阅读说明：本技术 一种基于三轴加速度计的人体运动状态检测方法及装置 (Human motion state detection method and device based on three-axis accelerometer ) 是由 骆昭阳 于 2020-06-22 设计创作，主要内容包括：本发明公开了一种基于三轴加速度计的人体运动状态检测方法及装置,所述方法包括：在预设采样时间周期内,根据采样频率采集三轴加速度计的三个轴向的加速度值,计算三个轴向的合加速度值,得到合加速度值的采样数据曲线；对所述合加速度值的采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；采用峰值检测法确定所述合加速度值的采样数据曲线中的计步波峰后进行数据分析,判断是否符合预设的状态条件,从而判定当前用户的运动状态。本发明通过取三个轴向的矢量和进行滤波处理,使得检测数据更连续平滑,并基于一段时间内的历史数据对数据进行分析,降低运动状态的误判率,提高自动检测人体运动状态的准确性和可靠性。(The invention discloses a human motion state detection method and a human motion state detection device based on a triaxial accelerometer, wherein the method comprises the following steps: acquiring acceleration values of three axial directions of a three-axis accelerometer according to sampling frequency in a preset sampling time period, and calculating the total acceleration values of the three axial directions to obtain a sampling data curve of the total acceleration values; sequentially performing first-order low-pass filtering processing and a plurality of times of moving average filtering processing on the sampled data curve of the combined acceleration value; and determining the step-counting peak in the sampled data curve of the combined acceleration value by adopting a peak value detection method, then carrying out data analysis, and judging whether the preset state condition is met or not, thereby judging the motion state of the current user. According to the invention, the three axial vectors are taken and filtered, so that the detected data are more continuous and smooth, and the data are analyzed based on the historical data in a period of time, thereby reducing the misjudgment rate of the motion state and improving the accuracy and reliability of automatically detecting the motion state of the human body.)

一种基于三轴加速度计的人体运动状态检测方法及装置

技术领域

本发明涉及人体运动状态检测技术领域，尤其是涉及一种基于三轴加速度计的人体运动状态检测方法及装置。

背景技术

现在生活节奏的加快，很多人渐渐的忽视了自己的健康管理。为了鼓励人们出行多走动，很多电子产品上都支持计步功能，方便人们监测自己每天的运动量。目前已经出现了多种统计用户自己步行情况的技术，但其统计的准确度大都不尽如人意。另外，在统计用户步行情况的同时，一些电子产品还能同时检测用户的运动状态，检测用户当前是在正常步行或奔跑，从而进一步监测和分析用户的运动量。

但是，在对现有技术的研究与实践过程中，本发明的发明人发现，目前技术主要通过获取加速度传感器三个轴向的加速度来进行判定用户的运动状态，但该方式存在如下缺陷：在多个不同的场景下，获取到的三个轴向的加速度值有较大区别且无规律可寻，容易出现误判和漏判的情况；并且加速度数据较为离散，带有较多的噪声，容易影响后续的判断计算以及其准确性；判定条件过于简单和片面，容易出现误判以及准确性低下的问题。因此，亟需一种能够克服上述缺陷的人体运动状态检测方法。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于三轴加速度计的人体运动状态检测方法及装置，能够有效识别当前用户的运动状态。

为解决上述问题，本发明的一个实施例提供一种基于三轴加速度计的人体运动状态检测方法，至少包括如下步骤：

在预设采样时间周期内，根据第一采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第一采样数据曲线；

对所述合加速度值的第一采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第一采样数据曲线中的计步波峰后进行数据分析；

若所述合加速度值的第一采样数据曲线符合第一状态条件，则判定当前处于奔跑状态。

作为优选方案，所述基于三轴加速度计的人体运动状态检测方法，还包括：

在预设采样时间周期内，根据第二采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第二采样数据曲线；

则，对所述合加速度值的第二采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第二采样数据曲线中的计步波峰后进行数据分析；

若所述合加速度值的第二采样数据曲线符合第二状态条件，则判定当前处于步行状态。

作为优选方案，所述第一状态条件，具体为：

所述加速度值的第一采样数据曲线中的计步波峰值均大于其前后两个采样点的峰值，且大于设置的第一峰值；

所述计步波峰点和上一个波峰点的时间差小于设置的第一阈值。

作为优选方案，所述第二状态条件，具体为：

所述加速度值的第二采样数据曲线中的计步波峰值均大于其前后两个采样点的峰值，且大于设置的第二峰值；

所述计步波峰点和上一个波峰点的时间差小于设置的第二阈值，且大于设置的第一阈值。

本发明的一个实施例还提供了一种基于三轴加速度计的人体运动状态检测装置，包括：

数据采样模块，在预设采样时间周期内，根据第一采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第一采样数据曲线；

滤波处理模块，用于对所述合加速度值的第一采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

数据分析模块，用于在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第一采样数据曲线中的计步波峰后进行数据分析；

奔跑状态判定模块，用于若所述合加速度值的第一采样数据曲线符合第一状态条件，则判定当前处于奔跑状态。

作为优选方案，所述数据采样模块，还用于在预设采样时间周期内，根据第二采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第二采样数据曲线。

作为优选方案，所述滤波处理模块，还用于对所述合加速度值的第二采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

所述数据分析模块，还用于采用峰值检测法确定所述合加速度值的第二采样数据曲线中的计步波峰后进行数据分析。

作为优选方案，所述基于三轴加速度计的人体运动状态检测装置，还包括：

步行状态判定模块，用于若所述合加速度值的第二采样数据曲线符合第二状态条件，则判定当前处于步行状态。

本发明的一个实施例提供了一种基于三轴加速度计的人体运动状态检测的终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于三轴加速度计的人体运动状态检测方法。

本发明的一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于三轴加速度计的人体运动状态检测方法。

实施本发明实施例，具有以下有益效果：

本发明实施例提供的一种基于三轴加速度计的人体运动状态检测方法及装置，所述方法包括：在预设采样时间周期内，根据采样频率采集三轴加速度计的三个轴向的加速度值，计算三个轴向的合加速度值，得到合加速度值的采样数据曲线；对所述合加速度值的采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；采用峰值检测法确定所述合加速度值的采样数据曲线中的计步波峰后进行数据分析，判断是否符合预设的状态条件，从而判定当前用户的运动状态。

与现有技术相比，本发明实施例通过取三个轴向的矢量和进行数据分析，直接反应用户运动方向上的运动状态，通过取三个轴向的矢量和进行滤波处理，使得检测数据更连续平滑，并基于一段时间内的历史数据对数据进行分析，降低运动状态的误判率，提高自动检测人体运动状态的准确性和可靠性。

附图说明

图1为本发明第一实施例提供的一种基于三轴加速度计的人体运动状态检测方法的流程示意图；

图2为本发明第二实施例提供的另一种基于三轴加速度计的人体运动状态检测方法的流程示意图；

图3为本发明第三实施例提供的一种基于三轴加速度计的人体运动状态检测装置的结构示意图；

图4为本发明第三实施例提供的另一种基于三轴加速度计的人体运动状态检测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

首先介绍本发明可以提供的应用场景，如对用户当前的运动状态进行检测。

本发明第一实施例：

请参阅图1。

如图1所示，本实施例提供了一种基于三轴加速度计的人体运动状态检测方法，至少包括如下步骤：

S101、在预设采样时间周期内，根据第一采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第一采样数据曲线；

具体的，对于步骤S101，当设备放置在手中时，加速度计3个坐标轴方向x、y、z分别对应于右侧向、前向、竖直向上。静止时，x、y、Z轴向的重力加速度大小分别为0.0m/s²，0.0m/m/s²，9.8m/m/s²。人在行走时3个方向上的加速度变化情况为Z轴竖直方向加速度有明显上下波动。前后方向和左右方向的加速度波动周期没有竖直方向上波动明显。

为降低设备摆放位置对结果的影响，采用3个轴向加速度的合加速度.求三轴加速度的合加速度：

其中，A_x、A_y、A_z分别为手机三轴的加速度值，A为合加速度向量。当人体慢步走动时，人体的加速度矢量较小。当人体快步跑动时，人体的加速度矢量较大。可以通过设置阈值来判断人体是走动或者跑动的状态。需要说明的是，本实施例中加速度计采样频率设为50Hz。

S102、对所述合加速度值的第一采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

具体的，对于步骤S102，对原始加速度采样值进行2次处理，包括一阶低通滤波处理和滑动平均滤波处理。

z(n)＝(1-a)z(n-1)+ax(n) (2)

其中，公式(2)为一阶低通滤波公式，a为滤波系数，x(n)为本次采样值，z(n-1)为前一时刻低通滤波输出值，z(n)为当前时刻低通滤波输出值，y_(n)为滑动滤波输出值。一阶低通滤波法采用本次采样值与上次滤波输出值进行加权，得到有效滤波值，使得输出对输入有反馈作用。

公式(3)为滑动平均滤波公式，该公式的表示意义如下：比如有原始数据a1、a2、a3，新加入数据a4，则a4＝(a2+a3+a4)/3。再加入数据a5，则a5＝(a3+a4+a5)/3，以此类推。其中公式中的N表示滤波窗口长度。该公式表示含义为新加入的数据，要和之前的历史数据做平均处理。

具体的，本实施例通过低通滤波处理滤除由于加速度传感器硬件本身产生的一些干扰，滑动平均滤波处理滤除一些伪波峰，可选用FIR滤波器。在本实施中采用窗函数法设计FIR滤波器。窗函数采用矩形窗，设计的滤波器通带平坦，过渡带窄，有很好的滤波性能。对步行阶段的采样点进行截取，经过低通滤波和二次滤波后，波形较原始波形更为平滑，同时由于身体抖动产生的伪波峰大为减少。

S103、在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第一采样数据曲线中的计步波峰后进行数据分析；

具体的，对于步骤S103，通过峰值检测法的关键在于准确地确定一个计步波峰，本实施例中通过多次滤波，使波形变得更平滑，较大的伪波峰大多被滤除掉了。此外，通过设定波峰阈值以及相邻峰值的时间差阈值来确定一次计步。正常人跑步的频率大约50Hz，因此本文中时间差阈值取0.02s。

S104、若所述合加速度值的第一采样数据曲线符合第一状态条件，则判定当前处于奔跑状态。

作为优选方案，所述第一状态条件，具体为：

所述加速度值的第一采样数据曲线中的计步波峰值均大于其前后两个采样点的峰值，且大于设置的第一峰值；

所述计步波峰点和上一个波峰点的时间差小于设置的第一阈值。

具体的，对于步骤S104，所述第一阈值t1<0.02s；当数据满足第一状态条件时，可认为处于运动状态。并当波峰的大小大于阈值，且波峰的周期在一定范围内时，即可认为处于奔跑状态。

由式(2)和式(3)得出多次滤波输出和采样输入的最终关系式：

y(n-1)-y(n-2)>0 (4)

y(n-1)-y(n)>0 (5)

T_(n-1)-T_L>Tm (6)

其中，x(n-i)为采样输入值，y(n)为多次滤波的输出值，a_i为多次滤波的系数，y(n-2)，y(n-1)，y(n)为连续3个滤波输出，T_(n-1)为y(n-1)对应的采样时间，T_L为上一个波峰对应的采样时间，Tm为两个波峰之间的最小时间差，即时间差阈值，本文采用20ms。如果满足公式(4-6)，且加速度矢量较大，则认为处于奔跑状态。

公式(4)中y(n-1)表示上一个采样点的幅值，y(n-2)表示上上个采样点的幅值。公式(4)的含义即上一个采样点的幅值大于上上个采样点的幅值。

公式(5)中y(n)表示当前采样点的幅值，y(n-1)表示上一个采样点的幅值。公式(5)的含义即上一个采样点的幅值大于当前采样点的幅值。

公式(6)中T_(n-1)为y(n-1)对应的采样时间，T_L为上一个波峰对应的采样时间，Tm为两个波峰之间的最小时间差，即时间差阈值。表示的意义即上一个采样点，经过公式(4)和(5)确认，大于上一个和下一个点，认为是一个波峰点。该波峰点和上一个波峰点的时间差，需要小于设置的阈值，即频率够高周期够短，才认为是奔跑。

在具体的实施例中，当设备放在口袋或别在腰上，人走动或者跑动重心会有规律性的上下变动，反映在加速度上就是类似正弦波。当设备握在手上，人走动或跑动，手柄正常都会周期性的规律摆动，反映在加速度上就是类似正弦波。所以当加速的数据满足正弦波的规律，并且幅度和周期都在一定范围内，即可认为是在跑步了。

在本实施例中，加速度矢量数据在实际使用之前，需要经过滤波算法处理。经过滤波处理后，数据的变化幅度会被压缩，采用不同的滤波算法，数据变化幅度被压缩的程度也不一样，所以没有固定的阈值范围，需要根据使用的滤波算法，设置相对的阈值范围。

而波峰周期的阈值跟采样频率有关，本实施例采用的是50Hz的采样频率，即每秒采50个点，则每个点的时间间隔是20毫秒。因此，周期在30个采样点以内，即周期在600毫秒以内，本实施例则判定当前用户处于奔跑状态。注意周期不是个固定值，有的传感器支持更高的采样频率，那每秒能采到的数据点就更多，对应的周期范围也要变大，因为每个点表示的实际时间变小了。

并且，当设备放置在身上时，波峰与脚蹬地的用力程度呈正相关，跑的越快脚蹬地越用力，波峰值越大。波峰的周期和步频呈正先关，步频越快，重点的变化频率越快，直接反应在加速度值上，就是波峰的周期变窄。

而当设备握在手上时，波峰与摆臂的用力程度呈正相关，跑的越快摆臂越用力，波峰值越大。波峰的周期和摆臂的频率呈正相关，摆臂频率越高，波峰的周期也就越窄。

需要说明的是，由于在实际的检测过程中不可避免偶尔还是会有毛刺出现。为了避免误判，该数据的前若干个点都处于上升状态时，且后若干个点都处于下降时，才认为是波峰，否则忽略。

而波峰的阈值以及波峰的周期范围，则通过不同的人进行较大数据量的统计得出，此处不再赘述。

本实施例提供的一种基于三轴加速度计的人体运动状态检测方法，至少包括如下步骤：在预设采样时间周期内，根据第一采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第一采样数据曲线；对所述合加速度值的第一采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第一采样数据曲线中的计步波峰后进行数据分析；若所述合加速度值的第一采样数据曲线符合第一状态条件，则判定当前处于奔跑状态。

与现有技术相比，本实施例具有以下有益效果：

(1)通过取三个轴向的矢量和分析，直接且有规律反映运动方向上的运动状态，更为直观检测当前运动状态，避免出现误判和漏判的情形；

(2)通过对计算出来的矢量和进行滤波处理，使得检测数据更为连续平滑，减少离散数据的噪声，从而避免影响后续的运动状态的判断及其准确性；

(3)本方案着眼于一段时间内的历史数据，并对数据进行分析。当这段历史数据满足奔跑的运动曲线，才会认为是奔跑事件，降低误判率。

本发明第二实施例：

请参阅图2。

如图2所示，本实施例提供了另一种基于三轴加速度计的人体运动状态检测方法，包括：

S201、在预设采样时间周期内，根据第二采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第二采样数据曲线；

具体的，对于步骤S201，为降低设备摆放位置对结果的影响，采用3个轴向加速度的合加速度.求三轴加速度的合加速度；当人体慢步走动时，人体的加速度矢量较小。当人体快步跑动时，人体的加速度矢量较大。可以通过设置阈值来判断人体是走动或者跑动的状态。需要说明的是，本实施例中中加速度计采样频率设为20Hz。

S202、则，对所述合加速度值的第二采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

具体的，对于步骤S202，对原始加速度采样值进行2次处理，包括一阶低通滤波处理和滑动平均滤波处理。通过低通滤波处理滤除由于加速度传感器硬件本身产生的一些干扰，滑动平均滤波处理滤除一些伪波峰，可选用FIR滤波器。在本实施中采用窗函数法设计FIR滤波器。对步行阶段的采样点进行截取，经过低通滤波和二次滤波后，波形较原始波形更为平滑，同时由于身体抖动产生的伪波峰大为减少。

S203、在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第二采样数据曲线中的计步波峰后进行数据分析；

具体的，对于步骤S203，通过峰值检测法准确地确定一个计步波峰，本文进行多次滤波，使波形变得更平滑，较大的伪波峰大多被滤除掉了。此外，通过设定波峰阈值以及相邻峰值的时间差阈值来确定一次计步。正常人步行的频率大约20Hz，因此本实施例中时间差阈值取0.05s。

S204、若所述合加速度值的第二采样数据曲线符合第二状态条件，则判定当前处于步行状态。

作为优选方案，所述第二状态条件，具体为：

所述加速度值的第二采样数据曲线中的计步波峰值均大于其前后两个采样点的峰值，且大于设置的第二峰值；

所述计步波峰点和上一个波峰点的时间差小于设置的第二阈值，且大于设置的第一阈值。

具体的，对于步骤S204，所述第二阈值t2的判定条件为0.02s<t2<0.05s；当数据满足第二状态条件时，并当波峰的大小大于阈值，且波峰的周期在一定范围内时，即可认为处于行走状态。

由式(2)和式(3)得出多次滤波输出和采样输入的最终关系式：

y(n-1)-y(n-2)>0 (4)

y(n-1)-y(n)>0 (5)

T_(n-1)-T_L＞Tm (6)

其中，x(n-i)为采样输入值，y(n)为多次滤波的输出值，a_i为多次滤波的系数，y(n-2)，y(n-1)，y(n)为连续3个滤波输出，T_(n-1)为y(n-1)对应的采样时间，T_L为上一个波峰对应的采样时间，Tm为两个波峰之间的最小时间差，即时间差阈值，本文采用20ms。如果满足公式(4-6)，且加速度矢量较大，则认为处于步行状态，波峰的个数即为行走的步数。

在本实施例中，加速度矢量数据在实际使用之前，需要经过滤波算法处理。经过滤波处理后，数据的变化幅度会被压缩。采用不同的滤波算法，数据变化幅度被压缩的程度也不一样，所以没有固定的阈值范围，需要根据使用的滤波算法，设置相对的阈值范围。

波峰周期的阈值跟采样频率有关，本实施例采用的是20Hz的采样频率，即每秒采20个点，则每个点的时间间隔是50毫秒。因此，周期在6-16个采样点以内，即周期在300-800毫秒以内，本实施例则判定为处于步行状态。需要注意的是，周期不是个固定值，有的传感器支持更高的采样频率，那每秒能采到的数据点就更多，对应的周期范围也要变大，因为每个点表示的实际时间变小了。

当设备放置在身上时，波峰与脚蹬地的用力程度呈正相关，走的越快脚蹬地越用力，波峰值越大。波峰的周期和步频呈正先关，步频越快，重点的变化频率越快，直接反应在加速度值上，就是波峰的周期变窄。

当设备握在手上时，波峰与摆臂的用力程度呈正相关，走的越快摆臂越用力，波峰值越大。波峰的周期和摆臂的频率呈正相关，摆臂频率越高，波峰的周期也就越窄。

需要说明的是，由于在实际的检测过程中不可避免偶尔还是会有毛刺出现。为了避免误判，该数据的前若干个点都处于上升状态时，且后若干个点都处于下降时，才认为是波峰，否则忽略。

而波峰的阈值以及波峰的周期范围，则通过不同的人进行较大数据量的统计得出，此处不再赘述。

本实施例提供的另一种基于三轴加速度计的人体运动状态检测方法，包括：在预设采样时间周期内，根据第二采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第二采样数据曲线；则，对所述合加速度值的第二采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第二采样数据曲线中的计步波峰后进行数据分析；若所述合加速度值的第二采样数据曲线符合第二状态条件，则判定当前处于步行状态。

与现有技术相比，本实施例具有以下有益效果：

(1)通过取三个轴向的矢量和分析，直接且有规律反映运动方向上的运动状态，更为直观检测当前运动状态，避免出现误判和漏判的情形；

(2)通过对计算出来的矢量和进行滤波处理，使得检测数据更为连续平滑，减少离散数据的噪声，从而避免影响后续的运动状态的判断及其准确性；

(3)本方案着眼于一段时间内的历史数据，并对数据进行分析。当这段历史数据满足奔跑的运动曲线，才会认为是步行事件，降低误判率。

本发明第三实施例：

请参阅图3-4。

如图3所示，本实施例提供了一种基于三轴加速度计的人体运动状态检测装置，包括：

数据采样模块100，在预设采样时间周期内，根据第一采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第一采样数据曲线；

滤波处理模块200，用于对所述合加速度值的第一采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

数据分析模块300，用于在完成上述滤波处理后，采用峰值检测法确定所述合加速度值的第一采样数据曲线中的计步波峰后进行数据分析；

奔跑状态判定模块400，用于若所述合加速度值的第一采样数据曲线符合第一状态条件，则判定当前处于奔跑状态。

在优选的实施例中，所述数据采样模块100，还用于在预设采样时间周期内，根据第二采样频率采集三轴加速度计的三个轴向的加速度值，并计算三个轴向的合加速度值，得到合加速度值的第二采样数据曲线。

在优选的实施例中，所述滤波处理模块200，还用于对所述合加速度值的第二采样数据曲线先后进行一阶低通滤波处理和若干次滑动平均滤波处理；

所述数据分析模块300，还用于采用峰值检测法确定所述合加速度值的第二采样数据曲线中的计步波峰后进行数据分析。

在优选的实施例中，如图4所示，所述基于三轴加速度计的人体运动状态检测装置，还包括：

步行状态判定模块500，用于若所述合加速度值的第二采样数据曲线符合第二状态条件，则判定当前处于步行状态。

本发明的一个实施例提供了一种基于三轴加速度计的人体运动状态检测的终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于三轴加速度计的人体运动状态检测方法。

本发明的一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于三轴加速度计的人体运动状态检测方法。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。