CN109830277A - 一种跳绳监测方法、电子装置及存储介质 - Google Patents
一种跳绳监测方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN109830277A CN109830277A CN201811518452.3A CN201811518452A CN109830277A CN 109830277 A CN109830277 A CN 109830277A CN 201811518452 A CN201811518452 A CN 201811518452A CN 109830277 A CN109830277 A CN 109830277A
- Authority
- CN
- China
- Prior art keywords
- rope skipping
- sound
- rope
- length
- skipping
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 50
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 28
- 238000002485 combustion reaction Methods 0.000 claims description 25
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000151 deposition Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及人工智能,提供一种跳绳监测方法、装置及存储介质,方法包括:分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集;提取能体现环境声音重要特性的特征参数;对应每种声音类别都建立一个HMM模型;利用开源声学模型训练器训练各个HMM模型,利用训练集对HMM模型进行训练,对训练集中的各个声音添加标签,把数据输入各HMM模型中,训练得到各HMM模型的参数;获取环境声音,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。本发明采用语音识别技术来识别跳绳拍击地面的声音,累加跳绳次数,监测跳绳的频率与热量的消耗等。
Description
技术领域
本发明涉及人工智能技术领域,具体地说,涉及一种跳绳监测方法、电子装置及存储介质。
背景技术
跳绳是一项极佳的健体运动,能有效训练四肢的协调能力和心肺功能,有助保持个人体态健美,从而达到强身健体的目的;跳绳能训练人的数学观念、提高记忆能力、培养节奏平衡感、培养方位知觉。但是当前市场跳绳APP多为固定计数或固定计时模式,死板且并不能实时监测跳绳的频率与热量的消耗,且不能脱离手机,每隔一段时间就需要点击手机重新设置。
发明内容
为解决以上技术问题,本发明提供一种跳绳监测方法,应用于电子装置,包括:分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集;提取能体现环境声音重要特性的特征参数;对应每种声音类别都建立一个HMM模型;利用开源声学模型训练器训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签,然后把数据输入各HMM模型中,训练得到各HMM模型的参数;获取环境声音,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。
优选地,HMM模型表示为l(A,B,p),其中A是状态Si到Sj的转换概率矩阵,B是状态的观察输出概率密度,p是状态的初始分布概率,对于每一个HMM模型li,定义前向概率变量αt(i):在某一HMM模型li条件下,第t时刻处于状态Si,输出前面部分观察值序列O=O1,O2….Ot的概率:
αt(i)=P(O1,O2….Ot,qt=Si|li),1≤t≤T,1≤i≤N
求取前向概率变量αt(i)和输出概率P(O|l)的步骤如下:
(1)对于1≤i≤N,对处于状态Si和初始观序列为O1条件下联合概率的初始化αt
(2)对于1≤t≤T-1,1≤j≤N,有
t时刻的迭代关系表示:第t时刻的状态S1和第t+1时刻的状态Sj之间的转换关系。
(3)通过第(2)步的递归,获得前向概率变量值αt(i)。根据前向概率变量值αt(i)求出最后的概率分布,
其中,N为声音类别的数量;
i为当前声音类别,即当前状态;
O为观察值序列;
p是状态的初始分布概率;
A是状态Si到Sj的转换概率矩阵;
B是状态的观察输出概率密度;
T为跳绳时间段;
t为当前时刻。
通过各HMM模型,观察值序列O即为识别声音对应于各HMM模型的概率,如果最高概率是跳绳与地面碰撞声音的类别,则认定为跳绳一次。
优选地,通过传感器测量跳绳者跳离地面的高度,并且,通过手臂上佩戴的智能设备上的加速度传感器检测手臂摆动的幅度,对应每一次跳绳,统计热量消耗与单次跳绳的跳离地面的高度、手臂摆动幅度之间的关系,并建立热量消耗统计列表,进而在跳绳过程中通过查找该热量消耗统计列表,获取该次跳绳的热量消耗值。
优选地,还计算停歇时间,如果使用者中断时间小于等于预设的阈值,则计数器继续累加计数,如果使用者中断时间大于预设的阈值,则将计数清零。
优选地,根据跳绳拍击地面的声音智能调节跳绳的长度,在跳绳的两端设置有微型电机,跳绳的两端分别缠绕在对应的微型电机的输出轴上,根据跳绳与地面拍击的声音以及在手臂上的加速度传感器检测手臂摆动的幅度来调节跳绳的长度,其中:根据跳绳期间跳绳与地面相切为临界,将跳绳的长度区分为长、相切、短三种情况,并以相切为标准长度,通过HMM声音识别模型识别所述三种情况下跳绳与地面拍击的声音,并结合手臂上的加速度传感器的检测情况,作为调节跳绳的长度的依据:如果跳绳的长度长,则声音识别***会发送信号给微型电机,微型电机输出轴旋转,将跳绳的两端缠绕到输出轴上一部分,直至跳绳的长度符合标准长度为止;如果跳绳的长度短,则手臂挥动使得手臂上的加速度传感器动作,但是却没有识别到跳绳与地面拍击的声音,则声音识别***发送信号给微型电机,微型电机输出轴反向旋转,将跳绳的两端从输出轴上旋出一部分,直至跳绳的长度符合标准长度为止。
优选地,还监测跳绳者的心率,并结合跳绳者的燃脂心率区间智能提示跳绳频率,其中:所述燃脂心率区间介于(220-E)x 60%到(220-E)x 70%之间,若跳绳者的心率不在所述燃脂心率区间,则提示跳绳者加快或变慢跳绳频率,直至跳绳者的心率在所述燃脂心率区间内,其中,E为跳绳者的年龄。
本发明还提供一种电子装置,该电子装置包括:存储器和处理器,所述存储器中存储有跳绳监测程序,所述跳绳监测程序被所述处理器执行时实现如下步骤:分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集;提取能体现环境声音重要特性的特征参数;对应每种声音类别都建立一个HMM模型;利用开源声学模型训练器训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签,然后把数据输入各HMM模型中,训练得到各HMM模型的参数;获取环境声音,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。
优选地,根据跳绳拍击地面的声音智能调节跳绳的长度,在跳绳的两端设置有微型电机,跳绳的两端分别缠绕在对应的微型电机的输出轴上,根据跳绳与地面拍击的声音以及在手臂上的加速度传感器检测手臂摆动的幅度来调节跳绳的长度,其中:根据跳绳期间跳绳与地面相切为临界,将跳绳的长度区分为长、相切、短三种情况,并以相切为标准长度,通过HMM声音识别模型识别所述三种情况下跳绳与地面拍击的声音,并结合手臂上的加速度传感器的检测情况,作为调节跳绳的长度的依据:如果跳绳的长度长,则声音识别***会发送信号给微型电机,微型电机输出轴旋转,将跳绳的两端缠绕到输出轴上一部分,直至跳绳的长度符合标准长度为止;如果跳绳的长度短,则手臂挥动使得手臂上的加速度传感器动作,但是却没有识别到跳绳与地面拍击的声音,则声音识别***发送信号给微型电机,微型电机输出轴反向旋转,将跳绳的两端从输出轴上旋出一部分,直至跳绳的长度符合标准长度为止。
优选地,还监测跳绳者的心率,并结合跳绳者的燃脂心率区间智能提示跳绳频率,其中:所述燃脂心率区间介于(220-E)x 60%到(220-E)x 70%之间,若跳绳者的心率不在所述燃脂心率区间,则提示跳绳者加快或变慢跳绳频率,直至跳绳者的心率在所述燃脂心率区间内,其中,E为跳绳者的年龄。
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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,实现如上所述的跳绳监测方法。
本发明采用语音识别技术来识别跳绳拍击地面的声音,可以累加跳绳次数,实时监测跳绳的频率与热量的消耗,为使用者智能推荐休息时间等。并且,根据跳绳与地面拍击声音的不同,可以调节跳绳到较合适的长度,增强跳绳者的体验。根据热量消耗与单次跳绳的跳离地面的高度、手臂摆动幅度之间的关系列表,在跳绳过程中通过查找该关系列表,获取该次跳绳的热量消耗值。
附图说明
通过结合下面附图对其实施例进行描述,本发明的上述特征和技术优点将会变得更加清楚和容易理解。
图1是本发明实施例的跳绳监测方法的流程示意图;
图2是本发明实施例的电子装置的硬件架构示意图;
图3是本发明实施例的跳绳监测程序的模块构成图。
具体实施方式
下面将参考附图来描述本发明所述的跳绳监测方法、电子装置及计算机可读存储介质的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
图1为本发明实施例提供的跳绳监测方法的流程示意图。该方法包括以下步骤:
一种跳绳监测方法,应用于电子装置,包括:
步骤S10,分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集。例如,如果在室内,可能会有例如门的撞击声、物品掉落地面的声音、跳绳碰撞地面的声音、说话声等等。抽取采集数据中的一部分作为训练集,另一部分作为测试集。
步骤S20,提取能体现环境声音重要特性的特征参数。
步骤S30,对应每种声音类别都建立一个HMM模型。
步骤S40,利用SphinxTrain(是由美国卡内基梅隆大学开发的语音识别***)训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签(即注明该声音属于哪个分类),然后把数据输入各HMM模型中,训练得到各HMM模型的参数。
步骤S50,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。经过上述的HMM分类器训练后,训练集中每一个类对应有一个分类器HMM。获取环境声音,对于各类别的概率最高的,则表示该声音符合该声音类别的特征。当跳绳与地面拍击的声音类别的概率最高时,则表示进行了一次跳绳。当HMM模型每识别一个跳绳与地面碰撞的声音,则累加1次。因此,可以智能的提示跳绳的个数,例如语音报数。
进一步地,HMM模型表示为l(A,B,p),其中A是状态Si到Sj的转换概率矩阵,B是状态的观察输出概率密度,p是状态的初始分布概率,如果有五种声音类别,则对应每种声音类别都建立一个HMM模型,分别为l1、l2、l3、l4、l5。其中,状态是指环境声音的分类项,例如门的撞击声、物品掉落地面的声音、跳绳碰撞地面的声音。状态Si到Sj可以是例如门的撞击声状态到跳绳与地面碰撞声音状态的转换概率矩阵,也可以是物品掉落地面的声音状态到门的撞击声状态的转换概率矩阵。
对于每一个HMM模型li,定义前向概率变量αt(i):在某一HMM模型li条件下,第t时刻处于状态Si,输出前面部分观察值序列O=O1,O2….Ot的概率:
αt(i)=P(O1,O2….Ot,qt=Si|li),1≤t≤T,1≤i≤N
求取前向概率变量αt(i)和输出概率P(O|l)的步骤如下:
(1)对于1≤i≤N,对处于状态Si和初始观序列为O1条件下联合概率的初始化αt
(2)对于1≤t≤T-1,1≤j≤N,有
t时刻的迭代关系表示:第t时刻的状态S1和第t+1时刻的状态Sj之间的转换关系。
(3)通过第(2)步的递归,获得前向概率变量值αt(i)。根据前向概率变量值αt(i)求出最后的概率分布,
其中,N为声音类别的数量;
i为当前声音类别,即当前状态;
O为观察值序列;
p是状态的初始分布概率;
A是状态Si到Sj的转换概率矩阵;
B是状态的观察输出概率密度;
T为跳绳时间段;
t为当前时刻。
通过各HMM模型,观察值序列O即为识别声音对应于各HMM模型的概率,如果最高概率是跳绳与地面碰撞声音的类别,则认定为跳绳一次。
在一个可选实施例中,还可以通过传感器测量跳绳者跳离地面的高度,并且,通过手臂上佩戴的智能设备上的加速度传感器检测手臂摆动的幅度,对应每一次跳绳,统计热量消耗与单次跳绳的跳离地面的高度、手臂摆动幅度之间的关系,并建立热量消耗统计列表,进而在跳绳过程中通过查找该热量消耗统计列表,获取该次跳绳的热量消耗值。
在一个可选实施例中,还可以计算停歇时间,如果使用者中断时间小于等于预设的阈值,则计数器继续累加计数,如果使用者中断时间大于预设的阈值,则将计数清零。
在一个可选实施例中,还可以根据跳绳拍击地面的声音智能调节跳绳的长度,在跳绳的两端设置有微型电机,跳绳的两端分别缠绕在对应的微型电机的输出轴上,根据跳绳与地面拍击的声音以及在手臂上的加速度传感器检测手臂摆动的幅度来调节跳绳的长度,其中:
根据跳绳与地面相切为临界,将跳绳的长度区分为长、相切、短三种情况,并以相切为标准长度,通过HMM声音识别模型识别所述三种情况下跳绳与地面拍击的声音,作为调节跳绳的长度的依据:
如果跳绳的长度长,则声音识别***会发送信号给微型电机,微型电机输出轴旋转,将跳绳的两端缠绕到输出轴上一部分,直至跳绳的长度符合标准长度为止;
如果跳绳的长度短,则手臂挥动使得手臂上的加速度传感器动作,但是却没有识别到跳绳与地面拍击的声音,则声音识别***发送信号给微型电机,微型电机输出轴反向旋转,将跳绳的两端从输出轴上旋出一部分,直至跳绳的长度符合标准长度为止。
在一个可选实施例中,还可以监测跳绳者的心率,并结合跳绳者的燃脂心率区间智能提示跳绳频率,其中:
所述燃脂心率区间介于(220-E)x 60%到(220-E)x 70%之间,若跳绳者的心率不在所述燃脂心率区间,则提示跳绳者加快或变慢跳绳频率,直至跳绳者的心率在所述燃脂心率区间内,其中,E为跳绳者的年龄。
参阅图2所示,是本发明电子装置的实施例的硬件架构示意图。本实施例中,所述电子装置2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。例如,可以是智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图2所示,所述电子装置2至少包括,但不限于,可通过***总线相互通信连接的存储器21、处理器22、网络接口23。其中:所述存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述电子装置2的内部存储单元,例如该电子装置2的硬盘或内存。在另一些实施例中,所述存储器21也可以是所述电子装置2的外部存储设备,例如该电子装置2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器21还可以既包括所述电子装置2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述电子装置2的操作***和各类应用软件,例如所述跳绳监测程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子装置2的总体操作,例如执行与所述电子装置2进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述的跳绳监测程序等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述电子装置2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述电子装置2与推送平台相连,在所述电子装置2与推送平台之间建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCodeDivision Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
可选地,该电子装置2还可以包括用户接口,用户接口可以包括输入单元比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等。
可选地,用户接口还可以包括标准的有线接口、无线接口。
可选地,该电子装置2还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)显示器等。显示器用于显示在电子装置2中处理的信息以及用于显示可视化的用户界面。
需要指出的是,图2仅示出了具有组件21-23的电子装置2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
包含可读存储介质的存储器21中可以包括操作***、跳绳监测程序50等。处理器22执行存储器21中跳绳监测程序50时实现如下步骤:
步骤S10,分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集。例如,如果在室内,可能会有例如门的撞击声、物品掉落地面的声音、跳绳碰撞地面的声音、说话声等等。抽取采集数据中的一部分作为训练集,另一部分作为测试集。
步骤S20,提取能体现环境声音重要特性的特征参数。
步骤S30,对应每种声音类别都建立一个HMM模型。
步骤S40,利用SphinxTrain(是由美国卡内基梅隆大学开发的语音识别***)训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签(即注明该声音属于哪个分类),然后把数据输入各HMM模型中,训练得到各HMM模型的参数。
步骤S50,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。
在本实施例中,存储于存储器21中的所述跳绳监测程序可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并可由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。例如,图3示出了所述跳绳监测程序的程序模块示意图,该实施例中,所述跳绳监测程序50可以被分割为声音采集模块501、特征提取模块502、HMM模型建立模块503、HMM模型训练模块504、声音捕捉模块505、计数模块506。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述跳绳监测程序在所述电子装置2中的执行过程。以下描述将具体介绍所述程序模块的具体功能。
声音采集模块501分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集。例如,如果在室内,可能会有例如门的撞击声、物品掉落地面的声音、跳绳碰撞地面的声音、说话声等等。抽取采集数据中的一部分作为训练集,另一部分作为测试集。
特征提取模块502提取能体现环境声音重要特性的特征参数。
HMM模型建立模块503对应每种声音类别都建立一个HMM模型。
HMM模型训练模块504利用SphinxTrain(是由美国卡内基梅隆大学开发的语音识别***)训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签(即注明该声音属于哪个分类),然后把数据输入各HMM模型中,训练得到各HMM模型的参数。
声音捕捉模块505用于捕捉跳绳环境中的各种声音,各HMM模型利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,计数模块506则累加跳绳计数。
进一步地,HMM模型表示为l(A,B,p),其中A是状态Si到Sj的转换概率矩阵,B是状态的观察输出概率密度,p是状态的初始分布概率,如果有五种声音类别,则对应每种声音类别都建立一个HMM模型,分别为l1、l2、l3、l4、l5。其中,状态是指环境声音的分类项,例如门的撞击声、物品掉落地面的声音、跳绳碰撞地面的声音。状态Si到Sj可以是例如门的撞击声状态到跳绳与地面碰撞声音状态的转换概率矩阵,也可以是物品掉落地面的声音状态到门的撞击声状态的转换概率矩阵。
对于每一个HMM模型li,定义前向概率变量αt(i):在某一HMM模型li条件下,第t时刻处于状态Si,输出前面部分观察值序列O=O1,O2….Qt的概率:
αt(i)=P(O1,O2….Ot,qt=Si|li),1≤t≤T,1≤i≤N
求取前向概率变量αt(i)和输出概率P(O|l)的步骤如下:
(1)对于1≤i≤N,对处于状态Si和初始观序列为O1条件下联合概率的初始化αt
(2)对于1≤t≤T-1,1≤j≤N,有
t时刻的迭代关系表示:第t时刻的状态S1和第t+1时刻的状态Sj之间的转换关系。
(3)通过第(2)步的递归,获得前向概率变量值αt(i)。根据前向概率变量值αt(i)求出最后的概率分布,
其中,N为声音类别的数量;
i为当前声音类别,即当前状态;
O为观察值序列;
p是状态的初始分布概率;
A是状态Si到Sj的转换概率矩阵;
B是状态的观察输出概率密度;
T为跳绳时间段;
t为当前时刻。
通过各HMM模型,观察值序列O即为识别声音对应于各HMM模型的概率,如果最高概率是跳绳与地面碰撞声音的类别,则认定为跳绳一次。
在一个可选实施例中,还包括热量消耗关系列表建立模块507,可以通过传感器测量跳绳者跳离地面的高度,并且,通过手臂上佩戴的智能设备上的加速度传感器检测手臂摆动的幅度,对应每一次跳绳,热量消耗关系列表建立模块507统计热量消耗与单次跳绳的跳离地面的高度、手臂摆动幅度之间的关系,并建立热量消耗统计列表,进而在跳绳过程中通过查找该热量消耗统计列表,获取该次跳绳的热量消耗值。
在一个可选实施例中,还包括清零模块508,清零模块508可以计算停歇时间,如果使用者中断时间小于等于预设的阈值,则计数器继续累加计数,如果使用者中断时间大于预设的阈值,则将计数清零。
在一个可选实施例中,还包括跳绳长度调节模块509,可以根据跳绳拍击地面的声音智能调节跳绳的长度,在跳绳的两端设置有微型电机,跳绳的两端分别缠绕在对应的微型电机的输出轴上,根据跳绳与地面拍击的声音以及在手臂上的加速度传感器检测手臂摆动的幅度来调节跳绳的长度,其中:
根据跳绳与地面相切为临界,将跳绳的长度区分为长、相切、短三种情况,并以相切为标准长度,通过HMM声音识别模型识别所述三种情况下跳绳与地面拍击的声音,作为调节跳绳的长度的依据:
如果跳绳的长度长,则声音识别***会发送信号给微型电机,微型电机输出轴旋转,将跳绳的两端缠绕到输出轴上一部分,直至跳绳的长度符合标准长度为止;
如果跳绳的长度短,则手臂挥动使得手臂上的加速度传感器动作,但是却没有识别到跳绳与地面拍击的声音,则声音识别***发送信号给微型电机,微型电机输出轴反向旋转,将跳绳的两端从输出轴上旋出一部分,直至跳绳的长度符合标准长度为止。
在一个可选实施例中,还包括燃脂区间提示模块510,通过监测跳绳者的心率,并结合跳绳者的燃脂心率区间智能提示跳绳者改变跳绳频率,其中:
所述燃脂心率区间介于(220-E)x 60%到(220-E)x 70%之间,若跳绳者的心率不在所述燃脂心率区间,则提示跳绳者加快或变慢跳绳频率,直至跳绳者的心率在所述燃脂心率区间内,其中,E为跳绳者的年龄。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。本发明之计算机可读存储介质的具体实施方式与上述跳绳监测方法以及电子装置2的具体实施方式大致相同,在此不再赘述。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种跳绳监测方法,应用于电子装置,其特征在于,包括:
分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集;
提取能体现环境声音重要特性的特征参数;
对应每种声音类别都建立一个HMM模型;
利用开源声学模型训练器训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签,然后把数据输入各HMM模型中,训练得到各HMM模型的参数;
获取环境声音,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。
2.根据权利要求1所述的跳绳监测方法,其特征在于,HMM模型表示为l(A,B,p),其中A是状态Si到Sj的转换概率矩阵,B是状态的观察输出概率密度,p是状态的初始分布概率,对于每一个HMM模型li,定义前向概率变量αt(i):在某一HMM模型li条件下,第t时刻处于状态Si,输出前面部分观察值序列O=O1,O2....Ot的概率:
αt(i)=P(O1,O2....Ot,qt=Si|li),1≤t≤T,1≤i≤N
求取前向概率变量αt(i)和输出概率P(O|l)的步骤如下:
(1)对于1≤i≤N,对处于状态Si和初始观察序列为O1条件下联合概率的初始化
(2)对于1≤t≤T-1,1≤j≤N,有
t时刻的迭代关系表示:第t时刻的状态S1和第t+1时刻的状态Sj之间的转换关系;
(3)通过第(2)步的递归,获得前向概率变量值αt(i),根据前向概率变量值αt(i)求出最后的概率分布,其中:
N为声音类别的数量;
i为当前声音类别,即当前状态;
O为观察值序列;
p是状态的初始分布概率;
A是状态Si到Sj的转换概率矩阵;
B是状态的观察输出概率密度;
T为跳绳时间段;
t为当前时刻;
通过各HMM模型,观察值序列O即为识别声音对应于各HMM模型的概率,如果最高概率是跳绳与地面碰撞声音的类别,则认定为跳绳一次。
3.根据权利要求1所述的跳绳监测方法,其特征在于,通过传感器测量跳绳者跳离地面的高度,并且,通过手臂上佩戴的加速度传感器检测手臂摆动的幅度,对应每一次跳绳,统计热量消耗与单次跳绳的跳离地面的高度、手臂摆动幅度之间的关系,并建立热量消耗统计列表,进而在跳绳过程中通过查找该热量消耗统计列表,获取该次跳绳的热量消耗值。
4.根据权利要求1所述的跳绳监测方法,其特征在于,还计算停歇时间,如果使用者中断时间小于等于预设的阈值,则计数器继续累加计数,如果使用者中断时间大于预设的阈值,则将计数清零。
5.根据权利要求1所述的跳绳监测方法,其特征在于,根据跳绳拍击地面的声音智能调节跳绳的长度,在跳绳的两端设置有微型电机,跳绳的两端分别缠绕在对应的微型电机的输出轴上,根据跳绳与地面拍击的声音以及在手臂上的加速度传感器检测手臂摆动的幅度来调节跳绳的长度,其中:
根据跳绳期间跳绳与地面相切为临界,将跳绳的长度区分为长、相切、短三种情况,并以相切为标准长度,通过HMM声音识别模型识别所述三种情况下跳绳与地面拍击的声音,并结合手臂上的加速度传感器的检测情况,作为调节跳绳的长度的依据:
如果跳绳的长度长,则声音识别***会发送信号给微型电机,微型电机输出轴旋转,将跳绳的两端缠绕到输出轴上一部分,直至跳绳的长度符合标准长度为止;
如果跳绳的长度短,则手臂挥动使得手臂上的加速度传感器动作,但是却没有识别到跳绳与地面拍击的声音,则声音识别***发送信号给微型电机,微型电机输出轴反向旋转,将跳绳的两端从输出轴上旋出一部分,直至跳绳的长度符合标准长度为止。
6.根据权利要求1所述的跳绳监测方法,其特征在于,还监测跳绳者的心率,并结合跳绳者的燃脂心率区间智能提示跳绳频率,其中:
所述燃脂心率区间介于(220-E)x 60%到(220-E)x 70%之间,若跳绳者的心率不在所述燃脂心率区间,则提示跳绳者加快或变慢跳绳频率,直至跳绳者的心率在所述燃脂心率区间内,其中,E为跳绳者的年龄。
7.一种电子装置,其特征在于,该电子装置包括:存储器和处理器,所述存储器中存储有跳绳监测程序,所述跳绳监测程序被所述处理器执行时实现如下步骤:
分别采集环境中多种声音样本,抽取采集数据中的一部分作为训练集,另一部分作为测试集;
提取能体现环境声音重要特性的特征参数;
对应每种声音类别都建立一个HMM模型;
利用开源声学模型训练器训练各个HMM模型,利用训练集对HMM模型进行训练,对于训练集中的各个声音添加标签,然后把数据输入各HMM模型中,训练得到各HMM模型的参数;
获取环境声音,利用前向算法,计算声音分类到各类别的概率,以跳绳与地面拍击的声音类别的概率最高进行一次跳绳计数,并累加跳绳计数。
8.根据权利要求7所述的电子装置,其特征在于,根据跳绳拍击地面的声音智能调节跳绳的长度,在跳绳的两端设置有微型电机,跳绳的两端分别缠绕在对应的微型电机的输出轴上,根据跳绳与地面拍击的声音以及在手臂上的加速度传感器检测手臂摆动的幅度来调节跳绳的长度,其中:
根据跳绳期间跳绳与地面相切为临界,将跳绳的长度区分为长、相切、短三种情况,并以相切为标准长度,通过HMM声音识别模型识别所述三种情况下跳绳与地面拍击的声音,并结合手臂上的加速度传感器的检测情况,作为调节跳绳的长度的依据:
如果跳绳的长度长,则声音识别***会发送信号给微型电机,微型电机输出轴旋转,将跳绳的两端缠绕到输出轴上一部分,直至跳绳的长度符合标准长度为止;
如果跳绳的长度短,则手臂挥动使得手臂上的加速度传感器动作,但是却没有识别到跳绳与地面拍击的声音,则声音识别***发送信号给微型电机,微型电机输出轴反向旋转,将跳绳的两端从输出轴上旋出一部分,直至跳绳的长度符合标准长度为止。
9.根据权利要求7所述的电子装置,其特征在于,还监测跳绳者的心率,并结合跳绳者的燃脂心率区间智能提示跳绳频率,其中:
所述燃脂心率区间介于(220-E)x 60%到(220-E)x 70%之间,若跳绳者的心率不在所述燃脂心率区间,则提示跳绳者加快或变慢跳绳频率,直至跳绳者的心率在所述燃脂心率区间内,其中,E为跳绳者的年龄。
10.一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程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,实现如权利要求1-6中任一项所述的跳绳监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518452.3A CN109830277B (zh) | 2018-12-12 | 2018-12-12 | 一种跳绳监测方法、电子装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518452.3A CN109830277B (zh) | 2018-12-12 | 2018-12-12 | 一种跳绳监测方法、电子装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109830277A true CN109830277A (zh) | 2019-05-31 |
CN109830277B CN109830277B (zh) | 2024-03-15 |
Family
ID=66859852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518452.3A Active CN109830277B (zh) | 2018-12-12 | 2018-12-12 | 一种跳绳监测方法、电子装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109830277B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112973131A (zh) * | 2021-04-16 | 2021-06-18 | 上海跳与跳信息技术合伙企业(有限合伙) | 一种跳绳游戏操控*** |
CN113627340A (zh) * | 2021-08-11 | 2021-11-09 | 广东沃莱科技有限公司 | 一种可识别跳绳模式的方法及设备 |
CN113627396A (zh) * | 2021-09-22 | 2021-11-09 | 浙江大学 | 一种基于健康监测的跳绳计数方法 |
CN115193010A (zh) * | 2021-04-09 | 2022-10-18 | 广东小天才科技有限公司 | 一种跳绳次数计算方法及可穿戴设备 |
WO2023016004A1 (zh) * | 2021-08-12 | 2023-02-16 | 荣耀终端有限公司 | 跳绳状态的检测方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM246019U (en) * | 2003-11-13 | 2004-10-11 | Shian-Ting Huang | Structure of jumping rope with features of informing exercise status by display or voice |
US20090043216A1 (en) * | 2007-08-10 | 2009-02-12 | Szming Lin | Heart beat signal recognition |
CN107331384A (zh) * | 2017-06-12 | 2017-11-07 | 平安科技(深圳)有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
CN107680582A (zh) * | 2017-07-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
-
2018
- 2018-12-12 CN CN201811518452.3A patent/CN109830277B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM246019U (en) * | 2003-11-13 | 2004-10-11 | Shian-Ting Huang | Structure of jumping rope with features of informing exercise status by display or voice |
US20090043216A1 (en) * | 2007-08-10 | 2009-02-12 | Szming Lin | Heart beat signal recognition |
CN107331384A (zh) * | 2017-06-12 | 2017-11-07 | 平安科技(深圳)有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
CN107680582A (zh) * | 2017-07-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
武志翔 等: "基于短时平均幅度和HMM的语音识别***研究", 化工自动化及仪表, vol. 40, no. 06, 10 June 2013 (2013-06-10), pages 779 - 782 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115193010A (zh) * | 2021-04-09 | 2022-10-18 | 广东小天才科技有限公司 | 一种跳绳次数计算方法及可穿戴设备 |
CN112973131A (zh) * | 2021-04-16 | 2021-06-18 | 上海跳与跳信息技术合伙企业(有限合伙) | 一种跳绳游戏操控*** |
CN113627340A (zh) * | 2021-08-11 | 2021-11-09 | 广东沃莱科技有限公司 | 一种可识别跳绳模式的方法及设备 |
CN113627340B (zh) * | 2021-08-11 | 2024-02-09 | 广东沃莱科技有限公司 | 一种可识别跳绳模式的方法及设备 |
WO2023016004A1 (zh) * | 2021-08-12 | 2023-02-16 | 荣耀终端有限公司 | 跳绳状态的检测方法及电子设备 |
CN115702993A (zh) * | 2021-08-12 | 2023-02-17 | 荣耀终端有限公司 | 跳绳状态的检测方法及电子设备 |
CN115702993B (zh) * | 2021-08-12 | 2023-10-31 | 荣耀终端有限公司 | 跳绳状态的检测方法及电子设备 |
CN113627396A (zh) * | 2021-09-22 | 2021-11-09 | 浙江大学 | 一种基于健康监测的跳绳计数方法 |
CN113627396B (zh) * | 2021-09-22 | 2023-09-05 | 浙江大学 | 一种基于健康监测的跳绳计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109830277B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109830277A (zh) | 一种跳绳监测方法、电子装置及存储介质 | |
CN108053838B (zh) | 结合音频分析和视频分析的欺诈识别方法、装置及存储介质 | |
Lester et al. | A hybrid discriminative/generative approach for modeling human activities | |
US20200298094A1 (en) | Autonomous Personalized Golf Recommendation and Analysis Environment | |
KR20140116481A (ko) | 다축 활동 모니터 디바이스로의 활동 분류 | |
Rachuri et al. | Sociablesense: exploring the trade-offs of adaptive sampling and computation offloading for social sensing | |
Johnston et al. | Smartwatch-based biometric gait recognition | |
Anjum et al. | Activity recognition using smartphone sensors | |
CN106709235A (zh) | 一种运动训练数据处理方法及装置 | |
CN105561569A (zh) | 基于可穿戴设备的运动状态监测*** | |
CN107773214A (zh) | 一种最佳唤醒策略的方法、计算机可读介质和*** | |
US20110190008A1 (en) | Systems, methods, and apparatuses for providing context-based navigation services | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
US11782496B2 (en) | Smart context subsampling on-device system | |
KR20190023611A (ko) | 웨어러블 기기 기반 운동 가이드 시스템 | |
CN105574471B (zh) | 用户行为数据的上传方法、用户行为的识别方法及装置 | |
CN109841221A (zh) | 基于语音识别的参数调节方法、装置及健身设备 | |
CN104484651B (zh) | 人像动态对比方法及*** | |
Ahn et al. | Personalized behavior pattern recognition and unusual event detection for mobile users | |
Stewart et al. | Practical automated activity recognition using standard smartphones | |
CN112967801A (zh) | Pai值处理方法、装置、设备和存储介质 | |
Yi et al. | Smartphone based human activity recognition using 1D lightweight convolutional neural network | |
US20220151511A1 (en) | System, apparatus and method for activity classification for a watch sensor | |
JP2012108836A (ja) | 日常計測データからの対人特性推定装置、推定方法および推定プログラム | |
AU2017234374B2 (en) | Activity pulse |
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 |