JP2023521655A - 運動データ処理方法及び運動監視システム - Google Patents

Abstract

本願は、周波数領域又は時間領域で筋電信号を処理して、筋電信号のうちの、例えば、特異信号、欠落信号、飽和信号、ハイパスフィルタによる発振信号などの異常信号を識別することができる運動データ処理方法及び運動監視システムを提供する。上記運動データ処理方法及び運動監視システムは、さらに、データサンプリングアルゴリズムにより筋電信号に対してデータサンプリングを行い、かつサンプリングデータに基づいて異常信号の発生時刻のデータを予測して予測データを取得し、かつ異常信号を予測データに置き換えることにより、異常信号を補正することができる。上記運動データ処理方法及び運動監視システムは、異常信号を正確に識別することができるだけでなく、補正後のデータがユーザの実際の運動により適合するように異常信号を補正することができ、それによりユーザ体験を向上させる。

Description

本願は、ウェアラブルデバイスの技術分野に関し、特に運動データ処理方法及び運動監視システムに関する。

人々が科学的な運動及び体の健康に注目するにつれて、運動監視装置は、大きく進歩している。現在、運動監視装置は、主に運動中のユーザの一部の生理学的パラメータ情報（例えば、筋電信号）を監視し、生理学的データをユーザに提示し、生理学的データに基づいてアドバイスを与える。ユーザがより科学的で、より効果的に運動することを可能にするために、運動監視装置は、ユーザにその筋肉の各部位の筋力（即ち、筋電信号の振幅）をリアルタイムに提示する機能を備える必要がある。より良い利用体験をユーザに提供するために、運動監視装置は、平滑化された筋電図を得るように、筋電信号に対して平滑化処理を行う必要がある。従来の技術において、運動監視装置は、筋電信号を処理する時に、異常信号、例えば、フィットしない衣類、引っ張り、モーションアーチファクトなどの状況による異常な筋電信号を識別することができないため、筋電図が安定せず、ユーザ体験が悪くなる。

したがって、異常信号をリアルタイムに識別して補正することができる運動データ処理方法及び運動監視システムを提供する必要がある。

本願は、異常信号をリアルタイムに識別して補正することができる運動データ処理方法及び運動監視システムを提供する。

第１の態様において、本願は、ユーザの運動時に対応する測定位置の筋電信号をリアルタイムに取得するステップと、前記筋電信号に基づいて、前記筋電信号のうちの異常信号を判定するステップと、前記異常信号を補正するステップとを含む、運動データ処理方法を提供する。

いくつかの実施例において、前記筋電信号に基づいて、前記筋電信号のうちの異常信号を判定するステップは、時間領域で前記筋電信号を処理し、前記異常信号を判定するステップ、又は、周波数領域で前記筋電信号を処理し、前記異常信号を判定するステップを含む。

いくつかの実施例において、時間領域で前記筋電信号を処理し、前記異常信号を判定するステップは、前記筋電信号の時間領域窓に基づいて、前記筋電信号の時間領域窓から、異なる時間範囲をそれぞれカバーする少なくとも１つの時間窓を選択するステップと、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップとを含む。

いくつかの実施例において、前記特徴情報は、振幅情報及び振幅情報の統計情報のうちの少なくとも１種を含み、前記振幅情報の統計情報は、振幅情報のエントロピー、分散、標準偏差、標準偏差の標準偏差及びゼロ交差率のうちの少なくとも１種を含む。

いくつかの実施例において、前記異常信号は、特異信号を含み、前記少なくとも１つの時間窓は、複数の時間窓を含み、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて前記異常信号を判定するステップは、前記複数の時間窓内の筋電信号に対応する複数の特徴情報を判定するステップと、前記時間範囲が後にある時間窓に対応する特徴情報と、前記時間範囲が先にある時間窓に対応する特徴情報との比率が所定の第１の閾値を超えると判定すると、前記時間範囲が後にある時間窓内の筋電信号が前記特異信号であると判定するステップとを含む。

いくつかの実施例において、前記異常信号は、欠落信号を含み、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップは、前記少なくとも１つの時間窓内の筋電信号に対応する少なくとも１つの特徴情報を判定するステップと、前記少なくとも１つの特徴情報における予め記憶された第２の閾値より低い特徴情報に対応する時間窓内の筋電信号が前記欠落信号であると判定するステップとを含む。

いくつかの実施例において、前記異常信号は、飽和信号を含み、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップは、前記少なくとも１つの時間窓内の筋電信号に対応する少なくとも１つの特徴情報を判定するステップと、前記少なくとも１つの特徴情報における予め記憶された飽和特徴情報より高い特徴情報に対応する時間窓内の筋電信号が前記飽和信号であると判定するステップとを含む。

いくつかの実施例において、前記筋電信号は、平均値除去アルゴリズム及びハイパスフィルタアルゴリズムのうちの少なくとも１種を含む直流成分除去アルゴリズムに基づいて得られた信号を含む。

いくつかの実施例において、前記異常信号は、前記ハイパスフィルタアルゴリズムによる発振信号をさらに含み、時間領域で前記筋電信号を処理し、前記異常信号を判定するステップは、前記ハイパスフィルタアルゴリズムのフィルタパラメータに基づいて、前記発振信号の基準発振高さ及び基準持続時間を計算するステップと、前記筋電信号を前記基準発振高さ及び前記基準持続時間とリアルタイムにマッチングし、前記筋電信号のうちの、前記基準発振高さ及び前記基準持続時間とマッチングする信号区間に対応する筋電信号を前記発振信号として判定するステップとを含む。

いくつかの実施例において、周波数領域で前記筋電信号を処理し、前記異常信号を判定するステップは、周波数領域変換アルゴリズムに基づいて、前記周波数領域での前記筋電信号の周波数領域信号をリアルタイムに取得するステップと、前記周波数領域信号のスペクトル特徴をリアルタイムに判定するステップと、前記スペクトル特徴が所定の条件を満たさない周波数領域信号に対応する筋電信号を前記異常信号として判定するステップとを含む。

いくつかの実施例において、前記スペクトル特徴は、スペクトル形状、パワースペクトル密度、平均パワー周波数、中央周波数及びウェーブレットスケールのうちの少なくとも１種を含む。

いくつかの実施例において、前記異常信号を補正するステップは、前記異常信号の前の前記筋電信号に対してデータサンプリングをリアルタイムに行い、サンプリングデータを取得するステップと、前記筋電信号の時間領域窓に対応する前記サンプリングデータに基づいて、前記異常信号の発生時刻に対応する予測データを判定するステップと、前記予測データに基づいて、前記異常信号の発生時刻に対応する補正データを判定するステップと、前記補正データを使用して前記異常信号を補正するステップとを含む。

いくつかの実施例において、前記筋電信号の時間領域窓に対応する前記サンプリングデータに基づいて、前記異常信号の発生時刻に対応する予測データを判定するステップは、前記時間領域窓に対応する前記サンプリングデータに基づいて、フィッティング関数を決定し、かつ前記フィッティング関数に基づいて、前記異常信号の発生時刻に対応する前記予測データを計算するステップと、時間領域窓に対応する前記サンプリングデータ、及びトレーニングされたＬＳＴＭネットワークに基づいて、前記異常信号の発生時刻に対応する前記予測データを計算するステップとのうちの少なくとも１つを含む。

いくつかの実施例において、前記予測データに基づいて、前記異常信号の発生時刻に対応する補正データを判定するステップは、前記予測データが、前記時間領域窓内の前記筋電信号の最大値及び最小値からなるデータ範囲を含む所定の範囲内にあると判定すると、前記予測データを前記補正データとするステップ、又は、前記予測データが前記所定の範囲内にないと判定すると、前記異常信号に隣接する少なくとも１フレームの筋電信号に対応するサンプリングデータを前記補正データとするステップを含む。

第２の態様において、本願は、運動データ処理のための少なくとも１つの命令セットが記憶されている少なくとも１つの記憶媒体と、前記少なくとも１つの記憶媒体と通信可能に接続される少なくとも１つのプロセッサとを含み、動作時に、前記少なくとも１つのプロセッサが前記少なくとも１つの命令セットを読み取り、本願の第１の態様に記載の運動データ処理方法を実行する運動監視システムをさらに提供する。

以上の技術的解決手段から分かるように、本願に係る運動データ処理方法及び運動監視システムは、周波数領域又は時間領域で筋電信号を処理して、筋電信号のうちの、例えば、特異信号、欠落信号、飽和信号、ハイパスフィルタによる発振信号などの異常信号を識別することができる。上記運動データ処理方法及び運動監視システムは、さらに、データサンプリングアルゴリズムにより筋電信号に対してデータサンプリングを行い、かつサンプリングデータに基づいて異常信号の発生時刻のデータを予測して予測データを取得し、かつ異常信号を予測データに置き換えることにより、異常信号を補正することができる。上記運動データ処理方法及び運動監視システムは、異常信号を正確に識別することができるだけでなく、補正後のデータがユーザの実際の運動により適合するように異常信号を補正することができ、それによりユーザ体験を向上させる。上記運動データ処理方法及び運動監視システムは、さらに、異常信号を識別すると、デバイスの装着が異常であるようにユーザの注意をタイムリーに喚起して、データをより正確に収集することができる。

本願は、例示的な実施例の方式でさらに説明し、これらの例示的な実施例を図面により詳細に説明する。これらの実施例は、限定的なものではなく、これらの実施例において、同じ番号は、同じ構造を表す。

本願のいくつかの実施例に係る運動監視システムの適用シーンの概略図である。 本願のいくつかの実施例に係るウェアラブルデバイスの例示的なハードウェア及び／又はソフトウェアの概略図である。 本願のいくつかの実施例に係るコンピューティングデバイスの例示的なハードウェア及び／又はソフトウェアの概略図である。 本願のいくつかの実施例に係るウェアラブルデバイスの例示的な構造図である。 本願のいくつかの実施例に係る運動監視方法の例示的なフローチャートである。 本願のいくつかの実施例に係る運動データ処理方法の例示的なフローチャートである。 本願のいくつかの実施例に係る、時間領域で筋電信号を処理する例示的なフローチャートである。 本願のいくつかの実施例に係る特異信号の概略図である。 本願のいくつかの実施例に係る、特異信号を識別する例示的なフローチャートである。 本願のいくつかの実施例に係る欠落信号の概略図である。 本願のいくつかの実施例に係る、欠落信号を識別する例示的なフローチャートである。 本願のいくつかの実施例に係る飽和信号の概略図である。 本願のいくつかの実施例に係る、飽和信号を識別する例示的なフローチャートである。 本願のいくつかの実施例に係る発振信号の概略図である。 本願のいくつかの実施例に係る、発振信号を識別する例示的なフローチャートである。 本願のいくつかの実施例に係る、周波数領域で筋電信号を処理する例示的なフローチャートである。 本願のいくつかの実施例に係る、異常信号を補正する例示的なフローチャートである。 本願のいくつかの実施例に係る筋電信号及び補正後の平滑化曲線の概略図である。

本願の実施例の技術的解決手段をより明確に説明するために、以下、実施例の説明に必要な図面を簡単に説明する。明らかに、以下に説明される図面は、単に本願の例又は実施例の一部にすぎず、当業者であれば、創造的な労力を要することなく、これらの図面に基づいて本願を他の類似するシナリオに適用することができる。文脈から明らかではない限り又は明記されない限り、図面において同じ符号は、同じ構造又は操作を表す。

本明細書で使用される「システム」、「装置」、「ユニット」及び／又は「モジュール」は、レベルの異なる様々なアセンブリ、素子、部品、部分又は組立体を区別するための方法であることが理解されよう。しかしながら、他の用語が同じ目的を達成することができれば、上記用語の代わりに他の表現を用いることができる。

本願及び特許請求の範囲に示すように、文脈が明確に別段の指示をしない限り、「１つ」、「１個」、「１種」及び／又は「該」などの用語は、特に単数形を意味するものではなく、複数形を含んでもよい。一般的には、用語「含む」及び「含有」は、明確に識別されたステップ及び要素が含まれることを示唆するだけであり、これらのステップ及び要素は、排他的な羅列を構成せず、方法又は設備は、他のステップ又は要素を含んでもよい。

本願において、フローチャートを用いて本願の実施例に係るシステムが実行する操作を説明する。先行及び後続の操作は、必ずしも順序に応じて正確に実行されるとは限らないことが理解されよう。その代わりに、様々なステップを逆の順序で、又は同時に処理してもよい。また、他の操作をこれらのプロセスに追加してもよく、これらのプロセスから１つ以上の操作を除去してもよい。

本願は、少なくとも筋電信号、姿勢信号、心電信号、呼吸数信号などを含む運動中のユーザの動作信号を取得することができる運動監視システムを提供する。該システムは、少なくとも筋電信号に対応する特徴情報又は姿勢信号に対応する特徴情報に基づいて、運動中のユーザの動作を監視することができる。例えば、筋電信号に対応する周波数情報、振幅情報、及び姿勢信号に対応する角速度、角速度方向及び角速度の角速度値、角度、変位情報、応力などにより、ユーザの動作タイプ、動作回数、動作の良否、動作時間、又はユーザが動作を行う時の生理学的パラメータ情報などを判定する。いくつかの実施例において、運動監視システムは、さらに、ユーザのフィットネス動作に対する分析結果に基づいて、ユーザのフィットネス動作に対するフィードバックを生成することにより、ユーザのフィットネスを指導することができる。例えば、ユーザのフィットネス動作が標準的でない場合、運動監視システムは、ユーザに提示情報（例えば、音声提示、振動提示、電流刺激など）を発することができる。該運動監視システムは、ウェアラブルデバイス（例えば、衣類、リストバンド、ヘルメット）、医療検査装置（例えば、筋電計）、フィットネス器具などに適用することができ、該運動監視システムは、運動中のユーザの動作信号を取得することにより、ユーザの動作を正確に監視し、フィードバックすることができ、専門家の助けを借りる必要がないため、ユーザのフィットネス効率を向上させながら、ユーザのフィットネスのコストを低減することができる。

図１は、本願のいくつかの実施例に係る運動監視システムの適用シーンの概略図である。図１に示すように、運動監視システム１００は、処理装置１１０、ネットワーク１２０、ウェアラブルデバイス１３０及び移動端末装置１４０を含んでもよい。運動監視システム１００は、ユーザの運動動作を表すための動作信号（例えば、筋電信号、姿勢信号、心電信号、呼吸数信号など）を取得し、ユーザの動作信号に基づいて運動中のユーザの動作を監視し、フィードバックすることができる。

例えば、運動監視システム１００は、フィットネス時のユーザの動作を監視し、フィードバックすることができる。ユーザがウェアラブルデバイス１３０を装着してフィットネス運動を行う場合、ウェアラブルデバイス１３０は、ユーザの動作信号を取得することができる。処理装置１１０又は移動端末装置１４０は、ユーザの動作信号を受信して分析することにより、ユーザのフィットネス動作が標準的であるか否かを判断して、ユーザの動作を監視することができる。具体的には、ユーザの動作を監視することは、動作の動作タイプ、動作回数、動作の良否、動作時間、又はユーザが動作を行う時の生理学的パラメータ情報などを判定することを含んでもよい。さらに、運動監視システム１００は、ユーザのフィットネス動作に対する分析結果に基づいて、ユーザのフィットネス動作に対するフィードバックを生成することにより、ユーザのフィットネスを指導することができる。

また、例えば、運動監視システム１００は、ランニング中のユーザの動作を監視し、フィードバックすることができる。例えば、ユーザがウェアラブルデバイス１３０を装着してランニング運動を行う場合、運動監視システム１００は、ユーザのランニング動作が標準的であるか否か、ランニング時間が健康基準に適合するか否かなどを監視することができる。ユーザのランニング時間が長すぎるか又はランニング動作が正しくない場合、フィットネス器具は、ユーザにランニング動作又はランニング時間を調整する必要があることを提示するように、ユーザにその運動状態をフィードバックすることができる。

いくつかの実施例において、処理装置１１０は、ユーザの運動に関連する情報及び／又はデータを処理することができる。例えば、処理装置１１０は、ユーザの動作信号（例えば、筋電信号、姿勢信号、心電信号、呼吸数信号など）を受信し、動作信号に対応する特徴情報（例えば、動作信号のうちの筋電信号に対応する特徴情報、姿勢信号に対応する特徴情報）をさらに抽出することができる。いくつかの実施例において、処理装置１１０は、ウェアラブルデバイス１３０が収集した筋電信号又は姿勢信号に対して、特定の信号処理、例えば信号セグメンテーション、信号前処理（例えば、信号補正処理、フィルタリング処理など）などを行うことができる。いくつかの実施例において、処理装置１１０は、ユーザの動作信号に基づいてユーザの動作が正しいか否かを判断することができる。例えば、処理装置１１０は、筋電信号に対応する特徴情報（例えば、振幅情報、周波数情報など）に基づいて、ユーザの動作が正しいか否かを判断することができる。また例えば、処理装置１１０は、姿勢信号に対応する特徴情報（例えば、角速度、角速度方向、角速度の加速度、角度、変位情報、応力など）に基づいて、ユーザの動作が正しいか否かを判断することができる。また例えば、処理装置１１０は、筋電信号に対応する特徴情報及び姿勢信号に対応する特徴情報に基づいて、ユーザの動作が正しいか否かを判断することができる。いくつかの実施例において、処理装置１１０は、さらに、運動中のユーザの生理学的パラメータ情報が健康基準に適合するか否かを判断することができる。いくつかの実施例において、処理装置１１０は、さらに、ユーザの運動状況をフィードバックするように、対応する命令を送信することができる。例えば、ユーザがランニング運動を行う場合、運動監視システム１００は、ユーザのランニング時間が長すぎることを監視し、この時に、処理装置１１０は、ユーザにランニング時間を調整することを提示するように、移動端末装置１４０に命令を送信することができる。なお、姿勢信号に対応する特徴情報は、上記の角速度、角速度方向、角速度の加速度、角度、変位情報、応力などに限定されず、さらに他の特徴情報であってもよく、ユーザの体の相対運動を体現するためのパラメータ情報は、いずれも姿勢信号に対応する特徴情報であってもよい。例えば、姿勢センサが歪みゲージである場合、引張長さに伴って変化する歪みゲージの抵抗の大きさを測定することにより、ユーザの関節の屈曲角度及び屈曲方向を取得することができる。

いくつかの実施例において、処理装置１１０は、ローカル又は遠隔であってもよい。例えば、処理装置１１０は、ネットワーク１２０を介してウェアラブルデバイス１３０及び／又は移動端末装置１４０に記憶された情報及び／又は資料にアクセスすることができる。いくつかの実施例において、処理装置１１０は、ウェアラブルデバイス１３０及び／又は移動端末装置１４０に直接接続されて、そこに記憶された情報及び／又は資料にアクセスすることができる。例えば、処理装置１１０は、ウェアラブルデバイス１３０内に配置され、ネットワーク１２０を介して移動端末装置１４０との情報交換を実現することができる。また例えば、処理装置１１０は、移動端末装置１４０内に配置され、ネットワークを介してウェアラブルデバイス１３０との情報交換を実現することができる。いくつかの実施例において、処理装置１１０は、クラウドプラットフォームで実行されてもよい。

いくつかの実施例において、処理装置１１０は、運動監視に関連するデータ及び／又は情報を処理して本願に記載の１つ以上の機能を実行することができる。いくつかの実施例において、処理装置１１０は、ウェアラブルデバイス１３０が収集した運動中のユーザの動作信号を取得することができる。いくつかの実施例において、処理装置１１０は、ウェアラブルデバイス１３０又は移動端末装置１４０に制御命令を送信することができる。制御命令は、ウェアラブルデバイス１３０及びその各センサのオンオフ状態を制御することができ、さらに移動端末装置１４０が提示情報を送信するように制御することができる。いくつかの実施例において、処理装置１１０は、１つ以上のサブ処理装置（例えば、ワンチップ処理装置又はマルチコアマルチチップ処理装置）を含んでもよい。

ネットワーク１２０は、運動監視システム１００におけるデータ及び／又は情報の交換を促進することができる。いくつかの実施例において、運動監視システム１００における１つ以上のコンポーネントは、ネットワーク１２０を介して、データ及び／又は情報を運動監視システム１００における他のコンポーネントに送信することができる。例えば、ウェアラブルデバイス１３０が収集した動作信号は、ネットワーク１２０を介して処理装置１１０に伝送することができる。また例えば、処理装置１１０における動作信号に関する確認結果は、ネットワーク１２０を介して移動端末装置１４０に伝送することができる。いくつかの実施例において、ネットワーク１２０は、任意のタイプの有線又は無線ネットワークであってもよい。

ウェアラブルデバイス１３０とは、ウェアラブル機能を有する衣類又はデバイスを指す。いくつかの実施例において、ウェアラブルデバイス１３０は、上着デバイス１３０－１、ズボンデバイス１３０－２、リストバンドデバイス１３０－３及び靴１３０－４などを含むが、これらに限定されない。いくつかの実施例において、ウェアラブルデバイス１３０は、複数のセンサを含んでもよい。センサは、運動中のユーザの様々な動作信号（例えば、筋電信号、姿勢信号、温度情報、心拍周波数、心電信号など）を取得することができる。いくつかの実施例において、センサは、筋電センサ、姿勢センサ、温度センサ、湿度センサ、心電センサ、血中酸素飽和度センサ、ホールセンサ、電気皮膚反応センサ、回転センサなどのうちの１種又は複数種を含むが、これらに限定されない。例えば、人の筋肉（例えば、上腕二頭筋、上腕三頭筋、広背筋、斜方筋など）に対応する上着デバイス１３０－１における位置には、ユーザの皮膚にフィットして運動中のユーザの筋電信号を収集できる筋電センサが設置されてもよい。また例えば、人の左側胸筋の近傍に対応する上着デバイス１３０－１における位置には、ユーザの心電信号を収集できる心電センサが設置されてもよい。さらに例えば、人の筋肉（例えば、大臀筋、外側広筋、内側広筋、腓腹筋など）に対するズボンデバイス１３０－２における位置には、ユーザの姿勢信号を収集できる姿勢センサが設置されてもよい。いくつかの実施例において、ウェアラブルデバイス１３０は、さらに、ユーザの動作をフィードバックすることができる。例えば、ユーザが運動する時に体のある部位の動作が標準的でない場合、該部位に対応する筋電センサは、刺激信号（例えば、電流刺激又は打撃信号）を生成してユーザの注意を喚起することができる。

なお、ウェアラブルデバイス１３０、図１に示された上着デバイス１３０－１、ズボンデバイス１３０－２、リストバンドデバイス１３０－３及び靴デバイス１３０－４に限定されず、さらに運動監視に使用可能な他のデバイス、例えば、ヘルメットデバイス、膝当てデバイスなどを含んでもよく、本明細書において限定されず、本願に含まれた運動監視方法を使用できる任意のデバイスは、いずれも本願の保護範囲内にある。

いくつかの実施例において、移動端末装置１４０は、運動監視システム１００における情報又はデータを取得することができる。いくつかの実施例において、移動端末装置１４０は、処理装置１１０により処理された運動データを受信し、処理された運動データに基づいて運動記録などをフィードバックすることができる。例示的なフィードバック方式は、音声提示、画像提示、ビデオ表示、文字提示などを含むが、これらに限定されない。いくつかの実施例において、ユーザは、移動端末装置１４０により自身の運動中の動作記録を取得することができる。例えば、移動端末装置１４０は、ネットワーク１２０を介してウェアラブルデバイス１３０と接続されてもよく（例えば、有線接続、無線接続）、ユーザは、移動端末装置１４０を介してユーザの運動中の動作記録を取得することができ、該動作記録は、移動端末装置１４０により処理装置１１０に伝送されてもよい。いくつかの実施例において、移動端末装置１４０は、モバイルデバイス１４０－１、タブレットコンピュータ１４０－２、ノートパソコン１４０－３などのうちの１種又はそれらの任意の組み合わせを含んでもよい。いくつかの実施例において、モバイルデバイス１４０－１は、携帯電話、スマートホームデバイス、スマートモバイルデバイス、仮想現実装置、拡張現実装置など、又はそれらの任意の組み合わせを含んでもよい。いくつかの実施例において、スマートホームデバイスは、スマート家電の制御装置、スマート監視装置、スマートテレビ、スマートカメラなど、又はそれらの任意の組み合わせを含んでもよい。いくつかの実施例において、スマートモバイルデバイスは、スマートフォン、パーソナルデジタルアシスタント（ＰＤＡ）、ゲームデバイス、ナビゲーションデバイス、ＰＯＳデバイスなど、又はそれらの任意の組み合わせを含んでもよい。いくつかの実施例において、仮想現実装置及び／又は拡張現実装置は、仮想現実ヘルメット、仮想現実メガネ、仮想現実アイマスク、拡張現実ヘルメット、拡張現実メガネ、拡張現実アイマスクなど、又はそれらの任意の組み合わせを含んでもよい。

いくつかの実施例において、運動監視システム１００は、さらに、データベースを含んでもよい。データベースは、資料（例えば、初期設定された閾値条件など）及び／又は命令（例えば、フィードバック命令）を記憶することができる。いくつかの実施例において、データベースは、ウェアラブルデバイス１３０及び／又は移動端末装置１４０から取得された資料を記憶することができる。いくつかの実施例において、データベースは、処理装置１１０が実行するか又は使用する情報及び／又は命令を記憶して、本願に記載の例示的な方法を実行することができる。いくつかの実施例において、データベースは、運動監視システム１００の１つ以上のコンポーネント（例えば、処理装置１１０、ウェアラブルデバイス１３０、移動端末装置１４０など）と通信するように、ネットワーク１２０に接続されてもよい。運動監視システム１００の１つ以上のコンポーネントは、ネットワーク１２０を介してデータベースに記憶された資料又は命令にアクセスすることができる。いくつかの実施例において、データベースは、運動監視システム１００のうちの１つ以上のコンポーネントに直接的に接続されるか又は通信することができる。いくつかの実施例において、データベースは、処理装置１１０の一部であってもよい。

図２は、本願のいくつかの実施例に係るウェアラブルデバイス１３０の例示的なハードウェア及び／又はソフトウェアの概略図である。図２に示すように、ウェアラブルデバイス１３０は、取得モジュール２１０、処理モジュール２２０（プロセッサとも呼ばれる）、制御モジュール２３０（主制御器、ＭＣＵ、コントローラとも呼ばれる）、通信モジュール２４０、給電モジュール２５０及び入力／出力モジュール２６０を含んでもよい。

取得モジュール２１０は、運動中のユーザの動作信号を取得することができる。いくつかの実施例において、取得モジュール２１０は、運動中のユーザの１種又は複数種の動作信号を取得するセンサユニットを含んでもよい。いくつかの実施例において、センサユニットは、筋電センサ、姿勢センサ、心電センサ、呼吸センサ、温度センサ、湿度センサ、慣性センサ、血中酸素飽和度センサ、ホールセンサ、電気皮膚反応センサ、回転センサなどのうちの１種又は複数種を含むが、これらに限定されない。いくつかの実施例において、動作信号は、筋電信号、姿勢信号、心電信号、呼吸数、温度信号、湿度信号などのうちの１種又は複数種を含んでもよい。センサユニットは、取得しようとする動作信号のタイプに応じて、ウェアラブルデバイス１３０の異なる位置に配置されてもよい。例えば、いくつかの実施例において、筋電センサ（電極素子とも呼ばれる）は、人の筋肉の位置に設置されてもよく、筋電センサは、運動中のユーザの筋電信号を収集するように構成されてもよい。筋電信号及びその対応する特徴情報（例えば、周波数情報、振幅情報など）は、運動中のユーザの筋肉の状態を反映することができる。姿勢センサは、人の異なる位置（例えば、胴体、四肢、関節に対応するウェアラブルデバイス１３０における位置）に設置されてもよく、姿勢センサは、運動中のユーザの姿勢信号を収集するように構成されてもよい。姿勢信号及びその対応する特徴情報（例えば、角速度方向、角速度値、角速度の加速度値、角度、変位情報、応力など）は、ユーザの運動の姿勢を反映することができる。心電センサは、人の胸元の周りの位置に設置されてもよく、心電センサは、運動中のユーザの心電データを収集するように構成されてもよい。呼吸センサは、人の胸元の周りの位置に設置されてもよく、呼吸センサは、運動中のユーザの呼吸データ（例えば、呼吸数、呼吸振幅など）を収集するように構成されてもよい。温度センサは、運動中のユーザの温度データ（例えば、体表温度）を収集するように構成されてもよい。湿度センサは、ユーザが運動する時に外部環境の湿度データを取得するように構成されてもよい。

処理モジュール２２０は、取得モジュール２１０、制御モジュール２３０、通信モジュール２４０、給電モジュール２５０及び／又は入力／出力モジュール２６０からのデータを処理することができる。例えば、処理モジュール２２０は、取得モジュール２１０からのユーザの運動中の動作信号を処理することができる。いくつかの実施例において、処理モジュール２２０は、取得モジュール２１０が取得した動作信号（例えば、筋電信号、姿勢信号）に対して前処理を行うことができる。例えば、処理モジュール２２０は、運動中のユーザの筋電信号又は姿勢信号に対してセグメンテーション処理を行う。また例えば、処理モジュール２２０は、運動中のユーザの筋電信号に対して前処理（例えば、フィルタリング処理、信号補正処理）を行うことにより、筋電信号の品質を向上させることができる。さらに例えば、処理モジュール２２０は、運動中のユーザの姿勢信号に基づいて、姿勢信号に対応する特徴情報を判定することができる。いくつかの実施例において、処理モジュール２２０は、入力／出力モジュール２６０からの命令又は操作を処理することができる。いくつかの実施例において、処理されたデータをメモリ又はハードディスクに記憶することができる。いくつかの実施例において、処理モジュール２２０は、その処理されたデータを通信モジュール２４０又はネットワーク１２０により運動監視システム１００における１つ以上のコンポーネントに伝送することができる。例えば、処理モジュール２２０は、ユーザの運動の監視結果を制御モジュール２３０に送信することができ、制御モジュール２３０は、動作判定結果に基づいて、後続の操作又は命令を実行することができる。

制御モジュール２３０は、ウェアラブルデバイス１３０における他のモジュールに接続されてもよい。いくつかの実施例において、制御モジュール２３０は、ウェアラブルデバイス１３０における他のモジュールの動作状態を制御することができる。例えば、制御モジュール２３０は、給電モジュール２５０の給電状態（例えば、通常モード、節電モード）、給電時間などを制御することができる。また例えば、制御モジュール２３０は、ユーザの動作判定結果に基づいて、入力／出力モジュール２６０を制御することができ、さらに移動端末装置１４０がユーザにその運動のフィードバック結果を送信するように制御することができる。運動中のユーザの動作に問題がある場合（例えば、動作が標準的でない場合）、制御モジュール２３０は、入力／出力モジュール２６０を制御することができ、さらに移動端末装置１４０がユーザにフィードバックするように制御することができ、それにより、ユーザは、自身の運動状態をリアルタイムに把握し、かつ動作を調整することができる。いくつかの実施例において、制御モジュール２３０は、さらに、取得モジュール２１０における１つ以上のセンサ又は他のモジュールが人にフィードバックするように制御することができる。例えば、ユーザの運動中に、ある筋肉が過度に力を入れると、制御モジュール２３０は、該筋肉位置の電極モジュールがユーザに対して電気刺激を行うように制御して、ユーザに動作をタイムリーに調整することを提示することができる。

いくつかの実施例において、通信モジュール２４０は、情報又はデータを交換することができる。いくつかの実施例において、通信モジュール２４０は、ウェアラブルデバイス１３０の内部コンポーネントの間の通信に用いることができる。例えば、取得モジュール２１０は、ユーザの動作信号（例えば、筋電信号、姿勢信号など）を通信モジュール２４０に送信することができ、通信モジュール２４０は、上記動作信号を処理モジュール２２０に送信することができる。いくつかの実施例において、通信モジュール２４０は、さらに、ウェアラブルデバイス１３０と運動監視システム１００における他のコンポーネントとの間の通信に用いることができる。例えば、通信モジュール２４０は、ウェアラブルデバイス１３０の状態情報（例えば、オンオフ状態）を処理装置１１０に送信することができ、処理装置１１０は、前記状態情報に基づいてウェアラブルデバイス１３０を監視することができる。通信モジュール２４０は、有線、無線及び有線／無線混在技術を用いることができる。

いくつかの実施例において、給電モジュール２５０は、運動監視システム１００における他のコンポーネントに電力を供給することができる。

入力／出力モジュール２６０は、信号を取得し、伝送し、送信することができる。入力／出力モジュール２６０は、運動監視システム１００における他のコンポーネントに接続されるか又は通信することができる。運動監視システム１００における他のコンポーネントは、入力／出力モジュール２６０により接続又は通信を実現することができる。

なお、運動監視システム１００及びそのモジュールに対する上記説明は、説明の便宜のために過ぎず、本願の１つ以上の実施例を挙げられた実施例の範囲内に制限することができない。当業者であれば、該システムの原理を理解した後、この原理から逸脱することなく、様々なモジュールを任意に組み合わせたり、サブシステムを形成して他のモジュールに接続したり、そのうちの１つ以上のモジュールを省略したりできることが理解されよう。例えば、取得モジュール２１０及び処理モジュール２２０は、１つのモジュールであってもよく、該モジュールは、ユーザの動作信号を取得して処理する機能を有してもよい。また例えば、処理モジュール２２０は、さらに、ウェアラブルデバイス１３０に設置されず、処理装置１１０に集積されてもよい。このような変形は、いずれも本願の１つ以上の実施例の保護範囲内にある。

図３は、本願のいくつかの実施例に係るコンピューティングデバイス３００の例示的なハードウェア及び／又はソフトウェアの概略図である。いくつかの実施例において、処理装置１１０及び／又は移動端末装置１４０は、コンピューティングデバイス３００で実現することができる。図３に示すように、コンピューティングデバイス３００は、内部通信バス３１０、プロセッサ３２０、リードオンリーメモリ３３０、ランダムアクセスメモリ３４０、通信ポート３５０、入力／出力インタフェース３６０、ハードディスク３７０及びユーザインタフェース３８０を含んでもよい。

内部通信バス３１０は、コンピューティングデバイス３００における各コンポーネント間のデータ通信を実現することができる。例えば、プロセッサ３２０は、内部通信バス３１０によりデータをメモリ又は入力／出力インタフェース３６０などの他のハードウェアに送信することができる。

プロセッサ３２０は、計算命令（プログラムコード）を実行し、本願に記載の運動監視システム１００の機能を実行することができる。上記計算命令は、プログラム、オブジェクト、コンポーネント、データ構造、プロセス、モジュール及び機能（上記機能は、本願に記載の特定の機能を指す）を含んでもよい。例えば、プロセッサ３２０は、運動監視システム１００のウェアラブルデバイス１３０又は／及び移動端末装置１４０から取得された運動中のユーザの動作信号（例えば、筋電信号、姿勢信号）を処理し、運動中のユーザの動作信号に基づいてユーザの運動の動作を監視することができる。説明のみのために、図３におけるコンピューティングデバイス３００は、１つのプロセッサのみが説明されるが、なお、本願のコンピューティングデバイス３００は、複数のプロセッサをさらに含んでもよい。

コンピューティングデバイス３００のメモリ（例えば、リードオンリーメモリ（ＲＯＭ）３３０、ランダムアクセスメモリ（ＲＡＭ）３４０、ハードディスク３７０など）は、運動監視システム１００の任意の他のコンポーネントから取得されたデータ／情報を記憶することができる。いくつかの実施例において、コンピューティングデバイス３００のメモリは、ウェアラブルデバイス１３０内に配置されてもよく、処理装置１１０内に配置されてもよい。上記メモリは、上記メモリに記憶された少なくとも１つの命令セットをさらに含む。上記命令は、コンピュータプログラムコードであり、上記コンピュータプログラムコードは、本願に係る運動監視システム１００の機能を実行することができ、本願に係る運動データ処理方法のプログラム、ルーチン、オブジェクト、コンポーネント、データ構造、プロセス、モジュールなどを含む。

入力／出力インタフェース３６０は、信号、データ、又は情報を入力又は出力することができる。いくつかの実施例において、入力／出力インタフェース３６０は、ユーザが運動監視システム１００とインタラクションすることを可能にすることができる。

ハードディスク３７０は、処理装置１１０により生成されるか又は処理装置１１０から受信された情報及びデータを記憶することができる。例えば、ハードディスク３７０は、ユーザのユーザ識別情報を記憶することができる。いくつかの実施例において、ハードディスク３７０は、処理装置１１０内又はウェアラブルデバイス１３０内に設置されてもよい。ユーザインタフェース３８０は、コンピューティングデバイス３００とユーザとの間のインタラクション及び情報交換を実現することができる。いくつかの実施例において、ユーザインタフェース３８０は、運動監視システム１００により生成された運動記録をユーザに提示することができる。いくつかの実施例において、ユーザインタフェース３８０は、物理的なディスプレイ、例えば、スピーカー付きのディスプレイ、ＬＣＤディスプレイ、ＬＥＤディスプレイ、ＯＬＥＤディスプレイ、電子インクディスプレイ（Ｅ－Ｉｎｋ）などを含んでもよい。

図４は、本願のいくつかの実施例に係るウェアラブルデバイスの例示的な構造図である。ウェアラブルデバイスをさらに説明するために、上着を例示として説明する。図４に示すように、ウェアラブルデバイス４００は、上着４１０を含んでもよい。上着４１０は、上着ベース４１１０、少なくとも１つの上着処理モジュール４１２０、少なくとも１つの上着フィードバックモジュール４１３０、及び少なくとも１つの上着取得モジュール４１４０などを含んでもよい。上着ベース４１１０は、人の上半身に着用される衣類を指してもよい。いくつかの実施例において、上着ベース４１１０は、半袖Ｔシャツ、長袖Ｔシャツ、ワイシャツ、ジャケットなどを含んでもよい。少なくとも１つの上着処理モジュール４１２０、少なくとも１つの上着取得モジュール４１４０は、上着ベース４１１０上の人の異なる部位にフィットする領域に配置されてもよい。少なくとも１つの上着フィードバックモジュール４１３０は、上着ベース４１１０の任意の位置に配置されてもよく、少なくとも１つの上着フィードバックモジュール４１３０は、ユーザの上半身の運動状態情報をフィードバックするように構成されてもよい。例示的なフィードバック方式は、音声提示、文字提示、圧力提示、電流刺激などを含むが、これらに限定されない。いくつかの実施例において、少なくとも１つの上着取得モジュール４１４０は、姿勢センサ、心電センサ、筋電センサ、温度センサ、湿度センサ、慣性センサ、酸／塩基センサ、音波トランスデューサなどのうちの１種又は複数種を含むが、これらに限定されない。上着取得モジュール４１４０内のセンサは、異なる測定対象の信号に応じてユーザの体の異なる位置に配置されてもよい。例えば、姿勢センサがユーザの運動中の姿勢信号を取得する場合、姿勢センサは、人の胴体、双腕、関節に対応する上着ベース４１１０における位置に配置されてもよい。また例えば、筋電センサがユーザの運動中の筋電信号を取得する場合、筋電センサは、ユーザの測定対象の筋肉の近傍に配置されてもよい。いくつかの実施例において、姿勢センサは、３軸加速度センサ、３軸角速度センサ、磁気センサなど、又はそれらの任意の組み合わせを含むが、これらに限定されない。例えば、１つの姿勢センサは、３軸加速度センサ、３軸角速度センサを含んでもよい。いくつかの実施例において、姿勢センサは、歪みゲージをさらに含んでもよい。歪みゲージとは、被測定物が力を受けて変形することによる歪みに基づくセンサであってもよい。いくつかの実施例において、歪みゲージは、歪みゲージ式ロードセル、歪みゲージ式圧力センサ、歪みゲージ式トルクセンサ、歪みゲージ式変位センサ、歪みゲージ式加速度センサなどのうちの１種又は複数種を含むが、これらに限定されない。例えば、歪みゲージは、ユーザの関節位置に設置されてもよく、引張長さに伴って変化する歪みゲージの抵抗の大きさを測定することにより、ユーザの関節の屈曲角度及び屈曲方向を取得することができる。なお、上着４１０は、上述した上着ベース４１１０、上着処理モジュール４１２０、上着フィードバックモジュール４１３０、及び上着取得モジュール４１４０に加えて、さらに他のモジュール、例えば、給電モジュール、通信モジュール、入力／出力モジュールなどを含んでもよい。上着処理モジュール４１２０は、図２における処理モジュール２２０と類似し、上着取得モジュール４１４０は、図２における取得モジュール２１０と類似し、上着４１０における各モジュールについての具体的な説明は、本願の図２における関連説明を参照することができ、ここでは説明を省略する。

図５は、本願のいくつかの実施例に係る運動監視方法の例示的なフローチャートである。図５に示すように、フロー５００は、以下のステップ５１０～ステップ５２０を含む。

ステップ５１０では、運動中のユーザの動作信号を取得する。

いくつかの実施例において、該ステップ５１０は、取得モジュール２１０により実行されてもよい。動作信号とは、運動中のユーザの人体パラメータ情報である。いくつかの実施例において、人体パラメータ情報は、筋電信号、姿勢信号、心電信号、温度信号、湿度信号、血中酸素濃度、呼吸数などのうちの１種又は複数種を含むが、これらに限定されない。いくつかの実施例において、取得モジュール２１０における筋電センサは、ユーザの運動中の筋電信号を収集することができる。例えば、ユーザがチェストプレスを行う場合、人の胸筋、広背筋などの位置に対応するウェアラブルデバイスにおける筋電センサは、ユーザの対応する筋肉位置の筋電信号を収集することができる。また例えば、ユーザがスクワット動作を行う場合、人の大臀筋、大腿四頭筋などの位置に対応するウェアラブルデバイスにおける筋電センサは、ユーザの対応する筋肉位置の筋電信号を収集することができる。また例えば、ユーザがランニング運動を行う場合、人の腓腹筋などの位置に対応するウェアラブルデバイスにおける筋電センサは、人の腓腹筋などの位置の筋電信号を収集することができる。いくつかの実施例において、取得モジュール２１０における姿勢センサは、運動中のユーザの姿勢信号を収集することができる。例えば、ユーザがベンチプレス運動を行う場合、人の上腕三頭筋などの位置に対応するウェアラブルデバイスにおける姿勢センサは、ユーザの上腕三頭筋などの位置の姿勢信号を収集することができる。また例えば、ユーザがダンベルフライ動作を行う場合、人の三角筋などの位置に設置された姿勢センサは、ユーザの三角筋などの位置の姿勢信号を収集することができる。いくつかの実施例において、取得モジュール２１０における姿勢センサの数は、複数であってもよく、複数の姿勢センサは、運動中のユーザの複数の部位の姿勢信号を取得することができ、複数の部位の姿勢信号は、人の異なる部位の間の相対運動状況を反映することができる。例えば、腕の姿勢信号及び胴体の姿勢信号は、胴体に対する腕の運動状況を反映することができる。いくつかの実施例において、姿勢信号は、姿勢センサのタイプに関連付けられる。例えば、姿勢センサが３軸角速度センサである場合、取得された姿勢信号は、角速度情報である。また例えば、姿勢センサが３軸角速度センサ及び３軸加速度センサである場合、取得された姿勢信号は、角速度情報及び加速度情報である。さらに例えば、姿勢センサが歪みゲージである場合、歪みゲージは、ユーザの関節位置に設置されてもよく、引張長さに伴って変化する歪みゲージの抵抗の大きさを測定することにより、取得された姿勢信号は、変位情報、応力などであってもよく、これらの姿勢信号によりユーザの関節の屈曲角度及び屈曲方向を表すことができる。なお、ユーザの体の相対運動を体現するためのパラメータ情報は、いずれも姿勢信号に対応する特徴情報であってもよく、特徴情報のタイプに応じて異なるタイプの姿勢センサを用いて取得することができる。

いくつかの実施例において、上記動作信号は、ユーザの体の特定部位の筋電信号及び該特定部位の姿勢信号を含んでもよい。筋電信号及び姿勢信号は、異なる角度からユーザの体の特定部位の運動状態を反映することができる。簡単に言えば、ユーザの体の特定部位の姿勢信号は、該特定部位の動作タイプ、動作幅、動作頻度などを反映することができる。筋電信号は、運動中の該特定部位の筋肉状態を反映することができる。いくつかの実施例において、体の同じ部位の筋電信号及び／又は姿勢信号により、該部位の動作が標準的であるか否かをよりよく評価することができる。

ステップ５２０では、少なくとも筋電信号に対応する特徴情報又は姿勢信号に対応する特徴情報に基づいて、運動中のユーザの動作を監視する。

いくつかの実施例において、該ステップは、処理モジュール２２０及び／又は処理装置１１０により実行されてもよい。いくつかの実施例において、筋電信号に対応する特徴情報は、周波数情報、振幅情報などのうちの１種又は複数種を含むが、これらに限定されない。姿勢信号に対応する特徴情報とは、ユーザの体が相対運動することを表すためのパラメータ情報を指す。いくつかの実施例において、姿勢信号に対応する特徴情報は、角速度方向、角速度値、角速度の加速度値などのうちの１種又は複数種を含むが、これらに限定されない。いくつかの実施例において、姿勢信号に対応する特徴情報は、角度、変位情報（例えば、歪みゲージにおける引張長さ）、応力などをさらに含んでもよい。例えば、姿勢センサが歪みゲージである場合、歪みゲージは、ユーザの関節位置に設置されてもよく、引張長さに伴って変化する歪みゲージの抵抗の大きさを測定することにより、取得された姿勢信号は、変位情報、応力などであってもよく、これらの姿勢信号によりユーザの関節の屈曲角度及び屈曲方向を表すことができる。いくつかの実施例において、処理モジュール２２０及び／又は処理装置１１０は、筋電信号に対応する特徴情報（例えば、周波数情報、振幅情報）又は姿勢信号に対応する特徴情報（例えば、角速度方向、角速度値、角速度の加速度値、角度、変位情報、応力など）を抽出し、筋電信号に対応する特徴情報又は姿勢信号に対応する特徴情報に基づいて、運動中のユーザの動作を監視することができる。運動中のユーザの動作を監視することは、ユーザの動作に関する情報を監視することを含む。いくつかの実施例において、動作に関連する情報は、ユーザの動作タイプ、動作回数、動作の良否（例えば、ユーザの動作が標準的であるか否か）、動作時間などのうちの１つ以上を含んでもよい。動作タイプとは、運動中のユーザのフィットネス動作を指す。いくつかの実施例において、動作タイプは、チェストプレス、スクワット運動、デッドリフト運動、プランク、ランニング、水泳などのうちの１種又は複数種を含むが、これらに限定されない。動作回数とは、ユーザの運動中に動作を行う回数を指す。例えば、ユーザは運動中に１０回のチェストプレスを行い、ここでの１０回は、動作回数である。動作の良否とは、ユーザが行うフィットネス動作の標準的なフィットネス動作に対する度合いを指す。例えば、ユーザがスクワット動作を行う場合、処理装置１１０は、特定の筋肉位置（大臀筋、大腿四頭筋など）の動作信号（筋電信号及び姿勢信号）に対応する特徴情報に基づいて、ユーザの動作の動作タイプを判断し、標準的なスクワット動作の動作信号に基づいて、ユーザのスクワット動作の良否を判断することができる。動作時間とは、ユーザの１つ以上の動作タイプに対応する時間又は運動中の総時間を指す。

いくつかの実施例において、運動監視システム１００は、筋電信号に対して平滑化処理を行うことにより、筋電信号を平滑化されたデータ曲線に処理してユーザに提示することができ、ユーザが運動を監視しやくなる。いくつかの実施例において、ユーザの動作信号を取得する場合、ユーザの他の生理学的パラメータ情報（例えば、心拍数信号）、運動中に、取得モジュール２１０が人体に対して移動するか又は押圧されるなどの外部条件は、動作信号の品質に影響を与え、例えば、筋電信号に特異信号、欠落信号、飽和信号及びハイパスフィルタによる発振信号などのような異常信号が発生することをもたらし、ユーザの動作に対する監視に影響を与える。説明の便宜上、筋電信号の特異信号は、特異点で説明することができ、例示的な特異点は、グリッチ信号、不連続信号などを含んでもよい。いくつかの実施例において、ユーザの運動中に、ユーザの心拍による発振は、筋電信号に特異信号が短時間存在することをもたらす可能性がある。いくつかの実施例において、ユーザが運動中にウェアラブルデバイス１３０の位置を調整し、例えば、衣類を引き、袖を引っ張るなどの動作は、いずれも筋電信号に特異信号が短時間存在することをもたらす可能性がある。いくつかの実施例において、ウェアラブルデバイス１３０の装着が正しくなく、例えば、衣類がフィットせず、一部の筋電センサが短時間又は長時間で接触不良になる場合、筋電信号に特異信号が短時間又は長時間存在することをもたらす可能性がある。いくつかの実施例において、ユーザの運動中にモーションアーチファクトが存在する可能性がある。ここでのモーションアーチファクトとは、筋電信号を取得する過程において、測定対象の位置の運動中のユーザの筋肉が筋電モジュールに対して移動することによる信号ノイズを指す。上記モーションアーチファクトは、筋電信号に特異信号が短時間又は長時間存在することをもたらす可能性がある。いくつかの実施例において、ウェアラブルデバイス１３０の装着が正しくなく、例えば、衣類がフィットせず、一部の筋電センサが短時間又は長時間で接触不良になる場合、さらに筋電信号の欠落又は筋電信号の飽和をもたらす可能性がある。筋電センサの正負電極がいずれも接触不良になる場合、正負電極は、いずれも正確な筋電信号を収集することができず、この場合、筋電信号に信号欠落の現象が存在する可能性があり、即ち、筋電信号に欠落信号が存在する可能性がある。筋電センサにおける正負電極の一部が接触不良になる場合、正負電極のうちの一部は、筋電信号を収集することができ、他の一部は、商用電源周波数信号を収集する可能性があり、商用電源周波数信号の振幅が筋電信号よりはるかに高いため、この時、筋電信号に飽和信号が存在する可能性があり、即ち、信号振幅が高すぎて飽和状態に達する現象を引き起こす可能性がある。いくつかの実施例において、運動監視システム１００がハイパスフィルタを使用して筋電信号に対して直流成分除去計算を行う場合、直流成分除去計算後の筋電信号に発振信号が存在することをもたらす可能性がある。

ユーザ体験を向上させるために、運動監視システム１００は、さらに、筋電信号のうちの異常信号を識別し、補正後の異常信号が実際の運動中のユーザの動作信号に適合するように識別した異常信号を補正することにより、ユーザ体験を向上させる運動データ処理方法を提供することができる。上記運動データ処理方法及び運動監視システムは、さらに、異常信号を識別すると、デバイスの装着が異常であるようにユーザの注意をタイムリーに喚起して、データをより正確に収集することができる。上記運動データ処理方法は、処理装置１１０上で実行されてもよく、ウェアラブルデバイス１３０上で実行されてもよく、具体的には、ウェアラブルデバイス１３０の処理モジュール２２０上で実行されてもよく、移動端末装置１４０上で実行されてもよい。表示の便宜上、以下の説明において、運動データ処理方法がウェアラブルデバイス１３０の処理モジュール２２０上で実行されることを例として説明する。この時、ウェアラブルデバイス１３０の取得モジュール２１０が収集した動作信号を処理モジュール２２０に直接伝送してデータ処理を行うことができ、ネットワークを介して処理装置１１０又は移動端末装置１４０に伝送する必要がなく、それによりデータ伝送の時間を減少させ、運動データ処理の効率を向上させ、運動データ処理のリアルタイム性をさらに向上させる。

図６は、本願のいくつかの実施例に係る運動データ処理方法６０００の例示的なフローチャートである。図６に示すように、方法６０００は、以下のステップ６２００～６６００を含んでもよい。

ステップ６２００では、ユーザの運動時に対応する測定位置の筋電信号をリアルタイムに取得する。

上記筋電信号は、取得モジュール２１０により収集されてもよい。いくつかの実施例において、取得モジュール２１０における筋電センサは、ユーザの運動中の筋電信号を収集することができる。例えば、ユーザがチェストプレスを行う場合、人の胸筋、広背筋などの位置に対応するウェアラブルデバイスにおける筋電センサは、ユーザの対応する筋肉位置の筋電信号を収集することができる。また例えば、ユーザがスクワット動作を行う場合、人の大臀筋、大腿四頭筋などの位置に対応するウェアラブルデバイスにおける筋電センサは、ユーザの対応する筋肉位置の筋電信号を収集することができる。また例えば、ユーザがランニング運動を行う場合、人の腓腹筋などの位置に対応するウェアラブルデバイスにおける筋電センサは、人の腓腹筋などの位置の筋電信号を収集することができる。筋電信号は、運動中の該特定部位の筋肉状態を反映することができる。上記リアルタイムとは、処理モジュール２２０が短い時間周期で取得モジュール２２０から上記筋電信号を定期的に取得することであってもよい。

いくつかの実施例において、上記筋電信号は、取得モジュール２１０における筋電センサが直接収集した信号であってもよい。いくつかの実施例において、上記筋電信号は、筋電センサが直接収集した信号に対して直流成分除去アルゴリズム処理を行った後に得られた信号であってもよい。上記直流成分除去アルゴリズムは、計算により上記筋電信号における直流成分を除去することであってもよい。上記直流成分除去アルゴリズムは、平均値除去アルゴリズム及びハイパスフィルタアルゴリズムのうちの少なくとも１種を含む。上記直流成分除去アルゴリズムのリアルタイム性を保証するために、上記平均値除去アルゴリズムは、フレームごとに平均値除去を行うことであってもよい。

平均値除去アルゴリズムを用いて上記筋電信号に対して直流成分除去計算を行う場合、上記異常信号に対して平均値除去計算を行った後、上記異常信号に新たな異常信号が発生する可能性がある。ハイパスフィルタを用いて上記筋電信号に対して直流成分除去計算を行う場合、実際の信号のホッピング箇所に発振信号が発生する可能性がある。また、ハイパスフィルタを用いると、筋電信号には、初期段階で収束遅延現象が発生する可能性がある。上記発振信号は、異常信号にも属し、ユーザの運動に対する監視に影響を与える可能性もある。

ハイパスフィルタへの研究により、ハイパスフィルタが使用するカットオフ周波数が小さいほど、収束速度が遅く、初期段階で収束にかかる時間が長くなり、それにより信号の収束遅延が長くなり、リアルタイム性が悪くなり、逆に、ハイパスフィルタが使用するカットオフ周波数が大きいほど、収束速度が速く、初期段階で収束にかかる時間が短くなり、それにより信号の収束遅延が短くなり、リアルタイム性が良くなり、同時に、ハイパスフィルタが使用するカットオフ周波数が小さいほど、ハイパスフィルタによる発振信号の発振高さが低く、発振信号の持続時間が短くなり、逆に、ハイパスフィルタが使用するカットオフ周波数が大きいほど、ハイパスフィルタによる発振信号の発振高さが高く、発振信号の持続時間が長くなることが発見される。筋電信号のリアルタイム性を保証するために、処理モジュール２２０は、リアルタイム性に基づいて、収束遅延の所定の範囲を事前に決定し、カットオフ周波数と収束速度及び収束遅延との間の関係に基づいて、カットオフ周波数の目標範囲を決定することができる。

ステップ６４００では、上記筋電信号に基づいて、上記筋電信号のうちの異常信号を判定する。

いくつかの実施例において、ステップ６４００では、周波数領域又は時間領域で筋電信号に対して前処理を行い、前処理後の筋電信号に基づいて、筋電信号に対応する特徴情報を取得し、それにより筋電信号のうちの異常信号を判定して、運動中のユーザの動作を監視することを実現する。具体的には、ステップ６４００は、以下のステップ６４２０～６４４０を含んでもよい。

ステップ６４２０では、時間領域で上記筋電信号を処理し、上記異常信号を判定し、又は、

ステップ６４４０では、周波数領域で上記筋電信号を処理し、上記異常信号を判定する。

図７は、本願のいくつかの実施例に係る、時間領域で筋電信号を処理する例示的なフローチャートである。図７は、ステップ６４２０を示す。図７に示すように、ステップ６４２０は、以下のステップ６４２２～６４２４を含んでもよい。

ステップ６４２２では、上記筋電信号の時間領域窓に基づいて、上記筋電信号の時間領域窓から少なくとも１つの時間窓を選択する。

上記少なくとも１つの時間窓は、異なる時間範囲をそれぞれカバーする。いくつかの実施例において、時間領域窓は、少なくとも１つの特定の時間窓を含んでもよい。特定の時間窓とは、時間領域窓から選択された特定の時間長を有する窓を指す。例えば、筋電信号の時間領域窓の時間長が３ｓである場合、特定の時間窓の時間長は、１００ｍｓであってもよい。いくつかの実施例において、特定の時間窓は、少なくとも１つの異なる時間窓を含んでもよい。いくつかの実施例において、特定の時間窓は、１つの時間窓を含んでもよい。いくつかの実施例において、特定の時間窓は、複数の時間窓を含んでもよい。特定の時間窓が複数の時間窓を含む場合、例示的な説明のみとして、特定の時間窓は、第１の時間窓及び第２の時間窓を含んでもよい。第１の時間窓は、特定の時間窓内の一部の時間長に対応する窓を指してもよく、例えば、特定の時間窓の時間長が１００ｍｓである場合、第１の時間窓の時間長は、８０ｍｓであってもよい。第２の時間窓は、特定の時間窓内の一部の時間長に対応する別の窓であってもよく、例えば、特定の時間窓が１００ｍｓである場合、第２の時間窓は、２０ｍｓであってもよい。いくつかの実施例において、第１の時間窓及び第２の時間窓は、同じ特定の時間窓内の連続的な時間窓であってもよい。いくつかの実施例において、第１の時間窓及び第２の時間窓は、同じ特定の時間窓内の不連続又は重なり合う２つの時間窓であってもよい。いくつかの実施例において、処理モジュール２２０は、筋電信号の時間領域窓に基づいて、筋電信号の時間領域窓の時間始点から特定の時間長に応じて順にスライドして特定の時間窓を更新し、かつ更新された特定の時間窓を第１の時間窓と第２の時間窓に分割し続けることができる。ここでいう特定の時間長は、１ｓ、２ｓ、３ｓなどより小さくてもよい。例えば、処理モジュール２２０は、特定の時間長が１００ｍｓの特定の時間窓を選択し、かつ該特定の時間窓を８０ｍｓの第１の時間窓と２０ｍｓの第２の時間窓に分割することができる。さらに、該特定の時間窓は、時間方向に沿ってスライドして更新することができる。ここで、スライド幅は、第２の時間窓の時間長（例えば、２０ｍｓ）であってもよく、他の適切な時間長であってもよく、例えば、３０ｍｓ、４０ｍｓなどである。前述のように、異なる時間窓は、異なる時間範囲をカバーする。説明の便宜上、第１の時間窓がカバーする時間範囲を先にある時間窓として定義し、第２の時間窓がカバーする時間範囲を後にある時間窓として定義する。即ち、第１の時間窓に対応する時間範囲は、第２の時間窓に対応する時間範囲の先にある。

いくつかの実施例において、第１の時間窓に対応する時間長は、第２の時間窓に対応する時間長より大きくてもよい。いくつかの実施例において、特定の時間窓に対応する特定の時間長は、１ｓより小さくてもよい。いくつかの実施例において、第１の時間窓に対応する時間長と第２の時間窓に対応する時間長との比率は、２より大きくてもよい。いくつかの実施例において、第１の時間窓に対応する時間長、第２の時間窓に対応する時間長、特定の時間窓に対応する特定の時間長の選択は、最短のグリッチ信号長さ（例えば、４０ｍｓ）が除去され、かつ高い信号対雑音比を有することを保証することができる一方で、システムの計算量を相対的に小さくし、システムの繰り返し計算を減少させ、時間複雑度を低下させることにより、システムの計算効率及び計算精度を向上させることができる。

特定の時間窓が１つの時間窓を含む場合、特定の時間窓は、第１の時間窓又は第２の時間窓を含んでもよい。例示的な説明のみとして、特定の時間窓が１つの時間窓を含む場合、特定の時間窓は、第２の時間窓を含んでもよい。

ステップ６４２４では、上記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、上記異常信号を判定する。

いくつかの実施例において、上記筋電信号に対応する特徴情報は、少なくとも振幅情報、振幅情報の統計情報のうちの１種を含む。いくつかの実施例において、上記振幅情報は、上記少なくとも１つの時間窓内の各時間窓に対応する筋電信号の平均振幅又は平均振幅の二乗であってもよい。いくつかの実施例において、上記振幅情報の統計情報は、振幅情報のエントロピー、分散、標準偏差、標準偏差の標準偏差及びゼロ交差率のうちの少なくとも１種を含む。エントロピーは、システムの混乱程度のメトリックと見なされてもよい。分散、標準偏差及び標準偏差の標準偏差は、データの分散程度を評価するためのメトリックである。ゼロ交差率は、信号の符号変化の比率を指し、例えば、信号が正から負へ、又は負から正に変化する。

いくつかの実施例において、正常な筋電信号は、一般的に短時間定常信号であり、即ち、筋電信号の一定時間内の振幅の平均値、分散は、安定するか又は変動が小さいが、特異信号、欠落信号又は飽和信号などの異常信号は、定常信号ではない。したがって、筋電信号の振幅情報及び振幅情報の統計情報は、異常信号の振幅情報及び振幅情報の統計情報と明確に区別される。運動データ処理方法６０００は、上記筋電信号に対応する特徴情報に基づいて、その中から異常信号を識別することができる。いくつかの実施例において、処理モジュール２２０は、異なる時間窓（例えば、第１の時間窓及び／又は第２の時間窓）内の筋電信号に対応する振幅情報又は振幅情報の統計情報を取得して、異常信号の位置を判定することができる。異なる時間窓内の筋電信号に対応する特徴情報に基づいて、異常信号の位置を判定する具体的な説明について、後に詳しく説明する。

説明の便宜上、以下の説明において、上記特徴情報が振幅情報であることを例として説明する。振幅情報の統計情報を含む振幅特徴情報も本明細書の保護範囲内にあることが当業者に明らかであろう。特徴情報が振幅情報の統計情報を含む場合、その識別方法は、特徴情報が振幅情報である識別方法と一致し、本明細書では、説明を省略する。

前述のように、いくつかの実施例において、異常信号は、特異信号を含んでもよい。図８は、本願のいくつかの実施例に係る特異信号の概略図である。図８に示すように、図中の００１は、特異信号である。前述のように、筋電信号の特異信号００１は、特異点で説明することができ、例示的な特異点は、グリッチ信号、不連続信号などを含んでもよい。説明の便宜上、以下の説明において、特異点をグリッチ信号として例示的に説明する。特異点は、筋電信号のある時刻内に、その振幅が急激に変化し、信号の不連続を引き起こすことであってもよい。また例えば、筋電信号の形態が滑らかであり、筋電信号の振幅が急激に変化しないが、筋電信号の一階微分が急激に変化し、かつ一階微分が不連続である。

特異信号を識別する場合、少なくとも１つの時間窓が複数の時間窓を含むことを例として説明する。説明の便宜上、複数の時間窓が第１の時間窓及び第２の時間窓であることを例とし、上記特徴情報が振幅情報であることを例として説明する。複数の時間窓が２つ以上の時間窓を含むことも本明細書の保護範囲内にあることが当業者に明らかであろう。

図９は、本願のいくつかの実施例に係る、特異信号を識別する例示的なフローチャートである。図９は、ステップ６４２４を示す。図９に示すように、ステップ６４２４は、以下のステップ６４２４－１～６４２４－２を含んでもよい。

ステップ６４２４－１では、上記複数の時間窓内の筋電信号に対応する複数の特徴情報を判定する。

ステップ６４２４－１は、上記複数の時間窓における各時間窓内の筋電信号に対応する特徴情報を判定してもよい。複数の時間窓は、複数の特徴情報に対応し、かつ複数の時間窓は、複数の特徴情報と一対一に対応する。複数の時間窓が第１の時間窓及び第２の時間窓を含むことを例とし、上記特徴情報が振幅情報であることを例として説明する。ステップ６４２４－１では、第１の時間窓内の筋電信号に対応する第１の振幅情報及び第２の時間窓内の筋電信号に対応する第２の振幅情報を判定する。いくつかの実施例において、処理モジュール２２０は、第１の時間窓及び第２の時間窓の時間長を選択し、かつ第１の時間窓の時間長における筋電信号に対応する第１の振幅情報及び第２の時間窓の時間長における筋電信号に対応する第２の振幅情報を抽出することができる。いくつかの実施例において、第１の振幅情報は、第１の時間窓内の筋電信号の平均振幅又は第１の時間窓内の筋電信号の平均振幅の二乗を含んでもよく、第２の振幅情報は、第２の時間窓内の筋電信号の平均振幅又は第２の時間窓内の筋電信号の平均振幅の二乗を含んでもよい。例えば、処理モジュール２２０は、第１の時間窓の時間長を８０ｍｓとして選択し、かつ第１の時間窓内の筋電信号に対応する第１の振幅情報を抽出することができ、処理モジュール２２０は、第２の時間窓の時間長を２０ｍｓとして選択し、かつ第２の時間窓内の筋電信号に対応する第２の振幅情報を抽出することができる。

いくつかの実施例において、第１の時間窓の時間長及び第２の時間窓の時間長の選択は、最短のグリッチ信号の長さ及びシステムの計算量に関連する。いくつかの実施例において、グリッチ信号の特徴に基づいて、第１の時間窓の時間長及び第２の時間窓の時間長を選択することができる。心電グリッチ信号の時間長は、４０ｍｓ－１００ｍｓであり、心電信号における２つのグリッチ信号の時間間隔は、１ｓ程度であってもよく、グリッチ信号のピーク点の両辺は、基本的に対称であり、グリッチ信号の両側の振幅分布は、平均している。いくつかの実施例において、グリッチ信号が心電信号である場合、グリッチ信号より小さい時間長を選択することができ、例えば、グリッチ信号の長さの半分を第２の時間窓の時間長とし、第１の時間窓の時間長は、第２の時間窓の長さより大きく、例えば、第２の時間窓の時間長の４倍である。いくつかの実施例において、第１の時間窓の時間長は、グリッチ信号の間隔（約１ｓ）から第２の時間窓の長さを減算する範囲内にあればよい。なお、上記選択された第１の時間窓の時間長と第２の時間窓の時間長は、上記説明に限定されず、第２の時間窓の時間長と第１の時間窓の時間長との和が隣接する２つのグリッチ信号の時間間隔より小さいか、又は第２の時間窓の時間長が単一のグリッチ信号の長さより小さいか、又は第２の時間窓内の筋電信号の振幅と第１の時間窓内の筋電信号の振幅が良好な区別を有すればよい。

ステップ６４２４－２では、上記時間範囲が後にある時間窓に対応する特徴情報と、上記時間範囲が先にある時間窓に対応する特徴情報との比率が所定の閾値を超えると判定すると、上記時間範囲が後にある時間窓内の筋電信号が上記特異信号であると判定する。

前述のように、第１の時間窓に対応する時間範囲は、第２の時間窓に対応する時間範囲の先にある。即ち、時間範囲が先にある時間窓は、第１の時間窓であり、時間範囲が後にある時間窓は、第２の時間窓である。上記時間範囲が後にある時間窓に対応する特徴情報と、上記時間範囲が先にある時間窓に対応する特徴情報との比率を計算することは、第２の時間窓内の筋電信号に対応する特徴情報と第１の時間窓内の筋電信号に対応する特徴情報との比率、即ち、第２の時間窓内の筋電信号に対応する第２の振幅情報と第１の時間窓内の筋電信号に対応する第１の振幅情報との比率を計算することであってもよい。

いくつかの実施例において、処理モジュール２２０は、第２の時間窓内の筋電信号に対応する第２の振幅情報と第１の時間窓内の筋電信号に対応する第１の振幅情報との比率が第１の閾値より大きいか否かを判断することができる。ここでの第１の閾値は、ウェアラブルデバイス１３０のメモリ又はハードディスクに記憶されてもよく、処理装置１１０に記憶されてもよく、又は実際の状況に応じて調整されてもよい。いくつかの実施例において、処理モジュール２２０は、ステップ６４２４－２における、第２の振幅情報と第１の振幅情報との比率と第１の閾値との大小関係の判断結果に基づいて、第２の時間窓内の筋電信号に信号補正処理を実行することができる。いくつかの実施例において、処理モジュール２２０は、第２の振幅情報と第１の振幅情報との比率が第１の閾値より大きいと判断すると、ステップ６４２４－２では、第２の時間窓内の筋電信号が特異信号であると判定し、かつステップ６６００により第２の時間窓内の筋電信号を処理し、特異信号を補正することができる。いくつかの実施例において、第２の時間窓内の筋電信号を処理することは、第２の時間窓の前又は後の特定の時間範囲内の筋電信号に基づいて、第２の時間窓内の筋電信号に対して信号補正処理を行うことを含んでもよい。ステップ６６００の詳細について、以下の説明で詳しく説明する。

他の実施例において、処理モジュール２２０は、第２の振幅情報と第１の振幅情報との比率が第１の閾値以下であると判断すると、処理モジュール２２０は、第２の時間窓内の筋電信号を保持することができる。いくつかの実施例において、処理モジュール２２０は、第２の振幅情報と第１の振幅情報との比率と第１の閾値との大小関係の判断結果に基づいて、第２の時間窓内の筋電信号の保持を実行することができる。例えば、いくつかの実施例において、第２の振幅情報と第１の振幅情報との比率が第１の閾値以下である場合、第２の振幅情報に対応する第２の時間窓内の筋電信号は、特異信号ではなく、該筋電信号が保持されてもよく、即ち、第２の時間窓内の筋電信号が保持される。

なお、ユーザの筋肉が力を入れる過程において、電荷が徐々に蓄積し、筋電信号の振幅が徐々に上昇するため、グリッチ信号が存在しない場合、隣接する２つの時間窓（例えば、第１の時間窓及び第２の時間窓）内の筋電信号の振幅は、急激に変化しない。いくつかの実施例において、フロー６４２４に基づいて、筋電信号のうちのグリッチ信号を判断して除去することは、グリッチ信号に対するリアルタイム処理を実現することができ、それによりウェアラブルデバイス１３０又は移動端末装置１４０は、ユーザにその運動状態をリアルタイムにフィードバックし、ユーザがより科学的に運動することを可能にすることができる。

いくつかの実施例において、筋電信号における特異点を判定する方法は、フーリエ変換、ウェーブレット変換、フラクタル次元などのうちの１種又は複数種をさらに含むが、これらに限定されず、本明細書では、説明を省略する。

前述のように、いくつかの実施例において、異常信号は、欠落信号を含んでもよい。図１０は、本願のいくつかの実施例に係る欠落信号の概略図である。図１０に示すように、図中の００２は、欠落信号である。前述のように、筋電信号の欠落信号は、筋電センサの正負電極が完全に脱離することにより、信号が失われたことによるものである。欠落信号の振幅は、基本的に０であるか又は０に近い。

欠落信号を識別する場合、少なくとも１つの時間窓が１つの時間窓を含むことを例として説明する。説明の便宜上、少なくとも１つの時間窓が第２の時間窓であることを例とし、上記特徴情報が振幅情報であることを例として説明する。少なくとも１つの時間窓が１つ以上の時間窓を含むことも本明細書の保護範囲内にあることが当業者に明らかであろう。

図１１は、本願のいくつかの実施例に係る、欠落信号を識別する例示的なフローチャートである。図１１に示すように、ステップ６４２４は、以下のステップ６４２４－３～６４２４－４を含んでもよい。

ステップ６４２４－３では、上記少なくとも１つの時間窓内の筋電信号に対応する少なくとも１つの特徴情報を判定する。

ステップ６４２４－３は、上記少なくとも１つの時間窓における各時間窓内の筋電信号に対応する特徴情報を判定してもよい。少なくとも１つの時間窓は、少なくとも１つの特徴情報に対応し、かつ少なくとも１つの時間窓は、少なくとも１つの特徴情報と一対一に対応する。少なくとも１つの時間窓が第２の時間窓を含むことを例とし、上記特徴情報が振幅情報であることを例として説明する。このステップは、ステップ６４２４－１と基本的に一致し、ここでは説明を省略する。

いくつかの実施例において、第２の時間窓の時間長の選択は、最短の欠落信号の長さ及びシステムの計算量に関連する。いくつかの実施例において、平滑化曲線のデータサンプリングへの欠落信号の影響に基づいて、第２の時間窓の時間長を選択することができる。例えば、第２の時間窓の長さは、データサンプリングの時間周期より小さくてもよい。例えば、データサンプリングの時間周期の長さの半分を、第２の時間窓の時間長とする。なお、上記選択された第２の時間窓の時間長は、上記説明に限定されず、第２の時間窓の時間長がデータサンプリングの時間周期の長さより小さいことを満たせばよい。データサンプリングについては、以下の説明で詳しく説明する。

ステップ６４２４－４では、上記少なくとも１つの特徴情報における予め記憶された第２の閾値より低い特徴情報に対応する時間窓内の筋電信号が上記欠落信号であると判定する。

前述のように、欠落信号の振幅は、基本的に０であるか又は０に近い。したがって、欠落信号の振幅情報は、一般的に第２の閾値より低い。ここでの第２の閾値は、ウェアラブルデバイス１３０のメモリ又はハードディスクに記憶されてもよく、処理装置１１０に記憶されてもよく、又は実際の状況に応じて調整されてもよい。上記第２の閾値は、ステップ６４２４－４の前に予め計算して記憶することができる。いくつかの実施例において、上記第２の閾値は、システムノイズフロアであってもよい。システムノイズフロアは、ユーザの静止状態又はウェアラブルデバイス１３０の未使用状態で収集された静的筋電信号に基づいて計算したものであってもよい。いくつかの実施例において、上記第２の閾値は、履歴筋電信号に基づく最小統計値であってもよい。例えば、履歴時刻において、筋電センサが収集した正常な筋電信号の最小値である。具体的には、ステップ６４２４－４は、少なくとも１つの特徴情報（例えば、第２の時間窓）における筋電信号に対応する特徴情報と第２の閾値との大小関係を判断してもよい。いくつかの実施例において、処理モジュール２２０は、第２の振幅情報が第２の閾値より小さいと判断すると、ステップ６４２４－４では、第２の時間窓内の筋電信号が欠落信号であると判定し、かつステップ６６００により第２の時間窓内の筋電信号を処理し、欠落信号を補正することができる。いくつかの実施例において、第２の時間窓内の筋電信号を処理することは、第２の時間窓の前又は後の特定の時間範囲内の筋電信号に基づいて、第２の時間窓内の筋電信号に対して信号補正処理を行うことを含んでもよい。ステップ６６００の詳細について、以下の説明で詳しく説明する。

他の実施例において、処理モジュール２２０は、少なくとも１つの特徴情報がいずれも第２の閾値より高いと判断すると、少なくとも１つの時間窓に欠落信号が存在しないと判定する。例えば、処理モジュール２２０は、第２の振幅情報が第２の閾値以上であると判断すると、処理モジュール２２０は、第２の時間窓内の筋電信号を保持することができる。いくつかの実施例において、処理モジュール２２０は、第２の振幅情報と第２の閾値との大小関係の判断結果に基づいて、第２の時間窓内の筋電信号の保持を実行することができる。例えば、いくつかの実施例において、第２の振幅情報が第２の閾値以上である場合、第２の振幅情報に対応する第２の時間窓内の筋電信号は、欠落信号ではなく、該筋電信号が保持されてもよく、即ち、第２の時間窓内の筋電信号が保持される。

前述のように、いくつかの実施例において、異常信号は、飽和信号を含んでもよい。図１２は、本願のいくつかの実施例に係る飽和信号の概略図である。図１２に示すように、図中の００３は、飽和信号である。前述のように、筋電信号の飽和信号は、筋電センサの正負電極が部分的に脱離することにより、信号が飽和したものである。飽和信号の振幅は、正常な筋電信号よりはるかに高い。

飽和信号を識別する場合、少なくとも１つの時間窓が１つの時間窓を含むことを例として説明する。説明の便宜上、少なくとも１つの時間窓が第２の時間窓であることを例とし、上記特徴情報が振幅情報であることを例として説明する。少なくとも１つの時間窓が１つ以上の時間窓を含むことも本明細書の保護範囲内にあることが当業者に明らかであろう。

図１３は、本願のいくつかの実施例に係る、飽和信号を識別する例示的なフローチャートである。図１３に示すように、ステップ６４２４は、以下のステップ６４２４－５～６４２４－６を含んでもよい。

ステップ６４２４－５では、上記少なくとも１つの時間窓内の筋電信号に対応する少なくとも１つの特徴情報を判定する。

ステップ６４２４－５は、上記少なくとも１つの時間窓における各時間窓内の筋電信号に対応する特徴情報を判定してもよい。少なくとも１つの時間窓は、少なくとも１つの特徴情報に対応し、かつ少なくとも１つの時間窓は、少なくとも１つの特徴情報と一対一に対応する。少なくとも１つの時間窓が第２の時間窓を含むことを例とし、上記特徴情報が振幅情報であることを例として説明する。このステップは、ステップ６４２４－１と基本的に一致し、ここでは説明を省略する。

いくつかの実施例において、第２の時間窓の時間長の選択は、最短の飽和信号の長さ及びシステムの計算量に関連する。いくつかの実施例において、平滑化曲線のデータサンプリングへの飽和信号の影響に基づいて、第２の時間窓の時間長を選択することができる。例えば、第２の時間窓の長さは、データサンプリングの時間周期より小さくてもよい。例えば、データサンプリングの時間周期の長さの半分を、第２の時間窓の時間長とする。なお、上記選択された第２の時間窓の時間長は、上記説明に限定されず、第２の時間窓の時間長がデータサンプリングの時間周期の長さより小さいことを満たせばよい。データサンプリングについては、以下の説明で詳しく説明する。

ステップ６４２４－６では、上記少なくとも１つの特徴情報における予め記憶された飽和特徴情報より高い特徴情報に対応する時間窓内の筋電信号が上記飽和信号であると判定する。

前述のように、飽和信号の振幅は、正常な筋電信号よりはるかに高い。いくつかの実施例において、処理モジュール２２０は、少なくとも１つの特徴情報が飽和特徴情報より大きいか否かを判断することができる。ここでの飽和特徴情報は、ウェアラブルデバイス１３０のメモリ又はハードディスクに記憶されてもよく、処理装置１１０に記憶されてもよく、又は実際の状況に応じて調整されてもよい。上記飽和特徴情報は、ステップ６４２４－６の前に予め計算して記憶することができる。飽和特徴情報は、筋電センサの正負電極が部分的に離脱した状態で収集された飽和筋電信号に基づいて計算したものであってもよい。具体的には、ステップ６４２４－６は、少なくとも１つの特徴情報（例えば、第２の時間窓）における筋電信号に対応する特徴情報と飽和特徴情報との大小関係を判断してもよい。いくつかの実施例において、処理モジュール２２０は、第２の振幅情報が飽和特徴情報より大きいと判断すると、ステップ６４２４－６では、第２の時間窓内の筋電信号が飽和信号であると判定することができ、かつステップ６６００により第２の時間窓内の筋電信号を処理し、飽和信号を補正する。いくつかの実施例において、第２の時間窓内の筋電信号を処理することは、第２の時間窓の前又は後の特定の時間範囲内の筋電信号に基づいて第２の時間窓内の筋電信号に対して信号補正処理を行うことを含んでもよい。ステップ６６００の詳細について、以下の説明で詳しく説明する。

他の実施例において、処理モジュール２２０は、少なくとも１つの特徴情報がいずれも飽和特徴情報より小さいと判断すると、少なくとも１つの時間窓に飽和信号が存在しないと判定する。例えば、処理モジュール２２０は、第２の振幅情報が飽和特徴情報以下であると判断すると、処理モジュール２２０は、第２の時間窓内の筋電信号を保持することができる。いくつかの実施例において、処理モジュール２２０は、第２の振幅情報と飽和特徴情報との大小関係の判断結果に基づいて、第２の時間窓内の筋電信号の保持を実行することができる。例えば、いくつかの実施例において、第２の振幅情報が飽和特徴情報以下である場合、第２の振幅情報に対応する第２の時間窓内の筋電信号は、飽和信号ではなく、該筋電信号が保持されてもよく、即ち、第２の時間窓内の筋電信号が保持される。

前述のように、いくつかの実施例において、異常信号は、上記ハイパスフィルタアルゴリズムによる発振信号を含んでもよい。図１４は、本願のいくつかの実施例に係る発振信号の概略図である。図１４に示すように、図中の００４は、発振信号である。

図１５は、本願のいくつかの実施例に係る、発振信号を識別する例示的なフローチャートである。図１５は、ステップ６４２０を示す。図１５に示すように、ステップ６４２０は、以下のステップ６４２６～６４２８を含んでもよい。

ステップ６４２６では、上記ハイパスフィルタアルゴリズムのフィルタパラメータに基づいて、上記発振信号の基準発振高さ及び基準持続時間を計算する。

前述のように、ハイパスフィルタが使用するカットオフ周波数が小さいほど、ハイパスフィルタによる発振信号の発振高さが低く、発振信号の持続時間が短くなる。逆に、ハイパスフィルタが使用するカットオフ周波数が大きいほど、ハイパスフィルタによる発振信号の発振高さが高く、発振信号の持続時間が長くなる。処理モジュール２２０は、ハイパスフィルタのカットオフ周波数に基づいて、発振信号の基準発振高さ及び基準持続時間を計算することができる。上記フィルタパラメータは、上記カットオフ周波数を含む。

ステップ６４２８では、上記筋電信号を上記基準発振高さ及び上記基準持続時間とリアルタイムにマッチングし、上記筋電信号のうちの、上記基準発振高さ及び上記基準持続時間とマッチングする信号区間に対応する筋電信号を上記発振信号として判定する。

処理モジュール２２０は、筋電信号を発振信号に対応する基準発振高さ及び基準持続時間とマッチングすることにより、筋電信号から発振信号を探すことができる。いくつかの実施例において、処理モジュール２２０は、筋電信号に基準発振高さ及び基準持続時間とマッチングする信号区間が存在すると判断すると、処理モジュール２２０は、マッチングする信号区間に対応する筋電信号が発振信号であると判定し、かつステップ６６００により上記発振信号を処理し、上記発振信号を補正することができる。いくつかの実施例において、上記発振信号を処理することは、上記発振信号の前又は後の特定の時間範囲内の筋電信号に基づいて、上記発振信号に対して信号補正処理を行うことを含んでもよい。ステップ６６００の詳細について、以下の説明で詳しく説明する。

別の実施例において、処理モジュール２２０は、筋電信号に基準発振高さ及び基準持続時間とマッチングしない信号区間が存在すると判断すると、処理モジュール２２０は、マッチングしない信号区間に対応する筋電信号が発振信号ではないと判定し、処理モジュールは、マッチングしない信号区間内の筋電信号を保持することができる。

前述のように、ステップ６４００は、周波数領域で上記筋電信号を処理し、上記異常信号を判定するステップ６４４０をさらに含んでもよい。いくつかの実施例において、周波数領域で筋電信号を処理することは、周波数領域で上記筋電信号をフィルタリングして周波数領域で上記筋電信号における特定の周波数範囲の成分を選択するか又は保持することを含んでもよい。いくつかの実施例において、取得モジュール２１０により取得された筋電信号の周波数範囲は、１Ｈｚ～１０００Ｈｚであり、当該筋電信号をフィルタリングして特定の周波数範囲（例えば、３０Ｈｚ～１５０Ｈｚ）の筋電信号を選択して後続の処理を行うことができる。いくつかの実施例において、特定の周波数範囲は、１０Ｈｚ～５００Ｈｚであってもよい。好ましくは、特定の周波数範囲は、１５Ｈｚ～３００Ｈｚであってもよい。より好ましくは、特定の周波数範囲は、３０Ｈｚ～１５０Ｈｚであってもよい。いくつかの実施例において、フィルタリング処理は、ローパスフィルタ処理を含んでもよい。いくつかの実施例において、ローパスフィルタは、ＬＣパッシブフィルタ、ＲＣパッシブフィルタ、ＲＣアクティブフィルタ、特別な素子で構成されたパッシブフィルタを含んでもよい。いくつかの実施例において、特別な素子で構成されたパッシブフィルタは、圧電セラミックフィルタ、水晶フィルタ、弾性表面波フィルタのうちの１種又は複数種を含んでもよい。なお、特定の周波数範囲は、上記範囲に限定されず、さらに他の範囲であってもよく、実際の状況に応じて選択することができる。

図１６は、本願のいくつかの実施例に係る、周波数領域で筋電信号を処理する例示的なフローチャートである。図１６は、ステップ６４４０を示す。図１６に示すように、ステップ６４４０は、以下のステップ６４４２～６４４６を含んでもよい。

ステップ６４４２では、周波数領域変換アルゴリズムに基づいて、上記周波数領域での上記筋電信号の周波数領域信号をリアルタイムに取得する。

処理モジュール２２０は、時間領域での筋電信号に対して周波数領域変換をリアルタイムに行うことにより、周波数領域での筋電信号の周波数領域信号を取得することができる。上記周波数領域変換アルゴリズムは、フーリエ変換、ウェーブレット変換、ラプラス変換、Ｚ変換などであってもよい。処理モジュール２２０は、ステップ６４４２を実行する場合、筋電信号の各フレームの信号を基本変換単位として周波数領域変換を行うことができる。処理モジュール２２０は、フレームごとに筋電信号に対して周波数領域変換を行うことができる。

ステップ６４４４では、上記周波数領域信号のスペクトル特徴をリアルタイムに判定する。

いくつかの実施例において、上記周波数領域信号のスペクトル特徴は、少なくともスペクトル形状、パワースペクトル密度、平均パワー周波数、中央周波数及びウェーブレットスケールのうちの少なくとも１種を含む。いくつかの実施例において、正常な筋電信号の周波数分布は、主に２０～４００Ｈｚの周波数範囲内に集中し、正常な筋電信号のエネルギー分布領域は、主に５０～２００Ｈｚの周波数範囲内にあり、かつ正常な筋電信号の統計的な平均値は、一般的に単一のピークの略ガウス形状である。特異信号、例えば、グリッチ信号のスペクトル分布形状は、一般的に非対称性であり、正常な筋電信号の略ガウス形状と明らかに区別される。モーションアーチファクトによるノイズ信号の周波数は、一般的に２０Ｈｚ以下である。筋電センサの一部の電極の脱落により、収集された商用電源周波数信号（即ち、飽和信号）の周波数は、一般的に５０Ｈｚに分布し、かつ飽和信号の周波数スペクトルは、正常な筋電信号より平坦である。以上より、正常な筋電信号と異常信号のスペクトル特徴は明らかに区別される。運動データ処理方法６０００は、上記筋電信号の周波数領域信号のスペクトル特徴に基づいて、正常な筋電信号から異常信号を識別することができる。処理モジュール２２０は、ステップ６４４４を実行する場合、フレームごとに各フレームの筋電信号の周波数領域信号のスペクトル特徴を判定することができる。

ステップ６４４６では、上記スペクトル特徴が所定の条件を満たさない周波数領域信号に対応する筋電信号を上記異常信号として判定する。

処理モジュール２２０は、ステップ６４４６を実行する場合、所定の条件に基づいてフレームごとに各フレームの筋電信号の周波数領域信号のスペクトル特徴を判定することができる。いくつかの実施例において、処理モジュール２２０は、現在のフレームの筋電信号に対応する周波数領域信号のスペクトル特徴が所定の条件を満たすか否かを判断することができる。正常な筋電信号のスペクトル特徴は、所定の条件を満たすべきである。異常信号は、所定の条件を満たさない。上記所定の条件は、正常な筋電信号のスペクトル特徴の統計特徴に基づいて得られた条件であってもよい。所定の条件は、ウェアラブルデバイス１３０のメモリ又はハードディスクに記憶されてもよく、処理装置１１０に記憶されてもよく、又は実際の状況に応じて調整されてもよい。いくつかの実施例において、処理モジュール２２０は、ステップ６４４６における周波数領域信号のスペクトル特徴が所定の条件を満たすか否かの判断結果に基づいて、正常な筋電信号から異常信号を識別し、かつ異常信号に対して信号補正処理を行うことができる。いくつかの実施例において、処理モジュール２２０は、現在のフレームの筋電信号に対応する周波数領域信号のスペクトル特徴が所定の条件を満たさないと判断すると、所定の条件を満たさない現在のフレームの筋電信号が異常信号であると判定し、かつステップ６６００により異常信号を処理し、異常信号を補正する。いくつかの実施例において、異常信号を処理することは、異常信号の前又は後の特定の時間範囲内の筋電信号に基づいて、異常信号に対して信号補正処理を行うことを含んでもよい。ステップ６６００の詳細について、以下の説明で詳しく説明する。

別の実施例において、処理モジュール２２０は、現在のフレームの筋電信号に対応する周波数領域信号のスペクトル特徴が所定の条件を満たすと判断すると、現在のフレームの筋電信号は、異常信号ではなく、該筋電信号が保持されてもよく、処理モジュール２２０は、現在のフレームの筋電信号を保持することができる。

図６に示すように、方法６０００は、さらに以下のステップ６６００を含んでもよい。

ステップ６６００では、上記異常信号を補正する。

いくつかの実施例において、方法６０００は、異常信号に対して信号補正処理をリアルタイムに行うことをさらに含んでもよい。信号補正処理とは、筋電信号のうちの異常信号（例えば、特異信号、欠落信号、飽和信号及び発振信号など）を補正することを指す。前述のように、ステップ６４００では、処理モジュール２２０による異常信号の識別は、リアルタイムに行われる。ステップ６６００では、処理モジュール２２０による異常信号の補正もリアルタイムに行われる。即ち、処理モジュール２２０は、異常信号をリアルタイムに識別し、かつ異常信号をリアルタイムに補正することができる。

図１７は、本願のいくつかの実施例に係る、異常信号を補正する例示的なフローチャートである。図１７は、ステップ６６００を示す。図１７に示すように、ステップ６６００は、以下のステップ６６２０～６６８０を含んでもよい。

ステップ６６２０では、上記異常信号の前の上記筋電信号に対してデータサンプリングをリアルタイムに行い、サンプリングデータを取得する。

前述のように、処理モジュール２２０は、異常信号をリアルタイムに識別し、かつ異常信号をリアルタイムに補正することができる。即ち、処理モジュール２２０は、新たな異常信号を識別する場合、新たな異常信号の前に存在する異常信号に対して補正処理を完了する。即ち、現在の異常信号の前の筋電信号は、正常な筋電信号と補正処理後の異常信号からなり、即ち、現在の異常信号の前の筋電信号に異常信号が存在しない。ステップ６６２０では、処理モジュール２２０は、現在の異常信号の前の筋電信号に対するデータサンプリングをリアルタイムに完了することができ、それにより現在の異常信号の前の筋電信号に対応するサンプリングデータを取得する。

上記データサンプリングは、筋電信号に基づいて、サンプリングなどの方法で、いくつかの離散的なデータ、即ち上記サンプリングデータを取得することであってもよい。上記サンプリングデータは、データサンプリング後に得られた離散的なデータであってもよい。具体的には、上記データサンプリングの方法は、特定の時間周期に基づいて、離散的なデータを取得することであってもよい。上記特定の時間周期は、任意の時間長であってもよく、例えば上記特定の時間周期は、１フレームの長さであってもよく、０．５フレームの長さであってもよく、より短くてもよく、例えば、１フレームにおいて平均で１０個、２０個、３０個、さらにより多くの離散的なデータを取る。上記離散的なデータは、上記特定の時間周期内の統計データであってもよく、例えば、上記特定の時間周期内のデータの平均値、中間値などである。

ステップ６６４０では、上記筋電信号の時間領域窓に対応する上記サンプリングデータに基づいて、上記異常信号の発生時刻に対応する予測データを判定する。

処理モジュール２２０は、上記サンプリングデータに基づいて、データフィッティングを行うことにより、フィッティング曲線を取得することができる。いくつかの実施例において、処理モジュール２２０は、フィッティング関数に基づいて、上記サンプリングデータに対してデータフィッティングを行うことにより、上記フィッティング曲線を取得することができる。いくつかの実施例において、処理モジュール２２０は、ニューラルネットワークの方法に基づいて、上記サンプリングデータに対してデータフィッティングを行うことにより、上記フィッティング曲線を取得することができる。

いくつかの実施例において、ステップ６６４０は、上記時間領域窓に対応する上記サンプリングデータに基づいて、フィッティング関数を決定し、かつ上記フィッティング関数に基づいて、上記異常信号の発生時刻に対応する上記予測データを計算することであってもよい。フィッティング関数は、任意の形式の曲線関数であってもよい。いくつかの実施例において、フィッティング関数は、正弦関数、余弦関数であってもよい。いくつかの実施例において、フィッティング関数は、異なる次数の関数であってもよく、例えば、二次関数、三次関数、四次関数などである。フィッティング関数の独立変数は、時間であり、従属変数は、筋電信号の振幅である。ステップ６６４０では、処理モジュール２２０は、サンプリングデータに基づいて、データフィッティングを行うことにより、フィッティング関数を決定し、かつフィッティング関数に基づいて、異常信号の発生時刻に対応する筋電信号の振幅を予測することにより、異常信号の発生時刻に対応する予測データを取得することができ、上記予測データは、異常信号の発生時刻に対応する筋電信号の振幅であってもよい。

いくつかの実施例において、ステップ６６４０は、さらに、上記時間領域窓に対応する上記サンプリングデータ、及びトレーニングされたＬＳＴＭネットワークに基づいて、上記異常信号の発生時刻に対応する上記予測データを計算することであってもよい。ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ、長短期記憶ネットワーク）ネットワークは、回帰型ニューラルネットワークであり、長期依存情報を学習して予測することができる。いくつかの実施例において、処理モジュール２２０は、さらに、他の回帰型ニューラルネットワークに基づいて、異常信号の発生時刻に対応する予測データを計算することができ、例えば、ＧＲＵ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ、ゲート付き回帰型ユニット）ネットワーク、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、回帰型ニューラルネットワーク）ネットワークである。

ステップ６６６０では、上記予測データに基づいて、上記異常信号の発生時刻に対応する補正データを判定する。

ステップ６６６０では、処理モジュール２２０は、上記予測データを取得した後、上記予測データが使用需要を満たすか否かを判断する必要があり、即ち、上記予測データが合理的な筋電信号であるか否かを判断する。前述のように、正常な筋電信号は、一般的に安定した信号である。処理モジュール２２０は、上記予測データの周囲の他の筋電信号に基づいて、上記予測データが合理的な筋電信号であるか否かを判定することができる。いくつかの実施例において、ステップ６６６０は、以下のステップ６６６２～６６６４を含んでもよい。

ステップ６６６２では、上記予測データが所定の範囲内にあると判定すると、上記予測データを上記補正データとし、又は、

ステップ６６６４では、上記予測データが上記所定の範囲内にないと判定すると、上記異常信号に隣接する少なくとも１フレームの筋電信号に対応するサンプリングデータを上記補正データとする。

上記所定の範囲は、上記時間領域窓内の上記筋電信号の最大値及び最小値からなるデータ範囲を含む。具体的には、処理モジュール２２０は、上記異常信号の前の上記時間領域窓内の筋電信号の最大値及び最小値を取得し、かつ予測データが上記最大値と上記最小値との間にあるか否かを判断することができる。前述のように、運動データ処理方法６０００は、異常信号をリアルタイムに識別し、かつ異常信号を補正することができる。したがって、上記異常信号の前の筋電信号は、正常な筋電信号及び補正された異常信号の集合である。即ち、上記異常信号の間の筋電信号に異常信号が存在しない。したがって、上記異常信号の前の筋電信号は、いずれも正常で合理的な筋電信号である。処理モジュール２２０は、予測データが異常信号の前の時間領域窓内の筋電信号の最大値及び最小値からなるデータ範囲内にあるか否かを判断することにより、予測データが合理的であるか否かを判断することができる。いくつかの実施例において、処理モジュール２２０は、予測データが異常信号の前の時間領域窓内の筋電信号の最大値及び最小値からなるデータ範囲内にあると判断すると、予測データが正常で合理的な筋電信号であると判定し、この時、処理モジュール２２０は、予測データを補正データとして異常信号を補正することができる。いくつかの実施例において、処理モジュール２２０は、予測データが異常信号の前の時間領域窓内の筋電信号の最大値及び最小値からなるデータ範囲内にないと判断すると、予測データが異常又は不合理な筋電信号であると判定し、この時、処理モジュール２２０は、予測データを補正データとして異常信号を補正することができない。この場合、処理モジュール２２０は、上記異常信号に隣接する少なくとも１フレームの筋電信号に対応するサンプリングデータを上記補正データとすることができる。上記異常信号に隣接する少なくとも１フレームの筋電信号に対応するサンプリングデータは、複数のサンプリングデータの統計値であってもよく、例えば、平均値、中間値などである。

ステップ６６８０では、上記補正データを用いて上記異常信号を補正する。

補正データを判定した後、処理モジュール２２０は、上記補正データを用いて異常信号を補正することができる。具体的には、処理モジュール２２０は、異常信号の代わりに補正データを用いることができる。

図１８は、本願のいくつかの実施例に係る筋電信号及び補正後の平滑化曲線の概略図である。図１８に示すように、図中の００７は、筋電信号であり、００８は、平滑化曲線である。以上より、本願に係る運動データ処理方法６０００及び運動監視システム１００は、周波数領域又は時間領域で筋電信号を処理して、筋電信号のうちの、例えば、特異信号、欠落信号、飽和信号、ハイパスフィルタによる発振信号などの異常信号を識別することができる。上記運動データ処理方法６０００及び運動監視システム１００は、さらに、データサンプリングアルゴリズムにより筋電信号に対してデータサンプリングを行い、かつサンプリングデータに基づいて異常信号の発生時刻のデータを予測して予測データを取得し、かつ異常信号を予測データに置き換えることにより、異常信号を補正することができる。上記運動データ処理方法６０００及び運動監視システム１００は、異常信号を正確に識別することができるだけでなく、補正後のデータがユーザの実際の運動により適合するように異常信号を補正することができ、それによりユーザ体験を向上させる。

いくつかの実施例において、上記運動データ処理方法６０００及び運動監視システム１００は、さらに、異常信号を識別すると、デバイスの装着が異常であるようにユーザの注意をタイムリーに喚起して、データをより正確に収集することができる。例えば、運動データ処理方法６０００は、異常信号（例えば欠落信号、飽和信号）を識別すると、処理モジュール２２０により制御モジュール２３０にフィードバック情報を送信することができる。前記フィードバック情報は、ユーザの運動中にウェアラブルデバイス１３０が正しく装着されないか又は引っ張る現象が存在する可能性があることをフィードバックすることであってもよい。上記フィードバック情報は、ユーザにウェアラブルデバイス１３０の位置を調整するように提示することなどをさらに含んでもよい。制御モジュール２３０は、フィードバック情報に基づいて、入力／出力モジュール２６０を制御することができ、さらに移動端末装置１４０がユーザにその運動のフィードバック結果を送信するように制御することができる。いくつかの実施例において、制御モジュール２３０は、さらに、取得モジュール２１０における１つ以上のセンサ又は他のモジュールが人にフィードバックするように制御することができる。例えば、ユーザの運動中に、ある筋肉に対応する筋電信号に異常信号が存在する場合、制御モジュール２３０は、該筋肉位置の電極モジュールがユーザに対して電気刺激を行うように制御して、ユーザにウェアラブルデバイス１３０をタイムリーに調整することを提示することができる。

いくつかの実施例において、時間領域で筋電信号のうちの異常信号に対して信号補正処理を行うことは、筋電信号における特異点を除去することをさらに含んでもよく、例えば、特異点及びその近傍の一定の時間範囲内の信号を削除する。代替的に、時間領域で筋電信号に対して信号補正処理を行うことは、特定の時間範囲内の筋電信号の特徴情報に基づいて、筋電信号の特異点を補正することを含み、例えば、特異点の周囲の信号に基づいて、特異点の振幅を調整する。いくつかの実施例において、筋電信号の特徴情報は、振幅情報、振幅情報の統計情報のうちの１種又は複数種を含んでもよい。振幅情報の統計情報（振幅エントロピーとも呼ばれる）とは、時間領域での筋電信号の振幅情報の分布状況を指す。いくつかの実施例において、信号処理アルゴリズム（例えば、フーリエ変換、ウェーブレット変換、フラクタル次元）により、筋電信号における特異点の位置（例えば、対応する時点）を判定した後、特異点の位置の前又は後の特定の時間範囲内の筋電信号に基づいて、特異点を修正することができる。例えば、特異点が急激に変化したボトムである場合、急激に変化したボトムの前又は後の特定の時間範囲（例えば、５ｍｓ～６０ｍｓ）内の筋電信号の特徴情報（例えば、振幅情報、振幅情報の統計情報）に基づいて、急激に変化したボトムでの筋電信号を補充することができる。

いくつかの実施例において、筋電信号のうちの異常信号に対して信号補正処理を行うことは、他の方法をさらに用いることができ、例えば、ハイパスフィルタリング方法、ローパスフィルタリング方法、バンドパスフィルタリング方法、ウェーブレット変換再構成法などである。いくつかの実施例において、低周波信号に敏感でない適用シーンに対して、１００Ｈｚのハイパスフィルタを用いてグリッチ信号の除去を行うことができる。いくつかの実施例において、筋電信号に対して信号補正処理を行う以外に、さらに筋電信号に対して他の方式の信号処理を行うことができ、例えばフィルタリング処理、信号増幅、位相調整などである。いくつかの実施例において、筋電センサにより収集されたユーザの筋電信号は、アナログデジタル変換器（ＡＤＣ）によりデジタル筋電信号に変換することができ、変換されたデジタル筋電信号は、フィルタリング処理を行うことができ、フィルタリング処理は、商用電源周波数信号及びその高調波信号などをフィルタリングすることができる。いくつかの実施例において、筋電信号に対する処理は、ユーザのモーションアーチファクトを除去することをさらに含んでもよい。ここでのモーションアーチファクトとは、筋電信号を取得する過程において、測定対象の位置の運動中のユーザの筋肉が筋電モジュールに対して移動することによる信号ノイズを指す。

なお、上記フロー６０００についての説明は、例示及び説明のためのものに過ぎず、本明細書の適用範囲を限定するものではない。当業者にとって、本明細書の示唆でフロー６０００に対して様々な修正及び変更を行うことができる。例えば、上記フロー６０００において、特異信号に対する識別及び修正は、特異信号がグリッチ信号である例のみを挙げたが、特異信号がボトム信号である場合、上記各ステップ及びその解決手段を調整するか又は他の方法を用いて信号補正処理を行うことができる。しかしながら、これらの修正及び変更は、依然として本明細書の範囲内にある。

以上、基本概念を説明してきたが、当業者にとっては、上記詳細な開示は、単なる例として提示されているに過ぎず、本願を限定するものではないことは明らかである。本明細書において明確に記載されていないが、当業者は、本願に対して様々な変更、改良及び修正を行うことができる。これらの変更、改良及び修正は、本願によって示唆されることが意図され、本願の例示的な実施例の精神及び範囲内にある。

さらに、本願の実施例を説明するために、本願において特定の用語が使用されている。例えば、「１つの実施例」、「一実施例」、及び／又は「いくつかの実施例」は、本願の少なくとも１つの実施例に関連した特定の特徴、構造又は特性を意味する。したがって、本願の様々な部分で２つ以上言及されている「一実施例」又は「１つの実施例」又は「１つの代替的な実施例」は、必ずしもすべてが同一の実施例を指すとは限らないことを強調し、理解されたい。また、本願の１つ以上の実施例における特定の特徴、構造又は特性は、適切に組み合わせられてもよい。

１００ 運動監視システム
１１０ 処理装置
１２０ ネットワーク
１３０ ウェアラブルデバイス
１４０ 移動端末装置
１３０－１ 上着デバイス
１３０－２ ズボンデバイス
１３０－３ リストバンドデバイス
１３０－４ 靴
１４０－１ モバイルデバイス
１４０－２ タブレットコンピュータ
１４０－３ ノートパソコン
２１０ 取得モジュール
２２０ 処理モジュール
２３０ 制御モジュール
２４０ 通信モジュール
２５０ 給電モジュール
２６０ 入力／出力モジュール
３００ コンピューティングデバイス
３１０ 内部通信バス
３２０ プロセッサ
３３０ リードオンリーメモリ
３４０ ランダムアクセスメモリ
３５０ 通信ポート
３６０ 入力／出力インタフェース
３７０ ハードディスク
３８０ ユーザインタフェース
４００ ウェアラブルデバイス
４１０ 上着
４１１０ 上着ベース
４１２０ 上着処理モジュール
４１３０ 上着フィードバックモジュール
４１４０ 上着取得モジュール

Claims (15)

1. ユーザの運動時に対応する測定位置の筋電信号をリアルタイムに取得するステップと、
   前記筋電信号に基づいて、前記筋電信号のうちの異常信号を判定するステップと、
   前記異常信号を補正するステップとを含む、ことを特徴とする運動データ処理方法。
2. 前記筋電信号に基づいて、前記筋電信号のうちの異常信号を判定するステップは、
   時間領域で前記筋電信号を処理し、前記異常信号を判定するステップ、又は、
   周波数領域で前記筋電信号を処理し、前記異常信号を判定するステップを含む、ことを特徴とする請求項１に記載の運動データ処理方法。
3. 前記時間領域で前記筋電信号を処理し、前記異常信号を判定するステップは、
   前記筋電信号の時間領域窓に基づいて、前記筋電信号の時間領域窓から、異なる時間範囲をそれぞれカバーする少なくとも１つの時間窓を選択するステップと、
   前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップとを含む、ことを特徴とする請求項２に記載の運動データ処理方法。
4. 前記特徴情報は、振幅情報及び振幅情報の統計情報のうちの少なくとも１種を含み、前記振幅情報の統計情報は、振幅情報のエントロピー、分散、標準偏差、標準偏差の標準偏差及びゼロ交差率のうちの少なくとも１種を含む、ことを特徴とする請求項３に記載の運動データ処理方法。
5. 前記異常信号は、特異信号を含み、前記少なくとも１つの時間窓は、複数の時間窓を含み、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップは、
   前記複数の時間窓内の筋電信号に対応する複数の特徴情報を判定するステップと、
   前記時間範囲が後にある時間窓に対応する特徴情報と、前記時間範囲が先にある時間窓に対応する特徴情報との比率が所定の第１の閾値を超えると判定すると、前記時間範囲が後にある時間窓内の筋電信号が前記特異信号であると判定するステップとを含む、ことを特徴とする請求項３に記載の運動データ処理方法。
6. 前記異常信号は、欠落信号を含み、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップは、
   前記少なくとも１つの時間窓内の筋電信号に対応する少なくとも１つの特徴情報を判定するステップと、
   前記少なくとも１つの特徴情報における予め記憶された第２の閾値より低い特徴情報に対応する時間窓内の筋電信号が前記欠落信号であると判定するステップとを含む、ことを特徴とする請求項３に記載の運動データ処理方法。
7. 前記異常信号は、飽和信号を含み、前記少なくとも１つの時間窓内の筋電信号に対応する特徴情報に基づいて、前記異常信号を判定するステップは、
   前記少なくとも１つの時間窓内の筋電信号に対応する少なくとも１つの特徴情報を判定するステップと、
   前記少なくとも１つの特徴情報における予め記憶された飽和特徴情報より高い特徴情報に対応する時間窓内の筋電信号が前記飽和信号であると判定するステップとを含む、ことを特徴とする請求項３に記載の運動データ処理方法。
8. 前記筋電信号は、平均値除去アルゴリズム及びハイパスフィルタアルゴリズムのうちの少なくとも１種を含む直流成分除去アルゴリズムに基づいて得られた信号を含む、ことを特徴とする請求項２に記載の運動データ処理方法。
9. 前記異常信号は、前記ハイパスフィルタアルゴリズムによる発振信号をさらに含み、時間領域で前記筋電信号を処理し、前記異常信号を判定するステップは、
   前記ハイパスフィルタアルゴリズムのフィルタパラメータに基づいて、前記発振信号の基準発振高さ及び基準持続時間を計算するステップと、
   前記筋電信号を前記基準発振高さ及び前記基準持続時間とリアルタイムにマッチングし、前記筋電信号のうちの、前記基準発振高さ及び前記基準持続時間とマッチングする信号区間に対応する筋電信号を前記発振信号として判定するステップとを含む、ことを特徴とする請求項８に記載の運動データ処理方法。
10. 周波数領域で前記筋電信号を処理し、前記異常信号を判定するステップは、
    周波数領域変換アルゴリズムに基づいて、前記周波数領域での前記筋電信号の周波数領域信号をリアルタイムに取得するステップと、
    前記周波数領域信号のスペクトル特徴をリアルタイムに判定するステップと、
    前記スペクトル特徴が所定の条件を満たさない周波数領域信号に対応する筋電信号を前記異常信号として判定するステップとを含む、ことを特徴とする請求項２に記載の運動データ処理方法。
11. 前記スペクトル特徴は、スペクトル形状、パワースペクトル密度、平均パワー周波数、中央周波数及びウェーブレットスケールのうちの少なくとも１種を含む、ことを特徴とする、請求項１０に記載の運動データ処理方法。
12. 前記異常信号を補正するステップは、
    前記異常信号の前の前記筋電信号に対してデータサンプリングをリアルタイムに行い、サンプリングデータを取得するステップと、
    前記筋電信号の時間領域窓に対応する前記サンプリングデータに基づいて、前記異常信号の発生時刻に対応する予測データを判定するステップと、
    前記予測データに基づいて、前記異常信号の発生時刻に対応する補正データを判定するステップと、
    前記補正データを使用して前記異常信号を補正するステップとを含む、ことを特徴とする請求項１に記載の運動データ処理方法。
13. 前記筋電信号の時間領域窓に対応する前記サンプリングデータに基づいて、前記異常信号の発生時刻に対応する予測データを判定するステップは、
    前記時間領域窓に対応する前記サンプリングデータに基づいて、フィッティング関数を決定し、かつ前記フィッティング関数に基づいて、前記異常信号の発生時刻に対応する前記予測データを計算するステップと、
    前記時間領域窓に対応する前記サンプリングデータ、及びトレーニングされたＬＳＴＭネットワークに基づいて、前記異常信号の発生時刻に対応する前記予測データを計算するステップとのうちの少なくとも１つを含む、ことを特徴とする請求項１２に記載の運動データ処理方法。
14. 前記予測データに基づいて、前記異常信号の発生時刻に対応する補正データを判定するステップは、
    前記予測データが、前記時間領域窓内の前記筋電信号の最大値及び最小値からなるデータ範囲を含む所定の範囲内にあると判定すると、前記予測データを前記補正データとするステップ、又は、
    前記予測データが前記所定の範囲内にないと判定すると、前記異常信号に隣接する少なくとも１フレームの筋電信号に対応するサンプリングデータを前記補正データとするステップを含む、ことを特徴とする請求項１２に記載の運動データ処理方法。
15. 運動データ処理のための少なくとも１つの命令セットが記憶されている少なくとも１つの記憶媒体と、
    前記少なくとも１つの記憶媒体と通信可能に接続される少なくとも１つのプロセッサと、を含み、
    動作時に、前記少なくとも１つのプロセッサは、前記少なくとも１つの命令セットを読み取り、請求項１～１４のいずれか一項に記載の運動データ処理方法を実行する、ことを特徴とする運動監視システム。

Images