一种运动识别方法、装置、设备和计算机存储介质与流程

本发明涉及计算机应用技术领域，特别涉及一种运动识别方法、装置、设备和计算机存储介质。

【背景技术】

随着无线通信技术和智能移动设备的广泛应用，移动设备已经成为人们工作、生活的重要工具，各大服务提供商也致力于通过移动设备向用户提供各种服务，使得用户能够通过手机、平板电脑、智能穿戴式设备等随时随地获取想要的服务。目前应用比较广泛的诸如lbs(locationbasedservice，基于位置的服务)，用户可以通过移动设备获取自己所在位置的生活信息、交通信息、查找最近的娱乐场所、加油站、医院、车站等公共设施，等等。但随着用户服务需求的不断提高，服务提供商也需要向更广阔的方面扩展基于移动设备的应用和服务。

技术实现要素：

有鉴于此，本发明提供了一种运动识别方法、装置、设备和计算机存储介质，以便于基于移动设备实现运动识别，为基于运动识别的服务提供基础。

具体技术方案如下：

本发明还提供了一种运动识别方法，该方法包括：

分别获取移动设备采集的传感器数据和位置数据；

对所述传感器数据和位置数据进行特征分析；

利用预先训练得到的分类器对分析得到的特征进行分类，得到运动类型。

根据本发明一实施方式，所述位置数据包括：

所述移动设备通过gps定位、辅助gps定位、基站定位或接入点定位得到的位置数据。

根据本发明一实施方式，所述传感器数据包括惯性传感器数据。

根据本发明一实施方式，所述惯性传感器数据包括加速度数据。

根据本发明一实施方式，对所述传感器数据进行特征分析，得到以下特征中的一种或任意组合：

波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩以及均方根。

根据本发明一实施方式，对所述位置数据进行特征分析，得到以下特征中的一种或任意组合：

速度、运动轨迹以及地理位置分布。

根据本发明一实施方式，利用预先训练得到的分类器对分析得到的特征进行分类包括：

将对传感器数据和位置数据分析得到的特征输入同一分类器，得到该分类器对运动类型的分类结果。

根据本发明一实施方式，利用预先训练得到的分类器对分析得到的特征进行分类包括：

将对传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；

若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；若第一分类器的分类结果不属于预设运动类型，将第一分类器的分类结果作为得到的运动类型。

根据本发明一实施方式，利用预先训练得到的分类器对分析得到的特征进行分类包括：

将对传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；

若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征以及对传感器数据分析得到的部分特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；若第一分类器的分类结果不属于预设运动类型，将第一分类器的分类结果作为得到的运动类型。

根据本发明一实施方式，所述预设运动类型包括：使用交通工具的运动类型。

根据本发明一实施方式，所述对传感器数据分析得到的部分特征包括以下至少一种：

波峰数目、过零率以及均方根。

根据本发明一实施方式，该方法还包括按照以下方式预先训练所述分类器：

针对各种运动类型，分别获取移动设备采集的传感器数据和位置数据并进行特征分析；

将各种运动类型对应的特征作为训练数据，训练所述分类器。

根据本发明一实施方式，该方法还包括按照以下方式预先训练所述第一分类器：

针对各种运动类型，分别获取移动设备采集的传感器数据并进行特征分析，将各种运动类型对应的特征作为训练数据，训练所述第一分类器。

根据本发明一实施方式，该方法还包括按照以下方式预先训练所述第二分类器：

针对所述预设运动类型，分别获取移动设备采集的位置数据并进行特征分析，将所述预设运动类型对应的特征作为训练数据，训练所述第二分类器。

根据本发明一实施方式，该方法还包括按照以下方式预先训练所述第二分类器：

针对所述预设运动类型，分别获取移动设备采集的传感器数据和位置数据并进行特征分析；

将对位置数据分析得到的特征以及对传感器数据分析的得到的所述部分特征作为训练数据，训练所述第二分类器。

根据本发明一实施方式，该方法还包括：

基于所述运动类型，向所述移动设备提供与所述运动类型相对应的服务。

本发明还提供了一种运动识别装置，该装置包括：

数据获取单元，用于分别获取移动设备采集的传感器数据和位置数据；

特征分析单元，用于对所述传感器数据和位置数据进行特征分析；

分类识别单元，用于利用预先训练得到的分类器对所述特征分析单元分析得到的特征进行分类，得到运动类型。

根据本发明一实施方式，所述位置数据包括：

所述移动设备通过gps定位、辅助gps定位、基站定位或接入点定位得到的位置数据。

根据本发明一实施方式，所述传感器数据包括惯性传感器数据。

根据本发明一实施方式，所述惯性传感器数据包括加速度数据。

根据本发明一实施方式，所述特征分析单元对所述传感器数据进行特征分析，得到以下特征中的一种或任意组合：

波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩以及均方根。

根据本发明一实施方式，所述特征分析单元对所述位置数据进行特征分析，得到以下特征中的一种或任意组合：

速度、运动轨迹以及地理位置分布。

根据本发明一实施方式，所述分类识别单元，具体用于：将对传感器数据和位置数据分析得到的特征输入同一分类器，得到该分类器对运动类型的分类结果。

根据本发明一实施方式，所述分类识别单元，具体用于：

将对传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；

若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；若第一分类器的分类结果不属于预设运动类型，将第一分类器的分类结果作为得到的运动类型。

根据本发明一实施方式，所述分类识别单元，具体用于：

将对传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；

若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征以及对传感器数据分析得到的部分特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；若第一分类器的分类结果不属于预设运动类型，将第一分类器的分类结果作为得到的运动类型。

根据本发明一实施方式，所述预设运动类型包括：使用交通工具的运动类型。

根据本发明一实施方式，所述对传感器数据分析得到的部分特征包括以下至少一种：

波峰数目、过零率以及均方根。

根据本发明一实施方式，该装置还包括：

训练单元，用于针对各种运动类型，分别获取移动设备采集的传感器数据和位置数据并进行特征分析；将各种运动类型对应的特征作为训练数据，训练所述分类器。

根据本发明一实施方式，该装置还包括：

训练单元，用于针对各种运动类型，分别获取移动设备采集的传感器数据并进行特征分析，将各种运动类型对应的特征作为训练数据，训练所述第一分类器。

根据本发明一实施方式，该装置还包括：

训练单元，用于针对所述预设运动类型，分别获取移动设备采集的位置数据并进行特征分析，将所述预设运动类型对应的特征作为训练数据，训练所述第二分类器。

根据本发明一实施方式，该装置还包括：

训练单元，用于针对所述预设运动类型，分别获取移动设备采集的传感器数据和位置数据并进行特征分析；将对位置数据分析得到的特征以及对传感器数据分析的得到的所述部分特征作为训练数据，训练所述第二分类器。

根据本发明一实施方式，该方法还包括：

基于所述运动类型，向所述移动设备提供与所述运动类型相对应的服务。

本发明还提供了一种设备，包括

存储器，包括一个或者多个程序；

一个或者多个处理器，耦合到所述存储器，执行所述一个或者多个程序，以实现上述方法中执行的操作。

本发明还提供了一种计算机存储介质，所述计算机存储介质被编码有计算机程序，所述程序在被一个或多个计算机执行时，使得所述一个或多个计算机执行上述方法中执行的操作。

由以上技术方案可以看出，本发明基于传感器数据和位置数据进行特征分析和分类后，实现针对移动设备的运动识别，为基于运动识别的服务提供基础。

更进一步地，本发明在基于惯性传感器数据的特征之外，融合了基于位置数据的特征进行运动类型的识别，对基于惯性传感器数据的特征相似度较高的运动类型的识别结果进行有效校正，提高识别结果的准确性。

【附图说明】

图1为现有技术中运动识别的示意图；

图2(a)～(d)为几种运动场景下的特征分布图；

图3为本发明实施例提供的方法流程图；

图4～图6为本发明实施例提供的三种运动识别方式的示意图；

图7为本发明实施例提供的装置结构图；

图8为本发明实施例提供的实现场景感知服务的架构图；

图9为本发明实施例提供的设备结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

移动设备的运动识别指的是设备采集用户的相关传感器数据进行分析，进而识别出用户的活动种类，主要包括步行、跑步、开车、骑车、静止等活动。运动识别可以作为移动设备端健康数据分析应用的基础，也可以为移动操作系统提供场景感知服务的重要基础。

作为一种运动识别方式，可以基于惯性传感器，如图1中所示。将惯性传感器采集的运动数据进行特征分析，然后由预先训练好的分类器基于分析得到的特征进行分类，从而得到运动识别结果。

移动设备在用户使用过程中的摆放情况非常复杂，不同摆放位置情况下，同种活动的特征具有很大差异性。如图2(a)和图2(b)所示，用户将设备置于双肩包内并背着包骑车的情景(表示为bikingbackpack)与用户将设备置于裤子口袋骑车的情景(表示为bikingpocket)有很大不同。用户腿部的踩踏活动规律在bikingbackpack下较难被传感器感知到，而在bikingpocket下很容易被传感器感知到，造成两者的特征空间分布有明显分离。如图2(a)中横轴和纵轴分别为对惯性传感器数据进行特征分析后得到两个不同的特征，例如波峰数目、过零率、偏度、均方根等等。图2(b)中横轴表示对惯性传感器数据进行特征分析后得到的反映踩踏节奏的特征cadence，纵轴为该特征cadence的分布密度。

而基于惯性传感器数据分析得到的特征，在不同摆放位置情况下，不同种活动又可能具有相似性。如图2(c)和图2(d)中所示，用户手持设备乘坐机动车的情景(表示为invehiclehandheld)，与用户将设备置于双肩包内并背着包骑车的情景(表示为bikingbackpack)具有一定的相似性。基于惯性传感器采集到数据所体现的特征差异不够明显。如图2(c)中横轴和纵轴分别为对惯性传感器数据进行特征分析后得到的两个不同的特征，例如波峰数目、偏度、过零率、均方根等等。图2(d)中横轴表示对惯性传感器数据进行特征分析后得到的均方根(rms)特征，纵轴为该特征的分布密度。如图2(c)所示，invehiclehandheld和bikingbackpack两者特征空间有较大的重合。如图2(d)所示，invehiclehandheld和bikingbackpack两者的均方根特征也有较大重合。

以上两种原因是目前活动识别方法对一些特定情形下(诸如使用交通工具)的识别效果不佳的根源。本发明在现有基于惯性传感器数据进行运动识别的基础上，引入智能设备的位置信息，将位置信息所体现出的特征用于运动识别，从而提高运动识别的准确性。

图3为本发明实施例提供的方法流程图，如图3所示，该方法可以包括以下步骤：

在301中，分别获取移动设备采集的惯性传感器数据和位置数据。

本发明实施例中涉及的惯性传感器可以包括加速度计、角速度传感器、磁传感器，等等，其中在运动识别中使用较多的是加速度计。相应地，采集的惯性传感器数据可以包括诸如加速度、角速度、姿态数据等等。但需要说明的是，本发明实施例中以惯性传感器数据为例进行描述，但除了惯性传感器数据之外，还可以采用其他类型的传感器数据，例如光敏感传感器采集的光线强度数据、温度传感器采集的温度数据等。

位置数据可以是移动设备通过诸如gps定位、agps(辅助aps)定位、基站定位、接入点(ap，accesspoint)定位等方式得到的位置数据。

在302中，对惯性传感器数据和位置数据进行特征分析。

对惯性传感器数据进行特征分析，提取的特征可以包括波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩以及均方根等中的一个或任意组合。

对位置数据进行特征分析，提取的特征可以包括速度、运动轨迹以及地理位置分布等等。其中地理位置分布可以体现为经纬度信息，也可以体现为省、市、区、县、村等行政区划，还可以体现为具体的建筑物、街道、道路、公园、学校等等。

在303中，利用预先训练得到的分类器对分析得到的特征进行分类，得到运动类型。

本步骤可以采用多种实现方式，下面分别对各种实现方式进行描述。

第一种实现方式：

将302分析得到的特征，即对惯性传感器数据和位置数据分析得到的特征输入同一分类器，得到该分类器对运动类型的分类结果。

具体地，可以如图4中所示，将对惯性传感器数据和位置数据分析得到的特征构成一个特征向量。例如，该特征向量可以是波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩、均方根、速度、运动轨迹以及地理位置分布等特征构成的一个特征向量。将该特征向量送入预先训练好的分类器中进行分类，得到的分类结果就是对运动类型的识别结果。

其中的该分类器是预先训练得到的，并可以随着训练数据的更新不断得到更新。下面对该分类器的训练过程进行介绍：

可以获取各种运动类型下，移动设备采集的惯性传感器数据和位置数据，这些数据可以是一些比较典型的、优质的数据。然后将采集的传感器数据和位置数据进行特征分析。利用各运动类型对应的特征(即特征向量)作为训练数据，训练分类器。

例如，获取骑自行车过程中，移动设备采集的惯性传感器数据和位置数据，并进行特征分析，得到骑自行车这一运动类型对应的特征向量。

获取跑步过程中，移动设备采集的惯性传感器数据和位置数据，并进行特征分析，得到跑步这一运动类型对应的特征向量。

获取步行过程中，移动设备采集的惯性传感器数据和位置数据，并进行特征分析，得到步行这一运动类型对应的特征向量。

获取乘公交过程中，移动设备采集的惯性传感器数据和位置数据，并进行特征分析，得到乘公交这一运动类型对应的特征向量。

获取开车过程中，移动设备采集的惯性传感器数据和位置数据，并进行特征分析，得到开车这一运动类型对应的特征向量。

……

进行多次或者大量采集和分析后，可以得到一定规模的训练数据。另外，为了丰富训练数据以适应各种场景下的识别，可以在训练数据获取过程中，选择移动设备以各种方式被携带时采集到的数据。例如手持、放在背包中、放在裤兜中、放在支架上等等。

分类器可以采用诸如决策树、逻辑回归、支持向量机(svm)、神经网络等等进行训练得到。

第二种方式：

将对惯性传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；否则(即第一分类器的分类结果不属于预设运动类型)，将第一分类器的分类结果作为得到的运动类型。

其中预设运动类型可以是利用对惯性传感器数据得到的特征之间具有较高相似性的运动类型，例如骑自行车、乘公交、开车等使用交通工具的运动类型。

具体地，可以如图5中所示，将对惯性传感器数据分析得到的特征构成一个特征向量，即特征向量1。例如该特征向量可以是波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩、均方根等特征构成的一个特征向量。将该特征向量送入预先训练好的分类器1中进行分类。若分类器1得到的分类结果为跑步、步行等非使用交通工具的运动类型，则直接将分类器1得到的运动类型作为识别结果。若分类器1得到的分类结果为使用交通工具的运动类型，则将对位置数据进行分析得到的特征所构成的特征向量，即特征向量2，例如将速度、运动轨迹以及地理位置构成特征向量2。将特征向量2输入分类器2，将分类器2得到的分类结果作为识别结果。

例如，分类器1识别出的运动类型为开车，则该识别结果可能与其他种类的使用交通工具的运动类型相混淆，存在准确性较差的问题，因此，将利用位置数据所体现的特征进行进一步分类，从而对使用交通工具的运动类型的识别进行校正。

这种方式下，对第一分类器的训练过程可以为：针对各种运动类型，分别获取移动设备采集的惯性传感器数据并进行特征分析，将各种运动类型对应的特征作为训练数据，训练第一分类器。

对第二分类器的训练过程可以为：针对预设运动类型，分别获取移动设备采集的位置数据并进行特征分析，将预设运动类型对应的特征作为训练数据，训练第二分类器。

第一分类器的训练是针对所有可识别的运动类型的，例如跑步、步行、乘公交、开车、骑自行车等。而第二分类器的训练仅仅是针对预设运动类型的，因此第二分类器在获取训练数据时，仅仅针对预设类型进行数据采集和特征提取即可。例如仅仅针对乘公交、开车、骑自行车等运动类型即可。

第三种方式：

将对惯性传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征以及对惯性传感器数据分析得到的部分特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；否则(即第一分类器的分类结果不属于预设运动类型)，将第一分类器的分类结果作为得到的运动类型。

其中预设运动类型同样可以是利用对惯性传感器数据得到的特征之间具有较高相似性的运动类型，例如骑自行车、乘公交、开车等使用交通工具的运动类型。

具体地，可以如图6中所示，将对惯性传感器数据分析得到的特征构成一个特征向量，即特征向量1。例如该特征向量可以是波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩、均方根等特征构成的一个特征向量。将该特征向量送入预先训练好的分类器1中进行分类。若分类器1得到的分类结果为跑步、步行等非使用交通工具的运动类型，则直接将分类器1得到的运动类型作为识别结果。若分类器1得到的分类结果为使用交通工具的运动类型，则将对位置数据进行分析得到的特征以及对惯性传感器数据进行分析得到的部分特征构成一个特征向量3。例如将速度、运动轨迹、地理位置以及特征向量1中的波峰数目、过零率以及均方根等特征构成特征向量3。将特征向量3输入分类器2，将分类器2得到的分类结果作为识别结果。

上述的对惯性传感器数据分析得到的部分特征包括以下至少一种：波峰数目、过零率以及均方根。这些特征能够体现运动状态的波动范围和节奏，对于辅助位置信息得到的特征进行分类具有较好的帮助，能够进一步提高第二分类器对于使用交通工具的运动类型的识别准确性。

这种方式下，对第一分类器的训练过程可以为：针对各种运动类型，分别获取移动设备采集的惯性传感器数据并进行特征分析，将各种运动类型对应的特征作为训练数据，训练第一分类器。

对第二分类器的训练过程可以为：针对预设运动类型，分别获取获取移动设备采集的惯性传感器数据和位置数据并进行特征分析；将对位置数据分析得到的特征以及对惯性传感器数据分析的得到的上述部分特征(训练阶段时采用哪些特征，在识别阶段也需要采用哪些特征，对于同一分类器而言，两个阶段采用的特征需要保持一致)作为训练数据，训练第二分类器。

同样，第一分类器的训练是针对所有可识别的运动类型的，例如跑步、步行、乘公交、开车、骑自行车等。而第二分类器的训练仅仅是针对预设运动类型的，因此第二分类器在获取训练数据时，仅仅针对预设类型进行数据采集和特征提取即可。例如仅仅针对乘公交、开车、骑自行车等运动类型即可。

在本发明实施例中，引入了基于位置数据的特征，使得分类器能够在训练过程中学习到各种运动类型的这些特征。例如，开车和乘公交与骑自行车在速度上存在差异，开车和乘公交要明显大于骑自行车的速度。再例如，对于运动轨迹和地理位置分布在高速路上的移动设备，更可能是开车这种运动类型。再例如，对于地理位置分布在公园的移动设备，更可能是骑自行车、步行、跑步等运动类型。再例如，对于运动轨迹具有一定规律的，例如每隔几分钟或每隔一定路程就会暂停，然后再运行，则可能是乘公交这种运动类型。更细致地，还可以对暂停的地点进行学习，例如每隔几分钟或每隔一定路程在公交站点暂停的，通常是乘公交这种运动类型；而如果暂定的地点是路口，则也可能是开车这种运动类型，只是需要在路口等红灯而已。综上所述，将这些特征综合地进行学习，就能够使得分类器对运动类型进行更加准确的分类，特别是对于基于感性传感器数据的特征很难识别的，通过对基于位置数据的特征进行学习和分类，就对识别结果进行有效地校正，从而提高识别准确性。

上述方法中各步骤可以在移动设备端实现，也可以在服务器端实现。也可以部分步骤在移动设备端实现，部分步骤在服务端实现，例如，传感器数据和位置数据的获取在移动设备端实现，然后将获取的传感器数据和位置数据上报给服务器端，由服务器端执行特征分析和分类以识别运动类型的步骤。再例如，传感器数据的获取和特征分析在移动设备端实现，移动设备将分析得到的特征上报服务器端，由服务器端执行基于特征的分类以识别运动类型的步骤，等等。另外，分类器的训练可以在移动设备端实现，也可以在服务器端实现。但由于分类器的训练需要收集大量训练样本，因此在服务器端实现。若利用分类器对分析得到的特征进行分类得到运动类型的步骤由移动设备端实现，则可以由服务器端将训练好的分类器提供给移动设备端。

上述方法实施例的执行主体可以为运动识别装置，该装置可以位于本地终端的应用，或者还可以为位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者，还可以位于服务器端，本发明实施例对此不进行特别限定。

下面结合实施例对本发明提供的装置进行详细描述。图7为本发明实施例提供的装置结构图，如图7所示，该装置可以包括：数据获取单元01、特征分析单元02和分类识别单元03，还可以进一步包括训练单元04。其中各组成单元的主要功能如下：

数据获取单元01负责分别获取移动设备采集的惯性传感器数据和位置数据。本发明实施例中涉及的惯性传感器可以包括加速度计、角速度传感器、磁传感器，等等，其中在运动识别中使用较多的是加速度计。相应地，采集的惯性传感器数据可以包括诸如加速度、角速度、姿态数据等等。

位置数据可以是移动设备通过诸如gps定位、agps定位、基站定位、ap定位等方式得到的位置数据。

特征分析单元02负责对惯性传感器数据和位置数据进行特征分析。

其中，对惯性传感器数据进行特征分析，提取的特征可以包括波峰数目、峰度、偏度、过零率、一阶矩、二阶矩、三阶矩以及均方根等中的一个或任意组合。

对位置数据进行特征分析，提取的特征可以包括速度、运动轨迹以及地理位置分布等等。其中地理位置分布可以体现为经纬度信息，也可以体现为省、市、区、县、村等行政区划，还可以体现为具体的建筑物、街道、道路、公园、学校等等。

分类识别单元03负责利用预先训练得到的分类器对特征分析单元02分析得到的特征进行分类，得到运动类型。

其中，分类识别单元03可以包括但不限于以下几种实现方式：

第一种实现方式：

分类识别单元03将对惯性传感器数据和位置数据分析得到的特征输入同一分类器，得到该分类器对运动类型的分类结果。

这种情况下，训练单元04针对各种运动类型，分别获取移动设备采集的惯性传感器数据和位置数据并进行特征分析；将各种运动类型对应的特征作为训练数据，训练分类器。

第二种实现方式：

分类识别单元03将对惯性传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；否则，将第一分类器的分类结果作为得到的运动类型。

这种情况下，训练单元04针对各种运动类型，分别获取移动设备采集的惯性传感器数据并进行特征分析，将各种运动类型对应的特征作为训练数据，训练第一分类器。

训练单元04针对预设运动类型，分别获取移动设备采集的位置数据并进行特征分析，将预设运动类型对应的特征作为训练数据，训练第二分类器。

第三种实现方式：

分类识别单元03将对惯性传感器数据分析得到的特征输入第一分类器，得到第一分类器的分类结果；若第一分类器的分类结果属于预设运动类型，则将对位置数据分析得到的特征以及对惯性传感器数据分析得到的部分特征输入第二分类器，将第二分类器的分类结果作为得到的运动类型；否则，将第一分类器的分类结果作为得到的运动类型。其中，对惯性传感器数据分析得到的部分特征包括以下至少一种：波峰数目、过零率以及均方根。

这种情况下，训练单元04针对各种运动类型，分别获取移动设备采集的惯性传感器数据并进行特征分析，将各种运动类型对应的特征作为训练数据，训练第一分类器。

训练单元04针对预设运动类型，分别获取获取移动设备采集的惯性传感器数据和位置数据并进行特征分析；将对位置数据分析得到的特征以及对惯性传感器数据分析的得到的部分特征作为训练数据，训练第二分类器。

对于上述第二种实现方式和第三种实现方式中涉及的预设运动类型可以包括：使用交通工具的运动类型。

本发明提供的上述方法和装置可以用于场景感知服务，以便为场景服务应用提供基础。当操作系统上层的场景服务应用具有场景感知需求时，向场景感知服务提出服务请求。场景感知服务向位置服务和传感器服务提出请求，位置服务逐级请求gps硬件抽象层、gps驱动和gps芯片，打开gps开始采集gps数据，即进行gps定位。与此同时，传感器服务逐级请求传感器硬件抽象层、传感器驱动和惯性传感器芯片，惯性传感器开始采集数据。gps芯片和惯性传感器芯片采集到的数据进行逐级上报，分别通过位置服务和传感器服务提供给场景感知服务进行运动识别，采用本发明实施例提供的方式进行特征提取和分类后，得到运动类型。然后由场景感知服务将识别结果提供给上层场景服务应用。

本发明实施例提供的上述方法和装置可以以设置并运行于设备中的计算机程序体现。图9示例性地示出了根据各种实施例的示例设备900。设备900可包括一个或多个处理器902，系统控制逻辑901耦合于至少一个处理器902，非易失性存储器(non-volatilememory，nmv)/存储器904耦合于系统控制逻辑901，网络接口906耦合于系统控制逻辑901。

处理器902可包括一个或多个单核处理器或多核处理器。处理器902可包括任何一般用途处理器或专用处理器(如图像处理器、应用处理器基带处理器等)的组合。

一个实施例中的系统控制逻辑901，可包括任何适当的接口控制器，以提供到处理器902中的至少一个的任何合适的接口，和/或提供到与系统控制逻辑901通信的任何合适的设备或组件的任何合适的接口。

一个实施例中的系统控制逻辑901，可包括一个或多个内存控制器，以提供到系统内存903的接口。系统内存903用来加载以及存储数据和/或指令。例如，对应设备900，在一个实施例中，系统内存903可包括任何合适的易失性存储器。

nvm/存储器904可包括一个或多个有形的非暂时的计算机可读介质，用于存储数据和/或指令。例如，nvm/存储器904可包括任何合适的非易失性存储装置，如一个或多个硬盘(harddiskdevice，hdd)，一个或多个光盘(compactdisk，cd)，和/或一个或多个数字通用盘(digitalversatiledisk，dvd)。

nvm/存储器904可包括存储资源，该存储资源物理上是该系统所安装的或者可以被访问的设备的一部分，但不一定是设备的一部分。例如，nvm/存储器904可经由网络接口906被网络访问。

系统内存903以及nvm/存储器904可分别包括临时的或持久的指令910的副本。指令910可包括当由处理器902中的至少一个执行时导致设备900实现图3描述的方法的指令。各实施例中，指令910或硬件、固件，和/或软件组件可另外地/可替换地被置于系统控制逻辑901，网络接口906和/或处理器902。

网络接口906可包括一个接收器来为设备900提供无线接口来与一个或多个网络和/或任何合适的设备进行通信。网络接口906可包括任何合适的硬件和/或固件。网络接口906可包括多个天线来提供多输入多输出无线接口。在一个实施例中，网络接口906可包括一个网络适配器、一个无线网络适配器、一个电话调制解调器，和/或无线调制解调器。

在一个实施例中，处理器902中的至少一个可以与用于系统控制逻辑的一个或多个控制器的逻辑一起封装。在一个实施例中，处理器中的至少一个可以与用于系统控制逻辑的一个或多个控制器的逻辑一起封装以形成系统级封装。在一个实施例中，处理器中的至少一个可以与用于系统控制逻辑的一个或多个控制器的逻辑集成在相同的管芯上。在一个实施例中，处理器中的至少一个可以与用于系统控制逻辑的一个或多个控制器的逻辑集成在相同的管芯上以形成系统芯片。

设备900可进一步包括输入/输出装置905。输入/输出装置905可包括用户接口旨在使用户与设备900进行交互，可包括外围组件接口，其被设计为使得外围组件能够与系统交互，和/或，可包括传感器，旨在确定环境条件和/或有关设备900的位置信息。

在此列举一个应用场景：

用户手机中的惯性传感器采集惯性传感器数据，gps进行位置定位。用户将手机放入背包中骑车或者将手持手机乘坐公交车，通过本发明提供的方式，结合惯性传感器数据的特征和gps位置数据的特征，能够很好地将两种情形进行识别区分。虽然在惯性传感器数据的特征中两种情形的相似性较高，但基于gps位置数据的特征，即从速度、运动轨迹、地理位置分布等能够很好的识别出两种运动类别。例如，用户将手机放入背包中骑车，速度相对较小，可以在诸如公园中、小区中等分布，且运动轨迹在各时间段内的分布比较均匀。而手持手机乘坐公交车，速度相对比较大，只能在指定道路上行驶，且运动轨迹通常体现每隔一段时间或路程有一次暂停。

采用本发明实施例提供的上述方式进行运动识别后，可以作为移动设备端健康数据分析应用的基础，例如采集并存储用户的运动类型及运动时间等参数后，可以为用户的运动数据进行分析，并为用户提供相关运动建立。

也可以基于识别出的运动类型，向移动设备提供与该运动类型相对应的服务。例如，结合用户的运动类型偏好，向用户推荐与用户所偏好运动类型相关的商品、运动场馆等。再例如，基于识别出的运动类型，向用户推荐适合当前运动类型收听的音乐。若用户在跑步，可以向用户推荐动感的音乐，若用户在开车，可以向用户推荐舒缓的音乐。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法、装置和设备，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。