CN108831527B - 一种用户运动状态检测方法、装置及可穿戴设备 - Google Patents

一种用户运动状态检测方法、装置及可穿戴设备 Download PDF

Info

Publication number
CN108831527B
CN108831527B CN201810556612.7A CN201810556612A CN108831527B CN 108831527 B CN108831527 B CN 108831527B CN 201810556612 A CN201810556612 A CN 201810556612A CN 108831527 B CN108831527 B CN 108831527B
Authority
CN
China
Prior art keywords
user
state
motion state
data
motion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810556612.7A
Other languages
English (en)
Other versions
CN108831527A (zh
Inventor
陈志勇
林晨曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Greentouch Co ltd
Original Assignee
Xiamen Greentouch Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Greentouch Co ltd filed Critical Xiamen Greentouch Co ltd
Priority to CN201810556612.7A priority Critical patent/CN108831527B/zh
Publication of CN108831527A publication Critical patent/CN108831527A/zh
Application granted granted Critical
Publication of CN108831527B publication Critical patent/CN108831527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Social Psychology (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种用户运动状态检测方法、装置及可穿戴设备，其中，该用户运动状态检测方法包括：获取用户的个人信息和/或环境信息，根据个人信息和/或环境信息确定所需采集的运动数据类型；根据运动数据类型采集用户的初级运动数据，结合个人信息和/或环境信息建立个人画像模型；根据模型确定是否采集次级运动数据建立二级人工智能模型。通过实施本发明，可根据用户的个人信息及所处的环境信息对所需采集、分析的运动数据类型精细筛选，通过一个模型中包含的多级模型，从而降低了采集量、计算量，有效降低电量的消耗。

Description

一种用户运动状态检测方法、装置及可穿戴设备
技术领域
本发明涉及智能穿戴技术领域，具体涉及一种用户运动状态检测方法、装置及可穿戴设备。
背景技术
人体运动姿态的识别在运动分析、跌倒预警、疾病预防、康复治疗、身份识别等领域有着重要的作用。人体足底的压力及压强会随着人体足部结构出现功能障碍或出现病变，并随着人体的运动状态的变化发生改变。
通过对人体足底压力及压强在静止状态或运动过程的分布研究，能够发现步态的动力性及运动性特征。随着智能可穿戴设备的快速发展及普及，现有可穿戴足具，可通过得到的地面反作用力和人体运动位置坐标等信息计算出步行过程中，人体的质心运动、能量消耗、运动位置、关节受力情况等。并根据所获得的信息进行跌倒预警等实时告警。然而，由于电池的电量有限，可穿戴足具的可持续使用时长也受到了严格的限制，有可能导致在最需要监测的时段，可穿戴足具无法继续使用，从而影响了对用户的运动状态的监测，甚至影响在关键时刻对用户身体健康状况进行预警。
发明内容
有鉴于此，本发明实施例提供了一种用户运动状态检测方法、装置及可穿戴设备，以解决现有的可穿戴设备的电量消耗过快、可持续使用时间较短的问题。
根据第一方面，本发明实施例提供了一种用户运动状态检测方法，包括：获取用户的个人信息和/或环境信息，根据所述个人信息和/或环境信息确定所需采集的运动数据类型；根据所述运动数据类型采集用户的实际运动数据；分析所述实际运动数据，确定所述用户的运动状态。
在本发明实施例中，根据运动数据类型采集用户的初级运动数据，结合个人信息和/或环境信息建立个人画像模型；根据模型确定是否采集次级运动数据建立二级人工智能模型，可根据用户的个人信息及所处的环境信息对所需采集、分析的运动数据类型精细筛选，通过一个模型中包含的多级模型，从而降低了采集量、计算量，有效降低电量的消耗，从而延长该可穿戴设备的可持续使用时间。
结合第一方面，在第一方面第一实施方式中，所述个人信息包括：用户的性别信息、身高信息、体重信息、年龄信息中的至少之一；所述环境信息包括：温度信息及季节信息中的至少之一。
结合第一方面或第一方面第一实施方式，在第一方面第二实施方式中，根据所述个人信息和/或环境信息确定所需采集的运动数据类型，包括：从所述个人信息中提取所述用户的健康历史信息，根据所述健康历史信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者；或者从所述个人信息中提取所述用户的健康历史信息，根据所述健康历史信息及环境信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者；或者根据所述环境信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者。
结合第一方面第二实施方式，在第一方面第三实施方式中，所述实际运动数据包括加速度数据；所述分析所述实际运动数据，确定所述用户的运动状态，包括：根据所述加速度数据，获取多个运动方向上的加速度变化信息；根据所述加速度变化信息判断用户是否处于静止状态；当用户未处于静止状态时，根据所述加速度变化信息判断用户的运动状态属于循环运动状态或者非循环运动状态。
结合第一方面第三实施方式，在第一方面第四实施方式中，如果用户的运动状态属于循环运动状态，则根据所述加速度变化信息判断用户的运动状态属于行走、跑步或异常行走状态。
在本发明实施例中，结合获取的环境信息(例如季节、温度、气候等)，可筛选所要获取的运动数据类型。并且，在后续的数据分析过程中，结合环境信息，仅通过初步的分析步骤，即可判断用户当前的运动状态，并可为后续进行健康状态分析提供数据支持，而无需进一步执行细化的分析过程，从而大大减少了对运动数据的处理计算量，减小了相应设备的电量消耗，提高其续航能力。
结合第一方面第三实施方式，在第一方面第五实施方式中，所述实际运动数据还包括角速度数据；所述分析所述实际运动数据，确定所述用户的运动状态，还包括：如果用户的运动状态属于循环运动状态，则根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步；如果用户的运动状态属于循环运动状态，则根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
结合第一方面第二、第三、第四或第五实施方式，在第一方面第六实施方式中，该用户运动状态检测方法还包括：根据所述用户的实际运动数据确定所述用户的健康状态。
结合第一方面第六实施方式，在第一方面第七实施方式中，所述根据所述用户的实际运动数据确定所述用户的健康状态，包括：根据所述个人信息和/或环境信息确定待检测的健康状态范围；根据所述健康状态范围、加速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度；若所述用户的步态偏离正常样本人群的程度大于预设阈值，则根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于正常态或者病态，否则，判断所述用户的运动状态属于正常态。
结合第一方面第七实施方式，在第一方面第八实施方式中，当无法根据所述个人信息和/或环境信息确定待检测的健康状态范围时，所述根据所述用户的实际运动数据确定所述用户的健康状态，还包括：根据所述加速度数据、角速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度；若所述用户的步态偏离正常样本人群的程度大于预设阈值，则根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于正常态或者病态，否则，判断所述用户的运动状态属于正常态。
结合第一方面第七或第八实施方式，在第一方面第九实施方式中，该用户运动状态检测方法，还包括：对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证；根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
结合第一方面第九实施方式，在第一方面第十实施方式中，所述对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证，包括：根据所述实际运动数据以及更新后的步态偏离模型，重新确定所述用户的步态偏离正常样本人群的程度；所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型；若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值，则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述实际运动数据，重新判断所述用户的运动状态属于正常态或者病态；根据重新判断的判断结果对上一次的判断结果进行验证。
根据第二方面，本发明实施例提供了一种用户运动状态检测装置，包括：信息获取模块，用于获取用户的个人信息和/或环境信息，根据所述个人信息和/或环境信息确定所需采集的运动数据类型；实际运动数据采集模块，用于根据所述运动数据类型采集用户的实际运动数据；运动状态确定模块，用于分析所述实际运动数据，确定所述用户的运动状态。
在本发明实施例中，根据运动数据类型采集用户的初级运动数据，结合个人信息和/或环境信息建立个人画像模型；根据模型确定是否采集次级运动数据建立二级人工智能模型，可根据用户的个人信息及所处的环境信息对所需采集、分析的运动数据类型精细筛选，通过一个模型中包含的多级模型，从而降低了采集量、计算量，有效降低电量的消耗，从而延长该可穿戴设备的可持续使用时间。
结合第二方面，在第二方面第一实施方式中，所述个人信息包括：用户的性别信息、身高信息、体重信息、年龄信息中的至少之一；所述环境信息包括：温度信息及季节信息中的至少之一。
结合第二方面或第二方面第一实施方式，在第二方面第二实施方式中，所述信息获取模块具体用于：从所述个人信息中提取所述用户的健康历史信息，根据所述健康历史信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者；或者从所述个人信息中提取所述用户的健康历史信息，根据所述健康历史信息及环境信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者；或者根据所述环境信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者。
结合第二方面第二实施方式，在第二方面第三实施方式中，所述实际运动数据包括加速度数据；所述运动状态确定模块包括：加速度变化信息获取子模块，用于根据所述加速度数据，获取多个运动方向上的加速度变化信息；循环运动判断子模块，用于根据所述加速度变化信息判断用户是否处于静止状态；当用户未处于静止状态时，根据所述加速度变化信息判断用户的运动状态属于循环运动状态或者非循环运动状态。
结合第二方面第三实施方式，在第二方面第四实施方式中，所述运动状态确定模块还包括：运动状态判断子模块，如果用户的运动状态属于循环运动状态，所述运动状态判断子模块根据所述加速度变化信息判断用户的运动状态属于行走、跑步或异常行走状态。
在本发明实施例中，结合获取的环境信息(例如季节、温度、气候等)，可筛选所要获取的运动数据类型。并且，在后续的数据分析过程中，结合环境信息，仅通过初步的分析步骤，即可判断用户当前的运动状态，并可为后续进行健康状态分析提供数据支持，而无需进一步执行细化的分析过程，从而大大减少了对运动数据的处理计算量，减小了相应设备的电量消耗，提高其续航能力。
结合第二方面第三实施方式，在第二方面第五实施方式中，所述实际运动数据还包括角速度数据；所述运动状态确定模块还包括：运动状态判断子模块，如果用户的运动状态属于循环运动状态，所述运动状态判断子模块根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步；如果用户的运动状态属于非循环运动状态，所述运动状态判断子模块根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
结合第二方面第二、第三、第四或第五实施方式，在第二方面第六实施方式中，该用户运动状态检测装置还包括：健康状态确定模块，用于根据所述用户的实际运动数据确定所述用户的健康状态。
结合第二方面第六实施方式，在第二方面第七实施方式中，所述健康状态确定模块包括：健康状态范围确定子模块，用于根据所述个人信息和/或环境信息确定待检测的健康状态范围；健康状态判断子模块，用于根据所述健康状态范围、加速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度；若所述用户的步态偏离正常样本人群的程度大于预设阈值，则根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于正常态或者病态，否则，判断所述用户的运动状态属于正常态。
结合第二方面第七实施方式，在第二方面第八实施方式中，所述健康状态确定模块还包括：步态偏离程度确定子模块，用于根据所述加速度数据、角速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度；健康状态确定子模块，若所述用户的步态偏离正常样本人群的程度大于预设阈值，所述健康状态确定子模块根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于正常态或者病态，否则，判断所述用户的运动状态属于正常态。
结合第二方面第七或第八实施方式，在第二方面第九实施方式中，该用户运动状态检测装置还包括：验证模块，用于对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证；优化模块，用于根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
结合第二方面第九实施方式，在第二方面第十实施方式中，所述验证模块具体用于：根据所述实际运动数据以及更新后的步态偏离模型，重新确定所述用户的步态偏离正常样本人群的程度；所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型；若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值，则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述实际运动数据，重新判断所述用户的运动状态属于正常态或者病态；根据重新判断的判断结果对上一次的判断结果进行验证。
根据第三方面，本发明实施例提供了一种可穿戴设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的用户运动状态检测方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的用户运动状态检测方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明实施例的用户运动状态检测方法的流程图(一)；
图2示出了本发明实施例的智能足具的鞋底传感区域的示意图；
图3A示出了本发明实施例的用户运动状态检测方法的流程图(二)；
图3B示出了本发明实施例的用户运动状态检测方法的流程图(三)；
图4A示出了本发明实施例的用户运动状态检测方法的流程图(四)；
图4B示出了本发明实施例的用户运动状态检测方法的流程图(五)；
图4C示出了本发明实施例的用户运动状态检测方法的流程图(六)；
图5示出了本发明实施例的用户运动状态检测装置的结构示意图(一)；
图6示出了本发明实施例的用户运动状态检测装置的结构示意图(二)；
图7示出了本发明实施例的用户运动状态检测装置的结构示意图(三)；
图8示出了本发明实施例的可穿戴设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种用户运动状态检测方法，如图1所示，该用户运动状态检测方法主要包括：
步骤S11：获取用户的个人信息和/或环境信息，根据个人信息和/或环境信息确定所需采集的运动数据类型。
可选地，在本发明的一些实施例中，该用户的个人信息是指：用户的性别信息、身高信息、体重信息、年龄信息中的至少之一。该环境信息是指温度信息及季节信息中的至少之一。
在实际应用中，实现用户的运动状态的检测的依据是用户的实时运动数据，而通过分析该实时运动数据能够获取到的用户的运动状态，跟用户的个人身体特征密切相关。例如，用户的性别决定了用户的在步行、跑步等状态时的区别；同样地，身高、体重、年龄的不同，用户的运动体征可能都会有所不同，因此，可根据用户的不同的个人信息获取相应的运动数据类型。或者，对于一些特定的身体体征，可能集中出现在一些特定人群当中，例如，对于罗圈腿、八字脚等体征，一般是出现在年龄较小的群体当中，因此，当需要研究的对象为年龄较大的群体时(例如是成人)，可不考虑获取表征罗圈腿、八字脚等体征的运动数据类型。或者，对于一些运动中可能出现的意外事件，可能多集中在特定的季节。例如运动中跌倒的情况，多发于冬季，主要原因可能是受气候影响，地面湿滑，用户在运动过程中不慎跌倒的概率较大。因此，在夏季进行数据采集时，可不考虑获取表征跌倒状态的运动数据类型。
需要说明的是，上述内容仅为举例说明，在实际应用中，可根据需要调整所需获取的运动数据类型。例如，可以根据用户的个人信息中提取该用户的健康历史信息(病历信息等)，根据健康历史信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者；或者，从个人信息中提取用户的健康历史信息，根据健康历史信息以及环境信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者；或者，根据环境信息确定所需采集的数据为加速度数据或加速度数据与角速度数据两者。
步骤S12：根据运动数据类型采集用户的实际运动数据。在根据用户的个人信息和/或环境信息确定了所要获取的运动数据类型后，即可按照该类型获取用户的实际运动数据。
可选地，在本发明的一些实施例中，可通过用户所穿的智能足具的鞋底获取实际运动数据。如图2所示，该鞋底5个区域(MFF、LFF、MMF、LMF、HEEL)均匀分布着压力监测发电一体化的软传感技术，由弹性敏感元件、位移敏感元件、发电模组组成，弹性敏感元件的作用是使被测压力作用于某个面积上并转换为位移或应变的基于惠斯通电桥压阻式应变电信号。
上述步骤S12采集的实际运动数据可以包括用户左右鞋底MFF、LFF、LMF、HEEL四个区域(无MMF)在多个运动方向上的压力数据、每个压力数据占总压力的比重、加速度数据、角速度数据和对应的时间数据等。
可选地，在本发明的一些实施例中，该实际运动数据包括加速度数据。如图3A所示，步骤S13，分析实际运动数据，确定用户的运动状态，可具体包括：
步骤S131：根据加速度数据，获取多个运动方向上的加速度变化信息；
步骤S132：根据加速度变化信息判断用户是否处于静止状态；
步骤S133：当用户未处于静止状态时，根据加速度变化信息判断用户的运动状态属于循环运动状态或者非循环运动状态。
使用加速度数据能够很好的区分人体行为的静止状态和运动状态，并能够很好的区分循环运动状态和非循环运动状态。
可选的，该多个方向包括沿鞋底长度方向的第一维度x的两个方向、沿鞋底宽度方向的第二维度y的两个方向和垂直于鞋底所在平面的第三维度z的两个方向。
上述步骤S12采集加速度数据可以是利用鞋底上的三轴加速度传感器，按照例如76Hz、88Hz、100Hz、105Hz、120Hz或者150Hz的采样频率(人行走的频率一般在110步/分钟(1.8Hz)，跑步时的频率不会超过5Hz，选择上述任一种采样频率均可以在准确地反应加速度变化和***效率、能耗等方面取得较好的平衡效果)，采集上述第一维度x、第二维度y和第三维度z中每个维度两个方向的加速度数据。
一般加速度不为零时就可以确定用户不是静止状态。另外，根据加速度变化信息对轨迹的峰值出现的频率进行统计。一般用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。我们可以看到在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大。
按照上述方式对多种循环运动进行统计，可以确定循环运动状态在某个维度方向上的加速度成周期性变化，因此上述步骤S133可以根据这一规律区分循环运动状态和非循环运动状态。
在实际应用中，使用加速度数据能很好的区分人体行为的循环运动状态和非循环运动状态。但对于相似的运动行为就比较难于区分。并且，加速度数据更适合用于方向明确的运动判别，而对于跌倒检测、运动周期环节、八字脚等，无法直接通过加速度数据进行判别，则需要使用角速度来判别。因此，在本发明的一些实施例中，可以结合角速度数据进行分析判别。具体地，可以用鞋底上的陀螺仪采集角速度数据。如图3B所示，该步骤S13还包括：
步骤S134：如果用户的运动状态属于循环运动状态，则根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步；
步骤S135：如果用户的运动状态属于非循环运动状态，则根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
此时，结合加速度数据和角速度数据，能够对相似的运动进行细化区分。并且，利用信息阈值法，能够很好地区分非循环运动状态的不同运动环节。且通过识别跌倒运动，能够进行跌倒预警。
下面以跌倒检测为例进一步说明如下：
跌倒具有较大的加速度峰值和角速度峰值的特征，这是因为摔倒过程中会以较快速度和低势物体碰撞，因此产生的加速度峰值和角速度峰值比日常活动中步行、上楼梯等大多数一般过程要大。由于人体运动行为过程具有复杂性和随机性，仅使用加速度信息判断人体摔倒行为的发生会带来很大的误判。所以本发明实施例使用SVMA及SVMW相结合的信息阈值法，可以准确区分跌倒与产生SVM峰值较小的低强度运动。
具体地，跌倒对应的加速度信号向量模阈值可取SVMAT＝20m/s2，角速度信号向量模阈值可取SVMWT＝4rad/s。
在确定出用户的运动状态之后，可进一步判断用户的运动状态是否属于正常态。如上文所述，该实际运动数据可以包括压力数据，使用压力数据能够区别病态和正常态，但结合运动状态进行判定的效果更好。
例如，通过医学文件和实验证明：对正常人与类风湿性关节炎跖痛病人进行了比较发现，静态站立时，两组人前足的最大压力分布未发现明显差异，但是在行走时，病足在趾骨离开地面前的最大压力大多都集中在前足外侧，正常足在趾骨离开地面前的最大压力大多都集中在前足中部；糖尿病人的足底触地加压期时间比正常人明显增长，而其前足的触地时间较正常人来的短，触地过程却是一个快速的过渡过程。
本发明实施例的用户运动状态检测方法，由于可根据用户的个人信息及所处的环境信息对所需采集的运动数据类型进行筛选，从而降低了对用户运动数据的采集量，可进一步降低对该运动数据进行分析的计算量。该用户运动状态检测方法可有效降低可穿戴设备的功耗，降低电量的消耗，从而延长该可穿戴设备的可持续使用时间。
可选地，在本发明的一些实施例中，如图4A及图4B所示，该用户运动状态检测方法在上述步骤S13之后，还可包括：步骤S14，根据用户的实际运动数据确定用户的健康状态。具体地，该步骤S14的具体过程包括：
步骤S141，根据实际运动数据以及预先训练出的步态偏离模型，确定用户的步态偏离正常样本人群的程度。
步骤S142，若用户的步态偏离正常样本人群的程度大于预设阈值，则根据用户的步态偏离正常样本人群的程度和实际运动数据，判断用户的运动状态属于正常态或者病态，否则，判断用户的运动状态属于正常态。
本发明实施例中进行持续的大数据训练细分计算量非常大，以其中足底压力数据为例，采样率100Hz，每个足底采集3000个点的6个方向压力值，每秒每人原始数据量为360万个，数据挖掘即360万维度以上，相应给后面的数据处理带来巨大的运算量。
为了降低数据处理的计算量，本发明实施例中，首先通过步骤S141对数据进行降维。步骤S142只对用户的步态偏离正常样本人群的程度大于预设阈值的数据进行病态区分，从而降低计算量，提高计算效率。
另外，本发明实施例中，还可以将原问题转化为对偶问题处理，以进一步降低复杂度。
可选地，该实际运动数据包括用户鞋底n个区域的N类参数值，n和N均为大于或等于1的整数；
上述步骤S141，根据实际运动数据以及预先训练出的步态偏离模型，确定用户的步态偏离正常样本人群的程度的过程具体包括：
采用如下公式确定所述用户的步态偏离正常样本人群的程度x：
Figure BDA0001681490870000121
其中，qji为用户鞋底第j个区域的第i类参数值，
Figure BDA0001681490870000131
为预先获得的正常样本人群鞋底的第j个区域的N类参数的平均值，1≤i≤N，1≤j≤n。
具体的，上述n个区域可包括如图2所示的MFF、LFF、LMF、HEEL四个区域，上述N类参数值如可包括加速度、角速度、压力值等。
其中，上述样本人群理论上为正常人群。此时，通过确定用户步态偏离正常人群的程度，能够将正常用户筛选出去，只对存在病态可能的用户进一步区分。
可选地，上述步骤S142的具体过程包括：
根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值，确定用户的运动状态在每种病态下分别对应的权重集合和病态阈值；其中权重集合包括N类参数中每类参数对应的权重值和x对应的权重值；
根据实际运动数据、x和用户的运动状态在每种病态下分别对应的权重集合进行加权计算，得到每种病态下的加权值；
将每种病态下的加权值与对应的病态阈值进行比较，若至少一种加权值大于病态阈值，则确定用户的运动状态属于病态，否则，确定用户的运动状态属于正常态。
这里，通过对不同运动状态在不同病态下的表现进行分析，能够确定不同运动状态在不同病态下的参数的权重值。例如正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖尿病患者及临界者，关节活动度变小导致前足/后足压力明显增大，且压力分布不均衡。因此在站立和行走状态下，糖尿病对应的压力值的权重大。
此时，通过对用户的运动状态进行病态判别，能够进行糖尿病足、脑卒中、儿童八字脚、帕金森等各种疾病的预警，并实现辅助康复治疗等。
可选地，在本发明的一些实施例中，上述步骤S142进行用户的正常态及病态的分析所对应的权重集合和病态阈值，可通过以下步骤确定：
获取样本人群鞋底在预设多个维度中每个维度方向上的实际运动数据；
根据样本人群的实际运动数据，提取步态时域特征和步态频域特征；
对步态时域特征和所述步态频域特征进行融合处理，得到融合后的所述样本人群的步态特征集；
采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类，并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值。
具体地，可利用SVM分类器对步态样本(步态特征集)分类。假定数据库中已经注册了M类(M为大于或等于1的整数)步态样本，将新的步态样本输入SVM分类器训练，根据输入值判定新的步态样本属于M类中的哪一类，如果超出了M类的范围，则作为新的类别M+1类，然后更新分类器。
其中，可将病态人群的步态样本进行重点计算，如分别提取左右脚同一点、同一脚四个区域的压力值1000组，然后提取步态时域特征和步态频域特征，以根据病态人群的步态特征准确确定权重集合。
具体地，上述对步态时域特征和所述步态频域特征进行融合处理，得到融合后的所述样本人群的步态特征集的步骤，包括：
根据样本人群的实际运动数据，获取每类参数在预设多个维度中每个维度方向上的变化曲线；采用差分算法获取每类参数的变化曲线的关键点；提取关键点处的参数值、驱动冲量和制动冲量，并根据关键点处的参数值、驱动冲量和制动冲量，获得步态时域特征；根据关键点，采用线性插值法对每类参数的变化曲线进行波形对齐；采用小波包分解算法从波形对齐后的变化曲线中提取步态频域特征。
在实际应用中，鞋底各区域作用力与运动步态相关，时频可表征步态周期性、变化率和加速度等整体特征，频域可表征谱特性等细节特征。可采用小波包分解、差分算法分别从鞋底四个区域三个维度的压力数据中提取频域、时域特征，从而利用SVM算法识别运动状态以及正常态和病态。
其中，对于时域特征的提取过程主要包括：可采用一阶差分算法检测前后方向(x轴)、垂直方向(z轴)曲线的波峰点和波谷点，作为作用力曲线的关键点，并将垂直方向曲线的波谷点作为作用力曲线的参考点；然后以垂直方向曲线的关键点的压力值、压力值出现的时相、相邻关键点作用力变化率和冲量(包括驱动冲量和制动冲量)、对应的前后方向曲线上的关键点处的压力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征。
对于频域特征的提取过程主要包括：可将作用力先按垂直方向曲线上的关键点将作用力波形对齐，以提高频域特征对比性和分类能力。具体先用线性插值算法将作用力维数归一化到同一值，通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点，将波谷点作为关键点进行参照，然后用线性插值法将作用力中的左右方向(y轴)、前后方向和垂直方向曲线波形对齐，得到对齐后的作用力。再用L层小波包分解算法从作用力中提取出全程的步态频域特征。
可选地，上述的采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类，并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值的过程，可以是先用模糊C均值法从提取的步态频域特征的多个小波包中挑选最小最优小波包集合，再用模糊C均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集。
可选地，在本发明的一些实施例中，如图4C所示，在通过上述步骤S142进行用户的正常态及病态的分析之后，还可包括对权重集合和病态阈值的优化步骤，具体地，该优化步骤包括：
步骤S143，对判断用户的运动状态属于正常态或者病态的判断结果进行验证。
具体地，是根据实际运动数据以及更新后的步态偏离模型，重新确定用户的步态偏离正常样本人群的程度；更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型；
若重新确定的用户的步态偏离正常样本人群的程度大于预设阈值，则根据重新确定的用户的步态偏离正常样本人群的程度和实际运动数据，重新判断用户的运动状态属于正常态或者病态；
根据重新判断的判断结果对上一次的判断结果进行验证。
在通过步骤S143进行验证后，执行步骤S144，根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。随着样本量的增加，SVM分类器能够自适应不断优化完善，提高算法的执行效率。
其中，SVM分类器可针对未发现异常的样本人群进行抽样计算。在查找异常样本时，可能由于其中某个区域标准差偏大，另一个区域标准差偏小，正好相抵等情况，导致未发现异常，故再次进行随机抽样验证。每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率。
对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。
进一步地，为保证所采集的实际运动数据的精确度，本发明实施例的用户运动状态检测方法还可包括：采用小波变换阈值法对实际运动数据进行去噪处理。
在实际应用中，采集过程中电路中的电磁干扰是主要的干扰源，电磁干扰为高频噪声；而人体运动主要是在50Hz以内的低频信号，本发明实施例选用离散小波变换阈值法，具有带通滤波功能，计算速度快。具体可以给检测加上阈值和步频判断来过滤，也就是说相邻两步的时间间隔至少大于0.11、0.14、0.17、0.2、0.23、0.27秒，过滤高频噪声,可以在准确地反应加速度变化和***效率、能耗等方面取得最好平衡效果。
另外，可对采集到四个区域的压力数据，进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将四个区域的压力时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；接着，基于矩阵的非监督算法被用来去除噪声和保留最具代表的信息。最后，利用监督算法进一步提高分辨能力。获取信噪比高的步态数据。
在本发明实施例中，不仅在确定所要采集的运动数据类型时可参考用户的个人信息和/或环境信息对数据进行筛选。在对实际运动数据进行分析时，同样可参考用户的个人信息和/或环境信息。如图4C所示，该基于个人信息和/或环境新型进行健康状态判断的过程主要包括：步骤S145：根据个人信息和/或环境信息确定待检测的健康状态范围；步骤S146：根据健康状态范围、加速度数据以及预先训练出的步态偏离模型，确定用户的步态偏离正常样本人群的程度；若用户的步态偏离正常样本人群的程度大于预设阈值，则根据用户的步态偏离正常样本人群的程度和实际运动数据，判断用户的运动状态属于正常态或者病态，否则，判断用户的运动状态属于正常态。
在本发明的一些实施例中，对于健康状态的判断，需要通过神经网络深度学习算法，结合训练模型进行体态判断，并进一步进行健康状态判断。但当使用神经网络深度学习算法，进行持续的大数据训练细分计算量非常大，相应地给后面的数据处理带来巨大的运算量。而针对其中一些健康状态的判断，可以先根据用户个人信息和/或环境信息确定可能的健康状态范围，然后基于个人信息和/或环境信息与该健康状态范围确定是否可仅采集用户的加速度数据对用户的健康状况进行分析，从而结合预先训练出的步态偏离模型得出用户的健康状态，而无需再采集角速度数据进一步细分，能够大大减少对运动数据处理的计算量，从而有效减小相应的可穿戴设备的电量消耗，延长其持续使用时间，提高续航能力。
以下结合具体应用示例进行说明。
在实际应用中，很多运动损伤或疾病可能是集中多发于特定的环境或气候中。例如，针对风湿性关节炎，其发病症状受气候变化影响较大，常在天气转冷或下雨前出现关节痛等症状。因此，当通过用户的个人信息获知其具有风湿性关节炎的病史时，在根据该用户的实际运动数据进行分析时，则可将环境因素考虑在内。当判断当前环境较冷时(例如低于10摄氏度)，或是当前的季节属于秋冬季节，或是当前的气候属于阴天、雨天等情况时，在根据用户运动的加速度数据获取其加速度变化信息，从而判断用户属于循环运动状态，并且进一步根据该加速度变化信息可判断出用户当前是处于行走、跑步或是异常行走状态。其中，异常行走状态包括鞋底拖地行走(即鞋底与地面的摩擦较大，并不属于正常的行走姿态)。此时，结合用户的个人信息(风湿性关节炎的病史)、当前的环境信息(天气转冷或下雨前等)，结合预先训练出的步态偏离模型判断用户处于异常行走状态时，判定该用户属于风湿性关节炎发作的情况。
在一些实施例中，也可将用户的异常行走状态仅与其个人信息相结合，或是将用户的异常行走状态仅与环境信息相结合，同样可以做出上述的判断。
由此可见，将用户的个人信息和/或环境信息与根据加速度数据分析得到的运动状态相结合，根据加速度数据结合神经网络算法即可进行用户的健康状态的判断(例如上述的步骤S141及步骤S142所述的过程中，该实际运动数据仅为加速度数据)，而无需结合角速度数据对神经网络算法的训练模型做进一步细化，因此，可大大减少基于运动数据进行分析的运算量，从而减少该可穿戴设备的耗电量，提高其续航时间。
如果根据用户的个人信息和/或环境信息无法确定该用户的可能的健康状态检测范围时(例如，该用户的身体健康，无过往病史提供参照)，则还需采用结合角速度数据进行细分的神经网络算法，做更加详细的运动状态分析及健康状态分析(例如上述的步骤S141及步骤S142所述的过程中，该实际运动数据为加速度数据及角速度数据)。
通过本发明实施例的方法进行用户的运动状态及健康状态的分析，是根据运动数据类型采集用户的初级运动数据，结合个人信息和/或环境信息建立个人画像模型；根据模型确定是否采集次级运动数据建立二级人工智能模型。可根据用户的个人信息及所处的环境信息对所需采集、分析的运动数据类型精细筛选，通过一个模型中包含的多级模型，从而降低了采集量、计算量，有效降低电量的消耗。
本发明实施例还提供一种用户运动状态检测装置，可选地，在本发明的一些实施例中，该用户运动状态检测装置可以是设置于用户所穿的可穿戴智能足具中，例如是设置于该足具的鞋底中。如图5所示，该用户运动状态检测装置主要包括：信息获取模块51、实际运动数据采集模块52及运动状态确定模块53等。
其中，该信息获取模块51用于获取用户的个人信息和/或环境信息，根据个人信息和/或环境信息确定所需采集的运动数据类型；详细内容可参见上述方法实施例的步骤S11的相关描述。
实际运动数据采集模块52用于根据运动数据类型采集用户的实际运动数据；详细内容可参见上述方法实施例的步骤S12的相关描述。
运动状态确定模块53，用于分析实际运动数据，确定用户的运动状态；详细内容可参见上述方法实施例的步骤S13的相关描述。
可选地，在本发明的一些实施例中，该实际运动数据包括加速度数据。如图6所示，该运动状态确定模块53包括：
加速度变化信息获取子模块531，用于根据加速度数据，获取多个运动方向上的加速度变化信息；详细内容可参见上述方法实施例的步骤S131的相关描述。
循环运动判断子模块532，用于根据加速度变化信息判断用户是否处于静止状态；当用户未处于静止状态时，根据加速度变化信息判断用户的运动状态属于循环运动状态或者非循环运动状态。详细内容可参见上述方法实施例的步骤S132及步骤S133的相关描述。
在实际应用中，使用加速度数据能很好的区分人体行为的循环运动状态和非循环运动状态。但对于相似的运动行为就比较难于区分。并且，加速度数据更适合用于方向明确的运动判别，而对于跌倒检测、运动周期环节、八字脚等，无法直接通过加速度数据进行判别，则需要使用角速度来判别。因此，在本发明的一些实施例中，可以结合角速度数据进行分析判别。具体地，可以用鞋底上的陀螺仪采集角速度数据。如图6所示，该运动状态确定模块还包括：运动状态判断子模块533用于执行以下步骤：如果用户的运动状态属于循环运动状态，运动状态判断子模块533根据加速度变化信息和角速度变化信息，判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步；如果用户的运动状态属于非循环运动状态，运动状态判断子模块533根据加速度变化信息和角速度变化信息，判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。详细内容可参见上述方法实施例的步骤S134及步骤S135的相关描述。
本发明实施例的用户运动状态检测装置，可根据用户的个人信息及所处的环境信息对所需采集的运动数据类型进行筛选，从而降低了对用户运动数据的采集量，可进一步降低对该运动数据进行分析的计算量。该用户运动状态检测装置可有效降低可穿戴设备的功耗，降低电量的消耗，从而延长该可穿戴设备的可持续使用时间。
可选地，在本发明的一些实施例中，如图7所示，该用户运动状态检测装置还可包括健康状态确定模块54，用于根据用户的实际运动数据确定用户的健康状态，以对用户的健康状态提供预警信息。详细内容可参见上述方法实施例的步骤S14的相关描述。
具体地，该健康状态确定模块54包括：步态偏离程度确定子模块，用于根据实际运动数据以及预先训练出的步态偏离模型，确定用户的步态偏离正常样本人群的程度；详细内容可参见上述方法实施例的步骤S141的相关描述。
健康状态确定子模块，若用户的步态偏离正常样本人群的程度大于预设阈值，健康状态确定子模块根据用户的步态偏离正常样本人群的程度和实际运动数据，判断用户的运动状态属于正常态或者病态，否则，判断用户的运动状态属于正常态；详细内容可参见上述方法实施例的步骤S142的相关描述。
可选地，在本发明的一些实施例中，在通过上述健康状态确定模块54进行用户的正常态及病态的分析之后，该用户运动状态检测装置还可包括：
验证模块55，用于对判断用户的运动状态属于正常态或者病态的判断结果进行验证；详细内容可参见上述方法实施例的步骤S143的相关描述。
优化模块56，用于根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化；详细内容可参见上述方法实施例的步骤S144的相关描述。
图7中所示出的健康状态确定模块54、验证模块55及优化模块56以虚线框表示的原因在于，在实际应用中，同样是出于减小功耗、减小电池消耗的考虑，该健康状态确定模块54、验证模块55及优化模块56可以是设置于云端的计算平台，通过在用户所穿的智能足具中设置的通信模块，将获取的用户的实际运动数据传送至该云端的计算平台进行用户健康状态的分析计算等，从而进一步减少该智能足具在使用过程中对电池的消耗，从而延长其续航时间。
在本发明的一些实施例中，对于健康状态的判断，需要通过神经网络深度学习算法，结合训练模型进行体态判断，并进一步进行健康状态判断。但当使用神经网络深度学习算法，进行持续的大数据训练细分计算量非常大，相应地给后面的数据处理带来巨大的运算量。而针对其中一些健康状态的判断，可以先根据用户个人信息和/或环境信息确定可能的健康状态范围，然后基于个人信息和/或环境信息与该健康状态范围确定是否可仅采集用户的加速度数据对用户的健康状况进行分析，从而结合预先训练出的步态偏离模型得出用户的健康状态，而无需再采集角速度数据进一步细分，能够大大减少对运动数据处理的计算量，从而有效减小相应的可穿戴设备的电量消耗，延长其持续使用时间，提高续航能力。
在此实施例中，该运动状态判断子模块533用于执行以下步骤：如果用户的运动状态属于循环运动状态，运动状态判断子模块533根据加速度变化信息判断用户的运动状态属于行走、跑步或异常行走状态。
相对应地，该健康状态确定模块54还包括：健康状态范围确定子模块，用于根据个人信息和/或环境信息确定待检测的健康状态范围；此时该健康状态确定模块54的健康状态判断子模块则用于根据健康状态范围、加速度数据以及预先训练出的步态偏离模型，确定用户的步态偏离正常样本人群的程度；若用户的步态偏离正常样本人群的程度大于预设阈值，则根据用户的步态偏离正常样本人群的程度和实际运动数据，判断用户的运动状态属于正常态或者病态，否则，判断用户的运动状态属于正常态。
可选地，在本发明实施例中，不仅在确定所要采集的运动数据类型时可参考用户的个人信息和/或环境信息对数据进行筛选。在对实际运动数据进行分析时，同样可参考用户的个人信息和/或环境信息。并且，基于该个人信息和/或环境信息进行运动状态分析，以及对用户的健康状况进行分析，能够大大减少对运动数据处理的计算量，从而有效减小相应的可穿戴设备的电量消耗，延长其持续使用时间，提高续航能力。
以下结合具体应用示例进行说明。
在实际应用中，很多运动损伤或疾病可能是集中多发于特定的环境或气候中。例如，针对风湿性关节炎，其发病症状受气候变化影响较大，常在天气转冷或下雨前出现关节痛等症状。因此，当通过用户的个人信息获知其具有风湿性关节炎的病史时，在根据该用户的实际运动数据进行分析时，则可将环境因素考虑在内。当判断当前环境较冷时(例如低于10摄氏度)，或是当前的季节属于秋冬季节，或是当前的气候属于阴天、雨天等情况时，在根据用户运动的加速度数据获取其加速度变化信息，从而判断用户属于循环运动状态，并且进一步根据该加速度变化信息可判断出用户当前是处于行走、跑步或是异常行走状态。其中，异常行走状态包括鞋底拖地行走(即鞋底与地面的摩擦较大，并不属于正常的行走姿态)。此时，结合用户的个人信息(风湿性关节炎的病史)、当前的环境信息(天气转冷或下雨前等)，结合预先训练出的步态偏离模型判断用户处于异常行走状态时，判定该用户属于风湿性关节炎发作的情况。
在一些实施例中，也可将用户的异常行走状态仅与其个人信息相结合，或是将用户的异常行走状态仅与环境信息相结合，同样可以做出上述的判断。
由此可见，将用户的个人信息和/或环境信息与根据加速度数据分析得到的运动状态相结合，根据加速度数据结合神经网络算法即可进行用户的健康状态的判断(例如上述的步骤S141及步骤S142所述的过程中，该实际运动数据仅为加速度数据)，而无需结合角速度数据对神经网络算法的训练模型做进一步细化，因此，可大大减少基于运动数据进行分析的运算量，从而减少该可穿戴设备的耗电量，提高其续航时间。
如果根据用户的个人信息和/或环境信息无法确定该用户的可能的健康状态检测范围时(例如，该用户的身体健康，无过往病史提供参照)，则该健康状态确定模块54还需采用结合角速度数据进行细分的神经网络算法，以及角速度数据，做更加详细的运动状态分析及健康状态分析(例如上述的步骤S141及步骤S142所述的过程中，该实际运动数据为加速度数据及角速度数据)。
通过本发明实施例的装置进行用户的运动状态及健康状态的分析，是根据运动数据类型采集用户的初级运动数据，结合个人信息和/或环境信息建立个人画像模型；根据模型确定是否采集次级运动数据建立二级人工智能模型。可根据用户的个人信息及所处的环境信息对所需采集、分析的运动数据类型精细筛选，通过一个模型中包含的多级模型，从而降低了采集量、计算量，有效降低电量的消耗。
本发明实施例还提供了一种可穿戴设备，如图8所示，该可穿戴设备可以包括处理器81和存储器82，其中处理器81和存储器82可以通过总线或者其他方式连接，图8中以通过总线连接为例。在一较佳实施例中，该可穿戴设备可为一智能足具，但本发明并不以此为限。
处理器81可以为中央处理器(Central Processing Unit，CPU)。处理器81还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器82作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车载显示装置按键屏蔽方法对应的程序指令/模块(例如，图5所示的信息获取模块51、实际运动数据采集模块52及运动状态确定模块53)。处理器81通过运行存储在存储器82中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的用户运动状态检测方法。
存储器82可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器81所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至处理器81。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器82中，当被所述处理器81执行时，执行如图1-图4C所示实施例中的用户运动状态检测方法。
上述可穿戴设备具体细节可以对应参阅图1至图4C所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (18)

1.一种用户运动状态检测方法，其特征在于，包括：
获取用户的个人信息和环境信息，根据所述个人信息和环境信息确定所需采集的运动数据类型；
根据所述运动数据类型采集用户的实际运动数据；
分析所述实际运动数据，确定所述用户的运动状态；
根据所述个人信息和环境信息确定所需采集的运动数据类型，包括：
从所述个人信息中提取所述用户的健康历史信息，根据所述健康历史信息及环境信息确定所需采集的数据为加速度数据与角速度数据两者；
还包括：
根据所述用户的实际运动数据确定所述用户的健康状态，
所述实际运动数据包括用户鞋底n个区域的N类参数值，n和N均为大于或等于1的整数，根据所述个人信息和环境信息确定待检测的健康状态范围；
根据所述健康状态范围、加速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度x：
Figure FDA0003023360070000011
其中，qji为用户鞋底第j个区域的第i类参数值，
Figure FDA0003023360070000012
为预先获得的正常样本人群鞋底的第j个区域的N类参数的平均值，1≤i≤N，1≤j≤n；
若所述用户的步态偏离正常样本人群的程度大于预设阈值，则根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于病态，否则，判断所述用户的运动状态属于正常态。
2.根据权利要求1所述的用户运动状态检测方法，其特征在于，所述个人信息包括：用户的性别信息、身高信息、体重信息、年龄信息中的至少之一；所述环境信息包括：温度信息及季节信息中的至少之一。
3.根据权利要求2所述的用户运动状态检测方法，其特征在于，所述实际运动数据包括加速度数据；
所述分析所述实际运动数据，确定所述用户的运动状态，包括：
根据所述加速度数据，获取多个运动方向上的加速度变化信息；
根据所述加速度变化信息判断用户是否处于静止状态；
当用户未处于静止状态时，根据所述加速度变化信息判断用户的运动状态属于循环运动状态或者非循环运动状态。
4.根据权利要求3所述的用户运动状态检测方法，其特征在于，如果用户的运动状态属于循环运动状态，则根据所述加速度变化信息判断用户的运动状态属于行走、跑步或异常行走状态。
5.根据权利要求3所述的用户运动状态检测方法，其特征在于，所述实际运动数据还包括角速度数据；
所述分析所述实际运动数据，确定所述用户的运动状态，还包括：
如果用户的运动状态属于循环运动状态，则根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步；
如果用户的运动状态属于非循环运动状态，则根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
6.根据权利要求5所述的用户运动状态检测方法，其特征在于，当无法根据所述个人信息和环境信息确定待检测的健康状态范围时，所述根据所述用户的实际运动数据确定所述用户的健康状态，还包括：
根据所述加速度数据、角速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度；
若所述用户的步态偏离正常样本人群的程度大于预设阈值，则根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于病态，否则，判断所述用户的运动状态属于正常态。
7.根据权利要求5或6所述的用户运动状态检测方法，其特征在于，还包括：
对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证；
根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
8.根据权利要求7所述的用户运动状态检测方法，其特征在于，所述对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证，包括：
根据所述实际运动数据以及更新后的步态偏离模型，重新确定所述用户的步态偏离正常样本人群的程度；所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型；
若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值，则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述实际运动数据，重新判断所述用户的运动状态属于正常态或者病态；
根据重新判断的判断结果对上一次的判断结果进行验证。
9.一种用户运动状态检测装置，其特征在于，包括：
信息获取模块，用于获取用户的个人信息和环境信息，根据所述个人信息和环境信息确定所需采集的运动数据类型；
实际运动数据采集模块，用于根据所述运动数据类型采集用户的实际运动数据；
运动状态确定模块，用于分析所述实际运动数据，确定所述用户的运动状态；
所述信息获取模块具体用于：
从所述个人信息中提取所述用户的健康历史信息，根据所述健康历史信息及环境信息确定所需采集的数据为加速度数据与角速度数据两者；还包括：
健康状态确定模块，用于根据所述用户的实际运动数据确定所述用户的健康状态；所述实际运动数据包括用户鞋底n个区域的N类参数值，n和N均为大于或等于1的整数，
所述健康状态确定模块包括：
健康状态范围确定子模块，用于根据所述个人信息和环境信息确定待检测的健康状态范围；
健康状态判断子模块，用于根据所述健康状态范围、加速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度x；
Figure FDA0003023360070000041
其中，qji为用户鞋底第j个区域的第i类参数值，
Figure FDA0003023360070000042
为预先获得的正常样本人群鞋底的第j个区域的N类参数的平均值，1≤i≤N，1≤j≤n；
若所述用户的步态偏离正常样本人群的程度大于预设阈值，则根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于病态，否则，判断所述用户的运动状态属于正常态。
10.根据权利要求9所述的用户运动状态检测装置，其特征在于，所述个人信息包括：用户的性别信息、身高信息、体重信息、年龄信息中的至少之一；所述环境信息包括：温度信息及季节信息中的至少之一。
11.根据权利要求10所述的用户运动状态检测装置，其特征在于，所述实际运动数据包括加速度数据；
所述运动状态确定模块包括：
加速度变化信息获取子模块，用于根据所述加速度数据，获取多个运动方向上的加速度变化信息；
循环运动判断子模块，用于根据所述加速度变化信息判断用户是否处于静止状态；当用户未处于静止状态时，根据所述加速度变化信息判断用户的运动状态属于循环运动状态或者非循环运动状态。
12.根据权利要求11所述的用户运动状态检测装置，其特征在于，所述运动状态确定模块还包括：
运动状态判断子模块，如果用户的运动状态属于循环运动状态，所述运动状态判断子模块根据所述加速度变化信息判断用户的运动状态属于行走、跑步或异常行走状态。
13.根据权利要求11所述的用户运动状态检测装置，其特征在于，所述实际运动数据还包括角速度数据；
所述运动状态确定模块还包括：
运动状态判断子模块，如果用户的运动状态属于循环运动状态，所述运动状态判断子模块根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步；
如果用户的运动状态属于非循环运动状态，所述运动状态判断子模块根据所述加速度变化信息和角速度变化信息，判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
14.根据权利要求13所述的用户运动状态检测装置，其特征在于，所述健康状态确定模块还包括：
步态偏离程度确定子模块，用于根据所述加速度数据、角速度数据以及预先训练出的步态偏离模型，确定所述用户的步态偏离正常样本人群的程度；
健康状态确定子模块，若所述用户的步态偏离正常样本人群的程度大于预设阈值，所述健康状态确定子模块根据所述用户的步态偏离正常样本人群的程度和所述实际运动数据，判断所述用户的运动状态属于病态，否则，判断所述用户的运动状态属于正常态。
15.根据权利要求13或14所述的用户运动状态检测装置，其特征在于，还包括：
验证模块，用于对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证；
优化模块，用于根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
16.根据权利要求15所述的用户运动状态检测装置，其特征在于，所述验证模块具体用于：
根据所述实际运动数据以及更新后的步态偏离模型，重新确定所述用户的步态偏离正常样本人群的程度；所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型；
若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值，则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述实际运动数据，重新判断所述用户的运动状态属于正常态或者病态；
根据重新判断的判断结果对上一次的判断结果进行验证。
17.一种可穿戴设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1所述的用户运动状态检测方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1所述的用户运动状态检测方法。
CN201810556612.7A 2018-05-31 2018-05-31 一种用户运动状态检测方法、装置及可穿戴设备 Active CN108831527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810556612.7A CN108831527B (zh) 2018-05-31 2018-05-31 一种用户运动状态检测方法、装置及可穿戴设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810556612.7A CN108831527B (zh) 2018-05-31 2018-05-31 一种用户运动状态检测方法、装置及可穿戴设备

Publications (2)

Publication Number Publication Date
CN108831527A CN108831527A (zh) 2018-11-16
CN108831527B true CN108831527B (zh) 2021-06-04

Family

ID=64146783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810556612.7A Active CN108831527B (zh) 2018-05-31 2018-05-31 一种用户运动状态检测方法、装置及可穿戴设备

Country Status (1)

Country Link
CN (1) CN108831527B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382641A (zh) * 2018-12-29 2020-07-07 西安思博探声生物科技有限公司 体态识别方法和体感游戏动作指导***
CN109829439B (zh) * 2019-02-02 2020-12-29 京东方科技集团股份有限公司 一种对头部运动轨迹预测值的校准方法及装置
CN110010224A (zh) * 2019-03-01 2019-07-12 出门问问信息科技有限公司 用户运动数据处理方法、装置、可穿戴设备及存储介质
CN110123335B (zh) * 2019-05-21 2022-06-28 首都医科大学宣武医院 信息处理方法、装置和***
CN110180158B (zh) * 2019-07-02 2021-04-23 乐跑体育互联网（武汉）有限公司 一种跑步状态识别方法、***及终端设备
CN110558991B (zh) * 2019-07-30 2022-05-20 福建省万物智联科技有限公司 一种步态分析方法
CN110960222B (zh) * 2019-12-17 2022-09-02 心核心科技(北京)有限公司 一种运动类型检测方法及装置
CN112380946B (zh) * 2020-11-09 2022-12-16 苏州爱可尔智能科技有限公司 一种基于端侧ai芯片的跌倒检测方法及装置
CN112634489B (zh) * 2020-12-09 2022-12-09 众安在线财产保险股份有限公司 一种基于移动终端的车辆状态确定方法、装置及***
CN112699744A (zh) * 2020-12-16 2021-04-23 南开大学 跌倒姿态的分类识别方法、装置和可穿戴设备
CN113143251B (zh) * 2021-01-28 2023-04-14 胤迈医药科技(上海)有限公司 一款基于步幅监测的家用可穿戴设备
CN112764545B (zh) * 2021-01-29 2023-01-24 重庆子元科技有限公司 一种虚拟人物运动同步方法及终端设备
CN112967427B (zh) * 2021-02-08 2022-12-27 深圳市机器时代科技有限公司 一种利用可穿戴设备进行解锁的方法及***
US20230133858A1 (en) * 2021-11-01 2023-05-04 Unitedhealth Group Incorporated Movement prediction machine learning models
TWI782885B (zh) * 2022-04-25 2022-11-01 國立臺灣海洋大學 類風濕性關節炎的復建姿勢與攝食關聯檢測系統
CN116746910B (zh) * 2023-06-15 2024-05-28 广州医科大学附属脑科医院 基于可穿戴设备的步态监测方法及装置、可穿戴设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218906A (zh) * 2013-04-23 2013-07-24 中国科学院深圳先进技术研究院 跌倒数据采集分析平台
US20130346014A1 (en) * 2009-02-23 2013-12-26 Imetrikus, Inc. Dba Numera Identifying a Type of Motion of an Object
CN105530865A (zh) * 2013-09-11 2016-04-27 皇家飞利浦有限公司 跌倒检测***和方法
CN106901444A (zh) * 2017-04-12 2017-06-30 佛山市丈量科技有限公司 一种生理监控智能鞋垫
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909800B (zh) * 2017-04-12 2019-04-19 佛山市量脑科技有限公司 一种智能鞋垫数据处理***
CN107753026B (zh) * 2017-09-28 2021-09-21 古琳达姬（厦门）股份有限公司 针对脊柱腿部健康的智能鞋自适应监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130346014A1 (en) * 2009-02-23 2013-12-26 Imetrikus, Inc. Dba Numera Identifying a Type of Motion of an Object
CN103218906A (zh) * 2013-04-23 2013-07-24 中国科学院深圳先进技术研究院 跌倒数据采集分析平台
CN105530865A (zh) * 2013-09-11 2016-04-27 皇家飞利浦有限公司 跌倒检测***和方法
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
CN106901444A (zh) * 2017-04-12 2017-06-30 佛山市丈量科技有限公司 一种生理监控智能鞋垫

Also Published As

Publication number Publication date
CN108831527A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108831527B (zh) 一种用户运动状态检测方法、装置及可穿戴设备
CN108244744B (zh) 一种运动状态识别的方法、鞋底及鞋
CN107753026B (zh) 针对脊柱腿部健康的智能鞋自适应监测方法
Zhang et al. Application of supervised machine learning algorithms in the classification of sagittal gait patterns of cerebral palsy children with spastic diplegia
Cavalheiro et al. Study of age-related changes in postural control during quiet standing through linear discriminant analysis
CN110169774B (zh) 一种基于区块链的运动状态识别***及方法
CN108514421A (zh) 提升混合现实与日常健康监测的方法
Rastegari et al. A bag-of-words feature engineering approach for assessing health conditions using accelerometer data
EP3459453A1 (en) Information processing device, information processing method, and information processing program
CN108309304A (zh) 一种生成冻结步态智能监测***的方法
Ahn et al. A digital twin city model for age-friendly communities: Capturing environmental distress from multimodal sensory data
CN109805935A (zh) 一种基于人工智能分层分级运动识别方法的智能腰带
CN111345783B (zh) 基于惯性传感器的前庭功能紊乱检测***
KR102280291B1 (ko) 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법
Kim et al. Pathological gait clustering in post-stroke patients using motion capture data
Straczkiewicz et al. A “one-size-fits-most” walking recognition method for smartphones, smartwatches, and wearable accelerometers
KR102302234B1 (ko) 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법
Lotfi et al. Classification of gait patterns in the time domain using accelerometer signal
Rodríguez-Martín et al. Posture transition analysis with barometers: contribution to accelerometer-based algorithms
Balakrishnan et al. Mahalanobis Metric-based Oversampling Technique for Parkinson’s Disease Severity Assessment using Spatiotemporal Gait Parameters
Manap et al. Parkinsonian gait motor impairment detection using decision tree
Huang et al. Human behavior recognition based on motion data analysis
Carter et al. Estimation of ground reaction force during running using consumer-level wearable insoles and machine learning
KR102350593B1 (ko) 딥러닝 앙상블을 이용한 멀티모달 센서 기반의 보행 패턴 분류를 위한 장치 및 방법
Young et al. Bespoke fuzzy logic design to automate a better understanding of running gait analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant