CN112833907B - 计步方法、装置、设备及存储介质 - Google Patents
计步方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112833907B CN112833907B CN202110099238.4A CN202110099238A CN112833907B CN 112833907 B CN112833907 B CN 112833907B CN 202110099238 A CN202110099238 A CN 202110099238A CN 112833907 B CN112833907 B CN 112833907B
- Authority
- CN
- China
- Prior art keywords
- historical
- time period
- user
- measurement information
- pace
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开是关于一种计步方法、装置、设备及存储介质,所述方法包括:获取终端设备当前时间段的速度数据;根据所述速度数据确定用户在所述当前时间段的步伐测量信息;将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。本公开可以实现针对该用户的自身特点进行准确的单步计数,进而可以实现后续基于该单步计步结果准确的确定总计步结果。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种计步方法、装置、设备及存储介质。
背景技术
相关技术中,终端设备的计步器功能可以实现记录用户所走的步数,有利于用户了解自身的运动量。当前的健康类APP可以经常访问该数据来完成健康记录。但是,终端设备中的计步器具有较强的局限性,其只能识别最典型的步伐,而不同用户的体型、身高、体重以及步速等都可能导致计步结果不同,由此可知,当前的计步方案无法针对不同的用户实现准确的计步。
发明内容
为克服相关技术中存在的问题,本公开实施例提供一种计步方法、装置、设备及存储介质,用以解决相关技术中的缺陷。
根据本公开实施例的第一方面,提供一种计步方法,所述方法包括:
获取终端设备当前时间段的速度数据;
根据所述速度数据确定用户在所述当前时间段的步伐测量信息;
将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。
在一实施例中,所述步伐测量信息包括步速和步幅;
在所述速度数据为加速度的情况下,所述根据所述速度数据确定用户在所述当前时间段的步伐测量信息,包括:
对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅。
在一实施例中,所述方法还包括基于以下步骤训练所述机器学习模型:
获取所述终端设备的多个历史时间段的历史加速度;
根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
在一实施例中,所述方法还包括:
获取所述用户的身体信息;
所述将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型,包括:
将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
在一实施例中,所述方法还包括:
基于所述历史步伐测量信息确定所述用户的身体信息。
根据本公开实施例的第二方面,提供一种计步装置,所述装置包括:
速度获取模块,用于获取终端设备当前时间段的速度数据;
测量信息确定模块,用于根据所述速度数据确定用户在所述当前时间段的步伐测量信息;
单步计步模块,用于将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
总计步模块,用于根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。
在一实施例中,所述步伐测量信息包括步速和步幅;
在所述速度数据为加速度的情况下,所述测量信息确定模块,包括:
步速获取单元,用于对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
步幅获取单元,用于对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅。
在一实施例中,所述装置还包括学习模型训练模块;
所述学习模型训练模块,包括:
历史数据获取单元,用于获取所述终端设备的多个历史时间段的历史加速度;
历史信息确定单元,用于根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
单步计步单元,用于确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
学习模型训练单元,用于将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
在一实施例中,所述学习模型训练模块还包括:
身体信息获取单元,用于获取所述用户的身体信息;
所述学习模型训练单元还用于将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
在一实施例中,所述身体信息获取单元还用于基于所述历史步伐测量信息确定所述用户的身体信息。
根据本公开实施例的第三方面,提供一种电子设备,所述设备包括:
处理器,以及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:
获取终端设备当前时间段的速度数据;
根据所述速度数据确定用户在所述当前时间段的步伐测量信息;
将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现:
获取终端设备当前时间段的速度数据;
根据所述速度数据确定用户在所述当前时间段的步伐测量信息;
将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开通过获取终端设备当前时间段的速度数据,并根据所述速度数据确定用户在所述当前时间段的步伐测量信息,然后将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果,进而根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果,由于是基于用户本人的步伐测量信息以及预先基于所述用户的历史步伐测量信息训练的机器学习模型确定当前时间段的单步测量结果,可以实现针对该用户的自身特点进行准确的单步计数,进而可以实现后续基于该单步测量结果确定用户在当前时间段的总计步结果,提高了计步的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种计步方法的流程图;
图2是根据一示例性实施例示出的如何根据所述速度数据确定用户在所述当前时间段的步伐测量信息的流程图;
图3是根据一示例性实施例示出的如何训练所述机器学习模型的流程图;
图4是根据一示例性实施例示出的如何根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息的流程图;
图5是根据又一示例性实施例示出的如何训练所述机器学习模型的流程图;
图6是根据一示例性实施例示出的一种计步装置的框图;
图7是根据又一示例性实施例示出的一种计步装置的框图;
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本公开相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种计步方法的流程图;本实施例的方法可以应用于具有计步功能的终端设备(如,智能手机、平板电脑、笔记本电脑或可穿戴设备等)。
如图1所示,该方法包括以下步骤S101-S103:
在步骤S101中,获取终端设备当前时间段的速度数据。
本实施例中,终端设备可以通过内置的传感器获取自身的当前时间段的速度数据,本实施例中的速度数据可以为加速度,也可以为速度,或者其他能确定当前时间段加速度的数据。
其中,上述时间段的长度可以由开发人员基于业务需要进行自由设置,本实施例对此不进行限定。
在步骤S102中,根据所述速度数据确定用户在所述当前时间段的步伐测量信息。
本实施例中,当获取终端设备当前时间段的速度数据后,可以根据所述速度数据确定用户在所述当前时间段的步伐测量信息。
其中,上述步伐测量信息可以包括步幅、步速等用于衡量用户步伐特点的信息,本实施例对此不进行限定。
在一实施例中,当获取到终端设备当前时间段的速度数据后,可以对该速度数据进行相应处理,以得到用户在当前时间段的步伐测量信息。
在另一实施例中,上述根据所述速度数据确定用户在所述当前时间段的步伐测量信息的方式可以参见下述图2所示实施例,在此先不进行详述。
在步骤S103中,将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果。
本实施例中,可以预先基于上述用户的历史步伐测量信息训练机器学习模型,进而当根据所述速度数据确定用户在所述当前时间段的步伐测量信息后,可以将该步伐测量信息输入至上述预先训练的机器学习模型中,得到所述当前时间段的单步测量结果。
举例来说,上述当前时间段的单步测量结果单步测量结果可以为1、0、0、0、1,……,1、0、0、0、1单步测量结果。其中,“1”可以表示用户走一步,“0”可以表示用户未走步。
在步骤S104中,根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。
本实施例中,当将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果后,可以对所述单步测量结果进行累计,得到所述用户在所述当前时间段的总计步结果,从而根据单步测量结果确定用户在当前时间段的总计步结果。
举例来说,若得到的各个时间段的单步测量结果为:1、0、0、0、1,……,1、0、0、0、1,则可以对这些单步测量结果进行累加,得到用户在所述当前时间段的总计步结果,即用户在当前阶段所行走的总步数。
由上述描述可知,本实施例通过获取终端设备当前时间段的速度数据,并根据所述速度数据确定用户在所述当前时间段的步伐测量信息,然后将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果,进而根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果,由于是基于用户本人的步伐测量信息以及预先基于所述用户的历史步伐测量信息训练的机器学习模型确定当前时间段的单步测量结果,可以实现针对该用户的自身特点进行准确的单步计数,进而可以实现后续基于该单步测量结果确定用户在当前时间段的总计步结果,提高了计步的准确性。
图2是根据一示例性实施例示出的如何根据所述速度数据确定用户在所述当前时间段的步伐测量信息的流程图;本实施例在上述实施例的基础上以如何根据所述速度数据确定用户在所述当前时间段的步伐测量信息为例进行示例性说明。
本实施例中,步伐测量信息可以包括步速(用户行走一步的速度)和步幅(用户行走一步的距离)。
如图2所示,在所述速度数据为加速度的情况下,上述步骤S102中所述根据所述速度数据确定用户在所述当前时间段的步伐测量信息,可以包括以下步骤S201-S202:
在步骤S201中,对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速。
本实施例中,终端设备可以通过内置的加速度传感器获取自身的当前时间段的加速度。
举例来说,上述加速度可以为两个以上轴向的加速度传感器采集的多个轴向的加速度。以三轴加速度传感器为例,上述所获取的加速度可以包括三轴加速度传感器在x轴方向的加速度、在y轴方向的加速度以及在z轴方向的加速度等。当获取终端设备的加速度后,可以对该加速度进行积分运算,得到所述用户在所述当前时间段的步速。
在步骤S202中,对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅。
本实施例中,当获取用户在所述当前时间段的步速后,可以对该步速进行积分运算,得到所述用户在所述当前时间段的步幅。
值得说明的是,上述加速度可以是时间上连续的曲线,因而通过对其积分得到的步速数据也可以是时间上连续的曲线,进而再对该速度数据进行积分处理的数据也是时间上连续的位移曲线,进而可以从该位移曲线的峰值、峰谷确定用户的步幅。除此之外,本实施例还可以采用其他算法来根据步速计算步幅,本实施例根据步速确定步幅的计算方法不做限定。进一步地,当速度数据为速度时,可以根据当前时间段的速度得到用户在当前时间段的步速,然后对步速进行积分运算,得到用户在当前时间段的步幅。
由上述描述可知,本实施例通过对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速,并对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅,可以实现基于用户的终端设备采集的加速度准确的计算出该用户的步速和步幅,进而可以实现后续将该用户的步速和步幅输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果,从而可以通过根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果,可以实现针对该用户的自身特点进行更准确的计步。
图3是根据一示例性实施例示出的如何训练所述机器学习模型的流程图;本实施例在上述实施例的基础上以如何训练所述机器学习模型为例进行示例性说明。如图3所示,本实施例的计步方法还可以包括基于以下步骤S301-S304训练所述机器学习模型:
在步骤S301中,获取所述终端设备的多个历史时间段的历史加速度。
本实施例中,为了训练用于确定用户在各个时间段的单步测量结果的机器学习模型,可以获取该用户的终端设备的多个历史时间段的历史加速度。
举例来说,在终端设备的初始使用阶段,为了训练上述用于确定用户在各个时间段的单步测量结果的机器学习模型,可以使用的通用计步模型来实现计步功能,并基于终端设备中的传感器识别出用户是否处于步行状态,从而实现对上述历史加速度的采集。需要说明的是,通用计步模型为没有考虑用户个人体型、身高、体重以及步速等个人身体信息的模型。
其中,上述历史时间段的长度可以由开发人员基于业务需要进行自由设置,本实施例对此不进行限定。
在一实施例中,上述历史加速度可以为两个以上轴向的加速度传感器在多个历史时间段所采集的多个轴向的历史加速度。以三轴加速度传感器为例,上述所获取的历史加速度可以包括三轴加速度传感器在x轴方向的历史加速度、在y轴方向的历史加速度以及在z轴方向的历史加速度等。
在步骤S302中,根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息。
本实施例中,当获取所述终端设备的多个历史时间段的历史加速度后,可以根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息。
其中,上述历史步伐测量信息可以包括步幅、步速等用于衡量用户步伐特点的信息,本实施例对此不进行限定。
在一实施例中,当获取所述终端设备的多个历史时间段的历史加速度后,可以对该历史加速度进行相应处理,以得到用户在各个历史时间段的历史步伐测量信息。
在另一实施例中,上述根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息的方式可以参见下述图4所示实施例,在此先不进行详述。
在步骤S303中,确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果。
本实施例中,当根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息后,可以采用人工标定等方式确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果。
在步骤S304中,将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
本实施例中,当确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果后,可以将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
举例来说,当获取由各个历史时间段的历史步伐测量信息以及对应的单步测量结果所组成训练集后,可以基于该训练集对预先构建的机器学习模型进行训练,进而在达到设定的训练终止条件后,结束模型训练过程,得到训练好的机器学习模型。
值得说明的是,上述机器学习模型的类型可以由开发人员基于实际业务需要进行设置,如设置为预先构建的深度神经网络,或者直接采用相关技术中针对多用户设置的通用计步模型等,本实施例对此不进行限定。
由上述描述可知,本实施例通过获取所述终端设备的多个历史时间段的历史加速度,并根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息,以及确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果,进而将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型,可以实现基于所述用户的历史步伐测量信息训练机器学习模型,进而可以实现后续将该用户的步速和步幅输入至训练好的机器学习模型中,得到所述当前时间段的单步测量结果,从而可以通过根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果,可以实现针对该用户的自身特点进行更准确的计步。
图4是根据一示例性实施例示出的如何根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息的流程图;本实施例在上述实施例的基础上以如何根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息为例进行示例性说明。如图4所示,上述步骤S302中所述根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息,可以包括以下步骤S401-S402:
在步骤S401中,对所述各个历史时间段的历史加速度进行积分运算,得到所述各个历史时间段的历史步速。
本实施例中,当获取所述终端设备的多个历史时间段的历史加速度后,可以对所述各个历史时间段的历史加速度进行积分运算,得到所述各个历史时间段的历史步速。
在步骤S402中,对所述各个历史时间段的历史步速进行积分运算,得到所述各个历史时间段的历史步幅。
本实施例中,当对所述各个历史时间段的历史加速度进行积分运算,得到所述各个历史时间段的历史步速后,可以对所述各个历史时间段的历史步速进行积分运算,得到所述各个历史时间段的历史步幅。
由上述描述可知,本实施例通过对所述各个历史时间段的历史加速度进行积分运算,得到所述各个历史时间段的历史步速,以及对所述各个历史时间段的历史步速进行积分运算,得到所述各个历史时间段的历史步幅,进而可以实现将得到的各个历史时间段的历史步速、历史步幅以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型,可以完善机器学习模型的训练效果,从而可以实现后续基于该训练好的机器学习模型确定用户在当前时间段的单步测量结果,可以实现针对该用户的自身特点进行计步,并且可以提高计步的准确性。
图5是根据又一示例性实施例示出的如何训练所述机器学习模型的流程图;本实施例在上述实施例的基础上以如何训练所述机器学习模型为例进行示例性说明。如图5所示,本实施例的计步方法还可以包括基于以下步骤S501-S504训练所述机器学习模型:
在步骤S501中,获取所述终端设备的多个历史时间段的历史加速度。
在步骤S502中,根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息。
在步骤S503中,确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果。
其中,步骤S501-S503的相关解释和说明可以参见上述实施例中的步骤S301-S303,在此不进行赘述。
在步骤S504中,基于所述历史步伐测量信息确定所述用户的身体信息。
本实施例中,可以基于上述确定的历史步伐测量信息的平均值确定用户的身体信息;或者,还可以在***初始化阶段请求用户在相应输入栏中输入自身的身体信息。
举例来说,可以在计步程序的初始化阶段展示用于供用户输入个人的身高、体重等身体信息的输入框,进而获取用户基于该输入框输入的用户的身体信息。
再举例来说,可以基于多个样本用户的样本步伐测量信息与实际身体信息之间的对应关系构建并训练用于预估身体信息的目标模型,进而当获取当前用户的历史步伐测量信息后,可以将该历史步伐测量信息输入至目标模型,得到当前用户的身体信息的预估结果,从而基于历史步伐测量信息确定所述用户的身体信息。在一实施例中,上述身体信息的预估结果可以包括用户的预估身高、预估体重等中的至少一项,本实施例对此不进行限定
在步骤S505中,将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
本实施例中,当确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果以及用户的身体信息后,可以将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
举例来说,当获取由用户的身体信息、用户在各个历史时间段的历史步伐测量信息以及对应的单步测量结果所组成训练集后,可以基于该训练集对预先构建的机器学习模型进行训练,进而在达到设定的训练终止条件后,结束模型训练过程,得到训练好的机器学习模型。进一步地,也可以根据得到步伐测量信息不断优化机器学习模型中的网络参数,提高通过机器学习模型得到单步测量结果的准确率。
由上述描述可知,本实施例通过将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型,可以实现基于所述用户的历史步伐测量信息以及用户的身高和体重等身体信息更准确的训练机器学习模型,可以实现后续将该用户的步速和步幅输入至训练好的机器学习模型中,得到当前时间段更准确的单步测量结果。
图6是根据一示例性实施例示出的一种计步装置的框图;本实施例的装置可以应用于具有计步功能的终端设备(如,智能手机、平板电脑、笔记本电脑或可穿戴设备等)。如图6所示,该装置包括:速度获取模块110、测量信息确定模块120、单步计步模块130以及总计步模块140,其中:
速度获取模块110,用于获取终端设备当前时间段的速度数据;
测量信息确定模块120,用于根据所述速度数据确定用户在所述当前时间段的步伐测量信息;
单步计步模块130,用于将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
总计步模块140,用于根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果。
由上述描述可知,本实施例通过获取终端设备当前时间段的速度数据,并根据所述速度数据确定用户在所述当前时间段的步伐测量信息,然后将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果,进而根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果,由于是基于用户本人的步伐测量信息以及预先基于所述用户的历史步伐测量信息训练的机器学习模型确定当前时间段的单步测量结果,可以实现针对该用户的自身特点进行准确的单步计数,进而可以实现后续基于该单步测量结果确定用户在当前时间段的总计步结果,提高了计步的准确性。
图7是根据又一示例性实施例示出的一种计步装置的框图;本实施例的装置可以应用于具有计步功能的终端设备(如,智能手机、平板电脑、笔记本电脑或可穿戴设备等)。其中,速度获取模块210、测量信息确定模块220、单步计步模块230以及总计步模块240与前述图6所示实施例中的速度获取模块110、测量信息确定模块120、单步计步模块130以及总计步模块140的功能相同,在此不进行赘述。
本实施例中,步伐测量信息可以包括步速和步幅;
在所述速度数据为加速度的情况下,测量信息确定模块220,可以包括:
步速获取单元221,用于对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
步幅获取单元222,用于对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅。
在一实施例中,上述装置还可以包括学习模型训练模块250;
学习模型训练模块250,可以包括:
历史数据获取单元251,用于获取所述终端设备的多个历史时间段的历史加速度;
历史信息确定单元252,用于根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
单步计步单元253,用于确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
学习模型训练单元254,用于将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
在一实施例中,上述历史步伐测量信息可以包括历史步速和历史步幅;
在此基础上,上述历史信息确定单元252还可以用于:
对所述各个历史时间段的历史加速度进行积分运算,得到所述各个历史时间段的历史步速;
对所述各个历史时间段的历史步速进行积分运算,得到所述各个历史时间段的历史步幅。
在一实施例中,上述学习模型训练模块250还可以包括:
身体信息获取单元255,用于获取所述用户的身体信息;
在此基础上,学习模型训练单元254还可以用于将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
在一实施例中,身体信息获取单元255还可以用于基于所述历史步伐测量信息确定所述用户的身体信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种电子设备的框图。例如,装置900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8,装置900可以包括以下一个或多个组件:处理组件902,存储器904,电源组件906,多媒体组件908,音频组件910,输入/输出(I/O)的接口912,传感器组件914,以及通信组件916。
处理组件902通常控制装置900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902可以包括一个或多个处理器920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902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900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904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。
电力组件906为装置900的各种组件提供电力。电力组件906可以包括电源管理***,一个或多个电源,及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述装置900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908包括一个前置摄像头和/或后置摄像头。当装置900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910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当装置900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904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
I/O接口912为处理组件902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914包括一个或多个传感器,用于为装置900提供各个方面的状态评估。例如,传感器组件914可以检测到装置900的打开/关闭状态,组件的相对定位,例如所述组件为装置900的显示器和小键盘,传感器组件914还可以检测装置900或装置900一个组件的位置改变,用户与装置900接触的存在或不存在,装置900方位或加速/减速和装置900的温度变化。传感器组件914还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914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914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916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络,如WiFi,2G或3G,4G或5G或它们的组合。在一个示例性实施例中,通信组件916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916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,装置900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,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器904,上述指令可由装置900的处理器920执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种计步方法,其特征在于,所述方法包括:
获取终端设备当前时间段的速度数据;
根据所述速度数据确定用户在所述当前时间段的步伐测量信息,所述步伐测量信息包括步速和步幅;
将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果;
在所述速度数据为加速度的情况下,所述根据所述速度数据确定用户在所述当前时间段的步伐测量信息,包括:
对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅;
所述方法还包括基于以下步骤训练所述机器学习模型:
获取所述终端设备的多个历史时间段的历史加速度;
根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述用户的身体信息;
所述将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型,包括:
将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述历史步伐测量信息确定所述用户的身体信息。
4.一种计步装置,其特征在于,所述装置包括:
速度获取模块,用于获取终端设备当前时间段的速度数据;
测量信息确定模块,用于根据所述速度数据确定用户在所述当前时间段的步伐测量信息,所述步伐测量信息包括步速和步幅;
单步计步模块,用于将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
总计步模块,用于根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果;
在所述速度数据为加速度的情况下,所述测量信息确定模块,包括:
步速获取单元,用于对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
步幅获取单元,用于对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅;
所述装置还包括学习模型训练模块;
所述学习模型训练模块,包括:
历史数据获取单元,用于获取所述终端设备的多个历史时间段的历史加速度;
历史信息确定单元,用于根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
单步计步单元,用于确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
学习模型训练单元,用于将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
5.根据权利要求4所述的装置,其特征在于,所述学习模型训练模块还包括:
身体信息获取单元,用于获取所述用户的身体信息;
所述学习模型训练单元还用于将所述用户的身体信息、所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
6.根据权利要求5所述的装置,其特征在于,所述身体信息获取单元还用于基于所述历史步伐测量信息确定所述用户的身体信息。
7.一种电子设备,其特征在于,所述设备包括:
处理器,以及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:
获取终端设备当前时间段的速度数据;
根据所述速度数据确定用户在所述当前时间段的步伐测量信息,所述步伐测量信息包括步速和步幅;
将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果;
在所述速度数据为加速度的情况下,所述根据所述速度数据确定用户在所述当前时间段的步伐测量信息,包括:
对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅;
所述处理器还被配置为基于以下步骤训练所述机器学习模型:
获取所述终端设备的多个历史时间段的历史加速度;
根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现:
获取终端设备当前时间段的速度数据;
根据所述速度数据确定用户在所述当前时间段的步伐测量信息,所述步伐测量信息包括步速和步幅;
将所述步伐测量信息输入至预先基于所述用户的历史步伐测量信息训练的机器学习模型中,得到所述当前时间段的单步测量结果;
根据所述单步测量结果确定所述用户在所述当前时间段的总计步结果;
在所述速度数据为加速度的情况下,所述根据所述速度数据确定用户在所述当前时间段的步伐测量信息,包括:
对所述加速度进行积分运算,得到所述用户在所述当前时间段的步速;
对所述步速进行积分运算,得到所述用户在所述当前时间段的步幅;
所述程序被处理器执行时还实现基于以下步骤训练所述机器学习模型:
获取所述终端设备的多个历史时间段的历史加速度;
根据所述历史加速度确定所述用户在各个历史时间段的历史步伐测量信息;
确定每个所述历史时间段的历史步伐测量信息对应的单步测量结果;
将所述各个历史时间段的历史步伐测量信息以及对应的单步测量结果作为训练集,训练预先构建的机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099238.4A CN112833907B (zh) | 2021-01-25 | 2021-01-25 | 计步方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099238.4A CN112833907B (zh) | 2021-01-25 | 2021-01-25 | 计步方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112833907A CN112833907A (zh) | 2021-05-25 |
CN112833907B true CN112833907B (zh) | 2023-07-18 |
Family
ID=75931471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110099238.4A Active CN112833907B (zh) | 2021-01-25 | 2021-01-25 | 计步方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112833907B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103712632A (zh) * | 2013-12-31 | 2014-04-09 | 英华达(上海)科技有限公司 | 一种基于3轴加速计的计步方法和计步器 |
CN103997572A (zh) * | 2014-06-03 | 2014-08-20 | 深圳市爱康伟达智能医疗科技有限公司 | 一种基于手机加速度传感器数据的计步方法和装置 |
WO2018086321A1 (zh) * | 2016-11-11 | 2018-05-17 | 华为技术有限公司 | 一种计步方法及装置 |
CN109426829A (zh) * | 2017-08-28 | 2019-03-05 | 中兴通讯股份有限公司 | 一种用户身高的估计方法、装置及计算机可读存储介质 |
CN109489683A (zh) * | 2017-09-13 | 2019-03-19 | 中兴通讯股份有限公司 | 一种步长估计方法、移动终端及存储介质 |
CN110811578A (zh) * | 2019-11-27 | 2020-02-21 | 青岛歌尔智能传感器有限公司 | 计步装置及其计步方法、控制器和可读存储介质 |
CN112067015A (zh) * | 2020-09-03 | 2020-12-11 | 青岛歌尔智能传感器有限公司 | 基于卷积神经网络的计步方法、装置及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8831909B2 (en) * | 2011-09-22 | 2014-09-09 | Microsoft Corporation | Step detection and step length estimation |
US10001386B2 (en) * | 2014-04-03 | 2018-06-19 | Apple Inc. | Automatic track selection for calibration of pedometer devices |
-
2021
- 2021-01-25 CN CN202110099238.4A patent/CN112833907B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103712632A (zh) * | 2013-12-31 | 2014-04-09 | 英华达(上海)科技有限公司 | 一种基于3轴加速计的计步方法和计步器 |
CN103997572A (zh) * | 2014-06-03 | 2014-08-20 | 深圳市爱康伟达智能医疗科技有限公司 | 一种基于手机加速度传感器数据的计步方法和装置 |
WO2018086321A1 (zh) * | 2016-11-11 | 2018-05-17 | 华为技术有限公司 | 一种计步方法及装置 |
CN109426829A (zh) * | 2017-08-28 | 2019-03-05 | 中兴通讯股份有限公司 | 一种用户身高的估计方法、装置及计算机可读存储介质 |
CN109489683A (zh) * | 2017-09-13 | 2019-03-19 | 中兴通讯股份有限公司 | 一种步长估计方法、移动终端及存储介质 |
CN110811578A (zh) * | 2019-11-27 | 2020-02-21 | 青岛歌尔智能传感器有限公司 | 计步装置及其计步方法、控制器和可读存储介质 |
CN112067015A (zh) * | 2020-09-03 | 2020-12-11 | 青岛歌尔智能传感器有限公司 | 基于卷积神经网络的计步方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112833907A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858524B (zh) | 手势识别方法、装置、电子设备及存储介质 | |
EP3258418B1 (en) | Fingerprint entry prompting method and device | |
CN112713322B (zh) | 电池温度确定方法、电池温度确定装置及存储介质 | |
CN109919829B (zh) | 图像风格迁移方法、装置和计算机可读存储介质 | |
CN109410276B (zh) | 关键点位置确定方法、装置及电子设备 | |
CN106648063B (zh) | 手势识别方法及装置 | |
CN107656682B (zh) | 移动终端及弯曲角度计算方法 | |
CN110930351A (zh) | 一种光斑检测方法、装置及电子设备 | |
CN105955821B (zh) | 预读方法及装置 | |
CN113244565B (zh) | 跳绳手柄、跳绳、跳绳的计数确定方法 | |
CN111539617B (zh) | 数据处理方法和装置、电子设备、交互***和存储介质 | |
CN107239758B (zh) | 人脸关键点定位的方法及装置 | |
CN112833907B (zh) | 计步方法、装置、设备及存储介质 | |
EP3200127B1 (en) | Method and device for fingerprint recognition | |
CN105962942B (zh) | 运动状态确定方法及装置 | |
CN112925466B (zh) | 触控控制方法及装置 | |
CN116266418A (zh) | 运动识别方法、装置、电子设备和存储介质 | |
CN108470160B (zh) | 基于指纹识别组件的控制处理的移动终端和方法 | |
CN112764658A (zh) | 内容展示方法、装置及存储介质 | |
CN114563012B (zh) | 计步方法、装置、设备及存储介质 | |
CN109670432B (zh) | 动作识别方法及装置 | |
CN111651114A (zh) | 屏幕控制方法及装置、存储介质 | |
CN106293398B (zh) | 推荐虚拟现实资源的方法、装置及终端 | |
CN111898019A (zh) | 信息推送方法及装置 | |
CN108596719B (zh) | 图像显示方法及装置 |
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 |