异常计步识别方法、计步方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及大数据的数据处理领域，提供一种异常计步识别方法、计步方法、装置、设备及介质，方法包括：通过获取采集数据；将X轴数据、Y轴数据和Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；对三轴合成数据进行滤波处理得到待计步数据，并通过计步模型计算待计步数据中的步数得到当前步数；通过强条件异常识别模型进行周期性异常识别，得到强条件识别结果，同时获取与传感器区分标识对应的弱条件异常识别模型，通过弱条件异常识别模型进行能量异常识别，得到弱条件识别结果；在强条件识别结果和弱条件识别结果均为异常时，确定当前步数确定为异常步数。本发明专利技术实现准确地识别出异常步数，提高了识别准确率，避免虚假计步。

【技术实现步骤摘要】
异常计步识别方法、计步方法、装置、设备及介质
本专利技术涉及大数据的数据处理领域，尤其涉及一种异常计步识别方法、计步方法、装置、设备及介质。
技术介绍
随着移动通信产业的发展，智能移动终端已经成为人们必不可少的移动通信工具。目前，终端计步服务就是基于移动终端内部加速度传感器或陀螺仪开发的功能，终端统计计步信息的同时，从各个维度分析用户的运动情况(如：热量消耗，运动类型等)，移动终端上的运动健康类APP受到用户广泛喜爱。为鼓励用户建立健康的生活习惯，定时完成运动任务，部分APP根据移动终端计步结果给予用户一定奖励或进行排名，这导致部分没有运动习惯的用户通过虚假计步的方式获取奖励，最常见的方式是使用摇步装置增加步数，这种方式不仅伪造了虚假运动数据，还影响APP数据采集的准确性与可靠性，同时也导致奖励分配不公平等不良影响。
技术实现思路
本专利技术提供一种异常计步识别、计步方法、装置、计算机设备及存储介质，实现了准确地识别出异常步数，提高了异常步数识别准确率，避免了虚假计步的情况出现，并且准确地反映真实的步数，提升了真实步数的真实性和可靠性，提高了计步的准确率，提升了用户的体验满意度。一种异常计步识别方法，包括：获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数。一种计步方法，包括：接收到计步请求，获取当天从计步传感器采集的原始数据；所述原始数据包括原始总步数和原始步数数据；将所述原始步数数据划分成预设时间间隔的单元步数数据；通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；将所述原始总步数与所述异常总步数相减，得到真实步数。一种异常计步识别装置，包括：获取模块，用于获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；合成模块，用于将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；过滤模块，用于对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；识别模块，用于通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；判断模块，用于根据所述强条件识别结果和所述弱条件识别结果，判断所述当前步数是否为异常；确定模块，用于在所述当前步数为异常时，将所述当前步数确定为异常步数。一种计步装置，包括：请求模块，用于接收到计步请求，获取当天从计步传感器采集的原始数据；所述原始数据包括原始总步数和原始步数数据；划分模块，用于将所述原始步数数据划分成预设时间间隔的单元步数数据；异常识别模块，用于通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；汇总模块，用于将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；输出模块，用于将所述原始总步数与所述异常总步数相减，得到真实步数。一种计算机设备，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上述异常计步识别方法的步骤，或者所述处理器执行所述计算机程序时实现上述计步方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述异常计步识别方法的步骤，或者所述计算机程序被处理器执行所述计算机程序时实现上述计步方法的步骤。本专利技术提供的异常计步识别方法、装置、计算机设备及存储介质，通过获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据；将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数，因此，本专利技术提供了异常计步识别方法，通过获取采集数据，通过三轴加速度矢量合成生成三轴合成数据，通过计步模型计算得到当前步数；通过强条件异常识别模型输出的强条件识别结果和弱条件异常识别模型输出的弱条件识别结果，确定当前步数是否为异常步数，实现了准确地识别出异常步数，无需使用高功耗的GPS定位进行异常步数识别，并且提高了异常步数识别准确率，避免了虚假计步的情况出现。本专利技术提供的计步方法、装置、计算机设备及存储介质，通过接收到计步请求，获取当天从计步传感器采集的原始数据；将所述原始步数数据划分成预设时间间隔的单元步数数据；通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；将所述原始总步数与所述异常总步数相减，得到真实步数，如此，本专利技术通过获取当天从计步传感器采集的原始数据，并划分成多个单元步数数据，通过异常计步识别方法识别出所有单元步数数据中的异常步数，以及汇总得到异常总步数，最终将原始总步数与异常总步数相减得到真实步数，能够准确地反映真实的步数，提升了真实步数的真实性和可靠性，保证了计步机制的公平公正，并且提高了计步的准确率，提升了用户的体验满意度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据本文档来自技高网...

【技术保护点】
1.一种异常计步识别方法，其特征在于，包括：/n获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；/n将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；/n对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；/n通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；/n在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数。/n

【技术特征摘要】
1.一种异常计步识别方法，其特征在于，包括：
获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；
将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；
对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；
通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；
在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数。


2.如权利要求1所述的异常计步识别方法，其特征在于，所述将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据，包括：
将所述X轴数据、所述Y轴数据和所述Z轴数据输入矢量合成模型中，通过所述矢量合成模型中的三轴加速度矢量合成函数，得到所述三轴合成数据；所述三轴加速度矢量合成函数为：



其中，
f(t)为三轴合成数据中在t时刻的合成值；
xt为X轴数据中在t时刻的值；
yt为Y轴数据中在t时刻的值；
zt为Z轴数据中在t时刻的值。


3.如权利要求1所述的异常计步识别方法，其特征在于，所述对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数，包括：
对所述三轴合成数据进行平滑处理，得到过渡数据；
对所述过渡数据进行降噪处理，得到所述待计步数据；
将所述待计步数据输入所述计步模型中；
通过所述计步模型对所述待计步数据进行极点值搜索，搜索出所述待计步数据中的波峰点和波谷点；
根据所有所述波峰点的数量和所有所述波谷点的数量，获取所述计步模型输出的所述当前步数。


4.如权利要求3所述的异常计步识别方法，其特征在于，所述通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，包括：
通过所述强条件异常识别模型从所述待计步数据中提取出波峰数据和波谷数据；所述波峰数据为在所述待计步数据中所有所述波峰点的数据；所述波谷数据为在所述待计步数据中所有所述波谷点的数据；
通过所述强条件异常识别模型根据所有所述波峰数据，计算出波峰方差结果，同时根据所有所述波谷数据，计算出波谷方差结果；
通过所述强条件异常识别模型对所述波峰方差结果和所述波谷方差结果进行周期性异常识别，识别出所述强条件识别结果。


5.如权利要求1所述的异常计步识别方法，其特征在于，所述获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果，包括：
在所述传感器区分标识为...

【专利技术属性】
技术研发人员：冯澍婷，庄伯金，王少军，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44