CN116028556B - 一种ar终端系统传输数据智能处理方法 - Google Patents

一种ar终端系统传输数据智能处理方法 Download PDF

Info

Publication number
CN116028556B
CN116028556B CN202310307957.XA CN202310307957A CN116028556B CN 116028556 B CN116028556 B CN 116028556B CN 202310307957 A CN202310307957 A CN 202310307957A CN 116028556 B CN116028556 B CN 116028556B
Authority
CN
China
Prior art keywords
time point
central
acceleration
point
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.)
Active
Application number
CN202310307957.XA
Other languages
English (en)
Other versions
CN116028556A (zh
Inventor
徐国栋
郭延海
刘潇楠
公丕波
李志安
林道程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Sizhe Wuyu Software Technology Co ltd
Original Assignee
Shandong Wujie Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Wujie Intelligent Technology Co ltd filed Critical Shandong Wujie Intelligent Technology Co ltd
Priority to CN202310307957.XA priority Critical patent/CN116028556B/zh
Publication of CN116028556A publication Critical patent/CN116028556A/zh
Application granted granted Critical
Publication of CN116028556B publication Critical patent/CN116028556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种AR终端系统传输数据智能处理方法，该方法包括：获取时序图，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，获取中心时间点的异常指数，获取中心时间点在每个方向上的局部异常指数，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，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，本发明提高了异常数据判断的准确率。

Description

一种AR终端系统传输数据智能处理方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种AR终端系统传输数据智能处理方法。
背景技术
在AR终端系统中，内置有运动传感器，通过将运动传感器获得的数据传输到云端，分析人当前的行为，并将分析结果传回AR终端系统，使AR终端系统显示出合适的结果。
MPU6050是一种非常流行的空间运动传感器芯片，由于其体积小巧、功能强大、精度较高，常常被用于AR设备传感器中，MPU6050芯片中自带数据处理子模块DMP，可以进行数据传输，但是AR设备传感器时时刻刻都在捕捉运动数据，如果将所有数据都传输到云端，则传输效率会降低，且会带来发热的问题，影响芯片的使用寿命，同时设备发热影响用户体验，因此要对数据进行筛选，剔除异常数据即无效数据，只对有效数据进行传输，避免数据异常导致对运动状态的分析不准确，同时在一定程度上降低发热量，延长芯片的使用寿命及增强用户的体验。
现有技术在运动传感器所获数据的处理过程中，暂无能够准确识别异常数据的方法，这是由于运动本身的不规律性导致的，只要能描述出人正常的运动过程，就是正常点，无法描述人正常的运动过程，就是异常点，但是，如果人在走路时，突然扭头，而且在整个过程中可能就扭头一次，从数据上来看，扭头的这个时间点上的数据可能是异常的，因为就出现了一次，且与其他数据的整体趋势相差较大，但实际上并不能将扭头这个时间点的数据视为异常数据，因为该数据准确描述了人的运动状态，因此，现有的技术会对异常数据的识别不准确，从而导致影响AR场景的构建。
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：
Figure SMS_1
式中，
Figure SMS_2
表示预设数据段内的中心时间点
Figure SMS_3
的异常指数；
Figure SMS_4
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；
Figure SMS_5
表示预设数据段内除最后一个时间点外的非中心时间点
Figure SMS_6
与其相邻的后一时 间点的整体加速度变化值的倒数；
Figure SMS_7
表示预设数据段内非中心时间点的总数量；
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：
Figure SMS_8
式中，
Figure SMS_9
表示中心时间点
Figure SMS_10
在方向
Figure SMS_11
上的目标权重，其中，方向
Figure SMS_12
为中心时间点
Figure SMS_13
的各个加速度分量对应的方向；
Figure SMS_14
表示第
Figure SMS_15
个非中心时间点在方向
Figure SMS_16
上的加速度分量对中心时间点
Figure SMS_17
在对应的方 向
Figure SMS_18
上的子影响权重；
Figure SMS_19
表示中心时间点
Figure SMS_20
所对应的预设数据段内第
Figure SMS_21
个非中心时间点在方向
Figure SMS_22
上 的加速度分量；
Figure SMS_23
表示中心时间点
Figure SMS_24
所对应的预设数据段内第
Figure SMS_25
个非中心时间点在方向
Figure SMS_26
上的加 速度分量；
Figure SMS_27
表示中心时间点
Figure SMS_28
所对应的预设数据段内第
Figure SMS_29
个非中心时间点的整体加速度；
Figure SMS_30
表示中心时间点
Figure SMS_31
所对应的预设数据段内第
Figure SMS_32
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。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种AR终端系统传输数据智能处理方法的实施例的流程图。
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。
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：
Figure SMS_33
式中，
Figure SMS_34
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；
Figure SMS_35
表示倍率；
Figure SMS_36
式中，
Figure SMS_37
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；
Figure SMS_38
表示倍率；
Figure SMS_39
式中，
Figure SMS_40
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；
Figure SMS_41
表示倍率；
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
Figure SMS_42
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：
Figure SMS_43
式中，
Figure SMS_44
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；
Figure SMS_45
表示预设数据段内非中心时间点的总数量的一半；
Figure SMS_46
表示预设数据段内非中心时间点
Figure SMS_47
对应的时间值；
Figure SMS_48
表示预设数据段内中心时间点
Figure SMS_49
对应的时间值；
需要说明的是，
Figure SMS_50
表示非中心时间点
Figure SMS_51
与中心时间点
Figure SMS_52
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
Figure SMS_53
，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
Figure SMS_54
=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
Figure SMS_55
=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
Figure SMS_56
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：
Figure SMS_57
式中，
Figure SMS_58
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；
Figure SMS_59
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；
Figure SMS_60
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，
Figure SMS_61
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，
Figure SMS_62
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，
Figure SMS_63
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
Figure SMS_64
，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
Figure SMS_65
，则
Figure SMS_66
，
Figure SMS_67
。
其中，中心时间点的异常指数的计算公式为：
Figure SMS_68
式中，
Figure SMS_69
表示预设数据段内的中心时间点
Figure SMS_70
的异常指数；
Figure SMS_71
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；
Figure SMS_72
表示预设数据段内除最后一个时间点外的非中心时间点
Figure SMS_73
与其相邻的后一时 间点的整体加速度变化值的倒数；
Figure SMS_74
表示预设数据段内非中心时间点的总数量；
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
Figure SMS_75
表示的非中心时间点
Figure SMS_76
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：
Figure SMS_77
式中，
Figure SMS_78
表示中心时间点
Figure SMS_79
在方向
Figure SMS_80
上的目标权重，其中，方向
Figure SMS_81
为中心时间点
Figure SMS_82
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；
Figure SMS_85
表示第
Figure SMS_87
个非中心时间点在方向
Figure SMS_89
上的加速度分量对中心时间点
Figure SMS_84
在对应的方 向
Figure SMS_88
上的子影响权重，由于第
Figure SMS_90
个非中心时间点距离中心时间点
Figure SMS_91
越远，说明其越不重要，故 子影响权重越小，即第
Figure SMS_83
个非中心时间点对中心时间点
Figure SMS_86
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；
Figure SMS_92
表示中心时间点
Figure SMS_93
所对应的预设数据段内第
Figure SMS_94
个非中心时间点在方向
Figure SMS_95
上 的加速度分量；
Figure SMS_96
表示中心时间点
Figure SMS_97
所对应的预设数据段内第
Figure SMS_98
个非中心时间点在方向
Figure SMS_99
上的加 速度分量；
Figure SMS_100
表示中心时间点
Figure SMS_101
所对应的预设数据段内第
Figure SMS_102
个非中心时间点的整体加速度；
Figure SMS_103
表示中心时间点
Figure SMS_104
所对应的预设数据段内第
Figure SMS_105
个非中心时间点的整体加 速度；
需要说明的是，
Figure SMS_107
表示第
Figure SMS_113
个非中心时间点在方向
Figure SMS_117
上的加速度分量占第
Figure SMS_108
个非中心时间点的整体加速度的比值，即用来表征第
Figure SMS_111
个非中心时间点的整体加 速度受在方向
Figure SMS_115
上的加速度分量的影响程度，
Figure SMS_118
表示第
Figure SMS_106
个非中心时间点在方向
Figure SMS_110
上的加速 度分量占第
Figure SMS_114
个非中心时间点的整体加速度的比值，即用来表征第
Figure SMS_119
个非中心时间点的整体 加速度受在方向
Figure SMS_109
上的加速度分量的影响程度，在方向
Figure SMS_112
影响程度越大时，即中心点在方向
Figure SMS_116
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：
Figure SMS_120
式中，
Figure SMS_121
表示中心时间点
Figure SMS_122
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；
Figure SMS_123
表示中心时间点
Figure SMS_124
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；
Figure SMS_125
表示中心时间点
Figure SMS_126
相邻的时序数据段内的第
Figure SMS_127
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；
Figure SMS_128
表示中心时间点
Figure SMS_129
的目标时序数据段内的第
Figure SMS_130
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；
Figure SMS_131
表示中心时间点
Figure SMS_132
相邻的时序数据段内的第
Figure SMS_133
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；
Figure SMS_134
表示中心时间点
Figure SMS_135
的目标时序数据段内的第
Figure SMS_136
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；
Figure SMS_137
表示中心时间点
Figure SMS_138
相邻的时序数据段内的第
Figure SMS_139
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；
Figure SMS_140
表示中心时间点
Figure SMS_141
的目标时序数据段内的第
Figure SMS_142
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；
Figure SMS_143
表示以自然常数为底的对数函数；
需要说明的是，
Figure SMS_145
表示中心时间点
Figure SMS_150
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，
Figure SMS_152
表示中心时间点
Figure SMS_147
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
Figure SMS_149
的目标时序数据段 内，还是在中心时间点
Figure SMS_153
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，
Figure SMS_155
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
Figure SMS_144
，
Figure SMS_148
，则
Figure SMS_151
，
Figure SMS_154
，
Figure SMS_146
，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：
Figure SMS_156
式中，
Figure SMS_157
表示第
Figure SMS_158
个时间点与其相邻的第
Figure SMS_159
个时间点的整体加速度方向的变化 异常值；
Figure SMS_160
表示第
Figure SMS_161
个时间点与其相邻的第
Figure SMS_162
个时间点的整体加速度方向的夹角；
Figure SMS_163
表示非零常数，取经验值30°；
需要说明的是，两个相邻时间点的整体加速度方向的夹角
Figure SMS_164
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：
Figure SMS_165
式中，
Figure SMS_166
表示中心时间点
Figure SMS_167
在方向
Figure SMS_168
上的整体加速度的异常程度；
Figure SMS_169
表示中心时间点
Figure SMS_170
在方向
Figure SMS_171
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；
Figure SMS_172
表示中心时间点
Figure SMS_173
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：
Figure SMS_174
式中，
Figure SMS_175
表示中心时间点
Figure SMS_176
在方向
Figure SMS_177
上的总体异常程度；
Figure SMS_178
表示中心时间点
Figure SMS_179
在方向
Figure SMS_180
上的整体加速度的异常程度；
Figure SMS_181
表示中心时间点
Figure SMS_182
在方向
Figure SMS_183
上的局部异常指数，
Figure SMS_184
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。

Claims (8)

1.一种AR终端系统传输数据智能处理方法，其特征在于，包括：
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；
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；
第一影响权重的计算公式为：
Figure QLYQS_1
式中，
Figure QLYQS_2
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；
Figure QLYQS_3
表示预设数据段内非中心时间点的总数量的一半；
Figure QLYQS_4
表示预设数据段内非中心时间点/>
Figure QLYQS_5
对应的时间值；
Figure QLYQS_6
表示预设数据段内中心时间点/>
Figure QLYQS_7
对应的时间值；
Figure QLYQS_8
表示非中心时间点/>
Figure QLYQS_9
与中心时间点/>
Figure QLYQS_10
的时间差；
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；
获取中心时间点在每个对应的方向上的目标权重，包括：
Figure QLYQS_11
/>
式中，
Figure QLYQS_12
表示中心时间点/>
Figure QLYQS_13
在方向/>
Figure QLYQS_14
上的目标权重，其中，方向/>
Figure QLYQS_15
为中心时间点/>
Figure QLYQS_16
的各个加速度分量对应的方向；
Figure QLYQS_17
表示第/>
Figure QLYQS_18
个非中心时间点在方向/>
Figure QLYQS_19
上的加速度分量对中心时间点/>
Figure QLYQS_20
在对应的方向/>
Figure QLYQS_21
上的子影响权重；
Figure QLYQS_22
表示中心时间点/>
Figure QLYQS_23
所对应的预设数据段内第/>
Figure QLYQS_24
个非中心时间点在方向/>
Figure QLYQS_25
上的加速度分量；
Figure QLYQS_26
表示中心时间点/>
Figure QLYQS_27
所对应的预设数据段内第/>
Figure QLYQS_28
个非中心时间点在方向/>
Figure QLYQS_29
上的加速度分量；
Figure QLYQS_30
表示中心时间点/>
Figure QLYQS_31
所对应的预设数据段内第/>
Figure QLYQS_32
个非中心时间点的整体加速度；
Figure QLYQS_33
表示中心时间点/>
Figure QLYQS_34
所对应的预设数据段内第/>
Figure QLYQS_35
个非中心时间点的整体加速度；
将每个中心时间点放入相邻的后一个时序数据段后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。
2.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，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。
3.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，获取中心时间点的异常指数，包括：
Figure QLYQS_36
式中，
Figure QLYQS_37
表示预设数据段内的中心时间点/>
Figure QLYQS_38
的异常指数；
Figure QLYQS_39
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；
Figure QLYQS_40
表示预设数据段内除最后一个时间点外的非中心时间点/>
Figure QLYQS_41
与其相邻的后一时间点的整体加速度变化值的倒数；
Figure QLYQS_42
表示预设数据段内非中心时间点的总数量；
e表示自然常数；
Figure QLYQS_43
表示预设数据段内非中心时间点的总数量的一半。
4.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，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。
5.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，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。
6.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，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。
7.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，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。
8.根据权利要求1所述的一种AR终端系统传输数据智能处理方法，其特征在于，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。
CN202310307957.XA 2023-03-28 2023-03-28 一种ar终端系统传输数据智能处理方法 Active CN116028556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310307957.XA CN116028556B (zh) 2023-03-28 2023-03-28 一种ar终端系统传输数据智能处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310307957.XA CN116028556B (zh) 2023-03-28 2023-03-28 一种ar终端系统传输数据智能处理方法

Publications (2)

Publication Number Publication Date
CN116028556A CN116028556A (zh) 2023-04-28
CN116028556B true CN116028556B (zh) 2023-06-09

Family

ID=86089567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310307957.XA Active CN116028556B (zh) 2023-03-28 2023-03-28 一种ar终端系统传输数据智能处理方法

Country Status (1)

Country Link
CN (1) CN116028556B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017156835A1 (zh) * 2016-03-18 2017-09-21 深圳大学 健身姿势识别、评估、预警和强度估算的智能方法及系统
CN111902695A (zh) * 2018-08-08 2020-11-06 华为技术有限公司 一种获取用户运动轨迹的方法及终端
CN115326165A (zh) * 2022-10-12 2022-11-11 山东特联信息科技有限公司 罐车远程监控系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104125337B (zh) * 2014-07-22 2016-08-31 厦门美图移动科技有限公司 一种智能手机的跌倒检测和报警方法
JP2017067586A (ja) * 2015-09-30 2017-04-06 株式会社豊田自動織機 異常診断装置
JP6105141B1 (ja) * 2016-09-30 2017-03-29 株式会社日立パワーソリューションズ プリプロセッサおよび診断装置
US11426627B2 (en) * 2017-08-23 2022-08-30 Huawei Technologies Co., Ltd. Method and apparatus for counting foot step based on acceleration information, and device
CN111964668B (zh) * 2020-08-12 2022-05-10 中移（杭州）信息技术有限公司 物品状态的检测方法及装置
CN112113581B (zh) * 2020-10-26 2024-03-08 平安科技（深圳）有限公司 异常计步识别方法、计步方法、装置、设备及介质
CN115352977A (zh) * 2022-09-30 2022-11-18 希格迈电梯科技(南通)有限公司 一种高层电梯运行异常报警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017156835A1 (zh) * 2016-03-18 2017-09-21 深圳大学 健身姿势识别、评估、预警和强度估算的智能方法及系统
CN111902695A (zh) * 2018-08-08 2020-11-06 华为技术有限公司 一种获取用户运动轨迹的方法及终端
CN115326165A (zh) * 2022-10-12 2022-11-11 山东特联信息科技有限公司 罐车远程监控系统

Also Published As

Publication number Publication date
CN116028556A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN112188531B (zh) 异常检测方法、装置、电子设备及计算机存储介质
CN105675038A (zh) 一种仪表的故障预测装置
CN109359873B (zh) 一种基于pca-t2的滚珠丝杠副健康评估方法
CN112215120B (zh) 视觉搜索区域的确定方法、装置及驾驶模拟器
CN109623489B (zh) 一种改进的机床健康状态评定方法及数控机床
CN116320042B (zh) 边缘计算的物联终端监测控制系统
CN113526282B (zh) 一种电梯中长期老化故障诊断方法、装置、介质和设备
CN117421610B (zh) 一种用于电能表运行状态预警的数据异常分析方法
CN115082920A (zh) 深度学习模型的训练方法、图像处理方法和装置
CN114580572B (zh) 一种异常值的识别方法、装置、电子设备及存储介质
CN112955837A (zh) 异常诊断装置、异常诊断方法、及程序
CN114491383A (zh) 桥梁监测的异常数据处理方法及系统
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN116028556B (zh) 一种ar终端系统传输数据智能处理方法
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN116522096B (zh) 基于动作捕捉的三维数字孪生内容智能制作方法
CN116680567A (zh) 一种风力发电机的缺失状态变量填补方法及装置
CN111091243A (zh) 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备
CN116028885A (zh) 基于信道状态信息的跌倒检测方法、系统、设备及介质
CN113052256B (zh) 一种风向聚类方法、装置及电子设备
CN114355234A (zh) 一种电源模块的智能化质量检测方法及系统
CN113361932A (zh) 一种计量设备检定流水线预警方法、装置、设备及介质
CN114531368A (zh) 一种网络质量评价方法、装置和设备
CN117609929B (zh) 基于大数据的工业生产线故障在线诊断方法及系统
CN117393109B (zh) 场景自适应的饮食监控方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240305

Address after: Room 4002-47, 4th Floor, Building M7, JD Digital Economy Industrial Park, Cuizhai Street, Qiqu District, Jinan City, Shandong Province, 250000

Patentee after: Jinan Sizhe Wuyu Software Technology Co.,Ltd.

Country or region after: China

Address before: 403, Unit 1, No. 6997 Second Ring East Road, Lixia District, Jinan City, Shandong Province, 250000

Patentee before: Shandong WuJie Intelligent Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right