基于运动模型训练的智能手表动态数据监测方法与流程

1.本发明涉及电数据处理技术领域，具体涉及一种基于运动模型训练的智能手表动态数据监测方法。


背景技术：

2.随着智能手表的出现，其内置的传感器芯片可以对人体的体征信号进行监测，例如心率，呼吸以及人体动作等信号进行监测，而现有的智能手表的用处中，会通过智能手表监测部分身体较弱的老人的运动信号，并对老人日常生活中可能出现的跌倒行为进行监测，并对应的产生监测结果。
3.利用加速度传感器监测数据并设定固定阈值对跌倒行为进行监测已经广泛应用于目前的智能手表中，通过将监测到的实时加速度数据的大小是否超过固定阈值作为是否发生跌倒情况的判定。但是日常行为中除跌倒外，还会出现加速度较高甚至达到固定阈值的情况，从而造成误判，也会出现跌倒情况不严重的跌倒行为故而达不到固定阈值的情况，从而造成没有监测到跌倒。所以如果仅根据由加速度设定的固定阈值对跌倒行为进行监测，会导致对跌倒情况的监测效果不够准确。


技术实现要素：

4.为了解决仅根据由加速度设定的固定阈值对跌倒行为进行监测的监测结果不准确的技术问题，本发明的目的在于提供一种基于运动模型训练的智能手表动态数据监测方法，所采用的技术方案具体如下：本发明提供了一种基于运动模型训练的智能手表动态数据监测方法，所述方法包括：根据预设采样时段获取智能手表采集到的实时监测数据，所述实时监测数据包括实时心率数据和实时加速度数据；获取所述采样时段对应的历史心率分段数据和历史加速度分段数据；获得所述实时监测数据的数据值波动特征，所述数据值波动特征包括加速度波动特征值和心率波动特征值；筛选获得历史心率分段数据中已发生过的跌倒情况的异常心率分段数据；获得所述异常心率分段数据的异常数据变化趋势；根据每个历史心率分段数据的数据变化趋势与所述异常数据变化趋势的差异，以及每个历史心率分段数据的波动值获得正常心率波动值；根据所述正常心率波动值与实时心率数据波动值的差异获得心率评估值；将所述实时心率数据与相邻的所述历史心率分段数据依次合并，根据合并后数据段中的心率极差截取出心率评估段；将所述心率评估段对应的所述历史加速度分段数据和所述实时加速度分段数据作为加速度评估段，根据所述加速度评估段对应的加速度获得动作幅度特征，根据所述加速度评估段内对应时刻的动作幅度特征与加速度获得运动量评估值；
根据所述加速度波动特征值、心率波动特征值、运动量评估值以及心率评估值获得最终身体评估值；根据所述最终身体评估值对初始阈值进行调整获得自适应阈值，根据所述自适应阈值对跌倒情况进行监测，获得监测结果。
5.进一步地，所述数据值波动特征的获取方法包括：将所述实时监测数据的标准差作为所述数据值波动特征。
6.进一步地，所述数据变化趋势的获取方法包括：通过数据分析算法获得每个待分析数据段的波峰点与波谷点；利用最小二乘法曲线拟合算法依次对每个待分析数据段中的波峰点以及波谷点进行拟合，分别获得每个待分析数据段的波峰线与波谷线；根据每个待分析数据段中同一时刻的波峰线与波谷线对应的心率值获得心率均值，将每个待分析数据段中所有时刻的所述心率均值的平均值作为每个待分析数据段的数据变化趋势。
7.进一步地，所述正常心率波动值的获取方法包括：将所有所述异常心率分段数据对应的异常数据变化趋势的平均值作为均值特征；将所述每个历史心率分段数据的数据变化趋势与所述均值特征的差异进行归一化获得均值差异；获取每个所述历史心率分段数据中的所有时刻的波峰线对应的心率值与波谷线对应的心率值的差值的平均值，作为历史心率分段数据波动值；将所有历史心率分段数据对应的所述历史心率分段数据波动值和所述均值差异相乘并求均值，作为所述正常心率波动值。
8.进一步地，所述心率评估值的获取方法包括：根据所述实时心率数据的波峰线和波谷线对应的心率值的差异获得每一时刻的实时心率数据波动值；将所述实时心率数据中每一时刻的实时心率数据波动值与所述正常心率波动值的差值进行累加求均，获得心率波动差异；根据实时心率数据的变化趋势与所述均值特征的差异获得调整值，将所述调整值与所述心率波动差异相乘获得心率评估值；所述调整值的获取方法为当实时心率数据的数据变化趋势小于等于所述均值特征时，所述调整值为1；当实时心率数据的数据变化趋势大于所述均值特征时，所述调整值为实时心率数据的数据变化趋势与所述均值特征的差值进行归一化后加1。
9.进一步地，所述心率评估段的获取方法包括：将所述实时心率数据与相邻的所述历史心率分段数据依次合并，获取每次合并后数据段中的心率极差以及心率变化量；当所述心率极差大于所述心率变化量时，停止合并，截取出心率评估段。
10.进一步地，所述运动量评估值的获取方法包括：将所述心率评估段对应的所述历史加速度分段数据和所述实时加速度分段数据作为加速度评估段；获取所述加速度评估段对应的加速度曲线，将所述加速度评估段内每一时刻的加
速度曲线的定积分数值归一化后的值作为所述动作幅度特征；根据所述加速度评估段内的每一时刻的所述动作幅度特征与对应的加速度相乘并累加获得运动量评估值。
11.进一步地，所述最终身体评估值的获取方法包括：对所述加速度波动特征值进行归一化获得更新加速度波动特征值，对所述心率波动特征值进行归一化并进行负相关映射，获得更新心率波动特征值；所述更新加速度波动特征值和所述更新心率波动特征值相加为1；将所述更新加速度波动特征值作为所述运动量评估值的权重、所述更新心率波动特征值作为所述心率评估值的权重，将所述心率评估值和所述运动量评估值加权融合获得所述最终身体评估值。
12.进一步地，所述自适应阈值的获取方法包括：统计历史加速度监测数据中加速度出现频次最高的值作为所述初始阈值；通过对所述最终身体评估值进行归一化与负相关映射后，与所述初始阈值相乘获得自适应阈值。
13.进一步地，所述监测结果的获取方法包括：将所述自适应阈值与实时加速度信息进行比较，若实时加速度的值大于等于所述自适应阈值，则为监测到跌倒情况；若实时加速度的值小于所述自适应阈值，则无跌倒情况发生。
14.本发明具有如下有益效果：本发明在数据采集阶段限定具体的采样时段，方便后续对数据段进行整合分析；进一步地，获得心率波动特征值和加速度波动特征值，心率波动特征值和加速度波动特征值可以对身体机能进行初步评估，初步评估为后续获得最终身体评估值提供初始参考，最终身体评估值基于心率评估值与运动量评估值获得；其中心率评估值基于正常心率波动值与实时心率数据波动值的差异获得，正常心率波动值反映了用户在正常情况下即未发生跌倒时的心率波动值，通过实时心率数据波动值与正常心率波动值的差异可以反映身体实时的机能情况，即当实时心率数据波动值与正常心率波动值的差异过大时，则此时身体的劳累程度较高，发生跌倒的可能性也就越高，故心率评估值可以反映身体的机能情况；运动量评估值基于加速度评估段中的加速度数据获得，加速度评估段是基于心率评估段对应的历史加速度分段数据和实时加速度分段数据整合获得，获取心率评估段的目的在于可以保证心率评估段内的心率信号所表征的身体负荷完全由心率评估段内的运动量所引起，进而保证通过加速度评估段获得的运动量评估值可以更加准确地反映身体的运动量大小；进一步通过心率波动特征值对心率评估值进行调整、加速度波动特征值对运动量评估值进行调整，获得最终身体评估值，最终身体评估值综合了加速度信息与心率信息，能够更加准确的反映当前身体的负荷情况；利用最终身体评估值对初始阈值进行自适应调整，可以获得更加精确的自适应阈值，能够使监测结果更加准确。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅
仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
16.图1为本发明一个实施例所提供的一种基于运动模型训练的智能手表动态数据监测方法流程图。
具体实施方式
17.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于运动模型训练的智能手表动态数据监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
18.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
19.下面结合附图具体的说明本发明所提供的一种基于运动模型训练的智能手表动态数据监测方法的具体方案。
20.请参阅图1，其示出了本发明一个实施例提供的一种基于运动模型训练的智能手表动态数据监测方法流程图，该方法包括：步骤s1：根据预设采样时段获取智能手表采集到的实时监测数据，实时监测数据包括实时心率数据和实时加速度数据；获取采样时段对应的历史心率分段数据和历史加速度分段数据。
21.在本发明实施例中，通过用户佩戴的智能手表内置的加速计、陀螺仪以及其余传感器根据预设采样时段采集用户的实时加速度数据以及实时心率数据，同时根据采样时段获取最近一周之内的历史加速度分段数据与历史心率分段数据。使用预设采样时段的目的在于方便后续对数据进行整合分析；取历史加速度分段数据和历史心率分段数据的目的在于可以结合历史监测数据对当前的监测数据可能存在的异常进行量化并用于自适应阈值调整。
22.对于预设采样时段时长的设置，由于预设采样时段过短会导致采集到的数据段中监测到的参数信息过少，在后续分析中，会导致分析效果不够好；而预设采样时段过长会导致间隔时间太久，例如以半个小时为一个分段进行监测是否出现跌倒行为，如果在这一分段刚开始时出现跌倒行为，那么可能会出现半个小时之后才会发现出现了跌倒的情况，会导致采取措施不及时的情况；同时基于身体开始运动时，其身体内部的响应速度较快，同时当人受到惊吓时，其心率逐渐平复的所需时间通常在十分钟之内；因此这里将预设采样时段的时长设定为五分钟。需要说明的是，预设采样时段的时长可根据具体实施场景进行调整，在此不作限定。
23.至此，获得了以五分钟为采样时段的实时心率数据、实时加速度数据以及最近一周之内的多个历史加速度分段数据与多个历史心率分段数据。
24.步骤s2：获得实时监测数据的数据值波动特征，数据值波动特征包括加速度波动特征值和心率波动特征值。
25.连续的加速度变化以及对应的幅值大小表征了当前分段内动作的复杂度以及动
作量，因此通过实时加速度数据获得的加速度波动特征值可以对当前的身体机能进行初步的评估；同时根据实时心率数据获得的心率波动特征值反映的心率信号的稳定程度，也可以对当前的身体机能进行初步评估，故可根据实时监测数据获得数据值波动特征，数据值波动特征可对身体机能进行初步评估，而初步评估是后续获得最终身体评估值的基础。
26.优选地，本发明一个实施例中数据值波动特征的获取方法包括：将实时监测数据的标准差作为数据值波动特征；具体为分别获取实时心率数据与实时加速度数据的标准差，将实时心率数据的标准差作为心率波动特征值，将实时加速度数据的标准差作为加速度波动特征值。使用标准差的目的在于可以反映出数据整体的离散程度，使获得的心率波动特征值以及加速度波动特征值更具有代表性，更能反映出数据的整体趋势。在本发明实施例中，加速度波动特征值和心率波动特征值的具体表达式为：其中，为加速度波动特征值，为实时加速度数据中第n时刻的加速度大小，为实时加速度数据的加速度均值，为心率波动特征值，为实时心率数据中第时刻的心率大小，为实时心率数据的心率均值，为实时监测数据中包含的时刻数，∑为求和符号。需要说明的是，在本发明其他实施例中也可通过获得方差等来表示加速度波动特征值和心率波动特征值，在此不作限定。
27.对身体进行初步评估时，需将加速度波动特征值与心率波动特征值共同分析，原因在于当加速度波动特征值即实时加速度数据的标准差较大时，对应的表征当前分段内用户的行为动作较多、较复杂，对应的身体体力消耗可能较高；同时当心率波动特征值即实时心率数据的标准差较小时，说明此时身体的劳累程度较高，将加速度波动特征值与心率波动特征值共同分析，当加速度波动特征值较大且心率波动特征值较小时，二者表征的含义相同即身体当前的负荷过大，此时的置信度较高，进而对身体的初步评估更为准确。
28.至此，根据实时监测数据获得了数据值波动特征。
29.步骤s3：筛选获得历史心率分段数据中已发生过的跌倒情况的异常心率分段数据；获得异常心率分段数据的异常数据变化趋势；根据每个历史心率分段数据的数据变化趋势与异常数据变化趋势的差异，以及每个历史心率分段数据的波动值获得正常心率波动值；根据正常心率波动值与实时心率数据波动值的差异获得心率评估值。
30.在日常生活中，老人出现无故跌倒的情况较少，跌倒行为通常发生在老人身体姿态发生变化的过程中，例如老人姿态从坐姿变成站姿；或者是在日常行为中，因消耗体力导致身体机能不稳定，在这种情形下，发生跌倒情况的概率相对较大。而身体机能不稳定可以从心率信息来进行判断。
31.本发明实施例首先通过已发生过的跌倒行为对历史心率分段数据进行筛选，获得异常心率分段数据；筛选异常心率分段数据的目的在于可以根据异常心率分段数据获得异常数据变化趋势，进而可以根据异常数据变化趋势与历史心率分段数据的数据变化趋势的
差异，以及每个历史心率分段数据的波动值获得正常心率波动值；正常心率波动值为后续获得心率评估值提供参考。
32.优选地，本发明一个实施例中，数据变化趋势的获取方法包括：对于获得的待分析数据段，通过数据分析算法找到每个待分析数据段的波峰点和波谷点；通过最小二乘法曲线拟合算法依次对每个待分析数据段的波峰点和波谷点进行拟合，分别获得每个待分析数据段的两条曲线，命名为波峰线和波谷线；进而根据每个待分析数据段中同一时刻的波峰线和波谷线对应的心率值获得心率均值，将每个待分析数据段中所有时刻的心率均值进行累加并求均值作为每个待分析数据段的数据变化趋势；通过同一时刻的波峰线和波谷线对应的心率值获得的心率均值表示了每个待分析数据段中心率的大致趋势走向，进而通过将待分析数据段中所有时刻的心率均值进行累加求均值可以更加准确的表示出每个待分析数据段中的心率变化趋势，即数据变化趋势。在本发明实施例中，数据变化趋势的公式模型为：其中，为数据变化趋势，为待分析数据段中第时刻的心率均值，为待分析数据段中包含的时刻数，∑为求和符号。
33.每个待分析数据段的数据变化趋势表征了当前数据段内心率数据的大致趋势，为后续获取正常心率波动值提供参考。需要说明的是，利用数据分析算法获取数据曲线的波峰点和波谷点和利用最小二乘法曲线拟合算法获取波峰线和波谷线为本领域技术人员熟知的技术手段，在此不做赘述。
34.进一步地，根据数据变化趋势的获取方法依次获得异常心率分段数据的异常数据变化趋势与每个历史心率分段数据的数据变化趋势，根据每个历史心率分段数据的数据变化趋势与异常数据变化趋势的差异，以及每个历史心率分段数据的波动值获得正常心率波动值。获得的正常心率波动值表征了用户在正常情况下的心率波动大小，为后续获得心率评估值提供参考。
35.优选地，本发明一个实施例中，正常心率波动值的获取方法包括：将获得的所有异常心率分段数据对应的异常数据变化趋势进行累加并求均值，将获得的均值作为均值特征，在本发明实施例中，均值特征的公式模型为：其中，为均值特征，为异常心率分段数据的段数，为第个异常心率分段数据的数据变化趋势，∑为求和符号。
36.均值特征是通过异常心率分段数据的异常数据变化趋势获得的，表征了用户在异常情况下即发生跌倒时的心率均值。将每个历史心率分段数据的数据变化趋势与均值特征的差异进行归一化获得均值差异；均值差异可用来判断用户在每个历史心率分段数据中的身体机能情况；获取每个历史心率分段数据中的所有时刻的波峰线对应的心率值与波谷线
对应的心率值的差值的平均值，作为历史心率分段数据波动值；将所有历史心率分段数据对应的历史心率分段数据波动值和均值差异相乘并求均值，作为正常心率波动值。在本发明实施例中，正常心率波动值的公式模型为：其中，为正常心率波动值，为历史心率分段数据的段数，为均值特征，为第个历史心率分段数据的数据变化趋势，，分别为第个历史心率分段数据中第时刻的波峰线对应的心率值和第个历史心率分段数据中第时刻的波谷线对应的心率值，为第个历史心率分段数据的历史心率分段数据波动值，为第个历史心率分段数据中包含的时刻数。
37.在正常心率波动值的公式模型中，每个历史心率分段数据的数据变化趋势与均值特征的差异进行归一化获得的均值差异可作为权重对每个历史心率分段数据的波动值进行调整，由于均值特征表征了用户在异常情况下的心率均值，故当获得的均值差异越小，即每个历史心率分段数据的数据变化趋势越接近均值特征，则说明此时的历史心率分段数据中存在异常情况即发生跌倒的可能性越高，则说明此时的历史心率分段数据的波动值参考性越低，因此通过获取所有历史心率分段数据的数据波动值和均值差异相乘的平均值来对所有的历史心率分段数据进行整合，获得一个准确的正常心率波动值。
38.进一步地，根据正常心率波动值与实时心率数据波动值的差异获得心率评估值。
39.优选地，本发明一个实施例中，心率评估值的获取方法包括：根据实时心率数据的波峰线和波谷线对应的心率值的差异获得每一时刻的实时心率数据波动值；将实时心率数据中每一时刻的实时心率数据波动值与正常心率波动值的差值进行累加求均，获得心率波动差异；根据实时心率数据的变化趋势与均值特征的差异获得调整值，将调整值与心率波动差异相乘获得心率评估值；调整值的获取方法包括：当实时心率数据的数据变化趋势小于等于均值特征时，将调整值设置为1；当实时心率数据的数据变化趋势大于均值特征时，将实时心率数据的数据变化趋势与均值特征的差值进行归一化后加一作为调整值。进而将调整值与心率波动差异相乘作为心率评估值。在本发明实施例中，心率评估值的公式模型为：其中，为心率评估值，为正常心率波动值，为实时心率数据中包含的时刻
数，，分别为实时心率数据中第时刻的波峰线对应的心率值和实时心率数据中第时刻的波谷线对应的心率值，为调整值，为实时心率数据的数据变化趋势，为均值特征，为归一化操作。需要说明的是，在本发明实施例中所涉及到的归一化操作均为极差标准化，具体的归一化操作为本领域技术人员熟知的技术手段，在此不作赘述与限定。
40.在心率评估值的公式模型中，当实时心率数据中每一时刻的实时心率数据波动值与正常心率波动值的差值越大，说明此时的实时心率数据越不正常，即当前的身体负荷可能就越高，对应的发生意外情况的概率也就越高，因此在后续对初始阈值进行自适应调整时，应该提高对跌倒情况监测的灵敏度，即将自适应阈值调低。为基于实时心率数据的变化趋势与均值特征的差异获得的调整值，由于心率的高低可以直观反映身体当前的负荷情况，心率越高，身体负荷越大，因此当实时心率数据的变化趋势小于等于均值特征时，不需要进行调整，则为为1；当实时心率数据的变化趋势大于均值特征时，说明此时实时心率数据偏高，身体负荷过大，需要进行调整，此时调整值为值的具体大小为实时心率数据的变化趋势与均值特征的差值进行归一化后加1。
41.至此，基于心率信息获得了心率评估值。
42.步骤s4：将实时心率数据与相邻的历史心率分段数据依次合并，根据合并后数据段中的心率极差截取出心率评估段；将心率评估段对应的历史加速度分段数据和实时加速度分段数据作为加速度评估段，根据加速度评估段对应的加速度获得动作幅度特征，根据加速度评估段内对应时刻的动作幅度特征与加速度获得运动量评估值。
43.由于心率信号只能表征身体的身体机能情况是否正常，但是由于出现跌倒的情况导致的心率波动与身体劳累导致的心率波动两者的差异不大，所以仅仅根据步骤s3获得的心率评估值对身体情况进行最终评估不够准确，因此还需要结合加速度信号表征的运动量信息对身体机能进行最终的评估。
44.但是如果仅仅通过实时加速度数据中的加速度信号来表征身体的运动量时，对应的在表征身体的负荷量时是不合理的，因为由运动量引起的身体负荷是随连续时间的运动叠加出来的，所以每一分段中的加速度信号表征出来的运动量与心率信号反映出来的身体机能情况是不匹配的，因此可以根据与实时心率数据相邻的历史心率分段数据获取心率评估段，进而可以认为心率评估段中的心率信号表征的身体负荷完全由心率评估段内的运动量所引起。
45.优选地，本发明一个实施例中心率评估段的获取方法包括：将实时心率数据与相邻的历史心率分段数据依次合并，获取每次合并后数据段中的心率极差以及心率变化量，极差为数据段中最大心率值与最小心率值的差，心率变化量为数据段中末时刻的心率值减去初时刻的心率值；当心率极差大于心率变化量时，即认为从当前历史心率分段开始，心率开始上升，此时停止合并，截取出心率评估段，此时认为心率评估段中的心率信号表征的身体负荷情况完全由心率评估段内的运动量所引起。
46.进一步地，可以将心率评估段对应的所述历史加速度分段数据和所述实时加速度分段数据作为加速度评估段，根据加速度评估段内的加速度信息获得运动量评估值，进而为后续获得最终身体评估值提供参考。
47.优选地，本发明一个实施例中运动量评估值的获取方法包括：获取加速度评估段对应的加速度曲线，计算加速度曲线中每一时刻的定积分数值，定积分上限是每一时刻，下限是加速度评估段的初始时刻；定积分数值表示的是每一时刻的速度大小，反映了动作挥动的快慢；对获得的定积分数值进行归一化将每一时刻的定积分数值线性缩放至0-1的取值范围内，将归一化后的值作为动作幅度特征。根据评估段内每一时刻的动作幅度特征与对应的加速度相乘并累加获得运动量评估值，在本发明实施例中，运动量评估值的公式模型为：其中，为运动量评估值，为加速度评估段内第时刻的动作幅度特征，为加速度评估段内第时刻的加速度，为加速度评估段内包含的时刻数，为以自然常数为底的对数函数，∑求和符号。
48.在运动量评估值的公式模型中，以作为权重值，即以每一时刻对应的动作幅度特征作为权重值对加速度进行调整；当每一时刻的加速度越大，同时动作幅度越大，即对应的运动量越大；当动作幅度相同时，加速度越大，即对应的运动量越大，体力消耗就越高。表征的是加速度评估段内的运动量，是将运动量转为身体负荷值的特征表现，考虑到身体负荷越高，但是心率信号却不会无限增长，而则是当运动量达到一定数值后，其增长的极为缓慢，符合上述描述，因此这里用这一函数表征。当根据加速度评估段内的数据获得的运动量评估值越大，对应的评估段内由加速度信号反映出来的身体负荷也就越高，则后续获得的自适应阈值应该越低，即对跌倒情况监测的灵敏度应该越高，同时运动量评估值还能够对步骤s3中心率评估值所体现的身体负荷进行补充。
49.至此，基于加速度信息获得了运动量评估值。
50.步骤s5：根据加速度波动特征值、心率波动特征值、运动量评估值以及心率评估值获得最终身体评估值。
51.将步骤s2中获得的加速度波动特征值和心率波动特征值进行处理，分别作为运动量评估值和心率评估值的权重对运动量评估值和心率评估值进行调整，获得最终身体评估值。
52.优选地，本发明一个实施例中最终身体评估值的获取方法包括：依次对步骤s2中获得的加速度波动特征值和心率波动特征值进行归一化处理，即，再通过线性缩放处理，分别获得更新加速度波动特征
值和更新心率波动特征值，并且使得更新加速度波动特征值和更新心率波动特征值相加和为1，由于步骤s2中获得的心率波动特征值所表征的含义为当心率波动特征值即实时心率数据的标准差较小时，说明此时身体的劳累程度较高，而加速度波动特征值的标准差较大时，说明此时身体的劳累程度较高，故在此对心率波动特征值归一化后进行负相关映射，从而改变其逻辑。将更新加速度波动特征值作为运动量评估值的权重、更新心率波动特征值作为心率评估值的权重，将心率评估值和运动量评估值加权融合获得所述最终身体评估值。在本发明实施例中，最终身体评估值的公式模型包括：其中，为最终身体评估值，为更新加速度波动特征值，为运动量评估值，为更新心率波动特征值，为心率评估值。需要说明的是，归一化的操作为本领域技术人员熟知的技术手段，在此不作赘述。
53.在最终身体评估值的公式模型中，当运动量评估值和心率评估值越大，对应的获得的最终身体评估值越大，说明身体的负荷越高，即可能发生危险的情况概率就越大，因此对于当前分段内的监测数据进行自适应阈值设定时，应该使其自适应阈值相对较低，即提高对跌倒行为的监测敏感度。同时由于实时监测数据中加速度信号与心率信号中不同的标准差幅值大小不同，即对应的两个信号中哪一个所表征的异常情况相对可能较多，则其对应的得到的权重值便较高，但是由于更新加速度波动特征值和更新心率波动特征值的和为1，二者又可以起到相互限制的作用。最终当获得的最终身体评估值越大，其身体负荷就越高，同时存在跌倒行为的概率也就越高，因此在后续对初始阈值进行自适应调整时，应该提高对跌倒行为的监测敏感度。
54.步骤s6：根据最终身体评估值对初始阈值进行调整获得自适应阈值，根据自适应阈值对跌倒情况进行监测，获得监测结果。
55.根据步骤s5获得了最终身体评估值，进一步通过现有的防跌倒监测中的阈值获得方法，即通过对历史加速度信号进行统计，统计其中加速度出现频次最高的范围阈值设置为初始阈值，根据最终身体评估值对初始阈值进行调整，获得自适应阈值。
56.优选地，本发明一个实施例中，自适应阈值的获取方法包括：通过对最终身体评估值进行归一化与负相关映射后，与初始阈值相乘获得自适应阈值，在本发明实施例中，自适应阈值的公式模型为：其中，为自适应阈值，为初始阈值，为最终身体评估值，为归一化操作。需要说明的是，归一化的操作为本领域技术人员熟知的技术手段，在此不作赘述。
57.在自适应阈值的公式模型中，当最终身体评估值的值越大，说明当前身体的负
荷越大，此时越小，即自适应阈值越小，表征此时对跌倒行为进行监测的敏感度越高。
58.进一步地，通过获得的自适应阈值对实时加速度数据进行跌倒行为的监测。
59.优选地，本发明一个实施例中，监测结果的获取方法包括：将自适应阈值与实时加速度信息进行比较，若实时加速度的值大于等于自适应阈值，则在实时数据段中监测到跌倒情况；若实时加速度的值小于自适应阈值，则实时数据段中无跌倒情况发生。
60.综上所述，本发明实施例通过采用预设采样时段获取智能手表采集到的实时心率数据和实时加速度数据，同时基于预设采样时段获取历史心率分段数据和历史加速度分段数据，使用预设采样时段对数据进行分段可以便于后续对数据进行整合分析。进一步地，通过依次对实时心率数据和实时加速度数据求标准差，分别获得心率波动特征值和加速度波动特征值；心率波动特征值和加速度波动特征值可以用来对身体机能进行一个初步评估。进一步地，通过对历史心率分段数据进行筛选，获得已发生过跌倒情况的异常心率分段数据，通过对异常心率分段数据的异常数据变化趋势进行分析可以获得均值特征，均值特征表征了用户处于异常情况下的心率波动，进而将每个历史心率分段数据的数据变化趋势与均值特征的差作为权重对历史心率分段数据的波动值进行调整获得正常心率波动值，正常心率波动值表征了用户在未发生跌倒情况下的心率正常波动情况。进一步地，通过正常心率波动值与实时心率数据波动值的差异获得心率评估值，心率评估值反映了用户身体当前的机能情况。由于仅通过心率评估值对身体技能进行评估会产生使用的参考因素过于单一，从而导致监测结果可能会不够准确，所以本发明基于加速度信息获取运动量评估值。首先将实时心率数据与相邻的历史心率分段数据依次进行合并，根据合并后数据段中的心率极差截取除心率评估段，获取心率评估段的目的在于可以保证心率评估段中心率信号所表征的身体负荷完全由心率评估段内的运动量所引起，进而将心率评估段对应的历史加速度分段数据和实时加速度分段数据整合作为加速度评估段，对加速度评估段进行分析获得动作幅度特征，进而将加速度评估段内对应时刻的动作幅度特征和加速度相乘获得运动量评估值。进一步地，对加速度波动特征值进行归一化获得更新加速度波动特征值，对心率波动特征值进行归一化并进行负相关映射，获得更新心率波动特征值；并且对更新加速度波动特征值和更新心率波动特征值进行线性缩放处理，使得二者相加为1，将更新加速度波动特征值作为运动量评估值的权重，更新心率波动特征值作为心率评估值的权重，将心率评估值和运动量评估值进行加权融合获得最终身体评估值。进一步根据最终身体评估值对初始阈值进行调整，将最终身体评估值进行归一化与负相关处理后，与初始阈值相乘获得自适应阈值，进而通过自适应阈值对跌倒情况进行监测，即当实时加速度的值大于等于自适应阈值时，则说明有跌倒情况的发生，若实时加速度的值小于自适应阈值时，则说明无跌倒情况发生。本发明根据电数据处理技术，将心率数据表征的信息与加速度数据表征的信息进行结合对初始阈值进行调整，获得自适应阈值，通过自适应阈值对跌倒情况进行监测，可以获得更加准确的监测结果，提高了智能手表对跌倒情况监测的准确性。
61.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
62.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

技术特征：
1.一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述方法包括：根据预设采样时段获取智能手表采集到的实时监测数据，所述实时监测数据包括实时心率数据和实时加速度数据；获取所述采样时段对应的历史心率分段数据和历史加速度分段数据；获得所述实时监测数据的数据值波动特征，所述数据值波动特征包括加速度波动特征值和心率波动特征值；筛选获得历史心率分段数据中已发生过的跌倒情况的异常心率分段数据；获得所述异常心率分段数据的异常数据变化趋势；根据每个历史心率分段数据的数据变化趋势与所述异常数据变化趋势的差异，以及每个历史心率分段数据的波动值获得正常心率波动值；根据所述正常心率波动值与实时心率数据波动值的差异获得心率评估值；将所述实时心率数据与相邻的所述历史心率分段数据依次合并，根据合并后数据段中的心率极差截取出心率评估段；将所述心率评估段对应的所述历史加速度分段数据和所述实时加速度分段数据作为加速度评估段，根据所述加速度评估段对应的加速度获得动作幅度特征，根据所述加速度评估段内对应时刻的动作幅度特征与加速度获得运动量评估值；根据所述加速度波动特征值、心率波动特征值、运动量评估值以及心率评估值获得最终身体评估值；根据所述最终身体评估值对初始阈值进行调整获得自适应阈值，根据所述自适应阈值对跌倒情况进行监测，获得监测结果。2.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述数据值波动特征的获取方法包括：将所述实时监测数据的标准差作为所述数据值波动特征。3.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述数据变化趋势的获取方法包括：通过数据分析算法获得每个待分析数据段的波峰点与波谷点；利用最小二乘法曲线拟合算法依次对每个待分析数据段中的波峰点以及波谷点进行拟合，分别获得每个待分析数据段的波峰线与波谷线；根据每个待分析数据段中同一时刻的波峰线与波谷线对应的心率值获得心率均值，将每个待分析数据段中所有时刻的所述心率均值的平均值作为每个待分析数据段的数据变化趋势。4.根据权利要求3所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述正常心率波动值的获取方法包括：将所有所述异常心率分段数据对应的异常数据变化趋势的平均值作为均值特征；将所述每个历史心率分段数据的数据变化趋势与所述均值特征的差异进行归一化获得均值差异；获取每个所述历史心率分段数据中的所有时刻的波峰线对应的心率值与波谷线对应的心率值的差值的平均值，作为历史心率分段数据波动值；将所有历史心率分段数据对应的所述历史心率分段数据波动值和所述均值差异相乘并求均值，作为所述正常心率波动值。5.根据权利要求4所述的一种基于运动模型训练的智能手表动态数据监测方法，其特
征在于，所述心率评估值的获取方法包括：根据所述实时心率数据的波峰线和波谷线对应的心率值的差异获得每一时刻的实时心率数据波动值；将所述实时心率数据中每一时刻的实时心率数据波动值与所述正常心率波动值的差值进行累加求均，获得心率波动差异；根据实时心率数据的变化趋势与所述均值特征的差异获得调整值，将所述调整值与所述心率波动差异相乘获得心率评估值；所述调整值的获取方法为当实时心率数据的数据变化趋势小于等于所述均值特征时，所述调整值为1；当实时心率数据的数据变化趋势大于所述均值特征时，所述调整值为实时心率数据的数据变化趋势与所述均值特征的差值进行归一化后加1。6.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述心率评估段的获取方法包括：将所述实时心率数据与相邻的所述历史心率分段数据依次合并，获取每次合并后数据段中的心率极差以及心率变化量；当所述心率极差大于所述心率变化量时，停止合并，截取出心率评估段。7.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述运动量评估值的获取方法包括：将所述心率评估段对应的所述历史加速度分段数据和所述实时加速度分段数据作为加速度评估段；获取所述加速度评估段对应的加速度曲线，将所述加速度评估段内每一时刻的加速度曲线的定积分数值归一化后的值作为所述动作幅度特征；根据所述加速度评估段内的每一时刻的所述动作幅度特征与对应的加速度相乘并累加获得运动量评估值。8.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述最终身体评估值的获取方法包括：对所述加速度波动特征值进行归一化获得更新加速度波动特征值，对所述心率波动特征值进行归一化并进行负相关映射，获得更新心率波动特征值；所述更新加速度波动特征值和所述更新心率波动特征值相加为1；将所述更新加速度波动特征值作为所述运动量评估值的权重、所述更新心率波动特征值作为所述心率评估值的权重，将所述心率评估值和所述运动量评估值加权融合获得所述最终身体评估值。9.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述自适应阈值的获取方法包括：统计历史加速度监测数据中加速度出现频次最高的值作为所述初始阈值；通过对所述最终身体评估值进行归一化与负相关映射后，与所述初始阈值相乘获得自适应阈值。10.根据权利要求1所述的一种基于运动模型训练的智能手表动态数据监测方法，其特征在于，所述监测结果的获取方法包括：将所述自适应阈值与实时加速度信息进行比较，若实时加速度的值大于等于所述自适
应阈值，则为监测到跌倒情况；若实时加速度的值小于所述自适应阈值，则无跌倒情况发生。

技术总结
本发明涉及电数据处理技术领域，具体涉及一种基于运动模型训练的智能手表动态数据监测方法。该方法通过采用预设采样时段获取智能手表采集到的实时监测数据和历史分段数据。获得实时监测数据的数据值波动特征。依次基于心率信息和加速度信息分别获得心率评估值和运动量评估值。根据处理后的数据值波动特征对运动量评估值和心率评估值进行加权融合获得最终身体评估值。根据最终身体评估值对初始阈值进行调整获得自适应阈值，通过自适应阈值对跌倒情况进行监测。本发明通过将心率数据表征的信息与加速度数据表征的信息进行结合对初始阈值进行调整获得自适应阈值，通过自适应阈值对跌倒情况进行监测，提高了智能手表对跌倒情况监测的准确性。况监测的准确性。况监测的准确性。


技术研发人员：孟帅
受保护的技术使用者：深圳市魔样科技有限公司
技术研发日：2023.06.14
技术公布日：2023/7/20