[发明专利]提升混合现实与日常健康监测的方法

说明书

本发明提供了一种人工智能运动分层分级处理提升混合现实与日常健康监测的方法，一方面在虚拟现实运动中进行分层分级建模，降低时延和对处理器的要求。预处理过程中既全面采集细微的运动特征，另一方面又通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了计算量，通过重点计算验证环节，又保证了正确性；同时将重点验证环节放在云端，其余计算放在可穿戴设备端，有效地平衡了快速反应和计算量的矛盾，既全面采集运动状态的细节特征，计算量和功耗大大减少。

技术领域

本发明涉及智能穿戴领域，而且涉及虚拟现实技术领域、增强现实技术领域、混合现实技术领域、机器学习技术领域、神经网络技术领域、回归分析技术领域、支持向量机技术领域、蚁群算法技术领域、遗传算法技术领域和人工智能技术领域，特别涉及一种混合现实与日常健康监测的人工智能运动分层分级处理提升混合现实与日常健康监测的方法。

背景技术

规律的运动可以改善心肺功能，降低心脑血管、脂肪代谢紊乱等疾病的发病率；对于一些特殊病例，其生理参数可在特定的步态周期中采集。例如，对于中风(脑卒中)、帕金森等预测诊断与步态周期的不同环节的动作状态下的表现等情况有关。故需要精细地采集运动状态、周期、运动细微特征。

目前越来越多的可穿戴式设备具备计步功能，通过步数粗略估计能耗、距离，无法进一步识别用户的活动，这种局限造成两方面的问题:

1)无法区分有效锻炼：有效锻炼是人们改善心肺功能，增强力量、灵活性，提高健康水平的重要方式。例如，在用户进行网球或篮球这样剧烈活动的情况下，现有设备的统计结果是时断时续的步数，计算的能耗也远低于实际水平。

2)久坐不动识别错误：久坐不动通常指连续1小时以上的静止不动，久坐会引起心血管、颈椎、腰椎等疾病；研究表明，坐的时间越长，肥胖以及死亡的风险越高；现有计步器有可能将长时间的乘车或骑行等不计步的情况错误地识别为久坐不动。

部分设备可以进行运动状态的划分，通过详细的用户活动识别模型的运算来进行运动状态的识别，但这种运动状态的识别必然带来运算的技术数据量的增大，如果在可穿戴式智能终端(如手环、手表、腰带)完成计算，必然加大电量的消耗。由于体积、重量、系统性能的约束，电源容量是制约广泛使用最重要的因素之一。目前可穿戴式功耗待机时间本来就十分有限，现有技术全面采集运动状态的细节特征，带来的运算量、功耗也比较大，降低可穿戴设备的续航能力。而如果将计算过程均放在云端，必然带来对数据传输带宽和判断时延的增加，从而影响一些需要快速判别的运动反应及时性。

综上，现有可穿戴智能设备采集生理参数时，要么没有考虑到用户的运动状态，只进行简单的计步等运动状态采集，对于运动环节、运动细微特征的差别没有采集。要么，全面采集，加剧了可穿戴终端的电量消耗或带来对数据传输带宽和判断时延的增加。

同时，在虚拟现实、增强现实、混合现实中，需要将运动状态数据传输给视频处理器，由于同时涉及软硬件传感器，传输的数据量较大，现有技术通过摄像头、传感器全面采集、传输、处理体征数据，对传输带宽、处理器性能有很高的要求。

为了确保时延给头盔的时延足够小，往往需要用到带宽较大的有线传输，而无法使用无线传输，影响了用户体验；同时对硬件处理器性能要求较高，提升了成本。

所以，迫切需要一种能够降低传输需求，又能保证用户体验的处理技术方案。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种能够降低传输需求又能保证用户体验的人工智能运动分层分级处理提升混合现实与日常健康监测的方法。

根据本发明，提供了一种人工智能运动分层分级处理提升混合现实与日常健康监测的方法，包括：