CN110010224A - 用户运动数据处理方法、装置、可穿戴设备及存储介质 - Google Patents

Abstract

本公开提供了一种用户运动数据处理方法，包括：得到与用户的运动相关的运动数据；将运动数据输入至预定识别模型中，以得到用户的运动的识别结果；以及根据识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。本公开还提供了一种用户运动数据处理装置、可穿戴设备及存储介质。

Description

用户运动数据处理方法、装置、可穿戴设备及存储介质

技术领域

本公开涉及一种用户运动数据处理方法、装置、可穿戴设备及存储介质。

背景技术

在用户运动的过程中，用于识别用户运动状态的现有电子设备等存在不能很好地识别用户运动状态等问题，并且在用户的运动过程中，通常是需要通过用于来选择所进行的运动状态，这样存在识别准确度较差且用户体验较差等各种问题。

发明内容

为了解决上述技术问题中的至少一个，本公开提供了一种用户运动数据处理方法、装置、可穿戴设备及存储介质。

根据本公开的一个方面，一种用户运动数据处理方法，包括：得到与用户的运动相关的运动数据；将运动数据输入至预定识别模型中，以得到用户的运动的识别结果；以及根据识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。

根据本公开的一个实施方式，自动进行与所确定的运动类型对应的运动状态处理包括：自动显示与所确定的运行类型相关的运动显示界面以实时显示运动数据，以及进行与所确定的运行类型相关的运动状态记录。

根据本公开的一个实施方式，预定识别模型为训练后的神经网络模型，并且训练后的神经网络模型中的卷积层的参数与每种运动类型具有对应关系。

根据本公开的一个实施方式，将运动数据输入至预定识别模型中，以得到用户的运动的识别结果时，包括：预定识别模型输出与运动数据相对应的概率矩阵，其中概率矩阵中的每一个概率值均对应于一种运动类型；以及选择概率矩阵中的最大概率值所对应的运动类型来作为与运动数据对应的运动类型。

根据本公开的一个实施方式，根据卷积层的参数的权重来计算概率矩阵中各概率值。

根据本公开的一个实施方式，在将运动数据输入至预定识别模型之前，还包括：对运动数据进行处理，以提取运动数据的特征数据，并且在将运动数据输入至预定识别模型中，以得到用户的运动的识别结果时，通过将特征数据输入至预定识别模型来得到用户的运动的识别结果。

根据本公开的一个实施方式，在将运动数据输入至预定识别模型中之前，还包括：对神经网络模型进行训练，

通过已知运动类型的用于训练的运动数据，对神经网络模型进行训练，以通过用于训练的运动数据来建立运动类型与神经网络模型中的卷积层的参数之间的对应关系。

根据本公开的另一方面，一种用户运动数据处理装置，包括：获取模块，得到与用户的运动相关的运动数据；识别模块，将运动数据输入至预定识别模型中，以得到用户的运动的识别结果；以及处理模块，根据识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。

根据本公开的又一方面，一种可穿戴设备，包括：存储器，存储器存储计算机执行指令；以及处理器，处理器执行存储器存储的计算机执行指令，使得处理器执行上述的方法。

根据本公开的再一方面，一种可读存储介质，可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述的方法。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是根据本公开一个实施方式的用户运动数据处理方法的示意性流程图。

图2是根据本公开一个实施方式的实时运动数据显示的示意图。

图3是根据本公开一个实施方式的用户运动数据处理方法中所使用的预定识别模型的训练方法的示意性流程图。

图4是根据本公开一个实施方式的用户运动数据处理装置的示意性流程图。

图5是根据本公开一个实施方式的用户运动数据训练装置的识别模块中的模型的训练装置的示意性框图。

图6是根据本公开一个实施方式的可穿戴设备的示意性视图。

具体实施方式

下面结合附图和实施方式对本公开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方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。

根据本公开的一个实施方式，提供了一种用户运动数据处理方法10。如图1所示，该方法10包括以下步骤：S11、得到与用户的运动相关的运动数据；S12、得到用户的运动的识别结果；以及S13、自动进行与所确定的运动类型对应的运动状态处理。

在步骤S11中，可以通过传感器来获取用户运动过程中的运动数据，例如，可以通过加速度传感器、温度传感器、陀螺仪、及心率传感器等传感器中的一种或多种来获取运动数据。并且这些传感器可以是设置在诸如可穿戴设备或移动终端等的电子设备中的传感器。传感器可以实时采集并输出用户的运动数据，并且可以实时采集并且根据预设的时间间隔来输出所采集的运动数据，例如当用户长时间处于一种运动状态时，例如游泳的过程中，用户可以自定义时间间隔来选择预定时间间隔来输出一次用户的运动数据。

在步骤S12中，将步骤S11得到的运动数据输入至预定识别模型中，以得到用户的运动的识别结果。其中该预定识别模型可以为训练后的神经网络模型。根据本公开的一个可选实施方式，可以通过该神经网络模型的卷积层的参数不同，例如卷积层的滤波器参数的不同来识别用户的运动状态。卷积层中存在若干滤波器，滤波器的参数的不同，每一卷积层可以过滤出不同的特征，在识别用户运动状态时通过对比不同的特征一层层传递下去，根据神经网络模型输出的结果确定用户运动数据对应的用户运动状态。根据本公开，滤波器的参数为隐含层的权重矩阵，滤波器参数的权重不同，因此根据不同滤波器的参数所对应的权重来计算概率的大小。如果将用户的运动状态分为n种(n＞1)的情况，例如分为游泳、室外跑步、室外步行、上楼、其他类型等等，在对输入的用户的运动数据进行识别时，神经网络可以输出1×n的概率矩阵，并且所有类型的概率之和可以为1。具体地，用户的运动数据被输入至神经网络模型中后，根据神经网络模型中的每种运动类型对应的滤波器参数，来对运动数据进行一层层地处理，这样将会得到运动数据与属于每种运动类型的n种概率，从这些概率中选择概率值最大的运动类型来作为与用户的运动数据对应的运动类型。

在步骤S13中，根据识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。

在将用户的运动数据输入至训练后的神经网络后，得到该运动数据对应的运动类型的概率，并且从中选择概率值最大的运动类型作为与本次运动数据对应的运动类型，当确定完运动类型后，并且运动类型在预定时间中没有改变，该预定时间可以根据实际情况来进行选择，例如3分钟、5分钟、10分钟等等，则认为用户持续地处于某一运动状态。当确定了用户持续地处于某一运动状态之后，则可穿戴设备或移动终端等的电子设备进行与该确定的运动状态相关的运动状态处理。例如自动显示与所确定的运行类型相关的运动显示界面以实时显示运动数据，以及进行与所确定的运行类型相关的运动状态记录。其中该运动显示界面可以显示用户的运动时间及运动量等实时的运动数据，并且在用户运动接收后，可以自动结束并且生成运动数据，且在结束后可以向用户呈现详细的运动数据信息。

图2示出了根据本公开实施方式的实时运动数据显示的示意图。在图2中以“室外跑步”与“室外步行”为例。当用户在进行室外跑步的过程中，采集用户的实时运动数据，将运动数据输入到训练后的神经网络后，持续预定时间后，可以确定出用户所处的运动状态为“室外跑步”，此时，将自动显示图2左图所示的内容，其中可以显示出运动类型及具体实时运动数据等。这里不需要用户在运动之前来选择运动类型，这样用户无需操作电子设备。而用户从“室外跑步”状态变化为“室外步行”状态时，采用相同的确定方式，经过预定时间后，将确定出用户的目前状态为“室外步行”时，则电子设备将从图2左图的显示自动切换为图2右图的显示，这样当用户处于“室外步行”状态时，电子设备可以显示室外步行的相关信息。在此过程中，用户也无需操作电子设备，而是自动完成显示切换。

通过对运动类型识别来自动显示记录相关信息，这样在运动过程中，用户无需手动操作电子设备，就可以准确且详细的记录每天的运动，这样可以使得用户更加专注主动地进行运动。

在本公开的一个可选实施方式中，在将用户的运动数据输入至神经网络模型之前，可以对该运动数据进行处理，例如可以通过求均值、求方差或求频谱能量等合适的方式来对运动数据进行标准化处理并且提取出该运动数据中的特征数据。

根据本公开的另一实施方式，提供了一种训练上述方法10中所使用的预定识别模型的方法20。如图3所示，该方法20可以包括：S21、准备训练数据与测试数据；S22、提取训练数据与测试数据的特征数据；S23、通过训练数据对神经网络模型进行训练；S24、通过测试数据对训练后的神经网络模型进行评价。

在步骤S21中，获取已知运动类型的运动数据，并且将这些运动数据分成训练数据与测试数据，这些数据可以根据用户佩戴的诸如可穿戴设备的电子设备得到，并且标注这些运动数据的运动类型。将标注后的数据分成训练集与测试集，训练集中的数据用于训练神经网络而测试集中的数据则用于对训练结果进行评价。其中在运动类型的选择过程中，可以选择电子设备可以识别的所有运动类型。

在步骤S22中，对训练数据与测试数据进行标准化处理，其中该标准化处理可以与方法10中的对用户的运动数据处理采用相同的方式。例如可以通过求均值、求方差或求频谱能量等合适的方式来对运动数据进行标准化处理并且提取出该运动数据中的特征数据，并且这些特征数据可以反映用户的运动类型。

在步骤S23中，将标准化处理后的训练数据输入至神经网络中，以便对神经网络进行训练。例如，首先将n种运动类型中的一种运动类型的运动数据进行输入，之后再依次输入其他种运动类型的运动数据，这样可以得到训练后的神经网络与各种运动类型之间的映射关系。具体地，把室外跑步的运动数据输入至神经网络的输入层中，并且神经网络的卷积层可以对来自输入层的数据进行处理，以训练卷积层中的滤波器的参数，经过多层卷积层的训练后，将得到多个卷积层的滤波器的参数与被训练的室外跑步运动类型之间的映射关系。对室外跑步的运动数据训练完成后，则进一步训练其他类型的运动数据。由于各种运动类型的运动数据之间存在差异，因此得到的卷积层滤波器的参数有所不同。最终将根据训练数据得到各种类型的参数。

在步骤S24中，通过测试数据对训练后的神经网络模型进行评价。在步骤S23的神经网络的训练完成后，可以通过得到的训练数据对训练后的神经网络进行评价。将已知运动类型的测试集中的测试数据输入至训练后的神经网络的输入层，输入层输出的数据作为卷积层的输入，并且因为多个卷积层的参数不同，因此对于每组训练数据进行处理后，均会得到该组训练数据的概率矩阵，并且从概率矩阵中挑选出最大概率值，将最大概率值对应的运动类型作为神经网络的输出。并且根据该输出的运动类型与标记的运动类型进行对比，判断是否一致，从而判断神经网络模型的预测准确度。

根据本公开的再一实施方式，提供了一种用户运动数据处理装置。如图4所示，该用户运动数据处理装置30可以包括获取模块31、识别模块32及处理模块33。

在获取模块31中，可以通过传感器来获取用户运动过程中的运动数据，例如，可以通过加速度传感器、温度传感器、陀螺仪、及心率传感器等传感器中的一种或多种来获取运动数据。并且这些传感器可以是设置在诸如可穿戴设备或移动终端等的电子设备中的传感器。传感器可以实时采集并输出用户的运动数据，并且可以实时采集并且根据预设的时间间隔来输出所采集的运动数据，例如当用户长时间处于一种运动状态时，例如游泳的过程中，用户可以自定义时间间隔来选择预定时间间隔来输出一次用户的运动数据。

在识别模块32中包括预定识别模型，获取模块31得到的运动数据输入至预定识别模型中，以得到用户的运动的识别结果。其中该预定识别模型可以为训练后的神经网络模型。根据本公开的一个可选实施方式，可以通过该神经网络模型的卷积层的参数不同，例如卷积层的滤波器参数的不同来识别用户的运动状态。卷积层中存在若干滤波器，滤波器的参数的不同，每一卷积层可以过滤出不同的特征，在识别用户运动状态时通过对比不同的特征一层层传递下去，根据神经网络模型输出的结果确定用户运动数据对应的用户运动状态。根据本公开，滤波器的参数为隐含层的权重矩阵，滤波器参数的权重不同，因此根据不同滤波器的参数所对应的权重来计算概率的大小。如果将用户的运动状态分为n种(n＞1)的情况，例如分为游泳、室外跑步、室外步行、上楼、其他类型等等，在对输入的用户的运动数据进行识别时，神经网络可以输出1×n的概率矩阵，并且所有类型的概率之和可以为1。具体地，用户的运动数据被输入至神经网络模型中后，根据神经网络模型中的每种运动类型对应的滤波器参数，来对运动数据进行一层层地处理，这样将会得到运动数据与属于每种运动类型的n种概率，从这些概率中选择概率值最大的运动类型来作为与用户的运动数据对应的运动类型。

在处理模块33中，根据识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。

在将用户的运动数据输入至训练后的神经网络后，得到该运动数据对应的运动类型的概率，并且从中选择概率值最大的运动类型作为与本次运动数据对应的运动类型，当确定完运动类型后，并且运动类型在预定时间中没有改变，该预定时间可以根据实际情况来进行选择，例如3分钟、5分钟、10分钟等等，则认为用户持续地处于某一运动状态。当确定了用户持续地处于某一运动状态之后，则可穿戴设备或移动终端等的电子设备进行与该确定的运动状态相关的运动状态处理。例如自动显示与所确定的运行类型相关的运动显示界面以实时显示运动数据，以及进行与所确定的运行类型相关的运动状态记录。其中该运动显示界面可以显示用户的运动时间及运动量等实时的运动数据，并且在用户运动接收后，可以自动结束并且生成运动数据，且在结束后可以向用户呈现详细的运动数据信息。

通过对运动类型识别来自动显示记录相关信息，这样在运动过程中，用户无需手动点击电子设备，就可以准确且详细的记录每天的运动，这样可以使得用户更加专注主动地进行运动。

在本公开的一个可选实施方式中，在将用户的运动数据输入至神经网络模型之前，可以对该运动数据进行处理，例如可以通过求均值、求方差或求频谱能量等合适的方式来对运动数据进行标准化处理并且提取出该运动数据中的特征数据。

根据本公开的又一实施方式，还提供了一种用户运动数据训练装置的识别模块中的模型的训练装置40。如图5所示，该装置40可以包括划分模块41、提取模块42、训练模块43及评价模块44。

在划分模块41中，获取已知运动类型的运动数据，并且将这些运动数据分成训练数据与测试数据，这些数据可以根据用户佩戴的诸如可穿戴设备的电子设备得到，并且标注这些运动数据的运动类型。将标注后的数据分成训练集与测试集，训练集中的数据用于训练神经网络而测试集中的数据则用于对训练结果进行评价。其中在运动类型的选择过程中，可以选择电子设备可以识别的所有运动类型。

在提取模块42中，对训练数据与测试数据进行标准化处理，例如可以通过求均值、求方差或求频谱能量等合适的方式来对运动数据进行标准化处理并且提取出该运动数据中的特征数据。

在训练模块43中，将标准化处理后的训练数据输入至神经网络中，以便对神经网络进行训练。例如，首先将n种运动类型中的一种运动类型的运动数据进行输入，之后再依次输入其他种运动类型的运动数据，这样可以得到训练后的神经网络与各种运动类型之间的映射关系。具体地，把室外跑步的运动数据输入至神经网络的输入层中，并且神经网络的卷积层可以对来自输入层的数据进行处理，以训练卷积层中的滤波器的参数，经过多层卷积层的训练后，将得到多个卷积层的滤波器的参数与被训练的室外跑步运动类型之间的映射关系。对室外跑步的运动数据训练完成后，则进一步训练其他类型的运动数据。由于各种运动类型的运动数据之间存在差异，因此得到的卷积层滤波器的参数有所不同。最终将根据训练数据得到各种类型的参数。

在评价模块44中，通过测试数据对训练后的神经网络模型进行评价。在神经网络的训练完成后，可以通过得到的训练数据对训练后的神经网络进行评价。将已知运动类型的测试集中的测试数据输入至训练后的神经网络的输入层，输入层输出的数据作为卷积层的输入，并且因为多个卷积层的参数不同，因此对于每组训练数据进行处理后，均会得到该组训练数据的概率矩阵，并且从概率矩阵中挑选出最大概率值，将最大概率值对应的运动类型作为神经网络的输出。并且根据该输出的运动类型与标记的运动类型进行对比，判断是否一致，从而判断神经网络模型的预测准确度。

根据本公开的上述实施方式，例如可以在用户运动几分钟后自动识别用户的运动类型，例如自动识别用户的室外步行及室外跑步，并且自动弹出运动中的界面以展示实时运动数据，在运动结束后，自动结束并且自动生成运动记录，立即呈现详细的运动数据。这样用户可以无需手动操作就能记录运动状态。通过本公开，可以更准确地识别出用户的运动类型，并且记录更加准确等。

本公开还提供一种可穿戴设备，如图6所示，该设备包括：通信接口1000、存储器2000和处理器3000。通信接口1000用于与外界设备进行通信，进行数据交互传输。存储器2000内存储有可在处理器3000上运行的计算机程序。处理器3000执行所述计算机程序时实现上述实施方式中方法。所述存储器2000和处理器3000的数量可以为一个或多个。

存储器2000可以包括高速RAM存储器，也可以还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果通信接口1000、存储器2000及处理器3000独立实现，则通信接口1000、存储器2000及处理器3000可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口1000、存储器2000、及处理器3000集成在一块芯片上，则通信接口1000、存储器2000、及处理器3000可以通过内部接口完成相互间的通信。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如，本公开中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其他实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，可以具体实现在任何可读存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。

就本说明书而言，“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在存储器中。

应当理解，本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种可读存储介质中，该程序在执行时，包括方法实施方式的步骤之一或其组合。

此外，在本公开各个实施方式中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施方式/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (10)

1.一种用户运动数据处理方法，其特征在于，包括：

得到与用户的运动相关的运动数据；

将所述运动数据输入至预定识别模型中，以得到用户的运动的识别结果；以及

根据所述识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。

2.如权利要求1所述的方法，其特征在于，自动进行与所确定的运动类型对应的运动状态处理包括：自动显示与所确定的运行类型相关的运动显示界面以实时显示运动数据，以及进行与所确定的运行类型相关的运动状态记录。

3.如权利要求1或2所述的方法，其特征在于，所述预定识别模型为训练后的神经网络模型，并且所述训练后的神经网络模型中的卷积层的参数与每种运动类型具有对应关系。

4.如权利要求3所述的方法，其特征在于，将所述运动数据输入至预定识别模型中，以得到用户的运动的识别结果时，包括：

所述预定识别模型输出与所述运动数据相对应的概率矩阵，其中所述概率矩阵中的每一个概率值均对应于一种运动类型；以及

选择所述概率矩阵中的最大概率值所对应的运动类型来作为与所述运动数据对应的运动类型。

5.如权利要求4所述的方法，其特征在于，根据所述卷积层的参数的权重来计算所述概率矩阵中各概率值。

6.如权利要求1或2所述的方法，其特征在于，在将所述运动数据输入至预定识别模型之前，还包括：对所述运动数据进行处理，以提取所述运动数据的特征数据，

并且在将所述运动数据输入至预定识别模型中，以得到用户的运动的识别结果时，通过将所述特征数据输入至预定识别模型来得到用户的运动的识别结果。

7.如权利要3所述的方法，其特征在于，在将所述运动数据输入至预定识别模型中之前，还包括：对所述神经网络模型进行训练，

通过已知运动类型的用于训练的运动数据，对所述神经网络模型进行训练，以通过用于训练的运动数据来建立运动类型与所述神经网络模型中的卷积层的参数之间的对应关系。

8.一种用户运动数据处理装置，其特征在于，包括：

获取模块，得到与用户的运动相关的运动数据；

识别模块，将所述运动数据输入至预定识别模型中，以得到用户的运动的识别结果；以及

处理模块，根据所述识别结果，当确定出用户的运动类型且所确定的运动类型的持续时间达到预定时间阈值时，自动进行与所确定的运动类型对应的运动状态处理。

9.一种可穿戴设备，其特征在于，包括：

存储器，所述存储器存储执行指令；以及

处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如权利要求1至7中任一项所述的方法。

10.一种可读存储介质，其特征在于，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。