CN114756114B - 一种可穿戴设备节能方法及设备 - Google Patents

一种可穿戴设备节能方法及设备 Download PDF

Info

Publication number
CN114756114B
CN114756114B CN202210362067.4A CN202210362067A CN114756114B CN 114756114 B CN114756114 B CN 114756114B CN 202210362067 A CN202210362067 A CN 202210362067A CN 114756114 B CN114756114 B CN 114756114B
Authority
CN
China
Prior art keywords
data
physiological data
user
state
frequency
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
CN202210362067.4A
Other languages
English (en)
Other versions
CN114756114A (zh
Inventor
郭少勇
陈钰
熊翱
杨少杰
才智
姚辉
彭凯
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.)
Xingyaoneng Beijing Technology Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Xingyaoneng Beijing Technology Co ltd
Beijing University of Posts and Telecommunications
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 Xingyaoneng Beijing Technology Co ltd, Beijing University of Posts and Telecommunications filed Critical Xingyaoneng Beijing Technology Co ltd
Priority to CN202210362067.4A priority Critical patent/CN114756114B/zh
Publication of CN114756114A publication Critical patent/CN114756114A/zh
Application granted granted Critical
Publication of CN114756114B publication Critical patent/CN114756114B/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
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/325—Power saving in peripheral device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Mathematical Optimization (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)

Abstract

本发明提供一种可穿戴设备节能方法及设备，获取高斯分布概率密度函数，以及用于判断生理数据正常和异常的设定概率阈值，采集用户当前时刻的第一生理数据，并根据高斯分布概率密度函数计算第一生理数据对应的概率值，比较概率值与设定概率阈值，判断用户生理数据是正常或异常状态，以指令心率传感器在正常状态下低频采样，在异常状态下高频采样；将第一生理数据输入预设分类算法，获取用户当前时刻的活动状态，以指令GPS定位模块在静止状态、位移量较低的常规状态和位移量较高的运动状态下以不同频率采样。在确保监测人体健康功能和性能的同时，降低设备功耗，延长续航时间，减少充电次数。

Description

一种可穿戴设备节能方法及设备
技术领域
本发明涉及可穿戴设备领域，尤其涉及一种可穿戴设备节能方法及设备。
背景技术
随着5G和物联网的快速发展，5G连接的对象从“人”扩展到“万物”，越来越多的物联终端走进人们的生产和生活中。体积小、功能强的可穿戴设备给人们的生活带来了极大的便利，因此备受青睐。其内置有高精度感应传感器，对人体心率、血氧和心电等生命特征信号进行采集，应用于人体的运动健康监测、日常健康监测和睡眠监测等方面，主要有运动计步、心率检测、睡眠质量监测、久坐提醒等功能，这些功能极大的丰富了人们的生活。随着可穿戴设备性能的不断提升，设备功耗问题也愈发严峻。可穿戴设备运行时需要采集数据、处理数据和传输数据，这些功能的运行需要消耗大量的电能。而可穿戴设备通常采用电池供电，由于设备的体积限制，放置的电池容量有限，从而导致了设备能量有限、续航时间短、迫使用户进行频繁充电等一系列问题，进而产生不佳的使用体验，同时也无法实现长时间的人体健康监测。
因此，在确保可穿戴设备能够实现基本功能，满足用户使用需求的同时，如何有效管理和控制设备功耗，提升续航能力，成为一个亟待解决的问题。
发明内容
鉴于此，本实施例提供了一种可穿戴设备节能方法及设备，以解决现有技术中存在的一个或更多个缺陷，克服可穿戴设备功耗大、续航时间短、迫使用户频繁充电而导致不佳的使用体验等一系列问题。
本发明的技术方案如下：
一方面，本发明提供一种可穿戴设备节能方法，该方法运行在可穿戴设备的处理器上，包括：
获取健康用户生理数据的高斯分布概率密度函数，以及用于判断所述生理数据正常和异常的设定概率阈值，所述健康用户生理数据至少包括加速度数据和心率数据，所述高斯分布概率密度函数是基于多个健康用户在不同活动状态下的生理数据计算得到的；
采集用户在当前时刻的第一生理数据，并根据所述高斯分布概率密度函数计算所述第一生理数据对应的概率值，所述第一生理数据至少包括第一加速度数据和第一心率数据；
将所述概率值和所述设定概率阈值进行比较：若所述概率值大于所述设定概率阈值，则判断当前时刻所述第一生理数据正常，并指令心率传感器以第一频率进行工作采样；若所述概率值小于所述设定概率阈值，则判断当前时刻所述第一生理数据异常，并指令所述心率传感器以第二频率进行工作采样，并至少持续第一设定时长；其中，所述第一频率小于所述第二频率；
将所述第一生理数据输入预设分类算法以获取用户当前时刻的活动状态，所述活动状态至少包括：无位移的静止状态、位移量较低的常规状态和位移量较高的运动状态；
若用户当前时刻处于静止状态，则指令GPS定位模块休眠不工作；若用户当前时刻处于常规状态，则指令所述GPS定位模块以第三频率获取定位数据；若用户当前时刻处于运动状态，则指令所述GPS定位模块以第四频率获取定位数据，其中，所述第三频率小于所述第四频率；以上三种状态被判定后，所述GPS定位模块工作至少持续第二设定时长。
优选地，所述健康用户生理数据的高斯概率分布密度函数由以下步骤得到：
采集多个年龄段健康用户在不同活动状态下包含加速度数据和心率数据的生理数据作为第一样本数据；
利用二元高斯分布对所述第一样本数据做分布分析，拟合获得加速度和心率的分布概率，以得到所述健康用户生理数据的高斯分布概率密度函数。
优选地，将所述第一生理数据输入预设分类算法以获取用户当前时刻的活动状态之前，还包括：
获取多个年龄段健康用户在不同活动状态下包含加速度数据和心率数据的生理数据，并标记每个数据样本所属的活动状态类别，得到第二样本数据；
采用所述第二样本数据训练得到决策树作为所述预设分类算法；所述决策树为ID3、C4.5或CART中的一种。
优选地，所述预设分类算法是基于支持向量机、生成式对抗网络或卷积神经网络训练得到的。
优选地，获取健康用户生理数据的高斯分布概率密度函数，以及用于判断所述生理数据正常和异常的设定概率阈值之前，还包括：
获取交叉验证集，所述交叉验证集包括基于健康用户得到的正常生理数据以及基于不健康用户得到的异常生理数据；
利用所述高斯分布概率密度函数计算所述正常生理数据以及所述异常生理数据的概率，并确定用于判断所述生理数据正常和异常的设定概率阈值。
优选地，所述方法还包括：
所述心率传感器以第一频率进行工作采样期间，若当前时刻所述第一生理数据判断为异常，则立即指令所述心率传感器由第一频率转换为第二频率进行工作采样，并至少持续所述第一设定时长。
优选地，所述活动状态至少包括：静躺、静坐、静站、坐着办公、行走、上下楼、跳跃和跑步。
所述静止状态至少包括：静躺、静坐、静站，所述常规状态至少包括：坐着办公、行走、上下楼，所述运动状态至少包括：跳跃和跑步；
另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如前所述方法的步骤。
另一方面，本发明还提供一种可穿戴设备，其特征在于，至少包括：
加速度传感器，用于采集用户的加速度数据；
心率传感器，用于采集用户的心率数据；
GPS定位模块，用于记录用户位移变化数据；
处理器，用于执行如前所述可穿戴设备节能方法。
本发明的有益效果至少是：
所述可穿戴设备节能方法及设备，通过获取高斯分布概率密度函数，以及用于判断生理数据正常和异常的设定概率阈值，采集用户在当前时刻的第一生理数据，并根据高斯分布概率密度函数计算第一生理数据对应的概率值，比较概率值与设定概率阈值，判断用户生理数据是正常或异常状态，以指令心率传感器在正常状态下低频采样，在异常状态下高频采样；将第一生理数据输入预设分类算法，获取用户当前时刻的活动状态，以指令GPS定位模块在静止状态、位移量较低的常规状态和位移量较高的运动状态下以不同频率采样。所述方法研究用户使用需求和日常活动规律，并结合用户日常活动规律对可穿戴设备中大功耗传感器的采样频率和工作模式进行低功耗运行设计，在保证健康监测效果的同时，实现自适应节能，通过降低传感器的功耗实现整体设备的功耗降低，真正做到了可以长时间监测用户身体健康状况。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例中所述可穿戴设备节能方法的流程示意图。
图2为本发明一实施例中获取健康用户生理数据高斯概率分布密度函数流程示意图。
图3为本发明另一实施例中异常检测算法实验效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
为了克服可穿戴设备功耗大、续航时间短、迫使用户频繁充电而导致不佳的使用体验等一系列问题，本发明提供一种可穿戴设备节能方法及设备，通过研究用户使用需求和日常活动规律，对可穿戴设备中大功耗传感器，例如心率传感器和GPS定位模块的采样频率和工作模式进行低功耗运行设计，在保证健康监测效果的同时，实现自适应节能，通过降低传感器的功耗实现整体设备的功耗降低。
本发明提供一种可穿戴设备节能方法，该方法运行在可穿戴设备的处理器上，如图1所示，包括以下步骤S101～S105：
这里需要强调的是，本实施例中的所述的步骤S101～S105并不是对各步骤先后顺序的限定，而应当理解为可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行：
步骤S101：获取健康用户生理数据的高斯分布概率密度函数，以及用于判断生理数据正常和异常的设定概率阈值，健康用户生理数据至少包括加速度数据和心率数据，高斯分布概率密度函数是基于多个健康用户在不同活动状态下的生理数据计算得到的。
步骤S101是可穿戴设备节能方法的准备步骤，人体在进行不同活动时，加速度和心率在对应的活动状态下有相应的上下限的数值区间变化，利用加速度传感器和心率传感器采集多个健康用户在不同活动状态下的加速度数据和心率数据，并通过异常检测算法识别人体生理数据的异常状态。具体的，基于健康用户的生理数据，构建加速度数据和心率数据的高斯分布概率密度函数，通过代入包含异常数据和正常数据的交叉验证集，检验得到能够区分生理数据正常和异常的设定概率阈值，用于区分用户的生理数据处于异常或正常状态。其中，对于正常的生理数据，由于分布较为集中，其呈现较高的分布概率，而对于异常的生理数据，分布较为松散，其呈现较低的分布概率，因此，通过设置一个设定概率阈值能够进行有效的分类。
步骤S102：采集用户在当前时刻的第一生理数据，并根据高斯分布概率密度函数计算第一生理数据对应的概率值，第一生理数据至少包括第一加速度数据和第一心率数据。
其中，采集的用户当前时刻的第一生理数据以当前时刻加速度数据和心率数据组成的二维向量表示，用来刻画当前时刻用户的运动状态和强度。通过代入上述高斯分布概率密度函数，能够计算得到用户当前时刻第一生理数据的分布概率，也即相对于正常或异常两种状态下的分布概率，相应的概率值越高则表示其偏属于分布较为集中的正常数据，相应的概率值越低则表示其偏属于分布较为松散的异常数据。
步骤S103：将概率值和设定概率阈值进行比较：若概率值大于设定概率阈值，则判断当前时刻第一生理数据正常，并指令心率传感器以第一频率进行工作采样；若概率值小于设定概率阈值，则判断当前时刻第一生理数据异常，并指令心率传感器以第二频率进行工作采样，并至少持续第一设定时长；其中，第一频率小于第二频率。
其中，第一频率、第二频率和第一设定时长均需结合可穿戴设备自身性能和用户需求综合考虑设定。例如专门用于健康监测功能的可穿戴设备，需要考虑产品的性能，设定能够满足设备实现功能的工作值；又例如不健康用户使用可穿戴设备时，需要考虑用户自身健康的状况以及对产品的使用需求，设定满足用户需求的工作值。
在步骤S101中所获取的用于判断生理数据正常和异常的设定概率阈值是基于包含异常数据和正常数据的交叉验证集进行划分得到的，在能够有效区别正常数据和异常数据的条件下，通过选定一个概率值作为设定概率阈值实现正常数据和异常数据的划分。
在判断出用户当前的第一生理数据是正常时，认定用户生理机能处于低风险状态，因此可以设置可穿戴设备进行较低频率地采样，以极大减小设备的能耗，提高续航能力。而在判断出用户当前的第一生理数据是异常时，认定用户生理机能处于高风险状态，或可能存在监测数据采集错误，可以设置可穿戴设备进行较高频率地采样，以保障对用户生理隐患的有效监测识别。通过这种采样怕频率动态调整的方式，能够减少非必要状态下的高频采样，减少设备能耗。
进一步的，为了确保对用户高风险生理状态的有效识别，本实施例限定在检出异常的情况下，必须持续高频采样达到第一设定时长之后才能转为低频采样，这期间无论第一生理数据是否恢复正常都保持高频采样和识别的状态，以确保用户的生理状态真实有效的恢复至正常后，再转为低频采样，提高设备监测的可靠性。
在一些实施例中，可穿戴设备节能方法还包括：心率传感器以第一频率进行工作采样期间，若当前时刻第一生理数据判断为异常，则立即指令心率传感器由第一频率转换为第二频率进行工作采样，并至少持续第一设定时长。
其中，心率传感器在设备运行期间一直以第一、第二频率切换工作，第一频率工作采样期间判断到异常数据需要立即转换为第二频率进行工作采样；但当心率传感器以第二频率工作采样期间，在第一设定时长以内，判断到正常数据时，仍以第二频率进行工作采用，在持续第一设定时长之后，判断到正常数据，心率传感器才会转换为第一频率进行工作采样，其中，第一设定时长可根据具体需求更改。
步骤S104：将第一生理数据输入预设分类算法以获取用户当前时刻的活动状态，活动状态至少包括：无位移的静止状态、位移量较低的常规状态和位移量较高的运动状态。
其中，第一生理数据即当前时刻的加速度数据和心率数据，既可以用于步骤S102～S103，实现心率传感器工作采样频率自调节，同时也可以用于步骤S104～S105，实现GPS定位模块工作模式的自调节，避免重复多次采样数据造成的功耗问题。第一生理数据的采集频率根据设备性能和用户使用需求设定。
具体的，通过预设分类算法识别用户的活动状态，使得在无位移或位移较少的活动状态下减少GPS定位模块的采样频率，而在位移较多的活动状态下增加GPS定位模块的采样频率。其中，预设分类算法可以是通过机器学习的方式进行预训练得到的，示例性的，获取一组训练样本集，该训练样本集中至少包含多个用户在不同活动状态下的生理数据(即加速度数据和心率数据)，每个用户在每个状态下的生理数据作为一个样本，并对每个样本添加其对应的活动状态作为标签。采用训练样本集对通用的分类模型进行训练，以得到能够对用户活动状态进行分类识别的模型。
在本实施例中，预设分类算法是基于支持向量机、生成式对抗网络或卷积神经网络训练得到的。其中，支持向量机、生成式对抗网络和卷积神经网络均属于深度学习算法，是机器学习的一个分支，根据人脑神经通路进行松散建模，不需要手动选择相关特征，可以实现自动学习有用特征，为本发明训练得到预设分类算法。
在识别得到相应的活动状态后，再进一步区分为静止状态、常规状态和运动状态。
步骤S105：若用户当前时刻处于静止状态，则指令GPS定位模块休眠不工作；若用户当前时刻处于常规状态，则指令GPS定位模块以第三频率获取定位数据；若用户当前时刻处于运动状态，则指令GPS定位模块以第四频率获取定位数据，其中，第三频率小于第四频率；以上三种状态被判定后，所述GPS定位模块工作至少持续第二设定时长。
用户在进行一项活动时通常会保持一定的时间段，例如坐着办公状态会持续1～3小时，睡眠状态会持续6～8小时，将用户的活动状态分为静止状态、常规状态和运动状态保证了一定的稳定性，同时也足以涵盖用户一天的活动状态。
在本实施例中，活动状态至少包括：静躺、静坐、静站、坐着办公、行走、上下楼、跳跃和跑步。这八种活动状态全面涵盖了用户一天的日常生活，在不同活动状态下采集的生理数值具有代表性和准确性。
在本实施例中，静止状态至少包括：静躺、静坐、静站，常规状态至少包括：坐着办公、行走、上下楼，运动状态至少包括：跳跃和跑步。
其中，第三频率、第四频率和第二设定时长均需结合可穿戴设备自身性能和用户需求综合考虑设定。例如用户为儿童时，为避免安全问题的发生，设定满足用户需求的工作值，通过GPS定位模块生成详细的移动轨迹与当前具***置。
同样的，为了确保对用户运动状态的有效识别，本实施例限定用户在常规，必须持续高频采样达到第一设定时长之后才能转为低频采样，这期间无论第一生理数据是否恢复正常都保持高频采样和识别的状态，以确保用户的生理状态真实有效的恢复至正常后，再转为低频采样，提高设备监测的可靠性。
考虑到GPS定位模块的作用是记录用户位移变化数据，本实施例将设定的八种活动分为三大类活动状态，如前文提及这三类活动状态下的位移变化存在明显特征。当用户处于静止状态时，不会发生位移变化，GPS定位模块休眠不工作，极大地实现了GPS定位模块的节能，同时将用户活动状态分为如上述三类，具有一定的稳定性，当用户处于其中一种状态时，并不会产生频繁或快速的变化，对于GPS定位模块的工作值设定范围放宽，更好地实现了GPS定位模块的节能效果，其中，GPS定位模块的工作值至少包括上文的第三频率、第四频率和第二设定时长。
在本实施例中，如图2所示，健康用户生理数据的高斯概率分布密度函数由以下步骤S201～S202得到：
步骤S201：采集多个年龄段健康用户在不同活动状态下包含加速度数据和心率数据的生理数据作为第一样本数据；
其中，多个年龄段健康用户作为训练样本，加速度数据和心率数据组成二维向量，构成二维数据训练集。
步骤S202：利用二元高斯分布对第一样本数据做分布分析，拟合获得加速度和心率的分布概率，以得到健康用户生理数据的高斯分布概率密度函数。
其中，第一样本数据是由加速度数据和心率数据组成的二维数据训练集，在做分布分析时，需要考虑两个维度上的特征相关性，避免将明显偏离正常范围的异常数值在规划范围时视为正常数值，因此利用二元高斯分布，得到的健康用户生理数据的高斯分布概率密度函数，是加速度数据和心理数据两个独立高斯分布密度的乘积，即基于加速度数据和心率数据两个维度上的数学期望和方差的高斯分布概率密度函数。
在本实施例中，将第一生理数据输入预设分类算法以获取用户当前时刻的活动状态之前，还包括：获取多个年龄段健康用户在不同活动状态下包含加速度数据和心率数据的生理数据，并标记每个数据样本所属的活动状态类别，得到第二样本数据。采用第二样本数据训练得到决策树作为所述预设分类算法；所述决策树为ID3、C4.5或CART中的一种。
其中，第二样本数据均被标记有运动状态分类标签，并将其分为训练集和交叉验证集，划分比例为8:2，基于决策树学习进行状态分类，相比于贝叶斯算法，决策树在构造过程不需要任何领域知识或参数设置，对于本发明，决策树可以更便捷且准确地得到用户活动状态分类模型。
在本实施例中，步骤S101之前，即获取健康用户生理数据的高斯分布概率密度函数，以及用于判断所述生理数据正常和异常的设定概率阈值之前，还包括：
获取交叉验证集，交叉验证集包括基于健康用户得到的正常生理数据以及基于不健康用户得到的异常生理数据；
利用所述高斯分布概率密度函数计算正常生理数据以及异常生理数据的概率，并确定用于判断所述生理数据正常和异常的设定概率阈值。
其中，交叉验证集可以从第一本样本数据中抽取数据，也可以重新采集生理数据，但需要包括不健康用户的异常生理数据。基于高斯分布的异常检测算法训练得到高斯分布密度函数，利用交叉验证集确定设定概率阈值，得到高斯分布概率模型，识别异常生理数据，设定概率阈值就是高斯分布概率模型的一个约束范围。
下面结合一实施例对本发明进行具体说明：
使用公开数据集：PAMAP2_Dataset:PhysicalActivityMonitoring(2012)，该数据集的数据来源于9名测试者，8名男性和1名女性，年龄范围为27.22±3.31岁，BMI范围为25.11±2.62kgm2。所有测试者在支配臂手腕处佩戴装置，进行为期一天实验活动，佩戴的装置是采样率为100Hz的惯性测量装置(ColibriwirelessIMUs)和采样率为9Hz的心率传感器(BM-CS5SRfromBMinnovationsGmbH)。
对数据集的数据进行整理，得到9名测试者在进行静躺、静坐、静站、坐着办公、行走、上下楼、跳跃和跑步8种活动下的三轴加速度和心率数据，再通过综合9人的活动数据并取心率平均值和三轴加速度平方平均数可以得到代表人体日常活动规律的数据集，8种活动中，每项活动均整理100个9名测试者的活动数据，共900(上下楼活动为上楼、下楼各100个)个(X加速度，X心率)二维向量。这份数据集中的数据可以等同于来自正常用户佩戴具有健康监测功能的基本款物联腕带产生的数据。
从原数据集中抽取700个数据作为训练集，从原数据中抽取200个数据并且人为构造10个异常数据共210个数据作为交叉验证集。通过基于二元高斯分布异常检测算法在训练集上学习得到了数学期望μ＝6.300285713.967639和方差
Figure BDA0003585667570000091
Figure BDA0003585667570000092
的高斯分布函数，并通过交叉验证集求得最佳的概率阈值ε为0.007171。异常检测算法实验效果图如图3所示，集中分布的为正常数据即概率大于ε，松散分布的为异常数据即概率小于ε。由此制定的心率传感器节能方法：
在设备开始运行和运行过程中，腕带采集到的(X加速度，X心率)数据通过上述求出的高斯分布函数算出概率p，若p大于ε即判断此时的心率数值为正常，则心率传感器以低频率0.01Hz工作采样；若p小于ε即判断此时的心率数值为异常，则心率传感器以高频率1Hz工作采样；
心率传感器在低频率采样时，若采集到异常数据将立即转换为高频率采样；心率传感器在高频率采样时会维持高频率状态3分钟，在3分钟内采集到正常数据不会转换为低频率，在3分钟以后采集到正常数据才会转换为低频率采样。
上述所描述的低频率、高频率和高频率维持时间是本次实施举例为方便描述所规定的，在实际运用过程中应结合具体设备和用户需求制定。
将原数据集中静躺、静坐和静站三种活动共300个数据归为静止状态，分类标签为0；坐着办公、行走和上下楼三种活动共400个数据归为常规状态，分类标签为1；跑步、跳绳两类活动共200个数据归为运动状态，分类标签为2，并将带标签数据集分为630个训练集和270个交叉验证集。
通过C4.5决策树分类算法学习得到分类准确率为94.4％的人体活动状态分类模型。由分类模型制定出GPS定位***节能方法：
由腕带终端采集的数据(X加速度，X心率)通过分类模型判定用户当前时刻的状态，若是处于静止状态则GPS休眠不工作，若处于常规状态则GPS低频率工作即每5分钟更新一次定位信息，若处于运动状态则GPS高频率工作即每30秒更新一次定位信息，每种状态判定后均持续时间10分钟，10分钟后再判断状态是否改变。
将本实施例结合选择的数据集制定出来的心率传感器和GPS定位***的节能方法应用到数据集中9名测试者一天的活动中去，通过实验验证得到本发明提出的节能方法在没有任何其他节能措施的情况下，平均节约电能80～90％，能使心率传感器在大部分时间处于低频率工作模式，同时大幅减少GPS更新定位信息的次数。
综上所述，本发明所述可穿戴设备节能方法及设备，通过获取高斯分布概率密度函数，以及用于判断生理数据正常和异常的设定概率阈值，采集用户在当前时刻的第一生理数据，并根据高斯分布概率密度函数计算第一生理数据对应的概率值，比较概率值与设定概率阈值，判断用户生理数据的正常或异常状态，以指令心率传感器在正常状态下低频采样，在异常状态下高频采样；将第一生理数据输入预设分类算法以获取用户当前时刻的活动状态，以指令GPS定位模块在静止状态、位移量较低的常规状态和位移量较高的运动状态下以不同频率采样。所述方法研究用户使用需求和日常活动规律，并结合用户日常活动规律对可穿戴设备中大功耗传感器的采样频率和工作模式进行低功耗运行设计，在保证健康监测效果的同时，实现自适应节能，通过降低传感器的功耗实现整体设备的功耗降低，真正做到了可以长时间监测用户身体健康状况。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例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)

1.一种可穿戴设备节能方法，其特征在于，该方法运行在可穿戴设备的处理器上，包括：
获取健康用户生理数据的高斯分布概率密度函数，以及用于判断所述生理数据正常和异常的设定概率阈值，所述健康用户生理数据至少包括加速度数据和心率数据，所述高斯分布概率密度函数是基于多个健康用户在不同活动状态下的生理数据计算得到的；
采集用户在当前时刻的第一生理数据，并根据所述高斯分布概率密度函数计算所述第一生理数据对应的概率值，所述第一生理数据至少包括第一加速度数据和第一心率数据；
将所述概率值和所述设定概率阈值进行比较：若所述概率值大于所述设定概率阈值，则判断当前时刻所述第一生理数据正常，并指令心率传感器以第一频率进行工作采样；若所述概率值小于所述设定概率阈值，则判断当前时刻所述第一生理数据异常，并指令所述心率传感器以第二频率进行工作采样，并至少持续第一设定时长；其中，所述第一频率小于所述第二频率；
将所述第一生理数据输入预设分类算法以获取用户当前时刻的活动状态，所述活动状态至少包括：无位移的静止状态、位移量较低的常规状态和位移量较高的运动状态；
若用户当前时刻处于静止状态，则指令GPS定位模块休眠不工作；若用户当前时刻处于常规状态，则指令所述GPS定位模块以第三频率获取定位数据；若用户当前时刻处于运动状态，则指令所述GPS定位模块以第四频率获取定位数据，其中，所述第三频率小于所述第四频率；以上三种状态被判定后，所述GPS定位模块工作至少持续第二设定时长。
2.根据权利要求1所述的可穿戴设备节能方法，其特征在于，所述健康用户生理数据的高斯概率分布密度函数由以下步骤得到：
采集多个年龄段健康用户在不同活动状态下包含加速度数据和心率数据的生理数据作为第一样本数据；
利用二元高斯分布对所述第一样本数据做分布分析，拟合获得加速度和心率的分布概率，以得到所述健康用户生理数据的高斯分布概率密度函数。
3.根据权利要求1所述的可穿戴设备节能方法，其特征在于，将所述第一生理数据输入预设分类算法以获取用户当前时刻的活动状态之前，还包括：
获取多个年龄段健康用户在不同活动状态下包含加速度数据和心率数据的生理数据，并标记每个数据样本所属的活动状态类别，得到第二样本数据；
采用所述第二样本数据训练得到决策树作为所述预设分类算法；所述决策树为ID3、C4.5或CART中的一种。
4.根据权利要求1所述一种可穿戴设备节能方法，其特征在于，所述预设分类算法是基于支持向量机、生成式对抗网络或卷积神经网络训练得到的。
5.根据权利要求1所述可穿戴设备节能方法，其特征在于，获取健康用户生理数据的高斯分布概率密度函数，以及用于判断所述生理数据正常和异常的设定概率阈值之前，还包括：
获取交叉验证集，所述交叉验证集包括基于健康用户得到的正常生理数据以及基于不健康用户得到的异常生理数据；
利用所述高斯分布概率密度函数计算所述正常生理数据以及所述异常生理数据的概率，并确定用于判断所述生理数据正常和异常的设定概率阈值。
6.根据权利要求1所述一种可穿戴设备节能方法，其特征在于，所述方法还包括：
所述心率传感器以第一频率进行工作采样期间，若当前时刻所述第一生理数据判断为异常，则立即指令所述心率传感器由第一频率转换为第二频率进行工作采样，并至少持续所述第一设定时长。
7.根据权利要求1所述一种可穿戴设备节能方法，其特征在于，所述活动状态至少包括：静躺、静坐、静站、坐着办公、行走、上下楼、跳跃和跑步。
8.根据权利要求1所述一种可穿戴设备节能方法，其特征在于，所述静止状态至少包括：静躺、静坐、静站，所述常规状态至少包括：坐着办公、行走、上下楼，所述运动状态至少包括：跳跃和跑步。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种可穿戴设备，其特征在于，至少包括：
加速度传感器，用于采集用户的加速度数据；
心率传感器，用于采集用户的心率数据；
GPS定位模块，用于记录用户位移变化数据；
处理器，用于执行如权利要求1至8任意一项所述可穿戴设备节能方法。
CN202210362067.4A 2022-04-07 2022-04-07 一种可穿戴设备节能方法及设备 Active CN114756114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210362067.4A CN114756114B (zh) 2022-04-07 2022-04-07 一种可穿戴设备节能方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210362067.4A CN114756114B (zh) 2022-04-07 2022-04-07 一种可穿戴设备节能方法及设备

Publications (2)

Publication Number Publication Date
CN114756114A CN114756114A (zh) 2022-07-15
CN114756114B true CN114756114B (zh) 2023-05-30

Family

ID=82328362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210362067.4A Active CN114756114B (zh) 2022-04-07 2022-04-07 一种可穿戴设备节能方法及设备

Country Status (1)

Country Link
CN (1) CN114756114B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115590505B (zh) * 2022-12-15 2023-03-14 楠楠聚智信息科技有限责任公司 一种智能运动监测装置数据异常分析方法
CN115798167B (zh) * 2023-01-05 2023-04-21 石家庄市惠源淀粉有限公司 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置
NL2036441A (en) * 2023-12-06 2024-01-09 Guizhou Youpin Sleep Health Ind Co Ltd Sleep monitoring system and method based on beidou wearable device
CN117357104B (zh) * 2023-12-07 2024-04-26 深圳市好兄弟电子有限公司 一种基于用户特征的音频分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
CN107550475A (zh) * 2017-07-31 2018-01-09 深圳真时科技有限公司 一种监控人体心率的方法、装置和可穿戴设备
CN110806733A (zh) * 2019-10-30 2020-02-18 中国神华能源股份有限公司国华电力分公司 火电厂设备监测方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160302671A1 (en) * 2015-04-16 2016-10-20 Microsoft Technology Licensing, Llc Prediction of Health Status from Physiological Data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
CN107550475A (zh) * 2017-07-31 2018-01-09 深圳真时科技有限公司 一种监控人体心率的方法、装置和可穿戴设备
CN110806733A (zh) * 2019-10-30 2020-02-18 中国神华能源股份有限公司国华电力分公司 火电厂设备监测方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于高斯过程模型的异常检测算法;于冰洁;夏战国;王久龙;;计算机工程与设计(04);全文 *

Also Published As

Publication number Publication date
CN114756114A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN114756114B (zh) 一种可穿戴设备节能方法及设备
US10912495B2 (en) Activity recognition
US11298085B2 (en) Methods and systems for forecasting seizures
Khan et al. Accelerometer's position free human activity recognition using a hierarchical recognition model
Magno et al. DeepEmote: Towards multi-layer neural networks in a low power wearable multi-sensors bracelet
US7827011B2 (en) Method and system for real-time signal classification
US8478542B2 (en) Non-parametric modeling apparatus and method for classification, especially of activity state
Dalton et al. Development of a body sensor network to detect motor patterns of epileptic seizures
US20130179110A1 (en) Activity classification in a multi-axis activity monitor device
CN105446480A (zh) 可穿戴电子装置中的移动量度产生
CN102917661A (zh) 基于多变量残差的用于人体健康监视的健康指数
CN101896115A (zh) 用于检测低血糖症的eeg信号分析
Yang et al. Implementation of a wearerable real-time system for physical activity recognition based on Naive Bayes classifier
WO2016075529A1 (en) System and method for detecting and quantifying deviations from physiological signals normality
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及***
Altini et al. Personalization of energy expenditure estimation in free living using topic models
Mani et al. Smart suspenders with sensors and machine learning for human activity monitoring
Nguyen et al. A Bayesian nonparametric framework for activity recognition using accelerometer data
Kumar et al. Smart band for elderly fall detection using machine learning
JP6110348B2 (ja) 生体情報測定システムおよび方法
Wang et al. Fall detection based on convolutional neural networks using smart insole
CN113456027B (zh) 一种基于无线信号的睡眠参数评估方法
Mani et al. Evaluation of a Combined Conductive Fabric-Based Suspender System and Machine Learning Approach for Human Activity Recognition
Song et al. An efficient method for activity recognition of the elderly using tilt signals of tri-axial acceleration sensor
Mustafa A Study of Machine Learning Techniques based on Human Daily Living Activities via Inertial Sensors

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