Skip to content

动作识别 ​

宠物 IMU 动作识别接口基于智能项圈等穿戴设备采集的 6 轴惯性传感器(3 轴加速度 + 3 轴角速度)时序窗口数据,提供毫秒级、细粒度的宠物姿态与日常行为识别能力。

相比受限于视野、光照、遮挡与隐私的视觉方案,以及仅能提供粗粒度运动量的传统计步器,本服务具备全天候穿戴、超低功耗、无空间盲区等优势,可精准区分躺卧、坐立、行走、小跑、进食、饮水、甩毛、抓挠等相近或短时高频动作,广泛适用于宠物日常活力统计、作息睡眠监测、异常行为初筛及健康趋势预警等场景。

请求地址 ​

POST
/v1/imu/predict

请求参数 ​

请求头 ​

请求头类型必填说明
Authorizationstring是访问凭证,采用 Bearer Token 规范,格式为 Bearer <ACCESS_TOKEN>。
Content-Typestring是请求体格式,固定为 application/json。

请求体 (Body) ​

json
{
  "samples": [
    [
      -0.322497,
      -0.498316,
      -0.657535,
      -32.217919,
      -21.967866,
      1.330689
    ],
    ...
  ],
  "top_k": 5
}
参数名类型必填说明
samplesnumber[][]是IMU 传感器时序数据滑动窗口矩阵,推荐时间窗口尺寸为 $100 \times 6$(20Hz 采样率下 5 秒连续数据)。每一行为一个采样时间点的 6 轴传感器读数,固定列通道顺序为:[0] ANeck_x, [1] ANeck_y, [2] ANeck_z, [3] GNeck_x, [4] GNeck_y, [5] GNeck_z(即项圈三轴加速度计读数与三轴陀螺仪读数)。
top_kinteger否返回概率最高的前 $K$ 项预测行为类别数量,默认值为 5。

提示:若需要关联具体项圈设备并记录/推送设备行为日志,网关同时提供带设备标识的接口:POST /v1/imu/predict/{device_id}。

响应示例 ​

json
{
  "code": 200,
  "message": "success",
  "data": {
    "behavior": "walk",
    "confidence": 0.9421,
    "probabilities": {
      "walk": 0.9421,
      "trot": 0.0312,
      "stand": 0.0154,
      "run": 0.0085,
      "sniff": 0.0028
    },
    "top_predictions": [
      {
        "behavior": "walk",
        "probability": 0.9421,
        "confidence": 0.9421
      },
      {
        "behavior": "trot",
        "probability": 0.0312,
        "confidence": 0.0312
      },
      {
        "behavior": "stand",
        "probability": 0.0154,
        "confidence": 0.0154
      },
      {
        "behavior": "run",
        "probability": 0.0085,
        "confidence": 0.0085
      },
      {
        "behavior": "sniff",
        "probability": 0.0028,
        "confidence": 0.0028
      }
    ],
    "model_version": "v1.2.0",
    "inference_time_ms": 15.6
  }
}
参数名类型说明
codeinteger业务状态码,200 表示请求及推理处理成功。
messagestring状态提示信息:成功固定为 "success"(网关统一归一化),失败时为安全的中文提示。不要用它做程序判断。
dataobject推理识别结果主体数据对象。
data.behaviorstring置信度最高的主预测行为标识。支持的常见行为类别包括:walk(行走)、trot(小跑)、run(奔跑)、sit(坐立)、stand(站立)、lie(躺卧)、eat(进食)、drink(饮水)、shake(甩毛抖动)、scratch(抓挠挠痒)、sniff(嗅闻嗅探)等。
data.confidencenumber主预测行为的置信度得分,取值范围为 0.0 ~ 1.0。
data.probabilitiesobject所有候选行为类别的概率分布字典(Key 为行为英文标识,Value 为对应概率得分)。
data.top_predictionsarray按置信度由高到低排序的前 $K$ 项预测行为列表。
data.top_predictions[].behaviorstring候选行为英文标识。
data.top_predictions[].probabilitynumber候选行为概率值(0.0 ~ 1.0)。
data.top_predictions[].confidencenumber候选行为置信度得分。
data.model_versionstring当前提供推理服务使用的 IMU 行为识别深度学习模型版本号。
data.inference_time_msnumber神经网络模型推理耗时,单位为毫秒(ms)。

CURL示例: ​

bash
curl --location 'https://open-api.habitaxx.com/v1/imu/predict' \
--header 'X-Client-Type: wechat_mini' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer ${ACCESS_TOKEN}' \
--data '{
    "samples": [
        [
            -0.322497,
            -0.498316,
            -0.657535,
            -32.217919,
            -21.967866,
            1.330689
        ],
        ...
    ],
    "top_k": 5
}'

SDK示例: ​

Python示例: ​

python
from habitaxx import Habitaxx

# 1. 初始化客户端
client = Habitaxx(
    api_key="your_access_token",
    base_url="https://open-api.habitaxx.com",
)

# 2. 准备 100x6 窗口的 IMU 传感器采样序列数据
# 列通道依次为: ANeck_x, ANeck_y, ANeck_z, GNeck_x, GNeck_y, GNeck_z
samples = [
    [-0.322497, -0.498316, -0.657535, -32.217919, -21.967866, 1.330689],
    [-0.320145, -0.495230, -0.654112, -31.845120, -21.503410, 1.210450],
    # ... 其余时间步采样数据
]

# 3. 发起行为识别预测请求
response = client.imu.create(
    samples=samples,
    top_k=5,
)

print(f"识别行为: {response.get('behavior') or response.get('predicted_label')}")
print(f"置信度: {response.get('confidence')}")
print(f"Top 预测列表: {response.get('top_predictions') or response.get('probabilities')}")

# 如需为指定项圈设备推送识别结果:
# device_res = client.imu.for_device(
#     device_id="collar_device_001",
#     samples=samples,
#     top_k=5,
# )

Go语言示例: ​

go
package main

import (
	"context"
	"fmt"
	"log"

	"github.com/habitaxx/habitaxx-go"
	"github.com/habitaxx/habitaxx-go/option"
)

func main() {
	// 1. 初始化 Habitaxx 客户端
	client := habitaxx.NewClient(
		option.WithAPIKey("your_access_token"),
		option.WithBaseURL("https://open-api.habitaxx.com"),
	)

	// 2. 准备 IMU 时序采样数据 [][6]float64
	samples := [][]float64{
		{-0.322497, -0.498316, -0.657535, -32.217919, -21.967866, 1.330689},
		{-0.320145, -0.495230, -0.654112, -31.845120, -21.503410, 1.210450},
		// ... 其余时间步采样数据
	}

	// 3. 调用 Predict 接口进行动作识别
	res, err := client.Predict.New(context.Background(), habitaxx.PredictNewParams{
		ImuInferenceRequest: habitaxx.ImuInferenceRequestParam{
			Samples: habitaxx.F(samples),
			TopK:    habitaxx.Int(5),
		},
	})
	if err != nil {
		log.Fatalf("IMU 预测失败: %v", err)
	}

	fmt.Printf("预测响应: %+v\n", res)

	// 如需指定设备标识进行推理与上报:
	// deviceRes, err := client.Predict.ForDevice(context.Background(), "collar_device_001", habitaxx.PredictForDeviceParams{
	// 	ImuInferenceRequest: habitaxx.ImuInferenceRequestParam{
	// 		Samples: habitaxx.F(samples),
	// 		TopK:    habitaxx.Int(5),
	// 	},
	// })
}

Java示例: ​

java
package com.example.demo;

import com.habitaxx.HabitaxxClient;
import com.habitaxx.models.ApiResponse;
import com.habitaxx.models.ImuInferenceRequest;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

public class ImuPredictDemo {
    public static void main(String[] args) {
        // 1. 初始化 HabitaxxClient 并配置访问令牌
        HabitaxxClient client = new HabitaxxClient("https://open-api.habitaxx.com");
        client.setAccessToken("your_access_token");

        // 2. 构造 IMU 六轴时序数据矩阵
        List<List<Double>> samples = new ArrayList<>();
        samples.add(Arrays.asList(-0.322497, -0.498316, -0.657535, -32.217919, -21.967866, 1.330689));
        samples.add(Arrays.asList(-0.320145, -0.495230, -0.654112, -31.845120, -21.503410, 1.210450));
        // ... 添加其余采样数据

        // 3. 构造请求对象并调用推理
        ImuInferenceRequest request = new ImuInferenceRequest(samples, 5);
        ApiResponse<Object> response = client.predict().imu(request);

        System.out.println("状态码: " + response.getCode());
        System.out.println("预测数据: " + response.getData());

        // 如需指定设备调用:
        // ApiResponse<Object> deviceResponse = client.predict().forDevice("collar_device_001", request);
    }
}

Node.js示例: ​

typescript
import Habitaxx from '@habitaxx/sdk';

// 1. 初始化 Habitaxx 客户端实例
const client = new Habitaxx({
  apiKey: 'your_access_token',
  baseURL: 'https://open-api.habitaxx.com',
});

async function main() {
  // 2. 准备 IMU 时序采样矩阵 (N x 6)
  const samples: number[][] = [
    [-0.322497, -0.498316, -0.657535, -32.217919, -21.967866, 1.330689],
    [-0.320145, -0.495230, -0.654112, -31.845120, -21.503410, 1.210450],
    // ... 其余采样数据点
  ];

  // 3. 调用行为识别接口
  const result = await client.imu.create({
    samples,
    top_k: 5,
  });

  console.log('预测响应结果:', result);

  // 如需为指定设备推送识别结果:
  // const deviceResult = await client.imu.forDevice('collar_device_001', {
  //   samples,
  //   top_k: 5,
  // });
}

main().catch(console.error);
最近更新

栖界开放平台 · API Documentation