基于路线及环境对游客体能及其消耗推算的方法及系统与流程

1.本发明涉及旅游技术领域，具体涉及一种基于路线及环境对游客体能及其消耗推算的方法及系统。


背景技术：

2.对于目前，一些便携的可穿戴设备，利用采集的运动能量信号与人体日常动作的相关性，基于动作识别和卡路里消耗估计识别人体活动。
3.然而，穿戴设备并未考虑游客在游玩过程中，由于游玩路线路程、海拔高度、温度的不同因素对游客的体能消耗的影响。
4.因此本文利用5g以及各类实时传感器采集游客实时数据，基于游玩路线路程、海拔高度、温度对游客的体能消耗进行推算。根据体能消耗算法，为景区提供景区优化服务，例如在路程中的哪些区域设立休息点等，提升对游客的服务。


技术实现要素：

5.针对现有技术的不足，本发明公开了一种基于路线及环境对游客体能及其消耗推算的方法及系统，用于解决上述问题。
6.本发明通过以下技术方案予以实现：
7.第一方面，本发明提供了一种基于路线及环境对游客体能及其消耗推算的方法，包括以下步骤：
8.s1初始化，获取穿戴设备实时采集人体活动相关的数据信息并进行数据预处理；
9.s2采用时域分析对s1中人体活动信号提取特征向量，同时采用线性判决分析法进行特征降维；
10.s3采用决策树模型对加速度信号以及5g信号进行分层判决，提取均值和标准差进而识别对应的人体活动类型；
11.s4采用随机森林模型对人体活动类型和卡路里消耗进行预测估计，并对模型结果进行核验。
12.更进一步的，所述方法中，穿戴设备通过自供电的方式测量人体运动过程中的心率、呼吸频率以及加速度数据。
13.更进一步的，所述方法中，将输入信号分割为固定窗口大小，将运动信号分解为大小不同的活动窗口，每个活动窗口对应不同的人体动作，利用截止频率为0.1赫兹的三阶巴特沃兹高通滤波器滤除原始数据中的静态重力加速度。
14.更进一步的，所述方法中，通过0.1-10赫兹的带通滤波和归一化的方法对人体运动数据进行预处理，进而规整采样信号的数据长度和数据大小。
15.更进一步的，所述方法中，特征提取采用时域分析，通过均值、标准差、最大值、最小值以及相关系数直接对原始人体活动信号提取特征向量。
16.更进一步的，所述方法中，将高维的多变量样本投影到最佳分类矢量空间，使得投
影后的特征样本达到类间距离最大和类内距离最小，进而实现特征降维。
17.更进一步的，所述方法中，采用决策树模型对人体手腕两个不同部位的加速度信号以及5g信号进行分层判决，提取均值和标准差特征，对人体日常的站立、步行、跑步和爬山四种不同动作进行分类识别。
18.第一方面，本发明提供了一种基于路线及环境对游客体能及其消耗推算的系统，所述系统用于实现第一方面所述的基于路线及环境对游客体能及其消耗推算的方法，包括
19.穿戴设备，用于人体活动数据采集和无线数据传输；
20.基站服务器，用于接收来自传感器节点的人体活动信号，并且对接收到的运动信号进行数据处理和分析，最终实现对人体运动状态的准确评估。
21.更进一步的，所述穿戴设备包括
22.微控制器模块，用于控制各个模块的读写时序和数据通信；
23.能量采集模块，用于采集人体运动过程中的电压输出信号；
24.加速度计模块，用于采集人体运动过程中的加速度信号；
25.按键控制模块，用于控制数据采集的开始和结束；
26.数据传输模块，用于无线传输人体活动数据。
27.更进一步的，所述穿戴设备选用armcortexm3微控制器、adxl345数字加速度传感器、ppa1011压电式能量采集器和esp8266wifi通信设备；
28.其中，所述微控制器通过12位高精度模数转换器采集压电式悬臂梁ppa1011的电压输出信号，并通过数字接口获取三轴加速度计adxl345数据寄存器中的加速度信号，经过相应处理后，利用数据传输协议通过esp8266无线通信模块将人体活动数据发送给客户端服务器。
29.本发明的有益效果为：
30.本发明以采集的游客的体能消耗为研究对象，综合考虑在游玩路线过程中，不同海拔高度、温度下人体不同动作的运动强度进行分类识别，再根据识别结果选取特定的回归预测模型，进而实现基于特定动作的卡路里消耗估计，可以在推算在路线中设立休息点，提升了用户使用体验，并可有效避免用户因游玩时体能过度消耗而损伤身体的情况，从而提高旅途的舒适性。
附图说明
31.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，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地介绍，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他的附图。
32.图1是本发明实施例人体活动评估系统流程图；
33.图2是本发明实施例人体活动数据采集装置框架图；
34.图3是本发明实施例硬件采集装置图；
35.图4是本发明实施例基于运动能量的卡路里消耗估计方法图；
36.图5是本发明实施例基于运动强度的回归预测模型图；
37.图6是本发明实施例不同回归预测方法的卡路里消耗曲线图。
具体实施方式
38.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.实施例1
40.本实施例提供了一种基于路线及环境对游客体能及其消耗推算的方法，包括以下步骤：
41.s1初始化，获取穿戴设备实时采集人体活动相关的数据信息并进行数据预处理；
42.s2采用时域分析对s1中人体活动信号提取特征向量，同时采用线性判决分析法进行特征降维；
43.s3采用决策树模型对加速度信号以及5g信号进行分层判决，提取均值和标准差进而识别对应的人体活动类型；
44.s4采用随机森林模型对人体活动类型和卡路里消耗进行预测估计，并对模型结果进行核验。
45.本实施例利用人体活动数据在时间上的相关性和周期性，对人体的不同动作进行分类识别和卡路里估计。
46.本实施例方法于人体运动能量的卡路里消耗估计方法cee-keh，该方法利用人体运动产生的电压输出信号，首先对人体不同动作的运动强度进行分类识别，再根据识别结果选取特定的回归预测模型，进而实现基于特定动作的卡路里消耗估计。
47.实施例2
48.在其他层面，本实施例特别的提供一种人体动作识别方法，参照图1所示，主要包括数据采集、数据预处理、特征提取、特征选择和分类识别。
49.本实施例数据采集，活动数据采集是利用传感器节点采集与人体活动相关的数据信息，是基于可穿戴设备的人体活动评估最为基础的工作，为整个人体活动评估系统提供最重要的人体活动数据集。
50.本实施例进一步实施时，硬件采集系统主要包括加速度计模块、心脏检测模块、呼吸检测模块、海拔监测、温度监测模块以及无线传输模块，该设备通过自供电的方式能准确测量人体运动过程中的心率、呼吸频率以及加速度数据。
51.本实施例数据预处理，通常情况下传感器节点采集的运动信号除了包含有效的人体活动信息，还存在许多容易对人体活动评估产生干扰的系统噪声信号。
52.因此，为了提高人体活动评估的效果，在特征提取和分类识别预测之前本实施例对采集的原始运动信号进行数据预处理，进而消除干扰噪声。
53.本实施例使采用滑动重叠窗的方法是将输入信号分割为固定窗口大小，将运动信号分解为大小不同的活动窗口，每个活动窗口对应了不同的人体动作，利用截止频率为0.1赫兹的三阶巴特沃兹高通滤波器滤除原始数据中的静态重力加速度。
54.本实施例通过0.1-10赫兹的带通滤波和归一化的方法对人体运动数据进行预处理，进而规整采样信号的数据长度和数据大小。
55.本实施例特征提取和选择，特征提取和特征选择前后分别连接了数据采集和模型
训练两个过程，是整个人体活动评估过程中十分重要的环节。
56.本实施例特征提取主要采用时域分析，通过均值、标准差、最大值、最小值以及相关系数等直接对原始人体活动信号提取特征向量。
57.本实施例中特征空间的维数增多，人体活动信息的冗余度也随之增加，加大系统计算复杂度的同时，占用的系统资源也越来越多。
58.因此，本实施例在模型训练之前进行特征选择进而降低特征维数。采用线性判决分析法，即将高维的多变量样本投影到最佳分类矢量空间，使得投影后的特征样本达到类间距离最大和类内距离最小，在特征降维的同时达到了分类识别的效果。
59.本实施例分类识别，分类预测作为人体活动评估系统中最关键的环节，算法的选择对于整个系统的识别分类和回归预测的准确率有着举足轻重的作用。
60.本实施例采用决策树模型对人体手腕两个不同部位的加速度信号以及5g信号进行分层判决，提取均值和标准差两种特征，对人体日常的站立、步行、跑步和爬山四种不同动作进行分类识别，
61.本实施例进行优选的实施时，动作数据集除了常见的日常动作还包含踢爬山和跑步等室外动作，系统平均分类识别准确率。
62.本实施例人体卡路里消耗估计涉及到预测，采用随机森林模型对人体的活动类型和卡路里消耗进行预测估计，并对模型结果进行核验人体动作类型的分类识别准确率。
63.实施例3
64.在具体实施层面，本实施例在实施例1和2的基础上提供人体不断进行7种不同的人体动作的具体实施，其中包括了一些爬山过程中日常以及户外的动作。
65.本实施例优选的如，步行，上台阶和下台阶、跑、骑车。
66.本实施例实验采用随机森林分类模型对人体日常动作和人体运动强度进行了分类识别，下表展示了不同运动的识别性能：
[0067][0068][0069]
表1人体运动强度的分类识别性能
[0070]
本实施例从上表1中可以看出基于细粒度的人体动作分类识别准确率虽然并不高，但是通过对混淆矩阵的进一步分析可以发现，其分类识别的误差主要集中在具有相似met值的人体动作之间。
[0071]
本实施例优选的如，坐(1.3met)经常被识别为躺(1.0met)，下台阶(3.5met)被误
判为步行(3.5met)，造成该现象的原因在于人在做这些动作时产生的运动能量不存在明显的差异。
[0072]
本实施例中，基于上述观察，实验将具有相似met值的人体动作划分为同一个运动强度类型，利用基于粗粒度的人体运动强度分类代替细粒度的人体动作识别，进而提高人体运动强度的分类识别准确率。
[0073]
本实施例实验将坐和躺划分为轻微运动强度类型，将步行、上台阶和下台阶划分为中等运动强度类型，并且将骑车和跑步两个动作单独作为两个独立的运动强度类型。
[0074]
因此本实施例将包含7种不同动作的人体活动数据集划分为4个不同的动作类型，关于人体运动强度的详细描述如表2所示。
[0075][0076]
表2人体运动强度划分
[0077]
参照图4所示，本实施例运动强度的回归预测模型，即通过人体运动强度分类和卡路里消耗估计。
[0078]
本实施例在分类阶段，系统首先从采集的电压输出信号中提取与人体动作相关的特征向量，然后利用随机森林分类算法对人体运动强度进行分类识别。
[0079]
参照图5所示，本实施例由于不同测试者在做同一动作时消耗的卡路里可能存在较大的差异，因此为了弥补个体差异性对回归模型带来的影响，系统结合运动能量特征和人体体态特征对回归预测模型进行训练。
[0080]
本实施例在预测阶段，系统根据之前人体运动强度的分类结果，选取特定强度的回归预测模型，进而实现对人体不同动作的卡路里消耗的准确估计。
[0081]
参照图6所示，实验采用基于人体代谢当量的卡路里计算方法，通过以下表达式求解卡路里消耗参考值，其计算结果用于预测回归模型的训练。
[0082]
ce＝1.05
×
mets
×
duration
×
weight
[0083]
其中，ce表示参考的卡路里消耗值，duration表示运动持续时间，weight表示测试者体重，mets表示相应人体动作的代谢当量。
[0084]
本实施例实验采用一种混合集成的方法获取人体动作的代谢当量。对于静态的人体动作实验采用查表的方式，进而分配一个静态的met值。
[0085]
本实施例根据人体活动纲要的定义，坐和躺两种动作的代谢当量分别为1.3和1。对于非静态的人体动作实验采用基于加速度的人体代谢当量计算方法
[0086]
mets＝1.8
×
frms-15
[0087][0088]
本实施例在训练阶段，实验利用独立分布的随机向量(y,x)构建大量的回归预测树。对于每一个独立变量，系统根据最小化函数将当前节点分裂为左孩子节点和右孩子节点，该分裂过程一直迭代进行，直至每一个叶子节点都达到最小样本数量。
[0089]
本实施例基于人体运动能量和加速度的动作识别方法(src-ea)，该方法利用人体运动产生的多模信息，在提高系统识别准确率的同时，降低加速度传感器的数据采样频率，进而达到减少系统总功耗的目的。
[0090]
本实施例对于测试数据的选取，本文采用与用户无关的留一交叉验证方法，即从10个测试者的动作数据集中选取9个人的数据作为训练集，剩下的1个人的数据作为测试集，重复10次以上过程求出每个人每个动作的识别准确率，最后将所有测试者的平均识别率作为系统的最终分类识别准确率。
[0091]
本实施例实验中cee-keh算法在matlab实验环境下进行回归问题求解。
[0092]
对于测试数据的选取，本实施例采用与用户无关的留一交叉验证方法，即从10个测试者的动作数据集中选取9个人的数据作为训练集，剩下的1个人的数据作为测试集，重复10次以上过程求出每个人的预测均方根误差(rootmeansquareerror，rmse)和平均绝对误差(meanabsoluteerror，mae)，最后将所有测试者的平均rmse和mae作为系统的最终回归预测准确率。
[0093]
本实施例实验结果显示，基于cee-keh的人体卡路里消耗估计方法的系统均方根误差rmse为1.09kcal/min，绝对误差mae为0.69kcal/min，回归预测模型的相关系数为0.93，系统平均预测估计误差仅为7.53％，其性能指标与基于理想分类器的卡路里估计方法相差无几。这是由于系统分类误差主要集中在几种卡路里消耗水平相似的人体活动当中，因此系统可以实现对人体卡路里消耗的准确估计。
[0094]
本实施例通过比较，基于两种不同信号的回归预测方法，在测量所处位置的海拔、温度，对走路、上台阶、下台阶等易混淆的人体动作的卡路里估计几乎没有差别，实验结果表明基于运动能量的卡路里估计结果与基于加速度的卡路里估计十分吻合。
[0095]
实施例4
[0096]
参照图2所示，本实施例提供一种基于路线及环境对游客体能及其消耗推算的系统，本实施例整个系统主要由硬件采集设备和基站服务器两个部分组成。
[0097]
本实施例硬件采集设备主要用于人体活动数据采集和无线数据传输，其主要包括五大模块：
[0098]
微控制器模块，用于控制各个模块的读写时序和数据通信。
[0099]
能量采集模块，用于采集人体运动过程中的电压输出信号。
[0100]
加速度计模块，用于采集人体运动过程中的加速度信号。
[0101]
按键控制模块，用于控制数据采集的开始和结束。
[0102]
数据传输模块，用于无线传输人体活动数据。
[0103]
本实施例基站服务器主要用于接收来自传感器节点的人体活动信号，并且对接收到的运动信号进行数据处理和分析，最终实现对人体运动状态的准确评估。
[0104]
本实施例在数据采集过程中，测试人员完全按照在旅游过程中行程习惯，在自然非限制的状态下进行人体日常活动，整个过程不需要额外的人工干预，对测试人员的户外活动不造成任何影响。
[0105]
本实施例在硬件采集装置设计过程中，选用armcortexm3微控制器、adxl345低功耗数字加速度传感器、ppa1011压电式能量采集器和esp8266超低功耗wifi通信设备作为数据采集装置的主要部分。
[0106]
本实施例微控制器通过12位高精度模数转换器采集压电式悬臂梁ppa1011的电压输出信号，并通过数字接口获取三轴加速度计adxl345数据寄存器中的加速度信号，系统经过相应处理后，利用数据传输协议通过esp8266无线通信模块将人体活动数据发送给客户端服务器。设计原理如图3所示。
[0107]
综上，本发明以采集的游客的体能消耗为研究对象，综合考虑在游玩路线过程中，不同海拔高度、温度下人体不同动作的运动强度进行分类识别，再根据识别结果选取特定的回归预测模型，进而实现基于特定动作的卡路里消耗估计，可以在推算在路线中设立休息点，提升了用户使用体验，并可有效避免用户因游玩时体能过度消耗而损伤身体的情况，从而提高旅途的舒适性。
[0108]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。