手机计步系统及其运行方法技术方案

公开了一种手机计步系统及其运行方法，其采用基于深度学习的特征提取和分类的分式，来判断用户走路的步数。具体地，在训练过程中，计算角度特征向量与角度向量之间的余弦距离损失函数值和所述角度特征向量通过分类器以获得分类损失函数值，并且，在分类器中考虑角度特征向量对应的初始角度数据的最大似然估计性质。然后，基于余弦距离损失函数值、分类损失函数值和所述角度数据的二范数的最大似然估计项的加权和，对所述卷积神经网络和所述分类器进行训练，以提高所述卷积神经网络和所述分类器的计步精度。类器的计步精度。类器的计步精度。

【技术实现步骤摘要】
手机计步系统及其运行方法


[0001]本专利技术涉及人工智能领域，且更为具体地，涉及一种手机计步系统及其运行方法。

技术介绍

[0002]目前的很多手机都有计步功能，用户可以根据手机的计步数据来检查自己的运动量是否达标。当前，手机主要使用陀螺仪、重力感应器和加速度传感器等来进行计步，这些传感器会随着用户的运动而震动，然后计步软件记录并储存这些数据，从而计算出每天走路的步数。
[0003]其中，陀螺仪测量手机的角度从而检测到人体的重心偏移，也就是，当人在行走时，手机会随着运动出现角度偏移，陀螺仪检测到持续且有规律的角度偏移时，手机就会判断用户走路的步数。而重力感应器和加速度传感器都感应到用户走路时的类似正弦波的重力方向加速度和水平方向加速度，从而判断用户走路的步数。但是单独应用其中一种传感器可能造成步数的误计，而造成运动统计的错误。
[0004]因此，期待一种更为准确的计步方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种手机计步系统，其采用基于深度学习的特征提取和分类的分式，来判断用户走路的步数。具体地，在训练过程中，计算角度特征向量与角度向量之间的余弦距离损失函数值和所述角度特征向量通过分类器以获得分类损失函数值，并且，在分类器中考虑角度特征向量对应的初始角度数据的最大似然估计性质。然后，基于余弦距离损失函数值、分类损失函数值和所述角度数据的二范数的最大似然估计项的加权和，对所述卷积神经网络和所述分类器进行训练，以提高训练速度和精度。/>[0006]根据本申请的一个方面，提供了一种手机计步系统，其包括：
[0007]训练模块，包括：
[0008]训练数据单元，用于获取训练数据，所述训练数据为陀螺仪在计步过程中所采集的角度数据、重力感光器在计步过程中所采集的重力加速度波形和加速度传感器在在计步过程中所采集的水平加速度波形；
[0009]向量构造单元，用于对所述训练数据中的重力加速度波形和水平加速度波形，分别取所述重力加速度波形和所述水平加速度波形的时间横轴上的一系列预定间隔的时间点的纵坐标以获得由所述一系列纵坐标组成的重力加速度向量和由所述一系列纵坐标组成的水平加速度向量；
[0010]加速度关联矩阵构建单元，用于基于所述重力加速度向量和所述水平加速度向量，构建加速度关联矩阵；
[0011]空间卷积单元，用于使用卷积神经网络从所述加速度关联矩阵提取出用于表示所述重力加速度向量和所述水平加速度向量在时间维度上的关联关系的加速度特征图；
[0012]角度向量构造单元，用于提取所述角度数据中在所述时间横轴上的一系列预定间隔的时间点上的角度数据以获得由所述一系列角度数据组成的角度向量；
[0013]向量映射单元，用于将所述角度向量映射到所述加速度特征图所在的高维特征空间中以获得角度特征向量；
[0014]余弦距离损失函数值计算单元，用于计算所述角度特征向量与所述角度向量之间的余弦距离损失函数值；
[0015]分类损失函数值计算单元，用于将所述角度特征向量通过分类器以获得分类损失函数值；以及
[0016]训练单元，用于以所述余弦距离损失函数值、分类损失函数值和所述角度数据的二范数的最大似然估计项的加权和，对所述卷积神经网络和所述分类器进行训练；
[0017]预测模块，包括：
[0018]待预测数据单元，用于获取待预测数据，所述待预测数据为陀螺仪在计步过程中所采集的角度数据、重力感光器在计步过程中所采集的重力加速度波形和加速度传感器在在计步过程中所采集的水平加速度波形；
[0019]数据采样单元，用于对所述待预测数据中的重力加速度波形和水平加速度波形，分别取所述重力加速度波形和所述水平加速度波形的时间横轴上的一系列预定间隔的时间点的纵坐标以获得由所述一系列纵坐标组成的重力加速度向量和由所述一系列纵坐标组成的水平加速度向量；
[0020]向量关联单元，用于基于所述重力加速度向量和所述水平加速度向量，构建加速度关联矩阵；
[0021]加速度特征图生成单元，用于使用经训练阶段训练完成的所述卷积神经网络从所述加速度关联矩阵提取出用于表示所述重力加速度向量和所述水平加速度向量在时间维度上的关联关系的加速度特征图；
[0022]角度向量生成单元，用于提取所述角度数据中在所述时间横轴上的一系列预定间隔的时间点上的角度数据以获得由所述一系列角度数据组成的角度向量；
[0023]空间转换单元，用于将所述角度向量映射到所述加速度特征图所在的高维特征空间中以获得角度特征向量；以及
[0024]计步单元，用于将所述角度特征向量通过经训练阶段训练完成的分类器以获得分类结果，所述分类结果用于表示基于陀螺仪所统计的步数是否准确。
[0025]与现有技术相比，本申请提供的一种手机计步系统，其采用基于深度学习的特征提取和分类的分式，来判断用户走路的步数。具体地，在训练过程中，计算角度特征向量与角度向量之间的余弦距离损失函数值和所述角度特征向量通过分类器以获得分类损失函数值，并且，在分类器中考虑角度特征向量对应的初始角度数据的最大似然估计性质。然后，基于余弦距离损失函数值、分类损失函数值和所述角度数据的二范数的最大似然估计项的加权和，对所述卷积神经网络和所述分类器进行训练，以提高训练速度和精度。
附图说明
[0026]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明
[0042]这样，就可以使用训练好的卷积神经网络和分类器结合重力加速度数据、水平加速度数据和角度数据，最终得到相对准确的计步结果。
[0043]图1图示了根据本申请实施例的手机计步系统的应用场景图。
[0044]如图1所示，在该应用场景中，在训练模块中，通过陀螺仪(例如，如图1中所示意的D1)采集训练用角度数据、重力加速度计(例如，如图1中所示意的D2)采集训练用垂直加速度波形和加速度传感器(例如，如图1中所示意的D3)采集训练用水平加速度波形；然后，将所述训练用角度数据、训练用垂直加速度波形和训练用水平加速度波形输入至部署有手机计步系统运行算法的服务器(例如，如图1中所示意的云服务器S)中，其中，所述服务器能够基于手机计步系统运行算法以所述训练用角度数据、训练用垂直加速度波形和训练用水平加速度波形对用于计步的卷积神经网络和分类器进行训练。
[0045]在训练完成后，在预测模块中，通过陀螺仪(例如，如图1中所示意的D1)采集角度数据、重力加速度计(例如，如图1中所示意的D2)采集垂直加速度波形和加速度传感器(例如，如图1中所示意的D3)采集水平加速度波形；然后，将所述角度数据、垂直加速度波形和水平加速度波形输入部署有手机计步系统运行算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于手机计步系统运行算法对所述角度数据、垂直加速度波形和水平加速度波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手机计步系统，其特征在于，包括：训练模块，包括：训练数据单元，用于获取训练数据，所述训练数据为陀螺仪在计步过程中所采集的角度数据、重力感光器在计步过程中所采集的重力加速度波形和加速度传感器在在计步过程中所采集的水平加速度波形；向量构造单元，用于对所述训练数据中的重力加速度波形和水平加速度波形，分别取所述重力加速度波形和所述水平加速度波形的时间横轴上的一系列预定间隔的时间点的纵坐标以获得由所述一系列纵坐标组成的重力加速度向量和由所述一系列纵坐标组成的水平加速度向量；加速度关联矩阵构建单元，用于基于所述重力加速度向量和所述水平加速度向量，构建加速度关联矩阵；空间卷积单元，用于使用卷积神经网络从所述加速度关联矩阵提取出用于表示所述重力加速度向量和所述水平加速度向量在时间维度上的关联关系的加速度特征图；角度向量构造单元，用于提取所述角度数据中在所述时间横轴上的一系列预定间隔的时间点上的角度数据以获得由所述一系列角度数据组成的角度向量；向量映射单元，用于将所述角度向量映射到所述加速度特征图所在的高维特征空间中以获得角度特征向量；余弦距离损失函数值计算单元，用于计算所述角度特征向量与所述角度向量之间的余弦距离损失函数值；分类损失函数值计算单元，用于将所述角度特征向量通过分类器以获得分类损失函数值；以及训练单元，用于以所述余弦距离损失函数值、分类损失函数值和所述角度数据的二范数的最大似然估计项的加权和，对所述卷积神经网络和所述分类器进行训练；预测模块，包括：待预测数据单元，用于获取待预测数据，所述待预测数据为陀螺仪在计步过程中所采集的角度数据、重力感光器在计步过程中所采集的重力加速度波形和加速度传感器在在计步过程中所采集的水平加速度波形；数据采样单元，用于对所述待预测数据中的重力加速度波形和水平加速度波形，分别取所述重力加速度波形和所述水平加速度波形的时间横轴上的一系列预定间隔的时间点的纵坐标以获得由所述一系列纵坐标组成的重力加速度向量和由所述一系列纵坐标组成的水平加速度向量；向量关联单元，用于基于所述重力加速度向量和所述水平加速度向量，构建加速度关联矩阵；加速度特征图生成单元，用于使用经训练阶段训练完成的所述卷积神经网络从所述加速度关联矩阵提取出用于表示所述重力加速度向量和所述水平加速度向量在时间维度上的关联关系的加速度特征图；角度向量生成单元，用于提取所述角度数据中在所述时间横轴上的一系列预定间隔的时间点上的角度数据以获得由所述一系列角度数据组成的角度向量；空间转换单元，用于将所述角度向量映射到所述加速度特征图所在的高维特征空间中
以获得角度特征向量；以及计步单元，用于将所述角度特征向量通过经训练阶段训练完成的分类器以获得分类结果，所述分类结果用于表示基于陀螺仪所统计的步数是否准确。2.根据权利要求1所述的手机计步系统，其中，所述加速度关联矩阵构建单元，进一步用于将所述重力加速度向量与所述水平加速度向量的转置进行矩阵相乘以获得所述加速度关联矩阵。3.根据权利要求1所述的手机计步系统，其中，所述向量映射单元，进一步用于将所述角度向量与所述加速度特征图进行矩阵相乘以获得所述角度特征向量。4.根据权利要求1所述的手机计步系统，其中，所述分类损失函数值计算单元，进一步用于：将所述角度特征向量输入Softmax分类函数以获得分类结果；以及，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。5.根据权利要求1所述的手机计步系统，其中，所述训练单元，用于以如下公式计算所述余...

【专利技术属性】
技术研发人员：喻运连，
申请(专利权)人：黎川县道勤科技有限公司，
类型：发明
国别省市：