一种智能鞋垫的数据分析处理方法

摘要

本发明涉及一种智能鞋垫的数据分析处理方法，该方法基于对用户进行的数量有限的运动模式的分类、用户在数量有限的分类运动模式时的步频数据以及用户在数量有限的分类运动模式时的累计步长中的一种或多种与预设阈值的比较结果完成异常数据预触发，并基于使用定位仪对累计步长的修正结果完成异常数据报警反馈，累计步长是通过利用分析加速度传感器所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到用户的步长参数区间、穿戴了智能鞋垫的用户所提供的个人身体特征而得到的用户的步长修正参数以及根据加速度传感器所采集的生理数据反应的瞬时加速的变化进行分段的运动时间子长度三者共同确定的。

权利要求

1.一种智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法基于对加速度传感器所采集的生理数据反应的瞬时加速度对用户进行的数量有限的运动模式的分类、所述加速度传感器所采集的生理数据反应的用户在数量有限的分类运动模式之时的步频数据以及所述用户在数量有限的分类运动模式之时的累计步长中的一种或多种与预设阈值的比较结果完成异常数据预触发，并基于使用定位仪对用户在数量有限的分类运动模式之时的累计步长的修正结果完成异常数据报警反馈，其中，所述累计步长是通过利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间、穿戴了所述智能鞋垫的用户所提供的个人身体特征而得到的所述用户的步长修正参数以及根据所述瞬时加速的变化进行分段的运动时间子长度三者共同确定的。

2.如权利要求1所述的智能鞋垫的数据分析处理方法，其特征在于，在基于所述瞬时加速度对用户进行的数量有限的运动模式的分类、所述加速度传感器所采集的生理数据反应的用户在数量有限的分类运动模式之时的步频数据以及所述用户在数量有限的分类运动模式之时的累计步长中的一种或多种与预设阈值比较后出现异常之时，所述数据分析处理方法基于全球定位系统、北斗卫星导航系统、格洛纳斯卫星导航系统和伽利略卫星定位系统中的一种采集的用户在数量有限的分类运动模式之时的移动距离采用加权法对用户在数量有限的分类运动模式之时的累计步长进行修正并基于所述修正结果完成所述异常数据报警反馈。

3.如权利要求2所述的智能鞋垫的数据分析处理方法，其特征在于，所述异常数据报警反馈根据基于对所述瞬时加速度对用户进行的数量有限的运动模式的分类、所述步频数据以及所述用户在数量有限的分类运动模式之时的累计步长中的一种或多种与预设阈值的比较结果而进行有限等级的划分，并且不同等级的异常数据报警反馈以有差异的方式向穿戴了所述智能鞋垫的用户发出报警反馈。

4.如权利要求3所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法基于利用对比分析化法对所述瞬时加速度的分析将穿戴了所述智能鞋垫的用户的运动模式初步划分至静止模式、走路模式、跑步模式、上楼模式或下楼模式，并且所述数据分析处理方法基于穿戴了所述智能鞋垫的用户提供的个人身体特征来确定所述用户的参考加速度并基于所述参考加速度将所述加速度传感器所采集的生理数据反应的瞬时加速度重新归类至所述静止模式、所述走路模式、所述跑步模式、所述上楼模式和所述下楼模式中的一种模式或多种模式。

5.如权利要求4所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法还结合利用三轴加速度传感器采集穿戴了所述智能鞋垫的用户在X轴、Y轴和/或Z轴方向上的生理数据并基于所述用户在X轴、Y轴和/或Z轴上的生理数据所反应的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系中的一项或多项与预设阈值的比较结果来验证基于所述参考加速度对所述瞬时加速度进行的重新归类。

6.如权利要求5所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法基于穿戴了所述智能鞋垫的用户提供的个人身体特征来确定所述用户的统计学性质的步长修正参数，并结合利用分析所述瞬时加速度并基于所述步长参数区间来确定所述用户的实际步长参数区间，并且所述用户的统计学性质的步长修正参数是按照与所述用户所指定的个人身体特征相关的方式来调整得到的，并且所述数据分析处理方法利用调整后的步长修正参数来确定所述用户的实际步长参数区间。

7.如权利要求6所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法还包括利用穿戴了所述智能鞋垫的用户提供的个人身体特征来确定的用户的统计学性质的步长修正参数对利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到的所述用户步长参数区间的修正来完成所述用户数据的更新和/或存储，并且基于所述用户数据的更新和/或存储完成所述数据分析处理方法中预设数据的更新和/或存储，其中，所述预设数据为所述瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间、基于穿戴了所述智能鞋垫的用户提供的个人身体特征来确定所述用户的统计学性质的步长修正参数、识别用户运动模式时采用的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系、进行异常数据报警反馈时采用的累计步长预设阈值和预设步频中的一种或多种。

8.如权利要求7所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法将用户在数量有限的分类运动模式之时的运动时间长度根据所述瞬时加速度的变化进行分段，并将分段后的运动时间子长度按照与之相应的加速度相关的方式进行存储，并且所述数据分析处理方法通过计算由所述运动时间子长度构成的总运动时间长度内的移动距离以获得所述用户在数量有限的分类运动模式之时的累计步长。

9.如权利要求3至8之一所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法通过利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间、穿戴了所述智能鞋垫的用户所指定与个人身体特征中的至少一项相关而得到的所述用户的步长修正参数以及根据加速度传感器所采集的生理数据反应的瞬时加速的变化进行分段的运动时间子长度以累计方式来确定所述用户的累计步长。

10.如权利要求9所述的智能鞋垫的数据分析处理方法，其特征在于，所述数据分析处理方法还包括利用分析压力传感器所采集的用户在数量有限的分类运动模式中脚掌的压力变化趋势并结合利用对比分析的方法将所述瞬时加速度的数值划分的运动模式给出所述用户在数量有限的分类运动模式中的运动姿势评判，并且在所述用户在数量有限的分类运动模式中的运动姿势出现偏差时以文字、语音、图像和视频方式中的一种或多种方式向穿戴了所述智能鞋垫的用户提供运动指导。

说明书

一种智能鞋垫的数据分析处理方法

技术领域

[0001] 本发明涉及智能鞋垫的数据处理技术领域，尤其涉及一种智能鞋垫的数据分析处理方法。

背景技术

[0002] 研究表明，长时间久坐会导致肥胖、高血压、高血脂等疾病，对人体造成的危害不容忽视，因此近年来，运动成为久坐一族的一种新潮流。鞋垫是运动过程中的必需品，随着物联网技术和科技的迅速发展，人们越来越青睐能够给自己的生活、工作、娱乐等多方面带来便利的智能产品，因此智能鞋垫也逐渐向电子化、智能化方向发展。然而，作为一种智能可穿戴设备，目前智能鞋垫的功能基本局限于人体指标(如温度、湿度、重量、脉搏等)的测量、加热除湿服务和简单告警，典型的产品如智能电加热鞋垫等；还有一种能够识别步态的鞋垫。

[0003] 中国专利(公开号为CN104082905B)公开了一种多功能智能鞋垫及步态相似性检测方法。该多功能智能鞋垫能够通过采集被测对象运动时的三轴加速度、三轴角速度以及脚部三个位置的压力信息来判断被测对象的脚步姿态及协调性，从而可以有效地发现和校正不正确或不正常的步态。该多功能智能鞋垫尤其适用于跳舞爱好者、学走路的婴儿以及走路复健的患者。同时，该步态检测方法可配合智能系统使用，通过智能终端设备直观地将测试结果呈现给使用者。但是，现有技术的智能鞋垫大多功能单一、无法满足人们对智能产品的要求。可见，如何通过技术对其进行改进，以发挥智能鞋垫的最大功能，进而更好地为人们的生活工作娱乐服务便显得刻不容缓。

[0004] 另一方面，近年来，随着马拉松运动的平民化，伴随而来的是因没有充分保护措施和运动经验导致的运动猝死事件频繁发生，因此及时对人体进行报警，从而避免这类惨剧的发生变得极为重要。现有技术计算距离的公式为： 其中，V0为初始速度，a为加速度，r为经过时间t后移动的距离。因此对传感器收集到的加速度数据基于时间进行二重积分即可得到距离的数值。现有技术基于三轴加速度传感器的传统惯性导航系统仅能在短时间内进行准确定位，在长时间的运动过程中会由于累计计算误差而使得最终计算值与真实距离偏差较大，因此急需提高用户累计步长测量的精确度。

发明内容

[0005] 针对现有技术之不足，本发明提供了一种智能鞋垫的数据分析处理方法，所述数据分析处理方法基于对加速度传感器所采集的生理数据反应的瞬时加速度对用户进行的数量有限的运动模式的分类、所述加速度传感器所采集的生理数据反应的用户在数量有限的分类运动模式之时的步频数据以及所述用户在数量有限的分类运动模式之时的累计步长中的一种或多种与预设阈值的比较结果完成异常数据预触发，并基于使用定位仪对用户在数量有限的分类运动模式之时的累计步长的修正结果完成异常数据报警反馈，其中，所述累计步长是通过利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间、穿戴了所述智能鞋垫的用户所提供的个人身体特征而得到的所述用户的步长修正参数以及根据所述瞬时加速的变化进行分段的运动时间子长度三者共同确定的。

[0006] 根据一个优选实施方式，在基于对所述瞬时加速度对用户进行的数量有限的运动模式的分类、所述加速度传感器所采集的生理数据反应的用户在数量有限的分类运动模式之时的步频数据以及所述用户在数量有限的分类运动模式之时的累计步长中的一种或多种与预设阈值比较后出现异常之时，所述数据分析处理方法基于全球定位系统、北斗卫星导航系统、格洛纳斯卫星导航系统和伽利略卫星定位系统中的一种或多种采集的用户在数量有限的分类运动模式之时的移动距离采用加权法对用户在数量有限的分类运动模式之时的累计步长进行修正并基于所述修正结果完成所述异常数据报警反馈。

[0007] 根据一个优选实施方式，所述异常数据报警反馈根据基于对所述瞬时加速度对用户进行的数量有限的运动模式的分类、所述加速度传感器所采集的生理数据反应的用户在数量有限的分类运动模式之时的步频数据以及所述用户在数量有限的分类运动模式之时的累计步长中的一种或多种与预设阈值的比较结果而进行有限等级的划分，并且不同等级的异常数据报警反馈以有差异的方式向穿戴了所述智能鞋垫的用户发出报警反馈。

[0008] 根据一个优选实施方式，所述异常数据报警反馈以震动和/或蜂鸣的形式提醒穿戴了所述智能鞋垫的用户，并且基于所述异常数据报警反馈等级的不同以不同震动频率和/或不同分贝的蜂鸣形式向穿戴了所述智能鞋垫的用户反馈以提醒所述用户异常情况的严重程度。

[0009] 根据一个优选实施方式，所述数据分析处理方法基于利用对比分析化法对所述瞬时加速度的分析将穿戴了所述智能鞋垫的用户的运动模式初步划分至静止模式、走路模式、跑步模式、上楼模式或下楼模式，并且所述数据分析处理方法基于穿戴了所述智能鞋垫的用户提供的个人身体特征来确定所述用户的参考加速度并基于所述参考加速度将所述瞬时加速度重新归类至所述静止模式、所述走路模式、所述跑步模式、所述上楼模式和所述下楼模式中的一种模式或多种模式。

[0010] 根据一个优选实施方式，所述数据分析处理方法还结合利用三轴加速度传感器采集穿戴了所述智能鞋垫的用户在X轴、Y轴和/或Z轴方向上的生理数据并基于所述用户在X轴、Y轴和/或Z轴上的生理数据所反应的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系中的一项或多项与预设阈值的比较结果来验证基于所述参考加速度对所述瞬时加速度进行的重新归类。

[0011] 根据一个优选实施方式，所述数据分析处理方法基于穿戴了所述智能鞋垫的用户提供的个人身体特征来确定所述用户的统计学性质的步长修正参数，并结合利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到的所述用户的步长参数区间来确定所述用户的实际步长参数区间，并且所述用户的统计学性质的步长修正参数是按照与所述用户所指定的个人身体特征相关的方式来调整得到的，并且所述数据分析处理方法利用调整后的步长修正参数来确定所述用户的实际步长参数区间。

[0012] 根据一个优选实施方式，所述数据分析处理方法还包括利用穿戴了所述智能鞋垫的用户提供的个人身体特征来确定的用户的统计学性质的步长修正参数对利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到的所述用户步长参数区间的修正来完成所述用户数据的更新和/或存储，并且基于所述用户数据的更新和/或存储完成所述数据分析处理方法中预设数据的更新和/或存储，其中，所述预设数据为所述瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间、基于穿戴了所述智能鞋垫的用户提供的个人身体特征来确定所述用户的统计学性质的步长修正参数、识别用户运动模式时采用的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系、进行异常数据报警反馈时采用的累计步长预设阈值和预设步频中的一种或多种。

[0013] 根据一个优选实施方式，所述数据分析处理方法将用户在数量有限的分类运动模式之时的运动时间长度根据所述瞬时加速度的变化进行分段，并将分段后的运动时间子长度按照与之相应的加速度相关的方式进行存储，并且所述数据分析处理方法通过计算由所述运动时间子长度构成的总运动时间长度内的移动距离以获得所述用户在数量有限的分类运动模式之时的累计步长。

[0014] 根据一个优选实施方式，所述数据分析处理方法通过利用分析所述瞬时加速度并基于对瞬时加速度进行等级分配而得到所述用户的步长参数区间、穿戴了所述智能鞋垫的用户所指定与个人身体特征中的至少一项相关而得到的所述用户的步长修正参数以及根据所述瞬时加速的变化进行分段的运动时间子长度以累计方式来确定所述用户的累计步长。

[0015] 根据一个优选实施方式，所述数据分析处理方法还包括利用分析压力传感器所采集的用户在数量有限的分类运动模式中脚掌的压力变化趋势并结合利用对比分析的方法将所述瞬时加速度的数值划分的运动模式给出所述用户在数量有限的分类运动模式中的运动姿势评判，并且在所述用户在数量有限的分类运动模式中的运动姿势出现偏差时以文字、语音、图像和视频方式中的一种或多种方式向穿戴了所述智能鞋垫的用户提供运动指导。

[0016] 根据一个优选实施方式，所述加速度传感器为电容式加速度传感器、电感式加速度传感器、应变式加速度传感器、压阻式加速度传感器和压电式加速度传感器中的一种或多种，所述压力传感器为半导体压电电阻传感器、静电容量型压力传感器和扩散硅压力变送器中的一种或多种。

[0017] 本发明提供的智能鞋垫的数据分析处理方法至少具有如下优势：

[0018] (1)本发明的数据分析处理方法不仅可以基于加速度传感器采集的生理数据计算用户的累计步长，完成异常数据报警反馈，还能基于加速度传感器与压力传感器的结合完成用户运动姿势的评判与指导。

[0019] (2)本发明的数据分析处理方法基于采集和/或计算的数据完成用户个人数据的更新和/或储存，并基于个人数据完成预设数据的更新和/或储存，通过不断对数据进行更新和/或储存，如此不仅可以形成个性化的数据分析处理方法，还能提高分析的精准度。

[0020] (3)本发明的数据分析处理方法计算用户的累计步长时，基于用户的生理数据分析用户的加速度等级从而获取用户的步长参数区间，并利用用户提供的个人身体特征来确定步长修正参数从而对步长参数区间进行修正，经修正后，可以提高累计步长计算的精准度，而且本发明的累计步长是将运动时间分段后以累计方式计算的，如此可避免现有技术因长时间的运动而造成计算误差过大的缺陷。

附图说明

[0021] 图1是本发明累计步长的一个优选实施方式的计算流程图；

[0022] 图2是静止模式时用户的生理体征示意图；

[0023] 图3是走路模式时用户的生理体征示意图；

[0024] 图4是跑步模式时用户的生理体征示意图；

[0025] 图5是抖腿模式时用户的生理体征示意图；

[0026] 图6是上楼模式时用户的生理体征示意图；和

[0027] 图7是下楼模式时用户的生理体征示意图。

具体实施方式

[0028] 下面结合附图和实施例进行详细说明。

[0029] 实施例1

[0030] 本发明提供了一种智能鞋垫的数据分析处理方法。该分析处理方法是通过将用户的运动模式的分类、用户在分类的运动模式时的步频数据和用户在分类的运动模式时的累计步长中的一种或多种与预设阈值进行比较，根据比较结果完成异常数据预触发。经对比后出现异常数据时，使用定位仪对用户在分类的运动模式时的累计步长进行修正，基于修正结果判定是否需要执行异常数据报警反馈。优选地，结合定位仪修正后的累计步长在预设阈值之内，则不执行异常数据报警反馈；结合定位仪修正后的累计步长在预设阈值之外，立即执行异常数据报警反馈。优选地，用户的运动模式是基于对加速度传感器所采集的生理数据反应的瞬时加速度的分析来进行划分的。图1示出了本发明累计步长的一个优选实施方式的计算流程图。如图1所示，累计步长是通过利用分析加速度传感器所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到用户的步长参数区间、穿戴了智能鞋垫的用户所提供的个人身体特征而得到的用户的步长修正参数以及根据加速度传感器所采集的生理数据反应的瞬时加速的变化进行分段的运动时间子长度三者共同确定的。

[0031] 本发明的数据分析处理方法基于用户的运动模式的分类、用户的步频数据和用户的累计步长中的一种或多种对用户运动状态进行监测，用户在运动过程中出现异常时，使用定位仪对用户的累计步长进行修正以确保数据的可靠性，根据修正结果确定是否需要向用户发出异常数据报警反馈，避免给穿戴了智能鞋垫的用户造成不可弥补的伤害。另一方面，本发明的数据分析处理方法计算用户的累计步长时，基于用户的生理数据分析用户的加速度等级从而获取用户的步长参数区间，并利用用户提供的个人身体特征来确定步长修正参数从而对步长参数区间进行修正，经修正后，可以提高累计步长计算的精准度，而且本发明的累计步长是将运动时间分段后以累计方式计算的，如此可避免现有技术因长时间的运动而造成计算误差过大的缺陷。

[0032] 根据一个优选实施方式，在将用户的运动模式的分类、用户在分类的运动模式时的步频数据和用户在分类的运动模式时的累计步长中的一种或多种与预设阈值的比较后出现异常之时，本发明的数据分析处理方法基于定位仪采集的用户在数量有限的分类运动模式之时的移动距离并利用加权法对用户在数量有限的分类运动模式之时的累计步长进行修正。优选地，定位仪为全球定位系统、北斗卫星导航系统、格洛纳斯卫星导航系统和伽利略卫星定位系统中的一种或多种。优选地，定位仪采集的移动距离与计算所得的累计步长的权重基于用户的运动模式进行确定。更进一步的，静止模式、上楼模式和下楼模式中各定位仪采集的移动距离的权重均为0～0.1，计算所得的累计步长的权重与各定位仪采集的移动距离的权重之和为1。走路模式和跑步模式中定位仪采集的移动距离的权重为0.6～0.9，计算所得的累计步长的权重与各定位仪采集的移动距离的权重之和为1。

[0033] 以使用一个定位仪对累计步长进行修正为例，上楼模式时采集的移动距离的权重均为0.1，则计算所得的累计步长的权重为0.9。修正后的累计步长＝0.1×移动距离+0.9×累计步长。以使用两个定位仪对累计步长进行修正为例，上楼模式时采集的移动距离的权重均为0.1，则计算所得的累计步长的权重为0.8。修正后的累计步长＝0.1×第一移动距离+0.1×第二移动距离+0.8×累计步长。其余运动模式的计算方式与此相同。本发明的数据分析处理方法采用加权法对用户的累计步长进行修正，可提高累计步长计算的精准度，避免因计算误差而造成异常数据报警反馈出错的现象，另外，本发明的数据分析处理方法依据用户的运动模式的不同而确定不同的权重参数，如此可进一步提高修正结果的准确性。

[0034] 根据一个优选实施方式，异常数据报警反馈根据用户的运动模式的分类、用户在分类的运动模式时的步频数据和用户在分类的运动模式时的累计步长中的一种或多种与预设阈值的比较结果而进行有限等级的划分。不同等级的异常数据报警反馈以有差异的方式向穿戴了智能鞋垫的用户发出报警反馈。优选地，异常数据报警反馈划分为速度过快、放慢速度和需要休息三个等级。异常数据报警反馈的等级划分不限于此，还可以是其余的划分形式。优选地，异常数据报警反馈以震动和/或蜂鸣的形式提醒穿戴了智能鞋垫的用户。优选的，异常数据报警反馈依据人体体征异常情况的严重程度发出不同频率的震动和/或不同分贝的蜂鸣，以便穿戴了智能鞋垫的用户能够根据异常数据报警反馈的形式及时对自身运动做出调整。

[0035] 根据一个优选实施方式，智能鞋垫内放置有震动传感器装置。震动传感器装置根据异常数据报警反馈等级的不同进行不同频率的震动。当智能鞋垫与移动设备连接时，移动设备将根据不同的异常数据报警反馈的等级对用户进行语音提醒和/或震动提醒。例如，以成年男子身高1.7m，体重65kg处于跑步模式为例，当步频一段时间(10min)内处于一定频率(200次)以上时，对其发出3级警报(速度过快)。当步频处于180次时，并且维持这一步频运动时间超过设定值(30min)，将对其发出二级警报(放慢速度)。当用户步频在某一阈值(160次)以上的时间累积到一定时(2h)，对其发出一级警报(需要休息)。

[0036] 根据一个优选实施方式，本发明的数据分析处理方法利用对比分析化法对加速度传感器所采集的生理数据反应的瞬时加速度进行分类。优选地，本发明的数据分析处理方法基于利用对比分析化法对加速度传感器所采集的生理数据反应的瞬时加速度的分析将穿戴了智能鞋垫的用户的运动模式初步划分至静止模式、走路模式、跑步模式、上楼模式或下楼模式。运动模式的划分不限于此，还可以是其他的表现形式。本发明的数据分析处理方法基于穿戴了智能鞋垫的用户提供的个人身体特征并结合用户的运动模式来确定用户的参考加速度，基于参考加速度将加速度传感器所采集的生理数据反应的瞬时加速度重新归类至静止模式、走路模式、跑步模式、上楼模式和下楼模式中的一种模式或多种模式。本发明的数据处理方法基于计算的参考加速度对用户的运动模式进行重新归类，避免了仅依靠对比分析法对加速度传感器所采集的生理数据反应的瞬时加速度进行分类所造成的分类错误。

[0037] 根据一个优选实施方式，本发明的数据分析处理方法还结合利用三轴加速度传感器采集穿戴了所述智能鞋垫的用户在X轴、Y轴和/或Z轴方向上的生理数据并基于所述用户在X轴、Y轴和/或Z轴上的生理数据所反应的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系中的一项或多项与预设阈值的比较结果来验证基于所述参考加速度对所述加速度传感器所采集的生理数据反应的瞬时加速度进行的重新归类。本发明还结合三轴加速度传感器采集的生理数据对基于参考加速度对加速度传感器所采集的生理数据反应的瞬时加速度进行的重新归类进行验证，再次提高用户运动模式分类的准确度。

[0038] 根据一个优选实施方式，本发明的数据分析处理方法基于穿戴了智能鞋垫的用户提供的个人身体特征来确定用户的统计学性质的步长修正参数。利用分析加速度传感器所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的用户步长参数区间来确定用户的实际步长参数区间。用户的统计学性质的步长修正参数是按照与用户所指定的个人身体特征相关的方式来调整得到的，并且数据分析处理方法利用调整后的步长修正参数来确定用户的实际步长参数区间。优选地，基于对瞬时加速度进行等级分配而得到的用户步长参数区间是基于统计学的原理分析出的。即预先通过对不同运动模式时的大量人群进行统计，例如统计人数为1000人以上，确定瞬时加速度与用户的步长参数区间的关系。优选地，统计学性质的步长修正参数也是基于统计学的原理分析出的。即预先通过对不同身体状况的大量人群的统计，例如统计人数为1000人以上，确定步长修正参数与不同身体状况的关系。

[0039] 以走路和跑步为例，假设一个成年男子身高1.70m，体重65.0kg，与身高相关的，其基于统计学的步长修正参数为1.5～1.7。对用户进行加速度分级，得到的步长参数θ在[0.353m，0.824m]区间内，将θ乘以用户步长修正参数，即可得到步长范围[0.53m，1.40m]。再将不同的步长乘以对应的加速度等级的时间区间并相加，即可得到用户的累计步长。当指定步长修正参数是按照与体重有关的方式来获得的，将θ乘以用户体重转换为的步长修正参数(1.4～1.6)，即可得到步长范围[0.49m，1.32m]。再将不同的步长乘以对应的加速度等级的时间区间并相加，即可得到用户的累计步长。

[0040] 根据一个优选实施方式，本发明的数据分析处理方法还包括利用穿戴了智能鞋垫的用户提供的个人身体特征来确定的用户的统计学性质的步长修正参数对利用分析加速度传感器所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到的用户步长参数区间的修正来完成用户数据的更新和/或存储，并且基于用户数据的更新和/或存储完成数据分析处理方法中预设数据的更新和/或存储。优选地，预设数据为加速度传感器所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到用户的步长参数区间、基于穿戴了智能鞋垫的用户提供的个人身体特征来确定用户的统计学性质的步长修正参数、识别用户运动模式时采用的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系、进行异常数据报警反馈时采用的累计步长预设阈值和预设步频中的一种或多种。进行更新和/或存储的预设数据不限于此，还可以是数据分析处理过程中的其余数据。本发明基于采集和/或计算的数据完成用户个人数据的更新和/或存储，并基于个人数据的更新和/或存储完成预设数据的更新和/或存储，通过不断对数据进行更新和/或存储，如此不仅可以形成个性化的数据分析处理方法，还能提高分析的精准度。

[0041] 根据一个优选实施方式，数据分析处理方法将用户在数量有限的分类运动模式之时的运动时间长度根据加速度传感器所采集的生理数据反应的瞬时加速度的变化进行分段。分段后的运动时间子长度按照与之相应的加速度相关的方式进行存储。数据分析处理方法通过计算由运动时间子长度构成的总运动时间长度内的移动距离以获得用户在数量有限的分类运动模式之时的累计步长。本发明将运动时间子长度与之相应的加速度相关的方式存储，在计算用户的累计步长时，能够确保时间与加速度之间对应关系的准确性，更重要的是，运动中的加速度存在较大变化，将运动时间基于加速度的变化进行分段，如此可提供步行总长度的计算精度，避免了现有技术采用 公式进行计算造成的累计偏差过大，也可以解决现有技术采用高精度传感器而造成成本过高的缺陷。

[0042] 根据一个优选实施方式，本发明的数据分析处理方法通过利用分析加速度传感器所采集的生理数据反应的瞬时加速度并基于对瞬时加速度进行等级分配而得到用户的步长参数区间、穿戴了智能鞋垫的用户所指定与个人身体特征中的至少一项相关而得到的用户的步长修正参数以及根据加速度传感器所采集的生理数据反应的瞬时加速的变化进行分段的运动时间子长度以累计方式来确定用户的累计步长。优选地，用户的累计步长通过如下公式计算： 其中，L为用户在t时间内的累计步长，θ为步长参数区间，h为步长修正参数，ti为不同加速度等级所处的时间区间。优选地，用户处于静止模式和/或抖腿模式时，不对用户进行累计步长计算，从而可进一步提高累计步长计算的准确度。

[0043] 根据一个优选实施方式，本发明的数据分析处理方法还包括利用分析压力传感器所采集的用户在数量有限的分类运动模式中脚掌的压力变化趋势并结合利用对比分析的方法将加速度传感器所采集的生理数据反应的瞬时加速度的数值划分的运动模式给出用户在数量有限的分类运动模式中的运动姿势评判。在用户在数量有限的分类运动模式中的运动姿势出现偏差时以文字、语音、图像和视频方式中的一种或多种方式向穿戴了智能鞋垫的用户提供运动指导。压力传感器和三轴加速度传感器通过如下方式对用户提出运动指导。将压力传感器放置于穿戴了智能鞋垫用户的前后脚掌。通过压力传感器，可以对用户前后脚掌的压力变化进行记录。用户在运动过程中(例如跑步或走路)，可以根据前后脚掌压力变化的趋势判断该用户是采用前脚掌先着地还是后脚掌先着地的运动习惯。同时根据三轴加速度传感器去除用户上下楼模式时的数据，再对前后脚掌次数进行统计，并将数据与系统预先存储的标准数据进行对比分析，给出运动姿势评判，从而对用户提出运动指导。优选地，在用户出现不规范运动姿势时，向用户做出运动指导。本发明结合压力传感器对用户的运动姿势做出评判以及指导，提高用户运动方式的规范性。

[0044] 实施例2

[0045] 本实施例是对实施例1的进一步改进，仅对改进的部分进行说明。

[0046] 根据一个优选实施方式，本实施例基于利用对比分析化法对加速度传感器所采集的生理数据反应的瞬时加速度的分析将穿戴了智能鞋垫的用户的运动模式初步划分至静止模式、走路模式、跑步模式、上楼模式或下楼模式。本实施例还基于穿戴了智能鞋垫的用户提供的个人身体特征来确定用户的参考加速度并基于参考加速度将加速度传感器所采集的生理数据反应的瞬时加速度重新归类至静止模式、走路模式、跑步模式、上楼模式和下楼模式中的一种模式或多种模式。进一步地，本实施例还结合利用三轴加速度传感器采集穿戴了智能鞋垫的用户在X轴、Y轴和/或Z轴方向上的生理数据并基于用户在X轴、Y轴和/或Z轴上的生理数据所反应的峰谷差值、生理数据的变化趋势以及波峰和/或波谷数量之间的关系中的一项或多项与预设阈值的比较结果来验证基于参考加速度对加速度传感器所采集的生理数据反应的瞬时加速度进行的重新归类。

[0047] 本实施例基于计算的参考加速度对用户的运动模式进行重新归类，避免了仅依靠对比分析法对加速度传感器所采集的生理数据反应的瞬时加速度进行分类所造成的分类错误。本实施例还结合三轴加速度传感器采集的生理数据对基于参考加速度对加速度传感器所采集的生理数据反应的瞬时加速度进行的重新归类进行验证，再次提高用户运动模式分类的准确度。因此，本实施例提供的方法对运动模式进行了两次验证，大大提供了用户运动模式分类的准确度。

[0048] 根据一个优选实施方式，本实施例将加速度传感器所采集的生理数据反应的瞬时加速度进行对比分析，找出瞬时加速度的变化规律，从而识别出用户的运动模式。优选地，静止模式时的加速度为零，不变化。走路模式时的瞬时加速几乎为0，会有微小变化。跑步模式时的瞬时加速度较大，而且变化幅度也最大。上楼模式时的加速度会有微小变化，呈逐渐减小的趋势。下楼模式时的加速度变化幅度大于上楼模式时的瞬时加速度变化，呈逐渐增大的趋势。本实施例基于穿戴了智能鞋垫的用户提供的个人身体特征来确定用户的在初步分类的运动模式中的参考加速度，基于参考加速度将加速度传感器所采集的生理数据反应的瞬时加速度重新归类至静止模式、走路模式、跑步模式、上楼模式和下楼模式中的一种模式或多种模式。在对用户的运动模式初步分类时，常会由于各种因素造成分类不准确，通过用户在不同运动模式时的参考加速度对用户的运动模式进行重新归类，可以提高用户运动模式分类的准确度。

[0049] 根据一个优选实施方式，本实施例还提供了基于参考加速度对加速度传感器所采集的生理数据反应的瞬时加速度进行的重新归类验证的方法。优选地，本实施例基于如下方式验证用户的运动模式：当用户长时间处于较低幅值时，判定用户处于静止模式。当用户步频低于预设阈值时，判定用户处于走路模式。当用户步频高于预设阈值时，判定用户处于跑步模式。当用户峰谷差值远低于正常行走或跑步产生的峰谷差值时，判定用户处于抖腿模式。当用户生理信号与预设信号相符时，判定用户处于上楼模式。当用户的Y轴幅值低于正常值时，判定用户处于下楼模式。

[0050] 三轴加速度传感器的X、Y、Z三轴的定义分别为：参照物为脚，立正站立，X轴垂直于脚尖方向向右，Y轴沿着脚尖方向向前，Z轴方向根据右手定则确定(垂直脚面向上)。本实施例所有数据采用200Hz进行采样，X轴、Y轴和Z轴的横坐标代表时间，单位为个数，即一共采样了1000个点，总时间为1000/200＝5S。X轴、Y轴和Z轴的纵坐标代表三轴加速度传感器接收到的数据，该数据无单位。X轴、Y轴和Z轴的纵坐标的数据与加速度的关系为：真实加速度2
值＝4g×点位对应纵坐标数值/32768。其中，g为重力加速度，g＝9.81m/S。三轴加速度传感器接收到数据后，产生一系列离散点数据，该数据的范围为－32768～+32768，该数据范围对应的真实加速度为－4g～+4g。

[0051] 根据一个优选实施方式，采用滤波器对三轴加速传感器采集到的信号进行预处理。优选地，采用高斯滤波器对信号进行去噪声处理。用ax(t)、ay(t)、az(t)分别表示t时刻X轴、Y轴、Z轴的加速度信号，记A(t)＝[ax(t)，ay(t)，az(t)]，则高斯滤波公式为[0052]

[0053] 其中， 是零均值高斯核，其中 经高斯滤波器对信号进行去噪声处理后，能够有效排除干扰信号的影响。

[0054] 根据一个优选实施方式，对三轴加速传感器采集到的信号矢量幅值(SVM)进行合一化处理后来确定加速度。优选地，对三轴加速传感器采集到的信号矢量幅值(SVM)进行合一化处理的计算公式为：

[0055]

[0056] 其中，ax(t)、ay(t)、az(t)分别为t时刻三轴加速度传感器在X轴、Y轴、Z轴所测得的数据。通过对三轴加速传感器采集到的信号矢量幅值(SVM)进行合一化处理，可使SVM波形与实际步数相对应，提高计步的准确性。

[0057] 根据一个优选实施方式，为了简化计步难度，本实施例也可以仅使用X坐标轴来计步。使用X轴、Y轴和/或Z轴来识别用户的运动模式。例如，上楼和下楼模式中使用Z轴进行判断，但在计步过程中，仅对X轴进行去噪声处理，然后通过X轴反应的加速度进行计步计算。优选地，对X轴进行去噪声处理也可以使用简单的高斯滤波。

[0058] 结合三轴加速度传感器采集的用户生理数据进行说明。图2～图7示出了用户处于不同模式时的生理特征示意图。优选地，本实施例基于波形识别用户的运动模式，因而将部分图的纵坐标进行了放大，如原本纵坐标应在－32768～+32768区间内，但为了方便看出整体波形，将坐标轴放大为－40000～+40000这一区间的离散点形成的波形。纵坐标虽然进行了放大，但并不影响真实加速度的计算，即真实值的算法不变。

[0059] 图2示出了用户处于静止模式时的生理体征示意图。如图2所示，用户在X轴、Y轴和/或Z轴的幅值在长时间波动范围较小时，判定用户处于静止模式。优选地，所述长时间至少为5S。或者，用户在X轴、Y轴和/或Z轴的幅值未出现明显的波峰和/或波谷，判定用户处于静止模式。如图2所示，X轴、Y轴和/或Z轴的幅值没有明显波动，也未出现波峰和/或波谷，近似为一条直线，因此判断用户处于静止模式。该种判断方式简单直观。

[0060] 图3示出了用户处于走路模式时的生理体征示意图。如图3所示，用户在X轴、Y轴和Z轴的步频在长时间均低于预先设定阈值时，判定用户处于走路模式。优选地，所述长时间至少为5S。所述预先设定的阈值为1Hz。优选地，步频为基于采集的用户生理数据计算的。或者，用户在X轴、Y轴和/或Z轴的波形与预设波形相符时，判定用户处于走路模式。优选地，所述预设波形为在X轴、Y轴和/或Z轴呈现双波峰和/或多波峰。如图3所示，X轴的幅值数据呈现明显的双波峰，Y轴和Z轴的幅值数据呈现明显的多波峰，因此判断用户处于走路模式。该种判断方式简单直观。

[0061] 图4示出了用户处于跑步模式时的生理体征示意图。如图4所示，用户在X轴、Y轴和/或Z轴的步频在长时间均高于预先设定阈值时，判定用户处于跑步模式。优选地，所述长时间至少为5S。所述预先设定的阈值为1.5Hz。优选地，步频为基于采集的用户生理数据计算的。或者，用户在Z轴方向上的幅值均值大于20000，并且在X轴和/或Y轴上超过上阈值的波峰数小于等于1.5倍低于下阈值的波谷数时，判定用户处于跑步模式。其中，上阈值为X轴和/或Y轴各波峰的平均值，下阈值为X轴和/或Y轴各波谷的平均值。该种判断方式可直观地从波峰波谷数量以及幅值大小等特征经计算得出。

[0062] 图5示出了用户处于抖腿模式时的生理体征示意图。如图5所示，用户在X轴、Y轴和/或Z轴的峰谷差值在长时间均低于走路模式和/或跑步模式产生的峰谷差值的0.5倍时，判定用户处于抖腿模式。优选地，所述长时间至少为5S。以Z轴为例，图4所示的跑步模式时的Z轴的峰谷差值为50000，图4所示的Z轴的峰谷差值为17000，低于跑步模式时峰谷差值的50％，因此判定图5所示的用户处于抖腿模式。X轴和Y轴的峰谷差值采用与Z轴相同的计算方法。

[0063] 图6示出了用户处于上楼模式时的生理体征示意图。如图6所示，用户在X轴、Y轴和/或Z轴的波形与预设波形相符时，判定用户处于上楼模式。优选地，所述预设波形为在Z轴呈现双波峰。如图6所示，Z轴的幅值数据呈现明显的双波峰，因此判断用户处于上楼模式。该种判断方式简单直观。或者，用户在Z轴方向上的幅值均值小于8500，并且在X轴和/或Y轴上超过上阈值的波峰数大于1.5倍低于下阈值的波谷数时，判定用户处于下楼模式。其中，上阈值为X轴和/或Y轴各波峰的平均值，下阈值为X轴和/或Y轴各波谷的平均值。该种判断方式可直观地从波峰波谷数量以及幅值大小等特征经计算得出。

[0064] 图7示出了用户处于下楼模式时的生理体征示意图。如图7所示，用户在X轴、Y轴和/或Z轴的波形与预设波形相符时，判定用户处于下楼模式。优选地，所述预设波形为：一段时间内，Y轴幅值平均值低于走路模式时的数值。优选地，所说的幅值平均值是指所有数据取绝对值，再进行相加并除以总时间得到的。或者，用户在Z轴方向上的幅值均值小于8500，并且在X轴和/或Y轴上超过上阈值的波峰数小于等于1.5倍低于下阈值的波谷数时，判定用户处于下楼模式。其中，上阈值为X轴和/或Y轴各波峰的平均值，下阈值为X轴和/或Y轴各波谷的平均值。该种判断方式可直观地从波峰波谷数量以及幅值大小等特征经计算得出。

[0065] 根据一个优选实施方式，本实施例所说的波峰和波谷采用如下方式判断：设人体运动时采集到的加速度传感器数据经过滤波预处理和三轴合一化处理后的加速度为a(t)，则定义u＝a(t)－a(t－1)，v＝a(t+1)－a(t)，u和v为有正负值的标量。在t时刻的左右各取3个采样点，当a(t－1)＞a(t－2)＞a(t－3)且a(t+1)＞a(t+2)＞a(t+3)时，可以正确判断出峰值。综上所述，当在t时刻加速度a(t)满足u＝a(t)－a(t－1)>0，v＝a(t+1)－a(t)<0，a(t－1)＞a(t－2)＞a(t－3)且a(t+1)＞a(t+2)＞a(t+3)四个条件时，则确定当前的t时刻为峰值点。用类似的方法可以查找出波谷值。优选地，当查找到一对峰谷值时认为出现一个步伐，该步伐是否为有效步伐则需根据幅度阀值和时间窗口阀值进一步判定。

[0066] 在检测出峰谷值后，提取加速度数据a(t)的相邻波峰和波谷值的差作为特征值，记为CSVM(Change of SVM)，计算公式如下：

[0067] CSVM＝ap(t)－av(t－k)

[0068] 其中，ap(t)为t采样时刻波峰值，av(t－k)为t－k采样时刻波谷值，k为相邻波峰波谷值之间的采样点数。优选地，当CSVM＞0.2gn时，为一次有效峰谷值数据，否则，予以丢弃。

[0069] 根据一个优选实施方式，一般人体最快跑步速度为每秒5步，最慢走路为1步2s，两个有效步伐的时间间隔在0.2～2.0s之间，本实施例的采样率为50Hz，两个有效步伐的采样点次数间隔值在10～100之间。系统实时更新两步之间的采样点次数，如果落在有效间隔值范围之外，则视为无效扰动。

[0070] 需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。