CN112651414B - 运动数据处理和模型训练方法、装置、设备及存储介质 - Google Patents
运动数据处理和模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112651414B CN112651414B CN201910961359.8A CN201910961359A CN112651414B CN 112651414 B CN112651414 B CN 112651414B CN 201910961359 A CN201910961359 A CN 201910961359A CN 112651414 B CN112651414 B CN 112651414B
- Authority
- CN
- China
- Prior art keywords
- data
- motion
- time period
- motion state
- target time
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种运动数据处理和模型训练方法、装置、设备及存储介质,涉及通信技术领域,以提高记录的运动数据的准确性。该方法包括:在第一目标时间段内,分别获取GPS传感器的第一数据、TAA的第二数据以及SAG的第三数据;对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;在所述预测估计值满足预设条件的情况下,暂停更新运动数据;其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的。本发明实施例可提高记录的运动数据的准确性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种运动数据处理和模型训练方法、装置、设备及存储介质。
背景技术
随着移动互联网技术的成熟并大规模运用,出现了各种记录运动轨迹的应用程序。当用户在室外跑步运动、骑车,并使用应用程序记录运动轨迹时,经常会出现不得不停止运动或者主动休息的情况。在这种情况下,应用程序仍会记录用户的运动轨迹。由于这时候用户已经暂停状态,那么,按照现有方式,将会造成记录的运动数据不准确的问题。
发明内容
本发明实施例提供一种运动数据处理和模型训练方法、装置、设备及存储介质,以提高记录的运动数据的准确性。
第一方面,本发明实施例提供了一种运动数据处理方法,包括:
在第一目标时间段内,分别获取GPS(Global Positioning System,全球定位系统)传感器的第一数据、TAA(Three-Axis Accelerometer,三轴加速度计)的第二数据以及SAG(Six-Axis Gyroscope,六轴陀螺仪)的第三数据;
对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;
将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;
在所述预测估计值满足预设条件的情况下,暂停更新运动数据;
其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的。
第二方面,本发明实施例还提供一种运动数据处理装置,包括:
第一获取模块,用于在第一目标时间段内,分别获取GPS传感器的第一数据、TAA的第二数据以及SAG的第三数据;
第二获取模块,用于对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;
预测模块,用于将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;
第一处理模块,用于在所述预测估计值满足预设条件的情况下,暂停更新运动数据;
其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的。
第三方面,本发明实施例还提供一种模型训练方法,包括:
在第三目标时间段内,分别获取GPS传感器的第四数据、TAA的第五数据以及SAG的第六数据;
对所述第四数据、所述第五数据和所述第六数据进行预处理,得到用于模型训练的特征数据集;
对所述第三目标时间段内的运动状态进行分类并对分类结果进行离散化处理,得到标签数据;
利用所述用于模型训练的特征数据集和所述标签数据进行模型训练,得到机器学习模型。
第四方面,本发明实施例还提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法中的步骤。
第五方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的方法中的步骤。
在本发明实施例中,利用GPS传感器的第一数据、TAA的第二数据以及SAG的第三数据得到特征数据集,并将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值。在所述预测估计值满足预设条件的情况下,暂停更新运动数据。由上可以看出,由于采用了多传感器的数据并进行机器学习,因此,利用本发明实施例的方案,可提高对运动数据暂停更新控制的准确性,进而提高记录的运动数据的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例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性的前提下,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运动数据处理方法的流程图之一;
图2是本发明实施例提供的运动数据处理方法的流程图之二;
图3是本发明实施例提供的模型训练方法的流程图之三;
图4是本发明实施例提供的运动数据处理装置的结构图之一;
图5是本发明实施例提供的模型训练装置的结构图之二;
图6是本发明实施例提供的电子设备的结构图之一;
图7是本发明实施例提供的电子设备的结构图之二。
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作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。
参见图1,图1是本发明实施例提供的运动数据处理方法的流程图,如图1所示,包括以下步骤:
步骤101、在第一目标时间段内,分别获取GPS传感器的第一数据、TAA的第二数据以及SAG的第三数据。
本发明实施例的方法可应用于终端等电子设备。那么,在终端中可设置有GPS传感器、TAA以及SAG,并可分别采集各个传感器的数据。
其中,所述第一目标时间段的时间长度可以任意设置。也就是说,在本发明实施例中,是以某个时间段内获取的传感器的数据为基础进行判断,从而可进一步提高对运动数据处理的准确性。
步骤102、对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集。
其中,所述预处理指的是,从第一数据、第二数据以及第三数据中提取特征数据,并可根据这些特征数据进行运算,将这些特征数据或者运算结果进行拼接形成特征数据集。
具体的,在此步骤中,可提取所述第一数据的第一特征数据子集,提取所述第二数据的第二特征数据子集以及提取所述第三数据的第三特征数据子集。然后,将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接,形成所述特征数据集。
如下表1所示,可从第一数据、第二数据、第三数据提取表中的特征数据。
表1
数据来源 | 特征1 | 特征2 | ... | 特征N |
GPS | 点速度 | 区间速度 | ... | 概略误差 |
TAA | x/y/z | Sum(|x|+|y|+|z|) | ... | 频域特征 |
SAG | Roll/Pitch/Yaw | x1/y1/z1 | ... | 四元组和欧拉角 |
根据第一数据可获得运动学特征数据,根据第二数据和第三数据可对应的时域和频域特征。例如,如表1所示,第一特征数据子集可包括点速度,区间速度,概率误差等等。第二特征数据子集可包括TAA传感器的x/y/z轴的数据,对x/y/z轴的数据进行运算后的结果,频域特征等。第三特征数据子集可包括SAG传感器Roll/Pitch/Yaw轴的数据,SAG传感器x1/y1/z1轴的数据,四元组和欧拉角等等。
在获得了上述特征数据子集后,将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接,形成所述特征数据集。
例如,将在某个时刻获得的GPS的特征数据、TAA的特征数据,以及SAG的特征数据形成一个向量,作为特征数据集。
步骤103、将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值。
其中,所述机器学习模型例如可以是监督学习模型,深度学习模型,逻辑回归模型等等。在本发明实施例中,可预先训练所述机器学习模型。
具体的,在训练机器模型的过程中,首先,在第三目标时间段内,分别获取所述GPS传感器的第四数据、所述TAA的第五数据以及所述SAG的第六数据。所述第三目标时间段可以为任意的时间段,其时间段的长度可以和第一目标时间段的长度一致。
然后,对所述第四数据、所述第五数据和所述第六数据进行预处理,得到第二特征数据集。其中,进行预处理的方式和以上描述的预处理的方式相同。
接着,对所述第三目标时间段内的运动状态进行分类并对分类结果进行离散化处理,得到标签数据。在具体应用中,可将第三目标时间段内的运动状态进行分类,如运动状态,静止状态,并对每个运动状态进行标记。然后,将分类结果进行2类离散化处理,得到标签数据,其中,1代表暂停状态,0表示运动状态。
最后,利用所述第二特征数据集和所述标签数据训练所述机器学习模型。具体的,将第二特征数据集和标签数据输入到模型训练模块并进行训练,得到机器学习模型。
步骤104、在所述预测估计值满足预设条件的情况下,暂停更新运动数据。
其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的。
在此步骤中,可以是在所述预测估计值大于预设阈值的情况下,暂停更新所述运动数据。其中,所述预设阈值可任意设置。在本发明实施例中,所述运动数据包括但不限于为运动速度,心率,运动轨迹等。
在本发明实施例中,对运动数据的处理可以包括暂停更新运动数据,恢复更新运动数据、持续暂停更新运动数据,持续更新运动数据等。其中,暂停更新运动数据可以包括将用户的运动状态设置为暂停状态,还可以包括暂停更新正在跟踪的用户的运动轨迹,暂停记录心率等。恢复更新运动数据指的是当暂停更新运动数据后,再进行运动数据的更新。持续暂停更新运动数据和持续更新运动数据可以分别认为是对暂停更新和更新数据这两种处理状态的保持。
如果所述预测估计值大于预设阈值,那么,可预测运动状态为暂停状态,因此,可生成暂停指令,并将暂停指令发送给用于记录运动数据的模块或者应用程序,以暂停更新运动数据。
具体的,在实际应用中,在所述预测估计值大于预设阈值的情况下,确定所述第一目标时间段内的第一运动状态。并且,获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段。在所述第一运动状态和所述第二运动状态不同的情况下,暂停更新所述运动数据。在所述第一运动状态和所述第二运动状态相同的情况下,持续暂停更新所述运动数据。
也就是说,在第一目标时间段的运动状态和第二目标时间段的运动状态不一致的情况下,暂停更新所述运动数据。由于所述预测估计值大于预设阈值,那么,可预测第一目标时间段内的第一运动状态为暂停状态。其中,第二目标时间段可以为第一目标时间段的前一目标时间段。在第二目标时间段内,也是按照了第一目标时间段的方式对运动状态进行了预测,因此,在此可直接获取第二目标时间段内的预测结果,并将其和第一运动状态进行比较,进而确定是否暂停更新所述运动数据。因此,若第二目标时间段内的第二运动状态为运动状态,则由运动状态变为暂停状态,需暂停更新所述运动数据。若第二目标时间段内的第二运动状态为暂停状态,则持续为暂停状态,保持当前的数据更新状态,即持续暂停更新所述运动数据。
由上可以看出,由于采用了多传感器的数据并进行机器学习,因此,利用本发明实施例的方案,可提高对运动数据暂停更新控制的准确性,进而提高记录的运动数据的准确性。
在以上的实施例中,为提高控制的准确性,在所述预测估计值小于或等于所述预设阈值的情况下,确定所述第一目标时间段内的第一运动状态。此时,第一运动状态为运动状态。同时,获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段。
在所述第一运动状态和所述第二运动状态不同的情况下,恢复更新所述运动数据;在所述第一运动状态和所述第二运动状态相同的情况下,持续更新所述运动数据。
也即,如果第二运动状态为暂停状态状态,则由暂停状态变为运动状态,恢复更新所述运动数据;如果第二运动状态为运动状态,则持续为运动状态,保持当前的数据更新状态,也即持续更新运动数据。
综上,在本发明实施例中,将当前第一目标时间段内的第一运动状态和前一目标时间段内的第二运动状态进行比对。根据比较结果,具体的处理方式可包括以下几种:
(1)第二运动状态为运动状态,第一运动状态为暂停状态,那么,暂停更新运动数据;
(2)第二运动状态为暂停状态,第一运动状态为暂停状态,那么,由于在前一目标时间段内已经暂停更新运动数据,因此,将持续暂停更新运动数据;
(3)第二运动状态为运动状态,第一运动状态为运动状态,那么,由于在前一目标时间段内一直在更新运动数据,因此,将持续更新运动数据;
(4)第二运动状态为暂停状态,第一运动状态为运动状态,那么,由于在前一目标时间段内暂停更新运动数据,因此,将恢复更新运动数据。
参见图2,图2是本发明实施例提供的运动数据处理方法的流程图。在本发明实施例的方案中,采用了多传感器的原始数据来源,并应用了机器学习和深度学习技术,对运动状态进行自动暂停控制。如图2所示,包括以下步骤:
模型训练过程,具体包括如下步骤:
步骤201、在某个时间段内,将获取到的GSS、TAA、SAG等处理器的进行预处理,获取各个传感器的特征数据并形成特征数据集X。
步骤202、将该时间段内的运动状态进行标记,并做2类离散化,其中,1代表暂停状态,0表示运动状态,获取到标签数据Y。
步骤203、将X、Y输入到模型训练模块进行训练,得到机器学习模型M。
运动状态预测过程,具体包括以下步骤:
步骤204、在某个监测时间段内,将获取到的GSS、TAA、SAG等处理器的进行预处理,获取各个传感器的特征数据并形成特征数据集X1(此步骤和步骤201的原理相同)。
其中,该监测时间段的长度和步骤201中的时间段的长度相同。
步骤205、将特征数据集X1输入到机器学习模型M,得到预测估计值Y1。
步骤206、如果预测估计值Y1大于预设值,则预测监测时间段内的运动状态为暂停状态。
获取该监测时间段之前的前一监测时间段的运动状态。
若前一监测时间段的运动状态为运动状态,则暂停更新运动数据。若前一监测时间段的运动状态为暂停状态,则持续暂停更新运动数据。
步骤207、如果预测估计值Y1小于或等于预设值,则预测监测时间段内的运动状态为运动状态。
若前一监测时间段的运动状态为运动状态,则持续更新运动数据。若前一监测时间段的运动状态为暂停状态,则恢复更新运动数据。
本发明实施例可应用的某个场景是,用户使用智能手机进行室外运动记录,打开自动暂停功能,此时,智能手机对用户运动的状态进行检测。
当用户开始跑步时,获取智能手机上GPS/TAA/SAG等数据,对其运动状态进行预测。若预测为运动状态,继续保持运动数据的更新。当遇见红灯路口,用户停下来等待,此时,对获取的智能手机上GPS/TAA/SAG等数据进行预处理,并利用机器学习模型进行预测。根据预测结果确定运动状态。若预测为暂停状态,则将自动暂停更新数据;当红灯变成绿灯,用户继续开始运动,则此时,此系统检测到用户是运动状态,则将运动自动恢复更新运动数据,切换到运动状态。如此周而复始,当用户停下来时,自动暂停更新运动数据,当用户恢复运动时,自动恢复更新运动数据。
通过以上描述可以看出,利用多个传感器的数据,包括TAA、SAG数据特征,可提升状态检测的准确以及灵敏度,改善了用户体验。
此外,本发明实施例的方案,可以针对不同领域的运动强度,定制新模型和新阈值,实现本系统的迁移性。比如跑步和骑车运动强度不同,可以定制不同的模型,进而实现自动暂停的控制。
参见图3,图3是本发明实施例提供的模型训练方法的流程图。如图3所示,本发明实施例的方法,包括:
步骤301、在第三目标时间段内,分别获取GPS传感器的第四数据、TAA的第五数据以及SAG的第六数据。
其中,第三目标时间段的时间长度可任意设置。优选的,第三目标时间段的长度和实际应用中进行数据采集的时间段的长度一致。
步骤302、对所述第四数据、所述第五数据和所述第六数据进行预处理,得到用于模型训练的特征数据集。
步骤303、对所述第三目标时间段内的运动状态进行分类并对分类结果进行离散化处理,得到标签数据。
其中,预处理的过程和得到标签数据的过程可参照图1所示的实施例中的描述。
步骤304、利用所述用于模型训练的特征数据集和所述标签数据进行模型训练,得到机器学习模型。
通过以上描述可以看出,利用多个传感器的数据,包括TAA、SAG数据特征,可提升获得的机器学习模型的准确性,从而提高状态检测的准确以及灵敏度,改善用户体验。
本发明实施例还提供了一种运动数据处理装置。参见图4,图4是本发明实施例提供的运动数据处理装置的结构图。由于运动数据处理装置解决问题的原理与本发明实施例中运动数据处理方法相似,因此该运动数据处理装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,运动数据处理装置400包括:
第一获取模块401,用于在第一目标时间段内,分别获取GPS传感器的第一数据、TAA的第二数据以及SAG的第三数据;第二获取模块402,用于对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;预测模块403,用于将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;第一处理模块404,用于在所述预测估计值满足预设条件的情况下,暂停更新运动数据;其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的。
可选的,所述第二获取模块402包括:第一提取子模块,用于提取所述第一数据的第一特征数据子集;第二提取子模块,用于提取所述第二数据的第二特征数据子集;第三提取子模块,用于提取所述第三数据的第三特征数据子集;拼接子模块,用于将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接,形成所述特征数据集。
可选的,所述第一处理模块404具体用于,在所述预测估计值大于预设阈值的情况下,暂停更新所述运动数据。
可选的,所述第一处理模块404可包括:确定子模块,用于在所述预测估计值大于预设阈值的情况下,确定所述第一目标时间段内的第一运动状态;获取子模块,用于获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段;第一处理子模块,用于在所述第一运动状态和所述第二运动状态不同的情况下,暂停更新所述运动数据。
可选的,所述第一处理模块404还可包括:第二处理子模块,用于在所述第一运动状态和所述第二运动状态相同的情况下,持续暂停更新所述运动数据。
可选的,所述装置还可包括:确定模块,用于在所述预测估计值小于或等于所述预设阈值的情况下,确定所述第一目标时间段内的第一运动状态;获取模块,用于获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段;第二处理模块,用于在所述第一运动状态和所述第二运动状态不同的情况下,恢复更新所述运动数据;在所述第一运动状态和所述第二运动状态相同的情况下,持续更新所述运动数据。
本发明实施例提供的装置,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
本发明实施例还提供了一种模型训练装置。参见图5,图5是本发明实施例提供的模型训练装置的结构图。如图5所示,模型训练装置500包括:
第一获取模块501,用于在第三目标时间段内,分别获取GPS传感器的第四数据、TAA的第五数据以及SAG的第六数据;第二获取模块502,用于对所述第四数据、所述第五数据和所述第六数据进行预处理,得到用于模型训练的特征数据集;第三获取模块503,用于对所述第三目标时间段内的运动状态进行分类并对分类结果进行离散化处理,得到标签数据;训练模块504,用于利用所述用于模型训练的特征数据集和所述标签数据训练机器学习模型。
本发明实施例装置的工作原理可参照前述方法实施例的描述。
如图6所示,本发明实施例的电子设备,包括:处理器600,用于读取存储器620中的程序,执行下列过程:
在第一目标时间段内,分别获取全球定位系统GPS传感器的第一数据、三轴加速度计TAA的第二数据以及六轴陀螺仪SAG的第三数据;
对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;
将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;
在所述预测估计值满足预设条件的情况下,暂停更新运动数据;
其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的。
收发机610,用于在处理器600的控制下接收和发送数据。
其中,在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器600负责管理总线架构和通常的处理,存储器620可以存储处理器600在执行操作时所使用的数据。
处理器600负责管理总线架构和通常的处理,存储器620可以存储处理器600在执行操作时所使用的数据。
处理器600还用于读取所述计算机程序,执行如下步骤:
提取所述第一数据的第一特征数据子集;
提取所述第二数据的第二特征数据子集;
提取所述第三数据的第三特征数据子集;
将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接,形成所述特征数据集。
处理器600还用于读取所述计算机程序,执行如下步骤:
在所述预测估计值大于预设阈值的情况下,暂停更新所述运动数据。
处理器600还用于读取所述计算机程序,执行如下步骤:
在所述预测估计值大于预设阈值的情况下,确定所述第一目标时间段内的第一运动状态;
获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段;
在所述第一运动状态和所述第二运动状态不同的情况下,暂停更新所述运动数据。
处理器600还用于读取所述计算机程序,执行如下步骤:
在所述第一运动状态和所述第二运动状态相同的情况下,持续暂停更新所述运动数据。
处理器600还用于读取所述计算机程序,执行如下步骤:
在所述预测估计值小于或等于所述预设阈值的情况下,确定所述第一目标时间段内的第一运动状态;
获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段;
在所述第一运动状态和所述第二运动状态不同的情况下,恢复更新所述运动数据;
在所述第一运动状态和所述第二运动状态相同的情况下,持续更新所述运动数据。
如图7所示,本发明实施例的电子设备,包括:处理器700,用于读取存储器720中的程序,执行下列过程:
在第三目标时间段内,分别获取GPS传感器的第四数据、TAA的第五数据以及SAG的第六数据;
对所述第四数据、所述第五数据和所述第六数据进行预处理,得到用于模型训练的特征数据集;
对所述第三目标时间段内的运动状态进行分类并对分类结果进行离散化处理,得到标签数据;
利用所述用于模型训练的特征数据集和所述标签数据训练机器学习模型。
收发机710,用于在处理器700的控制下接收和发送数据。
其中,在图7中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器700代表的一个或多个处理器和存储器720代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机710可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器700负责管理总线架构和通常的处理,存储器720可以存储处理器700在执行操作时所使用的数据。
处理器700负责管理总线架构和通常的处理,存储器720可以存储处理器700在执行操作时所使用的数据。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。根据这样的理解,本发明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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (9)
1.一种运动数据处理方法,其特征在于,包括:
在第一目标时间段内,分别获取全球定位系统GPS传感器的第一数据、三轴加速度计TAA的第二数据以及六轴陀螺仪SAG的第三数据;
对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;所述特征数据集包括所述第一目标时间段内多个时刻对应的多个向量,任意一个时刻对应的向量是由所述第一数据的特征数据、所述第二数据的特征数据以及所述第三数据的特征数据拼接形成的;
将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;
在所述预测估计值大于预设阈值的情况下,暂停更新运动数据;其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的;
所述预测估计值用于表示运动状态预测为暂停状态的估计值。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集,包括:
提取所述第一数据的第一特征数据子集;
提取所述第二数据的第二特征数据子集;
提取所述第三数据的第三特征数据子集;
将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接,形成所述特征数据集。
3.根据权利要求1所述的方法,其特征在于,所述在预测估计值大于预设阈值的情况下,暂停更新运动数据,包括:
在所述预测估计值大于预设阈值的情况下,确定所述第一目标时间段内的第一运动状态;
获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段;
在所述第一运动状态和所述第二运动状态不同的情况下,暂停更新所述运动数据。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述第一运动状态和所述第二运动状态相同的情况下,持续暂停更新所述运动数据。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述预测估计值小于或等于所述预设阈值的情况下,确定所述第一目标时间段内的第一运动状态;
获取第二目标时间段对应的第二运动状态,其中,所述第二目标时间段为时间上位于所述第一目标时间段之前的时间段;
在所述第一运动状态和所述第二运动状态不同的情况下,恢复更新所述运动数据;
在所述第一运动状态和所述第二运动状态相同的情况下,持续更新所述运动数据。
6.一种模型训练方法,其特征在于,所述方法包括:
在第三目标时间段内,分别获取GPS传感器的第四数据、TAA的第五数据以及SAG的第六数据;
对所述第四数据、所述第五数据和所述第六数据进行预处理,得到用于模型训练的特征数据集;
对所述第三目标时间段内的运动状态进行分类并对分类结果进行离散化处理,得到标签数据;
利用所述用于模型训练的特征数据集和所述标签数据进行模型训练,得到机器学习模型;
其中,所述特征数据集包括所述第三目标时间段内多个时刻对应的多个向量,任意一个时刻对应的向量是由所述第四数据的特征数据、所述第五数据的特征数据以及所述第六数据的特征数据拼接形成的。
7.一种运动数据处理装置,其特征在于,包括:
第一获取模块,用于在第一目标时间段内,分别获取GPS传感器的第一数据、TAA的第二数据以及SAG的第三数据;
第二获取模块,用于对所述第一数据、所述第二数据和所述第三数据进行预处理,得到特征数据集;
预测模块,用于将所述特征数据集作为机器学习模型的输入,并运行所述机器学习模型,得到预测估计值;
第一处理模块,用于在所述预测估计值大于预设阈值的情况下,暂停更新运动数据;其中,所述运动数据是根据所述第一数据、所述第二数据以及所述第三数据确定的;
其中,所述特征数据集包括所述第一目标时间段内多个时刻对应的多个向量,任意一个时刻对应的向量是由所述第一数据的特征数据、所述第二数据的特征数据以及所述第三数据的特征数据拼接形成的;
所述预测估计值用于表示运动状态预测为暂停状态的估计值。
8.一种电子设备,包括:收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至5中任一项所述的方法中的步骤;或者实现如权利要求6中所述的方法中的步骤。
9.一种计算机可读存储介质,用于存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法中的步骤;或者实现如权利要求6中所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910961359.8A CN112651414B (zh) | 2019-10-10 | 2019-10-10 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910961359.8A CN112651414B (zh) | 2019-10-10 | 2019-10-10 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651414A CN112651414A (zh) | 2021-04-13 |
CN112651414B true CN112651414B (zh) | 2023-06-27 |
Family
ID=75343586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910961359.8A Active CN112651414B (zh) | 2019-10-10 | 2019-10-10 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651414B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016072240A1 (ja) * | 2014-11-04 | 2016-05-12 | 国立研究開発法人産業技術総合研究所 | センサ情報を処理する情報処理装置、情報管理システム、情報表示システム、情報処理方法、プログラム、記録媒体及びサーバ装置 |
WO2018142266A1 (en) * | 2017-01-31 | 2018-08-09 | Mocsy Inc. | Information extraction from documents |
CN109886422A (zh) * | 2019-02-01 | 2019-06-14 | 深圳绿米联创科技有限公司 | 模型配置方法、装置、电子设备及可读取存储介质 |
CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
CN109978491A (zh) * | 2019-02-12 | 2019-07-05 | 平安科技(深圳)有限公司 | 提醒预测方法、装置、计算机设备及存储介质 |
CN110163296A (zh) * | 2019-05-29 | 2019-08-23 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011121259B3 (de) * | 2011-12-15 | 2013-05-16 | Fabian Walke | Verfahren und Vorrichtung zur mobilen Trainingsdatenerfassung und Analyse von Krafttraining |
CN106682572B (zh) * | 2016-10-12 | 2020-09-08 | 纳恩博(北京)科技有限公司 | 目标跟踪方法、系统和第一电子设备 |
WO2018094011A1 (en) * | 2016-11-16 | 2018-05-24 | Lumo Bodytech, Inc. | System and method for personalized exercise training and coaching |
CN107909023B (zh) * | 2017-11-13 | 2020-07-14 | Oppo广东移动通信有限公司 | 运动参数的识别方法、装置、终端及存储介质 |
US11429894B2 (en) * | 2018-02-28 | 2022-08-30 | Google Llc | Constrained classification and ranking via quantiles |
CN110447214B (zh) * | 2018-03-01 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN109166141A (zh) * | 2018-08-10 | 2019-01-08 | Oppo广东移动通信有限公司 | 危险提醒方法、装置、存储介质及移动终端 |
CN109166628A (zh) * | 2018-08-30 | 2019-01-08 | 北京卡路里信息技术有限公司 | 运动能力检测的方法及装置、存储介质、处理器 |
CN110270079B (zh) * | 2019-06-26 | 2020-11-06 | 深圳市悦动天下科技有限公司 | 运动时摇一摇状态检测方法、装置、智能终端和存储介质 |
-
2019
- 2019-10-10 CN CN201910961359.8A patent/CN112651414B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016072240A1 (ja) * | 2014-11-04 | 2016-05-12 | 国立研究開発法人産業技術総合研究所 | センサ情報を処理する情報処理装置、情報管理システム、情報表示システム、情報処理方法、プログラム、記録媒体及びサーバ装置 |
WO2018142266A1 (en) * | 2017-01-31 | 2018-08-09 | Mocsy Inc. | Information extraction from documents |
CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
CN109886422A (zh) * | 2019-02-01 | 2019-06-14 | 深圳绿米联创科技有限公司 | 模型配置方法、装置、电子设备及可读取存储介质 |
CN109978491A (zh) * | 2019-02-12 | 2019-07-05 | 平安科技(深圳)有限公司 | 提醒预测方法、装置、计算机设备及存储介质 |
CN110163296A (zh) * | 2019-05-29 | 2019-08-23 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
Non-Patent Citations (1)
Title |
---|
伍星.基于第二代Bandelet变换的人体检测方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2010,(第11期),第I138-192页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112651414A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663441B2 (en) | Action selection neural network training using imitation learning in latent space | |
CN108629284B (zh) | 基于嵌入式视觉系统的实时人脸跟踪和人脸姿态选择的方法及装置、系统 | |
CN108229489B (zh) | 关键点预测、网络训练、图像处理方法、装置及电子设备 | |
KR102593438B1 (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
US10896382B2 (en) | Inverse reinforcement learning by density ratio estimation | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
US20220171907A1 (en) | Creation of digital twin of the interaction among parts of the physical system | |
WO2019098414A1 (ko) | 약한 지도 학습에 기초한 뉴럴 네트워크의 계층적 학습 방법 및 장치 | |
JP2020530162A (ja) | アクションを検出する方法及びシステム | |
CN106682572A (zh) | 目标跟踪方法、系统和第一电子设备 | |
WO2020232069A1 (en) | Video 2d multi-person pose estimation using multi-frame refinement and optimization | |
CN113936340B (zh) | 一种基于训练数据采集的ai模型训练方法及装置 | |
CN112419722A (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
JP2022539696A (ja) | 適応的ハイパーパラメータセットを利用したマルチステージ学習を通じて自律走行自動車のマシンラーニングネットワークをオンデバイス学習させる方法及びこれを利用したオンデバイス学習装置 | |
WO2021006870A1 (en) | Vehicular autonomy-level functions | |
CN110955965A (zh) | 一种考虑交互作用的行人运动预测方法及系统 | |
CN115877869A (zh) | 一种无人机路径规划方法及系统 | |
US11430137B2 (en) | Electronic device and control method therefor | |
CN111144567A (zh) | 神经网络模型的训练方法及装置 | |
Zhou et al. | Identify, estimate and bound the uncertainty of reinforcement learning for autonomous driving | |
KR102464906B1 (ko) | 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법 | |
CN111445499B (zh) | 用于识别目标信息的方法及装置 | |
CN112651414B (zh) | 运动数据处理和模型训练方法、装置、设备及存储介质 | |
Nikpour et al. | Deep reinforcement learning in human activity recognition: A survey | |
JP6927161B2 (ja) | 学習装置、予測装置、方法、及びプログラム |
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 |