CN110674801B - 基于加速度计识别用户运动模式的方法、装置及电子设备 - Google Patents

基于加速度计识别用户运动模式的方法、装置及电子设备 Download PDF

Info

Publication number
CN110674801B
CN110674801B CN201911223894.XA CN201911223894A CN110674801B CN 110674801 B CN110674801 B CN 110674801B CN 201911223894 A CN201911223894 A CN 201911223894A CN 110674801 B CN110674801 B CN 110674801B
Authority
CN
China
Prior art keywords
value
peak
triaxial
mode
axis
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
CN201911223894.XA
Other languages
English (en)
Other versions
CN110674801A (zh
Inventor
赵岩
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.)
Spreadtrum Communications Shanghai Co Ltd
Original Assignee
Spreadtrum Communications Shanghai 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 Spreadtrum Communications Shanghai Co Ltd filed Critical Spreadtrum Communications Shanghai Co Ltd
Priority to CN201911223894.XA priority Critical patent/CN110674801B/zh
Publication of CN110674801A publication Critical patent/CN110674801A/zh
Application granted granted Critical
Publication of CN110674801B publication Critical patent/CN110674801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开涉及基于加速度计识别用户运动模式的方法、装置及电子设备，其中，所述方法包括：根据加速度计数据，得到三轴数据和三轴模值的统计信息；根据所述统计信息，得到包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中至少一种的特征值；根据所述特征值识别用户运动模式，包括：根据三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种。根据本公开实施例，通过使用加速度计数据，在极低功耗下准确识别出用户多种不同的运动行为模式，适合应用于手机环境中，且丰富了识别场景，使得运动模式识别结果更细化，可以满足用户需求。

Description

基于加速度计识别用户运动模式的方法、装置及电子设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种基于加速度计识别用户运动模式的方法、装置及电子设备。
背景技术
随着智能手机等电子设备的大面积推广以及用户对于室内定位、计步等各种应用需求的不断提升，手机上用户运动模式识别的需求越来越广泛。相关技术中，在进行运动模式识别时，电子设备的硬件、功耗开销高，识别场景不够丰富，不能满足用户需求。
发明内容
有鉴于此，本公开提出了一种基于加速度计识别用户运动模式的方法、装置及电子设备。
根据本公开的一方面，提供了一种基于加速度计识别用户运动模式的方法，包括：根据加速度计数据，得到三轴数据和三轴模值的统计信息；根据所述统计信息，得到包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中至少一种的特征值；根据所述特征值识别用户运动模式；所述根据所述特征值识别用户运动模式，包括：根据所述三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式。
在一种可能的实现方式中，所述根据所述特征值识别用户运动模式包括：根据所述特征值进行分类，得到分类结果；根据所述分类结果识别静止模式、走路\跑步高可能性模式、其他运动模式中的至少一种用户运动模式；所述走路\跑步高可能性模式包括：跑步模式、手持走路模式、摆臂走路模式、口袋走路模式、其他走路模式中的至少一种用户运动模式。
在一种可能的实现方式中，所述特征值包括：三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中的至少一种。在一种可能的实现方式中，所述方法还包括：获取三轴原始数据；对所述三轴原始数据进行预处理，得到所述加速度计数据。
在一种可能的实现方式中，所述根据加速度计数据，得到三轴数据和三轴模值的统计信息，包括：分别求取三轴数据的均值和均方差值；根据预设缓存周期，求取并缓存三轴模值的均值和均方差值；对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值。
在一种可能的实现方式中，所述对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值，包括：根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测；在波峰判别前置条件标志位为有效的情况下，判别出有效波峰；在波谷判别前置条件标志位为有效的情况下，判别出有效波谷；记录第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔；记录第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔。
在一种可能的实现方式中，所述在波峰判别前置条件标志位为有效的情况下，判别出有效波峰，包括：在波峰判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波峰：当前时刻的三轴模值大于第一阈值；当前时刻的三轴模值的峰峰值大于第二阈值；当前时刻和上一峰值时刻时间间隔大于第三阈值；当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
在一种可能的实现方式中，所述根据所述统计信息，得到包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中至少一种的特征值，包括：根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度；在预设时刻，根据所述三轴数据的均值和均方差信息，选取主轴；根据所述第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到所述主轴的峰值对称度。
在一种可能的实现方式中，所述根据所述三轴数据的均值和均方差信息，选取主轴，包括：在所述三轴数据的均方差值中任意两个差值大于第四阈值的情况下，选取均方差值最大的轴为主轴；在所述三轴数据的均方差值中任意两个差值小于第四阈值的情况下，选取均值绝对值最大的轴为主轴。
在一种可能的实现方式中，所述根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度，包括：在所述有效波峰和/或有效波谷的幅度小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为1；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为2；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔不小于第六阈值的情况下，记录三轴模值的峰值对称度为0。
在一种可能的实现方式中，所述根据三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式，包括：在至少满足所述三轴模值的峰值对称度为1的情况下，判定用户处于手持走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为1的情况下，判定用户处于摆臂走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为2的情况下，判定用户处于口袋走路模式。
在一种可能的实现方式中，所述根据所述特征值识别用户运动模式，包括：在所述三轴模值的均方差平均值大于第七阈值的情况下，用户由静止模式跳转为其他运动模式；在第一预设时间间隔内，所述三轴模值的均方差平均值小于第八阈值的情况下，用户由其他运动模式跳转为静止模式；在所述三轴模值的峰值对称度大于0的情况下，用户由其他运动模式跳转为走路\跑步高可能性模式；在用户处于走路\跑步高可能性模式的状态下，在第二预设时间间隔内，没有进行状态跳转，用户跳转至其他运动模式；在用户处于走路\跑步高可能性模式的状态下，在其他走路计数、手持走路计数、口袋走路计数、跑步计数、摆臂走路计数之一超过预设阈值的情况下，则跳转至当前计数对应的运动模式。
在一种可能的实现方式中，所述口袋走路计数，在同时满足下述条件的情况下，计数增加1：主轴的峰值对称度等于2、三轴模值的峰值对称度等于2、三轴模值的均值平均值大于第九阈值且小于第十阈值、三轴模值的均方差平均值大于第十一阈值、手持走路计数小于第十二阈值。
根据本公开的另一方面，提供了一种基于加速度计识别用户运动模式的装置，包括：统计信息提取模块，用于根据加速度计数据，得到三轴数据和三轴模值的统计信息；特征值提取模块，用于根据所述统计信息，得到包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中至少一种的特征值；运动模式识别模块，用于根据所述特征值识别用户运动模式；所述运动模式识别模块，还用于根据所述三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式。
在一种可能的实现方式中，所述运动模式识别模块，包括：分类单元，用于根据所述特征值进行分类，得到分类结果； 运动模式识别单元，用于根据所述分类结果识别静止模式、走路\跑步高可能性模式、其他运动模式中的至少一种用户运动模式；所述走路\跑步高可能性模式包括：跑步模式、手持走路模式、摆臂走路模式、口袋走路模式、其他走路模式中的至少一种用户运动模式。
在一种可能的实现方式中，所述特征值包括：三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中的至少一种。在一种可能的实现方式中，所述装置还包括：预处理模块，用于获取三轴原始数据；对所述三轴原始数据进行预处理，得到所述加速度计数据。
在一种可能的实现方式中，所述统计信息提取模块，包括：第一均值和均方差值求取子模块，用于分别求取三轴数据的均值和均方差值；第二均值和均方差值求取子模块，根据预设缓存周期，求取并缓存三轴模值的均值和均方差值；峰值检测子模块，用于对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值。
在一种可能的实现方式中，所述峰值检测子模块，用于根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测；所述峰值检测子模块，包括：波峰判别单元，用于在波峰判别前置条件标志位为有效的情况下，判别出有效波峰；波谷判别单元，用于在波谷判别前置条件标志位为有效的情况下，判别出有效波谷；第一峰值信息单元，用于记录第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔；第二峰值信息单元，用于记录第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔。
在一种可能的实现方式中，所述波峰判别单元用于：在波峰判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波峰：当前时刻的三轴模值大于第一阈值；当前时刻的三轴模值的峰峰值大于第二阈值；当前时刻和上一峰值时刻时间间隔大于第三阈值；当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
在一种可能的实现方式中，所述特征值提取模块，包括：第一对称度求取单元，用于根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度；主轴选取单元，用于在预设时刻，根据所述三轴数据的均值和均方差信息，选取主轴；第二对称度求取单元，根据所述第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到所述主轴的峰值对称度。
在一种可能的实现方式中，所述主轴选取单元，用于在所述三轴数据的均方差值中任意两个差值大于第四阈值的情况下，选取均方差值最大的轴为主轴；在所述三轴数据的均方差值中任意两个差值小于第四阈值的情况下，选取均值绝对值最大的轴为主轴。
在一种可能的实现方式中，所述第一对称度求取单元，用于在所述有效波峰和/或有效波谷的幅度小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为1；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为2；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔不小于第六阈值的情况下，记录三轴模值的峰值对称度为0。
在一种可能的实现方式中，所述运动模式识别单元，用于在至少满足所述三轴模值的峰值对称度为1的情况下，判定用户处于手持走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为1的情况下，判定用户处于摆臂走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为2的情况下，判定用户处于口袋走路模式。
在一种可能的实现方式中，所述运动模式识别单元，用于在所述三轴模值的均方差平均值大于第七阈值的情况下，用户由静止模式跳转为其他运动模式；在第一预设时间间隔内，所述三轴模值的均方差平均值小于第八阈值的情况下，用户由其他运动模式跳转为静止模式；在所述三轴模值的峰值对称度大于0的情况下，用户由其他运动模式跳转为走路\跑步高可能性模式；在用户处于走路\跑步高可能性模式的状态下，在第二预设时间间隔内，没有进行状态跳转，用户跳转至其他运动模式；在用户处于走路\跑步高可能性模式的状态下，在其他走路计数、手持走路计数、口袋走路计数、跑步计数、摆臂走路计数之一超过预设阈值的情况下，用户跳转至当前计数对应的运动模式。
在一种可能的实现方式中，所述口袋走路计数，在同时满足下述条件的情况下，计数增加1：主轴的峰值对称度等于2、三轴模值的峰值对称度等于2、三轴模值的均值平均值大于第九阈值且小于第十阈值、三轴模值的均方差平均值大于第十一阈值、手持走路计数小于第十二阈值。
根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过使用加速度计数据，在极低功耗下准确识别出用户手持走路模式、摆臂走路模式、口袋走路模式等多种不同类型的运动行为模式，适合应用于手机环境中，且丰富了识别场景，使得运动模式识别结果更细化，可以满足用户需求。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的基于加速度计识别用户运动模式的方法的流程图；
图2示出根据本公开一实施例的基于加速度计识别用户运动模式的方法的流程图；
图3示出根据本公开一实施例的进行峰值检测的流程图；
图4示出了根据本公开一实施例的选取主轴的流程图；
图5示出了根据本公开一实施例的用户运动模式转换的流程图；
图6示出根据本公开一实施例的基于加速度计识别用户运动模式的装置的结构图；
图7示出根据本公开一实施例的用于基于加速度计识别用户运动模式的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
随着智能手机等电子设备的大面积推广以及用户对于室内定位、计步等各种应用需求的不断提升，手机上用户运动模式识别的需求越来越广泛。精准地识别出用户在跑步、走路还是静止状态，及进一步地识别出用户为手持手机走路（如边走路边浏览手机页面）、手机拿在手里自然摆臂走路、还是手机放在口袋里走路，对于计步、室内定位以及其他各类应用场景来说必不可少。
相关技术中，在进行运动模式识别时，一般采用肌音信号进行分析，但这种方式不适用于手机等电子设备的应用中；或者，采用加速度计、陀螺仪、磁力计九轴数据进行分析，这种方式会增加电子设备的硬件、功耗开销；或者，仅限于识别站立、走、跑、上楼、下楼模式，识别场景不够丰富，不能满足用户需求。
因此，本公开实施例提出了基于加速度计识别用户运动模式的方案，可以只通过加速度计数据，在极低功耗下准确识别出用户多种不同的运动行为模式，适合应用于手机环境中。
下面结合附图对本公开提供的基于加速度计识别用户运动模式的方案进行详细说明。
图1示出根据本公开一实施例的基于加速度计识别用户运动模式的方法的流程图。如图1所示，该方法可以包括：
步骤10、根据加速度计数据，得到三轴数据和三轴模值的统计信息；
示例性地，统计信息可以包括：三轴数据和三轴模值的均值、均方差值、峰值。
本公开实施例中，根据预设的采样率，采集加速度计的三轴原始数据（包括X、Y、Z轴上的各自的原始加速度数据）。其中，采样率可以根据实际需求及数据处理环境进行设定，在此不作限定。示例性地，本公开实施例以50Hz采样率采集三轴原始数据，这样可以得到更好的识别率，同时可以将电子设备的功耗和MIPS（Million Instructions PerSecond，每秒处理的百万级的指令数）开销保持在较低水平。
步骤20、根据所述统计信息，得到包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中至少一种的特征值。
步骤30、根据所述特征值识别用户运动模式。
其中，用户运动模式可以包括：静止模式、其他运动模式、跑步模式、走路\跑步高可能性模式、摆臂走路模式（即用户走路时手机等物品拿在手里，手臂摆动）、其他走路模式、手持走路模式（即用户走路时手中持有手机等物品, 边走路边浏览手机等物品）、口袋走路模式（即用户走路时将手机等物品放在口袋中）等多种模式。
这样，本公开实施例可以只使用加速度计数据（如：50Hz加速度计数据），在极低功耗下识别出静止、跑步、手持走路、摆臂走路、口袋走路、其他走路等多种运动模式，能够方便满足手机中各类需求。
图2示出根据本公开一实施例的基于加速度计识别用户运动模式的方法的流程图。如图2所示，基于上述步骤10-30，该方法还可以包括：
在一种可能的实现方式中，在步骤10之前还可以包括：获取三轴原始数据；对所述三轴原始数据进行预处理，得到所述加速度计数据。示例性地，可以实时采集三轴原始数据，然后对电子设备采集到的数据进行平滑滤波，以消除噪音干扰；例如，可以对采集的50Hz三轴原始数据采取10点平滑滤波，每次滑动1点，即平滑后仍然是50Hz数据，得到预处理后的三轴数据，并将该预处理后的三轴数据分别标记为acc_x, acc_y, acc_z，作为加速度计数据。
这样，本公开实施例可以对采集的三轴原始数据直接作为所述加速度计数据进行上述步骤10-30的处理，识别出用户运动模式；还可以对采集到的三轴原始数据进行预处理，并将预处理后的三轴数据作为加速度计数据，进一步进行上述步骤10-30的处理，识别出用户运动模式，提高了数据处理的效果和运动模式识别的精确性。
进一步地，如图2所示，电子设备在每次收到三轴原始数据首先进行预处理，进而针对预处理后的数据，提取预设缓存周期内的统计信息（如：均值、均方差值两项特征值），同时进行峰值检测，得到主轴和三轴模值的峰值。需要说明的是，为了进一步节约能耗，在得到上述均值、均方差值、峰值的基础上，可以在预设时刻进行特征值（如：三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度）提取，然后根据提取的特征值进行运动模式识别；相对应的，若当前时刻不是在该预设时刻，则在提取出上述均值、均方差和做过峰值检测后，结束本次数据处理。其中，预设时刻、预设缓存周期需要满足相邻预设时刻之间的时间间隔均等于预设缓存周期；预设时刻、预设缓存周期的具体数值可以根据实际需求进行设定，在此不作限定。
在一种可能的实现方式中，在步骤10中，所述根据加速度计数据，得到三轴数据和三轴模值的统计信息，可以包括以下步骤：
步骤101、分别求取三轴数据的均值和均方差值；
步骤102、根据预设缓存周期，求取并缓存三轴模值的均值和均方差值；
步骤103、对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值。
举例来说，以预设时刻为整秒时刻、预设缓存周期为1秒、采样率为50Hz为例，在进行统计信息提取时，提取1秒内加速度计数据的统计信息，即提取1秒内三轴模值的均值、均方差和三轴各自的均值、均方差（即上述步骤101、102）。示例性地，以提取1秒内三轴模值的均值、均方差进行说明，三轴模值acc_a可以通过下述公式（1）求取：
Figure 144619DEST_PATH_IMAGE001
其中，g为本地重力加速度，acc_x、 acc_y、acc_z分别为X、Y、Z轴上的各自的加速度数据。缓存1秒内（50个）的acc_a的值（acc_a1- acc_a50），并在每一时刻计算当前缓存的1秒内acc_a数据的均值mean、均方差std信息，并将该均值和均方差信息缓存下来，缓存长度同样为1秒（即50个数值），缓存的均值mean、均方差std信息将在特征值提取时使用。
每一时刻三轴模值acc_a的均值mean可以通过下述公式（2）求取：
mean = (acc_a1 +acc_a2 +．．+ acc_a50) / 50………公式（2）
每一时刻三轴模值acc_a的均方差std可以通过下述公式（3）求取：
std = ((acc_a1 - mean)2 + (acc_a2 - mean)2 + … + (acc_a50 - mean)2 )/49…公式（3）
三轴各自的均值和均方差的求取方法与上述三轴模值的均值、均方差的求取方法相同，这里不再赘述，需要说明的是，为了节约存储空间，三轴各自的均值和均方差值不需要缓存，只需要记录最新一组（即离当前时刻最近的一组采样值）数据的均值和均方差值。
进一步地，根据加速度值来检测步行\跑步时峰值（即峰值检测），峰值包括波峰值和波谷值。为了识别用户运动模式，需要检测三轴模值acc_a的峰值和三轴各自的峰值，下面以检测三轴模值的峰值检测为例进行说明，三轴各自的峰值检测与检测三轴模值的峰值检测的具体方式相同，在此不再赘述。相关技术中，峰值检测一般采用的方法是acc_a大于一定阈值、峰峰值大于一定阈值，且当前时刻和上一峰值时刻时间间隔大于一定阈值，则记为一个峰值。考虑到实际环境中，尤其是在摆臂走路、口袋走路模式下，acc_a的峰值大小差异很大、毛刺较多，峰值间的时间间隔差异也较大，仅用上述判断条件，峰值的误判率和漏判率较高；因此，为了提升峰值检测的精度，本公开实施例在上述峰值检测条件的基础上，通过增加波峰判别前置条件标志位nextPeakHighOk、波谷判别前置条件标志位nextPeakLowOk来提高峰值检测精度；并在成功判别出有效波峰和有效波谷后，记录下离当前时刻最近的一定数量的（如十个）峰值的幅度和时间信息，用于进一步地特征值提取。
在一种可能的实现方式中，在步骤103中，所述对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值，可以包括：根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测；在波峰判别前置条件标志位为有效的情况下，判别出有效波峰；在波谷判别前置条件标志位为有效的情况下，判别出有效波谷；记录第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔；记录第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔。
图3示出根据本公开一实施例的进行峰值检测的流程图。在一种可能的实现方式中，所述在波峰判别前置条件标志位为有效的情况下，判别出有效波峰，可以包括：在波峰判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波峰：当前时刻的三轴模值大于第一阈值、当前时刻的三轴模值的峰峰值大于第二阈值、当前时刻和上一峰值时刻时间间隔大于第三阈值、当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
举例来说，波峰判断成功条件condition1需要同时满足五个条件（a1- a5），同时满足这五个条件，则确认这是一个有效波峰，同时将该有效波峰记录下来。五个条件可以为：a1、nextPeakHighOk标志位有效；nextPeakHighOk是波峰判别前置条件标志位，其为有效（即值为1）时，表示三轴模值acc_a数据序列中上一个峰值是波谷（该波谷可能为不满足下述条件a2但是满足条件a4的小波谷）。a2、isPeakHigh标志位有效（即值为1）；isPeakHigh为有效表示当前三轴模值acc_a在邻近N1个点内是最大值，即该acc_a为小范围内的一个峰值。a3、三轴模值acc_a高于THPeak1；acc_a高于THPeak1表示当前acc_a需要大于一定的阈值THPeak1。a4、(acc_a-peakLow)高于THPeakPeak1；peakLow是上一个有效波谷的值的大小，(acc_a-peakLow) 高于THPeakPeak1表示峰峰值需要大于一定阈值THPeakPeak1。a5、deltaPeak1高于THTime1；deltaPeak1高于THTime1表示当前时刻距离上一个有效波谷时刻的时间间隔deltaPeak1需要大于一定的阈值THTime1，以避免误判的情况。其中，N1、THPeak1、THPeakPeak1、THTime1的具体数值可以根据实际处理环境自行设定调整，在此不作限定。在有效波峰判别成功的情况下，则将nextPeakHighOk的值设为0，nextPeakLowOk的值设为1。
在一种可能的实现方式中，所述在波谷判别前置条件标志位为有效的情况下，判别出有效波谷，可以包括：在波谷判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波谷：当前时刻的三轴模值大于某一阈值；当前时刻的三轴模值的峰峰值大于某一阈值；当前时刻和上一峰值时刻时间间隔大于某一阈值；当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
举例来说，如图3所示，在上述波峰判断成功条件condition1不满足的情况下，则进行有效波谷的判定，波谷判断成功条件condition2需要同时满足五个条件（b1- b5），同时满足这五个条件，则确认这是一个有效波谷，同时将该有效波谷记录下来。五个条件可以为：b1、nextPeakLowOk标志位有效；nextPeakLowOk是波谷判别前置条件标志位，其为有效（即值为1）时，表示三轴模值acc_a数据序列上一个峰值是波峰（可能是不满足条件b2但是满足条件b4的小波峰）。b2、isPeakLow标志位有效（即值为1）；isPeakLow有效表示当前acc_a在邻近N2个点内是最小值，即是小范围内的一个波谷。b3、acc_a 小于THPeak2；acc_a小于THPeak2表示当前acc_a需要小于一定的阈值THPeak2。b4、(acc_a-peakHigh) 的绝对值高于THPeakPeak2；peakHigh是上一个有效波峰的值的大小，(acc_a-peakHigh) 的绝对值高于THPeakPeak2表示峰峰值需要大于一定阈值THPeakPeak2。b5、deltaPeak2高于THTime2；deltaPeak2高于THTime2表示当前时刻距离上一个有效波峰时刻的时间间隔deltaPeak2需要大于一定的阈值THTime2，以避免误判的情况。其中，N2、THPeak2、THPeakPeak2、THTime2的具体数值可以根据实际处理环境自行设定调整，在此不作限定。在有效波谷判别成功的情况下，则将nextPeakHighOk的值设为1，nextPeakLowOk的值设为0。
进一步地，如图3所示，在上述有效波峰、有效波谷判定均不成立的情况下，则进行小波峰判断，小波峰不作为有效波峰。举例来说，小波峰判断成功条件condition3需要同时满足三个条件（c1- c3）。同时满足这三个条件，则确认这是一个小波峰，同时将nextPeakLowOk的值设为1、nextPeakHighOk的值设为0。上述三个条件为：c1、isPeakHigh标志位有效；isPeakHigh为有效表示当前acc_a在邻近N1个点内是最大值，即是小范围内的一个峰值。c2、acc_a高于THPeakLow1；acc_a高于THPeakLow1表示当前acc_a需要大于一定的阈值THPeakLow1，且该阈值应该小于THPeak1。c3、deltaPeak3大于THTime3；deltaPeak3大于THTime3表示当前时刻距离上一个有效波峰时刻的时间间隔deltaPeak3需要大于一定的阈值THTime3，同时THTime3的值小于THTime1，以避免误判的情况。其中，THPeakLow1、THTime3的具体数值可以根据实际处理环境自行设定调整，在此不作限定。
进一步地，如图3所示，在上述小波峰判定仍不成立的情况下，则进行小波谷判定，小波谷不作为有效波谷。举例来说，小波谷判断成功条件condition4需要同时满足三个条件（d1- d3）。同时满足这三个条件，则确认这是一个小波谷，同时将nextPeakLowOk的值设为0、nextPeakHighOk的值设为1。上述三个条件为：d1、isPeakLow标志位有效；isPeakLow为有效表示当前acc_a在邻近N2个点内是最小值，即是小范围内的一个峰值。d2、acc_a小于THPeakLow2；acc_a小于THPeakLow2表示当前acc_a需要小于一定的阈值THPeakLow2，且该阈值应该小于THPeak2。d3、deltaPeak4大于THTime4；deltaPeak4大于 THTime4表示当前时刻距离上一个有效波谷时刻的时间间隔deltaPeak4需要大于一定的阈值THTime4，同时THTime4的值小于THTime2，以避免误判的情况。其中，THPeakLow2、THTime4的具体数值可以根据实际处理环境自行设定调整，在此不作限定。
基于此，可以根据上述得到的统计信息（即均值、均方差值、峰值），在预设时刻进行特征值提取，得到进行用户运动模式识别所需的特征值（即三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度）。
三轴模值的均值平均值mean_mean和均方差平均值std_mean计算方法如下：首先计算当前缓存（及预设缓存周期内）的三轴模值的均值的最大值mean_max和最小值mean_min, 均方差值的最大值std_max和最小值std_min；进而根据上述数值，计算其三轴模值的均值评均值mean_mean= (mean_max + mean_min) * 0.5；均方差平均值std_mean = (std_max + std_min) * 0.5。
三轴模值的峰值对称度、主轴的峰值对称度的则可以根据上述步骤103中，记录的第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔和第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔求取。
在一种可能的实现方式中，所述步骤20可以包括以下步骤：
步骤201、根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度；
步骤202、在预设时刻，根据所述三轴数据的均值和均方差信息，选取主轴；
步骤203、根据所述第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到所述主轴的峰值对称度。
举例来说，在步骤201中三轴模值的峰值对称度peak_ok计算方法如下：统计峰值检测记录下的最近的十个峰值的峰值幅度和峰值时间间隔信息；进而根据峰值幅度的统一性及峰值时间间隔的一致性，计算对称度peak_ok的数值：若峰值幅度较为统一，且峰值时间间隔较为一致，则峰值对称性最优，可以记录为peak_ok值为1；若峰值幅度统一性较差，但峰值时间间隔较为一致，则峰值对称性优，可以记录为peak_ok值为2；若峰值幅度和峰值时间间隔统一性都较差，则峰值对称性差，可以记录为peak_ok值为0。
在一种可能的实现方式中，步骤S201中计算三轴模值的峰值对称度，可以包括：在所述有效波峰和/或有效波谷的幅度小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为1；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为2；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔不小于第六阈值的情况下，记录三轴模值的峰值对称度为0。其中，第五阈值、第六阈值的具体数值可以根据实际处理需求进行设定，在此不作限定。
主轴的峰值对称度peak_ok_main计算方法如下：首先进行主轴选取（步骤202），选定好主轴后，根据峰值检测记录的主轴最近的十个峰值信息，得到主轴的峰值对称度（步骤203），其中，步骤203中求取主轴的峰值对称度的方式与上述步骤201中求取三轴模值的对称度方式相同，在此不再赘述。
在一种可能的实现方式中，在步骤202中，所述根据所述三轴数据的均值和均方差信息，选取主轴，可以包括：在所述三轴数据的均方差值中任意两个差值大于第四阈值的情况下，选取均方差值最大的轴为主轴；在所述三轴数据的均方差值中任意两个差值小于第四阈值的情况下，选取均值绝对值最大的轴为主轴。
举例来说，图4示出了根据本公开一实施例的选取主轴的流程图；如图4所示，选定主轴可以根据上述三轴的均值和均方差信息选取。可以通过三个轴两两比较的方式进行选取，例如，先将轴1（X轴）和轴2（Y轴）进行比较，如果轴1均方差std1和轴2的均方差std2差别较大，则选取均方差值更大的轴为主轴；示例性地，std1-std2 > 1，则选取轴1为主轴。如果两个轴均方差值差不多，则对轴1的均值绝对值mean1和轴2的均值绝对值mean2进行比较，选取均值绝对值较大的轴为主轴；示例性地，(std1-std2) < 1，且(mean1-mean2) > 3，则选取轴1为主轴。如果两轴的均方差和均值绝对值都差不多，则选取均方差相对较大的轴为主轴；示例性地，|mean1-mean2| < 3且std1 > std2，则选取轴1为主轴，否则选取轴2为主轴。
进一步地，可以根据上述得到的三轴模值的均值平均值mean_mean、三轴模值的均方差平均值std_mean、三轴模值的峰值对称度peak_ok、主轴的峰值对称度peak_ok_main，在预设时刻（如整秒时刻），识别用户运动模式，示例性地，用户运动模式可以分为静止模式static、其他运动模式others、跑步模式run、走路\跑步高可能性模式walkOrRun、摆臂走路模式swingWalk、其他走路模式otherWalk、手持走路模式handWalk、口袋走路模式pocketWalk八种模式。
在一种可能的实现方式中，步骤30中根据所述特征值识别用户运动模式，可以包括：根据所述特征值进行分类，得到分类结果；根据所述分类结果识别静止模式、走路\跑步高可能性模式、其他运动模式中的至少一种用户运动模式；所述走路\跑步高可能性模式可以包括：跑步模式、手持走路模式、摆臂走路模式、口袋走路模式、其他走路模式中的至少一种用户运动模式。
需要说明的是，本公开实施例中，通过设置walkOrRun模式，以便进行用户运动模式识别时，能够快速响应到走路/跑步的状态（体现为判断用户快速进入walkOrRun模式），进而可以进一步准确甄别具体是哪种走路/跑步模式（体现为run、walkOrRun、swingWalk、otherWalk、handWalk、pocketWalk模式的各自计数以及各自模式判别阈值的设定）。与此同时，当用户在walkOrRun状态一定时间内没有进一步跳转为上述模式时，则跳转到others模式，这从而有效防止走路/跑步状态的误判。
在一种可能的实现方式中，在步骤30中，所述根据所述特征值识别用户运动模式，可以包括：根据所述三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式。通过分析发现，用户在手持走路模式时，三轴模值峰值对称性最优；在摆臂走路模式三轴模值峰值对称性优，而主轴峰值对称性为最优；在口袋走路模式三轴模值峰值对称性为优，主轴峰值对称性也为优。这样，可以在通过使用加速度计数据识别出用户处于走路\跑步高可能性模式后，利用三轴模值的峰值对称度和主轴的峰值对称度，进一步对该识别结果进行细化，从而准确识别出用户处于手持走路模式、摆臂走路模式、口袋走路模式等走路模式，丰富了识别的运动场景，满足用户需求。
在一种可能的实现方式中，根据三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式的步骤，可以包括：在至少满足所述三轴模值的峰值对称度为1的情况下，判定用户处于手持走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为1的情况下，判定用户处于摆臂走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为2的情况下，判定用户处于口袋走路模式。
在一种可能的实现方式中，在步骤30中，所述根据所述特征值识别用户运动模式，可以包括：在所述三轴模值的均方差平均值大于第七阈值的情况下，用户由静止模式跳转为其他运动模式；在第一预设时间间隔内，所述三轴模值的均方差平均值小于第八阈值的情况下，用户由其他运动模式跳转为静止模式；在所述三轴模值的峰值对称度大于0的情况下，用户由其他运动模式跳转为走路\跑步高可能性模式；在用户处于走路\跑步高可能性模式的状态下，在第二预设时间间隔内，没有进行状态跳转，用户跳转至其他运动模式；在用户处于走路\跑步高可能性模式的状态下，在其他走路计数、手持走路计数、口袋走路计数、跑步计数、摆臂走路计数之一超过预设阈值的情况下，则跳转至当前计数对应的运动模式。
举例来说，图5示出了根据本公开一实施例的用户运动模式转换的流程图；如图5所示，各模式跳转的条件（图5中A-K）如下：条件A: std_mean大于阈值TH1；条件B: 连续t1（如2秒）的std_mean小于阈值TH2；条件C：peak_ok大于0；条件D：在walkOrRun状态持续t2而没有转出到其他状态，则表明某些抖动导致了walkOrRun状态的误判，或者用户只走了几步，而没有持续走动，则将用户状态切换回others；条件E：otherWalkCnt大于阈值TH3；条件F：handWalkCnt大于阈值TH4；条件G：pocketWalkCnt大于阈值TH5；条件H：runCnt大于阈值TH6；条件J：swingWalkCnt大于阈值TH7；条件K：t3内无有效计步，或峰值检测出现连续N3个有效波峰/有效波谷。其中，TH1、TH2、t2、TH3、TH4、TH5、TH6、TH7、t3、N3均可根据实际处理环境进行设定调整，在此不作限定。otherWalkCnt、handWalkCnt、pocketWalkCnt、runCnt、swingWalkCnt分别为在walkOrRun模式下符合其他走路模式、手持走路模式、口袋走路模式、跑步模式、摆臂走路模式条件的计数。在进行模式识别过程中，可能出现第一秒pocketWalkCnt加一，而下一秒swingWalkCnt加一的情况，因此，哪种模式计数首先超过预设的对应阈值，且其他模式计数未达到阈值，则跳转进入该计数对应的模式。
需要说明的是，在实际应用中，swingWalk、handWalk、pocketWalk、static等状态间也可根据类似原理或实际用户场景使用情况进行跳转，以应对用户从例如手持手机走路变换到摆臂走路的情况，这里不再一一标注。
在一种可能的实现方式中，所述口袋走路计数，在同时满足下述条件的情况下，计数增加1：主轴的峰值对称度等于2、三轴模值的峰值对称度等于2、三轴模值的均值平均值大于第九阈值且小于第十阈值、三轴模值的均方差平均值大于第十一阈值、手持走路计数小于第十二阈值。
举例来说，pocketWalkCnt计数增加需要满足以下五个条件： peak_ok_main其值为2、peak_ok其值为2、mean_mean小于TH9且大于TH10、std_mean大于TH11、handWalkCnt小于TH12；其中，TH9、TH10、TH11、TH12为阈值，可根据实际处理环境进行自行设定调整，在此不作限定。
在一种可能的实现方式中，所述其他走路计数，在满足三轴模值的峰值对称度大于0（即peak_ok大于0）的情况下，计数增加1。
在一种可能的实现方式中，所述手持走路计数，在同时满足下述条件的情况下，计数增加1：三轴模值的均值平均值大于第十三阈值、三轴模值的均方差平均值大于第十四阈值、三轴模值的峰值对称度大于1。
举例来说，handWalkCnt计数增加需满足以下三个条件：std_mean大于TH13、mean_mean小于TH14、peak_ok其值为1；其中，TH13，TH14为阈值，且相对于其他模式的计数阈值，为相对较小的值，具体数值可自行设定调整，在此不作限定。
在一种可能的实现方式中，所述跑步计数，在同时满足下述条件的情况下，计数增加1：三轴模值的均方差平均值大于第十五阈值、三轴模值的均值平均值大于第十六阈值、三轴模值的峰值对称度大于0。
举例来说，runCnt计数增加需满足以下三个条件：std_mean大于TH15、mean_mean大于TH16、peak_ok的值大于0；其中，TH15、TH16为阈值，可以自行设定调整，同时，相对于其他模式的计数阈值，TH15、TH16均为相对比较大的值，且可以设定不同阶梯的阈值（例如std_mean越大，则跑步状态置信度越高），这样可以更加高效地决定runCnt加一，还是加二，还是增加更多，以便更快地跳转入跑步模式。
在一种可能的实现方式中，所述摆臂走路计数，在同时满足下述条件的情况下，计数增加1：主轴峰值的对称度等于1、三轴模值的峰值对称度等于2、手持走路计数小于第十七阈值、三轴模值的均方差平均值大于第十八阈值、三轴模值的均值平均值大于第十九阈值。
举例来说，swingWalkCnt计数增加需要同时满足以下五个条件：peak_ok_main其值为1、peak_ok其值为2、handWalkCnt小于TH17、std_mean大于TH18、mean_mean大于TH19。其中，TH17、TH18、TH19为阈值，可根据实际处理环境进行自行设定调整，在此不作限定。
需要说明的是，尽管以上述实施例作为示例介绍了基于加速度计识别用户运动模式的方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定各实施方式，只要符合本公开的技术方案即可。
这样，本公开实施例可以只使用加速度计数据，通过对平滑过的加速度计数据提取三轴模值的平均值、均方差、峰值对称度，以及主轴的峰值对称度，准确识别出用户运动行为模式，包括静止、跑步、手持走路、摆臂走路、口袋走路、其他走路模式，满足用户需求，同时，本公开实施例可以采用适当采样率的加速度计数据，每秒执行一次模式识别，功耗低，适合应用于手机环境中。
图6示出根据本公开一实施例的基于加速度计识别用户运动模式的装置的结构图。如图6所示，该装置可以包括：统计信息提取模块61，用于根据加速度计数据，得到三轴数据和三轴模值的统计信息；特征值提取模块62，用于根据所述统计信息，得到包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度中至少一种的特征值；运动模式识别模块63，用于根据所述特征值识别用户运动模式。
在一种可能的实现方式中，所述运动模式识别模块，可以包括：分类单元，用于根据所述特征值进行分类，得到分类结果；运动模式识别单元，用于根据所述分类结果识别静止模式、走路\跑步高可能性模式、其他运动模式中的至少一种用户运动模式；所述走路\跑步高可能性模式包括：跑步模式、手持走路模式、摆臂走路模式、口袋走路模式、其他走路模式中的至少一种用户运动模式。
在一种可能的实现方式中，所述运动模式识别模块，可以用于根据所述三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式。
在一种可能的实现方式中，所述装置还包括：预处理模块，可以用于获取三轴原始数据；对所述三轴原始数据进行预处理，得到所述加速度计数据。
在一种可能的实现方式中，所述统计信息提取模块，可以包括：第一均值和均方差值求取子模块，用于分别求取三轴数据的均值和均方差值；第二均值和均方差值求取子模块，根据预设缓存周期，求取并缓存三轴模值的均值和均方差值；峰值检测子模块，用于对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值。
在一种可能的实现方式中，所述峰值检测子模块，可以用于根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测。所述峰值检测子模块，可以包括：波峰判别单元，用于在波峰判别前置条件标志位为有效的情况下，判别出有效波峰；波谷判别单元，用于在波谷判别前置条件标志位为有效的情况下，判别出有效波谷；第一峰值信息单元，用于记录第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔；第二峰值信息单元，用于记录第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔。
在一种可能的实现方式中，所述波峰判别单元，可以用于：在波峰判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波峰：当前时刻的三轴模值大于第一阈值、当前时刻的三轴模值的峰峰值大于第二阈值、当前时刻和上一峰值时刻时间间隔大于第三阈值、当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
在一种可能的实现方式中，所述特征值提取模块，可以包括：第一对称度求取单元，用于根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度；主轴选取单元，用于在预设时刻，根据所述三轴数据的均值和均方差信息，选取主轴；第二对称度求取单元，根据所述第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到所述主轴的峰值对称度。
在一种可能的实现方式中，所述主轴选取单元，可以用于在所述三轴数据的均方差值中任意两个差值大于第四阈值的情况下，选取均方差值最大的轴为主轴；在所述三轴数据的均方差值中任意两个差值小于第四阈值的情况下，选取均值绝对值最大的轴为主轴。
在一种可能的实现方式中，所述第一对称度求取单元，可以用于在所述有效波峰和/或有效波谷的幅度小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为1；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为2；在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔不小于第六阈值的情况下，记录三轴模值的峰值对称度为0。
在一种可能的实现方式中，所述运动模式识别单元，可以用于在至少满足所述三轴模值的峰值对称度为1的情况下，判定用户处于手持走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为1的情况下，判定用户处于摆臂走路模式；在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为2的情况下，判定用户处于口袋走路模式。
在一种可能的实现方式中，所述运动模式识别单元，可以用于在所述三轴模值的均方差平均值大于第七阈值的情况下，用户由静止模式跳转为其他运动模式；在第一预设时间间隔内，所述三轴模值的均方差平均值小于第八阈值的情况下，用户由其他运动模式跳转为静止模式；在所述三轴模值的峰值对称度大于0的情况下，用户由其他运动模式跳转为走路\跑步高可能性模式；在用户处于走路\跑步高可能性模式的状态下，在第二预设时间间隔内，没有进行状态跳转，用户跳转至其他运动模式；在用户处于走路\跑步高可能性模式的状态下，在其他走路计数、手持走路计数、口袋走路计数、跑步计数、摆臂走路计数之一超过预设阈值的情况下，用户跳转至当前计数对应的运动模式。
在一种可能的实现方式中，所述口袋走路计数，在同时满足下述条件的情况下，计数增加1：主轴的峰值对称度等于2、三轴模值的峰值对称度等于2、三轴模值的均值平均值大于第九阈值且小于第十阈值、三轴模值的均方差平均值大于第十一阈值、手持走路计数小于第十二阈值。
需要说明的是，尽管以上述实施例作为示例介绍了基于加速度计识别用户运动模式的装置如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定各实施方式，只要符合本公开的技术方案即可。
这样，本公开实施例通过使用加速度计数据，在极低功耗下准确识别出用户多种不同的运动行为模式，适合应用于手机环境中，可以满足用户需求。
图7示出根据本公开一实施例的用于基于加速度计识别用户运动模式的电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出（I/ O）的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（MIC），当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（***）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (26)

1.一种基于加速度计识别用户运动模式的方法，其特征在于，包括：
根据加速度计数据，得到三轴数据和三轴模值的统计信息；所述统计信息包括：三轴数据的峰值和三轴模值的峰值：
根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测，得到三轴数据的峰值和三轴模值的峰值；
根据所述统计信息，得到特征值；所述特征值包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度；
根据所述特征值识别用户运动模式；
所述根据所述特征值识别用户运动模式，包括：根据所述三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式。
2.根据权利要求1所述的方法，其特征在于，所述根据所述特征值识别用户运动模式包括：
根据所述特征值进行分类，得到分类结果；
根据所述分类结果识别静止模式、走路及跑步高可能性模式、其他运动模式中的至少一种用户运动模式；
所述走路及跑步高可能性模式包括：跑步模式、手持走路模式、摆臂走路模式、口袋走路模式、其他走路模式中的至少一种用户运动模式。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取三轴原始数据；
对所述三轴原始数据进行预处理，得到所述加速度计数据。
4.根据权利要求1所述的方法，其特征在于，所述根据加速度计数据，得到三轴数据和三轴模值的统计信息，包括：
分别求取三轴数据的均值和均方差值；
根据预设缓存周期，求取并缓存三轴模值的均值和均方差值；
对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值。
5.根据权利要求4所述的方法，其特征在于，所述对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值，包括：
根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测；
在波峰判别前置条件标志位为有效的情况下，判别出有效波峰；在波谷判别前置条件标志位为有效的情况下，判别出有效波谷；
记录第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔；
记录第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔。
6.根据权利要求5所述的方法，其特征在于，所述在波峰判别前置条件标志位为有效的情况下，判别出有效波峰，包括：
在波峰判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波峰：
当前时刻的三轴模值大于第一阈值；
当前时刻的三轴模值的峰峰值大于第二阈值；
当前时刻和上一峰值时刻时间间隔大于第三阈值；
当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
7.根据权利要求5所述的方法，其特征在于，所述根据所述统计信息，得到特征值，包括：
根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度；
在预设时刻，根据所述三轴数据的均值和均方差信息，选取主轴；
根据所述第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到所述主轴的峰值对称度。
8.根据权利要求7所述的方法，其特征在于，所述根据所述三轴数据的均值和均方差信息，选取主轴，包括：
在所述三轴数据的均方差值中任意两个差值大于第四阈值的情况下，选取均方差值最大的轴为主轴；
在所述三轴数据的均方差值中任意两个差值小于第四阈值的情况下，选取均值绝对值最大的轴为主轴。
9.根据权利要求7所述的方法，其特征在于，所述根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度，包括：
在所述有效波峰和/或有效波谷的幅度小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为1；
在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为2；
在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔不小于第六阈值的情况下，记录三轴模值的峰值对称度为0。
10.根据权利要求9所述的方法，其特征在于，所述根据三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式，包括：
在至少满足所述三轴模值的峰值对称度为1的情况下，判定用户处于手持走路模式；
在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为1的情况下，判定用户处于摆臂走路模式；
在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为2的情况下，判定用户处于口袋走路模式。
11.根据权利要求9所述的方法，其特征在于，所述根据所述特征值识别用户运动模式，包括：
在所述三轴模值的均方差平均值大于第七阈值的情况下，用户由静止模式跳转为其他运动模式；
在第一预设时间间隔内，所述三轴模值的均方差平均值小于第八阈值的情况下，用户由其他运动模式跳转为静止模式；
在所述三轴模值的峰值对称度大于0的情况下，用户由其他运动模式跳转为走路及跑步高可能性模式；
在用户处于走路及跑步高可能性模式的状态下，在第二预设时间间隔内，没有进行状态跳转，用户跳转至其他运动模式；
在用户处于走路及跑步高可能性模式的状态下，在其他走路计数、手持走路计数、口袋走路计数、跑步计数、摆臂走路计数之一超过预设阈值的情况下，则跳转至当前计数对应的运动模式。
12.根据权利要求11所述的方法，其特征在于，所述口袋走路计数，在同时满足下述条件的情况下，计数增加1：
主轴的峰值对称度等于2、三轴模值的峰值对称度等于2、三轴模值的均值平均值大于第九阈值且小于第十阈值、三轴模值的均方差平均值大于第十一阈值、手持走路计数小于第十二阈值。
13.一种基于加速度计识别用户运动模式的装置，其特征在于，包括：
统计信息提取模块，用于根据加速度计数据，得到三轴数据和三轴模值的统计信息；所述统计信息包括：三轴数据的峰值和三轴模值的峰值：根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测，得到三轴数据的峰值和三轴模值的峰值；
特征值提取模块，用于根据所述统计信息，得到特征值；所述特征值包括三轴模值的均值平均值、三轴模值的均方差平均值、三轴模值的峰值对称度、主轴的峰值对称度；
运动模式识别模块，用于根据所述特征值识别用户运动模式，还用于根据所述三轴模值的峰值对称度和主轴的峰值对称度，识别用户的手持走路模式、摆臂走路模式、口袋走路模式中的至少一种用户运动模式。
14.根据权利要求13所述的装置，其特征在于，所述运动模式识别模块，包括：
分类单元，用于根据所述特征值进行分类，得到分类结果；
运动模式识别单元，用于根据所述分类结果识别静止模式、走路及跑步高可能性模式、其他运动模式中的至少一种用户运动模式；
所述走路及跑步高可能性模式包括：跑步模式、手持走路模式、摆臂走路模式、口袋走路模式、其他走路模式中的至少一种用户运动模式。
15.根据权利要求13所述的装置，其特征在于，所述装置还包括：预处理模块，用于获取三轴原始数据；对所述三轴原始数据进行预处理，得到所述加速度计数据。
16.根据权利要求13所述的装置，其特征在于，所述统计信息提取模块，包括：
第一均值和均方差值求取子模块，用于分别求取三轴数据的均值和均方差值；
第二均值和均方差值求取子模块，根据预设缓存周期，求取并缓存三轴模值的均值和均方差值；
峰值检测子模块，用于对三轴数据和三轴模值进行峰值检测，得到三轴数据和三轴模值的峰值。
17.根据权利要求16所述的装置，其特征在于，所述峰值检测子模块，用于根据波峰判别前置条件标志位、波谷判别前置条件标志位，对三轴数据和三轴模值进行峰值检测；所述峰值检测子模块，包括：
波峰判别单元，用于在波峰判别前置条件标志位为有效的情况下，判别出有效波峰；
波谷判别单元，用于在波谷判别前置条件标志位为有效的情况下，判别出有效波谷；
第一峰值信息单元，用于记录第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔；
第二峰值信息单元，用于记录第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔。
18.根据权利要求17所述的装置，其特征在于，所述波峰判别单元用于：
在波峰判别前置条件标志位为有效的情况下，同时满足以下条件，则判定为三轴模值的有效波峰：
当前时刻的三轴模值大于第一阈值；
当前时刻的三轴模值的峰峰值大于第二阈值；
当前时刻和上一峰值时刻时间间隔大于第三阈值；
当前时刻的三轴模值为邻近第二预设数目内数据的最大值。
19.根据权利要求17所述的装置，其特征在于，所述特征值提取模块，包括：
第一对称度求取单元，用于根据所述第一预设数目的三轴模值的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到三轴模值的峰值对称度；
主轴选取单元，用于在预设时刻，根据所述三轴数据的均值和均方差信息，选取主轴；
第二对称度求取单元，根据所述第一预设数目的三轴数据的有效波峰和/或有效波谷的幅度及峰值时间间隔，得到所述主轴的峰值对称度。
20.根据权利要求19所述的装置，其特征在于，所述主轴选取单元，用于在所述三轴数据的均方差值中任意两个差值大于第四阈值的情况下，选取均方差值最大的轴为主轴；在所述三轴数据的均方差值中任意两个差值小于第四阈值的情况下，选取均值绝对值最大的轴为主轴。
21.根据权利要求19所述的装置，其特征在于，所述第一对称度求取单元，用于在所述有效波峰和/或有效波谷的幅度小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为1；
在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔小于第六阈值的情况下，记录三轴模值的峰值对称度为2；
在所述有效波峰和/或有效波谷的幅度不小于第五阈值，且所述峰值时间间隔不小于第六阈值的情况下，记录三轴模值的峰值对称度为0。
22.根据权利要求21所述的装置，其特征在于，所述运动模式识别单元，用于在至少满足所述三轴模值的峰值对称度为1的情况下，判定用户处于手持走路模式；
在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为1的情况下，判定用户处于摆臂走路模式；
在至少满足所述三轴模值的峰值对称度为2、主轴的峰值对称度为2的情况下，判定用户处于口袋走路模式。
23.根据权利要求21所述的装置，其特征在于，所述运动模式识别单元，用于在所述三轴模值的均方差平均值大于第七阈值的情况下，用户由静止模式跳转为其他运动模式；
在第一预设时间间隔内，所述三轴模值的均方差平均值小于第八阈值的情况下，用户由其他运动模式跳转为静止模式；
在所述三轴模值的峰值对称度大于0的情况下，用户由其他运动模式跳转为走路及跑步高可能性模式；
在用户处于走路及跑步高可能性模式的状态下，在第二预设时间间隔内，没有进行状态跳转，用户跳转至其他运动模式；
在用户处于走路及跑步高可能性模式的状态下，在其他走路计数、手持走路计数、口袋走路计数、跑步计数、摆臂走路计数之一超过预设阈值的情况下，用户跳转至当前计数对应的运动模式。
24.根据权利要求23所述的装置，其特征在于，所述口袋走路计数，在同时满足下述条件的情况下，计数增加1：
主轴的峰值对称度等于2、三轴模值的峰值对称度等于2、三轴模值的均值平均值大于第九阈值且小于第十阈值、三轴模值的均方差平均值大于第十一阈值、手持走路计数小于第十二阈值。
25.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述存储器存储的可执行指令时实现权利要求1至权利要求12中任意一项所述的方法。
26.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
CN201911223894.XA 2019-12-04 2019-12-04 基于加速度计识别用户运动模式的方法、装置及电子设备 Active CN110674801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911223894.XA CN110674801B (zh) 2019-12-04 2019-12-04 基于加速度计识别用户运动模式的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911223894.XA CN110674801B (zh) 2019-12-04 2019-12-04 基于加速度计识别用户运动模式的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110674801A CN110674801A (zh) 2020-01-10
CN110674801B true CN110674801B (zh) 2020-03-20

Family

ID=69088329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911223894.XA Active CN110674801B (zh) 2019-12-04 2019-12-04 基于加速度计识别用户运动模式的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110674801B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111765899B (zh) * 2020-06-30 2022-04-22 歌尔科技有限公司 计步判断方法、装置及计算机可读存储介质
CN111879333B (zh) * 2020-07-30 2022-09-20 歌尔科技有限公司 运动判断方法、判断装置及计算机可读存储介质
CN111765900B (zh) * 2020-07-30 2022-02-22 歌尔科技有限公司 计步方法、计步装置及计算机可读存储介质
CN112113581B (zh) * 2020-10-26 2024-03-08 平安科技（深圳）有限公司 异常计步识别方法、计步方法、装置、设备及介质
CN112378416B (zh) * 2020-12-07 2023-01-24 歌尔科技有限公司 计步方法、计步装置及可读存储介质
CN113074724B (zh) * 2021-03-26 2023-05-02 歌尔股份有限公司 运动时间计算方法、装置、设备及计算机可读存储介质
CN113551687B (zh) * 2021-09-23 2021-12-17 珠海市杰理科技股份有限公司 计步方法、装置、计步设备、计算机存储介质和芯片

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102246125A (zh) * 2008-10-15 2011-11-16 因文森斯公司 具有运动姿态识别的移动设备
CN104200234A (zh) * 2014-07-11 2014-12-10 杭州微纳科技有限公司 人体动作建模和识别方法
US9442570B2 (en) * 2013-03-13 2016-09-13 Google Technology Holdings LLC Method and system for gesture recognition
CN108413968A (zh) * 2018-07-10 2018-08-17 上海奥孛睿斯科技有限公司 一种运动识别的方法和***
CN108960151A (zh) * 2018-07-06 2018-12-07 西北工业大学 一种基于人体运动信息的手机机主身份识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102246125A (zh) * 2008-10-15 2011-11-16 因文森斯公司 具有运动姿态识别的移动设备
US9442570B2 (en) * 2013-03-13 2016-09-13 Google Technology Holdings LLC Method and system for gesture recognition
CN104200234A (zh) * 2014-07-11 2014-12-10 杭州微纳科技有限公司 人体动作建模和识别方法
CN108960151A (zh) * 2018-07-06 2018-12-07 西北工业大学 一种基于人体运动信息的手机机主身份识别方法
CN108413968A (zh) * 2018-07-10 2018-08-17 上海奥孛睿斯科技有限公司 一种运动识别的方法和***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Human Activity Recognition with User-Free Accelerometers in the Sensor Networks;Shuangquan Wang 等;《IEEE Xplore》;20100302;第1212-1217页 *
基于智能手机内置传感器的人体运动状态识别;殷晓玲 等;《通信学报》;20190331;第40卷(第3期);第2019057-1到2019057-13页 *
基于足底加速度传感器的人体行为识别;严金戈;《万方学位论文数据库》;20181203;正文第1-41页 *

Also Published As

Publication number Publication date
CN110674801A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110674801B (zh) 基于加速度计识别用户运动模式的方法、装置及电子设备
CN109737952B (zh) 跳绳数据处理方法、装置及可穿戴设备
CN109446994B (zh) 手势关键点检测方法、装置、电子设备及存储介质
EP3196736A1 (en) Method and apparatus for recognizing gesture
US20160188291A1 (en) Method, apparatus and computer program product for input detection
US20170206001A1 (en) Method and apparatus for gesture identification
EP2998960A1 (en) Method and device for video browsing
CN108255369A (zh) 屏内指纹图标的显示方法、装置及计算机可读存储介质
CN104933170A (zh) 信息展示方法及装置
KR102321562B1 (ko) 동적 동작 검출 방법, 동적 동작 제어 방법 및 장치
WO2018157630A1 (zh) 关联用户推荐方法及装置
CN106375782A (zh) 视频播放方法及装置
US11720814B2 (en) Method and system for classifying time-series data
CN108665889B (zh) 语音信号端点检测方法、装置、设备及存储介质
CN105472157A (zh) 终端运动状态监测方法及装置
CN108121631A (zh) 屏幕异常状态提醒方法及装置
CN105323152A (zh) 消息的处理方法、装置及设备
CN111158487A (zh) 使用无线耳机与智能终端进行交互的人机交互方法
CN106921802B (zh) 音频数据的播放方法及装置
CN104216969B (zh) 阅读标记方法及装置
CN104573642A (zh) 人脸识别方法及装置
CN106325575A (zh) 触控响应方法及装置
CN104035764A (zh) 对象控制方法及相关装置
CN105487774A (zh) 图像分组方法及装置
CN108073291B (zh) 一种输入方法和装置、一种用于输入的装置

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