本發(fā)明涉及計算機領(lǐng)域，特別地，涉及一種數(shù)據(jù)處理方法及裝置。

背景技術(shù)：

隨著計算機技術(shù)的發(fā)展，虛擬現(xiàn)實(vr，augmentedreality)技術(shù)越來越多的應(yīng)用到各行各業(yè)，以教育行業(yè)為例，由于傳統(tǒng)教學(xué)過程中缺乏生動的教學(xué)環(huán)境、老師與學(xué)生之間的互動等因素，將虛擬現(xiàn)實技術(shù)應(yīng)用于教學(xué)應(yīng)運而生，以模擬出生動的英語環(huán)境并可讓學(xué)生參與互動，可帶給學(xué)生更好的學(xué)習(xí)體驗。

在虛擬現(xiàn)實技術(shù)的應(yīng)用過程中，通?？刹捎枚鄠€攝像頭從多個角度采集現(xiàn)實環(huán)境中的圖像(比如包括老師在講課的圖像)，然后通過摳圖、填充等處理，將采集到的圖像與預(yù)定的背景圖像(比如某種英語環(huán)境)進(jìn)行合成，當(dāng)虛擬現(xiàn)實終端的佩戴用戶進(jìn)行觀看時，則可看到上述人物與背景合成后的“人在畫中”的效果。

但是，在實際使用過程中，虛擬現(xiàn)實終端的佩帶用戶不會一直處于靜止?fàn)顟B(tài)，而會存在頭部轉(zhuǎn)動、行走、下蹲等不同的運動狀態(tài)，顯示于虛擬現(xiàn)實終端顯示屏的畫面中在每一幀結(jié)束時會跳回原點，也就是說，由于沒有考慮到用戶的運動狀態(tài)或者不能準(zhǔn)確得到用戶的運動狀態(tài)等原因，在用戶運動的過程中，由于其視覺暫留現(xiàn)象會保留上一幀和當(dāng)前幀的圖像，從而在觀看畫面時會產(chǎn)生拖影感及畫面卡頓的現(xiàn)象，使用體驗較差。基于此，本申請人提出了一種運動狀態(tài)的識別方法及裝置，可先獲取終端設(shè)備用戶的運動參數(shù)信息，然后將所述運動參數(shù)信息基svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)，以提高運動狀態(tài)的識別效率及精確率。

但是，隨和時間的增加，獲取到的終端設(shè)備用戶的運動參數(shù)信息的數(shù)據(jù)量將越來越大，將越來越大量的數(shù)據(jù)輸入到svm模型進(jìn)行訓(xùn)練，不但會增加系統(tǒng)消耗，而且還會降低訓(xùn)練效率。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種數(shù)據(jù)處理方法及裝置，通過對采集到的運動參數(shù)信息進(jìn)行降維處理以降低數(shù)據(jù)量，進(jìn)而降低系統(tǒng)消耗及提高訓(xùn)練效率。

為實現(xiàn)上述目的，本發(fā)明提出了一種數(shù)據(jù)處理方法，包括

獲取終端設(shè)備用戶的運動參數(shù)信息；

從運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息；

確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息；

從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。

可選的，獲取終端設(shè)備用戶的運動參數(shù)信息，包括：

通過基于電容式微機電系統(tǒng)mems的運動參數(shù)采集單元采集電容變化數(shù)據(jù)；

根據(jù)電容變化數(shù)據(jù)獲取運動參數(shù)信息。

可選的，運動參數(shù)信息包括加速度信息，

從運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息，包括：

根據(jù)加速度信息確定處于運動狀態(tài)的運動參數(shù)信息，以作為第一運動參數(shù)信息。

可選的，運動參數(shù)信息包括角速度信息，

確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息，包括：

根據(jù)加速度信息及角速度信息確定第一運動參數(shù)信息中包括的運動類型。

可選的，根據(jù)加速度信息及角速度信息確定第一運動參數(shù)信息中包括的運動類型，包括：

根據(jù)預(yù)置的加速度信號向量模、角速度信號向量模，以及預(yù)置的各運動類型的加速度信號向量模閾值、角速度向量模閾值，以確定第一運動參數(shù)信息中包括的運動類型，

加速度信號向量模

角速度信號向量模

其中，ax,ay,az分別為x、y、z三軸方向輸出的加速度數(shù)據(jù)，wx,wy,wz分別為x、y、z三軸方向輸出的角速度數(shù)據(jù)。

可選的，獲取終端設(shè)用戶的運動參數(shù)信息，包括：

根據(jù)預(yù)置步頻閾值對獲取到的運動參數(shù)信息進(jìn)行去噪處理。

可選的，所述第二運動參數(shù)信息中包括預(yù)置區(qū)域的足底壓力信息，

從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，包括：

根據(jù)足底壓力信息計算偏離正常狀態(tài)的程度值；

將計算得到的程度值與預(yù)置偏離閾值相比較以確定處于正常狀態(tài)還是處于非正常狀態(tài)；

其中，計算所述程度值的公式為：

a、b、c、d為四個預(yù)置區(qū)域的足底壓力信息，為四個預(yù)置區(qū)域的人均壓力值，n為采集樣本數(shù)量。

相應(yīng)的，本發(fā)明還提出了一種數(shù)據(jù)處理裝置，包括：

獲取單元，用于獲取終端設(shè)備用戶的運動參數(shù)信息；

提取單元，用于從運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息；

第一確定單元，用于確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息；

第二確定單元，用于從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。

可選的，運動參數(shù)信息包括加速度信息，

所述提取單元，具體用于：

根據(jù)加速度信息確定處于運動狀態(tài)的運動參數(shù)信息，以作為第一運動參數(shù)信息。

可選的，運動參數(shù)信息包括角速度信息，

第一確定單元，具體用于：

根據(jù)加速度信息及角速度信息確定第一運動參數(shù)信息中包括的運動類型。

可選的，第一確定單元，具體用于：

根據(jù)預(yù)置的加速度信號向量模、角速度信號向量模，以及預(yù)置的各運動類型的加速度信號向量模閾值、角速度向量模閾值，以確定第一運動參數(shù)信息中包括的運動類型，

加速度信號向量模

角速度信號向量模

其中，ax,ay,az分別為x、y、z三軸方向輸出的加速度數(shù)據(jù)，wx,wy,wz分別為x、y、z三軸方向輸出的角速度數(shù)據(jù)。

可選的，所述第二運動參數(shù)信息中包括預(yù)置區(qū)域的足底壓力信息，

第二確定單元，具體用于：

根據(jù)足底壓力信息計算偏離正常狀態(tài)的程度值；

將計算得到的程度值與預(yù)置偏離閾值相比較以確定處于正常狀態(tài)還是處于非正常狀態(tài)；

其中，計算所述程度值的公式為：

a、b、c、d為四個預(yù)置區(qū)域的足底壓力信息，為四個預(yù)置區(qū)域的人均壓力值，n為采集樣本數(shù)量。

本發(fā)明實施例提供了一種數(shù)據(jù)處理方法及裝置，可從獲取到的終端設(shè)備用戶的運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息，再確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息，然后從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。以此，以獲取到的原始運動參數(shù)信息為基礎(chǔ)，經(jīng)過對符合需求的運動參數(shù)信息進(jìn)行提取、對提取到的運動參數(shù)信息進(jìn)行類型區(qū)分，然后再將不同類型的運動參數(shù)信息進(jìn)行狀態(tài)區(qū)分，以實現(xiàn)對運動參數(shù)信息進(jìn)行降維及區(qū)分的目的，一方面，可降低運動參數(shù)信息的數(shù)據(jù)量，將該降維后的運動參數(shù)信息輸入機器學(xué)習(xí)模型進(jìn)行訓(xùn)練，不但可降低訓(xùn)練過程中的系統(tǒng)消耗，還可提高訓(xùn)練效率，另一方面，可提高訓(xùn)練結(jié)果的精確性。

附圖說明

圖1是本發(fā)明實施例提供的數(shù)據(jù)處理方法流程圖；

圖2是本發(fā)明實施例提供的數(shù)據(jù)處理裝置示意圖。

具體實施方式

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。

參看圖1，本實施例提供了一種數(shù)據(jù)處理方法。

所述方法可以包括如下步驟：

s101，獲取終端設(shè)備用戶的運動參數(shù)信息。

根據(jù)本實施例，可應(yīng)用于智能終端設(shè)備(根據(jù)應(yīng)用場景的不同，可為任意智能終端設(shè)備，比如，虛擬現(xiàn)實終端等)，即智能終端設(shè)備既可獲取用戶的運動參數(shù)信息又可進(jìn)行后續(xù)的數(shù)據(jù)處理步驟；也可應(yīng)用于服務(wù)器(即智能終端設(shè)備對應(yīng)的服務(wù)器)，即可通過接收智能終端設(shè)備(比如，虛擬現(xiàn)實終端)采集并發(fā)送的用戶運動參數(shù)信息以實現(xiàn)用戶運動參數(shù)信息的獲取，然后由服務(wù)器根據(jù)接收到的用戶運動參數(shù)信息進(jìn)行后續(xù)的數(shù)據(jù)處理步驟。

在具體實現(xiàn)時，智能終端設(shè)備中可包括基于電容式微機電系統(tǒng)(mems，microelectromechanicalsystems)的運動參數(shù)采集單元，以此，可通過所述運動參數(shù)采集單元采集電容變化數(shù)據(jù)，根據(jù)電容變化數(shù)據(jù)獲取運動參數(shù)信息。

在本實施例中，該運動參數(shù)采集單元的關(guān)鍵部分可為一種懸臂構(gòu)造的中間電容板，當(dāng)速度變化或加速度達(dá)到足夠大時，它所受的慣性力超過固定或支撐他的力，這時它就會移動，跟上、下電容板之間的距離就會變化，上、下電容的電容就會因此發(fā)現(xiàn)變化，由于電容變化跟加速度成正比，電容變化會被轉(zhuǎn)化為電壓信號直接輸出或再經(jīng)過數(shù)字化處理后輸出。

在實際應(yīng)用中，所述運動參數(shù)采集單元可包括：陀螺儀、加速度傳感器、角速度傳感器和/或壓力傳感器，因此，采集到的運動參數(shù)信息，可包括：方向信息、加速度信息、角速度信息和/或壓力信息。

此外，一方面，由于在采集過程中電路中會存在電磁干擾，電磁干擾通常為高頻噪聲，而人體運動產(chǎn)生的主要是在50hz以內(nèi)的低頻信號；另一方面，終端設(shè)備會有一些低幅度和快速的抽動狀態(tài)，或是我們俗稱的手抖，或者某個惡作劇用戶想通過短時快速反復(fù)搖動設(shè)備來模擬人走路，這些干擾數(shù)據(jù)如果不去除，會影響運動狀態(tài)獲取的準(zhǔn)確度。因此，在通過運動參數(shù)采集單元采集到用戶的運動參數(shù)信息后，還可根據(jù)預(yù)置步頻閾值對獲取到的運動參數(shù)信息進(jìn)行初步去噪處理。比如，人體最快的跑步頻率為5hz，也就是說相鄰兩步的時間間隔至少大于0.2秒，我們可以此為步頻閾值來過濾高頻噪聲，即步頻過快的情況，以進(jìn)行去噪處理，以保證采集到的運動參數(shù)信息的準(zhǔn)確度，且可降低數(shù)據(jù)量，進(jìn)而降低后續(xù)處理過程中的系統(tǒng)消耗。

s102，從運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息。

在本實施例中，運動參數(shù)采集單元可包括加速度傳感器，因此，運動參數(shù)信息中可包括加速度信息。加速度信息能夠很好的區(qū)分人體行為是屬于運動狀態(tài)(比如，行走、上樓梯等)還是屬于非運動狀態(tài)(比如，靜止?fàn)顟B(tài))，因此，可根據(jù)采集到的加速度信息確定處于運動狀態(tài)的運動參數(shù)信息，以作為第一運動參數(shù)信息，以此，在后續(xù)處理中，可只用到處于運動狀態(tài)的運動參數(shù)信息，而排除處于非運動狀態(tài)的運動參數(shù)信息。

比如，采用三軸加速度傳感器采集x,y,z三個方向的作用力，可按照76hz、88hz、100hz、105hz、120hz、150hz的采樣頻率(人行走的頻率一般在110步/分鐘(1.8hz),跑步時的頻率不會超過5hz),選擇上述采樣頻率可以準(zhǔn)確地反應(yīng)加速度變化。

以步行為例，通常用戶在水平運動中，垂直和前進(jìn)兩個加速度會呈現(xiàn)周期性變化。比如，在步行收腳的動作中，由于重心向上單只腳觸地，垂直方向加速度是呈正向增加的趨勢，之后繼續(xù)向前，重心下移兩腳觸地，垂直方向加速度加速度則相反。水平加速度在收腳時減小，在邁步時增加。在步行運動中，垂直和前進(jìn)產(chǎn)生的加速度與時間大致為一個正弦曲線，而且在某點有一個峰值，其中垂直方向的加速度變化最大。因為，可根據(jù)上述規(guī)律對處于步行狀態(tài)的加速度信息進(jìn)行識別，以將其確定為處于運動狀態(tài)的運動參數(shù)信息，對于其他運動(比如，跑、跳、上樓梯等)狀態(tài)，也可采用上述方式進(jìn)行確定。

s103，確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息。

在本實施例中，運動參數(shù)采集單元可包括角速度傳感器，因此，運動參數(shù)信息中可包括角速度信息。由于，加速度信息適合于運動狀態(tài)、方向明確的運動行為等的判別，但對于運動狀態(tài)中的哪種運動類型(比如，跑、跳、上樓梯等)則需要結(jié)合角速度進(jìn)行判別。

也就是說，可根據(jù)加速度信息及角速度信息確定第一運動參數(shù)信息中包括的運動類型，以及每種運動類型對應(yīng)的運動參數(shù)信息(本實施例中，可稱為第二運動參數(shù)信息)。

在具體實現(xiàn)時，可預(yù)先設(shè)置加速度信號向量模以及角速度信號向量模

其中，ax,ay,az分別為加速度傳感器x、y、z三軸方向輸出的向量模數(shù)據(jù)(即x、y、z三軸方向輸出的加速度向量模數(shù))，wx,wy,wz分別為陀螺儀x、y、z三軸方向輸出的向量模數(shù)據(jù)(即x、y、z三軸方向輸出的角速度向量模數(shù))。

且可預(yù)先設(shè)置各運動類型的加速度信號向量模閾值、角速度向量模閾值，以此，可使用加速度信號向量模與角速度信號向量模相結(jié)合的信息閾值法來判別不同的運動類型。

以判斷跌倒為例，跌倒具有大加速度值和角速度值的特征,這是因為摔倒過程中由于和低勢物體碰撞產(chǎn)生的信號向量模svm峰值比日?；顒又胁叫?、上樓梯等大多數(shù)一般過程要大。由于人體運動行為過程具有復(fù)雜性和隨機性,使用單一的加速度相關(guān)信息判斷跌倒行為的發(fā)生會帶來很大的誤判。使用加速度信號向量模及角速度信號向量模相結(jié)合的信息閾值法，可以區(qū)分跌倒與產(chǎn)生svm峰值較小的低強度運動。可根據(jù)大量實驗來確定識別跌倒的加速度信號向量模閾值、角速度向量模閾值，比如，在本實施例中，可將其分別設(shè)置為：加速度信號向量模閾值svmat＝20m/s²(米/二次方秒)和角速度信號向量模閾值svmwt＝4rad/s(弧度/秒)。對于其他運動類型，也可使用上述方法進(jìn)行識別。

s104，從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。

其中，正常狀態(tài)可理解為屬于預(yù)置的正常群體中，非正常狀態(tài)可理解為不屬于預(yù)置的正常群體中。

以行走為例，比如，正常群體中的人行走時，左、右足及前、后足底的壓力分布基本相同，而糖尿病患者及臨界者，由于關(guān)節(jié)活動度變小，導(dǎo)致前足比后足壓力明顯增大，且左、右足壓力分布不均衡，也就是說，可根據(jù)上述行壓力變化、分布規(guī)律，又可進(jìn)一步劃分為正常行走和病態(tài)行走，以此，可從每種運動類型對應(yīng)的第二運動參數(shù)信息中進(jìn)一步區(qū)分出處于正常狀態(tài)的運動參數(shù)信息(本實施例中，可稱為第三運動參數(shù)信息)以及處于非正常狀態(tài)的運動參數(shù)信息(在本實施例中，可稱為第四運動參數(shù)信息)。

在具體實現(xiàn)時，如果將上述第二運動參數(shù)信息全部輸入到svm中進(jìn)行訓(xùn)練，所涉及到的計算量是非常大的，以第二運動參數(shù)信息中包含的足底壓力信息為例，如采樣率為100hz(赫茲),每個足底采集3000個點,采集6個方向壓力值，那么每秒每人所涉及到的采集數(shù)據(jù)量可為360萬個，數(shù)據(jù)處理工作即達(dá)到360萬的維度以上，以此會給后需的數(shù)據(jù)處理過程帶來巨大的運算量及系統(tǒng)消耗。

為了降低后續(xù)在svm中進(jìn)行訓(xùn)練的數(shù)據(jù)量，我們可以通過以下方式對數(shù)據(jù)進(jìn)行降維，以在上述不同運動類型的基礎(chǔ)上，對同種類型的運動再次進(jìn)行細(xì)分，以區(qū)分出正常狀態(tài)的運動參數(shù)信息與處于非正常狀態(tài)的運動參數(shù)信息。

以第二運動參數(shù)信息中包含的足底壓力信息為例，首先可以獲取目標(biāo)用戶某一只腳(比如左腳)四個(根據(jù)需要，可為任意個數(shù))預(yù)置區(qū)域的足底壓力信息(比如壓力值)，分別為a、b、c、d，以計算出其偏離正常狀態(tài)的程度值,其中，所使用到的公式可為：

其中，為四個預(yù)置區(qū)域的人均壓力值，n為采集樣本數(shù)量。

然后，可以將計算得到的程度值與預(yù)置偏離閾值相比較，若該程度值小于預(yù)置偏離閾值，則可判定為該目標(biāo)用戶屬于所述正常集體中，即為處于正常狀態(tài)，若該程度值不小于預(yù)置偏離閾值，則可判定為該目標(biāo)用戶偏離所述正常集體，即為處于非正常狀態(tài)。

也即，我們可將上述四個預(yù)置區(qū)域的壓力值結(jié)合在一起以得到一個與壓力相關(guān)的總特征，若該總特征值對應(yīng)的程度值處于正常狀態(tài)，則可判定該目標(biāo)用戶處于正常狀態(tài)；若該總特征對應(yīng)的程度值處于非正常狀態(tài)，可再將上述四個壓力值拆分開，對每個單獨的壓力值繼續(xù)分析，以替代現(xiàn)有技術(shù)中直接將所有單個的壓力值都輸入到svm的方式，以大大降低輸入svm的數(shù)據(jù)量的維度，以減少數(shù)據(jù)處理量，降低系統(tǒng)消耗，提升數(shù)據(jù)處理效率。

關(guān)于svm模型，我們可預(yù)先建立用于對運動狀態(tài)進(jìn)行識別的svm模型，比如可通過加速度、壓力等三個方向(上下、左右、前后)的作用力的規(guī)律進(jìn)行建模，并通過調(diào)整遺傳算法中的權(quán)重，以對運動狀態(tài)進(jìn)行識別。其中，模型中可采用非線性映射徑向基核函數(shù)，以將線性不可分的低維空間映射到線性可分的高維空間。

可先訓(xùn)練模型，再通過模型對運動參數(shù)信息對應(yīng)的運動狀態(tài)進(jìn)行識別。假設(shè)模型中的運動參數(shù)數(shù)據(jù)庫中已經(jīng)注冊了n類運動狀態(tài)種類，將確定好的運動參數(shù)信息輸入模型訓(xùn)練，根據(jù)輸入信息判定是1至n中的哪個種類，以確定對應(yīng)的運動種類；如果超出1至n的范圍，則增加第n+1類運動狀態(tài)，以更新運動參數(shù)數(shù)據(jù)庫中的運動狀態(tài)種類，然后將該輸入的運動參數(shù)信息對應(yīng)的運動種類確定為該第n+1類。

此外，在人體站立、下蹲、起立、行走等的不同運動狀態(tài)下，可按照上述方法分別建立模型，對應(yīng)形成不同運動類型的模型，可將每種運動類型中處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，輸入對應(yīng)運動類型的模型進(jìn)行訓(xùn)練，以對同一運動狀態(tài)下進(jìn)一步細(xì)分出是處于正常狀態(tài)還是處于非正常狀態(tài)，以實現(xiàn)更為精準(zhǔn)且有效率的對運動狀態(tài)進(jìn)行識別。

本發(fā)明實施例提供了一種數(shù)據(jù)處理方法，可從獲取到的終端設(shè)備用戶的運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息，再確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息，然后從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。以此，以獲取到的原始運動參數(shù)信息為基礎(chǔ)，經(jīng)過對符合需求的運動參數(shù)信息進(jìn)行提取、對提取到的運動參數(shù)信息進(jìn)行類型區(qū)分，然后再將不同類型的運動參數(shù)信息進(jìn)行狀態(tài)區(qū)分，以實現(xiàn)對運動參數(shù)信息進(jìn)行降維及區(qū)分的目的，一方面，可降低運動參數(shù)信息的數(shù)據(jù)量，將該降維后的運動參數(shù)信息輸入機器學(xué)習(xí)模型進(jìn)行訓(xùn)練，不但可降低訓(xùn)練過程中的系統(tǒng)消耗，還可提高訓(xùn)練效率，另一方面，可提高訓(xùn)練結(jié)果的精確性。

與上述實施例中提供的數(shù)據(jù)處理方法相對應(yīng)，本申請實施例還提供了一種數(shù)據(jù)處理裝置。

參看圖2所示，所述裝置，可以包括：

獲取單元21，可用于獲取終端設(shè)備用戶的運動參數(shù)信息。

在具體實現(xiàn)時，所述獲取單元21，可具體用于：

通過基于電容式微機電系統(tǒng)mems的運動參數(shù)采集單元采集電容變化數(shù)據(jù)；

根據(jù)電容變化數(shù)據(jù)獲取運動參數(shù)信息。

此外，獲取單元21，還可用于：在獲取終端設(shè)備用戶的運動參數(shù)信息之后，根據(jù)預(yù)置步頻閾值對獲取到的運動參數(shù)信息進(jìn)行去噪處理。

提取單元22，可用于從運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息。

在具體實現(xiàn)時，運動參數(shù)信息中可包括加速度信息，基于此，所述提取單元22，可具體用于：

根據(jù)加速度信息確定處于運動狀態(tài)的運動參數(shù)信息，以作為第一運動參數(shù)信息。

第一確定單元23，可用于確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息。

在具體實現(xiàn)時，運動參數(shù)信息可包括角速度信息，基于此，所述第一確定單元23，可具體用于：

根據(jù)加速度信息及角速度信息確定第一運動參數(shù)信息中包括的運動類型，以及每種運動類型對應(yīng)的第二運動參數(shù)信息。

在實際應(yīng)用中，第一確定單元23，可具體用于：

根據(jù)預(yù)置的加速度信號向量模、角速度信號向量模，以及預(yù)置的各運動類型的加速度信號向量模閾值、角速度向量模閾值，以確定第一運動參數(shù)信息中包括的運動類型。

其中，加速度信號向量模角速度信號向量模

其中，ax,ay,az分別為x、y、z三軸方向輸出的加速度數(shù)據(jù)，wx,wy,wz分別為x、y、z三軸方向輸出的角速度數(shù)據(jù)。

第二確定單元24，可用于從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。

在具體實現(xiàn)時，所述第二運動參數(shù)信息中可包括預(yù)置區(qū)域的足底壓力信息。

基于此，第二確定單元24，可具體用于：

根據(jù)足底壓力信息計算偏離正常狀態(tài)的程度值；

將計算得到的程度值與預(yù)置偏離閾值相比較以確定處于正常狀態(tài)還是處于非正常狀態(tài)；

以第二運動參數(shù)信息中包含的足底壓力信息為例，首先可以獲取目標(biāo)用戶某一只腳(比如左腳)四個(根據(jù)需要，可為任意個數(shù))預(yù)置區(qū)域的足底壓力信息(比如壓力值)，分別為a、b、c、d，以計算出其偏離正常狀態(tài)的程度值,其中，所使用到的公式可為：

其中，為四個預(yù)置區(qū)域的人均壓力值，n為采集樣本數(shù)量。

本發(fā)明實施例提供了一種數(shù)據(jù)處理裝置，可從獲取到的終端設(shè)備用戶的運動參數(shù)信息中提取處于運動狀態(tài)的第一運動參數(shù)信息，再確定第一運動參數(shù)信息中包括的運動類型及每種運動類型對應(yīng)的第二運動參數(shù)信息，然后從每種運動類型對應(yīng)的第二運動參數(shù)信息中確定處于正常狀態(tài)的第三運動參數(shù)信息及處于非正常狀態(tài)的第四運動參數(shù)信息，以便將第三、第四運動參數(shù)信息輸入到支持向量機svm模型進(jìn)行訓(xùn)練以確定用戶的運動狀態(tài)。以此，以獲取到的原始運動參數(shù)信息為基礎(chǔ)，經(jīng)過對符合需求的運動參數(shù)信息進(jìn)行提取、對提取到的運動參數(shù)信息進(jìn)行類型區(qū)分，然后再將不同類型的運動參數(shù)信息進(jìn)行狀態(tài)區(qū)分，以實現(xiàn)對運動參數(shù)信息進(jìn)行降維及區(qū)分的目的，一方面，可降低運動參數(shù)信息的數(shù)據(jù)量，將該降維后的運動參數(shù)信息輸入機器學(xué)習(xí)模型進(jìn)行訓(xùn)練，不但可降低訓(xùn)練過程中的系統(tǒng)消耗，還可提高訓(xùn)練效率，另一方面，可提高訓(xùn)練結(jié)果的精確性。

以上對本發(fā)明實施例提供的數(shù)據(jù)處理方法及裝置進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。