人体动作建模和识别方法技术

一种加速度计数据建模和运动识别方法，包括：通过加速度计采集动作数据建立多种动作模型，包括运动、睡眠、翻腕/降腕和敲击等动作；通过加速度计实时采集上述动作数据，并通过平滑滤波器对采集的数据进行平滑处理，去除噪声；分析滤波后的数据，对比目标动作数据模型，进行动作识别。动作识别完成，根据不同动作识别需要，计算后续数据，如卡路里消耗、进行里程数、运动模式、睡眠质量等运动相关信息。本发明专利技术在保证动作识别高准确度的情况下，根据各种动作之间的差别，同时实现了多种动作实时分析，能够智能地为用户提供高准确度，高智能化的人体动作识别方法。

【技术实现步骤摘要】
【专利摘要】一种加速度计数据建模和运动识别方法，包括：通过加速度计采集动作数据建立多种动作模型，包括运动、睡眠、翻腕/降腕和敲击等动作；通过加速度计实时采集上述动作数据，并通过平滑滤波器对采集的数据进行平滑处理，去除噪声；分析滤波后的数据，对比目标动作数据模型，进行动作识别。动作识别完成，根据不同动作识别需要，计算后续数据，如卡路里消耗、进行里程数、运动模式、睡眠质量等运动相关信息。本专利技术在保证动作识别高准确度的情况下，根据各种动作之间的差别，同时实现了多种动作实时分析，能够智能地为用户提供高准确度，高智能化的人体动作识别方法。【专利说明】
本专利技术涉及一种面向人体健康应用的人体动作模型建立和识别方法，利用平滑滤波、动作建模，判别模型和动作识别，来分析并识别人体动作，实现人体健康跟踪和智能生活。
技术介绍
随着生活水平越来越高，人们越来越关注自己的健康问题，而掌握自身一天运动信息，就能更加准确让用户了解自身的健康相关信息。就为用户提供了这样的可能:通过智能人体动作识别，能够实现如自动记录用户每天的运动量(如走了多少步，走了多少公里、消耗了多少卡路里等)、睡眠质量(多少时间是深睡眠，多少时间是浅睡眠)。使用户随时了解自身的运动信息而不必花时间主动记录，实现完全智能的用户体验。 智能人体动作识别，原理是先利用加速度传感器读取人体做动作时的加速度变化,来建立动作的加速度数据模型,再根据建立好的数据模型对实时采集的数据进行数据识别。可穿戴市场上很多智能手环如Nike+Fuelband、Fitbit Flex、咕略手环、Jawbone Up2都是用这种方式进行运动识别，但这些智能手环的智能人体动作识别算法虽然能识别人体的前进步伐等，但大都缺乏的运动类型和动作识别，而且准确度也有所欠缺。
技术实现思路
本专利技术要克服现有技术不能智能化地识别人体动作模型、运动类别，记录人体动作的缺点，提出一个针对多种运动类型的基于加速度数据的。 本专利技术提供一种根据加速度数据建立人体动作模型和识别人体动作的方法，采用的技术方案实现步骤是: 步骤1，采集人体做动作时的加速度数据，来建立动作的加速度数据模型，包括:采集人体运动时手臂摆动的加速度数据，来建立运动模型；采集人体睡眠时翻身的加速度数据，来建立睡眠模型；采集人体敲击动作时的加速度数据，来建立敲击模型；采集人体翻腕/降腕时手臂的加速度数据，来建立翻腕/降腕模型； 步骤2，实时采集人体动作加速度数据，与已建立的动作模型匹配，识别人体动作； 步骤3,动作模型匹配后，自动记录人体动作,包括运动量、睡眠质量、敲击动作和翻腕动作等信息。 进一步，步骤2所述的动作模型匹配中，运动和睡眠加速度数据模型匹配方法采用3轴加速度动态阈值决策算法,其流程为: (I)实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据； (2)计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值； (3)经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为与相应的运动或者睡眠模型匹配。 进一步，步骤2所述的运动建模和识别方法120，采集人体步行和跑步时加速度计数据的变化，根据其规律抽象并建立人体步行/跑步的运动数据模型；实时采集人体活动时的加速度数据，与步行/跑步实时数据对比，进行步行/跑步动作的识别，具体流程: 步骤210通过配置平滑滤波器将输入的人体运动(步行和跑步)时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑； 步骤220，通过离线训练，将运动加速度数据抽象成运动模型，用于实时运动识别的参考；通过人体在持续运动过程中加速度计采样到的典型数据图，发现在持续规律的运动时，加速度数据变化呈现固定规律，可抽象形成运动模型； 步骤230，平滑后的运动加速度数据，进行数据特征提取； 步骤240，将步骤230提取的数据与运动模型进行匹配识别；具体过程: 2401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据； 2402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值； 2403经过平滑滤波的目标加速度数据作为样本数据，进入运动模型判断滤波器，数值跨越动态阈值并符合抽象运动模型的样本点则认为是有效的步伐。 步骤250，根据获得的步伐数据，结合用户的身高体重等信息，计算用户运动的里程长度、运动速度和运动状态等信息。 再进一步，步骤2所述的睡眠建模和识别方法130，采集人体睡眠时翻身的加速度变化,根据其规律抽象并建立睡眠翻身的数据模型；实时采集人体睡眠时翻身的加速度数据，并与人体睡眠翻身模型进行对比，进行睡眠翻身动作的识别；具体流程: 步骤510通过配置平滑滤波器将输入的人体睡眠翻身时加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑； 步骤520通过离线训练，将睡眠加速度数据抽象成睡眠模型，用于实时睡眠识别的参考； 步骤530平滑后的3轴睡眠加速度数据，进行数据特征提取， 步骤540，将步骤530提取的数据与睡眠模型匹配识别，具体流程为: 5401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据； 5402计算目标分析数据在该段时间内的最大值和最小值，取均值用做计算动态阈值； 5403经过平滑滤波的目标加速度数据作为样本数据，进入睡眠模型判断滤波器，数值跨越动态阈值并符合抽象睡眠模型的样本点则认为是有效的翻身动作。 步骤550，根据获得的翻身数据，结合用户的年龄等信息，计算用户深睡眠、浅睡眠的时间等信息。 再进一步，步骤2所述的敲击建模和识别方法140，采集人体敲击物体时的加速度计数据变化，抽象并建立敲击模型；实时采集人体动作的加速度计数据，对比敲击数据模型，进行敲击动作的识别；具体流程: 步骤610通过配置平滑滤波器将输入的敲击物体时的加速度数据进行平滑滤波处理，消除系统噪声，使加速度数据平滑； 步骤620通过离线训练，将敲击加速度数据抽象成敲击模型；在敲击物体过程中加速度计采样到的数据会有波动过程:加速度幅度差会从平稳状态中突然持续升高，直至达到最大值；达到最大值后，加速度幅度差会快速下滑，直至达到平稳状态值；因此，可根据加速度幅度数据的这个变化特征，建立波峰起始幅度阈值用于判断波峰起始，建立波峰最高幅度阈值用于判断波峰最高状态，建立波峰时间阈值用于限定敲击波峰的时长； 在步骤630经过实时平滑滤波的加速度幅值差，经过数据特征提取， 步骤640，将步骤630提取的属于与敲击模型对比并识别敲击动作，具体过程是: 6401实时取一段时间内的3轴加速度数据，分别计算3轴加速度数据的波动范围，取其中波动最大的一轴数据作为目标分析数据； 6402计算目标分析数据在该段时间内的最小值和最大值及维持时间，建立波峰波谷起始阈值、波峰波谷幅度阈值、波峰时间阈值 6403经过平滑滤波的目标加速度数据作为样本数据，进入敲击模型判断滤波器，数值本文档来自技高网...

【技术保护点】
基于加速度数据人体动作建模和识别方法，其特征在于：基于加速度数据人体动作建模和识别方法实现步骤为：步骤1，采集人体做动作时的加速度数据，来建立动作的加速度数据模型，包括：采集人体运动时手臂摆动的加速度数据，来建立运动模型；采集人体睡眠时翻身的加速度数据，来建立睡眠模型；采集人体敲击动作时的加速度数据，来建立敲击模型；采集人体翻腕/降腕时手臂的加速度数据，来建立翻腕/降腕模型；步骤2，实时采集人体动作加速度数据，与已建立的动作模型匹配，识别人体动作；步骤3，动作模型匹配后，自动记录人体动作，包括运动量、睡眠质量、敲击动作和翻腕动作等信息。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨洋，姚嘉，任金平，马琪，
申请(专利权)人：杭州微纳科技有限公司，
类型：发明
国别省市：浙江;33