运动模式的识别方法、系统、智能穿戴设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其是一种运动模式的识别方法、系统、智能穿戴设备及存储介质。


背景技术：

2.近年来，随着可穿戴式智能设备的大规模推广和应用，以及设备搭载处理器的处理算力提高，人体运动模式的分类和识别成为人工智能领域的一个重要研究课题。可穿戴式智能设备根据佩戴位置的不同可以分为绑在手腕(如智能手环、智能手表)、固定在鞋子(如智能跑鞋)以及佩戴在头部(如智能眼镜)等类型。这些设备都自带各式各样的传感器，如加速度计、磁力计以及心率传感器等，可以随时随地测量采集用户的运动信息，利用数据可以分析得到用户的运动情况，从而帮助用户及时了解运动锻炼的程度，以做出相应的调整。
3.相关技术中，在通过人工智能技术对用户的运动模式进行识别时，运动识别模型往往需要使用多种传感器采集得到的信息，这样的方法增加了硬件成本；而且，现有的识别方法不仅需要得到传感器数据的时间序列，还需要对序列进行频域分析，需要提取的特征种类繁多，大大增加了设备的内存消耗和处理计算量，从而导致可穿戴设备的功耗上升。现有的运动识别模型，一般通过比较用户运动数据的特征值和各个模型的阈值的大小关系，从而推断出用户的运动模式，这种方法依赖于阈值的选取，用户佩戴设备的方式以及运动的动作都对判断结果产生较大影响，模型鲁棒性较差，最终得到的识别结果准确度偏低。
4.综合上述，相关技术中存在的技术问题亟需得到解决。


技术实现要素：

5.本技术的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
6.为此，本技术实施例的一个目的在于提供一种运动模式的识别方法，该方法可以提高运动模式识别的准确性。
7.本技术实施例的另一个目的在于提供运动模式的识别系统。
8.为了达到上述技术目的，本技术实施例所采取的技术方案包括：
9.第一方面，本技术实施例提供了一种运动模式的识别方法，所述方法包括以下步骤：
10.通过智能穿戴设备采集用户运动过程中的运动数据；所述运动数据包括所述智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；
11.根据所述运动数据，提取所述用户运动的第一特征数据；
12.将所述第一特征数据输入到训练好的运动模式识别模型中进行运动模式的识别，得到第一识别结果；所述第一识别结果用于表征所述运动模式识别模型对所述运动数据识别输出的运动模式的类别；
13.增加所述第一识别结果对应的运动模式的投票计数值，并返回所述通过智能穿戴
设备采集用户运动过程中的运动数据的步骤；
14.响应于用户的交互指令或者预定的触发指令，根据当前各个运动模式的投票计数值的最高值，确定当前的运动模式识别结果。
15.另外，根据本技术上述实施例的运动模式的识别方法，还可以具有以下附加的技术特征：
16.进一步地，在本技术的一个实施例中，所述运动模式识别模型通过以下步骤得到：
17.采集批量用户的样本数据，所述样本数据包括用户的智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；所述样本数据携带有标签，所述标签用于表征运动模式的类别；
18.对所述样本数据进行特征提取，得到第二特征数据，将所述第二特征数据输入到初始化的运动模式识别模型中进行运动模式的识别，得到所述样本数据对应的第二识别结果；所述第二识别结果用于表征所述运动模式识别模型对所述样本数据识别输出的运动模式的类别；
19.根据所述标签和所述第二识别结果，确定训练的损失值；
20.根据所述损失值，通过反向传播算法对所述运动模式识别模型进行参数更新，得到训练好的运动模式识别模型。
21.进一步地，在本技术的一个实施例中，所述确定训练的损失值，包括：
22.通过交叉熵损失函数确定训练的损失值。
23.进一步地，在本技术的一个实施例中，所述方法还包括以下步骤：
24.通过低通滤波器对所述运动数据进行低通滤波处理。
25.进一步地，在本技术的一个实施例中，所述根据所述运动数据，提取所述用户运动的第一特征数据，包括：
26.采用滑窗法计算所述加速度序列数据的均值数据和标准差数据；
27.根据所述均值数据和所述标准差数据，确定第一特征数据。
28.进一步地，在本技术的一个实施例中，所述采集批量用户的样本数据，包括：
29.采集批量的样本数据，将所述样本数据划分为训练集和验证集；
30.所述对所述运动模式识别模型进行参数更新，得到训练好的运动模式识别模型，包括：
31.通过所述验证集对每次参数更新后的模型进行验证，确定所述运动模式识别模型的识别准确率；
32.若当前所述识别准确率大于预设阈值，则完成所述运动模式识别模型的训练，得到训练好的运动模式识别模型。
33.进一步地，在本技术的一个实施例中，所述方法还包括以下步骤：
34.每经过预定的时间间隔，对各个运动模式的投票计数值进行更新；
35.所述对各个运动模式的投票计数值进行更新，包括：
36.根据所述运动数据的采样频率和所述时间间隔的长短，确定第一数值；
37.将各个运动模式的投票计数值减去所述第一数值，得到第二数值；
38.若所述第二数值大于等于0，则将所述第二数值确定为更新后的投票计数值；
39.若所述第二数值小于0，则将0确定为更新后的投票计数值。
40.第二方面，本技术实施例提供了一种运动模式的识别系统，所述系统包括：
41.采集模块，用于通过智能穿戴设备采集用户运动过程中的运动数据；所述运动数据包括所述智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；
42.提取模块，用于根据所述运动数据，提取所述用户运动的第一特征数据；
43.预测模块，用于将所述第一特征数据输入到训练好的运动模式识别模型中进行运动模式的识别，得到第一识别结果；所述第一识别结果用于表征所述运动模式识别模型对所述运动数据识别输出的运动模式的类别；
44.更新模块，用于增加所述第一识别结果对应的运动模式的投票计数值，并返回所述通过智能穿戴设备采集用户运动过程中的运动数据的步骤；
45.处理模块，用于响应于用户的交互指令或者预定的触发指令，根据当前各个运动模式的投票计数值的最高值，确定当前的运动模式识别结果。
46.第三方面，本技术实施例提供了一种智能穿戴设备，包括：
47.至少一个处理器；
48.至少一个存储器，用于存储至少一个程序；
49.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现第一方面所述的运动模式的识别方法。
50.第四方面，本技术实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的运动模式的识别方法。
51.本技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到：
52.本技术实施例中提供一种运动模式的识别方法，该方法通过智能穿戴设备采集用户运动过程中的运动数据；所述运动数据包括所述智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；根据所述运动数据，提取所述用户运动的第一特征数据；将所述第一特征数据输入到训练好的运动模式识别模型中进行运动模式的识别，得到第一识别结果；所述第一识别结果用于表征所述运动模式识别模型对所述运动数据识别输出的运动模式的类别；增加所述第一识别结果对应的运动模式的投票计数值，并返回所述通过智能穿戴设备采集用户运动过程中的运动数据的步骤；响应于用户的交互指令或者预定的触发指令，根据当前各个运动模式的投票计数值的最高值，确定当前的运动模式识别结果。该方法通过对用户的运动数据提取关键特征，使用机器学习算法对运动过程进行建模和识别分析，进而基于模型进行运动模式的类别预测，并通过一个时间段内状态估计过程提高识别精度，可以在处理数据量小的情况下，提高运动识别的精度和准确率。
附图说明
53.为了更清楚地说明本技术实施例或者现有技术中的技术方案，下面对本技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本技术的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
54.图1为本技术实施例中提供的一种运动模式的识别方法的实施环境示意图；
55.图2为本技术实施例中提供的一种运动模式的识别方法的流程示意图；
56.图3为本技术实施例中提供的一种运动模式的识别系统的结构示意图；
57.图4为本技术实施例中提供的一种智能穿戴设备的结构示意图。
具体实施方式
58.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
59.近年来，随着可穿戴式智能设备的大规模推广和应用，以及设备搭载处理器的处理算力提高，人体运动模式的分类和识别成为人工智能领域的一个重要研究课题。可穿戴式智能设备根据佩戴位置的不同可以分为绑在手腕(如智能手环、智能手表)、固定在鞋子(如智能跑鞋)以及佩戴在头部(如智能眼镜)等类型。这些设备都自带各式各样的传感器，如加速度计、磁力计以及心率传感器等，可以随时随地测量采集用户的运动信息，利用数据可以分析得到用户的运动情况，从而帮助用户及时了解运动锻炼的程度，以做出相应的调整。
60.相关技术中，在通过人工智能技术对用户的运动模式进行识别时，运动识别模型往往需要使用多种传感器采集得到的信息，这样的方法增加了硬件成本；而且，现有的识别方法不仅需要得到传感器数据的时间序列，还需要对序列进行频域分析，需要提取的特征种类繁多，大大增加了设备的内存消耗和处理计算量，从而导致可穿戴设备的功耗上升。现有的运动识别模型，一般通过比较用户运动数据的特征值和各个模型的阈值的大小关系，从而推断出用户的运动模式，这种方法依赖于阈值的选取，用户佩戴设备的方式以及运动的动作都对判断结果产生较大影响，模型鲁棒性较差，最终得到的识别结果准确度偏低。
61.有鉴于此，本技术实施例中提供一种运动模式的识别方法，本技术实施例中的方法，通过对用户的运动数据提取关键特征，使用机器学习算法对运动过程进行建模和识别分析，进而基于模型进行运动模式的类别预测，并通过一个时间段内状态估计过程提高识别精度，可以在处理数据量小的情况下，提高运动识别的精度和准确率。
62.首先，请参照图1，图1是本技术实施例提供的一种运动模式的识别方法的实施环境示意图。参照图1，该实施环境的软硬件主体主要包括智能穿戴设备101和服务器102，智能穿戴设备101与服务器102通信连接。其中，该运动模式的识别方法可以单独配置于智能穿戴设备101执行，也可以单独配置于服务器102执行，或者基于智能穿戴设备101与服务器102二者之间的交互来执行，具体可以根据实际应用情况进行适当的选择，本实施例对此并不作具体限定。
63.具体地，本技术中的智能穿戴设备101可以包括但不限于智能手表、智能手环、智能跑鞋、智能眼镜等设备中的任意一种或者多种。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)以及大数据和人工智能平台等基础云计算服
务的云服务器。智能穿戴设备101与服务器102之间可以通过无线网络或有线网络建立通信连接，该无线网络或有线网络使用标准通信技术和/或协议，网络可以设置为因特网，也可以是其它任何网络，例如包括但不限于局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
64.请参照图2，图2是本技术实施例提供的一种运动模式的识别方法的示意图，该运动模式的识别方法可以配置在智能穿戴设备或者服务器中的至少一者执行。参照图2，该运动模式的识别方法包括但不限于：
65.步骤110、通过智能穿戴设备采集用户运动过程中的运动数据；所述运动数据包括所述智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；
66.本步骤中，可以通过智能穿戴设备采集用户运动时的运动数据，该运动数据主要包括有智能穿戴设备在x、y、z三个空间轴方向上的加速度数据，为方便后续处理，在采集时可以直接按照采集数据的时间分布对数据进行排序，从而得到各个空间轴方向上的加速度序列数据。
67.本技术中，在对用户的运动模式进行识别时，只需要采集智能穿戴设备的加速度数据即可，一方面能够降低对智能穿戴设备的传感器数量和种类的需求，另一方面，能够降低数据处理量，使得该方法在智能穿戴设备端执行时占用的内存和处理器资源较少，从而降低智能穿戴设备的硬件成本。
68.在一些实施例中，本步骤在得到上述的加速度序列数据后，还可以对数据进行预处理，提高采集数据的准确性。例如，采集得到的原始数据中可能包含较大的高频噪声，本技术实施例中，可以采用低通滤波器对运动数据进行处理，通过低通滤波可以减小信号的噪声，提高信噪比，从而可以提高识别得到的结果的准确性。
69.步骤120、根据所述运动数据，提取所述用户运动的第一特征数据；
70.本步骤中，在采集得到运动数据后，可以根据运动数据提取第一特征数据。具体地，本技术实施例中对特征提取过程中采用的算法不作限制。可以理解的是，一般来说，在用户运动过程中，智能穿戴设备在某个方向的加速度数据的大小，能够反映在该方向上运动幅度的情况，而加速度数据的差值，则能反映在该方向上运动的剧烈程度。因此，在本技术的一些实施例中，对于采集到的运动数据，可以采用滑窗法依次截取一段的加速度序列数据，然后计算该部分序列的均值数据以及标准差数据，其中，均值数据可以反映运动的主要方向，数值越大代表在该方向上的运动分量越大；标准差数据可以反映运动的剧烈程度，运动越剧烈则加速度的数值抖动越大，标准差则越大。假设滑窗法中选择滑动窗口的大小设为n，则序列的均值数据计算公式可以为：
[0071][0072]
序列的标准差数据计算公式可以为：
[0073][0074]
式中，xi表示某次滑窗法截取的加速度序列数据中的第i个数据，x表示均值数据。
[0075]
通过滑窗法对运动数据进行多次截取，可以得到多组各个空间轴方向上加速度序列数据的均值数据和标准差数据，根据这些数据，可以构造成向量或者矩阵等格式的第一特征数据。第一特征数据可以用于后续的模型识别预测。
[0076]
步骤130、将所述第一特征数据输入到训练好的运动模式识别模型中进行运动模式的识别，得到第一识别结果；所述第一识别结果用于表征所述运动模式识别模型对所述运动数据识别输出的运动模式的类别；
[0077]
本步骤中，在得到第一特征数据后，可以将第一特征数据输入到训练好的运动模式识别模型中进行预测，从而得到当前用户的运动数据对应的一个识别结果，记为第一识别结果，第一识别结果可以用于表示预先设定的运动模式的类别，例如可以包括跑步、拳击、打篮球、踢足球等任意一种或者多种，本技术对此不作限制。此处，需要说明的是，由于运动是一个连续的过程，仅仅通过一小段时间的小批量数据预测得到的结果，很可能存在有误差。例如，用户在进行某些运动时，可能其中的部分动作和其他类型的运动类似，结果导致整体上识别有误。因此，本技术实施例中，在得到第一识别结果后，进一步通过一段时间的状态估计确定真实的识别结果。
[0078]
步骤140、增加所述第一识别结果对应的运动模式的投票计数值，并返回所述通过智能穿戴设备采集用户运动过程中的运动数据的步骤；
[0079]
本步骤中，对于某个运动模式，可以设置一个投票计数值，然后根据多次的识别结果累计确定投票计数值。具体地，当执行一次上述的步骤110至步骤130后，可以得到一个第一识别结果，第一识别结果对应一种运动模式。此时，可以增加一次第一识别结果对应的运动模式的投票计数值，例如可以对其数值加1。然后，可以重新返回执行上述的步骤110至步骤130的过程。如此，每种运动模式对应的投票计数值将表征最近的一段历史时间内，用户进行该种运动的可能性大小，投票计数值越大的运动模式，说明用户越有可能在进行该种运动。
[0080]
步骤150、响应于用户的交互指令或者预定的触发指令，根据当前各个运动模式的投票计数值的最高值，确定当前的运动模式识别结果。
[0081]
本技术实施例中，前述的步骤110至步骤140可以循环执行，当用户想要查看当前识别结果时，或者程序需要记录用户当前的运动信息时，可以自动根据当前各个运动模式的投票记录值中的最高者，确定当前的运动模式识别结果。该结果可以由智能穿戴设备显示给用户，或者自动保存记录，方便用于后续其他任务的分析。具体地，当需要确定当前的运动模式识别结果时，可以是由用户的交互指令触发，比如说一些实施例中，可以是用户点击智能穿戴设备上相关的虚拟按钮下发该交互指令；在一些实施例中，也可以是用户通过语音交互等功能向智能穿戴设备下发该交互指令。该步骤也可以由程序自动设置触发，比如每经过半个小时，生成一次预定的触发指令，该交互指令和触发指令都可以触发执行一次确定当前的运动模式识别结果的任务。
[0082]
在一些实施例中，所述运动模式识别模型通过以下步骤得到：
[0083]
采集批量用户的样本数据，所述样本数据包括用户的智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；所述样本数据携带有标签，所述标签用于表征运动模式的类别；
[0084]
对所述样本数据进行特征提取，得到第二特征数据，将所述第二特征数据输入到
初始化的运动模式识别模型中进行运动模式的识别，得到所述样本数据对应的第二识别结果；所述第二识别结果用于表征所述运动模式识别模型对所述样本数据识别输出的运动模式的类别；
[0085]
根据所述标签和所述第二识别结果，确定训练的损失值；
[0086]
根据所述损失值，通过反向传播算法对所述运动模式识别模型进行参数更新，得到训练好的运动模式识别模型。
[0087]
本技术实施例中，上述实施例中使用的运动模式识别模型，在真正投入应用前需要经过训练的过程。具体地，在训练运动模式识别模型时，可以采集获取批量的用户的样本数据，此处，样本数据的获取以及处理过程和前述的运动数据较为类似，在此不再一一赘述。本技术实施例中，样本数据还携带有标签，该标签用于表征运动模式的类别，即样本数据真实对应的运动模式。对样本数据进行特征提取，可以得到第二特征数据，接着，可以将第二特征数据输入到初始化的运动模式识别模型中，得到运动模式识别模型输出的预测结果，记为第二识别结果。得到第二识别结果后，可以根据该预测结果和样本数据携带的标签评估运动模式识别模型预测的准确性，以对模型进行反向传播训练，更新其内容的相关参数。
[0088]
具体地，对于运动模式识别模型来说，它的预测结果的准确性可以通过损失函数(loss function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(cost function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本技术实施例中，可以从中任选一种损失函数来确定训练的损失值，为了防止模型出现过拟合现象，可以采用正则化的方法来防止过度拟合，例如可以在损失函数设置l2正则项，就是在原本的损失函数基础上加上一个惩罚项，以使模型里面的参数复杂度变小，从而达到避免过拟合现象的发生。
[0089]
在一些实施例中，本技术采集得到的样本数据，可以按照60％为训练集、20％为验证集、20％为测试集的比例进行拆分。在确定模型是否训练完成时，可以通过验证集对每次参数更新后的模型进行验证，确定运动模式识别模型的识别准确率；然后，若当前模型的识别准确率大于预设阈值，则完成运动模式识别模型的训练，得到训练好的运动模式识别模型；若当前模型的识别准确率小于等于预设阈值，则继续运动模式识别模型的训练，直至训练完成。此处，预设阈值的大小可以根据需要灵活设定，本技术对此不作限制。
[0090]
在一些实施例中，本技术的方法还可以包括以下步骤：
[0091]
每经过预定的时间间隔，对各个运动模式的投票计数值进行更新；
[0092]
所述对各个运动模式的投票计数值进行更新，包括：
[0093]
根据所述运动数据的采样频率和所述时间间隔的长短，确定第一数值；
[0094]
将各个运动模式的投票计数值减去所述第一数值，得到第二数值；
[0095]
若所述第二数值大于等于0，则将所述第二数值确定为更新后的投票计数值；
[0096]
若所述第二数值小于0，则将0确定为更新后的投票计数值。
[0097]
本技术实施例中，由于最终的运动模式识别结果是采用连续的状态估计的结果确定的。为了防止识别结果受历史数据的影响过多，导致维持在某一个状态不变的情况，可以定时插入一个清除投票计数值的中断过程。本技术实施例中，当经过预定的时间间隔时，可以对所有的投票计数值减少k，如果原本的投票计数值不足k，则直接清零即可。此处，k可以记为第一数值，第一数值的大小，可以通过运动数据的采样频率和所述时间间隔的长短确定，具体可以是和采样频率以及所述时间间隔的长短成正相关，比如由两者的加权确定。接着，对于每种运动模式，在中断更新时其对应的投票计数值可以减去k，得到的数值记为第二数值，如果第二数值小于0，则将0确定为更新后的投票计数值；如果第二数值大于等于0，则将第二数值确定为更新后的投票计数值。如此，可以提高得到的识别结果的准确性。
[0098]
下面参照附图详细描述根据本技术实施例提出的运动模式的识别系统。
[0099]
参照图3，本技术实施例中提出的运动模式的识别系统，系统包括：
[0100]
采集模块201，用于通过智能穿戴设备采集用户运动过程中的运动数据；所述运动数据包括所述智能穿戴设备在三个空间轴方向上随时间分布的加速度序列数据；
[0101]
提取模块202，用于根据所述运动数据，提取所述用户运动的第一特征数据；
[0102]
预测模块203，用于将所述第一特征数据输入到训练好的运动模式识别模型中进行运动模式的识别，得到第一识别结果；所述第一识别结果用于表征所述运动模式识别模型对所述运动数据识别输出的运动模式的类别；
[0103]
更新模块204，用于增加所述第一识别结果对应的运动模式的投票计数值，并返回所述通过智能穿戴设备采集用户运动过程中的运动数据的步骤；
[0104]
处理模块205，用于响应于用户的交互指令或者预定的触发指令，根据当前各个运动模式的投票计数值的最高值，确定当前的运动模式识别结果。
[0105]
可以理解的是，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0106]
参照图4，本技术实施例提供了智能穿戴设备，包括：
[0107]
至少一个处理器301；
[0108]
至少一个存储器302，用于存储至少一个程序；
[0109]
当至少一个程序被至少一个处理器301执行时，使得至少一个处理器301实现的运动模式的识别方法。
[0110]
同理，上述方法实施例中的内容均适用于本智能穿戴设备实施例中，本智能穿戴设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0111]
本技术实施例还提供了一种计算机可读存储介质，其中存储有处理器301可执行的程序，处理器301可执行的程序在由处理器301执行时用于执行上述的运动模式的识别方法。
[0112]
同理，上述方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果
与上述方法实施例所达到的有益效果也相同。
[0113]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本技术的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0114]
此外，虽然在功能性模块的背景下描述了本技术，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本技术是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本技术。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本技术的范围，本技术的范围由所附权利要求书及其等同方案的全部范围来决定。
[0115]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台智能穿戴设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0116]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0117]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0118]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下
列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0119]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0120]
尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。
[0121]
以上是对本技术的较佳实施进行了具体说明，但本技术并不限于实施例，熟悉本领域的技术人员在不违背本技术精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。