CN109993403A - 劳动强度确定方法、装置和计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种劳动强度确定方法、装置和计算机可读存储介质，该方法包括：获取待监测对象的运动数据；根据待监测对象的运动数据，识别待监测对象的运动模式，并将运动模式和运动数据进行关联；基于待监测对象的劳动系数，确定待监测对象的劳动强度；其中，劳动系数通过运动模式和运动数据计算得到。本申请实施例提供的劳动强度确定方法，能够采集待监测对象的相关运动数据，以及通过运动数据自动地识别出待监测对象的运动模式，并将运动模式和运动数据相互对应，从而精准地量化出待监测对象的劳动强度，合理地调整薪资结构，提高待监测对象工作的积极性，同时还能够了解待监测对象的身体状况，避免员工过度劳累，保证身心健康。

Description

劳动强度确定方法、装置和计算机可读存储介质

技术领域

本发明一般涉及信息技术领域，具体涉及一种劳动强度确定方法、装置和计算机可读存储介质。

背景技术

随着电子商务的蓬勃发展，网上购物的方式得到快速普及和应用，人们越来越多地通过快递来收寄物品。收派员作为“最后一公里”与广大客户直接接触的一线人员，扮演着举足轻重的角色。

目前而言，收派员每天的具体工作情况对快递公司来说是未知的。虽然快递公司配发的手持终端可以记录收派员每天的线上操作情况，但是实际上，收派员的大部分时间都是在线下进行操作，比如制作快递件、搬运货物等。对于收派员在线下的工作内容，并没有形成有效地监管机制。同时，快递公司很难精确地衡量收派员每一个操作所需要的费力程度，从而无法精准量化收派员的劳动强度。因此，对于如何有效地实现对收派员的监管，并以此为契机来激发收派员的工作热情，从而极大地提高收派效率，这是行业内亟待解决的重要问题。

然而，针对上述问题，现有技术中尚未提出有效的解决方案。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种劳动强度确定方法、装置和计算机可读存储介质，能够在不影响正常工作的基础上，采集待监测对象的运动数据，并自动地识别出待监测对象的运动模式，从而精准地量化出待监测对象的劳动强度，合理地调整薪资结构，提高待监测对象工作的积极性，同时还能够了解待监测对象的身体状况，避免员工过度劳累，保证身心健康。

第一方面，本申请提供一种劳动强度确定方法，包括：

获取待监测对象的运动数据；

根据所述待监测对象的运动数据，识别所述待监测对象的运动模式，并将所述运动模式和所述运动数据进行关联；

基于所述待监测对象的劳动系数，确定所述待监测对象的劳动强度；其中，所述劳动系数通过所述运动模式和所述运动数据计算得到。

第二方面，本申请提供一种劳动强度确定装置，包括：

获取模块，用于获取待监测对象的运动数据；

识别模块，用于根据所述待监测对象的运动数据，识别所述待监测对象的运动模式，并将所述运动模式和所述运动数据进行关联；

确定模块，用于基于所述待监测对象的劳动系数，确定所述待监测对象的劳动强度；其中，所述劳动系数通过所述运动模式和所述运动数据计算得到。

第三方面，本申请提供一种计算机可读存储介质，该计算机程序用于实现如第一方面所述的劳动强度确定方法。

综上，本申请实施例提供的劳动强度确定方法、装置和计算机可读存储介质，获取待监测对象的运动数据，并根据待监测对象的运动数据，自动地识别出待监测对象的运动模式；通过将运动模式和运动数据进行关联，能够量化待监测对象的运动过程，从而，基于运动模式和运动数据计算得到待监测对象的劳动系数，并确定出待监测对象的劳动强度，用以合理地调整薪资结构，提高待监测对象工作的积极性，同时还能够了解待监测对象的身体状况，避免员工过度劳累，保证身心健康。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请实施例提供的一种劳动强度确定方法的基本流程示意图；

图2为本申请实施例提供的一种劳动强度确定装置；

图3为本申请实施例提供的另一种劳动强度确定装置；

图4为本申请实施例提供的再一种劳动强度确定装置；

图5为本申请实施例提供的一种计算机系统。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了便于理解和说明，下面通过图1至图4详细的阐述本申请实施例提供的劳动强度确定方法及装置。

请参考图1，其为本申请实施例提供的一种劳动强度确定方法的基本流程示意图，该方法包括以下步骤：

S101，获取待监测对象的运动数据。

其中，运动数据可以包括但不限于上楼步数、下楼步数、水平行走步数、心率、水平运动距离、垂直运动距离以及运动时间。本申请实施例通过获取多个运动模式下的运动数据，能够全方位地了解待监测对象的状态，从而更加细致地量化出待监测对象的劳动强度。

具体的，本申请实施例使用可穿戴设备上的传感器来获取待监测对象的运动数据。可穿戴设备的形式可以包括但不限于耳机、指环以及腕表等，传感器可以包括但不限于加速度传感器、陀螺仪、光学心率传感器等。

为便于理解，以加速度传感器为例进行说明，在正常工作过程中，待监测对象全程佩戴可穿戴设备。该可穿戴设备中的加速度传感器通过测量三维空间中X轴、Y轴和Z轴三个方向上的加速度值，就能够判断出可穿戴设备处于水平位置还是垂直位置以及可穿戴设备是否处于移动状态，从而进一步判断得到待监测对象的运动状态。需要说明的是，通过不同传感器来获取待监测对象的运动数据属于已知的技术，本申请实施例不再赘述。

S102，根据待监测对象的运动数据，识别待监测对象的运动模式，并将运动模式和运动数据进行关联。

其中，运动模式可以包括但不限于上楼、下楼、水平行走、静止、跑步、骑车、开车以及搬运货物，而上楼可以包括但不限于电梯上楼、走路上楼，下楼可以包括但不限于电梯下楼、走路下楼。本申请实施例中的运动模式与待监测对象的工作状态一致，通过将运动模式和运动数据关联，能够将待监测对象的工作过程进一步地分解、细化，从而精准地量化出待监测对象的劳动强度。

需要说明的是，本申请实施例通过采集已知运动模式下至少一个监测对象的运动数据，并对至少一个监测对象的运动数据进行训练，构建分类模型；从而，将待监测对象的运动数据输入分类模型中，用以识别待监测对象的运动模式。

举例说明，监测对象在真实的工作场景中佩戴上可穿戴设备，在已知运动模式下采集运动数据并向后台实时地传输该运动数据，由专人标记监测对象的运动模式和该运动模式对应的运动数据。在收集到大量监测对象的运动模式和运动数据之后，对运动数据进行计算，找到每个运动模式对应的运动数据的特点，构建出根据实时运动数据，就能够自动识别待监测对象运动模式的分类模型。比如，利用机器学习得到的分类模型，将运动数据输入该分类模型中，即可识别待监测对象的运动模式。本申请实施例还可以分别计算运动数据和分类模型中的训练结果的差值，将差值最小的分类作为待监测对象的运动模式。比如，运动模式为上楼，对应运动数据中的心率的训练结果为120次/分，步数的训练结果为115步/分；运动模式为跑步，对应运动数据中的心率的训练结果为155次/分，步数的训练结果为140步/分。当实时运动数据中的心率为150次/分，步数为145步/分时，与运动模式为上楼的心率的训练结果的差值为30次/分，步数的训练结果的差值为30步/分；与运动模式为跑步的心率的训练结果的差值为5次/分，步数的训练结果的差值为5步/分。由于心率和步数是相互匹配的，具有相同的变化趋势，也就是说，心率高时，对应的步数多；心率低时，对应的步数也少。因此，通过综合比较心率的差值和步数的差值之后，将跑步作为待监测对象的运动模式。

当然，在本申请的其它实施例中，也可以通过人工输入待监测对象的运动模式对应的标记代码，进而可穿戴设备根据读取到的标记代码，识别出待监测对象的运动模式，并将运动模式和运动数据进行关联。比如，上楼对应的标记代码为1，电梯上楼对应的标记代码为11，走路上楼对应的标记代码为12；下楼对应的标记代码为2，电梯下楼对应的标记代码为21，走路下楼对应的标记代码为22；当待监测对象走路上楼时，人工输入走路上楼对应的标记代码12至可穿戴设备，该可穿戴设备读取到标记代码12之后，与指令库中的指令进行比对，得到标记代码12对应的运动模式为走路上楼，从而识别出待监测对象的运动模式，并将走路上楼的运动模式和运动数据进行关联即可。

S103，基于待监测对象的劳动系数，确定待监测对象的劳动强度；其中，劳动系数通过运动模式和运动数据计算得到。

具体的，待监测对象的劳动强度通过下式计算：

EI＝α*T+β*M+γ*W

其中，EI为待监测对象的劳动强度；T为有效工作时间，α为有效工作时间对应的权重值；M为能量消耗率，β为能量消耗率对应的权重值；W为体力劳动系数，γ为体力劳动系数对应的权重值；其中，劳动系数包括有效工作时间、能量消耗率和体力劳动系数。

需要说明的是，α、β和γ可以根据不同劳动强度时对监测对象的评估以及测算模型进行设置，比如为1/3，1/3和1/3；1/5，2/5和2/5，本申请实施例对此不进行特别限定。

有效工作时间，具体通过下式计算：

有效工作时间＝实际工作时长/打卡工作时长

其中，实际工作时长根据待监测对象在每天最后一次使用手持终端操作包裹的时间与每天第一次使用手持终端操作包裹的时间作差得到。

比如，待监测对象在每天最后一次使用手持终端操作包裹的时间为16：00，每天第一次使用手持终端操作包裹的时间为10：00，那么实际工作时长为6小时。而当打卡工作时长为8小时，则待监测对象的有效工作时间为0.75。

能量消耗率，具体通过下式计算：

能量消耗率＝(总卡路里消耗量-基础代谢率)/基础代谢率

其中，总卡路里消耗量是根据每个运动模式下运动数据中的平均心率值，计算得到每个运动模式对应的卡路里消耗量，从而将每个运动模式对应的卡路里消耗量求和得到。具体的，分别获取每个运动模式下运动数据中的平均心率值，然后根据心率-卡路里消耗量的多元回归方程，计算得到每个运动模式的卡路里消耗量。需要说明的是，计算卡路里消耗量属于已知的技术，本申请实施例不再赘述。

基础代谢率，具体通过下式计算：

基础代谢率＝[66+13.7*体重+5*身高-6.8*年龄]/24*打卡工作时长体力劳动系数，具体通过下式计算：

体力劳动系数＝(μ*总上楼步数+总下楼步数+水平行走步数)/所有待监测对象平均步数

其中，μ为总上楼步数对应的权重值，比如为5/3。

举例说明，在实际工作场景中，待监测对象佩戴上可穿戴设备。可穿戴设备能够自动地识别待监测对象的运动模式，并实时采集该运动模式下的运动数据，比如心率、水平运动距离和步数、垂直运动距离和步数以及运动时间；然后，可穿戴设备将待监测对象每天的运动数据进行汇总，得到平均心率、总水平运动距离和步数、总垂直运动距离和上下楼步数以及总运动时间。

比如，待监测对象运动模式为上楼，对应的总上楼步数为3000步，时间为3小时；待监测对象运动模式为下楼，对应的总下楼步数为3000步，时间为2小时；待监测对象运动模式为水平行走，对应的水平行走步数为4000步，时间为2小时；所有待监测对象平均步数为20000步；待监测对象第一次使用手持终端操作包裹的时间为8：00，最后一次使用手持终端操作包裹的时间为16：00，打卡工作时长为8小时；能量消耗率为0.8。那么，有效工作时间为1，体力劳动系数为0.6。当α＝1/5、β＝2/5和γ＝2/5时，则待监测对象的劳动强度为0.76。

在得到每个待监测对象的劳动强度后，计算所有待监测对象的劳动强度的中位数，作为标准劳动强度，比如标准劳动强度为0.6；然后，根据标准劳动强度划分劳动强度档位，其中劳动强度档位用于表征待监测对象的工作强度，比如将劳动强度划分为7个档位，标准劳动强度设为档位4，最低档为1，最高档为7，以此为基准，每个月对各待监测对象的工作强度进行评估，划入对应的劳动强度档位。通过对劳动强度进行量化计算，可以对待监测对象实行有效地工作监管，透明化待监测对象的线下操作，有助于资源的优化配置，提升工作效率。

本申请实施例提供的劳动强度确定方法，获取待监测对象的运动数据，并根据待监测对象的运动数据，自动地识别出待监测对象的运动模式；通过将运动模式和运动数据进行关联，能够量化待监测对象的运动过程，从而，基于运动模式和运动数据计算得到待监测对象的劳动系数，并确定出待监测对象的劳动强度，用以合理地调整薪资结构，提高待监测对象工作的积极性，同时还能够了解待监测对象的身体状况，避免员工过度劳累，保证身心健康。

基于前述实施例，本申请实施例提供一种劳动强度确定装置，该装置可以应用于图1对应的实施例提供的劳动强度确定方法中。参照图2所示，该劳动强度确定装置2包括：

获取模块21，用于获取待监测对象的运动数据；

识别模块22，用于根据待监测对象的运动数据，识别待监测对象的运动模式，并将运动模式和运动数据进行关联；

确定模块23，用于基于待监测对象的劳动系数，确定待监测对象的劳动强度；其中，劳动系数通过运动模式和运动数据计算得到。

在本申请的其它实施例中，如图3所示，识别模块22包括：

采集单元221，用于采集已知运动模式下至少一个监测对象的运动数据；

训练单元222，用于对至少一个监测对象的运动数据进行训练，构建分类模型；

识别单元223，用于将待监测对象的运动数据输入分类模型中，识别待监测对象的运动模式。

其中，运动模式可以包括但不限于上楼、下楼、水平行走、静止、跑步、骑车、开车以及搬运货物，而上楼可以包括但不限于电梯上楼、走路上楼，下楼可以包括但不限于电梯下楼、走路下楼；运动数据可以包括但不限于上楼步数、下楼步数、水平行走步数、心率、水平运动距离、垂直运动距离以及运动时间。

在本申请的其它实施例中，确定模块23具体用于计算劳动强度

EI＝α*T+β*M+γ*W

上式中的EI为待监测对象的劳动强度；T为有效工作时间，α为有效工作时间对应的权重值；M为能量消耗率，β为能量消耗率对应的权重值；W为体力劳动系数，γ为体力劳动系数对应的权重值；其中，劳动系数包括有效工作时间、能量消耗率和体力劳动系数。

在本申请的其它实施例中，确定模块23还用于计算有效工作时间：

有效工作时间＝实际工作时长/打卡工作时长

计算能量消耗率：

能量消耗率＝(总卡路里消耗量-基础代谢率)/基础代谢率

计算体力劳动系数：

体力劳动系数＝(μ*总上楼步数+总下楼步数+水平行走步数)/所有待监测对象平均步数

其中，μ为总上楼步数对应的权重值。

在本申请的其它实施例中，确定模块23还用于计算基础代谢率：

基础代谢率＝[66+13.7*体重+5*身高-6.8*年龄]/24*打卡工作时长

在本申请的其它实施例中，如图4所示，该劳动强度确定装置2还包括：

计算模块24，用于计算所有待监测对象的劳动强度的中位数，作为标准劳动强度；

划分模块25，用于根据标准劳动强度划分劳动强度档位。

其中，劳动强度档位用于表征待监测对象的工作强度。

需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。

本申请实施例提供的劳动强度确定装置，获取待监测对象的运动数据，并根据待监测对象的运动数据，自动地识别出待监测对象的运动模式；通过将运动模式和运动数据进行关联，能够量化待监测对象的运动过程，从而，基于运动模式和运动数据计算得到待监测对象的劳动系数，并确定出待监测对象的劳动强度，用以合理地调整薪资结构，提高待监测对象工作的积极性，同时还能够了解待监测对象的身体状况，避免员工过度劳累，保证身心健康。

基于前述实施例，本申请实施例提供一种计算机系统。请参照图5所示，该计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本申请的实施例，上文参考流程图1描述的过程可以被实现为计算机软件程序。例如，本申请的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序由CPU501执行，以实现如下步骤：

获取待监测对象的运动数据；

根据待监测对象的运动数据，识别待监测对象的运动模式，并将运动模式和运动数据进行关联；

基于待监测对象的劳动系数，确定待监测对象的劳动强度；其中，劳动系数通过运动模式和运动数据计算得到。

在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例劳动强度确定的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、识别模块及计算模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的终端中所包含的；也可以是单独存在，而未装配入该终端中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该终端执行时，使得该终端实现如上述实施例中的劳动强度确定方法。

例如，终端可以实现如图1中所示的：S101，获取待监测对象的运动数据；S102，根据待监测对象的运动数据，识别待监测对象的运动模式，并将运动模式和运动数据进行关联；S103，基于待监测对象的劳动系数，确定待监测对象的劳动强度；其中，劳动系数通过运动模式和运动数据计算得到。

应当注意，尽管在上文详细描述中提及了用于动作执行的终端的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种劳动强度确定方法，其特征在于，所述方法包括：

获取待监测对象的运动数据；

根据所述待监测对象的运动数据，识别所述待监测对象的运动模式，并将所述运动模式和所述运动数据进行关联；

基于所述待监测对象的劳动系数，确定所述待监测对象的劳动强度；其中，所述劳动系数通过所述运动模式和所述运动数据计算得到。

2.根据权利要求1所述的一种劳动强度确定方法，其特征在于，所述根据所述待监测对象的运动数据，识别所述待监测对象的运动模式，包括：

采集已知运动模式下至少一个监测对象的运动数据；

对所述至少一个监测对象的运动数据进行训练，构建分类模型；

将所述待监测对象的运动数据输入所述分类模型中，识别所述待监测对象的运动模式。

3.根据权利要求1所述的一种劳动强度确定方法，其特征在于，所述基于所述待监测对象的劳动系数，确定所述待监测对象的劳动强度，具体通过下式计算：

EI＝α*T+β*M+γ*W

上式中的EI为所述待监测对象的劳动强度；T为有效工作时间，α为所述有效工作时间对应的权重值；M为能量消耗率，β为所述能量消耗率对应的权重值；W为体力劳动系数，γ为所述体力劳动系数对应的权重值；其中，所述劳动系数包括所述有效工作时间、所述能量消耗率和所述体力劳动系数。

4.根据权利要求3所述的一种劳动强度确定方法，其特征在于，

所述有效工作时间，具体通过下式计算：

有效工作时间＝实际工作时长/打卡工作时长

所述能量消耗率，具体通过下式计算：

能量消耗率＝(总卡路里消耗量-基础代谢率)/基础代谢率

所述体力劳动系数，具体通过下式计算：

体力劳动系数＝(μ*总上楼步数+总下楼步数+水平行走步数)/所有待监测对象平均步数

上式中的μ为所述总上楼步数对应的权重值。

5.根据权利要求1至4任意一项所述的一种劳动强度确定方法，其特征在于，所述运动模式包括上楼、下楼、水平行走、静止、跑步、骑车、开车以及搬运货物；其中，所述上楼包括电梯上楼和走路上楼，所述下楼包括电梯下楼和走路下楼；所述运动数据包括上楼步数、下楼步数、水平行走步数、心率、水平运动距离、垂直运动距离以及运动时间。

6.根据权利要求1所述的一种劳动强度确定方法，其特征在于，所述方法还包括：

计算所有待监测对象的劳动强度的中位数，作为标准劳动强度；

根据所述标准劳动强度划分劳动强度档位；其中，所述劳动强度档位用于表征所述待监测对象的工作强度。

7.一种劳动强度确定装置，其特征在于，所述装置包括：

获取模块，用于获取待监测对象的运动数据；

识别模块，用于根据所述待监测对象的运动数据，识别所述待监测对象的运动模式，并将所述运动模式和所述运动数据进行关联；

确定模块，用于基于所述待监测对象的劳动系数，确定所述待监测对象的劳动强度；其中，所述劳动系数通过所述运动模式和所述运动数据计算得到。

8.根据权利要求7所述的一种劳动强度确定装置，其特征在于，所述识别模块包括：

采集单元，用于采集已知运动模式下至少一个监测对象的运动数据；

训练单元，用于对所述至少一个监测对象的运动数据进行训练，构建分类模型；

识别单元，用于将所述待监测对象的运动数据输入所述分类模型中，识别所述待监测对象的运动模式。

9.根据权利要求7所述的一种劳动强度确定装置，其特征在于，所述确定模块具体用于计算：

EI＝α*T+β*M+γ*W

上式中的EI为所述待监测对象的劳动强度；T为有效工作时间，α为所述有效工作时间对应的权重值；M为能量消耗率，β为所述能量消耗率对应的权重值；W为体力劳动系数，γ为所述体力劳动系数对应的权重值；其中，所述劳动系数包括所述有效工作时间、所述能量消耗率和所述体力劳动系数。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，可被一个或者多个处理器执行，以实现如权利要求1至6中任意一项所述的劳动强度确定方法的步骤。