一種基于自適應算法的運動警報方法以及運動警報裝置的制造方法
【專利摘要】本申請提供一種基于自適應算法的運動警報方法，包括如下步驟：步驟S1、使用傳感器獲得運動數據；步驟S2、根據運動數據判斷是否存在運動異常；步驟S3、如果存在運動異常則定位運動者位置；步驟S4、發出警報信號并發送運動者位置信息。該運動警報方法采用自適應算法對運動者的日常運行軌跡進行記錄和分析，形成適應于每位運動者個體化差異的行為序列，從而有利于提高警報的精確度。當在某一階段運動者由于身體某一部分異常而形成運動狀態異常時，算法也可自動生成運動糾正序列，從而提高了適應性，解決了現有運動警報功能精度不夠的問題，使得運動者發生運動狀態異常時，將運動者運動數據以及運動者位置信息更加及時準確的傳遞給指定人員。
【專利說明】
一種基于自適應算法的運動警報方法以及運動警報裝置
技術領域
[0001] 本申請涉及通信領域，尤其涉及一種基于自適應算法的運動警報方法以及運動警 報裝置。
【背景技術】
[0002] 隨著我國進入老齡化社會，老年人在日常生活中，因意外或突發疾病發生摔倒的 概率逐年增高，如果沒有被及時發現并進行救助，有可能造成生命危險，因此已成為亟待解 決的問題。
[0003] 然而現有的運動警報裝置，跌倒檢測的精度不夠，時常有誤報的情況，雖然通用性 強，但對某一特定用戶的具體運動狀態認知不夠，導致個體適應性不強。而且只能作為摔倒 警報所用，無法作為自行摔倒、被人撞倒等情況的有效分析依據。因此，目前缺乏一種能夠 準確判定不同個體運動狀態的，具有強適應性的運動警報裝置。
【發明內容】
[0004] 有鑒于此，本申請提供一種基于自適應算法的運動警報方法，用于解決現有技術 中對用戶運動狀態判定精確度不夠，個體適應性不強，且無法作為自行摔倒、被人撞倒等情 況的有效分析依據的技術問題。
[0005] 為達到上述目的，本申請的實施例采用如下技術方案：
[0006] 第一方面，提供了一種基于自適應算法的運動警報方法，包括如下步驟：
[0007] 步驟S0、使用傳感器預先收集運動者運動數據，建立運動者特征模型；
[0008] 步驟S1、使用傳感器獲得運動數據；
[0009] 步驟S2、根據運動數據判斷是否存在運動異常；
[0010]步驟S3、如果存在運動異常則定位運動者位置；
[0011] 步驟S4、發出警報信號并發送運動者位置信息。
[0012] 所述傳感器獲得的運動數據包括三維空間內的加速度數據和X/Y/Z三個方向上的 角速度數據。
[0013] 其中步驟S0所述特征模型使用如下公式表示：
[0015] 公式（1)中C為特征誤差向量，采用[0，1]之間的隨機數，y為特征值，初值為設定的 一般特征值數組，為在時間t獲得的第m個特征值，矩陣y為在時間t獲得的特征值群，A為 傳感器采集的數據組群，m為預先規定的運動者運動數據樣本數量。
[0016] 其中步驟S2所述根據運動數據判斷是否存在運動異常，包括如下子步驟：
[0017] 步驟S201、將獲得的運動數據進行歸一化，形成向量集矩陣
其中nm,t+1 為在時間t+1獲得的第m個特征值，N為在時間t+1獲得的特征值群，m為預先規定的運動者運 動數據樣本數量；
[0018] 步驟S202、比較獲得的向量集矩陣N和步驟S0計算獲得的矩陣y，獲得比較結果R， 將比較結果R和閾值Z進行比較，判斷R是否在閾值范圍內，如果超過閾值范圍則認為運動者 存在運動異常。
[0019] 第二方面，提供了一種基于自適應算法的運動警報方法，該方法根據運動者不同 運動狀態，對運動數據進行預分類。包括如下步驟：
[0020] 步驟S0、使用傳感器預先收集運動者運動數據，建立運動者特征模型；
[0021 ]步驟S1、使用傳感器獲得運動數據；
[0022] 步驟S2、根據運動數據判斷是否存在運動異常；
[0023] 步驟S3、如果存在運動異常則定位運動者位置；
[0024]步驟S4、發出警報信號并發送運動者位置信息。
[0025]所述傳感器獲得的運動數據包括三維空間內的加速度數據和X/Y/Z三個方向上的 角速度數據。
[0026]其中步驟S1之前還包括步驟：
[0027]步驟S01、使用傳感器預先收集運動者運動數據，對其進行預分類，獲得多組預分 類后的特征數據，形成多個預分類組；
[0028]步驟S02、對于每一個預分類組建立該預分類組的運動者特征模型，該特征模型使 用如下公式表示：
[0030] 公式（1)中C為特征誤差向量，采用[0，1]之間的隨機數，y為特征值，初值為設定的 一般特征值數組，為在時間t獲得的第m個特征值，矩陣y為在時間t獲得的特征值群，A為 傳感器采集的數據組群，m為預先規定的運動者運動數據樣本數量。
[0031] 其中步驟S2所述根據運動數據判斷是否存在運動異常，包括如下子步驟：
[0032] 步驟S201、將獲得的運動數據進行歸一化，形成向量集矩陣
其中nm,t+1 為在時間t+1獲得的第m個特征值，N為在時間t+1獲得的特征值群，m為預先規定的運動者運 動數據樣本數量；
[0033]步驟S202、對向量集矩陣N進行預分類，將其分類到預分類組中；
[0034]步驟S203、比較獲得的向量集矩陣N和步驟S0計算獲得，獲得比較結果R，將比較結 果R和閾值Z進行比較，判斷R是否在閾值范圍內，如果超過閾值范圍則認為運動者存在運動 異常。
[0035]第三方面，提供了一種基于自適應算法的運動警報裝置，包括如下部件：
[0036]傳感器，獲得運動數據；
[0037] 控制器，根據獲得的運動數據判斷是否存在運動異常；
[0038] 定位器，在控制器判斷存在運動異常時獲得運動者的位置數據；
[0039]發送器，將運動異常數據和運動位置信息發送給外部設備。
[0040] 所述傳感器獲得的運動數據，包括三維空間內的加速度數據和X/Y/Z三個方向上 的角速度數據。
[0041] 所述發送器發送傳感器數據給外部設備。
[0042] 所述控制器在判斷是否存在運動異常之前，使用傳感器預先收集運動者運動數 據，建立運動者特征模型，該特征模型使用如下公式表示：
[0044] 公式（1)中C為特征誤差向量，采用[0，1]之間的隨機數，y為特征值，初值為設定的 一般特征值數組，為在時間t獲得的第m個特征值，矩陣y為在時間t獲得的特征值群，A為 傳感器采集的數據組群，m為預先規定的運動者運動數據樣本數量。
[0045] 該運動警報方法采用自適應算法對運動者的日常運行軌跡進行記錄和分析，形成 適應于每位運動者個體化差異的行為序列，從而有利于提高警報的精確度。當在某一階段 運動者由于身體某一部分異常而形成運動狀態異常時，算法也可自動生成運動糾正序列， 從而提高了適應性，解決了現有運動警報功能精度不夠的問題，使得運動者發生運動狀態 異常時，將運動者運動數據以及運動者位置信息更加及時準確的傳遞給指定人員。
【附圖說明】
[0046] 為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 申請中記載的一些實施例，對于本領域普通技術人員來講，還可以根據這些附圖獲得其他 的附圖。
[0047] 圖1是本申請實施例一提供的一種基于自適應算法的運動警報方法的流程示意 圖；
[0048] 圖2是本申請實施例一中步驟S2的流程示意圖；
[0049] 圖3是本申請實施例二提供的一種基于自適應算法的運動警報方法的流程示意 圖；
[0050]圖4是本申請實施例二中步驟S2的流程;^意圖；
[0051]圖5是本申請實施例三提供的一種基于自適應算法的運動警報裝置的結構示意 圖。
【具體實施方式】
[0052]下面結合附圖并通過【具體實施方式】來進一步說明本發明的技術方案。
[0053] 實施例一：
[0054]圖1為本發明實施例一提供的一種基于自適應算法的運動警報方法的流程示意 圖，如圖1所示，包括：
[0055]步驟S0、使用傳感器預先收集運動者運動數據，建立運動者特征模型。
[0056]具體的，步驟S0所述特征模型使用如下公式表示：
[0058] 其中，公式（1)中C為特征誤差向量，采用[0，1]之間的隨機數，使用rand〇函數生 成。y為特征值，初值為設定的一般特征值數組，ym, t為在時間t獲得的第m個特征值，矩陣y為 在時間t獲得的特征值群，A為傳感器采集的數據組群，m為預先規定的運動者運動數據樣本 數量。
[0059] 具體的，可利用C語言在DMP中實現其算法，最初可將m取值為1000，使用傳感器采 集1000組運動者運動數據，用來訓練此模型，從而矯正初值，計算公式如下：
[0061]步驟S1、使用傳感器獲得運動數據。
[0062]具體的，當步驟S0所述運動者特征模型完成初值矯正后，由傳感器收集運動者運 動數據，收集頻率以秒為單位，所述傳感器為六軸傳感器，該六軸傳感器可以集中生成3軸 MEMS加速度數據和3軸MEMS陀螺數據，共6組數據，分別為X/Y/Z三個方向上的加速度數據， 和X/Y/Z三個方向上的角速度數據。其中，加速度數據用來判斷人體的行為方式，角速度數 據用來判斷人體的姿態。
[0063] 步驟S2、根據運動數據判斷是否存在運動異常。
[0064] 具體的，判斷是否存在運動異常，包括如下子步驟：
[0065] 步驟S201、將獲得的運動數據進行歸一化，形成向量集矩陣 其中nm,t+i ， 為在時間t+1獲得的第m個歸一化特征值，N為在時間t+1獲得的歸一化特征值群，m為預先規 定的運動者運動數據樣本數量；
[0066] 步驟S202、比較獲得的向量集矩陣N和步驟S0計算獲得的矩陣y，可以通過矩陣運 算，例如異或運算，獲得比較結果R，將比較結果R和閾值Z進行比較，判斷R是否在閾值范圍 內，如果超過閾值范圍則認為運動者存在運動異常。
[0067] 步驟S3、如果存在運動異常則定位運動者位置。
[0068] 具體的，可利用GPS信號定位該運動警報裝置所處的位置，獲得經煒度坐標，以及 具體地址。
[0069]步驟S4、發出警報信號并發送運動者位置信息。
[0070] 具體的，將步驟S2獲取的判斷結果，以及步驟S3獲取的運動者異常運動時所處的 位置數據發送至外部設備。
[0071] 實施例二：
[0072]圖2為本發明實施例二，實施例二中的方法與實施例一中的方法步驟S0和S2不同， 步驟S1、S3、S4與實施例一中相同，因此不再贅述。其中步驟S0包括如下子步驟：
[0073]步驟S01、使用傳感器預先收集運動者運動數據，對其進行預分類，所述預分類例 如可根據運動者不同運動速度進行分類，分為慢走、快走、慢跑和快跑，再針對多種運動狀 態，獲得此運動者不同運動狀態下的運動特征數據，從而形成多個預分類組。
[0074]具體的，可根據運動者身體條件，選擇一種或多種運動狀態預分類。
[0075]步驟S02、對于每一個預分類組建立該預分類組的運動者特征模型。
[0076]具體的，步驟S02所述特征模型使用如下公式表示：
[0078]其中，公式（1)中C為特征誤差向量，采用[0，1]之間的隨機數，使用rand〇函數生 成。y為特征值，初值為設定的一般特征值數組，ym, t為在時間t獲得的第m個特征值，矩陣y為 在時間t獲得的特征值群，A為傳感器采集的數據組群，m為在某一運動狀態下預先規定的運 動者運動數據樣本數量。
[0079]可利用C語言在DMP中實現其算法，最初可將m取值為1000，使用傳感器采集1000組 運動者運動數據，用來訓練此模型，從而矯正初值，計算公式如下：
[0081 ]步驟S2根據運動數據判斷是否存在運動異常包括如下子步驟：
[0082]步驟S'201、將獲得的運動數據進行歸一化，形成向量集矩陣
其中 nm, *+1為在時間t+Ι獲得的第m個歸一化特征值，N為在時間t+Ι獲得的歸一化特征值群，m為預 先規定的運動者運動數據樣本數量；
[0083]步驟S'202、對向量集矩陣N進行預分類，將其分類到預分類組中；
[0084]例如根據獲得的速度數據，將向量集矩陣N預分類到慢跑、快走、快跑預分類組之 一中。
[0085]步驟S'203、比較獲得的向量集矩陣N和步驟S0計算獲得的矩陣y，可以通過矩陣運 算，例如異或運算，獲得比較結果R，將比較結果R和閾值Z進行比較，判斷R是否在閾值范圍 內，如果超過閾值范圍則認為運動者存在運動異常。
[0086] 圖3為本發明的基于自適應算法的運動警報裝置的結構示意圖。
[0087] 如圖3所示，運動警報裝置包括:傳感器1、控制器2、定位器3和發送器4。
[0088] 所述控制器2與傳感器1、定位器3和發送器4電連接，進一步的，傳感器1和定位器3 也將獲得的數據發送給控制器2。
[0089] 傳感器1用于獲得運動者運動數據。傳感器1可包括一個或多個六軸傳感器，當運 動者運動狀態發生變化時，傳感器1對運動者運動狀態數據進行采集，本申請具體使用 MPU6050六軸傳感器，該六軸傳感器可以集中生成3軸MEMS加速度數據和3軸MEMS陀螺數據， 共6組數據，分別為X/Y/Z三個方向上的加速度數據，和X/Y/Z三個方向上的角速度數據。其 中，加速度數據用來判斷人體的行為方式，角速度數據用來判斷人體的姿態。所述傳感器1 將運動狀態數據發送至所述控制器2,由所述控制器2判斷老人的運動狀態。所述傳感器1采 集的數據，可以通過串口發送至PC機，并在PC機中顯示。
[0090] 控制器2用于根據所述傳感器1獲得的運動數據判斷運動者是否存在運動異常。
[0091] 控制器根據本申請實施例一、實施例二之一的基于自適應算法的運動警報方法， 判斷傳感器1采集的運動者運動狀態是否存在異常。
[0092] 定位器3用于在控制器2判斷存在運動異常時獲得運動者的位置數據。
[0093]定位器3使用GPS信號定位該運動警報裝置所處的位置，獲得經煒度坐標，以及具 體地址。
[0094] 發送器4用于將運動異常數據和運動位置信息發送給外部設備。
[0095] 發送器將控制器2判斷的運動者運動異常數據，以及定位器獲取的運動者異常運 動時所處的位置數據發送至外部設備。
[0096] 外部設備，例如移動終端，接收運動異常數據，對運動異常數據進行分析，判斷運 動異常數據產生原因，例如是自行摔倒還是被人撞倒，并將判斷結果顯示給用戶。
[0097] 具體的，自行摔倒和被人撞倒的主要區別表現為，用戶在X/Y/Z三個方向上受力不 同，從而導致用戶以及運動警報裝置的加速度和角速度不同。當自行摔倒時，X/Y/Z三個方 向上的加速度呈線性變化過程，變化曲線無突變。而被人撞倒時，加速度在某一個方向上， 尤其是X/Y方向上將產生大于某一閾值，例如500g/s的受力突變，從而導致相應方向上的加 速度突變，即其加速度呈非線性變化過程，當在某個時間閾內，加速度突變的幅度大于設定 閾值時，可以初步認定為被人撞倒。
[0098] 因此，可通過傳感器獲取的加速度、角速度數據的變化過程，判斷運動異常數據產 生的原因。
[0099] 同時，當自行摔倒時，在初始階段時間閾內，Z軸方向上的自旋角速度趨近于0,且 呈線性變化過程，無突變。而被人撞倒時，Z軸方向上的自旋角速度將產生突變，且自旋角速 度產生變化所需時間遠小于自行摔倒。
[0100] 當然，實施本申請的任一技術方案必不一定需要同時達到以上的所有優點。
[0101] 為了使本領域的人員更好地理解本申請中的技術方案，下面將結合本申請實施例 中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅 僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術 人員所獲得的所有其他實施例，都應當屬于本申請保護的范圍。
[0102] 下面結合本申請附圖進一步說明本申請具體實現。
[0103] 本領域的技術人員應明白，本申請的實施例可提供為方法、裝置(設備）、或計算機 程序產品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面 的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計 算機可用存儲介質（包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程 序產品的形式。
[0104] 本申請是參照根據本申請實施例的方法、裝置(設備)和計算機程序產品的流程圖 和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程 和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指 令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生 一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現 在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0105] 這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特 定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指 令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或 多個方框中指定的功能。
[0106] 這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計 算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或 其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一 個方框或多個方框中指定的功能的步驟。
[0107] 盡管已描述了本申請的優選實施例，但本領域內的技術人員一旦得知了基本創造 性概念，則可對這些實施例作出另外的變更和修改。所以，所附權利要求意欲解釋為包括優 選實施例以及落入本申請范圍的所有變更和修改。顯然，本領域的技術人員可以對本申請 進行各種改動和變型而不脫離本申請的精神和范圍。這樣，倘若本申請的這些修改和變型 屬于本申請權利要求及其等同技術的范圍之內，則本申請也意圖包含這些改動和變型在 內。
【主權項】
1. 一種基于自適應算法的運動警報方法，包括如下步驟： 步驟S1、使用傳感器獲得運動數據； 步驟S2、根據運動數據判斷是否存在運動異常； 步驟S3、如果存在運動異常則定位運動者位置； 步驟S4、發出警報信號并發送運動者位置信息。2. 如權利要求1所述的基于自適應算法的運動警報方法，其中使用傳感器獲得的運動 數據包括Ξ維空間內的加速度數據和Χ/Υ/ΖΞ個方向上的角速度數據。3. 如權利要求1所述的基于自適應算法的運動警報方法，其中步驟S1之前還包括步驟 SO： 步驟so、使用傳感器預先收集運動者運動數據，建立運動者特征模型，該特征模型使用 如下公式表示，其中C為特征誤差向量，采用[0，1]之間的隨機數，y為特征值，初值為設定的一般特征 值數組，ym,t為在時間t獲得的第m個特征值，矩陣y為在時間t獲得的特征值群，A為傳感器采 集的數據組群，m為預先規定的運動者運動數據樣本數量。4. 如權利要求3所述的基于自適應算法的運動警報方法，其中步驟S2、根據運動數據判 斷是否存在運動異常包括如下子步驟： 步驟S201、將獲得的運動數據進行歸一化，形成向量集矩降a中為在 時間t+1獲得的第m個歸一化特征值，N為在時間t+1獲得的歸一化特征值群，m為預先規定的 運動者運動數據樣本數量； 步驟S202、比較獲得的向量集矩陣N和步驟SO計算獲得的矩陣y，獲得比較結果R，將比 較結果R和闊值Z進行比較，判斷R是否在闊值范圍內，如果超過闊值范圍則認為運動者存在 運動異常。5. 如權利要求3所述的基于自適應算法的運動警報方法，其中步驟S1之前還包括步驟： 步驟SOI、使用傳感器預先收集運動者運動數據，對其進行預分類，獲得多組預分類后 的特征數據，形成多個預分類組； 步驟S02、對于每一個預分類組建立該預分類組的運動者特征模型，該特征模型使用如 下公式表示：其中c為特征誤差向量，采用[0，1]之間的隨機數，y為特征值，初值為設定的一般特征 值數組，ym,t為在時間t獲得的第m個特征值，矩陣y為在時間t獲得的特征值群，A為傳感器采 集的數據組群，m為預先規定的運動者運動數據樣本數量。6. 如權利要求5所述的基于自適應算法的運動警報方法，其中步驟S2、根據運動數據判 斷是否存在運動異常包括如下子步驟： 步驟S201、將獲得的運動數據進行歸一化，形成向量集矩陣庚中nm,t+i為在 時間t+1獲得的第m個歸一化特征值，N為在時間t+1獲得的歸一化特征值群，m為預先規定的 運動者運動數據樣本數量； 步驟S202、對向量集矩陣N進行預分類，將其分類到預分類組中； 步驟S203、比較獲得的向量集矩陣N和步驟SO計算獲得的矩陣y，獲得比較結果R，將比 較結果R和闊值Z進行比較，判斷R是否在闊值范圍內，如果超過闊值范圍則認為運動者存在 運動異常。7. -種基于自適應算法的運動警報裝置，包括如下部件： 傳感器，獲得運動數據； 控制器，根據獲得的運動數據判斷是否存在運動異常； 定位器，在控制器判斷存在運動異常時獲得運動者的位置數據； 發送器，將運動異常數據和運動位置信息發送給外部設備。8. 如權利要求7所述的基于自適應算法的運動警報裝置，其中傳感器獲得的運動數據 包括Ξ維空間內的加速度數據和Χ/Υ/ΖΞ個方向上的角速度數據。9. 如權利要求7所述的基于自適應算法的運動警報裝置，其中發送器發送傳感器數據 給外部設備。10. 如權利要求7所述的基于自適應算法的運動警報裝置，其中控制器在判斷是否存在 運動異常之前，使用傳感器預先收集運動者運動數據，建立運動者特征模型，該特征模型使 用如下公式表示：其中C為特征誤差向量，采用[0，1]之間的隨機數，y為特征值，初值為設定的一般特征 值數組，ym,t為在時間t獲得的第m個特征值，矩陣y為在時間t獲得的特征值群，A為傳感器采 集的數據組群，m為預先規定的運動者運動數據樣本數量。
【文檔編號】G01C23/00GK106092134SQ201610369385
【公開日】2016年11月9日
【申請日】2016年5月30日
【發明人】康洪波, 司亞超, 趙建光, 李恩龍
【申請人】河北建筑工程學院