一种用于骑行设备之间的加速度智能交互方法及系统技术方案

本发明专利技术公开了一种用于骑行设备之间的加速度智能交互方法及系统，其中方法包括以下步骤：S1、利用训练数据完成特征工程后，输入到训练模型中进行分类训练得到通用性模型；S2、采集实时加速度数据并通过特征工程得到特征数据；S3、利用所述步骤S2中的特征数据进行动作识别后，输出交互动作及对应的指令；S4、根据所述步骤S3中的交互动作进行参数自学习并更新所述通用性模型。本发明专利技术设置了动作识别及输出模块，能够将特定动作指定为交互动作，并且可以利用采集的实时加速度数据进行动作的识别并输出对应的指令；从而实现硬件设备与对应终端进行交互，可节约设备的按键，丰富硬件设备的指令功能。的指令功能。的指令功能。

【技术实现步骤摘要】
一种用于骑行设备之间的加速度智能交互方法及系统


[0001]本专利技术涉及智能骑行的
，具体涉及一种用于骑行设备之间的加速度智能交互方法及系统。

技术介绍

[0002]随着外接骑行硬件设备越来越多，在运动开始前需要保持交互连接的设备也越来越多。将多个外接硬件设备与带有显示功能的终端连接是常用的方法(连接前需要按键激活等)，然而将设备逐一激活并与终端连接显得尤为繁琐。骑行外接硬件数量多时，逐一按键并连接终端会十分繁琐，且外接骑行硬件设备体积不大，可供设定按钮的空间较少。
[0003]综上，现需要设计一种用于骑行设备之间的加速度智能交互方法及系统来解决现有技术中上述问题。

技术实现思路

[0004]本专利技术提供了一种用于骑行设备之间的加速度智能交互方法及系统，避免了因交互需求的提高而造成的硬件按键的增加，提高了交互的效率。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种用于骑行设备之间的加速度智能交互方法，包括以下步骤：
[0007]S1、利用训练数据完成特征工程后，输入到训练模型中进行分类训练得到通用性模型；
[0008]S2、采集实时加速度数据并通过特征工程得到特征数据；
[0009]S3、利用所述步骤S2中的特征数据进行动作识别后，输出交互动作及对应的指令；
[0010]S4、根据所述步骤S3中的交互动作进行参数自学习并更新所述通用性模型。
[0011]在本专利技术的一些实施例中，获取所述步骤S2中特征数据的具体步骤包括：
[0012]S21、将所述实时加速度数据和时间序列同时输入到第一滤波器中进行剔除基线噪声和高频噪声的处理，得到高信噪比三轴加速度数据；
[0013]S22、将步骤S21中的高信噪比三轴加速度数据输入到第二滤波器中进行峰值和谷值检测，得到峰、谷值间期序列特征；
[0014]S23、将步骤S22中的峰、谷值间期序列特征输入到第三滤波器中进行滤波得到各个序列的极差、极差比例和加速度方差，即特征数据。
[0015]在本专利技术的一些实施例中，所述步骤S3具体包括以下步骤：
[0016]S31、将特征数据输入到通用性模型中，
[0017]S32、判断所述特征数据的来源是否为码表位、上管位或电变位，若是，则判断动作一致的来源分支是否不低于两个；
[0018]S33、若是，则输出该交互动作并查找和输出所述交互动作对应的指令，否则进行返回至步骤S31。
[0019]在本专利技术的一些实施例中，所述通用性模型为极限学习机，训练方法为监督分类，
所述通用性模型包括输入层、隐含层和输出层，所述输入层为所述特征数据的输入口；所述输出层的节点数量与交互动作的数量相同。
[0020]在本专利技术的一些实施例中，所述特征数据在所述隐含层的计算公式为：
[0021][0022]其中，a
i
表示第i个隐含层节点的输出值；ω表示输入矩阵的链接权重；x为采样获取到的加速度数据；b
i
为每个隐含层节点的偏置；j为输入层数据的计数点，j的最小值为1，最大值为加速度数据的维度(一次批量采样加速度离散数据的个数)。
[0023]在本专利技术的一些实施例中，所述隐含层还用于将输出数据进行交叉加权计算输出交互动作：
[0024][0025]其中，y表示输出的交互动作的种类，k则表示隐含层和输出层之间节点的权重，c表示输出层节点对应的偏置。
[0026]在本专利技术的一些实施例中，所述步骤S4具体包括以下步骤：
[0027]S41、获取交互动作及其对应的实时加速度数据；
[0028]S42、利用梯度下降法对模型参数进行更新：
[0029][0030]其中，k表示所述通用性模型的隐含层与输出层之间的链接权重，w表示所述通用性模型的输入层与隐含层之间的链接权重，lr为学习率，此处设置为0.001；y表示交互动作，x表示为交互动作对应的特征数据，a则表示隐含层输出值。
[0031]在本专利技术的一些实施例中，一种用于骑行设备之间的加速度智能交互系统，包括：
[0032]模型训练模块，其利用训练数据完成特征工程后输入到训练模型中进行分类训练得到通用性模型；
[0033]动作识别及输出模块，其与所述模型训练模块通信连接，
[0034]其中，所述动作识别及输出模块用于采集所述骑行设备的实时加速度数据并将所述实时加速度数据通过特征工程得到特征数据，还用于将所述特征数据代入到所述通用性模型中进行动作识别；
[0035]所述动作识别及输出模块还用于根据动作识别的结果输出交互动作及对应的指令；
[0036]模型参数自学习模块，其与所述模型训练模块和所述动作识别及输出模块通信连接，所述模型参数自学习模块用于根据识别输出的交互动作及对应的实时加速度数据进行参数自学习和更新。
[0037]在本专利技术的一些实施例中，所述第一滤波器为带通滤波器，所述第二滤波器和所
述第三滤波器为滑动窗口滤波器；其中，所述第一滤波器的滤波公式为：
[0038][0039]其中，Data表示输入的加速度序列，y则表示输出的滤波值，a和b表示对应滤波器的分母向量和分子向量；M表示带通滤波的阶数，n表示序列的长度；N表示第一滤波器中缓存输出响应值的最大个数。
[0040]在本专利技术的一些实施例中，所述动作识别及输出模块用于定义交互动作，并存储所述交互动作与指令的映射关系。
[0041]本专利技术的技术方案相对现有技术具有如下技术效果：
[0042]本专利技术设置了动作识别及输出模块，能够将特定动作指定为交互动作，并且可以利用采集的实时加速度数据进行动作的识别并输出对应的指令；从而实现硬件设备与对应终端进行交互，可节约设备的按键，丰富硬件设备的指令功能。
附图说明
[0043]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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专利技术的一些实施例，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。
[0044]图1为所述实施例示出的所述交互方法的流程示意图。
[0045]图2为所述实施例示出的所述特征工程的工作流程示意图。
[0046]图3为所述实施例示出的所述动作识别及输出模块的流程示意图。
[0047]图4为所述实施例示出的所述实时加速度数据的示意图。
[0048]图5为所述实施例示出的经过所述第一滤波器处理后的数据示意图。
[0049]图6为所述实施例示出的经过所述第二滤波器和所述第三滤波器后的极差特征数据示意图。
[0050]图7为所述实施例示出的经过所述第二滤波器和所述第三滤波器后的方差特征数据示意图。
[0051]图8为所述实施例示出的经过所述第二滤波器和所述第三滤波器后的极差比例特征数据示意图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于骑行设备之间的加速度智能交互方法，其特征在于，包括以下步骤：S1、利用训练数据完成特征工程后，输入到训练模型中进行分类训练得到通用性模型；S2、采集实时加速度数据并通过特征工程得到特征数据；S3、利用所述步骤S2中的特征数据进行动作识别后，输出交互动作及对应的指令；S4、根据所述步骤S3中的交互动作进行参数自学习并更新所述通用性模型。2.根据权利要求1所述的加速度智能交互方法，其特征在于，获取所述步骤S2中特征数据的具体步骤包括：S21、将所述实时加速度数据和时间序列同时输入到第一滤波器中进行剔除基线噪声和高频噪声的处理，得到高信噪比三轴加速度数据；S22、将步骤S21中的高信噪比三轴加速度数据输入到第二滤波器中进行峰值和谷值检测，得到峰、谷值间期序列特征；S23、将步骤S22中的峰、谷值间期序列特征输入到第三滤波器中进行滤波得到各个序列的极差、极差比例和加速度方差，即特征数据。3.根据权利要求1所述的加速度智能交互方法，其特征在于，所述步骤S3具体包括以下步骤：S31、将特征数据输入到通用性模型中，S32、判断所述特征数据的来源是否为码表位、上管位或电变位，若是，则判断动作一致的来源分支是否不低于两个；S33、若是，则输出该交互动作并查找和输出所述交互动作对应的指令，否则进行返回至步骤S31。4.根据权利要求1所述的加速度智能交互方法，其特征在于，所述通用性模型为极限学习机，训练方法为监督分类，所述通用性模型包括输入层、隐含层和输出层，所述输入层为所述特征数据的输入口；所述输出层的节点数量与交互动作的数量相同。5.根据权利要求4所述的加速度智能交互方法，其特征在于，所述特征数据在所述隐含层的计算公式为：其中，a
i
表示第i个隐含层节点的输出值；ω表示输入矩阵的链接权重；x为采样获取到的加速度数据；b
i
为每个隐含层节点的偏置；j为输入层数据的计数点，j的最小值为1，最大值为加速度数据的维度(一次批量采样加速度离散数据的个数)。6.根据权...

【专利技术属性】
技术研发人员：冯茗杨，
申请(专利权)人：青岛迈金智能科技股份有限公司，
类型：发明
国别省市：