基于可穿戴设备的科学训练指导系统及其工作方法与流程

1.本发明涉及智能运动的领域，且更为具体地，涉及一种基于可穿戴设备的科学训练指导系统及其工作方法。


背景技术：

2.随着经济的发展，健康越来越受大众的重视,现今的智能运动手表都具有跑步记录轨迹功能，很多人习惯利用智能手表记录自己跑步。当前市场上的运动手表的主要功能都是被动的记录用户配速和轨迹的功能，无法做到对用户跑步进行科学的指导。例如，通过gps定位模块和计步模块实现记录使用者位置信息和路线轨迹以及通过三轴加速度传感器记录使用者行走过程中的配速，但是，这些方式都是被动的记录使用者的位置信息、路线轨迹以及配速，不能对使用者的运动或者跑步进行科学的训练指导，从而也就不能达到科学训练的目的。
3.在跑步的过程中，很多人因为没有经受过系统的训练而采用不恰当的跑步姿势，例如，先脚尖着地或者脚跟着地等，长此以往不仅起不到运动强身的目的，反而会影响身体健康。因此，为了对使用者的运动或者跑步进行科学的训练指导，期望一种基于可穿戴设备的科学训练指导方案。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于可穿戴设备的科学训练指导系统及其工作方法，其采用基于卷积神经网络的深度学习技术，通过运动者的运动重心在时域上和频域上的关联性特征以此来进行分类，并且在此过程中，使用尺度变换来融合时域信息和频域信息在高维空间中的隐含关联性特征，从而使得获得的用于表示运动者的运动姿态是否适当的分类结果更加准确。通过这样的方式，可以对使用者的运动或者跑步进行科学的训练指导，从而能够达到科学训练的目的。
5.根据本技术的一个方面，提供了一种基于可穿戴设备的科学训练指导系统，其包括：
6.运功过程数据获取单元，用于获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；
7.域转换单元，用于对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；
8.采样单元，用于分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；
9.图像拼接单元，用于将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；
10.矩阵构造单元，用于将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；
11.尺度修正单元，用于对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；
12.特征图融合单元，用于融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及
13.训练指导单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。
14.在上述基于可穿戴设备的科学训练指导系统中，所述图像拼接单元，进一步用于：以所述第一正弦波的图像在上、所述第二正弦波的图像在中和所述第三正弦波的图像在下的方式将所述将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像。
15.在上述基于可穿戴设备的科学训练指导系统中，所述矩阵构造单元，进一步用于：以所述第一向量为第一行、所述第二向量为第二行和所述第三向量为第三行的方式将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵。
16.在上述基于可穿戴设备的科学训练指导系统中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
17.在上述基于可穿戴设备的科学训练指导系统中，所述尺度修正单元，进一步用于：对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场，所述标准网络表示为g＝{(-1,-1),(-1,0), (-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)；以及，以如下公式基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；
18.所述公式为：
[0019][0020]
其中，x为二元位置值，δxi来自所述标准网格g，d为静态缩放比率，w 表示用于将二元位置值转换为权值的卷积参数。
[0021]
在上述基于可穿戴设备的科学训练指导系统中，所述特征图融合单元，进一步用于：计算所述修正频域特征图和所述时域特征图的按位置加权和以获得所述分类特征图。
[0022]
在上述基于可穿戴设备的科学训练指导系统中，所述训练指导单元，进一步用于：使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于人在运动时的运动姿势适当的第一概率和所述分类特征向量归属于人在运动时的运动姿势不适当的第二
概率；以及，将所述第一概率和所述第二概率中较大者对应的分类标签，确定为所述分类结果。
[0023]
根据本技术的另一方面，一种基于可穿戴设备的科学训练指导系统的工作方法，其包括：
[0024]
获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；
[0025]
对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；
[0026]
分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前 n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；
[0027]
将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；
[0028]
将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；
[0029]
对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；
[0030]
融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及
[0031]
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。
[0032]
在上述基于可穿戴设备的科学训练指导系统的工作方法中，将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图，包括：以所述第一正弦波的图像在上、所述第二正弦波的图像在中和所述第三正弦波的图像在下的方式将所述将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像。
[0033]
在上述基于可穿戴设备的科学训练指导系统的工作方法中，将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图，包括：以所述第一向量为第一行、所述第二向量为第二行和所述第三向量为第三行的方式将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵。
[0034]
在上述基于可穿戴设备的科学训练指导系统的工作方法中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
[0035]
在上述基于可穿戴设备的科学训练指导系统的工作方法中，对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特
征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图，包括：对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场，所述标准网络表示为g＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)；以及，以如下公式基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；
[0036]
所述公式为：
[0037][0038]
其中，x为二元位置值，δxi来自所述标准网格g，d为静态缩放比率，w 表示用于将二元位置值转换为权值的卷积参数。
[0039]
在上述基于可穿戴设备的科学训练指导系统的工作方法中，融合所述修正频域特征图和所述时域特征图以获得分类特征图，包括：计算所述修正频域特征图和所述时域特征图的按位置加权和以获得所述分类特征图。
[0040]
在上述基于可穿戴设备的科学训练指导系统的工作方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当，包括：使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于人在运动时的运动姿势适当的第一概率和所述分类特征向量归属于人在运动时的运动姿势不适当的第二概率；以及，将所述第一概率和所述第二概率中较大者对应的分类标签，确定为所述分类结果。
[0041]
与现有技术相比，本技术提供的基于可穿戴设备的科学训练指导系统及其工作方法，其采用基于卷积神经网络的深度学习技术，通过运动者的运动重心在时域上和频域上的关联性特征以此来进行分类，并且在此过程中，使用尺度变换来融合时域信息和频域信息在高维空间中的隐含关联性特征，从而使得获得的用于表示运动者的运动姿态是否适当的分类结果更加准确。通过这样的方式，可以对使用者的运动或者跑步进行科学的训练指导，从而能够达到科学训练的目的。
附图说明
[0042]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0043]
图1为根据本技术实施例的基于可穿戴设备的科学训练指导系统的应用场景图。
[0044]
图2为根据本技术实施例的基于可穿戴设备的科学训练指导系统的框图。
[0045]
图3为根据本技术实施例的基于可穿戴设备的科学训练指导系统的工作方法的流程图。
[0046]
图4为根据本技术实施例的基于可穿戴设备的科学训练指导系统的工作方法的架
构示意图。
具体实施方式
[0047]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0048]
场景概述
[0049]
如前所述，随着经济的发展，健康越来越受大众的重视,现今的智能运动手表都具有跑步记录轨迹功能，很多人习惯利用智能手表记录自己跑步。当前市场上的运动手表的主要功能都是被动的记录用户配速和轨迹的功能，无法做到对用户跑步进行科学的指导。例如，通过gps定位模块和计步模块实现记录使用者位置信息和路线轨迹以及通过三轴加速度传感器记录使用者行走过程中的配速，但是，这些方式都是被动的记录使用者的位置信息、路线轨迹以及配速，不能对使用者的运动或者跑步进行科学的训练指导，从而也就不能达到科学训练的目的。
[0050]
在跑步的过程中，很多人因为没有经受过系统的训练而采用不恰当的跑步姿势，例如，先脚尖着地或者脚跟着地等，长此以往不仅起不到运动强身的目的，反而会影响身体健康。因此，为了对使用者的运动或者跑步进行科学的训练指导，期望一种基于可穿戴设备的科学训练指导方案。
[0051]
目前，可穿戴设备一般都包括陀螺仪、重力加速度计和加速度传感器来采集运动数据。其中，陀螺仪能够检测人的重心位置，而重力加速度计和加速度传感器则分别用于检测人在运动时的垂直和水平方向的加速度。
[0052]
在时域上，陀螺仪、重力加速度计和加速度传感器所采集到的运动数据都是以正弦波的形式，当然，这里正弦波除了基次谐波以外，还包括高次谐波，因此在本技术的技术方案中，如果想要对运动状态进行很好的监控，则必须充分利用各阶谐波的信息。
[0053]
具体地，首先获取陀螺仪、重力加速度计和加速度传感器所获取的第一正弦波、第二正弦波和第三正弦波，然后对其进行傅里叶变换，以获得其在各个谐波频率下的数值，并取前n个谐波频率下的数值分别构成n维的第一向量、第二向量和第三向量。
[0054]
由于第一到第三正弦波的时域信息基本上是以波形图像中的图像信息进行表达的，因此可以直接将第一到第三正弦波的图像拼接为单个图像，并输入第一卷积神经网络以得到时域特征图。而针对频域信息，由于第一向量、第二向量和第三向量的每个位置对应于某个谐波频率，也可以将这三个向量按行排列为矩阵，并输入第二卷积神经网络以得到频域特征图。
[0055]
并且，本技术的申请人考虑到，时域特征图是从图像信息得到的，而频域特征图是从向量信息得到的，其本质在于尺度差别，因此，为融合时域特征图和频域特征图，需要进一步进行尺度融合。也就是，从尺度变化的角度来说，使用预定范围的感知场来匹配尺度变化，可以理解为从学习特定认知的角度来说，对于每个位置学习预定范围的感知场。
[0056]
基于此，对频域特征图中的每个位置的特征值，首先利用标准网格g来表征预定范围的感知场，例如g＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1), (1,0),(1,1)，则每个位置的修整特征值为：
[0057][0058]
其中，x为二元位置值，例如(1,1)，δxi来自以上标准网格g，d为静态缩放比率，w表示用于将二元位置值转换为权值的卷积参数，可以作为超参数进行训练。
[0059]
然后，将修整的频域特征图与时域特征图融合以得到分类特征图，并获得运动姿态是否适当的分类结果。
[0060]
基于此，本技术提出了一种基于可穿戴设备的科学训练指导系统，其包括：运功过程数据获取单元，用于获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；域转换单元，用于对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；采样单元，用于分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；图像拼接单元，用于将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；矩阵构造单元，用于将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；尺度修正单元，用于对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；特征图融合单元，用于融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及，训练指导单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。
[0061]
图1图示了根据本技术实施例的基于可穿戴设备的科学训练指导系统的应用场景图。如图1所示，在该应用场景中，首先，通过设置于可穿戴设备 (例如，如图1中所示意的t)内的陀螺仪(例如，如图1中所示意的b1)、重力加速度计(例如，如图1中所示意的b2)和加速度传感器(例如，如图1中所示意的b3)分别获取人(例如，如图1中所示意的p)在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于表示人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度。然后，将获得的所述第一正弦波、所述第二正弦波和所述第三正弦波输入至部署有基于可穿戴设备的科学训练指导算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以基于可穿戴设备的科学训练指导算法对所述第一正弦波、所述第二正弦波和所述第三正弦波进行处理，以生成用于表示人在运动时的运动姿势是否适当的分类结果。
[0062]
在该应用场景中，所述可穿戴设备包括但不局限于含有陀螺仪、重力加速度计和
加速度传感器的手环、手表、眼镜等。
[0063]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0064]
示例性系统
[0065]
图2图示了根据本技术实施例的基于可穿戴设备的科学训练指导系统的框图。如图2所示，根据本技术实施例的基于可穿戴设备的科学训练指导系统200，包括：运功过程数据获取单元210，用于获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；域转换单元220，用于对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；采样单元230，用于分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；图像拼接单元240，用于将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；矩阵构造单元250，用于将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；尺度修正单元260，用于对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；特征图融合单元270，用于融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及，训练指导单元280，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。
[0066]
具体地，在本技术实施例中，所述运功过程数据获取单元210和所述域转换单元220，用于获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度，并对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值。应可以理解，如果运动者采用不恰当的运动姿势，其在运动的过程中会被记录下来，但是，由于运动者的运动姿势的差异比较微小，很难用传统的统计方法识别出来，并且，识别精度也难以保证。因此，在本技术的技术方案中，选择通过深度学习的卷积神经网络来进行模式的识别，也就是，利用所述运动信息在时域和频域的特征来进行识别。
[0067]
相应地，在一个具体示例中，首先，需要通过设置于可穿戴设备内的陀螺仪、重力加速度计和加速度传感器分别获取人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于表示人在运动时的重心位置、所述第二正弦波用于表示人在
运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度。在一个具体示例中，所述可穿戴设备包括但不局限于含有陀螺仪、重力加速度计和加速度传感器的手环、手表、眼镜等。然后，对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值。应可以理解，在本技术的技术方案中，通过融合所述运动信息在时域和频域上的高维隐含特征来获得运动姿态是否适当的分类结果，以使得分类的准确性更高，因此，需要将所述运动信息的时域波形转换到频域中，以便于后续的融合处理。
[0068]
具体地，在本技术实施例中，所述采样单元230，用于分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量。应可以理解，在时域上，所述陀螺仪、所述重力加速度计和所述加速度传感器所采集到的运动数据都是以正弦波的形式，当然，这里的所述正弦波除了基次谐波以外，还包括高次谐波，因此，在本技术的技术方案中，如果想要对所述运动状态进行很好的监控，则必须充分利用各阶谐波的信息。相应地，在一个具体示例中，分别从所述第一正弦波、第二正弦波以及第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值，并将其分别构成长度为n的第一向量、第二向量和第三向量。
[0069]
具体地，在本技术实施例中，所述图像拼接单元240，用于将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图。应可以理解，由于所述第一正弦波、所述第二正弦波和所述第三正弦波的时域信息基本上是以波形图像中的图像信息进行表达的。因此，在本技术的技术方案中，首先，可以直接将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像；然后，将所述单个图像输入至作为特征提取器的第一卷积神经网络中进行处理，以提取出所述单个图像中的局部特征在高维空间中的特征分布表示，从而得到时域特征图。
[0070]
更具体地，在本技术实施例中，所述图像拼接单元，进一步用于：以所述第一正弦波的图像在上、所述第二正弦波的图像在中和所述第三正弦波的图像在下的方式将所述将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像。
[0071]
具体地，在本技术实施例中，所述矩阵构造单元250，用于将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图。应可以理解，针对所述频域信息，由于所述第一向量、所述第二向量和所述第三向量的每个位置对应于某个谐波频率。因此，在本技术的技术方案中，首先，也可以将所述第一向量、所述第二向量和所述第三向量按行排列为二维的矩阵；然后，将所述矩阵通过作为特征提取器的第二卷积神经网络，以提取出所述运动信息中的各个谐波频率之间的高维关联特征，从而得到频域特征图。值得一提的是，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
[0072]
更具体地，在本技术实施例中，所述矩阵构造单元，进一步用于：以所述第一向量为第一行、所述第二向量为第二行和所述第三向量为第三行的方式将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵。
[0073]
具体地，在本技术实施例中，所述尺度修正单元260，对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图。应可以理解，所述时域特征图是从图像信息得到的，而所述频域特征图是从向量信息得到的，其本质在于尺度差别，因此，在本技术的技术方案中，为融合所述时域特征图和所述频域特征图，需要进一步地对其进行尺度融合。也就是，从尺度变化的角度来说，使用预定范围的感知场来匹配尺度变化，可以理解为从学习特定认知的角度来说，对于每个位置学习预定范围的感知场。
[0074]
相应地，在一个具体示例中，对所述频域特征图中的每个位置的特征值，首先，利用标准网格g来表征各个位置对应的预定范围的感知场，例如 g＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)。然后，基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图。
[0075]
更具体地，在本技术实施例中，所述尺度修正单元，进一步用于：对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场，所述标准网络表示为g＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0), (0,1),(1,-1),(1,0),(1,1)；以及，以如下公式基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；
[0076]
所述公式为：
[0077][0078]
其中，x为二元位置值，例如(1,1)，δxi来自所述标准网格g，d为静态缩放比率，w表示用于将二元位置值转换为权值的卷积参数，其可以作为超参数进行训练。
[0079]
具体地，在本技术实施例中，所述特征图融合单元270和所述训练指导单元280，用于融合所述修正频域特征图和所述时域特征图以获得分类特征图，并将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。也就是，首先，融合所述修正频域特征图和所述时域特征图，以基于所述运动信息中的时域特征和频域特征的隐含关联特征来进行分类，从而使得分类的结果更加准确，进而得到分类特征图。在一个具体示例中，计算所述修正频域特征图和所述时域特征图的按位置加权和以获得所述分类特征图。然后，将所述分类特征图通过分类器以获得用于表示人在运动时的运动姿势是否适当分类结果。
[0080]
更具体地，在本技术实施例中，所述训练指导单元，包括：首先，使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量。然后，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于人在运动时的运动姿势适当的第一概率和所述分类特征向量归属于人在运动时的运动姿势不适当的第二概率。最后，将所述第一概率和所述第二概率中较大者对应的分类标签，确定为所述分类结果。也就是，将所述第一概率和所述第二概率进行比较，以得到所述分类结果。具体地，当所述第一概率
大于所述第二概率时，所述分类结果为人在运动时的运动姿势适当；当所述第一概率小于所述第二概率时，所述分类结果为人在运动时的运动姿势不适当。
[0081]
综上，基于本技术实施例的所述基于可穿戴设备的科学训练指导系统 200被阐明，其采用基于卷积神经网络的深度学习技术，通过运动者的运动重心在时域上和频域上的关联性特征以此来进行分类，并且在此过程中，使用尺度变换来融合时域信息和频域信息在高维空间中的隐含关联性特征，从而使得获得的用于表示运动者的运动姿态是否适当的分类结果更加准确。通过这样的方式，可以对使用者的运动或者跑步进行科学的训练指导，从而能够达到科学训练的目的。
[0082]
如上所述，根据本技术实施例的基于可穿戴设备的科学训练指导系统 200可以实现在各种终端设备中，例如可基于可穿戴设备的科学训练指导算法的服务器等。在一个示例中，根据本技术实施例的基于可穿戴设备的科学训练指导系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于可穿戴设备的科学训练指导系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于可穿戴设备的科学训练指导系统200同样可以是该终端设备的众多硬件模块之一。
[0083]
替换地，在另一示例中，该基于可穿戴设备的科学训练指导系统200 与该终端设备也可以是分立的设备，并且该基于可穿戴设备的科学训练指导系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0084]
示例性方法
[0085]
图3图示了基于可穿戴设备的科学训练指导系统的工作方法的流程图。如图3所示，根据本技术实施例的基于可穿戴设备的科学训练指导系统的工作方法，包括步骤：s110，获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；s120，对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；s130，分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；s140，将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；s150，将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；s160，对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；s170，融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及，s180，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。
[0086]
图4图示了根据本技术实施例的基于可穿戴设备的科学训练指导系统的工作方法
的架构示意图。如图4所示，在所述基于可穿戴设备的科学训练指导系统的工作方法的网络架构中，首先，对获得的所述第一正弦波(例如，如图4中所示意的p1)、所述第二正弦波(例如，如图4中所示意的p2) 和所述第三正弦波(例如，如图4中所示意的p3)进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值(例如，如图4中所示意的q1)、所述第二正弦波在各个谐波频率下的数值(例如，如图4中所示意的q2)，以及，所述第三正弦波在各个谐波频率下的数值(例如，如图4中所示意的 q3)；接着，分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量(例如，如图4中所示意的v1)、第二向量(例如，如图4中所示意的v2)和第三向量(例如，如图4中所示意的v3)；然后，将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像(例如，如图4中所示意的p)并通过作为特征提取器的第一卷积神经网络(例如，如图4中所示意的cnn1)以获得时域特征图(例如，如图4中所示意的f1)；接着，将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵(例如，如图4中所示意的m)并通过作为特征提取器的第二卷积神经网络(例如，如图4中所示意的cnn2)以获得频域特征图(例如，如图4中所示意的f2)；然后，对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图(例如，如图4中所示意的fc)；接着，融合所述修正频域特征图和所述时域特征图以获得分类特征图(例如，如图4中所示意的f)；以及，最后，将所述分类特征图通过分类器(例如，如图4中所示意的分类器)以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。
[0087]
更具体地，在步骤s110和s120中，获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度，并对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值。也就是，首先，需要通过设置于可穿戴设备内的陀螺仪、重力加速度计和加速度传感器分别获取人在运动过程中的第一正弦波、第二正弦波和第三正弦波。在一个具体示例中，所述可穿戴设备包括但不局限于含有陀螺仪、重力加速度计和加速度传感器的手环、手表、眼镜等。然后，对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值。应可以理解，在本技术的技术方案中，通过融合所述运动信息在时域和频域上的高维隐含特征来获得运动姿态是否适当的分类结果，以使得分类的准确性更高，因此，需要将所述运动信息的时域波形转换到频域中，以便于后续的融合处理。
[0088]
更具体地，在步骤s130中，分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量。应可以理
解，在时域上，所述陀螺仪、所述重力加速度计和所述加速度传感器所采集到的运动数据都是以正弦波的形式，当然，这里的所述正弦波除了基次谐波以外，还包括高次谐波，因此，在本技术的技术方案中，如果想要对所述运动状态进行很好的监控，则必须充分利用各阶谐波的信息。相应地，在一个具体示例中，分别从所述第一正弦波、第二正弦波以及第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值，并将其分别构成长度为n的第一向量、第二向量和第三向量。
[0089]
更具体地，在步骤s140中，将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图。应可以理解，由于所述第一正弦波、所述第二正弦波和所述第三正弦波的时域信息基本上是以波形图像中的图像信息进行表达的。因此，在本技术的技术方案中，首先，可以直接将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像；然后，将所述单个图像输入至作为特征提取器的第一卷积神经网络中进行处理，以提取出所述单个图像中的局部特征在高维空间中的特征分布表示，从而得到时域特征图。
[0090]
更具体地，在步骤s150中，将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图。应可以理解，针对所述频域信息，由于所述第一向量、所述第二向量和所述第三向量的每个位置对应于某个谐波频率。因此，在本技术的技术方案中，首先，也可以将所述第一向量、所述第二向量和所述第三向量按行排列为二维的矩阵；然后，将所述矩阵通过作为特征提取器的第二卷积神经网络，以提取出所述运动信息中的各个谐波频率之间的高维关联特征，从而得到频域特征图。值得一提的是，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
[0091]
更具体地，在步骤s160中，对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图。应可以理解，所述时域特征图是从图像信息得到的，而所述频域特征图是从向量信息得到的，其本质在于尺度差别，因此，在本技术的技术方案中，为融合所述时域特征图和所述频域特征图，需要进一步地对其进行尺度融合。也就是，从尺度变化的角度来说，使用预定范围的感知场来匹配尺度变化，可以理解为从学习特定认知的角度来说，对于每个位置学习预定范围的感知场。
[0092]
相应地，在一个具体示例中，对所述频域特征图中的每个位置的特征值，首先，利用标准网格g来表征各个位置对应的预定范围的感知场，例如 g＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)。然后，以如下公式基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；
[0093]
所述公式为：
[0094][0095]
其中，x为二元位置值，例如(1,1)，δxi来自所述标准网格g，d为静态缩放比率，w
表示用于将二元位置值转换为权值的卷积参数，其可以作为超参数进行训练。
[0096]
更具体地，在步骤s170和步骤s180中，融合所述修正频域特征图和所述时域特征图以获得分类特征图，并将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。也就是，首先，融合所述修正频域特征图和所述时域特征图，以基于所述运动信息中的时域特征和频域特征的隐含关联特征来进行分类，从而使得分类的结果更加准确，进而得到分类特征图。在一个具体示例中，计算所述修正频域特征图和所述时域特征图的按位置加权和以获得所述分类特征图。然后，将所述分类特征图通过分类器以获得用于表示人在运动时的运动姿势是否适当分类结果。
[0097]
更具体地，在本技术实施例中，所述训练指导单元，包括：首先，使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量。然后，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于人在运动时的运动姿势适当的第一概率和所述分类特征向量归属于人在运动时的运动姿势不适当的第二概率。最后，将所述第一概率和所述第二概率中较大者对应的分类标签，确定为所述分类结果。也就是，将所述第一概率和所述第二概率进行比较，以得到所述分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为人在运动时的运动姿势适当；当所述第一概率小于所述第二概率时，所述分类结果为人在运动时的运动姿势不适当。
[0098]
综上，基于本技术实施例的所述基于可穿戴设备的科学训练指导系统的工作方法被阐明，其采用基于卷积神经网络的深度学习技术，通过运动者的运动重心在时域上和频域上的关联性特征以此来进行分类，并且在此过程中，使用尺度变换来融合时域信息和频域信息在高维空间中的隐含关联性特征，从而使得获得的用于表示运动者的运动姿态是否适当的分类结果更加准确。通过这样的方式，可以对使用者的运动或者跑步进行科学的训练指导，从而能够达到科学训练的目的。
[0099]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0100]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0101]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0102]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0103]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实
施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于可穿戴设备的科学训练指导系统，其特征在于，包括：运功过程数据获取单元，用于获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；域转换单元，用于对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；采样单元，用于分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；图像拼接单元，用于将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；矩阵构造单元，用于将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；尺度修正单元，用于对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；特征图融合单元，用于融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及训练指导单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。2.根据权利要求1所述的基于可穿戴设备的科学训练指导系统，其中，所述图像拼接单元，进一步用于以所述第一正弦波的图像在上、所述第二正弦波的图像在中和所述第三正弦波的图像在下的方式将所述将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像。3.根据权利要求2所述的基于可穿戴设备的科学训练指导系统，其中，所述矩阵构造单元，进一步用于以所述第一向量为第一行、所述第二向量为第二行和所述第三向量为第三行的方式将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵。4.根据权利要求3所述的基于可穿戴设备的科学训练指导系统，其中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。5.根据权利要求4所述的基于可穿戴设备的科学训练指导系统，其中，所述尺度修正单元，进一步用于：对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场，所述标准网络表示为g＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)；以及，以如下公式基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；所述公式为：
其中，x为二元位置值，δx
i
来自所述标准网格g，d为静态缩放比率，w表示用于将二元位置值转换为权值的卷积参数。6.根据权利要求5所述的基于可穿戴设备的科学训练指导系统，其中，所述特征图融合单元，进一步用于计算所述修正频域特征图和所述时域特征图的按位置加权和以获得所述分类特征图。7.根据权利要求6所述的基于可穿戴设备的科学训练指导系统，其中，所述训练指导单元，进一步用于使用所述分类器的至少一个全连接层对所述分类特征图进行编码以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于人在运动时的运动姿势适当的第一概率和所述分类特征向量归属于人在运动时的运动姿势不适当的第二概率；以及，将所述第一概率和所述第二概率中较大者对应的分类标签，确定为所述分类结果。8.一种基于可穿戴设备的科学训练指导系统的工作方法，其特征在于，包括：获取由可穿戴设备的陀螺仪、重力加速度计和加速度传感器所获得的人在运动过程中的第一正弦波、第二正弦波和第三正弦波，其中，所述第一正弦波用于人在运动时的重心位置、所述第二正弦波用于表示人在运动时的重心在垂直方向上的加速度、所述第三正弦波用于表示人在运动时的中心在水平方向上的加速度；对所述第一正弦波、所述第二正弦波和所述第三正弦波进行傅里叶变换，以获得所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值，以及，所述第三正弦波在各个谐波频率下的数值；分别从所述第一正弦波在各个谐波频率下的数值、所述第二正弦波在各个谐波频率下的数值和所述第三正弦波在各个谐波频率下的数值中提取前n个谐波频率下的数值并分别构成长度为n的第一向量、第二向量和第三向量；将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图；将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图；对所述频域特征图中各个位置的特征值，使用标准网络来表征各个位置对应的预定范围的感知场并基于卷积操作和静态缩放比例来计算各个位置对应的预定范围的感知场内所有二元位置值的编码特征值作为各个位置的特征值对应的修整特征值，以获得修正频域特征图；融合所述修正频域特征图和所述时域特征图以获得分类特征图；以及将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示人在运动时的运动姿势是否适当。9.根据权利要求8所述的基于可穿戴设备的科学训练指导系统的工作方法，其中，将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像并通过作为特征提取器的第一卷积神经网络以获得时域特征图，包括：
以所述第一正弦波的图像在上、所述第二正弦波的图像在中和所述第三正弦波的图像在下的方式将所述将所述第一正弦波、所述第二正弦波和所述第三正弦波的图像拼接为单个图像。10.根据权利要求8所述的基于可穿戴设备的科学训练指导系统的工作方法，其中，将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵并通过作为特征提取器的第二卷积神经网络以获得频域特征图，包括：以所述第一向量为第一行、所述第二向量为第二行和所述第三向量为第三行的方式将所述第一向量、所述第二向量和所述第三向量排列为二维的矩阵。

技术总结
本申请涉及智能运动的领域，其具体地公开了一种基于可穿戴设备的科学训练指导系统及其工作方法，其采用基于卷积神经网络的深度学习技术，通过运动者的运动重心在时域上和频域上的关联性特征以此来进行分类，并且在此过程中，使用尺度变换来融合时域信息和频域信息在高维空间中的隐含关联性特征，从而使得获得的用于表示运动者的运动姿态是否适当的分类结果更加准确。通过这样的方式，可以对使用者的运动或者跑步进行科学的训练指导，从而能够达到科学训练的目的。到科学训练的目的。到科学训练的目的。


技术研发人员：赵家伟
受保护的技术使用者：杭州芮科科技有限公司
技术研发日：2022.02.14
技术公布日：2022/5/25