[go: up one dir, main page]

CN108830299A - 基于svm的智能设备佩戴模式的识别方法及系统、智能设备 - Google Patents

基于svm的智能设备佩戴模式的识别方法及系统、智能设备 Download PDF

Info

Publication number
CN108830299A
CN108830299A CN201810491888.1A CN201810491888A CN108830299A CN 108830299 A CN108830299 A CN 108830299A CN 201810491888 A CN201810491888 A CN 201810491888A CN 108830299 A CN108830299 A CN 108830299A
Authority
CN
China
Prior art keywords
smart machine
data
svm
svm classifier
status data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810491888.1A
Other languages
English (en)
Inventor
邵刘军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qianxun Position Network Co Ltd
Original Assignee
Qianxun Position Network Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qianxun Position Network Co Ltd filed Critical Qianxun Position Network Co Ltd
Priority to CN201810491888.1A priority Critical patent/CN108830299A/zh
Publication of CN108830299A publication Critical patent/CN108830299A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • User Interface Of Digital Computer (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明适用于智能感知技术领域，提供了一种基于SVM的智能设备佩戴模式的识别方法，包括：采集智能设备当前的状态数据；将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；基于所述学习结果识别所述智能设备当前的佩戴模式。本发明中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。

Description

基于SVM的智能设备佩戴模式的识别方法及系统、智能设备
技术领域
本发明属于智能感知技术领域，尤其涉及一种基于SVM的智能设备佩戴模式的识别方法及系统、智能设备。
背景技术
全球定位系统(GPS)可以提供高精度的室外位置服务，但由于建筑物的遮挡，GPS信号在室内非常微弱甚至不可见，因此GPS定位系统不能应用于室内定位。而现如今人们越来越多的活动都是在室内进行，基于位置的服务越来越受到人们的关注。随着无线电技术的快速发展以及移动智能终端的日益普及，室内定位导航技术作为GPS的一种补充技术快速发展。由于移动智能终端设备(智能手机)已成为人们日常的必需品，具有运算速度快、便携带等特点，并且集成了诸如磁力计、加速度传感器、陀螺仪等多种传感器。因此基于智能手机的室内定位问题越来越成为研究的热点。
现有技术中，通常是基于分析三轴加速度计的信号所在阈值范围来判断手机当前所处的状态(佩戴方式)，即通过判断重力加速度分别在三个轴的投影分量值来判断，而由于人体在运动过程中产生的线性加速度会耦合至加速度计信号中而无法准确提取出重力加速度在三个轴上的分量值，故判断准确度较低。
发明内容
本发明实施例提供了一种基于SVM的智能设备佩戴模式的识别方法及装置、智能设备，旨在解决现有技术的由于受到线性加速度影响导致佩戴模式判断准确度较低的问题。
一种基于SVM的智能设备佩戴模式的识别方法，包括：
采集智能设备当前的状态数据；
将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
基于所述学习结果识别所述智能设备当前的佩戴模式。
优选地，所述采集智能设备当前的状态数据之前还包括：
基于两组以上传感器样本数据进行训练，得到SVM分类模型。
优选地，所述基于两组以上传感器样本数据进行训练，得到SVM分类模型具体包括：
采集两组以上传感器样本数据；
分别提取每一组所述传感器样本数据的特征数据，得到两组以上特征数据，每一组所述传感器样本数据对应一组特征数据；
基于所述特征数据及SVM算法训练出对应的分类器，一个所述分类器对应一组所述传感器样本数据，一个所述分类器代表一个佩戴模式；
基于训练所得的分类器得到SVM分类模型。
优选地，所述状态数据包括对应的传感器数据，所述将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果具体包括：
提取所述传感器数据的特征数据；
将所提取的特征数据输入至所述SVM分类模型进行学习训练，得到学习结果。
优选地，所述传感器数据包括：加速度计数据及陀螺仪数据，所述特征数据包括：加速度计的三轴平均值及陀螺仪三轴的标准差数据。
优选地，所述智能设备包括以下的一种：智能手机、智能计步器。
本发明还提供一种基于SVM的智能设备佩戴模式的识别系统，包括：
采集单元，用于采集智能设备当前的状态数据；
学习单元，用于将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
识别单元，用于基于所述学习结果识别所述智能设备当前的佩戴模式。
本发明还提供一种服务器，该服务器包括线程池及一种基于SVM的智能设备佩戴模式的识别系统，所述识别系统包括：
采集单元，用于采集智能设备当前的状态数据；
学习单元，用于将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
识别单元，用于基于所述学习结果识别所述智能设备当前的佩戴模式。
本发明还提供一种存储器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被处理器执行如下步骤：
采集智能设备当前的状态数据；
将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
基于所述学习结果识别所述智能设备当前的佩戴模式。
本发明还提供一种服务终端，包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集智能设备当前的状态数据；
将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
基于所述学习结果识别所述智能设备当前的佩戴模式。
本发明实施例中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
附图说明
图1为本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的流程图；
图2为本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的一优选实施方式的流程图；
图3为本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的步骤S4的具体流程图；
图4为本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的步骤S2的具体流程图；
图5为本发明第二实施例提供的一种基于SVM的智能设备佩戴模式的识别系统的结构图；
图6为本发明第三实施例提供的一种服务终端的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例中，一种基于SVM的智能设备佩戴模式的识别方法，包括：采集智能设备当前的状态数据；将所采集的状态数据输入SVM分类模型中进行学习，得到分类结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；基于分类结果识别所述智能设备当前的佩戴模式。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
图1示出了本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的流程图，该方法包括：
步骤S1，采集智能设备当前的状态数据；
具体地，首先要采集需要判断的智能设备当前的状态数据，该智能设备可为任何便于佩戴的智能设备，例如：智能计步器、智能手机等，优选地，本实施例中，该智能设备为智能手机。通常情况下，是通过该智能手机来采集佩戴用户当前的状态数据(运动数据)，该状态数据可包括：当前的时间点、传感器数据等，该传感器通常包括加速度计及陀螺仪，该传感器是内嵌于智能手机的。
步骤S2，将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果；
具体地，预先创建一SVM(Support Vector Machine，支持向量机)分类模型，该SVM分类模型基于两组以上传感器样本数据训练而成，该SVM分类模型包括两个以上分类器，每一前述分类器对应一种佩戴模式，例如，佩戴在腰间、佩戴在手臂、放置于裤兜、放置于上衣口袋等，而每一种佩戴模式会标记为不同值或者识别码，而标记值或者识别码可根据实际情况而设，此处对此不作限制。将采集的状态数据输入到该SVM分类模型中进行训练学习，然后输入训练结果，得到分类结果。进一步地，主要是将状态数据输入至该SVM分类模型中，输入至每一分类器中进行训练学习，获得对应的学习结果。
步骤S3，基于学习结果识别智能设备当前的佩戴模式；
具体地，根据学习结果来识别该智能设备当前的佩戴模式。
进一步地，学习结果包括分类结果，每一分类结果用不同标记标识，此时根据预设映射表即可得到对应的佩戴模式，该映射表包括标记与佩戴模式之间的对应关系。
本实施例中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
在本实施例的一个优选方案中，该步骤S1之前还可包括(见图2)：
步骤S4，基于两组以上传感器样本数据进行训练，得到SVM分类模型；
具体地，首先是创建SVM分类模型，该分类模型是基于两组以上传感器样本数据进行训练得到，每一组传感器样本数据对应一种佩戴模式，通常情况下，会采集多组传感器样本数据，以用于训练学习，提高SVM分类模型的可靠性。
在本实施例的一个优选方案中，如图3所示，为本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的步骤S4的具体流程图，该步骤S4具体包括：
步骤S41，采集两组以上传感器样本数据；
具体地，分别采集智能设备在用户使用不同的佩戴模式下的传感器样本数据，该传感器样本数据可包括加速度计数据及陀螺仪数据，以该传感器样本数据来进行训练学习，形成SVM分类模型。通常情况下，需要采集多组传感器样本数据。
步骤S42，分别提取每一组传感器样本数据的特征数据，得到两组以上特征数据；
具体地，基于特征模型分别提取每一组传感器样本数据的特征数据，该特征数据可包括加速度计的三轴平均值及陀螺仪三轴的标准差数据，该特征模型包括加速度计模型及陀螺仪模型，其中，三轴指的是X轴、Y轴及Z轴，进一步地，该加速度计模型为：
基于上述模型，通过滑动窗口可获得对应的加速度计的三轴平均值，该滑动窗口是指利用滑动滤波算法，每新获取一个值，从当前存储的N个数据中去掉一个存在时间最长的数据，将当前获取的一个值与剩余的N-1个数据新组成N个数据，然后计算新组成的N个数据的平均值和方差；
该陀螺仪模型为：
其中，ax，ay和az分别代表x轴，y轴和z轴的加速度计值，gx，gy和gz分别代表x轴，y轴和z轴的陀螺仪值，μx，μy和μz分别为1秒内陀螺仪值在每一轴上的平均值；基于上述陀螺仪模型可获得对应的陀螺仪三轴的标准差数据；即将采集的加速度计值输入到对应的加速度计模型中得到对应的加速度计数据(三轴平均值)，将采集的陀螺仪值输入至陀螺仪模型中得到对应的三轴陀螺仪的标准差(平均差)数据。进一步地，每一组特征数据包括六个特征数据(加速度计三轴平均值及陀螺仪三轴标准差)。
步骤S43，基于特征数据及SVM算法训练出对应的分类器；
具体地，分别对每一组传感器样本数据中提取的特征数据使用SVM算法训练得到对应的分类器，即根据该特征数据，利用SVM算法进行计算得到该特征数据对应的规律，得到对应的分类器，其中，一个分类器对应一组传感器样本数据，一个分类器代表一个佩戴模式。
步骤S44，基于训练所得的分类器创建SVM分类模型；
具体地，基于前述步骤所得的多种分类器创建SVM分类模型，该分类模型包括两种以上分类器。
在本实施例的一个优选方案中，如图4所示，为本发明第一实施例提供的一种基于SVM的智能设备佩戴模式的识别方法的步骤S2的具体流程图，该步骤S2具体包括：
步骤S21，提取传感器数据的特征数据；
具体地，该传感器数据可包括加速度计数据及陀螺仪数据，该特征数据包括加速度计的三轴平均值及陀螺仪三轴的标准差(即平均差)数据，从传感器数据中提取对应的特征数据。进一步地，根据前述的特征模型(加速度计模型及陀螺仪模型)来提取特征数据(包括6个特征数据)。
步骤S22，将所提取的特征数据输入至SVM分类模型进行学习训练，得到学习结果；
具体地，分别将提取的特征数据输入至SVM分类模型中进行学习训练，得到对应的学习结果；优选地，然后将6个特征数据输入到SVM分类模型的T个分类器中进行训练学习(T为大于1的自然数，T为分类器的总数量)，得到T个检测结果，采用投票法，根据T个检测结果中的检测次数最多的佩戴模式即为最终的学习结果。
为了便于理解，下面以具体实例描述实现过程：
首先，测试者将智能手机绑在胳膊上类似于常见的跑步时佩戴的手机模式进行跑步或者走路并且持续时间为20分钟，然后采集在这段时间内的智能手机上的陀螺仪和加速度计的数据，然后通过步骤S42分析传感器的数据特征，将获取特征数据与当前的手机佩戴模式的标签值B(B为整数，比如假设手机佩戴在胳膊的模式的标签值B设为1，其他佩戴模式可分别设为其他的整数值)组成一组佩戴模式的训练样本。如果有T组不同的手机摆放模式，则有T组训练样本，将这训练样本数据输入到SVM中，SVM学习算法会返回，根据这些样本数据，训练得到这分类模型，这种分类模型则包含T种分类器，即意味着可以识别T种不同的手机佩戴模式。
本实施例中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
实施例二：
如图5所示，为本发明第二实施例提供的一种基于SVM的智能设备佩戴模式的识别系统的结构图，该系统包括：采集单元1、与采集单元1连接的学习单元2、与学习单元2连接的识别单元3，其中：
采集单元1，用于采集智能设备当前的状态数据；
具体地，首先要采集需要判断的智能设备当前的状态数据，该智能设备可为任何便于佩戴的智能设备，例如：智能计步器、智能手机等，优选地，本实施例中，该智能设备为智能手机。通常情况下，是通过该智能手机来采集佩戴用户当前的状态数据(运动数据)，该状态数据可包括：当前的时间点、传感器数据等，该传感器通常包括加速度计及陀螺仪，该传感器是内嵌于智能手机的。
学习单元2，用于将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果；
具体地，预先创建一SVM分类模型，该SVM分类模型基于两组以上传感器样本数据训练而成，该SVM分类模型包括两个以上分类器，每一前述分类器对应一种佩戴模式，例如，佩戴在腰间、佩戴在手臂、放置于裤兜、放置于上衣口袋等，而每一种佩戴模式会标记为不同值或者识别码，而标记值或者识别码可根据实际情况而设，此处对此不作限制。将采集的状态数据输入到该SVM分类模型中进行训练学习，然后输入训练结果，得到分类结果。进一步地，主要是将状态数据输入至该SVM分类模型中，输入至每一分类器中进行训练学习，获得对应的学习结果。
识别单元3，用于基于学习结果识别智能设备当前的佩戴模式；
具体地，根据学习结果来识别该智能设备当前的佩戴模式。
进一步地，学习结果包括分类结果，每一分类结果用不同标记标识，此时根据预设映射表即可得到对应的佩戴模式，该映射表包括标记与佩戴模式之间的对应关系。
本实施例中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
在本实施例的一个优选方案中，该系统还包括：与学习单元2连接的模型训练单元4，其中：
模型训练单元4，用于基于两组以上传感器样本数据进行训练，得到SVM分类模型；
具体地，首先是创建SVM分类模型，该分类模型是基于两组以上传感器样本数据进行训练得到，每一组传感器样本数据对应一种佩戴模式，通常情况下，会采集多组传感器样本数据，以用于训练学习，提高SVM分类模型的可靠性。
在本实施例的一个优选方案中，该模型训练单元4具体包括：采集子单元、与采集子单元连接的提取子单元、与提取子单元连接的训练子单元、与训练子单元连接的创建子单元，其中：
采集子单元，用于采集两组以上传感器样本数据；
具体地，分别采集智能设备在用户使用不同的佩戴模式下的传感器样本数据，该传感器样本数据可包括加速度计数据及陀螺仪数据，以该传感器样本数据来进行训练学习，形成SVM分类模型。通常情况下，需要采集多组传感器样本数据。
提取子单元，用于分别提取每一组传感器样本数据的特征数据，得到两组以上特征数据；
具体地，基于特征模型分别提取每一组传感器样本数据的特征数据，该特征数据可包括加速度计的三轴平均值及陀螺仪三轴的标准差数据，该特征模型包括加速度计模型及陀螺仪模型，其中，三轴指的是X轴、Y轴及Z轴，进一步地，该加速度计模型为：
基于上述模型，通过滑动窗口可获得对应的加速度计的三轴平均值，该滑动窗口是指利用滑动滤波算法，每新获取一个值，从当前存储的N个数据中去掉一个存在时间最长的数据，将当前获取的一个值与剩余的N-1个数据新组成N个数据，然后计算新组成的N个数据的平均值和方差；
该陀螺仪模型为：
其中，ax，ay和az分别代表x轴，y轴和z轴的加速度计值，gx，gy和gz分别代表x轴，y轴和z轴的陀螺仪值，μx，μy和μz分别为1秒内陀螺仪值在每一轴上的平均值；基于上述陀螺仪模型可获得对应的陀螺仪三轴的标准差数据；即将采集的加速度计值输入到对应的加速度计模型中得到对应的加速度计数据(三轴平均值)，将采集的陀螺仪值输入至陀螺仪模型中得到对应的三轴陀螺仪的标准差(平均差)数据。进一步地，每一组特征数据包括六个特征数据(加速度计三轴平均值及陀螺仪三轴标准差)。
训练子单元，用于基于特征数据及SVM算法训练出对应的分类器；
具体地，分别对每一组传感器样本数据中提取的特征数据使用SVM算法训练得到对应的分类器，即根据该特征数据，利用SVM算法进行计算得到该特征数据对应的规律，得到对应的分类器，其中，一个分类器对应一组传感器样本数据，一个分类器代表一个佩戴模式。
创建子单元，用于基于训练所得的分类器创建SVM分类模型；
具体地，基于前述步骤所得的多种分类器创建SVM分类模型，该分类模型包括两种以上分类器。
在本实施例的一个优选方案中，该学习单元2具体包括：特征提取子单元及与其连接的学习子单元，其中：
特征提取子单元，用于提取传感器数据的特征数据；
具体地，该传感器数据可包括加速度计数据及陀螺仪数据，该特征数据包括加速度计的三轴平均值及陀螺仪三轴的标准差(即平均差)数据，从传感器数据中提取对应的特征数据。进一步地，根据前述的特征模型(加速度计模型及陀螺仪模型)来提取特征数据(包括6个特征数据)。
学习子单元，用于将所提取的特征数据输入至SVM分类模型进行学习训练，得到学习结果；
具体地，分别将提取的特征数据输入至SVM分类模型中进行学习训练，得到对应的学习结果；优选地，然后将6个特征数据输入到SVM分类模型的T个分类器中进行训练学习(T为大于1的自然数，T为分类器的总数量)，得到T个检测结果，采用投票法，根据T个检测结果中的检测次数最多的佩戴模式即为最终的学习结果。
为了便于理解，下面以具体实例描述实现过程：
首先，测试者将智能手机绑在胳膊上类似于常见的跑步时佩戴的手机模式进行跑步或者走路并且持续时间为20分钟，然后采集在这段时间内的智能手机上的陀螺仪和加速度计的数据，然后通过步骤S42分析传感器的数据特征，将获取特征数据与当前的手机佩戴模式的标签值B(B为整数，比如假设手机佩戴在胳膊的模式的标签值B设为1，其他佩戴模式可分别设为其他的整数值)组成一组佩戴模式的训练样本。如果有T组不同的手机摆放模式，则有T组训练样本，将这训练样本数据输入到SVM中，SVM学习算法会返回，根据这些样本数据，训练得到这分类模型，这种分类模型则包含T种分类器，即意味着可以识别T种不同的手机佩戴模式。
本实施例中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
本发明还提供一种智能设备，该智能设备可供用户佩戴，其包括现有的智能设备的基本结构，还包括如上述实施例二所述的基于SVM的智能设备佩戴模式的识别系统，该识别系统的具体结构、工作原理及对应的技术效果与上述实施例二的描述基本一致，此处不再赘述。
实施例三：
图6示出了本发明第三实施例提供的一种服务终端的结构图，该服务终端包括：存储器(memory)61、处理器(processor)62、通信接口(Communications Interface)63和总线64，该处理器62、存储器61、通信接口63通过总线64完成相互之间的交互通信。
存储器61，用于存储各种数据；
具体地，存储器61用于存储各种数据，例如通信过程中的数据、接收的数据等，此处对此不作限制，该存储器还包括有多个计算机程序。
通信接口63，用于该服务终端的通信设备之间的信息传输；
处理器62，用于调用存储器61中的各种计算机程序，以执行上述实施例一所提供的一种基于SVM的智能设备佩戴模式的识别方法，例如：
采集智能设备当前的状态数据；
将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
基于所述学习结果识别所述智能设备当前的佩戴模式。
本实施例中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
本发明还提供一种存储器，该存储器存储有多个计算机程序，该多个计算机程序被处理器调用执行上述实施例一所述的一种基于SVM的智能设备佩戴模式的识别方法。
本发明中，将智能设备当前的状态数据输入至SVM分类模型中进行学习，得到对应的分类结果，可一定程度上提高佩戴模式的识别准确性。
其次，只需采集的加速度计数据及陀螺仪数据来进行佩戴模式的识别，实现过程简单，计算量小，准确度高。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于SVM的智能设备佩戴模式的识别方法，其特征在于，包括：
采集智能设备当前的状态数据；
将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
基于所述学习结果识别所述智能设备当前的佩戴模式。
2.根据权利要求1所述的识别方法，其特征在于，所述采集智能设备当前的状态数据之前还包括：
基于两组以上传感器样本数据进行训练，得到SVM分类模型。
3.根据权利要求2所述的识别方法，其特征在于，所述基于两组以上传感器样本数据进行训练，得到SVM分类模型具体包括：
采集两组以上传感器样本数据；
分别提取每一组所述传感器样本数据的特征数据，得到两组以上特征数据，每一组所述传感器样本数据对应一组特征数据；
基于所述特征数据及SVM算法训练出对应的分类器，一个所述分类器对应一组所述传感器样本数据，一个所述分类器代表一个佩戴模式；
基于训练所得的分类器得到SVM分类模型。
4.根据权利要求1所述的识别方法，其特征在于，所述状态数据包括对应的传感器数据，所述将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果具体包括：
提取所述传感器数据的特征数据；
将所提取的特征数据输入至所述SVM分类模型进行学习训练，得到学习结果。
5.根据权利要求4所述的识别方法，其特征在于，所述传感器数据包括：加速度计数据及陀螺仪数据，所述特征数据包括：加速度计的三轴平均值及陀螺仪三轴的标准差数据。
6.根据权利要求1至5所述的识别方法，其特征在于，所述智能设备包括以下的一种：智能手机、智能计步器。
7.一种基于SVM的智能设备佩戴模式的识别系统，其特征在于，包括：
采集单元，用于采集智能设备当前的状态数据；
学习单元，用于将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
识别单元，用于基于所述学习结果识别所述智能设备当前的佩戴模式。
8.一种智能设备，其特征在于，包括如权利要求7所述的一种基于SVM的智能设备佩戴模式的识别系统。
9.一种存储器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被处理器执行如下步骤：
采集智能设备当前的状态数据；
将所采集的状态数据输入SVM分类模型中进行学习，得到学习结果，所述SVM分类器是基于两组以上传感器样本数据训练而成；
基于所述学习结果识别所述智能设备当前的佩戴模式。
10.一种服务终端，包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的基于SVM的智能设备佩戴模式的识别方法的步骤。
CN201810491888.1A 2018-05-21 2018-05-21 基于svm的智能设备佩戴模式的识别方法及系统、智能设备 Pending CN108830299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810491888.1A CN108830299A (zh) 2018-05-21 2018-05-21 基于svm的智能设备佩戴模式的识别方法及系统、智能设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810491888.1A CN108830299A (zh) 2018-05-21 2018-05-21 基于svm的智能设备佩戴模式的识别方法及系统、智能设备

Publications (1)

Publication Number Publication Date
CN108830299A true CN108830299A (zh) 2018-11-16

Family

ID=64147768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810491888.1A Pending CN108830299A (zh) 2018-05-21 2018-05-21 基于svm的智能设备佩戴模式的识别方法及系统、智能设备

Country Status (1)

Country Link
CN (1) CN108830299A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659671A (zh) * 2019-08-29 2020-01-07 广州亚美信息科技有限公司 车辆发电机工作状态检测方法、装置及计算机设备
CN114241603A (zh) * 2021-12-17 2022-03-25 中南民族大学 基于可穿戴设备的毽球动作识别与水平等级评估方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116745A (zh) * 2013-03-01 2013-05-22 南通大学 基于几何代数的老人跌倒状态建模、特征提取及识别方法
WO2014156534A1 (ja) * 2013-03-28 2014-10-02 ビッグローブ株式会社 情報処理装置、装着状態検出方法
CN106237604A (zh) * 2016-08-31 2016-12-21 歌尔股份有限公司 可穿戴设备及利用其监测运动状态的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116745A (zh) * 2013-03-01 2013-05-22 南通大学 基于几何代数的老人跌倒状态建模、特征提取及识别方法
WO2014156534A1 (ja) * 2013-03-28 2014-10-02 ビッグローブ株式会社 情報処理装置、装着状態検出方法
CN106237604A (zh) * 2016-08-31 2016-12-21 歌尔股份有限公司 可穿戴设备及利用其监测运动状态的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659671A (zh) * 2019-08-29 2020-01-07 广州亚美信息科技有限公司 车辆发电机工作状态检测方法、装置及计算机设备
CN110659671B (zh) * 2019-08-29 2022-05-03 广州亚美信息科技有限公司 车辆发电机工作状态检测方法、装置及计算机设备
CN114241603A (zh) * 2021-12-17 2022-03-25 中南民族大学 基于可穿戴设备的毽球动作识别与水平等级评估方法及系统

Similar Documents

Publication Publication Date Title
Henpraserttae et al. Accurate activity recognition using a mobile phone regardless of device orientation and location
CN103699795B (zh) 一种运动行为识别方法、装置及运动强度监测系统
Frank et al. Reliable real-time recognition of motion related human activities using MEMS inertial sensors
Jiang et al. Ptrack: Enhancing the applicability of pedestrian tracking with wearables
CN108703760A (zh) 基于九轴传感器的人体运动姿态识别系统及方法
Polu et al. Human activity recognition on smartphones using machine learning algorithms
Kasebzadeh et al. IMU dataset for motion and device mode classification
CN108629170A (zh) 身份识别方法以及相应的装置、移动终端
CN107092882B (zh) 一种基于子动作感知的行为识别系统及其工作方法
CN110811578A (zh) 计步装置及其计步方法、控制器和可读存储介质
CN108960430A (zh) 为人体运动活动生成个性化分类器的方法和设备
Park et al. Accelerometer-based smartphone step detection using machine learning technique
Aiolli et al. ClimbTheWorld: real-time stairstep counting to increase physical activity.
CN108830299A (zh) 基于svm的智能设备佩戴模式的识别方法及系统、智能设备
CN106970705A (zh) 动作捕捉方法、装置和电子设备
CN108827290A (zh) 一种人体运动状态反演装置及方法
CN111026273A (zh) 智能穿戴设备自动设置方法、装置、电子设备及存储介质
Dokic et al. Table tennis forehand and backhand stroke recognition based on neural network
JP2015170257A (ja) 入力方法，プログラム及び入力装置
CN110327050A (zh) 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
US11692829B2 (en) System and method for determining a trajectory of a subject using motion data
CN112667073A (zh) 控制智能穿戴设备的方法、智能穿戴设备和存储介质
CN110180158B (zh) 一种跑步状态识别方法、系统及终端设备
CN114088090A (zh) 一种足绑式行人足部零速度检测方法及系统
CN114492520A (zh) 动作识别方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181116

WD01 Invention patent application deemed withdrawn after publication