一种信息处理方法及装置与流程

本发明涉及电子技术，尤其涉及一种信息处理方法及装置。
背景技术：
：现有应用程序(APP，APPlication)产品中，例如QQ音乐等，在APP中自动会将某些类型歌曲根据场景分成曲库，例如“跑步”、“开车”，里面的音乐基本固定且风格相似。用户在跑步时点击该主题，会自动播放一系列歌曲。也就是说，用户只能听该主题对应的曲库中的歌曲，由于播放的歌曲基本不变，完全没有反映用户的身体状态，使得用户在跑步时经常会遇到自己不愿意听到的歌曲，影响跑步效果。还有一种通过获取加速度传感器输出的加速度信息来确定用户当前的运动强度等级，随后查找与确定的运动强度等级相匹配的音乐的方案。但是，仅通过加速度信息来播放相应的音乐，并不能准确反映用户实际的运动状态，相应地，播放的音乐也不能真正给用户起到增加运动效果的作用。技术实现要素：为解决现有存在的技术问题，本发明实施例提供一种信息处理方法及装置。为达到上述目的，本发明实施例的技术方案是这样实现的：本发明实施例提供了一种信息处理方法，包括：运动过程中监测用户的生命体征参数；利用监测的生命体征参数，并基于支持向量机(SVM，SupportVectorMachine)算法，确定所述用户在运动过程中当前的身体状态；选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；向所述用户输出选择的多媒体信息。上述方案中，确定所述用户当前的身体状态后，所述方法还包括：当所述用户当前的身体状态为所述用户的极限状态时，停止向所述用户输出选择的多媒体信息，或者向所述用户输出用于告警的多媒体信息。上述方案中，所述第一基准多媒体信息特征值为两个以上不同的特征值；相应地，所述选择与第一基准多媒体信息特征值等同的多媒体信息，为：在多媒体信息库中查找与所述第一基准多媒体信息的两个以上特征值对应的多媒体信息集合，所述多媒体信息集合中的各多媒体信息的两个以上特征值与所述第一基准多媒体信息的对应特征值相同的个数在预设范围内；将查找到的多媒体信息集合中的各多媒体信息作为选择的多媒体信息。上述方案中，所述将多媒体信息库中每条多媒体信息的两个以上特征值分别与所述第一基准多媒体信息的对应特征值进行比较之前，所述方法还包括：统计所述多媒体信息库中每条多媒体信息的两个以上特征值，并存储至所述多媒体信息库。上述方案中，统计所述多媒体信息库中每条多媒体信息的两个以上特征值时，所述方法还包括：根据所述用户的喜好习惯，分析出所述用户的各身体状态下不喜欢的多媒体信息类型，并在所述多媒体信息库进行标识；相应地，选择的多媒体信息为符合用户的喜好习惯的多媒体信息。上述方案中，所述利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态，包括：基于身体状态模型，利用监测的生命体征参数，确定所述用户在运动过程中当前的身体状态；所述身体状态模型为基于SVM算法所建立的所述用户身体状态与生命体征参数的对应关系模型。上述方案中，所述监测用户的生命体征参数以及运动参数之前，所述方法还包括：基于SVM算法，建立所述身体状态模型。本发明实施例还提供了一种信息处理装置，包括：监测单元、确定单元、选择单元以及输出单元；其中，所述监测单元，用于运动过程中监测用户的生命体征参数；所述确定单元，用于利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；所述选择单元，用于选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；所述输出单元，用于向所述用户输出选择的多媒体信息。上述方案中，所述输出单元，还用于当所述用户当前的身体状态为所述用户的极限状态时，停止向所述用户输出选择的多媒体信息，或者向所述用户输出用于告警的多媒体信息。上述方案中，所述第一基准多媒体信息特征值为两个以上不同的特征值；所述选择单元包括：查找模块及选择模块；其中，所述查找模块，用于在多媒体信息库中查找与所述第一基准多媒体信息的两个以上特征值对应的多媒体信息集合，所述多媒体信息集合中的各多媒体信息的两个以上特征值与所述第一基准多媒体信息的对应特征值相同的个数在预设范围内；所述选择模块，用于将查找到的多媒体信息集合中的各多媒体信息作为选择的多媒体信息。上述方案中，所述装置还包括：统计单元，用于统计所述多媒体信息库中每条多媒体信息的两个以上特征值，并存储至所述多媒体信息库。上述方案中，所述统计单元，还用于根据所述用户的喜好习惯，分析出所述用户的各身体状态下不喜欢的多媒体信息类型，并在所述多媒体信息库进行标识；相应地，选择的多媒体信息为符合用户的喜好习惯的多媒体信息。上述方案中，所述确定单元，具体用于：基于身体状态模型，利用监测的生命体征参数，确定所述用户在运动过程中当前的身体状态；所述身体状态模 型为基于SVM算法所建立的所述用户身体状态与生命体征参数的对应关系模型。上述方案中，所述装置还包括：模型建立单元，用于基于SVM算法，建立所述身体状态模型。本发明实施例提供的信息处理方法及装置，运动过程中监测用户的生命体征参数；利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；向所述用户输出选择的多媒体信息，基于所述用户的生命体征参数，对用户的身体状态进行识别，识别结果准确。同时，针对准确识别的用户当前的身体状态输出相应的多媒体信息，如此，能促进用户的运动效果，提升用户体验。附图说明在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。图1为本发明实施例一信息处理的方法流程示意图；图2为本发明实施例向用户推荐音乐的方法流程示意图；图3为本发明实施例音乐节拍对应的音乐类型的标识结果示意图；图4为本发明实施例二第一种信息处理装置结构示意图；图5本发明实施例二第二种信息处理装置结构示意图；图6为本发明实施例二第三种信息处理装置结构示意图。具体实施方式下面结合附图及实施例对本发明再作进一步详细的描述。描述本发明实施例之前，向详细了解一下目前在运动过程中向用户播放音乐等多媒体信息的技术方案。1)有几款APP，比如QQ音乐等，自动(或基于大众公认)将某类型的歌 曲根据场景分成了曲库，用户在跑步过程中，可以选择跑步场景对应的曲库，进行歌曲的播放，但是该方法的缺陷是：如果用户不手动对播放的歌曲进行切换，则只能听该类曲库的歌曲，如此，会造成用户在跑步时经常会遇到自己不愿意听到的歌曲，影响跑步效果。2)通过加速度传感器输出的加速度信息来识别用户当时的运动强度等级，并查找与之对应的歌曲。但是，仅通过加速度信息来播放相应的音乐，并不能准确反映用户实际的运动状态，比如将这种方式用在跑步机上(如果不手动进行切换)，则速度全程一致，加速度传感器无法检测用户跑步时的疲劳不适的情况，从而不能准确反映用户运动时的身体状态，播放的音乐也不能真正给用户起到增加运动效果的作用。另外，现有技术中，可以通过生理指标(脉搏、体温、血压、水合程度、心率、心电图(EKG)等)来感测用户训练时的状态，但该技术只是将感测到的生理数据直接进行显示，从而通过既有的显示结果来改变现有的训练方式，并未涉及如何根据生理数据对用户的身体状态进行分类，从而向用户播放相应的音乐。基于此，在本发明的各种实施例中：运动过程中监测用户的生命体征参数；利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；向所述用户输出选择的多媒体信息。实施例一本实施例信息处理的方法，如图1所示，该方法包括以下步骤：步骤101：运动过程中监测用户的生命体征参数；这里，所述生命体征参数可以包括：脉搏、体温、血压、皮肤电反应等。其中，所述皮肤电反应是指：皮肤电阻或电导随皮肤汗腺机能变化而改变，叫做皮电反应。实际应用时，可以实时监测用户的生命体征参数。相应地，可以通过相应 的采集设备来实时检测用户的生命体征参数。举个例子来说，可以采用集成有光电传感器、皮电反应传感器、皮肤温度传感器等采集设备(穿戴式设备)来实时检测用户的生命体征参数。其中，通过光电传感器可以获取所述用户的光电容积脉搏波。光电容积脉搏波是借助光电技术在活体组织中监测血液容积变化获得的波形信号，其信号特征中包含人体循环系统、呼吸系统等许多生理病理信息。光电容积脉搏波在血氧饱和度、脉搏、心率、呼吸频率、呼吸容积、血压、血红蛋白、血流动力学、循环功能、麻醉应激、动脉硬化等生理参数的无创监测中具有广泛应用前景。这里，实际应用时，还可以通过麦克风来监测所述用户的呼吸频率及分贝数据，从而获得呼吸频率、强度。在执行本步骤之前，该方法还可以包括：基于SVM算法，建立所述身体状态模型。其中，所述身体状态模型为基于SVM算法所建立的所述用户身体状态与生命体征参数的对应关系模型。建立的身体状态模型是与所述用户的身体状态相关的身体状态模型。对于如何建立身体状态模型，举个例子来说，如图2所示，假设用户的运动类型是跑步，通过集成有监测生命体征参数的穿戴式设备(比如运动手环等)监测所述用户跑步过程中的脉搏、体温、血压、皮电等生命体征参数，并通过麦克风监听所述用户跑步过程中的呼吸频率及分贝数据；跑步结束后，由所述用户自己在监测到的各种数据中标注跑步过程中的各身体状态对应(包括轻松、疲劳、平稳(恢复)、极限等状态)的时刻；之后采用标注后的监测数据，基于SVM分类算法，建立所述用户的身体状态与生命体征参数的对应关系模型。具体地，首先，通过个人大量的监测数据，根据其标注的跑步过程中的运动状态，获得四种状态样本，分别为轻松、疲劳、平稳(恢复)、极限：标记状态1类：轻松状态—身体感觉自然，精神轻松愉快；标记状态2类：疲劳—感觉疲惫，有明显的喘气；标记状态3类：平稳(恢复)—呼吸正常；标记状态4类：极限—费力呼吸，急促剧烈喘气，身体感觉难受。其次，基于SVM分类算法，建立身体状态模型；具体地，输入为每种身体状态下的脉搏次数(X1)、体温温度(X2)、血压值(X3)、皮电值(X4)、呼吸频率(X5)、分贝数据(X6)六个参数。根据标记的四种身体状态，建立模型。输出为任意标记的两类身体状态。使用SVM算法，确定分类模型参数。SVM分类算法的具体实现如下：步骤1：归一化：对跑步过程中的生理指标进行归一化，记录用户跑步过程中的生理指标Xi的最大值Ximax和最小值Ximin，计算新的Xi'＝(Xi-Ximin)/(Ximax-Ximin)。步骤2：降维本实施例中涉及六个参数，为了减少数据中蕴含的冗余，采用主成分分析(PCA)算法，将六维向量映射为更小维度的向量，并保存协方差矩阵C和维度N，供后续用户跑步过程中的生理指标数据输入后使用。步骤3：分类参数的网格寻优使用径向基函数RBF核函数的SVM分类模型中，涉及c、gamma两个参数。通过交叉验证，将训练数据划分为6类，确定最佳的c和gamma。步骤4：分类模型建立使用RBF核函数进行二类分类，代入最佳的c和gamma值，同时设置需要概率估计，最终确定模型参数(model)。下面详细说明如何建立身体状态模型。用户跑步过程中包含大量的身体生理指标的数据，假设用户在跑步过程中的生理指标包括：脉搏次数(X1)、体温温度(X2)、血压值(X3)、皮电值(X4)、呼吸频率(X5)、分贝数据(X6))。共记录n次，即n个样本，如表1所示。序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类1X11X21X31X41X51X61状态12X12X22X32X42X52X62状态23X13X23X33X43X53X63状态14X14X24X34X44X54X64状态35X15X25X35X45X55X65状态4……………………nX1nX1nX3nX4nX5nX6n状态2表1对任意两类样本之间设计一个SVM。在图2所示的例子中包含四种身体状态，故共计具体为：状态1及状态2，状态1及状态3，状态1及状态4，状态2及状态3，状态2及状态4，状态3及状态。具体地，SVM1(状态1和状态2)(如表2所示)序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类1X11X21X31X41X51X61状态12X12X22X32X42X52X62状态23X13X23X33X43X53X63状态1…X1n3X2n3X3n3X4n3X5n3X6n3状态2nX1nX1nX3nX4nX5nX6n状态2表2SVM2(状态1和状态3)(如表3所示)序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类1X11X21X31X41X51X61状态13X13X23X33X43X53X63状态14X14X24X34X44X54X64状态3…X1n1X2n1X3n1X4n1X5n1X6n1状态3表3SVM3(状态1和状态4)(如表4所示)序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类1X11X21X31X41X51X61状态13X13X23X33X43X53X63状态15X15X25X35X45X55X65状态4…X1n2X2n2X3n2X4n2X5n2X6n2状态4表4SVM4(状态2和状态3)(如表5所示)序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类2X12X22X32X42X52X62状态24X14X24X34X44X54X64状态3…X1n1X2n1X3n1X4n1X5n1X6n1状态3…X1n3X2n3X3n3X4n3X5n3X6n3状态2nX1nX1nX3nX4nX5nX6n状态2表5SVM5(状态2和状态4)(如表6所示)序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类2X12X22X32X42X52X62状态25X15X25X35X45X55X65状态4…X1n2X2n2X3n2X4n2X5n2X6n2状态4…X1n3X2n3X3n3X4n3X5n3X6n3状态2nX1nX1nX3nX4nX5nX6n状态2表6SVM6(状态3和状态4)(如表7所示)序号脉搏次数体温温度血压值皮电值呼吸频率分贝状态分类4X14X24X34X44X54X64状态35X15X25X35X45X55X65状态4…X1n1X2n1X3n1X4n1X5n1X6n1状态3…X1n2X2n2X3n2X4n2X5n2X6n2状态4表7分别对这六组SVM的数据进行归一化及降维，从而形成身体状态与生命体征参数的对应关系模型。实际应用时，可以根据运动类型的不同，采用上述方式来建立所述用户的身体状态与生命体征参数的对应关系模型。步骤102：利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；具体地，基于身体状态模型，利用监测的生命体征参数，确定所述用户在运动过程中当前的身体状态。对于图2所示的例子，基于上述已经建立的身体状态模型，带入新的用户跑步过程中的生理指标数据，对身体状态进行分类。具体地，将用户跑步过程中的生理指标数据带入上述的身体状态模型，生成预测结果：步骤1：归一化：对跑步过程中的生理指标进行归一化，用户跑步过程中新的生理指标为X'i＝(Xi-Ximin)/(Ximax-Ximin)；步骤2：降维：根据建模时保存的协方差矩阵C，将六维参数映射为新的参数(每个维度减去各自的均值，乘以协方差矩阵后，取前N维参数)。步骤3：模型预测：将数据代入模型model，设置需要概率估计，输出类别和概率。当对一个未知样本进行分类时，将向量带入这六个SVM模型中，最后得票最多的类别即为该未知样本的类别。其中，将六组对应的向量作为训练集，然后得到六个训练结果，在测试的时候，把对应的向量(X1a、X2a、X3a、X4a、X5a、X6a)分别对六个结果进行测试，然后采取投票形式。最后得票最多的类别即为该未知样本的类别。这里，投票过程及结果示意为：状态1＝状态2＝状态3＝状态4＝0；(状态1，状态2)：如果是状态1票数多，则状态1＝状态1+1；否则，状态2＝状态2+1；(状态1，状态3)：如果是状态1票数多，则状态1＝状态1+1；否则，状态3＝状态3+1；...(状态3,状态4)：如果是状态3票数多，则状态3＝状态3+1；否则，状态4＝状态4+1。最终用户某次运动过程中六个生理指标对应的身体状态结果为Max(状态1，状态2，状态3，状态4)。步骤103：选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；这里，实际应用时，所述多媒体信息可以为音乐、歌曲等。对于图2所示的例子，同理，采用与身体状态确定方式相同的处理方法，某个音乐对应的音乐类型为Max(music1、music2、music3、music4)。将身体状态与音乐类型建立对应关系后(即状态1对应music1、状态2对应music2、状态3对应music3、状态4对应music4)，媒体播放器向用户推荐适合于用户此时状态下的音乐歌曲。具体地，如果所述用户的当前身体状态为轻松，则所述第一基准多媒体信息为轻松状态下对应的音乐(节奏适中的音乐)。如果所述用户的当前身体状态为疲劳，则所述第一基准多媒体信息为疲劳状态下对应的音乐(节奏感强的音乐)。如果所述用户的当前身体状态为平稳(恢复)，则所述第一基准多媒体信息为平稳状态下对应的音乐(节奏感舒缓的音乐)。换句话说，当利用上述确定所述用户身体状态的过程，若确定身体状态为状态1(轻松状态)，则从媒体播放器中推送节奏感适中的音乐(music1)；若确定身体状态为状态2(疲劳状态)，则从媒体播放器中推送节奏感强的音乐(music2)；若确定身体状态为状态3(平稳恢复)，则从媒体播放器中推送节奏感舒缓的音乐(music3)；若确定身体状态为状态4(极限状态)，则从媒体播放器中推送警示性音乐或停止播放音乐(music4)。这里，需要说明的是：音乐分类方法是提取音乐中的节奏指标，通过SVM算法进行music1、music2、music3、music4分类，方法同理。对于基准多媒体信息，实际应用时，所述用户可以挑选出最符合各身体状态(身体轻松、疲劳、平稳状态)下的多媒体信息，作为各身体状态对应的基准多媒体信息。举个例子来说，假设多媒体信息为音乐，则所述用户可以以挑选出最符合各身体状态(身体轻松、疲劳、平稳状态)下的音乐，并获得相应地乐谱，作为各身体状态对应的基准多媒体信息。之后统计每首音乐的特征值(比如音的长短)的个数，包括：音符标记、休止符个数、附点音符和附点休止符、连音线、音符的连音划分；统计音乐中不同的节拍、节奏个数等，从而得到多个特征值。这里，实际应用时，统计的个数允许有一定范围的误差。基于此，实际应用时，所述第一基准多媒体信息特征值可以为两个以上不同的特征值；相应地，所述选择与第一基准多媒体信息特征值等同的多媒体信息，具体为：在多媒体信息库中查找与所述第一基准多媒体信息的两个以上特征值对应的多媒体信息集合，所述多媒体信息集合中的各多媒体信息的两个以上特征值与所述第一基准多媒体信息的对应特征值相同的个数在预设范围内；将查找到的多媒体信息集合中的各多媒体信息作为选择的多媒体信息。其中，所述预设范围可以根据需要进行设置。采用两个以上不同的特征值来进行比较，选择的多媒体信息的类型与所述第一基准多媒体信息类型的准确度会进一步提升。在多媒体信息库中查找与所述第一基准多媒体信息的两个以上特征值对应的多媒体信息集合之前，该方法还可以包括：统计所述多媒体信息库中每条多媒体信息的两个以上特征值，并存储至所述多媒体信息库，以形成所述多媒体信息集合。这里，实际应用时，统计所述多媒体信息库中每条多媒体信息的两个以上特征值时，可以基于用户的喜好习惯，分析出所述用户在对应身体状态下不喜欢的多媒体信息类型，从而实现不向所述用户输出用户不喜欢的多媒体信息。基于此，该方法还可以包括：根据所述用户的喜好习惯，分析出所述用户的各身体状态下不喜欢的多媒体信息类型，并在所述多媒体信息库进行标识；相应地，选择的多媒体信息为符合用户的喜好习惯的多媒体信息。举个例子来说，对于图2所示的例子，可以对用户在跑步时的音乐切换次数进行统计，分析出用户在某身体状态下不喜欢的音乐类型，从而得到图3所示的标识的结果。步骤104：向所述用户输出选择的多媒体信息。这里，实际应用时，可以根据用户运动过程中，根据各种身体状态，向所述用户输出与所述第一基准多媒体信息的对应特征值相同的个数在预设范围内的多媒体信息，通过多次运动训练，每种身体状态下的多媒体信息形成多媒体信息集合，记录每个集合中多媒体信息的输出次数，以及该多媒体信息的特征值个数。不断修正代表该身体状态下多媒体类型的特征值个数及区间范围，直到稳定，从而形成一个稳定的多媒体信息库。对于图2所示的例子，可以在用户跑步过程中，根据跑步状态，推送与该状态下与基准音乐具有类似特征值个数的音乐。经过多次跑步训练，每种身体状态下的音乐形成曲库(集合)，记录每种类型音乐的播放次数，以及该音乐的 特征值个数。不断修正代表该身体状态下音乐类型的音乐特征个数及区间范围，直到稳定。实际应用时，当所述用户当前的身体状态为所述用户的极限状态时，可以停止向所述用户输出选择的多媒体信息，或者向所述用户输出用于告警的多媒体信息，以提示所述用户应逐渐停止运动或放缓运动速度。其中，所述极限状态是指：身体状况十分不佳的状态。相应地，对于图2所示的例子，当所述用户当前的身体状态为所述用户的极限状态时，可以停止向所述用户播放音乐，或者向所述用户播放警示音乐，以提示所述用户应逐渐停止跑步或放缓跑步速度。本实施例提供的信息处理方法，运动过程中监测用户的生命体征参数；利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；向所述用户输出选择的多媒体信息，基于所述用户的生命体征参数，对用户的身体状态进行识别，识别结果准确。同时，针对准确识别的用户当前的身体状态输出相应的多媒体信息，如此，能促进用户的运动效果，提升用户体验。另外，当所述用户当前的身体状态为所述用户的极限状态时，停止向所述用户输出选择的多媒体信息，或者向所述用户输出用于告警的多媒体信息，以提示所述用户应逐渐停止运动或放缓运动速度，如此，能进一步提升用户体验。实施例二为实现本发明实施例的方法，本实施例提供了一种信息处理装置，如图4所示，该装置包括：监测单元41、确定单元42、选择单元43以及输出单元44；其中，所述监测单元41，用于运动过程中监测用户的生命体征参数；所述确定单元42，用于利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；所述选择单元43，用于选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；所述输出单元44，用于向所述用户输出选择的多媒体信息。其中，所述生命体征参数可以包括：脉搏、体温、血压、皮肤电反应等。其中，所述皮肤电反应是指：皮肤电阻或电导随皮肤汗腺机能变化而改变，叫做皮电反应。实际应用时，所述监测单元44可以实时监测用户的生命体征参数。相应地，可以通过相应的采集设备来实时检测用户的生命体征参数。举个例子来说，可以采用集成有光电传感器、皮电反应传感器、皮肤温度传感器等采集设备(穿戴式设备)来实时检测用户的生命体征参数。其中，通过光电传感器可以获取所述用户的光电容积脉搏波。光电容积脉搏波是借助光电技术在活体组织中监测血液容积变化获得的波形信号，其信号特征中包含人体循环系统、呼吸系统等许多生理病理信息。光电容积脉搏波在血氧饱和度、脉搏、心率、呼吸频率、呼吸容积、血压、血红蛋白、血流动力学、循环功能、麻醉应激、动脉硬化等生理参数的无创监测中具有广泛应用前景。这里，实际应用时，还可以通过麦克风来监测所述用户的呼吸频率及分贝数据，从而获得呼吸频率、强度。在一实施例中，如图5所示，该装置还可以包括：模型建立单元45，用于基于SVM算法，建立所述身体状态模型。其中，所述身体状态模型为基于SVM算法所建立的所述用户身体状态与生命体征参数的对应关系模型。建立的身体状态模型是与所述用户的身体状态相关的身体状态模型。对于如何建立身体状态模型，举个例子来说，如图2所示，假设用户的运动类型是跑步，通过集成有监测生命体征参数的穿戴式设备(比如运动手环等)监测所述用户跑步过程中的脉搏、体温、血压、皮电等生命体征参数，并通过麦克风监听所述用户跑步过程中的呼吸频率及分贝数据；跑步结束后，由所述 用户自己在监测到的各种数据中标注跑步过程中的各身体状态对应(包括轻松、疲劳、平稳(恢复)、极限等状态)的时刻；之后所述模型建立单元45采用标注后的监测数据，基于SVM分类算法，建立所述用户的身体状态与生命体征参数的对应关系模型。实际应用时，可以根据运动类型的不同，采用上述方式来建立所述用户的身体状态与生命体征参数的对应关系模型。所述确定单元42，具体用于：基于身体状态模型，利用监测的生命体征参数，确定所述用户在运动过程中当前的身体状态。这里，实际应用时，所述多媒体信息可以为音乐、歌曲等。对于图2所示的例子，如果所述用户的当前身体状态为轻松，则所述第一基准多媒体信息为轻松状态下对应的音乐(节奏适中的音乐)。如果所述用户的当前身体状态为疲劳，则所述第一基准多媒体信息为疲劳状态下对应的音乐(节奏感强的音乐)。如果所述用户的当前身体状态为平稳(恢复)，则所述第一基准多媒体信息为平稳状态下对应的音乐(节奏感舒缓的音乐)。对于基准多媒体信息，实际应用时，所述用户可以挑选出最符合各身体状态(身体轻松、疲劳、平稳状态)下的多媒体信息，作为各身体状态对应的基准多媒体信息。举个例子来说，假设多媒体信息为音乐，则所述用户可以以挑选出最符合各身体状态(身体轻松、疲劳、平稳状态)下的音乐，并获得相应地乐谱，作为各身体状态对应的基准多媒体信息。之后统计每首音乐的特征值(比如音的长短)的个数，包括：音符标记、休止符个数、附点音符和附点休止符、连音线、音符的连音划分；统计音乐中不同的节拍、节奏个数等，从而得到多个特征值。这里，实际应用时，统计的个数允许有一定范围的误差。基于此，实际应用时，所述第一基准多媒体信息特征值可以为两个以上不同的特征值；所述选择单元43包括：查找模块及选择模块；其中，所述查找模块，用于在多媒体信息库中查找与所述第一基准多媒体信息的两个以上特征值对应的多媒体信息集合，所述多媒体信息集合中的各多媒体信 息的两个以上特征值与所述第一基准多媒体信息的对应特征值相同的个数在预设范围内；所述选择模块，用于将查找到的多媒体信息集合中的各多媒体信息作为选择的多媒体信息。其中，所述预设范围可以根据需要进行设置。采用两个以上不同的特征值来进行比较，选择的多媒体信息的类型与所述第一基准多媒体信息类型的准确度会进一步提升。如图6所示，该装置还可以包括：统计单元46，用于统计所述多媒体信息库中每条多媒体信息的两个以上特征值，并存储至所述多媒体信息库，以形成所述多媒体信息集合。这里，实际应用时，统计所述多媒体信息库中每条多媒体信息的两个以上特征值时，可以基于用户的喜好习惯，分析出所述用户在对应身体状态下不喜欢的多媒体信息类型，从而实现不向所述用户输出用户不喜欢的多媒体信息。基于此，所述统计单元46，还用于根据所述用户的喜好习惯，分析出所述用户的各身体状态下不喜欢的多媒体信息类型，并在所述多媒体信息库进行标识；相应地，选择的多媒体信息为符合用户的喜好习惯的多媒体信息。举个例子来说，对于图2所示的例子，可以对用户在跑步时的音乐切换次数进行统计，分析出用户在某身体状态下不喜欢的音乐类型，从而得到图3所示的标识的结果。实际应用时，可以根据用户运动过程中，根据各种身体状态，向所述用户输出与所述第一基准多媒体信息的对应特征值相同的个数在预设范围内的多媒体信息，通过多次运动训练，每种身体状态下的多媒体信息形成多媒体信息集合，所述统计单元46记录每个集合中多媒体信息的输出次数，以及该多媒体信息的特征值个数。不断修正代表该身体状态下多媒体类型的特征值个数及区间范围，直到稳定，从而形成一个稳定的多媒体信息库。对于图2所示的例子，可以在用户跑步过程中，根据跑步状态，推送与该 状态下与基准音乐具有类似特征值个数的音乐。经过多次跑步训练，每种身体状态下的音乐形成曲库(集合)，所述统计单元46记录每种类型音乐的播放次数，以及该音乐的特征值个数。不断修正代表该身体状态下音乐类型的音乐特征个数及区间范围，直到稳定。实际应用时，所述输出单元44，还用于当所述用户当前的身体状态为所述用户的极限状态时，停止向所述用户输出选择的多媒体信息，或者向所述用户输出用于告警的多媒体信息。其中，所述极限状态是指：身体状况十分不佳的状态。相应地，对于图2所示的例子，当所述用户当前的身体状态为所述用户的极限状态时，所述输出单元44可以停止向所述用户播放音乐，或者向所述用户播放警示音乐，以提示所述用户应逐渐停止跑步或放缓跑步速度。实际应用时，所述监测单元41可由信息处理装置中的各种传感器实现；所述确定单元42、选择单元43、模型建立单元45、查找模块、选择模块、以及统计单元46可由信息处理装置中的中央处理器(CPU，CentralProcessingUnit)、微处理器(MCU，MicroControlUnit)、数字信号处理器(DSP，DigitalSignalProcessor)或可编程逻辑阵列(FPGA，Field－ProgrammableGateArray)实现；输出单元44可由信息处理装置中的听筒实现。本实施例提供的信息处理装置，监测单元41运动过程中监测用户的生命体征参数；所述确定单元42利用监测的生命体征参数，并基于SVM算法，确定所述用户在运动过程中当前的身体状态；所述选择单元43选择与第一基准多媒体信息特征值等同的多媒体信息；所述第一基准多媒体信息为所述用户当前身体状态对应的基准多媒体信息；所述输出单元44向所述用户输出选择的多媒体信息，基于所述用户的生命体征参数，对用户的身体状态进行识别，识别结果准确。同时，针对准确识别的用户当前的身体状态输出相应的多媒体信息，如此，能促进用户的运动效果，提升用户体验。另外，当所述用户当前的身体状态为所述用户的极限状态时，所述输出单元44停止向所述用户输出选择的多媒体信息，或者向所述用户输出用于告警的 多媒体信息，以提示所述用户应逐渐停止运动或放缓运动速度，如此，能进一步提升用户体验。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。当前第1页1 2 3