利用可穿戴设备监测游泳状态的方法及可穿戴设备与流程

本发明涉及可穿戴设备技术领域，具体涉及一种利用可穿戴设备监测游泳状态的方法及可穿戴设备。

背景技术：

随着社会的进步，人们的运动时间越来越少，久坐的工作方式使许多人身体素质逐渐走下坡，肥胖和各种慢性病等严重影响了人们的生活质量。为了自身的健康，人们对运动也越来越重视，游泳作为一种非常有助于提高体能的有运动形式，成为了人们最喜爱的有氧运动形式之一，游泳可以改善心血管系统、提高肺活量、改善肌肉系统能力、改善体温调节能力。游泳也是一项需要全身参与的运动，能够提高人体肌肉的力量和协调性，特别是躯干、肩带和上肢的肌肉。因为在水中游泳需要克服较大的阻力，游泳又是周期性的运动，长期锻炼能够使肌肉力量、速度、耐力和关节的灵活性都得到提高。在人们越来越重视健康和运动的今天，游泳也成为大众热捧的有氧运动形式。

伴随着运动的热潮，智能运动手表也成为数码产品新的宠儿。运动状态识别作为解决运动监测和运动状态提醒的技术基础，是智能运动手表算法的核心，也是难点之一。目前在智能运动手表领域，还没有行之有效的对游泳运动状态进行监测和识别的技术方案，不能满足用户的使用需求，导致智能运动手表的体验不佳。

技术实现要素：

本发明提供了一种利用可穿戴设备监测游泳状态的方法及可穿戴设备，以解决现有在智能运动手表领域，没有行之有效的对游泳运动状态进行监测和识别的技术方案，导致智能运动手表的用户体验不佳的问题。

根据本发明的一个方面，提供了一种利用可穿戴设备监测游泳状态的方法，该方法包括：在可穿戴设备中设置游泳模式，并存储预先采集标准游泳动作数据作为对应的模板数据，

当一次监测过程开始时，根据即将入水的用户发出的指令启动游泳模式，在游泳模式启动后，控制传感器采集用户的游泳动作数据；

从游泳动作数据中得到用于识别用户游泳状态的测试数据，

将测试数据与每个模板数据进行匹配，当存在匹配成功的测试数据时，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态。

可选地，预先采集标准游泳动作数据作为对应的模板数据包括：

预先采集标准泳姿数据，由采集到的标准泳姿数据生成模板数据并存储在可穿戴设备中，

标准泳姿数据至少包括蛙泳泳姿数据、自由泳泳姿数据，蝶泳泳姿数据以及仰泳泳姿数据，

识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态包括：

识别用户的泳姿为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿，蝶泳泳姿或仰泳泳姿。

可选地，控制传感器采集用户的游泳动作数据包括：

控制利用三轴加速度传感器采集用户游泳动作的三轴加速度数据，得到测试数据；

将测试数据与每个模板数据进行匹配包括：

对一组测试数据，将三轴上每一轴向的数据，分别与模板数据中对应轴向的数据进行匹配，根据三个轴向的匹配结果得到该组测试数据的匹配结果。

可选地，控制传感器采集用户的游泳动作数据包括：

控制传感器采集得到用户一趟游泳过程中的游泳动作数据；

从用户一趟游泳过程中的游泳动作数据中截取一个划水周期的游泳动作数据作为测试数据。

可选地，从用户一趟游泳过程中的游泳动作数据中截取一个划水周期的游泳动作数据作为测试数据包括：

获取用户一趟游泳过程中的总划水周期数，选取除最初的一个划水周期和最末的一个划水周期之外的任一个划水周期的游泳动作数据作为测试数据；

或者，获取用户一趟游泳过程中的总划水周期数N，当N为偶数时，选取N/2或N/2+1位置对应的划水周期的游泳动作数据作为测试数据，当N为奇数时，选取(N+1)/2位置上对应的划水周期的游泳动作数据作为测试数据。

可选地，从用户一趟游泳过程中的游泳动作数据中截取一个划水周期的游泳动作数据作为测试数据包括：

在游泳前进方向对应的轴向数据中，以相邻的两个波形峰值为端点，截取两个端点之间的数据作为一个划水周期的游泳动作数据。

可选地，该方法还包括：利用K时间近邻均值滤波对截取的一个划水周期的游泳动作数据进行平滑滤波处理，以滤除噪声干扰；

以及，对滤波后的游泳动作数据进行数据归一化处理，将滤波后的游泳动作数据归一化到±10m/s²的范围内。

可选地，对一组测试数据，将三轴上每一轴向的数据，分别与模板数据中对应轴向的数据进行匹配，根据三个轴向的匹配结果得到该组测试数据的匹配结果包括：

采用动态时间归准DTW，分别计算归一化后的一组测试数据的每个轴向数据与每个模板数据对应轴向的数据的DTW最短距离，将各个轴向的DTW最短距离进行求和运算，将求和所得值最小的模板数据作为该组测试数据关联的模板数据。

根据本发明的另一个方面，提供了一种可穿戴设备，可穿戴设备中设置有传感器和游泳模式，包括：

模板存储单元，用于存储预先采集标准游泳动作数据作为对应的模板数据，

测试数据采集单元，用于当一次监测过程开始时，根据即将入水的用户发出的指令启动游泳模式，控制传感器采集用户的游泳动作数据，从游泳动作数据中得到用于识别用户游泳状态的测试数据，

游泳状态识别单元，用于将测试数据与每个模板数据进行匹配，当存在匹配成功的测试数据时，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态。

可选地，模板存储单元，具体用于预先采集标准泳姿数据，由采集到的标准泳姿数据生成模板数据并存储在可穿戴设备中，标准泳姿数据至少包括蛙泳泳姿数据、自由泳泳姿数据，蝶泳泳姿数据以及仰泳泳姿数据，

游泳状态识别单元，用于识别用户的泳姿为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿，蝶泳泳姿或仰泳泳姿；

传感器为三轴加速度传感器，测试数据采集单元，具体用于控制三轴加速度传感器采集用户游泳动作的三轴加速度数据，得到测试数据；

游泳状态识别单元，具体用于对一组测试数据，将三轴上每一轴向的数据，分别与模板数据中对应轴向的数据进行匹配，根据三个轴向的匹配结果得到该组测试数据的匹配结果。

本发明的有益效果是：本发明的技术方案利用可穿戴设备监测游泳状态，通过在可穿戴设备中设置游泳模式，并存储预先采集标准游泳动作数据作为对应的模板数据，当一次监测过程开始时，根据即将入水的用户发出的指令启动游泳模式，在游泳模式启动后，采集用户的游泳动作数据得到测试数据，将测试数据与每个模板数据进行匹配，以识别出用户的游泳状态。与传统运动手表只能简单记录速度等信息来估算用户的热量消耗等信息相比，本发明能够准确识别用户一趟游泳过程中使用的泳姿，有助于用户更好的掌握自己的游泳运动状态，对于改善泳姿也有很大的帮助。并且，采用本发明的技术方案，用户只需在下水游泳之前，将可穿戴设备切换到游泳模式，在游泳过程中无需任何操作，即可完成对游泳状态数据的记录和分析，使用更加简便，也防止了水下按键操作破坏手表防水性能的发生。

附图说明

图1是本发明一个实施例的一种利用可穿戴设备监测游泳状态的方法的流程图；

图2是本发明另一个实施例的一种利用可穿戴设备监测游泳状态的方法的流程图；

图3是本发明一个实施例的一趟蛙泳的三轴加速度计数据波形图；

图4是本发明一个实施例的截取蛙泳其中一个划水周期的加速度计数据波形图；

图5是本发明一个实施例的截取自由泳其中一个划水周期的加速度计数据波形图；

图6是本发明一个实施例的分别为自由泳和蛙泳时3轴加速度计数据的求和、一阶范数、二阶范数波形图。

图7是本发明一个实施例的两个时间序列的归整示意图；

图8是本发明一个实施例的DTW算法中的一个代价矩阵的示意图；

图9是本发明一个实施例的一种可穿戴设备的结构框图。

具体实施方式

本发明的设计构思在于：针对现有技术中普通智能运动手表不能监测用户游泳运动时的游泳状态的问题。本发明提出一种基于可穿戴设备实现游泳运动状态监测的方案，通过可穿戴设备内置的微机电系统(Micro-Electro-Mechanical System，简称MEMS)传感器采集标准的四种泳姿的加速度计数据作为预设模板，在用户开启可穿戴设备中设置的游泳模式后，游泳过程中，无需用户进行任何操作即可实现对用户游泳状态的监测识别，从而方便用户了解本次游泳运动的状态，提高用户体验。

实施例一

图1是本发明一个实施例的一种利用可穿戴设备监测游泳状态的方法的流程图，参见图1，本实施例的利用可穿戴设备监测游泳状态的方法包括：

步骤S11，在可穿戴设备中设置游泳模式，并存储预先采集标准游泳动作数据作为对应的模板数据，当一次监测过程开始时，根据即将入水的用户发出的指令启动游泳模式，在游泳模式启动后，控制传感器采集用户的游泳动作数据；这里的，可穿戴设备一般具有：内置三轴加速度传感器、能够与用户通过屏幕进行交互，且可穿戴的特性。可穿戴设备具体例如：智能手表。

步骤S12，从游泳动作数据中得到用于识别用户游泳状态的测试数据，

步骤S13，将测试数据与每个模板数据进行匹配，当存在匹配成功的测试数据时，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态。

需要说明的是，步骤S11中的预先采集标准游泳动作数据作为对应的模板数据包括：预先采集标准泳姿数据，由采集到的标准泳姿数据生成模板数据并存储在可穿戴设备中，标准泳姿数据至少包括蛙泳泳姿数据、自由泳泳姿数据，蝶泳泳姿数据以及仰泳泳姿数据。

步骤S13中的识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态包括：识别用户的泳姿为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿，蝶泳泳姿或仰泳泳姿。

由图1所示的方法可知，本实施例的这种利用可穿戴设备监测游泳状态的方法，能够自动识别用户游泳状态(如泳姿)，在用户将智能手表切换到游泳模式后，无需任何操作即可自动识别泳姿，根据识别出的泳姿也能够帮助用户获取更详细的运动信息，例如，本次游泳的休息用时、游泳距离、划水数、SWOLF(SWOLF指数＝单趟计时+单趟划水次数，SWOLF数值越小，说明游泳的效率越高)等数据，有助于用户更精确地掌握自己的游泳运动状态和改善游泳效率。

实施例二

图2是本发明一个实施例的一种利用可穿戴设备监测游泳状态的方法的流程图，参见图2，本实施例的这种利用可穿戴设备监测游泳状态的方法包括：

流程开始；

步骤S21，采集一趟游泳的加速度计数据；

本实施例中，首先，采用MEMS传感器中的加速度计(即，加速度传感器)采集运动者一趟游泳的三轴加速度数据，以方便后续根据采集的测试数据与预设的模板数据的匹配结果来判定运动者采用的是哪种泳姿。

采集到用户游泳时的三轴加速度计数据后，可以将一趟游泳的加速度计数据保存在缓存中，一趟结束后对缓存中的数据进行处理。需要说明的是，这里的一趟，是指游泳中每游完一个泳池的长度。

步骤S22，截取其中一个划水周期的数据；

在步骤S21中采集到的加速度数据的基础上，截取一个划水周期的数据。通常在泳池游泳时，游泳者不会在一趟游泳过程中更换泳姿，因此，每趟游泳中只要采集其中一个划水周期的数据即可实现对这一趟游泳过程中的泳姿进行识别。

本实施例中，从用户一趟游泳过程中的游泳动作数据中截取一个划水周期的游泳动作数据，作为测试数据，包括：获取用户一趟游泳过程中的总划水周期数，选取除最初的一个划水周期和最末的一个划水周期之外的任一个划水周期的游泳动作数据作为测试数据；或者，获取用户一趟游泳过程中的总划水周期数N，当N为偶数时，选取N/2或N/2+1位置对应的划水周期的游泳动作数据作为测试数据，当N为奇数时，选取(N+1)/2位置上对应的划水周期的游泳动作数据作为测试数据。

需要说明的是，划水周期是指运动者在游泳时，完成一个标准划水动作所花费的时间。以蛙泳为例，蛙泳的一个标准划水动作是：向侧-下-后-内-前方向移动进行蹬夹水。运动者在完成这样的划水动作时所花费时间即为划水周期。

本实施例中，在选择一个划水周期的加速度数据时，提供了两种实现方式，方式一是先对获取用户一趟游泳过程中的总划水周期数，例如，查找缓存中一趟游泳的加速度数据得到这一趟游泳过程中总的划水周期数为12。然后，可以在除最初的一个划水周期和最末的一个划水周期之外的任一个划水周期中进行选择，作为待识别的测试数据。例如，在第2个至第11个划水周期中选择第5个划水周期作为测试数据。需要说明的是，之所以将最初的一个划水周期和最末的一个划水周期排除在外不选择这两个划水周期进行识别，是为了提高识别的准确度，因为在每趟游泳中，最开始和快结束时的动作相对变形较大，不利于识别。

方式二是，获取用户一趟游泳过程中的总划水周期数N，当N为偶数时，选取N/2或N/2+1位置对应的划水周期的游泳动作数据作为测试数据，当N为奇数时，选取(N+1)/2位置上对应的划水周期的游泳动作数据作为测试数据。

举例而言，总划水周期N为12，那么可以选择N/2(即第6个划水周期)或N/2+1(第7个划水周期)的游泳动作数据作为测试数据。

图3是本发明一个实施例的一趟蛙泳的三轴加速度计数据波形图，图4是本发明一个实施例的截取蛙泳其中一个划水周期的加速度计数据波形图，下结合图3和图4来具体说明如何截取一个划水周期的游泳动作数据。

本实施例中，在游泳前进方向对应的轴向数据中(例如X轴上的数据)，以相邻的两个波形峰值为端点，截取两个端点之间的数据作为一个划水周期的游泳动作数据。实际应用时，在采集到的加速度数据波形图上，加速度数据呈现周期性，但是周期开始和结束的时间难以确定，故，为计算方便，才取加速度数据波形图上以相邻的两个波形峰值为端点，截取两个端点之间的数据作为一个划水周期。以蛙泳为例，图3为25米的泳池中一趟蛙泳所保存的加速度计数据波形示意，在这趟蛙泳中共进行了12次划水。而在每趟游泳中，最开始和快结束时的动作相对变形较大，不利于识别，从图3中也可以明显看出，中间的动作较为规范，因此，截取数据选择为总划水周期数中间的一个划水周期。图4即为从图3中所示的加速度数据中截取到的一个划水周期的加速度计数据波形示意图。

需要说明的是，为了简化数据计算量、提高计算效率，本实施例中只选择了三轴加速度数据中X轴向(X轴向是用户正常佩戴智能运动手表到用户腕部时，朝向用户手指的方向)一个划水周期的数据作为测试数据，可以理解，在本发明的其他实施例中，也可以选择Y轴或Z轴数据，或者也可以同时选择三轴的数据作为测试数据，对此不作限制。

步骤S23，对数据进行平滑滤波处理；

在本实施例中，为了避免噪声的影响，并提高泳姿识别的精度。方法还包括：对原始波形进行平滑滤波处理。具体的，本实施例的方法利用K时间近邻均值滤波对截取的一个划水周期的游泳动作数据进行平滑滤波处理，以滤除噪声干扰。

K时间近邻均值滤波算法是现有技术，K时间近邻均值化数据处理的方法就是通过事先设定时间最近邻的个数K，在各轴加速度时间序列中，把任意一点左右各K个元素所组成的序列的均值作为预处理后该点的值。对于时间序列中前K个数据点和最后K个数据点，必须做特殊处理，取尽可能多的邻居作为均值化处理的对象。

步骤S24，数据归一化处理；

为了避免不同用户的速度、力量等差别带来的影响以及为数据处理方便，本实施例中需要对滤波后的游泳动作数据进行数据归一化处理，将滤波后的游泳动作数据归一化到±10m/s²的范围内。

经过试验和统计分析发现，游泳时的加速度数据主要集中在正负一倍重力加速度范围内，因此，本实施例中将滤波后的加速度计数据归一化到±10m/s²的范围内。

步骤S25，采用DTW算法与预设模板数据进行匹配；

对于三轴加速度计数据的处理，目前常用的办法是将三轴数据合一后进行分析，合一的办法主要有：求和，一阶范数和二阶范数。而采用加速度计数据进行泳姿识别则需要不同泳姿的加速度计数据差异度越大越好。

以自由泳和蛙泳为例，图5是本发明一个实施例的截取自由泳其中一个划水周期的加速度计数据波形图；图6是本发明一个实施例的分别为自由泳和蛙泳时三轴加速度计数据的求和、一阶范数、二阶范数波形图，图6为自由泳和蛙泳3轴加速度计的求和、一阶范数、二阶范数的对比。在图6中，左列表示自由泳，右列表示蛙泳。第一行表示轴加速度计数据的求和，第二行表示轴加速度计数据的一阶范数，第三行表示轴加速度计数据的二阶范数。可以看出，对加速度计数据求二阶范数后，其数值变化范围只在0.02左右，无法进行泳姿匹配计算和划水周期识别。同样，一阶范数也存在这一问题，数值变化范围较小，局部峰值过多。而求和计算虽然相对而言保存了比较完整的加速度值变化范围，但其两种泳姿数据的差异度并不如三轴加速度数据分别对比那样丰富。

因此，本实施例中采用采用对三轴加速度值分别进行计算、对比的办法。对一组测试数据，将三轴上每一轴向的数据，分别与模板数据中对应轴向的数据进行匹配，根据三个轴向的匹配结果得到该组测试数据的匹配结果。即，利用动态时间归准DTW(Dynamic Time Warping，简称DTW)算法，分别计算归一化后的一组测试数据的每个轴向数据与每个模板数据对应轴向的数据的DTW最短距离，将各个轴向的DTW最短距离进行求和运算，将求和所得值最小的模板数据作为该组测试数据关联的模板数据。具体的，将获取的三轴数据与模板中某种泳姿对应的三轴数据分别进行分析，计算得到各个轴向的DTW最短距离，并将三个轴向的DTW最短距离进行求和。求和值越小，则匹配度越高，在完成与四种泳姿模板的匹配后，找到与模板匹配度最高的泳姿即为用户采用的泳姿。

具体实现时，是将归一化后的数据与预设的泳姿模板数据采用DTW算法进行匹配计算，该算法基于动态规划(Dynamic Programming，DP)思想，通过把时间序列进行延伸和缩短来计算两个时间序列之间的相似性，有效地解决了数据时长不一致时的模板匹配问题。如图7所示，上下两条实线为两个时间序列，之间的虚线表示两个时间序列间的相似点，DTW使用所有这些相似点之间的距离的和，称为归整路径距离(Warp Path Distance)，归整路径距离用来衡量两个时间序列之间的相似性。

DTW算法具体过程如下

令要计算相似度的两个时间序列为X和Y，长度分别为|X|和|Y|。归整路径(Warp Path)的形式为W＝w₁，w₂,…w_k，其中max(|X|,|Y|)≤K≤|X|+|Y|。w_k的形式为(i,j),其中i表示的是X中的i坐标，j表示的是Y中的j坐标。归整路径W必须从w₁＝(1,1)开始，到w_k＝(|X|,|Y|)结束，以保证X和Y中的每个坐标都在W中出现。并且i和j必须是单调增加的，以保证图7中的虚线不会相交，最后得到的归整路径是距离最短的一个归整路径

D(i,j)＝Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]

图8展示了一个DTW算法中的代价矩阵D，和两个时间序列之间的最短距离归整路径，在图8中实线表示归整路径。通过DTW算法，将归一化之后的一个划水周期的加速度计数据波形与预设模板进行匹配计算，得到的最短路径值对应的泳姿即用户所采用的泳姿。

需要说明的是，DTW算法为现有技术，本实施例中没有描述的算法细节可以参见现有技术中的说明，这里不再赘述。

步骤S26，输出结果；

根据DTW算法计算用户游泳所使用的泳姿后，可以进一步计算得到反应游泳运动效率的基础数据：每趟用时、每趟划水用时、每趟划水数、泳姿。其他运动数据均可通过这四个数据换算得出，包括SWOLF值，划水速率等。将识别和计算得到的结果输出给用户，从而方便用户了解自己的游泳状态，并可以帮助用户调整泳姿，提高了用户使用智能手表时的体验。

流程结束。

至此，通过智能手表中的加速度计采集标准的四种泳姿的加速度计数据作为预设模板，在用户开启可穿戴设备中设置的游泳模式后，每趟游泳结束时，截取其中一次划水周期的加速度计数据作为测试数据，采用DTW动态时间归准算法，与预存的泳姿模板参数进行匹配，从而识别得到用户这一趟游泳所使用的泳姿。游泳过程中，无需用户进行任何操作即可实现对用户游泳状态的监测识别，也优化了用户体验，提高了智能手表的竞争力。

实施例三

在本发明的再一个实施例中还提供了一种可穿戴设备90，可穿戴设备90中设置有传感器和游泳模式，包括：

模板存储单元902，用于存储预先采集标准游泳动作数据作为对应的模板数据，

测试数据采集单元901，用于当一次监测过程开始时，根据即将入水的用户发出的指令启动游泳模式，控制传感器采集用户的游泳动作数据，从游泳动作数据中得到用于识别用户游泳状态的测试数据，

游泳状态识别单元903，用于将测试数据与每个模板数据进行匹配，当存在匹配成功的测试数据时，识别用户的游泳状态为该测试数据关联的模板数据对应的游泳状态。

在本发明的一个实施例中，模板存储单元901，具体用于预先采集标准泳姿数据，由采集到的标准泳姿数据生成模板数据并存储在可穿戴设备中，标准泳姿数据至少包括蛙泳泳姿数据、自由泳泳姿数据，蝶泳泳姿数据以及仰泳泳姿数据，

游泳状态识别单元903，用于识别用户的泳姿为该测试数据关联的模板数据对应的蛙泳泳姿、自由泳泳姿，蝶泳泳姿或仰泳泳姿；

传感器为三轴加速度传感器，测试数据采集单元901，具体用于控制三轴加速度传感器采集用户游泳动作的三轴加速度数据，得到测试数据；

游泳状态识别单元903，具体用于对一组测试数据，将三轴上每一轴向的数据，分别与模板数据中对应轴向的数据进行匹配，根据三个轴向的匹配结果得到该组测试数据的匹配结果。

在本发明的一个实施例中，测试数据采集单元901，具体用于从用户一趟游泳过程中的游泳动作数据中截取一个划水周期的游泳动作数据作为测试数据。

测试数据采集单元901，用于获取用户一趟游泳过程中的总划水周期数，选取除最初的一个划水周期和最末的一个划水周期之外的任一个划水周期的游泳动作数据作为测试数据；或者，获取用户一趟游泳过程中的总划水周期数N，当N为偶数时，选取N/2或N/2+1位置对应的划水周期的游泳动作数据作为测试数据，当N为奇数时，选取(N+1)/2位置上对应的划水周期的游泳动作数据作为测试数据。

在本发明的一个实施例中，测试数据采集单元901，在游泳前进方向对应的轴向数据中，以相邻的两个波形峰值为端点，截取两个端点之间的数据作为一个划水周期的游泳动作数据。

在本发明的一个实施例中，可穿戴设备90还包括：数据处理单元，用于利用K时间近邻均值滤波对截取的一个划水周期的游泳动作数据进行平滑滤波处理，以滤除噪声干扰；以及，对滤波后的游泳动作数据进行数据归一化处理，将滤波后的游泳动作数据归一化到±10m/s²的范围内。

在本发明的一个实施例中游泳状态识别单元903，具体用于采用动态时间归准DTW，分别计算归一化后的一组测试数据的每个轴向数据与每个模板数据对应轴向的数据的DTW最短距离，将各个轴向的DTW最短距离进行求和运算，将求和所得值最小的模板数据作为该组测试数据关联的模板数据。

需要说明的是，本实施例的这种可穿戴设备可以用于前述利用可穿戴设备监测游泳状态的方法中，因而本实施例中对可穿戴设备的工作过程没有描述的内容可以参见前述实施例的具体说明，在此不再赘述。

综上所述，本发明技术方案的这种利用可穿戴设备监测游泳状态的方法，通过在可穿戴设备中设置游泳模式，并存储预先采集标准游泳动作数据作为对应的模板数据，当一次监测过程开始时，根据即将入水的用户发出的指令启动游泳模式，在游泳模式启动后，采集用户的游泳动作数据得到测试数据，将测试数据与每个模板数据进行匹配，以识别出用户的游泳状态。与传统运动手表只能简单记录速度等信息来估算用户的热量消耗等信息相比，本发明能够更加准确的识别用户一趟游泳过程中使用的泳姿，有助于用户更好的掌握自己的游泳运动状态，对于改善泳姿也有很大得帮助。并且，采用本发明的技术方案，用户只需在下水游泳之前，将智能手表切换到游泳模式，在游泳过程中无需任何操作，即可完成对游泳状态数据的记录和分析，使用更加简便，也防止了水下按键操作破坏手表防水性能的发生。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围以权利要求的保护范围为准。