CN108196998A - 一种状态识别方法、移动设备及服务器 - Google Patents

Abstract

本申请提供了一种状态识别方法、移动设备及服务器，所述方法包括获得利用传感器检测的移动设备的状态信息，所述传感器至少包括磁力计，对所述状态信息进行预设的特征分析处理，并根据特征分析结果，识别移动设备的状态。由此可见，本申请实现了基于传感器检测的移动设备状态信息来识别移动设备的状态，鉴于移动设备的移动性、便携性，则相当于根据传感器信息进行了移动设备用户行为状态的识别，因而，本申请解决了现有技术存在的问题，实现了在不占用卫星带宽的情况下，有效识别移动设备用户的行为状态。

Description

一种状态识别方法、移动设备及服务器

技术领域

本发明属于信息处理技术领域，尤其涉及一种状态识别方法、移动设备及服务器。

背景技术

移动设备的用户行为状态识别在人工智能、模式识别等领域有着广泛的应用前景，可用于健康监控、时间管理、个人喜好分析、资讯筛选和推送等方面。

目前，对于移动设备用户行为状态的识别，主要是使用移动设备的GPS(GlobalPositioning System，全球定位系统)数据计算获取移动设备的移动速度信息，并根据设备移动速度来分析判断用户状态，然而此种方式需要占用卫星带宽，除此之外，也可能会存在信号弱或屏蔽信号等现象，导致无法有效识别用户状态。

发明内容

有鉴于此，本申请的目的在于提供一种状态识别方法、移动设备及服务器，用于实现在不占用卫星带宽的情况下，有效识别移动设备用户的行为状态。

为此，本申请公开如下技术方案：

一种状态识别方法，包括：

获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计；

对所述状态信息进行预设的特征分析处理，得到特征分析结果；

根据所述特征分析结果，识别所述移动设备的状态。

上述方法，优选的，所述获得利用传感器检测的移动设备的状态信息，包括：

获得当前预设时长内利用加速度传感器检测的移动设备的线性加速度信息；

获得当前预设时长内利用陀螺仪检测的移动设备的角加速度信息；

获得当前预设时长内利用磁力计检测的移动设备所在磁场的磁场强度信息。

上述方法，优选的，所述对所述状态信息进行预设的特征分析处理，得到特征分析结果，包括：

对所述线性加速度信息、所述角加速度信息以及所述磁场强度信息进行时序化处理，得到所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据；

对所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据进行窗口化处理，得到所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据；

对所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据进行预定的特征提取，得到所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征；

对所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征进行向量化处理，得到所述线性加速度信息、所述角加速度信息及所述磁场强度信息对应的特征向量。

上述方法，优选的，所述根据所述特征分析结果，识别所述移动设备的状态，包括：

获得预先训练的分类模型；

将所述特征向量输入所述分类模型，得到所述分类模型输出的状态分类结果信息；

基于所述状态分类结果信息，识别所述移动设备的状态。

上述方法，优选的，在所述基于所述状态分类结果信息，识别所述移动设备的状态之前，所述方法还包括：

对所述状态分类结果信息进行预设的优化处理，以提升移动设备状态识别结果的准确度。

一种移动设备，包括：

信息获取单元，用于获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计；

特征分析单元，用于对所述状态信息进行预设的特征分析处理，得到特征分析结果；

状态识别单元，用于根据所述特征分析结果，识别所述移动设备的状态。

上述移动设备，优选的，所述信息获取单元，具体用于：

获得当前预设时长内利用加速度传感器检测的移动设备的线性加速度信息；获得当前预设时长内利用陀螺仪检测的移动设备的角加速度信息；获得当前预设时长内利用磁力计检测的移动设备所在磁场的磁场强度信息。

上述移动设备，优选的，所述特征分析单元，具体用于：

对所述线性加速度信息、所述角加速度信息以及所述磁场强度信息进行时序化处理，得到所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据；

对所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据进行窗口化处理，得到所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据；

对所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据进行预定的特征提取，得到所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征；

对所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征进行向量化处理，得到所述线性加速度信息、所述角加速度信息及所述磁场强度信息对应的特征向量。

上述移动设备，优选的，所述状态识别单元，具体用于：

获得预先训练的分类模型；将所述特征向量输入所述分类模型，得到所述分类模型输出的状态分类结果信息；基于所述状态分类结果信息，识别所述移动设备的状态。

一种服务器，包括：

信息获取单元，用于获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计；

特征分析单元，用于对所述状态信息进行预设的特征分析处理，得到特征分析结果；

状态识别单元，用于根据所述特征分析结果，识别所述移动设备的状态。

基于以上方案可知，本申请提供了一种状态识别方法、移动设备及服务器，所述方法包括获得利用传感器检测的移动设备的状态信息，所述传感器至少包括磁力计，对所述状态信息进行预设的特征分析处理，并根据特征分析结果，识别移动设备的状态。由此可见，本申请实现了基于传感器检测的移动设备状态信息来识别移动设备的状态，鉴于移动设备的移动性、便携性，则相当于根据传感器信息进行了移动设备用户行为状态的识别，因而，本申请解决了现有技术存在的问题，实现了在不占用卫星带宽的情况下，有效识别移动设备用户的行为状态。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本申请提供的一种状态识别方法实施例一的流程图；

图2(a)是本申请实施例一提供的久坐/坐车/搭乘地铁三种场景中加速度传感器数据的幅值变化信息示意图；

图2(b)是本申请实施例一提供的久坐/坐车/搭乘地铁三种场景中磁力计数据的幅值变化信息示意图；

图3是本申请实施例二提供的进行模型训练及利用训练出的模型进行数据预测的示意图；

图4是本申请提供的一种状态识别方法实施例三的流程图；

图5是本申请提供的一种状态识别方法实施例四的流程图；

图6是本申请提供的一种移动设备实施例五的结构示意图；

图7是本申请提供的一种移动设备实施例七的结构示意图；

图8是本申请提供的一种服务器实施例八的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请提供了一种状态识别方法、移动设备及服务器，用于根据移动设备的传感器数据来识别移动设备用户的行为状态，以使得为人工智能、模式识别等领域中的健康监控、时间管理、个人喜好分析、资讯筛选和推送等应用提供支持。以下将通过多个实施例对本申请的状态识别方法、移动设备及服务器进行详述。

参考图1，图1是本申请提供的一种状态识别方法实施例一的流程图，该方法可以应用于智能手机、平板电脑、个人数字助理(PDA，Personal Digital Assistant)、数码相机或穿戴式设备等各种移动设备中，或者还可以应用于AI平台、云平台等服务平台的服务器中。

如图1所示，本实施例中，所述状态识别方法包括以下步骤：

步骤101、获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计。

所述移动设备，可以是上文中所述的智能手机、平板电脑、个人数字助理、数码相机或穿戴式设备等中的任意一种。本申请主要是基于移动设备的移动性，便携性，通过识别移动设备的状态来实现对移动设备用户行为状态的识别。

本实施例中，所述传感器至少包括能够检测移动设备所处位置的磁场信息(如磁场强度、磁场方向等)的磁力计，除此之外，还可以包括能够检测移动设备运动状态信息的各种运动传感器，如加速度传感器、陀螺仪等。相对应地，所述利用传感器检测的移动设备的状态信息，则可以包括但不限于移动设备所处位置的磁场信息以及移动设备的各种运动状态信息等等。

所述各个传感器在具体实施中需设置于所述移动设备中，以能够在有需要时可随时随地对移动设备的相关状态信息(如磁场信息或运动状态信息等)进行检测，进而为移动设备的状态识别提供数据依据。

这里，需要说明的是，本申请在所述传感器中引入磁力计，是基于以下的考虑：

本申请的发明人经研究发现，若仅采用加速度传感器、陀螺仪等运动传感器对移动设备的运动状态信息如线性加速度、角加速度等进行检测，并根据检测的这些运动状态信息进行移动设备的状态识别，则仅适用于识别如静止/走路/跑步等设备用户的运动状态区分度较明显的行为，而对于久坐/坐车/搭乘地铁等场景，由于用户相对于车厢大多数情况处于静止状态，从而会导致加速度传感器、陀螺仪等获取到的加速度信息非常相似，进而会导致无法有效区分这些状态，即针对久坐/坐车/搭乘地铁等场景混淆度较高。参考图2(a)，图2(a)示出了上述三种场景中加速度传感器所检测数据的幅值变化信息，根据图2(a)可知，在静止、坐车、搭乘地铁三个场景中加速度幅值均在(0,2)范围内摆动。

针对该问题，发明人发现，在上述的久坐/坐车/搭乘地铁等场景中，移动设备用户会以不同速度切割地球磁感线，相应地会导致移动设备用户周围磁场变化的区分度很高，如图2(b)所示，图2(b)示出了在上述三种场景中磁力计所检测数据的幅值变化信息，根据图2(b)可知，在静止、坐车、搭乘地铁三个场景中磁力计所检测数据(磁场强度)的幅值变化具有很明显的差距，因而可以根据磁力计数据来有效区分静止、坐车、搭乘地铁这三种场景下的设备用户状态。

步骤102、对所述状态信息进行预设的特征分析处理，得到特征分析结果。

所述特征分析处理可以包括但不限于对检测的所述状态信息进行时域特征分析和/或频域特征分析，比如，对利用磁力计检测的磁场信息进行时域特征分析和/或频域特征分析，对利用各种运动传感器检测的移动设备的运动状态信息进行时域特征分析和/或频域特征分析等等，以提取出移动设备各类状态信息的时域特征和/或频域特征。

步骤103、根据所述特征分析结果，识别所述移动设备的状态。

由于本申请主要是基于移动设备的移动性，便携性，通过识别移动设备的状态来实现对移动设备用户行为状态的识别，因此，所述移动设备的状态可以是与移动设备用户的行为状态一一对应的各种状态，即移动设备的每一状态应能够一一指示相对应的用户行为状态。

以用户行为状态包括久坐、乘车、跑步、走路、搭乘地铁、骑自行车……为例，所述移动设备的状态则可以表示为分别对应于上述各种用户行为状态的状态1-状态n，或者也可以直接将移动设备的状态表示为用户行为状态，即“久坐”、“乘车”、“跑步”、“走路”、“搭乘地铁”、“骑自行车”……，本实施例对此不作限制，只要是能够基于电子设备的不同状态对电子设备用户的不同行为状态进行区分即可。

在对移动设备的状态信息进行特征分析，得到相应的特征信息基础上，可利用预先设定的识别规则，识别移动设备对应于该特征信息的状态，进而可根据移动设备的状态得出移动设备用户的行为状态。

该识别规则比如可以是但不限于预先设定的特征信息与移动设备状态的对应关系，预先设定的转换算法，或者预先训练的分类模型/识别模型等等。

基于以上方案可知，本实施例提供的状态识别方法，包括获得利用传感器检测的移动设备的状态信息，所述传感器至少包括磁力计，对所述状态信息进行预设的特征分析处理，并根据特征分析结果，识别移动设备的状态。由此可见，本申请实现了基于传感器检测的移动设备状态信息来识别移动设备的状态，鉴于移动设备的移动性、便携性，则相当于根据传感器信息进行了移动设备用户行为状态的识别，因而，本申请解决了现有技术存在的问题，实现了在不占用卫星带宽的情况下，有效识别移动设备用户的行为状态。

本申请中优选地提供一种利用预先训练的分类模型/识别模型来识别移动设备状态的实现方案，在接下来的实施例二中将首先对训练得到所述分类模型/识别模型的过程进行介绍。

其中，训练得到所述分类模型/识别模型的过程主要包括以下两个环节：

(一)数据处理

模型训练需要基于一定的数据集，本实施例在进行模型训练前，预先通过收集多个移动设备的真实历史数据来实现模型训练所需的数据集的获取。

所述真实历史数据可以包括不同移动设备提交的“传感器数据与移动设备实际状态”的对应关系数据，其中，所述传感器数据可以包括但不限于利用磁力计检测的电子设备的磁场强度信息，利用加速度传感器检测的移动设备的线性加速度信息以及利用陀螺仪检测的移动设备的角加速度信息等等。与传感器数据相对应的移动设备实际状态则可以由移动设备的设备用户基于参与标注的方式提供，例如基于一定的奖励机制，由用户根据其实际的行为状态如久坐、乘车、跑步、走路、搭乘地铁、骑自行车等，将状态数据设置在移动设备中，并进而由移动设备将其检测的各类传感器数据以及用户标注的状态数据一并提交至负责模型训练的设备中，如提交至AI平台、云平台等服务平台的服务器或分布式服务器集群中等。

如图3所示，在获得所述数据集的基础上，可通过以下的处理过程实现对数据集进行模型训练前的数据处理：

1)对标注有状态信息的传感器数据进行时序化处理

具体地，可提取所收集的各移动设备的加速度传感器、陀螺仪及磁力计传感数据，并以移动设备为单位统计每个设备的每类传感器数据中每相邻两条数据的时间间隔，从中筛选出时间间隔不小于预定时间间隔阈值的各条数据，并将筛选出的数据按时间顺序排列，以此实现对各类传感器数据的时序化处理，从而得到每个设备每类传感器数据的时序化数据序列，如时序化的线性加速度数据序列，时序化的角加速度数据序列以及时序化的磁场强度数据序列等。

作为一种较优的实施方式，可采用周期性收集方式来收集多个移动设备的携带有状态标注信息的传感数据，如具体基于20Hz的频率周期性收集这些信息等，之后，可将周期性收集的传感数据按时序排列后直接作为时序化的传感数据进行使用。

2)将时序数据转化为窗口数据

可以选取一定的窗口长度以及窗口滑动步长，并根据选取的窗口长度及窗口滑动步长对时序数据进行窗口化处理。

如图3所示，以时序化数据序列中每两条数据的时间间隔为50ms(即对应20Hz的频率)、所选取的窗口长度为200(即一个窗口内需包括200条数据，相当于10s)、滑动步长为32为例，可首先遍历每个移动设备的时序化数据序列中每条数据与上条数据的时间间隔，并将该时间间隔与一设定阈值(如60ms，该阈值应不低于所述20Hz的采集频率所对应的数据时间间隔)进行比较以及确定当前条数据与其上一条数据所对应标注的状态类别是否发生变化，并在时间间隔小于该设定阈值且状态类别未变化时将当前的该条数据加入当前队列(假设为Queue A)中，而一旦当前条数据与其上一条数据的时间间隔大于该阈值或其对应的状态类别相比于上一条数据对应的状态类别发生变化，则另起一新的队列如Queue B继续以上述方式对数据序列中未遍历的各条数据进行遍历以实现将其进行入队处理。

之后，可针对每个队列进行遍历，并将队列中遍历的每200条数据组成一个窗口，且相邻窗口的滑动步长为32，以此实现将数据序列进行窗口化，得到移动设备的各类数据序列对应的窗口数据，如线性加速度窗口数据、角速度窗口数据、磁场强度窗口数据等。

实际应用场景中，在终端设备的用户向服务器上传标注有相应状态类别的传感器数据时，在开始和结束的时间节点上可能会涉及到动作切换，例如，采集行走数据时用户可能是由站立静止开始行走，最后又停止，因此可能会出现开始及结束时数据不稳定即不够准确参考价值低的情况，本实施例中，为确保数据稳定，将每个队列对应的窗口化数据中处于开始和末尾的窗口去掉(在开始和末尾所去掉窗口的个数可视实际情况设定)，仅留取中间部分的窗口。

3)对窗口数据进行特征提取

所述特征提取可以包括但不限于对各类窗口数据进行时域特征提取和/或频域特征提取。

本实施例在对各类窗口数据进行特征提取前，首先对各类数据进行中值滤波处理，在此基础上，对线性加速度数据进行坐标转换，同时对每个磁场强度数据窗口进行进一步的窗口化处理，如将长度为200的每个磁场强度数据窗口以16的窗口长度(滑动步长16，即各长度为16的窗口间无重叠)进一步细分等，以使其数据更适应于特征提取。

在此基础上，可对所得的各类窗口数据如线性加速度窗口数据、角加速度窗口数据、磁场强度窗口数据等，进行时域特征/频域特征提取。

参考表1，表1示出了基于磁力计数据计算移动设备所处位置的磁场强度的计算式。

表1

其中，所述分别表示磁力计x轴、y轴、z轴方向第i个数据，w表示首次窗口化处理时采用的窗口长度，l表示对磁场强度的窗口数据进行进一步窗口化处理时采用的窗口长度，在上文示例中所述w、l分别为200、16。

在此基础上，可对各类窗口数据进行时域特征和/或频域特征提取。本实施例接下来将以时域特征为例，对各类传感器数据的特征提取过程进行介绍。

参考以下的表2，表2示例性示出了各种时域特征，同时示出了获取各时域特征所需采用的计算式，如表2所示，数据的时域特征可以包括但不限于算数平均值、标准差、第一四分位数、第三四分位数…最大连续上升高度和下降坡度等等。

表2

其中，所述w_i表示各类窗口数据(线性加速度窗口数据、角速度窗口数据、磁场强度窗口数据)中的第i个数据。

也即，针对线性加速度窗口数据、角加速度窗口数据、磁场强度窗口数据等各类窗口数据，均可通过利用表2的计算式进行相关计算，来实现各类时域特征(数据的算数平均值、标准差…最大连续上升高度和下降坡度等)的提取。

在提取出各类窗口数据的时域特征和/或频域特征基础上，可将提取的特征向量化处理为特征向量，以使得为后续的模型训练过程提供数据依据。

(二)模型训练

在对数据集进行上述数据处理的基础上，可基于所得的数据处理结果，利用预定分类算法进行模型训练。

本实施例中优选地采用随机森林算法进行模型训练，具体地，可基于上文处理得到的特征向量以及对应标注的状态信息，利用所述随机森林算法训练一分类模型，使得最终训练出的分类模型，能够根据线性加速度、陀螺仪、磁力计等各类传感器数据(对应的特征向量)，得到移动设备的状态分类结果信息。

该状态分类结果信息可以包括移动设备属于每类状态(如久坐、乘车、跑步、走路、搭乘地铁、骑自行车)的概率，进而，可根据移动设备属于每类状态的概率得到移动设备的状态。

本实施例通过预先训练用于对移动设备的状态进行识别的分类模型/识别模型，为后续的移动设备状态识别提供了所需的模型依据。

接下来的实施例三基于实施例二中训练的分类模型，对本申请的状态识别方法进行进一步详述。参考图4，本实施例中，所述状态识别方法可以通过以下的处理过程实现：

步骤401、获得当前预设时长内利用加速度传感器检测的移动设备的线性加速度信息、利用陀螺仪检测的移动设备的角加速度信息、利用磁力计检测的移动设备所在磁场的磁场强度信息。

所述预设时长可以根据实际需求进行设定，以上述的模型训练过程为例，该时长较优地可以选取为10s或大于10s的时间，即不小于一个数据窗口所对应的时长。

从而，本步骤中，可获得移动设备在当前该时长内的各类传感器数据，如加速度传感器的线性加速度信息、陀螺仪的角加速度信息以及磁力计的磁场强度信息等，以使得为移动设备当前状态的识别提供数据依据。

步骤402、对所述线性加速度信息、所述角加速度信息以及所述磁场强度信息进行时序化处理，得到所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据。

在获得当前预设时长内的上述数据后，可对这些数据进行时序化处理，具体地，可从各类传感器数据中筛选出时间间隔不小于预定时间间隔阈值的各条数据，并将筛选出的各条数据按时间顺序排列，以实现对各类传感器数据进行时序化处理，进而得到各类传感器的时序化数据序列，如时序化的线性加速度数据序列，时序化的角加速度数据序列以及时序化的磁场强度数据序列等。

需要说明的是，本实施例中所述预定时间间隔阈值，应与上文模型训练过程中进行时序化处理时所采用的时间间隔阈值相同。

作为一种较优的实施方式，可设置各传感器以时序化处理时需采用的时间间隔为采集周期(如50ms等)，周期性地采集移动设备的数据，鉴于此，所获得的所述预设时长内的数据则为以所述采集周期为时间间隔的一系列时序数据，从而，可直接将采集的该预设时长内的数据作为时序化数据进行使用。

步骤403、对所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据进行窗口化处理，得到所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据。

在对获得的移动设备传感器数据进行时序化处理，得到时序数据后，可继续利用模型训练时采用的窗口长度、窗口滑动步长，并基于模型训练时采用的窗口化处理方式对所述时序数据进行窗口化处理，以得到各类传感器数据对应的窗口数据，如线性加速度窗口数据、角加速度窗口数据、磁场强度窗口数据等等。

步骤404、对所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据进行预定的特征提取，得到所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征。

如上文所述，所述特征提取可以包括但不限于时域特征提取、频域特征提取等。

本步骤相对应地同样可采用与模型训练时相同的特征提取方式，对各类传感器数据对应的窗口数据进行时域特征提取和/或频域特征提取，以得到各类传感器数据对应的时域特征和/或频域特征。

步骤405、对所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征进行向量化处理，得到所述线性加速度信息、所述角加速度信息及所述磁场强度信息对应的特征向量。

在提取各类传感器数据对应的时域特征和/或频域特征后，可基于模型训练时相同的方式，对各类传感器数据对应的时域特征和/或频域特征进行向量化处理，得到各类传感器数据所对应的特征向量。

步骤406、获得预先训练的分类模型；将所述特征向量输入所述分类模型，得到所述分类模型输出的状态分类信息；基于所述状态分类信息，识别所述移动设备的状态。

在经过以上的一系列数据处理(时序化、窗口化、特征提取、向量化等)，得到移动设备当前各类传感器数据所对应的特征向量后，可调取预先训练的所述分类模型，并利用该分类模型基于所述特征向量预测移动设备的当前状态。

若本实施例方法的执行主体为移动设备，则具体可以由移动设备从服务器调取所述预先训练的分类模型，或者将所述分类模型封装为App在所述移动设备上预先安装，从而可在有需求时以App方式为用户提供状态识别功能。若本实施例方法的执行主体为服务器，则移动设备可基于网络交互方式向服务器提交其传感器数据并接收服务器反馈的状态识别结果信息。

在利用所述分类模型进行状态识别时，具体地，可将数据处理后所得的所述特征向量作为所述分类模型的输入数据，输入所述分类模型，进而由所述分类模型对该特征向量进行处理，并输出该特征向量对应的分类结果信息。

所述分类结果信息一般来说，包括移动设备属于各个状态类别中每个类别的概率，比如，属于“搭乘地铁”的概率85％，属于“久坐”的概率1％，属于“乘车”的概率10％……，从而，最终可根据该分类结果信息确定出概率最高的状态类别，作为所述移动设备的当前状态，以此实现了对所述移动设备的状态的识别，相对应地可获得移动设备用户的行为状态。

参考以下的表3，表3示出了本申请中基于加速度传感器、陀螺仪、磁力计的传感数据，并利用所述分类模型进行移动设备状态识别时的识别准确度信息，同时给出了同等条件下未引入磁力计情况下(即仅采用加速度传感器、陀螺仪)分类模型的准确度信息。

表3

根据表3可知，本申请中磁力计的引入对久坐/乘车/搭乘地铁等各类场景下的移动设备状态识别准确率均有较大幅度的提升，实际应用中也有很好的识别效果。

本申请实现了基于传感器数据利用预先训练的分类模型来识别移动设备的状态，进而实现了对移动设备用户行为状态的识别，不需占用卫星带宽，对GPS信息依赖较小，减少了电量及流量损耗。

参考图5，图5是本申请提供的一种状态识别方法实施例四的流程图，本实施例中，如图5所示，所述状态识别方法还可以包括：

步骤104、对所述状态分类结果信息进行预设的优化处理，以提升移动设备状态识别结果的准确度。

在利用所述分类模型对移动设备的状态进行识别时，往往会以获得移动设备传感器数据的时间周期，周期性地输出移动设备的状态识别结果信息，例如，假设每50ms(即20Hz)即获取一次传感器数据，则相应地会每50ms输出一次状态识别结果信息，实际应用中，往往会因采集的传感器数据不够稳定或模型性能不够稳定等原因导致模型识别结果出现跳变，比如，在当前的一段时长内(如3min或5min等)输出的一系列识别结果中可能偶尔会存在与其他多数结果不一致的状态识别结果，如假设当前一段时间内的多数识别结果为“搭乘地铁”，其间偶尔会出现“走路”的识别结果。

针对该情况，如图3所示，本实施例提出“平滑中间结果”的处理方式，即认为与该段时间内多数识别结果不一致的所述识别结果为误差，从而将其平滑为与所述多数识别结果一致，具体实施时，也可通过将状态持续结果不足预定时长(如30s或1min等)的状态识别结果舍弃掉，实现中间结果的平滑化处理，以此提升移动设备状态识别结果的准确度。

除此之外，针对状态识别结果中给出的每类类别的概率均低于预定概率阈值的情况(比如状态识别结果中最大概率类别所对应的概率为20％)，为避免识别误差，可将其状态结果识别为“未知”，并可通过平滑化处理获得该时刻的状态类别。

本实施例通过对分类模型的状态分类结果信息进行诸如中间结果平滑等优化处理，进一步提升了移动设备状态识别结果的准确度。

参考图6，图6是本申请提供的一种移动设备实施例五的结构示意图，该移动设备可以是但不限于智能手机、平板电脑、个人数字助理、数码相机或穿戴式设备等各种终端设备，如图6所示，所述移动设备包括：

信息获取单元601，用于获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计。

本实施例中，所述传感器至少包括能够检测移动设备所处位置的磁场信息(如磁场强度、磁场方向等)的磁力计，除此之外，还可以包括能够检测移动设备运动状态信息的各种运动传感器，如加速度传感器、陀螺仪等。相对应地，所述利用传感器检测的移动设备的状态信息，则可以包括但不限于移动设备所处位置的磁场信息以及移动设备的各种运动状态信息等等。

所述各个传感器在具体实施中需设置于所述移动设备中，以能够在有需要时可随时随地对移动设备的相关状态信息(如磁场信息或运动状态信息等)进行检测，进而为移动设备的状态识别提供数据依据。

这里，需要说明的是，本申请在所述传感器中引入磁力计，是基于以下的考虑：

本申请的发明人经研究发现，若仅采用加速度传感器、陀螺仪等运动传感器对移动设备的运动状态信息如线性加速度、角加速度等进行检测，并根据检测的这些运动状态信息进行移动设备的状态识别，则仅适用于识别如静止/走路/跑步等设备用户的运动状态区分度较明显的行为，而对于久坐/坐车/搭乘地铁等场景，由于用户相对于车厢大多数情况处于静止状态，从而会导致加速度传感器、陀螺仪等获取到的加速度信息非常相似，进而会导致无法有效区分这些状态，即针对久坐/坐车/搭乘地铁等场景混淆度较高。参考图2(a)，图2(a)示出了上述三种场景中加速度传感器所检测数据的幅值变化信息，根据图2(a)可知，在静止、坐车、搭乘地铁三个场景中加速度幅值均在(0,2)范围内摆动。

针对该问题，发明人发现，在上述的久坐/坐车/搭乘地铁等场景中，移动设备用户会以不同速度切割地球磁感线，相应地会导致移动设备用户周围磁场变化的区分度很高，如图2(b)所示，图2(b)示出了在上述三种场景中磁力计所检测数据的幅值变化信息，根据图2(b)可知，在静止、坐车、搭乘地铁三个场景中磁力计所检测数据(磁场强度)的幅值变化具有很明显的差距，因而可以根据磁力计数据来有效区分静止、坐车、搭乘地铁这三种场景下的设备用户状态。

特征分析单元602，用于对所述状态信息进行预设的特征分析处理，得到特征分析结果。

所述特征分析处理可以包括但不限于对检测的所述状态信息进行时域特征分析和/或频域特征分析，比如，对利用磁力计检测的磁场信息进行时域特征分析和/或频域特征分析，对利用各种运动传感器检测的移动设备的运动状态信息进行时域特征分析和/或频域特征分析等等，以提取出移动设备各类状态信息的时域特征和/或频域特征。

状态识别单元603，用于根据所述特征分析结果，识别所述移动设备的状态。

由于本申请主要是基于移动设备的移动性，便携性，通过识别移动设备的状态来实现对移动设备用户行为状态的识别，因此，所述移动设备的状态可以是与移动设备用户的行为状态一一对应的各种状态，即移动设备的每一状态应能够一一指示相对应的用户行为状态。

以用户行为状态包括久坐、乘车、跑步、走路、搭乘地铁、骑自行车……为例，所述移动设备的状态则可以表示为分别对应于上述各种用户行为状态的状态1-状态n，或者也可以直接将移动设备的状态表示为用户行为状态，即“久坐”、“乘车”、“跑步”、“走路”、“搭乘地铁”、“骑自行车”……，本实施例对此不作限制，只要是能够基于电子设备的不同状态对电子设备用户的不同行为状态进行区分即可。

在对移动设备的状态信息进行特征分析，得到相应的特征信息基础上，可利用预先设定的识别规则，识别移动设备对应于该特征信息的状态，进而可根据移动设备的状态得出移动设备用户的行为状态。

该识别规则比如可以是但不限于预先设定的特征信息与移动设备状态的对应关系，预先设定的转换算法，或者预先训练的分类模型/识别模型等等。

基于以上方案可知，本实施例实现了基于传感器检测的移动设备状态信息来识别移动设备的状态，鉴于移动设备的移动性、便携性，则相当于根据传感器信息进行了移动设备用户行为状态的识别，因而，本申请解决了现有技术存在的问题，实现了在不占用卫星带宽的情况下，有效识别移动设备用户的行为状态。

接下来的实施例六继续对本申请的移动设备进行进一步详述。

本实施例中，所述信息获取单元601，具体用于：

获得当前预设时长内利用加速度传感器检测的移动设备的线性加速度信息；获得当前预设时长内利用陀螺仪检测的移动设备的角加速度信息；获得当前预设时长内利用磁力计检测的移动设备所在磁场的磁场强度信息。

所述预设时长可以根据实际需求进行设定，以上述的模型训练过程为例，该时长较优地可以选取为10s或大于10s的时间，即不小于一个数据窗口所对应的时长。

从而，本步骤中，可获得移动设备在当前该时长内的各类传感器数据，如加速度传感器的线性加速度信息、陀螺仪的角加速度信息以及磁力计的磁场强度信息等，以使得为移动设备当前状态的识别提供数据依据。

相对应地，所述特征分析单元602，具体用于：

对所述线性加速度信息、所述角加速度信息以及所述磁场强度信息进行时序化处理，得到所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据；对所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据进行窗口化处理，得到所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据；对所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据进行预定的特征提取，得到所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征；对所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征进行向量化处理，得到所述线性加速度信息、所述角加速度信息及所述磁场强度信息对应的特征向量。

在获得当前预设时长内的上述数据后，可对这些数据进行时序化处理，具体地，可从各类传感器数据中筛选出时间间隔不小于预定时间间隔阈值的各条数据，并将筛选出的各条数据按时间顺序排列，以实现对各类传感器数据进行时序化处理，进而得到各类传感器的时序化数据序列，如时序化的线性加速度数据序列，时序化的角加速度数据序列以及时序化的磁场强度数据序列等。

需要说明的是，本实施例中所述预定时间间隔阈值，应与上文模型训练过程中进行时序化处理时所采用的时间间隔阈值相同。

作为一种较优的实施方式，可设置各传感器以时序化处理时需采用的时间间隔为采集周期(如50ms等)，周期性地采集移动设备的数据，鉴于此，所获得的所述预设时长内的数据则为以所述采集周期为时间间隔的一系列时序数据，从而，可直接将采集的该预设时长内的数据作为时序化数据进行使用。

在对获得的移动设备传感器数据进行时序化处理，得到时序数据后，可继续利用模型训练时采用的窗口长度、窗口滑动步长，并基于模型训练时采用的窗口化处理方式对所述时序数据进行窗口化处理，以得到各类传感器数据对应的窗口数据，如线性加速度窗口数据、角加速度窗口数据、磁场强度窗口数据等等。

所述特征提取可以包括但不限于时域特征提取、频域特征提取等。

相对应地同样可采用与模型训练时相同的特征提取方式，对各类传感器数据对应的窗口数据进行时域特征提取和/或频域特征提取，以得到各类传感器数据对应的时域特征和/或频域特征。

在提取各类传感器数据对应的时域特征和/或频域特征后，可基于模型训练时相同的方式，对各类传感器数据对应的时域特征和/或频域特征进行向量化处理，得到各类传感器数据所对应的特征向量。

所述状态识别单元603，具体用于：

获得预先训练的分类模型；将所述特征向量输入所述分类模型，得到所述分类模型输出的状态分类结果信息；基于所述状态分类结果信息，识别所述移动设备的状态。

在经过以上的一系列数据处理(时序化、窗口化、特征提取、向量化等)，得到移动设备当前各类传感器数据所对应的特征向量后，可调取预先训练的所述分类模型，并利用该分类模型基于所述特征向量预测移动设备的当前状态。

具体地，可以由移动设备从服务器调取所述预先训练的分类模型，或者将所述分类模型封装为App在所述移动设备上预先安装，从而可在有需求时以App方式为用户提供状态识别功能。

在利用所述分类模型进行状态识别时，具体地，可将数据处理后所得的所述特征向量作为所述分类模型的输入数据，输入所述分类模型，进而由所述分类模型对该特征向量进行处理，并输出该特征向量对应的分类结果信息。

所述分类结果信息一般来说，包括移动设备属于各个状态类别中每个类别的概率，比如，属于“搭乘地铁”的概率85％，属于“久坐”的概率1％，属于“乘车”的概率10％……，从而，最终可根据该分类结果信息确定出概率最高的状态类别，作为所述移动设备的当前状态，以此实现了对所述移动设备的状态的识别，相对应地可获得移动设备用户的行为状态。

参考以下的表3，表3示出了本申请中基于加速度传感器、陀螺仪、磁力计的传感数据，并利用所述分类模型进行移动设备状态识别时的识别准确度信息，同时给出了同等条件下未引入磁力计情况下(即仅采用加速度传感器、陀螺仪)分类模型的准确度信息。

表3

根据表3可知，本申请中磁力计的引入对久坐/乘车/搭乘地铁等各类场景下的移动设备状态识别准确率均有较大幅度的提升，实际应用中也有很好的识别效果。

本申请实现了基于传感器数据利用预先训练的分类模型来识别移动设备的状态，进而实现了对移动设备用户行为状态的识别，不需占用卫星带宽，对GPS信息依赖较小，减少了电量及流量损耗。

参考图7，图7是本申请提供的一种移动设备实施例七的结构示意图，本实施例中，所述移动设备还可以包括：

优化单元604，用于对所述状态分类结果信息进行预设的优化处理，以提升移动设备状态识别结果的准确度。

在利用所述分类模型对移动设备的状态进行识别时，往往会以获得移动设备传感器数据的时间周期，周期性地输出移动设备的状态识别结果信息，例如，假设每50ms(即20Hz)即获取一次传感器数据，则相应地会每50ms输出一次状态识别结果信息，实际应用中，往往会因采集的传感器数据不够稳定或模型性能不够稳定等原因导致模型识别结果出现跳变，比如，在当前的一段时长内(如3min或5min等)输出的一系列识别结果中可能偶尔会存在与其他多数结果不一致的状态识别结果，如假设当前一段时间内的多数识别结果为“搭乘地铁”，其间偶尔会出现“走路”的识别结果。

针对该情况，如图3所示，本实施例提出“平滑中间结果”的处理方式，即认为与该段时间内多数识别结果不一致的所述识别结果为误差，从而将其平滑为与所述多数识别结果一致，具体实施时，也可通过将状态持续结果不足预定时长(如30s或1min等)的状态识别结果舍弃掉，实现中间结果的平滑化处理，以此提升移动设备状态识别结果的准确度。

除此之外，针对状态识别结果中给出的每类类别的概率均低于预定概率阈值的情况(比如状态识别结果中最大概率类别所对应的概率为20％)，为避免识别误差，可将其状态结果识别为“未知”，并可通过平滑化处理获得该时刻的状态类别。

本实施例通过对分类模型的状态分类结果信息进行诸如中间结果平滑等优化处理，进一步提升了移动设备状态识别结果的准确度。

参考图8，图8是本申请提供的一种服务器实施例八的结构示意图，所述服务器可以是但不限于AI平台或云平台等的服务平台的服务器，如图8所示，所述服务器包括：

信息获取单元801，用于获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计。

本实施例中，所述传感器至少包括能够检测移动设备所处位置的磁场信息(如磁场强度、磁场方向等)的磁力计，除此之外，还可以包括能够检测移动设备运动状态信息的各种运动传感器，如加速度传感器、陀螺仪等。相对应地，所述利用传感器检测的移动设备的状态信息，则可以包括但不限于移动设备所处位置的磁场信息以及移动设备的各种运动状态信息等等。

所述各个传感器在具体实施中需设置于所述移动设备中，以能够在有需要时可随时随地对移动设备的相关状态信息(如磁场信息或运动状态信息等)进行检测，进而为移动设备的状态识别提供数据依据。

这里，需要说明的是，本申请在所述传感器中引入磁力计，是基于以下的考虑：

本申请的发明人经研究发现，若仅采用加速度传感器、陀螺仪等运动传感器对移动设备的运动状态信息如线性加速度、角加速度等进行检测，并根据检测的这些运动状态信息进行移动设备的状态识别，则仅适用于识别如静止/走路/跑步等设备用户的运动状态区分度较明显的行为，而对于久坐/坐车/搭乘地铁等场景，由于用户相对于车厢大多数情况处于静止状态，从而会导致加速度传感器、陀螺仪等获取到的加速度信息非常相似，进而会导致无法有效区分这些状态，即针对久坐/坐车/搭乘地铁等场景混淆度较高。参考图2(a)，图2(a)示出了上述三种场景中加速度传感器所检测数据的幅值变化信息，根据图2(a)可知，在静止、坐车、搭乘地铁三个场景中加速度幅值均在(0,2)范围内摆动。

针对该问题，发明人发现，在上述的久坐/坐车/搭乘地铁等场景中，移动设备用户会以不同速度切割地球磁感线，相应地会导致移动设备用户周围磁场变化的区分度很高，如图2(b)所示，图2(b)示出了在上述三种场景中磁力计所检测数据的幅值变化信息，根据图2(b)可知，在静止、坐车、搭乘地铁三个场景中磁力计所检测数据(磁场强度)的幅值变化具有很明显的差距，因而可以根据磁力计数据来有效区分静止、坐车、搭乘地铁这三种场景下的设备用户状态。

特征分析单元802，用于对所述状态信息进行预设的特征分析处理，得到特征分析结果。

所述特征分析处理可以包括但不限于对检测的所述状态信息进行时域特征分析和/或频域特征分析，比如，对利用磁力计检测的磁场信息进行时域特征分析和/或频域特征分析，对利用各种运动传感器检测的移动设备的运动状态信息进行时域特征分析和/或频域特征分析等等，以提取出移动设备各类状态信息的时域特征和/或频域特征。

状态识别单元803，用于根据所述特征分析结果，识别所述移动设备的状态。

由于本申请主要是基于移动设备的移动性，便携性，通过识别移动设备的状态来实现对移动设备用户行为状态的识别，因此，所述移动设备的状态可以是与移动设备用户的行为状态一一对应的各种状态，即移动设备的每一状态应能够一一指示相对应的用户行为状态。

以用户行为状态包括久坐、乘车、跑步、走路、搭乘地铁、骑自行车……为例，所述移动设备的状态则可以表示为分别对应于上述各种用户行为状态的状态1-状态n，或者也可以直接将移动设备的状态表示为用户行为状态，即“久坐”、“乘车”、“跑步”、“走路”、“搭乘地铁”、“骑自行车”……，本实施例对此不作限制，只要是能够基于电子设备的不同状态对电子设备用户的不同行为状态进行区分即可。

在对移动设备的状态信息进行特征分析，得到相应的特征信息基础上，可利用预先设定的识别规则，识别移动设备对应于该特征信息的状态，进而可根据移动设备的状态得出移动设备用户的行为状态。

该识别规则比如可以是但不限于预先设定的特征信息与移动设备状态的对应关系，预先设定的转换算法，或者预先训练的分类模型/识别模型等等。

基于以上方案可知，本实施例实现了基于传感器检测的移动设备状态信息来识别移动设备的状态，鉴于移动设备的移动性、便携性，则相当于根据传感器信息进行了移动设备用户行为状态的识别，因而，本申请解决了现有技术存在的问题，实现了在不占用卫星带宽的情况下，有效识别移动设备用户的行为状态。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种状态识别方法，其特征在于，包括：

获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计；

对所述状态信息进行预设的特征分析处理，得到特征分析结果；

根据所述特征分析结果，识别所述移动设备的状态。

2.根据权利要求1所述的方法，其特征在于，所述获得利用传感器检测的移动设备的状态信息，包括：

获得当前预设时长内利用加速度传感器检测的移动设备的线性加速度信息；

获得当前预设时长内利用陀螺仪检测的移动设备的角加速度信息；

获得当前预设时长内利用磁力计检测的移动设备所在磁场的磁场强度信息。

3.根据权利要求2所述的电子设备，其特征在于，所述对所述状态信息进行预设的特征分析处理，得到特征分析结果，包括：

对所述线性加速度信息、所述角加速度信息以及所述磁场强度信息进行时序化处理，得到所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据；

对所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据进行窗口化处理，得到所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据；

对所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据进行预定的特征提取，得到所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征；

对所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征进行向量化处理，得到所述线性加速度信息、所述角加速度信息及所述磁场强度信息对应的特征向量。

4.根据权利要求3所述的方法，其特征在于，所述根据所述特征分析结果，识别所述移动设备的状态，包括：

获得预先训练的分类模型；

将所述特征向量输入所述分类模型，得到所述分类模型输出的状态分类结果信息；

基于所述状态分类结果信息，识别所述移动设备的状态。

5.根据权利要求4所述的方法，其特征在于，在所述基于所述状态分类结果信息，识别所述移动设备的状态之前，所述方法还包括：

对所述状态分类结果信息进行预设的优化处理，以提升移动设备状态识别结果的准确度。

6.一种移动设备，其特征在于，包括：

信息获取单元，用于获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计；

特征分析单元，用于对所述状态信息进行预设的特征分析处理，得到特征分析结果；

状态识别单元，用于根据所述特征分析结果，识别所述移动设备的状态。

7.根据权利要求6所述的移动设备，其特征在于，所述信息获取单元，具体用于：

获得当前预设时长内利用加速度传感器检测的移动设备的线性加速度信息；获得当前预设时长内利用陀螺仪检测的移动设备的角加速度信息；获得当前预设时长内利用磁力计检测的移动设备所在磁场的磁场强度信息。

8.根据权利要求7所述的移动设备，其特征在于，所述特征分析单元，具体用于：

对所述线性加速度信息、所述角加速度信息以及所述磁场强度信息进行时序化处理，得到所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据；

对所述线性加速度信息的时序数据、所述角加速度信息的时序数据以及所述磁场强度信息的时序数据进行窗口化处理，得到所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据；

对所述线性加速度信息的窗口数据、所述角加速度信息的窗口数据以及所述磁场强度信息的窗口数据进行预定的特征提取，得到所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征；

对所述线性加速度信息的提取特征，所述角加速度信息的提取特征以及所述磁场强度信息的提取特征进行向量化处理，得到所述线性加速度信息、所述角加速度信息及所述磁场强度信息对应的特征向量。

9.根据权利要求8所述的移动设备，其特征在于，所述状态识别单元，具体用于：

获得预先训练的分类模型；将所述特征向量输入所述分类模型，得到所述分类模型输出的状态分类结果信息；基于所述状态分类结果信息，识别所述移动设备的状态。

10.一种服务器，其特征在于，包括：

信息获取单元，用于获得利用传感器检测的移动设备的状态信息；所述传感器至少包括磁力计；

特征分析单元，用于对所述状态信息进行预设的特征分析处理，得到特征分析结果；

状态识别单元，用于根据所述特征分析结果，识别所述移动设备的状态。