一种运动状态检测方法及基于该方法的智能鞋与流程

本发明涉及一种穿戴设备及其检测方法，具体涉及一种适用于普通用户日常运动状况检测鞋，尤其适用于足球、篮球、羽毛球运动爱好者了解运动状况。

背景技术：

现代人对健康越来越重视，各类业余运动丰富多彩。电子产品的大规模普及也渗透到运动领域。智能穿戴设备飞速增长，鞋子作为一种生活必需品，鞋子的智能化已成为一种趋势，目前市面上出现了能够根据加速度传感器计算步数、距离、卡路里、速度的智能鞋，给用户提供了实用的功能。但是这些智能鞋的功能相对较为单一，并没有对更加专业的运动数据进行统计，如起跳次数、冲刺次数、脚掌着地角度、及体能消耗等。在相对专业的运动训练中，这些数据对监测运动员的生理体征以及训练水平判断有较重要的意义。虽然也有一些智能鞋能够检测起跳状态，但需要增加压力传感器等不同传感器，其增加了智能鞋的复杂程度和能耗。

技术实现要素：

本发明的目的是为了克服上述背景技术的缺陷，提供一种运动状态检测方法及基于该方法的智能鞋。

一种运动状态检测方法，包括穿戴于人体脚部的穿戴物，所述穿戴物设有可采集三轴向加速度的加速度采集模块、用于处理加速度信号的处理模块以及用于向外传输处理结果的通讯模块；具体包括如下步骤：

S10. 处理模块通过所述加速度采集模块连续采集最近发生的第一特定时间段内的三轴向上的加速度，并计算出合加速度；

S20. 处理模块形成的关于加速度大小曲线，获取曲线的波峰高度以及波峰间距，同时计算合加速度的合加速度平均值；

S30. 处理模块根据步骤S20中的数据进行分析，获得人体的运动状态，所述运动状态包括脚掌着地角度、冲刺状态、起跳状态以及体能消耗状态；

S40. 处理模块控制所述通讯模块向外发送分析结果；

其中，在步骤S30中，体能消耗状态的识别包括如下子步骤：

S301. 对所述波峰高度、所述波峰间距以及合加速度平均值进行归一化处理；

S302. 分别对所述波峰高度、所述波峰间距以及合加速度平均值按大小进行隶属度划分，分为低、中以及高三个等级。

S303. 根据所述波峰高度、所述波峰间距以及合加速度平均值当前的等级组合判断体能状态。

进一步的，所述步骤S303包括如下判断步骤：

S3031. 设置模糊规则：当所述波峰高度、所述波峰间距以及合加速度平均值当前均处于低等级，则判断为当前体能消耗状态为低消耗状态；当所述波峰高度、所述波峰间距以及所述合加速度平均值中至少有两种数据处于高等级状态时则判断为高体能消耗状态，否则处于较高体能消耗状态；

S3032. 输入所述波峰高度、所述波峰间距以及合加速度平均值三种归一化数据，应用模糊推理及重心去模糊方法，得到体能消耗的输出；最后输出所判断结果。

进一步的，所述起跳状态检测包括：

S311. 处理模块判断竖直方向上的加速度是否大于第一阈值，若是则执行步骤S312，其中所述第一阈值大于所述合加速度平均值;

S312. 处理模块判断在加速度大于所述第一阈值后的第二特定时间段内合加速度是否相当于自由落体时的合加速度，若是则判定为一次起跳。

进一步的，所述冲刺状态检测包括：

S321. 处理模块判断在第一特定时间段内所述波峰间距以及波峰高度的变化幅度，若变化幅度小于第二阈值，则执行所述步骤S322；

S322. 处理模块判断所述波峰高度是否大于第三阈值且所述波峰间距小于第四阈值，若是则判断当前运动状态为冲刺状态。

进一步的，所述脚掌着地角度计算方法包括如下步骤：

S331. 处理模块采集脚掌着地瞬间的合加速度矢量；

S332. 处理模块计算所述合加速度矢量与重力加速度矢量的内积，进而计算所述合加速度以及重力加速度的夹角。

进一步的，处理模块判断所述合加速度平均值在第三特定时间段内是否保持不变，若是则控制所述加速度采集模块暂停采集数据。

另外，本发明还提供一种智能鞋，包括可采集三轴向加速度的加速度采集模块、用于处理加速度信号的处理模块以及用于向外传输处理结果的通讯模块，还包括下述模块中的至少一项：

体能消耗检测模块，用于根据所述加速度采集模块获取的加速度峰值、两峰值之间的时间间隔和合加速度的平均值判断当前体能消耗程度；

起跳检测模块，用于根据所述加速度采集模块的竖直方向加速度大小识别起跳动作，并对起跳动作进行计数；

冲刺检测模块，用于根据所述加速度采集模块获取的加速度峰值和两峰值之间的时间间隔识别冲刺状态；以及

脚掌着地角度计算模块，用于根据合加速度矢量与重力加速度矢量的内积计算脚掌着地的角度。

进一步的，还包括采集中断模块，所述采集终中断块在所述加速度采集模块所采集的数据不变化的时间超过第三特定时间时发出终止采集加速度的信号。

进一步的，还包括运动类型识别模块以及计步模块；所述体能消耗检测模块、起跳检测模块、冲刺检测模块，以及脚掌着地角度计算模块在未接收到所述处理模块的控制信号时关闭。

进一步的，所述通讯模块为蓝牙模块、WIFI模块、移动通信模块中的至少一种。

本发明的运动状态检测方法及基于该方法的智能鞋，仅利用加速度采集模块通过算法有效地计算出用户的运动状态，能为用户特别是运动爱好者提供用价值的运动数据，而且本发明系统简单，成本较低，采用一种传感器即可完成多种运动状态的检测。另外，通过分析结果的反馈，用户可以了解自己的运动状况更好的为自己制定运动方案。

附图说明

图1为本发明运动状态检测方法的方法流程图。

图2为本发明智能鞋的系统架构图。

具体实施方式

下面将结合附图对本发明的一种运动状态检测方法及基于该方法的智能鞋作进一步的描述。

一种运动状态检测方法，包括穿戴于人体脚部的穿戴物，所述穿戴物设有可采集三轴向加速度的加速度采集模块、用于处理加速度信号的处理模块以及用于向外传输处理结果的通讯模块；如图1所示，具体包括如下步骤：

S10. 处理模块通过所述加速度采集模块连续采集最近发生的第一特定时间段内的三轴向上的加速度，并计算出合加速度；该第一特定时间可以根据需要进行调整，优选情况下采用滑动窗口的机制对数据进行处理，可以保证数据有效地实时更新。在合计速度大小acc的计算上面，可以采用以下两种算法：

第一种算法：；

第二种算法：。

其中，x、y、z分别是横向加速度、纵向加速度以及竖直方向加速度。

优选地，第一特定时间段可以是1秒。

S20. 处理模块形成的关于加速度大小曲线，获取曲线的波峰高度以及波峰间距，同时计算合加速度的合加速度平均值；其中波峰高度所表示的是加速度极值的大小，加速度的极值越大，则波峰的高度越高，而在运动过程中，用户的一个步伐会产生一个波峰，因此，两相邻波峰之间的间距则可以反映出用户的步频，波峰间距越小则步频越大。合加速度的平均值则反映当前运动状态的剧烈程度。

优选的，可以根据合加速度的波峰高度和波峰间距判断进行计步。同时通过神经网络算法，该算法的神经网络是在线下通过采集大量用户数据训练得到的。实现对用户的运动类型识别，如跑步或者走路等。

S30. 处理模块根据步骤S20中的数据进行分析，获得人体的运动状态，所述运动状态包括脚掌着地角度、冲刺状态、起跳状态以及体能消耗状态；

S40. 处理模块控制所述通讯模块向外发送分析结果；

优选的实施例中，用户的运动类型状态识别可以是脚掌着地角度、冲刺状态、起跳状态以及体能消耗状态中的一种或者多种组合。也可以将这四种运动状态的检测区别于常规的计步检测，归类为专项运动检测。而计步检测以及运动类型识别则归类为日常运动检测。处理模块可以根据用户或者程序的设置控制专项运动检测的开启或者停止，以满足不同使用场景下的要求。

具体的，体能消耗状态检测在专项运动模式下用于计算用户在整个运动过程中的体能消耗分布。单位时间的体能消耗的计算由三部分决定：波峰高度、波峰间距和平均加速度值。三部分采用归一化得方法计算得分。包括如下子步骤：

S301. 对所述波峰高度、所述波峰间距以及合加速度平均值进行归一化处理；

S302. 分别对所述波峰高度、所述波峰间距以及合加速度平均值按大小进行隶属度划分，分为低、中以及高三个等级。优选情况下，低等级的隶属函数是[0,0.4]上的梯形函数，中等级的隶属函数是[0.1,0.9]上的梯形函数，高等级的隶属函数是[0.6,1]上的梯形函数。

S303. 根据所述波峰高度、所述波峰间距以及合加速度平均值当前的等级组合判断体能状态。

步骤S303的具体判断步骤如下：

S3031. 设置模糊规则：当所述波峰高度、所述波峰间距以及合加速度平均值当前均处于低等级，则判断为当前体能消耗状态为低消耗状态；当所述波峰高度、所述波峰间距以及所述合加速度平均值均中至少有两种数据处于高等级状态时则判断为高体能消耗状态，否则处于较高体能消耗状态；

S3032. 输入所述波峰高度、所述波峰间距以及合加速度平均值三种归一化数据，应用模糊推理及重心去模糊方法，得到体能消耗的输出；最后输出所判断结果。

在起跳状态检测方面，其在专项运动模式下用于检测用户在整个运动过程中的起跳次数，并累计起跳次数。通常情况下，起跳动作发生有三个特征，起跳瞬间地面对脚掌的支撑力，起跳在空中近似自由落体，落体瞬间地面对脚掌的支撑力。理论上自由落体时只受重力加速度，但是系统对加速度采集模块进行了校正，此时读数为零。具体的起跳状态检测包括：

S311. 处理模块判断竖直方向上的加速度是否大于第一阈值，若是则执行步骤S312，其中所述第一阈值大于所述合加速度平均值；

S312. 处理模块判断在加速度大于所述第一阈值后的第二特定时间段内合加速度是否相当于自由落体时的合加速度，若是则判定为一次起跳。

优选情况下，第一阈值为0.8g，其中g为重力加速度，第二特定时间段为100毫秒。

由于加速度采集模块的采集原理，其中在自由落体时所采集到的三轴向加速度理论均为0，,但是由于实际起跳后的下降过程会受到外力干扰，因此加速度会与重力加速度略微不同。为了降低误识别的概率，需要利用算法对数据做统计分析，计算其均值与方差。

均值计算：

方差计算：

在该均值和方差不超过一定的范围时，则系统判断其仍然符合自由落体状态。

在冲刺状态检测方面，冲刺状态检测是在专项运动模式下用于检测用户在整个运动过程中的冲刺次数，其主要判断合加速度的波峰高度以及波峰间距是否满足固定条件，具体包括如下步骤：

S321. 处理模块判断在第一特定时间段内所述波峰间距以及波峰高度的变化幅度，若变化幅度小于第二阈值，则执行所述步骤S322；

S322. 处理模块判断所述波峰高度是否大于第三阈值且所述波峰间距小于第四阈值，若是则判断当前运动状态为冲刺状态。

优选的，第二阈值是0.5、第三阈值为2g（g为重力加速度），而第四阈值则是300毫秒。

在脚掌着地角度计算方法方面，其在专项运动模式下用于计算用户脚踏地时前脚掌（加速度计）与水平面之间的角度。包括如下步骤：

S331. 处理模块采集脚掌着地瞬间的合加速度矢量；

S332. 处理模块计算所述合加速度矢量与重力加速度矢量的内积，在进行反三角函数计算，进而计算所述合加速度以及重力加速度的夹角。

具体为：

优选的实施例当中，为了起到更加节能的效果没在静止状态下，采集到的加速度的值不会发生改变，因此处理模块判断所述合加速度平均值在第三特定时间段内是否保持不变，若是则控制所述加速度采集模块暂停采集数据。优选的第三特定时间段可以为1分钟，或者2分钟。

基于上述的运动状态检测方法，如图2所示，本发明还提供一种智能鞋，包括可采集三轴向加速度的加速度采集模块、用于处理加速度信号的处理模块以及用于向外传输处理结果的通讯模块，另外，其还包括日常运动检测模块和专项运动检测模块，日常运动检测模块和专项运动检测模块与处理模块协同检测用户的运动状态，优选情况下，用户在日常生活中并没有进行体育运动，因此专项运动检测模块在日常生活时可以处于待机状态，不对进行工作。当处理模块向专项运动检测模块发送特定的指令时，专项运动检测模块才进行工作。

其中日常运动检测模块包括计步模块以及运动类型识别模块，运动类型识别模块用于识别用户走路或者跑步等运动类型。而专项运动模块则下述模块中的至少一项：

体能消耗检测模块，用于根据所述加速度采集模块获取的加速度峰值、两峰值之间的时间间隔和合加速度的平均值判断当前体能消耗程度；

起跳检测模块，用于根据所述加速度采集模块的竖直方向加速度大小识别起跳动作，并对起跳动作进行计数；

冲刺检测模块，用于根据所述加速度采集模块获取的加速度峰值和两峰值之间的时间间隔识别冲刺状态；以及

脚掌着地角度计算模块，用于根据合加速度矢量与重力加速度矢量的内积计算脚掌着地的角度。

为了进一步的节省能耗，还包括采集中断模块，所述采集中断模块在所述加速度采集模块所采集的数据不变化的时间超过第三特定时间时发出终止采集加速度的信号。

另外，通讯模块可以为蓝牙模块、WIFI模块、移动通信模块中的至少一种。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。