移动终端及其生成动作分类模型的方法、存储装置制造方法及图纸

本申请公开了一种生成动作分类模型的方法，该方法包括：移动终端获取第一分类模型；移动终端检测并记录用户在预定时段的动作数据；根据动作数据获取时域特征值和频域特征值；根据时域特征值、频域特征值以及第一分类模型获取第二分类模型；其中，时域特征值包括加速度特征值和环境特征值。本申请还公开了一种移动终端和一种存储装置。通过上述方式，本申请能够使生成的动作分类模型在对用户的动作进行分类时更加准确。

Mobile terminal and method for generating action classification model and storage device thereof

The present application discloses a method for generating an action classification model, which comprises: a mobile terminal obtains a first classification model; a mobile terminal detects and records user action data in a predetermined period of time; obtains time-domain and frequency-domain eigenvalues from action data; and obtains time-domain eigenvalues, frequency-domain eigenvalues, and a first score from time-domain eigenvalues, frequency-domain eigenvalues, and frequency-domain eigenvalu Class model obtains the second classification model, where the time domain eigenvalues include acceleration eigenvalues and environmental eigenvalues. The application also discloses a mobile terminal and a storage device. Through the above method, the application can make the generated action classification model more accurate in classifying the user's actions.

【技术实现步骤摘要】
移动终端及其生成动作分类模型的方法、存储装置
本申请涉及电子设备领域，特别是涉及一种移动终端及其生成动作分类模型的方法、存储装置。
技术介绍
随着移动互联网和智能硬件的不断升级优化，人们的生活观念和需求也不断地发生变化，越来越关注自身健康，也越来越关注日常的运动情况。目前人体的动作分类方法是通过终端记录的动作数据与动作分类模型进行匹配，从而对用户的动作进行分类。而一般的动作分类模型仅是加速度阈值的组合，而通过这种动作分类模型在对用户的动作进行分类时，不能准确的对用户的动作进行分类。
技术实现思路
本申请主要解决的技术问题是提供一种移动终端及其生成动作分类模型的方法、存储装置，能够使生成的动作分类模型在对用户的动作进行分类时更加准确。为解决上述技术问题，本申请采用的一个技术方案是：提供一种生成动作分类模型的方法，该方法包括：移动终端获取第一分类模型；移动终端检测并记录用户在预定时段的动作数据；根据动作数据获取时域特征值和频域特征值；根据时域特征值、频域特征值以及第一分类模型获取第二分类模型；其中，时域特征值包括加速度特征值和环境特征值。为解决上述技术问题，本申请采用的另一个技术方案是：一种动作分类方法，该方法包括：移动终端获取第一分类模型；移动终端检测并记录用户的动作数据，该动作数据包括第一时间段内的第一动作数据和第二时间段内的第二动作数据；根据第一动作数据和第一分类模型获取第二分类模型；将第二动作数据和第二分类模型进行匹配以对第二动作数据分类。为解决上述技术问题，本申请采用的又一个技术方案是：提供一种移动终端，该移动终端包括处理器和与该处理器连接的存储器，存储器用于存储计算机程序，处理器用于调用计算机程序以执行上述方法。为解决上述技术问题，本申请采用的又一个技术方案是：提供一种存储装置，该存储装置可以存储计算机程序，该计算机程序能够被执行以实现上述方法。本申请的有益效果是：区别于现有技术的情况，本申请移动终端获取第一分类模型；移动终端检测并记录用户在预定时段的动作数据；根据动作数据获取时域特征值和频域特征值；根据时域特征值、频域特征值以及第一分类模型获取第二分类模型；其中，时域特征值包括加速度特征值和环境特征值。通过上述方式，本申请生成动作分类模型的方法由于根据动作数据获取时域特征值和频域特征值，并利用时域特征值和频域特征值和第一分类模型获取第二分类模型，使终端能够综合用户运动时的时域数据以及频域数据对用户的动作进行分类，从而使生成的动作分类模型在对用户的动作进行分类时更加准确。附图说明图1是本申请实施例移动终端生成动作分类模型的方法的流程示意图；图2是本申请实施例移动终端动作分类方法的流程示意图；图3是本申请实施例移动终端的硬件结构示意图；图4是本申请实施例存储装置的示意图。具体实施方式为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图，对本申请的具体实施方式做详细的说明。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。请参阅图1，图1是本申请实施例移动终端生成动作分类模型的方法的流程示意图。在本实施例中，该移动终端生成动作分类模型的方法可以包括以下步骤：步骤S11：移动终端获取第一分类模型。可选地，该移动终端可以为智能手机、可穿戴式智能设备或者平板电脑，其中，可穿戴式智能设备可以为智能手表或者智能眼镜等，在其它实施例中，移动终端也可以为其它可移动的便携智能终端设备，本申请对此不作限制。可选地，第一分类模型可以包括多个动作的分类模型，例如，走路、跑步、骑车、游泳、上楼梯、下楼梯、跳跃等动作的分类模型。在本实施例中，第一分类模型包括静止动作、走路动作、跑步动作、骑车动作以及其它动作五种动作的分类模型，在其它实施例中，第一分类模型还可以包括其它动作的分类模型，本申请对此也不作限制。第一分类模型的获取可以有多种方式。例如，在一实施例中，用户发送每一类动作模型的特征数据和模型结构，其中，特征数据包括时域特征数据、频域特征数据以及环境特征数据等，处理器获取这些特征数据，进而获取到第一分类模型，可选地，处理器还可以将第一分类模型存储至存储器中，以在进行动作分类时调用存储器中的第一分类模型。在另一实施例中，用户可以发送预定时段内每一类动作的动作数据至移动终端，例如，用户发送一小时之内的静止动作、走路动作、跑步动作、骑车动作以及其它动作中每一种动作的动作数据至处理器，处理器接收这些动作数据并将这些数据存储在存储器中，处理器利用这些动作数据建立每一类动作的模型，从而获取到第一分类模型。步骤S12：移动终端检测并记录用户在预定时段的动作数据。在本实施例中，移动终端携带于用户的身上，随用户的运动而运动。例如，当移动终端为智能手表时，用户可以将移动终端戴在手腕上，或者，当移动终端为智能手机时，用户可以将移动终端放在口袋或者包中，这样，用户在运动时，带动移动终端产生运动，进而使移动终端可以检测并记录到用户的动作数据。具体而言，检测并记录用户的动作数据可以包括：移动终端的处理器控制传感器检测用户的动作数据，处理器读取传感器检测的用户的动作数据并将用户的动作数据存储于存储器中。读取传感器检测的用户的动作数据后，可以将用户的动作数据缓存至掉电易失性存储器，也可以是存储至非掉电易失性存储器，本申请实施例对此不做限定。处理器可以读取缓存的一段时间内传感器检测的数据，例如读取一段时间内缓存的用户的动作数据，例如，在本实施例中，处理器读取一分钟内缓存在传感器上的用户的动作数据。在本实施例中，传感器可以包括环境传感器、加速度传感器和重力传感器等，其中，环境传感器还可以包括光线传感器和距离传感器等，加速度传感器可以包括三轴加速度传感器或线性三轴加速度传感器。其中，在加速度传感器为三轴加速度传感器时，三轴加速度传感器用于检测并记录用户在运动时的三个轴(X轴、Y轴、Z轴)的加速度数据，并且加速度数据会受到移动终端重力加速度的影响；在加速度传感器为线性三轴加速度传感器时，三轴加速度传感器也用于检测并记录用户在运动时的三个轴(X轴、Y轴、Z轴)的加速度数据，但是加速度数据会不会受到移动终端重力加速度的影响；重力传感器用于检测并记录用户在运动时的重力三轴加速度数据；光线传感器用于检测并记录用户在运动时本文档来自技高网...

【技术保护点】
1.一种生成动作分类模型的方法，其特征在于，所述方法包括：移动终端获取第一分类模型；所述移动终端检测并记录用户在预定时段的动作数据；根据所述动作数据获取时域特征值和频域特征值；根据所述时域特征值、所述频域特征值以及所述第一分类模型获取第二分类模型；其中，所述时域特征值包括加速度特征值和环境特征值。

【技术特征摘要】
1.一种生成动作分类模型的方法，其特征在于，所述方法包括：移动终端获取第一分类模型；所述移动终端检测并记录用户在预定时段的动作数据；根据所述动作数据获取时域特征值和频域特征值；根据所述时域特征值、所述频域特征值以及所述第一分类模型获取第二分类模型；其中，所述时域特征值包括加速度特征值和环境特征值。2.根据权利要求1所述的生成动作分类模型的方法，其特征在于，在所述根据所述动作数据获取时域特征值和频域特征值之前，所述方法还包括：将所述动作数据加窗，以分成多份动作数据；对所述多份动作数据中每份动作数据滤波；其中，所述每份动作数据的数据量相同，且任两份相邻的动作数据中有20％～80％的相同数据。3.根据权利要求2所述的生成动作分类模型的方法，其特征在于，所述动作数据包括三轴加速度数据，在所述根据所述动作数据获取时域特征值和频域特征值之前，所述方法还包括：对滤波后的所述每份动作数据的每一三轴加速度数据进行矢量和相加。4.根据权利要求2所述的生成动作分类模型的方法，其特征在于，所述根据所述动作数据获取频域特征值包括：对滤波后的所述每份动作数据的三轴加速度数据进行快速傅里叶变换，并获取前2的N次方维系数，其中N为自然数。5.根据权利要求2所述的生成动作分类模型的方法，其特征在于，所述动作数据包括环境光亮度值和/或终端与周围物体的距离值，所述环境特征值包括：所述环境光亮度值在所述多份动作数据中每份动作数据的均值和/或所述终端与所述周围物体的距离值在所述多份动作数据中每份动作数据的均值。6.根...

【专利技术属性】
技术研发人员：陈冰，
申请(专利权)人：惠州TCL移动通信有限公司，
类型：发明
国别省市：广东,44