智能手表交互设计及其运动适应性研究

发布时间：2020-10-28 04:29

　　 随着可穿戴设备技术的发展,在运动环境下使用智能设备的情景变得愈加频繁。智能手表是当前市场占有量最大的可穿戴设备,但人们如何在运动环境下与它进行交互,以及交互又会如何影响人们的运动行为,这一重要问题始终未能得到解决。本研究有三个目的:(1)探究运动环境下智能手表的何种信息呈现方式更适用;(2)探究运动状态如何影响用户与智能手表的交互操作;(3)探究交互行为如何对运动行为产生影响。本研究通过实验方法进行探究,共分为三个阶段:(1)基于对智能手表菜单结构、布局及形式的研究,本文探究了菜单信息量和信息密度对用户表现和感受的影响;(2)基于以上较全面的菜单设计研究成果,本文进一步探究了不同运动状态下菜单导航界面呈现对用户表现及感受的影响;(3)为更深入分析真实运动环境下进行智能手表基本交互操作的情况,本文基于步态研究对站立、慢走、正常走、快走、慢跑五种运动状态与界面操作和手势操作的影响进行探究。研究中共招募了15名老年人和51名年轻人被试。智能手表及手机端的原型均采用Android/Java开发,以自动捕捉使用者的各类界面操作。关于菜单的信息量和信息密度的研究表明:智能手表上有越少的图标总数量越好(例如:8图标数量),此时每页4或8图标的信息密度较为适宜。如果图标总数数量较大(例如:24、48个图标)则信息密度可采用每页4图标的设计。关于运动状态与导航界面呈现的研究表明:当被试完成日常任务时,行走中智能手表的使用与坐着使用是基本相同的。在跑步中使用智能手表会降低操作有效性、用户感知易用性、感知可用性、和流体验,同时会增加认知负荷。通过采用静态导航辅助和动态导航辅助,可提升使用智能手表的表现。研究建议,在坐着或行走中采用静态导航辅助的设计,而在跑动中采用动态导航辅助的设计。通过这两种方式可以增加用户的感知易用性、有用性,并降低认知负荷。关于运动状态、步态和基本交互操作的研究表明:在快走、跑动情况下,用户进行智能手表界面点击操作的有效性和效率会大幅降低,错误率分别超过25%和36%。研究中提出了两种克服点击偏差的方式,一是根据用户运动状态,采用点击纠偏向量场,对点击行为进行基于屏幕位置的纠偏;二是将重要的点击分布在屏幕的“C”字区域,以减少点击偏差的出现。关于翻腕手势操作,跑动对其产生强烈的负面影响(失败率超过65%)。结合用于识别该手势的Google专利,本研究验证了采用角度传感器数据进行识别的可行性,此外或许可通过加入运动周期信号过滤模型来提高手势识别率。关于步态,与智能手表的交互操作导致快走和慢跑情况下的步长分别降低13%和17%,所有运动状态下的步态对称性均降低约65%。对于滑动操作、短时抬手操作、和长时抬手手势操作,运动状态的影响并不大。研究中也测量出了抬手手势的时长(抬起手臂:0.58~0.66 s;放下手臂:0.74~1.13 s)和角度变化量(竖直方向:133~152度;左右方向:65~70度),以及翻腕手势的时长(向前翻腕约0.61 s;向后回腕约0.66 s)和角度变化量(竖直方向约72度,左右方向约101度)。这些数据可为以后相关研究或设计提供参考。本文深化了智能手表交互设计及其运动适应性的研究。本研究使用的测量运动姿态的方式便携性高、装备轻便化,验证了使用角度传感器信号进行手势识别的可能性,同时达到了一定精度。针对最为基础的界面及手势操作,本研究提出了改进方法和设计准则,这对克服运动环境下的智能手表使用有基础且重要的作用。
【学位单位】：重庆大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP368.33
【部分图文】：

图 1.1 个步态阶段Fig. 1.1 The eight gait phases注：步态周期图引 于 www.streifeneder.com/op虽步态阶段可对步态特征进行拓展，但由于传感器数据容易受到噪音干扰，关于步态阶段的研究多采用成本较高的实验室设备进行，例如动作捕捉仪 Vicon。有研究尝试采用人体腰部的加速度传感器对步态阶段进行分类。这是一种非常大胆且有价值的尝试，但由于涉及到滤波进行噪音处理，以及阶段过于细节的划分，准确率还有待商榷。加速度传感器数据对于步态阶段的研究精度趋于偏低，主要在于加速度传感器捕捉的是身体缓冲或者晃动的加速度数据。这一数据的意义不是足够明确，例如当脚部触地进行缓冲时，加速度在一段短时间内发生波动，对于明确具体是哪一个时刻触地的，比较困难。而通过人体步态阶段发现，关于腿部的各个角度数据，相比于加速度是更明确的。角度数据更易捕捉，容易在信号中找到特征点，且与步态周期的各个定义更为相符。后文研究可对空间角度数据进行探究。

（LS）、II 型菜单结构（TS-2H）、III 型菜单结构（TS-3H）。因变量包括被试的交互绩效、针对每个原型的卡片分类结果、每个原型的使用满意度分数。图1.2 正式实验的三种菜单结构Fig. 1.2 The three menus structures in the formal experiment实验原型包括 4 个原型，分别为：测试教程原型、线型结构原型、有概览（每页16功能）的树型结构原型、无概览（每页4功能）的树型结构原型。每个原型尺寸为 240x240px，原型中共有 16 个应用程序。三个实验原型的主页见图1.3。

原型开始页及三个正式测试原型的主页Fig.1.3Thebeginningpageofthepyototypeandthethreemenuspagesofdifferentmenus
【相似文献】

相关期刊论文 前10条

1 林辉;;六腿机器人的典型步态研究[J];南方农机;2018年19期

2 严广斌;;步态分析[J];中华关节外科杂志(电子版);2017年02期

3 吴希希;钱竞光;康延琳;;步态分析技术在偏瘫康复中的应用研究[J];南京体育学院学报(自然科学版);2016年03期

4 唐正荣;步态分析的方法[J];国外医学(物理医学与康复学分册);1996年01期

5 赵吉凤,刘永斌,赵辉三,张西琳,闫宁;步态分析数据收集方法与影响因素探讨[J];中国康复;1995年04期

6 毛衣理;;电子计算机在步态分析中的应用[J];上海生物医学工程通讯;1987年02期

7 陈亮;;游离(足母)趾移植病人术前术后步态分析[J];国外医学.创伤与外科基本问题分册;1987年04期

8 Hubbell SL ,金翊;利用步态检验室做液压膝摆动态的精细调整[J];国外医学(物理医学与康复学分册);1988年01期

9 冯文德;闵华琳;杜相枝;李玉双;安克佳;何振杰;张凤琴;;腰腿痛步态113例初探[J];中国康复医学杂志;1988年02期

10 孙汉旭;张启先;干东英;;四足步行机的全方位行走探讨[J];光学机械;1989年01期

相关博士学位论文 前10条

1 马勤勇;基于步态的身份识别研究[D];浙江大学;2008年

2 仇森;人体步态分析的多传感器数据融合研究[D];大连理工大学;2016年

3 许胜强;帕金森病患者步态障碍定量评估及量化分级评估方法研究[D];中国科学技术大学;2017年

4 熊然;全膝关节置换术后三维步态分析与个性化多体动力学建模初步探索[D];第三军医大学;2017年

5 荣凯;偏瘫型脑瘫痉挛性下肢畸形治疗的实验研究[D];上海交通大学;2015年

6 付海燕;步态分析技术在膝骨性关节炎诊断及中医康复治疗中的应用[D];广州中医药大学;2011年

7 潘化平;疏经通督推拿法治疗缺血性脑卒中恢复期患者的临床研究[D];南京中医药大学;2012年

8 李晗;髌骨骨折和创伤性关节炎的基础与临床研究[D];河北医科大学;2014年

9 刘蓉;人体运动信息获取及物理活动识别研究[D];华中科技大学;2009年

10 范伯骞;液压驱动下肢外骨骼机器人关键技术研究[D];浙江大学;2017年

相关硕士学位论文 前10条

1 朱希伟;复杂地形运动步态测试平台的设计与研究[D];大连交通大学;2018年

2 孟凡刚;人体步态稳定性的综合力学模型构建与研究[D];天津科技大学;2017年

3 刘畅;人体站姿平衡能力和步态稳定性的相关性分析[D];天津科技大学;2017年

4 莫凡;智能手表交互设计及其运动适应性研究[D];重庆大学;2018年

5 陈欣;人体步态的分数阶时间序列建模与预测[D];沈阳工业大学;2018年

6 杨志方;人体步态信息及运动重心轨迹检测方法研究[D];河北大学;2018年

7 张圣卿;健康人群便携式步态分析的研究[D];大连医科大学;2018年

8 汤亚男;基于视觉传感的步态检测系统[D];哈尔滨理工大学;2018年

9 刘晓芳;特定视角下基于ViBe算法的人体步态分析[D];北京交通大学;2018年

10 闫勃勃;基于步态分析的人迹追踪技术研究[D];华北电力大学;2018年

本文编号：2859590