发明内容
本发明提供一种AR终端系统传输数据智能处理方法,以解决现有的对异常数据的识别不准确的问题。
本发明的一种AR终端系统传输数据智能处理方法采用如下技术方案:
根据传感器中每个时间点对应的不同方向的数据分量获取不同方向对应的加速度分量,根据每个时间点的加速度分量得到每个时间点的整体加速度,以及整体加速度大小的时序图;
对时序图中整体加速度进行分段得到人体不同运动状态时对应的时序数据段,获取每个时序数据段中由奇数个数据点组成的多个预设数据段,其中,每个预设数据段的中心时间点不同,根据预设数据段内中心时间点的整体加速度及非中心点的整体加速,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重;
根据预设数据段内除最后一个时间点外的每个非中心时间点与其相邻的后一时间点的整体加速度变化值,以及预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重,获取中心时间点的异常指数;
根据非中心时间点、非中心时间点相邻的后一时间点对应的每个方向的加速度分量占整体加速度的比值,获取中心时间点在每个对应的方向上的目标权重;根据中心时间点的异常指数,及中心时间点在每个方向上的目标权重,获取中心时间点在每个方向上的局部异常指数;
将每个中心时间点放入相邻的后一个时序数据段内得到目标时序数据段,根据目标时序数据段内时间点的数量、时间点的整体加速度方向以及整体加速度大小,获取每个中心时间点在每个方向上的整体加速度的异常程度;
根据中心时间点在每个方向上的整体加速度的异常程度,及对应的方向上的局部异常指数,得到中心时间点在每个方向上的总体异常程度,根据总体异常程度确定异常方向,将异常方向对应的数据分量剔除,并进行传输。
优选的,获取预设数据段内除最后一个时间点外的每个非中心时间点与其相邻的后一时间点的整体加速度变化值,包括:
获取预设数据段内的非中心时间点相邻的后一时间点,与非中心时间点对应的整体加速度差值;
将整体加速度差值的模的倒数作为预设数据段内每个非中心时间点与其相邻的后一时间点的整体加速度变化值;
其中,每个时间点对应的整体加速度包括整体加速度大小及整体加速度方向。
优选的,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重,包括:
获取中心时间点的预设数据段内非中心时间点的数量;
获取预设数据段内每个非中心时间点与中心时间点对应的时间差值绝对值;
根据预设数据段内非中心时间点的数量,非中心时间点与中心时间点对应的时间差值绝对值,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重。
优选的,获取中心时间点的异常指数,包括:
表示预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对
中心时间点的整体加速度的第一影响权重;
表示预设数据段内除最后一个时间点外的非中心时间点
与其相邻的后一时
间点的整体加速度变化值的倒数;
e表示自然常数。
优选的,获取中心时间点在每个对应的方向上的目标权重,包括:
式中,
表示中心时间点
在方向
上的目标权重,其中,方向
为中心时间点
的各个加速度分量对应的方向;
表示第
个非中心时间点在方向
上的加速度分量对中心时间点
在对应的方
向
上的子影响权重;
表示中心时间点
所对应的预设数据段内第
个非中心时间点在方向
上
的加速度分量;
表示中心时间点
所对应的预设数据段内第
个非中心时间点在方向
上的加
速度分量;
表示中心时间点
所对应的预设数据段内第
个非中心时间点的整体加速度;
表示中心时间点
所对应的预设数据段内第
个非中心时间点的整体加
速度。
优选的,获取中心时间点在每个方向上的局部异常指数,包括:
获取中心时间点的异常指数,与中心时间点在每个方向上对应的目标权重的乘积;
将异常指数与中心时间点在每个方向上对应的目标权重的乘积,作为中心时间点在每个方向上的局部异常指数。
优选的,获取每个中心时间点在每个方向上的整体加速度的异常程度,包括:
根据中心点对应的目标时序数据段内每两个相邻的时间点的整体加速度方向的夹角,获取每两个相邻的时间点的整体加速度方向的变化异常值;
根据中心时间点对应的目标时序数据段内的每两个相邻的时间点对应的整体加速度大小差值,以及每两个相邻的时间点的整体加速度方向的变化异常值,获取中心时间点放入其相邻的后一个时序数据段内后的整体加速度的异常变化程度;
根据中心时间点相邻的后一个时序数据段内每个时间点在每个方向上的第一加速度标准差,以及中心时间点放入其相邻的后一个时序数据段内后的目标时序数据段内的每个时间点在每个方向上的第二加速度标准差,获取中心时间点在每个方向上加速度分量对相邻的后一个时序数据段内的对应方向上的第二影响权重;
根据第二影响权重、异常变化程度,获取中心时间点在每个方向上的整体加速度的异常程度。
优选的,将中心时间点在每个方向上的整体加速度的异常程度与中心时间点在每个对应方向上的局部异常指数的乘积,作为中心时间点在每个方向上的总体异常程度。
优选的,将总体异常程度大于预设的总体异常程度阈值时对应的方向作为异常方向。
优选的,传感器中每个时间点对应的不同方向的数据分量为:传感器的X轴方向、Y轴方向及Z轴方向的数据分量。
本发明的一种AR终端系统传输数据智能处理方法的有益效果是:
通过获取传感器中的每个方向的数据分量,并得到每个方向的加速度分量,通过加速度分量得到每个时间点的整体加速度,然后得到整体加速度的时序图,基于时序图对整体加速度进行分段得到时序数据段,即每个时序数据段表示人体的一种状态,然后基于时序数据段得到预设数据段,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重;由于,人类的运动规律,在人体运动时,若整体加速度数值较大,则整体加速度方向一般不会发生较大变化,若整体加速度方向发生较大变化,则整体加速度数值一般不会发生较大变化,故根据预设数据段内相邻两个时间点的整体加速度变化值,与中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重,得到取中心时间点的异常指数,通过异常指数来表征整体加速度的异常程度;然后获取中心时间点在每个方向上的目标权重,根据目标权重及异常指数得到局部异常指数,实现对每个方向上的加速度的异常进行表征,最后基于局部异常指数,与中心点在每个方向上的整体加速度的异常程度,确定中心点在每个方向上的总体异常程度,从而实现异常方向的确定,根据异常方向即可确定异常数据分量,从而实现异常数据的剔除,提高了异常数据剔除的准确性,从而避免数据的无效传输,避免了异常数据对AR场景构建的影响。
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。
本发明的一种AR终端系统传输数据智能处理方法的实施例,如图1所示,本实施例包括:
S1、获取时序图;
具体的,根据传感器中每个时间点对应的不同方向的数据分量获取不同方向对应的加速度分量,根据每个时间点的加速度分量得到每个时间点的整体加速度,以及整体加速度大小的时序图。
本实施例主要以MPU6050传感器为例,MPU6050传感器的数据写入和读取均通过其芯片内部的寄存器实现,即可以以Wire程序库来读取数据,MPU6050传感器的数据主要为:0x3B:传感器的X轴方向的数据分量ACC_X;0x3D:传感器的Y轴方向的数据分量ACC_Y;0x3F:传感器的Z轴方向的分量数据ACC_Z;其中,MPU6050传感器的读数的取值范围为[-32768,32768],数据分量取负值时表示加速度方向沿对应坐标轴的负向,数据分量取正值加速度方向沿对应坐标轴的正向,对于加速度分量,其均以重力加速度g的倍数为单位,表示加速度范围,故本实施例可以设置倍率,有4个可选倍率:2g,4g,8g,16g,用h表示倍率,其中的重力加速度g取当地重力加速度,则传感器中每个时间点对应的不同方向的数据分量获取不同方向对应的加速度分量的计算公式如下:
式中,
表示传感器中每个时间点在X轴方向的加速度分量;
ACC_X表示传感器的X轴方向的数据分量;
式中,
表示传感器中每个时间点在Y轴方向的加速度分量;
ACC_Y表示传感器的Y轴方向的数据分量;
式中,
表示传感器中每个时间点在Z轴方向的加速度分量;
ACC_Z表示传感器的Z轴方向的数据分量;
至此,即可以得到VR场景中传感器在每个时间点时,检测得到的人体在不同方向对应的加速度分量,具体的,在每个时间点对应的整体加速度时,以10ms这个时间点为例,10ms这个时间点时,在X轴方向上的加速度是-1,在Y轴方向上的加速度是1,在Z方向上的加速度是-1,那10ms这个时间点的整体加速度对应的向量就是[-1,1,-1],即整体加速度大小就是根号3,整体加速度方向就是向量方向。
具体的,获取整体加速度大小的时序图包括:以时间点为顺序为横坐标,每个时间点对应的整体加速度大小为纵坐标,得到时序图。
进一步的,由于VR场景中的人本身不存在完全静止的状态,即使原地不动,身体也会有一些微小的摆动,以及传感器本身的振动等原因,会导致人处于相对静止状态时,传感器的读数不为0,导致计算得到的整体加速度不为0,因此要对每个方向的数据分量进行预处理,具体的,预处理过程为:通过观察试验者在处于站立状态时,以1ms为间隔,读出5s内传感器的在每个方向的数据分量,计算每个方向的所有数据分量的均值,得到人处于相对静止状态时的传感器读数的偏移量,以1ms为间隔,读出需要进行分析的每个方向的原始数据分量,将原始数据分量减去偏移量,得到校正后的数据分量,根据校正后的数据分量获取不同方向对应的加速度分量,加速度分量计算公式相同,此处不在赘述。
S2、获取预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重;
具体的,人体正常运动时的加速度特点主要有以下三种:加速度逐渐增加阶段,如起跑阶段,此时加速度逐渐增加;加速度逐渐减少阶段,如跑步停止阶段,此时加速度逐渐减少;加速度处于平稳阶段,如正常走路或跑步时,速度逐渐稳定,此时加速度逐渐稳定趋近于0,根据人体正常运动时的特点,对加速度大小进行一阶差分,当一段时间内的一阶差分平稳且为正值,表示加速度处于逐渐增加阶段,当一段时间内的一阶差分平稳且为负值,表示加速度处于逐渐减少阶段,当一段时间内的一阶差分平稳且趋近于0,表示加速度处于不变阶段,故对时序图中整体加速度进行分段得到人体不同运动状态时对应的时序数据段,获取每个时序数据段中由奇数个数据点组成的多个预设数据段,其中,每个预设数据段的中心时间点不同,根据预设数据段内中心时间点的整体加速度及非中心点的整体加速,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重。
其中,对时序图中整体加速度进行分段得到人体不同运动状态时对应的时序数据
段,包括:对时序图中整体加速度进行一阶差分,然后对一阶差分进行聚类得到多个聚簇,
每个聚簇对应的时间段作为人体不同运动状态时对应的时序数据段,具体的,本实施例使
用K-means算法进行聚类,通过轮廓系数法确定最佳的K值,轮廓系数最大时K的取值即为最
佳取值,则每个聚在一起得到的聚簇表明聚簇内的一阶差分比较接近,即表明运动状态比
较接近,因此,每个聚簇对应的时间段内都代表一种运动状态,本实施例,根据经验值,当整
体加速度数值小于
时表示相对静止,对相对静止时的运动数据进行传输没有意义,
因此,可以将这部分数据剔除掉,保留处于相对运动状态时的时间段,需要说明的是,轮廓
系数法和K-means算法均为现有技术常用算法,本实施例不再赘述。
其中,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重,包括:获取中心时间点的预设数据段内非中心时间点的数量;获取预设数据段内每个非中心时间点与中心时间点对应的时间差值绝对值;根据预设数据段内非中心时间点的数量,非中心时间点与中心时间点对应的时间差值绝对值,获取每个预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重,具体的,第一影响权重的计算公式为:
式中,
表示预设数据段内除最后一个时间点外的每个非中心时间点的整体加速
度对中心时间点的整体加速度的第一影响权重;
需要说明的是,
表示非中心时间点
与中心时间点
的时间差,本实施例中,
预设数据段内的数据点为2m+1,其中,m取经验值5,以i为中心时间点时,预设数据段对应的
时间点就是从第i-m个时间点开始,到第i+m时间点结束,如果中心时间点为预设数据段内
的端点是,则第j个时间点距离中心时间点i的时间差值就是
,总距离是m,
所占的比重就是权重,当第j个时间点距离中心时间点i最近,就是相邻的时候,j=i+1或者
i-1,那
=m,除以m就得到1,就是第j个时间点和中心时间点i的运动状态的
相关性最大,当第j个时间点距离中心时间点i最远,就是j=i-m或者i+m,那
=1,就得到最小值,就是j和i这两个时间点运动状态的相关性最小,故以
表示预
设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体
加速度的第一影响权重。
S3、获取中心时间点的异常指数;
具体的,根据预设数据段内除最后一个时间点外的每个非中心时间点与其相邻的后一时间点的整体加速度变化值,以及预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对中心时间点的整体加速度的第一影响权重,获取中心时间点的异常指数。
由于,一个聚簇对应一个时序数据段,根据S1步骤即可以得到聚簇对应的时间段内各个时间点在三个方向上的加速度分量,根据时间点在三个方向上的加速度分量就可以计算得到时序数据段内各个时间点的整体加速度大小及整体加速度方向,根据各个时间点的整体加速度大小及整体加速度方向,则可以计算出两个相邻时间点之间的整体加速度变化值,由于加速度有大小和方向,因此,本实施例中计算预设数据段内每个非中心时间点与其相邻的后一时间点的整体加速度变化值包括:获取预设数据段内的非中心时间点相邻的后一时间点,与非中心时间点对应的整体加速度差值;将整体加速度差值的模的倒数作为预设数据段内每个非中心时间点与其相邻的后一时间点的整体加速度变化值,计算整体加速度变化值的公式为:
式中,
表示预设数据段内第j个非中心时间点与其相邻的后一时间点的整体加
速度变化值;
表示预设数据段内第j个非中心时间点相邻的后一时间点的整体加速度的向
量;
表示预设数据段内第j个非中心时间点的整体加速度的向量;
需要说明的是,
表示预设数据段内第j个非中心时间点相邻的后一时间
点的整体加速度的向量,与预设数据段内第j个非中心时间点的整体加速度的向量差的模,
第j个非中心时间点和第j+1个时间点的整体加速度变化值越大,
的值越小,经过
Sigmoid函数处理后,Sigmoid值越大,越接近于1,异常程度越大;时间点j和时间点j+1的整
体加速度变化越小,
的值越大,例如,如第j个非中心时间点相邻的后一时间点的整体加
速度的向量为
,预设数据段内第j个非中心时间点的整体加速度的向量为
,则
,
。
其中,中心时间点的异常指数的计算公式为:
表示预设数据段内除最后一个时间点外的每个非中心时间点的整体加速度对
中心时间点的整体加速度的第一影响权重;
表示预设数据段内除最后一个时间点外的非中心时间点
与其相邻的后一时
间点的整体加速度变化值的倒数;
e表示自然常数;
需要说明的是,本实施例中,预设数据段为2m,以时间点i为中心时间点时,预设数
据段就是从第i-m个时间点开始,到第i+m时间点结束,如果中心时间点为预设数据段内的
端点时,无法获得以时间点i为中心时间点的预设数据段,故时间点i的取值范围为L-m到L+
m,其中,L表示时间点i所在预设数据段的时间点的数量,则整体加速度变化值的越大,预设
数据段内的中心时间点的异常指数越大,即,整体加速度变化值的倒数越小,预设数据段内
的中心时间点的异常指数越大,预设数据段内除最后一个时间点外的每个非中心时间点的
整体加速度对中心时间点的整体加速度的第一影响权重越大,则说明预设数据段内的中心
时间点的异常指数越大,故在异常指数越大时,更易得到在中心时间点时的整体加速度的
异常程度,其次,求和公式上标
表示的非中心时间点
的选取范围,为了防止预设
数据段内的最后一个时间点之后不存在时间,故将预设数据段内的最后一个非中心点除
外,计算其他非中心点与其相邻的后一时间点的整体加速度变化值。
S4、获取中心时间点在每个方向上的局部异常指数;
具体的,根据非中心时间点、非中心时间点相邻的后一时间点对应的每个方向的加速度分量占整体加速度的比值,获取中心时间点在每个对应的方向上的目标权重;根据中心时间点的异常指数,及中心时间点在每个方向上的目标权重,获取中心时间点在每个方向上的局部异常指数。
其中,中心时间点在每个对应的方向上的目标权重的计算公式:
式中,
表示中心时间点
在方向
上的目标权重,其中,方向
为中心时间点
的各个加速度分量对应的方向,即X轴方向,Y轴方向,Z轴方向;
表示第
个非中心时间点在方向
上的加速度分量对中心时间点
在对应的方
向
上的子影响权重,由于第
个非中心时间点距离中心时间点
越远,说明其越不重要,故
子影响权重越小,即第
个非中心时间点对中心时间点
在f方向上加速度的影响越小,因
此,子影响权重的计算方法和第一影响权重计算方法相同;
表示中心时间点
所对应的预设数据段内第
个非中心时间点在方向
上
的加速度分量;
表示中心时间点
所对应的预设数据段内第
个非中心时间点在方向
上的加
速度分量;
表示中心时间点
所对应的预设数据段内第
个非中心时间点的整体加速度;
表示中心时间点
所对应的预设数据段内第
个非中心时间点的整体加
速度;
需要说明的是,
表示第
个非中心时间点在方向
上的加速度分量占第
个非中心时间点的整体加速度的比值,即用来表征第
个非中心时间点的整体加
速度受在方向
上的加速度分量的影响程度,
表示第
个非中心时间点在方向
上的加速
度分量占第
个非中心时间点的整体加速度的比值,即用来表征第
个非中心时间点的整体
加速度受在方向
上的加速度分量的影响程度,在方向
影响程度越大时,即中心点在方向
的目标权重越大。
具体的,获取中心时间点在每个方向上的局部异常指数包括:获取中心时间点的异常指数,与中心时间点在每个方向上对应的目标权重的乘积;将异常指数与中心时间点在每个方向上对应的目标权重的乘积,作为中心时间点在每个方向上的局部异常指数。
S5、获取每个中心时间点在每个方向上的整体加速度的异常程度;
具体的,根据S4步骤得到的中心时间点在各个方向上的局部异常指数,局部异常指数越大,则越能说明加速度异常的可能性越大,根据经验表明,当人的运动状态发生改变2秒后,与2秒前的运动状态不再具有相关性,因此,将各个中心时间点在各个方向的加速度分量,逐个放入时间间隔不超过2秒且处于相邻的时序数据段内,分析相邻时序数据段在中心时间点放入前后的异常程度的变化情况,即将每个中心时间点放入相邻的后一个时序数据段内得到目标时序数据段,根据目标时序数据段内时间点的数量,时间点的整体加速度方向以及整体加速度大小,获取每个中心时间点在每个方向上的整体加速度的异常程度。
具体的,获取每个中心时间点在每个方向上的整体加速度的异常程度,包括:根据中心点对应的目标时序数据段内每两个相邻的时间点的整体加速度方向的夹角,获取每两个相邻的时间点的整体加速度方向的变化异常值;根据中心时间点对应的目标时序数据段内的每两个相邻的时间点对应的整体加速度大小差值,以及每两个相邻的时间点的整体加速度方向的变化异常值,获取中心时间点放入其相邻的后一个时序数据段内后的整体加速度的异常变化程度;根据中心时间点相邻的后一个时序数据段内每个时间点在每个方向上的第一加速度标准差,以及中心时间点放入其相邻的后一个时序数据段内后的目标时序数据段内的每个时间点在每个方向上的第二加速度标准差,获取中心时间点在每个方向上加速度分量对相邻的后一个时序数据段内的对应方向上的第二影响权重;根据第二影响权重和异常变化程度,获取中心时间点在每个方向上的整体加速度的异常程度。
其中,中心时间点放入其相邻的后一个时序数据段内后的整体加速度的异常变化程度的计算公式为:
式中,
表示中心时间点
放入其相邻的后一个时序数据段内后的整体加速度的
异常变化程度;
表示中心时间点
放入其相邻的后一个时序数据段内后得到的目标时序数据段
内的时间点数量;
表示中心时间点
相邻的时序数据段内的第
个时间点,与其相邻的后一个时
间点的整体加速度方向的变化异常值;
表示中心时间点
的目标时序数据段内的第
个时间点,与其相邻的后一个时
间点的整体加速度方向的变化异常值;
表示中心时间点
相邻的时序数据段内的第
个时间点的整体加速度
大小,即整体加速度对应的向量的模;
表示中心时间点
的目标时序数据段内的第
个时间点的整体加速度
大小,即整体加速度对应的向量的模;
表示中心时间点
相邻的时序数据段内的第
个时间点的整体加速度大小,
即整体加速度对应的向量的模;
表示中心时间点
的目标时序数据段内的第
个时间点的整体加速度大小,
即整体加速度对应的向量的模;
需要说明的是,
表示中心时间点
放入其相邻的时序数据段前,相邻时序数据段内的整体加速度的异常变化程度,
表示中心时间点
放入其相邻的时序数据段后,目
标时序数据段内的整体加速度的异常变化程度,不论是在中心时间点
的目标时序数据段
内,还是在中心时间点
相邻的时序数据段内,时序数据段内的两个相邻时间点的整体加速
度方向的变化异常值越大,则时序数据段内的整体加速度的异常变化程度越大,整体加速
度方向的变化异常值越小,时序数据段内的整体加速度的异常变化程度越低,当两个相邻
时间点的整体加速度大小的差值绝对值越大,则异常变化程度越高大,
表
示相邻两个时间点的整体加速度大小的差值绝对值,例如
,
,则
,
,
,为防止出现正负数的交替抵消真实
的变化情况,因此,对其取绝对值后加1再进行对数函数计算,保证结果均为正数,故,以目
标时序数据段内的整体加速度的异常变化程度,与相邻时序数据段内的整体加速度的异常
变化程度比值作为中心时间点放入其相邻的后一个时序数据段内后的整体加速度的异常
变化程度,异常变化程度比值越小,说明放入中心时间点后时序数据段的变化越不大,即整
体加速度的异常变化程度越小,反之,则越大。
其中,每两个相邻的时间点的整体加速度方向的变化异常值的计算公式为:
式中,
表示第
个时间点与其相邻的第
个时间点的整体加速度方向的变化
异常值;
表示第
个时间点与其相邻的第
个时间点的整体加速度方向的夹角;
需要说明的是,两个相邻时间点的整体加速度方向的夹角
越大,表明两个时间
点的整体加速度方向的变化异常值越大。
具体的,获取中心时间点在每个方向上的整体加速度的异常程度,包括:将中心时间点放入其相邻的后一个时序数据段内后的整体加速度的异常变化程度,与中心时间点在每个方向上加速度分量对相邻的后一个时序数据段内的对应方向上的第二影响权重的乘积作为中心时间点在每个方向上的整体加速度的异常程度,中心时间点在每个方向上的整体加速度的异常程度计算公式为:
式中,
表示中心时间点
在方向
上的整体加速度的异常程度;
表示中心时间点
在方向
上的加速度分量对相邻的后一个时序数据段内的
对应方向上的第二影响权重;
表示中心时间点
放入其相邻的后一个时序数据段内后的整体加速度的异常
变化程度。
需要说明的是,异常变化程度越大,第二影响权重越大,则中心时间点在对应方向上的整体加速度的异常程度就越大。
S6、确定异常方向,将异常方向对应的数据分量剔除,并进行传输。
具体的,根据中心时间点在每个方向上的整体加速度的异常程度,及对应的方向上的局部异常指数,得到中心时间点在每个方向上的总体异常程度,根据总体异常程度确定异常方向,将异常方向对应的数据分量剔除,并进行传输。
其中,中心时间点在每个方向上的总体异常程度的计算公式为:
表示中心时间点
在方向
上的局部异常指数,
表示归一化
函数,即局部异常指数取值在0到1;
需要说明的是,中心时间点在每个方向上对应的局部异常指数越大,且对应的整体加速度的异常程度越大,则中心时间点在每个方向的总体异常程度就越大。
其中,根据总体异常程度确定异常方向,将异常方向对应的数据分量剔除,并进行传输,本实施例取预设的总体异常程度阈值为0.85,将总体异常程度大于预设的总体异常程度阈值时对应的方向作为异常方向,然后将在此时间点对应的异常方向的数据分量剔除,基于此,将所有时间点的异常方向的数据分量剔除,得到最终数据,将最终数据剔除,从而实现将异常方向的数据分量剔除,避免无效数据的传输以及异常方向的数据对AR场景构建的影响,提高AR模型的准确性,同时降低传感器的功耗,进而降低器件的发热问题,使用时间更久,用户体验更佳。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。