阈值并且低于第二阈值;确定步幅相关值高于第三阈值;以及,确定均方根幅度高于第四阈值。
至少一个处理器和存储器可以用于连接时期的序列中被确定为用户在行走或跑步的相邻时期,以确定用户的行走或跑步时段;以及,使用经连接的时期为确定的行走或跑步时段确定初始开始时间和初始停止时间。
至少一个处理器和存储器可以从对应于行走或跑步时段的经连接的时期序列中的第一个时期的时期时间中确定初始开始时间,并且可以从对应于行走或跑步时段的经连接的时期序列中的最后一个时期的时期时间中确定初始停止时间。
至少一个处理器和存储器还可以用于从用户在行走或跑步时所携带的多个运动传感器中获取运动数据,并且使用来自多个运动传感器的运动数据确定至少一个行走或跑步时段的开始时间和停止时间。处理器和存储器可以使用来自每个运动传感器的运动数据确定至少一个行走或跑步时段的相应的开始时间和停止时间,并且可以:i)对至少一个行走或跑步时段的开始时间和停止时间进行平均;或者ii)使用从另一个运动传感器获取的所述运动数据或者从运动数据中导出的数据,对从一个运动传感器的运动数据中确定的开始时间和停止时间进行验证。运动传感器可以形成为用户所携带的同一用户设备中的一部分,或者运动传感器可以安装在用户所携带的不同用户设备中。如果运动传感器安装在不同的用户设备中,运动传感器通常被携带在不同的佩戴位置。
本发明还提供了一种用于确定用户的行走或跑步时段的开始时间和停止时间的装置,该装置包括处理器和存储器以用于:从用户的用户设备中获取加速度数据;对该加速度数据进行处理以确定用户的行走或跑步时段;对于确定的行走或跑步时段,确定该行走或跑步时段的初始开始时间和初始停止时间;以及,执行迭代优化过程,该迭代优化过程修改初始开始时间和初始停止时间的以标识对预定义的优化函数进行优化的所述行走或跑步时段的开始时间和/或停止时间,以确定经优化的行走或跑步时段的开始时间和停止时间。
根据另一个方面,本发明提供了一种用于确定用户行走或跑步时段的开始时间和停止时间的方法,该方法包括:从用户在行走或跑步时所携带的用户设备中获取运动数据;将运动数据划分为时期序列;处理每个时期中的运动数据,以确定用户在行走或跑步的一个或多个时期;从一个或多个时期中确定用户的至少一个行走或跑步时段;对于确定的行走或跑步时段,确定行走或跑步时段的初始开始时间和初始停止时间;以及,执行迭代优化过程,该迭代优化过程修改初始开始时间和/或初始停止时间以标识对预定义的优化函数进行优化的行走或跑步时段的经优化的开始时间和/或停止时间。
本发明还提供了一种有形计算机可读介质,包括计算机可执行指令,用于使可编程计算机设备被配置为如上文中所概括的装置。
本发明还提供了一种临床试验系统,包括与多个用户设备通信的中央计算机,每个用户设备被布置为收集与关联于用户设备的用户的运动相关的加速度数据;并且其中,中央计算机或至少一个用户设备包括如上文中所概括的装置。
附图说明
现在将参照附图来描述本发明的示例性实施例,其中:
图1A示出了一项临床试验的示意图,其中参加该试验的用户的运动由该用户所佩戴或携带的用户设备确定并报告给中央服务器进行收集和分析;
图1B是示出图1A所示系统的主要电子部件的框图;
图2是示出图1B所示的用户设备的主要组件的框图;
图3是示出用于确定用户行走时段的开始时间和停止时间的现有技术的流程图;
图4是示出应用于四个连续时期的汉明窗(Hamming windows)的图形表示,该图形表示示出了所分析的时期的重叠性质;
图5示出了用于确定一个时期是否对应于行走的优选技术的流程图;
图6是示出根据在用户行走时获取的加速度计数据计算的自相关函数的图;
图7示出了在用户运动时相对于时间段绘出和示出的加速度振幅(magnitude)的图形表示;
图8示出了用于确定用户行走的开始时间和停止时间的经计算的指标的等值线图;以及
图9示出了使用迭代过程确定行走时段的准确的开始时间和停止时间的流程图。
在附图中,使用相同的附图标记指示相同的元件。
具体实施方式
概述
如在上文中所概括的,本发明提供了分析用户运动的可替代方法。本发明所提供的方法和设备可以用在例如健康追踪器(fitness tracker)、表现管理等各种应用中。然而,本发明也可用于医学环境中,现在将对其进行描述。
更具体地,图1A和图1B示出了可以在临床试验系统10中如何使用本发明,在该系统10中多个患者(下文中也称为用户)30a至30e使用相应的用户设备100a至100e监测对应的患者30a至30e在行走时的运动。由用户设备100采集的信息经由通信网络120(在图1A中用虚线40a至40e表示)传输回中央服务器140,结果可以显示在门诊20内。
门诊20可以是例如医院或医生诊疗室的卫生服务中心。该门诊20可以包括单个中心或位于多个不同地理位置的多个中心。患者30a至30e是门诊20的患者,正在参加由门诊20组织的医学试验。将医学试验中的每个患者分组到具有相同医学状况的组。
为每个患者30a至30e提供用户设备100,该用户设备100可以是门诊专用的并且在试验结束之后归还到门诊。可替代地,门诊可以为患者提供可以在患者自己的用户设备上运行的软件应用,该用户设备是例如蜂窝电话或智能手表等。在任一种情况下,要求每个患者佩戴或携带其用户设备,以使得与用户设备关联的加速度计可以在临床试验期间记录到用户的运动。如图1B所示,一些用户设备100具有内置的加速度计102,但一些用户设备100(在这一示例中是用户设备100a)没有。作为替代,例如在用户设备100不具有加速度计的情况下,提供单独的体动(actigraph)测量设备101a,该体动测量设备101a具有用于记录患者30a的运动的加速度计102-a。用户设备或体动测量设备101由患者佩戴或携带在例如患者的手腕周围、脚踝周围、口袋中、皮带上、握在手中、放置在患者佩戴的包中、或作为吊坠佩戴在患者的例如脖子周围。
加速度计通常提供三个正交方向的加速度信息,该三个正交方向取决于加速度计的方位。通过分析加速度计数据,用户设备100可以确定有关患者的运动信息,之后将该运动信息作为患者数据传输到(无线或通过有线连接)到中央服务器140以作为医学试验的一部分进行进一步分析。
在一个示例中,提供给中央服务器140的患者数据包括行走数据和标识数据,该标识数据标识出与行走数据相关的患者。行走数据可以包括以下中的一项或多项:在由试验所指定的时段(例如,一天、一周、一个月、或一年)内的步数、行走或活动时段、行走距离、以及燃烧的卡路里。可以在患者到访门诊时从用户设备100中取回患者数据,或者通过蜂窝电话、有线电话、或计算机网络(无线或通过有线连接)将患者数据传输到门诊。可以用物理观察和测试补充在门诊收集的患者数据,且这种物理观察和测试只能在门诊20进行而不能远程监测。对于确保医学试验接收到监测时段期间患者活动的真实表示,提供给门诊20的有关患者在门诊20之外和在家里的活动数据的准确性很重要。这可以帮助确定临床试验治疗的疗效。
在另一示例中,提供给中央服务器140的患者数据包括患者的标识数据和加速度计数据,以便于中央服务器140处理每个患者的加速度计数据,中央服务器140从该加速度计数据中算出每个患者的行走数据。虽然没有在图1B中示出,但在这一情况中,中央服务器140还包括用户界面和/或软件,该用户界面包括例如键盘的用户输入设备,该软件用于处理从系统的用户设备处收集的数据。
指示患者活动的患者数据(例如,行走数据)是衡量患者健康或健壮水平的良好指标。例如,由于步数是衡量一般健康的指标,因此可以将患者数据用作衡量康复的指标。步数增大体现运动能力提升,这可以指示患者的好转,而步数减少或停滞可能指示患者对于治疗没有反应或没有体现出改善,甚至体现出患者病情加重。在一些情况下,步数可以指示需要将患者召唤到门诊,或者可以指示患者可能需要在医院呆一小段时间。与治疗效果逐渐消失时相比,在治疗效果最大的时间段期间步数的增大可以指示出治疗效果。在一些示例中,门诊可以使用收集到的患者数据帮助患者预约与所需的预约医生或临床医生会见。
由用户设备提供的行走数据也可以用于为多个患者30a至30e中的一个或多个提供个性化的锻炼计划,根据患者的个人需求和/或数据所指示的能力进行定制。对于临床试验,行走数据可以用于测量对试验方案的顺应性(compliance),记录所需的数据并且标识非顺应的评估。如果需要的话可以向患者发出提示以要求患者重复评估,在患者的行走时段不足或步数太低时鼓励他们积极活动,或标识出更广泛的健康相关的行为改变建议。
对于具有一种或多种已知会影响行走能力的医学状况的患者,研究行走数据尤其有用。在一些情况下,暂时性步态或平衡并发症可能是由损伤、创伤、炎症、或疼痛引起的。在另一些情况下,例如步态、平衡、以及协调等行走问题可能是由特定条件引起的。一些在测量行走活动方面可能尤其重要的条件包括但不限于:关节炎、多发性硬化症(multiplesclerosis,MS)、梅尼埃病(Meniere’s disease)、由例如出血或肿瘤引起的脑损伤、帕金森病(Parkinson’s disease)、髋部或下肢的骨科手术、癌症和关联治疗、大脑性瘫痪、肥胖症、痛风、肌营养不良、脑卒中、脊柱损伤、畸形等。
行走数据还可以用于物理治疗的测量和表现管理。在有管理或无管理的治疗会诊活动期间,可以将有针对性且定时的评估期间的行走数据的详细分析提供给患者或其治疗师和医生。该数据之后可以用于指导治疗方案以改善康复程序。
用户设备
图2是用于在上文描述的系统中使用的典型用户设备100的框图。如图所示,在这一情况中,用户设备100具有加速度计102,该加速度计102向至少一个中央处理单元(central processing unit,CPU)108提供加速度计数据。由存储在存储器106中的软件指令控制CPU108的操作。如图所示,软件指令包括操作系统106-1和运动分析应用106-2。由运动分析应用106-2处理来自加速度计102的加速度计数据,以算出患者的行走数据。
用户设备100还包括通信接口110,用于将由运动分析应用106-2确定的患者数据传送到中央服务器140;以及,包括键盘112-1和显示屏112-2的用户界面112,以允许患者与用户设备100交互。显示屏112-2可以显示一个或多个图标,用于向用户提供信息和/或以下中的一个或多个:时间、日期、步数、特定活动图标(行走、跑步、骑行等)、活动时长、关于活动的提醒信息和/或指示、网络连接状态、电池剩余电量、以及其他任何要给用户显示的有用信息。
运动分析应用-概述
图3示出了为了确定用户行走时段的开始时间和停止时间而由运动分析应用106-2对加速度计数据执行的处理的概览。
在步骤310中,运动分析应用106-2接收来自加速度计102的数据。加速度计数据包括由时间索引的一系列数据点,在时间为t时,(读取自)加速度计的数据点包括三个正交方向(Ax、Ay、以及Az)的加速度测量(AAx(t)、AAy(t)、AAz(t))。三个正交方向Ax、Ay、以及Az与加速度计102的方位对齐,或者由加速度计102的方位定义,而不是与携带该加速度计的人的方位或其他任何地理坐标系对齐。加速度计102的读数通常以g为单位提供,其中g是由地球表面重力而来的加速度(9.8m/s2)。采样率(加速度计102提供加速度读数的速率)随加速度计不同而变化,并且通常是可配置的,但是对于分析行走有用的采样率应该至少为20Hz,最好是更高的例如30Hz或100Hz。
如果需要的话,可以通过可选的低通滤波器106-2-1将在步骤310中接收到的原始加速度计数据进行过滤,以去除加速度计测量中与用户的行走运动没有关联的高频变化。这种低通滤波器的截止频率通常在8Hz到20Hz之间,最好是约为10Hz。
在步骤320中,由时期划分单元106-2-2将在步骤310中(或在执行低通滤波之后)接收到的矢量加速度数据划分为时期序列。时期是时间的预定划分。在最简单的形式中,数据可以被划分为多个非重叠的时期:例如,对于长度为5秒的时期,第一个时期包括最早的5秒,第二个时期包括下一个5秒等。然而,这种划分具有的缺点是时期边界的位置很敏感。被分割成两个时期的事件的检测可靠性可能低于完全包含在单个时期内的相同的事件。
因此,在优选实施例中,定义了与相邻时期重叠的较长的时期(时长通常在5到20秒之间)。例如,在重叠度为50%的情况下,每个时期的前半部分与前一个时期重叠,并且每个时期的后半部分与下一个时期重叠。对每个时期内的数据进行加权,以使得时期中间的数据被赋予最大权重,而在每个时期的开始和结束处的数据被赋予更小权重。可以使用汉明窗实现这一目的,不过也可以使用例如巴特利特(Bartlett)、汉宁(Hanning)、以及锥形余弦(tapered cosine,也称为Tukey)等其他窗函数。图5示出了用于四个连续时期的汉明窗的图形表示。该图形示出了可以用于分割和对数据进行加权的重叠的汉明窗。四个时期中的每个都是10秒的长度,并且在前一时期开始后的5秒时开始(即,时期1在0s开始在10s结束,时期2在5s开始在15s结束等)。相邻的时期之间有50%的重叠,使得时期在5秒的间隔处开始。每个时期都有关联的时间(在下文中称为时期时间),可以对应于例如时期的开始时间、时期的结束时间、或时期的中间时间。如将在下文中更详细描述的,这一时期时间用于标识行走时段的大致的开始时间和停止时间。
每个时期的长度应大致等于或小于所需的行走检测的粒度(granularity)。例如,如果需要检测短至10秒的行走时段,则应使用约为10秒的时期长度。然而,时期长度必须至少是预期的步幅时段的两倍,即至少约为2秒。此外,应当注意的是,短时期长度(例如,2秒或3秒)可能比长时期长度(例如,10秒)的信噪比低。然而,选择的时期越长,用户的行走参数(尤其是步幅)在时期期间不恒定的风险越大,这可能导致其他的不准确性。在实践中,本申请发明人发现,约为10秒或20秒的时期长度对于具有各种身体条件的各种患者来说效果很好,准确性达到或超过了临床试验的准确性标准。
在步骤330中,行走确定单元106-2-3分析每个时期中的加权加速度数据,以确定该数据是否指示用户在该时期内在行走。在步骤340中,开始/停止确定单元106-2-4将被确定为对应于用户行走的连续时期进行合并,以及,在步骤350中,确定经合并的时期的开始时间和停止时间。开始时间对应于经合并的时期的第一个时期的时期时间(其中,该第一个时期是经合并的一系列时期中的第一个,该时期中的数据被确定为对应于行走);以及,停止时间对应于经合并的时期的末尾时期的时期时间(其中,末尾时期是经合并的一系列时期中的最后一个,该时期中的数据被确定为对应于行走)。在行走时段对应于单个时期的情况下,行走确定单元106-2-3可以将时期的开始时间用作开始时间,以及将时期的结束时间用作结束时间。然而,由于汉明窗函数降低了时期的第一个和最后一个四分之一部分的影响,可以变为由时期的第二个四分之一部分的开始时间定义开始时间,可以由时期的第三个四分之一部分的结束时间定义结束时间。
运动分析应用--行走确定单元
现在将参照图2、图4、以及图6给出对由行走确定单元106-2-3执行的处理的更详细描述。
在步骤415中,行走确定单元106-2-3接收当前时期的数据,该当前时期的数据是由时期划分单元106-2-2从加速度计数据中提取的。在步骤420中,行走确定单元106-2-3确定该时期内的加速度计数据的振幅:Amag(t)=sqrt(AAx(t)2+AAy(t)2+AAz(t)2)。由于加速度的振幅与加速度计的方位无关,因此计算了振幅。在步骤420中,行走确定单元106-2-3还用这些振幅减去振幅的平均值:
其中,Amag(n)是时期内时间为n时的加速度计数据点;N是由加速度计的采样率和时期长度定义的,通过除以N计算平均值。由于重力是加速度计102所测量的加速度的最大静态分量,预期振幅信号的平均值将接近1g(其中,g是由地球表面重力而来的加速度)。
在步骤425中,行走确定单元106-2-3之后将上文描述的汉明窗应用于导出的数据(Amag(t)-Aepoch mean)上。在步骤430中,行走确定单元106-2-3计算在步骤425中获取的窗化数据的自相关函数,以检测时期数据中的周期性样式(periodic pattern)。具体地,行走确定单元106-2-3计算时期数据的以下自相关函数:
其中,AC(k)是滞后为k的自相关;A* mag(n)是时间n处的汉明窗化数据,即:
其中W(n)是汉明窗函数,该W(n)与(Amag(n)-Aepoch mean)相乘。在步骤435中,行走确定单元106-2-3对自相关值进行处理以确定滞后,其中找到自相关函数中零滞后峰值(将零滞后峰值定义为自相关函数在零滞后和自相关函数的第一个小于零的点之间的部分)之后的最高峰值。计算出的滞后对应于用户的步幅时段或用户的步长时段。为了示出这种计算,图6是表示在步骤430中确定的一个时期的自相关函数的图。自相关函数关于零滞后(k=0)对称,并且图中只示出了对应于非负滞后的部分。分别用圆环和正方形标示对应于步幅时段和步长时段的峰值。典型的步幅时段在1.0至1.2秒之间(每分钟100-120步),典型的步幅时段将是这一值的一半。
在图6示出的示例自相关函数中,滞后为0.5秒处的自相关函数的峰值几乎与滞后为1.0秒处的自相关函数的峰值一样高,加速度计数据的微小变化可能会决定哪个峰值是最高的,进而决定在步骤435中哪个峰值被标识为最高峰值。
由于自相关函数是在多个定义出的滞后处计算的,因此计算出的自相关值可能不包括正好为峰值的自相关值。可以使用插值法确定与自相关函数中的峰值对应的滞后的潜在更准确估计。例如,这可以通过以下来实现:将二阶多项式拟合到计算出的峰值及其相邻两侧的值,并且将多项式函数的峰值作为自相关函数的峰值,以算出与最高峰值对应的更准确的滞后值。
取决于用户步态的对称程度以及加速度计的佩戴位置,标识出的峰值可以对应于步长时段或步幅时段。例如,假定受试者的步态是对称的,如果设备被佩戴/固定于身体中央(例如,将手机固定在受试者的胸前,或者将设备附接在受试者的腰部),则左步和右步将在设备上产生非常相似的加速度振幅,计算出的时段可能对应于步长时段。另一方面,如果将设备附接在脚踝或手腕上,则左步和右步可能导致完全不同的加速度数据,并且计算出的时段可能对应于步幅时段。
存在各种可以用来解决这一不明确之处的方法。例如,基于预期的步幅时段和基于步长时段预期为步幅时段的一半等,可以使用阈值技术确定标识出的峰值是对应于用户的步幅时段还是步长时段。然而,由于这些技术对于本发明不是必要的,因此没有对这些技术给出进一步描述。
在步骤440中,在确立了最高峰值是对应于用户的步长时段还是用户的步幅时段之后,行走确定单元106-2-3确定用户的步幅时段(如果峰值对应于步幅时段,则该步幅时段等于最高峰值的滞后,如果峰值对应于步长时段,则该步幅时段等于最高峰值的滞后的两倍)是否在典型的行走预定范围内(例如在0.8秒到1.25秒之间)。如果用户的步幅时段落在该预定范围内,则该处理继续到步骤445。如果用户的步幅时段落在该预定范围外,则在步骤460中行走确定单元106-2-3确定用户在当前时期中没有行走。当然,可以变为(附加地)使用步长时段完成类似的确定。
在步骤445中,行走确定单元106-2-3计算出该时期的步幅相关值。将该时期的步幅相关值定义为所计算步幅时期的自相关函数的值与零滞后(k=0)处的自相关函数的值之比。如果步幅相关值大于阈值,则该处理继续到步骤450。如果步幅相关值低于阈值,则在步骤460中行走确定单元106-2-3确定用户在当前时期中没有行走。可以通过处理已知用户是否在行走的训练数据确定所使用的阈值。该阈值的典型值在0.2和0.8之间,本申请发明人发现阈值为0.4时效果很好。
在步骤450中,行走确定单元106-2-3确定被用作自相关函数的输入信号(即获取自步骤425的信号A* mag(n))的均方根(root-mean-square,RMS)幅度(或其他的一些幅度函数)是否大于一个阈值。如果RMS幅度大于阈值,则该处理继续到步骤455,其中行走确定单元106-2-3确定当前时期对应于行走。如果RMS幅度值低于阈值,则在步骤460中行走确定单元106-2-3确定用户在当前时期中没有行走。在步骤450中使用的阈值通常在0.01g至0.1g之间,本申请发明人发现值为0.04g时效果很好。
运动分析应用--开始/停止确定单元
上文中的处理标识出哪个时期对应于行走,哪些时期不对应于行走。之后可以独立分析每个行走时期以提取相关特征的分数,例如所走步数、速度、以及走过的距离。可替代地,毗邻或连续的行走时段可以连接以形成更长的行走时段。在连接时,可以对行走时段的最大时长设置限制。例如,如果受试者行走了10分钟,那么行走特征分数在这一时间跨度内很可能不是恒定的,所以可能需要将10分钟分割成30秒的间隔,并计算每个30秒间隔的特征分数。
从每个连接序列中的第一个时期和最后一个时期的时期时间中,可以(通过开始/停止确定单元106-2-4)确定每个行走时段的大致开始时间和停止时间。如果时期长度为10秒且具有50%的重叠,则行走的开始和停止时间的粒度/准确度将约为5秒或10秒。在许多现有技术应用中,这个准确度水平是足够的。然而,如果需要提高开始时间和停止时间的准确度,则可以使用时长更短的时期(例如,1秒或2秒)来分析和进一步细化开始时间和停止时间。然而,如在上文中讨论的,短的时期对噪音更敏感,而且存在记录行走特征所必需的最小时期时长(每个时期应至少跨越2个步幅时段)。
为了在不需要明显降低时期时长的情况下提高开始/停止时间确定的准确度,本申请发明人设计了旨在标识出使预定义指标最大化的开始时间和停止时间的迭代例程。可以使用不同的指标。然而,指标应当具有以下特性:
·与行走的时间间隔对应的指标高于没有行走的时段。
·在(通过改变开始时间或停止时间)使行走时段的时长延长时,如果增加的间隔对应于行走则指标将增大,如果增加的间隔不对应于行走则指标将减小。
·相反,在行走时段的时长减少时,如果去除的间隔对应于行走则指标将减小,如果去除的间隔不对应于行走则指标将增大。
使用上文中参考图4描述的处理技术,可以按如下方式确定一对候选的开始时间和停止时间(tstart,tstop)的指标:
·提取出候选的开始时间和停止时间之间的加速度数据
·计算提取出的数据的振幅
·用该振幅减去振幅的平均值
·应用汉明窗
·计算自相关函数
·对于0.5秒到2秒的范围内的滞后,确定自相关函数的最高峰值(0.5秒到2秒是步幅时段的预期范围)。
·标识出这一最高峰值的滞后。
·计算指标(tstart,tstop)=峰值/sqrt(tstop-tstart–滞后)
对于图7所示的具有两个行走时段和一些其他运动的示例加速度数据,现在将解释在迭代过程中使用这一指标的方式。具体地,图7是加速度振幅相对于表示用户运动的时间的图表。加速度较大的时段对应于用户的运动。图表中表示有两个对应于行走的运动时段:从15秒到37秒;以及,从54秒到74秒。还存在导致了较大的加速度但是并不对应于行走的运动。这些运动在0秒到2秒之间;处于85秒处;以及处于95秒到98秒之间。仅从图表上看,难以区分哪些加速度对应于行走,哪些加速度不对应于行走。然而,使用上文中描述的行走确定技术和上文中的指标,可以更准确地标识哪些时期对应于行走,以及这些时段何时开始和停止。
具体地,如果针对所有可能的开始时间和停止时间计算出上文中的指标,并绘制在等值线图中,则对应于行走的时段会在等值线图中显现为峰值,这可以用于标识行走时段的开始时间和停止时间。在图8所示的等值线图中示出了这一点,该等值线图是针对图7中示出的示例加速度数据所计算的。如图8所示,等值线图具有三个峰值,这三个峰值标识了可能对应于行走的时段的开始时间和停止时间-开始/停止时间为15/37秒;55/73秒;以及15/73秒。等值线图中的前两个峰值表示图7中的两个行走时段,第三个峰值(开始时间为15秒,停止时间为73秒)表示两个行走时段的混合体。(由于图8的右下三角表示开始时间晚于停止时间的情况,因此在此处没有绘制等值线)。因此,通过组合上文中描述行走确定和来自这一等值线图的信息,可以标识出哪些时段对应于行走,以及确定这些时段的准确的开始时间和停止时间。
在实践中,计算出对应于所有可能的开始时间和停止时间对的指标是没有必要的。上文中参考图4描述的处理可以用于标识出对应于行走的时段以及标识出这些时段的大致开始时间和停止时间。之后可以对这一初始的候选开始时间和候选停止时间计算上文中的指标,并且执行迭代例程,以在初始候选附近找到使指标最大化的开始时间和停止时间(即在图8所示的等值线图中找到最接近初始候选开始/停止时间对的峰值)。可以使用各种迭代技术执行这一优化过程。在下文中参考图9描述一种示例技术。由开始/停止确定单元106-2-4执行这一优化过程。
在步骤910中,从行走确定单元106-2-3确定的用户在行走的经连接的时期序列中的第一个时期和最后一个时期的时期时间确定对开始/停止时间的初始估计。如在上文中讨论的,如果时期长度为10秒且具有50%的重叠,则使用上文中描述的处理所确定的行走的开始时间和停止时间的粒度/准确度将约为5秒或10秒。在步骤915中,为开始时间和停止时间的初始估计计算上文中的指标。在步骤920中,使开始时间递增一秒,并重新计算该指标。
在步骤925中,确定重新计算的指标是否增大。如果指标增大,则处理返回到步骤920,其中使开始时间再递增一秒,并重新计算指标。一旦指标停止增大并开始减小(或者如果在第一次使开始时间递增后指标就开始减小),在步骤930中处理恢复到先前的开始时间。之后在步骤935和步骤940中执行类似的处理,以确定减小开始时间是否会使得指标升高。在步骤940中一旦发现指标没有增大(而是减小),在步骤945中处理会恢复到先前的开始时间。这一开始时间表示对正在考虑的行走时段的开始时间的准确确定。之后处理继续到步骤950、955、960、965、970、以及975,在这些步骤中对停止时间执行类似的处理。这使得在步骤975中确定了准确的停止时间,处理结束。
在迭代处理期间,在每次计算指标时,都在新的开始时间和停止时间之间提取出加速度数据、确定提取出的加速度数据的振幅、确定平均值并且用振幅减去平均值、应用汉明窗、确定自相关函数、找到零滞后峰值之后的最高峰值、之后计算指标。
作为这一迭代处理的示例,考虑图7所示的加速度数据和图8所示的等值线图。从对时期数据中确定的15秒到37秒之间的行走时段的开始时间和停止时间的初始估计分别为20秒和40秒。保持停止时间固定在40秒,将开始时间从20秒降低到19秒、18秒等,对每个降低后的开始时间值计算指标,直到发现在14秒的时候指标停止增大并开始降低。因此,确定了最优开始时间为15秒。之后将相同的处理应用到行走时段的结束,发现停止时间为37秒时指标达到最大。
开始/停止确定单元6-2-4一旦确定了准确的开始时间和停止时间,之后可以将这一信息在显示屏112-2上输出给用户,和/或可以与其他相关的行走数据和标识该数据所涉及用户的标识符一起传输到中央服务器140以在临床试验中使用。
修改和变化
上文中已经描述了详细的实施例。可以对上文中的实施例进行各种修改和改变。现在将描述其中一些变化。
上文中的实施例描述了如何确定行走时段的开始时间和停止时间的准确确定的示例。当然,可以对这一迭代处理做各种改变。例如,在需要的情况下,可以在确定准确的开始时间之前确定准确的停止时间,迭代处理可以在对时间递增之前使时间减少。类似地,递增或递减不一定是一秒钟。可以使用其他的递增量或递减量。
所找到的最大值可能只是指标函数的局部最大值,而不是初始估计附近的全局最大值。在找到局部最大值之后,可以在其附近搜索更大的最大值。例如,在对停止时间进行递增时,并非是在指示一开始减小时就立即停止搜索,而是可以继续对停止时间进行递增的处理,看是否可以找到更高的指标。如果找到了更高的指标,将这一指标接受为当前的最佳解决方案并继续处理。这个处理一直继续直到一些停止条件被满足为止,此时将与到目前为止找到的最高指标对应的开始时间和停止时间接受为最佳解决方案。停止条件的示例可以是:当前的候选停止时间晚于最高指标对应的停止时间的秒数超过了指定的秒数;或者,当前的候选停止时间的指标下降到低于与最佳指标相关的阈值。
作为示例,考虑图7中的峰值,该峰值对应的开始时间为17秒,停止时间为37秒。指标将随着停止时间的递增而减小。如果停止标准是候选停止时间只能在超过到目前为止找到的最高指标的停止时间后延长20秒,那么将使候选停止时间一直进行递增直到它达到57秒,此时由于与37秒的停止时间对应的指标将是找到的最高指标,这一处理将停止。另一方面,如果可以将候选停止时间延长30秒,那么将找到对应于15/73秒中的开始时间/停止时间的更高峰值并选为最佳解决方案,将两个行走时段(对应于开始/停止时间为15秒/37秒和55秒/73秒)合并为开始/停止时间为15秒/73秒的单个行走时段。
上文中定义的指标仅为示例。其他指标定义也是可能的,并且可能在不同的场景中证明是有利的。例如,上文中描述的指标是更一般的形式的特例:
其中0<=n<=1。(在上文描述的实施例中n=1/2)。
n的值接近于1会导致有许多短的行走时段:只有当与时段的行走相关的特征非常类似时,行走时段才会被合并以形成单个的更长时段。类似地,只有当被提议的延长部分与原来的行走时段的特征非常类似时,行走时段才会被延长。即使经合并的行走时段的特征不是特别类似,n的值接近于零会导致有较少的行走时段,每个行走时段具有相对长的时长。在实践中,本申请发明人发现,n=1/2表示这两个极端之间的良好折中。
作为进一步替代,可以将上文中的指标反转,不去寻找使指标最大化的开始时间和停止时间,而是可以找到使指标最小化的开始时间和停止时间。
在上文的实施例中,计算出准确的开始时间和停止时间,并用于为临床试验提供数据。如本领域技术人员将理解的,所描述的技术可以用于其他应用中。例如,可以用于为健康追踪器等提供关于用户行走时段的更准确信息。
在上文的实施例中,设备用于确定用户的行走时段。通过调整所使用的阈值和其他参数(例如,对于加速度振幅使用更高的阈值,以及更短的预期步长/步幅时段),该设备可以用于检测跑步的时段。这种设备对于那些希望追踪他们正在执行的训练的准确信息的运动员来说是有意义的。具体地,跑步时段的开始时间和停止时间可以用于运动表现的测量和管理。可以将运动活动的针对性评估期间的对于开始时间和停止时间的详细分析提供给运动员或他们的训练员和教练。该数据之后可以用于指导训练方案以改善运动表现。
在上文的实施例中,行走确定单元106-2-3(在步骤440、步骤445、以及步骤450中)应用了三个指标来确定用户是否在给定的时期内行走。如本领域技术人员将理解的,可以使用其他技术来确定用户是否在时期内行走(或跑步)。例如,可以只使用步骤440、步骤445、以及步骤450中的一个或两个指标来确定。
在上文的实施例中,通过查看数据的自相关函数,分析从加速度计中获取的加速度计数据。自相关分析擅长于突出加速度数据中的周期性变化,该加速度数据中的周期性变化由例如行走和跑步的重复性运动引起。可以执行其他类型的分析来标识这些周期性变化(及其周期)。例如,可以确定和分析傅里叶变换(或例如离散余弦变化的其他频率分析)以标识代表了步长时段或步幅时段的频域中的峰值。在上文的实施例中,在每次对开始时间或停止时间进行递增或递减时,都要重新计算自相关。由于只是对开始时间或停止时间递增或递减了相对小的量(在上文示例中是一秒钟),用于在当前迭代中确定自相关函数的数据将共享先前迭代中的许多计算结果。在特定滞后处的自相关值只需要增加一些数据值(如果对开始时间进行了增量或者对结束时间进行了递增),或者减去一些数据值(如果对开始时间进行了递减或者对结束时间进行了递减)。因此,没有必要再次执行所有的计算。通过假设零滞后峰值之后的最高峰值的滞后从一个迭代到下一个迭代不会有很大改变,可以进一步降低计算负担。因此,可以只针对先前迭代中针对(零滞后峰值之后的)最高峰值标识的滞后值周围的滞后值确定自相关值。
在上文的实施例中,将来自加速度计的数据用作计算的基础。也可以使用其他提供传感器信号的运动传感器,这些传感器信号在用户行走或跑步时随着用户的运动而变化。例如,可以用与上文描述的类似的方式处理陀螺仪的信号,以算出行走时段或跑步时段的开始时间和停止时间。
此外,在用户的设备中内置有多个这种传感器的情况下,可以对每个传感器的数据进行分析并将结果组合(例如平均),以算出更准确或噪音更少的开始时间和停止时间。类似地,如果用户携带多个设备(例如移动电话)和体动设备,而这两个设备都有运动传感器(例如加速度计或陀螺仪),系统可以使用这两个设备的数据确定开始时间和停止时间。之后可以将这两个设备的测量再次平均以提高信噪比,或者可以用一个设备的测量印证或验证根据从其他设备获取的运动数据所确定的开始时间和停止时间。
在上文的实施例中,在用户设备中提供了用于处理加速度计数据的软件应用。可以在中央服务器的计算机中提供相同或类似的软件—使得中央服务器执行上文中的步长分析/步幅分析。可以将该软件应用提供为载波信号或有形计算机可读介质上的计算机可执行指令。可替代地,该软件应用的功能可以定义在例如现场可编程门阵列(fieldprogrammable gate array,FPGA)或专用集成电路(ASIC,application specificintegrated circuit)设备的硬件电路中。
从上文的描述中可以理解的是,不同示例的许多特征是可以互换和组合的。本公开的内容延伸到包括来自不同示例且可以以未明确提及的方式组合的特征的其他实施例。事实上,在上文的示例中提出了许多特征,对于技术人员来说,显然这些特征可以有利地相互组合。
本申请还包括以下编号的条款:
1.一种用于确定用户的行走或跑步时段的开始时间和停止时间的装置,所述装置包括至少一个处理器和存储器以用于:
从所述用户在行走或跑步时所携带的用户设备中获取运动数据;
将所述运动数据划分为时期序列;
处理每个时期中的所述运动数据,以确定所述用户在行走或跑步的一个或多个时期;
从所述一个或多个时期中确定所述用户的至少一个行走或跑步时段;
对于确定的所述行走或跑步时段,确定初始开始时间和初始停止时间;以及
执行迭代优化过程,该迭代优化过程修改所述初始开始时间和/或所述初始停止时间以标识出对预定义的优化函数进行优化的所述行走或跑步时段的经优化的开始时间和/或停止时间。
2.根据条款1所述的装置,其中,所述迭代过程包括:
i)对当前候选开始时间进行递增或递减;
ii)基于经递增或递减的当前候选开始时间和当前候选停止时间,确定指标的值;
iii)确定在步骤ii)中确定的所述指标是否优于前一迭代中在步骤ii)中确定的指标,如果在步骤ii)中确定的所述指标优于所述前一迭代中确定的所述指标,则接受经递增或递减的开始时间作为所述当前候选开始时间,然后返回步骤i),如果所述前一迭代中在步骤ii)中确定的所述指标优于当前迭代中确定的所述指标,则恢复到前一候选开始时间。
3.根据条款1或2所述的装置,其中,所述迭代过程包括:
i)对当前候选停止时间进行递增或递减;
ii)基于经递增或递减的当前候选停止时间和当前候选开始时间,确定指标的值;
iii)确定在步骤ii)中确定的所述指标是否优于前一迭代中在步骤ii)中确定的指标,如果在步骤ii)中确定的所述指标优于所述前一迭代中确定的所述指标,则接受经递增或递减的停止时间作为所述当前候选停止时间,然后返回步骤i),如果所述前一迭代中在步骤ii)中确定的所述指标优于当前迭代中确定的所述指标,则恢复到前一候选停止时间。
4.根据前述条款中任一项所述的装置,其中,所述优化过程被布置为使所述行走或跑步时段的预定指标最大化或最小化。
5.根据条款4所述的装置,其中,所述指标被布置为使得:在(通过改变所述开始时间或所述停止时间)延长所述行走或跑步时段的时长的情况下,如果增加的间隔对应于行走或跑步,则所述指标将增大,如果增加的间隔不对应于行走或跑步,则所述指标将减小。
6.根据条款4或5所述的装置,其中,所述指标被布置为使得:在(通过改变所述开始时间或所述停止时间)降低所述行走或跑步时段的时长的情况下,如果去除的间隔不对应于行走或跑步,则所述指标将增大,如果新增的间隔对应于行走或跑步,则所述指标将减小。
7.根据前述条款中任一项所述的装置,其中,所述指标取决于所述开始时间和所述结束时间之间的时间差。
8.根据前述条款中任一项所述的装置,其中,所述至少一个处理器和存储器用于确定所述运动数据的自相关函数,并且其中,所述指标包括从所述自相关函数中导出的一个或多个参数。
9.根据条款8所述的装置,其中,所述至少一个处理器和存储器用于确定所述自相关函数的零滞后峰值之后的峰值,并且其中,所述指标取决于确定的所述峰值。
10.根据条款9所述的装置,其中,所述至少一个处理器和存储器用于确定与所述峰值对应的自相关滞后,并且其中,所述指标取决于确定的所述自相关滞后。
11.根据条款1至10中任一项所述的装置,其中,所述时期是预定的时长。
12.根据条款1至11中任一项所述的装置,其中,相邻的时期是重叠的。
13.根据条款1至12中任一项所述的装置,其中,所述至少一个处理器和存储器用于确定每个时期内加速度计数据的自相关函数,并且根据为所述时期确定的所述自相关函数确定所述用户在所述时期内在行走还是在跑步。
14.根据条款1至13中任一项所述的装置,其中,所述至少一个处理器和存储器用于确定步幅时段、步幅相关值、以及幅度测量中的一个或多个,以确定所述用户在所述时期内在行走还是在跑步。
15.根据条款14所述的装置,其中,所述至少一个处理器和存储器用于通过确定以下中的一项或多项来确定用户在时期内在行走还是在跑步:
确定所述步幅时段高于第一阈值并且低于第二阈值;
确定所述步幅相关值高于第三阈值;以及
确定所述幅度测量高于第四阈值。
16.根据前述条款中任一项所述的装置,其中,所述至少一个处理器和存储器用于连接所述时期的序列中被确定为所述用户在行走或跑步的相邻时期,以确定所述用户的行走或跑步时段;以及,使用经连接的时期,为确定的所述行走或跑步时段确定初始开始时间和初始停止时间。
17.根据前述条款中任一项所述的装置,其中,至少一个处理器和存储器用于从对应于行走或跑步时段的经连接的时期序列中的第一个时期的时期时间中确定初始开始时间。
18.根据前述条款中任一项所述的装置,其中,至少一个处理器和存储器用于从对应于行走或跑步时段的经连接的时期序列中的最后一个时期的时期时间中确定初始停止时间。
19.根据前述条款中任一项所述的装置,其中,所述运动传感器是加速度计或陀螺仪。
20.根据前述条款中任一项所述的装置,其中,所述至少一个处理器和存储器用于从所述用户在行走或跑步时所携带的多个运动传感器中获取运动数据,并且使用来自所述多个运动传感器的所述运动数据确定至少一个所述行走或跑步时段的开始时间和停止时间。
21.根据条款20所述的装置,其中,所述至少一个处理器和存储器用于使用来自每个运动传感器的所述运动数据确定至少一个所述行走或跑步时段的相应的开始时间和停止时间,并且用于:i)对至少一个所述行走或跑步时段的所述开始时间和所述停止时间进行平均;或者ii)使用从另一个运动传感器获取的所述运动数据或者从所述运动数据中导出的数据,对从一个运动传感器的所述运动数据中确定的所述开始时间和所述停止时间进行验证。
22.根据条款20或21所述的装置,其中,所述运动传感器安装在所述用户所携带的同一用户设备中,或者其中,所述运动传感器安装在所述用户所携带的不同用户设备中。
23.根据条款22所述的装置,其中,所述运动传感器安装在所述用户所携带的处于不同佩戴位置的不同用户设备中。
24.一种用于确定用户的行走或跑步时段的开始时间和停止时间的装置,该装置包括处理器和存储器以用于:
从用户的用户设备中获取运动数据;
对该加速度数据进行处理以确定用户的步行或跑步时段;
对于确定的行走或跑步时段,确定该行走或跑步时段的初始开始时间和初始停止时间;以及
执行迭代优化过程,该迭代优化过程修改初始开始时间和初始停止时间以标识对预定义的优化函数进行优化的所述行走或跑步时段的开始时间和/或停止时间。
25.一种用于确定用户的行走或跑步时段的开始时间和停止时间的装置,所述装置包括:
用于从用户在行走或跑步时所携带的用户设备中获取运动数据的器件;
用于将运动数据划分为时期序列的器件;
用于处理每个时期中的运动数据,以确定用户在行走或跑步的一个或多个时期的器件;
用于从一个或多个时期中确定用户的至少一个行走或跑步时段的器件;
用于对于确定的行走或跑步时段,确定行走或跑步时段的初始开始时间和初始停止时间的器件;以及
用于执行迭代优化过程,该迭代优化过程修改初始开始时间和/或初始停止时间以标识出对预定义的优化函数进行优化的行走或跑步时段的经优化的开始时间和/或停止时间的器件。
26.一种用于确定用户的行走或跑步时段的开始时间和停止时间的方法,所述方法包括:
从所述用户在行走或跑步时所携带的用户设备中获取运动数据;
将所述运动数据划分为时期序列;
处理每个时期中的所述运动数据,以确定所述用户在行走或跑步的一个或多个时期;
从所述一个或多个时期中确定所述用户的至少一个行走或跑步时段;
对于确定的所述行走或跑步时段,确定初始开始时间和初始停止时间;以及
执行迭代优化过程,该迭代优化过程修改所述初始开始时间和/或所述初始停止时间以标识对预定义的优化函数进行优化的所述行走或跑步时段的经优化的开始时间和/或停止时间。
27.一种有形计算机可读介质,包括计算机可执行指令,所述计算机可执行指令用于使可编程计算机设备被配置为根据条款1至25中任一项所述的装置。
28.一种临床试验系统,包括与多个用户设备通信的中央计算机,每个用户设备被布置为收集与关联于用户设备的用户的运动相关的加速度数据;并且其中,中央计算机或至少一个用户设备包括根据条款1至25中任一项所述的装置以用于分析加速度数据。
Claims (21)
1.一种用于确定用户的行走或跑步时段的开始时间和停止时间的装置,所述装置包括至少一个处理器和存储器以用于:
从所述用户在行走或跑步时所携带的用户设备中获取运动数据;
将所述运动数据划分为时期序列;
处理每个时期中的所述运动数据,以确定所述用户在行走或跑步的一个或多个时期;
从所述一个或多个时期中确定所述用户的至少一个行走或跑步时段;
对于确定的所述行走或跑步时段,确定初始开始时间和初始停止时间;以及
执行迭代优化过程,所述迭代优化过程修改所述初始开始时间和/或所述初始停止时间以标识对预定义的优化函数进行优化的所述行走或跑步时段的经优化的开始时间和/或停止时间。
2.根据权利要求1所述的装置,其中,所述迭代过程包括:
i)对当前候选开始时间进行递增或递减;
ii)基于经递增或递减的当前候选开始时间和当前候选停止时间,确定指标的值;
iii)确定在步骤ii)中确定的所述指标是否优于前一迭代中在步骤ii)中确定的指标,如果在步骤ii)中确定的所述指标优于所述前一迭代中确定的所述指标,则接受所述经递增或递减的开始时间作为所述当前候选开始时间,然后返回步骤i),如果所述前一迭代中在步骤ii)中确定的所述指标优于当前迭代中确定的所述指标,则恢复到前一候选开始时间。
3.根据权利要求1或2所述的装置,其中,所述迭代过程包括:
i)对当前候选停止时间进行递增或递减;
ii)基于经递增或递减的当前候选停止时间和当前候选开始时间,确定指标的值;
iii)确定在步骤ii)中确定的所述指标是否优于前一迭代中在步骤ii)中确定的指标,如果在步骤ii)中确定的所述指标优于所述前一迭代中确定的所述指标,则接受所述经递增或递减的停止时间作为所述当前候选停止时间,然后返回步骤i),如果所述前一迭代中在步骤ii)中确定的所述指标优于当前迭代中确定的所述指标,则恢复到前一候选停止时间。
4.根据前述权利要求中任一项所述的装置,其中,所述优化过程被布置为使所述行走或跑步时段的预定指标最大化或最小化。
5.根据权利要求4所述的装置,其中,所述指标被布置为使得:在(通过改变所述开始时间或所述停止时间)延长所述行走或跑步时段的时长的情况下,如果增加的间隔对应于行走或跑步,则所述指标将增大,如果增加的间隔不对应于行走或跑步,则所述指标将减小。
6.根据权利要求4或5所述的装置,其中,所述指标被布置为使得:在(通过改变所述开始时间或所述停止时间)降低所述行走或跑步时段的时长的情况下,如果去除的间隔不对应于行走或跑步,则所述指标将增大,如果新增的间隔对应于行走或跑步,则所述指标将减小。
7.根据前述权利要求中任一项所述的装置,其中,所述指标取决于所述开始时间和所述结束时间之间的时间差。
8.根据前述权利要求中任一项所述的装置,其中,所述至少一个处理器和存储器用于确定所述运动数据的自相关函数,并且其中,所述指标包括从所述自相关函数中导出的一个或多个参数。
9.根据权利要求8所述的装置,其中,所述至少一个处理器和存储器用于确定所述自相关函数的零滞后峰值之后的峰值,并且其中,所述指标取决于确定的所述峰值。
10.根据权利要求9所述的装置,其中,所述至少一个处理器和存储器用于确定与所述峰值对应的自相关滞后,并且其中,所述指标取决于确定的所述自相关滞后。
11.根据前述权利要求中任一项所述的装置,其中,所述至少一个处理器和存储器用于确定每个时期内所述加速度计数据的自相关函数,并且根据为所述时期确定的所述自相关函数确定所述用户在所述时期内在行走还是在跑步。
12.根据前述权利要求中任一项所述的装置,其中,所述至少一个处理器和存储器用于确定步幅时段、步幅相关值、以及幅度测量中的一个或多个,以确定所述用户在所述时期内在行走还是在跑步。
13.根据权利要求12所述的装置,其中,所述至少一个处理器和存储器用于通过确定以下中的一项或多项来确定用户在时期内在行走还是在跑步:
确定所述步幅时段高于第一阈值并且低于第二阈值;
确定所述步幅相关值高于第三阈值;以及
确定所述幅度测量高于第四阈值。
14.根据前述权利要求中任一项所述的装置,其中,所述至少一个处理器和存储器用于:
连接所述时期序列中被确定为所述用户在行走或跑步的相邻时期,以确定所述用户的行走或跑步时段;以及,
使用经连接的时期为确定的所述行走或跑步时段确定初始开始时间和初始停止时间。
15.根据前述权利要求中任一项所述的装置,其中,所述运动传感器是加速度计或陀螺仪。
16.根据前述权利要求中任一项所述的装置,其中,所述至少一个处理器和存储器用于:
从所述用户在行走或跑步时所携带的多个运动传感器中获取运动数据,以及
使用来自所述多个运动传感器的所述运动数据确定至少一个所述行走或跑步时段的所述开始时间和停止时间。
17.根据权利要求16所述的装置,其中,所述至少一个处理器和存储器用于使用来自每个运动传感器的所述运动数据确定至少一个所述行走或跑步时段的相应的开始时间和停止时间,并且用于:i)对至少一个所述行走或跑步时段的所述开始时间和所述停止时间进行平均;或者ii)使用从另一个运动传感器获取的所述运动数据或者从所述运动数据中导出的数据,对从一个运动传感器的所述运动数据中确定的所述开始时间和停止时间进行验证。
18.根据权利要求16或17所述的装置,其中,所述运动传感器安装在所述用户所携带的同一用户设备中,或者其中,所述运动传感器安装在所述用户所携带的通常处于不同佩戴位置的不同用户设备中。
19.根据前述权利要求中任一项所述的装置,所述装置形成临床试验系统的一部分,所述临床试验系统包括与多个用户设备通信的中央计算机,每个用户设备被布置为收集与所述用户设备关联的所述用户的运动相关的运动数据;并且其中,所述中央计算机或至少一个用户设备包括根据前述权利要求中任一项所述的装置以确定用户的行走或跑步时段的开始时间和停止时间。
20.一种用于确定用户的行走或跑步时段的开始时间和停止时间的方法,所述方法包括:
从所述用户在行走或跑步时所携带的用户设备中获取运动数据;
将所述运动数据划分为时期序列;
处理每个时期中的所述运动数据,以确定所述用户在行走或跑步的一个或多个时期;
从所述一个或多个时期中确定所述用户的至少一个行走或跑步时段;
对于确定的所述行走或跑步时段,确定初始开始时间和初始停止时间;以及
执行迭代优化过程,所述迭代优化过程修改所述初始开始时间和/或所述初始停止时间以标识对预定义的优化函数进行优化的所述行走或跑步时段的经优化的开始时间和/或停止时间。
21.一种有形计算机可读介质,包括计算机可执行指令,所述计算机可执行指令用于使可编程计算机设备被配置为根据权利要求1至19中任一项所述的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/900,625 US11397193B2 (en) | 2020-06-12 | 2020-06-12 | Movement analysis method and apparatus |
US16/900,625 | 2020-06-12 | ||
PCT/GB2021/051467 WO2021250430A1 (en) | 2020-06-12 | 2021-06-11 | Movement analysis method and apparatus |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115802939A true CN115802939A (zh) | 2023-03-14 |
Family
ID=76797016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180042041.5A Pending CN115802939A (zh) | 2020-06-12 | 2021-06-11 | 运动分析方法和装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11397193B2 (zh) |
EP (1) | EP4164484A1 (zh) |
JP (1) | JP2023534784A (zh) |
CN (1) | CN115802939A (zh) |
CA (1) | CA3185435A1 (zh) |
IL (1) | IL299011A (zh) |
WO (1) | WO2021250430A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3082722B1 (fr) * | 2018-06-21 | 2020-09-25 | Sysnav | Procede d'analyse de foulee d'un pieton en marche |
US11307050B2 (en) | 2020-06-12 | 2022-04-19 | Koneksa Health Inc. | Measuring method and device |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2804596B1 (fr) | 2000-02-04 | 2002-10-04 | Agronomique Inst Nat Rech | Procede d'analyse d'irregularites de locomotion humaine |
JP5028751B2 (ja) | 2005-06-09 | 2012-09-19 | ソニー株式会社 | 行動認識装置 |
US9767257B2 (en) * | 2011-03-31 | 2017-09-19 | Adidas Ag | Group performance monitoring system and method |
US10330491B2 (en) | 2011-10-10 | 2019-06-25 | Texas Instruments Incorporated | Robust step detection using low cost MEMS accelerometer in mobile applications, and processing methods, apparatus and systems |
US11928894B2 (en) * | 2012-09-18 | 2024-03-12 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
WO2014047570A1 (en) | 2012-09-21 | 2014-03-27 | Md Revolution, Inc. | Systems and methods for developing and implementing personalized health and wellness programs |
US9700241B2 (en) | 2012-12-04 | 2017-07-11 | Under Armour, Inc. | Gait analysis system and method |
US8951165B2 (en) | 2013-03-05 | 2015-02-10 | Microsoft Corporation | Personal training with physical activity monitoring device |
US10561321B2 (en) | 2013-12-12 | 2020-02-18 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
WO2015113915A1 (en) | 2014-01-30 | 2015-08-06 | Koninklijke Philips N.V. | Improvements in the detection of walking in measurements of the movement of a user |
US10188322B2 (en) | 2014-05-09 | 2019-01-29 | Koninklijke Philips N.V. | Method and apparatus for determining the orientation of an accelerometer |
US10314520B2 (en) * | 2015-10-02 | 2019-06-11 | Seismic Holdings, Inc. | System and method for characterizing biomechanical activity |
WO2017158633A1 (en) | 2016-03-17 | 2017-09-21 | Gipstech S.R.L. | Method for estimating the direction of motion of an individual |
EP3459453B1 (en) | 2016-05-16 | 2021-05-12 | Fujitsu Limited | Information processing device, information processing method, and information processing program |
US11015954B2 (en) | 2017-10-16 | 2021-05-25 | Uti Limited Partnership | Step detection using IMU and magnetometer data fusion |
FR3082722B1 (fr) * | 2018-06-21 | 2020-09-25 | Sysnav | Procede d'analyse de foulee d'un pieton en marche |
US11307050B2 (en) | 2020-06-12 | 2022-04-19 | Koneksa Health Inc. | Measuring method and device |
-
2020
- 2020-06-12 US US16/900,625 patent/US11397193B2/en active Active
-
2021
- 2021-06-11 IL IL299011A patent/IL299011A/en unknown
- 2021-06-11 WO PCT/GB2021/051467 patent/WO2021250430A1/en unknown
- 2021-06-11 EP EP21737736.5A patent/EP4164484A1/en active Pending
- 2021-06-11 JP JP2022574157A patent/JP2023534784A/ja active Pending
- 2021-06-11 CA CA3185435A patent/CA3185435A1/en active Pending
- 2021-06-11 CN CN202180042041.5A patent/CN115802939A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021250430A1 (en) | 2021-12-16 |
IL299011A (en) | 2023-02-01 |
CA3185435A1 (en) | 2021-12-16 |
US11397193B2 (en) | 2022-07-26 |
EP4164484A1 (en) | 2023-04-19 |
JP2023534784A (ja) | 2023-08-14 |
US20210389342A1 (en) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wong et al. | Clinical applications of sensors for human posture and movement analysis: a review | |
US10959649B2 (en) | Systems and methods for stride length calibration | |
JP6183906B2 (ja) | 歩容推定装置とそのプログラム、転倒危険度算出装置とそのプログラム | |
Lee et al. | Toward using a smartwatch to monitor frailty in a hospital setting: using a single wrist-wearable sensor to assess frailty in bedbound inpatients | |
EP2095763B1 (en) | Determination of sympathetic activity | |
US20110231101A1 (en) | Body movement analysis method and apparatus | |
Erdem et al. | Gait analysis using smartwatches | |
Rhudy et al. | A comprehensive comparison of simple step counting techniques using wrist-and ankle-mounted accelerometer and gyroscope signals | |
CN115802939A (zh) | 运动分析方法和装置 | |
US20210393166A1 (en) | Monitoring user health using gait analysis | |
Cooke et al. | The impact of accelerometer wear location on the relationship between step counts and arterial stiffness in adults treated for hypertension and diabetes | |
Baroudi et al. | Estimating walking speed in the wild | |
US11642046B2 (en) | System and method for shoulder proprioceptive analysis | |
Perez et al. | A smartphone-based system for clinical gait assessment | |
US11307050B2 (en) | Measuring method and device | |
Tokmak et al. | Unveiling the relationships between seismocardiogram signals, physical activity types and metabolic equivalent of task scores | |
Chen | Gait feature extraction from inertial body sensor networks for medical applications | |
Rao et al. | Assessment of step accuracy and usability of activity trackers | |
RU222339U1 (ru) | Устройство для анализа движений нижних конечностей человека | |
US20230181060A1 (en) | Measuring method and device | |
Mannini et al. | A smartphone-centered wearable sensor network for fall risk assessment in the elderly | |
KR20170024332A (ko) | 회복상태 모니터링 장치 및 회복상태 모니터링 방법 | |
Noriega et al. | A Wireless, Modular and Wearable System for the Recognition and Assessment of Foot Drop Pathology | |
Alshehri et al. | Wearable Inertial Sensors for Centre of Mass Stability Changes During the Incremental Shuttle Walk Test | |
JÚLIO | LINEAR AND NONLINEAR ANALYSIS OF TRUNK SWAY TIME SERIES IN OFFICE WORKERS WITH AND WITHOUT CHRONIC SPINAL PAIN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |