CN116491935B - 一种智能穿戴设备的运动健康监测方法、***及介质 - Google Patents
一种智能穿戴设备的运动健康监测方法、***及介质 Download PDFInfo
- Publication number
- CN116491935B CN116491935B CN202310783321.2A CN202310783321A CN116491935B CN 116491935 B CN116491935 B CN 116491935B CN 202310783321 A CN202310783321 A CN 202310783321A CN 116491935 B CN116491935 B CN 116491935B
- Authority
- CN
- China
- Prior art keywords
- information
- motion
- data
- health monitoring
- preset
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 186
- 230000036541 health Effects 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 74
- 210000003857 wrist joint Anatomy 0.000 claims description 88
- 230000008859 change Effects 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 8
- 210000000707 wrist Anatomy 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 208000031636 Body Temperature Changes Diseases 0.000 claims description 5
- 206010068872 Toe walking Diseases 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 210000002310 elbow joint Anatomy 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000386 athletic effect Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 description 6
- 239000003550 marker Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
- A61B5/1116—Determining posture transitions
-
- 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
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
-
- 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
- A61B5/681—Wristwatch-type devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Cardiology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例提供了一种智能穿戴设备的运动健康监测方法、***及介质。该方法包括:获取穿戴设备参数信息,建立标志点;检测标志点的运动轨迹,生成姿态预测信息;将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断所述偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;将运动方式调整后的结果按照预定的方式传输至穿戴设备终端;实现通过运动轨迹进行项目类别的识别,进而针对性的对健康监测项目进行监测的技术。
Description
技术领域
本申请涉及运动健康监测领域,具体而言,涉及一种智能穿戴设备的运动健康监测方法、***及介质。
背景技术
智能手表作为一种常见的智能穿戴设备,已经广泛进入你们的日常生活当中。智能手表中的一般会配备运动健康类的应用程序,用于用户运动状态下的运动数据和身体数据,使用户能够便捷地了解自身的运动状态以及身体指标,为用户身体提供的管理提供了方便,现在有的智能手表中,运动健康程序中的运动数据过于复杂,无法针对不同的运动项目进行切换对应的健康监测项目,监测效果较差。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种智能穿戴设备的运动健康监测方法、***及介质,可以通过运动轨迹进行项目类别的识别,进而针对性的对健康监测项目进行监测的技术。
本申请实施例还提供了一种智能穿戴设备的运动健康监测方法,包括:
获取穿戴设备参数信息,建立标志点;
检测标志点的运动轨迹,生成姿态预测信息;
将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;
根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;
获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;
判断所述偏差率是否大于预设阈值;
若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;
将运动方式调整后的结果按照预定的方式传输至穿戴设备终端。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测方法中,所述获取穿戴设备参数信息,建立标志点,包括:
获取穿戴设备的出厂信息、穿戴设备的型号数据、穿戴设备的尺寸数据,建立标志点,根据标志点建立空间坐标系;
根据标志点的运动轨迹提取若干个特征点,并生成若干个特征点坐标;
将若干个特征点坐标进行拟合,生成运动轨迹曲线,并对运动轨迹曲线进行平滑处理,得到最终的运动轨迹。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测方法中,所述检测标志点的运动轨迹,生成姿态预测信息,包括:
根据标志点的运动轨迹获取手腕关节位置变化信息;
根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度;
建立运动速度约束阈值,并计算不同时刻手腕关节点云分布图;
根据时序关系生成运动姿态信息。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测方法中,所述根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度,包括:
获取时刻的手腕关节位置信息与/>时刻的手腕关节位置信息,计算在/>时间间隔内的手腕关节运动速度计算公式如下:
;
式中,表示手腕关节运动速度,/>表示在/>时刻下手腕关节的位置信息;/>表示在/>时刻下手腕关节的位置信息;/>表示时间值,/>表示时间间隔。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测方法中,所述根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;包括:
根据标志点的运动轨迹、手腕关节的位置变化信息以及手腕关节的运动速度判断项目类别信息;项目类别信息包括竞走、跑步、爬山、蹦跳;
健康监测项目包括平均布频、里程、热量消耗、平均速度、运动时长、心率变化信息、血压变化信息、体温变化信息。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测方法中,所述根据项目类别信息,生成健康监测项目,包括:
根据项目类别信息,生成预定的手腕关节运动轨迹信息;
获取手腕关节实时运动轨迹信息,并与预定的手腕关节运动轨迹信息进行匹配,得到匹配度;
当匹配度大于预设阈值时,则匹配成功,建立健康监测项目报表;
当匹配度小于预设阈值时,则匹配失败,切换运动监测模式,生成对应的健康监测项目。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测方法中,所述获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断所述偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整,包括:
获取实时健康监测数据,并对健康监测数据进行归一化处理,消除数据监测偏差;
线性归一化处理公式如下:
;
其中,表示归一化处理后的健康监测数据;/>表示采集的健康监测数据;/>采集的健康监测数据中的最小值;/>采集的健康监测数据中的最大值;/>表示修正系数,为正整数。
第二方面,本申请实施例提供了一种智能穿戴设备的运动健康监测***,该***包括:存储器及处理器,所述存储器中包括智能穿戴设备的运动健康监测方法的程序,所述智能穿戴设备的运动健康监测方法的程序被所述处理器执行时实现以下步骤:
获取穿戴设备参数信息,建立标志点;
检测标志点的运动轨迹,生成姿态预测信息;
将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;
根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;
获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;
判断所述偏差率是否大于预设阈值;
若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;
将运动方式调整后的结果按照预定的方式传输至穿戴设备终端。
可选地,在本申请实施例所述的智能穿戴设备的运动健康监测***中,所述获取穿戴设备参数信息,建立标志点,包括:
获取穿戴设备的出厂信息、穿戴设备的型号数据、穿戴设备的尺寸数据,建立标志点,根据标志点建立空间坐标系;
根据标志点的运动轨迹提取若干个特征点,并生成若干个特征点坐标;
将若干个特征点坐标进行拟合,生成运动轨迹曲线,并对运动轨迹曲线进行平滑处理,得到最终的运动轨迹。
第三方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中包括智能穿戴设备的运动健康监测方法程序,所述智能穿戴设备的运动健康监测方法程序被处理器执行时,实现如上述任一项所述的智能穿戴设备的运动健康监测方法的步骤。
由上可知,本申请实施例提供的一种智能穿戴设备的运动健康监测方法、***及介质,该方法包括:获取穿戴设备参数信息,建立标志点;检测标志点的运动轨迹,生成姿态预测信息;将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断所述偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;将运动方式调整后的结果按照预定的方式传输至穿戴设备终端;实现通过运动轨迹进行项目类别的识别,进而针对性的对健康监测项目进行监测的技术。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的智能穿戴设备的运动健康监测方法的流程图;
图2为本申请实施例提供的智能穿戴设备的运动健康监测方法的根据标志点获取运动轨迹的方法流程图;
图3为本申请实施例提供的智能穿戴设备的运动健康监测方法的运动姿态信息生成流程图;
图4为本申请实施例提供的智能穿戴设备的运动健康监测方法的健康监测项目生成方法流程图;
图5为本申请实施例提供的智能穿戴设备的运动健康监测***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种智能穿戴设备的运动健康监测方法的流程图。该智能穿戴设备的运动健康监测方法用于终端设备中,例如智能手表,智能手环等。该智能穿戴设备的运动健康监测方法,包括以下步骤:
S101,获取穿戴设备参数信息,建立标志点;
S102,检测标志点的运动轨迹,生成姿态预测信息;
S103,将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;
S104,根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;
S105,获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;
S106,判断偏差率是否大于预设阈值;
S107,若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;
S108,将运动方式调整后的结果按照预定的方式传输至穿戴设备终端。
需要说明的是,根据穿戴设备参数的不同,进行对应的标志点建立,即可以理解为,不同的穿戴设备,由于中心点或运动过程中,重心的不同,最能代表运动轨迹的标志点的位置也不相同,标志点可以理解为,最能代表穿戴设备运动过程中轨迹变化的点,标志点可以是中心点,也可以是穿戴设备的重心。
运动方式调整包括当监测到的健康监测数据出现偏差或即将出现偏差时,表示用户运动不当或运动过量,此时,穿戴设备通过报警,提醒用户注意事项,以及提示最优的运动方式的切换,如快跑时间过长时,提醒用户切换为慢走模式,不要短时间内中断运动,防止出现身体不适。
报警信息传输至穿戴设备后,可以通过蜂鸣器报警,即声音警示,也可以通过振动对用户进行提示。
请参照图2,图2是本申请一些实施例中的根据标志点获取运动轨迹的方法流程图。根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,获取穿戴设备参数信息,建立标志点,包括:
S201,获取穿戴设备的出厂信息、穿戴设备的型号数据、穿戴设备的尺寸数据,建立标志点,根据标志点建立空间坐标系;
S202,根据标志点的运动轨迹提取若干个特征点,并生成若干个特征点坐标;
S203,将若干个特征点坐标进行拟合,生成运动轨迹曲线,并对运动轨迹曲线进行平滑处理,得到最终的运动轨迹。
需要说明的是,运动轨迹曲线平滑处理过程中,剔除偏离相邻的两个特征点位置较大的特征点,或对该特征点进行权重加权,取加权后的特征点数据,进行运动轨迹曲线的拟合,使拟合后的运动轨迹曲线更加贴近实际值,且更加圆滑。
请参照图3,图3是本申请一些实施例中的运动姿态信息生成流程图。根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,检测标志点的运动轨迹,生成姿态预测信息,包括:
S301,根据标志点的运动轨迹获取手腕关节位置变化信息;
S302,根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度;
S303,建立运动速度约束阈值,并计算不同时刻手腕关节点云分布图;
S304,根据时序关系生成运动姿态信息。
需要说明的是,通过可穿戴设备中的IMU传感器采集用户运动时手腕的姿态与加速度信息,使用的IMU惯性传感器单元采集的频率固定至 100Hz。其中使用加速度和陀螺仪数据获取用户手腕运动位置的点云空间。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度,包括:
获取时刻的手腕关节位置信息与/>时刻的手腕关节位置信息,计算在/>时间间隔内的手腕关节运动速度计算公式如下:
;
式中,表示手腕关节运动速度,/>表示在/>时刻下手腕关节的位置信息;/>表示在/>时刻下手腕关节的位置信息;/>表示时间值,/>表示时间间隔。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;包括:
根据标志点的运动轨迹、手腕关节的位置变化信息以及手腕关节的运动速度判断项目类别信息;项目类别信息包括竞走、跑步、爬山、蹦跳;
健康监测项目包括平均布频、里程、热量消耗、平均速度、运动时长、心率变化信息、血压变化信息、体温变化信息。
请参照图4,图4是本申请一些实施例中的健康监测项目生成方法流程图。根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,根据项目类别信息,生成健康监测项目,包括:
S401,根据项目类别信息,生成预定的手腕关节运动轨迹信息;
S402,获取手腕关节实时运动轨迹信息,并与预定的手腕关节运动轨迹信息进行匹配,得到匹配度;
S403,当匹配度大于预设阈值时,则匹配成功,建立健康监测项目报表;
S404,当匹配度小于预设阈值时,则匹配失败,切换运动监测模式,生成对应的健康监测项目。
需要说明的是,预设阈值为百分数,可以选择80%或90%,匹配度大于80时,即可认定匹配成功,匹配失败则表示,当前运动数据与监测的健康监测项目不匹配,可以理解为,用于由慢走变为慢跑时,健康监测项目也应该进行对应切换,慢走与慢跑过程中,用户的标准健康数据存在区别,如果健康监测项目出现错误时,则会造成监测的数据也存在错误,穿戴设备会出现误判断的情况。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整,包括:
获取实时健康监测数据,并对健康监测数据进行归一化处理,消除数据监测偏差;
线性归一化处理公式如下:
;
其中,表示归一化处理后的健康监测数据;/>表示采集的健康监测数据;/>采集的健康监测数据中的最小值;/>采集的健康监测数据中的最大值;/>表示修正系数,为正整数。
根据本发明实施例,还包括:建立人体模型,以人体重心为原点建立三维坐标系;
通过欧拉角描述人体在三维欧式空间中的姿态信息,人体在坐标系中的任意姿态通过围绕坐标轴的旋转组合产生。
需要说明的是,使用惯性传感器实时采集手腕关节加速度信息与陀螺仪姿态信息,采用滤波器对姿态数据进行滤波处理,采用低通滤波器对加速度信息进行预处理,分离出线性加速度;
根据滤波处理后的姿态数据获取相对应的点云空间;
将姿态数据对应的点云空间与上一时刻的点云空间关联,生成隐马尔科夫模型中的状态空间,并作为隐马尔科夫模型的输入值;
将预处理后的线性加速度作为隐马尔科夫模型的观测值,采用维特比算法对位置点云进行估计;
点云包含腕关节与肘关节的位置信息,根据持续输出的点云预测结果对用户运动时手臂关节点的位置进行实时标记,进而达到监测运动状态的目的。
请参照图5,图5是本申请一些实施例中的一种智能穿戴设备的运动健康监测***的结构示意图。第二方面,本申请实施例提供了一种智能穿戴设备的运动健康监测***5,该***包括:存储器51及处理器52,存储器51中包括智能穿戴设备的运动健康监测方法的程序,智能穿戴设备的运动健康监测方法的程序被处理器执行时实现以下步骤:
获取穿戴设备参数信息,建立标志点;
检测标志点的运动轨迹,生成姿态预测信息;
将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;
根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;
获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;
判断偏差率是否大于预设阈值;
若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;
将运动方式调整后的结果按照预定的方式传输至穿戴设备终端。
需要说明的是,根据穿戴设备参数的不同,进行对应的标志点建立,即可以理解为,不同的穿戴设备,由于中心点或运动过程中,重心的不同,最能代表运动轨迹的标志点的位置也不相同,标志点可以理解为,最能代表穿戴设备运动过程中轨迹变化的点,标志点可以是中心点,也可以是穿戴设备的重心。
运动方式调整包括当监测到的健康监测数据出现偏差或即将出现偏差时,表示用户运动不当或运动过量,此时,穿戴设备通过报警,提醒用户注意事项,以及提示最优的运动方式的切换,如快跑时间过长时,提醒用户切换为慢走模式,不要短时间内中断运动,防止出现身体不适。
报警信息传输至穿戴设备后,可以通过蜂鸣器报警,即声音警示,也可以通过振动对用户进行提示。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测***中,获取穿戴设备参数信息,建立标志点,包括:
获取穿戴设备的出厂信息、穿戴设备的型号数据、穿戴设备的尺寸数据,建立标志点,根据标志点建立空间坐标系;
根据标志点的运动轨迹提取若干个特征点,并生成若干个特征点坐标;
将若干个特征点坐标进行拟合,生成运动轨迹曲线,并对运动轨迹曲线进行平滑处理,得到最终的运动轨迹。
需要说明的是,运动轨迹曲线平滑处理过程中,剔除偏离相邻的两个特征点位置较大的特征点,或对该特征点进行权重加权,取加权后的特征点数据,进行运动轨迹曲线的拟合,使拟合后的运动轨迹曲线更加贴近实际值,且更加圆滑。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,检测标志点的运动轨迹,生成姿态预测信息,包括:
根据标志点的运动轨迹获取手腕关节位置变化信息;
根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度;
建立运动速度约束阈值,并计算不同时刻手腕关节点云分布图;
根据时序关系生成运动姿态信息。
需要说明的是,通过可穿戴设备中的IMU传感器采集用户运动时手腕的姿态与加速度信息,使用的IMU惯性传感器单元采集的频率固定至 100Hz。其中使用加速度和陀螺仪数据获取用户手腕运动位置的点云空间。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度,包括:
获取时刻的手腕关节位置信息与/>时刻的手腕关节位置信息,计算在/>时间间隔内的手腕关节运动速度计算公式如下:
;
式中,表示手腕关节运动速度,/>表示在/>时刻下手腕关节的位置信息;/>表示在/>时刻下手腕关节的位置信息;/>表示时间值,/>表示时间间隔。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;包括:
根据标志点的运动轨迹、手腕关节的位置变化信息以及手腕关节的运动速度判断项目类别信息;项目类别信息包括竞走、跑步、爬山、蹦跳;
健康监测项目包括平均布频、里程、热量消耗、平均速度、运动时长、心率变化信息、血压变化信息、体温变化信息。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,根据项目类别信息,生成健康监测项目,包括:
根据项目类别信息,生成预定的手腕关节运动轨迹信息;
获取手腕关节实时运动轨迹信息,并与预定的手腕关节运动轨迹信息进行匹配,得到匹配度;
当匹配度大于预设阈值时,则匹配成功,建立健康监测项目报表;
当匹配度小于预设阈值时,则匹配失败,切换运动监测模式,生成对应的健康监测项目。
需要说明的是,预设阈值为百分数,可以选择80%或90%,匹配度大于80时,即可认定匹配成功,匹配失败则表示,当前运动数据与监测的健康监测项目不匹配,可以理解为,用于由慢走变为慢跑时,健康监测项目也应该进行对应切换,慢走与慢跑过程中,用户的标准健康数据存在区别,如果健康监测项目出现错误时,则会造成监测的数据也存在错误,穿戴设备会出现误判断的情况。
根据本发明实施例,在本申请实施例的智能穿戴设备的运动健康监测方法中,获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整,包括:
获取实时健康监测数据,并对健康监测数据进行归一化处理,消除数据监测偏差;
线性归一化处理公式如下:
;
其中,表示归一化处理后的健康监测数据;/>表示采集的健康监测数据;/>采集的健康监测数据中的最小值;/>采集的健康监测数据中的最大值;/>表示修正系数,为正整数。
根据本发明实施例,还包括:建立人体模型,以人体重心为原点建立三维坐标系;
通过欧拉角描述人体在三维欧式空间中的姿态信息,人体在坐标系中的任意姿态通过围绕坐标轴的旋转组合产生。
需要说明的是,使用惯性传感器实时采集手腕关节加速度信息与陀螺仪姿态信息,采用滤波器对姿态数据进行滤波处理,采用低通滤波器对加速度信息进行预处理,分离出线性加速度;
根据滤波处理后的姿态数据获取相对应的点云空间;
将姿态数据对应的点云空间与上一时刻的点云空间关联,生成隐马尔科夫模型中的状态空间,并作为隐马尔科夫模型的输入值;
将预处理后的线性加速度作为隐马尔科夫模型的观测值,采用维特比算法对位置点云进行估计;
点云包含腕关节与肘关节的位置信息,根据持续输出的点云预测结果对用户运动时手臂关节点的位置进行实时标记,进而达到监测运动状态的目的。
本发明第三方面提供了一种计算机可读存储介质,所述可读存储介质中包括智能穿戴设备的运动健康监测方法程序,所述智能穿戴设备的运动健康监测方法程序被处理器执行时,实现如上述任一项所述的智能穿戴设备的运动健康监测方法的步骤。
本发明公开的一种智能穿戴设备的运动健康监测方法、***及介质,该方法包括:获取穿戴设备参数信息,建立标志点;检测标志点的运动轨迹,生成姿态预测信息;将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断所述偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息生成运动调整进行,并进行运动方式的调整;将运动方式调整后的结果按照预定的方式传输至穿戴设备终端;实现通过运动轨迹进行项目类别的识别,进而针对性的对健康监测项目进行监测的技术。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (3)
1.一种智能穿戴设备的运动健康监测方法,其特征在于,包括:
获取穿戴设备参数信息,建立标志点;
检测标志点的运动轨迹,生成姿态预测信息;
将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;
根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;
获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;
判断所述偏差率是否大于预设阈值;
若大于,则生成报警信息,根据报警信息进行运动方式的调整;
将运动方式调整后的结果按照预定的方式传输至穿戴设备终端;
所述获取穿戴设备参数信息,建立标志点,包括:
获取穿戴设备的出厂信息、穿戴设备的型号数据、穿戴设备的尺寸数据,建立标志点,根据标志点建立空间坐标系;
根据标志点的运动轨迹提取若干个特征点,并生成若干个特征点坐标;
将若干个特征点坐标进行拟合,生成运动轨迹曲线,并对运动轨迹曲线进行平滑处理,得到最终的运动轨迹;
所述检测标志点的运动轨迹,生成姿态预测信息,包括:
根据标志点的运动轨迹获取手腕关节位置变化信息;
根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度;
建立运动速度约束阈值,并计算不同时刻手腕关节点云分布图;
根据时序关系生成运动姿态信息;
其中,通过可穿戴设备中的IMU传感器采集用户运动时手腕的姿态与加速度信息,使用的IMU惯性传感器单元采集的频率固定至 100Hz,其中使用加速度和陀螺仪数据获取用户手腕运动位置的点云空间;
具体包括:使用惯性传感器实时采集手腕关节加速度信息与陀螺仪姿态信息,采用滤波器对姿态数据进行滤波处理,采用低通滤波器对加速度信息进行预处理,分离出线性加速度;
根据滤波处理后的姿态数据获取相对应的点云空间;
将姿态数据对应的点云空间与上一时刻的点云空间关联,生成隐马尔科夫模型中的状态空间,并作为隐马尔科夫模型的输入值;
将预处理后的线性加速度作为隐马尔科夫模型的观测值,采用维特比算法对位置点云进行估计;
点云包含腕关节与肘关节的位置信息,根据持续输出的点云预测结果对用户运动时手臂关节点的位置进行实时标记;
所述根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度,包括:
获取时刻的手腕关节位置信息与/>时刻的手腕关节位置信息,计算在/>时间间隔内的手腕关节运动速度计算公式如下:
;
式中,表示手腕关节运动速度,/>表示在/>时刻下手腕关节的位置信息;/>表示在时刻下手腕关节的位置信息;/>表示时间值,/>表示时间间隔;
所述根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;包括:
根据标志点的运动轨迹、手腕关节的位置变化信息以及手腕关节的运动速度判断项目类别信息;项目类别信息包括竞走、跑步、爬山、蹦跳;
健康监测项目包括平均步频、里程、热量消耗、平均速度、运动时长、心率变化信息、血压变化信息、体温变化信息;
所述根据项目类别信息,生成健康监测项目,包括:
根据项目类别信息,生成预定的手腕关节运动轨迹信息;
获取手腕关节实时运动轨迹信息,并与预定的手腕关节运动轨迹信息进行匹配,得到匹配度;
当匹配度大于预设阈值时,则匹配成功,建立健康监测项目报表;
当匹配度小于预设阈值时,则匹配失败,切换运动监测模式,生成对应的健康监测项目;
所述获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断所述偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息进行运动方式的调整,包括:
获取实时健康监测数据,并对健康监测数据进行归一化处理,消除数据监测偏差;
线性归一化处理公式如下:
;
其中,表示归一化处理后的健康监测数据;/>表示采集的健康监测数据;/>采集的健康监测数据中的最小值;/>采集的健康监测数据中的最大值;/>表示修正系数,为正整数。
2.一种智能穿戴设备的运动健康监测***,其特征在于,该***包括:存储器及处理器,所述存储器中包括智能穿戴设备的运动健康监测方法的程序,所述智能穿戴设备的运动健康监测方法的程序被所述处理器执行时实现以下步骤:
获取穿戴设备参数信息,建立标志点;
检测标志点的运动轨迹,生成姿态预测信息;
将姿态预测信息与预先设置的数据信息进行比较,以识别对应的运动数据;
根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;
获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;
判断所述偏差率是否大于预设阈值;
若大于,则生成报警信息,根据报警信息进行运动方式的调整;
将运动方式调整后的结果按照预定的方式传输至穿戴设备终端;
所述获取穿戴设备参数信息,建立标志点,包括:
获取穿戴设备的出厂信息、穿戴设备的型号数据、穿戴设备的尺寸数据,建立标志点,根据标志点建立空间坐标系;
根据标志点的运动轨迹提取若干个特征点,并生成若干个特征点坐标;
将若干个特征点坐标进行拟合,生成运动轨迹曲线,并对运动轨迹曲线进行平滑处理,得到最终的运动轨迹;
所述检测标志点的运动轨迹,生成姿态预测信息,包括:
根据标志点的运动轨迹获取手腕关节位置变化信息;
根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度;
建立运动速度约束阈值,并计算不同时刻手腕关节点云分布图;
根据时序关系生成运动姿态信息;
其中,通过可穿戴设备中的IMU传感器采集用户运动时手腕的姿态与加速度信息,使用的IMU惯性传感器单元采集的频率固定至 100Hz,其中使用加速度和陀螺仪数据获取用户手腕运动位置的点云空间;
具体包括:使用惯性传感器实时采集手腕关节加速度信息与陀螺仪姿态信息,采用滤波器对姿态数据进行滤波处理,采用低通滤波器对加速度信息进行预处理,分离出线性加速度;
根据滤波处理后的姿态数据获取相对应的点云空间;
将姿态数据对应的点云空间与上一时刻的点云空间关联,生成隐马尔科夫模型中的状态空间,并作为隐马尔科夫模型的输入值;
将预处理后的线性加速度作为隐马尔科夫模型的观测值,采用维特比算法对位置点云进行估计;
点云包含腕关节与肘关节的位置信息,根据持续输出的点云预测结果对用户运动时手臂关节点的位置进行实时标记;
所述根据手腕关节位置变化信息计算手腕关节不同时刻的运动速度,包括:
获取时刻的手腕关节位置信息与/>时刻的手腕关节位置信息,计算在/>时间间隔内的手腕关节运动速度计算公式如下:
;
式中,表示手腕关节运动速度,/>表示在/>时刻下手腕关节的位置信息;/>表示在时刻下手腕关节的位置信息;/>表示时间值,/>表示时间间隔;
所述根据运动数据监测项目类别信息,根据项目类别信息,生成健康监测项目;包括:
根据标志点的运动轨迹、手腕关节的位置变化信息以及手腕关节的运动速度判断项目类别信息;项目类别信息包括竞走、跑步、爬山、蹦跳;
健康监测项目包括平均步频、里程、热量消耗、平均速度、运动时长、心率变化信息、血压变化信息、体温变化信息;
所述根据项目类别信息,生成健康监测项目,包括:
根据项目类别信息,生成预定的手腕关节运动轨迹信息;
获取手腕关节实时运动轨迹信息,并与预定的手腕关节运动轨迹信息进行匹配,得到匹配度;
当匹配度大于预设阈值时,则匹配成功,建立健康监测项目报表;
当匹配度小于预设阈值时,则匹配失败,切换运动监测模式,生成对应的健康监测项目;
所述获取实时健康监测数据,与预设的健康标准数据进行比较,得到偏差率;判断所述偏差率是否大于预设阈值;若大于,则生成报警信息,根据报警信息进行运动方式的调整,包括:
获取实时健康监测数据,并对健康监测数据进行归一化处理,消除数据监测偏差;
线性归一化处理公式如下:
;
其中,表示归一化处理后的健康监测数据;/>表示采集的健康监测数据;/>采集的健康监测数据中的最小值;/>采集的健康监测数据中的最大值;/>表示修正系数,为正整数。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括智能穿戴设备的运动健康监测方法程序,所述智能穿戴设备的运动健康监测方法程序被处理器执行时,实现如权利要求1所述的智能穿戴设备的运动健康监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310783321.2A CN116491935B (zh) | 2023-06-29 | 2023-06-29 | 一种智能穿戴设备的运动健康监测方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310783321.2A CN116491935B (zh) | 2023-06-29 | 2023-06-29 | 一种智能穿戴设备的运动健康监测方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116491935A CN116491935A (zh) | 2023-07-28 |
CN116491935B true CN116491935B (zh) | 2023-08-29 |
Family
ID=87321734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310783321.2A Active CN116491935B (zh) | 2023-06-29 | 2023-06-29 | 一种智能穿戴设备的运动健康监测方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116491935B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409976A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市微克科技有限公司 | 一种基于智能穿戴设备的用户健康监测方法、***及介质 |
CN118105066B (zh) * | 2024-04-03 | 2024-08-06 | 昆山歆轩电子有限公司 | 基于健身设备的用户健康数据智能采集方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106491105A (zh) * | 2016-11-02 | 2017-03-15 | 沈阳大学 | 一种敬老院智能监护*** |
WO2018030734A1 (ko) * | 2016-08-09 | 2018-02-15 | 주식회사 비플렉스 | 3d 시뮬레이션 방법 및 장치 |
CN110065062A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种多关节机器人的运动控制方法 |
CA3087718A1 (en) * | 2018-03-05 | 2019-09-12 | Mobileye Vision Technologies Ltd. | Systems and methods for anonymizing navigation information |
DE102019122101A1 (de) * | 2018-08-31 | 2020-03-05 | National Formosa University | Sporthaltungsanalysesystem |
JP2022124807A (ja) * | 2021-02-16 | 2022-08-26 | 株式会社フジタ | 情報処理装置および検出方法 |
CN115670419A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市微克科技有限公司 | 基于智能手表预测运动信息的数据处理方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6840904B2 (en) * | 2001-10-11 | 2005-01-11 | Jason Goldberg | Medical monitoring device and system |
KR20140058502A (ko) * | 2011-06-20 | 2014-05-14 | 헬스와치 리미티드 | 독립 비간섭 웨어러블 건강 모니터링 및 경고 시스템 |
JP6913353B2 (ja) * | 2017-05-26 | 2021-08-04 | 株式会社データ変換研究所 | 移動体制御システム |
-
2023
- 2023-06-29 CN CN202310783321.2A patent/CN116491935B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018030734A1 (ko) * | 2016-08-09 | 2018-02-15 | 주식회사 비플렉스 | 3d 시뮬레이션 방법 및 장치 |
CN106491105A (zh) * | 2016-11-02 | 2017-03-15 | 沈阳大学 | 一种敬老院智能监护*** |
CN110065062A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种多关节机器人的运动控制方法 |
CA3087718A1 (en) * | 2018-03-05 | 2019-09-12 | Mobileye Vision Technologies Ltd. | Systems and methods for anonymizing navigation information |
DE102019122101A1 (de) * | 2018-08-31 | 2020-03-05 | National Formosa University | Sporthaltungsanalysesystem |
JP2022124807A (ja) * | 2021-02-16 | 2022-08-26 | 株式会社フジタ | 情報処理装置および検出方法 |
CN115670419A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市微克科技有限公司 | 基于智能手表预测运动信息的数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116491935A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116491935B (zh) | 一种智能穿戴设备的运动健康监测方法、***及介质 | |
US20110246123A1 (en) | Personal status monitoring | |
US11047706B2 (en) | Pedometer with accelerometer and foot motion distinguishing method | |
Bennett et al. | Inertial measurement unit-based wearable computers for assisted living applications: A signal processing perspective | |
CN111166357A (zh) | 多传感器融合的疲劳监测装置***及其监测方法 | |
US20160228053A1 (en) | Wireless monitoring system with activity manager for monitoring user activity | |
US9149189B2 (en) | User or patient monitoring methods using one or more analysis tools | |
Pannurat et al. | A hybrid temporal reasoning framework for fall monitoring | |
US9345403B2 (en) | Wireless monitoring system with activity manager for monitoring user activity | |
US20140247145A1 (en) | Methods using activity manager for monitoring user activity | |
CN105769205A (zh) | 一种身体信息检测设备及跌倒检测*** | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
CN105808959A (zh) | 一种运动检测***、运动检测终端及云平台 | |
WO2012131171A1 (en) | Arrangement for monitoring and predicting a fit or a seizure | |
US20210369143A1 (en) | Method and system utilizing pattern recognition for detecting atypical movements during physical activity | |
US20140247143A1 (en) | User or patient monitoring systems with one or more analysis tools | |
CN110600125A (zh) | 一种基于人工智能的体态分析助手***及传输方法 | |
CN105212912A (zh) | 基于物联网、云计算和大数据分析的智能可穿戴设备健康安全*** | |
WO2014153665A1 (en) | System and method for monitoring a subject | |
CN105530581A (zh) | 一种基于声音识别的智能穿戴设备和控制方法 | |
Jensen et al. | Unobtrusive and energy-efficient swimming exercise tracking using on-node processing | |
Alrazzak et al. | A survey on human activity recognition using accelerometer sensor | |
CN115670444A (zh) | 运动监测方法、装置、可穿戴设备与存储介质 | |
CN105374000A (zh) | 基于物联网、云计算和大数据分析的智能可穿戴设备健康安全*** |
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 | ||
CP03 | Change of name, title or address |
Address after: 4208, Tower A, Hongrongyuan North Station Center, Minzhi Street North Station Community, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee after: Shenzhen Weike Technology Co.,Ltd. Country or region after: China Address before: 518109 room 1501, building e, phase II, Xinghe world, Minle community, Minzhi street, Longhua District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN WAKE UP TECHNOLOGY CO.,LTD. Country or region before: China |
|
CP03 | Change of name, title or address |