【技术实现步骤摘要】
基于运动模型训练的智能手表动态数据监测方法
[0001]本专利技术涉及电数据处理
，具体涉及一种基于运动模型训练的智能手表动态数据监测方法。
技术介绍
[0002]随着智能手表的出现，其内置的传感器芯片可以对人体的体征信号进行监测，例如心率，呼吸以及人体动作等信号进行监测，而现有的智能手表的用处中，会通过智能手表监测部分身体较弱的老人的运动信号，并对老人日常生活中可能出现的跌倒行为进行监测，并对应的产生监测结果。
[0003]利用加速度传感器监测数据并设定固定阈值对跌倒行为进行监测已经广泛应用于目前的智能手表中，通过将监测到的实时加速度数据的大小是否超过固定阈值作为是否发生跌倒情况的判定。但是日常行为中除跌倒外，还会出现加速度较高甚至达到固定阈值的情况，从而造成误判，也会出现跌倒情况不严重的跌倒行为故而达不到固定阈值的情况，从而造成没有监测到跌倒。所以如果仅根据由加速度设定的固定阈值对跌倒行为进行监测，会导致对跌倒情况的监测效果不够准确。
技术实现思路
[0004]为了解决仅根据由加速度设定的固...
【技术保护点】
【技术特征摘要】
1.一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述方法包括：根据预设采样时段获取智能手表采集到的实时监测数据，所述实时监测数据包括实时心率数据和实时加速度数据；获取所述采样时段对应的历史心率分段数据和历史加速度分段数据；获得所述实时监测数据的数据值波动特征，所述数据值波动特征包括加速度波动特征值和心率波动特征值；筛选获得历史心率分段数据中已发生过的跌倒情况的异常心率分段数据；获得所述异常心率分段数据的异常数据变化趋势；根据每个历史心率分段数据的数据变化趋势与所述异常数据变化趋势的差异，以及每个历史心率分段数据的波动值获得正常心率波动值；根据所述正常心率波动值与实时心率数据波动值的差异获得心率评估值；将所述实时心率数据与相邻的所述历史心率分段数据依次合并，根据合并后数据段中的心率极差截取出心率评估段；将所述心率评估段对应的所述历史加速度分段数据和所述实时加速度分段数据作为加速度评估段，根据所述加速度评估段对应的加速度获得动作幅度特征，根据所述加速度评估段内对应时刻的动作幅度特征与加速度获得运动量评估值；根据所述加速度波动特征值、心率波动特征值、运动量评估值以及心率评估值获得最终身体评估值；根据所述最终身体评估值对初始阈值进行调整获得自适应阈值，根据所述自适应阈值对跌倒情况进行监测，获得监测结果。2.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述数据值波动特征的获取方法包括：将所述实时监测数据的标准差作为所述数据值波动特征。3.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述数据变化趋势的获取方法包括：通过数据分析算法获得每个待分析数据段的波峰点与波谷点；利用最小二乘法曲线拟合算法依次对每个待分析数据段中的波峰点以及波谷点进行拟合，分别获得每个待分析数据段的波峰线与波谷线；根据每个待分析数据段中同一时刻的波峰线与波谷线对应的心率值获得心率均值，将每个待分析数据段中所有时刻的所述心率均值的平均值作为每个待分析数据段的数据变化趋势。4.根据权利要求3所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述正常心率波动值的获取方法包括：将所有所述异常心率分段数据对应的异常数据变化趋势的平均值作为均值特征；将所述每个历史心率分段数据的数据变化趋势与所述均值特征的差异进行归一化获得均值差异；获取每个所述历史心率分段数据中的所有时刻的波峰线对应的心率值与波谷线对应的心率值的差值的平均值，作为历史心率分段数据波动值；将所有历史心率分段数据对应的所述历史心率分段数据波动值和所述均值差异相乘并求均值，作为所述正常心率波动值。5.根据权利要求4所述的一种基于运动模型训练的智能手表动态数据监测...
【专利技术属性】
技术研发人员：孟帅，
申请(专利权)人：深圳市魔样科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。