本发明专利技术公开了一种骑行数据检测方法、装置、设备及介质，涉及数据处理技术领域。该方法应用于设置有惯性传感器的头戴式AR设备包括：将通过惯性传感器采集的骑行数据按照滑窗长度进行划分得到GM粒子；根据GM粒子确定各滑窗内的急刹信度；根据急刹信度确定正样本和负样本，并进行正样本和负样本的样本均衡；基于机器学习得到特征向量权重，且当实时概率值达到预设概率值时，确定出现急刹动作。将现有的骑行数据直接与滑窗阈值比较确定急刹动作的方案替换为根据GM粒子确定各滑窗内的急刹信度；并依据急刹信度对正样本和负样本进行样本均衡，同时基于机器学习的迭代训练也能够实现避免误检测的同时，提高了确定急刹动作的准确性。性。性。
【技术实现步骤摘要】
一种骑行数据检测方法、装置、设备及介质
[0001]本专利技术涉及数据处理
，特别是涉及一种骑行数据检测方法、装置、设备及介质。
技术介绍
[0002]在骑行的运动场景下，用户在骑行过程中的急刹动作，由于惯性作用，身体和头部短时间内均会有前倾动作。由此，为了避免紧急情况下的急刹导致后方无法紧急避险的情况，用户一般会使用设置有惯性传感器的头戴式增强现实(Augmented Reality，AR)设备，采集惯性传感器传输的骑行数据，此时骑行数据为连续时序信号下的骑行数据。现有的对于连续时序信号下的骑行数据的检测，以便于确定急刹动作的方法一般为：采用滑窗采样的方式，对确定的各个滑窗中的骑行数据(确定得到的含有骑行数据的滑窗又可以称为GM粒子)进行检测，其中，将滑窗中的骑行数据直接与滑窗阈值比较，以确定急刹动作，但由于某些快速点头等头部动作会与急刹动作相似，且还存在部分头部或身体动作不明显的急刹动作，此时会造成误检测，使得确定急刹动作的准确性降低。
[0003]鉴于上述存在的问题，寻求如何避免误检测，以提高确定急刹动作的准确性是本领域技术人员竭力解决的问题。
技术实现思路
[0004]本专利技术的目的是提供一种骑行数据检测方法、装置、设备及介质，用于避免误检测，以提高确定急刹动作的准确性。
[0005]为解决上述技术问题，本专利技术提供一种骑行数据检测方法，应用于设置有惯性传感器的头戴式AR设备，包括：
[0006]将通过惯性传感器采集的骑行数据按照滑窗长度进行划分，得到GM粒子，骑行数据至少包括加速度分量和角速度分量，GM粒子包括权重w、时间分布均值m、协方差P；
[0007]根据GM粒子确定各滑窗内的急刹信度；
[0008]根据急刹信度确定正样本和负样本，并进行正样本和负样本的样本均衡，其中，正样本为表征滑窗内出现急刹动作的GM粒子，负样本为表征滑窗内未出现急刹动作的GM粒子；
[0009]基于机器学习，根据进行样本均衡后的正样本和负样本迭代训练，得到特征向量权重；当结合特征向量权重和骑行数据确定的多个特征值确定的实时概率值达到预设概率值时，确定出现急刹动作。
[0010]另一方面，根据急刹信度确定正样本和负样本包括：
[0011]获取急刹标注结果，急刹标注结果为当出现表征急刹动作时进行标注得到标注结果；
[0012]判断急刹信度是否达到预设门限值；
[0013]若急刹信度未达到预设门限值，则删除表征急刹信度未达到预设门限值的GM粒
子；
[0014]若急刹信度达到预设门限值，则判断GM粒子中是否存在急刹标注结果；
[0015]若GM粒子中存在急刹标注结果，则确定GM粒子为正样本；
[0016]若表征急刹信度达到预设门限值的GM粒子中不存在急刹标注结果，则确定GM粒子为负样本。
[0017]另一方面，基于机器学习，根据进行样本均衡后的正样本和负样本迭代训练，得到特征向量权重包括：
[0018]根据正样本和负样本建立特征矩阵；
[0019]对特征矩阵引入预测函数；
[0020]根据预测函数建立损失函数；
[0021]基于损失函数得到初始特征向量权重；
[0022]利用梯度下降法对初始特征向量权重迭代训练；
[0023]对初始特征向量权重迭代预设次数后，得到特征向量权重。
[0024]另一方面，将通过惯性传感器采集的骑行数据按照滑窗长度进行划分，得到GM粒子包括：
[0025]获取骑行数据的骑行数据长度以及预设步长值，预设步长值用于对骑行数据按照滑窗长度进行划分；
[0026]根据骑行数据长度、滑窗长度、预设步长值建立取整函数；
[0027]基于取整函数得到GM粒子。
[0028]另一方面，根据正样本和负样本建立特征矩阵包括：
[0029]基于机器学习的二分类问题，根据正样本和负样本建立特征矩阵。
[0030]另一方面，根据GM粒子确定各滑窗内的急刹信度包括：
[0031]依据预设条件选取预设个数的GM粒子作为待融合粒子；
[0032]根据待融合粒子对应的权重值进行更新融合，得到初始融合权重；
[0033]根据初始融合权重依次与其余GM粒子进行更新融合，得到最终融合权重；
[0034]根据最终融合权重确定急刹信度。
[0035]另一方面，在根据待融合粒子对应的权重值进行更新融合之后，还包括：
[0036]判断其余GM粒子是否均进行更新融合完毕；
[0037]若是，则进入得到初始融合权重的步骤；
[0038]若否，则返回至根据待融合粒子对应的权重值进行更新融合的步骤。
[0039]另一方面，在依据预设条件选取预设个数的GM粒子作为待融合粒子之后，在根据待融合粒子对应的权重值进行更新融合，得到初始融合权重之前，还包括：
[0040]建立笛卡尔直角坐标系；
[0041]基于笛卡尔直角坐标系对待融合粒子自适应排序。
[0042]为解决上述技术问题，本专利技术还提供了一种骑行数据检测装置，应用于设置有惯性传感器的头戴式AR设备，装置包括：
[0043]划分数据模块，用于将通过惯性传感器采集的骑行数据按照滑窗长度进行划分，得到GM粒子，骑行数据至少包括加速度分量和角速度分量；
[0044]第一确定模块，用于根据GM粒子确定各滑窗内的急刹信度；
[0045]确定并均衡模块，用于根据急刹信度确定正样本和负样本，并进行正样本和负样本的样本均衡，其中，正样本为表征滑窗内出现急刹动作的GM粒子，负样本为表征滑窗内未出现急刹动作的GM粒子；
[0046]迭代并得到模块，用于基于机器学习，根据进行样本均衡后的正样本和负样本迭代训练，得到特征向量权重；
[0047]第二确定模块，用于当结合特征向量权重和骑行数据确定的多个特征值确定的实时概率值达到预设概率值时，确定出现急刹动作。
[0048]此外，该装置还包括以下模块：
[0049]另一方面，根据急刹信度确定正样本和负样本包括：
[0050]获取并得到模块，用于获取急刹标注结果，急刹标注结果为当出现表征急刹动作时进行标注得到标注结果；
[0051]第一判断模块，用于判断急刹信度是否达到预设门限值；
[0052]若急刹信度未达到预设门限值，则触发删除模块，用于删除表征急刹信度未达到预设门限值的GM粒子；
[0053]若急刹信度达到预设门限值，则触发第二判断模块，用于判断GM粒子中是否存在急刹标注结果；
[0054]若GM粒子中存在急刹标注结果，则触发第三确定模块，用于确定GM粒子为正样本；
[0055]若表征急刹信度达到预设门限值的GM粒子中不存在急刹标注结果，则触发第四确定模块，用于确定GM粒子为负样本。
[0056]另一方面，基于机器学习，根据进行样本均衡后的正样本和负样本迭代训练，得到特征向量权重包括本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种骑行数据检测方法，其特征在于，应用于设置有惯性传感器的头戴式AR设备，包括：将通过惯性传感器采集的骑行数据按照滑窗长度进行划分，得到GM粒子，所述骑行数据至少包括加速度分量和角速度分量，所述GM粒子包括权重w、时间分布均值m、协方差P；根据所述GM粒子确定各所述滑窗内的急刹信度；根据所述急刹信度确定正样本和负样本，并进行所述正样本和所述负样本的样本均衡，其中，所述正样本为表征所述滑窗内出现急刹动作的所述GM粒子，所述负样本为表征所述滑窗内未出现急刹动作的所述GM粒子；基于机器学习，根据进行所述样本均衡后的所述正样本和所述负样本迭代训练，得到特征向量权重；当结合所述特征向量权重和所述骑行数据确定的多个特征值确定的实时概率值达到所述预设概率值时，确定出现所述急刹动作。2.根据权利要求1所述的骑行数据检测方法，其特征在于，所述根据所述急刹信度确定正样本和负样本包括：获取急刹标注结果，所述急刹标注结果为当出现表征所述急刹动作时进行标注得到标注结果；判断所述急刹信度是否达到预设门限值；若所述急刹信度未达到所述预设门限值，则删除表征所述急刹信度未达到所述预设门限值的所述GM粒子；若所述急刹信度达到所述预设门限值，则判断所述GM粒子中是否存在所述急刹标注结果；若所述GM粒子中存在所述急刹标注结果，则确定所述GM粒子为所述正样本；若表征所述急刹信度达到所述预设门限值的所述GM粒子中不存在所述急刹标注结果，则确定所述GM粒子为所述负样本。3.根据权利要求1所述的骑行数据检测方法，其特征在于，所述基于机器学习，根据进行所述样本均衡后的所述正样本和所述负样本迭代训练，得到特征向量权重包括：根据所述正样本和所述负样本建立特征矩阵；对所述特征矩阵引入预测函数；根据所述预测函数建立损失函数；基于所述损失函数得到初始特征向量权重；利用梯度下降法对所述初始特征向量权重迭代训练；对所述初始特征向量权重迭代预设次数后，得到所述特征向量权重。4.根据权利要求1所述的骑行数据检测方法，其特征在于，所述将通过惯性传感器采集的骑行数据按照滑窗长度进行划分，得到GM粒子包括：获取所述骑行数据的骑行数据长度以及预设步长值，所述预设步长值用于对所述骑行数据按照所述滑窗长度进行划分；根据所述骑行数据长度、所述滑窗长度、所述预设步长值建立取整函数；基于所述取整函数得到所述GM粒子。5.根据权利要求3所述的骑行数据检测方法，其特征在于，所述根据所述正样本和所述
【专利技术属性】
技术研发人员：魏一振，申屠晗，耿小航，张卓鹏，
申请(专利权)人：杭州光粒科技有限公司，
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。