[发明专利]步幅估计方法、装置、电子设备及存储介质

说明书

本公开提供了步幅估计方法、装置、电子设备及存储介质，涉及人工智能技术领域。具体实现方案为：确定用户运动过程中的惯性传感器特征；获取用户对应的步幅模型，其中，步幅模型根据历史时间分段内用户的运动记录序列训练得到，运动记录序列中各个速度信息之间的差值小于预设速度阈值；根据惯性传感器特征以及用户对应的步幅模型，确定用户的步幅。由此，通过变速过程中的运动记录序列，对步幅模型进行训练，进而，根据惯性传感器特征以及用户对应的步幅模型，获取的用户的步幅更加符合用户的跑步习惯，提高了步幅估计的准确度。

技术领域

本公开涉及人工智能技术领域，尤其涉及步幅估计方法、装置、电子设备及存储介质。

背景技术

当前一些智能运动手表、手环和运动应用中有一个核心功能就是估计用户的跑步距离，跑步距离的估计一般通过全球定位系统(Global Positioning System，简称GPS)测距实现。GPS测距在室外GPS信号良好时准确度较高，然而当用户在室内或者GPS信号质量差的场景下跑步时，GPS测距就变得不可靠。通过统计用户的步数再乘以用户的步幅进行估计就是其中一个较为可行的方法，通常步数估计得较为准确，所以关键是如何准确估计用户的步幅。

相关技术中，采用经验值进行步幅估计，比如，所有用户共用一个经验步幅，或者，根据用户的身高乘以一个经验系数来估计不同用户的步幅。由于每个人的跑步姿势不一样，即使相同身高的人步幅也很可能不一样，甚至还相差较大，导致步幅估计准确度较低。

发明内容

本公开提供了一种用于步幅估计方法、装置、电子设备及存储介质。

根据本公开的一方面，提供了一种步幅估计方法，包括：确定用户运动过程中的惯性传感器特征；获取所述用户对应的步幅模型，其中，所述步幅模型根据历史时间分段内所述用户的运动记录序列训练得到，所述运动记录序列中各个速度信息之间的差值小于预设速度阈值；根据所述惯性传感器特征以及所述用户对应的步幅模型，确定所述用户的步幅。

在本技术方案中，通过确定用户运动过程中的惯性传感器特征；获取用户对应的步幅模型，其中，步幅模型根据历史时间分段内用户的运动记录序列训练得到，运动记录序列中各个速度信息之间的差值小于预设速度阈值；根据惯性传感器特征以及所述用户对应的步幅模型，确定用户的步幅。由此，通过变速过程中的运动记录序列，对步幅模型进行训练，进而，根据惯性传感器特征以及用户对应的步幅模型，获取的用户的步幅更加符合用户的跑步习惯，提高了步幅估计的准确度。

可选地，所述确定用户运动过程中的惯性传感器特征，包括：确定用户运动过程中当前时间点以及之前预设时间段内的惯性传感器数据；根据所述预设时间段内的惯性传感器数据，确定所述惯性传感器特征。

可选地，所述惯性传感器数据包括：加速度数据和角速度数据；所述根据所述预设时间段内的惯性传感器数据，确定所述惯性传感器特征，包括：根据所述预设时间段内的加速度数据和角速度数据，以及预设的特征提取算法，确定所述惯性传感器特征；和/或，将所述预设时间段内的加速度数据和角速度数据，输入预设的特征提取模型，获取所述惯性传感器特征。

可选地，所述获取所述用户对应的步幅模型，包括：获取历史时间分段内所述用户的运动记录序列，其中，所述运动记录序列包括：所述历史时间分段内各个时间点的惯性传感器特征以及速度信息；所述惯性传感器特征包括步频特征；根据所述历史时间分段内各个时间点的惯性传感器特征以及速度信息，确定所述历史时间分段内的惯性传感器特征均值以及速度均值；根据所述惯性传感器特征均值中的步频特征均值以及所述速度均值，确定所述历史时间段内的步幅均值；以所述惯性传感器特征均值为输入，以所述步幅均值为输出，对预训练步幅模型进行训练，得到所述用户对应的步幅模型。

可选地，所述获取历史时间分段内所述用户的运动记录序列，包括：获取历史时间段内所述用户的运动记录序列；将历史时间段内所述用户的运动记录序列中的惯性传感器特征，输入预设的分段模型，获取至少一个历史时间分段。