抬腕识别方法、装置及设备，模型训练方法及存储介质与流程

本技术涉及穿戴设备领域，具体而言，涉及一种抬腕识别方法、装置及设备，模型训练方法及存储介质。

背景技术：

1、如手表、手环、腕带等穿戴于腕部的电子产品上会配置抬腕亮屏功能，电子产品在正常状态下处于熄屏状态，在用户抬腕时亮屏，从而提供用户看电子产品的便捷性，以及提高电子产品的续航能力。

2、目前，在实现抬腕亮屏时，通常会在电子产品内部设置传感器，当传感器采集腕部的运动数据在预设阈值范围内时，则判定用户执行抬腕动作，并进行亮屏。

3、然而，不同用户的习惯可能不同，抬腕动作时的动作特征可能不同，导致抬腕时的运动参数可能存在较大差异，使得对不同用户抬腕动作的识别准确性较低，通常需由用户自行校正预设阈值范围，例如，用户需控制电子产品进入校正功能，并执行多次不同和相同的抬腕动作，以不断调整预设阈值范围，直至达到用户满意的结果。显然，该方式需要用户多次反复进行操作，操作复杂，影响用户体验。

技术实现思路

1、有鉴于此，本技术旨在提供一种抬腕识别方法、装置及设备，模型训练方法及存储介质，以对不同用户的抬腕动作均有较高的识别准确性。

2、第一方面，本技术实施例提供一种抬腕识别方法，包括：获取腕部数据集；所述腕部数据集包括多个采集周期采集的腕部运动数据；将所述腕部数据集输入预设的抬腕识别模型，得到所述抬腕识别模型输出的对所述腕部数据集的抬腕识别结果；所述抬腕识别模型基于正样本集合和负样本集合训练得到；所述正样本集合中包括不同用户的不同抬腕动作的腕部运动数据；所述负样本集合中包括不同用户的不同非抬腕动作的腕部运动数据。

3、本技术实施例中，正样本集合中包括不同用户的不同抬腕动作的腕部运动数据，负样本集合中包括不同用户的不同非抬腕动作的腕部运动数据，由于抬腕识别模型由正样本集合和负样本集合训练得到，则抬腕识别模型对不同用户的抬腕动作和非抬腕动作均可以进行识别，且由于抬腕识别模型是训练完成的，其对抬腕动作具有较高的识别准确性。由此，用户拿到采用有本技术实施例的方案的电子产品即可使用，无需用户进行调整操作，提升了用户体验。

4、一实施例中，将所述腕部数据集输入预设的抬腕识别模型之前，所述方法还包括：过滤所述腕部数据集中非抬腕动作的腕部动作数据；对应的，将所述腕部数据集输入预设的抬腕识别模型包括：将过滤后的所述腕部数据集输入所述抬腕识别模型。

5、本技术实施例中，对腕部数据集中明显的非抬腕动作进行过滤，可以减少腕部数据集的数据量，从而减少抬腕识别模型的计算量，进而降低抬腕识别模型的功耗。

6、一实施例中，所述腕部运动数据包括腕部的三轴加速度；过滤所述腕部数据集中非抬腕动作的数据，包括：基于各采集周期对应的三轴加速度分别确定各采集周期对应的加速度强度矢量；将任意相邻采集周期的加速度强度矢量进行对比，在所述相邻采集周期中的在后采样周期的加速度强度矢量与在先采样周期的加速度强度矢量之差大于预设阈值的情况下，确定所述在后采样周期为目标采样周期；基于所述目标采样周期对所述腕部数据集进行过滤。

7、本技术实施例中，加速度强度矢量可以反应动作的发生幅度，当在相邻采集周期中的在后采样周期的加速度强度矢量与在先采样周期的加速度强度矢量之差大于预设阈值，则表征此时腕部动作较大，可能是抬腕的特征，由此，可以将此采样周期确定为目标采样周期并进行过滤，将可能是抬腕动作的数据输入至抬腕识别模型识别。由此通过确定目标采样周期，可以将明显不是抬腕的腕部运动参数排除，减少抬腕识别模型的计算量，从而执行抬腕识别方法所需的功耗。

8、一实施例中，基于所述目标采样周期对所述腕部数据集进行过滤，包括：保留所述腕部数据集中所述目标采样周期内的三轴加速度以及所述目标采样周期之后预设时长内的三轴加速度。

9、单次采样可能不足以涵盖整个抬腕动作，且单次采样的数据量较少，可能使得抬腕识别模型无法准确识别，本技术实施例中，保留腕部数据集中目标采样周期内的三轴加速度以及目标采样周期之后预设时长内的三轴加速度，可以使得所保留的数据可以涵盖整个抬腕动作，且可以保留足够的数据，以使得抬腕识别模型能够基于足够的数据得到较为准确的抬腕识别结果。

10、一实施例中，所述抬腕识别模型被配置为计算所述三轴加速度的特征参数，并基于所述特征参数识别过滤后所述腕部数据集中的抬腕动作；所述特征参数包括俯仰角正弦值之差、侧偏角正弦值之差、旋转角正弦值之差和区域加速度强度之差；所述俯仰角正弦值之差为目标起始时刻的三轴加速度对应的俯仰角正弦值和目标结束时刻的三轴加速度对应的俯仰角二者之差；所述目标起始时刻为目标采样周期的起始时刻，所述目标结束时刻为所述预设时长的结束时刻；所述侧偏角正弦值之差为所述目标起始时刻的三轴加速度对应的侧偏角正弦值和所述目标结束时刻的三轴加速度对应的侧偏角二者之差；所述旋转角正弦值之差为所述目标起始时刻的三轴加速度对应的旋转角正弦值和所述目标结束时刻的三轴加速度对应的旋转角二者之差；所述区域加速度之差为所述目标起始时刻的三轴加速度对应的区域加速度强度和所述目标结束时刻的三轴加速度对应的区域加速度强度二者之差。

11、本技术实施例中，选用俯仰角正弦值之差、侧偏角正弦值之差、旋转角正弦值之差，首先，正弦值相较于俯仰角、侧偏角和旋转角这些角度，更易通过三轴加速度计算得到，可以降低计算功耗。接着，正弦值与角度相关，同样可以表征角度，而抬腕动作与俯仰角、侧偏角和旋转角这些角度密切相关，则通过正弦值识别抬腕动作能够具有较高的准确性。最后，选用目标起始时刻和目标结束时刻的角度正弦值之差，目标起始时刻和目标结束时刻的数据已经足以表征动作开始和结束，可以简化两时刻中间的数据计算，减少功耗。综上，利用俯仰角正弦值之差、侧偏角正弦值之差、旋转角正弦值之差可以降低抬腕识别模型的功耗与提高抬腕动作的识别准确性。同理，抬腕动作与区域加速度强度相关，使用目标起始时刻和目标结束时刻的区域加速度之差为特征参数，可以降低功耗与提高抬腕动作的识别准确性。

12、一实施例中，所述抬腕识别模型为逻辑回归模型。

13、本技术实施例中，逻辑回归模型为一种较为实用的模型，在较多场景均有使用，可以降低抬腕识别模型的构建的难度与成本。同时，逻辑回归模型为一种二分类模型，计算量较小，可以减少抬腕动作识别的计算量。

14、一实施例中，所述得到所述抬腕识别模型输出的对所述腕部数据集的抬腕识别结果之后，所述方法还包括：若所述抬腕识别结果表征存在所述抬腕动作，则控制屏幕显示。

15、本技术实施例中，抬腕识别结果具有较高的准确性，利用抬腕识别结果控制屏幕显示，可以减少错误识别抬腕动作而显示屏幕的情况发生，减少屏幕功耗。

16、第二方面，本技术实施例提供一种抬腕识别装置，包括：获取模块，用于获取腕部数据集；所述腕部数据集包括多个采集周期采集的腕部运动数据；识别模块，用于将所述腕部数据集输入预设的抬腕识别模型，得到所述抬腕识别模型输出的对所述腕部数据集的抬腕识别结果；所述抬腕识别模型基于正样本集合和负样本集合训练得到；所述正样本集合中包括不同用户的不同抬腕动作的腕部运动数据；所述负样本集合中包括不同用户的不同非抬腕动作的腕部运动数据。

17、第三方面，本技术实施例提供一种可穿戴设备，包括：传感器，用于基于预设频率采集腕部运动数据，得到腕部数据集；处理器，与所述传感器连接，用于执行如第一方面任一项所述的抬腕识别方法。

18、第四方面，本技术实施例提供一种抬腕识别模型训练方法，包括：抬腕训练数据集输入预先构建的抬腕识别模型中，得到训练识别结果；所述抬腕训练数据集包括正样本集合和负样本集合，所述正样本集合中包括不同用户的不同抬腕动作的腕部运动数据；所述负样本集合中包括不同用户的不同非抬腕动作的腕部运动数据；基于所述训练识别结果调整所述抬腕识别模型的参数；在所述逻辑回归模型的输出结果满足预设训练结束条件时，确定所述抬腕识别模型训练完成。

19、第五方面，本技术实施例体提供一种存储介质，包括：存储介质，所述存储介质中存储有指令，所述指令可被一个或多个处理器执行，以实现如第一方面任一项所述的抬腕识别方法或如第四方面所述的抬腕识别模型训练方法。