一种基于可穿戴设备的运动模式识别算法制造技术

本发明专利技术属于运动模式监测技术领域，具体为一种基于可穿戴设备的运动模式识别算法，包括如下步骤步骤1：采用深度神经网络模型实现由可穿戴式传感器数据推算运动模式，模型训练采用数据驱动方式，实现端到端的训练；步骤2：原始数据的分段过程采用更长截取时间，将较长时间段内的加速度等信息带入神经网络进行训练，这样保证数据样本足够长，包含不同运动项目的运动周期特征；步骤3：深度学习模型结构采用改进的循环神经网络加全局池化层的结构，简单而且高效，其结构合理，在算法上有显著优势，可以很好的解决不同受试者在同一运动中由于动作速度、分解动作顺序不一致而带来的分类误差问题。题。题。

【技术实现步骤摘要】
一种基于可穿戴设备的运动模式识别算法


[0001]本专利技术涉及运动模式监测
，具体为一种基于可穿戴设备的运动模式识别算法。

技术介绍

[0002]大众健康领域，需要对国民体质健康有很好的监测手段，这其中很重要的一个方面就是大众日常运动情况监测。对大众日常运动情况的监测包括运动模式(运动类型)、运动时长、运动能量消耗等参数。其中运动模式的监测对于了解大众日常运动情况、运动能量消耗、体质健康相关研究有重要意义。
[0003]传统的针对大众日常运动监测的方法是通过调查问卷的方式开展，通常情况下难以实现对调查对象意图判断，并且最大的问题是采用自行填写方式难以保证结果质量，存在不客观，难以真实量化的问题。
[0004]也有通过可穿戴设备监测运动模式的相关文章和专利发表，其主要办法是通过佩戴腕表类可穿戴传感器，记录对象在不同运动中的运动加速度信号。然后通过相应的算法对不同运动的加速度信号进行识别，判断运动模式。比如“一种用于可穿戴设备的运动模式识别方法及装置”(专利号：CN202010659319.0)，类似专利还有“一种智能手环检测运动姿态的模式识别方法及系统”(专利号：CN202010730321.2)等。
[0005]以上方案的问题在于数据分段为固定长度的过程，并且特征提取算法中阈值选取通常根据现有数据分布情况进行估计，难以体现大样本的整体性。传感器的加速度特征曲线特征提取的过程与语音识别的过程有很多相似性。因此，我们提出一种基于可穿戴设备的运动模式识别算法。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于现有技术中存在的问题，提出了本专利技术。
[0008]因此，本专利技术的目的是提供一种基于可穿戴设备的运动模式识别算法，能够实现在使用的过程中，在算法上有显著优势，可以很好的解决不同受试者在同一运动中由于动作速度、分解动作顺序不一致而带来的分类误差问题。
[0009]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0010]一种基于可穿戴设备的运动模式识别算法，其包括如下步骤：
[0011]步骤1：采用深度神经网络模型实现由可穿戴式传感器数据推算运动模式，模型训练采用数据驱动方式，实现端到端的训练；
[0012]步骤2：原始数据的分段过程采用更长截取时间，将较长时间段内的加速度等信息
带入神经网络进行训练，这样保证数据样本足够长，包含不同运动项目的运动周期特征；
[0013]步骤3：深度学习模型结构采用改进的循环神经网络加全局池化层的结构，简单而且高效，经过前面的cnn结构将身体基本参数信息和运动姿态信息融合；之后经过循环神经网络，可提取时间序列特征数据的周期信息，并能够利用数据前后特征之间的时序特征；
[0014]步骤4：全局池化层的结构替代全连接层使得网络能够提取所有时序信息的前提下，更加轻量化。
[0015]作为本专利技术所述的一种基于可穿戴设备的运动模式识别算法的一种优选方案，其中：所述步骤1采用可穿戴传感器收集运动数据，然后对数据进行分段滤波处理；分段滤波后的数据是m*n的矩阵，m标示采集信号通道个数，n表示数据长度；将滤波后的原始数据，汇同身体基本参数(身高、体重等)输入神经网络，通过神经网络中的特征提取层自动完成特征提取过程，实现端到端的训练过程，完全基于数据驱动，优于手动特征提取的过程。
[0016]作为本专利技术所述的一种基于可穿戴设备的运动模式识别算法的一种优选方案，其中：所述步骤一中的可穿戴的运动数据收集装置为带有运动数据收集的背心。
[0017]与现有技术相比，本专利技术的有益效果是：通过可穿戴传感器收集运动数据，然后对数据进行分段滤波处理。这里分段滤波后的数据是m*n的矩阵，m标示采集信号通道个数，n表示数据长度。将滤波后的原始数据，汇同身体基本参数(身高、体重等)输入神经网络，通过神经网络中的特征提取层自动完成特征提取过程，实现端到端的训练过程，完全基于数据驱动，优于手动特征提取的过程。数据再经过改进的循环神经网络层和全局池化层的结构得到运动分类，通过循环神经网络提取时间序列运动信号的连续性特征，这里相比于传统的手动分段，手动计算特征值，在算法上有显著优势，可以很好的解决不同受试者在同一运动中由于动作速度、分解动作顺序不一致而带来的分类误差问题。
附图说明
[0018]为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，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方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0019]图1为本专利技术结构示意图；
[0020]图2为本专利技术xx结构示意图。
具体实施方式
[0021]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。
[0022]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。
[0023]其次，本专利技术结合示意图进行详细描述，在详述本专利技术实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0024]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步地详细描述。
[0025]实施例1
[0026]一种基于可穿戴设备的运动模式识别算法，其包括如下步骤：
[0027]步骤1：采用深度神经网络模型实现由可穿戴式传感器数据推算运动模式，模型训练采用数据驱动方式，实现端到端的训练；
[0028]步骤2：原始数据的分段过程采用更长截取时间，将较长时间段内的加速度等信息带入神经网络进行训练，这样保证数据样本足够长，包含不同运动项目的运动周期特征；
[0029]步骤3：深度学习模型结构采用改进的循环神经网络加全局池化层的结构，简单而且高效，经过前面的cnn结构将身体基本参数信息和运动姿态信息融合；之后经过循环神经网络，可提取时间序列特征数据的周期信息，并能够利用数据前后特征之间的时序特征；
[0030]步骤4：全局池化层的结构替代全连接层使得网络能够提取所有时序信息的前提下，更加轻量化。
[0031]具体的，所述步骤1采用可穿戴传感器收集运动数据，然后对数据进行分段滤波处理；分段滤波后的数据是m*n的矩阵，m标示采集信号通道个数，n表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可穿戴设备的运动模式识别算法，其特征在于：包括如下步骤：步骤1：采用深度神经网络模型实现由可穿戴式传感器数据推算运动模式，模型训练采用数据驱动方式，实现端到端的训练；步骤2：原始数据的分段过程采用更长截取时间，将较长时间段内的加速度等信息带入神经网络进行训练，这样保证数据样本足够长，包含不同运动项目的运动周期特征；步骤3：深度学习模型结构采用改进的循环神经网络加全局池化层的结构，简单而且高效，经过前面的cnn结构将身体基本参数信息和运动姿态信息融合；之后经过循环神经网络，可提取时间序列特征数据的周期信息，并能够利用数据前后特征之间的时序特征；步骤4：全局池化层的结构替代全连接...

【专利技术属性】
技术研发人员：刘程林，周志雄，
申请(专利权)人：首都体育学院，
类型：发明
国别省市：