TW201420153A - 基於分類器的運動狀況評量系統 - Google Patents

Abstract

一種基於分類器的運動狀況評量系統，適用於評量一使用者的運動狀況，並包含一由該使用者所攜帶的運動狀況評量裝置。該運動狀況評量裝置包括一加速度感測器、一處理器及一分類器。該加速度感測器用以在該使用者運動時，蒐集多組待測數據，每一組待測數據為一單位時間內的多個加速度資訊組。該處理器用以根據該等加速度資訊組，產生多個與該等待測數據一一對應的分類特徵組。該分類器用以根據該等分類特徵組，輸出多個與該等待測數據一一對應的運動狀況。

Description

基於分類器的運動狀況評量系統

本發明是有關於一種評量系統，特別是指一種基於分類器的運動狀況評量系統。

隨著生活型態以及飲食習慣的改變，心血管疾病成為國人死因的前幾位，因此，近幾年來政府不斷地宣導運動的重要性並改善人們運動的環境，如運動步道的設置、運動公園的規劃，希望能提供大家一個安全的快走、慢跑場地。

因此，為了評量每日的運動狀況，大家往往會藉由儀器的幫助，例如可以計算距離及速度的計步器，藉由感測使用者身體的震動次數評量運動的狀況。但傳統上的計步器，由於只根據震動次數計算距離，而未參考每一次震動的強度，無法分辨出步伐的大小，故計算出的距離往往和實際情況有相當大的差距。再利用該距離與運動的時間計算出速度，只會更加不準確。

再者，由於每一個使用者的步距並不相同，只計算震動次數，而不參考每一個使用者個人的資料，使得計算出的速度更加地沒有參考價值。

因此，本發明之目的，即在提供一種基於分類器的運動狀況評量系統。

於是，本發明基於分類器的運動狀況評量系統，適用 於評量一使用者的運動狀況，並包含一由該使用者所攜帶的運動狀況評量裝置，該運動狀況評量裝置包括一加速度感測器、一處理器，及一分類器。

該加速度感測器用以在該使用者運動時，蒐集多組待測數據，每一組待測數據為一單位時間內的多個加速度資訊組。

該處理器用以根據該等加速度資訊組，產生多個與該等待測數據一一對應的分類特徵組。

該分類器用以根據該等分類特徵組，輸出多個與該等待測數據一一對應的運動狀況。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之二個較佳實施例的詳細說明中，將可清楚的呈現。

在本發明被詳細描述之前，要注意的是，在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1及圖2，本發明基於分類器的運動狀況評量系統之第一較佳實施例的第一態樣，適用於評量一使用者的運動狀況，並包含一由該使用者所攜帶的運動狀況評量裝置1，該運動狀況評量裝置1包括一加速度感測器11、一處理器12、一分類器13、一陀螺儀14、一輸入單元15，及一第一資料庫16。

該加速度感測器11用以在該使用者運動時，蒐集多組待測數據，每一組待測數據為一單位時間內的多個加速度 資訊組。

該陀螺儀14用以偵測該加速度感測器11的多個對應時間的方位資訊。

該處理器12用以根據該等加速度資訊組，產生多個與該待測數據一一對應的分類特徵組。

該輸入單元15用以輸入使用者的性別、身高及體重等個人資料，在本較佳實施例中為一觸控螢幕。

該第一資料庫16記錄多個經過訓練而產生的分類器13的核心，並根據使用者藉由該輸入單元15所輸入的個人資料，決定該等核心中的一個以載入該分類器13。

該分類器13用以根據該等分類特徵組，輸出多個與該等待測數據一一對應的運動狀況。在本較佳實施例中，該分類器13為一類神經網路，包括一輸入層、一隱藏層，及一輸出層。輸入層、隱藏層，及輸出層各別包括多個節點，位於輸入層及隱藏層的節點之間具有邊，位於隱藏層及輸出層的節點之間亦具有邊，每一邊對應一權重值，該等權重值即為類神經網路之核心。

在用於評量使用者的運動狀況之前，本發明需經過一訓練階段，完成後便可於測試階段中評量運動狀況。故以下配合一訓練階段及一測試階段，進一步說明本發明之加速度感測器11、處理器12、分類器13、陀螺儀14、輸入單元15，及第一資料庫16之間的互動關係，以及加速度資訊組、加速強度值、訓練用特徵組，及分類特徵組的取得方式。

訓練階段

訓練階段於本發明還在工廠製造時進行，針對各種使用者的個人資料多次訓練該分類器13，以產生多個分類器13核心，並在該第一資料庫16中記錄每一種使用者個人資料所適用的分類器13核心。如身高180公分，體重70公斤的使用者，和身體170，體重70公斤的使用者，所適用的分類器13核心將會有所不同。而分類器13在完成訓練階段之後才可用以根據該等分類特徵組，輸出使用者的運動狀況。

參閱圖1、圖2及圖3，如步驟S11所示，蒐集多組訓練用數據，每一組訓練用數據包括藉由該加速度感測器11蒐集而來的一單位時間內的多個加速度資訊組，以及對應該單位時間的一已知運動狀況，並且藉由該陀螺儀14偵測該加速度感測器11的多個對應時間的方位資訊。每一加速度資訊組包括多個分量值，即x軸分量、y軸分量及z軸分量。舉例來說，單位時間設定為2秒時，該加速度感測器11每0.2秒取樣一次，因此每一組訓練用數據包括十筆加速度資訊組及一已知運動狀況。

在訓練階段時，先將運動狀況評量裝置1配戴於身上並依照一已知運動狀況進行多次運動，在本較佳實施例中，已知運動狀況共有三種，分別是「慢速行走」、「中速行走」及「快速行走」。而在第一組訓練用數據中，第一筆加速度資訊組包括該加速度感測器11在第0秒時取樣到的x 軸分量0.572、y軸分量-10.188、z軸分量-0.994，記為(0.572,-10.188,-0.994)。其餘九筆依序記錄如下表，本較佳實施例中共有五組訓練用數據。

值得一提的是，實際上實行訓練階段時，可能需要更多組訓練用數據，為求說明上之便利，故僅提出其中五組。

接著，如步驟S12所示，在每一組訓練用數據中，該處理器12根據該等方位資訊校正該等加速度資訊組，以產生與該等加速度資訊組一一對應的加速強度值。由於使用者在運動時，該運動狀況評量裝置1亦隨著使用者擺動，故該加速度感測器11所參考的座標系統亦相對於地面不斷改變而產生誤差，故配合該陀螺儀14記錄下該加速度感測器11在不同時間的方位資訊，然後只取出重力方向的分量值，即為該加速強度值。

亦即，該處理器12根據該等加速度資訊組各別依x軸分量、y軸分量，及z軸分量計算出一合向量。然後，以該陀螺儀14定義一重力方向，該合向量在重力方向上的分量值即為表中之加速強度值。以第一組第0秒時的資料為例，該合向量方向與重力方向有一夾角，在重力方向上之分量值為10.252，即為加速度強度值。

接著，如步驟S13所示，該等加速強度值經由該處理器12計算後，產生多個與該等訓練用數據一一對應的訓練用特徵組，每一訓練用特徵組包括一最大峰值、一最小峰值、一峰值差，及一最小峰值時間差，及所對應的已知運動狀況。在經過步驟S12後，節錄第一組的加速強度值為：

該等加速強度值中最大者為該最大峰值，該等加速強度值中最小者為該最小峰值，次小者為一個次小峰值，該峰值差根據該最大峰值及最小峰值相減而來，該最小峰值時間差根據該最小峰值及次小峰值各別發生的時間相減而來。因此，第一組中的最大峰值為1.4秒時的11.715，最小峰值為1.6秒時的8.743。次小峰值為1秒時的9.100。而峰值差定義為最大峰值及最小峰值的差，故峰值差為2.972。最小峰值時間差定義為最小峰值及次小峰值發生時間的間隔，故為0.6(秒)。

依此類推，可以得到該第一組的訓練用特徵組為(11.715,8.743,2.972,0.6；“慢速行走”)。同理，其他的訓練用特徵組列於下表。

然後，如步驟S14所示，將該等訓練用特徵組輸入該分類器13，以得到對應一種使用者個人資料的分類器13核心。在本較實施例中，每一訓練用特徵組中除了已知運動狀況外有四個特徵值，即最大峰值、最小峰值、峰值差，及最小峰值時間差，故在類神經網路之輸入層包括四個節點，運動狀況共有三種，故輸出層有三個節點。每一訓練用特徵組中的特徵值輸入該輸入層的節點之中，然後將該輸出層的節點中的結果與已知運動狀況比較，多次調整該類神經網路中每一邊的權重值，以完成訓練該類神經網路。

在重覆步驟S11至S14多次，完成各種使用者個人資料下對應的分類器13核心並儲存於該第一資料庫16中，訓練階段得以完成。

測試階段

在訓練階段完成後，本發明於工廠生產，然後使用者 開始使用本發明評量個人的運動狀況。值得一提的是，由於在測試階段中，從待測數據中取出分類特徵組的進一步細節，與在訓練階段中，從訓練用數據取出訓練用特徵組的細節類似，故不再贅述。

參閱圖1、圖2及圖4，首先，如步驟S20所示，根據使用者藉由該輸入單元15輸入的個人資料，決定該等儲存於該第一資料庫16中經過訓練而產生的分類器13核心中的一個，以載入該分類器13。此時，使用者配戴著本發明之運動狀況評量裝置1，然後由該輸入單元15輸入使用者個人資料，如身高、體重。接著，個人資料會傳入該第一資料庫16中，找到對應的核心並載入該分類器13中。由於在本實施例中，該分類器13為類神經網路，故該核心中包括多個權重值，將該等權重值一一設定於對應的邊之後，即完成將核心載入分類器13的動作。

然後，如步驟S21所示，藉由該加速度感測器11蒐集多組待測數據，每一組待測數據包括一單位時間內的多個加速度資訊組，且藉由該陀螺儀14偵測該加速度感測器11的多個對應時間的方位資訊。在使用者開始運動後，該運動狀況評量裝置1連續蒐集多組待測數據，每一組待測數據包括一單位時間內的多個加速度資訊組。以第一組待測數據為例，預設單位時間為2秒時，每0.2秒蒐集一次，得到第一組待測數據中第0秒時的x軸分量為0.170，y軸分量為-9.810，z軸分量為-0.271，記為(0.170,-9.810,-0.271)。第0.2秒時為(-0.218,-9.986,-0.410)，依此 類推記錄至第1.8秒。同一時間，該加速度感測器11的方位資訊同步地被該陀螺儀14記錄下來。與訓練用數據不同的是，由於測試階段的目的是要利用分類器13找出每一組待測數據所對應的運動狀況，故待測數據中不包括已知運動狀況。

如步驟S22所示，在每一組待測數據中，該處理器12根據該等方位資訊校正該等加速度資訊組，以產生與該等加速度資訊組一一對應的加速強度值。由於使用者在運動時，該運動狀況評量裝置1亦隨著使用者擺動，故配合該陀螺儀14在不同時間記錄下來的該加速度感測器11的方位資訊，計算出在重力方向的分量值，即為該加速強度值。

如步驟S23所示，該等加速強度值經該處理器12計算後，產生多個與該等待測數據一一對應的分類特徵組，包括一最大峰值、一最小峰值、一峰值差，及一最小峰值時間差。每一組待測數據中，單位時間內所有加速強度值中最大者為該最大峰值，加速強度值中最小者為該最小峰值，次小者為一個次小峰值，該峰值差根據該最大峰值及最小峰值相減而得到，該最小峰值時間差根據該最小峰值及次小峰值各別發生的時間相減而來。值得注意的是，分類特徵組不同於訓練用特徵組，在分類特徵組中沒有已知運動狀況。

如步驟S24所示，將該分類特徵組輸入該分類器13，以輸出多個運動狀況。舉例來說，當其中一個分類特徵組 為(10.014,9.054,3.034,0.6)時，四個特徵值各別輸入位於輸入層的四個節點當中，經分類器13分類後可以得到「慢速行走」的運動狀況。當多個連續的單位時間對應的多個分類特徵組輸入該分類器13之後，便可以得到使用者在該段時間內的運動狀況變化。假設使用者連續10秒使用該運動狀況評量裝置1，單位時間為2秒，因此會得到五組待測數據，將五組待測數據輸入該分類器13後，可以得到五個運動狀況，如，「慢速行走」、「中速行走」、「中速行走」、「快速行走」、「快速行走」。

除此之外，「慢速行走」、「中速行走」及「快速行走」也可以替換為「3km/hr」、「4km/hr」、「5km/hr」等數據化的運動狀況。更進一步地，當訓練用特徵組的數量夠多時，可以改變輸出層的設計，增加節點數目，做更細部的分類，如「3.1km/hr」、「3.2km/hr」、「3.3km/hr」、…「4.9km/hr」、「5.0km/hr」，此時可根據該等運動狀況畫出使用者在該段時間內的速度變化圖，並且配合時間可計算出本次運動的距離，甚至可以換算出所消耗的熱量。以上為本發明第一較佳實施例之第一態樣。

值得一提的是，其中該分類器13之種類不限於各式類神經網路，也可以是支援向量機(Support Vector Machine,SVM)或決策樹(Decision Tree)。

本發明第一較佳實施例的第二態樣，與第一態樣的不同點在於，該第一資料庫16記錄多個經過訓練的分類器13，如支援向量機及決策樹。該運動狀況評量裝置1中的分 類器13是根據使用者藉由該輸入單元15所輸入的個人資料，由該等經過訓練的分類器13中所選出。

參閱圖5，本發明的第二較佳實施例，與第一較佳實施例的不同點在於該第二資料庫26藉由一網路遠端地與該運動狀況評量裝置1相連接。故本發明基於分類器的運動狀況評量系統，包含一由該使用者所攜帶的運動狀況評量裝置1，及一伺服器2。

該運動狀況評量裝置1包括一加速度感測器11、一處理器12、一分類器13、一陀螺儀14，及一輸入單元15。該伺服器2包括一第二資料庫26。

使用者由該輸入單元15輸入的個人資料會藉由網路先傳送至該伺服器2，然後由該第二資料庫26找出適合的分類器13核心，再下載至該運動狀況評量裝置1中的分類器13中。此為本發明第二較佳實施例的第一態樣。

值得一提的是，其中該分類器13之種類不限於各式類神經網路，也可以是支援向量機或決策樹。

本發明第二較佳實施例的第二態樣，與第一態樣的不同點在於，該第二資料庫26記錄多個經過訓練的分類器13，如支援向量機及決策樹。該運動狀況評量裝置1中的分類器13是根據使用者藉由該輸入單元15所輸入的個人資料，由該等經過訓練的分類器13中所選出。

綜上所述，本發明藉由該加速度感測器11蒐集使用者運動時的數據，選取出特徵值，再以該分類器13分析出使用者的運動狀況，並且由第一資料庫16或第二資料庫26 找出最適合每一使用者的分類器13或核心，不會因為使用者的身高、體重等個人資料或條件的不同而造成誤差，故確實能達成本發明之目的。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

1‧‧‧運動狀況評量裝置

11‧‧‧加速度感測器

12‧‧‧處理器

13‧‧‧分類器

14‧‧‧陀螺儀

15‧‧‧輸入單元

16‧‧‧第一資料庫

2‧‧‧伺服器

26‧‧‧第二資料庫

S11~S14‧‧‧步驟

S20~S24‧‧‧步驟

圖1是一功能方塊圖，說明本發明之第一較佳實施例；圖2是一示意圖，說明類神經網路；圖3是一流程圖，說明本發明之訓練階段的步驟；圖4是一流程圖，說明本發明之測試階段的步驟；及圖5是一功能方塊圖，說明本發明之第二較佳實施例。

1‧‧‧運動狀況評量裝置

11‧‧‧加速度感測器

12‧‧‧處理器

13‧‧‧分類器

14‧‧‧陀螺儀

15‧‧‧輸入單元

16‧‧‧第一資料庫

Claims (9)

1. 一種基於分類器的運動狀況評量系統，適用於評量一使用者的運動狀況，並包含一由該使用者所攜帶的運動狀況評量裝置，該運動狀況評量裝置包括：一加速度感測器，用以在該使用者運動時，蒐集多組待測數據，每一組待測數據為一單位時間內的多個加速度資訊組；一處理器，用以根據該等加速度資訊組，產生多個與該等待測數據一一對應的分類特徵組；及一分類器，用以根據該等分類特徵組，輸出多個與該等待測數據一一對應的運動狀況。
2. 如請求項1所述的基於分類器的運動狀況評量系統，其中每一分類特徵組包括一最大峰值、一最小峰值、一峰值差，及一最小峰值時間差，該單位時間內的每一加速度資訊組包括多個分量值，經該處理器計算後可得到一與該加速度資訊組對應的加速強度值，該等加速強度值中最大者為該最大峰值，該等加速強度值中最小者為該最小峰值，次小者為一個次小峰值，該峰值差根據該最大峰值及最小峰值計算而來，該最小峰值時間差根據該最小峰值及次小峰值各別發生的時間計算而來。
3. 如請求項2所述的基於分類器的運動狀況評量系統，其中該運動狀況評量裝置還包括一陀螺儀，該陀螺儀用以偵測該加速度感測器的多個對應時間的方位資訊，該處理器還根據該等方位資訊校正該等加速度資訊組，以產 生該等加速強度值。
4. 如請求項3所述的基於分類器的運動狀況評量系統，其中該陀螺儀定義一重力方向，該等分量值分別為x軸分量、y軸分量及z軸分量，每一加速強度值為該x軸分量、y軸分量及z軸分量在該重力方向的合向量值。
5. 如請求項1所述的基於分類器的運動狀況評量系統，其中該運動狀況評量裝置還包括一輸入單元及一第一資料庫，該第一資料庫記錄多個經過訓練而產生的分類器的核心，並根據使用者藉由該輸入單元所輸入的一個人資料，決定該等核心中的一個以載入該分類器。
6. 如請求項1所述的基於分類器的運動狀況評量系統，其中該運動狀況評量裝置還包括一輸入單元及一第一資料庫，該第一資料庫記錄多個經過訓練的分類器，該運動狀況評量裝置中的分類器是根據使用者藉由該輸入單元所輸入的一個人資料，由該等經過訓練的分類器中所選出。
7. 如請求項1所述的基於分類器的運動狀況評量系統，還包含一藉由一網路遠端地與該運動狀況評量裝置相連接之第二資料庫，且該運動狀況評量裝置還包括一輸入單元，該第二資料庫記錄多個經過訓練而產生的分類器的核心，並根據使用者藉由該輸入單元所輸入的一個人資料，決定該等核心中的一個以載入該分類器。
8. 如請求項1所述的基於分類器的運動狀況評量系統，還包含一藉由一網路遠端地與該運動狀況評量裝置相連接 之第二資料庫，且該運動狀況評量裝置還包括一輸入單元，該第二資料庫記錄多個經過訓練的分類器，該運動狀況評量裝置中的分類器是根據使用者藉由該輸入單元所輸入的一個人資料，由該等經過訓練的分類器中所選出。
9. 如請求項1所述的基於分類器的運動狀況評量系統，其中該分類器為一經過訓練的類神經網路。