(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011367658.8
(22)申请日 2020.11.27
(71)申请人 北京小米移动软件有限公司
地址 100085 北京市海淀区西二旗中路33
号院6号楼8层018号
(72)发明人 彭聪 高文俊
(74)专利代理机构 北京博思佳知识产权代理有
限公司 11415
专利代理师 王茹
(51)Int.Cl.
G01C 22/00(2006.01)
G06N 3/08(2006.01)
G06N 3/04(2006.01)
(54)发明名称
(57)摘要
本公开关于一种计步方法、装置、设备及存
储介质，所述方法包括：获取当前时间段内终端
分别从所述加速度数据中截取数据，得到每个所
述数据采样长度对应的多个子数据片段；将基于
所述至少两个数据采样长度分别截取的一个子
的深度神经网络中，得到所述一次输入数据对应
的单步计步结果；对各次输入数据对应的单步计
步结果进行累计，得到所述当前时间段内的总计
步结果。本公开可以适应用户诸如跑步、走步等
多种步伐的数据特点，提高确定单步计步结果的
准确性，进而可以提高后续基于单步计步结果确
定总计步结果的准确性。权利要求书3页 说明书13页 附图7页CN 114563012 A 2022.05.31
C N 114563012
A
1.一种计步方法，其特征在于，所述方法包括：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
3.根据权利要求1所述的方法，其特征在于，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
所述将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，包括：
将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括基于以下步骤训练所述深度神经网络，包括：
获取样本加速度数据；
基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
5.根据权利要求4所述的方法，其特征在于，所述获取样本加速度数据，包括：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
6.一种计步装置，其特征在于，所述装置包括：
数据获取模块，用于获取当前时间段内终端设备的加速度数据；
片段获取模块，用于基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
单步计步模块，用于将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
总计步模块，用于对各次输入数据对应的单步计步结果进行累计，得到所述当前时间
段内的总计步结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：结果校正模块；
所述结果校正模块，包括：
速度确定单元，用于基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
结果校正单元，用于基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
8.根据权利要求6所述的装置，其特征在于，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
所述单步计步模块，包括：
卷积单元，用于将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
分类单元，用于将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：神经网络训练模块；
所述神经网络训练模块，包括：
样本数据获取单元，用于获取样本加速度数据；
样本片段获取单元，用于基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
单步结果确定单元，用于将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
神经网络训练单元，用于将各个所述一次样本输入数据以及对应的单步计步结果作为训练集，训练预先构建的深度神经网络。
10.根据权利要求9所述的装置，其特征在于，所述样本数据获取单元，还用于：
获取历史时间段内终端设备的历史加速度数据；
基于所述历史加速度数据以及预设的噪声数据确定样本加速度数据。
11.一种计步设备，其特征在于，所述设备包括：
处理器，以及用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现：
获取当前时间段内终端设备的加速度数据；
基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
计步方法、装置、设备及存储介质技术领域
[0001]本公开涉及终端技术领域，尤其涉及一种计步方法、装置、设备及存储介质。背景技术
[0002]相关技术中，终端设备的计步器功能可以实现记录用户所走的步数，有利于用户了解自身的运动量。当前的健康类APP可以经常访问该数据来完成健康记录。但是，终端设备中的计步器具有较强的局限性，其只能识别最典型的步伐，无法实现准确的计步。发明内容
[0003]为克服相关技术中存在的问题，本公开实施例提供一种计步方法、装置、设备及存储介质，用以解决相关技术中的缺陷。
[0004]根据本公开实施例的第一方面，提供一种计步方法，所述方法包括：
[0005]获取当前时间段内终端设备的加速度数据；
[0006]基于至少两个数据采样长度分别从所述加速度数据中截取数据，得到每个所述数据采样长度对应的多个子数据片段；
[0007]将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果；
[0008]对各次输入数据对应的单步计步结果进行累计，得到所述当前时间段内的总计步结果。
[0009]在一实施例中，所述方法还包括：
[0010]基于所述各次输入数据对应的单步计步结果确定用户的平均步伐速度；
[0011]基于所述平均步伐速度对所述各次输入数据对应的单步计步结果进行校正。
[0012]在一实施例中，所述预先构建的深度神经网络包括依次连接的两个卷积层、两个全连接层以及一个输出层；
[0013]所述将基于所述至少两个数据采样长度分别截取的一个子数据片段作为一次输入数据，并输入至预先训练的深度神经网络中，得到所述一次输入数据对应的单步计步结果，包括：
[0014]将所述一次输入数据输入至所述两个卷积层进行两层卷积以及数据串联；
[0015]将串联后的数据输入至所述两个全连接层进行分类判断，并通过所述输出层得到所述一次输入数据对应的单步计步结果。
[0016]在一实施例中，所述方法还包括基于以下步骤训练所述深度神经网络，包括：
[0017]获取样本加速度数据；
[0018]基于至少两个数据采样长度分别从所述样本加速度数据中截取样本数据，得到每个所述数据采样长度对应的多个样本子数据片段；
[0019]将基于所述至少两个数据采样长度分别截取的一个样本子数据片段作为一次样本输入数据，并确定所述一次样本输入数据对应的单步计步结果；
说 明 书
1/13页CN 114563012 A
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议