[發明專利]基于卷積神經網絡的計步方法、裝置及可讀存儲介質

有效

• 申請號: 202010920223.5
• 申請日: 2020-09-03
• 公開（公告）號: CN112067015B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 王曉強;王德信;付暉
• 申請（專利權）人: 青島歌爾智能傳感器有限公司
• 主分類號: G01C22/00
• 分類號: G01C22/00;G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 梁馨怡

1.一種基于卷積神經網絡的計步方法，其特征在于，所述基于卷積神經網絡的計步方法應用于計步裝置，所述計步裝置設有基于卷積神經網絡的去噪模型，所述基于卷積神經網絡的計步方法包括：

獲取當前加速度信號，所述當前加速度信號由加速度傳感器采集得到；

根據所述去噪模型對所述當前加速度信號進行去噪處理，以得到所述當前加速度信號對應的運動狀態以及去噪后的加速度信號；

根據去噪后的所述加速度信號以及所述運動狀態獲取計步信息；

所述根據所述去噪模型對所述當前加速度信號進行去噪處理，以得到所述當前加速度信號對應的運動狀態以及去噪后的加速度信號的步驟包括：

將所述當前加速度信號作為輸入數據輸入所述去噪模型的輸入層；

獲取所述去噪模型的全連接層輸出的輸出數據以得到所述當前加速度信號對應的運動狀態以及去噪后的加速度信號；

其中，所述去噪模型包括兩層卷積神經網絡層，并包括依次連接的輸入層、第一卷積及激活層、第一池化層、第一局部歸一化層、第一Dropout層、第二卷積及激活層、第二池化層、第二局部歸一化層、第二Dropout層以及全連接層，所述去噪模型以足部的加速度信號作為訓練標簽訓練得到；

所述去噪模型以足部的加速度信號作為訓練標簽訓練得到的步驟包括：

獲取訓練集數據，其中，所述訓練集數據包括多種運動狀態的加速度信號，且每一所述運動狀態均對應設置有多組加速度信號；

獲取不同運動狀態下足部的加速度信號，作為所述去噪模型的訓練標簽；

在模型訓練過程中，以所述訓練集數據中多組加速度信號作為輸入數據，并以同種運動狀態下的足部的加速度信號作為輸出數據進行模型訓練；

在訓練誤差小于設定誤差時停止訓練，以得到所述基于卷積神經網絡的去噪模型；

所述根據去噪后的所述加速度信號以及所述運動狀態獲取計步信息的步驟包括：

對所述去噪后的加速度信號進行時域分析得到時域波形；

根據所述時域波形以及所述運動狀態獲取所述計步信息；

所述根據所述時域波形以及所述運動狀態獲取所述計步信息的步驟包括：

獲取所述時域波形的峰值點，以及所述峰值點與相鄰峰值點的時間間隔；

獲取所述運動狀態對應的預設閾值以及預設時間間隔；

在所述峰值點對應的數值大于所述預設閾值，且所述時間間隔大于預設時間間隔時，將所述峰值點作為計步峰值點；

根據所述計步峰值點得到所述計步信息。

2.如權利要求1所述的基于卷積神經網絡的計步方法，其特征在于，所述根據所述去噪模型對所述當前加速度信號進行去噪處理的步驟之前包括：

根據預設的頻率閾值對所述當前加速度信號進行濾波處理。

3.如權利要求2所述的基于卷積神經網絡的計步方法，其特征在于，所述根據預設的頻率閾值對所述當前加速度信號進行濾波處理的步驟之后包括：

對濾波后的所述當前加速度信號進行歸一化處理。

4.如權利要求1所述的基于卷積神經網絡的計步方法，其特征在于，所述運動狀態包括靜止狀態、步行狀態、慢跑狀態、快跑狀態、爬梯狀態中的至少一種，所述靜止狀態、步行狀態、慢跑狀態、快跑狀態、爬梯狀態對應的預設閾值依次增大，所述靜止狀態、爬梯狀態、步行狀態、慢跑狀態、快跑狀態對應的預設時間間隔依次減小。

5.一種基于卷積神經網絡的計步裝置，其特征在于，所述基于卷積神經網絡的計步裝置包括：加速度傳感器、存儲器、處理器及存儲在所述存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至4中任一項所述的基于卷積神經網絡的計步方法的步驟。

6.一種可讀存儲介質，其特征在于，所述可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至4中任一項所述的基于卷積神經網絡的計步方法的步驟。