发明内容
为了解决智能眼镜的计步结果较不准确的技术问题,本发明的目的在于提供一种基于智能眼镜数据的计步分析方法,所采用的技术方案具体如下:
获取用户运动过程中在设定时间段内不同时刻智能眼镜计步时的振动信号,构成振动信号序列;根据振动信号序列中每相邻两个振动信号,获得参考信号,构成参考信号序列;
根据参考信号序列中相邻参考信号之间的差异情况,确定平滑信号集合,根据振动信号序列中平滑信号集合之外的振动信号的幅值差异,确定特征信号集合;
根据特征信号集合内振动信号的幅值差异,以及所有振动信号的波动情况,确定特征信号集合对应的调节系数;根据所述调节系数对预设的滤波窗口尺寸进行调整得到特征信号集合的优选窗口尺寸;
利用预设的滤波窗口尺寸对平滑信号集合进行处理,利用优选窗口尺寸对特征信号集合进行处理,获得去噪后的振动信号序列;
根据去噪后的振动信号序列获得用户运动完成后的计步数据。
优选的,所述根据参考信号序列中相邻参考信号之间的差异情况,确定平滑信号集合,具体包括:
在参考信号序列中,将三个连续的参考信号分别记为第一参考信号、第二参考信号和第三参考信号;根据第一参考信号和第二参考信号之间的信号幅值差异计算斜率,记为第一斜率;根据第二参考信号和第三参考信号之间的信号幅值差异计算斜率,记为第二斜率;计算第二斜率和第一斜率的比值,将第一预设值与该比值的差值绝对值作为三个连续的参考信号的信号趋势表征值;
对于所有信号趋势表征值,将归一化后的信号趋势表征值小于或等于预设的趋势阈值,对应的三个连续的参考信号所在的时间长度记为平滑时间区间,将所有平滑时间区间内的振动信号构成平滑信号集合。
优选的,所述根据振动信号序列中平滑信号集合之外的振动信号的幅值差异,确定特征信号集合,具体包括:
获取振动信号序列中的极值记为特征信号,将振动信号序列中除平滑信号集合之外的所有振动信号构成待分析序列,获取待分析序列中的特征信号,分别将相邻两个特征信号之间的振动信号构成特征信号集合。
优选的,所述根据特征信号集合内振动信号的幅值差异,以及所有振动信号的波动情况,确定特征信号集合对应的调节系数,具体包括:
对于任意一个特征信号集合,根据集合内振动信号的幅值与标准振动信号的幅值,以及相邻振动信号之间的幅值差异的波动情况,得到第一系数;
根据集合内振动信号之间的最大幅值差异和所有振动信号的波动情况,得到第二系数;
根据第一系数和第二系数得到特征信号集合对应的调节系数。
优选的,所述根据集合内振动信号的幅值与标准振动信号的幅值,以及相邻振动信号之间的幅值差异的波动情况,得到第一系数,具体包括:
获取特征信号集合中与标准振动信号的信号幅值相等的振动信号的数量记为特征数量;
将特征信号集合中任意一个振动信号记为目标振动信号,将目标振动信号的信号幅值与其相邻的振动信号的信号幅值之间的差异记为目标振动信号的特征差异;计算特征信号集合中所有振动信号的特征差异的均值,将该均值的归一化值与特征数量的归一化值的和值作为特征信号集合的第一系数。
优选的,所述根据集合内振动信号之间的最大幅值差异和所有振动信号的波动情况,得到第二系数,具体包括:
在特征信号集合内将振动信号的信号幅值的最大值与最小值之间的差值作为最大幅值差异,计算特征信号集合内所有振动信号的信号幅值的方差,将该方差与最大幅值差异之间的乘积作为特征信号集合的第二系数。
优选的,所述根据第一系数和第二系数得到特征信号集合的调节系数,具体包括:
计算特征信号集合的第一系数和第二系数的和值的负相关归一化值,将第二预设值与该负相关归一化值之间的差值记为特征信号集合的调节系数。
优选的,所述根据振动信号序列中每相邻两个振动信号,获得参考信号,构成参考信号序列,具体包括:
对振动信号序列中所有振动信号进行曲线拟合得到振动信号曲线,所述振动信号曲线的横坐标为采集信号的时刻,纵坐标为振动信号的信号幅值;
对于任意两个相邻的振动信号,在振动信号曲线上获取所述两个相邻的振动信号的中点,将该中点的纵坐标取值作为所述两个相邻的振动信号对应的参考信号的信号幅值;
获取每两个相邻的振动信号对应的参考信号的信号幅值,构成参考信号序列。
优选的,所述第一斜率的获取方法具体为:
计算第一参考信号与第二参考信号之间的信号幅值差异记为第一差异,计算第一参考信号对应的时刻与第二参考信号对应的时刻之间的差异记为第二差异,将第一差异和第二差异的比值作为第一斜率;
所述第二斜率的获取方法具体为:
计算第二参考信号与第三参考信号之间的信号幅值差异记为第三差异,计算第二参考信号对应的时刻与第三参考信号对应的时刻之间的差异记为第四差异,将第三差异和第四差异的比值作为第二斜率。
优选的,所述根据所述调节系数对预设的滤波窗口尺寸进行调整得到特征信号集合的优选窗口尺寸,具体包括:
对于任意一个特征信号集合,将调节系数与预设的滤波窗口尺寸的乘积作为特征信号集合的优选窗口尺寸。
本发明实施例至少具有如下有益效果:
本发明首先获取振动信号序列,再对振动信号序列中相邻两个振动信号进行分析确定参考信号,通过参考信号序列对信号进行差异分析,筛选出波动程度较小的平滑信号集合,利用确定的参考信号能够较为准确地确定振动信号中波动程度较小的信号集合。然后,基于振动信号的幅值差异对除平滑信号集合外的振动信号进行划分,获得特征信号集合,利用特征信号集合表征振动信号中波动程度较大的信号集合。进一步地,对特征信号集合内振动信号的幅值差异以及所有振动信号的波动情况进行分析,确定特征信号集合对应的调节系数,利用调节系数能够自适应地获取特征信号集合对应的滤波窗口尺寸。最终,对存在基线漂移的不同的信号集合采用不同的滤波窗口尺寸进行处理,能够保证细节信息不丢失的情况下有效去除噪声的干扰,获得较为准确的滤波数据,进而使得采用去噪后的振动信号数据获得的智能眼镜计步数据较为准确。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于智能眼镜数据的计步分析方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种基于智能眼镜数据的计步分析方法实施例:
下面结合附图具体地说明本发明所提供的一种基于智能眼镜数据的计步分析方法的具体方案。
本发明的主要目的是:利用智能眼镜监测用户步数运动数据的过程中,由于人体自身和外界环境的影响,会导致信号步数运动数据对应的振动信号数据发生基线漂移的现象,需要对发生基线漂移的振动信号数据进行去噪处理,使得采集到的振动信号数据更加准确。
请参阅图1,其示出了本发明一个实施例提供的一种基于智能眼镜数据的计步分析方法的方法流程图,该方法包括以下步骤:
步骤一,获取用户运动过程中在设定时间段内不同时刻智能眼镜计步时的振动信号,构成振动信号序列;根据振动信号序列中每相邻两个振动信号,获得参考信号,构成参考信号序列。
首先,智能眼镜在对用户的运动过程进行步数数据监测的过程中,其功能原理主要包括感应振动、信号处理以及数据存储。感应振动阶段主要是利用传感器感应到用户在行走或者运动时的震动,会产生相应的电信号,在本实施例中将采集到的电信号记为振动信号。信号处理阶段主要是智能眼镜中的芯片接收到电信号,芯片会根据电信号判断用户是否在行走或者运动,然后再根据电信号的信号幅值等信息,计算出用户的步数、距离等相关数据。数据存储节点主要是将采集或者计算的计步数据进行存储。
在本实施例中,在用户运动完成后,获取用户在一次完整的运动的过程中产生的电信号记为振动信号,具体地,设定时间段为用户进行一次完整的运动所需的时间长度,将设定时间段内不同时刻的振动信号构成振动信号序列,同时对振动信号进行曲线拟合获得振动信号曲线,在本实施例中将相邻两个时刻之间的时间间隔设置为2s,实施者可根据具体实施场景进行设置。其中,对数据进行曲线拟合为公知技术,在此不再过多介绍。
需要说明的是,信号数据中的基线漂移是由于一个较低的低频信号叠加到原始的信号数据中,使得原始信号有缓慢的或者轻微的上下波动的趋势。用户在运动的过程中产生振动信号会存在较为高频的噪声信号,而用户的行为特征以及环境中的影响因素会产生较为低频的信号,两种类型的信号叠加在一起会使采集到的原始振动信号发生基线漂移的现象,直接采用现有的滤波算法对采集到的振动信号进行去噪处理,可能会存在较大的误差。在振动信号存在基线漂移现象时,对振动信号进行FFT分析、相关性分析和功率密度分析等时会出现畸变,造成低频出现尖峰,甚至淹没主频成分,从而严重影响信号数据的精度。因此对振动信号中的趋势项进行筛选,再用原始数据减去趋势项即可去除信号的基线漂移情况,能够有效去除采集到的信号中的噪声信号,进而获得准确的计步数据。
在正常情况下,用户在运动开始的初始阶段,运动幅度较小,振动信号的信号幅值也较小,随着运动时间的增加,用户的运动状态发生变化,振动信号的信号幅度也会随之发生较大的波动。
在本实施例中,根据振动信号序列中每相邻两个振动信号,获得参考信号,通过分析参考信号的变化趋势,映射原始信号的不同变化区间,针对原始的振动信号的不同变化区间采用不同尺寸的滤波窗口进行处理。
具体地,对振动信号序列中所有振动信号进行曲线拟合得到振动信号曲线,所述振动信号曲线的横坐标为采集信号的时刻,纵坐标为振动信号的信号幅值;对于任意两个相邻的振动信号,在振动信号曲线上获取所述两个相邻的振动信号的中点,将该中点的纵坐标取值作为所述两个相邻的振动信号对应的参考信号的信号幅值;获取每两个相邻的振动信号对应的参考信号的信号幅值,构成参考信号序列。
其中,在振动信号曲线上获取所述两个相邻的振动信号的中点,中点的横坐标是两个相邻的振动信号的横坐标之和的一半,即在振动信号曲线上,每两个相邻的振动信号均能获取一个参考信号,每两个相邻的参考信号之间的时间间隔与每两个相邻的振动信号之间的时间间隔相等。一个振动信号和其相邻的参考信号之间的时间间隔为每两个相邻的振动信号之间的时间间隔的一半。
步骤二,根据参考信号序列中相邻参考信号之间的差异情况,确定平滑信号集合,根据振动信号序列中平滑信号集合之外的振动信号的幅值差异,确定特征信号集合。
获得参考信号序列后,并对参考信号序列进行曲线拟合得到参考信号曲线,在参考信号曲线上较为平缓的信号区间与对应在振动信号曲线上的波动程度较为相近,同理,在参考信号曲线上波动较大的信号区间,在振动信号曲线上同样波动较大。但是,参考信号曲线上发生剧烈变化的信号区间,可能是原始振动信号中噪声强度较大的信号区间,也可能是由于发生基线漂移所在的趋势项,因此,可以通过对参考信号序列对应的参考信号的趋势变化情况进行分析,筛选出原始的振动信号中较为平滑的信号区间。
基于此,根据参考信号序列中相邻参考信号之间的差异情况,确定平滑信号集合。具体地,在参考信号序列中,将三个连续的参考信号分别记为第一参考信号、第二参考信号和第三参考信号;根据第一参考信号和第二参考信号之间的信号幅值差异计算斜率,记为第一斜率;根据第二参考信号和第三参考信号之间的信号幅值差异计算斜率,记为第二斜率;计算第二斜率和第一斜率的比值,将第一预设值与该比值的差值绝对值作为三个连续的参考信号的信号趋势表征值。
其中,第一参考信号和第二参考信号对应的第一斜率,第二参考信号和第三参考信号对应的第二斜率,可以利用第一参考信号、第二参考信号以及第三参考信号在参考信号曲线上的坐标值进行计算,且该计算方法为公知技术。
在本实施例中,计算第一参考信号与第二参考信号之间的信号幅值差异记为第一差异,计算第一参考信号对应的时刻与第二参考信号对应的时刻之间的差异记为第二差异,将第一差异和第二差异的比值作为第一斜率。具体地,在本实施例中按照时间的先后顺序分别将连续的三个参考信号记为第一参考信号、第二参考信号和第三参考信号,则计算第一斜率时,将第二参考信号的信号幅值与第一参考信号的信号幅值之间的差值作为第一差异,将第二参考信号对应的时刻与第一参考信号对应的时刻之间的差值作为第二差异。
按照相同的方法,计算第二参考信号与第三参考信号之间的信号幅值差异记为第三差异,计算第二参考信号对应的时刻与第三参考信号对应的时刻之间的差异记为第四差异,将第三差异和第四差异的比值作为第二斜率。即在计算第二斜率时,将第三参考信号的信号幅值与第二参考信号的信号幅值之间的差值作为第三差异,将第三参考信号对应的时刻与第二参考信号对应的时刻之间的差值作为第四差异。
在本实施例中,在参考信号序列中第t-1个参考信号记为第一参考信号,将第t个参考信号记为第二参考信号,将第t+1个参考信号记为第三参考信号,则三个连续的参考信号对应的信号趋势表征值的计算公式可以表示为:其中,/>表示三个连续的参考信号对应的信号趋势表征值,即以第t个参考信号作为第二参考信号对应的三个连续的参考信号的信号趋势表征值,/>表示第一斜率,/>表示第二斜率,在本实施例中,第一预设值的取值为1。
第一斜率和第二斜率反映了相邻两个参考信号之间的信号幅值的波动情况,当第二斜率和第一斜率的取值越接近时,第二斜率和第一斜率的比值越接近于1,的取值越小,即对应的信号趋势表征值的取值越小,说明三个连续的参考信号之间的信号幅值波动情况差异越小。
当第二斜率和第一斜率的取值差异越大时,第二斜率和第一斜率的比值与1的差异越大,的取值越大,对应的信号趋势表征值的取值越大,说明三个连续的参考信号之间的信号幅值波动情况差异越大。信号趋势表征值反映了对应的三个连续的参考信号所在的时间长度内信号幅值的波动趋势,其取值越小,说明对应的时间长度内信号幅值变化较为平缓或者较为规律,其取值越大,说明对应的时间长度内信号幅值变化较为剧烈或者较为异常。
按照相同的方法,每三个连续的参考信号均可计算一个对应的信号趋势表征值,进而对于所有信号趋势表征值,将归一化后的信号趋势表征值小于或等于预设的趋势阈值,对应的三个连续的参考信号所在的时间长度记为平滑时间区间,将所有平滑时间区间内的振动信号构成平滑信号集合。其中,在本实施例中,可以采用最大值最小值的方法对信号趋势表征值进行归一化处理,实施者可根据具体实施场景选择合适的方法进行处理。
在本实施例中,将趋势阈值的取值设置为0.2,实施者可根据具体实施场景进行设置。需要说明的是,每两个相邻的参考信号之间均存在一个振动信号,即三个连续的参考信号对应的平滑时间区间内,存在两个振动信号,将所有平滑时间区间内的振动信号构成平滑信号集合。
筛选出来的平滑信号集合中的振动信号为波动差异较小的振动信号,进而在原始的振动信号序列中,除了平滑信号集合外剩余的振动信号可能是噪声强度较大的信号或者是趋势项所对应的信号,为了便于后续对波动较大信号区间自适应地获取对应的滤波窗口尺寸,需要对波动较大的振动信号进行划分。
基于此,根据振动信号序列中平滑信号集合之外的振动信号的幅值差异,确定特征信号集合。具体地,获取振动信号序列中的极值记为特征信号,将振动信号序列中除平滑信号集合之外的所有振动信号构成待分析序列,获取待分析序列中的特征信号,分别将相邻两个特征信号之间的振动信号构成特征信号集合。
在本实施例中,获取振动信号曲线上的极值点,将极值点对应的振动幅值信号作为特征信号,其中,计算曲线上的极值点为公知技术,在此不再过多介绍。在其他实施例中,实施者也可以通过MATLAB求振动信号数据的极值数据。
最后,在振动信号序列中将平滑信号集合中的振动信号进行筛除,获得待分析序列,在该序列中可以获得振动信号序列中存在的特征信号,即极大值或者极小值对应的振动信号,将每相邻两个极值之间的振动信号构成特征信号集合,即可能存在多个特征信号集合。
需要说明的是,在获取特征信号集合时,待分析序列中可能存在部分振动信号无法被划分的情况,将待分析序列中未被划分的连续的振动信号均构成信号集合,也记为特征信号集合。
步骤三,根据特征信号集合内振动信号的幅值差异,以及所有振动信号的波动情况,确定特征信号集合对应的调节系数;根据所述调节系数对预设的滤波窗口尺寸进行调整得到特征信号集合的优选窗口尺寸。
由于振动信号中噪声信号是随机且高频的,发生基线漂移的信号是低频的,因此需要较为准确地筛选出发生偏移的趋势项,使得去除噪声信号的效果较佳。采用传统的均值滤波的方法对振动信号进行滤波处理时,为了更加准确地对振动信号进行平滑处理,本实施例针对不同变化趋势的振动信号采用不同尺寸的滤波窗口进行信号平滑处理。
特征信号集合表征了振动信号存在较大波动的信号所在集合,通过对每个特征信号集合分别进行分析,判断每个特征信号集合对应的信号区间的幅值波动程度,基于信号的波动情况自适应地确定每个特征信号集合对应需要对滤波窗口尺寸进行调节的程度。
基于此,根据特征信号集合内振动信号的幅值差异,以及所有振动信号的波动情况,确定特征信号集合对应的调节系数。
对于任意一个特征信号集合,根据集合内振动信号的幅值与标准振动信号的幅值,以及相邻振动信号之间的幅值差异的波动情况,得到第一系数。具体地,获取特征信号集合中与标准振动信号的信号幅值相等的振动信号的数量记为特征数量;将特征信号集合中任意一个振动信号记为目标振动信号,将目标振动信号的信号幅值与其相邻的振动信号的信号幅值之间的差异记为目标振动信号的特征差异;计算特征信号集合中所有振动信号的特征差异的均值,将该均值的归一化值与特征数量的归一化值的和值作为特征信号集合的第一系数。
标准振动信号表征了振动信号在正常波动时的基准线,即正常情况下,振动信号在标准振动信号附近波动,在本实施例中,标准振动信号的信号幅值为0,实施者需要根据具体实施场景进行获取。
在本实施例中,将特征信号集合中目标振动信号的信号幅值与其相邻的下一个振动信号的信号幅值之间的差值绝对值作为目标振动信号的特征差异。特殊地,特征信号集合中最后一个振动信号的特征差异的取值与特征信号集合中倒数第二个振动信号的特征差异的取值相等。
以任意一个特征信号集合为例进行说明,将特征信号集合中第v个振动信号作为目标振动信号,则特征信号集合的第一系数的计算公式可以表示为:
其中,表示特征信号集合的第一系数,G表示特征数量,/>表示特征信号集合中包含的振动信号的总数量,/>表示特征信号集合中第v个振动信号的特征差异,Norm( )为归一化函数。
特征信号集合中振动信号的特征差异反映了振动信号与其相邻的振动信号之间的幅值差异,特征信号集合中所有特征差异的均值反映了特征信号集合中每相邻两个振动信号之间幅值差异的整体分布情况,其取值越大,说明特征信号集合对应的信号波动越大,对应的第一系数的取值越大。
特征数量表示特征信号集合中与标准振动信号的信号幅值相等的振动信号的数量,其取值越大,说明特征信号集合中信号幅值与标准信振动信号的信号幅值相同的数量越多,进而当特征信号集合对应的信号波动较大时,说明较少数量的振动信号产生了较大程度的波动,进而说明特征信号集合对应的噪声程度越大。特征信号集合的第一系数从特征信号集合中信号幅值的正常分布密度以及相邻变化程度方面,反映了振动信号的噪声程度。
进一步地,对于任意一个特征信号集合,根据集合内振动信号之间的最大幅值差异和所有振动信号的波动情况,得到第二系数。具体地,在特征信号集合内将振动信号的信号幅值的最大值与最小值之间的差值作为最大幅值差异,计算特征信号集合内所有振动信号的信号幅值的方差,将该方差与最大幅值差异之间的乘积作为特征信号集合的第二系数。
所述特征信号集合的第二系数的计算公式可以表示为:
其中,表示特征信号集合的第二系数,/>表示特征信号集合中所有振动信号的信号幅值的最大值,/>表示特征信号集合中所有振动信号的信号幅值的最小值,/>表示特征信号集合中第v个振动信号的信号幅值,/>表示特征信号集合中所有振动信号的振动幅值的均值,/>表示特征信号集合中包含的振动信号的总数量。
为特征信号集合中的最大幅值差异,反映了特征信号集合内所有振动信号的振动幅值的最大差异,/>反映了特征信号集合中振动信号的振动幅值的波动情况,最大幅值差异的取值越大,方差的取值越大,说明振动信号的幅值差异越大,且波动程度越大,进而对应的第二系数的取值越大,说明特征信号集合中噪声强度越高。
最后,根据第一系数和第二系数得到特征信号集合对应的调节系数。具体地,计算特征信号集合的第一系数和第二系数的和值的负相关归一化值,将第二预设值与该负相关归一化值之间的差值记为特征信号集合的调节系数,所述调节系数的计算公式可以表示为:
其中,R表示特征信号集合对应的调节系数,表示特征信号集合的第一系数,表示特征信号集合的第二系数,exp( )表示以自然常数e为底的指数函数,第二预设值的取值为1。
第一系数从特征信号集合中信号幅值的正常分布密度以及相邻变化程度方面,反映了振动信号的噪声程度。第二系数从特征信号集合中信号幅值差异程度以及波动程度方面,反映了振动信号的噪声程度。
第一系数取值越大,第二系数的取值越大,说明特征信号集合中噪声强度越大,需要较大的滤波窗口对该特征信号集合进行平滑处理,避免噪声干扰平滑结果,进而对应的调节系数取值越大。第一系数取值越小,第二系数的取值越小,说明特征信号集合中噪声强度越小,需要较小的滤波窗口对该特征信号集合进行平滑处理,以保留更多的细节特征,进而对应的调节系数取值越小。
基于此,根据所述调节系数对预设的滤波窗口尺寸进行调整得到特征信号集合的优选窗口尺寸。具体地,对于任意一个特征信号集合,将调节系数与预设的滤波窗口尺寸的乘积作为特征信号集合的优选窗口尺寸。
在本实施例中,预设的滤波窗口尺寸为振动信号序列中所有振动信号的总数量的30%,实施者可根据具体实施场景进行设置。需要说明的是,由于本实施例是对时序信号数据进行平滑处理,故在本实施中的滤波窗口为一维的预设长度的滑动窗口,即预设的滤波窗口尺寸为滤波窗口的预设长度。
步骤四,利用预设的滤波窗口尺寸对平滑信号集合进行处理,利用优选窗口尺寸对特征信号集合进行处理,获得去噪后的振动信号序列。
平滑信号集合为振动信号序列中信号波动较为稳定的信号集合,故对波动较为稳定的信号集合采用固定大小的滤波窗口进行处理。而特征信号集合为可能存在噪声的趋势项部分,故需要对存在噪声的趋势项部分进行自适应获取滤波窗口尺寸,进而进行滤波处理。
基于此,利用预设的滤波窗口尺寸对平滑信号集合进行滤波处理,利用优选窗口尺寸对特征信号集合进行滤波处理,获得滤波信号序列。在本实施例中,采用均值滤波的方法对信号进行处理,实施者可根据具体实施场景进行选择。不同尺寸的滤波窗口在不同的信号集合中的平滑效果不同,保证细节信息不丢失的情况下能有效保留信号特征信息。
利用自适应的滤波窗口对振动信号进行滤波平滑处理后,初步消除了振动信号中的噪声部分,但是振动信号中仍可能存在基线漂移的现象而影响振动信号的真实性,故在本实施例中,采用最小二乘法对滤波平滑处理后的信号,即对滤波信号序列进行拟合,获得趋势项,再利用滤波信号序列减去趋势项,获得去基线漂移后的滤波信号序列。其中,利用最小二乘法进行拟合去除振动信号中的基线漂移现象为公知技术,在此不再过多介绍。
利用自适应的滤波窗口对振动信号进行平滑处理,能够获得更加准确的趋势项,使得原始的振动信号序列进行去基线漂移操作的效果更佳。由于基线漂移现象会影响信号数据的去噪效果,故在对去基线漂移后的滤波信号序列进行去噪处理,实施者可采用常规的数据去噪方法,利用均值滤波等。
步骤五,根据去噪后的振动信号序列获得用户运动完成后的计步数据。
具体地,采用波峰检测算法获取用户运动完成后的计步数据,即对去噪后的振动信号进行波峰检测,当检测到一个波峰时,记为一步。需要说明的是,利用波峰检测算法根据去噪后的振动信号序列,获取用户在一次完整的运动过程中的计步数据,为公知技术,实施者也可以选择其他合适的方法基于去噪后的振动信号序列获取相应的计步数据,例如阈值算法等。
综上所述,本发明实施例首先通过参考信号序列对信号进行差异分析,筛选出波动程度较小的平滑信号集合,然后,基于振动信号的幅值差异对除平滑信号集合外的振动信号进行划分,获得特征信号集合。进一步地,对特征信号集合内振动信号的幅值差异以及所有振动信号的波动情况进行分析,确定特征信号集合对应的调节系数,利用调节系数能够自适应地获取特征信号集合对应的滤波窗口尺寸。最终,对不同的信号集合采用不同的滤波窗口尺寸进行处理,能够保证细节信息不丢失的情况下有效去除噪声的干扰。
一种基于智能眼镜数据的数据处理方法:
现有的对智能眼镜数据进行去噪的方法为采用均值滤波算法对智能眼镜数据进行处理,而现有的滤波算法中滤波窗口为固定的数值,无法根据数据的波动情况进行自适应的获取,导致利用现有的滤波算法对智能眼镜数据进行滤波处理的效果较差。
为了解决现有的滤波算法对智能眼镜数据进行滤波处理的效果较差的技术问题,本实施例提供一种基于智能眼镜数据的数据处理方法,请参阅图2,其示出了一种基于智能眼镜数据的数据处理方法的方法流程图,该方法包括以下步骤:
步骤一,获取用户运动过程中在设定时间段内不同时刻智能眼镜计步时的振动信号,构成振动信号序列;根据振动信号序列中每相邻两个振动信号,获得参考信号,构成参考信号序列。
步骤二,根据参考信号序列中相邻参考信号之间的差异情况,确定平滑信号集合,根据振动信号序列中平滑信号集合之外的振动信号的幅值差异,确定特征信号集合。
步骤三,根据特征信号集合内振动信号的幅值差异,以及所有振动信号的波动情况,确定特征信号集合对应的调节系数;根据所述调节系数对预设的滤波窗口尺寸进行调整得到特征信号集合的优选窗口尺寸。
步骤四,利用预设的滤波窗口尺寸对平滑信号集合进行处理,利用优选窗口尺寸对特征信号集合进行处理,获得去噪后的振动信号序列。
其中,步骤一至步骤四,均在上述一种基于智能眼镜数据的计步分析方法实施例中已给出了详细说明,在此不再赘述。
本实施例的有益效果具体为:
本实施例首先获取振动信号序列,再对振动信号序列中相邻两个振动信号进行分析确定参考信号,通过参考信号序列对信号进行差异分析,筛选出波动程度较小的平滑信号集合,利用确定的参考信号能够较为准确地确定振动信号中波动程度较小的信号集合。然后,基于振动信号的幅值差异对除平滑信号集合外的振动信号进行划分,获得特征信号集合,利用特征信号集合表征振动信号中波动程度较大的信号集合。进一步地,对特征信号集合内振动信号的幅值差异以及所有振动信号的波动情况进行分析,确定特征信号集合对应的调节系数,利用调节系数能够自适应地获取特征信号集合对应的滤波窗口尺寸。最终,对不同的信号集合采用不同的滤波窗口尺寸进行处理,能够保证细节信息不丢失的情况下有效去除噪声的干扰,获得较为准确的滤波数据。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。