CN107016411A - 数据处理方法及装置 - Google Patents

Abstract

本发明提供了一种数据处理方法及装置，方法包括：获取终端设备用户的运动参数信息；从运动参数信息中提取处于运动状态的第一运动参数信息；确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息；从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。以此，可通过对采集到的运动参数信息进行降维处理以降低数据量，在实现虚拟现实过程中实现降维融合，进而降低系统消耗及提高训练效率。

Description

数据处理方法及装置

技术领域

本发明涉及计算机领域，特别地，涉及一种数据处理方法及装置。

背景技术

随着计算机技术的发展，虚拟现实(VR，Augmented Reality)技术越来越多的应用到各行各业，以教育行业为例，由于传统教学过程中缺乏生动的教学环境、老师与学生之间的互动等因素，将虚拟现实技术应用于教学应运而生，以模拟出生动的英语环境并可让学生参与互动，可带给学生更好的学习体验。

在虚拟现实技术的应用过程中，通常可采用多个摄像头从多个角度采集现实环境中的图像(比如包括老师在讲课的图像)，然后通过抠图、填充等处理，将采集到的图像与预定的背景图像(比如某种英语环境)进行合成，当虚拟现实终端的佩戴用户进行观看时，则可看到上述人物与背景合成后的“人在画中”的效果。

但是，在实际使用过程中，虚拟现实终端的佩带用户不会一直处于静止状态，而会存在头部转动、行走、下蹲等不同的运动状态，显示于虚拟现实终端显示屏的画面中在每一帧结束时会跳回原点，也就是说，由于没有考虑到用户的运动状态或者不能准确得到用户的运动状态等原因，在用户运动的过程中，由于其视觉暂留现象会保留上一帧和当前帧的图像，从而在观看画面时会产生拖影感及画面卡顿的现象，使用体验较差。基于此，本申请人提出了一种运动状态的识别方法及装置，可先获取终端设备用户的运动参数信息，然后将所述运动参数信息基SVM模型进行训练以确定用户的运动状态，以提高运动状态的识别效率及精确率。

但是，随和时间的增加，获取到的终端设备用户的运动参数信息的数据量将越来越大，将越来越大量的数据输入到SVM模型进行训练，不但会增加系统消耗，而且还会降低训练效率。

发明内容

本发明提供了一种数据处理方法及装置，通过对采集到的运动参数信息进行降维处理以降低数据量，进而降低系统消耗及提高训练效率。

为实现上述目的，本发明提出了一种数据处理方法，包括

获取终端设备用户的运动参数信息；

从运动参数信息中提取处于运动状态的第一运动参数信息；

确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息；

从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。

可选的，获取终端设备用户的运动参数信息，包括：

通过基于电容式微机电系统MEMS的运动参数采集单元采集电容变化数据；

根据电容变化数据获取运动参数信息。

可选的，运动参数信息包括加速度信息，

从运动参数信息中提取处于运动状态的第一运动参数信息，包括：

根据加速度信息确定处于运动状态的运动参数信息，以作为第一运动参数信息。

可选的，运动参数信息包括角速度信息，

确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息，包括：

根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型。

可选的，根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型，包括：

根据预置的加速度信号向量模、角速度信号向量模，以及预置的各运动类型的加速度信号向量模阈值、角速度向量模阈值，以确定第一运动参数信息中包括的运动类型，

加速度信号向量模

角速度信号向量模

其中，a_x,a_y,a_z分别为x、y、z三轴方向输出的加速度数据，w_x,w_y,w_z分别为x、y、z三轴方向输出的角速度数据。

可选的，获取终端设用户的运动参数信息，包括：

根据预置步频阈值对获取到的运动参数信息进行去噪处理。

可选的，所述第二运动参数信息中包括预置区域的足底压力信息，

从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，包括：

根据足底压力信息计算偏离正常状态的程度值；

将计算得到的程度值与预置偏离阈值相比较以确定处于正常状态还是处于非正常状态；

其中，计算所述程度值的公式为：

a、b、c、d为四个预置区域的足底压力信息，为四个预置区域的人均压力值，N为采集样本数量。

相应的，本发明还提出了一种数据处理装置，包括：

获取单元，用于获取终端设备用户的运动参数信息；

提取单元，用于从运动参数信息中提取处于运动状态的第一运动参数信息；

第一确定单元，用于确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息；

第二确定单元，用于从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。

可选的，运动参数信息包括加速度信息，

所述提取单元，具体用于：

根据加速度信息确定处于运动状态的运动参数信息，以作为第一运动参数信息。

可选的，运动参数信息包括角速度信息，

第一确定单元，具体用于：

根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型。

可选的，第一确定单元，具体用于：

根据预置的加速度信号向量模、角速度信号向量模，以及预置的各运动类型的加速度信号向量模阈值、角速度向量模阈值，以确定第一运动参数信息中包括的运动类型，

加速度信号向量模

角速度信号向量模

其中，a_x,a_y,a_z分别为x、y、z三轴方向输出的加速度数据，w_x,w_y,w_z分别为x、y、z三轴方向输出的角速度数据。

可选的，所述第二运动参数信息中包括预置区域的足底压力信息，

第二确定单元，具体用于：

根据足底压力信息计算偏离正常状态的程度值；

将计算得到的程度值与预置偏离阈值相比较以确定处于正常状态还是处于非正常状态；

其中，计算所述程度值的公式为：

a、b、c、d为四个预置区域的足底压力信息，为四个预置区域的人均压力值，N为采集样本数量。

本发明实施例提供了一种数据处理方法及装置，可从获取到的终端设备用户的运动参数信息中提取处于运动状态的第一运动参数信息，再确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息，然后从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。以此，以获取到的原始运动参数信息为基础，经过对符合需求的运动参数信息进行提取、对提取到的运动参数信息进行类型区分，然后再将不同类型的运动参数信息进行状态区分，以实现对运动参数信息进行降维及区分的目的，一方面，可降低运动参数信息的数据量，将该降维后的运动参数信息输入机器学习模型进行训练，不但可降低训练过程中的系统消耗，还可提高训练效率，另一方面，可提高训练结果的精确性。

附图说明

图1是本发明实施例提供的数据处理方法流程图；

图2是本发明实施例提供的数据处理装置示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参看图1，本实施例提供了一种数据处理方法。

所述方法可以包括如下步骤：

S101，获取终端设备用户的运动参数信息。

根据本实施例，可应用于智能终端设备(根据应用场景的不同，可为任意智能终端设备，比如，虚拟现实终端等)，即智能终端设备既可获取用户的运动参数信息又可进行后续的数据处理步骤；也可应用于服务器(即智能终端设备对应的服务器)，即可通过接收智能终端设备(比如，虚拟现实终端)采集并发送的用户运动参数信息以实现用户运动参数信息的获取，然后由服务器根据接收到的用户运动参数信息进行后续的数据处理步骤。

在具体实现时，智能终端设备中可包括基于电容式微机电系统(MEMS，MicroElectro Mechanical Systems)的运动参数采集单元，以此，可通过所述运动参数采集单元采集电容变化数据，根据电容变化数据获取运动参数信息。

在本实施例中，该运动参数采集单元的关键部分可为一种悬臂构造的中间电容板，当速度变化或加速度达到足够大时，它所受的惯性力超过固定或支撑他的力，这时它就会移动，跟上、下电容板之间的距离就会变化，上、下电容的电容就会因此发现变化，由于电容变化跟加速度成正比，电容变化会被转化为电压信号直接输出或再经过数字化处理后输出。

在实际应用中，所述运动参数采集单元可包括：陀螺仪、加速度传感器、角速度传感器和/或压力传感器，因此，采集到的运动参数信息，可包括：方向信息、加速度信息、角速度信息和/或压力信息。

此外，一方面，由于在采集过程中电路中会存在电磁干扰，电磁干扰通常为高频噪声，而人体运动产生的主要是在50Hz以内的低频信号；另一方面，终端设备会有一些低幅度和快速的抽动状态，或是我们俗称的手抖，或者某个恶作剧用户想通过短时快速反复摇动设备来模拟人走路，这些干扰数据如果不去除，会影响运动状态获取的准确度。因此，在通过运动参数采集单元采集到用户的运动参数信息后，还可根据预置步频阈值对获取到的运动参数信息进行初步去噪处理。比如，人体最快的跑步频率为5HZ，也就是说相邻两步的时间间隔至少大于0.2秒，我们可以此为步频阈值来过滤高频噪声，即步频过快的情况，以进行去噪处理，以保证采集到的运动参数信息的准确度，且可降低数据量，进而降低后续处理过程中的系统消耗。

S102，从运动参数信息中提取处于运动状态的第一运动参数信息。

在本实施例中，运动参数采集单元可包括加速度传感器，因此，运动参数信息中可包括加速度信息。加速度信息能够很好的区分人体行为是属于运动状态(比如，行走、上楼梯等)还是属于非运动状态(比如，静止状态)，因此，可根据采集到的加速度信息确定处于运动状态的运动参数信息，以作为第一运动参数信息，以此，在后续处理中，可只用到处于运动状态的运动参数信息，而排除处于非运动状态的运动参数信息。

比如，采用三轴加速度传感器采集x,y,z三个方向的作用力，可按照76Hz、88Hz、100Hz、105Hz、120Hz、150Hz的采样频率(人行走的频率一般在110步/分钟(1.8Hz),跑步时的频率不会超过5Hz),选择上述采样频率可以准确地反应加速度变化。

以步行为例，通常用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。比如，在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触地，垂直方向加速度加速度则相反。水平加速度在收脚时减小，在迈步时增加。在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大。因为，可根据上述规律对处于步行状态的加速度信息进行识别，以将其确定为处于运动状态的运动参数信息，对于其他运动(比如，跑、跳、上楼梯等)状态，也可采用上述方式进行确定。

S103，确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息。

在本实施例中，运动参数采集单元可包括角速度传感器，因此，运动参数信息中可包括角速度信息。由于，加速度信息适合于运动状态、方向明确的运动行为等的判别，但对于运动状态中的哪种运动类型(比如，跑、跳、上楼梯等)则需要结合角速度进行判别。

也就是说，可根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型，以及每种运动类型对应的运动参数信息(本实施例中，可称为第二运动参数信息)。

在具体实现时，可预先设置加速度信号向量模以及角速度信号向量模

其中，a_x,a_y,a_z分别为加速度传感器x、y、z三轴方向输出的向量模数据(即x、y、z三轴方向输出的加速度向量模数)，w_x,w_y,w_z分别为陀螺仪x、y、z三轴方向输出的向量模数据(即x、y、z三轴方向输出的角速度向量模数)。

且可预先设置各运动类型的加速度信号向量模阈值、角速度向量模阈值，以此，可使用加速度信号向量模与角速度信号向量模相结合的信息阈值法来判别不同的运动类型。

以判断跌倒为例，跌倒具有大加速度值和角速度值的特征,这是因为摔倒过程中由于和低势物体碰撞产生的信号向量模SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。由于人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断跌倒行为的发生会带来很大的误判。使用加速度信号向量模及角速度信号向量模相结合的信息阈值法，可以区分跌倒与产生SVM峰值较小的低强度运动。可根据大量实验来确定识别跌倒的加速度信号向量模阈值、角速度向量模阈值，比如，在本实施例中，可将其分别设置为：加速度信号向量模阈值SVM_AT＝20m/s²(米/二次方秒)和角速度信号向量模阈值SVM_WT＝4rad/s(弧度/秒)。对于其他运动类型，也可使用上述方法进行识别。

S104，从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。

其中，正常状态可理解为属于预置的正常群体中，非正常状态可理解为不属于预置的正常群体中。

以行走为例，比如，正常群体中的人行走时，左、右足及前、后足底的压力分布基本相同，而糖尿病患者及临界者，由于关节活动度变小，导致前足比后足压力明显增大，且左、右足压力分布不均衡，也就是说，可根据上述行压力变化、分布规律，又可进一步划分为正常行走和病态行走，以此，可从每种运动类型对应的第二运动参数信息中进一步区分出处于正常状态的运动参数信息(本实施例中，可称为第三运动参数信息)以及处于非正常状态的运动参数信息(在本实施例中，可称为第四运动参数信息)。

在具体实现时，如果将上述第二运动参数信息全部输入到SVM中进行训练，所涉及到的计算量是非常大的，以第二运动参数信息中包含的足底压力信息为例，如采样率为100HZ(赫兹),每个足底采集3000个点,采集6个方向压力值，那么每秒每人所涉及到的采集数据量可为360万个，数据处理工作即达到360万的维度以上，以此会给后需的数据处理过程带来巨大的运算量及系统消耗。

为了降低后续在SVM中进行训练的数据量，我们可以通过以下方式对数据进行降维，以在上述不同运动类型的基础上，对同种类型的运动再次进行细分，以区分出正常状态的运动参数信息与处于非正常状态的运动参数信息。

以第二运动参数信息中包含的足底压力信息为例，首先可以获取目标用户某一只脚(比如左脚)四个(根据需要，可为任意个数)预置区域的足底压力信息(比如压力值)，分别为a、b、c、d，以计算出其偏离正常状态的程度值,其中，所使用到的公式可为：

其中，为四个预置区域的人均压力值，N为采集样本数量。

然后，可以将计算得到的程度值与预置偏离阈值相比较，若该程度值小于预置偏离阈值，则可判定为该目标用户属于所述正常集体中，即为处于正常状态，若该程度值不小于预置偏离阈值，则可判定为该目标用户偏离所述正常集体，即为处于非正常状态。

也即，我们可将上述四个预置区域的压力值结合在一起以得到一个与压力相关的总特征，若该总特征值对应的程度值处于正常状态，则可判定该目标用户处于正常状态；若该总特征对应的程度值处于非正常状态，可再将上述四个压力值拆分开，对每个单独的压力值继续分析，以替代现有技术中直接将所有单个的压力值都输入到SVM的方式，以大大降低输入SVM的数据量的维度，以减少数据处理量，降低系统消耗，提升数据处理效率。

关于SVM模型，我们可预先建立用于对运动状态进行识别的SVM模型，比如可通过加速度、压力等三个方向(上下、左右、前后)的作用力的规律进行建模，并通过调整遗传算法中的权重，以对运动状态进行识别。其中，模型中可采用非线性映射径向基核函数，以将线性不可分的低维空间映射到线性可分的高维空间。

可先训练模型，再通过模型对运动参数信息对应的运动状态进行识别。假设模型中的运动参数数据库中已经注册了n类运动状态种类，将确定好的运动参数信息输入模型训练，根据输入信息判定是1至n中的哪个种类，以确定对应的运动种类；如果超出1至n的范围，则增加第n+1类运动状态，以更新运动参数数据库中的运动状态种类，然后将该输入的运动参数信息对应的运动种类确定为该第n+1类。

此外，在人体站立、下蹲、起立、行走等的不同运动状态下，可按照上述方法分别建立模型，对应形成不同运动类型的模型，可将每种运动类型中处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，输入对应运动类型的模型进行训练，以对同一运动状态下进一步细分出是处于正常状态还是处于非正常状态，以实现更为精准且有效率的对运动状态进行识别。

本发明实施例提供了一种数据处理方法，可从获取到的终端设备用户的运动参数信息中提取处于运动状态的第一运动参数信息，再确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息，然后从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。以此，以获取到的原始运动参数信息为基础，经过对符合需求的运动参数信息进行提取、对提取到的运动参数信息进行类型区分，然后再将不同类型的运动参数信息进行状态区分，以实现对运动参数信息进行降维及区分的目的，一方面，可降低运动参数信息的数据量，将该降维后的运动参数信息输入机器学习模型进行训练，不但可降低训练过程中的系统消耗，还可提高训练效率，另一方面，可提高训练结果的精确性。

与上述实施例中提供的数据处理方法相对应，本申请实施例还提供了一种数据处理装置。

参看图2所示，所述装置，可以包括：

获取单元21，可用于获取终端设备用户的运动参数信息。

在具体实现时，所述获取单元21，可具体用于：

通过基于电容式微机电系统MEMS的运动参数采集单元采集电容变化数据；

根据电容变化数据获取运动参数信息。

此外，获取单元21，还可用于：在获取终端设备用户的运动参数信息之后，根据预置步频阈值对获取到的运动参数信息进行去噪处理。

提取单元22，可用于从运动参数信息中提取处于运动状态的第一运动参数信息。

在具体实现时，运动参数信息中可包括加速度信息，基于此，所述提取单元22，可具体用于：

根据加速度信息确定处于运动状态的运动参数信息，以作为第一运动参数信息。

第一确定单元23，可用于确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息。

在具体实现时，运动参数信息可包括角速度信息，基于此，所述第一确定单元23，可具体用于：

根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型，以及每种运动类型对应的第二运动参数信息。

在实际应用中，第一确定单元23，可具体用于：

根据预置的加速度信号向量模、角速度信号向量模，以及预置的各运动类型的加速度信号向量模阈值、角速度向量模阈值，以确定第一运动参数信息中包括的运动类型。

其中，加速度信号向量模角速度信号向量模

其中，a_x,a_y,a_z分别为x、y、z三轴方向输出的加速度数据，w_x,w_y,w_z分别为x、y、z三轴方向输出的角速度数据。

第二确定单元24，可用于从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。

在具体实现时，所述第二运动参数信息中可包括预置区域的足底压力信息。

基于此，第二确定单元24，可具体用于：

根据足底压力信息计算偏离正常状态的程度值；

将计算得到的程度值与预置偏离阈值相比较以确定处于正常状态还是处于非正常状态；

以第二运动参数信息中包含的足底压力信息为例，首先可以获取目标用户某一只脚(比如左脚)四个(根据需要，可为任意个数)预置区域的足底压力信息(比如压力值)，分别为a、b、c、d，以计算出其偏离正常状态的程度值,其中，所使用到的公式可为：

其中，为四个预置区域的人均压力值，N为采集样本数量。

本发明实施例提供了一种数据处理装置，可从获取到的终端设备用户的运动参数信息中提取处于运动状态的第一运动参数信息，再确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息，然后从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。以此，以获取到的原始运动参数信息为基础，经过对符合需求的运动参数信息进行提取、对提取到的运动参数信息进行类型区分，然后再将不同类型的运动参数信息进行状态区分，以实现对运动参数信息进行降维及区分的目的，一方面，可降低运动参数信息的数据量，将该降维后的运动参数信息输入机器学习模型进行训练，不但可降低训练过程中的系统消耗，还可提高训练效率，另一方面，可提高训练结果的精确性。

以上对本发明实施例提供的数据处理方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种数据处理方法，其特征在于，包括：

获取终端设备用户的运动参数信息；

从运动参数信息中提取处于运动状态的第一运动参数信息；

确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息；

从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。

2.根据权利要求1所述的方法，其特征在于，获取终端设备用户的运动参数信息，包括：

通过基于电容式微机电系统MEMS的运动参数采集单元采集电容变化数据；

根据电容变化数据获取运动参数信息。

3.根据权利要求1所述的方法，其特征在于，运动参数信息包括加速度信息，

从运动参数信息中提取处于运动状态的第一运动参数信息，包括：

根据加速度信息确定处于运动状态的运动参数信息，以作为第一运动参数信息。

4.根据权利要求2所述的方法，其特征在于，运动参数信息包括角速度信息，

确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息，包括：

根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型。

5.根据权利要求4所述的方法，其特征在于，根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型，包括：

根据预置的加速度信号向量模、角速度信号向量模，以及预置的各运动类型的加速度信号向量模阈值、角速度向量模阈值，以确定第一运动参数信息中包括的运动类型，

加速度信号向量模

角速度信号向量模

其中，a_x,a_y,a_z分别为x、y、z三轴方向输出的加速度数据，w_x,w_y,w_z分别为x、y、z三轴方向输出的角速度数据。

6.根据权利要求1所述的方法，其特征在于，获取终端设用户的运动参数信息，包括：

根据预置步频阈值对获取到的运动参数信息进行去噪处理。

7.根据权利要求1所述的方法，其特征在于，所述第二运动参数信息中包括预置区域的足底压力信息，

从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，包括：

根据足底压力信息计算偏离正常状态的程度值；

将计算得到的程度值与预置偏离阈值相比较以确定处于正常状态还是处于非正常状态；

其中，计算所述程度值的公式为：

a、b、c、d为四个预置区域的足底压力信息，为四个预置区域的人均压力值，N为采集样本数量。

8.一种数据处理装置，其特征在于，包括：

获取单元，用于获取终端设备用户的运动参数信息；

提取单元，用于从运动参数信息中提取处于运动状态的第一运动参数信息；

第一确定单元，用于确定第一运动参数信息中包括的运动类型及每种运动类型对应的第二运动参数信息；

第二确定单元，用于从每种运动类型对应的第二运动参数信息中确定处于正常状态的第三运动参数信息及处于非正常状态的第四运动参数信息，以便将第三、第四运动参数信息输入到支持向量机SVM模型进行训练以确定用户的运动状态。

9.根据权利要求8所述的装置，其特征在于，运动参数信息包括加速度信息，

所述提取单元，具体用于：

根据加速度信息确定处于运动状态的运动参数信息，以作为第一运动参数信息。

10.根据权利要求9所述的装置，其特征在于，运动参数信息包括角速度信息，

第一确定单元，具体用于：

根据加速度信息及角速度信息确定第一运动参数信息中包括的运动类型。

11.根据权利要求10所述的装置，其特征在于，第一确定单元，具体用于：

根据预置的加速度信号向量模、角速度信号向量模，以及预置的各运动类型的加速度信号向量模阈值、角速度向量模阈值，以确定第一运动参数信息中包括的运动类型，

加速度信号向量模

角速度信号向量模

其中，a_x,a_y,a_z分别为x、y、z三轴方向输出的加速度数据，w_x,w_y,w_z分别为x、y、z三轴方向输出的角速度数据。

12.根据权利要求8所述的装置，其特征在于，所述第二运动参数信息中包括预置区域的足底压力信息，

第二确定单元，具体用于：

根据足底压力信息计算偏离正常状态的程度值；

将计算得到的程度值与预置偏离阈值相比较以确定处于正常状态还是处于非正常状态；

其中，计算所述程度值的公式为：

a、b、c、d为四个预置区域的足底压力信息，为四个预置区域的人均压力值，N为采集样本数量。