[發明專利]一種跳繩監測方法、電子裝置及存儲介質

在審

• 申請號: 201811518452.3
• 申請日: 2018-12-12
• 公開（公告）號: CN109830277A
• 公開（公告）日: 2019-05-31
• 發明（設計）人: 董小磊
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G16H20/30
• 分類號: G16H20/30;G16H15/00;G10L25/48;G10L25/27
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 董永輝;管士濤

本發明涉及人工智能，提供一種跳繩監測方法、裝置及存儲介質，方法包括：分別采集環境中多種聲音樣本，抽取采集數據中的一部分作為訓練集，另一部分作為測試集；提取能體現環境聲音重要特性的特征參數；對應每種聲音類別都建立一個HMM模型；利用開源聲學模型訓練器訓練各個HMM模型，利用訓練集對HMM模型進行訓練，對訓練集中的各個聲音添加標簽，把數據輸入各HMM模型中，訓練得到各HMM模型的參數；獲取環境聲音，利用前向算法，計算聲音分類到各類別的概率，以跳繩與地面拍擊聲音類別的概率最高進行一次跳繩計數，并累加跳繩計數。本發明采用語音識別技術來識別跳繩拍擊地面的聲音，累加跳繩次數，監測跳繩的頻率與熱量的消耗等。

技術領域

本發明涉及人工智能技術領域，具體地說，涉及一種跳繩監測方法、電子裝置及存儲介質。

背景技術

跳繩是一項極佳的健體運動，能有效訓練四肢的協調能力和心肺功能，有助保持個人體態健美，從而達到強身健體的目的；跳繩能訓練人的數學觀念、提高記憶能力、培養節奏平衡感、培養方位知覺。但是當前市場跳繩APP多為固定計數或固定計時模式，死板且并不能實時監測跳繩的頻率與熱量的消耗，且不能脫離手機，每隔一段時間就需要點擊手機重新設置。

發明內容

為解決以上技術問題，本發明提供一種跳繩監測方法，應用于電子裝置，包括：分別采集環境中多種聲音樣本，抽取采集數據中的一部分作為訓練集，另一部分作為測試集；提取能體現環境聲音重要特性的特征參數；對應每種聲音類別都建立一個HMM模型；利用開源聲學模型訓練器訓練各個HMM模型，利用訓練集對HMM模型進行訓練，對于訓練集中的各個聲音添加標簽，然后把數據輸入各HMM模型中，訓練得到各HMM模型的參數；獲取環境聲音，利用前向算法，計算聲音分類到各類別的概率，以跳繩與地面拍擊的聲音類別的概率最高進行一次跳繩計數，并累加跳繩計數。

優選地，HMM模型表示為l(A,B,p)，其中A是狀態Si到Sj的轉換概率矩陣，B是狀態的觀察輸出概率密度，p是狀態的初始分布概率，對于每一個HMM模型l_i，定義前向概率變量α_t(i)：在某一HMM模型l_i條件下，第t時刻處于狀態S_i，輸出前面部分觀察值序列O＝O₁,O₂….O_t的概率：

α_t(i)＝P(O₁,O₂….O_t，q_t＝S_i|l_i)，1≤t≤T，1≤i≤N

求取前向概率變量α_t(i)和輸出概率P(O|l)的步驟如下：

(1)對于1≤i≤N，對處于狀態S_i和初始觀序列為O₁條件下聯合概率的初始化α_t

(2)對于1≤t≤T-1,1≤j≤N，有

t時刻的迭代關系表示：第t時刻的狀態S₁和第t+1時刻的狀態S_j之間的轉換關系。

(3)通過第(2)步的遞歸，獲得前向概率變量值α_t(i)。根據前向概率變量值α_t(i)求出最后的概率分布，

其中，N為聲音類別的數量；

i為當前聲音類別，即當前狀態；

O為觀察值序列；

p是狀態的初始分布概率；

A是狀態Si到Sj的轉換概率矩陣；

B是狀態的觀察輸出概率密度；

T為跳繩時間段；