一種基于自適應(yīng)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?zhí)峁┮环N基于自適應(yīng)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(shù)據(jù)；步驟S2、根據(jù)運動數(shù)據(jù)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(fā)出警報信號并發(fā)送運動者位置信息。該運動警報方法采用自適應(yīng)算法對運動者的日常運行軌跡進行記錄和分析，形成適應(yīng)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(tài)異常時，算法也可自動生成運動糾正序列，從而提高了適應(yīng)性，解決了現(xiàn)有運動警報功能精度不夠的問題，使得運動者發(fā)生運動狀態(tài)異常時，將運動者運動數(shù)據(jù)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(yīng)算法的運動警報方法以及運動警報裝置
技術(shù)領(lǐng)域
[0001] 本申請涉及通信領(lǐng)域，尤其涉及一種基于自適應(yīng)算法的運動警報方法以及運動警 報裝置。
【背景技術(shù)】
[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(fā)疾病發(fā)生摔倒的 概率逐年增高，如果沒有被及時發(fā)現(xiàn)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(xiàn)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(tài)認知不夠，導(dǎo)致個體適應(yīng)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(jù)。因此，目前缺乏一種能夠 準確判定不同個體運動狀態(tài)的，具有強適應(yīng)性的運動警報裝置。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本申請?zhí)峁┮环N基于自適應(yīng)算法的運動警報方法，用于解決現(xiàn)有技術(shù) 中對用戶運動狀態(tài)判定精確度不夠，個體適應(yīng)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(jù)的技術(shù)問題。
[0005] 為達到上述目的，本申請的實施例采用如下技術(shù)方案：
[0006] 第一方面，提供了一種基于自適應(yīng)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(yù)先收集運動者運動數(shù)據(jù)，建立運動者特征模型；
[0008] 步驟S1、使用傳感器獲得運動數(shù)據(jù)；
[0009] 步驟S2、根據(jù)運動數(shù)據(jù)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(fā)出警報信號并發(fā)送運動者位置信息。
[0012] 所述傳感器獲得的運動數(shù)據(jù)包括三維空間內(nèi)的加速度數(shù)據(jù)和X/Y/Z三個方向上的 角速度數(shù)據(jù)。
[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(shù)，y為特征值，初值為設(shè)定的 一般特征值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)量。
[0016] 其中步驟S2所述根據(jù)運動數(shù)據(jù)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(shù)據(jù)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(yù)先規(guī)定的運動者運 動數(shù)據(jù)樣本數(shù)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(jié)果R， 將比較結(jié)果R和閾值Z進行比較，判斷R是否在閾值范圍內(nèi)，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(yīng)算法的運動警報方法，該方法根據(jù)運動者不同 運動狀態(tài)，對運動數(shù)據(jù)進行預(yù)分類。包括如下步驟：
[0020] 步驟S0、使用傳感器預(yù)先收集運動者運動數(shù)據(jù)，建立運動者特征模型；
[0021 ]步驟S1、使用傳感器獲得運動數(shù)據(jù)；
[0022] 步驟S2、根據(jù)運動數(shù)據(jù)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(fā)出警報信號并發(fā)送運動者位置信息。
[0025]所述傳感器獲得的運動數(shù)據(jù)包括三維空間內(nèi)的加速度數(shù)據(jù)和X/Y/Z三個方向上的 角速度數(shù)據(jù)。
[0026]其中步驟S1之前還包括步驟：
[0027]步驟S01、使用傳感器預(yù)先收集運動者運動數(shù)據(jù)，對其進行預(yù)分類，獲得多組預(yù)分 類后的特征數(shù)據(jù)，形成多個預(yù)分類組；
[0028]步驟S02、對于每一個預(yù)分類組建立該預(yù)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(shù)，y為特征值，初值為設(shè)定的 一般特征值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)量。
[0031] 其中步驟S2所述根據(jù)運動數(shù)據(jù)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(shù)據(jù)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(yù)先規(guī)定的運動者運 動數(shù)據(jù)樣本數(shù)量；
[0033]步驟S202、對向量集矩陣N進行預(yù)分類，將其分類到預(yù)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(jié)果R，將比較結(jié) 果R和閾值Z進行比較，判斷R是否在閾值范圍內(nèi)，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(yīng)算法的運動警報裝置，包括如下部件：
[0036]傳感器，獲得運動數(shù)據(jù)；
[0037] 控制器，根據(jù)獲得的運動數(shù)據(jù)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(shù)據(jù)；
[0039]發(fā)送器，將運動異常數(shù)據(jù)和運動位置信息發(fā)送給外部設(shè)備。
[0040] 所述傳感器獲得的運動數(shù)據(jù)，包括三維空間內(nèi)的加速度數(shù)據(jù)和X/Y/Z三個方向上 的角速度數(shù)據(jù)。
[0041] 所述發(fā)送器發(fā)送傳感器數(shù)據(jù)給外部設(shè)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(yù)先收集運動者運動數(shù) 據(jù)，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(shù)，y為特征值，初值為設(shè)定的 一般特征值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)量。
[0045] 該運動警報方法采用自適應(yīng)算法對運動者的日常運行軌跡進行記錄和分析，形成 適應(yīng)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(tài)異常時，算法也可自動生成運動糾正序列， 從而提高了適應(yīng)性，解決了現(xiàn)有運動警報功能精度不夠的問題，使得運動者發(fā)生運動狀態(tài) 異常時，將運動者運動數(shù)據(jù)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(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)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(lǐng)域普通技術(shù)人員來講，還可以根據(jù)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(yīng)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(yīng)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(yīng)算法的運動警報裝置的結(jié)構(gòu)示意 圖。
【具體實施方式】
[0052]下面結(jié)合附圖并通過【具體實施方式】來進一步說明本發(fā)明的技術(shù)方案。
[0053] 實施例一：
[0054]圖1為本發(fā)明實施例一提供的一種基于自適應(yīng)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(yù)先收集運動者運動數(shù)據(jù)，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(shù)，使用rand〇函數(shù)生 成。y為特征值，初值為設(shè)定的一般特征值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本 數(shù)量。
[0059] 具體的，可利用C語言在DMP中實現(xiàn)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(shù)據(jù)，用來訓(xùn)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(shù)據(jù)。
[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(shù)據(jù)，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(shù)據(jù)和3軸MEMS陀螺數(shù)據(jù)，共6組數(shù)據(jù)，分別為X/Y/Z三個方向上的加速度數(shù)據(jù)， 和X/Y/Z三個方向上的角速度數(shù)據(jù)。其中，加速度數(shù)據(jù)用來判斷人體的行為方式，角速度數(shù) 據(jù)用來判斷人體的姿態(tài)。
[0063] 步驟S2、根據(jù)運動數(shù)據(jù)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(shù)據(jù)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(yù)先規(guī) 定的運動者運動數(shù)據(jù)樣本數(shù)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(jié)果R，將比較結(jié)果R和閾值Z進行比較，判斷R是否在閾值范圍 內(nèi)，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(jīng)煒度坐標，以及 具體地址。
[0069]步驟S4、發(fā)出警報信號并發(fā)送運動者位置信息。
[0070] 具體的，將步驟S2獲取的判斷結(jié)果，以及步驟S3獲取的運動者異常運動時所處的 位置數(shù)據(jù)發(fā)送至外部設(shè)備。
[0071] 實施例二：
[0072]圖2為本發(fā)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(yù)先收集運動者運動數(shù)據(jù)，對其進行預(yù)分類，所述預(yù)分類例 如可根據(jù)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(tài)，獲得此運動者不同運動狀態(tài)下的運動特征數(shù)據(jù)，從而形成多個預(yù)分類組。
[0074]具體的，可根據(jù)運動者身體條件，選擇一種或多種運動狀態(tài)預(yù)分類。
[0075]步驟S02、對于每一個預(yù)分類組建立該預(yù)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(shù)，使用rand〇函數(shù)生 成。y為特征值，初值為設(shè)定的一般特征值數(shù)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(shù)據(jù)組群，m為在某一運動狀態(tài)下預(yù)先規(guī)定的運 動者運動數(shù)據(jù)樣本數(shù)量。
[0079]可利用C語言在DMP中實現(xiàn)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(shù)據(jù)，用來訓(xùn)練此模型，從而矯正初值，計算公式如下：
[0081 ]步驟S2根據(jù)運動數(shù)據(jù)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(shù)據(jù)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(yù) 先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)量；
[0083]步驟S'202、對向量集矩陣N進行預(yù)分類，將其分類到預(yù)分類組中；
[0084]例如根據(jù)獲得的速度數(shù)據(jù)，將向量集矩陣N預(yù)分類到慢跑、快走、快跑預(yù)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(jié)果R，將比較結(jié)果R和閾值Z進行比較，判斷R是否在閾值范圍 內(nèi)，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(fā)明的基于自適應(yīng)算法的運動警報裝置的結(jié)構(gòu)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(fā)送器4。
[0088] 所述控制器2與傳感器1、定位器3和發(fā)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(shù)據(jù)發(fā)送給控制器2。
[0089] 傳感器1用于獲得運動者運動數(shù)據(jù)。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(tài)發(fā)生變化時，傳感器1對運動者運動狀態(tài)數(shù)據(jù)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(shù)據(jù)和3軸MEMS陀螺數(shù)據(jù)， 共6組數(shù)據(jù)，分別為X/Y/Z三個方向上的加速度數(shù)據(jù)，和X/Y/Z三個方向上的角速度數(shù)據(jù)。其 中，加速度數(shù)據(jù)用來判斷人體的行為方式，角速度數(shù)據(jù)用來判斷人體的姿態(tài)。所述傳感器1 將運動狀態(tài)數(shù)據(jù)發(fā)送至所述控制器2,由所述控制器2判斷老人的運動狀態(tài)。所述傳感器1采 集的數(shù)據(jù)，可以通過串口發(fā)送至PC機，并在PC機中顯示。
[0090] 控制器2用于根據(jù)所述傳感器1獲得的運動數(shù)據(jù)判斷運動者是否存在運動異常。
[0091] 控制器根據(jù)本申請實施例一、實施例二之一的基于自適應(yīng)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(tài)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(shù)據(jù)。
[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(jīng)煒度坐標，以及具 體地址。
[0094] 發(fā)送器4用于將運動異常數(shù)據(jù)和運動位置信息發(fā)送給外部設(shè)備。
[0095] 發(fā)送器將控制器2判斷的運動者運動異常數(shù)據(jù)，以及定位器獲取的運動者異常運 動時所處的位置數(shù)據(jù)發(fā)送至外部設(shè)備。
[0096] 外部設(shè)備，例如移動終端，接收運動異常數(shù)據(jù)，對運動異常數(shù)據(jù)進行分析，判斷運 動異常數(shù)據(jù)產(chǎn)生原因，例如是自行摔倒還是被人撞倒，并將判斷結(jié)果顯示給用戶。
[0097] 具體的，自行摔倒和被人撞倒的主要區(qū)別表現(xiàn)為，用戶在X/Y/Z三個方向上受力不 同，從而導(dǎo)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(chǎn)生大于某一閾值，例如500g/s的受力突變，從而導(dǎo)致相應(yīng)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(nèi)，加速度突變的幅度大于設(shè)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(shù)據(jù)的變化過程，判斷運動異常數(shù)據(jù)產(chǎn) 生的原因。
[0099] 同時，當自行摔倒時，在初始階段時間閾內(nèi)，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(chǎn)生突變，且自旋角速 度產(chǎn)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(shù)方案必不一定需要同時達到以上的所有優(yōu)點。
[0101] 為了使本領(lǐng)域的人員更好地理解本申請中的技術(shù)方案，下面將結(jié)合本申請實施例 中的附圖，對本申請實施例中的技術(shù)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(lǐng)域普通技術(shù) 人員所獲得的所有其他實施例，都應(yīng)當屬于本申請保護的范圍。
[0102] 下面結(jié)合本申請附圖進一步說明本申請具體實現(xiàn)。
[0103] 本領(lǐng)域的技術(shù)人員應(yīng)明白，本申請的實施例可提供為方法、裝置(設(shè)備）、或計算機 程序產(chǎn)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(jié)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(zhì)（包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實施的計算機程 序產(chǎn)品的形式。
[0104] 本申請是參照根據(jù)本申請實施例的方法、裝置(設(shè)備)和計算機程序產(chǎn)品的流程圖 和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)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(jié)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(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生 一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn) 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(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)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(chǎn)生包括指 令裝置的制造品，該指令裝置實現(xiàn)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(shù)據(jù)處理設(shè)備上，使得在計 算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或 其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)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(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)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(quán)利要求意欲解釋為包括優(yōu) 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(lǐng)域的技術(shù)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(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本申請也意圖包含這些改動和變型在 內(nèi)。
【主權(quán)項】
1. 一種基于自適應(yīng)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(shù)據(jù)； 步驟S2、根據(jù)運動數(shù)據(jù)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(fā)出警報信號并發(fā)送運動者位置信息。2. 如權(quán)利要求1所述的基于自適應(yīng)算法的運動警報方法，其中使用傳感器獲得的運動 數(shù)據(jù)包括Ξ維空間內(nèi)的加速度數(shù)據(jù)和Χ/Υ/ΖΞ個方向上的角速度數(shù)據(jù)。3. 如權(quán)利要求1所述的基于自適應(yīng)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(yù)先收集運動者運動數(shù)據(jù)，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(shù)，y為特征值，初值為設(shè)定的一般特征 值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)量。4. 如權(quán)利要求3所述的基于自適應(yīng)算法的運動警報方法，其中步驟S2、根據(jù)運動數(shù)據(jù)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(shù)據(jù)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(yù)先規(guī)定的 運動者運動數(shù)據(jù)樣本數(shù)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(jié)果R，將比 較結(jié)果R和闊值Z進行比較，判斷R是否在闊值范圍內(nèi)，如果超過闊值范圍則認為運動者存在 運動異常。5. 如權(quán)利要求3所述的基于自適應(yīng)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(yù)先收集運動者運動數(shù)據(jù)，對其進行預(yù)分類，獲得多組預(yù)分類后 的特征數(shù)據(jù)，形成多個預(yù)分類組； 步驟S02、對于每一個預(yù)分類組建立該預(yù)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(shù)，y為特征值，初值為設(shè)定的一般特征 值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)量。6. 如權(quán)利要求5所述的基于自適應(yīng)算法的運動警報方法，其中步驟S2、根據(jù)運動數(shù)據(jù)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(shù)據(jù)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(yù)先規(guī)定的 運動者運動數(shù)據(jù)樣本數(shù)量； 步驟S202、對向量集矩陣N進行預(yù)分類，將其分類到預(yù)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(jié)果R，將比 較結(jié)果R和闊值Z進行比較，判斷R是否在闊值范圍內(nèi)，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(yīng)算法的運動警報裝置，包括如下部件： 傳感器，獲得運動數(shù)據(jù)； 控制器，根據(jù)獲得的運動數(shù)據(jù)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(shù)據(jù)； 發(fā)送器，將運動異常數(shù)據(jù)和運動位置信息發(fā)送給外部設(shè)備。8. 如權(quán)利要求7所述的基于自適應(yīng)算法的運動警報裝置，其中傳感器獲得的運動數(shù)據(jù) 包括Ξ維空間內(nèi)的加速度數(shù)據(jù)和Χ/Υ/ΖΞ個方向上的角速度數(shù)據(jù)。9. 如權(quán)利要求7所述的基于自適應(yīng)算法的運動警報裝置，其中發(fā)送器發(fā)送傳感器數(shù)據(jù) 給外部設(shè)備。10. 如權(quán)利要求7所述的基于自適應(yīng)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(yù)先收集運動者運動數(shù)據(jù)，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(shù)，y為特征值，初值為設(shè)定的一般特征 值數(shù)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(shù)據(jù)組群，m為預(yù)先規(guī)定的運動者運動數(shù)據(jù)樣本數(shù)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(fā)明人】康洪波, 司亞超, 趙建光, 李恩龍
【申請人】河北建筑工程學(xué)院