跑步动态数据处理方法、装置以及存储介质和运动耳机与流程

1.本发明涉及数据处理领域，特别涉及一种跑步动态数据处理方法、装置以及存储介质和运动耳机。


背景技术：

2.随着现代社会生活节奏的加快，人们的压力也有所增加，而跑步成为人们排解压力的有效方式。为了科学运动，人们通常希望能在跑步时获知自己的步频、步幅、触地时间和垂直步幅比等实时动态跑步数据，以便后续矫正一些不科学的运动方式。现有技术在跑步动态数据处理方法时，通常需要借助耳机、手机、动态传感器和心率带等相互独立的设备，例如，使用耳机连接到耳机，由手机输出跑步者的节拍传送至耳机，跑步者由此获知自身的跑步节拍；再如，通过跑步者另行佩戴的心率带监测跑步者的心率等数据。然而，无论是在手机之外再佩戴耳机还是心率带，不仅给跑步者的体验感较差，而且使用起来较为不便。


技术实现要素：

3.本技术提供一种跑步动态数据处理方法、装置以及存储介质和运动耳机，可以避免跑步者在跑步时的各种不便，提升跑步者的体验。
4.一方面，本技术提供了一种跑步动态数据处理方法，所述方法应用于运动耳机，包括：
5.采用集成于所述运动耳机的多轴传感器采集运动原始数据，所述运动原始数据包括多轴加速度和/或多轴角速度；
6.对所述运动原始数据进行预处理，得到预处理后运动数据；
7.将所述预处理后运动数据的干扰过滤后，采用四元数对所述过滤干扰后运动数据进行姿态解算得到姿态角数据；
8.根据所述姿态角数据，提取跑步者在跑步时的跑步特征数据。
9.另一方面，本技术提供了一种跑步动态数据处理装置，所述装置应用于运动耳机，包括：
10.采集模块，用于采用集成于所述运动耳机的多轴传感器采集运动原始数据，所述运动原始数据包括多轴加速度和/或多轴角速度；
11.预处理模块，用于对所述运动原始数据进行预处理，得到预处理后运动数据；
12.解算模块，用于将所述预处理后运动数据的干扰过滤后，采用四元数对所述过滤干扰后运动数据进行姿态解算得到姿态角数据；
13.提取模块，用于根据所述姿态角数据，提取跑步者在跑步时的跑步特征数据。
14.第三方面，本技术提供了一种运动耳机，所述运动耳机包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述跑步动态数据处理方法的技术方案的步骤。
15.第四方面，本技术提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述跑步动态数据处理方法的技术方案的步骤。
16.从上述本技术提供的技术方案可知，通过采用集成于运动耳机的多轴传感器采集运动原始数据，然后对该运动原始数据进行预处理，得到预处理后运动数据，将预处理后运动数据的干扰过滤后，采用四元数对这些过滤干扰后运动数据进行姿态解算得到姿态角数据，最终根据解算得到的姿态角数据，提取跑步者在跑步时的跑步特征数据。相比于现有技术需要在手机之外再佩戴耳机等其他设备给跑步者带来较差的体验感和使用不便，由于本技术是将采集运动原始数据的多轴传感器集成于运动耳机中，数据的分析处理都由运动耳机中的软件和/或硬件实现，换言之，跑步者只需要佩戴一个运动耳机即可实现跑步动态数据的处理，无需另外的设备，从而使得使用方便，给跑步者带来良好的使用体验。
附图说明
17.为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例提供的跑步动态数据处理方法的流程图；
19.图2是本技术实施例提供的跑步动态数据处理装置的结构示意图；
20.图3是本技术实施例提供的运动耳机的结构示意图。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
22.在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
23.在本说明书中，为了便于描述，附图中所示的各个部分的尺寸并不是按照实际的比例关系绘制的。
24.请参阅图1，是本技术实施例提供的跑步动态数据处理方法，该方法应用于运动耳机。
25.图1示例的方法主要包括步骤s101至s104，详述如下：
26.步骤s101：采用集成于运动耳机的多轴传感器采集运动原始数据，其中，运动原始数据包括多轴加速度和/或多轴角速度。
27.在本技术实施例中，多轴传感器可以是三轴传感器、六轴传感器或九轴传感器等设备。相应于多轴传感器是三轴传感器(例如陀螺仪或重力加速度计)、六轴传感器(例如陀螺仪和重力加速度计)或九轴传感器(例如陀螺仪、重力加速度计和磁强计)等设备，运动原
始数据可以是三轴加速度或三轴角速度，亦可以是三轴加速度和三轴角速度，还可以是三轴加速度、三轴角速度和三轴磁感应强度数据。本技术对多轴传感器并不限制，原则上，只要这种或这些设备能够集成于运动耳机即可。
28.步骤s102：对运动原始数据进行预处理，得到预处理后运动数据。
29.由于多轴传感器硬件上的差异，可能导致每种传感器在采样率、量程等方面不同步，因此，需要对运动原始数据进行预处理。具体地，作为本技术一个实施例，对运动原始数据进行预处理，得到预处理后运动数据可以是：对运动原始数据的量程和/或采样率进行归一化和校准。
30.步骤s103：将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据。
31.考虑到欧拉角微分方程中包含了大量的三角运算，这给实时解算带来了一定的困难，并且，当俯仰角为90度时方程式会出现神奇的“gimballock”。因此，欧拉角方法只适用于刚体在水平姿态变化不大的情况，而不适用于全姿态刚体的姿态确定。本技术的四元数是一种超复数，即，相对于复数为二维空间，若将四元数的集合考虑成多维实数空间，四元数就代表一个四维空间。换言之，四元数包含了刚体旋转的所有信息，在刚体的姿态解算中，通常使用四元数微分方程对四元数进行更新，解算过程只需要求解四个未知量的线性微分方程组，计算量小，易于操作，是比较实用的工程方法。因此，在本技术实施例中，在将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据。以多轴传感器是六轴传感器(即包括陀螺仪和重力加速度计)为例，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据的基本原理如下1)至8)步：
32.1)对四元数进行初始化，即，以当前坐标系为运动耳机这一载体坐标系，四元素列向量可以表示为：q＝[q
0 q
1 q
2 q3]
t
＝[1000]
t
。
[0033]
2)将加速度acc
x
、accy、accz进行归一化。
[0034]
预处理后运动数据经过卡尔曼滤波后，得到加速度在x轴、y轴、z轴的分量acc
x
、accy、accz和角速度在x轴、y轴、z轴的分量w
x
、wy、wz。将加速度acc
x
、accy、accz进行归一化，即：
[0035][0036]
3)采用四元数表示加速度在x轴、y轴、z轴的分量，分别表示为γ
x
、γy、γz：
[0037][0038]
4)计算四元数得出的重力分量与加速度测量值的误差值，即：
[0039][0040]
5)利用重力分量与加速度测量值的误差值来修正陀螺仪的测量值，即：
[0041][0042][0043][0044]
上述公式中，参数kp和ki用于调整重力加速度计，以矫正陀螺仪积分误差的速度。
[0045]
6)利用修正以后的陀螺仪的测量值更新四元数，即：
[0046][0047]
7)归一化更新后的四元数，即：
[0048][0049]
8)至此，完成一次四元数姿态融合，将四元数转换成运动耳机的姿态角，包括航向角(yaw)、俯仰角(pitch)和横滚角(roll)：
[0050][0051]
作为本技术一个实施例，将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据可以通过步骤s1031至步骤s1034实现，详细
说明如下：
[0052]
步骤s1031：根据四元数微分方程和姿态矩阵构建运动耳机的状态方程，并得到过程噪声方差矩阵。
[0053]
步骤s1032：利用高斯-牛顿法构建系统的观测模型，并得到运动耳机的测量噪声方差矩阵。
[0054]
步骤s1033：根据运动耳机的状态方程和观测模型建立扩展卡尔曼滤波递推过程。
[0055]
作为一种利用线性系统状态方程，卡尔曼滤波(kalman filtering)可通过系统输入输出观测数据对系统状态进行最优估计的算法。换言之，卡尔曼滤波过程可以对系统输入观测数据进行处理，得到误差最小的真实信号估计值的过程。以下说明卡尔曼滤波算法，包括如下1)至5)步：。
[0056]
1)系统的状态预测：
[0057]
假设系统状态变量在k-1时刻的最优值为x
k-1|k-1
，k时刻系统的输入为μk，可以得出k时刻系统的预测值x
k|k-1
可以表示为：
[0058]
x
k|k-1
＝a
·
x
k-1|k-1
+b
·
μk。
[0059]
2)协方差预测：
[0060]
根据k-1时刻的系统协方差矩阵p(k-1|k-1)预测出k时刻的协方差矩阵为p(k|k-1)，即
[0061]
p(k|k-1)＝a
·
p(k-1|k-1)
·a′
+q
[0062]
其中，a
′
表示a的转置，q是系统过程噪声的协方差。
[0063]
3)卡尔曼增益求解，即：
[0064]
根据k时刻的状态变量预测值和协方差矩阵预测值计算卡尔曼增益k
gk
：
[0065][0066]
4)最优值更新，即：
[0067]
根据k时刻的状态变量预测值和系统实际测试值计算k时刻的最优状态变量x
k|k
：
[0068]
x
k|k
＝x
k|k-1
+k
gk
·
(z
k-h
·
x
k|k-1
)
[0069]
5)协方差更新，即：
[0070]
更新k时刻的协方差矩阵p(k|k)，p(k|k)＝(i-k
gk
·
h)p(k|k-1)
[0071]
在最优值和协方差更新方程都计算结束后，整个卡尔曼滤波过程进入下一次循环，重复上述5步计算。
[0072]
由于扩展卡尔曼滤波器(extended kalman filter，ekf)可以对非线性函数的泰勒(taylor)展开式进行一阶线性化截断，忽略其余高阶项，从而将非线性问题转化为线性问题。因此，在本技术实施例中，在得到运动耳机的测量噪声方差矩阵后，可以根据运动耳机的状态方程和观测模型，建立扩展卡尔曼滤波递推过程。作为本技术一个实施例，根据所述运动耳机的状态方程和观测模型，建立扩展卡尔曼滤波递推过程可以是：在采用预设卡尔曼滤波器模块对多轴传感器进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个误差的协方差；采用预设低通滤波器对多个误差的协方差进行过滤，得到满足预设滤波条件的目标误差的协方差；根据目标误差的协方差，确定卡尔曼自动调节因素，其中，卡尔曼自动调节因素为误差协方差的计算值与估算值的比值；根据卡尔曼自动调节因
素，确定下一次迭代的目标卡尔曼滤波增益；根据目标卡尔曼滤波增益，进行下一次迭代得到估计结果。上述实施例中，误差的协方差的误差即测量值减去估计值，可以用于衡量卡尔曼滤波器的滤波性能。至于根据卡尔曼自动调节因素，确定下一次迭代的目标卡尔曼滤波增益，其具体可以是：根据卡尔曼自动调节因素，确定预设卡尔曼滤波器模块的下一次迭代的系统噪声方差：根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益，其中，根据卡尔曼自动调节因素，确定预设卡尔曼滤波器模块的下一次迭代的系统噪声方差可以是：获取上一次迭代估计的系统噪声方差qk-1；根据预设关系式、卡尔曼自动调节因素和上一次迭代估计的系统噪声方qk-1，确定系统噪声方差的估计值，将系统噪声方差的估计值作为预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
[0073]
上述实施例中，通过使用低通滤波器来优化卡尔曼自动调节因素的计算过程，可以节省所需的内存资源和计算资源，更加简洁高效，对各种资源都较为紧张的运动耳机而言，意义更加重大。
[0074]
步骤s1034：利用每次递推得到的最佳四元数，通过对过滤干扰后运动数据进行解算，得到运动耳机的航向角、俯仰角和横滚角。
[0075]
作为本技术另一实施例，将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据还可以通过步骤s’1031至步骤s’1033实现，详细说明如下：
[0076]
步骤s’1031：根据过滤干扰后运动数数据对多轴传感器进行初始对准，求得初始的姿态角数据，并将初始姿态角数据转化为初始化四元数，其中，姿态角数据包括俯仰角、翻滚角和航向角。
[0077]
步骤s’1032：以初始化四元数为测量值输入，采用卡尔曼滤波算法对姿态角数据进行数据融合后输出更新的四元数。
[0078]
具体地，以初始化四元数为测量值输入，采用卡尔曼滤波算法对姿态角数据进行数据融合后输出更新的四元数可以是：设置四元数误差协方差矩阵、测量噪声协方差矩阵r以及过程噪声协方差矩阵q、测量矩阵h的初始值；根据四元数微分方程进行系统建模，四元数微分方程转换为状态一步预测方程的形式，由系统模型推出系统状态矩阵a；根据所述过程噪声协方差矩阵q、测量矩阵h的初始值以及系统状态矩阵a求取预测状态变量和预测误差协方差矩阵；根据误差协方差矩阵、测量噪声协方差矩阵r和测量矩阵h，计算卡尔曼增益kg；将初始四元数作为观测值，根据测量值更新估计值和误差协方差矩阵，将由此得到的估计值作为经过卡尔曼滤波数据融合算法后的运动耳机的姿态角数据。
[0079]
步骤s’1033：将更后的四元数进行归一化处理，作为最终的姿态信息，并以归一化处理后的四元数更新姿态矩阵，得到更新的运动耳机的姿态角数据。
[0080]
需要说明的是，由于运动耳机绑定在跑步者身上，因此，运动耳机的姿态角数据也能反映跑步者的姿态角数据。
[0081]
步骤s104：根据运动耳机的姿态角数据，提取跑步者在跑步时的跑步特征数据。
[0082]
如前所述，由于运动耳机的姿态角数据能够反映跑步者的姿态角数据，因此，可以根据运动耳机的姿态角数据，提取跑步者在跑步时的跑步特征数据。具体地，作为本技术一个实施例，根据运动耳机的姿态角数据，提取跑步者在跑步时的跑步特征数据可以是：根据姿态角数据，计算跑步者的双脚的跑步姿势数据，根据跑步者的双脚的跑步姿势，确定跑步
者在跑步时的平稳系数。通过确定跑步者在跑步时的平稳系数，评估跑步者的运动是否科学。上述实施例中，跑步者的双脚的跑步姿势数据包括步频、步幅、触地时长、着地力度、外翻幅度、腾空时间、着地时间、垂直振幅、垂直步幅比中的一种或多种，跑步者在跑步时的平稳系数包括触地平稳系数和/或，冲击平稳系数，其中，触地平稳系数为跑步者左脚的第一触地时长与右脚的第二触地时长之间的第一比值，或者，为第一触地时长或第二触地时长与第一触地时长和第二触地时长之和的第一比值，冲击平稳系数为跑步者左脚的第一着地冲击力度与右脚的第二着地冲击力度之间的第二比值，或者，为第一着地冲击力度或第二着地冲击力度与第一着地冲击力度和第二着地冲击力度之和的第二比值。可以根据运动耳机的姿态角数据的周期特征计算跑步者的上述步频；通过触地、腾空的不同姿态特征区分计算触地时间、腾空时间；步幅、垂直振幅通过时序积分或频域积分计算；触地左右平衡是不同脚的触地时间比值；垂直步幅比是步幅、垂直振幅的比值，等等。
[0083]
上述实施例中，还可以通过运动耳机内置的软件来模拟步频节拍器，从而在跑步者跑步时输出节拍。这些采用软件模拟出来的步频节拍器，可以通过智能手机或智能腕表来预设其频率，亦可以通过运动耳机进入频率设置模式，直接采用运动耳机实体键或虚拟键来调整其频率，从而输出不同的节拍。通过运动耳机内置的软件模拟步频节拍器，免除了需要使用耳机连接到耳机，由手机输出跑步者的节拍传送至耳机的繁琐和不便。
[0084]
从上述附图1示例的跑步动态数据处理方法可知，通过采用集成于运动耳机的多轴传感器采集运动原始数据，然后对该运动原始数据进行预处理，得到预处理后运动数据，将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据，最终根据解算得到的姿态角数据，提取跑步者在跑步时的跑步特征数据。相比于现有技术需要在手机之外再佩戴耳机等其他设备给跑步者带来较差的体验感和使用不便，由于本技术是将采集运动原始数据的多轴传感器集成于运动耳机中，数据的分析处理都由运动耳机中的软件和/或硬件实现，换言之，跑步者只需要佩戴一个运动耳机即可实现跑步动态数据的处理，无需另外的设备，从而使得使用方便，给跑步者带来良好的使用体验。
[0085]
请参阅附图2，是本技术实施例提供的一种跑步动态数据处理装置，该装置应用于运动耳机，可以包括采集模块201、预处理模块202、解算模块203和提取模块204，详述如下：
[0086]
采集模块201，用于采用集成于运动耳机的多轴传感器采集运动原始数据，其中，运动原始数据包括多轴加速度和/或多轴角速度；
[0087]
预处理模块202，用于对运动原始数据进行预处理，得到预处理后运动数据；
[0088]
解算模块203，用于将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据；
[0089]
提取模块204，用于根据姿态角数据，提取跑步者在跑步时的跑步特征数据。
[0090]
从图2示例的跑步动态数据处理装置可知，通过采用集成于运动耳机的多轴传感器采集运动原始数据，然后对该运动原始数据进行预处理，得到预处理后运动数据，将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据，最终根据解算得到的姿态角数据，提取跑步者在跑步时的跑步特征数据。相比于现有技术需要在手机之外再佩戴耳机等其他设备给跑步者带来较差的体验感和使用不便，由于本技术是将采集运动原始数据的多轴传感器集成于运动耳机中，数据的分析处理都由运动
耳机中的软件和/或硬件实现，换言之，跑步者只需要佩戴一个运动耳机即可实现跑步动态数据的处理，无需另外的设备，从而使得使用方便，给跑步者带来良好的使用体验。
[0091]
图3是本技术一实施例提供的运动耳机的结构示意图。如图3所示，该实施例的运动耳机3主要包括：处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32，例如跑步动态数据处理方法的程序。处理器30执行计算机程序32时实现上述跑步动态数据处理方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示采集模块201、预处理模块202、解算模块203和提取模块204的功能。
[0092]
示例性地，跑步动态数据处理方法的计算机程序32主要包括：采用集成于运动耳机的多轴传感器采集运动原始数据，其中，运动原始数据包括多轴加速度和/或多轴角速度；对运动原始数据进行预处理，得到预处理后运动数据；将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据；根据姿态角数据，提取跑步者在跑步时的跑步特征数据。计算机程序32可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序32在运动耳机3中的执行过程。例如，计算机程序32可以被分割成采集模块201、预处理模块202、解算模块203和提取模块204(虚拟装置中的模块)的功能，各模块具体功能如下：采集模块201，用于采用集成于运动耳机的多轴传感器采集运动原始数据，其中，运动原始数据包括多轴加速度和/或多轴角速度；预处理模块202，用于对运动原始数据进行预处理，得到预处理后运动数据；解算模块203，用于将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据；提取模块204，用于根据姿态角数据，提取跑步者在跑步时的跑步特征数据。
[0093]
运动耳机3可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是运动耳机3的示例，并不构成对运动耳机3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算运动耳机还可以包括输入输出运动耳机、网络接入运动耳机、总线等。
[0094]
所称处理器30可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0095]
存储器31可以是运动耳机3的内部存储单元，例如运动耳机3的硬盘或内存。存储器31也可以是运动耳机3的外部存储运动耳机，例如运动耳机3上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器31还可以既包括运动耳机3的内部存储单元也包括外部存储运动耳机。存储器31用于存储计算机程序以及运动耳机所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0096]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功
能单元、模块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、模块完成，即，将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0097]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0098]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0099]
在本技术所提供的实施例中，应该理解到，所揭露的装置/运动耳机和方法，可以通过其它的方式实现。例如，以上所描述的装置/运动耳机实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个装置，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0100]
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。
[0101]
另外，在本技术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。
[0102]
集成的模块/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，可以存储在一个非临时性计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，跑步动态数据处理方法的计算机程序可存储于一存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，采用集成于运动耳机的多轴传感器采集运动原始数据，其中，运动原始数据包括多轴加速度和/或多轴角速度；对运动原始数据进行预处理，得到预处理后运动数据；将预处理后运动数据的干扰过滤后，采用四元数对过滤干扰后运动数据进行姿态解算得到姿态角数据；根据姿态角数据，提取跑步者在跑步时的跑步特征数据。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。非临时性计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读内存(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，非临时性计算机可读介质包含的内容
可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，非临时性计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。