一種智能穿戴設備及人體運動的特徵提取方法
2023-05-04 01:43:46 1
一種智能穿戴設備及人體運動的特徵提取方法
【專利摘要】本發明涉及人體規律性動作的量測領域,尤其是涉及一種智能穿戴設備及人體運動的特徵提取方法,該智能穿戴設備包括特徵提取模塊,所述特徵提取模塊包括:預處理單元,用以進行將採集到的數據隊列中的三維陀螺儀分量轉換成第一數據隊列以及將三維加速度分量轉換成第二數據隊列的處理;第一查找單元,用以進行在所述的第一數據隊列中查找出特定運動段的開始與結束的處理;第二查找單元,用以進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理,提供節拍鏈平均描述;特徵提取單元,用以進行基本動作特徵的提取處理;以及運動描述生成單元。本發明可以有效地簡化算法以降低運算資源要求以及功耗要求。
【專利說明】一種智能穿戴設備及人體運動的特徵提取方法
【技術領域】
[0001]本發明涉及量測人體規律性動作的設備和方法,尤其涉及到一種藉助穿戴於人體的傳感器進行規律性動作的特徵提取的設備和方法。
【背景技術】[0002]在當今社會,生活節奏的加快以及工作壓力的加大使得越來越多的人處於亞健康狀態。這樣人們也就越來越關注自己的健康狀況,採取各種措施來提高自己的健康狀況,比如開始調整自己的作息節奏、合理膳食、適度地做各種運動。在各種改善健康狀況的措施中,運動是一個非常重要的措施。適當的運動能夠增強人體的新陳代謝水平,塑造完美體態,幫助人們排除不良情緒。隨著科技的發展,社會上出現了一系列的監控運動的電子產品。例如:中國專利CN200710097593.8公開了一種量測運動量的腕錶型加速度感測模塊,包括一微處理器、一加速度傳感器、一定時器、一手擺動加速度對應步長的資料庫和一顯不器。加速度傳感器用以感測運動者移行的手部擺動次數和手部擺動加速度,定時器用以計算運動者的移行時間。微處理器會將所接收的手部擺動加速度與手擺動加速度對應步長的資料庫所儲存的手擺動加速度對應步長的曲線圖表相比對,而取得所對應的步長,再將步長、運動者的手部擺動次數和運動者的移行時間經由公式計算而取得移行距離和速度。這些產品一般能比較準確的測算出使用者在走路,跑步,遊泳,登山等運動時所經歷的時間、距離以及所消耗的能量。但是在使用設備之前,往往需要使用者自己去設置設備的監控內容才能夠使得設備對使用者將要做的運動可以進行準確的測量。這樣的話,很容易出現使用者忘記切換設備的監控內容而使運動數據不準確的情況。並且,容易使使用者產生一種頻繁的去手動設置這些設備的監控內容是一件很麻煩的事情的感覺,致使用戶體驗欠佳。隨著傳感技術的不斷發展,出現了集三軸加速度、三軸陀螺儀以及三軸磁強計於一體的九軸傳感模塊的商業應用,例如:在美國專利US2012/0323520中公開了在智能穿戴式設備中採用機器學習與自動識別技術來捕獲、分析人體規律性動作,以進一步向使用者報告運動量。這些智能技術的採用,對設備的計算能力要求也日益提升,相應地也會導致功耗要求的提升。
[0003]鑑於智能穿戴設備,比如:運動腕帶,受限於較小的設備空間,存在計算能力有限以及需要電池儘可能長期供電的設計約束,在儘可能地提升用戶體驗的前提下,如何簡化算法以降低運算資源要求以及功耗要求,一直是人們努力的方向。
【發明內容】
[0004]本發明要解決的技術問題在於,針對現有技術的上述缺陷,提供一種智能穿戴設備及人體運動的特徵提取方法,可以有效地簡化算法以降低運算資源要求以及功耗要求。
[0005]本發明解決其技術問題所採用的技術方案包括:提供一種人體運動的特徵提取方法,依次包括:
[0006]進行預處理,其包括進行將採集到的數據隊列中的三維陀螺儀分量轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理,以及進行將採集到的數據隊列中的三維加速度分量轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理;
[0007]進行在所述的第一數據隊列中查找出特定運動段的開始與結束的處理;
[0008]進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理,提供節拍鏈平均描述;
[0009]進行基本動作特徵的提取處理;
[0010]進行已經提取並保存的基本動作特徵的數量是否達到設定要求數量的判斷處理,如果是,生成運動的基本動作的描述;否則,進行滑動處理,並返回上述的在第一數據隊列中查找出特定運動段的開始與結束的過程,進行循環處理。
[0011]本發明解決其技術問題所採用的技術方案還包括:提供一種智能穿戴設備,包括一模塊,用以完成人體運動的特徵提取,所述模塊包括:[0012]預處理單元,用以進行將採集到的數據隊列中的三維陀螺儀分量轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理,以及進行將採集到的數據隊列中的三維加速度分量轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理;
[0013]第一查找單元,用以進行在所述的第一數據隊列中查找出特定運動段的開始與結束的處理;
[0014]第二查找單元,用以進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理,提供節拍鏈平均描述;
[0015]特徵提取單元,用以進行基本動作特徵的提取處理;以及
[0016]運動描述生成單元,用以進行已經提取並保存的基本動作特徵的數量是否達到設定要求數量的判斷處理,是的話,生成運動的基本動作的描述;否則的話,進行滑動處理,並返回到上述第一查找單元進行循環處理。
[0017]本發明的有益效果在於,通過將三維的陀螺儀分量的數據隊列轉換為一個一維的用以衡量人體活動幅度的第一數據隊列,並據此查找出特定運動段;通過將三維的加速度分量的數據隊列轉換為一個一維的用以衡量人體周期性運動的變化節拍的第二數據隊列,並據此查找出特定運動段的節拍鏈,再在此基礎上進行基本動作特徵的提取,直至完成運動的基本動作的描述的生成,進而可依據得到的運動的基本動作的描述進行識別,可以有效地簡化算法以降低運算資源要求以及功耗要求。
【專利附圖】
【附圖說明】
[0018]下面將結合附圖及實施例對本發明作進一步說明,附圖中:
[0019]圖1為本發明特徵提取方法的原理圖。
[0020]圖2為本發明特徵提取方法實施例的流程圖。
[0021]圖3為本發明智能穿戴裝置的結構框圖。
[0022]圖4為本發明特徵提取模塊實施例的結構框圖。
【具體實施方式】[0023]現結合附圖,對本發明的較佳實施例作詳細說明。
[0024]圖1為本發明特徵提取方法的原理圖。本發明提出一種人體運動的特徵提取方法,依次包括以下步驟:
[0025]S101:進行預處理,其包括進行將採集到的數據隊列中的三維陀螺儀分量(三軸陀螺儀信號)轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理,以及進行將採集到的數據隊列中的三維加速度分量(三軸加速度計信號)轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理;
[0026]S102:進行在所述的第一數據隊列中查找出特定運動段的開始與結束的處理;
[0027]S103:進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理,提供節拍鏈平均描述;
[0028]S104:進行基本動作特徵的提取處理;[0029]S105:進行已經提取並保存的基本動作特徵的數量是否達到設定要求數量的判斷處理,如果是,生成運動的基本動作的描述;否則,進行滑動處理,並返回上述的在第一數據隊列中查找出特定運動段的開始與結束的過程,進行循環處理。
[0030]在本發明中,所述的特定運動段指在所述的第一數據隊列中查找到的多個運動段中跨度最長的一個。
[0031]在本發明中,所述的運動的基本動作的描述包括各基本動作特徵的向量數值組的每一維分量的均值和均方值。
[0032]在本發明中,所述的進行將採集到的數據隊列中的三維陀螺儀分量轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理指:針對每一序列點,對各歷史點的三維陀螺儀分量分別求平均值後開方計算的值進行先求和再平均的處理。
[0033]在本發明中,所述的進行將採集到的數據隊列中的三維加速度分量轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理指:針對每一序列點,對三維加速度分量進行求和的處理。
[0034]具體地,步驟SlOl進一步包括:
[0035]處理器不斷地從陀螺儀和加速度計採集同步數據,並且將採集到的數據存放在FIFO數據隊列windowData中,這樣直到windowData被數據填滿;需要說明的是,FIFO數據隊列的長度的選取,與傳感器的採樣頻率相關,例如,對於25Hz的採樣頻率,FIFO數據隊列的長度應當不小於200,對於50Hz的採樣頻率,FIFO數據隊列的長度應當不小於400,換言之,一個FIFO數據隊列大約可以保存8秒鐘的採樣數據。如此設計,針對一般人體的規律性動作的周期在I秒左右,最大一般不會超過1.5秒的情形而言,可以通過一個FIFO數據隊列捕獲到一個包含有多個節拍(波形周期)的運動段波形數據。
[0036]用六維的FIFO數據隊列windowData中的3維陀螺儀分量構造一個I維的反映人體活動幅度的數據隊列motionLevel,並且針對motionLevel中的數據規定人體運動與靜止的臨界值為motionLevelThreshold = I。如果motionLevel中的某一段數據高於motionLevelThreshold時,就認為這段時間內人是在運動的;否則,就認為這段時間內人是靜止的;
[0037]用六維的FIFO數據隊列windowData中的3維加速度計分量構造一個I維節拍數據隊列motionClock, motionClock的變化節拍體現了人體周期性運動的變化節拍。[0038]步驟S102進一步包括:對照運動活躍指數閥值motionLevelThreshold,對當前運動活躍指數隊列進行查找,記錄活躍指數超過motionLevelThreshold的每一小段的開始位置和結束位置(也就是對應數據隊列的序列號),並從這些小段中查找出序列跨度最大的一小段,作為待處理的特定運動段。
[0039]步驟S103進一步包括:根據步驟S102得到的特定運動段開始位置和結束位置以及步驟SlOl得到的節拍數據隊列motionClock進行處理。節拍鏈的處理結果除了上述的節拍鏈平均描述,還提供節拍的個數和多個節拍的開始位置與結束位置。其中,節拍鏈平均描述指所述節拍鏈中的多個節拍的平均描述。更具體地,所述的對多個節拍的平均描述的獲得採用了基於小波分析的特徵提取。在本實施例中,所述的基於小波分析的特徵提取包括:針對每個節拍中的每個序列點,進行偏差相對方差的歸一化處理。在本實施例中,節拍鏈的處理採用了二級聚類分析方法。具體地,所述的二級聚類分析方法的第一級聚類採用了 C-means算法思想,在分類過程中主要採用差值比較技術。所述的二級聚類分析方法的第二級聚類採用了 C-means算法思想,在分類過程中主要採用相似性比較技術。
[0040]在步驟S104中,採用了對向量數值組的每一維分量進行小波分析。如此,通過降低小波分析的計算維度,可以大大降低計算量。採用了基於基本動作特徵之間的相似性比較,並且基本動作特徵標準隨著基本動作特徵隊列被填充而動態地更新。所述的基本動作特徵與基本動作特徵標準的相似性比較是在一個懷疑機制下執行的,當懷疑達到約定的程度時,就會清空基本動作特徵隊列以及基本動作特徵標準。所述的基本動作特徵與基本動作特徵標準的相似性比較採用了多層比較。所述的多層比較包括節拍鏈的平均描述之間的相似性比較。
[0041]在步驟S105中,作為一個例舉,該設定要求數量為20。
[0042]本發明的更進一步優選方案是:所述的在第一數據隊列進行運動段與靜止段查找的過程具體包括:
[0043]首先,設置運動段編號為0,靜止段編號為O ;
[0044]然後,按照從前到後的順序將第一數據隊列的數據依次與人體運動與靜止的臨界值進行比較:
[0045]對於第一數據隊列的第I個元素,當發現第I個元素的值大於等於人體運動與靜止的臨界值時,將運動段編號自加1,並且將編號I存儲為運動段編號所指的運動段的開始位置,緊接著查找第2個元素的值,如果發現第2個元素的值大於等於人體運動與靜止的臨界值,那麼退出;如果發現第2個元素的值小於人體運動與靜止的臨界值,那麼會將編號I存儲為運動段編號所指的運動段的結束位置,同時計算並存儲該運動段的長度,同時將靜止段編號自加I,將編號2存儲為靜止段編號所指的靜止段的開始位置;當發現第I個元素的值小於人體運動與靜止的臨界值時,會將靜止段編號自加1,並且將編號I存儲為靜止段編號所指的靜止段的開始位置,緊接著查找第2個元素的值,如果發現第2個元素的值小於人體運動與靜止的臨界值,退出;如果發現第2個元素的值大於等於人體運動與靜止的臨界值,那麼會將編號I存儲為靜止段編號所指的靜止段的結束位置,同時計算並存儲該靜止段的長度,同時將運動段編號自加1,將編號2存儲為運動段編號所指的運動段的開始位置;
[0046]對於第一數據隊列的第η個元素,該第η個元素為第I個元素與最後元素之間的元素,當發現第η個元素的值大於等於人體運動與靜止的臨界值並且第η+1個元素的值小於人體運動與靜止的臨界值時,將編號η存儲為運動段編號所指的運動段的結束位置,計算並存儲該運動段的長度,將靜止段編號自加1,同時將編號η+1存儲為靜止段編號所指的靜止段的開始位置;當發現第η個元素的值小於人體運動與靜止的臨界值並且第η+1個元素的值大於等於人體運動與靜止的臨界值時,則將編號η存儲為靜止段編號所指的靜止段的結束位置,計算並存儲該靜止段的長度,將運動段編號自加1,同時將編號η+1存儲為運動段編號所指的運動段的開始位置;
[0047]對於第一數據隊列的最後一個元素,當發現最後一個元素的值大於等於人體運動與靜止的臨界值時,則將最後一個元素的編號存儲為運動段編號所指的運動段的結束位置,計算並存儲該運動段的長度;當發現最後一個元素的值小於人體運動與靜止的臨界值時,則將最後一個元素的編號存儲為靜止段編號所指的靜止段的結束位置,計算並存儲該靜止段的長度。
[0048]本發明的更進一步優選方案是:所述的查找所述的第二數據隊列中的特定運動段中的節拍鏈的信息的處理採用了二級聚類分析方法,所述的二級聚類分析方法的第一級聚類採用了基於差值比較進行分類的C-means算法,所述的二級聚類分析方法的第二級聚類採用了基於相似性比較進行分類的C-means算法。
[0049]本發明的更進一步優選方案是:人體重複性運動產生的節拍信號的特徵提取的計算步驟(也就是第二級聚類的實現過程)如下:
[0050]提供人體重複性運動的一個節拍{aj
[0051]計算該節拍的期望與方差:
【權利要求】
1.一種人體運動的特徵提取方法,其特徵在於,依次包括: 進行預處理,其包括進行將採集到的數據隊列中的三維陀螺儀分量轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理,以及進行將採集到的數據隊列中的三維加速度分量轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理; 進行在所述的第一數據隊列中查找出特定運動段的開始與結束的處理; 進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理,提供節拍鏈平均描述; 進行基本動作特徵的提取處理; 進行已經提取並保存的基本動作特徵的數量是否達到設定要求數量的判斷處理,如果是,生成運動的基本動作的描述;否則,進行滑動處理,並返回上述的在第一數據隊列中查找出特定運動段的開始與結束的過程,進行循環處理。
2.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理還提供節拍的個數和多個節拍的開始與結束。
3.根據權利要求2所述的人體運動的特徵提取方法,其特徵在於:所述的節拍鏈平均描述指所述節拍鏈中的多個節拍的平均描述,所述的對多個節拍的平均描述的獲得採用了基於小波分析的特徵提取。
4.根據權利要求3所述的人體運動的特徵提取方法,其特徵在於:所述的基於小波分析的特徵提取包括:針對每個節拍中的每個序列點,進行偏差相對方差的歸一化處理。
5.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理採用了二級聚類分析方法。
6.根據權利要求5所述的人體運動的特徵提取方法,其特徵在於:所述的二級聚類分析方法的第一級聚類採用了 C-means算法思想,在分類過程中主要採用差值比較技術。
7.根據權利要求6所述的人體運動的特徵提取方法,其特徵在於:所述的二級聚類分析方法的第二級聚類採用了 C-means算法思想,在分類過程中主要採用相似性比較技術。
8.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行基本動作特徵的提取處理採用了對向量數值組的每一維分量進行小波分析。
9.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行基本動作特徵的提取處理採用了基於基本動作特徵與基本動作特徵標準的相似性比較,並且基本動作特徵標準隨著基本動作特徵隊列被填充而動態地更新。
10.根據權利要求9所述的人體運動的特徵提取方法,其特徵在於:所述的基本動作特徵與基本動作特徵標準的相似性比較是在一個懷疑機制下執行的,當懷疑達到約定的程度時,就會清空基本動作特徵隊列以及基本動作特徵標準。
11.根據權利要求9所述的人體運動的特徵提取方法,其特徵在於:所述的基本動作特徵與基本動作特徵標準的相似性比較採用了多層比較。
12.根據權利要求11所述的人體運動的特徵提取方法,其特徵在於:所述的多層比較包括節拍鏈的平均描述之間的相似性比較。
13.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的特定運動段指在所述的第一數據隊列中查找到的多個運動段中跨度最長的一個。
14.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的運動的基本動作的描述包括各基本動作特徵的向量數值組的每一維分量的均值和均方值。
15.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行將採集到的數據隊列中的三維陀螺儀分量轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理指:針對每一個三維陀螺儀分量構成三維向量,將它本身的長度以及在緩衝數據隊列中排在它前面所有歷史向量所對應的長度加在一起再求平均值,計算結果作為第一數據隊列中相應位置上的值。
16.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行將採集到的數據隊列中的三維加速度分量轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理指:針對每一序列點,對三維加速度分量進行求和的處理。
17.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的生成運動的基本動作的描述的過程包括:利用運動的基本動作特徵隊列計算該運動的基本動作的特徵的統計特徵,並將其存貯在flash存儲器中,作為該運動的基本動作的描述。
18.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行在所述的第二數據隊列中查 找出所述的特定運動段中的節拍鏈的處理包括:根據在第一數據隊列中查找到的開始位置與結束位置,查找第二數據隊列中的特定運動段中的節拍鏈的信息,包括節拍波形的特徵信息、節拍的個數、每個節拍的開始位置與終止位置。
19.根據權利要求18所述的人體運動的特徵提取方法,其特徵在於:所述的進行基本動作特徵的提取處理包括:根據節拍鏈的信息的每個節拍的開始位置和終止位置從傳感器數據緩存隊列提取與節拍同步的三軸加速度計信號片段和三軸陀螺儀信號片段的波形特徵作為基本動作特徵,如果第一次提取基本動作特徵,則將其作為特徵隊列的第一個元素進行存儲,並用其作為基本動作的特徵標準。
20.根據權利要求1所述的人體運動的特徵提取方法,其特徵在於:所述的進行基本動作特徵的提取處理進一步包括:判斷當前提取到的基本動作的特徵與基本動作的特徵標準是否相似。
21.根據權利要求20所述的人體運動的特徵提取方法,其特徵在於:所述的判斷當前提取到的基本動作的特徵與基本動作的特徵標準是否相似包括:將當前基本動作特徵的波形描述減去基本動作特徵標準的波形描述,得到差值;計算各個維上的波形差的期望;計算各個維上的波形差的方差;進行判斷:如果波形差的方差小於定值的個數超過某個設定數,就認為這兩個波形特徵是相似的,否則不相似。
22.根據權利要求20所述的人體運動的特徵提取方法,其特徵在於:如果所述的判斷當前提取到的基本動作的特徵與基本動作的特徵標準是否相似的結果為相似,所述的進行基本動作特徵的提取處理進一步包括:將提取到的基本動作特徵存儲在基本動作特徵的隊列裡;用現有基本動作特徵以及提取到的特徵生成基本動作的新的特徵標準。
23.根據權利要求20所述的人體運動的特徵提取方法,其特徵在於:如果所述的判斷當前提取到的基本動作的特徵與基本動作的特徵標準是否相似的結果為不相似,進行懷疑次數累計,進而判斷基本動作特徵的懷疑計數器是否達到懷疑閥值,是的話,先進行滑動前處理,再進行滑動處理,否的話,直接進行滑動處理。
24.根據權利要求1或23所述的人體運動的特徵提取方法,其特徵在於:所述的滑動處理包括:用未被處理過的傳感器數據覆蓋掉被處理過的數據,並用新採集到的傳感器數據將緩存隊列填充滿;用新的緩存數據隊列重新生成第一數據隊列以及第二數據隊列。
25.根據權利要求23所述的人體運動的特徵提取方法,其特徵在於:所述的滑動前處理包括:清空基本動作特徵的隊列,清空基本動作特徵標準,基本動作懷疑計數器清零。
26.一種智能穿戴設備,其特徵在於,包括一模塊,用以完成人體運動的特徵提取,所述模塊包括: 預處理單元,用以進行將採集到的數據隊列中的三維陀螺儀分量轉換成一個一維的用以衡量人體活動幅度的一第一數據隊列的處理,以及進行將採集到的數據隊列中的三維加速度分量轉換成一個一維的用以衡量人體周期性運動的變化節拍的一第二數據隊列的處理; 第一查找單元,用以進行在所述的第一數據隊列中查找出特定運動段的開始與結束的處理; 第二查找單元,用以進行在所述的第二數據隊列中查找出所述的特定運動段中的節拍鏈的處理,提供節拍鏈平均描述; 特徵提取單元,用以進行基本動作特徵的提取處理;以及 運動描述生成單元,用以 進行已經提取並保存的基本動作特徵的數量是否達到設定要求數量的判斷處理,是的話,生成運動的基本動作的描述;否則的話,進行滑動處理,並返回到上述第一查找單元進行循環處理。
【文檔編號】A61B5/11GK103892840SQ201410164185
【公開日】2014年7月2日 申請日期:2014年4月22日 優先權日:2014年3月6日
【發明者】夏波, 王志偉 申請人:深圳市德凱瑞科技有限公司