CN116541668B - 一种游泳划水次数确定方法、装置、设备及存储介质 - Google Patents
一种游泳划水次数确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116541668B CN116541668B CN202310823101.8A CN202310823101A CN116541668B CN 116541668 B CN116541668 B CN 116541668B CN 202310823101 A CN202310823101 A CN 202310823101A CN 116541668 B CN116541668 B CN 116541668B
- Authority
- CN
- China
- Prior art keywords
- data
- particles
- particle
- sampling
- swimming
- 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
Links
- 230000009182 swimming Effects 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000002245 particle Substances 0.000 claims abstract description 489
- 238000005070 sampling Methods 0.000 claims abstract description 235
- 230000009471 action Effects 0.000 claims abstract description 98
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009192 sprinting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供一种游泳划水次数确定方法、装置、设备及存储介质，涉及信息融合技术领域。该方法包括：根据目标时段中的多个采样时刻的游泳动作数据以及采样时刻的前后采样时刻的游泳动作数据，确定各采样时刻对应的振幅状态，进而基于预先设定的参考波形对多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子；根据各数据粒子包括的游泳动作数据，确定各数据粒子的可信度；根据预设的时间阈值以及各数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并；若进行合并，则根据合并数据粒子的可信度，确定在目标时段内的划水次数。这样可以减少估计得到的游泳划水次数与实际的游泳划水次数之间的偏差。
Description
技术领域
本申请涉及信息融合技术领域，具体而言，涉及一种游泳划水次数确定方法、装置及存储介质。
背景技术
随着科技不断进步，越来越多的技术应用在游泳运动中，其中对于游泳划水次数的估计尤为重要，可根据估计得到的游泳划水次数进一步判断用户的游泳姿势。现有方式虽然可以实现对游泳划水次数进行估计，但是估计得到的游泳划水次数与实际的游泳划分次数之间有较大的偏差。所以，如何减少估计得到的游泳划水次数与实际的游泳划水次数之间的偏差是当前亟待解决的技术问题。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种游泳划水次数确定方法、装置、设备及存储介质，可以减少估计得到的游泳划水次数与实际的游泳划水次数之间的偏差。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种游泳划水次数确定方法，所述方法包括：
获取目标时段中多个采样时刻的游泳动作数据；
根据各所述采样时刻的游泳动作数据以及所述采样时刻的前后采样时刻的游泳动作数据，确定各所述采样时刻对应的振幅状态，所述振幅状态为波谷状态或波峰状态；
基于预先设定的参考波形以及各所述采样时刻对应的振幅状态，对所述多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子；
根据各所述数据粒子包括的游泳动作数据，确定各所述数据粒子的可信度，所述可信度用于表征划水发生的可能性；
根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并；
若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在所述目标时段内的划水次数。
可选地，所述根据各所述采样时刻的游泳动作数据以及所述采样时刻的前后采样时刻的游泳动作数据，确定各所述采样时刻对应的振幅状态，包括：
分别将待测采样时刻的游泳动作数据与前采样时刻的游泳动作数据、后采样时刻的游泳动作数据进行比对，得到所述待测采样时刻对应的前比较结果和后比较结果，所述待测采样时刻为所述多个采样时刻中的任一采样时刻；
根据所述前比较结果以及所述后比较结果，确定所述待测采样时刻的振幅状态。
可选地，所述基于参考波形以及各所述采样时刻对应的振幅状态，对所述多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子，包括：
根据所述参考波形对应的采样点个数对所述数据序列进行遍历；
针对当前遍历到的待划分数据段，确定所述待划分数据段中包括的各所述采样时刻对应的振幅状态形成的波形是否为所述参考波形；
若是，则将所述待划分数据段作为一个所述数据粒子，并从所述待划分数据段的下一采样时刻的游泳动作数据进行遍历。
可选地，所述根据各所述数据粒子包括的游泳动作数据，确定各所述数据粒子的可信度，包括：
根据各所述数据粒子包括的游泳动作数据以及预设先验权重，确定各所述数据粒子对应的粒子参数集合，所述粒子参数集合中包括：初始权重、初始幅度；
根据各所述数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对所述粒子参数集合中的初始权重进行更新，得到各所述数据粒子的可信度。
可选地，所述根据各所述数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对所述粒子参数集合中的初始权重进行更新，得到各所述数据粒子的可信度，包括：
分别将各所述数据粒子对应的粒子参数集合中的初始幅度和所述预设幅度阈值作为预设幅度函数的输入参数，计算得到各所述数据粒子对应的幅度参数；
分别将各所述数据粒子对应的粒子参数集合中的初始权重和所述幅度参数以及所述预设幅度阈值、所述预设检测概率和所述预设杂波强度输入预设权重更新函数中，计算得到各所述数据粒子的可信度。
可选地，所述根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并之前，所述方法还包括：
将各所述数据粒子的可信度与预设阈值进行比较，得到比较结果；
根据所述比较结果，从各所述数据粒子中筛选出至少一个中间数据粒子。
可选地，所述根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并，包括：
根据待合并的相邻中间数据粒子中的各中间数据粒子对应的中间采样时刻，确定待合并的相邻中间数据粒子之间的时间间隔；
将所述时间间隔与所述时间阈值进行比较，确定是否对所述待合并的相邻中间数据粒子进行合并。
可选地，所述将所述时间间隔与所述时间阈值进行比较，确定是否对所述待合并的相邻中间数据粒子进行合并，包括：
根据待合并的相邻中间数据粒子中的各中间数据粒子的长度，确定待处理中间数据粒子，所述待处理中间数据粒子的长度大于相邻的中间数据粒子的长度；
根据所述待处理中间数据粒子中的波峰对应的位置对所述待处理中间数据粒子进行长度更新，得到更新后中间数据粒子；
根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据、与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述待合并的相邻中间数据粒子的相关性；
根据所述待合并的相邻中间数据粒子的相关性对所述时间阈值进行更新，得到更新后时间阈值；
根据所述更新后时间阈值以及所述时间间隔，确定是否对所述待合并的相邻中间数据粒子进行合并。
可选地， 所述根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据、与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述待合并的相邻中间数据粒子的相关性，包括：
根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据，确定所述更新后中间数据粒子对应的均值以及协方差；
根据与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述相邻的中间数据粒子对应的均值以及协方差；
根据所述更新后中间数据粒子对应的均值以及协方差以及所述相邻的中间数据粒子对应的均值以及协方差，确定所述待合并的相邻中间数据粒子的相关性。
可选地，所述根据所述待合并的相邻中间数据粒子的相关性对所述时间阈值进行更新，得到更新后时间阈值，包括：
根据所述更新后中间数据粒子对应的协方差、所述相邻的中间数据粒子对应的协方差以及预设调节参数，确定目标调节参数；
将所述时间阈值与所述目标调节参数相乘，得到更新后时间阈值。
可选地， 所述若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在所述目标时段内的划水次数，包括：
若确定对相邻数据粒子进行合并，则得到至少一个合并后数据粒子；
分别将各所述合并数据粒子中包括的数据粒子对应的可信度相加，得到各所述合并数据粒子的总可信度；
根据各所述合并数据粒子的总可信度、预设检测概率以及预设可信度，确定在所述目标时段内的划水次数。
第二方面，本申请实施例还提供了一种游泳划水次数确定装置，所述装置包括：
获取模块，用于获取目标时段中多个采样时刻的游泳动作数据；
第一确定模块，用于根据各所述采样时刻的游泳动作数据以及所述采样时刻的前后采样时刻的游泳动作数据，确定各所述采样时刻对应的振幅状态，所述振幅状态为波谷状态或波峰状态；
划分模块，用于基于预先设定的参考波形以及各所述采样时刻对应的振幅状态，对所述多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子；
第二确定模块，用于根据各所述数据粒子包括的游泳动作数据，确定各所述数据粒子的可信度，所述可信度用于表征划水发生的可能性；
第三确定模块，用于根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并；
第四确定模块，用于若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在所述目标时段内的划水次数。
可选地，第一确定模块，具体用于分别将待测采样时刻的游泳动作数据与前采样时刻的游泳动作数据、后采样时刻的游泳动作数据进行比对，得到所述待测采样时刻对应的前比较结果和后比较结果，所述待测采样时刻为所述多个采样时刻中的任一采样时刻；根据所述前比较结果以及所述后比较结果，确定所述待测采样时刻的振幅状态。
可选地，划分模块，具体用于根据所述参考波形对应的采样点个数对所述数据序列进行遍历；针对当前遍历到的待划分数据段，确定所述待划分数据段中包括的各所述采样时刻对应的振幅状态形成的波形是否为所述参考波形；若是，则将所述待划分数据段作为一个所述数据粒子，并从所述待划分数据段的下一采样时刻的游泳动作数据进行遍历。
可选地，第二确定模块，具体用于根据各所述数据粒子包括的游泳动作数据以及预设先验权重，确定各所述数据粒子对应的粒子参数集合，所述粒子参数集合中包括：初始权重、初始幅度；根据各所述数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对所述粒子参数集合中的初始权重进行更新，得到各所述数据粒子的可信度。
可选地，第二确定模块，还具体用于分别将各所述数据粒子对应的粒子参数集合中的初始幅度和所述预设幅度阈值作为预设幅度函数的输入参数，计算得到各所述数据粒子对应的幅度参数；分别将各所述数据粒子对应的粒子参数集合中的初始权重和所述幅度参数以及所述预设幅度阈值、所述预设检测概率和所述预设杂波强度输入预设权重更新函数中，计算得到各所述数据粒子的可信度。
可选地，所述装置还包括：筛选模块；
所述筛选模块，用于将各所述数据粒子的可信度与预设阈值进行比较，得到比较结果；根据所述比较结果，从各所述数据粒子中筛选出至少一个中间数据粒子。
可选地，第三确定模块，还具体用于根据待合并的相邻中间数据粒子中的各中间数据粒子对应的中间采样时刻，确定待合并的相邻中间数据粒子之间的时间间隔；将所述时间间隔与所述时间阈值进行比较，确定是否对所述待合并的相邻中间数据粒子进行合并。
可选地，第三确定模块，还具体用于根据待合并的相邻中间数据粒子中的各中间数据粒子的长度，确定待处理中间数据粒子，所述待处理中间数据粒子的长度大于相邻的中间数据粒子的长度；根据所述待处理中间数据粒子中的波峰对应的位置对所述待处理中间数据粒子进行长度更新，得到更新后中间数据粒子；根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据、与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述待合并的相邻中间数据粒子的相关性；根据所述待合并的相邻中间数据粒子的相关性对所述时间阈值进行更新，得到更新后时间阈值；根据所述更新后时间阈值以及所述时间间隔，确定是否对所述待合并的相邻中间数据粒子进行合并。
可选地，第三确定模块，还具体用于根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据，确定所述更新后中间数据粒子对应的均值以及协方差；根据与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述相邻的中间数据粒子对应的均值以及协方差；根据所述更新后中间数据粒子对应的均值以及协方差以及所述相邻的中间数据粒子对应的均值以及协方差，确定所述待合并的相邻中间数据粒子的相关性。
可选地，第三确定模块，还具体用于根据所述更新后中间数据粒子对应的协方差、所述相邻的中间数据粒子对应的协方差以及预设调节参数，确定目标调节参数；将所述时间阈值与所述目标调节参数相乘，得到更新后时间阈值。
可选地，第四确定模块，还具体用于若确定对相邻数据粒子进行合并，则得到至少一个合并后数据粒子；分别将各所述合并数据粒子中包括的数据粒子对应的可信度相加，得到各所述合并数据粒子的总可信度；根据各所述合并数据粒子的总可信度、预设检测概率以及预设可信度，确定在所述目标时段内的划水次数。
第三方面，本申请实施例提供了一种可穿戴设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述可穿戴设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面的所述游泳划水次数确定方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面的所述游泳划水次数确定方法的步骤。
本申请的有益效果是：
本申请实施例提供一种游泳划水次数确定方法、装置、设备及存储介质，该方法在根据各采样时刻的游泳动作数据以及采样时刻的前后采样时刻的游泳动作数据，确定出各采样时刻对应的振幅状态后，基于参考波形以及各采样时刻对应的振幅状态，对多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子，由于划水是由一次正向的移动和反向的移动组成，所以这样可使划分得到的数据粒子符合真实的游泳划水动作规律。基于此，根据各数据粒子包括的游泳动作数据确定出的各数据粒子的可信度就更精确能够表征发生划水的可能性。同时，可根据预设的时间阈值以及相邻数据粒子中各自数据粒子的中间采样时刻确定是否对相邻数据进行合并，确定对相邻数据粒子进行合并时，可根据合并数据粒子的可信度确定出目标时段内的划水次数，这样可避免用户在划水时由于划水频率不同而造成的将一次划水动作拆分成两个划水动作进行判断，可进一步减少估计得到的游泳划水次数与实际的游泳划水次数之间的偏差。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种游泳划水次数确定方法的流程示意图；
图2为本申请实施例提供的另一种游泳划水次数确定方法的流程示意图；
图3为本申请实施例提供的又一种游泳划水次数确定方法的流程示意图；
图4为本申请实施例提供的再一种游泳划水次数确定方法的流程示意图；
图5为本申请实施例提供的又一种游泳划水次数确定方法的流程示意图；
图6为本申请实施例提供的再一种游泳划水次数确定方法的流程示意图；
图7为本申请实施例提供的一种游泳动作数据的波形图；
图8为本申请实施例提供的一种游泳划水次数确定装置的结构示意图；
图9为本申请实施例提供的一种可穿戴设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在对本申请实施例进行详细解释之前，首先对本申请的应用场景予以介绍。该应用场景具体可为基于可穿戴设备游泳划水次数进行估计的场景，其中，可穿戴设备具体了为运动手表、运动手环、AR游泳眼镜等，需要说明的是，本申请不对可穿戴设备的具体形态进行限定。
本申请下述示例提到的游泳划水次数确定方法的执行主体可为一种游泳信息检测装置，该游泳信息检测装置也可运行与可穿戴设备中，该可穿戴设备内还内置有传感器，该游泳信息检测装置获取该传感器采集到的用户的游泳动作数据，进而再利用下述示例的方式基于游泳动作数据确定出用户的游泳划水次数，其中，传感器可为IMU（惯性传感器，Inertial Measurement Unit），当前也可为其他类型传感器，只要可以采集到用户的游泳动作数据即可，本申请不对其进行限定。
如下结合附图对本申请提到的游泳划水次数确定方法进行示例说明。图1为本申请实施例提供的一种游泳划水次数确定方法的流程示意图。如图1所示，该方法可包括：
S101、获取目标时段中多个采样时刻的游泳动作数据。
示例性的，用户在游泳过程中所佩戴的AR游泳眼镜上的IMU传感器可采集用户的游泳动作数据，其中，IMU传感器具体可为6通道传感器。假设IMU传感器的采样频率为，单位为赫兹（Hz）、采样时间为S，单位是秒（s），那么游泳动作数据的长度L为：/>；即对于游泳动作数据长度L的通道IMU传感器采集到的游泳动作数据可以表示为的形式，其中，/>分别表示k采样时刻x、y、z三轴坐标方向的加速度分量，/>分别表示k采样时刻x、y、z三轴坐标方向的角速度分量。
也就是说，上述提到的目标时段即为游泳动作数据长度L，可获取到目标时段中L个采样时刻的游泳动作数据。
需要说明的是，本申请不对游泳动作数据的维度进行描述，可以为加速度游泳动作数据或角速度游泳动作数据，也可为加速度游泳动作数据和角速度游泳动作数据的组合。
S102、根据各采样时刻的游泳动作数据以及采样时刻的前后采样时刻的游泳动作数据，确定各采样时刻对应的振幅状态。
其中，可在获取到各采样时刻的游泳动作数据后，首先进行滤波处理，如可通过滤波器对游泳动作数据进行平滑处理，得到平滑处理后的游泳动作数据。
可选地，滤波器可为二阶巴特沃夫滤波器或低通滤波器等，本申请不对其进行限定。
可以理解的是，进行滤波处理可去除游泳动作数据中的噪声，使游泳动作数据更精确的表征用户在游泳过程中的表现，进而提高后期确定游泳划水次数的精确度。
根据上述描述可知，通过6通道IMU传感器采集到的各采样时刻的游泳动作数据可按照时间维度组成数据序列，该数据虚拟中包括的每个时刻的游泳动作数据中可包括6个维度的子数据。
一种示例性的，可根据实际需求设置一参考维度子数据确定振幅状态，此处以参数维度为在x轴方向上的角速度分量为例进行说明，即利用中的/>进行波峰波谷的检测。根据各采样时刻的在x轴方向上的角速度分量以及采样时刻的前后相邻的采样时刻的在x轴方向上的角速度分量进行差分处理，根据差分结果确定出各采样时刻对应的振幅状态。
另一种示例的，可根据各采样时刻在各维度的子数据以及采样时刻的前后相邻的采样时刻在各维度的子数据进行差分处理，得到各采样时刻在各维度上的差分结果，进而根据各采样时刻在各维度上的差分结果综合确定出各采样时刻对应的振幅状态。此处以一个采样时刻为例进行说明，可根据该采样时刻在各维度上的差分结果表征的振幅状态的数量综合确定出该采样时刻对应的振幅状态。
其中，振幅状态为波谷状态或波峰状态，若某一采样时刻的振幅状态为波谷状态，那么表征该采样时刻相对于前后相邻的两个采样时刻的振幅来说相对较低，若该采样时刻的振幅状态为波峰状态，那么表征该采样时刻相对于前后相邻的两个采样时刻的振幅来说相对较高。
可以理解的是，对于数据序列中的首个采样时刻，那么对应的前后采样时刻的游泳动作数据可包括首个采样时刻的后一采样时刻的游泳动作数据和/或预设的参考游泳动作数据；对于数据序列中的末位采样时刻，那么对应的前后采样时刻的游泳动作数据可包括末位采样时刻的前一采样时刻的游泳动作数据和/或预设的参考游泳动作数据。
S103、基于预先设定的参考波形以及各采样时刻对应的振幅状态，对多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子。
根据上述描述可知，数据序列中的各采样时刻与游泳动作数据以及振幅状态对应，那么可基于预先设定的参考波形对数据虚拟进行遍历划分，其中，参考波形可为“波峰-波谷-波峰”形成的波形、也可为“波谷-波峰-波谷”形成的波形。
示例性的，此处以参考波形为“波峰-波谷-波峰”为例进行说明，从该数据序列的首个采样时刻进行遍历，直到当前遍历到“波峰-波谷-波峰”这样的形式，然后再基于遍历到的“波峰-波谷-波峰”对应数据段对的下一采样时刻进行遍历。将当前遍历到的“波峰-波谷-波峰”形式所对应的多个采样时刻的游泳动作数据划分为一个数据段，将该数据段作为一个数据粒子。举例来说，假设当前遍历到“波峰1-波谷-波峰2”，那么对应数据粒子中包含从“波峰1”到“波峰2”的所有采样时刻的游泳动作数据。
S104、根据各数据粒子包括的游泳动作数据，确定各数据粒子的可信度。
其中，从数据序列中划分得到多个数据粒子后，可根据各数据粒子包括的游泳动作数据以及可信度确定函数关系，得到各数据粒子的可信度，可信度用于表征划水发生的可能性，可信度越高，表征对应数据粒子越有可能为一次划水过程形成的数据；可信度越低，表征对应数据粒子越不可能为一次划水过程形成的数据。
S105、根据预设的时间阈值以及各数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并。
S106、若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在目标时段内的划水次数。
其中，根据上述描述可知，可将多个采样时刻的游泳所形成的数据序列划分为多个数据粒子，可以理解的是，多个数据粒子可形成粒子序列，根据预设对的时间阈值依次确定是否对粒子序列中的相邻数据粒子进行合并。
示例性的，以粒子序列中的前两个相邻数据粒子为例进行说明，可根据这两个相邻数据粒子各自的中间采样时刻的差值，确定这两个相邻数据粒子对应的间隔时间，进而根据间隔时间和时间阈值之间的对比关系确定是否对这两个相邻数据粒子进行合并，其它相邻数据粒子是否进行合并可参考上述描述，此处不再进行详细说明。
如果确定对上述提到的这两个相邻数据粒子进行合并，那么可将这两个相邻数据粒子的可信度相加，得到合并数据粒子对应的总可信度，根据合并数据粒子对应的总可信度、未合并的数据粒子的可信度得到用户在目标时段内的划水次数。
综上所述，本申请提供的游泳划水次数确定方法中，在根据各采样时刻的游泳动作数据以及采样时刻的前后采样时刻的游泳动作数据，确定出各采样时刻对应的振幅状态后，基于参考波形以及各采样时刻对应的振幅状态，对多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子，由于划水是由一次正向的移动和反向的移动组成，所以这样可使划分得到的数据粒子符合真实的游泳划水动作规律。基于此，根据各数据粒子包括的游泳动作数据确定出的各数据粒子的可信度就更精确能够表征发生划水的可能性。同时，可根据预设的时间阈值以及相邻数据粒子中各自数据粒子的中间采样时刻确定是否对相邻数据进行合并，确定对相邻数据粒子进行合并时，可根据合并数据粒子的可信度确定出目标时段内的划水次数，这样可避免用户在划水时由于划水频率不同而造成的将一次划水动作拆分成两个划水动作进行判断，可进一步减少估计得到的游泳划水次数与实际的游泳划水次数之间的偏差。
图2为本申请实施例提供的另一种游泳划水次数确定方法的流程示意图。可选地，如图2所示，上述根据各采样时刻的游泳动作数据以及采样时刻的前后采样时刻的游泳动作数据，确定各采样时刻对应的振幅状态，可包括：
S201、分别将待测采样时刻的游泳动作数据与前采样时刻的游泳动作数据、后采样时刻的游泳动作数据进行比对，得到待测采样时刻对应的前比较结果和后比较结果。
S202、根据前比较结果以及后比较结果，确定待测采样时刻的振幅状态。
其中，待测采样时刻为多个采样时刻中的任一采样时刻，此处以一个采样时刻（待测采样时刻）为例进行说明。
示例性的，根据上述描述可知，可根据实际需求设置一参考维度子数据确定振幅状态，以参数维度为在x轴方向上的角速度分量为例进行说明，即利用中的进行波峰波谷的检测。待测采样时刻为k，那么待测采样时刻的前采样时刻的游泳动作数据在x轴方向上的角速度分量可用/>表示、后采样时刻的游泳动作数据在x轴方向上的角速度分量可用/>表示。
将待采样时刻对应的游泳动作数据与前采样时刻的游泳动作数据/>进行比较，得到前比较结果：/>；将待采样时刻对应的游泳动作数据/>与前后采样时刻的游泳动作数据/>进行比较，得到前比较结果：；若/>大于0且/>大于0，那么待测采样时刻的振幅状态/>为波峰状态，可用/>表征；若/>小于0且/>小于0，那么待测采样时刻的振幅状态/>为波峰状态，可用/>进行表示。
也就是说，表示k时刻与k-1时刻的x轴角速度差值，/>表示k时刻与k+1时刻的x轴角速度差值，/>表示k时刻x轴角速度值为波峰，/>表示k时刻x轴角速度值为波谷。若/>大于0且/>小于0，或/>小于0且大于0，那么待测采样时刻的振幅状态/>为非峰值状态，可用/>进行表示。
可选地，上述基于预先设定的参考波形以及各采样时刻对应的振幅状态，对多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子，包括：根据参考波形对应的采样点个数对数据序列进行遍历。针对当前遍历到的待划分数据段，确定待划分数据段中包括的各采样时刻对应的振幅状态形成的波形是否为参考波形。若是，则将待划分数据段作为一个数据粒子，并从待划分数据段的下一采样时刻的游泳动作数据进行遍历。
根据上述描述可知，参考波形可为“波峰-波谷-波峰”形成的波形、也可为“波谷-波峰-波谷”形成的波形。可以看出，参考波形中包括三个采样点个数，那么可基于三个采样点个数对多个采样时刻的游泳动作数据所形成的数据序列进行遍历。
此处以当前遍历到的待划分数据段中包括的采样时刻为该数据序列的前三个采样时刻为例进行说明，可将待划分数据段表示为：；
假设参考波形可为“波谷-波峰-波谷”，且采样时刻对应的振幅状态、/>采样时刻对应的振幅状态/>、/>采样时刻对应的振幅状态/>，那么可将待划分数据段/>作为一个数据粒子，且数据粒子/>表示从数据序列中截取了从采样时刻/>到采样时刻/>的游泳动作数据。后续可从数据序列中的采样时刻/>开始按照上述方式进行遍历，最后可将数据序列划分为多个数据粒子。
可将每个数据粒子视作为一个GM粒子，即高斯粒子。
图3为本申请实施例提供的又一种游泳划水次数确定方法的流程示意图。可选地，如图3所示，上述根据各数据粒子包括的游泳动作数据，确定各数据粒子的可信度，可包括：
S301、根据各数据粒子包括的游泳动作数据以及预设先验权重，确定各数据粒子对应的粒子参数集合。
其中，粒子参数集合中包括：初始权重、初始幅度。
可以理解的是，可根据数据粒子包括的游泳动作数据确定出包括的各采样时刻对应的幅值。
上述确定出的各数据粒子对应的粒子参数集合可用于对数据粒子进行描述，即GM粒子由三个维度来描述，分别是初始权重、初始幅值（初始均值）和初始协方差，其中，初始权重（即概率假设密度）代表划水发生的可信度，初始幅值表示划水的幅度峰值，初始协方差表示划水幅值离散程度，即可以表示为的形式。
此处以GM粒子表示从数据序列中截取了从采样时刻/>到采样时刻/>的游泳动作数据为例，确定数据粒子/>对应的粒子参数集合中的初始权重/>、初始幅值/>还可以确定出初始协方差/>；
；
其中，即为上述提到的预设先验权重；/>为采样时刻/>到采样时刻/>区间内中间采样时刻/>对应的幅值，作为初始幅值；/>为采样时刻/>到采样时刻/>区间内各k采样采样时刻对应的幅值，/>、/>为数据粒子/>提取采样时刻范围。
参考上述描述，最后可得到各GM粒子对应的粒子参数集合。
S302、根据各数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对粒子参数集合中的初始权重进行更新，得到各数据粒子的可信度。
示例性的，此处以一个GM粒子为例进行说明，可基于预设幅度阈值d、预设检测概率和预设杂波强度k对该GM粒子对应的粒子参数集合中的初始权重/>、初始幅值/>进行更新，也可以对初始协方差/>进行更新。
将该GM例子对应的初始权重、初始幅值/>以及初始协方差/>和预设幅度阈值d、预设检测概率/>和预设杂波强度k输入高斯混合概率假设密度估计器中，高斯混合概率假设密度估计器中可根据权重更新策略、幅值更新策略以及协方差更新策略进行更新，得到更新后权重、更新后幅值以及更新后协方差。
其中，可将更新后权重称为可信度，同理，最后可得到各GM粒子对应的可信度。
可选地，上述根据各数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对粒子参数集合中的初始权重进行更新，得到各数据粒子的可信度，包括：分别将各数据粒子对应的粒子参数集合中的初始幅度和预设幅度阈值作为预设幅度函数的输入参数，计算得到各数据粒子对应的幅度参数；分别将各数据粒子对应的粒子参数集合中的初始权重和幅度参数以及预设幅度阈值、预设检测概率和预设杂波强度输入预设权重更新函数中，计算得到各数据粒子的可信度。
示例性的，GM粒子可通过下述方式进行更新：
；
其中，为sigmoid函数，即S型函数。
预设幅度函数即为：；
预设权重更新函数即为：；
可以看出，更新后协方差与初始协方差一致，即不对协方差进行更新。
图4为本申请实施例提供的再一种游泳划水次数确定方法的流程示意图。可选地，如图4所示，上述根据预设的时间阈值以及各数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并之前，该方法还可包括：
S401、将各数据粒子的可信度与预设阈值进行比较，得到比较结果。
S402、根据比较结果，从各数据粒子中筛选出至少一个中间数据粒子。
示例性的，此处以一时间窗中的GM粒子为例进行说明，该时间窗内可包括多个GM粒子，可组成GM粒子集：/>；那么根据上述提到的更新过程，可得到时间窗/>内n个数据粒子更新后的粒子集为。
将预设阈值与更新后的粒子集中的各更新后数据粒子的可信度进行比较，得到比较结果，将比较结果指示可信度大于预设阈值的更新后数据粒子筛选出，作为中间数据粒子，也就是说，中间数据粒子对应的游泳动作数据大概率是一次划分过程数据。
可以理解的是，筛选出的中间数据粒子可组成粒子集：；其中，/>表示筛选出的中间数据粒子的数量。
示例性的，可根据各中间数据粒子的可信度、预设检测概率以及预设可信度，确定在目标时段内的划水次数。其中，预设检测概率即为上述提到的，预设可信度/>与上述提到的预设先验权重相关，假设时间窗/>内n个粒子的预设先验权重可用/>表示，则预设可信度/>可表示为：/>；
示例性的，可对各中间数据粒子的可信度进行相加，根据相加结果、预设检测概率以及预设可信度确定出在时间窗内的划水次数。
根据时间窗内的划水次数以及时间窗外的划水次数确定出在目标时段的划水次数，其中，时间窗外的划水次数可根据相关部分描述进行确定。
可以看出，利用预设阈值对数据粒子进行筛选，可提高确定在目标时段内的划水次数的精确度以及效率。
图5为本申请实施例提供的又一种游泳划水次数确定方法的流程示意图。可选地，如图5所示，上述根据预设的时间阈值以及各数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并，可包括：
S501、根据待合并的相邻中间数据粒子中的各中间数据粒子对应的中间采样时刻，确定待合并的相邻中间数据粒子之间的时间间隔。
S502、将时间间隔与时间阈值进行比较，确定是否对待合并的相邻中间数据粒子进行合并。
示例性的，此处以上述提到的中间数据粒子组成的粒子集中的前两个中间数据粒子为例进行说明，假设中间数据粒子/>的中间采样时刻为/>、与中间数据粒子/>相邻的中间数据粒子/>的中间采样时刻为/>，那么可根据下式确定是否将中间数据粒子/>与中间数据粒子/>合并：/>；其中，/>表示时间阈值。
若满足上式，则将中间数据粒子与中间数据粒子/>合并得到合并数字粒子段。其它相邻中间数据粒子是否合并，可参考上述描述。
图6为本申请实施例提供的再一种游泳划水次数确定方法的流程示意图。可选地，如图6所示，上述将时间间隔与时间阈值进行比较，确定是否对待合并的相邻中间数据粒子进行合并，包括：
S601、根据待合并的相邻中间数据粒子中的各中间数据粒子的长度，确定待处理中间数据粒子，待处理中间数据粒子的长度大于相邻的中间数据粒子的长度。
示例性的，此处以待合并的相邻中间数据粒子为上述提到的中间数据粒子和中间数据粒子/>。假设中间数据粒子/>中包括的采样时刻的数量为/>，即中间数据粒子/>的长度为/>，同理，中间数据粒子/>的长度为/>。根据/>和/>的大小关系确定待处理中间数据粒子。若/>小于/>，则将中间数据粒子/>作为待处理中间数据粒子。
S602、根据待处理中间数据粒子中的参考波峰状态对应的位置对待处理中间数据粒子进行长度更新，得到更新后中间数据粒子。
其中，继续上述举例来说，假设作为待处理中间数据粒子的中间数据粒子的波峰在长度/>上位于/>的位置，以/>为中心，一种示例性的，逐一向两边取值，直到形成的更新后中间数据粒子/>的长度为/>；另一种示例性的，向两边各取一半，直到形成的更新后中间数据粒子/>的长度为/>。
S603、根据更新后中间数据粒子包括的采样时刻的游泳动作数据、与待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定待合并的相邻中间数据粒子的相关性。
示例性的，根据更新后中间数据粒子包括的采样时刻的游泳动作数据，确定更新后中间数据粒子对应的均值以及协方差。根据与待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定相邻的中间数据粒子对应的均值以及协方差。其中，更新后中间数据粒子对应的均值和协方差可通过下述公式计算得到：
；/>
其中，为更新后中间数据粒子/>对应的均值，/>更新后中间数据粒子对应的协方差，/>分别为中间数据粒子/>、更新后中间数据粒子/>分别对应中间采样时刻的幅值。
根据更新后中间数据粒子对应的均值以及协方差以及相邻的中间数据粒子对应的均值以及协方差，确定待合并的相邻中间数据粒子的相关性。
可通过下述函数关系确定得到相关系数：；
其中，为中间数据粒子/>对应的均值，也可称为幅值。/>为中间数据粒子对应的协方差。
可以理解的是，r的值一般介于0-1之间，越接近1说明两个相邻中间数据粒子越相关，即划水动作趋势相近。
S604、根据待合并的相邻中间数据粒子的相关性对时间阈值进行更新，得到更新后时间阈值。
在得到待合并的相邻中间数据粒子的相关性后，可基于相关性对上述提到的时间阈值进行调整，得到更新后时间阈值。
示例性的，根据更新后中间数据粒子对应的协方差、相邻的中间数据粒子对应的协方差以及预设调节参数，确定目标调节参数。
根据上述描述可知，更新后中间数据粒子对应的协方差为、相邻的中间数据粒子对应的协方差为/>、预设调节参数为/>，目标调节参数可用：表示；将时间阈值与目标调节参数相乘，得到更新后时间阈值。
那么可根据下述公式确定得到更新后时间阈值：；其中/>范围在0~1之间，可以用来调节自适应灵敏度，取值越大灵敏度越高。
S605、根据更新后时间阈值以及时间间隔，确定是否对待合并的相邻中间数据粒子进行合并。
其中，将待合并的相邻中间数据粒子中的各中间数据粒子的中间采样时刻相减，根据相减结果和更新后时间阈值进行比较，根据比较结果确定是否对待合并的相邻中间数据粒子进行合并，若是，则合并得到合并数据粒子。
可以看出，更新后时间阈值与相邻中间数据粒子对应的协方差相关，协方差可用于表示划水幅值的离散程度，可以理解的是，在冲刺时划水频率必然很快，这样产生的游泳数据离散度会很小，在短时间内就会产生多次的波峰-波谷-波峰-波谷等，那这样就会减小时间阈值，避免将两次单独划水动作合并为一次划水动作，反之在体力不支时，划水频率也会相应减少，进而增加时间阈值，这样可避免将本来为一次划水动作的数据不进行合并。
可选地，上述若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在目标时段内的划水次数，包括：若确定对相邻数据粒子进行合并，则得到至少一个合并后数据粒子；分别将各合并数据粒子中包括的数据粒子对应的可信度相加，得到各合并数据粒子的总可信度；根据各合并数据粒子的总可信度、预设检测概率以及预设可信度，确定在目标时段内的划水次数。
示例性的，在得到各合并数据粒子后，每个合并数据粒子中可包括至少两个数据粒子，每个数据粒子都对应有可信度，则将各可信度相加，将相加结果作为对应合并数据粒子的总可信度，进而可根据各合并数据粒子的总可信度、预设检测概率以及预设可信度，确定出在目标时段内的划水次数。
可以看出，对数据粒子进行合并，这样可避免用户在划水时由于划水频率不同而造成的将一次划水动作拆分成两个划水动作进行判断，可进一步减少估计得到的游泳划水次数与实际的游泳划水次数之间的偏差。
可选地，若进行合并的相邻数据粒子为上述提到的中间数据粒子，那么 假设一合并数据粒子中包括中间数据粒子以及中间数据粒子/>，那么该合并数据粒子可表示为：/>；/>；
其中，称为包含/>和/>的合并数据粒子的总可信度、/>称为包含/>和/>的合并数据粒子的总均值、/>称为包含/>和/>的合并数据粒子的总协方差。
对时间窗对应的粒子集为/>进行合并后，可变为粒子集/>，其中，/>表示合并后时间窗内包括的粒子数量。
根据粒子集内的/>个粒子k，可得到时间窗内划水次数的信度（PHD）为：；对/>进行四舍五入后得到：/>；
可以理解的是，表示在时间窗内的划水次数
假设目标时段内包括m段时间窗，那么在目标时段内的划水次数可表示为：；其中，p表示时间窗在目标时段中的第p段。
下述示例为划分得到数据粒子进行说明，图7为本申请实施例提供的一种游泳动作数据的波形图，如图7所示，该波形图的横坐标表示采样时间，纵坐标表示游泳动作数据（如在x轴方向上的角加速度），可将通过滤波器进行平滑处理前的游泳动作数据的称为原始值，进行平滑处理后的游泳动作数据称为平滑值，从图7中可以看出，通过滤波器进行平滑处理后可以消除掉一些次级波峰。再对平滑后的游泳动作数据进行波峰波谷检测以及遍历划分，得到数据粒子。假设上述提到的参考波形的形式为“波谷-波峰-波谷”，图7所示的采样时刻对应的振幅状态/>、采样时刻/>对应的振幅状态/>、采样时刻/>对应的振幅状态/>，那么可将采样时刻/>到采样时刻/>之间所包括的纵坐标划分在同一个数据粒子中。
图8为本申请实施例提供的一种游泳划水次数确定装置的结构示意图。如图8所示，该装置包括：
获取模块801，用于获取目标时段中多个采样时刻的游泳动作数据；
第一确定模块802，用于根据各采样时刻的游泳动作数据以及采样时刻的前后采样时刻的游泳动作数据，确定各采样时刻对应的振幅状态，振幅状态为波谷状态或波峰状态；
划分模块803，用于基于预先设定的参考波形以及各采样时刻对应的振幅状态，对多个采样时刻的游泳动作数据所形成的数据序列进行遍历划分，得到多个数据粒子；
第二确定模块804，用于根据各数据粒子包括的游泳动作数据，确定各数据粒子的可信度，可信度用于表征划水发生的可能性；
第三确定模块805，用于根据预设的时间阈值以及各数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并；
第四确定模块806，用于若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在目标时段内的划水次数。
可选地，第一确定模块802，具体用于分别将待测采样时刻的游泳动作数据与前采样时刻的游泳动作数据、后采样时刻的游泳动作数据进行比对，得到待测采样时刻对应的前比较结果和后比较结果，待测采样时刻为多个采样时刻中的任一采样时刻；根据前比较结果以及后比较结果，确定待测采样时刻的振幅状态。
可选地，划分模块803，具体用于根据参考波形对应的采样点个数对数据序列进行遍历；针对当前遍历到的待划分数据段，确定待划分数据段中包括的各采样时刻对应的振幅状态形成的波形是否为参考波形；若是，则将待划分数据段作为一个数据粒子，并从待划分数据段的下一采样时刻的游泳动作数据进行遍历。
可选地，第二确定模块804，具体用于根据各数据粒子包括的游泳动作数据以及预设先验权重，确定各数据粒子对应的粒子参数集合，粒子参数集合中包括：初始权重、初始幅度；根据各数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对粒子参数集合中的初始权重进行更新，得到各数据粒子的可信度。
可选地，第二确定模块804，还具体用于分别将各数据粒子对应的粒子参数集合中的初始幅度和预设幅度阈值作为预设幅度函数的输入参数，计算得到各数据粒子对应的幅度参数；分别将各数据粒子对应的粒子参数集合中的初始权重和幅度参数以及预设幅度阈值、预设检测概率和预设杂波强度输入预设权重更新函数中，计算得到各数据粒子的可信度。
可选地，该装置还包括：筛选模块；
筛选模块，用于将各数据粒子的可信度与预设阈值进行比较，得到比较结果；根据比较结果，从各数据粒子中筛选出至少一个中间数据粒子。
可选地，第三确定模块805，还具体用于根据待合并的相邻中间数据粒子中的各中间数据粒子对应的中间采样时刻，确定待合并的相邻中间数据粒子之间的时间间隔；将时间间隔与时间阈值进行比较，确定是否对待合并的相邻中间数据粒子进行合并。
可选地，第三确定模块805，还具体用于根据待合并的相邻中间数据粒子中的各中间数据粒子的长度，确定待处理中间数据粒子，待处理中间数据粒子的长度大于相邻的中间数据粒子的长度；根据待处理中间数据粒子中的波峰对应的位置对待处理中间数据粒子进行长度更新，得到更新后中间数据粒子；根据更新后中间数据粒子包括的采样时刻的游泳动作数据、与待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定待合并的相邻中间数据粒子的相关性；根据待合并的相邻中间数据粒子的相关性对时间阈值进行更新，得到更新后时间阈值；根据更新后时间阈值以及时间间隔，确定是否对待合并的相邻中间数据粒子进行合并。
可选地，第三确定模块805，还具体用于根据更新后中间数据粒子包括的采样时刻的游泳动作数据，确定更新后中间数据粒子对应的均值以及协方差；根据与待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定相邻的中间数据粒子对应的均值以及协方差；根据更新后中间数据粒子对应的均值以及协方差以及相邻的中间数据粒子对应的均值以及协方差，确定待合并的相邻中间数据粒子的相关性。
可选地，第三确定模块805，还具体用于根据更新后中间数据粒子对应的协方差、相邻的中间数据粒子对应的协方差以及预设调节参数，确定目标调节参数；将时间阈值与目标调节参数相乘，得到更新后时间阈值。
可选地，第四确定模块806，还具体用于若确定对相邻数据粒子进行合并，则得到至少一个合并后数据粒子；分别将各合并数据粒子中包括的数据粒子对应的可信度相加，得到各合并数据粒子的总可信度；根据各合并数据粒子的总可信度、预设检测概率以及预设可信度，确定在目标时段内的划水次数。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路（Application Specific Integrated Circuit，简称ASIC），或，一个或多个微处理器（Digital Signal Processor，简称DSP），或，一个或者多个现场可编程门阵列（Field Programmable Gate Array，简称FPGA）等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器（CentralProcessing Unit，简称CPU）或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统（system-on-a-chip，简称SOC）的形式实现。
图9为本申请实施例提供的一种可穿戴设备的结构示意图，如图9所示，该可穿戴设备可以包括：处理器901、存储介质902和总线903，存储介质902存储有处理器901可执行的机器可读指令，当该可穿戴设备运行时，处理器901与存储介质902之间通过总线7903通信，处理器7901执行机器可读指令，以执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（英文：processor）执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文：Read-Only Memory，简称：ROM）、随机存取存储器（英文：Random Access Memory，简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (12)
1.一种游泳划水次数确定方法，其特征在于，所述方法包括：
获取目标时段中多个采样时刻的游泳动作数据；
根据各所述采样时刻的游泳动作数据以及所述采样时刻的前后采样时刻的游泳动作数据，确定各所述采样时刻对应的振幅状态，所述振幅状态为波谷状态或波峰状态；
根据预先设定的参考波形对应的采样点个数对所述多个采样时刻的游泳动作数据所形成的数据序列进行遍历；
针对当前遍历到的待划分数据段，确定所述待划分数据段中包括的各所述采样时刻对应的振幅状态形成的波形是否为所述参考波形；
若是，则将所述待划分数据段作为一个数据粒子，并从所述待划分数据段的下一采样时刻的游泳动作数据进行遍历；所述数据粒子包括与所述参考波形匹配的一个数据序列所对应的多个采样时刻的游泳动作数据；
根据各所述数据粒子包括的游泳动作数据以及预设先验权重，确定各所述数据粒子对应的粒子参数集合，所述粒子参数集合中包括：初始权重、初始幅度；
根据各所述数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对所述粒子参数集合中的初始权重进行更新，得到各所述数据粒子的可信度，所述可信度用于表征划水发生的可能性；
根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并；
若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在所述目标时段内的划水次数。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述采样时刻的游泳动作数据以及所述采样时刻的前后采样时刻的游泳动作数据，确定各所述采样时刻对应的振幅状态，包括：
分别将待测采样时刻的游泳动作数据与前采样时刻的游泳动作数据、后采样时刻的游泳动作数据进行比对，得到所述待测采样时刻对应的前比较结果和后比较结果，所述待测采样时刻为所述多个采样时刻中的任一采样时刻；
根据所述前比较结果以及所述后比较结果，确定所述待测采样时刻的振幅状态。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对所述粒子参数集合中的初始权重进行更新，得到各所述数据粒子的可信度，包括：
分别将各所述数据粒子对应的粒子参数集合中的初始幅度和所述预设幅度阈值作为预设幅度函数的输入参数，计算得到各所述数据粒子对应的幅度参数；
分别将各所述数据粒子对应的粒子参数集合中的初始权重和所述幅度参数以及所述预设幅度阈值、所述预设检测概率和所述预设杂波强度输入预设权重更新函数中，计算得到各所述数据粒子的可信度。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并之前，所述方法还包括：
将各所述数据粒子的可信度与预设阈值进行比较，得到比较结果；
根据所述比较结果，从各所述数据粒子中筛选出至少一个中间数据粒子。
5.根据权利要求4所述的方法，其特征在于，所述根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并，包括：
根据待合并的相邻中间数据粒子中的各中间数据粒子对应的中间采样时刻，确定待合并的相邻中间数据粒子之间的时间间隔；
将所述时间间隔与所述时间阈值进行比较，确定是否对所述待合并的相邻中间数据粒子进行合并。
6.根据权利要求5所述的方法，其特征在于，所述将所述时间间隔与所述时间阈值进行比较，确定是否对所述待合并的相邻中间数据粒子进行合并，包括：
根据待合并的相邻中间数据粒子中的各中间数据粒子的长度，确定待处理中间数据粒子，所述待处理中间数据粒子的长度大于相邻的中间数据粒子的长度；
根据所述待处理中间数据粒子中的波峰对应的位置对所述待处理中间数据粒子进行长度更新，得到更新后中间数据粒子；
根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据、与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述待合并的相邻中间数据粒子的相关性；
根据所述待合并的相邻中间数据粒子的相关性对所述时间阈值进行更新，得到更新后时间阈值；
根据所述更新后时间阈值以及所述时间间隔，确定是否对所述待合并的相邻中间数据粒子进行合并。
7.根据权利要求6所述的方法，其特征在于，所述根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据、与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述待合并的相邻中间数据粒子的相关性，包括：
根据所述更新后中间数据粒子包括的采样时刻的游泳动作数据，确定所述更新后中间数据粒子对应的均值以及协方差；
根据与所述待处理中间数据粒子相邻的中间数据粒子包括的采样时刻的游泳动作数据，确定所述相邻的中间数据粒子对应的均值以及协方差；
根据所述更新后中间数据粒子对应的均值以及协方差以及所述相邻的中间数据粒子对应的均值以及协方差，确定所述待合并的相邻中间数据粒子的相关性。
8.根据权利要求7所述的方法，其特征在于，所述根据所述待合并的相邻中间数据粒子的相关性对所述时间阈值进行更新，得到更新后时间阈值，包括：
根据所述更新后中间数据粒子对应的协方差、所述相邻的中间数据粒子对应的协方差以及预设调节参数，确定目标调节参数；
将所述时间阈值与所述目标调节参数相乘，得到更新后时间阈值。
9.根据权利要求4所述的方法，其特征在于，所述若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在所述目标时段内的划水次数，包括：
若确定对相邻数据粒子进行合并，则得到至少一个合并后数据粒子；
分别将各所述合并数据粒子中包括的数据粒子对应的可信度相加，得到各所述合并数据粒子的总可信度；
根据各所述合并数据粒子的总可信度、预设检测概率以及预设可信度，确定在所述目标时段内的划水次数。
10.一种游泳划水次数确定装置，其特征在于，所述装置包括：
获取模块，用于获取目标时段中多个采样时刻的游泳动作数据；
第一确定模块，用于根据各所述采样时刻的游泳动作数据以及所述采样时刻的前后采样时刻的游泳动作数据，确定各所述采样时刻对应的振幅状态，所述振幅状态为波谷状态或波峰状态；
划分模块，用于根据预先设定的参考波形对应的采样点个数对所述多个采样时刻的游泳动作数据所形成的数据序列进行遍历；针对当前遍历到的待划分数据段，确定所述待划分数据段中包括的各所述采样时刻对应的振幅状态形成的波形是否为所述参考波形；若是，则将所述待划分数据段作为一个数据粒子，并从所述待划分数据段的下一采样时刻的游泳动作数据进行遍历；所述数据粒子包括与所述参考波形匹配的一个数据序列所对应的多个采样时刻的游泳动作数据；
第二确定模块，用于根据各所述数据粒子包括的游泳动作数据以及预设先验权重，确定各所述数据粒子对应的粒子参数集合，所述粒子参数集合中包括：初始权重、初始幅度；根据各所述数据粒子对应的粒子参数集合、预设幅度阈值、预设检测概率和预设杂波强度，对所述粒子参数集合中的初始权重进行更新，得到各所述数据粒子的可信度，所述可信度用于表征划水发生的可能性；
第三确定模块，用于根据预设的时间阈值以及各所述数据粒子对应的中间采样时刻，确定是否对相邻数据粒子进行合并；
第四确定模块，用于若确定对相邻数据粒子进行合并，则根据合并数据粒子的可信度，确定在所述目标时段内的划水次数。
11.一种可穿戴设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述可穿戴设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-9任一项所述游泳划水次数确定方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-9任一项所述游泳划水次数确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310823101.8A CN116541668B (zh) | 2023-07-06 | 2023-07-06 | 一种游泳划水次数确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310823101.8A CN116541668B (zh) | 2023-07-06 | 2023-07-06 | 一种游泳划水次数确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116541668A CN116541668A (zh) | 2023-08-04 |
| CN116541668B true CN116541668B (zh) | 2023-09-22 |
Family
ID=87454588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310823101.8A Active CN116541668B (zh) | 2023-07-06 | 2023-07-06 | 一种游泳划水次数确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541668B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103616814A (zh) * | 2013-12-09 | 2014-03-05 | 东南大学 | 一种基于fpga的同步采样时钟闭环校正方法和系统 |
| GB2511833A (en) * | 2013-03-15 | 2014-09-17 | Suunto Oy | Device and method for monitoring swimming performance |
| CN104268285A (zh) * | 2014-10-21 | 2015-01-07 | 厦门大学 | 一种基于动态弯曲算法的运动捕捉数据库检索方法 |
| CN105589977A (zh) * | 2014-10-23 | 2016-05-18 | 安徽华米信息科技有限公司 | 一种运动次数监测方法及装置 |
| CN107970574A (zh) * | 2016-10-25 | 2018-05-01 | 四川理工学院 | 一种基于Android平台的跑步健身系统及其数据处理方法 |
| CN108245869A (zh) * | 2017-12-29 | 2018-07-06 | 北京顺源开华科技有限公司 | 一种游泳信息检测方法、装置及电子设备 |
| CN109011509A (zh) * | 2018-07-30 | 2018-12-18 | 深圳智芯数据服务有限公司 | 一种划水次数监测方法和装置 |
| CN110648355A (zh) * | 2019-09-29 | 2020-01-03 | 中科智感科技(湖南)有限公司 | 一种图像跟踪方法、系统及相关装置 |
| CN113713358A (zh) * | 2021-06-28 | 2021-11-30 | 深圳市奋达智能技术有限公司 | 基于多传感器融合的游泳监测方法、设备、存储介质和程序产品 |
| WO2022042962A1 (en) * | 2020-08-28 | 2022-03-03 | Robert Bosch Gmbh | A controller and a method to determine a swim stroke |
| IT202000021364A1 (it) * | 2020-09-09 | 2022-03-09 | St Microelectronics Srl | Sistema indossabile e metodo per rilevare e monitorare una attivita' di nuoto di un utilizzatore |
| CN114896568A (zh) * | 2022-07-13 | 2022-08-12 | 杭州光粒科技有限公司 | 一种游泳数据统计方法、装置、设备及介质 |
| CN115054889A (zh) * | 2022-06-09 | 2022-09-16 | 荣耀终端有限公司 | 跳绳识别方法及电子设备 |
| CN115155044A (zh) * | 2022-07-13 | 2022-10-11 | 杭州光粒科技有限公司 | 一种确定游泳转身时间的方法、装置、设备及介质 |
| CN115239839A (zh) * | 2022-07-05 | 2022-10-25 | 每步科技(上海)有限公司 | 室内游泳轨迹数据处理方法 |
| WO2023016004A1 (zh) * | 2021-08-12 | 2023-02-16 | 荣耀终端有限公司 | 跳绳状态的检测方法及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2948802B1 (fr) * | 2009-07-29 | 2014-12-05 | Movea | Systeme et procede de comptage d'un deplacement elementaire d'une personne |
-
2023
- 2023-07-06 CN CN202310823101.8A patent/CN116541668B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2511833A (en) * | 2013-03-15 | 2014-09-17 | Suunto Oy | Device and method for monitoring swimming performance |
| CN103616814A (zh) * | 2013-12-09 | 2014-03-05 | 东南大学 | 一种基于fpga的同步采样时钟闭环校正方法和系统 |
| CN104268285A (zh) * | 2014-10-21 | 2015-01-07 | 厦门大学 | 一种基于动态弯曲算法的运动捕捉数据库检索方法 |
| CN105589977A (zh) * | 2014-10-23 | 2016-05-18 | 安徽华米信息科技有限公司 | 一种运动次数监测方法及装置 |
| CN107970574A (zh) * | 2016-10-25 | 2018-05-01 | 四川理工学院 | 一种基于Android平台的跑步健身系统及其数据处理方法 |
| CN108245869A (zh) * | 2017-12-29 | 2018-07-06 | 北京顺源开华科技有限公司 | 一种游泳信息检测方法、装置及电子设备 |
| CN109011509A (zh) * | 2018-07-30 | 2018-12-18 | 深圳智芯数据服务有限公司 | 一种划水次数监测方法和装置 |
| CN110648355A (zh) * | 2019-09-29 | 2020-01-03 | 中科智感科技(湖南)有限公司 | 一种图像跟踪方法、系统及相关装置 |
| WO2022042962A1 (en) * | 2020-08-28 | 2022-03-03 | Robert Bosch Gmbh | A controller and a method to determine a swim stroke |
| IT202000021364A1 (it) * | 2020-09-09 | 2022-03-09 | St Microelectronics Srl | Sistema indossabile e metodo per rilevare e monitorare una attivita' di nuoto di un utilizzatore |
| CN113713358A (zh) * | 2021-06-28 | 2021-11-30 | 深圳市奋达智能技术有限公司 | 基于多传感器融合的游泳监测方法、设备、存储介质和程序产品 |
| WO2023016004A1 (zh) * | 2021-08-12 | 2023-02-16 | 荣耀终端有限公司 | 跳绳状态的检测方法及电子设备 |
| CN115054889A (zh) * | 2022-06-09 | 2022-09-16 | 荣耀终端有限公司 | 跳绳识别方法及电子设备 |
| CN115239839A (zh) * | 2022-07-05 | 2022-10-25 | 每步科技(上海)有限公司 | 室内游泳轨迹数据处理方法 |
| CN114896568A (zh) * | 2022-07-13 | 2022-08-12 | 杭州光粒科技有限公司 | 一种游泳数据统计方法、装置、设备及介质 |
| CN115155044A (zh) * | 2022-07-13 | 2022-10-11 | 杭州光粒科技有限公司 | 一种确定游泳转身时间的方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 一种新的可变数目机动目标联合检测与跟踪算法;胡秀华;郭雷;李晖晖;燕攀登;;中南大学学报(自然科学版)(第10期);142-153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116541668A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Buchner | Collaborative nested sampling: Big data versus complex physical models | |
| CN108596053B (zh) | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 | |
| Maggio et al. | Efficient multitarget visual tracking using random finite sets | |
| CN111127523B (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
| CN107703496B (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
| JP7336552B2 (ja) | 多面的放射線検出及び分類システム | |
| CN108333569A (zh) | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 | |
| Selesnick et al. | Polynomial smoothing of time series with additive step discontinuities | |
| Miller et al. | Matched filtering for subgraph detection in dynamic networks | |
| CN110596693A (zh) | 一种迭代更新的多传感器gmphd自适应融合方法 | |
| CN106780567B (zh) | 一种融合颜色和梯度直方图的免疫粒子滤波扩展目标跟踪方法 | |
| CN108305265B (zh) | 微弱小目标图像实时处理方法及系统 | |
| CN108469609B (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
| Tanskanen et al. | Non-linearities in Gaussian processes with integral observations | |
| CN116541668B (zh) | 一种游泳划水次数确定方法、装置、设备及存储介质 | |
| Kang et al. | Reduction of mixed noise from wearable sensors in human-motion estimation | |
| CN110659620A (zh) | 基于模糊控制的滤波降噪方法 | |
| JP2014517398A (ja) | 遷移信号の動的クラスタリング | |
| CN111340853A (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
| Wilder et al. | Tracking disease outbreaks from sparse data with Bayesian inference | |
| WO2016000487A1 (zh) | 一种基于变系数α-β滤波器的目标跟踪方法与跟踪系统 | |
| Tiwari et al. | A novel step detection technique for pedestrian dead reckoning based navigation | |
| ZHU et al. | Dim small targets detection based on horizontal-vertical multi-scale grayscale difference weighted bilateral filtering | |
| CN112200832B (zh) | 一种运动轨迹数据的去噪方法及装置 | |
| CN112595312B (zh) | 一种大视场星敏感器伪星目标滤除方法及系统 |
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 |