CN103701991A - 移动终端状态识别方法和移动终端 - Google Patents

Abstract

本发明公开了一种移动终端状态识别方法和移动终端，其中，所述移动终端状态识别方法包括：获取用于识别移动终端状态的检测数据，计算所述移动终端处于运动状态的检测数据的特征值，根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态。本发明实现了基于分类模型细分运动状态，进行更精细化的状态识别。

Description

移动终端状态识别方法和移动终端

技术领域

本发明涉及通信技术，尤其涉及一种移动终端状态识别方法和移动终端。

背景技术

随着通信技术的不断发展，使得移动终端的应用越来越普及，比如，智能手机的应用越来越广，使用智能手机的用户也越来越多。因此，在移动终端上能够进行用户运动状态的识别，则成了移动终端的一项功能。

现有技术中，在移动终端上进行用户运动状态的识别的过程一般为：首先设置阀值，当移动终端的加速度大于阀值时，则确定移动终端为运动状态；当移动终端的加速度小于阀值时，则确定该移动终端为静止状态。相应的，会将移动终端的状态确定为持有移动终端的用户的状态，从而根据用户状态执行一些功能，例如提示用户查看信息等。

但是，上述识别方法比较简单，识别率较差，且无法细分用户不同的运动状态而提供不同的功能。

发明内容

有鉴于此，本发明实施例的目的在于提出一种移动终端状态识别方法和移动终端，解决现有的识别方法比较简单，识别率较差，且无法细分用户运动状态的问题。

第一方面，本发明实施例提供了一种移动终端状态识别方法，所述方法包括：

获取用于识别移动终端状态的检测数据；

计算所述移动终端处于运动状态的检测数据的特征值；

根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态。

第二方面，本发明实施例提供了一种移动终端，所述移动终端包括：

获取单元，用于获取用于识别移动终端状态的检测数据；

第一计算单元，用于计算所述移动终端处于运动状态的检测数据的特征值；

识别单元，用于根据所述计算单元计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态。

本发明实施例提供的移动终端状态识别方法和移动终端，通过获取用于识别移动终端状态的检测数据，计算移动终端处于运动状态的检测数据的特征值，根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态，实现了进一步计算检测数据的特征值，并基于分类模型细分运动状态，能够进行更精细化的状态识别，且提高了识别的准确性。

附图说明

图1是本发明实施例一提供的移动终端状态识别方法的流程图；

图2是本发明实施例二提供的移动终端状态识别方法的流程图；

图3是本发明实施例三提供的移动终端状态识别方法的流程图；

图4a和图4b是本发明实施例四提供的移动终端状态识别方法的流程图；

图5是本发明实施例五提供的移动终端的结构示意图；

图6是本发明实施例五提供的移动终端中识别单元的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

本发明实施例提供的移动终端状态识别方法和移动终端，通过获取用于识别移动终端状态的检测数据，且计算所述移动终端处于运动状态时检测数据的特征值，根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态，实现了基于分类模型细分运动状态，进行更精细化的状态识别。另外，识别移动终端当前的运动状态之后得到的识别结果，通过该识别结果可以获知持有该移动终端的用户当前的运动状态。其中，可以将该移动终端状态识别方法封装成一个软件开发工具包（Software Development Kit，SDK）以备上层应用可以直接调用识别结果，也可以将SDK识别出的用户状态返回给上层应用，以使上层应用能够为用户提供更好的服务。

图1是本发明实施例一提供的移动终端状态识别方法的流程图。该移动终端状态识别方法可以应用于移动终端，由移动终端内配置的状态识别装置来执行，该装置可以由软件识别，例如封装为SDK。如图1所示，所述方法包括：

110、获取用于识别移动终端状态的检测数据。

具体地，移动终端获取检测数据的方法有很多，比如，移动终端实时接收其内置的加速度传感器所采集的加速度数据，根据这些加速度数据得到用于识别自身状态的检测数据。或者还可以利用终端上配置的陀螺仪采集终端的旋转角度等作为检测数据。至于其他的获取检测数据的方法不再一一说明，只要能够获取到用于识别移动终端状态的检测数据的目的即可。

120、计算移动终端处于运动状态的检测数据的特征值。

具体地，移动终端获取到检测数据之后，可以根据该检测数据判断移动终端处于静止状态还是运动状态，当确定移动终端处于静止状态时，则输出静止状态，并可以获知持有该移动终端的用户也处于静止状态；当确定移动终端处于运动状态时，计算检测数据的特征值，从而根据检测数据的特征值对移动终端的运动状态再进行更细致的状态识别。或者，也可以不首先区分静止和运动状态，而是计算各检测数据的特征值，其中也包括了计算运动状态的检测数据的特征值，从而通过后续分析可识别出不同的运动状态。

130、根据计算出的检测数据的特征值和预设的分类模型识别移动终端当前的运动状态。

其中，预设的分类模型包括至少两种运动状态相对应的分类模型，从而可细分运动状态。

具体地，预设的分类模型可以包括多个分类模型，其分别与步行状态、跑步状态、自行车状态、以及驾车状态等相对应。这些分类模型都是通过事先采集数据、标注标签、计算特征及支持向量机（Support Vector Machine，SVM）训练而成。另外，持有移动终端的用户当前的运动状态可以为步行状态、跑步状态、自行车状态、以及驾车状态等中的任意一种，具体是哪种状态是根据计算出的检测数据的特征值和预设的分类模型来进一步识别而出的。

在上述方案中，计算移动终端处于运动状态的检测数据的特征值之前还可以包括判断移动终端是否处于运动状态的过程，从而可首先排除静止状态的检测数据计算，从而减少对检测数据特征值的计算量和比较量。区分运动状态的实际操作过程，优选包括：

（1）对获取到的检测数据按照时间或数据类型进行分组。比如，每2秒内获取到的检测数据为一组，或者每30个检测点的检测数据为一组。另外，由于获取检测数据的来源不同，其检测数据的数据类型也不同，这样可以根据不用的数据类型来分组。比如，移动终端从内置的加速度传感器所采集的是加速度数据，而从自身配置的陀螺仪上多采集的旋转角度，加速度数据和旋转角度的数据类型不同，从而可以根据该不同的数据类型进行分组。

（2）计算每组检测数据内的数值范围浮动值。

（3）当至少一组内的所述数值范围浮动值等于或大于预设的阈值时，则确定所述移动终端处于运动状态；否则，所述移动终端处于静止状态。这样通过一个预设的阈值就可以将移动终端的状态识别为运动状态或静止状态，然后再进一步对该运动状态进一步细分，从而提高了对移动终端状态识别的效率。对检测数据进行分组计算，一方面减少了单组的计算量，另一方面，识别多组数据的情况再判断是静止还是运动，可以避免将短时产生运动数据而判断为运动状态的误判率。

在上述方案中，计算移动终端处于运动状态的检测数据的特征值可以包括：根据检测数据计算所述检测数据的均值、标准偏差、求和值、和过零率的一个或多个。其中，计算得到的均值、标准偏差、求和值、和过零率中的任一个参数都可以和预设的分类模型进行匹配，从而识别出移动当前的运动状态。特征值可以多维度的反映不同运动状态的特点，如果均值、标准偏差、求和值、和过零率中的多个参数和预设的分类模型进行匹配，这样可以提高匹配的准确度，避免了一些计算错误或其他的失误而导致的匹配错误。

在上述方案中，根据计算出的检测数据的特征值和预设的分类模型识别移动终端当前的运动状态可以包括以下过程：

（1）将计算出的所述检测数据的特征值和第一分类模型进行匹配，判断所述移动终端当前的运动状态是否为第一运动状态。

（2）如果所述移动终端当前的运动状态为第一运动状态，则输出第一运动状态；否则，则将计算出的所述检测数据的特征值和所述第二分类模型进行匹配，判断所述移动终端当前的运动状态是否为第二运动状态。

（3）如果所述移动终端当前的运动状态为第二运动状态，则输出第二运动状态；否则，则输出非静止状态。

其中，第一运动状态可以为步行状态，所述第二运动状态可以为自行车状态。

上述过程为典型的实际操作过程，可以按照出现概率的高低区分运动状态，依次识别，这样能够首先筛选出常见的运动状态，再识别较少见的运动状态，可以一定程度上减少比对操作的负荷。

另外，本发明提供的移动终端状态识别方法还包括：建立预设的分类模型，所述预设的分类模型至少包括一种移动终端运动状态相对应的分类模型。

因此，本发明提供的移动终端状态识别方法，可以根据计算出的检测数据的特征值和预设的分类模型识别移动终端当前的运动状态，其中，运动状态可以细分为多种运动状态，比如，步行状态、跑步状态、自行车状态、以及驾车状态中的一种或多种，实现了对移动终端当前的运动状态进行更精细化的状态识别。

图2是本发明实施例二提供的移动终端状态识别方法的流程图。本实施例以上述实施例为基础，提供了一个优选的实例，如图2所示，所述方法包括：

210、移动终端通过加速度传感器获取移动终端的轴向加速度值，该轴向加速度值包括X轴加速度值、Y轴加速度值和Z轴加速度值。

具体地，该加速度传感器可以内置于移动终端，并会自动感应到瞬间的加速度。移动终端实时接收其内置的加速度传感器所采集的加速度数据，根据这些加速度数据得到用于识别自身状态的检测数据。其中，移动终端接收到的加速度数据可以包括多个数据点，每个数据点为（x，y，z）。其中，x为X轴上的数据、y为Y轴上的数据、z为Z轴上的数据，其具体数据格式如表1所示：

表1

x	Y	Z
			-6.7665863	-4.1187897	0.5687866
-6.962723	-4.1187897	0.7453003
			-7.100021	-3.9815063	0.8825989
-7.394211	-3.9618835	1.1768036
			-7.923767	-4.040344	1.5494537
...	...	...

220、根据获取到的轴向加速度值计算出合轴的加速度值，作为检测数据。

因为获取到的是多个轴向的加速度值，则合轴的加速度值可以是多个轴向的加速度值的平方和之后的开方根。

具体地，移动终端根据每个数据点（x，y，z）即X轴、Y轴、Z轴各个单轴上的数据计算与该数据点对应的合成轴M的数据m，其计算公式如公式（1）所示：

$m=\sqrt{x^2+y^2+z^2}$           公式（1）

其中，合成轴M指得的是移动终端受到的合力方向。

上述加速度传感器所采集的加速度数据、以及移动终端根据所述加速度数据计算出的合成轴数据，皆为用于识别移动终端状态的检测数据。为了更清楚地说明，检测数据可以表示为：其包括多个检测点，每一个检测点（x，y，z，m）包括四个单轴即X轴、Y轴、Z轴、M轴上的数据。

区分各个单轴和合轴的好处在于，单轴可以集中反映不同方向的运动，有独立的参考价值。而合轴数据可以反映终端的整体运动状态。综合考虑时可准确识别终端的不同运动状态，例如，用户步行、终端非自然下落等情况都有不同的轴向运动特点。

230、移动终端对检测数据按照时间进行分组。

具体地，按照设定的检测点数量对检测数据进行分组，比如，每组内包括30个检测点。其中，设定的检测点数量是提前设定的，在本发明中不对该数量作具体地限制。

240、移动终端计算每组检测数据内的数值范围浮动值。

具体地，根据每组内单轴的检测数据计算所述数值范围浮动值，所述数值范围浮动值为所述单轴的检测数据的最大值和最小值之间的差值，所述单轴为X轴、Y轴、Z轴、以及合轴M。其具体过程如下：

（1）提取每组内各个单轴上的数据的最大值和最小值。

（2）分别计算各个单轴的最大值和最小值之间的差值。该差值为该组内的数值范围浮动值。

250、当至少一组内的数值范围浮动值等于或大于预设的阈值时，则确定移动终端处于运动状态。其中，预设的阈值是根据实际情况提前设置。

具体地，一组内包括各个单轴上的数值范围浮动值，分别为X轴、Y轴、Z轴、以及合轴M上的数值范围浮动值。当该X轴、Y轴、Z轴、以及合轴M上的数值范围浮动值皆不小于预设的阈值时，移动终端则确定自身处于运动状态。

另外，也可以当该X轴、Y轴、Z轴、以及合轴M上的数值范围浮动值中至少一个不小于预设的阈值时，移动终端则确定自身处于运动状态；当该X轴、Y轴、Z轴、以及合轴M上的数值范围浮动值都小于预设的阈值时，移动终端则确定自身处于静止状态。

上述以一组为例，至于根据多组的情况与一组的基本原理类似，在这里不在详细说明。该实施例中根据一组内的数值范围浮动值就可以识别移动终端是否处于运动状态，如果根据多组内的数值范围浮动值进行识别，则能进一步提高识别的准确性，从而防止一些计算错误或其他的失误而带来的识别错误。

260、根据移动终端处于运动状态的每组检测数据计算所述检测数据的特征值。其中，检测数据的特征值包括各个单轴上的均值、标准偏差、求和值、过零率等参数的一个或多个。

具体地，以一组内X轴的数据为例，来说明计算特征值的过程，其他单轴的计算过程与此类似。

（1）X单轴上的均值

的计算公式如公式（2）所示。

$\stackrel{\‾}{x}=\frac{x_1+x_2+...+x_n}{n}$      公式（2）

其中，x₁、x₂、...、x_n分别为X轴上的n个数据。

（2）X单轴上的标准偏差S的计算公式如公式（3）所示。

$S=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}}$      公式（3）

其中，x₁、x₂、...、x_n分别为X轴上的n个数据，是X单轴上的均值。

（3）X单轴上的求和值：将一组内X轴上的n个数据即x₁、x₂、...、x_n相加即可。

（4）X单轴上的过零率：一组内X轴上的n个数据中从正数变成负数的次数，或者从负数变成正数的次数，计算时可以直接统计变化的次数。

270、移动终端将计算出的各组所述检测数据的特征值和预设的分类模型进行匹配，所述预设的分类模型至少包括一种移动终端运动状态相对应的分类模型。

具体地，预设的分类模型可以包括多个分类模型，其分别与步行状态、跑步状态、自行车状态、以及驾车状态等相对应。

280、如果具有相同匹配结果的检测数据的分组数量达到设定阈值，则确定所述移动终端当前的运动状态为所述匹配结果。

具体地，设定阈值是根据实际情况的，比如，设定阈值为3，当3组内的匹配结果都是步行状态，则确定移动终端当前的运动状态为步行状态。

图3是本发明实施例三提供的移动终端状态识别方法的流程图。在该实施例中，以预设的分类模型包括第一分类模型和第二分类模型为例，具体说明识别移动终端当前的运动状态的过程，如图3所示：

310、将计算出的检测数据的特征值和第一分类模型进行匹配。

320、判断动终端当前的运动状态是否为第一运动状态。如果是，则执行330；如果否，则执行340。

330、输出第一运动状态，识别过程结束。

340、将计算出的所述检测数据的特征值和所述第二分类模型进行匹配。

350、判断移动终端当前的运动状态是否为第二运动状态。如果是，则执行360；如果否，则执行370。

360、输出第二运动状态，一次识别过程结束。

370、输出非静止状态，一次识别过程结束。

这里，输出非静止状态说明利用第一分类模型和第二分类模型不能识别移动终端当前的运动状态，也就说移动终端当前的运动状态不是第一分类模型和第二分类模型所对应的运动状态，超出了第一分类模型和第二分类模型所包括的范围。在这种情况下，可以增加分类模型，进一步对移动终端当前的运动状态进行识别。

其中，第一分类模型与第一运动状态相对应，第二分类模型与第二运动状态相对应。第一运动状态和第二运动状态可以是步行状态、跑步状态、自行车状态、以及驾车状态等中任意两种。可以优选的是第一分类状态为步行状态，第二分类状态为自行车状态。

上述图3中只是说明了采用第一分类模型和第二分类模型识别移动终端当前的运动状态的具体过程。至于采用一个或两个以上分类模型识别移动终端当前的运动状态的过程与上述过程基本类似，在这里不再一一举例。其中，当采用多个分类模型时，移动终端可以将检测数据的特征值与各个分类模型进行一一匹配，就可以得到当前的运动状态。但是，如果事先将各个分类模型根据概率大小进行排序，先从概率比较高的分类模型进行匹配，这样可以缩减进行匹配的计算量。总之，从上述实施例中可以看出本发明能够基于分类模型细分移动终端的运动状态，从而进行更精细化的状态识别。

图4a和图4b是本发明实施例四提供的移动终端状态识别方法的流程图。该移动终端状态识别方法可以应用于移动终端。如图4a和图4b所示，所述方法包括：

401、移动终端接收加速度传感器采集的加速度数据，其包括即X轴、Y轴、Z轴上的数据，并根据加速度数据计算合成轴M上的数据，加速度数据和合成轴数据为移动终端获取到的用于识别自身状态的检测数据。为了更清楚地说明，检测数据可以表示为：其包括多个检测点，每一个检测点（x，y，z，m）包括四个单轴即X轴、Y轴、Z轴、M轴上的数据。

403、移动终端对接收到的检测数据进行分组（或分帧），比如，每组（或每帧）内包括30个检测点。

405、移动终端计算各个单轴上的数值范围浮动值。具体包括：X轴上的数值范围浮动值、Y轴上的数值范围浮动值、Z轴上的数值范围浮动值、M轴上的数值范围浮动值。其计算方法是找到单轴上数据序列的最大值和最小值，并求其差值。

407、移动终端判断各个单轴上的数值范围浮动值是否皆小于预设的阈值，如果是，移动终端则确定自身处于静止状态，并执行409；如果否，则移动终端则确定自身处于非静止状态即运动状态，并执行411。

409、移动终端确定自身处于静止状态，并输出静止状态，一次识别过程结束。

411、移动终端计算各个单轴上的特征值，并将计算出的特征值生成一个特征向量。其中，特征值包括均值、标准偏差、求和值、过零率等参数的一个或多个。

413、移动终端根据各个单轴上的特征向量和预设的分类模型是否能够确定自身处于步行状态。如果是，则执行415；如果否，则执行423；

415、根据下一组内各个单轴上的特征向量和预设的分类模型是否能够确定自身处于步行状态，如果是，则执行417，如果否，则执行415。

417、判断是否连续5次能够确定自身处于步行状态，如果是，则执行419；如果否，则执行421。

419、输出步行状态，一次识别过程结束。

421、输出预备步行状态，并继续执行415。

423、移动终端根据各个单轴上的特征向量和预设的分类模型是否能够确定自身处于自行车状态。如果是，则执行425；如果否，则执行433；

425、根据下一组内各个单轴上的特征向量和预设的分类模型是否能够确定自身处于自行车状态，如果是，则执行427，如果否，则执行425。

427、判断是否连续5次能够确定自身处于自行车状态，如果是，则执行429；如果否，则执行431。

429、输出自行车状态，一次识别过程结束。

431、输出预备自行车状态，并继续执行425。

433、输出非静止状态，一次识别过程结束。

因此，本发明实施例通过根据各个单轴上的特征向量和预设的分类模型来确定移动终端当前的具体运动状态，比如步行状态或者自行车状态，并根据移动终端当前的具体运动状态，能够获知持有该移动终端的用户当前的运动状态，并且能够为用户提供更好的服务，比如，为用户提供室内外定位、室内地图构建、导航优化等服务。

图5是本发明实施例五提供的移动终端的结构示意图。该移动终端用于执行上述实施例提供的移动终端状态识别方法。如图5所示，所述移动终端50包括：获取单元51、第一计算单元52和识别单元53。

获取单元51用于获取用于识别移动终端状态的检测数据。

第一计算单元52用于计算所述移动终端处于运动状态的检测数据的特征值。

识别单元53用于根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态。

在一个实施例中，所述获取单元51具体用于通过加速度传感器获取所述移动终端的轴向加速度值，所述轴向加速度值包括X轴加速度值、Y轴加速度值和Z轴加速度值，并根据所述轴向加速度值计算出合轴的加速度值，作为检测数据。

另一个实施例中，所述移动终端50还包括：分组单元54、第二计算单元55和确定单元56。

分组单元54用于对所述检测数据按照时间或数据类型进行分组。

第二计算单元55用于计算每组检测数据内的数值范围浮动值。

确定单元56用于当至少一组内的所述数值范围浮动值不小于预设的阈值时，则确定所述移动终端处于运动状态。

再一个实施例中，所述第一计算单元52具体用于根据检测数据计算所述检测数据的均值、标准偏差、求和值、和过零率的一个或多个。

再一个实施例中，所述识别单元53具体用于将计算出的各组所述检测数据的特征值和预设的分类模型进行匹配，如果具有相同匹配结果的检测数据的分组数量达到设定阈值，则确定所述移动终端当前的运动状态为所述匹配结果。

图6是本发明实施例五提供的移动终端中识别单元的结构示意图。如图6所示。

所述识别单元53具体包括：判断子单元61、第一处理子单元62和第二处理子单元63。

判断子单元61用于将计算出的所述检测数据的特征值和第一分类模型进行匹配，判断所述移动终端当前的运动状态是否为第一运动状态。

第一处理子单元62用于如果所述移动终端当前的运动状态为第一运动状态，则输出第一运动状态；否则，则将计算出的所述检测数据的特征值和所述第二分类模型进行匹配，判断所述移动终端当前的运动状态是否为第二运动状态。

第二处理子单元63如果所述移动终端当前的运动状态为第二运动状态，则输出第二运动状态；否则，则输出非静止状态。

其中，第一运动状态可以为步行状态，第二运动状态可以为自行车状态。

因此，本发明实施例提供的移动终端，通过获取用于识别移动终端状态的检测数据，如果所述移动终端处于运动状态，则计算所述检测数据的特征值，根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态，实现了基于分类模型细分运动状态，进行更精细化的状态识别。

显然，本领域技术人员应该明白，上述的本发明的各模块或各步骤可以通过如上所述的通信终端实施。可选地，本发明实施例可以用计算机装置可执行的程序来实现，从而可以将它们存储在存储装置中由处理器来执行，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等；或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。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保护范围之内。

Claims (14)

1.一种移动终端状态识别方法，其特征在于，所述方法包括：

获取用于识别移动终端状态的检测数据；

计算所述移动终端处于运动状态的检测数据的特征值；

根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态。

2.根据权利要求1所述的移动终端状态识别方法，其特征在于，所述获取用于识别移动终端状态的检测数据，包括：

通过加速度传感器获取所述移动终端的轴向加速度值，所述轴向加速度值包括X轴加速度值、Y轴加速度值和Z轴加速度值；

根据所述轴向加速度值计算出合轴的加速度值，作为检测数据。

3.根据权利要求1或2所述的移动终端状态识别方法，其特征在于，所述计算所述移动终端处于运动状态的检测数据的特征值之前，还包括：

对所述检测数据按照时间或数据类型进行分组；

计算每组检测数据内的数值范围浮动值；

当至少一组内的所述数值范围浮动值等于或大于预设的阈值时，则确定所述移动终端处于运动状态。

4.根据权利要求1所述的移动终端状态识别方法，其特征在于，所述计算所述移动终端处于运动状态的检测数据的特征值，包括：

根据检测数据计算所述检测数据的均值、标准偏差、求和值、和过零率的一个或多个。

5.根据权利要求3所述的移动终端状态识别方法，其特征在于，所述根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态具体包括：

将计算出的各组所述检测数据的特征值和预设的分类模型进行匹配；

如果具有相同匹配结果的检测数据的分组数量达到设定阈值，则确定所述移动终端当前的运动状态为所述匹配结果。

6.根据权利要求1所述的移动终端状态识别方法，其特征在于，所述根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态具体包括：

将计算出的所述检测数据的特征值和第一分类模型进行匹配，判断所述移动终端当前的运动状态是否为第一运动状态；

如果所述移动终端当前的运动状态为第一运动状态，则输出第一运动状态；否则，则将计算出的所述检测数据的特征值和所述第二分类模型进行匹配，判断所述移动终端当前的运动状态是否为第二运动状态；

如果所述移动终端当前的运动状态为第二运动状态，则输出第二运动状态；否则，则输出非静止状态。

7.根据权利要求6所述的移动终端状态识别方法，其特征在于，所述第一运动状态为步行状态，所述第二运动状态为自行车状态。

8.一种移动终端，所述移动终端内置加速度传感器，其特征在于，所述移动终端包括：

获取单元，用于获取用于识别移动终端状态的检测数据；

第一计算单元，用于计算所述移动终端处于运动状态的检测数据的特征值；

识别单元，用于根据计算出的所述检测数据的特征值和预设的分类模型识别所述移动终端当前的运动状态。

9.根据权利要求8所述的移动终端，其特征在于，所述获取单元具体用于通过加速度传感器获取所述移动终端的轴向加速度值，所述轴向加速度值包括X轴加速度值、Y轴加速度值和Z轴加速度值，并根据所述轴向加速度值计算出合轴的加速度值，作为检测数据。

10.根据权利要求8或9所述的移动终端，其特征在于，所述移动终端还包括：

分组单元，用于对所述检测数据按照时间或数据类型进行分组；

第二计算单元，用于计算每组检测数据内的数值范围浮动值；

确定单元，用于当至少一组内的所述数值范围浮动值不小于预设的阈值时，则确定所述移动终端处于运动状态。

11.根据权利要求8所述的移动终端，其特征在于，所述第一计算单元具体用于根据检测数据计算所述检测数据的均值、标准偏差、求和值、和过零率的一个或多个。

12.根据权利要求10所述的移动终端，其特征在于，所述识别单元具体用于将计算出的各组所述检测数据的特征值和预设的分类模型进行匹配，如果具有相同匹配结果的检测数据的分组数量达到设定阈值，则确定所述移动终端当前的运动状态为所述匹配结果。

13.根据权利要求8所述的移动终端，其特征在于，所述识别单元具体包括：

判断子单元，用于将计算出的所述检测数据的特征值和第一分类模型进行匹配，判断所述移动终端当前的运动状态是否为第一运动状态；

第一处理子单元，用于如果所述移动终端当前的运动状态为第一运动状态，则输出第一运动状态；否则，则将计算出的所述检测数据的特征值和所述第二分类模型进行匹配，判断所述移动终端当前的运动状态是否为第二运动状态；

第二处理子单元，用于如果所述移动终端当前的运动状态为第二运动状态，则输出第二运动状态；否则，则输出非静止状态。

14.根据权利要求13所述的移动终端，其特征在于，所述第一运动状态为步行状态，所述第二运动状态为自行车状态。

Images