一种运动识别方法、装置及存储介质与流程

本发明涉及数据处理技术领域，尤其涉及一种运动识别方法、装置及存储介质。

背景技术：

近年来，随着人们生活水平的提高以及体育健身意识的增强，越来越多的人开始进行运动锻炼。运动时，人们往往通过佩戴的穿戴式设备，如fitbit，nike+，jowbone，欧姆龙计步器等，对运动状态进行监测。由于精确的运动识别算法需要进行复杂的计算，不适合穿戴式设备广泛采用的低成本、低功耗的硬件平台，因此，穿戴式设备通常将采集的加速度数据和角速度数据上传到后端平台，由后端平台通过模型计算，进行运动状态的识别，进而为用户提供运动计量等功能。

然而，穿戴式设备将采集的数据上传到后端平台进行运动状态识别，会带来对数据传输带宽和判断时延的增加，从而影响一些需要快速判别的运动反应及时性。

技术实现要素：

本发明实施例提供一种运动识别方法、装置及存储介质，以解决现有技术存在的由于数据传输带宽和判断时延的增加而造成的运动反应及时性的问题。

为解决上述技术问题，本发明实施例是这样实现的：

第一方面，本发明实施例提供的一种运动识别方法，应用于终端设备，包括：

将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量；

将所述第一词频向量发送给服务器，以使得服务器根据所述第一词频向量确定所述用户在所述第一时间长度内的运动状态。

第二方面，本发明实施例提供的一种运动识别方法，应用于服务器，包括：

接收终端设备发送的第一词频向量，所述第一词频向量表征用户在第一时间长度内各运动状态的出现次数；

根据所述第一词频向量和所述各运动状态的预设权重，计算第二词频向量；

根据所述第二词频向量，确定用户在第一时间长度内的运动状态。

第三方面，本发明实施例提供一种运动识别装置，应用于终端设备，包括：

词频向量转换单元，用于将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量；

发送单元，用于将所述第一词频向量发送给服务器，以使得服务器根据所述第一词频向量确定所述用户在所述第一时间长度内的运动状态。

第四方面，本发明实施例提供一种运动识别装置，应用于服务器，包括：

接收单元，用于接收终端设备发送的第一词频向量，所述第一词频向量表征用户在第一时间长度内各运动状态的出现次数；

计算单元，用于根据所述第一词频向量和所述各运动状态的预设权重，计算第二词频向量；

运动识别单元，用于根据所述第二词频向量，确定用户在第一时间长度内的运动状态。

第五方面，本发明实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述实施例提供的运动识别方法的步骤。

第六方面，本发明实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的运动识别方法的步骤。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本申请实施例中，终端设备将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量发送给服务器。终端设备将一定时间长度的采集数据，处理为词频向量进行传输，在数据量上比发送全部采集数据要小很多，避免了数据传输带宽的影响，因此，降低了判断时延，提高了运动识别的及时性。

相对应的，服务器接收终端设备发送的第一词频向量，结合各运动状态的预设权重，计算第二词频向量，继而确定用户第一时间长度内的运动状态。由于接收的数据为词频向量，相比于对全部采集数据进行运动识别，服务器的运算速度增快，因而可以高效进行运动识别，尤其是精确度要求较高的运动识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书的第一实施例的运动识别方法的流程图；

图2为本说明书的一个实施例的运动识别应用场景图；

图3为本说明书的第二实施例的运动识别方法的流程图；

图4为本说明书的第二实施例的运动识别方法的流程图；

图5为本说明书的第三实施例的运动识别方法的流程图；

图6为本说明书的第四实施例的运动识别方法的流程图；

图7为本说明书的一个实施例的运动分析结果展示图；

图8为本说明书的第五实施例的运动识别装置的结构示意图；

图9为本说明书的第六实施例的运动识别装置的结构示意图；

图10为本说明书的第七实施例的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

对人体运动状态的识别，可以根据各种类型的传感器，诸如加速度计、陀螺仪、磁力计等，以上传感器均能够采集个人运动的信息。移动可穿戴设备作为终端设备，包括但不限定于智能手表，或者智能手环等等，可以通过采集到的加速度和角速度等信号，提取运动信息，从而实现在任意时间监测用户在室内、外的行为活动。然而，精确的运动识别算法需要进行复杂的计算，不适合穿戴式设备广泛采用的低成本、低功耗的硬件平台。采用简单的运动识别方式的穿戴式设备，其计算的运动量及卡路里消耗均不准确。如果将穿戴式设备采集的数据上传到后端平台进行计算，则会带来对数据传输带宽和判断时延的增加，从而影响一些需要快速判别的运动反应及时性。

为解决现有技术中存在的由于数据传输带宽和判断时延的增加而造成的运动反应及时性的问题，本说明书实施例提供了分别应用于终端设备和服务器的运动识别方法。

接下来对本说明书的第一实施例提供的一种运动识别方法进行介绍。如图1所示，该方法应用于终端设备，可以包括如下步骤：

s101、将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量。

s102、将第一词频向量发送给服务器，以使得服务器根据第一词频向量确定用户在第一时间长度内的运动状态。

其中，终端设备可以为穿戴式设备，如智能手环、智能手表等。第一时间长度为运动识别的时间单元，具体可以为3分钟、5分钟、8分钟、10分钟等。以5分钟为例，本说明书实施例的运动识别，就是识别每5分钟，用户的运动状态。运动状态可以包括静止、乘车、骑行、活动、锻炼。需要注意的是，本说明书的实施例对运动状态并不做限定，运动状态还可以为慢步、慢跑、快跑等。

在一个具体的例子中，第一时间长度可以包括多个第二时间长度，第二时间长度可以为2秒、5秒、8秒等。终端设备可以对应每个第二时间长度确定用户的一个运动状态。以智能手环为例，如，第一时间长度为5分钟，第二时间长度为2秒钟，则在5分钟内，智能手环在每2秒可以确定一个运动状态，那么5分钟内各运动状态可以为：静止、静止、静止、静止、活动、活动、活动、活动、活动……。进一步的，智能手环可以统计各运动状态的次数，统计数据可以为：静止20次、乘车60次、骑行10次、活动30次、锻炼30次。

随后，将以上次数信息转换为第一词频向量，第一词频向量可以为[20,60,10,30,30]。如，第一时间长度为5分钟，第二时间长度为2秒钟，则该第一词频向量对应的信息为，在该5分钟内，终端设备每2秒确定的运动状态中，有20个运动状态被确定为静止，有60个运动状态被确定为乘车，有10个运动状态被确定为骑行，有30个运动状态被确定为活动，有30个运动状态被确定为锻炼。

然后，将该第一词频向量发送至服务器，后续过程中，服务器可以根据该第一词频向量确定该5分钟内用户的最终运动状态。具体的，服务器可以将第一词频向量输入训练好的运动识别模型，采用人工智能算法对运动状态进行识别，即可输出该第一词频向量对应的第一时间长度内的运动状态。用于运动识别的人工智能算法可以采用现有的运动识别算法，本实施例不做限制。

请参考图2，其为本说明书实施例提供的运动识别场景，该场景包括终端设备800、服务器900以及用户设备1000。终端设备800可以为智能手环、智能手表等穿戴设备，采集三轴加速度数据，初步确定对应于每个第二时间长度的用户的运动状态，将第一时间长度内各运动状态的出现次数转换为第一词频向量，发送至服务器900；服务器900为运动识别平台，可以接收来自多个用户的智能手环、智能手表发送的第一时间长度内的第一词频向量，并根据该第一词频向量确定该第一时间长度内的相应用户的运动状态，发送至相应用户的用户设备1000；用户设备1000可以为用户的智能手机、智能平板等，接收服务器900发送的运动状态，进行可视化展示。

本说明书实施例提供的运动识别方法，终端设备将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量发送给服务器。终端设备将一定时间长度的采集数据，处理为词频向量进行传输，在数据量上比发送全部采集数据要小很多，避免了数据传输带宽的影响，因此，降低了判断时延，提高了运动识别的及时性。

本说明书的第二实施例提供一种运动识别方法。请参考图3，第二实施例与第一实施例大致相同，主要区别之处在于：将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量之前，还包括：

s301、采集终端设备在至少一个第二时间长度内分别生成的三轴加速度数据。

s302、根据三轴加速度数据，分别确定用户在各第二时间长度内的运动状态。

具体的，首先终端设备获取由其内设的传感器采集的三轴加速度数据，即x、y、z三轴中每个轴的加速度数据。第二时间长度可以为2秒，时间窗口可以为2秒，也可以为5秒，在此不做限定。如，终端设备可以每2秒采集过去5秒的x、y、z三轴中每个轴的加速度数据，也可以每2秒采集过去2秒的x、y、z三轴中每个轴的加速度数据。

以智能手环为例，智能手环通常佩戴在用户的手腕处，智能手环运行时，即开始记录人体运动过程中产生的加速度数据，并储存在内置的卡中，以文本的格式存储。

智能手环中的加速度传感器每秒钟可以采样200次，记录运动过程中x，y，z三个方向上的加速度ax，ay，az，即三轴加速度。如第二时间长度选取2秒，同时以5秒作为时间窗口的宽度，则每2秒将一个时间窗口中三个方向的加速度数据作为一个样本数据进行处理。

智能手环通过采集到的加速度数据，可以确定用户在每2秒的运动状态，持续处理就可以获得用户在多个2秒的运动状态的集合。如采集周期中，第一个2秒的运动状态为静止，第二个2秒的运动状态为静止，第三个2秒的运动状态为静止，第四个2秒的运动状态为活动，第五个2秒的运动状态为活动，以此类推。

运动状态的确定方法可以采用现有的运动状态确定方法，如，通过三轴加速度数据，确定用户的运动幅度，或者将三轴加速度数据输入训练好的运动状态分类模型等，在此不做限制。

可选地，在一个具体例子中，如图4所示，根据三轴加速度数据，分别确定用户在各第二时间长度内的运动状态，可以包括：

s401、计算三轴加速度平方和的方差。

s402、根据方差满足的阈值范围，确定运动状态。

具体的，以智能手环为例，如第二时间长度为2秒，时间窗口为2秒。智能手环采集时间窗口2秒内的三轴加速度，每秒200次的话，2秒可以采集400组三轴加速度数据。每一组三轴加速度数据，首先计算其平方和f，具体公式如下：

f＝ax²+ay²+az²

随后，计算计算f的方差var(f)，具体公式如下：

其中，为三轴加速度的平均值，n为数据量，在本实施例中，n为400。

通常用户不同活动时f的方差var(f)，满足如下规律：

var(f)静止<var(f)乘车<var(f)骑行<var(f)活动<var(f)锻炼

因此，根据f的方差var(f)满足的阈值范围，可以确定运动状态。即，如获取的var(f)满足运动状态乘车的阈值范围，则可确定当前2秒用户的运动状态为乘车，如获取的var(f)满足运动状态锻炼的阈值范围，则可确定当前2秒用户的运动状态为锻炼。

具体的，各运动状态的阈值范围，由服务器通过统计大量标注后的数据样本后得到，由于传感器量程和精度的差异性(有8位或16位传感器)，以静止加速度平方和的方差为标准，例如，静止状态的阈值范围为0<var(f)静止<m，则乘车状态的阈值范围为m<var(f)乘车<2m，骑行状态的阈值范围是2m<var(f)骑行<3.2m，活动状态的阈值范围是3.2m<var(f)活动<6m，锻炼状态的阈值范围是var(f)锻炼>6m。

可以理解为，采用三轴加速度平方和的方差为特征对用户的活动状态进行初步识别，由于方差计算量较小，属于轻量级算法，对于像智能手环一样的终端设备来说，方差的计算并不会影响智能手环的其他功能。因此，初步运动状态的识别，可以在穿戴式终端设备上实现。

本说明书的第三实施例提供一种运动识别方法。请参考图5，第三实施例与第一实施例大致相同，主要区别之处在于：在本实施例中，将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量，包括：

s501、将各第二时间长度内的运动状态分别映射为一个词，将映射得到的词组成词的序列。

s502、将词的序列中重复出现的词的次数，转换为第一词频向量。

在一个例子中，第一时间长度为5分钟，第二时间长度为2s，5分钟内第一个2s的运动状态为静止，第二个2s的运动状态为静止，第三个2s的运动状态为静止，第四个2s的运动状态为活动，以此类推，直到5分钟内最后一个2s的运动状态为静止。也就是说，5分钟内共150个运动状态结果。

将运动状态结果映射为文本识别的一个“词”，即，“静止”可以映射为一个词，“乘车”可以映射为一个词，“骑行”可以映射为一个词，“活动”可以映射为一个词，“锻炼”可以映射为一个词。那么，5分钟的运动状态的结果可以形成一个“文本”，该“文本”为由150个词组成的词序列。

统计该“文本”中每个词的出现次数，即“静止”出现的次数、“乘车”出现的次数、“骑行”出现的次数、“静止”出现的次数、“静止”出现的次数。则每5分钟即可统计得到一个5维的词频向量，如，[20,60,10,30,30]、[20,10,5,45,70]等。

可以理解为，通过将确定出的每个第二时间长度的运动状态映射为一个词，使得每个第一运动状态中确定的多个第二时间长度的运动状态形成词的序列，将词的序列按照文本处理方法，统计得到每个词的出现次数，转化为第一词频向量，该种词频向量的转化方式流程简单，对终端设备的配置要求低，整体处理速度快。

接下来对本说明书的第四实施例提供的一种运动识别方法进行介绍。如图6所示，该方法应用于服务器，可以包括如下步骤：

s601、接收终端设备发送的第一词频向量，第一词频向量表征用户在第一时间长度内各运动状态的出现次数。

s602、根据第一词频向量和各运动状态的预设权重，计算第二词频向量。

s603、根据第二词频向量，确定用户在第一时间长度内的运动状态。

具体的，服务器接收终端设备发送的第一词频向量，如[20,60,10,30,30]。该第一词频向量对应，在第一时间长度，如5分钟内的150个运动状态中，有20个运动状态被确定为静止，有60个运动状态被确定为乘车，有10个运动状态被确定为骑行，有30个运动状态被确定为活动，有30个运动状态被确定为锻炼。

随后，将接收的第一词频向量与idf(termfrequency.inversedocumentfrequency，词频-逆文本频率)结合，根据各运动状态的预设权重，获取第二词频向量，即，第二词频向量为词频-逆文本频率。

idf为根据重要性加权的基于向量空间模型的特征提取技术，不同的活动对应的权重是不同的。几乎每类活动中都会有“静止”出现。例如，打篮球的5分钟是剧烈运动，但中间会有短暂的停顿，某些2秒被识别为静止。因此，5分钟内包含60秒静止并不能说明这5分钟的整体活动。因此，静止对活动识别的贡献最少，其对应的idf权重也应该最小。相反，锻炼出现通常只出现在锻炼过程中，5分钟的静止、乘车、骑行或活动中都很少出现2秒的有效锻炼。因此，如果某个5分钟内包含60秒锻炼，那么，几乎可以肯定，这5分钟是用户确实是在锻炼。因此，锻炼对活动识别的贡献是很大的，其对应的idf权重也应该最大。

本实施例中的各运动状态的权重，可以由服务器通过计算信息熵h(x)获得，具体公式为：

h(x)＝e[i(xi)]＝e[log(2,1/p(xi))]＝-∑p(xi)log(2,p(xi))(i＝1,2,..n)

其中，x表示运动状态，如，静止、乘车、骑行、活动、锻炼，p(x)表示输出概率函数。可以理解为，某一运动状态x出现的概率越高，则信息熵越小，相应的该运动状态的idf权重越小；某一运动状态x出现的概率越低，则信息熵越大，相应的该运动状态的idf权重越大。

将第二词频向量输入训练好的knn(最近邻)分类器，即可输出该第二词频向量对应的第一时间长度内的运动状态。其中，knn分类器距离测度可以采用余弦距离度量相似性、欧式距离等，本实施例不做限制。

以余弦距离为例，余弦距离为：

其中θ为两个向量x和y的夹角。

本实施例中的knn算法的具体技术过程为：首先准备样本集，样本集由历史的经过标准的大量用户日常生活的动频特征数据及其对应的运动状态组成，将样本集数据输入knn模型；随后向knn模型输入待测的动频特征数据，即第二词频向量，计算第二词频向量与knn模型中的样本集中的5个运动状态数据对应的动频特征的距离，提取与样本中动频特征的距离最相近的动频特征所对应的运动状态，作为最终的输出。该数据服务器可以每隔1个月更新计算，将最新的数据样本加入训练数据集，使得预测更准确。

在一个具体例子中，接收终端设备发送的第一词频向量，包括：接收终端设备发送的至少两个第一词频向量；其中，各第一词频向量，分别表征用户的各运动状态在相应的第一时间长度内的出现次数；则计算得到的第二词频向量，包括：根据至少两个第一词频向量和各运动状态的预设权重，计算得到的至少两个第二词频向量；确定出的用户在第一时间长度内的运动状态，包括：根据至少两个词频向量，确定出的用户在相应的第一时间长度内的运动状态；根据第二词频向量，确定用户在第一时间长度内的运动状态之后，还包括：

根据用户在相应的第一时间长度内的运动状态，确定异常的运动状态，对异常的运动状态进行修正或忽略。

具体的，服务器持续获取终端设备发送的第一词频向量，每个第一词频向量对应一个第一时间长度的用户的运动数据，如第一时间长度为5分钟，则服务器每5分钟即可接受到一个第一词频向量，结合idf，即服务器每5分钟可得到一个第二词频向量，将第二词频向量输入knn分类器，最终可获得多个5分钟的运动状态。

服务器根据多个5分钟的运动状态，可以确定异常的运动状态，如，第一个5分钟的运动状态被确定为活动，之后连续10个5分钟的运动状态均被确定为活动，第12个5分钟的运动状态被确定为锻炼，之后连续10个5分钟的运动状态均被确定为活动，即代表，多个活动中夹杂了一个5分钟的锻炼，则可以确定第12个5分钟的运动状态为异常，可以将该异常的运动状态修正为活动，也可以将其忽略。又比如，多个连续的5分钟的运动状态被确定为静止，其中夹杂一个5分钟的运动状态被确定为乘车，则可以确定夹杂的乘车为异常的运动状态，可以将该异常的运动状态修正为静止，也可以将其忽略。

可以理解为，多个运动状态的识别结果中，可能包含个别偶发的错误，当某一个第一时间长度的运动状态前后连续出现的均为其他运动状态，可以确定其为识别异常，通过将其修正或忽略，可以避免误判。

在一个具体例子中，请参考图2，服务器还可以将每天确定的多个第一时间长度的运动状态进行分析和统计，生成运动分析数据，发送至用户设备1000进行可视化展示，其展示的形式可以参考图7。如图7所示，可以将用户一天24小时中各运动状态分别进行展示，并对每种运动状态的总时间也进行展示，可使用户及时了解自己每天的运动情况，方便用户调整作息和运动规律。

本说明书实施例提供的运动识别方法，服务器接收终端设备发送的第一词频向量，结合各运动状态的预设权重，计算第二词频向量，继而确定用户第一时间长度内的运动状态。由于接收的数据为词频向量，相比于对全部采集数据进行运动识别，服务器的运算速度增快，因而可以高效进行运动识别，尤其是精确度要求较高的运动识别。

本说明书的第五实施例提供一种运动识别装置800，应用于终端设备，如图8所示，包含：词频向量转换单元801、发送单元802，各单元详细说明如下：

词频向量转换单元801，用于将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量；

发送单元802，用于将第一词频向量发送给服务器，以使得服务器根据第一词频向量确定用户在第一时间长度内的运动状态。

可选地，作为一个实施例，第一时间长度由至少一个第二时间长度构成，运动识别装置800，还包括：

三轴加速度采集单元，用于采集终端设备在至少一个第二时间长度内分别生成的三轴加速度数据；

第二时间长度内的运动状态识别单元，用于根据三轴加速度数据，分别确定用户在各第二时间长度内的运动状态。

可选地，作为一个实施例，第二时间长度内的运动状态识别单元，包括：

方差计算单元，用于计算三轴加速度平方和的方差；

基于方差的运动状态确定单元，用于根据方差满足的阈值范围，确定运动状态。

可选地，作为一个实施例，词频向量转换单元801，包括：

词序列生成单元，用于将各第二时间长度内的运动状态分别映射为一个词，将映射得到的词组成词的序列；

第一词频向量转换单元，用于将词的序列中重复出现的词的次数，转换为第一词频向量。

本说明书实施例提供的运动识别装置，终端设备将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量发送给服务器。终端设备将一定时间长度的采集数据，处理为词频向量进行传输，在数据量上比发送全部采集数据要小很多，避免了数据传输带宽的影响，因此，降低了判断时延，提高了运动识别的及时性。

本说明书的第六实施例提供一种运动识别装置900，应用于服务器，如图9所示，包含：接收单元901、计算单元902、运动识别单元903，各单元详细说明如下：

接收单元901，用于接收终端设备发送的第一词频向量，第一词频向量表征用户在第一时间长度内各运动状态的出现次数；

计算单元902，用于根据第一词频向量和各运动状态的预设权重，计算第二词频向量；

运动识别单元903，用于根据第二词频向量，确定用户在第一时间长度内的运动状态。

可选地，作为一个实施例，接收终端设备发送的第一词频向量，包括：接收终端设备发送的至少两个第一词频向量；其中，各第一词频向量，分别表征用户的各运动状态在相应的第一时间长度内的出现次数；则计算得到的第二词频向量，包括：根据至少两个第一词频向量和各运动状态的预设权重，计算得到的至少两个第二词频向量；确定出的用户在第一时间长度内的运动状态，包括：根据至少两个词频向量，确定出的用户在相应的第一时间长度内的运动状态，则，运动识别装置900，还包括：

异常运动状态处理单元，用于根据用户在相应的第一时间长度内的运动状态，确定异常的运动状态，对异常的运动状态进行修正或忽略。

本说明书实施例提供的运动识别装置，服务器接收终端设备发送的第一词频向量，结合各运动状态的预设权重，计算第二词频向量，继而确定用户第一时间长度内的运动状态。由于接收的数据为词频向量，相比于对全部采集数据进行运动识别，服务器的运算速度增快，因而可以高效进行运动识别，尤其是精确度要求较高的运动识别。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

为解决现有技术中存在的由于数据传输带宽和判断时延的增加而造成的运动反应及时性的问题，本说明书的第七实施例提供一种电子设备，如图10所示。该电子设备具体可以包括处理器、存储器、存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现本发明的运动识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本说明书的第八实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述运动识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。

采用说明书实施例提供的该方案，终端设备将第一时间长度内用户各运动状态分别出现的次数，转换为第一词频向量发送给服务器。终端设备将一定时间长度的采集数据，处理为词频向量进行传输，在数据量上比发送全部采集数据要小很多，避免了数据传输带宽的影响，因此，降低了判断时延，提高了运动识别的及时性。

相对应的，服务器接收终端设备发送的第一词频向量，结合各运动状态的预设权重，计算第二词频向量，继而确定用户第一时间长度内的运动状态。由于接收的数据为词频向量，相比于对全部采集数据进行运动识别，服务器的运算速度增快，因而可以高效进行运动识别，尤其是精确度要求较高的运动识别。

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，本发明可采用完全硬件实施例、完全软件实施例、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、cd-rom、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。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，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，本发明可采用完全硬件实施例、完全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、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。