CN109582713B - 一种运动状态的识别方法、装置及终端 - Google Patents

Abstract

本发明公开了一种运动状态的识别方法，应用于数据处理技术领域，解决现有技术中走路状态和骑行状态不能准确区分的问题，该方法包括：获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态时，利用数据的期望以及预设的延时时间计算相关性系数；当相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当相关性系数位于第二相关性系数区间时，则运动状态为骑行状态；该方法利用相关性系数能够准确的区分走路状态和骑行状态，进而提高了运动状态识别准确度；本发明还公开了一种运动状态的识别装置、终端及计算机可读存储介质，具有上述有益效果。

Description

一种运动状态的识别方法、装置及终端

技术领域

本发明涉及数据处理技术领域，特别涉及一种运动状态的识别方法、装置、终端及计算机可读存储介质。

背景技术

现有技术中运动状态的识别一般采用傅里叶变换、小波变换、以及均值、标准差等特征。但是这些只适用于理论研究，而在实际应用中，运动状态识别结果的好坏，完全取决于采集到的数据的好坏，特别是在两两运动状态的模糊边界区域，运动状态的识别结果不准确，因此，需要提高运动状态识别的准确性。

发明内容

本发明的目的是提供一种运动状态的识别方法、装置、终端及计算机可读存储介质，能够准确的区分走路状态和骑行状态，进而提高了运动状态识别准确度。

为解决上述技术问题，本发明提供一种运动状态的识别方法，包括：

获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路或骑行模糊状态时，利用所述数据的期望以及预设的延时时间计算相关性系数；

当所述相关性系数位于第一相关性系数区间时，则运动状态为走路状态；

当所述相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

可选地，在所述利用所述数据的期望以及预设的延时时间计算相关性系数之前，还包括：

利用所述数据计算第一样本熵；

当所述第一样本熵位于第一样本熵区间时，则运动状态为走路状态；

当所述第一样本熵位于第二样本熵区间时，则运动状态为骑行状态；

当所述第一样本熵位于第三样本熵区间时，则执行所述利用所述数据的期望以及预设的延时时间计算相关性系数的步骤。

可选地，在所述利用所述数据计算第一样本熵之前，还包括：

利用所述数据计算第一峰度值；

当所述第一峰度值位于第一峰度值区间时，则运动状态为走路状态；

当所述第一峰度值位于第二峰度值区间时，则运动状态为骑行状态；

当所述第一峰度值位于第三峰度值区间时，则执行所述利用所述数据计算第一样本熵的步骤。

可选地，在所述利用所述数据计算第一峰度值之前，还包括：

利用所述数据计算平稳性参数；

当所述平稳性参数位于第一平稳性参数区间时，则执行所述利用所述数据计算第一峰度值的步骤；

当所述平稳性参数位于第二平稳性参数区间时，利用所述数据计算第二样本熵；当所述第二样本熵大于样本熵阈值时，则运动状态为骑行状态；当所述第二样本熵小于所述样本熵阈值时，则运动状态为走路状态。

可选地，所述利用所述数据计算平稳性参数，包括：

获取预设窗口对应的三轴加速度的合加速度，确定所述预设窗口的最小合加速度Min1；

利用公式

计算总合加速度平均值Average1；

确定所述预设窗口中各滑动小窗口的最小合加速度Min2q；

利用公式

计算各滑动小窗口的合加速度平均值Average2q；

从所述总合加速度平均值Average1和各所述滑动小窗口的合加速度平均值Average2q中确定最大值Max和最小值Min；

将Max与Min的比值Max/Min作为平稳性参数AS；

其中，n为预设窗口对应的合加速度个数，X(i)为第i个合加速度，Min2q为预设窗口中第q个滑动小窗口的最小合加速度，Xq(m)为预设窗口中第q个滑动小窗口的第m个合加速度，l为滑动小窗口的合加速度个数。

可选地，当根据所述数据确定运动状态为跑步或骑行模糊状态时，还包括：

利用所述数据计算第二峰度值；

当所述第二峰度值小于第一峰度阈值时，则运动状态为跑步状态；

当所述第二峰度值大于所述第一峰度阈值时，则运动状态为骑行状态。

可选地，所述根据所述数据确定运动状态为走路或骑行模糊状态，包括：

计算获取的三轴加速度的合加速度，并计算所述合加速度的标准差；

当所述标准差位于第一标准差区间时，则运动状态为走路或骑行模糊状态。

可选地，所述利用所述数据的期望以及预设的延时时间计算相关性系数，包括：

利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；

将A(0)与A(n)的比值A(0)/A(n)作为相关性系数A；

其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算。

本发明还提供一种运动状态的识别装置，包括：

相关性系数计算模块，用于获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路或骑行模糊状态时，利用所述数据的期望以及预设的延时时间计算相关性系数；

第一分类模块，用于当所述相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当所述相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

本发明还提供一种终端，包括：

运动传感器，用于采集数据；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述所述运动状态的识别方法的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述运动状态的识别方法的步骤。

本发明所提供的一种运动状态的识别方法，包括：获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态时，利用数据的期望以及预设的延时时间计算相关性系数；当相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

可见，该方法利用相关性系数来区分走路状态和骑行状态，由于相关性系数表征了同一事件在两个不同时期之间的相关程度，能够反映出自身不同时刻的关联性，而走路和骑行两者的运动过程不同，即事件不同，进而计算得到的相关性系数也不会相同，因此利用采集到的数据的期望以及预设的延时时间计算相关性系数，以得到同一事件在两个不同时期之间的相关程度，能够准确的区分出走路状态和骑行状态，进而提高了运动状态识别准确度；本发明还提供了一种运动状态的识别装置、终端及计算机可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的运动状态的识别方法的流程图；

图2为本发明实施例所提供的平稳性系数统计结果的示意图；

图3为本发明实施例所提供的滑动小窗口划分的示意图；

图4为本发明实施例所提供的运动状态的识别装置的结构框图。

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，本领域普通技术人员在没有做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。

目前在需要进行运动识别的应用场景下，大多都通过加速计数据的特征进行运动识别，例如傅里叶变换(FFT)、小波变换、以及均值、标准差等特征。但是将理论研究应用在实际应用中时，运动状态识别结果的好坏，完全取决于采集到的数据的好坏，特别是在两两运动状态的模糊边界区域，运动状态的识别结果不准确。本实施例为了解决上述问题，在进行运动状态识别的过程中增加了相关性系数，进而提高了运动状态识别的准确性。具体请参考图1，图1为本发明实施例所提供的运动状态的识别方法的流程图；该方法可以包括：

S110、获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态时，利用数据的期望以及预设的延时时间计算相关性系数。

具体的，本实施例并不限定如何根据运动传感器采集的数据确定当前状态为走路或骑行模糊状态的方式，相应的也不限定运动传感器采集的数据的种类。例如数据可以是加速度或者是合加速度，对应可以利用数据的平均值，或者均值，再或者是标准差与相应设定的阈值区间进行比较，进而确定采集的数据对应的运动状态可能是走路状态或者可能是骑行状态，也就是走路或骑行模糊状态。可以理解为，只要用户能够根据该数据确定其对应的运动状态可能为走路状态，也可能为骑行状态即可。通过后续步骤可以快速准确的确定该数据对应的运动状态具体为走路状态，还是骑行状态，最终实现对运动状态的精准识别。

进一步，为了保证走路或骑行模糊状态识别的精确性以及计算效率。本实施例通过合加速度以及标准差来确定走路或骑行模糊状态对应分类区域。具体的本实施例中获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态可以包括：

计算获取的三轴加速度的合加速度，并计算合加速度的标准差；

当标准差位于第一标准差区间时，则运动状态为走路或骑行模糊状态。

具体的，本实施例中并不限定获取的三轴加速度的数量，用户可以根据实际的计算精度需求、设定的运动状态识别的计算频率、以及运动传感器采集数据的频率等来确定。例如用户8秒调用一次本实施例提供的运动状态的识别方法对应的算法，则对应的获取的运动传感器采集的数据就是这8秒内采集到的数据。具体数量的多少还和运动传感器采集数据的频率相关。如当运动传感器采集数据的频率为26Hz，即每秒采集26个数据，对应的8秒共获取208个数据。在获取到对应数据后，计算对应的合加速度以及合加速度的标准差。本实施例中并不对该计算过程进行限定，用户可以参考相关技术中计算合加速度以及合加速度的标准差的具体方式。

其中，本实施例并不对第一标准差区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。当标准差位于第一标准差区间即确定了此时的运动状态为走路或骑行模糊状态。当然，用户也可以参考相关技术中走路或骑行模糊状态对应的标准差区间设定的具体方式。

本实施例在确定标准差位于第一标准差区间，即确定运动状态为走路或骑行模糊状态时，需要计算能够将走路或骑行模糊状态进行准确区分的相关性系数。本实施例中并不对计算相关性系数的具体方式进行限定。用户可以根据实际计算精度，以及硬件计算能力选择对应的计算方法。例如利用皮尔森相关(Pearson correlation)算法来计算本实施例中的相关性系数。其中，自相关被定义为随机过程中不同时刻的数值之间的皮尔森相关。具体可以利用相关函数

来计算相关性系数，其中，相关函数R(τ)可以表示为延迟时间τ的函数，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，σ为X_t的标准差，E为求期望运算。

当然，用户也可以对现有相关性系数的计算方法进行修改，得到更适用于运动状态识别领域的自定义的相关性参数的计算方法。由于相关性系数表征了同一事件在两个不同时期之间的相关程度，能够反映出自身不同时刻的关联性。因此，本实施例中通过预设的延时时间来得到同一事件的两个不同时期，并结合运动传感器采集的数据的期望来计算相关性系数。进一步，本实施例中利用自定义的相关性系数来降低上述相关性系数计算的复杂性，提高计算效率。优选的，本实施例中利用数据的期望以及预设的延时时间计算相关性系数可以包括：

利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；将A(0)与A(n)的比值A(0)/A(n)作为相关性系数A。

需要说明的是，A(0)就是将τ＝0带入到A(τ)中得到A(0)＝E[(X_t-μ)(X_t-μ)]，同理A(n)就是将τ＝n带入到A(τ)中得到A(n)＝E[(X_t-μ)(X_t+n-μ)]。其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算，X_t+n为在预设时间段t延时n得到的合加速度。可以理解的是，本实施例中并不对预设的延时时间为n的具体时间数值进行限定，可以根据实际使用场景进行设定。例如n可以是0.5秒或者是1秒等。本实施例也不对预设时间段t的数值进行限定，例如可以是调用一次本实施例提供的运动状态的识别方法对应的算法的时间，如预设时间段t为8秒。当然，本实施例中考虑到运动状态识别准确度以及计算效率，优选的，n的值可以取1，单位为秒。此时对应的相关性系数A具体为：A(0)/A(1)，其中，A(1)就是将τ＝1带入到A(τ)中得到A(1)＝E[(X_t-μ)(X_t+1-μ)]，X_t+1为在预设时间段t延时1秒得到的合加速度。

S120、当相关性系数位于第一相关性系数区间时，则运动状态为走路状态。

S130、当相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

具体的，本实施例中并不对第一相关性系数区间以及第二相关性系数区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。由于走路状态对应的相关性系数小于骑行状态对应的相关性系数，因此第一相关性系数区间的上限值应该是第二相关性系数区间的下限值。例如当第一相关性系数区间为小于等于第一相关性系数的范围，第二相关性系数区间为大于第一相关性系数的范围。如当第一相关性系数为A1时，第一相关性系数区间为小于等于A1的范围，第二相关性系数区间为大于A1的范围。当然，也可以是第一相关性系数区间为小于A1的范围，第二相关性系数区间为大于等于A1的范围。即本实施例中并不限定区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

为了克服相关技术中的缺点即提高运动状态识别的准确性，本实施例利用计算得到的相关性系数对走路或骑行模糊状态进行准确的区分。具体过程可以是，首先确定当前运动状态处于走路或骑行模糊状态(例如可以通过计算简单的标准差来快速确定当前是否处于走路或骑行模糊状态)，然后计算相关性系数，并根据相关性系数所处相关性系数区间，准确的确定对应的运动状态(即当前为走路状态还是骑行状态)。

基于上述技术方案，本发明实施例提供的运动状态的识别方法，该方法利用相关性系数来区分走路状态和骑行状态，避免了运动状态识别混淆问题，能够准确的区分出走路状态和骑行状态，进而提高了运动状态识别准确度。

基于上述实施例，在确定运动状态为走路或骑行模糊状态后可以直接计算相关性系数，利用相关性系数来对走路或骑行模糊状态进行准确的区分，当然也可以是在确定运动状态为走路或骑行模糊状态后，先利用其他运动传感器采集的数据的特征进行运动识别，从走路或骑行模糊状态中区分一部分准确的走路状态以及骑行状态，在其他特征不能对走路或骑行模糊状态进行准确区分的部分，再利用相关性系数这个特征进行区分。这样可以在保证运动状态识别准确性的基础上，减少相关性系数的计算量。具体的，本实施例中在利用数据的期望以及预设的延时时间计算相关性系数之前还可以包括：

利用数据计算第一样本熵；

当第一样本熵位于第一样本熵区间时，则运动状态为走路状态；

当第一样本熵位于第二样本熵区间时，则运动状态为骑行状态；

当第一样本熵位于第三样本熵区间时，则执行利用数据的期望以及预设的延时时间计算相关性系数的步骤。

具体的，样本熵是时间序列复杂度的检测方法，样本熵越大，序列越复杂，周期性越差。人体运动的加速度信号具有一定周期性，所以可以利用样本熵进行人体运动状态识别。本实施例并不限定利用数据计算样本熵的具体形式，用户可以根据其采集的数据的具体类型进行相应样本熵的计算。

本实施例中并不对第一样本熵区间、第二样本熵区间以及第三样本熵区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。由于一般情况下，走路状态对应的样本熵小于骑行状态对应的样本熵，因此第一样本熵区间的上限值应该是第三样本熵区间的下限值，第三样本熵区间的上限值应该是第二样本熵区间的下限值。例如当第一样本熵区间为小于第一设定样本熵的范围，第三样本熵区间为大于等于第一设定样本熵且小于等于第二设定样本熵的范围，第二样本熵区间为大于第二设定样本熵的范围，即第一设定样本熵小于第二设定样本熵。如当第一设定样本熵为S1时，第二设定样本熵为S2时，第一样本熵区间为小于S1的范围，第三样本熵区间为大于等于S1且小于等于S2的范围内，第二样本熵区间为大于S2的范围。当然，也可以是第一样本熵区间为小于等于S1的范围，第三样本熵区间为大于S1且小于S2的范围内，第二样本熵区间为大于等于S2的范围。即本实施例中并不限定各区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

本实施例中当第一样本熵位于第一样本熵区间时，则可以准确的确定运动状态为走路状态；当第一样本熵位于第二样本熵区间时，则可以准确的确定运动状态为骑行状态；仅仅在当第一样本熵位于第三样本熵区间时，通过样本熵这个特征并不能准确的区分当前的运动状态到底是走路状态还是骑行状态，此时就需要计算相关性系数，利用相关性参数对处于这部分模糊区域的状态进行准确的区分(具体区分过程可以参考上个实施例)。

进一步，在上述实施例中利用数据计算第一样本熵之前还可以包括：

利用数据计算第一峰度值；

当第一峰度值位于第一峰度值区间时，则运动状态为走路状态；

当第一峰度值位于第二峰度值区间时，则运动状态为骑行状态；

当第一峰度值位于第三峰度值区间时，则执行利用数据计算第一样本熵的步骤。

具体的，本实施例中在根据采集到的数据确定运动状态处于走路或骑行模糊状态时，首先利用峰度值这一特征对走路或骑行模糊状态进行区分，在峰度值不能对走路或骑行模糊状态进行准确区分的部分，再使用样本熵这一特征进行区分，具体过程可以参考上述实施例。本实施例并不限定利用数据计算第一峰度值的具体形式，用户可以参考相关技术。

本实施例中选用峰度值这一特征来区分走路或骑行模糊状态的原因是峰度值计算简单，计算速度快。本实施例中将几个特征进行结合，可以在保证运动状态识别的准确性的基础上又保证了计算效率。首先通过设定多个峰度值区间，实现对容易发生混淆区域和能够准确识别走路状态和骑行状态区域进行区分。其次在划分出的容易发生混淆区域采用计算准确高的样本熵来执行走路或骑行模糊状态的识别，同样通过设定多个样本熵区间，实现对容易发生混淆区域和能够准确识别走路状态和骑行状态区域进行区分。然后在划分出的容易发生混淆区域采用计算准确更高的相关性系数来执行走路或骑行模糊状态的识别，最后通过多个相关性系数区间实现对走路或骑行模糊状态的精准识别。从而通过几个特征的结合完成了对走路或骑行模糊状态的准确识别，在保证运动状态识别的准确性的基础上又保证了计算效率。

本实施例中并不对第一峰度值区间、第二峰度值区间以及第三峰度值区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。由于一般情况下，走路状态对应的峰度值小于骑行状态对应的峰度值，因此第一峰度值区间的上限值应该是第三峰度值区间的下限值，第三峰度值区间的上限值应该是第二峰度值区间的下限值。例如当第一峰度值区间为小于第一设定峰度值的范围，第三峰度值区间为大于等于第一设定峰度值且小于等于第二设定峰度值的范围，第二峰度值区间为大于第二设定峰度值的范围，即第一设定峰度值小于第二设定峰度值。如当第一设定峰度值为K1时，第二设定峰度值为K2时，第一峰度值区间为小于K1的范围，第三峰度值区间为大于等于K1且小于等于K2的范围内，第二峰度值区间为大于K2的范围。当然，也可以是第一峰度值区间为小于等于K1的范围，第三峰度值区间为大于K1且小于K2的范围内，第二峰度值区间为大于等于K2的范围。即本实施例中并不限定各区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

本实施例中当第一峰度值位于第一峰度值区间时，则可以准确的确定运动状态为走路状态；当第一峰度值位于第二峰度值区间时，则可以准确的确定运动状态为骑行状态；仅仅在当第一峰度值位于第三峰度值区间时，通过峰度值这个特征并不能准确的区分当前的运动状态到底是走路状态还是骑行状态，此时就需要计算样本熵，利用样本熵对处于这部分模糊区域的状态进行准确的区分；当第一样本熵位于第一样本熵区间时，则可以准确的确定运动状态为走路状态；当第一样本熵位于第二样本熵区间时，则可以准确的确定运动状态为骑行状态；仅仅在当第一样本熵位于第三样本熵区间时，通过样本熵这个特征并不能准确的区分当前的运动状态到底是走路状态还是骑行状态，此时就需要计算相关性系数，利用相关性参数对处于这部分模糊区域的状态进行准确的区分。

当然，可以理解的是，用户也可以不选用样本熵这个特征，也就是说当第一峰度值位于第一峰度值区间时，则可以准确的确定运动状态为走路状态；当第一峰度值位于第二峰度值区间时，则可以准确的确定运动状态为骑行状态；仅仅在当第一峰度值位于第三峰度值区间时，通过峰度值这个特征并不能准确的区分当前的运动状态到底是走路状态还是骑行状态，此时也可以直接采用相关性系数这一特征来进行后续识别。即在峰度值不能区分的区域直接计算相关性系数，利用相关性系数对处于峰度值不能区分的模糊区域的状态进行准确的区分。

基于上述技术方案，本发明实施例提供的运动状态的识别方法，该方法利用峰度值、样本熵以及相关性系数来区分走路状态和骑行状态，避免了运动状态识别混淆问题，能够准确的区分出走路状态和骑行状态，进而提高了运动状态识别准确度。且通过多个特征的结合，发挥了每种特征的优势，避免了各个特征的劣势(即发挥了峰度值计算量小，计算速度快的优点，其识别结果在某些区域不准确的缺点被计算量偏大，但是计算准确率高的样本熵和相关性系数解决了，且发挥了样本熵和相关性系数计算准确率高的优势)，因此减少了计算量，提高了计算效率。

基于上述实施例，为了进一步提高运动识别的运算速度，极大的降低运算量，以节约代码功耗，本实施例在利用数据计算第一峰度值之前还可以包括：

利用数据计算平稳性参数；

当平稳性参数位于第一平稳性参数区间时，则执行利用数据计算第一峰度值的步骤；

当平稳性参数位于第二平稳性参数区间时，利用数据计算第二样本熵；当第二样本熵大于样本熵阈值时，则运动状态为骑行状态；当第二样本熵小于样本熵阈值时，则运动状态为走路状态。

本实施例中在确定走路或骑行模糊状态时，为了提高后续计算的效率，首先通过平稳性参数将后续对走路或骑行模糊状态的识别分为两个部分，这两个部分选择不同的识别策略对走路或骑行模糊状态进行准确的区分，进而实现在满足走路或骑行模糊状态识别准确性的基础上，极大提高识别运算速度，极大的降低运算量，节约代码功耗。

具体可以参考图2，其中，*为走路，也即走路状态，+为骑行，也即骑行状态。图2中对大量数据进行测试，纵轴为平稳性参数为AS，横轴表示测试数量，其确定平稳性参数位于第二平稳性参数区间，也就是图中黑线以上区域的走路状态对应的数据仅为7个。也就是说平稳性参数位于第二平稳性参数区间的基本上都是骑行状态对应的数据。极少数的走路状态对应的数据计算得到的平稳性参数偏大，基本走路状态对应的数据计算得到的平稳性参数都偏小。因此，本实施例中针对黑线以上的数据，仅需要利用样本熵进行区分的方式执行即可。针对黑线以下的数据，采用先利用峰度值进行区分(虽不能全部准确区分，但是可以大大减小计算量)，再利用样本熵进行区分，最后再利用相关性系数区分的方式执行(通过样本熵和相关性系数能够准确完成对走路或骑行模糊状态的识别)。当然也可以是直接先利用样本熵进行区分，然后再利用相关性系数区分的方式执行，或者是仅利用相关性系数区分的方式执行，这些方式都可以实现对走路或骑行模糊状态的准确识别，区别仅在于计算量不同，以及计算参数数量不同。其中，各种执行方式都可以参考上述各个实施例中的具体过程。

可以理解为，走路状态的加速度信号本身具有一定周期性，也相对具有规律性，所以利用平稳性数值，可以极大减少对走路或骑行模糊状态进行准确区分的计算量，提高运算速度。另外，相关性参数又能准确地识别运动状态。所以本实施例中通过平稳性系数保证运动状态识别的计算速度，通过峰度值、样本熵，以及相关性系数保证运动状态识别的准确度，实现了更快更准确的识别运动状态。

本实施例中并不对计算平稳性参数的具体方式进行限定。用户可以根据实际计算精度，以及硬件计算能力选择对应的计算方法。为了提高平稳性参数计算的可靠性。本实施例中利用数据计算平稳性参数的过程可以包括：

获取预设窗口对应的三轴加速度的合加速度，确定预设窗口的最小合加速度Min1；

利用公式

计算总合加速度平均值Average1；

确定预设窗口中各滑动小窗口的最小合加速度Min2q；

利用公式

计算各滑动小窗口的合加速度平均值Average2q；

从总合加速度平均值Average1和各滑动小窗口的合加速度平均值Average2q中确定最大值Max和最小值Min；

将Max与Min的比值Max/Min作为平稳性参数AS；

其中，n为预设窗口对应的合加速度个数，X(i)为第i个合加速度，Min2q为预设窗口中第q个滑动小窗口的最小合加速度，Xq(m)为预设窗口中第q个滑动小窗口的第m个合加速度，l为滑动小窗口的合加速度个数。

具体的，本实施例中并不对预设窗口的大小进行限定，其可以根据获取的运动传感器采集的数据对应的周期进行设定，也可以理解为调用一次本实施例提供的运动状态的识别方法对应的算法的周期。例如当参与运动状态识别计算的数据为8秒内获取的数据时，对应的预设窗口的大小就为8秒对应的窗口。此时对应的预设窗口的最小合加速度Min1，即可以理解为8秒窗口中全部的合加速度中的最小合加速度Min1，其中，若运动传感器采集数据的频率为26Hz，即每秒采集26个数据，对应的8秒共获取208个数据。具体求取Min1的过程可以是：Min1＝min(X(1),X(2),X(3),......X(208))，其中，min()为求最小值的运算符。

在确定最小合加速度Min1后需要计算总合加速度平均值Average1。其中，Average1就是将预设窗口内的每个合加速度减掉最小合加速度后，计算此时预设窗口内对应数据的平均值，并将其称为总合加速度平均值Average1。利用公式表述上述过程即：

其中，X(i)为预设窗口内第i个合加速度，n为预设窗口对应的合加速度个数。具体的，当预设窗口内合加速度的数量为208个时，对应的公式就是

本实施例中也不限定预设窗口中所包含的滑动小窗口的数量，以及滑动小窗口的生成方式。例如当预设窗口为8秒窗口时，可以依次滑动将预设秒对应的窗口作为一个滑动小窗口。本实施例并不对预设秒的数值进行限定，例如可以是2秒。当各滑动小窗口都对应为2秒的窗口时，8秒窗口的预设窗口可以对应7个滑动小窗口，分别为第1秒和第2秒是第1个滑动小窗口，第2秒和第3秒是第2个滑动小窗口，第3秒和第4秒是第3个滑动小窗口……，第7秒和第8秒是第7个滑动小窗口，具体可以参考图3。此时就需要获取每个滑动小窗口的最小合加速度Min2q。即每个滑动小窗口中全部合加速度中的最小合加速度Min2q。也就是说此时若存在7个滑动小窗口，则对应的q的范围就是1到7，能够获取到7个滑动小窗口的最小合加速度。若运动传感器采集数据的频率为26Hz，即每秒采集26个数据，则每个滑动小窗口对应的2秒共52个数据，也就是每个滑动小窗口需要从52个合加速度确定最小的合加速度。

本实施例中计算各滑动小窗口的合加速度平均值Average2q的具体过程可以参考合加速度平均值Average1的计算过程。即第q个滑动小窗口内的每个合加速度减掉该滑动小窗口对应的最小合加速度后，计算此时第q个滑动小窗口内对应数据的平均值，并将其称为第q个滑动小窗口的合加速度平均值Average2q。其中，q的取值范围为1到滑动小窗口的总数量对应的数值。利用公式表述上述过程即：

其中，Xq(m)为预设窗口中第q个滑动小窗口的第m个合加速度，l为滑动小窗口的合加速度个数，Min2q为预设窗口中第q个滑动小窗口的最小合加速度。具体的，当预设窗口内合加速度的数量为52个时，对应的公式就是/>

且当滑动小窗口的数量为7时，q的取值范围为1，2，3，4，5，6，7。

从总合加速度平均值Average1和各滑动小窗口的合加速度平均值Average2q中确定最大值Max和最小值Min。也就是从得到的总合加速度平均值以及每个滑动小窗口对应的合加速度平均值中确定最大的合加速度数值Max以及最小的合加速度数值Min。当滑动小窗口的数量为7个时，则该过程就是从8个数据中找到最大值Max和最小值Min。最后将Max与Min的比值Max/Min作为平稳性参数AS。

具体的，本实施例中并不对第一平稳性参数区间以及第二平稳性参数区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。由于第一平稳性参数区间对应的是图2中黑线以下的区域，因此第一平稳性参数区间的上限值应该是第二平稳性参数区间的下限值。例如当第一平稳性参数区间为小于等于第一平稳性参数的范围，第二平稳性参数区间为大于第一平稳性参数的范围。如当第一平稳性参数为AS1时，第一平稳性参数区间为小于等于AS1，第二平稳性参数区间为大于AS1。当然，也可以是第一平稳性参数区间为小于AS1，第二平稳性参数区间为大于等于AS1。即本实施例中并不限定区间端点对应的值具体属于哪个区间，用户可以根据实际情况进行确定。

基于上述技术方案，本发明实施例提供的运动状态的识别方法，该方法利用平稳性系数和相关性系数来区分运动状态，能有效地对运动状态容易出现混淆的情形进行准确的区分，并且减小计算量，提高运动状态识别的计算效率，并提高硬件利用率。

基于上述任意实施例，本实施例中当根据数据确定运动状态为跑步或骑行模糊状态时还可以包括：

利用数据计算第二峰度值；

当第二峰度值小于第一峰度阈值时，则运动状态为跑步状态；

当第二峰度值大于第一峰度阈值时，则运动状态为骑行状态。

具体的，本实施例并不限定如何根据运动传感器采集的数据确定当前状态为跑步或骑行模糊状态的方式，相应的也不限定运动传感器采集的数据的种类。例如数据可以是加速度或者是合加速度，对应可以利用数据的平均值，或者均值，再或者是标准差与相应设定的阈值区间进行比较，进而确定采集的数据对应的运动状态可能是跑步状态或者可能是骑行状态，也就是跑步或骑行模糊状态。可以理解为，只要用户能够根据该数据确定其对应的运动状态可能为跑步状态，也可能为骑行状态即可。通过后续步骤可以快速准确的确定该数据对应的运动状态具体为跑步状态，还是骑行状态，最终实现对运动状态的精准识别。

进一步，为了保证跑步或骑行模糊状态识别的精确性以及计算效率。本实施例通过合加速度以及标准差来确定跑步或骑行模糊状态对应分类区域。具体的本实施例中获取运动传感器采集的数据，并当根据数据确定运动状态为跑步或骑行模糊状态可以包括：

计算获取的三轴加速度的合加速度，并计算合加速度的标准差；

当标准差位于第二标准差区间时，则运动状态为跑步或骑行模糊状态。

具体的，根据上述实施例的说明，本实施例中并不限定获取的三轴加速度的数量，用户可以根据实际的计算精度需求、设定的运动状态识别的计算频率、以及运动传感器采集数据的频率等来确定。在获取到对应数据后，计算对应的合加速度以及合加速度的标准差。本实施例中并不对该计算过程进行限定，用户可以参考相关技术中计算合加速度以及合加速度的标准差的具体方式。

其中，本实施例并不对第二标准差区间的具体数据区间进行限定，用户可以根据实际应用场景进行确定。当标准差位于第二标准差区间即确定了此时的运动状态为跑步或骑行模糊状态。当然，用户也可以参考相关技术中跑步或骑行模糊状态对应的标准差区间设定的具体方式。通常情况下，跑步或骑行模糊状态对应的标准差大于走路或骑行模糊状态。因此第二标准差区间的下限值大于等于第一标准差区间的上限值。

本实施例中通过单一峰度阈值即第一峰度阈值就可以将跑步状态与骑行状态区分开来，相比利用样本熵区分跑步状态与骑行状态方式，峰度值计算更简单，考虑到计算速度和节约内存，本实施例中选择使用峰度这一特征来分区跑步状态与骑行状态。峰度和样本熵都是基本的数据统计特征量，此处不再赘述其原理。当然，本实施例中并不限定第一峰度阈值的具体数值，且并不限定第二峰度值等于第一峰度阈值时，其对应的运动状态具体为跑步状态还是骑行状态。用于可以根据实际情况进行设定。

基于上述技术方案，本发明实施例中利用峰度值代替样本熵，在不影响跑步状态和骑行状态识别准确性的基础上，减少了数据计算量，提高了跑步状态和骑行状态识别的效率以及存储空间的利用率。

下面对本发明实施例提供的运动状态的识别装置、终端及计算机可读存储介质进行介绍，下文描述的运动状态的识别装置、终端及计算机可读存储介质与上文描述的运动状态的识别方法可相互对应参照。

请参考图4，图4为本发明实施例所提供的运动状态的识别装置的***框图，该装置可以包括：

相关性系数计算模块100，用于获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态时，利用数据的期望以及预设的延时时间计算相关性系数；

第一分类模块200，用于当相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

基于上述实施例，该装置还可以包括：

样本熵计算模块，用于利用数据计算第一样本熵；

第二分类模块，用于当第一样本熵位于第一样本熵区间时，则运动状态为走路状态；当第一样本熵位于第二样本熵区间时，则运动状态为骑行状态；当第一样本熵位于第三样本熵区间时，则触发相关性系数计算模块100。

基于上述实施例，该装置还可以包括：

第一峰度值计算模块，用于利用数据计算第一峰度值；

第三分类模块，用于当第一峰度值位于第一峰度值区间时，则运动状态为走路状态；当第一峰度值位于第二峰度值区间时，则运动状态为骑行状态；当第一峰度值位于第三峰度值区间时，则触发样本熵计算模块。

基于上述实施例，该装置还可以包括：

平稳性参数计算模块，用于利用数据计算平稳性参数；

第四分类模块，用于当平稳性参数位于第一平稳性参数区间时，则触发第一峰度值计算模块；当平稳性参数位于第二平稳性参数区间时，利用数据计算第二样本熵；当第二样本熵大于样本熵阈值时，则运动状态为骑行状态；当第二样本熵小于样本熵阈值时，则运动状态为走路状态。

基于上述实施例，平稳性参数计算模块可以包括：

第一计算单元，用于获取预设窗口对应的三轴加速度的合加速度，确定预设窗口的最小合加速度Min1；

第二计算单元，用于利用公式

计算总合加速度平均值Average1；

第三计算单元，用于确定预设窗口中各滑动小窗口的最小合加速度Min2q；

第四计算单元，用于利用公式

计算各滑动小窗口的合加速度平均值Average2q；

第五计算单元，用于从总合加速度平均值Average1和各滑动小窗口的合加速度平均值Average2q中确定最大值Max和最小值Min，并将Max与Min的比值Max/Min作为平稳性参数AS；

其中，n为预设窗口对应的合加速度个数，X(i)为第i个合加速度，Min2q为预设窗口中第q个滑动小窗口的最小合加速度，Xq(m)为预设窗口中第q个滑动小窗口的第m个合加速度，l为滑动小窗口的合加速度个数。

基于上述任意实施例，该装置还可以包括：

第二峰度值计算模块，用于利用数据计算第二峰度值；

第五分类模块，用于当第二峰度值小于第一峰度阈值时，则运动状态为跑步状态；当第二峰度值大于第一峰度阈值时，则运动状态为骑行状态。

基于上述任意实施例，相关性系数计算模块100可以包括：

走路或骑行模糊状态确定单元，用于计算获取的三轴加速度的合加速度，并计算合加速度的标准差；当标准差位于第一标准差区间时，则运动状态为走路或骑行模糊状态；

相关性系数计算单元，用于利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；将A(0)与A(n)的比值A(0)/A(n)作为相关性系数A；

其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算。

需要说明的是，基于上述任意实施例，装置可以是基于可编程逻辑器件实现的，可编程逻辑器件包括FPGA，CPLD，单片机，处理器等。

本实施例还提供一种终端，包括：运动传感器，用于采集数据；存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现如上述任意实施例所述的运动状态的识别方法的步骤。如处理器执行计算机程序时实现获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态时，利用数据的期望以及预设的延时时间计算相关性系数；当相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

其中，本实施例并不对运动传感器进行限定，可以根据用户计算参数的选择具体确定。可选的，运动传感器具体为三轴加速度传感器。

其中，本实施例并不对终端进行限定，该终端可以是智能手表、智能手环、追踪器等智能穿戴设备，也可以是手机等移动终端。当利用终端进行定位，比如利用追踪器对老人、儿童或贵重物品进行定位时，该运动状态分类可以作为终端的定位依据，通过准确的运动状态识别结果为追踪器的定位策略提供依据。例如，持续处于静止状态时，无需频繁定位，1小时定位一次，走路状态时，4分钟定位一次，跑步状态时，2分钟定位一次，其他状态也有相应的定位策略，此处不赘述。这样，通过准确的运动状态识别能极大的降低终端的功耗，提高终端的待机和使用时长，提升用户体验感。当然，也可以将运动状态分类为与终端相连的其他定位设备提供定位依据。

本实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例运动状态的识别方法的步骤。如计算机程序被处理器执行时实现获取运动传感器采集的数据，并当根据数据确定运动状态为走路或骑行模糊状态时，利用数据的期望以及预设的延时时间计算相关性系数；当相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当相关性系数位于第二相关性系数区间时，则运动状态为骑行状态。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种运动状态的识别方法、装置、终端及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种运动状态的识别方法，其特征在于，包括：

获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路或骑行模糊状态时，利用所述数据的期望以及预设的延时时间计算相关性系数；

当所述相关性系数位于第一相关性系数区间时，则运动状态为走路状态；

当所述相关性系数位于第二相关性系数区间时，则运动状态为骑行状态；

在所述利用所述数据的期望以及预设的延时时间计算相关性系数之前，还包括：

利用所述数据计算第一样本熵；

当所述第一样本熵位于第一样本熵区间时，则运动状态为走路状态；

当所述第一样本熵位于第二样本熵区间时，则运动状态为骑行状态；

当所述第一样本熵位于第三样本熵区间时，则执行所述利用所述数据的期望以及预设的延时时间计算相关性系数的步骤；

在所述利用所述数据计算第一样本熵之前，还包括：

利用所述数据计算第一峰度值；

当所述第一峰度值位于第一峰度值区间时，则运动状态为走路状态；

当所述第一峰度值位于第二峰度值区间时，则运动状态为骑行状态；

当所述第一峰度值位于第三峰度值区间时，则执行所述利用所述数据计算第一样本熵的步骤；

其中，在所述利用所述数据计算第一峰度值之前，还包括：

利用所述数据计算平稳性参数；

当所述平稳性参数位于第一平稳性参数区间时，则执行所述利用所述数据计算第一峰度值的步骤；

当所述平稳性参数位于第二平稳性参数区间时，利用所述数据计算第二样本熵；当所述第二样本熵大于样本熵阈值时，则运动状态为骑行状态；当所述第二样本熵小于所述样本熵阈值时，则运动状态为走路状态。

2.根据权利要求1所述的运动状态的识别方法，其特征在于，所述利用所述数据计算平稳性参数，包括：

获取预设窗口对应的三轴加速度的合加速度，确定所述预设窗口的最小合加速度Min1；

利用公式

计算总合加速度平均值Average1；

确定所述预设窗口中各滑动小窗口的最小合加速度Min2q；

利用公式

计算各滑动小窗口的合加速度平均值Average2q；

从所述总合加速度平均值Average1和各所述滑动小窗口的合加速度平均值Average2q中确定最大值Max和最小值Min；

将Max与Min的比值Max/Min作为平稳性参数AS；

其中，n为预设窗口对应的合加速度个数，X(i)为第i个合加速度，Min2q为预设窗口中第q个滑动小窗口的最小合加速度，Xq(m)为预设窗口中第q个滑动小窗口的第m个合加速度，l为滑动小窗口的合加速度个数。

3.根据权利要求1所述的运动状态的识别方法，其特征在于，当根据所述数据确定运动状态为跑步或骑行模糊状态时，还包括：

利用所述数据计算第二峰度值；

当所述第二峰度值小于第一峰度阈值时，则运动状态为跑步状态；

当所述第二峰度值大于所述第一峰度阈值时，则运动状态为骑行状态。

4.根据权利要求1所述的运动状态的识别方法，其特征在于，所述根据所述数据确定运动状态为走路或骑行模糊状态，包括：

计算获取的三轴加速度的合加速度，并计算所述合加速度的标准差；

当所述标准差位于第一标准差区间时，则运动状态为走路或骑行模糊状态。

5.根据权利要求1-4任一项所述的运动状态的识别方法，其特征在于，所述利用所述数据的期望以及预设的延时时间计算相关性系数，包括：

利用公式A(τ)＝E[(X_t-μ)(X_t+τ-μ)]分别计算预设的延时时间为0的相关性参数A(0)以及预设的延时时间为n的相关性参数A(n)；

将A(0)与A(n)的比值A(0)/A(n)作为相关性系数A；

其中，τ为延迟时间，X_t为在预设时间段t内得到的合加速度，X_t+τ为在预设时间段t延时τ得到的合加速度，μ为X_t的期望，E为求期望运算。

6.一种运动状态的识别装置，其特征在于，包括：

相关性系数计算模块，用于获取运动传感器采集的数据，并当根据所述数据确定运动状态为走路或骑行模糊状态时，利用所述数据的期望以及预设的延时时间计算相关性系数；

第一分类模块，用于当所述相关性系数位于第一相关性系数区间时，则运动状态为走路状态；当所述相关性系数位于第二相关性系数区间时，则运动状态为骑行状态；

所述运动状态的识别装置，还包括：

样本熵计算模块，用于利用所述数据计算第一样本熵；

第二分类模块，用于当所述第一样本熵位于第一样本熵区间时，则运动状态为走路状态；当所述第一样本熵位于第二样本熵区间时，则运动状态为骑行状态；当所述第一样本熵位于第三样本熵区间时，则触发所述相关性系数计算模块；

所述运动状态的识别装置，还包括：

第一峰度值计算模块，用于利用所述数据计算第一峰度值；

第三分类模块，用于当所述第一峰度值位于第一峰度值区间时，则运动状态为走路状态；当所述第一峰度值位于第二峰度值区间时，则运动状态为骑行状态；当所述第一峰度值位于第三峰度值区间时，则触发所述样本熵计算模块；

所述运动状态的识别装置，还包括：

平稳性参数计算模块，用于利用所述数据计算平稳性参数；

第四分类模块，用于当所述平稳性参数位于第一平稳性参数区间时，则触发所述第一峰度值计算模块；当所述平稳性参数位于第二平稳性参数区间时，利用所述数据计算第二样本熵；当所述第二样本熵大于样本熵阈值时，则运动状态为骑行状态；当所述第二样本熵小于样本熵阈值时，则运动状态为走路状态。

7.一种终端，其特征在于，包括：

运动传感器，用于采集数据；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述运动状态的识别方法的步骤。

8.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述运动状态的识别方法的步骤。

Images