《監測微活動狀態的方法、裝置及可穿戴設備》是安徽華米信息科技有限公司於2015年12月14日申請的發明專利，該專利申請號為2015109390587，公布號為CN105559751A，專利公布日為2016年05月11日，發明人是張菲菲、任曉明。
《監測微活動狀態的方法、裝置及可穿戴設備》包括：根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；如果所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；根據所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；根據所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態。在該發明的技術方案可以準確地識別用戶所處的微活動狀態，通過實時監測用戶的微活動狀態可以更準確地判斷用戶的睡眠狀態，提高對用戶睡眠質量的監測的可信度。
2019年5月16日，《監測微活動狀態的方法、裝置及可穿戴設備》獲得安徽省第六屆專利獎金獎。
（概述圖為《監測微活動狀態的方法、裝置及可穿戴設備》的摘要附圖）
基本介紹
- 中文名：監測微活動狀態的方法、裝置及可穿戴設備
- 公布號：CN105559751A
- 公布日：2016年5月11日
- 申請號：2015109390587
- 申請日：2015年12月14日
- 申請人：安徽華米信息科技有限公司
- 地址：安徽省合肥市高新區望江西路800號國家動漫基地A4樓1201室
- 發明人：張菲菲、任曉明
- 代理機構：北京博思佳智慧財產權代理有限公司
- 代理人：林祥
- Int.Cl.：A61B5/00(2006.01)I； A61B5/11(2006.01)I
- 類別：發明專利
專利背景,發明內容,專利目的,技術方案,改善效果,附圖說明,技術領域,權利要求,實施方式,榮譽表彰,
專利背景
睡眠質量的好壞直接關係到用戶的健康問題，因此用戶也越來越多的關注到睡眠質量，2015年12月之前的技術通過可穿戴設備記錄用戶的活動量來判斷睡眠狀態，進而通過睡眠狀態來評價用戶的睡眠指令。由於用戶在睡前進行的一些微活動（例如，看書、玩手機等，或醒後的微活動）與睡眠狀態的微活動很相似，因此通過活動量來判斷睡眠狀態已不能準確地判斷出用戶的微活動，進而影響對睡眠質量的監測。
發明內容
專利目的
《監測微活動狀態的方法、裝置及可穿戴設備》提供一種新的技術方案，可以解決睡前或醒後微活動對睡眠監測的干擾的技術問題。
技術方案
《監測微活動狀態的方法、裝置及可穿戴設備》包括：
根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；
如果所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；
根據所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；
根據所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態。
根據該發明的第二方面，提出了一種監測微活動狀態的裝置，包括：
第一確定模組，用於根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；
第二確定模組，用於如果所述第一確定模組確定的所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；
第三確定模組，用於根據所述第二確定模組確定的所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；
第四確定模組，用於根據所述第三確定模組確定的所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態。
根據該發明的第三方面，提出了一種可穿戴設備，所述可穿戴設備包括：
處理器；用於存儲所述處理器可執行指令的存儲器；
其中，所述處理器，被配置為：
根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；
如果所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；
根據所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；
根據所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態。
改善效果
《監測微活動狀態的方法、裝置及可穿戴設備》可以準確地識別用戶所處的微活動狀態，從而將用戶在睡前進行的一些如看書、玩手機等微活動或醒後的微活動與用戶處於睡眠狀態的微活動進行準確區分，通過實時監測用戶的微活動狀態可以更準確地判斷用戶的睡眠狀態，提高對用戶睡眠質量的監測的可信度。
附圖說明
圖1A示出了根據《監測微活動狀態的方法、裝置及可穿戴設備》的一示例性實施例的監測微活動狀態的方法的流程示意圖；
圖1B示出了根據該發明的一示例性實施例的清醒狀態下實時採集的加速度數據的示意圖；
圖1C示出了根據該發明的一示例性實施例的睡眠狀態下實時採集的加速度數據；
圖1D示出了根據該發明的一示例性實施例的不佩戴可穿戴設備狀態下實時採集的加速度數據的示意圖；
圖1E示出了根據該發明的一示例性實施例的活動量在清醒狀態、睡眠狀態、不佩戴可穿戴設備狀態的微活動特徵值的分布示意圖；
圖2示出了根據該發明的又一示例性實施例的如何得到軸向特徵值的流程示意圖；
圖3A示出了根據該發明的另一示例性實施例的監測微活動狀態的方法的流程示意圖；
圖3B示出了根據該發明的另一示例性實施例的如何確定第二預設閾值的流程示意圖；
圖4A示出了根據該發明的再一示例性實施例的如何確定用戶的活動量的流程示意圖；
圖4B示出了根據該發明的再一示例性實施例的步驟402的流程圖；
圖4C示出了根據該發明的再一示例性實施例的活動量的示意圖；
圖5示出了根據該發明的一示例性實施例的可穿戴設備的結構示意圖；
圖6示出了根據該發明的一示例性實施例的監測微活動狀態的裝置的結構示意圖；
圖7示出了根據該發明的又一示例性實施例的監測微活動狀態的裝置的結構示意圖；
圖8示出了根據該發明的另一示例性實施例的監測微活動狀態的裝置的結構示意圖。
技術領域
《監測微活動狀態的方法、裝置及可穿戴設備》涉及可穿戴設備技術領域，尤其涉及一種監測微活動狀態的方法、裝置及可穿戴設備。
權利要求
1.《監測微活動狀態的方法、裝置及可穿戴設備》所述方法包括：根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；如果所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；根據所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；根據所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態；所述根據設定時間周期內採集的加速度數據確定用戶的活動量，包括：計算所述多個軸向上的每一個軸向的加速度數據的歐式距離，得到所述設定時間周期內的距離向量；根據所述距離向量確定一個用於表示用戶活動量的活動向量；對所述活動向量進行求和的平方，除以2，得到用戶的活動量。
2.根據權利要求1所述的方法，其特徵在於，所述根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，包括：將每一個軸向的加速度數據分割為M段，其中，M為正整數；計算所述M段的每一段內的加速度數據的中值，得到在所述設定時間周期內的長度為M的中值向量；對所述中值向量的差分向量進行權重加和，得到每一軸向的軸向特徵值，其中，所述差分向量的長度為M-1。
3.根據權利要求1所述的方法，其特徵在於，所述根據所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值，包括：計算所述每一個軸向的軸向特徵值的和值，得到所述設定時間周期內的微活動特徵值。
4.根據權利要求1所述的方法，其特徵在於，所述根據所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態，包括：確定所述微活動特徵值是否大於第二預設閾值並且小於第三預設閾值；如果所述微活動特徵值大於所述第二預設閾值並且小於第三預設閾值，確定所述用戶在所述設定時間周期內所述的微活動狀態為睡眠狀態下的微活動狀態；如果所述微活動小於所述第二預設閾值或者大於第三預設閾值，根據所述微活動特徵值確定所述用戶是否處於清醒狀態下的微活動或者可穿戴設備處於完全靜止的靜止狀態。
5.根據權利要求4所述的方法，其特徵在於，所述方法還包括：通過統計所述用戶在設定時間段內佩戴所述可穿戴設備時並且處於睡眠狀態時的微活動特徵值；根據所述睡眠狀態時的微活動特徵值確定所述第二預設閾值和所述第三預設閾值。
6.根據權利要求1所述的方法，其特徵在於，所述根據所述距離向量確定一個用於表示用戶活動量的活動向量，包括：對所述距離向量進行平移操作，得到平移後的第一設定個數的向量；分別提取所述距離向量與所述第一設定個數的向量的前第二設定個數的元素，得到第三設定個數的向量，所述第三設定個數為所述第一設定個數加1得到；對所述第三設定個數的向量求和，得到一個總向量；確定所述總向量的差分向量；確定所述總向量的差分向量的絕對值向量；將所述絕對值向量除以所述第三設定個數，得到活動向量。
7.一種監測微活動狀態的裝置，其特徵在於，所述裝置包括：第一確定模組，用於根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；第二確定模組，用於如果所述第一確定模組確定的所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；第三確定模組，用於根據所述第二確定模組確定的所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；第四確定模組，用於根據所述第三確定模組確定的所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態；所述第一確定模組包括：第三計算單元，用於計算所述多個軸向上的每一個軸向的加速度數據的歐式距離，得到所述設定時間周期內的距離向量；第四確定單元，用於根據所述第三計算單元確定的所述距離向量確定一個用於表示用戶活動量的活動向量；求和平方單元，用於對所述第四確定單元確定的所述活動向量進行求和的平方，除以2，得到用戶的活動量。
8.根據權利要求7所述的裝置，其特徵在於，所述第二確定模組包括：分割單元，用於將每一個軸向的加速度數據分割為M段，其中，M為正整數；第一計算單元，用於計算所述分割單元分割後的所述M段的每一段內的加速度數據的中值，得到在所述設定時間周期內的長度為M的中值向量；權重加和單元，用於對所述第一計算單元計算得到的所述中值向量的差分向量進行權重加和，得到每一軸向的軸向特徵值，其中，所述差分向量的長度為M-1。
9.根據權利要求7所述的裝置，其特徵在於，所述第三確定模組包括：第二計算單元，用於計算所述每一個軸向的軸向特徵值的和值，得到所述設定時間周期內的微活動特徵值。
10.根據權利要求7所述的裝置，其特徵在於，所述第四確定模組包括：第一確定單元，用於確定所述微活動特徵值是否大於第二預設閾值並且小於第三預設閾值；第二確定單元，用於如果所述第一確定單元確定所述微活動特徵值大於所述第二預設閾值並且小於第三預設閾值，確定所述用戶在所述設定時間周期內所述的微活動狀態為睡眠狀態下的微活動狀態；第三確定單元，用於如果所述第一確定單元確定所述微活動小於所述第二預設閾值或者大於第三預設閾值，根據所述微活動特徵值確定所述用戶是否處於清醒狀態下的微活動或者可穿戴設備處於完全靜止的靜止狀態。
11.根據權利要求10所述的裝置，其特徵在於，所述裝置還包括：統計模組，用於通過統計所述用戶在設定時間段內佩戴所述可穿戴設備時並且處於睡眠狀態時的微活動特徵值；第五確定模組，用於根據所述統計模組統計得到的所述睡眠狀態時的微活動特徵值確定所述第二預設閾值和所述第三預設閾值。
12.根據權利要求7所述的裝置，其特徵在於，所述第四確定單元包括：平移子單元，用於對所述距離向量進行平移操作，得到平移後的第一設定個數的向量；提取子單元，用於分別提取所述距離向量與所述平移子單元平移後的所述第一設定個數的向量的前第二設定個數的元素，得到第三設定個數的向量，所述第三設定個數為所述第一設定個數加1得到；求和子單元，用於對所述提取子單元得到的所述第三設定個數的向量求和，得到一個總向量；第一確定子單元，用於確定所述求和子單元得到的所述總向量的差分向量；第二確定子單元，用確定所述第一確定子單元確定的所述總向量的差分向量的絕對值向量；除法子單元，用將所述第二確定子單元確定的所述絕對值向量除以所述第三設定個數，得到活動向量。
13.一種可穿戴設備，其特徵在於，所述設備包括：處理器；用於存儲所述處理器可執行指令的存儲器；其中，所述處理器，被配置為：根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；如果所述活動量小於第一預設閾值，根據所述多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，所述第一預設閾值為大於0的正數；根據所述每一個軸向的軸向特徵值確定所述設定時間周期內的微活動特徵值；根據所述微活動特徵值確定所述用戶在所述設定時間周期內所處的微活動狀態；所述根據設定時間周期內採集的加速度數據確定用戶的活動量，包括：計算所述多個軸向上的每一個軸向的加速度數據的歐式距離，得到所述設定時間周期內的距離向量；根據所述距離向量確定一個用於表示用戶活動量的活動向量；對所述活動向量進行求和的平方，除以2，得到用戶的活動量。
實施方式
圖1A示出了根據《監測微活動狀態的方法、裝置及可穿戴設備》的一示例性實施例的監測微活動狀態的方法的流程示意圖，圖1B示出了根據該發明的一示例性實施例的清醒狀態下實時採集的加速度數據的示意圖，圖1C示出了根據該發明的一示例性實施例的睡眠狀態下實時採集的的加速度數據，圖1D示出了根據該發明的一示例性實施例的不佩戴可穿戴設備狀態下實時採集的加速度數據的示意圖，圖1E示出了根據該發明的一示例性實施例的活動量在清醒狀態、睡眠狀態、不佩戴可穿戴設備狀態的微活動特徵值的分布示意圖；如圖1A所示，包括如下步驟：
步驟101，根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量。
在一實施例中，設定時間周期可以為每分鐘或者每十秒鐘等設定時間間隔。在一實施例中，多個軸向的加速度數據可以為兩個以上軸向的加速度感測器採集得到多個軸向的加速度數據，例如，如圖1B至圖1D所示，橫軸表示採樣點，例如橫軸對應的“200”表示第200個採樣點，縱軸表示加速度數據的大小，其中，以三軸加速度感測器每分鐘1500個採樣點的加速度數據為例進行說明，標號11表示三軸加速度感測器在x軸方向的加速度數據，標號12表示三軸加速度感測器在y軸方向的加速度數據，標號13表示三軸加速度感測器在z軸方向的加速度數據，由圖1B至圖1D可知，在用戶處於清醒狀態、睡眠狀態以及不戴可穿戴設備狀態下，加速度數據的大小在三個軸向的幅值均較為平穩，因此2015年12月之前的技術並不能從加速度數據直觀的分辨上述三種狀態，進而使清醒狀態、不戴可穿戴設備狀態對用戶的睡眠狀態的監測形成干擾。為了區分上述三種狀態，該發明通過將多個軸向的加速度數據轉化為相應的活動量來判斷用戶的微活動狀態，根據加速度數據的相關歐式距離、平移、差分、求和、均值得到活動量，活動量的一個實現方式可以參見下述圖4A所示實施例。
步驟102，如果活動量小於第一預設閾值，根據多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，第一預設閾值為大於0的正數。
在一實施例中，由於用戶處於微活動狀態時的活動量基本上接近0，因此為了明顯區分微活動狀態下的活動量與用戶正常狀態的活動量的區別，第一預設閾值可以設定為一個較小的正數。在一實施例中，軸向特徵值可以通過下述圖2所示實施例得到。
步驟103，根據每一個軸向的軸向特徵值確定設定時間周期內的微活動特徵值。
在一實施例中，可以將多個軸向的每一個軸向的軸向特徵值計算和值，得到設定時間周期內的微活動特徵值，例如，將上述圖1B至圖1D所示的三個軸向的軸向特徵值相加，從而得到三個軸向的微活動特徵值。
步驟104，根據微活動特徵值確定用戶在設定時間周期內所處的微活動狀態。
在一實施例中，通過上述步驟對加速度數據的處理，可以使微活動特徵值在不同微活動狀態下具有不同的分布特徵，如圖1E所示，標號21表示用戶處於清醒狀態下的微活動特徵值，標號22表示用戶處於睡眠狀態下的微活動特徵值，標號23表示用戶在不戴可穿戴設備狀態下的微活動特徵值，通過圖1E可知，該發明通過微活動特徵值可以將上述三種狀態準確的進行區分。
由上述描述可知，該發明實施例通過上述步驟101-步驟104可以準確地識別用戶所處的微活動狀態，從而將用戶在睡前進行的一些如看書、玩手機等微活動或醒後的微活動與用戶處於睡眠狀態的微活動進行準確區分，通過實時監測用戶的微活動狀態可以更準確地判斷用戶的睡眠狀態，提高對用戶睡眠質量的監測的可信度。
圖2示出了根據該發明的又一示例性實施例的如何得到軸向特徵值的流程示意圖；如圖2所示，包括如下步驟：
步驟201，將每一個軸向的加速度數據分割為M段，其中，M為正整數。
步驟202，計算M段的每一段內的加速度數據的中值，得到在設定時間周期內的長度為M的中值向量。
步驟203，對中值向量的差分向量進行權重加和，得到每一軸向的軸向特徵值，其中，差分向量的長度為M-1。
例如，通過三軸加速度感測器採集到的在一分鐘內各自對應的x、y、z軸的1500個加速度數據，以x軸為例進行示例性說明，x軸的1500個加速度數據被分割為10段，每段有150個加速度數據。
計算x軸在一分鐘之內的10段中的每一段的150個加速度數據的中值，得到中值向量medianx＝[x1 ，x2 ，…，x10]，其中，x1，x2，x3，…，x10分別表示每一段內的150個加速度數據的中值，該中值可以通過對150個加速度數據進行求和後平均得到，同理可得y軸和z軸上的中值向量分別為mediany＝[y1 ，y2 ，...，y10]，medianz＝[z1 ，z2 ，...，z10]。
計算上述中值向量的差分向量diffx＝[x2-x1 ，x3-x2 ，… ，x10-x9]，同理可得y軸和z軸上的中值向量分別為diffy＝[y2-y1 ，y3-y2 ，… ，y10-y9]和diffz＝[z2-z1 ，z3-z2 ，… ，z10-z9]。
對上述得到的差分向量進行累加，以x軸的加速度數據為例，
對上述不同等級的累加和分配不同的權重係數w，得到x軸、y軸以及z軸向的軸向特徵值：
在一實施例中，權重係數w可以通過統計用戶在最初使用可穿戴設備的一段時間內（例如，使用可穿戴設備1個月之內）的使用習慣得到。
該實施例中，由於每一段內的加速度數據的中值可以較好的體現出用戶在微活動狀態時的正常表現，中值向量的差分向量可以表示相鄰兩個採樣點之間的差異，在差異足夠小的情形下，差分值接近0，通過該實施例對中值向量的差分向量進行權重加和後得到軸向特徵值，該軸向特徵值可以準確地表示用戶在該時間周期內的微活動狀態，從而可以通過軸向特徵值更好地監測用戶的微活動狀態。
圖3A示出了根據該發明的另一示例性實施例的監測微活動狀態的方法的流程示意圖，圖3B示出了根據該發明的另一示例性實施例的如何確定第二預設閾值的流程示意圖；如圖3A所示，包括如下步驟：
步驟301，根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量。
步驟302，如果活動量小於第一預設閾值，根據多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，第一預設閾值為大於0的正數。
步驟301和步驟302的相關描述可以參見上述圖1A或者圖2所示實施例的相關描述。
步驟303，計算每一個軸向的軸向特徵值的和值，得到設定時間周期內的微活動特徵值。
在一實施例中，可以對上述圖2所示實施例得到的x軸、y軸以及z軸向的軸向特徵值加和，得到微活動特徵值
。
步驟304，確定微活動特徵值是否大於第二預設閾值並且小於第三預設閾值，第三預設閾值大於第二預設閾值。
在一實施例中，第二預設閾值和第三預設閾值可以通過可穿戴設備提供商通過海量的用戶實際使用數據統計得到，並存儲到可穿戴設備中，在用戶使用可穿戴設備前的設定時間段內，可以通過下述圖3B對第二預設閾值與第三預設閾值進行更新，從而可以使第二預設閾值和第三預設閾值能夠更好地區分微活動狀態。
步驟305，如果微活動特徵值大於第二預設閾值並且小於第三預設閾值，確定用戶在設定時間周期內的微活動狀態為睡眠狀態下的微活動狀態。
如圖1E所示，標號21表示用戶處於清醒狀態下的微活動特徵值，標號22表示用戶處於睡眠狀態下的微活動特徵值，標號23表示用戶在不戴可穿戴設備狀態下的微活動特徵值，通過圖1E可知，通過圖1E所示的點畫線可限定一個區間範圍，其中，第二預設閾值對應下方的點畫線，第三預設閾值對應上方的點畫線，當微活動特徵值在第二預設閾值和第三預設閾值所限定的範圍內時，即可確定用戶在設定時間周期內的微活動狀態為睡眠狀態下的微活動狀態。
步驟306，如果微活動特徵值小於第二預設閾值或者大於第三預設閾值，根據微活動特徵值確定用戶是否處於清醒狀態下的微活動或者可穿戴設備處於完全靜止的靜止狀態。
通過圖1E可知，當微活動特徵值小於第二預設閾值時，對應的標號21，表示用戶處於清醒狀態下的微活動特徵值，當微活動特徵值大於第三預設閾值時，對應的標號23，表示用戶在不戴可穿戴設備狀態下的微活動特徵值。
為了使第二預設閾值和第三預設閾值能夠更好地表示用戶的使用習慣，該發明還可以對第二預設閾值和第三預設閾值根據用戶習慣進行更新，如圖3B所示，更新過程包括如下步驟：
步驟311，通過統計用戶在設定時間段內佩戴可穿戴設備時並且處於睡眠狀態時的微活動特徵值。
步驟312，根據睡眠狀態時的微活動特徵值確定第二預設閾值和第三預設閾值。
在一實施例中，以用戶開始註冊可穿戴設備對應的應用程式的時間點開始，在註冊時間點開始的設定時間段內（例如，一個月之內），對用戶在清醒狀態、不戴可穿戴設備狀態、睡眠狀態下的微活動特徵值進行統計，找到能夠區分三者的閾值，並更新到可穿戴設備上。
該實施例中，由於不同狀態的微活動特徵值相差較大，因此該實施例通過第二預設閾值和第三預設閾值可以對用戶使用可穿戴設備的狀態進行準確的區分，避免將清醒狀態的微活動以及不戴可穿戴設備狀態被統計到用戶的睡眠狀態，從而提高了睡眠狀態監測的準確度；此外，通過統計用戶的使用習慣統計得到第二預設閾值和第三預設閾值，可以使每個用戶的第二預設閾值和第三預設閾值互不相同，從而能夠根據第二預設閾值和第三預設閾值對不同用戶使用可穿戴設備的狀態進行很好的區分。
圖4A示出了根據該發明的再一示例性實施例的如何確定用戶的活動量的流程示意圖，圖4B示出了根據該發明的再一示例性實施例的步驟402的流程圖，圖4C示出了根據該發明的再一示例性實施例的活動量的示意圖；如圖4A所示，包括如下步驟：
步驟401，計算多個軸向上的加速度數據的歐式距離，得到設定時間周期內的距離向量。
在一實施例中，多個軸向上的加速度數據的歐氏距離可以通過三軸加速度感測器採集到的x、y、z的在一分鐘內各自對應的1500個加速度數據計算得到，例如，距離向量s＝[s1 ，s2 ，… ，sN]，其中，N為設定時間周期內的採樣點的個數，該實施例以N＝1500進行示例性說明。
步驟402，根據距離向量確定一個用於表示用戶活動量的活動向量。
在一實施例中，可以通過對距離向量進行平移等處理得到活動向量news＝[news1 ，news2 ，news3 ，news4]，具體的詳細描述可以參見圖4B的描述。
步驟403，對活動向量進行求和的平方，除以2，得到用戶的活動量。
在一實施例中，對上述步驟402得到的活動向量進行求和的平方，得到（news1+news2+news3+news4）2/2，由此得到用戶在該設定時間周期內的活動量。如圖4C所示，活動量所示的橫軸坐標表示時間，單位為分鐘，縱軸坐標表示活動量的強度值，在一些活動量為0的時間段內，可能為清醒狀態、不戴可穿戴設備狀態、睡眠狀態，因此通過上述圖1A或者圖3B通過對活動量為0或者接近0值的對應的狀態進行準確地區分。
如圖4B所示，步驟402可以通過如下流程實現：
步驟411，對距離向量進行平移操作，得到平移後的第一設定個數的向量。
在一實施例中，對距離向量s＝[s1 ，s2 ，… ，sN]進行平移的操作包括：距離向量s＝向左平移1位得到距離向量s1＝[s2 ，… ，sN ，s1]，距離向量s1向左平移1位得到距離向量s2＝[s3 ，… ，sN ，s1 ，s2]，距離向量s2向左平移1位s3＝[s4 ，… ，sN ，s1 ，s2 ，s3]。該實施例中的第一設定個數為3。
步驟412，分別提取距離向量與第一設定個數的向量的前第二設定個數的元素，得到第三設定個數的向量，第三設定個數為第一設定個數加1得到。
在一實施例中，分別提取距離向量s、s1、s2、s3的N-3維數據，得到4個N-3維的向量，分別為news1＝[s1 ，s2 ，…，sN-3]、news2＝[s2 ，…，sN-2]、news4＝[s4 ，…，sN]、news3＝[s3 ，…，sN-1]。該實施例中的第二設定個數為N-3，第三設定個數為4，本領域技術人員可以理解的是，上述N-3以及4等具體值並不能形成對該發明的限制。
步驟413，對第三設定個數的向量求和，得到一個總向量。
將上述4個N-3維的向量求和，得到總向量news＝news1+news2+news3+news4。
步驟414，確定總向量的差分向量。
步驟415，確定總向量的差分向量的絕對值向量。
在一實施例中，總向量的差分向量的描述可以參見上述中值向量的差分向量的相關描述，在此不再詳述。通過計算差分向量中的每一個元素的絕對值即可得到總向量的差分向量的絕對值向量。
步驟416，將絕對值向量除以第三設定個數，得到活動向量。
在一實施例中，將絕對值向量除以4，即可得到活動向量active。
該實施例中，針對採集得到的基於多個軸向的實時加速度數據，得到一個用於表示用戶用戶活動量的活動向量，進而得到用戶的活動量，從而使活動量的考量更完整、客觀。
該領域技術人員可以理解的是，該發明僅以三軸加速度感測器監測到的加速度數據來監測用戶的活動量為例進行示例性說明，該發明還可以使用更多軸或者兩軸的加速度感測器採集到的加速度數據得到活動量；對於上述實施例中涉及到的計算活動量所使用的歐式距離、平移、差分、求和、均值等步驟，該發明對各個步驟的處理順序不做限制；在微活動特徵值的提取過程中，所使用的中值、差分、累加和、權重等步驟，該發明對各個步驟的處理順序同樣不做限制。
對應於上述的監測微活動狀態的方法，該發明還提出了圖5所示的根據該發明的一示例性實施例的可穿戴設備的示意結構圖。參考圖5，在硬體層面，該可穿戴設備包括處理器、內部匯流排、網路接口、記憶體以及非易失性存儲器，當然還可能包括其他業務所需要的硬體。處理器從非易失性存儲器中讀取對應的電腦程式到記憶體中然後運行，在邏輯層面上形成監測微活動狀態的裝置。當然，除了軟體實現方式之外，該發明並不排除其他實現方式，比如邏輯器件抑或軟硬體結合的方式等等，也就是說以下處理流程的執行主體並不限定於各個邏輯單元，也可以是硬體或邏輯器件。
圖6為根據該發明的一示例性實施例的監測微活動狀態的裝置的結構示意圖；如圖6所示，該監測微活動狀態的裝置可以包括：第一確定模組61、第二確定模組62、第三確定模組63、第四確定模組64。其中：
第一確定模組61，用於根據設定時間周期內採集的多個軸向的加速度數據確定用戶的活動量；
第二確定模組62，用於如果第一確定模組61確定的活動量小於第一預設閾值，根據多個軸向的加速度數據確定每一個軸向的軸向特徵值，其中，第一預設閾值為大於0的正數；
第三確定模組63，用於根據第二確定模組62確定的每一個軸向的軸向特徵值確定設定時間周期內的微活動特徵值；
第四確定模組64，用於根據第三確定模組63確定的微活動特徵值確定用戶在設定時間周期內所處的微活動狀態。
圖7示出了根據該發明的又一示例性實施例的監測微活動狀態的裝置的結構示意圖；如圖7所示，在上述圖6所示實施例的基礎上，在一實施例中，第二確定模組62可包括： 分割單元621，用於將每一個軸向的加速度數據分割為M段，其中，M為正整數；
第一計算單元622，用於計算分割單元621分割後的M段的每一段內的加速度數據的中值，得到在設定時間周期內的長度為M的中值向量；
權重加和單元623，用於對第一計算單元622計算得到的中值向量的差分向量進行權重加和，得到每一軸向的軸向特徵值，其中，差分向量的長度為M-1。
在一實施例中，第三確定模組63可包括：
第二計算單元631，用於計算每一個軸向的軸向特徵值的和值，得到設定時間周期內的微活動特徵值。
在一實施例中，第四確定模組64可包括：
第一確定單元641，用於確定微活動特徵值是否大於第二預設閾值並且小於第三預設閾值；
第二確定單元642，用於如果第一確定單元641確定微活動特徵值大於第二預設閾值並且小於第三預設閾值，確定用戶在設定時間周期內的微活動狀態為睡眠狀態下的微活動狀態；
第三確定單元643，用於如果第一確定單元641確定微活動小於第二預設閾值或者大於第三預設閾值，根據微活動特徵值確定用戶是否處於清醒狀態下的微活動或者可穿戴設備處於完全靜止的靜止狀態。
在一實施例中，裝置還可包括：
統計模組65，用於通過統計用戶在設定時間段內佩戴可穿戴設備時並且處於睡眠狀態時的微活動特徵值；
第五確定模組66，用於根據統計模組65統計得到的睡眠狀態時的微活動特徵值確定第二預設閾值和第三預設閾值，以供第一確定單元641確定微活動特徵值是否大於第二預設閾值並且小於第三預設閾值。
圖8示出了根據該發明的另一示例性實施例的監測微活動狀態的裝置的結構示意圖；如圖8所示，在上述圖6和/或圖7所示實施例的基礎上，在一實施例中，第一確定模組61可包括：
第三計算單元611，用於計算多個軸向上的每一個軸向的加速度數據的歐式距離，得到設定時間周期內的距離向量；
第四確定單元612，用於根據第三計算單元611確定的距離向量確定一個用於表示用戶活動量的活動向量；
求和平方單元613，用於對第四確定單元612確定的活動向量進行求和的平方，除以2，得到用戶的活動量。
在一實施例中，第四確定單元612可包括：
平移子單元6121，用於對距離向量進行平移操作，得到平移後的第一設定個數的向量；
提取子單元6122，用於分別提取距離向量與平移子單元6121平移後的第一設定個數的向量的前第二設定個數的元素，得到第三設定個數的向量，第三設定個數為第一設定個數加1得到；
求和子單元6123，用於對提取子單元6122得到的第三設定個數的向量求和，得到一個總向量；
第一確定子單元6124，用於確定求和子單元6123得到的總向量的差分向量；
第二確定子單元6125，用確定第一確定子單元6121確定的總向量的差分向量的絕對值向量；
除法子單元6126，用將第二確定子單元6125確定的絕對值向量除以第三設定個數，得到活動向量。
榮譽表彰
2019年5月16日，《監測微活動狀態的方法、裝置及可穿戴設備》獲得安徽省第六屆專利獎金獎。
