动作评分方法及装置与流程

本申请涉及健身技术领域，具体而言，涉及一种动作评分方法及装置。

背景技术：

随着人们健康意识的不断增强，健身人群不断增大，人们越来越希望有设备或方法能够自动识别和记录自己在健身过程中的各项数据。但目前的大多数设备仅能自动记录走路、跑步的状态，只能手动开启记录其他动作，因此，强烈需要一款产品能够自动记录在健身时进行的动作，给用户带来更多便利。

现有技术中，用户在健身时，对自身健身动作的把握，大多基于主观感受，缺乏对用户动作是否标准的识别，依靠用户自身感受动作的标准性，健身动作的准确性较低。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请实施例提供了一种动作评分方法及装置，以至少解决用户通过自身感受确定健身动作是否标准，准确度较低的技术问题。

根据本申请实施例的一个方面，提供了一种动作评分方法，包括：获取目标动作信息，所述目标动作信息包括目标对象移动的角速度信息和/或加速度信息；根据所述目标动作信息确定对应的目标动作的类型；基于所述目标动作的类型确定对应的第一评分规则；按照所述第一评分规则对所述目标动作进行评分，得到第一评分结果，其中，所述第一评分结果用于评价所述目标动作与标准动作的相似程度。

可选地，根据所述目标动作信息确定对应的目标动作的类型之后，所述方法还包括：基于所述目标动作信息与所述目标动作的类型，将所述目标动作按照预设规则拆分为多个子动作段；基于所述多个子动作段的类型确定每个子动作段对应的第二评分规则；按照所述第二评分规则对所述每个子动作段进行评分，得到第二评分结果，其中，所述第二评分结果用于评价所述子动作段与标准子动作的相似程度。

可选地，所述预设规则包括：将所述目标动作信息中的所述角速度信息对应的第一角速度值的第一极值点，和/或将所述目标动作信息中的所述加速度信息对应的第一加速度值的第二极值点作为拆分节点，其中，所述第一极值点与所述第二极值点包括局部最大值和/或局部最小值。

可选地，所述预设规则包括：将所述第一特征轨迹的第三极值点作为拆分节点。可选地，根据所述目标动作信息确定对应的目标动作的类型包括：对所述目标动作信息进行第一预处理，得到所述目标动作信息对应的第一维度的第一动作轨迹；基于所述第一动作轨迹确定动作特征信息，所述动作特征信息包括以下至少之一：所述第一动作轨迹对应的曲线的均值、方差、累加弧长、动作时长；根据所述动作特征信息确定所述目标动作的类型。

可选地，对所述目标动作信息进行第一预处理，得到所述目标动作信息对应的第一维度的第一动作轨迹包括：对所述目标动作信息进行第二预处理，所述第二预处理包括以下至少之一：滤波、去噪、修正；基于第二预处理后的所述目标动作信息生成所述目标动作信息对应的第二维度的第二动作轨迹，其中，所述第二维度大于所述第一维度；将所述第二动作轨迹转换为所述第一动作轨迹。

可选地，根据所述动作特征信息确定所述目标动作的类型包括：将所述动作特征信息输入预设模型进行分析,得到所述目标动作的类型,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本特征信息以及用于标记所述样本特征信息所对应的样本动作的类型的标记。

可选地，基于所述目标动作的类型确定对应的第一评分规则之前，所述方法还包括：建立所述目标动作的类型与所述第一评分规则的对应关系，所述第一评分规则包括：所述目标动作与其对应的标准动作的相似度越高评分越高；和/或存储所述对应关系。

可选地，按照所述第一评分规则对所述目标动作进行评分包括：获取所述角速度信息对应的第二角速度值，和/或所述加速度信息对应的第二加速度值；计算所述第二角速度值和/或第二加速度值与所述标准动作对应的标准角速度值和/或标准加速度值的第一差值；根据所述第一差值确定所述目标动作的第一目标分数。

可选地，按照所述第一评分规则对所述目标动作进行评分包括：计算所述动作特征信息与所述标准动作对应的标准特征信息的第二差值；根据所述第二差值确定所述目标动作的第二目标分数。

可选地，将所述第二动作轨迹转换为所述第一动作轨迹包括：将所述第二动作轨迹转换为所述目标动作信息对应的所述第一维度的第三动作轨迹；对第三动作轨迹进行分割，得到多个所述第一动作轨迹。

可选地，在根据所述目标动作信息确定对应的目标动作的类型之后，所述方法还包括：获取健身器械的类型；判断所述健身器械的类型与所述目标动作的类型是否对应；基于所述目标动作的类型确定对应的第一评分规则包括：在所述健身器械的类型与所述目标动作的类型对应的情况下，基于所述目标动作的类型确定对应的第一评分规则。

可选地，获取健身器械的类型之前，所述方法还包括：接收所述健身器械的连接请求；基于所述连接请求与所述健身器械进行连接。

可选地，获取健身器械的类型之前，所述方法还包括：检测目标设备与所述健身器械的距离是否小于预设距离，若是，则启动与所述健身器械的连接。

根据本申请实施例的一个方面，提供了一种动作评分装置，包括：获取模块，用于获取目标动作信息，所述目标动作信息包括目标对象移动的角速度信息和/或加速度信息；第一确定模块，用于根据所述目标动作信息确定对应的目标动作的类型；第二确定模块，用于基于所述目标动作的类型确定对应的第一评分规则；评分模块，用于按照所述第一评分规则对所述目标动作进行评分，得到第一评分结果，其中，所述第一评分结果用于评价所述目标动作与标准动作的相似程度。

根据本申请实施例的一个方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的动作评分方法。

根据本申请实施例的一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的动作评分方法。

在本申请实施例中，采用获取目标动作信息，所述目标动作信息包括目标对象移动的角速度信息和/或加速度信息；根据所述目标动作信息确定对应的目标动作的类型；基于所述目标动作的类型确定对应的第一评分规则；按照所述第一评分规则对所述目标动作进行评分，得到第一评分结果，其中，所述第一评分结果用于评价所述目标动作与标准动作的相似程度的方式，通过基于用户特定身体部位的角速度与加速度自动对动作进行识别，并对用户的动作进行打分的方式，达到了自动对用户的动作类型进行确定，并对用户的动作进行打分，使用户可以通过自身实际的健身数据确定动作准确度的技术效果，进而解决了用户通过自身感受确定健身动作是否标准，准确度较低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种可选的动作评分方法的流程示意图；

图2是根据本申请实施例的一种可选的动作评分系统的结构示意图；

图3是根据本申请实施例的一种可选的动作评分系统的数据处理流程示意图；

图4是根据本申请实施例的一种可选的动作评分装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

pca:主成分分析，是一种多变量统计方法，它是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量，转换后的变量被称为主成分。

根据本申请实施例，提供了一种动作评分方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本申请实施例的动作评分方法的流程示意图，如图1所示，该方法至少包括如下步骤：

步骤s102，获取目标动作信息，目标动作信息包括目标对象移动的角速度信息和/或加速度信息；

在本申请的一些可选的实施例中，上述目标动作信息可以由设置于健身用户穿戴的可穿戴设备中的传感器采集，其中，可穿戴设备中设置有加速度计和陀螺仪，目标对象可以为用户的手臂，或腿，或脚。由终端或者可穿戴设备对目标动作信息进行接收。可选地，上述目标动作信息还可以为加速度数据和旋转速度或其他表示旋转或方向变化的数据；陀螺仪也可用其他检测方向或旋转的传感器来替代，可穿戴设备中还可以设置有磁力计。

步骤s104，根据目标动作信息确定对应的目标动作的类型；

可选地，接收到的目标动作信息对应的动作为目标动作，目标动作的类型可以为俄罗斯转体、俯卧撑、卷腹、仰卧起坐、深蹲、burpee、burpee箭步蹲、支撑转体踢腿、高抬腿，跑步、哑铃肩外旋、小哑铃8字画圈、俯身小哑铃反向飞鸟等。

在本申请的一些可选的实施例中，根据所述目标动作信息确定对应的目标动作的类型可以通过以下方式进行实现：

将目标对象移动的角速度信息、和/或加速度信息、和/或动作特征信息输入分类模型，得到目标动作类型；其中，分类模型通过模型训练得出，利用已知动作和/或特征信息的数据进行模型训练得到训练好或优化的分类模型；利用已经训练好的分类模型对未知的用户数据特征，如：目标对象移动的角速度信息、和/或加速度信息、和/或动作特征信息进行分类识别确定用户的动作类型；所述模型包括但不限于，决策树、随机森林等。

步骤s106，基于目标动作的类型确定对应的第一评分规则；

在本申请的一些可选的实施例中，不同的动作类型，对应的标准动作不同，同一个动作与不同的标准动作比，具备不同的相似度，因此，需在基于目标动作的类型确定对应的第一评分规则之前，确定目标动作的类型。确定目标动作的类型以后，根据目标动作的类型确定对应的第一评分规则。

步骤s108，按照第一评分规则对目标动作进行评分，得到第一评分结果，其中，第一评分结果用于评价目标动作与标准动作的相似程度，和/或用于评价目标动作在动作的各个关键要点上的得分及好/坏等分布情况。

其中，标准动作可以为管理员预先设置的规范动作，具体的，对目标动作进行评分时，可以根据目标动作对应的角速度信息和/或加速度信息与标准动作对应的标准角速度信息和/或标准加速度信息的相似度进行评分。

可选地，根据所述目标动作信息确定对应的目标动作的类型之后，所述方法还需执行以下步骤：基于所述目标动作信息与所述目标动作的类型，将所述目标动作按照预设规则拆分为多个子动作段；基于所述多个子动作段的类型确定每个子动作段对应的第二评分规则；按照所述第二评分规则对所述每个子动作段进行评分，得到第二评分结果，其中，所述第二评分结果用于评价所述子动作段与标准子动作的相似程度。

可选地，所述预设规则可以为：将所述目标动作信息中的所述角速度信息对应的第一角速度值的第一极值点，和/或将所述目标动作信息中的所述加速度信息对应的第一加速度值的第二极值点作为拆分节点，其中，所述第一极值点与所述第二极值点包括局部最大值和/或局部最小值。

其中，拆分节点为将目标动作拆分为子动作段的拆分点，第一极值点可以为第一角速度值的局部最大值，或第一角速度值的局部最小值。第二极值点可以为第一加速度值的局部最大值，或第一加速度值的局部最小值。

可选地，所述预设规则可以为：将所述第一特征轨迹的第三极值点作为拆分节点。

具体地，第一特征轨迹为曲线，曲线中的波谷或波峰位置可以为第三极值点。

具体地，上述不同的子动作段可以为同一个健身动作中的不同的关键姿势，例如：一个跑步动作中，用户抬腿、蹬地、的姿势；其中，上述预设角速度区间与预设加速度区间可以为教练或者管理员设定；上述子动作段对应的第一角速度值可以为健身用户在实际做该子动作段时，可穿戴设备检测到的角速度值。上述子动作段对应的第一加速度值可以为健身用户在实际做该子动作段时，可穿戴设备检测到的加速度值。

可选地，不同的姿势对应的预设加速度区间与预设角速度区间不同。在基于所述目标动作信息与所述目标动作的类型，将所述目标动作按照预设规则拆分为多个子动作段时，可获取目标动作信息中的各个角速度信息和/或加速度信息，查找各个角速度信息对应的第一角速度值，和/或各个加速度信息对应的第一加速度值所在的预设角速度区间和/或预设加速度区间。例如：跑步动作中，子动作段可以为抬腿动作段或蹬地动作段。例如：抬腿动作对应的预设角速度区间为(a，b)，蹬地动作对应的预设角速度区间为(c，d)；当将目标动作按照预设规则拆分为多个子动作段时，若检测到目标动作信息中的第一角速度值属于区间(a，b)则将与该第一角速度值对应的目标动作拆分在抬腿动作段中，若检测到目标动作信息中的第一角速度值属于区间(c，d)则将与该第一角速度值对应的目标动作拆分在蹬地动作段中。

另外，每个子动作段对应的第二评分规则可以不同，例如：跑步动作中的抬腿动作段与蹬地动作段对应的标准动作不同，它们的第二评分规则也不同。

通过对用户同一个健身动作中，不同姿势点对应的第二评分结果的确定，便于为用户展示用户在各个姿势点的准确度，可以及时纠正用户的各个姿势，提高了为用户进行健身指导的效率。

可选地，根据目标动作信息确定对应的目标动作的类型可以通过以下方式进行实现：对目标动作信息进行第一预处理，得到目标动作信息对应的第一维度的第一动作轨迹；基于第一动作轨迹确定动作特征信息，动作特征信息可以包括以下至少之一：第一动作轨迹对应的曲线的均值、方差、累加弧长、动作时长；根据动作特征信息确定目标动作的类型。

可选地，动作特征信息还可以为加速度或陀螺仪数据对应的特征值及其融合特征。

在本申请的一些可选的实施例中，上述方法还需执行以下步骤：对识别出的动作进行打分定级，和/或对用户动作进行纠错或错误提醒等。动作打分定级的方法，包括但不限于，与标准动作的匹配分析、或根据专家/教练打分的结果训练好的模型进行分值预测等。

在本申请的一些可选的实施例中，上述第一预处理包括但不限于，数据滤波，轨迹生成、数据转换等；可选地，可将根据采集到的目标动作信息生成初始动作轨迹，对初始动作轨迹进行滤波去燥和/或数据转换，得到特定维度下动作特征较明显的数据，该处的特定维度既可以为第一维度，得到第一动作轨迹；数据转换，包括但不限于，pca(principalcomponentanalysis，主成分分析)、ipca(incrementalprincipalcomponent,增量主成分分析)等。其中，第一维度可以为二维，第一动作轨迹可以为将目标动作信息中的角速度信息和加速度信息进行降维转换之后的轨迹。

可选地，第一动作轨迹对应的曲线可以为第一动作轨迹曲线。

可选地，对目标动作信息进行第一预处理，得到目标动作信息对应的第一维度的第一动作轨迹可以通过以下方式进行获取：对目标动作信息进行第二预处理，所述第二预处理可以为以下至少之一：滤波、去噪、修正，不限于该三种；基于第二预处理后的目标动作信息生成目标动作信息对应的第二维度的第二动作轨迹，其中，第二维度大于第一维度；将第二动作轨迹转换为第一动作轨迹。

在本申请的一些可选的实施例中，将第二动作轨迹转换为第一动作轨迹可以为将第二动作轨迹通过pca，或ipca转换为第一动作轨迹。

在本申请的一些可选的实施例中，将第二动作轨迹转换为第一动作轨迹可以通过以下方式进行实现：将所述第二动作轨迹转换为所述目标动作信息对应的所述第一维度的第三动作轨迹；对第三动作轨迹进行分割，得到多个所述第一动作轨迹。可选地，可以在对所述目标动作信息进行第一预处理时，将所述得到的目标动作信息的数据进行处理得到便于进行动作分割的数据，该处的动作分割为将第三动作轨迹分割为多个第一动作轨迹。

将所述第二动作轨迹转换为所述目标动作信息对应的所述第一维度的第三动作轨迹之后，方法还需执行以下步骤：对第三动作轨迹进行分割，用来将数据预处理得到的第三动作轨迹，进行轨迹分割，分割出多个子动作对应的第一动作轨迹；数据分割，用来根据第三动作轨迹的特征点信息对第三动作轨迹进行分割，确定一个动作的起点和终点；第三动作轨迹的特征点，包括但不限于，波峰、波谷等极值点、数据端点等；数据分割的方法，包括但不限于，峰谷检测、端点检测；端点检测的方法，包括但不限于，相关法、方差法、谱距离法、谱熵法、能零比和能熵比的端点检测、小波变换、emd等端点检测方法。

可选地，根据动作特征信息确定目标动作的类型可以通过以下方式进行实现：将动作特征信息输入预设模型进行分析,得到目标动作的类型,其中,预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：样本特征信息以及用于标记样本特征信息所对应的样本动作的类型的标记。

可选地，基于目标动作的类型确定对应的第一评分规则之前，方法还需执行以下步骤：建立目标动作的类型与第一评分规则的对应关系，第一评分规则包括：目标动作与其对应的标准动作的相似度越高评分越高；存储对应关系。所述建立对应关系的方法，包括但不限于，通过教练等人工方式确定第一评分规则、采用机器学习、深度学习模型等人工智能的方式确定的预测模型进行评分。

在本申请的一些可选的实施例中，不同的目标动作类型对应不同的第一评分规则，需建立目标动作的类型与第一评分规则的对应关系。

可选地，按照第一评分规则对目标动作进行评分可以通过以下方式进行实现：获取角速度信息对应的第二角速度值，和/或加速度信息对应的第二加速度值；计算第二角速度值和/或第二加速度值与标准动作对应的标准角速度值和/或标准加速度值的第一差值；根据第一差值确定目标动作的第一目标分数。

具体他，按照第一评分规则对目标动作进行评分可以通过以下方式进行实现：获取角速度信息对应的第二角速度值；计算第二角速度值与标准动作对应的标准角速度值的第一差值；根据第一差值确定目标动作的第一目标分数。

具体地，按照第一评分规则对目标动作进行评分可以通过以下方式进行实现：获取加速度信息对应的第二加速度值；计算第二加速度值与标准动作对应的标准加速度值的第一差值；根据第一差值确定目标动作的第一目标分数。其中，所述第二角速度值与所述第一角速度值可以相同，所述第二加速度值与所述第一加速度值可以相同。

其中，第一差值越大，指示目标动作与标准动作相差越大，第一目标分数越低。

可选地，按照第一评分规则对目标动作进行评分可以通过以下方式进行实现：计算动作特征信息与标准动作对应的标准特征信息的第二差值；根据第二差值确定目标动作的第二目标分数。

其中，第二差值越大，指示目标动作与标准动作相差越大，第二目标分数越低

可选地，当确定了第一目标分数或第二目标分数后，可通过终端或可穿戴设备对第一目标分数或第二目标分数进行展示。

动作特征信息可以为以下至少之一：第一动作轨迹对应的曲线的均值、方差、累加弧长、动作时长。其中，动作特征信息可以为预设时间段内的第一动作轨迹对应的曲线的均值、方差、累加弧长，动作时长可以为该预设时间段，累加弧长可以为第一动作轨迹对应的曲线的总弧长。

可选地，将第二动作轨迹转换为第一动作轨迹可以通过以下方式进行实现：将第二动作轨迹转换为目标动作信息对应的第一维度的第三动作轨迹；对第三动作轨迹进行分割，得到多个第一动作轨迹。在本申请的一些可选的实施例中，当目标动作包括多个动作时，目标动作的类型可以包括多个类型。

可选地，在根据目标动作信息确定对应的目标动作的类型之后，方法还需执行以下步骤：获取健身器械的类型；判断健身器械的类型与目标动作的类型是否对应；基于目标动作的类型确定对应的第一评分规则包括：在健身器械的类型与目标动作的类型对应的情况下，基于目标动作的类型确定对应的第一评分规则。

在本申请的一些可选的实施例中，当用户健身过程需要用到健身器械时，可佩戴可穿戴设备，使用可穿戴设备与智能健身器械间的交互功能来实现健身数据的精准记录。可穿戴设备与健身器械之间可以进行通讯和/或数据传输。当用户与健身器械特定部位接触时，健身器械会发出信号至可穿戴设备，健身器械告知可穿戴设备对应的器械类型和型号等信息，或可穿戴设备进入特定模式开始自动识别健身器械的类型和型号等。

健身器械为普通健身器械，不配备通讯/数据传输模块时，使用可穿戴设备对用户所持健身器械进行自动识别，获取健身器械的类型和型号等信息，进一步得到用户健身动作的更准确的识别和后续评估。

可选地，获取健身器械的类型之前，上述方法还需执行以下步骤：接收健身器械的连接请求；基于连接请求与健身器械进行连接。

可选地，获取健身器械的类型之前，上述方法还需执行以下步骤：检测目标设备与所述健身器械的距离是否小于预设距离，若是，则启动与所述健身器械的连接，例如：nfc或者rfid的连接方式。其中，目标设备可以为可穿戴设备，例如：手表、手环等。

其中，健身器械的连接请求，可以为健身器械发送的连接指令，也可以为可穿戴设备检测到与可穿戴设备的距离小于预设距离的健身器械时，或者当可穿戴设备检测到用户接触健身器械时，生成的连接指令。

可穿戴设备与健身器械的交互，适用于多人场景和/或单人场景。智能健身器械，为配备通讯模块的健身器械，包含有普通健身器械的功能。通讯模块，包括但不限于，近场通讯模块、蓝牙通讯模块、wifi模块。近场通讯模块，包括但不限于，nfc、rfid。优选地，使用nfc近场通讯模块里来实现健身器械的智能化。其中，与可穿戴设备连接的健身器械可以为一个，也可以为多个。

具体地，无论是多人场景，还是单人场景下，均可采用近场通讯等通讯方式来实现可穿戴设备和健身器械之间的通讯/数据传输。当用户身体和或身体某部位与健身器械和或其某特定部位接触时进行通讯/交互，可有效避免多人场景、和/或近场通讯和靠近但未开始使用等导致的误触发等。具体地，可以通过可穿戴设备检测用户触碰到的健身器材的震动判断用户是否接触健身器材。在可穿戴设备与健身器械进行近场连接时，可以通过当可穿戴设备检测到距离健身器械的距离小于预设距离时启动连接，或者当健身器械检测到其距离可穿戴设备的距离小于预设距离时启动连接。

可选地，可穿戴设备，至少包含通讯模块，通讯模块优选近场通讯模块，可有效降低通讯模块的供电需求，用于与智能健身器械进行通讯/数据传输。

可选地，可穿戴设备至少包含一具有较高采样率范围的加速度计，加速度计的数据采样率可根据具体使用场景进行调整，数据采样率的范围大于等于2hz。例如，在普通模式下，可以设定较低的采样率，用于节省功耗和或降低数据传输/数据处理的压力，在健身房这种特定模式下，可以设置较高采样率使可穿戴设备可以识别健身器械。较低的数据采样率，为0～50hz的任何一值；设置的较高采样率值，不低于50hz。

在本申请的一些可选的实施例中，本申请可适用于健身房(包括家用的、公共的)，可以自动或手动开启自动识别的功能，或者默认长期开启并不关闭，也就是说，该自动识别设备的功能优选是在健身房场景下实现的。如果用户所处位置不是健身房，则会直接关闭自动识别的功能。

可选地，可通过可穿戴设备的加速度计来识别目标动作的类型，如果为了更精确，也可能再结合陀螺仪、磁力计等其他传感器来进行识别。

在本申请的一些可选的实施例中，当健身器械不包括通讯模块时，例如普通哑铃、单杠。可穿戴设备可以通过检测用户是否接触健身器械来触发与健身器械的连接，或者用户携带可穿戴设备做预设的动作来触发可穿戴设备与健身器械的连接。

在本申请的一些可选的实施例中，当健身器械包括通讯模块时，例如包括通讯模块的哑铃、包括通讯模块的单杠。可穿戴设备可以通过检测可穿戴设备距离健身器械的距离是否小于预设距离，若是，则触发可穿戴设备与健身器械的连接，或者用户携带可穿戴设备做预设的动作来触发可穿戴设备与健身器械的连接，或者健身器械发送连接请求至可穿戴设备。当可穿戴设备检测到的健身器械为多个时，则选择距离最近的健身器器械为需连接的器械，识别后可以自动连接或者控制。

当有多个包括通讯模块的健身器械时，若检测距离相同或不足以区分时，可以通过直接接触，可以是设备之间的接触，比如nfc方式，也可以是用户直接接触设备，或者通过结合动作的方式加以确认。

可选地，对目标动作进行评分以后，所述方法还需执行以以下步骤：判断评分是否低于预设阈值，若是，则向用户发送提示信息，所述提示信息包括对目标动作进行纠错或错误提醒等。所述评分包括但不限于，目标动作的整体得分，和/或，目标动作在各个关键评分点上的得分。根据目标动作在各个评分点的得分表现，确定目标动作在哪些方面需要纠正或加强等。所述各个评分点，包括但不限于，所述动作的各个关键要点。所述各个评分点在不同动作间可以存在一些差异。

健身器械配备通讯/数据传输模块时，为避免识别错误等导致的数据误差，优选，由健身器械通过数据传输将健身器械的类型和型号等信息发给可穿戴设备，告知其所持健身器械等信息，便于可穿戴设备进行更精细的动作识别。

可选地，智能健身器械也可与手机等终端进行通讯/数据传输，由手机终端统一控制和调度可穿戴设备和健身器械的通讯和/或数据传输过程及其传输数据。健身器械包括但不限于，哑铃、小哑铃、杠铃等。

在本申请的一些可选的实施例中，健身器械可以与用户的可穿戴设备连接，并将健身器械的类型发送至可穿戴设备，目标动作的类型与健身器械的类型相对应可以为，目标动作的类型与健身器械的类型对应相同的健身动作，例如：跑步动作的类型，与跑步机的类型，都对应跑步。

所述可穿戴设备可以为手环、手表等。

在本申请实施例中，采用获取目标动作信息，目标动作信息包括目标对象移动的角速度信息和/或加速度信息；根据目标动作信息确定对应的目标动作的类型；基于目标动作的类型确定对应的第一评分规则；按照第一评分规则对目标动作进行评分，得到第一评分结果，其中，第一评分结果用于评价目标动作与标准动作的相似程度的方式，通过基于用户特定身体部位的角速度与加速度自动对动作进行识别，并对用户的动作进行打分的方式，达到了自动对用户的动作类型进行确定，并对用户的动作进行打分，使用户可以通过自身实际的健身数据确定动作准确度的技术效果，进而解决了用户通过自身感受确定健身动作是否标准，准确度较低的技术问题。

图2是根据本申请实施例的动作评分系统的结构示意图，如图2所示，该系统至少包括：数据采集模块22、数据预处理模块24、数据分割模块26、特征提取模块28、模型训练/动作分类识别模块210、动作打分/纠错或提示模块212；其中：

数据采集模块22，用于使用可穿戴设备进行数据采集，采集的数据包括，加速度数据和旋转速度或其他表示旋转或方向变化的数据；可穿戴设备包括：加速度计和陀螺仪；陀螺仪也可用其他检测方向或旋转的传感器来替代；

可选地，数据采集模块22执行图1中的步骤s102，图1中的目标动作信息即为采集的数据。

数据预处理模块24，用于将数据采集模块22得到的数据进行处理得到便于进行动作分割的数据，处理包括但不限于，数据滤波，轨迹生成、数据转换等；较优地，将采集到的数据生成运动轨迹，对轨迹进行滤波去燥和/或数据转换，得到特定维度下动作特征较明显的数据；数据转换，包括但不限于，pca、增量主成分分析ipca等。

数据分割模块26，用于将数据预处理模块24得到的数据，进行数据分割，分割出一个动作对应的数据；数据分割，用于根据数据的特征点信息对动作数据进行分割，确定一个动作的起点和终点；数据的特征点，包括但不限于，波峰、波谷等极值点、数据端点等；数据分割的方法，包括但不限于，峰谷检测、端点检测；端点检测的方法，包括但不限于，相关法、方差法、谱距离法、谱熵法、能零比和能熵比的端点检测、小波变换、emd等端点检测方法。

特征提取模块28，数据分割模块26对数据预处理模块24得到的数据分割后，得到多个动作对应的数据，特征提取模块28用于将得到的单一动作对应的数据进行特征提取，特征，包括但不限于，通过轨迹数据得到的均值、方差、累加弧长、动作时长，和/或加速度或陀螺仪数据对应的特征值及其融合特征；

模型训练/动作分类识别模块210，用于对各个动作对应的数据及其特征进行训练或分类识别；模型训练主要是利用已知动作及其特征的数据进行模型训练得到训练好或优化的分类模型；模型训练/动作分类识别模块210还用于使用已经训练好的分类模型对未知的用户数据特征进行分类识别确定用户的动作类型；模型包括但不限于，决策树、随机森林等。

动作打分/纠错或提示模块212，动作打分/纠错或提示模块212，用于对模型训练/动作分类识别模块210识别出的动作进行打分定级，和/或对用户动作进行纠错或错误提醒等，为可选模块，可根据实际需要确定是否包含该模块。动作打分定级的方法，包括但不限于，与标准动作的匹配分析、或根据专家/教练打分的结果训练好的模型进行分值预测等。

可选地，图1中的步骤s104，可以通过数据预处理模块24、数据分割模块26、特征提取模块28、模型训练/动作分类识别模块210实现。可选地，图1中的步骤s108可通过动作打分/纠错或提示模块212实现。

图3是根据本申请实施例的一种可选的动作评分系统的数据处理流程示意图，如图3所示，上述图2中的动作评分系统还可以包括，可穿戴设备32、手机终端34及服务器36。

其中，手机终端34还可以为其他智能终端。

所述可穿戴设备32用于收集用户健身过程中的传感器数据，和/或进行动作识别等处理，将传感器数据和/或经处理后的数据，传输给手机终端34的客户端等，在手机等终端上进行进一步的详细结果和丰富形态展示。

具体地，数据采集模块22、数据预处理模块24、数据分割模块26、特征提取模块28、模型训练/动作分类识别模块210、动作打分/纠错或提示模块212都设置于可穿戴设备32中。

可选地，所述手机终端34及其应用也可经数据传输等更新可穿戴设备的算法和/或动作类型等；所述可穿戴设备32还可以只用于收集用户健身过程中的传感器数据，直接传输给所述手机终端34及其应用，在手机终端34上对数据的预处理和分类识别等分析；

具体地，数据采集模块22设置于可穿戴设备32中、数据预处理模块24、数据分割模块26、特征提取模块28、模型训练/动作分类识别模块210、动作打分/纠错或提示模块212设置于手机终端34中。

可选地，数据采集模块22设置于可穿戴设备32中、数据预处理模块24、数据分割模块26、特征提取模块28设置与可穿戴设备32中，模型训练/动作分类识别模块210、动作打分/纠错或提示模块212设置于手机终端34中。

所述服务器36为所述动作评分系统的可选模块，用于通过数据传输将可穿戴设备32和/或手机终端34应用上的数据进行数据存储和进一步分析等，也可将分析结果回传给手机应用等进行显示和/或对手机应用进行更新等；

所述可穿戴设备32也可不经过所述手机应用，与所述服务器36直接进行数据传输，进行数据传输和算法更新等。

具体地，数据采集模块22设置于可穿戴设备32中、数据预处理模块24、数据分割模块26、特征提取模块28、模型训练/动作分类识别模块210、动作打分/纠错或提示模块212设置于服务器36中。

根据本申请实施例，还提供了一种用于实施上述动作评分方法的动作评分装置，如图4所示，该装置包括：获取模块42、第一确定模块44、第二确定模块46、评分模块48；其中：

获取模块42，用于获取目标动作信息，目标动作信息包括目标对象移动的角速度信息和/或加速度信息；

第一确定模块44，用于根据目标动作信息确定对应的目标动作的类型；

第二确定模块46，用于基于目标动作的类型确定对应的第一评分规则；

评分模块48，用于按照第一评分规则对目标动作进行评分，得到第一评分结果，其中，第一评分结果用于评价目标动作与标准动作的相似程度。

具体地，第一确定模块44用于对目标动作信息进行第一预处理，得到目标动作信息对应的第一维度的第一动作轨迹；基于第一动作轨迹确定动作特征信息，动作特征信息包括以下至少之一：第一动作轨迹对应的曲线的均值、方差、累加弧长、动作时长；根据动作特征信息确定目标动作的类型。

可选地，根据所述目标动作信息确定对应的目标动作的类型之后，所述装置还用于：基于所述目标动作信息与所述目标动作的类型，将所述目标动作按照预设规则拆分为多个子动作段；基于所述多个子动作段的类型确定每个子动作段对应的第二评分规则；按照所述第二评分规则对所述每个子动作段进行评分，得到第二评分结果，其中，所述第二评分结果用于评价所述子动作段与标准子动作的相似程度。

可选地，所述预设规则可以为：不同的子动作段对应的第一角速度值所属的预设角速度区间，和/或对应的第一加速度值所属的预设加速度区间不同。

具体地，第一确定模块44用于对所述目标动作信息进行第二预处理，所述第二预处理可以为以下至少之一：滤波、去噪、修正；基于第二预处理后的所述目标动作信息生成所述目标动作信息对应的第二维度的第二动作轨迹，其中，所述第二维度大于所述第一维度；将所述第二动作轨迹转换为所述第一动作轨迹。

可选地，第一确定模块44用于将动作特征信息输入预设模型进行分析,得到目标动作的类型,其中,预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：样本特征信息以及用于标记样本特征信息所对应的样本动作的类型的标记。

可选地，基于目标动作的类型确定对应的第一评分规则之前，装置还用于建立目标动作的类型与第一评分规则的对应关系，第一评分规则可以为：目标动作与其对应的标准动作的相似度越高评分越高；存储对应关系。

具体地，评分模块48用于获取角速度信息对应的第二角速度值，和/或加速度信息对应的第二加速度值；计算第二角速度值和/或第二加速度值与标准动作对应的标准角速度值和/或标准加速度值的第一差值；根据第一差值确定目标动作的第一目标分数。

具体地，评分模块48用于按照第一评分规则对目标动作进行评分包括：计算动作特征信息与标准动作对应的标准特征信息的第二差值；根据第二差值确定目标动作的第二目标分数。

可选地，第一确定模块44用于将所述第二动作轨迹转换为所述目标动作信息对应的所述第一维度的第三动作轨迹；对第三动作轨迹进行分割，得到多个所述第一动作轨迹。

可选地，在根据目标动作信息确定对应的目标动作的类型之后，装置还用于：获取健身器械的类型；判断健身器械的类型与目标动作的类型是否对应；基于目标动作的类型确定对应的第一评分规则包括：在健身器械的类型与目标动作的类型对应的情况下，基于目标动作的类型确定对应的第一评分规则。

可选的，获取健身器械的类型之前，所述装置还用于接收所述健身器械的连接请求；基于所述连接请求与所述健身器械进行连接。

可选地，获取健身器械的类型之前，所述装置还用于检测目标设备与所述健身器械的距离是否小于预设距离，若是，则启动与所述健身器械的连接。

需要说明的是，图4所示实施例的优选实施方式可以参见图1中的方法实施例的相关描述，此处不再赘述。

根据本申请实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标动作信息，目标动作信息包括目标对象移动的角速度信息和/或加速度信息；根据目标动作信息确定对应的目标动作的类型；基于目标动作的类型确定对应的第一评分规则；按照第一评分规则对目标动作进行评分，得到第一评分结果，其中，第一评分结果用于评价目标动作与标准动作的相似程度。

根据本申请实施例的另一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时可以执行应用程序的动作评分方法中以下步骤的程序代码：获取目标动作信息，目标动作信息包括目标对象移动的角速度信息和/或加速度信息；根据目标动作信息确定对应的目标动作的类型；基于目标动作的类型确定对应的第一评分规则；按照第一评分规则对目标动作进行评分，得到第一评分结果，其中，第一评分结果用于评价目标动作与标准动作的相似程度，和/或用于评价目标动作在动作的各个关键要点上的得分及好/坏等分布情况。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本申请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，也可以采用软件功能单元的形式实现。

集成的单元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，本申请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全部或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计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。