CN114563012A - 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
- CN114563012A CN114563012A CN202011367658.8A CN202011367658A CN114563012A CN 114563012 A CN114563012 A CN 114563012A CN 202011367658 A CN202011367658 A CN 202011367658A CN 114563012 A CN114563012 A CN 114563012A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- input data
- step counting
- single step
- 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 52
- 230000001133 acceleration Effects 0.000 claims abstract description 137
- 238000005070 sampling Methods 0.000 claims abstract description 103
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 239000012634 fragment Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开关于一种计步方法、装置、设备及存储介质，所述方法包括：获取当前时间段内终端设备的加速度数据；基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。本公开可以适应用户诸如跑步、走步等多种步伐的数据特点，提高确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
Description
技术领域
本公开涉及终端技术领域，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，无法实现准确的计步。
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：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
在一实施例中，所述方法还包括：
基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
在一实施例中，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
所述将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，包括：
将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
在一实施例中，所述方法还包括基于以下步骤训练所述深度神经网络，包括：
获取样本加速度数据；
基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
在一实施例中，所述获取样本加速度数据，包括：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
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：
数据获取模块，用于获取当前时间段内终端设备的加速度数据；
片段获取模块，用于基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
单步计步模块，用于将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
总计步模块，用于对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
在一实施例中，所述装置还包括：结果校正模块；
所述结果校正模块，包括：
速度确定单元，用于基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
结果校正单元，用于基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
在一实施例中，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
所述单步计步模块，包括：
卷积单元，用于将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
分类单元，用于将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
在一实施例中，所述装置还包括：神经网络训练模块；
所述神经网络训练模块，包括：
样本数据获取单元，用于获取样本加速度数据；
样本片段获取单元，用于基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
单步结果确定单元，用于将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
神经网络训练单元，用于将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
在一实施例中，所述样本数据获取单元，还用于：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
根据本公开实施例的第三方面，提供一种计步设备，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：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
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，该程序被处理器执行时实现：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开通过获取当前时间段内终端设备的加速度数据，并基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段，然后将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，进而对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。由于是基于至少两个数据采样长度分别从加速度数据中截取数据，并将该至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据输入至预先训练的深度神经网络中，得到对应的单步计步结果，相比于相关技术中采用相同长度的数据来检测步伐(即，检测每段数据中是否包含完整的一步，得到单步计步结果)，进而基于每段数据的单步计步结果进行累计，得到总计步结果的方式，更能适应用户诸如跑步、走步等多种步伐的数据特点，提高确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
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是根据又一示例性实施例示出的一种计步方法的流程图；
图3A是根据一示例性实施例示出的如何获取一次输入数据对应的单步计步结果的流程图；
图3B是根据一示例性实施例示出的一种深度神经网络的结构示意图；
图4是根据一示例性实施例示出的如何训练所述深度神经网络的流程图；
图5是根据一示例性实施例示出的如何获取样本加速度数据的流程图；
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-S104：
在步骤S101中，获取当前时间段内终端设备的加速度数据。
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，如设置为每次计步数据更新的时间长度，如1分钟、2分钟等，本实施例对此不进行限定。
举例来说，上述加速度数据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数据。以三轴加速度传感器为例，上述所获取的加速度数据可以包括三轴加速度传感器在x轴方向的加速度数据、在y轴方向的加速度数据以及在z轴方向的加速度数据等。
在步骤S102中，基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段。
本实施例中，当获取当前时间段内终端设备的加速度数据后，可以基于预先设计的至少两个数据采样长度分别从上述加速度数据中截取子数据片段，得到每个所述数据采样长度对应的多个子数据片段。
本实施例中，上述至少两个数据采样长度不同。以上述至少两个数据采样长度为两个数据采样长度为例，其中一个数据采样长度截取的数据长度可以为12，另一个数据采样长度截取的数据长度可以为18。其中，数据长度可以用于指示子数据片段中所包含的数据的个数。并且，为了充分利用获取的加速度数据，同一数据采样长度截取的相邻几个子数据片段之间可以具有重叠部分。举例来说，当获得当前时间段内终端设备的加速度数据后，可以基于第一个数据采样长度截取数据长度为12的各个子数据片段，即分别得到第1～12、第2～13、……、第i～(i+11)个数据所构成的子数据片段；以及，基于第二个数据采样长度截取数据长度为18的各个子数据片段，即分别得到第1～18、第2～19、……、第i～(i+17)个数据所构成的子数据片段。
值得说明的是，上述至少两个数据采样长度截取的数据长度可以由开发人员基于实际需要进行设置，本实施例对此不进行限定。举例来说，考虑到通常情况下，跑步和走步时每步所耗费的时长不同，因而同时适应跑步和走步状态下的计步特点，因而本实施例同时采用至少两个数据采样长度分别从所述加速度数据中截取长度不同的子数据片段，以进行后续处理，从而可以使计步方案能够适应用户诸如跑步、走步等多种步伐的数据特点。
相关技术中是基于相同长度的数据来检测步伐(即，检测每段数据中是否包含完整的一步，得到单步计步结果)，进而基于每段数据的单步计步结果进行累计，得到总计步结果。然而，在用户的不同运动状态下，用户的步伐大小不同，采用同样长度的数据不能适应不同运动状态的步伐特点，造成计步结果不准确。而本方案中，是将数据划分成不同长度的子片段，每一次单步检测是针对该长度不同的两个数据子片段进行的，因而可以适应用户在不同运动状态的步伐特点，提高单步检测准确性，进而提高后续基于单步计步结果进行累计得到总计步结果的准确性。
在步骤S103中，将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果。
本实施例中，当基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段后，可以将该至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果。
举例来说，当基于第一个数据采样长度截取数据长度为12的各个子数据片段，即分别得到第1～12、第2～13、……、第i～(i+11)个数据所构成的子数据片段，以及基于第二个数据采样长度截取数据长度为18的各个子数据片段，即分别得到第1～18、第2～19、……、第i～(i+17)个数据所构成的子数据片段之后，可以将第一个数据采样长度截取的第一个子数据片段(即，第1～12个数据所构成的子数据片段)与第二个数据采样长度截取的第一个数据片段(即，第1～18个数据所构成的子数据片段)作为第一次输入数据输入预先训练的深度神经网络中进行单步识别；同理，可以将第一个数据采样长度截取的第i个子数据片段(即，第i～(i+11)个数据所构成的子数据片段，i＝2,3,……，n；其中，n为数据的总数)与第二个数据采样长度截取的第i个子数据片段(即，第i～(i+17)个数据所构成的子数据片段，i＝2,3,……，n)作为第i次输入数据输入预先训练的深度神经网络中进行单步识别。
在一实施例中，可以预先基于样本加速度数据训练上述深度神经网络，进而当获取当前时间段内终端设备的加速度数据以及基于至少两个数据采样长度从加速度数据中截取多个子数据片段后，可以基于该预先训练的深度神经网络得到各次输入数据对应的单步计步结果。
举例来说，上述单步计步结果可以用于表征“用户是否走了一步”。例如，单步计步结果可以为“1”或“0”。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，对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
本实施例中，当将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果后，可以对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
举例来说，若得到的各次输入数据对应的单步计步结果为：1、0、0、0、1、……、1、0、0、0、1，则可以对这些单步计步结果进行累加，得到用户的总计步结果，即当前时间段内的总计步结果。
由上述描述可知，本实施例通过获取当前时间段内终端设备的加速度数据，并基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段，然后将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，进而对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。由于是基于至少两个数据采样长度分别从加速度数据中截取数据，并将该至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据输入至预先训练的深度神经网络中，得到对应的单步计步结果，相比于相关技术中采用相同长度的数据的方式可以适应用户诸如跑步、走步等多种步伐的数据特点，提高确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
图2是根据又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2所示，该方法包括以下步骤S201-S206：
在步骤S201中，获取当前时间段内终端设备的加速度数据；
在步骤S202中，基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
在步骤S203中，将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果。
在步骤S204中，基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度。
本实施例中，当将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果后，可以基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度。
其中，上述均步伐速度可以用于表征用户每走一步所需的时间。
举例来说，若得到各次输入数据对应的单步计步结果为0、0、0、1、0、0、0、1、0、0、0、1、1、0、0、1后，可以确定该单步计步结果中每次走步(即，每个“1”)对应的时间。如，第一个“1”在第1秒，第2个“1”在第2秒，第三个“1”在第3秒，第四个“1”在第3.25秒，进而可以基于各次走步对应的时间确定用户在当前时间段的平均步伐速度为4秒/5步＝0.8秒/步。
在步骤S205中，基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
本实施例中，当基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度后，可以基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
举例来说，当确定用户在当前时间段的平均步伐速度为4秒/5步＝0.8秒/步后，可以确定上述单步计步结果中每次走步(即，每个“1”)所使用的时间，即每次走步的步速，如第一个“1”的步速为1秒/步，第2个“1”的步速为1秒/步，第三个“1”的步速为1秒/步，而第四个“1”的步速为1秒/步仅0.251秒/步，其与平均步伐速度0.8秒/步的差距较大，因而可以视为该次走步为“误判”，进而可以忽略第四步的单步计步结果，如此即可得到校正后的单步计步结果为0、0、0、1、0、0、0、1、0、0、0、1、0、0、0、1。
在步骤S206中，对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
本实施例中，当基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正后，可以对校正后的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
其中，步骤S201-S203以及步骤S206的相关解释和说明可以参见上述实施例，在此不进行赘述。
由上述描述可知，本实施例通过基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度，并基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正，可以提高确定各次输入数据对应的单步计步结果的准确性，进而可以基于该校正后的单步计步结果提高确定总计步结果的准确性。
图3A是根据一示例性实施例示出的如何获取一次输入数据对应的单步计步结果的流程图。图3B是根据一示例性实施例示出的一种深度神经网络的结构示意图。
本实施例在上述实施例的基础上以如何获取一次输入数据对应的单步计步结果为例进行示例性说明。如图3B所示，本实施例中预先构建的深度神经网络可以包括依次连接的两个卷积层、两个全连接层以及一个输出层。
如图3A所示，上述步骤S103中所述将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，可以包括以下步骤S301-S302：
在步骤S301中，将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联。
在步骤S302中，将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
本实施例中，当基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段后，可以将每次的输入数据分别输入至深度神经网络的两个卷积层，以基于两个卷积层的卷积核进行卷积运算，并运算得到的数据进行串联，之后将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。基于实验数据验证，上述的深度神经网络的堆叠层数在同等计算力的网络下表现最好。
由上述描述可知，本实施例通过预先构建包括依次连接的两个卷积层、两个全连接层以及一个输出层的深度神经网络，并将上述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联，以及将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果，可以提高确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
图4是根据一示例性实施例示出的如何训练所述深度神经网络的流程图。本实施例在上述实施例的基础上以如何训练所述深度神经网络为例进行示例性说明。如图4所示，本实施例的方法还包括基于以下步骤S401-S404训练所述深度神经网络：
在步骤S401中，获取样本加速度数据。
本实施例中，为了训练用于基于单次输入数据确定单步测量结果的深度神经网络，可以获取样本加速度数据。
其中，该样本加速度数据可以包括历史时间段内终端设备的历史加速度数据。
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。
举例来说，上述历史加速度数据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数据。以三轴加速度传感器为例，上述所获取的历史加速度数据可以包括三轴加速度传感器在x轴方向的历史加速度数据、在y轴方向的历史加速度数据以及在z轴方向的历史加速度数据等。
在另一实施例中，上述获取样本加速度数据的方式还可以参见下述图5所示实施例，在此先不进行详述。
在步骤S402中，基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段。
本实施例中，当获取样本加速度数据后，可以基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段。
本实施例中，上述至少两个数据采样长度截取的样本数据长度不同。以上述至少两个数据采样长度为两个数据采样长度为例，其中一个数据采样长度截取的样本数据长度可以为12，另一个数据采样长度截取的样本数据长度可以为18。其中，样本数据长度可以用于指示样本子数据片段中所包含的样本数据的个数。并且，为了充分利用获取的样本加速度数据，同一数据采样长度截取的相邻几个样本子数据片段之间可以具有重叠部分。举例来说，当获得样本加速度数据后，可以基于第一个数据采样长度截取样本数据长度为12的各个样本子数据片段，即分别得到第1～12、第2～13、……、第i～(i+11)个样本数据所构成的样本子数据片段；以及，基于第二个数据采样长度截取样本数据长度为18的各个样本子数据片段，即分别得到第1～18、第2～19、……、第i～(i+17)个样本数据所构成的样本子数据片段。
值得说明的是，上述至少两个数据采样长度截取的样本数据长度可以由开发人员基于实际需要进行设置，本实施例对此不进行限定。举例来说，考虑到通常情况下，跑步和走步时每步所耗费的时长不同，因而同时适应跑步和走步状态下的计步特点，因而本实施例同时采用至少两个数据采样长度分别从所述样本加速度数据中截取长度不同的样本子数据片段，以进行后续深度神经网络的训练，可以训练的深度神经网络能够适应用户诸如跑步、走步等多种步伐的数据特点，提高深度神经网络确定单步测量结果的准确性。
在步骤S403中，将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果。
本实施例中，当基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段后，可以将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果。
举例来说，当基于第一个数据采样长度截取样本数据长度为12的各个样本子数据片段，即分别得到第1～12、第2～13、……、第i～(i+11)个样本数据所构成的样本子数据片段，以及基于第二个数据采样长度截取样本数据长度为18的各个样本子数据片段，即分别得到第1～18、第2～19、……、第i～(i+17)个样本数据所构成的样本子数据片段之后，可以将第一个数据采样长度截取的第一个样本子数据片段(即，第1～12个样本数据所构成的样本子数据片段)与第二个数据采样长度截取的第一个样本数据片段(即，第1～18个样本数据所构成的样本子数据片段)作为第一次样本输入数据；同理，可以将第一个数据采样长度截取的第i个样本子数据片段(即，第i～(i+11)个样本数据所构成的样本子数据片段，i＝2,3,……，n；其中，n为样本数据的总数)与第二个数据采样长度截取的第i个样本子数据片段(即，第i～(i+17)个样本数据所构成的样本子数据片段，i＝2,3,……，n)作为第i次样本输入数据。
在此基础上，可以采用人工标定等方式确定各次样本输入数据对应的单步计步结果。
举例来说，上述单步计步结果可以用于表征“用户是否走了一步”。例如，单步计步结果可以为“1”或“0”。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S404中，将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
本实施例中，当将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果后，可以将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
举例来说，当获取由各个所述一次样本输入数据以及对应的单步计步结果所组成的训练集后，可以基于该训练集对预先构建的深度神经网络进行训练，进而在达到设定的训练终止条件后，结束网络训练过程，得到训练好的深度神经网络。
值得说明的是，上述深度神经网络的类型可以由开发人员基于实际业务需要进行设置，本实施例对此不进行限定。
由上述描述可知，本实施例通过获取样本加速度数据，并基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段，然后将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果，进而将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络，可以实现基于样本加速度数据训练深度神经网络，进而可以实现后续基于该训练好的深度神经网络确定当前时间段的单步测量结果，从而可以通过对该单步测量结果进行累计，得到当前时间段的总计步结果，可以适应用户诸如跑步、走步等多种步伐的数据特点，提高确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
图5是根据一示例性实施例示出的如何获取样本加速度数据的流程图。本实施例在上述实施例的基础上以如何获取样本加速度数据为例进行示例性说明。如图5所示，上述步骤S401中所述获取样本加速度数据，可以包括以下步骤S501-S502：
在步骤S501中，获取历史时间段内终端设备的历史加速度数据。
为了训练用于基于单次输入数据确定单步测量结果的深度神经网络，可以获取历史时间段内终端设备的历史加速度数据。
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。
举例来说，上述历史加速度数据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数据。以三轴加速度传感器为例，上述所获取的历史加速度数据可以包括三轴加速度传感器在x轴方向的历史加速度数据、在y轴方向的历史加速度数据以及在z轴方向的历史加速度数据等。
在步骤S502中，基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
本实施例中，当获取历史时间段内终端设备的历史加速度数据后，可以基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
值得说明的是，上述预设的噪声数据的类型可以由开发人员基于实际需要进行设置，如设置为高斯噪声，并可以将相应的信噪比SNR的等级设置为5-20，本实施例对此不进行限定。
可以理解的是，在深度神经网络训练的过程中对原始的历史加速度数据添加特定的噪声，可以极大程度上提升网络的非线性识别能力，使训练数据更准确。
由上述描述可知，本实施例通过获取历史时间段内终端设备的历史加速度数据，并基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据，可以极大程度上提升网络的非线性识别能力，使训练数据更准确，可以提高后续基于训练的深度神经网络确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
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：数据获取模块110、片段获取模块120、单步计步模块130以及总计步模块140，其中：
数据获取模块110，用于获取当前时间段内终端设备的加速度数据；
片段获取模块120，用于基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
单步计步模块130，用于将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
总计步模块140，用于对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
由上述描述可知，本实施例通过获取当前时间段内终端设备的加速度数据，并基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段，然后将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，进而对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。由于是基于至少两个数据采样长度分别从加速度数据中截取数据，并将该至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据输入至预先训练的深度神经网络中，得到对应的单步计步结果，相比于相关技术中采用相同长度的数据的方式可以适应用户诸如跑步、走步等多种步伐的数据特点，提高确定单步计步结果的准确性，进而可以提高后续基于单步计步结果确定总计步结果的准确性。
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，数据获取模块210、片段获取模块220、单步计步模块230以及总计步模块240与前述图6所示实施例中的数据获取模块110、片段获取模块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。
如图7所示，上述装置还可以包括：结果校正模块250；
所述结果校正模块250，可以包括：
速度确定单元251，用于基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
结果校正单元252，用于基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
在一实施例中，上述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
单步计步模块230，可以包括：
卷积单元231，用于将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
分类单元232，用于将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
在一实施例中，上述装置还可以包括：神经网络训练模块260；
神经网络训练模块260，可以包括：
样本数据获取单元261，用于获取样本加速度数据；
样本片段获取单元262，用于基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
单步结果确定单元263，用于将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
神经网络训练单元264，用于将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
在一实施例中，上述样本数据获取单元261，还可以用于：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
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。处理元件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，处理部件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设备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，通信部件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，所述通信部件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 (12)
1.一种计步方法，其特征在于，所述方法包括：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
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：
基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
3.根据权利要求1所述的方法，其特征在于，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
所述将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，包括：
将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括基于以下步骤训练所述深度神经网络，包括：
获取样本加速度数据；
基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
5.根据权利要求4所述的方法，其特征在于，所述获取样本加速度数据，包括：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
6.一种计步装置，其特征在于，所述装置包括：
数据获取模块，用于获取当前时间段内终端设备的加速度数据；
片段获取模块，用于基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
单步计步模块，用于将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
总计步模块，用于对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：结果校正模块；
所述结果校正模块，包括：
速度确定单元，用于基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
结果校正单元，用于基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
8.根据权利要求6所述的装置，其特征在于，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
所述单步计步模块，包括：
卷积单元，用于将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
分类单元，用于将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：神经网络训练模块；
所述神经网络训练模块，包括：
样本数据获取单元，用于获取样本加速度数据；
样本片段获取单元，用于基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
单步结果确定单元，用于将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
神经网络训练单元，用于将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
10.根据权利要求9所述的装置，其特征在于，所述样本数据获取单元，还用于：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
11.一种计步设备，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：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
12.一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，该程序被处理器执行时实现：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011367658.8A CN114563012B (zh) | 2020-11-27 | 2020-11-27 | 计步方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011367658.8A CN114563012B (zh) | 2020-11-27 | 2020-11-27 | 计步方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114563012A true CN114563012A (zh) | 2022-05-31 |
| CN114563012B CN114563012B (zh) | 2024-06-04 |
Family
ID=81711714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011367658.8A Active CN114563012B (zh) | 2020-11-27 | 2020-11-27 | 计步方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114563012B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104406604A (zh) * | 2014-11-21 | 2015-03-11 | 中国科学院计算技术研究所 | 一种计步方法 |
| US20160089080A1 (en) * | 2014-09-30 | 2016-03-31 | Mophie, Inc. | System and method for activity determination |
| CN106289306A (zh) * | 2016-07-29 | 2017-01-04 | 广东欧珀移动通信有限公司 | 计步方法和装置 |
| CN106500717A (zh) * | 2015-09-08 | 2017-03-15 | 中兴通讯股份有限公司 | 一种实现计步的方法及装置 |
| CN106525068A (zh) * | 2016-11-08 | 2017-03-22 | 深圳市金立通信设备有限公司 | 一种计步方法及终端 |
| CN106725512A (zh) * | 2017-02-22 | 2017-05-31 | 安徽华米信息科技有限公司 | 运动监测方法、装置及可穿戴设备 |
| US20180181860A1 (en) * | 2015-06-26 | 2018-06-28 | Sentiance Nv | Deriving movement behaviour from sensor data |
| CN108981745A (zh) * | 2018-09-30 | 2018-12-11 | 深圳个人数据管理服务有限公司 | 一种计步方法、装置、设备和存储介质 |
| CN108969980A (zh) * | 2018-06-28 | 2018-12-11 | 广州视源电子科技股份有限公司 | 一种跑步机及其步数统计的方法、装置及存储介质 |
| CN109870172A (zh) * | 2019-02-25 | 2019-06-11 | 广州市香港科大***研究院 | 计步检测方法、装置、设备及存储介质 |
| CN110057380A (zh) * | 2019-04-30 | 2019-07-26 | 北京卡路里信息技术有限公司 | 计步方法、装置、终端和存储介质 |
| 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 |
| CN111879334A (zh) * | 2020-07-31 | 2020-11-03 | 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 |
-
2020
- 2020-11-27 CN CN202011367658.8A patent/CN114563012B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160089080A1 (en) * | 2014-09-30 | 2016-03-31 | Mophie, Inc. | System and method for activity determination |
| CN104406604A (zh) * | 2014-11-21 | 2015-03-11 | 中国科学院计算技术研究所 | 一种计步方法 |
| US20180181860A1 (en) * | 2015-06-26 | 2018-06-28 | Sentiance Nv | Deriving movement behaviour from sensor data |
| CN106500717A (zh) * | 2015-09-08 | 2017-03-15 | 中兴通讯股份有限公司 | 一种实现计步的方法及装置 |
| US20180252549A1 (en) * | 2015-09-08 | 2018-09-06 | Zte Corporation | Method and apparatus for realizing step counting |
| CN106289306A (zh) * | 2016-07-29 | 2017-01-04 | 广东欧珀移动通信有限公司 | 计步方法和装置 |
| CN106525068A (zh) * | 2016-11-08 | 2017-03-22 | 深圳市金立通信设备有限公司 | 一种计步方法及终端 |
| CN106725512A (zh) * | 2017-02-22 | 2017-05-31 | 安徽华米信息科技有限公司 | 运动监测方法、装置及可穿戴设备 |
| CN108969980A (zh) * | 2018-06-28 | 2018-12-11 | 广州视源电子科技股份有限公司 | 一种跑步机及其步数统计的方法、装置及存储介质 |
| CN108981745A (zh) * | 2018-09-30 | 2018-12-11 | 深圳个人数据管理服务有限公司 | 一种计步方法、装置、设备和存储介质 |
| CN109870172A (zh) * | 2019-02-25 | 2019-06-11 | 广州市香港科大***研究院 | 计步检测方法、装置、设备及存储介质 |
| CN110057380A (zh) * | 2019-04-30 | 2019-07-26 | 北京卡路里信息技术有限公司 | 计步方法、装置、终端和存储介质 |
| 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 |
| CN111879334A (zh) * | 2020-07-31 | 2020-11-03 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| YIWEN JIANG; WEI TANG; NENG GAO;等: "Your Pedometer Tells You: Attribute Inference via Daily Walking Step Count", 2019 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTING, SCALABLE COMPUTING & COMMUNICATIONS, CLOUD & BIG DATA COMPUTING, INTERNET OF PEOPLE AND SMART CITY INNOVATION, 9 April 2020 (2020-04-09) * |
| 施文美: "基于神经网络校正技术的智能计步器设计", 仪表技术, no. 9, 30 September 2016 (2016-09-30) * |
| 梁久祯;朱向军;陈;: "基于手机加速度传感器的高精低采样计步算法设计", 西北大学学报(自然科学版), vol. 45, no. 05, 31 October 2015 (2015-10-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114563012B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107582028B (zh) | 睡眠监测方法及装置 | |
| RU2656694C1 (ru) | Способ и устройство для анализа социальных отношений | |
| EP2919165A2 (en) | Method and device for clustering | |
| CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
| CN107202574B (zh) | 运动轨迹信息修正方法及装置 | |
| CN110751659B (zh) | 图像分割方法及装置、终端、存储介质 | |
| CN111539443A (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
| CN107480785B (zh) | 卷积神经网络的训练方法及装置 | |
| EP3312702A1 (en) | Method and device for identifying gesture | |
| CN107025421B (zh) | 指纹识别方法和装置 | |
| CN111553464B (zh) | 基于超网络的图像处理方法、装置及智能设备 | |
| CN110992979B (zh) | 一种检测方法、装置和电子设备 | |
| CN110717399A (zh) | 人脸识别方法和电子终端设备 | |
| CN108984628B (zh) | 内容描述生成模型的损失值获取方法及装置 | |
| CN109246184B (zh) | 一种时间信息获取方法、装置和可读存储介质 | |
| CN111539617B (zh) | 数据处理方法和装置、电子设备、交互***和存储介质 | |
| CN108020374B (zh) | 气压值确定方法及装置 | |
| CN111177521A (zh) | 一种查询词分类模型的确定方法和装置 | |
| CN107158685B (zh) | 运动检验方法和装置 | |
| CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
| CN114563012B (zh) | 计步方法、装置、设备及存储介质 | |
| CN109711386B (zh) | 获取识别模型的方法、装置、电子设备及存储介质 | |
| CN111650554A (zh) | 定位方法及装置、电子设备和存储介质 | |
| CN112833907B (zh) | 计步方法、装置、设备及存储介质 | |
| CN115225702B (zh) | 信息推送方法、装置、电子设备及存储介质 |
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 |