[發明專利]一種基于機器學習與低通濾波的步頻實時計算方法

在審

• 申請號: 201810884041.X
• 申請日: 2018-08-06
• 公開（公告）號: CN108981744A
• 公開（公告）日: 2018-12-11
• 發明（設計）人: 李瑩;陳偉;范彬彬;尹建偉;鄧水光;羅智凌;吳健;吳朝暉
• 申請（專利權）人: 浙江大學
• 主分類號: G01C22/00
• 分類號: G01C22/00;A61B5/11
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 王琛

本發明公開了一種基于機器學習與低通濾波的步頻實時計算方法，該方法給廣大跑步愛好者提供了一種簡單有效的途徑知道跑步的實時步頻，經過數據準備、模型訓練、狀態判定、實時計算四個階段準確的計算步頻。本發明極大的改善了目前步頻計算不是實時以及容易誤算步頻的情況，使得步頻計算達到實時可靠，由于采用了機器學習方法，故減少了錯誤統計步頻的情況。同時，本發明實時顯示步頻，方便跑步者控制自己的跑步速度，且步頻計算更加精確。

技術領域

本發明屬于運動檢測技術領域，具體涉及一種基于機器學習與低通濾波的步頻實時計算方法。

背景技術

隨著經濟和社會的快速發展，健康越來越受到人們的重視；伴隨著手機的日益普及，各大手機制作廠商也在手機中植入了各種體態偵測傳感器以便獲得用戶的運動狀態數據。與此同時，很多人會選擇跑步來保持一個健康的身體狀態，對于跑步來講，步頻作為一項重要的運動評價指標，對評價使用者的健康運動狀態具有非常重要的意義。

現在手機記錄步頻的軟件眾多，比如各大運動軟件、日常用的社交軟件、蘋果手機自帶的健康軟件均帶有步頻計數功能，這些軟件統計步頻都有一個特點，它們不是實時的，這些軟件都是統計在一定的時間段你走路的步數。另外，這些步數統計一般不是很準確，都是一個大致步數，不是那么精確；當然，這樣做也是有一定道理的，因為有些用戶只關心他這一天走了多少步。現在市面上還有這些軟件還面臨的一個問題就是誤統計，特別是針對于用戶在騎行期間，可能誤統計步數，導致步數不夠真實反應用戶的步數。

現有技術中，如公開號CN104905794A的中國專利提供了一種行人步頻計算系統及其方法，也可以做到實時計算行人的步頻，并且十分準確，但是該方法需要佩戴大量的測量設備，因此并不適合在日常使用；公開號CN106310588A的中國專利提供了一種跑步機步頻和沖擊檢測方法及其裝置，這種方法完全借助于跑步機的數據，并沒有在步頻計算方法上提出新的計算方式。

如今，機器學習在眾多的領域都有出色的表現，機器學習技術也被應用到各個領域，比如電子商務的推薦算法，在眾多數據中找到關聯的數據挖掘算法。針對步頻計算的場景，機器學習可以用來判別用戶是否是處于步行的狀態，不是在其他交通工具上。

發明內容

鑒于上述，本發明提供了一種基于機器學習與低通濾波的步頻實時計算方法，可以解決目前市面上步頻統計軟件統計不夠精確，不能實時計算的問題。

一種基于機器學習與低通濾波的步頻實時計算方法，包括如下步驟：

(1)利用手機中的傳感器收集不同運動狀態(如處于出租車、公交車、地鐵、自行車、慢步走、正常步頻走、快步走、慢跑、快跑等狀態)用戶的運動數據；

(2)利用步驟(1)中獲得的運動數據，訓練一個用于判斷用戶是否處于步行狀態的判別模型；

(3)對于待測用戶實時的運動數據，利用所述判別模型對其進行判斷：若判定待測用戶當前處于步行狀態，則執行步驟(4)，否則直接返回待測用戶當前非步行狀態的指示；

(4)根據待測用戶實時的運動數據，每一秒計算一次當前步頻。

進一步地，所述步驟(1)中用戶的運動數據包括重力加速度數據、加速度數據、陀螺儀數據以及磁感應數據。

進一步地，所述步驟(2)在訓練判別模型之前對于不同運動狀態用戶的運動數據，通過人工標記每組運動數據是源自步行狀態的用戶還是源自非步行狀態的用戶，從而得到大量樣本；每個樣本包含有一組運動數據及其對應的標簽，所述標簽用0或1表示，1代表運動數據源自步行狀態的用戶，0代表運動數據源自非步行狀態的用戶。