基于卷积神经网络的计步方法、装置及可读存储介质制造方法及图纸

本申请公开了一种基于卷积神经网络的计步方法、装置及可读存储介质，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；根据去噪后的所述加速度信号以及所述运动状态获取计步信息。本申请通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。

【技术实现步骤摘要】
基于卷积神经网络的计步方法、装置及可读存储介质
本申请涉及计步
，尤其涉及一种基于卷积神经网络的计步方法、装置及可读存储介质。
技术介绍
现有技术中，智能穿戴设备如智能手环、智能手表等以及移动终端如手机等通过内置的加速度传感器采集加速度数据，并通过计步检测算法如过零点检测、平坦区域检测、峰值检测等对加速度数据进行计算得到用户的步数，但采集加速度数据的传感器本身存在测量误差，并且在运动过程中会引入随机振动噪声(干扰)如智能穿戴设备与用户手腕的相对振动会对加速度数据检测产生干扰，导致检测到达的加速度数据不准确，最终导致步数统计不够准确。申请内容本申请实施例通过提供一种基于卷积神经网络的计步方法，旨在解决现有技术中加速度数据检测不准确，导致步数统计不够准确的问题。本申请实施例的提供一种基于卷积神经网络的计步方法，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；根据去噪后的所述加速度信号以及所述运动状态获取计步信息。进一步地，所述根据所述去噪模型对所述当前加速度信号进行去噪处理的步骤之前包括：根据预设的频率阈值对所述当前加速度信号进行滤波处理。进一步地，所述根据预设的频率阈值对所述当前加速度信号进行滤波处理的步骤之后包括：对滤波后的所述当前加速度信号进行归一化处理。进一步地，所述根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号的步骤包括：将所述当前加速度信号作为输入数据输入所述去噪模型的输入层；获取所述去噪模型的全连接层输出的输出数据以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；其中，所述去噪模型包括两层卷积神经网络层，并包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层、第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层，所述去噪模型以足部的加速度信号作为训练标签训练得到。进一步地，所述去噪模型以足部的加速度信号作为训练标签训练得到的步骤包括：获取训练集数据，其中，所述训练集数据包括多种运动状态的加速度信号，且每一所述运动状态均对应设置有多组加速度信号；获取不同运动状态下足部的加速度信号，作为所述去噪模型的训练标签；在模型训练过程中，以所述训练集数据中多组加速度信号作为输入数据，并以同种运动状态下的足部的加速度信号作为输出数据进行模型训练；在训练误差小于设定误差时停止训练，以得到所述基于卷积神经网络的去噪模型。进一步地，所述根据去噪后的所述加速度信号以及所述运动状态获取计步信息的步骤包括：对所述去噪后的加速度信号进行时域分析得到时域波形；根据所述时域波形以及所述运动状态获取所述计步信息。进一步地，所述根据所述时域波形以及所述运动状态获取所述计步信息的步骤包括：获取所述时域波形的峰值点，以及所述峰值点与相邻峰值点的时间间隔；获取所述运动状态对应的预设阈值以及预设时间间隔；在所述峰值点对应的数值大于所述预设阈值，且所述时间间隔大于预设时间间隔时，将所述峰值点作为计步峰值点；根据所述计步峰值点得到所述计步信息。进一步地，所述运动状态包括静止状态、步行状态、慢跑状态、快跑状态、爬梯状态中的至少一种，所述静止状态、步行状态、慢跑状态、快跑状态、爬梯状态对应的预设阈值依次增大，所述静止状态、爬梯状态、步行状态、慢跑状态、快跑状态对应的预设时间间隔依次减小。为实现上述目的，本申请还提供一种基于卷积神经网络的计步装置，所述基于卷积神经网络的计步装置包括：加速度传感器、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的基于卷积神经网络的计步方法的步骤。为实现上述目的，本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于卷积神经网络的计步方法的步骤。本申请提供的基于卷积神经网络的计步方法、装置及可读存储介质，通过获取当前加速度信号，通过预置的基于卷积神经网络的去噪模型去除当前加速度信号的噪声(干扰)，得到去噪后的加速度信号，并通过所述去噪模型分析当前加速度信号对应的运动状态，并通过分析去噪后的加速度信号，结合对应的运动状态计算得到计步信息，通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。图1为本申请基于卷积神经网络的计步装置涉及的硬件构架示意图；图2是本申请基于卷积神经网络的计步方法的一实施例的流程示意图；图3是本申请基于卷积神经网络的计步方法的另一实施例的流程示意图；图4是本申请基于卷积神经网络的计步方法的又一实施例的流程示意图；图5是本申请的基于卷积神经网络的框架示意图；图6是本申请步骤S20的一实施例的具体流程示意图；图7是本申请步骤S22的一实施例的具体流程示意图；图8是本申请步骤S30的一实施例的具体流程示意图；图9是本申请步骤S32的一实施例的具体流程示意图。具体实施方式为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本申请的主要解决方案是：通过获取当前加速度信号，通过预置的基于卷积神经网络的去噪模型去除当前加速度信号的噪声(干扰)，得到去噪后的加速度信号，并通过所述去噪模型分析当前加速度信号对应的运动状态，并通过分析去噪后的加速度信号，结合对应的运动状态计算得到计步信息，通过去噪模型消除了加速度传感器的检测误差以及计步装置与用户之间产生的随机运动误差，提高了步数统计的准确性。作为一种实现方式，基于卷积神经网络的计步装置可以如图1所示。本申请实施例方案涉及的是基于卷积神经网络的计步装置，基于卷积神经网络的计步装置包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线1本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的计步方法，其特征在于，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：/n获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；/n根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；/n根据去噪后的所述加速度信号以及所述运动状态获取计步信息。/n

【技术特征摘要】
1.一种基于卷积神经网络的计步方法，其特征在于，所述基于卷积神经网络的计步方法应用于计步装置，所述计步装置设有基于卷积神经网络的去噪模型，所述基于卷积神经网络的计步方法包括：
获取当前加速度信号，所述当前加速度信号由加速度传感器采集得到；
根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；
根据去噪后的所述加速度信号以及所述运动状态获取计步信息。


2.如权利要求1所述的基于卷积神经网络的计步方法，其特征在于，所述根据所述去噪模型对所述当前加速度信号进行去噪处理的步骤之前包括：
根据预设的频率阈值对所述当前加速度信号进行滤波处理。


3.如权利要求2所述的基于卷积神经网络的计步方法，其特征在于，所述根据预设的频率阈值对所述当前加速度信号进行滤波处理的步骤之后包括：
对滤波后的所述当前加速度信号进行归一化处理。


4.如权利要求1所述的基于卷积神经网络的计步方法，其特征在于，所述根据所述去噪模型对所述当前加速度信号进行去噪处理，以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号的步骤包括：
将所述当前加速度信号作为输入数据输入所述去噪模型的输入层；
获取所述去噪模型的全连接层输出的输出数据以得到所述当前加速度信号对应的运动状态以及去噪后的加速度信号；
其中，所述去噪模型包括两层卷积神经网络层，并包括依次连接的输入层、第一卷积及激活层、第一池化层、第一局部归一化层、第一Dropout层、第二卷积及激活层、第二池化层、第二局部归一化层、第二Dropout层以及全连接层，所述去噪模型以足部的加速度信号作为训练标签训练得到。


5.如权利要求4所述的基于卷积神经网络的计步方法，其特征在于，所述去噪模型以足部的加速度信号作为训练标签训练得到的步骤包括：
获取训练集数据，其中，所述训练集数据包括多种运动状态的加速度信号，且每一所述运动状态均对应设置有多组加速度信号；<...

【专利技术属性】
技术研发人员：王晓强，王德信，付晖，
申请(专利权)人：青岛歌尔智能传感器有限公司，
类型：发明
国别省市：山东;37