CN104780217A - 检测用户工作效率的方法、系统及客户端 - Google Patents

Abstract

本发明提供了一种基于检测用户工作效率的方法、系统及客户端，起到检测用户工作效率的目的。本发明通过采集并记录多个单位时间内用户工作过程中的行为数据；提取多个单位时间内工作过程中的行为数据的行为特征，并建立行为特征向量；对多个单位时间内工作的行为特征向量进行规范化处理，并构造分类器；采集并记录单位时间内用户工作过程中的行为数据；提取单位时间内工作过程中的行为特征，并建立行为特征向量；对单位时间内工作的行为特征向量进行规范化处理；根据分类器认证经规范化处理的单位时间内工作的行为特征向量，并记录认证结果；根据认证结果计算工作效率，实现了对用户工作过程中行为数据的特征提取、分析、认证及工作效率计算。

Description

检测用户工作效率的方法、系统及客户端

技术领域

本发明涉及智能设备应用领域，特别涉及一种基于检测用户工作效率的方法、系统及客户端。

背景技术

随着时代的进步，科技的发展，智能化设备在我们身边已经无处不在，比如小米的智能手环，谷歌的智能眼镜等。现在大部分智能设备都有记录声音、影像和位置等功能，其中应用程序可通过调用多种内置传感器收集感知数据，经过严密分析实现情景感知服务、健康监测和生活记录。生活记录是一个漫长的过程,它通过用户佩戴特定设备收集感知数据，并将其存储以便后期浏览、注释和查询。如果智能监测系统能从低层次的感官数据流中识别出高级别的用户经历，比如识别出人身体的行为状态，且无需用户手动注释和记录大量的数据,则将意义深远。

可穿戴设备是一种可以安装在人、动物和物品上，并能感知、传递和处理信息的计算设备，传感器是可穿戴设备的核心器件，可穿戴设备中的传感器是人类感官的延伸，增强了人类“第六感”功能。可穿戴设备中的传感器根据功能可以分为运动传感器、生物传感器、环境传感器等。运动传感器包括加速度传感器、陀螺仪、地磁传感器、大气压传感器等，主要运用于运动探测、导航、娱乐、人机交互等。运动是生命中不可或缺的重要组成部分。因此，通过运动传感器随时随地测量、记录和分析人体的活动情况具有重大价值，用户可以利用运动传感器获取跑步步数、游泳圈数、骑车距离、能量消耗和睡眠时间，甚至分析睡眠质量等。

如今许多用户在工作时，会不经意间出现打瞌睡、玩手机、聊天等注意力不集中的表现，而自己却不清楚工作时的总体效率如何，并且目前市面上还不存在一款智能的穿戴设备或者移动设备是专门为监测用户的工作效率而设计的。

公开号为CN103558918A的中国发明专利公开了一种智能设备基于手臂肌肉电流信号做手势识别的方案，通过在手表表带内侧，紧贴手臂皮肤的位置设置表皮肌肉电流信号传感器来检测手臂肌肉电流，从而实现用手势控制手表，实现了通过智能设备内置传感器检测手臂肌肉电流信号来检测手势，是通过对人体内部环境的检测来实现对手势的检测，而不是人体外部环境的检测。

发明内容

本发明所要解决的技术问题是：提供一种检测用户工作过程中的行为特征，并分析判断用户工作效率的检测用户工作效率的方法、系统及客户端。

为了解决上述技术问题，本发明采用的技术方案为：

一种检测用户工作效率的方法，所述方法为：

采集并记录多个单位时间内用户工作过程中的行为数据；

提取多个单位时间内工作过程中的行为数据的行为特征，并建立多个单位时间内工作的行为特征向量；

对多个单位时间内工作的行为特征向量进行规范化处理，并构造分类器；

采集并记录单位时间内用户工作过程中的行为数据；

提取单位时间内工作过程中的行为特征，并建立认证数据的行为特征向量；

对单位时间内工作的行为特征向量进行规范化处理；

根据分类器认证经规范化处理的单位时间内工作的行为特征向量，并记录认证结果；

根据认证结果计算工作效率。

本发明的有益效果在于：通过对用户工作过程中的行为数据进行采集、记录、行为特征提取、行为特征向量建立、行为特征规范化处理，构造分类器作为用户工作过程的学习模型，根据分类器对用户工作过程中的行为数据进行认证，并计算工作效率，分类器建立过程中数据处理过程合理，分类器的鲁棒性好。

一种检测用户工作效率的系统，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据；

提取特征模块，用于提取单位时间内用户工作过程中的行为数据的行为特征；

建立特征向量模块，用于将单位时间内用户工作过程中的行为数据的行为特征组合建立行为特征向量；

规范化处理模块，用于对建立的行为特征向量进行规范化处理；

构造分类器模块，用于对经规范化处理后的行为特征向量构造分类器；

认证模块，用于根据分类器认证经规范化处理的单个单位时间内用户工作过程中的行为特征向量；

第二记录模块，用于记录认证模块得到的认证结果；

计算模块，用于根据认证结果计算工作效率。

本发明的有益效果在于：系统能完成用户工作过程中的行为数据的采集、记录，行为特征提取，行为特征向量建立，行为特征规范化处理，构造分类器，对用户工作过程中的行为数据的认证，以及工作效率的计算，系统运行合理，鲁棒性好。

一种检测用户工作效率的客户端，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据；

提取特征模块，用于提取单位时间内用户工作过程中的行为数据的行为特征；

建立特征向量模块，用于将单位时间内用户工作过程中的行为数据的行为特征组合建立行为特征向量；

规范化处理模块，用于对建立的行为特征向量进行规范化处理；

构造分类器模块，用于对经规范化处理后的行为特征向量构造分类器；

认证模块，用于根据分类器认证经规范化处理的单个单位时间内用户工作过程中的行为特征向量；

第二记录模块，用于记录认证模块得到的认证结果；

计算模块，用于根据认证结果计算工作效率。

本发明的有益效果在于：客户端采集并记录用户工作过程中的行为数据，并对行为数据进行特征向量的提取、建立、规范化处理，并构造分类器，然后对用户工作过程进行认证，并计算工作效率，只需在客户端上安装应用程序即可完成这些动作，无需额外的硬件设备支持，客户端实现起来简单直接，可行性高。

一种检测用户工作效率的客户端，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据。

本发明的有益效果在于：客户端只采集并记录用户工作过程中的行为数据，对行为数据的行为特征提取、行为特征向量建立、行为特征规范化处理、构造分类器、行为数据的认证过程以及工作效率的计算均在上位机上进行处理，对客户端的要求较低，实现起来较容易。

附图说明

图1为本发明的检测用户工作效率的方法的流程图；

图2为本发明实施例一的智能手表上三维坐标示意图；

图3为本发明实施例一的采集得到的九维数据特征向量的盒图；

图4为本发明实施例一的一直写状态和停顿写状态的X轴加速度、Y轴加速度、Z轴加速度特征数据归一化前的示意图；

图5为本发明实施例一的一直写状态和停顿写状态的X轴加速度、Y轴加速度、Z轴加速度特征数据归一化后的示意图；

图6为本发明实施例一的多个单位时间内用户写作业样本各维特征的贡献率以及累计贡献率。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：将用户工作过程中的行为特征分为五种行为子特征，将多个单位时间内用户工作过程中的数据特征经提取并进行规范化处理后再通过分类器进行学习模型的建立，通过分类器对单个单位时间内用户工作过程中的数据特征进行验证，最后计算工作效率，工作过程行为特征分类合理且细化，数据处理过程合理，工作效率计算合理。

本发明涉及的技术术语解释详见表1:

表1

请参照图1，本发明的具体实施方式为：

一种检测用户工作效率的方法，所述方法为：

采集并记录多个单位时间内用户工作过程中的行为数据；

提取多个单位时间内工作过程中的行为数据的行为特征，并建立多个单位时间内工作的行为特征向量；

对多个单位时间内工作的行为特征向量进行规范化处理，并构造分类器；

采集并记录单位时间内用户工作过程中的行为数据；

提取单位时间内工作过程中的行为特征，并建立认证数据的行为特征向量；

对单位时间内工作的行为特征向量进行规范化处理；

根据分类器认证经规范化处理的单位时间内工作的行为特征向量，并记录认证结果；

根据认证结果计算工作效率。

从上述描述可知，本发明的有益效果在于：通过对用户工作过程中的行为数据进行采集、记录、行为特征提取、行为特征向量建立、行为特征规范化处理，构造分类器，分类器建立过程中数据处理过程合理，建立了用户工作过程的学习模型；根据分类器对用户工作过程中的行为数据进行认证，完成了用户工作过程的行为数据认证，并最终计算工作效率，鲁棒性好。

进一步的，行为特征是指单位时间内用户工作过程中的行为数据，具体步骤为：

将单位时间内用户工作过程中的行为数据分为五种行为子特征，分别为：移动加速度、光线差异值、振动幅度、离桌面距离和设备方向；

记录单位时间内用户工作过程中的五种行为子特征；

上述单位时间内用户工作过程中的五种行为子特征的集合建立成为行为特征向量。

由上述描述可知，将用户工作过程中的行为特征用五种行为子特征来描述，充分考虑了用户工作过程中的外部环境及用户身体变动的状态，使行为特征数据在用户与用户之间具有较强的差异性，使行为特征数据的选择更加合理，提高系统的鲁棒性。

进一步的，对行为特征向量进行规范化处理，具体为：

异常值移除处理：移除行为特征向量中的异常样本数据；

归一化处理：将经异常值移除处理的行为特征向量中的各维数据限制在预设的范围内；

降维处理：将经归一化处理的行为特征向量经线性或者非线性变换映射到一个低维空间。

由上述描述可知，对行为特征向量进行规范化处理，可去除采集到的行为特征的异常值，并将其进行归一化及降维处理，提高数据构造分类器的合理性、有效性及成功率。

进一步的，通过SVM方法对进行规范化处理后的行为特征向量构造分类器。

由上述描述可知，通过SVM方法对进行规范化处理后的行为特征向量进行逻辑回归分析，构造分类器用于建立用户工作过程的学习模型，方法简单可靠，运行效率高。

进一步的，所述认证结果单位时间内用户是处于工作状态还是非工作状态，以及处于工作状态的各个单位时间和处于非工作状态的各个单位时间；

处于工作状态的各个单位时间之和为处于工作状态的总时间；

处于非工作状态的各个单位时间之和为处于非工作状态的总时间；

所述工作效率等于处于工作状态的总时间除以处于工作状态的总时间和处于非工作状态的总时间之和得到的百分数。

由上述描述可知，用户工作效率的计算是通过单位时间内用户处于工作状态还是非工作状态的认证计算得出的，计算过程合理，工作效率值准确可靠。

一种检测用户工作效率的系统，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据；

提取特征模块，用于提取单位时间内用户工作过程中的行为数据的行为特征；

建立特征向量模块，用于将单位时间内用户工作过程中的行为数据的行为特征组合建立行为特征向量；

规范化处理模块，用于对建立的行为特征向量进行规范化处理；

构造分类器模块，用于对经规范化处理后的行为特征向量构造分类器；

认证模块，用于根据分类器认证经规范化处理的单个单位时间内用户工作过程中的行为特征向量；

第二记录模块，用于记录认证模块得到的认证结果；

计算模块，用于根据认证结果计算工作效率。

从上述描述可知，本发明的有益效果在于：系统能完成用户工作过程中的行为数据的采集、记录，行为特征提取，行为特征向量建立，行为特征规范化处理，构造分类器，对用户工作过程中的行为数据的认证，以及工作效率的计算，系统运行合理，鲁棒性好。

一种检测用户工作效率的客户端，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据；

提取特征模块，用于提取单位时间内用户工作过程中的行为数据的行为特征；

建立特征向量模块，用于将单位时间内用户工作过程中的行为数据的行为特征组合建立行为特征向量；

规范化处理模块，用于对建立的行为特征向量进行规范化处理；

构造分类器模块，用于对经规范化处理后的行为特征向量构造分类器；

认证模块，用于根据分类器认证经规范化处理的单个单位时间内用户工作过程中的行为特征向量；

第二记录模块，用于记录认证模块得到的认证结果；

计算模块，用于根据认证结果计算工作效率。

从上述描述可知，本发明的有益效果在于：客户端采集并记录用户工作过程中的行为数据，并对行为数据进行特征向量的提取、建立、规范化处理，并构造分类器，然后对用户工作过程进行认证，并计算工作效率，只需在客户端上安装应用程序即可完成这些动作，无需额外的硬件设备支持，客户端实现起来简单直接，可行性高。

进一步的，所述客户端为可穿戴设备或者移动设备。

由上述描述可知，可穿戴设备具有检测用户本身行为数据的优势，移动设备具有应用广泛且用户随身携带或者放置的优势，通过可穿戴设备或者移动设备上自带的传感器检测用户工作效率，可行性高。

一种检测用户工作效率的客户端，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据。

从上述描述可知，本发明的有益效果在于：客户端只采集并记录用户工作过程中的行为数据，对行为数据的行为特征提取、行为特征向量建立、行为特征规范化处理、构造分类器、行为数据的认证过程以及工作效率的计算均在上位机上进行处理，对客户端的要求较低，实现起来较容易。

进一步的，所述客户端为可穿戴设备或者移动设备。

由上述描述可知，可穿戴设备具有检测用户本身行为数据的优势，移动设备具有应用广泛且用户随身携带或者放置的优势，通过可穿戴设备或者移动设备上自带的传感器检测用户工作效率，可行性高。

请参照图2至图6，本发明的实施例一为：

一种检测用户写作业效率的方法、系统及客户端，具体为：

客户端为智能手表；智能手表设有内置的加速度传感器、光线传感器、距离传感器和方向传感器，并安装一个基于安卓系统的应用程序SensorTest来采集和记录多个单位时间内用户工作过程中的行为数据；用户在写作业时，手腕会有一些比较明显的行为特征，例如，写作业时手会不停地来回移动，手腕也会有规律地振动，并且在拿笔的状态下，用户的手腕背面会与水平桌面成一定的角度；再例如，睡觉时手腕在一段时间内是相对静止的，手腕离桌面的距离也是基本不变的；假设用户写作业的场景不变，其中包括场地不变、光线强度不变、用户写作业的习惯不变等，还假设用户在写作业的整个过程中拿笔的手腕一直佩戴着手表，且手表能够正常工作。

当用户点击智能手表开始界面的“开始”按钮，程序就开始调用内置传感器进行数据采集，其中采集频率为50Hz；当用户点击“停止”按钮时，程序就会停止数据采集；当用户点击“输出”按钮时，数据将会以文本形式存储在智能手表内，并通过无线网络传输至上位机；

上位机接收到文本形式的数据，提取多个单位时间内工作过程中的行为数据的行为特征，用户写作业时会有十种状态，包括一直写、停顿写、趴着睡、靠着睡、躺着睡、走路、跑步、玩游戏、浏览网页、认真写，图2为智能手表上三维坐标示意图，将单位时间内用户工作过程中的行为数据分为五种行为子特征，分别为：移动加速度、光线差异值、振动幅度、离桌面距离和设备方向，十种状态的五种行为子特征的数值均布同，具体为：

1、移动加速度子特征

根据手表的坐标方向将移动加速度分解成x轴、y轴、z轴三个分量 加速度的大小用公式表示，单位为m/s²。用户写作业时具有一定习惯，则手腕的移动加速度也具有一定的规律，将提取三个加速度子特征值：

f1：智能手表在X轴方向的移动加速度大小

f2：智能手表在Y轴方向的移动加速度大小

f3：智能手表在Z轴方向的移动加速度大小

参见图2，假设智能手表佩戴与用户的左手腕，当智能手表向右移动时，X轴加速度的取值为正值；若智能手表朝手表顶部的方向移动时，Y轴加速度的取值将为正值；当智能手表向天空方向移动时，Z轴加速度的取值则为正值。例如，将手表水平且静止地放置于水平桌面上，X轴与Y轴加速度的取值则为零，而Z轴加速度为反向的地心引力大小；当手表自由落体时，三个坐标轴的加速度都为零；

2、光线差异值子特征

由于写作业时所处地域范围较小，光源较集中，那么光线的差异值较小。此特征主要运用于监测用户工作时是否经常性走动，光线差异值为当前单位时间内获取的光线值减去上一个单位时间内获取的光线值，取值可正可负，且假设初始时刻的光线差异值为零，将提取一个光线差异值子特征值：

f4：智能手表所处环境的光线差异值；

3、振动幅度子特征

振动幅度是指智能手表上内置传感器在每个数据采集时段内的最大位移，取值范围大于等于零，不同的用户写作业的振动幅度都不相同，但同一用户的多次写字振动幅度差异不大，利用这个特性，将提取一个振动幅度子特征值：

f5：智能手表在单位时间内的振动幅度；

4、离桌面距离子特征

测量桌面距离是通过距离传感器来实现的，距离传感器是利用“飞行时间法”的原理来实现距离测量，飞行时间法是通过发射特别短的光脉冲，并测量此光脉冲从发射到接收被物体反射回来的光的时间，通过测时间间隔来计算与物体之间的距离，传感器光源发出测试光线，记录下时间T1，当照射到物体上时，物体把光线折射回来，传感器接收到反射光时，记录下时间T2，因为光在真空中的传递速度V＝3×10₈m/s(在空气中误差忽略不计)，则桌面距离将提取一个离桌面距离的子特征值：

f6：智能手表表带中心距离桌面的距离；

5、设备方向子特征

智能手表的设备方向可由三维数据的变化来衡量：方位角、倾斜角和旋转角，数据度量单位为度，参见图2，方位角是指智能手表绕着Z轴旋转的角度，取值范围为[0,360)；倾斜角是指智能手表绕着X轴旋转的角度，取值范围为[-180,180)；旋转角是智能手表绕着Y轴旋转的角度，取值范围为[-180,180)，不同的动作状态都会导致不同的设备方向，将提取三个设备方向子特征值：

f7:智能手表的方位角；

f8:智能手表的倾斜角；

f9:智能手表的旋转角；

针对每个用户的每个单位时间内写作业，智能手表内置传感器可以收集到九维的行为特征数据；

上述单位时间内用户写作业的五种行为子特征的集合建立成为行为特征向量；

对多个单位时间内工作的行为特征向量进行规范化处理，具体为：

1、异常值移除处理

由于现实数据中总是存在各式各样的“离群点”，而这些离群数据又会导致整个数据特征的偏移，将这些离群数据单独绘出，利用盒图的最小观测点和最大观测点界定数据是否离群，图3为采集得到的九维数据特征向量的盒图，1到9分别代表f1、f2、f3、f4、f5、f6、f7、f8、f9这九个特征，从图中不仅可以很直观地看到的“+”点即离群点，又可以通过观察中位数(盒内竖线)偏离程度，以最大、小观测点判断数据集的数据离散程度和偏向，将各维数据的离群点去掉，使数据特征特性不会偏移；

2、归一化处理

把不同来源的数据统一到同一参考系下，以保证后续数据的处理更加方便，同时又可以加快程序运行的收敛速度，避免奇异样本数据特征掩盖或被掩盖，图4为一直写状态和停顿写状态的X轴加速度、Y轴加速度、Z轴加速度特征数据归一化前的示意图，图5为一直写状态和停顿写状态的X轴加速度、Y轴加速度、Z轴加速度特征数据归一化后的示意图，从图中可以看出，经过归一化处理的数据都被限制在[-1,1]之间，虽然数据有细微变化，但数据的特征仍然保留。

3、降维处理

由于高维的空闲空间将导致程序计算量的增加，因此为避免此类情况的发生，根据数据特征的累积贡献率对其进行降维处理，将样本数据从输入空间通过线性或非线性变换映射到一个低维空间，从而获取到新的低维数据。图6为多个单位时间内用户写作业样本各维特征的贡献率以及累计贡献率。贡献率是指该特征能够表达原数据总体特征特性的程度；而累计贡献率则是指该特征以及该特征之前的特征集合能够表达原数据总体特征特性的程度，图6中条形柱的高度分别表示九维特征的贡献率，折线表示九维特征的累积贡献率，其中这九维行为特征按贡献率由大到小排列，当数据维度达到九维时，累积贡献率恰好达到100％，说明这九维特征恰好可以完全表达原数据的特征特性，缺一不可，但如果对程序的运行速率或收敛速度有所要求，而不需要对原数据达到100％的表达程度，则可通过降维来实现，例如，前六维行为特征对原数据的表达程度已达到90％，若只需要90％的累计贡献率，则只需要提取前六个行为特征作为输入样本即可，同理，若需要95％的累计贡献率，则只需要提取前七个行为特征即可；

根据经规范化处理后的行为特征向量构造分类器，具体为：

用户写作业时会有十种状态，包括一直写、停顿写、趴着睡、靠着睡、躺着睡、走路、跑步、玩游戏、浏览网页、认真写，利用可训练的机器学习方法支持向量机(SVM)训练模型，找到能够正确区分这十类训练样本数据的超平面，并且运用多参数网格搜索法进行SVM参数选择；多参数网格搜索法是将各参数变量值的可行区间划分为一系列的小区，即c∈[c₁,c₂]，变化步长为c_s，而g∈[g₁,g₂]，变化步长为g_s，c_s,g_s是由计算机在[0.01,0.1]范围内随机产生的，计算机顺序针对每对参数(c',g')进行训练，取效果最好的一对参数作为模型参数，因为会有不同的c和g都对应最高的准确率,虽然加大惩罚参数能使得训练分类模型的准确率提高,但过高的惩罚参数会造成过学习状态，所以利用交叉验证法选出最佳的c、g组合，并用于构造学校模型，即为分类器。

利用智能手表的内置传感器采集并记录单位时间内用户写作业过程中的行为数据；

采用与多个单位之间内用户写作业中的行为数据处理方法相同的步骤提取单位时间内写作业过程中的行为特征，并建立认证数据的行为特征向量，并对单位时间内工作的行为特征向量进行规范化处理；

根据分类器认证经规范化处理的单位时间内写作业的行为特征向量，若认证得出用户处于“认真写”状态，记录用户处于写作业状态，并记录时间；若认证得出用户不是处于“认真写”状态，记录用户处于不写作业状态，并记录时间；

根据写作业状态的时间和不写作业状态的时间计算写作业效率，其中写作业效率等于写作业状态的时间总和除以写作业状态的时间总和与不写作业状态的时间总和的和。

综上所述，本发明提供的基于检测用户工作效率的方法、系统及客户端，客户端利用内置的传感器采集并记录用户工作过程中的行为数据，然后在客户端上，也可在上位机上进行行为特征的提取、行为特征向量的建立、行为特征的规范化处理以及构造分类器，无需额外增加硬件设备即可完成行为数据的采集及记录，行为数据的处理操作简单便捷；分类器建立了用户工作过程的学习模型，且在建立之前对行为特征向量进行了规范化处理，有利于提高构造分类器的数据的合理性，提高分类器的准确性；根据分类器对用户工作过程中的行为数据进行认证，完成了用户工作过程的行为数据认证，并最终计算工作效率，数据处理过程合理，工作效率计算准确，鲁棒性好。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种检测用户工作效率的方法，其特征在于，所述方法为：

采集并记录多个单位时间内用户工作过程中的行为数据；

提取多个单位时间内工作过程中的行为数据的行为特征，并建立多个单位时间内工作的行为特征向量；

对多个单位时间内工作的行为特征向量进行规范化处理，并构造分类器；

采集并记录单位时间内用户工作过程中的行为数据；

提取单位时间内工作过程中的行为特征，并建立认证数据的行为特征向量；

对单位时间内工作的行为特征向量进行规范化处理；

根据分类器认证经规范化处理的单位时间内工作的行为特征向量，并记录认证结果；

根据认证结果计算工作效率。

2.根据权利要求1所述的检测用户工作效率的方法，其特征在于，行为特征是指单位时间内用户工作过程中的行为数据，具体步骤为：

将单位时间内用户工作过程中的行为数据分为五种行为子特征，分别为：移动加速度、光线差异值、振动幅度、离桌面距离和设备方向；

记录单位时间内用户工作过程中的五种行为子特征；

上述单位时间内用户工作过程中的五种行为子特征的集合建立成为行为特征向量。

3.根据权利要求1所述的检测用户工作效率的方法，其特征在于，对行为特征向量进行规范化处理，具体为：

异常值移除处理：移除行为特征向量中的异常样本数据；

归一化处理：将经异常值移除处理的行为特征向量中的各维数据限制在预设的范围内；

降维处理：将经归一化处理的行为特征向量经线性或者非线性变换映射到一个低维空间。

4.根据权利要求1所述的检测用户工作效率的方法，其特征在于，通过SVM方法对进行规范化处理后的行为特征向量构造分类器。

5.根据权利要求1所述的检测用户工作效率的方法，其特征在于，所述认证结果单位时间内用户是处于工作状态还是非工作状态，以及处于工作状态的各个单位时间和处于非工作状态的各个单位时间；

处于工作状态的各个单位时间之和为处于工作状态的总时间；

处于非工作状态的各个单位时间之和为处于非工作状态的总时间；

所述工作效率等于处于工作状态的总时间除以处于工作状态的总时间和处于非工作状态的总时间之和得到的百分数。

6.一种检测用户工作效率的系统，其特征在于，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据；

提取特征模块，用于提取单位时间内用户工作过程中的行为数据的行为特征；

建立特征向量模块，用于将单位时间内用户工作过程中的行为数据的行为特征组合建立行为特征向量；

规范化处理模块，用于对建立的行为特征向量进行规范化处理；

构造分类器模块，用于对经规范化处理后的行为特征向量构造分类器；

认证模块，用于根据分类器认证经规范化处理的单个单位时间内用户工作过程中的行为特征向量；

第二记录模块，用于记录认证模块得到的认证结果；

计算模块，用于根据认证结果计算工作效率。

7.一种检测用户工作效率的客户端，其特征在于，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据；

提取特征模块，用于提取单位时间内用户工作过程中的行为数据的行为特征；

建立特征向量模块，用于将单位时间内用户工作过程中的行为数据的行为特征组合建立行为特征向量；

规范化处理模块，用于对建立的行为特征向量进行规范化处理；

构造分类器模块，用于对经规范化处理后的行为特征向量构造分类器；

认证模块，用于根据分类器认证经规范化处理的单个单位时间内用户工作过程中的行为特征向量；

第二记录模块，用于记录认证模块得到的认证结果；

计算模块，用于根据认证结果计算工作效率。

8.根据权利要求7所述的检测用户工作效率的客户端，其特征在于，所述客户端为可穿戴设备或者移动设备。

9.一种检测用户工作效率的客户端，其特征在于，包括

采集模块，用于采集单位时间内用户工作过程中的行为数据；

第一记录模块，用于记录单位时间内用户工作过程中的行为数据。

10.根据权利要求9所述的检测用户工作效率的客户端，其特征在于，所述客户端为可穿戴设备或者移动设备。