[发明专利]一种运动姿态识别方法、装置、可穿戴设备及存储介质

说明书

本发明涉及姿态识别技术领域，公开了一种运动姿态识别方法、装置、可穿戴设备及存储介质，即在可穿戴设备获取到由加速度传感器实时采集的加速度信号后，可先通过信号分段处理得到当前加速度序列，然后以DTW相似距离作为距离度量方式，进行所述当前加速度序列与各个已知运动姿态类型的加速度序列模板的模板匹配，最后基于模板匹配结果找到与最短的DTW相似距离对应的已知运动姿态类型，并将该已知运动姿态类型确定为当前运动姿态，从而仅需在可穿戴设备中部署动态时间规整DTW算法和各个已知运动姿态类型的加速度序列模板，大大降低对计算资源和存储资源的需求，进而使得可穿戴设备能够及时识别出佩戴者的骑车、跑步、步行或其它等动作，提升实时性。

技术领域

本发明属于姿态识别技术领域，具体地涉及一种运动姿态识别方法、装置、可穿戴设备及存储介质。

背景技术

基于可穿戴设备的运动姿态识别是通过将设备(例如腕表)佩戴在人体的相关位置(常见的有手臂、腰间和腿部等)，读取设备中传感器的数据，提取各种运动姿态特征，识别出不同的人体姿态。近些年来，由于传感器的快速发展和普及，使得可穿戴设备上的姿态识别研究成为现流行的热门课题。

基于可穿戴设备的运动姿态识别算法包括有基于阈值的逻辑判别方法和统计模式识别方法等，其中，前者是对不同类型的统计量进行逻辑判断，并加入周期性判断等条件，是最基础的姿态识别算法，而后者与前者相比，具有更高的识别精度，因为该方法是将提取的各种运动姿态特征放入机器学习模型，识别出不同的人体姿态。常用的统计模式识别方法有：基于决策树(Decision Trees)、朴素贝叶斯(Bayes)、K近邻(K NearestNeightbors)以及支持向量机(Support Vector Machine,SVM)等的统计识别方式。

目前，基于可穿戴设备的运动姿态识别算法通常是基于机器学习模型的统计模式识别方法，此类方法通常将机器学习模型部署于手机APP(应用程序，Application的缩写)中或者云端，然后由可穿戴设备将采集的加速度数据传输至手机或云端进行运动姿态识别分析。由于采集的加速度信号数据量较大，且识别算法具有实时性要求，因此迫切需要将运动姿态识别算法部署于可穿戴设备中，但是现有可穿戴设备的计算资源和存储资源都有限，难以部署机器学习模型，如何在计算资源及存储资源受限的可穿戴设备中实现运动姿态识别，是本领域技术人员亟需研究的课题。

发明内容

为了解决现有运动姿态识别算法难以部署到计算资源及存储资源受限的可穿戴设备中，导致识别结果实时性低的问题，本发明目的在于提供一种运动姿态识别方法、装置、可穿戴设备及计算机可读存储介质，可仅需在可穿戴设备中部署动态时间规整DTW算法和各个已知运动姿态类型的加速度序列模板，大大降低对计算资源和存储资源的需求，进而使得可穿戴设备能够根据实时采集的加速度信号，及时识别出佩戴者的骑车、跑步、步行或其它等动作，提升实时性，利于记录或处理相关的运动数据。

第一方面，本发明提供了一种运动姿态识别方法，应用于可穿戴设备，包括：

获取由加速度传感器实时采集的第一加速度信号，其中，所述第一加速度信号在时域中以数据流的形式呈现；

针对所述第一加速度信号，通过信号分段处理得到当前加速度序列；

针对存储在模板库中的各个加速度序列模板，采用动态时间规整DTW算法计算得到对应的且与所述当前加速度序列的动态时间规整DTW相似距离，其中，所述加速度序列模板与已知运动姿态类型具有对应关系；

在计算得到的所有DTW相似距离中，确定出最短的DTW相似距离；

根据所述最短的DTW相似距离，找到对应的已知运动姿态类型，并将该已知运动姿态类型确定为当前运动姿态。