一種基於步態信息的運動識別和疲勞檢測方法及系統與流程
2023-11-01 00:24:36
本發明屬於健康檢測領域，尤其涉及一種基於步態信息的運動識別和疲勞檢測方法及系統。
背景技術：
當人體處於疲勞狀態時，下肢肌肉疲勞會降低肌肉發力能力，影響關節處肌肉的反應能力，抑制神經反饋及合作，並引起下肢力學的變化量下降，從而增加摔倒或前交叉韌帶損傷的風險。因此，檢測人體疲勞程度能有效降低人們(尤其是老人、運動員、消防員、高空作業者和在康復訓練中的病人)因摔倒或過勞損傷導致的生活、工作和運動事故的發生。
人體是否疲勞在日常生活中通常靠自我主觀判斷，但這種方法缺乏客觀性，且若達到生理極點後，會產生不疲勞的錯覺，從而對身體和工作造成安全隱患。
同時，目前的疲勞檢測系統並不能識別用戶正在進行的活動。並且在不同的活動下，疲勞對人體的影響不同，比如在下樓的時候，若身體處於疲勞狀態，會比在疲勞狀態下步行承受更大的風險。
技術實現要素：
本發明提出了一種基於步態信息的運動識別和疲勞檢測方法及系統，在進行疲勞檢測的同時能夠識別出用戶當前的運動狀態，以降低在不同運動下用戶疲勞狀態帶來的受傷風險，還提高了疲勞檢測的精度，以解決傳統的疲勞狀態判斷方式下存在的主觀判斷問題。
一方面，本發明提供了一種基於步態信息的運動識別和疲勞檢測方法，方法包括：
步驟1：採集用戶的當前步態信息；
步驟2：對步驟1採集的當前步態信息進行數據處理，並根據若干個預設的運動識別與疲勞分類模型對處理後的數據進行識別，識別出用戶當前的運動行為以及用戶當前是否處於疲勞狀態的若干個分類結果；
其中，一個運動識別與疲勞分類模型對應一類當前步態信息，一個運動識別與疲勞分類模型對應一個分類結果；
若干個預設的運動識別與疲勞分類模型是將用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息作為樣本數據並進行預處理，並將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成的；
步驟3：將若干個分類結果按照「少數服從多數」的原則獲取到用戶當前的運動行為以及用戶當前是否處於疲勞狀態的最終結果。
優選地，在構建所述述若干個預設的運動識別與疲勞分類模型的過程，對樣本數據進行預處理，包括：
根據步態信息中數據的周期性變化規律對樣本數據進行步態周期劃分；
根據樣本數據中的數據類型對劃分後的樣本數據集劃分若干子數據集；
根據十等分分層隨機分割交叉驗證方法分別將若干子數據集劃分為訓練集和測試集，並將訓練集和測試集中的數據除以相對應數據集中的最大值以得到包含標準化輸入數據的訓練集和測試集；
其中，標準化輸入數據的大小在-1到1的範圍內。
優選地，將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個預設的運動識別與疲勞分類模型，包括：
分別將若干子數據集的訓練集中的數據作為機器學習的輸入數據，採用機器學習中的裝袋算法(bagging)、隨機森林(randomforests)以及極端隨機樹(extremelyrandomizedtree)三個集成學習算法作為個體學習器，學習到若干個運動識別與疲勞分類模型；
其中，每個所述運動識別與疲勞分類模型的分類結果h(x)是根據如下公式計算而來：
其中，ωi為第i個集成學習算法的個體學習器對應的權重，t為集成學習算法的個體學習器的個數，表示第i個集成學習算法的個體學習器針對樣本x得到的類別j的分類結果，c表示樣本數據的集合標記。
分類結果h(x)是個體學習器的得出每一類分類結果的數量與其相對於的權重的乘積積和剩餘個體學習器得出的同一類分類結果數量與相對應權重的乘積之和為最大的一類的分類結果。
優選地，對所述若干個運動識別與疲勞分類模型進行調節以進一步優化模型的過程包括如下步驟：
步驟51：將若干個子數據集的測試集的數據作為若干個運動識別與疲勞分類模型的輸入數據得到若干個分類結果；
步驟52：將若干個分類結果按照「少數服從多數」的原則得到最終結果f(x)：
其中，為第i個運動識別與疲勞分類模型對測試集的類別j的分類結果，n為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記；
步驟53：將最終結果與預存的已知結果進行比較得出分類結果的精度，並判斷精度是否達到標準值；
步驟54：若精度未達到標準值，修改若干個運動識別與疲勞分類模型的參數並重複步驟51-53直至精度達到標準值，進而得到了分類精度達到標準值的運動識別與疲勞分類模型，
其中，運動識別與疲勞分類模型的參數包括三個集成學習算法對應權重。
最終結果f(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果。
優選地，用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息包括三軸加速度、三軸角速度和三軸姿態角，若干個預設的運動識別與疲勞分類模型包括與三軸加速度、三軸角速度和三軸姿態角分別在x、y、z軸上的九類數據一一對應的九個運動識別與疲勞分類模型。
另一方面，本發明還提供一種基於步態信息的運動識別和疲勞檢測系統，包括：採集設備和伺服器；
採集設備，用於採集用戶的當前步態信息；
檢測設備包括第一處理器和存儲器，存儲器用於存儲多條程序指令，第一處理器用於調用存儲器存儲的程序指令，以執行如下步驟：
對當前步態信息進行數據處理，並根據若干個預設的運動識別與疲勞分類模型對處理後的數據進行識別，識別出用戶當前的運動行為以及用戶當前是否處於疲勞狀態的若干個分類結果；
將若干個分類結果按照「少數服從多數」的原則獲取到用戶當前的運動行為以及用戶當前是否處於疲勞狀態的最終結果；
其中，一個運動識別與疲勞分類模型對應一類當前步態信息，一個運動識別與疲勞分類模型對應一個分類結果；
若干個預設的運動識別與疲勞分類模型是將用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息作為樣本數據並進行預處理，並將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成的。
優選地，採集設備，還用於採集用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息並作為樣本數據；檢測設備，用於對樣本數據進行預處理以及將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個預設的運動識別與疲勞分類模型，
其中，第一處理器調用存儲器存儲的程序指令，執行在構建所述述若干個預設的運動識別與疲勞分類模型的過程，對樣本數據進行預處理時，還執行如下步驟：
根據步態信息中數據的周期性變化規律對樣本數據進行步態周期劃分，
根據樣本數據中的數據類型對劃分後的樣本數據集劃分若干子數據集，
根據十等分分層隨機分割交叉驗證方法分別將若干子數據集劃分為訓練集和測試集，並
將訓練集和測試集中的數據除以相對應數據集中的最大值以得到包含標準化輸入數據的訓練集和測試集；
其中，標準化輸入數據的大小在-1到1的範圍內。
優選地，第一處理器調用存儲器存儲的程序指令，執行將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個預設的運動識別與疲勞分類模型時，具體還執行如下步驟：
分別將若干子數據集的訓練集中的數據作為機器學習的輸入數據，採用機器學習中的裝袋算法bagging、隨機森林randomforests以及極端隨機樹extremelyrandomizedtree三個集成學習算法作為個體學習器，學習到若干個運動識別與疲勞分類模型；
其中，每個所述運動識別與疲勞分類模型的分類結果h(x)是根據如下公式計算而來：
其中，ωi為第i個集成學習算法的個體學習器對應的權重，t為集成學習算法的個體學習器的個數，表示第i個集成學習算法的個體學習器針對樣本x得到的類別j的分類結果，c表示樣本數據的集合標記。
分類結果h(x)是個體學習器的得出每一類分類結果的數量與其相對於的權重的乘積積和剩餘個體學習器得出的同一類分類結果數量與相對應權重的乘積之和為最大的一類的分類結果。
優選地，檢測設備，還用於對所述若干個運動識別與疲勞分類模型進行調節以進一步優化模型，
第一處理器調用存儲器存儲的程序指令，執行優化對所述若干個運動識別與疲勞分類模型進行調節以進一步優化模型時，還執行如下步驟：
步驟51：將若干個子數據集的測試集的數據作為若干個運動識別與疲勞分類模型的輸入數據得到若干個分類結果；
步驟52：將若干個分類結果按照「少數服從多數」的原則得到最終結果f(x)：
其中，為第i個運動識別與疲勞分類模型對測試集的類別j的分類結果，n為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記；
步驟53：將最終結果與預存的已知結果進行比較得出分類結果的精度，並判斷精度是否達到標準值；
步驟54：若精度未達到標準值，修改若干個運動識別與疲勞分類模型的參數並重複步驟51-53直至精度達到標準值，進而得到了分類精度達到標準值的運動識別與疲勞分類模型，
其中，運動識別與疲勞分類模型的參數包括三個集成學習算法對應權重。
最終結果f(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果。
優選地，系統還包括客戶端，客戶端分別與檢測設備和採集設備通訊；
客戶端用於接收採集設備採集的步態信息以及發送步態信息至檢測設備；客戶端還用於顯示最終結果。
檢測設備還用於發送最終結果給客戶端。
有益效果
本發明提供了一種基於步態信息的運動識別和疲勞檢測方法及系統，通過採集用戶在運動行為中的步態信息以及若干個預設的運動識別與疲勞分類模型識別出用戶當前的運動行為以及判斷出用戶是否處於疲勞狀態，實現了疲勞檢測的同時識別出用戶當前的運動狀態，降低了在不同運動下用戶疲勞狀態帶來的受傷風險，此外，引入機器學習算法生成運動識別與疲勞分類模型以及採用若干個運動識別與疲勞分類模型同時進行結果測試得到綜合的最終結果，提高了運動識別和疲勞檢測的準確性，解決了傳統的疲勞狀態判斷方式下存在的主觀判斷問題。
附圖說明
圖1是本發明所述方法的流程示意圖；
圖2是本發明中構建運動識別與疲勞分類模型的流程示意圖；
圖3是本發明中所述圖2的子流程示意圖；
圖4是本發明中所述圖2的另一子流程示意圖；
圖5是本發明中對運動識別與疲勞分類模型進行調節以進一步優化模型的流程示意圖；
圖6是本發明的系統的功能模塊示意圖；
圖7是本發明所述系統的硬體架構圖；
圖8是本發明實施例提供的九個運動識別與疲勞分類模型的精度以及最終結果的精度統計圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。
如圖1所示，本發明實施例提供的一種基於步態信息的運動識別和疲勞檢測方法，包括如下步驟：
步驟1：採集用戶的當前步態信息。
具體的，本實施例中優選步態信息包括三軸加速度和三軸角速度以及三軸姿態角分別在x、y、z軸上的九種數據，其他可行的實施例中步態信息包括三軸加速度或三軸角速度或三軸姿態角或者它們的組合。
其中在一些實施例中，當前步態信息表示當前時刻的步態信息；在另一些實施例中，當前步態信息表示與當前時刻相距預設時長內的步態信息。
步驟2：對步驟1採集的當前步態信息進行數據處理，並根據若干個預設的運動識別與疲勞分類模型對處理後的數據進行識別，識別出用戶當前的運動行為以及用戶當前是否處於疲勞狀態的若干個分類結果。
具體的，一個運動識別與疲勞分類模型對應一類當前步態信息，一個運動識別與疲勞分類模型對應一個分類結果，例如若當前的步態信息包括三軸加速度和三軸角速度以及三軸姿態角九種數據，則存在九個預設的運動識別與疲勞分類模型，得到九個分類結果。
若干個預設的運動識別與疲勞分類模型是將用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息作為樣本數據並進行預處理，並將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成的。
步驟3：將若干個分類結果按照「少數服從多數」的原則獲取到用戶當前的運動行為以及用戶當前是否處於疲勞狀態的最終結果。
具體的，最終結果f(x)如下所示：
此時，為第i個運動識別與疲勞分類模型對當前步態信息的類別j的分類結果，n為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記，最終結果f(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果。
例如，利用9個運動識別與疲勞分類模型得到了9個分類結果，其中a類分類結果有4個、b類分類結果有2個以及c類分類結果有3個，那麼按照上述「少數服從多數」的原則，最終結果為a類分類結果。
應當理解，由於運動識別與疲勞分類模型將用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息作為樣本數據，並應用於機器學習中的基於集成學習的投票分類算法訓練生成的，所以運動識別和疲勞分類模型可以用於運動識別和疲勞分類，其中本實施例中優選若干類運動行為是步行、跑步、上樓與下樓，其他實施例中運動行為還可以包括快走、騎行等，本發明對此不進行具體的限定。
需要說明的是，本實施例中優選通過可穿戴慣性的採集設備採集用戶的步態信息，可穿戴慣性的採集設備由三軸加速度傳感器、三軸陀螺儀等慣性傳感器組成，用於採集人體在日常活動中的三軸加速度、三軸角速度和三軸姿態角等步態信息；步驟2和步驟3被檢測設備所執行，優選檢測設備運行於雲伺服器，上述方法還包括：執行步驟2之前，採集設備將步驟1採集的步態信息發送給客戶端，客戶端轉發步驟1中的步態信息至檢測設備，檢測設備再執行步驟2和步驟3後返回最終結果至客戶端，客戶端上顯示該最終結果。其中，客戶端分別與採集設備和檢測設備建立通訊，客戶端是具有無線傳輸和顯示功能的終端設備，包括但是不限制於手機、平板、掌上閱讀器等設備；而在其他可行的實施例中，採集設備與檢測設備直接通訊用於數據傳輸或者採集設備和檢測設備是同一設備，該方法不包括客戶端進行信息中轉步驟，本發明對此不進行具體的限定。
如圖2所示，構建上述若干個預設的運動識別與疲勞分類模型，包括如下步驟：
步驟21：採集用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息並對採集的步態信息進行非疲勞和疲勞標記，將標記後的步態信息作為樣本數據。
其中，樣本數據包括非疲勞數據集和疲勞數據集，非疲勞數據集是在用戶非疲勞狀態時進行若干類運動行為時採集的步態信息，疲勞數據集是在用戶疲勞狀態是進行若干類運動行為時採集的步態信息。
本實施例中優選判斷用戶疲勞與非疲勞的標準是：用戶一分鐘最大跳繩次數低於非疲勞狀態下的60％時為疲勞狀態，下文將以若干類運動行為是步行、跑步、上樓與下樓為例對步驟21進行具體說明，但是應當理解，其他實施例中運動行為還可以包括快走、騎行等運動類型。
步驟22：對樣本數據進行預處理。
步驟23：將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個運動識別與疲勞分類模型。
其中，樣本數據中每一種類型步態信息對應生成一個運動識別與疲勞分類模型。例如，步態信息包括三軸加速度和三軸角速度以及三軸姿態角九種數據時，生成了九種運動識別與疲勞分類模型。
需要說明的是，在步驟2中將當前步態信息進行數據處理與構建運動識別與疲勞分類模型時步驟22中預處理方式存在相似之處，因為步驟2的數據處理是為了使處理後的數據可以作為輸入數據輸入至運動識別與疲勞分類模型而得到分類結果。本實施例中，步驟2將當前步態信息進行數據處理，具體包括：
根據當前步態信息的類型將當前步態信息劃分為若干個子數據集，若干個子數據集的數量與當前步態信息的類型數量相同；
將若干個子數據集中的所有數據除以相對應子數據集中的最大值以得到包含標準化輸入數據的若干子數據集，標準化輸入數據的大小在-1到1的範圍內。
例如當前步態信息包括三軸加速度、三軸角速度和三軸姿態角九種類型，則劃分為九個子數據集，分別將此九個子數據集中的數據除以相對應子數據集中的最大值得到標準化輸入數據，該方式可以消除不同量綱對分類結果的影響。
需要說明的是，本實施例中優選運動行為包括步行、跑步、上樓與下樓，步態信息包括三軸加速度、三軸角速度和三軸姿態角，下文並以此為例進行具體說明，但是應當理解，其他可行的實施例中，運動行為可以包含其他運動狀態，例如快走，騎行；步態信息可以包含其他數據類型或者三軸加速度、三軸角速度和三軸姿態角的任意組合，但是不論運動行為以及步態信息的類型，構建運動識別和疲勞分類模型時，採集的作為樣本數據的步態信息的類型至少包含了步驟1中採集的當前步態信息的類型，採集的作為樣本數據的步態信息中的運動行為至少包含了用戶當前的運動行為類型，這樣才能以實現用戶當前運動識別與疲勞分類的檢測。
如圖3所示，若構建運動識別與疲勞分類模型時以採集的用戶在非疲勞狀態和疲勞狀態下進行步行、跑步、上樓與下樓時的步態信息為樣本數據，則步驟21具體包括：
步驟31：採集用戶非疲勞狀態下的步行、跑步、上樓與下樓時的步態信息。
步驟32：分別對非疲勞狀態的步行、跑步、上樓與下樓時的步態信息進行「步行_非疲勞」，「跑步_非疲勞」，「上樓_非疲勞」與「下樓_非疲勞」標記，標記後的非疲勞狀態的步態信息為非疲勞數據集。
步驟33：採集用戶疲勞狀態下的步行、跑步、上樓與下樓時的步態信息。
步驟34：分別對疲勞狀態的步行、跑步、上樓與下樓時的步態信息進行「步行_疲勞」，「跑步_疲勞」，「上樓_疲勞」與「下樓_疲勞」標記，標記後的疲勞狀態的步態信息為疲勞數據集。
其中，優選用跳繩方法使用戶快速達到下肢肌肉疲勞，判斷用戶是否疲勞的標準為：一分鐘最大跳繩次數低於非疲勞狀態下的60％，選擇非疲勞狀態為用戶的正常狀態。
如圖4所示，步驟22：對樣本數據進行預處理，具體包括：
步驟41：根據步態信息中數據的周期性變化規律對樣本數據進行步態周期劃分。
其中，步態周期為從一側足跟著地開始到此側足跟再次著地結束的這段時間，例如可穿戴慣性單元中的三軸陀螺儀的俯仰角的周期性變化為依據進行步態周期的劃分，即從角速度z軸的一個波谷開始，到它相鄰的波谷結束為一個步態周期；在一些實施例中，為了防止不完整的步態周期數據影響分類模型的訓練，捨棄樣本數據集中前後數個步態周期的數據，例如捨棄樣本數據集中前3個步態周期和後3個步態周期數據。
步驟42：根據樣本數據中的數據類型將步態周期劃分後的樣本數據集劃分若干子數據集。
例如，當樣本數據中的步態信息包括三軸加速度、三軸角速度和三軸姿態角九種類型，則將步態周期劃分後的樣本數據集劃分為九個子數據集，九個子數據集分別為加速度x子數據集、加速度y子數據集、加速度z子數據集、角速度x子數據集、角速度y子數據集、角速度z子數據集、姿態角x子數據集、姿態角y子數據集以及姿態角z子數據集。
此外，由於步態周期是一系列的以時間相關的周期性事件，只分析步態周期中一個單獨的數據點的統計意義不夠，因此優選選擇步態周期中多個數據點進行分析，例如以10個數據點作為一個樣本。
步驟43：根據十等分分層隨機分割交叉驗證方法分別將若干子數據集劃分為訓練集和測試集。
例如，根據十等分分層隨機分割交叉驗證方法分別將上述九個子數據集劃分為訓練集和測試集。
其中，十等分分層隨機分割交叉驗證為先打亂原有的數據的順序，再將數據分為若干份，每份包含與原來的數據集相同比例的各個類別下的數據，例如將子數據集劃分為10份，這10份數據9份為訓練集，用來訓練模型，1份為測試集，用來測試模型。
步驟44：將訓練集和測試集中的數據除以相對應數據集中的最大值以得到包含標準化輸入數據的訓練集和測試集。
其中，標準化輸入數據的大小在-1到1的範圍內，通過將數據轉換到同一規模下，能夠消除不同量綱對分類結果的影響。
需要說明的是，步驟23將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個運動識別與疲勞分類模型，具體包括：
分別將若干子數據集的訓練集中的數據作為機器學習的輸入數據，採用機器學習中的裝袋算法(bagging)、隨機森林(randomforests)以及極端隨機樹(extremelyrandomizedtree)三個集成學習算法作為個體學習器，學習到若干個運動識別與疲勞分類模型；
其中，每個運動識別與疲勞分類模型的分類結果是根據應用三個算法得出的各種分類結果數量以及給三個算法分配的權重計算而來，測試精度高的模型擁有較高的權重，運動識別與疲勞分類模型對於樣本x的分類結果h(x)是三個集成學習算法學習的分類結果的加權平均數最高：
其中，ωi為第i個集成學習算法的個體學習器對應的權重，t為集成學習算法的個體學習器的個數，表示第i個集成學習算法的個體學習器針對樣本x得到的類別j的分類結果，c表示樣本數據的集合標記，分類結果h(x)是表示通過所有的個體學習器得到的數量權重最多的該類別的分類結果。
其中，本實施例中優選裝袋算法(bagging)、隨機森林(randomforests)以及極端隨機樹(extremelyrandomizedtree)的個體學習器的對應權重分別為2、3、4。
例如，存在10個測試樣本，分別經過上述裝袋算法、隨機森林以及極端隨機樹三個集成學習算法的個體學習器而得到30個分類結果，其中，裝袋算法、隨機森林以及極端隨機樹三個集成學習算法相對應的權重分別為2、3、4，假設30個分類結果中a類分類結果10個，b類分類結果20個，10個a類分類結果中有5個由裝袋算法得到，5個由隨機森林算法得到；20個b類分類結果中有5個是裝袋算法得到，5個是隨機森林算法得到，10個由極端隨機樹得到。根據上述分類結果h(x)的計算公式，其中a類分類結果統計方式為：由裝袋算法得出的a類分類結果的數量5乘以權重2得到10，由隨機森林得到的a分類結果的數量5乘以權重3得到15，將10與15相加得到25作為a類分類結果的計算結果；b類分類結果的統計方式為：由裝袋算法得出的b類分類結果的數量5乘以權重2得到10，由隨機森林得到的b分類結果的數量5乘以權重3得到15，由極端隨機數得到b類分類結果的數量10乘以權重4得到40，將10與15和40相加得到65作為b類分類結果的計算結果，由於65大於25，因此選擇b類分類結果為該運動識別與疲勞分類模型的分類結果。
例如，當樣本數據中的步態信息包括三軸加速度、三軸角速度和三軸姿態角九種類型，得到了上述所述的九個子數據集，分別將九個子數據集的訓練集中的數據作為機器學習的輸入數據，採用機器學習中的裝袋算法(bagging)、隨機森林(randomforests)以及極端隨機樹(extremelyrandomizedtree)三個集成學習算法作為個體學習器，學習到九個運動識別與疲勞分類模型m1-m9。
其中，三種機器學習算法的對應分類結果的精度和權重是經過模型測試調節得出的。
如圖5所示，本發明的所述方法還包括對該若干個運動識別與疲勞分類模型進行調節以進一步優化模型，具體包括：
步驟51：將若干個子數據集的測試集的數據作為若干個運動識別與疲勞分類模型的輸入數據得到若干個分類結果。
步驟52：將若干個分類結果按照「少數服從多數」的原則得到最終結果f(x)：
其中，為第i個運動識別與疲勞分類模型對測試集的類別j的分類結果，n為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記，最終結果f(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果。
步驟53：將最終結果與預存的已知結果進行比較得出分類結果的精度，並判斷精度是否達到標準值。
其中精度是最終結果與已知結果相同的樣本數在所有的樣本數據中所佔的比率。可以理解，根據該原理還可以計算出每個運動識別與疲勞分類模型的精度。
步驟54：若精度未達到標準值，修改若干個運動識別與疲勞分類模型的參數並重複步驟51-53直至精度達到標準值。其中，運動識別與疲勞分類模型的參數包括三個集成學習算法對應權重。
具體的，運動識別與疲勞分類模型的參數包括三個集成學習算法對應權重、集成學習算法中的3個個體學習器的個數以及調節3個個體學習器各自的基學習器的數量、隨機屬性個數、樹最大深度等參數，比較不同參數下的分類結果精度以優化運動識別與疲勞分類模型。
例如，將九個運動識別與疲勞分類模型m1-m9對九個子數據集的測試集的數據進行測試得到九個分類結果，將九個分類結果按照「少數服從多數」的原則得到最終結果，然後將最終結果與預存的已知結果進行比較得出分類結果的精度，若不滿足標準值，則繼續調節模型的參數，直至滿足標準值。
其他可行的實施例中，還可以是通過交叉驗證的方法，通過調節數次模型參數獲取到數次分類結果的精度，從中選擇分類結果精度最高時對應的運動識別與疲勞分類模型。
以九個運動識別與疲勞分類模型m1-m9為例，當九個運動識別與疲勞分類模型m1-m9中裝袋算法bagging、隨機森林randomforests以及極端隨機樹extremelyrandomizedtree三個集成學習算法賦予的權重分別為2、3和4，根據對樣本數據進行統計分析，得出如圖8所示的九個模型的精度以及最終結果的精度。如圖所示，九個運動識別與分類模型的精度均在60％以上，最終結果的精度達到了92％，遠高於單個模型的精度。進一步地，除了精度作為模型的性能指標，為了更好的衡量本發明中的運動識別與疲勞分類模型的性能，還提供查準率、查全率以及度量作為模型的性能指標。
其中，查準率precisionratio(pre)的計算公式如下：
查全率recall(rec)的計算公式為如下：
度量f1為精度和查全率的組合，計算公式如下：
其中，tp(truepositive)指的是實際類別為正類，預測類別也為正類的數量；fp(falsepositive)指的是實際類別為負類，預測類別為正類的數量；fn(falsenegative)指的是實際類別為正類，預測類別為負類的數量。依據上述原理，對於二分類問題，可根據實際類別與預測類別的組合將樣例劃分為tp、fp和fn。例如，本發明所針對的多分類問題，8個類別中的每兩兩類別的組合都對應一組tp、fp和fn。然後，將各組tp、fp和fn對應的元素進行平均，得到tp、fp和fn的平均值
查準率越高表示針對某一類別，模型預測正確的比例越高。查全率越高表示針對某一類別，模型將此類別的樣本成功分類的數量比例越大。f1度量是綜合考慮查準率、查全率的性能指標。f1度量越大，表示模型當前的查全率和查準率越好。
本實施例中繼續以九個運動識別與疲勞分類模型m1-m9為例，當九個運動識別與疲勞分類模型m1-m9中裝袋算法bagging、隨機森林randomforests以及極端隨機樹extremelyrandomizedtree三個集成學習算法賦予的權重分別為2、3和4時，得到如下表格1所示的統計數據：
表1九個運動識別與疲勞分類模型對應的查準率、查全率以及度量結果：
如圖6所示，本發明實施例提供的一種基於步態信息的運動識別和疲勞檢測系統包括：採集設備60、客戶端61以及檢測設備62。客戶端61分別與採集設備60和檢測設備62通信。
採集設備60包括採集單元601、處理單元602以及第一無線單元603，其中採集單元601用於採集用戶的步態信息，第一無線單元603，用於將步態信息發送給客戶端61；
客戶端61包括第二無線單元611和顯示單元612，其中第二無線單元611用於接收採集設備60採集的步態信息以及發送步態信息至檢測設備62；顯示單元612用於顯示檢測設備62返回的最終結果。
檢測設備62包括第三無線單元621、數據處理單元622、模型構建單元623以及檢測單元624，其中，第三無線單元621用於接收客戶端61轉發的步態信息以及發送最終結果給客戶端61；數據處理單元622，用於將當前步態信息進行數據處理以及將採集的用於模型構建的步態信息進行預處理；模型構建單元623用於生成運動識別與疲勞分類模型；檢測單元624，用於根據運動識別與疲勞分類模型檢測生成最終結果。
為了簡潔，上述單元的具體工作過程，可以參照前述方法實施例的中的對應過程，在此不再贅述，其中上述單元的劃分是一種邏輯功能劃分，實際實現時可以有另外的劃分，例如多個單元集合在一個單元，且上述單元可以以硬體的方式實現，還能以軟體功能單元的方式實現。
如圖7所示，本發明實施例提供的一種基於步態信息的運動識別和疲勞檢測系統採集設備70、客戶端71以及檢測設備72。客戶端71分別與採集設備70和檢測設備72通信。
採集設備70，用於採用用戶的當前步態信息並轉發給客戶端71。優選地，採集設備70是可穿戴慣性設備，包括三軸加速度傳感器、三軸陀螺儀等慣性傳感器701以及第二處理器702和第一無線模塊703，用於存儲數據及將所採集的數據進行無線傳輸。利用可穿戴慣性設備採集步態信息解決了傳統的檢測疲勞程度的方法中通過視覺系統或測力機等設備對用戶的步態進行捕捉，但都因設備體積、重量或能耗等因素受制於實驗室環境，成本很高，難以運用到人們的日常生活中的問題。
客戶端71，用於接收採集設備70採集的步態信息以及發送步態信息至檢測設備72，客戶端71，還用於顯示該最終結果。其中客戶端71是具有無線傳輸和顯示功能的終端設備，包括但是不限制於手機、平板、掌上閱讀器等設備。
檢測設備72，用於進行運動識別和疲勞檢測，將最終結果發送給客戶端71以及接受客戶端71轉發的步態信息以構建運動識別與疲勞分類模型。優選地，檢測設備72運行於雲伺服器，其具有強大的存儲能力和運行處理能力。
其中，檢測設備72包括第一處理器721和存儲器722，存儲器722用於存儲多條程序指令，第一處理器721用於調用存儲器722存儲的程序指令，以執行如下步驟：
將當前步態信息進行數據處理，並根據若干個預設的運動識別與疲勞分類模型對處理後的數據進行識別，識別出用戶當前的運動行為以及用戶當前是否處於疲勞狀態的若干個分類結果；將若干個分類結果按照「少數服從多數」的原則獲取到用戶當前的運動行為以及用戶當前是否處於疲勞狀態的最終結果。
具體的，一個運動識別與疲勞分類模型對應一類當前步態信息，一個運動識別與疲勞分類模型對應一個分類結果，例如若當前的步態信息包括三軸加速度和三軸角速度以及三軸姿態角九種數據，則存在九個預設的運動識別與疲勞分類模型，以及得到九個分類結果。
若干個預設的運動識別與疲勞分類模型是將用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息作為樣本數據並進行預處理，並將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成的。
此外，最終結果f(x)如下所示：
其中，為第i個運動識別與疲勞分類模型對當前步態信息的類別j的分類結果，n為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記，最終結果f(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果。
為了構建上述若干個預設的運動識別與疲勞分類模型，採集設備70，還用於採集用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息並對採集的步態信息進行非疲勞和疲勞標記，將標記後的步態信息作為樣本數據。
其中，樣本數據包括非疲勞數據集和疲勞數據集，非疲勞數據集是在用戶非疲勞狀態時進行若干類運動行為時採集的步態信息，疲勞數據集是在用戶疲勞狀態是進行若干類運動行為時採集的步態信息。
此時，第一處理器721調用存儲器722存儲的程序指令，執行構建若干個預設的運動識別與疲勞分類模型時，具體還執行如下步驟：
獲取採集設備70採集的樣本數據；
對樣本數據進行預處理；
將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個運動識別與疲勞分類模型。
其中，樣本數據中每一種類型步態信息對應生成一個運動識別與疲勞分類模型。例如，步態信息包括三軸加速度和三軸角速度以及三軸姿態角九種數據時，生成了九種運動識別與疲勞分類模型。
本實施例中，第一處理器721執行將當前步態信息進行數據處理，具體還執行如下步驟：
根據當前步態信息的類型將當前步態信息劃分為若干個子數據集，若干個子數據集的數量與當前步態信息的類型數量相同；將若干個子數據集中的所有數據除以相對應子數據集中的最大值以得到包含標準化輸入數據的若干子數據集，標準化輸入數據的大小在-1到1的範圍內。
例如當前步態信息包括三軸加速度、三軸角速度和三軸姿態角九種類型，則劃分為九個子數據集，分別將此九個子數據集中的數據除以相對應子數據集中的最大值得到標準化輸入數據，該方式可以消除不同量綱對分類結果的影響。
如圖7所示，採集設備70包括慣性傳感器701、第二處理器702和第一無線模塊703，若構建運動識別與疲勞分類模型時以採集的採集用戶在非疲勞狀態和疲勞狀態下進行步行、跑步、上樓與下樓時的步態信息為樣本數據，則採集設備進行採集用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息並對採集的步態信息並進行非疲勞和疲勞標記，將標記後的步態信息作為樣本數據時，具體執行如下步驟：
慣性傳感器701，用於採集用戶非疲勞狀態下的步行、跑步、上樓與下樓時的步態信息。
第二處理器702，用於分別對非疲勞狀態的步行、跑步、上樓與下樓時的步態信息進行「步行_非疲勞」，「跑步_非疲勞」，「上樓_非疲勞」與「下樓_非疲勞」標記，標記後的非疲勞狀態的步態信息為非疲勞數據集。優選第二處理器702是嵌入式處理器。
慣性傳感器701，還用於採集用戶疲勞狀態下的步行、跑步、上樓與下樓時的步態信息。
第二處理器702，用於分別對疲勞狀態的步行、跑步、上樓與下樓時的步態信息進行「步行_疲勞」，「跑步_疲勞」，「上樓_疲勞」與「下樓_疲勞」標記，標記後的疲勞狀態的步態信息為疲勞數據集。
其中，優選用跳繩方法使用戶快速達到下肢肌肉疲勞，判斷用戶是否疲勞的標準為：一分鐘最大跳繩次數低於非疲勞狀態下的60％，選擇非疲勞狀態為用戶的正常狀態。
第一處理器721調用存儲器722存儲的程序指令，執行對樣本數據進行預處理時，具體還執行如下步驟：
根據步態信息中數據的周期性變化規律對樣本數據進行步態周期劃分；根據樣本數據中的數據類型將步態周期劃分後的樣本數據集劃分若干子數據集；根據十等分分層隨機分割交叉驗證方法分別將若干子數據集劃分為訓練集和測試集；將訓練集和測試集中的數據除以相對應數據集中的最大值以得到包含標準化輸入數據的訓練集和測試集。
其中，步態周期為從一側足跟著地開始到此側足跟再次著地結束的這段時間。在一些實施例中，為了防止不完整的步態周期數據影響分類模型的訓練，捨棄樣本數據集中前後數個步態周期的數據，例如捨棄樣本數據集中前3個步態周期和後3個步態周期數據；
此外，由於步態周期是一系列的以時間相關的周期性事件，只分析步態周期中一個單獨的數據點的統計意義不夠，因此優選選擇步態周期中多個數據點進行分析，例如以10個數據點作為一個樣本。
其中，十等分分層隨機分割交叉驗證為先打亂原有的數據的順序，再將數據分為若干份，每份包含與原來的數據集相同比例的各個類別下的數據，例如將子數據集劃分為10份，這10份數據9份為訓練集，用來訓練模型，1份為測試集，用來測試模型。
其中，標準化輸入數據的大小在-1到1的範圍內，通過將數據轉換到同一規模下，能夠消除不同量綱對分類結果的影響。
需要說明的是，第一處理器721調用存儲器722存儲的程序指令，執行將預處理後的樣本數據應用於機器學習中的基於集成學習的投票分類算法訓練生成若干個運動識別與疲勞分類模型時，具體還執行如下步驟：
分別將若干子數據集的訓練集中的數據作為機器學習的輸入數據，採用機器學習中的裝袋算法(bagging)、隨機森林(randomforests)以及極端隨機樹(extremelyrandomizedtree)三個集成學習算法作為個體學習器，學習到若干個運動識別與疲勞分類模型；
其中，每個運動識別與疲勞分類模型的分類結果是根據應用三個算法得出的各種分類結果的數量以及給三個算法分配的權重計算而來，測試精度高的模型擁有較高的權重，運動識別與疲勞分類模型對於樣本x的分類結果h(x)是三個集成學習算法學習的分類結果的加權平均數最高：
其中，ωi為第i個集成學習算法的個體學習器對應的權重，t為集成學習算法的個體學習器的個數，表示第i個集成學習算法的個體學習器針對樣本x得到的類別j的分類結果，c表示樣本數據的集合標記，分類結果h(x)是個體學習器的得出每一類分類結果的數量與其相對於的權重的乘積和剩餘個體學習器得出的同一類分類結果數量與相對應權重的乘積之和為最大的一類的分類結果。
例如，當樣本數據中的步態信息包括三軸加速度、三軸角速度和三軸姿態角九種類型，得到了上述所述的九個子數據集，分別將九個子數據集的訓練集中的數據作為機器學習的輸入數據，採用機器學習中的裝袋算法(bagging)、隨機森林(randomforests)以及極端隨機樹(extremelyrandomizedtree)三個集成學習算法作為個體學習器，學習到九個運動識別與疲勞分類模型m1-m9。
其中，三種機器學習算法的對應分類結果的精度和權重是經過模型測試調節得出的。
需要說明的是，檢測設備還用於對該若干個運動識別與疲勞分類模型進行調節以進一步優化模型，第一處理器721調用存儲器722存儲的程序指令，執行該若干個運動識別與疲勞分類模型進行調節以進一步優化模型時，具體還執行如下步驟：
步驟51：將若干個子數據集的測試集的數據作為若干個運動識別與疲勞分類模型的輸入數據得到若干個分類結果。
步驟52：將若干個分類結果按照「少數服從多數」的原則得到最終結果f(x)：
其中，為第i個運動識別與疲勞分類模型對測試集的類別j的分類結果，n為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記，最終結果f(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果。
步驟53：將最終結果與預存的已知結果進行比較得出分類結果的精度，並判斷精度是否達到標準值。
步驟54：若精度未達到標準值，修改若干個運動識別與疲勞分類模型的參數並重複步驟51-53直至精度達到標準值。其中，運動識別與疲勞分類模型的參數包括三個集成學習算法對應權重。
具體的，運動識別與疲勞分類模型的參數包括三個集成學習算法對應權重、集成學習算法中的3個個體學習器的個數以及調節3個個體學習器各自的基學習器的數量、隨機屬性個數、樹最大深度等參數，比較不同參數下的分類結果精度以優化運動識別與疲勞分類模型。
具體實現時，本實施例中的存儲器可以是系統存儲器，例如揮發性的、非易失性的；還可以是系統外的存儲器，例如磁碟、光碟。
需要說明的是，另一些可行的實施例中，基於步態信息的運動識別和疲勞檢測系統僅包括採集設備和檢測設備，採集設備與檢測設備建立通訊，可直接進行數據傳輸；此時除了不需要客戶端作為步態信息的中轉設備，採集設備和檢測設備直接通訊實現步態信息的傳輸之外，採集設備和檢測設備的功能與上述實施例中採集設備和檢測設備的功能相同，在此不再贅述。再或者，基於步態信息的運動識別和疲勞檢測系統包括兼具採集設備和檢測設備功能的一種設備，同理，請參看上述實施例中採集設備和檢測設備的具體描述，在此不再贅述。
綜上所述，本發明實施例提供的一種基於步態信息的運動識別和疲勞檢測方法和系統，通過採集用戶在運動行為中的步態信息以及若干個預設的運動識別與疲勞分類模型識別出用戶當前的運動行為以及判斷出用戶是否處於疲勞狀態，一方面實現了疲勞檢測的同時識別出用戶當前的運動狀態，降低了在不同運動下用戶疲勞狀態帶來的受傷風險，第二方面，引入機器學習算法生成運動識別與疲勞分類模型以及採用若干個運動識別與疲勞分類模型同時進行結果測試，以及每個運動識別與疲勞分類模型是根據三個算法學習而來，進而得到綜合的最終結果，提高了運動識別和疲勞分類的準確性，解決了傳統的疲勞狀態判斷方式下存在的主觀判斷問題。第三方面，通過可穿戴慣性的採集設備採用用戶的步態信息，克服了傳統的檢測疲勞程度的方法中通過視覺系統或測力機等設備對用戶的步態進行捕捉，但都因設備體積、重量或能耗等因素受制於實驗室環境，成本很高，難以運用到人們的日常生活中的困難；第四方面，本發明構建運動識別與疲勞分類模型時，對步態數據進行預處理的過程進行了步態周期劃分並捨棄樣本數據集中前後數個步態周期的數據，選取步態周期中多個數據點進行分析擴大樣本數據量、進行標準化輸入數據轉換、劃分訓練集和測試集，利用測試集調節模型等方式，提高了模型預測的精度。
應當理解，當在本說明書和所附權利要求中使用術語「包括」和「包含」指示所描述特徵、整體、步驟、步驟、元素和/或組件的存在，但並不排除一個或多個其他特徵、整體、步驟、步驟、元素、組件和/或其集合的存在或添加。還應當理解，在此本發明說明書中所使用的術語僅僅是處於描述特定實施例的目的而並不意在限制本發明。以上所述僅為本發明的較佳實施例，對本發明而言僅僅是說明性的，而非限制性的。本專業技術人員理解，在本發明權利要求所限定的範圍內可對其進行許多修改，但都將落入本發明的保護範圍內。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明的保護範圍。