一种智能穿戴设备及人体运动的特征提取方法[0003]鉴于智能穿戴设备，比如:运动腕带，受限于较小的设备空间，存在计算能力有限以及需要电池尽可能长期供电的设计约束，在尽可能地提升用户体验的前提下，如何简化算法以降低运算资源要求以及功耗要求，一直是人们努力的方向。
[0004]本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能穿戴设备及人体运动的特征提取方法，可以有效地简化算法以降低运算资源要求以及功耗要求。[0005]本发明解决其技术问题所采用的技术方案包括:提供一种人体运动的特征提取方法，依次包括:[0006]进行预处理，其包括进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理，以及进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；[0007]进行在所述的第一数据队列中查找出特定运动段的开始与结束的处理；[0008]进行在所述的第二数据队列中查找出所述的特定运动段中的节拍链的处理，提供节拍链平均描述；
[0009]进行基本动作特征的提取处理；
[0010]进行已经提取并保存的基本动作特征的数量是否达到设定要求数量的判断处理，如果是，生成运动的基本动作的描述；否则，进行滑动处理，并返回上述的在第一数据队列中查找出特定运动段的开始与结束的过程，进行循环处理。
[0011]本发明解决其技术问题所采用的技术方案还包括:提供一种智能穿戴设备，包括一模块，用以完成人体运动的特征提取，所述模块包括:[0012]预处理单元，用以进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理，以及进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；
[0013]第一查找单元，用以进行在所述的第一数据队列中查找出特定运动段的开始与结束的处理；
[0014]第二查找单元，用以进行在所述的第二数据队列中查找出所述的特定运动段中的节拍链的处理，提供节拍链平均描述；
[0015]特征提取单元，用以进行基本动作特征的提取处理；以及
[0016]运动描述生成单元，用以进行已经提取并保存的基本动作特征的数量是否达到设定要求数量的判断处理，是的话，生成运动的基本动作的描述；否则的话，进行滑动处理，并返回到上述第一查找单元进行循环处理。
[0017]本发明的有益效果在于，通过将三维的陀螺仪分量的数据队列转换为一个一维的用以衡量人体活动幅度的第一数据队列，并据此查找出特定运动段；通过将三维的加速度分量的数据队列转换为一个一维的用以衡量人体周期性运动的变化节拍的第二数据队列，并据此查找出特定运动段的节拍链，再在此基础上进行基本动作特征的提取，直至完成运动的基本动作的描述的生成，进而可依据得到的运动的基本动作的描述进行识别，可以有效地简化算法以降低运算资源要求以及功耗要求。



[0018]下面将结合附图及实施例对本发明作进一步说明，附图中:
[0019]图1为本发明特征提取方法的原理图。
[0020]图2为本发明特征提取方法实施例的流程图。
[0021]图3为本发明智能穿戴装置的结构框图。
[0022]图4为本发明特征提取模块实施例的结构框图。

[0024]图1为本发明特征提取方法的原理图。本发明提出一种人体运动的特征提取方法，依次包括以下步骤:
[0025]S101:进行预处理，其包括进行将采集到的数据队列中的三维陀螺仪分量(三轴陀螺仪信号)转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理，以及进行将采集到的数据队列中的三维加速度分量(三轴加速度计信号)转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理；
[0026]S102:进行在所述的第一数据队列中查找出特定运动段的开始与结束的处理；
[0027]S103:进行在所述的第二数据队列中查找出所述的特定运动段中的节拍链的处理，提供节拍链平均描述；
[0028]S104:进行基本动作特征的提取处理；[0029]S105:进行已经提取并保存的基本动作特征的数量是否达到设定要求数量的判断处理，如果是，生成运动的基本动作的描述；否则，进行滑动处理，并返回上述的在第一数据队列中查找出特定运动段的开始与结束的过程，进行循环处理。
[0030]在本发明中，所述的特定运动段指在所述的第一数据队列中查找到的多个运动段中跨度最长的一个。
[0031]在本发明中，所述的运动的基本动作的描述包括各基本动作特征的向量数值组的每一维分量的均值和均方值。
[0032]在本发明中，所述的进行将采集到的数据队列中的三维陀螺仪分量转换成一个一维的用以衡量人体活动幅度的一第一数据队列的处理指:针对每一序列点，对各历史点的三维陀螺仪分量分别求平均值后开方计算的值进行先求和再平均的处理。
[0033]在本发明中，所述的进行将采集到的数据队列中的三维加速度分量转换成一个一维的用以衡量人体周期性运动的变化节拍的一第二数据队列的处理指:针对每一序列点，对三维加速度分量进行求和的处理。
[0034]具体地,步骤SlOl进一步包括:
[0035]处理器不断地从陀螺仪和加速度计采集同步数据，并且将采集到的数据存放在FIFO数据队列windowData中，这样直到windowData被数据填满；需要说明的是,FIFO数据队列的长度的选取，与传感器的采样频率相关，例如，对于25Hz的采样频率，FIFO数据队列的长度应当不小于200，对于50Hz的采样频率，FIFO数据队列的长度应当不小于400，换言之，一个FIFO数据队列大约可以保存8秒钟的采样数据。如此设计，针对一般人体的规律性动作的周期在I秒左右，最大一般不会超过1.5秒的情形而言，可以通过一个FIFO数据队列捕获到一个包含有多个节拍(波形周期)的运动段波形数据。
[0036]用六维的FIFO数据队列windowData中的3维陀螺仪分量构造一个I维的反映人体活动幅度的数据队列motionLevel,并且针对motionLevel中的数据规定人体运动与静止的临界值为motionLevelThreshold = I。如果motionLevel中的某一段数据高于motionLevelThreshold时,就认为这段时间内人是在运动的；否则，就认为这段时间内人是静止的；
[0037]用六维的FIFO数据队列windowData中的3维加速度计分量构造一个I维节拍数据队列motionClock, motionClock的变化节拍体现了人体周期性运动的变化节拍。[0038]步骤S102进一步包括:对照运动活跃指数阀值motionLevelThreshold,对当前运动活跃指数队列进行查找，记录活跃指数超过motionLevelThreshold的每一小段的开始位置和结束位置(也就是对应数据队列的序列号)，并从这些小段中查找出序列跨度最大的一小段，作为待处理的特定运动段。
[0039]步骤S103进一步包括:根据步骤S102得到的特定运动段开始位置和结束位置以及步骤SlOl得到的节拍数据队列motionClock进行处理。节拍链的处理结果除了上述的节拍链平均描述，还提供节拍的个数和多个节拍的开始位置与结束位置。其中，节拍链平均描述指所述节拍链中的多个节拍的平均描述。更具体地，所述的对多个节拍的平均描述的获得采用了基于小波分析的特征提取。在本实施例中，所述的基于小波分析的特征提取包括:针对每个节拍中的每个序列点，进行偏差相对方差的归一化处理。在本实施例中，节拍链的处理采用了二级聚类分析方法。具体地，所述的二级聚类分析方法的第一级聚类采用了 C-means算法思想，在分类过程中主要采用差值比较技术。所述的二级聚类分析方法的第二级聚类采用了 C-means算法思想，在分类过程中主要采用相似性比较技术。
[0040]在步骤S104中，采用了对向量数值组的每一维分量进行小波分析。如此，通过降低小波分析的计算维度，可以大大降低计算量。采用了基于基本动作特征之间的相似性比较，并且基本动作特征标准随着基本动作特征队列被填充而动态地更新。所述的基本动作特征与基本动作特征标准的相似性比较是在一个怀疑机制下执行的，当怀疑达到约定的程度时，就会清空基本动作特征队列以及基本动作特征标准。所述的基本动作特征与基本动作特征标准的相似性比较采用了多层比较。所述的多层比较包括节拍链的平均描述之间的相似性比较。
[0041]在步骤S105中，作为一个例举，该设定要求数量为20。
[0042]本发明的更进一步优选方案是:所述的在第一数据队列进行运动段与静止段查找的过程具体包括:
[0043]首先，设置运动段编号为0，静止段编号为O ;
[0044]然后，按照从前到后的顺序将第一数据队列的数据依次与人体运动与静止的临界值进行比较:
[0045]对于第一数据队列的第I个元素，当发现第I个元素的值大于等于人体运动与静止的临界值时，将运动段编号自加1，并且将编号I存储为运动段编号所指的运动段的开始位置，紧接着查找第2个元素的值，如果发现第2个元素的值大于等于人体运动与静止的临界值，那么退出；如果发现第2个元素的值小于人体运动与静止的临界值，那么会将编号I存储为运动段编号所指的运动段的结束位置，同时计算并存储该运动段的长度，同时将静止段编号自加I，将编号2存储为静止段编号所指的静止段的开始位置；当发现第I个元素的值小于人体运动与静止的临界值时，会将静止段编号自加1，并且将编号I存储为静止段编号所指的静止段的开始位置，紧接着查找第2个元素的值，如果发现第2个元素的值小于人体运动与静止的临界值，退出；如果发现第2个元素的值大于等于人体运动与静止的临界值，那么会将编号I存储为静止段编号所指的静止段的结束位置，同时计算并存储该静止段的长度，同时将运动段编号自加1，将编号2存储为运动段编号所指的运动段的开始位置；
[0046]对于第一数据队列的第η个元素，该第η个元素为第I个元素与最后元素之间的元素，当发现第η个元素的值大于等于人体运动与静止的临界值并且第η+1个元素的值小于人体运动与静止的临界值时，将编号η存储为运动段编号所指的运动段的结束位置，计算并存储该运动段的长度，将静止段编号自加1，同时将编号η+1存储为静止段编号所指的静止段的开始位置；当发现第η个元素的值小于人体运动与静止的临界值并且第η+1个元素的值大于等于人体运动与静止的临界值时，则将编号η存储为静止段编号所指的静止段的结束位置，计算并存储该静止段的长度，将运动段编号自加1，同时将编号η+1存储为运动段编号所指的运动段的开始位置；
[0047]对于第一数据队列的最后一个元素，当发现最后一个元素的值大于等于人体运动与静止的临界值时，则将最后一个元素的编号存储为运动段编号所指的运动段的结束位置，计算并存储该运动段的长度；当发现最后一个元素的值小于人体运动与静止的临界值时，则将最后一个元素的编号存储为静止段编号所指的静止段的结束位置，计算并存储该静止段的长度。
[0048]本发明的更进一步优选方案是:所述的查找所述的第二数据队列中的特定运动段中的节拍链的信息的处理采用了二级聚类分析方法，所述的二级聚类分析方法的第一级聚类采用了基于差值比较进行分类的C-means算法，所述的二级聚类分析方法的第二级聚类采用了基于相似性比较进行分类的C-means算法。
[0049]本发明的更进一步优选方案是:人体重复性运动产生的节拍信号的特征提取的计算步骤(也就是第二级聚类的实现过程)如下:
[0050]提供人体重复性运动的一个节拍{aj
[0051]计算该节拍的期望与方差: