CN110263871B - 计步作弊检测方法、装置、智能终端和存储介质 - Google Patents

计步作弊检测方法、装置、智能终端和存储介质 Download PDF

Info

Publication number
CN110263871B
CN110263871B CN201910559122.7A CN201910559122A CN110263871B CN 110263871 B CN110263871 B CN 110263871B CN 201910559122 A CN201910559122 A CN 201910559122A CN 110263871 B CN110263871 B CN 110263871B
Authority
CN
China
Prior art keywords
time period
data
step frequency
average
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910559122.7A
Other languages
English (en)
Other versions
CN110263871A (zh
Inventor
李文波
胡茂伟
况海斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yuedongtianxia Technology Co ltd
Original Assignee
Shenzhen Yuedongtianxia Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yuedongtianxia Technology Co ltd filed Critical Shenzhen Yuedongtianxia Technology Co ltd
Priority to CN201910559122.7A priority Critical patent/CN110263871B/zh
Publication of CN110263871A publication Critical patent/CN110263871A/zh
Application granted granted Critical
Publication of CN110263871B publication Critical patent/CN110263871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种计步作弊检测方法、装置、智能终端和存储介质，该方法包括：采集历史计步数据，历史计步数据包括各个运动时间段以及各个运动时间段内的步数；计算各个运动时间段内的平均步频；采用聚类算法，对各个运动时间段、各个运动时间段内的步数，和，各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；若待检测时间段内的平均步频大于平均步频阈值，则确定待检测时间段内的计步数据作为候选数据；根据待检测时间段内的GPS数据确定待检测时间段内的运动路程，若运动路程为零，则确定候选数据为作弊数据。以通过检测计步数据来确定是否真的在引动，提高了以此为考核标准的场景的公平性，提高热爱运动且关注步数的用户的运动积极性。

Description

计步作弊检测方法、装置、智能终端和存储介质
技术领域
本发明涉及机器学习技术领域，具体涉及一种计步作弊检测方法、装置、智能终端和存储介质。
背景技术
随着人们生活水平的提高，越来越多的人关注身体健康，除了合理的饮食之外，还注重锻炼身体。健走和跑步是当前较为流行的健身方式，用户可以通过手机上的应用程序、手环或者其他智能穿戴设备进行计步，并且可以基于计步步数获得排名、积分和奖励激励。因此，造成很多投机者使用作弊装置来模拟手臂或者脚的摆动进行作弊，例如，将手机绑在以固定频率摆动的物理设备上，模拟人走路时的摆动状态，从而导致手机等计步设备的步数增加。
这样在全民健身的大环境下，计步作弊会导致这种考核失去价值；此外，大量手机应用程序为了鼓励用户锻炼，会设立计步排行榜，作弊用户一直霸占排行榜第一名，会引起日常运动用户的不满，甚至会导致部分用户丧失运动的积极性。另外，相关技术中通常采用心率传感器辅助判断计步作弊行为，这样就需要额外配置心率传感器，成本高，通用性差，而且，心率传感器的准确性较低。
发明内容
有鉴于此，提供一种计步作弊检测方法、装置、智能终端和存储介质，以解决现有技术中判断计步作弊的准确性较低以及计步作弊导致的有失公平或者用户运动积极性低的问题。
本发明采用如下技术方案：
第一方面，本申请实施例提供了一种计步作弊检测方法，该方法包括：
采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；
计算各个运动时间段内的平均步频；
采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；
若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据；
根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据。
进一步的，采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值，包括：
采用聚类算法，将所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频聚成两类，并分别进行标记；
将所述各个运动时间段内的平均步频作为特征，所述标记结果作为目标值，进行二分类，以获取平均步频阈值。
进一步的，根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，包括：
将所述待检测时间段内的GPS数据转化为经纬度数据；
根据所述经纬度数据计算所述待检测时间段内的运动路程。
进一步的，计算各个运动时间段内的平均步频，包括：
应用所述各个运动时间段内的步数除以对应的运动时间段以获取预设时间段内的平均步频。
进一步的，所述聚类算法包括K-Means聚类、均值漂移聚类、基于密度的聚类方法、层次聚类、高斯混合聚类等算法中的任一种或多种。
第二方面，本申请实施例提供了一种计步作弊检测装置，该装置包括：
数据采集模块，用于采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；
平均步频计算模块，用于计算各个运动时间段内的平均步频；
阈值获取模块，用于采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；
候选数据确定模块，用于在待检测时间段内的平均步频大于平均步频阈值时，确定所述待检测时间段内的计步数据作为候选数据；
作弊数据确定模块，用于根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据。
进一步的，所述阈值获取模块具体用于：
采用聚类算法，将所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频聚成两类，并分别进行标记；
将所述各个运动时间段内的平均步频作为特征，所述标记结果作为目标值，进行二分类，以获取平均步频阈值。
进一步的，所述候选数据确定模块用于：
将所述待检测时间段内的GPS数据转化为经纬度数据；
根据所述经纬度数据计算所述待检测时间段内的运动路程。
进一步的，平均步频确定模块具体用于：
应用所述各个运动时间段内的步数除以对应的运动时间段，以获取预设时间段内的平均步频。
进一步的，所述聚类算法包括K-Means聚类、均值漂移聚类、基于密度的聚类方法、层次聚类、高斯混合聚类等算法中的任一种或多种。
第三方面，本申请实施例提供了一种智能终端，该智能终端包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的计步作弊检测方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的计步作弊检测方法中各个步骤。
本申请实施例采用了如下技术方案：采集历史计步数据；计算各个运动时间段内的平均步频；采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值，这样，综合考虑了历史数据，计算获得的平均步频阈值就更准确；若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据；根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据，在确定候选数据后，还进一步考虑了GPS数据，进一步提高了计步作弊数据检测的准确性。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种计步作弊检测方法的流程图；
图2是本发明实施例提供的一种计步作弊检测装置的结构示意图；
图3是本发明实施例提供的一种智能终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
首先对本申请实施例的应用场景进行说明，智能终端以智能手机为例，手机计步作弊通常分为模拟硬件计步和修改软件计步，本申请实施例主要是针对硬件模拟计步的作弊进行检测，例如，将手机绑在以固定频率摆动的物理设备上来模拟人走路时手臂或者脚的摆动状态，从而导致手机的步数增加的情况。
实施例
图1为本发明实施例提供的一种计步作弊检测方法的流程图，该方法可以由本发明实施例提供的计步作弊检测装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：
S101、采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数。
具体的，采集不同用户各个运行时间段的步数，并对各个时间段进行记录。在实际的应用过程中，可以是运动过程中实时将计步数据进行上报至计步软件的服务器等。运动形式以健走为例，则运动时间段也可以称为健走时段，表1示出了不同用户的历史计步数据。
表1 不同用户历史的计步数据
用户 健走时段 步数
User1 ΔT1 X1
User1 ΔT2 X2
User2 ΔT3 X3
User2 ΔT4 X4
S102、计算各个运动时间段内的平均步频。
可选的，每隔一段时间计算该段时间的平均步频，将每段时间成为运动时间段，其中，步频是指，脚步的频率，也即，走路或跑步时两腿在单位时间内交替的次数。在获取到各个运动时间段以及所述各个运动时间段内的步数后，应用所述各个运动时间段内的步数除以对应的运动时间段，以获取预设时间段内的平均步频。如上述例子，平均步频分别为Y1＝X1/ΔT1；Y2＝X2/ΔT2；Y3＝X3/ΔT3；Y4＝X4/ΔT4。在一个具体的例子中，运动时间段可以是1小时，2小时。此外，还可以按照步数差达到某个固定值来确定运动时间段。
S103、采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值。
具体的，平均步频阈值为平均步频的临界点，也即，用户作弊与非作弊的平均步频的临界阈值。聚类分析又称群分析，它是研究样品或指标分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。在本申请实施例中，应用聚类算法，将各个运动时间段、对应时间段内的步数，以及，对应的平均步频进行聚类，这样，通过聚类结果，则可以得到平均步频阈值。
示例性的，采用聚类算法，将所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频聚成两类，并分别进行标记，例如，分别标记为0和1作为聚类结果，0表示为走路情况下的数据，1表示为跑步情况下的数据；将所述各个运动时间段内的平均步频作为特征，所述标记结果作为目标值，进行二分类，这样就可以将特征和目标值分为两类，分界的平均步频即为平均步频阈值。基于历史数据采用聚类算法确定平均步频阈值，使得作弊候选用户更准确，更全面。
可选的，所述聚类算法包括K-Means聚类、均值漂移聚类、基于密度的聚类方法、层次聚类、高斯混合聚类等算法中的任一种或多种。在本申请实施例中，可以应用现有技术中的任意的一种或多种聚类算法和二分类算法，凡是能解决本申请中的聚类问题均可实现本申请的技术方案，这里不进行限定。
S104、若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据。
具体的，在实际应用过程中，在判断用户实时计步数据是否为作弊数据时，先采集待检测时间段内的总步数，将总步数除以待检测时间段，来获取待检测时间段内的平均步频。此时，将待检测时间段内的平均步频与平均步频阈值的大小，当待检测时间段内的平均步频大于平均步频阈值时，确定待检测时间段内的计步数据为候选数据，也可以称为疑似作弊数据，此时还需要进一步的手段去核实或确认候选数据是否为作弊数据。
S105、根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据。
具体的，智能终端中的GPS(Global Positioning System，全球定位系统)传感器每隔一定的时间就会采集GPS数据，当判断计步数据为疑似作弊数据时，采集对应的时间段内的GPS数据，将GPS数据转化成经纬度数据；根据所述经纬度数据计算所述待检测时间段内的运动路程。若运动路程为零，则确定疑似作弊数据为作弊数据，这样应用GPS数据确认是否有移动，做了二次验证，进一步确定是否作弊，提高了精确度。此外，使用智能终端自带的GPS传感器进行确认，不需要置入额外的传感器，方便实施，准确度更高。
在一个具体的例子中，利用GPS数据计算距离的过程如下：设第一点A的经纬度为(LonA，LatA)，第二点B的经纬度为(LonB，LatB)，地球平均半径记为R，R＝6371.004km，则A、B两点之间的距离Dis＝R*Arccos(C)*Pi/180；C＝cos(LatA)*cos(LatB)*cos(LonA-LonB)+sin(LatA)*sin(LatB)，LonA和LonB分别是A和B两点按照0度经线的基准进行取值，也即东经取经度的正值，西经取经度负值得到。
本申请实施例采用了如下技术方案：采集历史计步数据；计算各个运动时间段内的平均步频；采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值，这样，综合考虑了历史数据，计算获得的平均步频阈值就更准确；若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据；根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据，在确定候选数据后，还进一步考虑了GPS数据，进一步提高了计步作弊数据检测的准确性。
另外，作为本申请实施例的一个可替代方案，上述聚类算法可以用分类算法来代替，例如可以是logistic回归算法、决策树算法、随机森林算法、支持向量机算法等。
具体的，针对不同用户使用作弊器产生一批作弊数据和正常健走数据，然后根据采集到的历史计步数据进行标记，将作弊记为1，非作弊记为0，其中，历史计步数据包括健走时间段、总步数和该段时间内的平均步频，在一个具体的例子中，平均步频还可以是用总步数除以对应的健走时间段获取。最后可以采用决策树分类算法，将用户历史计步数据中的平均步频作为特征，是否作弊作为目标值进行二分类，获取平均步频的分界点，即用户作弊与非作弊平均步频的临界阈值，也即，平均步频阈值。表2示出了一种标记后的不同用户的历史计步数据。
表2 标记后的不用用户的历史计步数据
用户 健走时段 步数 平均步频 是否作弊
User1 ΔT1 X1 Y1 1
User1 ΔT2 X2 Y2 0
User2 ΔT3 X3 Y3 1
User2 ΔT4 X4 Y4 0
图2是本发明是实施例提供的一种计步作弊检测装置的结构示意图，该装置适用于执行本发明实施例提供给的一种计步作弊检测方法。如图2所示，该装置具体可以包括：数据采集模块201、平均步频计算模块202、阈值获取模块203、候选数据确定模块204和作弊数据确定模块205。
其中，数据采集模块201，用于采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；平均步频计算模块202，用于计算各个运动时间段内的平均步频；阈值获取模块203，用于采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；候选数据确定模块204，用于在待检测时间段内的平均步频大于平均步频阈值时，确定所述待检测时间段内的计步数据作为候选数据；作弊数据确定模块205，用于根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据。
进一步的，阈值获取模块203具体用于：
采用聚类算法，将所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频聚成两类，并分别进行标记；
将所述各个运动时间段内的平均步频作为特征，所述标记结果作为目标值，进行二分类，以获取平均步频阈值。
进一步的，候选数据确定模块204具体用于：
将所述待检测时间段内的GPS数据转化为经纬度数据；
根据所述经纬度数据计算所述待检测时间段内的运动路程。
进一步的，平均步频计算模块202具体用于：
应用所述各个运动时间段内的步数除以对应的运动时间段，以获取预设时间段内的平均步频。
进一步的，所述聚类算法包括K-Means聚类、均值漂移聚类、基于密度的聚类方法、层次聚类、高斯混合聚类等算法中的任一种或多种。
本发明实施例提供的计步作弊检测装置可执行本发明任意实施例提供的计步作弊检测方法，具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种智能终端，请参阅图3，图3为一种智能终端的结构示意图，如图3所示，该智能终端包括：处理器310，以及与处理器310相连接的存储器320；存储器320用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中的计步作弊检测方法；处理器310用于调用并执行所述存储器中的所述计算机程序，上述计步作弊检测至少包括：采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；计算各个运动时间段内的平均步频；采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据；根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据。
本发明实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明实施例中的计步作弊检测方法中各个步骤：采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；计算各个运动时间段内的平均步频；采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据；根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
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，并且本发明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，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固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或固件来实现。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例方法携带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计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例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，也可以存储在一个计算机可读取存储介质中。
上述提到的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“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种计步作弊检测方法，其特征在于，包括：
采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；
计算各个运动时间段内的平均步频；
采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；
若待检测时间段内的平均步频大于平均步频阈值，则确定所述待检测时间段内的计步数据作为候选数据；
根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据；
其中，采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值，包括：
采用聚类算法，将所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频聚成两类，并分别进行标记；
将所述各个运动时间段内的平均步频作为特征，所述标记结果作为目标值，进行二分类，将特征和目标值分为两类，将分界的平均步频作为平均步频阈值。
2.根据权利要求1所述的方法，其特征在于，根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，包括：
将所述待检测时间段内的GPS数据转化为经纬度数据；
根据所述经纬度数据计算所述待检测时间段内的运动路程。
3.根据权利要求1所述的方法，其特征在于，计算各个运动时间段内的平均步频，包括：
应用所述各个运动时间段内的步数除以对应的运动时间段，以获取预设时间段内的平均步频。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述聚类算法包括K-Means聚类、均值漂移聚类、基于密度的聚类方法、层次聚类、高斯混合聚类等算法中的任一种或多种。
5.一种计步作弊检测装置，其特征在于，包括：
数据采集模块，用于采集历史计步数据，其中，所述历史计步数据包括各个运动时间段以及所述各个运动时间段内的步数；
平均步频计算模块，用于计算各个运动时间段内的平均步频；
阈值获取模块，用于采用聚类算法，对所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频进行聚类，以获取平均步频阈值；
候选数据确定模块，用于在待检测时间段内的平均步频大于平均步频阈值时，确定所述待检测时间段内的计步数据作为候选数据；
作弊数据确定模块，用于根据所述待检测时间段内的GPS数据确定所述待检测时间段内的运动路程，若所述运动路程为零，则确定所述候选数据为作弊数据；
所述阈值获取模块具体用于：
采用聚类算法，将所述各个运动时间段、所述各个运动时间段内的步数，和，所述各个运动时间段内的平均步频聚成两类，并分别进行标记；
将所述各个运动时间段内的平均步频作为特征，所述标记结果作为目标值，进行二分类，将特征和目标值分为两类，将分界的平均步频作为平均步频阈值。
6.根据权利要求5所述的装置，其特征在于，所述候选数据确定模块，用于：
将所述待检测时间段内的GPS数据转化为经纬度数据；
根据所述经纬度数据计算所述待检测时间段内的运动路程。
7.一种智能终端，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-4任一项所述的计步作弊检测方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-4任一项所述的计步作弊检测方法中各个步骤。
CN201910559122.7A 2019-06-26 2019-06-26 计步作弊检测方法、装置、智能终端和存储介质 Active CN110263871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910559122.7A CN110263871B (zh) 2019-06-26 2019-06-26 计步作弊检测方法、装置、智能终端和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910559122.7A CN110263871B (zh) 2019-06-26 2019-06-26 计步作弊检测方法、装置、智能终端和存储介质

Publications (2)

Publication Number Publication Date
CN110263871A CN110263871A (zh) 2019-09-20
CN110263871B true CN110263871B (zh) 2023-04-18

Family

ID=67921650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910559122.7A Active CN110263871B (zh) 2019-06-26 2019-06-26 计步作弊检测方法、装置、智能终端和存储介质

Country Status (1)

Country Link
CN (1) CN110263871B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6982152B2 (ja) * 2020-05-28 2021-12-17 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America 制御方法、プログラム及び不正データ検知システム
EP4160981A4 (en) * 2020-05-28 2023-11-01 Panasonic Intellectual Property Corporation of America CONTROL METHOD, PROGRAM AND FRAUDULENT DATA COLLECTION SYSTEM
CN113128131A (zh) * 2021-05-17 2021-07-16 中国银行股份有限公司 计步作弊检测方法及装置
CN113835779A (zh) * 2021-09-16 2021-12-24 平安养老保险股份有限公司 运动步数处理方法、装置、计算机设备和存储介质
CN115300891B (zh) * 2022-08-29 2023-10-31 浪潮软件科技有限公司 一种防作弊健步走距离计算方法及工具

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013097617A (ja) * 2011-11-01 2013-05-20 Advanced Telecommunication Research Institute International 異常頻度推定装置、異常頻度推定プログラム、異常頻度推定方法および異常頻度推定システム
CN105043410A (zh) * 2015-06-30 2015-11-11 深圳市元征科技股份有限公司 一种计步器
CN105651302A (zh) * 2016-01-15 2016-06-08 广东欧珀移动通信有限公司 提高计步精度的方法、装置及移动终端
CN105953814A (zh) * 2016-06-21 2016-09-21 广东欧珀移动通信有限公司 一种计步方法、计步装置及移动终端
CN106231112A (zh) * 2016-08-22 2016-12-14 得豆科技（北京）有限公司 用于移动终端的行走保护方法
CN106441349A (zh) * 2016-09-13 2017-02-22 广东欧珀移动通信有限公司 基于计步器消息的伪造消息判定方法及装置
CN106525068A (zh) * 2016-11-08 2017-03-22 深圳市金立通信设备有限公司 一种计步方法及终端
CN106595696A (zh) * 2016-12-08 2017-04-26 杭州育动科技有限公司 一种防作弊计步装置及其计步方法
CN106895849A (zh) * 2017-02-23 2017-06-27 上海与德信息技术有限公司 一种计步器的精准计数方法及装置
CN106913325A (zh) * 2017-02-17 2017-07-04 北京小米移动软件有限公司 计步方法及装置
CN107908497A (zh) * 2017-11-28 2018-04-13 广东乐心医疗电子股份有限公司 步频计算方法、装置及可穿戴设备
CN108139423A (zh) * 2014-09-18 2018-06-08 椎名博 记录装置、移动终端、分析装置、程序以及存储介质
CN108332770A (zh) * 2017-12-29 2018-07-27 青岛真时科技有限公司 一种防计步作弊的方法、装置和系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013097617A (ja) * 2011-11-01 2013-05-20 Advanced Telecommunication Research Institute International 異常頻度推定装置、異常頻度推定プログラム、異常頻度推定方法および異常頻度推定システム
CN108139423A (zh) * 2014-09-18 2018-06-08 椎名博 记录装置、移动终端、分析装置、程序以及存储介质
CN105043410A (zh) * 2015-06-30 2015-11-11 深圳市元征科技股份有限公司 一种计步器
CN105651302A (zh) * 2016-01-15 2016-06-08 广东欧珀移动通信有限公司 提高计步精度的方法、装置及移动终端
CN105953814A (zh) * 2016-06-21 2016-09-21 广东欧珀移动通信有限公司 一种计步方法、计步装置及移动终端
CN106231112A (zh) * 2016-08-22 2016-12-14 得豆科技（北京）有限公司 用于移动终端的行走保护方法
CN106441349A (zh) * 2016-09-13 2017-02-22 广东欧珀移动通信有限公司 基于计步器消息的伪造消息判定方法及装置
CN106525068A (zh) * 2016-11-08 2017-03-22 深圳市金立通信设备有限公司 一种计步方法及终端
CN106595696A (zh) * 2016-12-08 2017-04-26 杭州育动科技有限公司 一种防作弊计步装置及其计步方法
CN106913325A (zh) * 2017-02-17 2017-07-04 北京小米移动软件有限公司 计步方法及装置
CN106895849A (zh) * 2017-02-23 2017-06-27 上海与德信息技术有限公司 一种计步器的精准计数方法及装置
CN107908497A (zh) * 2017-11-28 2018-04-13 广东乐心医疗电子股份有限公司 步频计算方法、装置及可穿戴设备
CN108332770A (zh) * 2017-12-29 2018-07-27 青岛真时科技有限公司 一种防计步作弊的方法、装置和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
An effective algorithm to detect abnormal step counting based on One-Class SVMStepping Modes;Yao Zhen-Jie等;《2014 IEEE 17th International Conference on Computational Science and Engineering》;20141231;第964-969页 *
Self-adaptive Step Counting on Smartphones under Unrestricted Stepping Modes;Zihao Tang等;《2016 IEEE 40th Annual Computer Software and Applications Conference》;20161231;第788-797页 *
可穿戴及便携式设备在健康医疗领域的应用分析;寿文卉等;《互联网天地》;20180831(第8期);第26-32页 *
基于Android手机的健康运动系统设计与实现;杨丽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215(第02期);第I138-945页 *
基于MEMS加速度传感器的步数检测算法研究综述;谢光强;《计算机应用研究》;20181231;第35卷(第12期);第3526-3532页 *
基于步态识别的步长估算研究与应用;谭亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180715(第07期);第I140-164页 *

Also Published As

Publication number Publication date
CN110263871A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110263871B (zh) 计步作弊检测方法、装置、智能终端和存储介质
Brodie et al. Big data vs accurate data in health research: large-scale physical activity monitoring, smartphones, wearable devices and risk of unconscious bias
Pedišić et al. Accelerometer-based measures in physical activity surveillance: current practices and issues
Rachuri et al. Sociablesense: exploring the trade-offs of adaptive sampling and computation offloading for social sensing
JP5953673B2 (ja) 行動識別装置、行動識別方法、及びプログラム
CN108733715B (zh) 建筑物出入口位置的确定方法及装置
CN103457989B (zh) 信息处理设备、信息处理方法及计算机可读介质
US20100324813A1 (en) Accuracy assessment for location estimation systems
CN110210508A (zh) 模型生成方法、异常流量检测方法、装置、电子设备、计算机可读存储介质
CN109104688A (zh) 使用聚集技术生成无线网络接入点模型
CN109959379A (zh) 定位方法及电子设备
CN106139536A (zh) 一种提醒方法和装置
CN111208508A (zh) 运动量测量方法、装置及电子设备
CN107680682A (zh) 基于微信平台的慢性非传染性疾病队列研究人群随访方法
CN114091960A (zh) 业务智能派单匹配方法、装置、服务器及存储介质
CN111479321A (zh) 一种网格构建方法、装置、电子设备和存储介质
JP5508941B2 (ja) 滞在目的推定装置、方法及びプログラム
Kim et al. Activity recognition for a smartphone and web based travel survey
CN110895543B (zh) 人口迁徙跟踪展示方法、装置及存储介质
CN110348717A (zh) 基于栅格粒度的基站价值评分方法和装置
CN110490266B (zh) 一种传感器数据上传、传感器故障检测方法及装置
CN107071802B (zh) 一种手机app定位异常数据检测方法及其装置
US20200185110A1 (en) Computer-implemented method and an apparatus for use in detecting malingering by a first subject in one or more physical and/or mental function tests
Zhou et al. Population analysis of mortality risk: Predictive models from passive monitors using motion sensors for 100,000 UK Biobank participants
CN112286758A (zh) 信息处理方法、装置、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant