Расширение игрового процесса с использованием устройства отслеживания физической активности

Расширение игрового процесса с использованием устройства отслеживания физической активности

Иллюстрации

Показать все

Реферат

Уровень техники

[0001] Упражнения и другие виды физической активности могут быть очень полезны для здоровья и состояния человека. Некоторые люди пользуются услугами персональных тренеров для улучшения здоровья и состояния и применяют структурированные тренировочные режимы. Однако не все могут позволить себе услуги персонального тренера. Даже люди, которые часто тренируются с персональным тренером, вряд ли всегда имеют доступ к персональному тренеру при выполнении физических упражнений.

Раскрытие изобретения

[0002] Устройство отслеживания физической активности принимает указание на один или более видов физической активности, подлежащих выполнению в качестве расширения игры, в которую играют на игровой системе, и измеряет атрибуты физической активности пользователя, носящего устройство отслеживания физической активности. Устройство отслеживания физической активности определяет продвижение пользователя в направлении завершения одного или более видов физической активности на основании атрибутов физической активности, и выводит для игрового устройства указание на продвижение пользователя в направлении завершения одного или более видов физической активности.

[0003] Данная сущность изобретения обеспечена для ознакомления в упрощенной форме с выбором идей изобретения, которые дополнительно описаны ниже, в подробном описании. Данная сущность изобретения не предназначена для выявления ключевых признаков или основных признаков заявленного предмета, а также не предназначена для использования для ограничения объема заявленного предмета. Кроме того, заявленный предмет не ограничен реализациями, которые устраняют любые или все недостатки, отмеченные в любой части данного описания.

Краткое описание чертежей

[0004] Фиг. 1 показывает пользователя, носящего устройство отслеживания физической активности, согласно варианту осуществления данного изобретения.

[0005] Фиг. 2 показывает устройство отслеживания физической активности, согласно варианту осуществления данного изобретения.

[0006] Фиг. 3 показывает иллюстративный способ определения периодов, во время которых пользователь активно занимается физической активностью, согласно варианту осуществления данного изобретения.

[0007] Фиг. 4 показывает анализ иллюстративного сегмента тренировочного режима, согласно варианту осуществления данного изобретения.

[0008] Фиг. 5 показывает иллюстративный способ распознавания типа физической активности, согласно варианту осуществления данного изобретения.

[0009] Фиг. 6 показывает иллюстративный способ подсчета повторений упражнения, согласно варианту осуществления данного изобретения.

[0010] Фиг. 7 показывает иллюстративный способ дополнения впечатления от игры согласно варианту осуществления данного изобретения.

[0011] Фиг. 8 показывает иллюстративный способ физической тренировки пользователя, согласно варианту осуществления данного изобретения.

Осуществление изобретения

[0012] Настоящее изобретение относится к устройству отслеживания физической активности (PAMD), которое может быть использовано для дополнения впечатления от игры и/или приема и отслеживания тренировочного режима.

[0013] В процессе тренировки, человек может затратить время на выполнение физической активности или упражнений, а также на восстановление после этой активности, на подготовку для этой активности, и на осуществление нетренировочной активности, такой как питье воды. Для распознавания и различения PAMD видов физической активности или упражнений, выполняемых пользователем, носящим PAMD, оно может, сначала, различить моменты времени фактического упражнения и нетренировочной активности. В некоторых вариантах осуществления, PAMD производит замеры пользовательских движений с использованием массива датчиков, включающего в себя один или более датчиков, выполненных с возможностью измерения атрибутов физической активности пользователя, носящего PAMD. Отобранные данные могут быть, затем, сегментированы на периоды упражнения и периоды отсутствия упражнения. Тогда в пределах периодов упражнения PAMD может быть обучено однозначно идентифицировать структуры в отобранных данных, которые представляют конкретные виды физической активности или упражнений, таким образом распознавая вид физической активности или упражнения, выполняемый пользователем, носящим PAMD. Для повторяющихся видов физической активности или упражнений, PAMD может, затем, подсчитать количество повторений данного повторяющегося вида физической активности или упражнения, выполняемого пользователем, носящим PAMD.

[0014] Фиг. 1 показывает пользователя 101, носящего устройство 102 отслеживания физической активности, согласно настоящему изобретению. В некоторых вариантах осуществления PAMD 102 может быть выполнено в виде носимой нарукавной повязки. PAMD 102 может быть надето пользователем 101, в то время как пользователь 101 выполняет упражнение или, иначе, выполняет конкретный вил физической активности. PAMD 102 может использовать способ анализа рациональной активности. Анализ рациональной активности может обеспечить PAMD возможность распознавания и различения видов физической активности или упражнений, выполняемых пользователем, носящим PAMD, и, кроме того, может обеспечить PAMD возможность подсчета повторений вида физической активности или упражнения, выполняемого пользователем, носящим PAMD.

[0015] Фиг. 2 схематично показывает устройство 200 отслеживания физической активности согласно настоящему изобретению. PAMD 200 может включать в себя массив 210 датчиков, логическую машину 215, запоминающее устройство 217, контроллер 220, управляемый классификатор 230a, управляемый классификатор 230b, агрегатор 240, подсистему 250 связи, генератор 260 отчетов, механизм 270 мажоритарной выборки и подсистему 280 отображения.

[0016] Массив 210 датчиков может включать в себя один или более датчиков, таких как акселерометр 214, GPS 212, гироскоп 216, монитор 218 частоты сердечных сокращений, и/или другие подходящие датчики. Данные от массива 210 датчиков могут обеспечить устройству возможность автоматически различать разные виды физической активности или упражнения, выполняемые пользователем, носящим PAMD. В некоторых примерах, акселерометр 214 может производить замеры пользовательских движений при фиксированной частоте дискретизации. Дискретизация может происходить при частоте дискретизации 25 Гц, или при другой частоте дискретизации, как например, 50 Гц. Данные от GPS 212 могут быть использованы для узнавания скорости пользователя, выполняющего вид физической активности или упражнение вне помещения. Например, данные, полученные GPS, могут быть использованы для различения периодов бега, ходьбы, или езды на велосипеде. Кроме того, GPS может быть использована для доступа к местоположению пользователя. Такая информация о местоположении может быть использована для различения видов активности. Например, пользователь может играть в теннис на теннисном корте или играть в гольф на поле для гольфа. В соответствии с данными, принимаемыми от акселерометра, данные GPS могут быть использованы для калибровки шага пользователя. Эта информация может быть сохранена и использована для различения и калибровки одинаковых видов физической активности или упражнений при выполнении в помещении или иначе при недоступности данных GPS, обеспечивая возможность точного вычисления информации о расстоянии и темпе при отсутствии данных GPS.

[0017] Акселерометр 214 при необходимости может быть трехосным акселерометром. Данные, принимаемые от акселерометра 214, могут быть использованы для детектирования изменений в структурах для разных повторяющихся видов физической активности или упражнений, которые могут включать в себя отжимания от пола, подъемы торса, приседания, и т.д. Повторяемость сигналов для таких повторяющихся видов физической активности или упражнений может быть использована для детектирования повторений этих или подобных упражнений. Данные, принимаемые от акселерометра 214, могут быть также использованы для детектирования изменений в структурах для разных статических видов физической активности или упражнений, которые могут включать в себя приседания у стены, упражнения в упоре лежа, позы йоги, и т.д.

[0018] Для видов активности, основанных на расстояниях, PAMD 200 может дополнительно детектировать и различить изменение скоростей движения, включая ходьбу, бег трусцой, быстрый бег трусцой, и бег. Это может быть выполнено посредством измерения скорости поступи пользователя с использованием акселерометра 214. Эти данные могут быть, затем, использованы для динамической настройки вычисления расстояния, конкретно для этой активности. Например, количество шагов, использованное пользователем при ходьбе, может быть приравнено к более короткому расстоянию, чем расстояние для такого же количества шагов, использованного тем же пользователем при беге. С помощью многочисленных периодов физической активности или упражнения, может быть узнана истинная длина шага пользователя для ходьбы, бега трусцой, бега, и т.д., с использованием данных от GPS 212 и акселерометра 214.

[0019] PAMD 200 может дополнительно включать в себя контроллер 220, который при необходимости может быть проиллюстрирован через использование логической машины 215 и запоминающего устройства 217. Контроллер 220 может быть выполнен с возможностью автоматического определения временных интервалов, во время которых пользователь активно занимается физической активностью, на основании атрибутов физической активности. Этот процесс может также называться здесь сегментацией. В одном примере, PAMD 200 может указать на то, что пользователь должен выполнить прыжки на месте с переменой положений рук и ног, в качестве упражнения. Следуя этому указанию, пользователь может затратить время на подготовку для упражнения, например, посредством ходьбы вокруг помещения, посредством выпивания глотка воды, или посредством приема положения для начала прыжков на месте с переменой положений рук и ног. Процесс сегментации может отделять периоды фактического упражнения от другой активности, не относящейся к физической активности или упражнению. Удаление периодов отсутствия упражнения из анализа может уменьшить возможность подсчета PAMD 200 ложных повторений. Подобным образом, PAMD 200 может быть способен более точно определять, каким видом физической активности или упражнения занимается пользователь, если система распознавания анализирует только данные из периодов времени, во время которых пользователь активно занимается физической активностью или упражнением.

[0020] В одном примере, PAMD 200 может указать на то, что пользователь должен выполнить активность на основании времени, например, отжимания от пола в течение 30 секунд. PAMD 200 сможет более точно отследить 30 секунд отжиманий от пола, если оно не начнет оценивать атрибуты физической активности пользователя во время приема пользователем положения для выполнения отжиманий от пола. При точном определении временного интервала, во время которого пользователь выполняет отжимания от пола, PAMD 200 может быть способен сделать точные заявления о пользовательской биометрии, например, сколько калорий пользователь сжег при выполнении отжиманий от пола.

[0021] PAMD 200 может быть обучено, посредством машинного обучения, распознаванию периодов, во время которых пользователь активно занимается физической активностью или упражнением. Этот процесс сегментации может быть дополнительно разбит на подпроцессы предварительной обработки, вычисления признаков, классификацию, и агрегирование.

[0022] Фиг. 3 показывает иллюстративный способ 300, который может быть использован контроллером 220 для определения периодов, во время которых пользователь активно занимается физической активностью. В операции 302, способ 300 включает в себя прием сигнальной информации от массива датчиков (например, массива 210 датчиков). Такая сигнальная информация может быть принята посредством контроллера 220, например. Сигнальная информация представляет атрибуты физической активности пользователя. В некоторых примерах, эта сигнальная информация может включать в себя необработанные данные от акселерометра 214 или гироскопа 216. Каждый из акселерометра 214 и гироскопа 216 может выдать три необработанных сигнала, выдавая всего шесть необработанных входных сигналов. Необработанные входные сигналы могут быть, затем, пропущены через низкочастотный фильтр, на выходе которого затем можно получить шесть сглаженных сигналов.

[0023] В операции 304, способ 300 может включать в себя определение временных интервалов, во время которых пользователь активно занимается физической активностью. Например, контроллер 220 может использовать сигнальную информацию, принятую в операции 302, в качестве основы для определения временных интервалов. Как показано на фиг. 3, процесс определения временных интервалов может включать в себя множество подпроцессов. Неограничивающие примеры таких подпроцессов представлены ниже. Однако, следует понимать, что временные интервалы активных занятий могут быть определены любым подходящим способом, не выходя за рамки объема настоящего изобретения.

[0024] В операции 306, способ 300 может включать в себя разделение сигнальной информации на совпадающие сегменты. В одном примере, данные могут быть разделены на окна длиной пять секунд. Каждое окно может быть продвинуто на 200 мс относительно предыдущего окна таким образом, чтобы каждое пятисекундное окно совместно использовало 4,8 секунд данных с предыдущим и последующим окнами.

[0025] В операции 308, способ 300 может включать в себя идентификацию заданных сигнальных характеристик (например, характеристик ускорения из информации об ускорении, измеряемой посредством акселерометра из массива датчиков) для каждого совпадающего сегмента. В некоторых примерах, контроллер 220 может преобразовать каждое пятисекундное окно сглаженных данных в 200 сигнальных характеристик, которые, затем, используют для характеристики вида физической активности или упражнения, но может быть меньше или больше сигнальных характеристик. В одном примере, шесть сглаженных сигналов могут быть преобразованы в десять выходных сигналов. Десять выходных сигналов в этом примере могут включать в себя сглаженные данные акселерометра по x, y и z осям, сглаженные данные гироскопа по x, y и z осям, величину сигнала акселерометра при каждой выборке, величину сигнала гироскопа при каждой выборке, проекцию трехмерного сигнала акселерометра на первую главную компоненту этого сигнала, проекцию сигналов акселерометра по y и z осям на их собственную главную компоненту, и проекцию трехмерного сигнала гироскопа на первую главную компоненту этого сигнала.

[0026] Выходные сигналы могут быть выбраны на основании характеристик PAMD. В некоторых вариантах осуществления, где сигнальная информация включает в себя сигналы в трех направлениях, сигналы в двух из трех направлений могут быть преобразованы по размерности в сигнал в одном направлении. Например, если PAMD выполнено в виде устройства, которое прилегает к телу пользователя, или, иначе, выполнено с возможностью фиксации на теле пользователя, то сглаженные данные по x, y и z осям, могут считаться точно отражающими движение пользователя в этих трех осях. Однако, если PAMD выполнено в виде носимой нарукавной повязки, например, то PAMD может быть подвергнуто случайному вращению вокруг руки или запястья пользователя. В этом примере, данные по x-оси (например, вдоль руки пользователя), могут считаться точно отражающими движение пользователя по x-оси, но данные по y и z осям могут представлять собой движение во множестве осей, в зависимости от положения PAMD. В этом примере, проекции сигналов акселерометра по y и z осям на их собственные главные компоненты могут быть выбраны в качестве выходных сигналов. При уменьшении размерности сигналов по y и z осям, вращение PAMD вокруг руки пользователя может быть преобразовано, посредством сокращения количества неизвестных осей, в более прогнозируемый сигнал.

[0027] Для каждого из этих выходных сигналов, контроллер 220 может, затем, вычислить 20 сигнальных характеристик для каждого выходного сигнала. Контроллер 220 может также вычислить большее или меньшее количество сигнальных характеристик. В некоторых примерах, сигнальные характеристики могут включать в себя некоторое количество пиков автокорреляции, некоторое количество отрицательных пиков автокорреляции, максимальное значение автокорреляции, логарифм максимального значения автокорреляции, среднеквадратичную амплитуду, среднее значение, среднеквадратическое отклонение, дисперсию, и интегральную среднеквадратичную амплитуду. Сигнальные характеристики могут также включать в себя некоторое количество сильных пиков, причем сильные пики могут быть определены как некоторое количество пиков автокорреляции, которые являются большими, чем соседние с ними пики, на некоторую пороговую величину, и отстоят больше, чем на пороговую задержку, от соседних с ними пиков. Сигнальные характеристики могут также включать в себя некоторое количество слабых пиков, причем слабые пики могут быть определены как некоторое количество пиков автокорреляции, которые находятся в пределах пороговой высоты относительно соседних с ними пиков, и отстоят меньше, чем на пороговую задержку, от соседних с ними пиков. Сигнальные характеристики могут дополнительно включать в себя значение первого пика функции автокорреляции после перехода через нулевое значение, локальную нелинейность или другие меры того, насколько хорошо линия наилучшего соответствия объясняет данные, и набор диапазонов мощности, причем вычисляют некоторую величину для энергетического спектра в каждом выбранном диапазоне, распространенном по диапазону частот, которая может быть получена посредством массива датчиков. В этом примере, могут быть вычислены семь энергетических спектров, но может быть больше или меньше энергетических спектров, например, десять энергетических спектров.

[0028] Дополнительные сигнальные характеристики могут быть вычислены для каждого сигнала. Для каждого пятисекундного окна, сигнальные характеристики могут дать указание на автокорреляцию сигнала, другими словами, указание на то, насколько повторяющимися или подобными сами себе являются данные. Сигналы от временных периодов, во время которых пользователь тренируется, могут чаще повторяться, чем сигналы от временных периодов, во время которых пользователь не тренируется. В некоторых примерах, сигналы от временных периодов, во время которых пользователь занимается с использованием быстрых движений, могут с большей вероятностью соответствовать упражнению, чем отсутствию упражнения.

[0029] В операции 310, способ 300 может включать в себя анализ заданных сигнальных характеристик для каждого совпадающего сегмента с использованием управляемого классификатора. Как показано на фиг. 2, контроллер 220 может включать в себя управляемый классификатор 230a. Управляемый классификатор 230a может быть обучен распознаванию того, занимается ли пользователь активно физической активностью во время совпадающего сегмента. В общем, управляемый классификатор 230a и/или другие аспекты контроллера 220 могут быть обучены посредством процесса машинного обучения распознаванию сигнальных характеристик, представляющих пользователя, который активно занимается физической активностью или упражнением, и дополнительному распознаванию сигнальных характеристик, представляющих пользователя, который не занимается активно физической активностью или упражнением.

[0030] В одном примере, управляемый классификатор 230a использует машину (метод) опорных векторов (support vector machine - SVM), например, линейную машину опорных векторов. В некоторых примерах, управляемый классификатор 230a использует дерево решений машинного обучения. В некоторых примерах, в которых управляемый классификатор 230a использует SVM, SVM может быть выполнен с возможностью генерации вектора чисел, и, дополнительно, выполнен с возможностью умножения заданных сигнальных характеристик на вектор чисел для получения множества результатов умножения. SVM может быть дополнительно выполнен с возможностью сравнения результатов умножения с некоторой пороговой величиной или пороговыми величинами, определяемыми посредством машинного обучения, как описано выше. Кроме того SVM может быть выполнен с возможностью классификации значения выше пороговой величины как представляющего совпадающий сегмент, во время которого пользователь активно занимается физической активностью, и классификации значения ниже пороговой величины как представляющего совпадающий сегмент, во время которого пользователь не занимается активно физической активностью.

[0031] В некоторых примерах, в которых управляемый классификатор 230a включает в себя SVM, анализ заданных сигнальных характеристик может включать в себя обучение машины опорных векторов с использованием данных, собранных от множества пользователей, во время временных интервалов, во время которых пользователи активно занимались физической активностью или упражнением. Анализ заданных сигнальных характеристик может дополнительно включать в себя генерацию набора векторов трансформации, весового вектора и пороговой величины, представляющих пользователя, активно занимающегося физической активностью или упражнением, за которой следует умножение заданных сигнальных характеристик на набор векторов трансформации и весовой вектор для получения множества результатов умножения. Анализ заданных сигнальных характеристик может дополнительно включать в себя сравнение результатов умножения с пороговой величиной, классификацию значения выше пороговой величины как представляющего совпадающий сегмент, во время которого пользователь активно занимается физической активностью или упражнением; и классификацию значения ниже пороговой величины как представляющего совпадающий сегмент, во время которого пользователь не занимается активно физической активностью или упражнением.

[0032] После того, как управляемый классификатор 230a классифицировал каждый совпадающий сегмент, PAMD 200 может сформулировать единственное наилучшее предположение в отношении того, занимается ли пользователь активно физической активностью или упражнением во время каждого пятисекундного окна.

[0033] Как показано на фиг. 2, PAMD 200 может дополнительно включать в себя агрегатор 240, выполненный с возможностью определения временного интервала, заданного посредством множества классифицированных совпадающих сегментов, во время которых пользователь, вероятно, активно занимается физической активностью. Другими словами, агрегатор 240 может улучшить точность управляемого классификатора 230a, или проанализировать группы совпадающих сегментов для определения более длительных временных интервалов, которые представляют упражнение или отсутствие упражнения.

[0034] Прогнозирование, выполняемое управляемым классификатором 230a, может изредка перемещаться назад и вперед. В одном примере, пользователь может все еще стоять в течение некоторого периода времени, а некоторые совпадающие сегменты могут быть классифицированы как представляющие пользователя, который занимается физической активностью или упражнением. Противоположное также может иметь место – пользователь может тренироваться в течение некоторого периода времени, а некоторые совпадающие сегменты в пределах этого периода могут быть классифицированы как представляющие отсутствие упражнения. В некоторых примерах, пользователь может сделать паузу для восстановления своего дыхания в середине упражнения; однако совпадающие сегменты на обеих сторонах паузы по существу представляют ту же физическую активность или упражнение. В примере, в котором пользователь делает паузу для восстановления своего дыхания в середине повторяющейся активности, повторения на обеих сторонах паузы должны быть прибавлены к одному и тому же общему количеству повторений. Таким образом, агрегатор 240 может исправить выходной сигнал классификатора для вывода пригодных к использованию временных интервалов, во время которых пользователь занимается физической активностью или упражнением.

[0035] Пример агрегатора 240, исправляющего выходной сигнал управляемого классификатора 230a, показан на фиг. 4. Фиг. 4 показывает пример сегмента физической активности, который может быть частью тренировочного режима. График 401 показывает выходные данные управляемого классификатора 230a для временного интервала, составляющего приблизительно 1 минуту. Каждая точка 405 графика представляет один совпадающий сегмент. Каждому совпадающему сегменту может быть присвоено значение 1 (классифицируемое как «упражнение») или 0 (классифицируемое как «отсутствие упражнения»). График 402 показывает фактическую активность пользователя. Как показано на участке 410, пользователь выполнял подъемы торса в течение периода, равного 20 секундам. Однако, как показано на участке 415, некоторые совпадающие сегменты могут быть сначала классифицированы как «упражнение», даже когда пользователь не занимался активно физической активностью или упражнением. Подобным образом, как показано на участке 420, некоторые совпадающие сегменты могут быть классифицированы как «отсутствие упражнения», даже когда пользователь активно занимался физической активностью или упражнением. Как показано на графике 403, агрегатор 240 может исправить выходные данные классификатора для вывода пригодных к использованию временных интервалов, во время которых пользователь занимается физической активностью или упражнением, таких как временной интервал 430.

[0036] Агрегатор 240 может использовать один или более способов для анализа классификации совпадающих сегментов и вывода временного интервала, во время которого пользователь, вероятно, занимается физической активностью или упражнением. В одном примере, агрегатор 240 использует процесс агрегирования на основании характерной черты. В этом примере, агрегатор 240 начинает с предположения состояния отсутствия упражнения и приступает к последовательному анализу совпадающих сегментов. Если заданное количество (k1) совпадающих сегментов классифицировано как «упражнение», то агрегатор 240 может переключиться на предположение состояния упражнения, начиная с первого из k1 совпадающих сегментов. В одном примере, k1 может быть установлено равным пятнадцати совпадающим сегментам. Другими словами, если пятнадцать последовательных совпадающих сегментов классифицированы как «упражнение», то агрегатор 240 переключается на предположение состояния упражнения. Другое заданное количество (k2), которое может быть или может не быть равным k1, может быть использовано для указания на то, что агрегатор 240 должен переключиться с предположения состояния упражнения на предположение состояния отсутствия упражнения.

[0037] В некоторых примерах, агрегатор 240 использует процесс агрегирования на основании процентного отношения. В этом примере, агрегатор 240 начинает с предположения состояния отсутствия упражнения и последовательно анализирует совпадающие сегменты. Если заданное процентное отношение (p1%) совпадающих сегментов классифицировано как «упражнение» в пределах заданного временного интервала (t), то агрегатор 240 может переключиться на предположение состояния упражнения, начиная с первого из совпадающих сегментов, классифицированных как «упражнение». Например, p1 может быть равным 75, а t может быть равным 10, таким образом, когда 75% совпадающих сегментов в пределах 10 секунд классифицированы как «упражнение», агрегатор 240 может переключиться на предположение состояния упражнения, начиная с первого из совпадающих сегментов, классифицированных как «упражнение». Другое заданное процентное отношение (p2%), которое может быть или не может быть равным p1%, может быть использовано для указания на то, что агрегатор 240 должен переключиться с предположения состояния упражнения на предположение состояния отсутствия упражнения.

[0038] В некоторых примерах, агрегатор 240 использует процесс агрегирования на основании накопителя. В этом примере, агрегатор 240 начинает с предположения состояния отсутствия упражнения и последовательно анализирует совпадающие сегменты. Каждый совпадающий сегмент, который классифицирован как «упражнение», добавляет пункт к промежуточному итогу. Когда промежуточный итог превышает заданную пороговую величину (a1), агрегатор 240 переключается на предположение состояния упражнения. Другая заданная пороговая величина (a2), которая может или не может быть равной (a1), может быть использована для указания на то, что агрегатор 240 должен переключиться с предположения состояния упражнения на предположение состояния отсутствия упражнения.

[0039] Агрегатор 240 может использовать один из этих процессов или другие подобные процессы или комбинацию многочисленных процессов для анализа данных от управляемого классификатора 230a и вывода временных интервалов, во время которых пользователь занимается физической активностью или упражнением. Например, агрегатор 240 может использовать процесс агрегирования на основании характерной черты для определения начальной точки физической активности или упражнения и затем может дополнительно использовать процесс агрегирования на основании накопителя в определении того, прекратил ли пользователь выполнение физической активности или упражнения. В некоторых вариантах осуществления, агрегатор 240 может запускать на выполнение многочисленные агрегаторы одновременно (например, агрегаторы на основании характерной черты и на основании накопителя) и идентифицировать начало или конец физической активности или упражнения, когда любой из многочисленных агрегаторов указывает на то, что физическая активность или упражнение начинается или заканчивается.

[0040] В некоторых примерах, начальные данные от массива датчиков могут быть повторно проанализированы посредством управляемого классификатора 230a, как описано выше, дополнительно, с использованием выходных данных агрегатора 240 в качестве входных данных для алгоритмов машинного обучения. Заданные постоянные могут быть совместно использованы или однозначно заданы для разных упражнений или разных типов упражнений (например, повторяющиеся упражнения, такие как отжимания от пола, могут использовать постоянные, отличные от постоянных для неповторяющихся упражнений, таких как бег трусцой).

[0041] Контроллер 220 может быть также выполнен с возможностью автоматического определения типа физической активности, которой пользователь активно занимается, во время определенных временных интервалов, на основании атрибутов физической активности. Другими словами, контроллер 220 может определить, каким упражнением пользователь активно занимается, в каждом временном интервале, для которого определено, что пользователь занимается физической активностью или упражнением. Этот процесс может называться здесь распознаванием. Процесс распознавания при необходимости может следовать за процессом агрегирования, и/или некоторое распознавание может быть выполнено параллельно с сегментацией и/или агрегированием. В некоторых вариантах осуществления, контроллер 220 может быть выполнен с возможностью автоматического определения типа физической активности, которой пользователь активно занимается, во время определенных временных интервалов, на основании только атрибутов физической активности, соответствующих определенным временным интервалам. Другими словами, только атрибуты физической активности, принимаемые от массива 210 датчиков в течение периодов времени, которые определены в качестве периодов упражнения, используют для определения типа физической активности.

[0042] Распознавание типа упражнения может быть использовано в целевых приложениях, включающих в себя подсчет повторений упражнения, вычисление эффективности или мощности упражнения, определение расхода калорий пользователя в течение курса упражнения, и т.д. PAMD 200 может быть также выполнен с возможностью анализа атрибутов физической активности пользователя и, дополнительно, обеспечения обратной связи с пользователем в отношении формы пользователя или другой информации, которая может улучшить мастерство выполнения упражнения пользователя. Контроллер 220 может быть обучен распознаванию типов физической активности на основании атрибутов физической активности пользователя посредством процесса машинного обучения. В некоторых примерах, PAMD 200 может указать на конкретную активность, подлежащую выполнению пользователем. В этих примерах, процесс распознавания может быть проигнорирован, объединен с процессом сегментации и/или усилен процессом сегментации.

[0043] Фиг. 5 показывает один иллюстративный способ 500 для распознавания типа физической активности или упражнения. В операции 502, способ 500 может включать в себя прием сигнальной информации от массива датчиков (например, массива 210 датчиков). Такая сигнальная информация может быть принята посредством контроллера 220, например. Сигнальная информация может включать в себя необработанные данные от акселерометра 214 и гироскопа 216. Необработанные данные могут быть дополнительно обработаны посредством низкочастотного фильтра для извлечения сглаженных данных акселерометра и гироскопа. Сигнальная информация может также включать в себя проекцию сигнала акселерометра на первую основную компоненту этого сигнала. Сигнальная информация может также включать в себя проекцию сигнала гироскопа на первую главную компоненту этого сигнала.

[0044] В операции 504, способ 500 может включать в себя прием набора временных интервалов от агрегатора (например, агрегатора 240). Такой набор временных интервалов может быть принят посредством контроллера 220 и может представлять временные интервалы, во время которых пользователь занимается физической активностью или упражнением. В операции 506, способ 500 может включать в себя определение типа физической активности, которой пользователь активно занимается во время набора временных интервалов (например, распознавание). Другими словами, процесс распознавания может быть применен, когда агрегатор 240 указывает на то, что пользователь занимается физической активностью или упражнением.

[0045] Процесс распознавания может включать в себя множество подпроцессов. Неограничивающие примеры таких подпроцессов обеспечены ниже. Однако, следует понимать, что распознавание может быть выполнено любым подходящим способом, не выходя за рамки объема настоящего изобретения.

[0046] В операции 508, способ 500 может включать в себя разделение сигнальной информации на совпадающие сегменты. В одном примере, данные могут быть разделены на окна длиной пять секунд. Каждое окно может быть продвинуто на 200 мс относительно предыдущего окна таким образом, чтобы каждое пятисекундное окно совместно использовало 4,8 секунд данных с предыдущим и последующим окнами.

[0047] В операции 510, способ 500 может включать в себя идентификацию заданных сигнальных характеристик для каждого совпадающего сегмента. В одном примере, каждое пятисекундное окно сглаженных данных может быть преобразовано во множество сигнальных характеристик, которые, затем, используют для характеристики вида физической активности или упражнения. В качестве неограничивающего примера, могут быть использованы 60 сигнальных характеристик. Например, контроллер 220 может вычислить 20 сигнальных характеристик для каждой из трех осей каждого их совпадающих сегментов. В этом примере, сигнальные характеристики включают в себя пять равноотстоящих элементов разрешения автокорреляции, среднеквадратичную амплитуду, десять равноотстоящих диапазонов мощности, среднее значение, среднеквадратическое отклонение, эксцесс и интерквартильную широту. Другие сигнальные характеристики могут быть также вычислены для каждой из трех осей.

[0048] В операции 512, способ 500 может включать в себя анализ заданных сигнальных характеристик для каждого совпадающего сегмента с использованием управляемого классификатора (например, управляемого классификатора 230b). Управляемый классификатор 230b может быть обучен распознаванию типа физической активности, которой пол