CN115727870A

CN115727870A - 数据处理方法、装置及终端设备

Info

Publication number: CN115727870A
Application number: CN202111017369.XA
Authority: CN
Inventors: 周峰; 张绳富; 胡子付
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2021-08-31
Filing date: 2021-08-31
Publication date: 2023-03-03

Abstract

本申请提供一种数据处理方法、装置及终端设备，涉及终端技术领域，其中，该方法应用于第一终端，包括：获取行为数据，所述行为数据是根据人体运动传感器采集得到的数据生成，根据所述行为数据的频域特征确定最新的运动数据，所述运动数据用于指示用户的运动量。本申请提供的技术方案可以提高运动数据真实性的准确性。

Description

数据处理方法、装置及终端设备

技术领域

本申请涉及终端技术领域，尤其涉及一种数据处理方法、装置及终端设备。

背景技术

运动能够促进人们的身体健康和心理健康，是人类生活中一种重要的项目。目前，智能手机和穿戴设备等终端设备，可以生成用户的运动数据，从而便于用户对运动情况进行记录。

现有技术中，终端设备可以通过陀螺仪和加速度计等人体运动传感器所采集到的原始数据，生成用户的运动数据。但在实际应用中，除了用户运动之外，其他一些操作也可能会触发陀螺仪和加速度计采集数据，从而导致终端设备将这些操作也记录为用户运动，从而导致生成运动数据的准确性较低。

发明内容

有鉴于此，本申请提供一种数据处理方法、装置及终端设备，能够提高检测用户运动及运动数据的真实性的准确性。

为了实现上述目的，第一方面，本申请实施例提供数据处理方法，所述方法应用于第一终端，包括：

获取行为数据，所述行为数据是根据人体运动传感器采集得到的数据生成的；

根据所述行为数据的频域特征确定最新的运动数据，所述运动数据用于指示用户的运动量。

在本申请实施例中，终端可以获取根据人体运动传感器采集得到的数据生成的行为数据。由于人体运动传感器在用户进行真实用户运动时所采集的行为数据的特征，与人体运动传感器在非真实的运动时所采集的行为数据的特征是完全不同的。因此，终端可以根据该行为数据的频域特征确定最新的运动数据，与根据已经生成的运动数据去判断该运动数据的真实性相比，能够更好地确保运动数据的真实性，从而提高了所生成的运动数据的准确性。

可选地，所述行为数据是所述人体运动传感器采集的原始数据；或，

所述行为数据是对所述人体运动传感器采集的原始数据进行采样后得到数据；或，

所述行为数据是对所述人体运动传感器采集的原始数据进行采样和预处理后得到的数据。

可选地，所述对所述人体运动传感器采集的原始数据进行采样包括：

基于预设的采样频率对所述原始数据进行采样，所述采样频率与运动强度以及设备剩余电量中的至少一个成正相关，和/或，所述采样频率与设备功耗成负相关。

其中，当用户的运动强度越大时，人体运动传感器采集数据的频率可能比较高，单位时间内采集的数据量也比较大，相应的，可以提高采样的频率，从而提高进行检测的数据与采集的所有数据的比例，提高检测的准确性。当设备剩余电量越多时，采样频率也可以越高，即对更多的数据进行检测，提高检测的准确性；相应的，当设备剩余电量越低时，采样频率也可以越低，以节省电量，提高第一终端的续航能力。当设备功耗越高时，可能会导致设备发热以及设备剩余电量迅速降低，因此采样频率可以越小，以减少设备功耗。

可选地，归一化处理可以包括降维处理和归一化处理。降维处理可以在保持数据特征的基础上，减少数据量；归一化处理可以简化计算量，加快后续数据处理的效率。

可选地，所述根据所述行为数据的频域特征确定最新的运动数据包括：

根据所述行为数据的频域特征确定所述行为数据是否可信；

若所述行为数据可信，则根据所述行为数据更新所述运动数据；

若所述行为数据不可信，则将所述行为数据发送给云端服务器，以使得所述云端服务器判断所述行为数据是否可信，并根据所述云端服务器返回的结果确定最新的所述运动数据。

其中，云端服务器可以通过基于RNN(recurrent neural network，循环神经网络)、GBDT(gradient boosting decision tree，梯度提升决策树)任意机器学习算法的检测模型，对行为数据进行检测。

可选地，云端服务器可以将行为数据输入至检测模型，检测模型将行为数据的数据特征与非真实的特定运动类型的用户运动(包括基于其他运动类型的真实用户运动或虚假的用户运动)所采集的行为数据的数据特征进行比较。如果比较得到的相似度，小于或等于预设相似度阈值，则该行为数据为基于特定运动类型的真实用户运动所采集的数据，即是可信的；如果比较得到的相似度大于该预设相似度阈值，则该行为数据为基于非真实的特定运动类型的用户运动所采集的数据，即是不可信的。

可选地，预设相似度阈值可以为90％。

可选地，若行为数据为人体运动传感器采集的原始数据，则第一终端可以直接基于该行为数据对运动数据进行更新；若行为数据不为人体运动传感器采集的原始数据，则第一终端可以根据该行为数据获取对应的原始数据，根据获取到的原始数据更新运动数据。

需要说明的是，第一终端可以通过时间信息建立人体运动传感器采集的原始数据，与对该原始数据处理得到的行为数据之间的对应关系，从而可以基于行为数据，获取到对应的原始数据，或者基于原始数据获取到对应的行为数据。其中，该时间信息可以为人体运动传感器采集的原始数据的时刻。

可选地，在所述根据所述行为数据的频域特征确定最新的运动数据之前，所述方法还包括：

根据所述行为数据更新所述运动数据；

所述根据所述行为数据的频域特征确定最新的运动数据包括：

根据所述行为数据的频域特征确定所述行为数据是否可信；

可选地，所述将所述行为数据发送给云端服务器，以使得所述云端服务器判断所述行为数据是否可信包括：

将所述行为数据通过第二终端发送给云端服务器，以使得所述云端服务器确定所述行为数据是否可信。

其中，第一终端可以通过蓝牙或无线网络Wi-Fi等近距离通信技术，与第二终端进行数据交互。

通过第二设备提供透传功能，使得没有联网能力或联网能力较弱的第一终端，也能够从云端服务器获取到对应行为数据的检测结果，提高了获取该检测结果的可靠性。

可选地，所述行为数据的频域特征包括直流分量幅值之外的最大频率分量幅值，所述根据所述行为数据的频域特征确定所述行为数据是否可信，包括：

若所述最大频率分量幅值处于预设的频率分量幅值范围内，则确定所述行为数据可信。

由于当采集行为数据的人体运动传感器不同时，行为数据的数据类型可能不同，对应的频域特征也不同，比如角速度的频域特征和加速度的频域特征是不同的；当用户运动的运动类型不同时，即使行为数据的数据类型相同，其频域特征也不同，比如同样是角速度，用户在步行时的角速度的最大频率分量幅值和在攀爬时的角速度的最大频率分量幅值也是不同的。因此，第一终端可以基于特定运动类型和行为数据的数据类型中的至少一个，获取对应的频率分量幅值范围。

其中，用户可以在开始运动之前，从多种运动类型中选择一个运动类型，因此第一终端可以接收用户提交的运动类型作为特定运动类型；或者，用户可以不选择运动类型，而是由第一终端对行为数据进行识别，从而得到特定运动类型。

需要说明的是，若行为数据包括多个维度的数据，则第一终端可以在每个维度的数据的最大频率分量幅值都处于预设的频率分量幅值范围时，确定该行为数据可信，否则确定该行为数据不可信。

可选地，特定运动类型为步行，预设频率分量幅值范围为大于0dB(分贝)且小于9dB。

可选地，所述方法应用于所述第一终端中的第一应用程序和第二应用程序，所述方法还包括：

第二应用程序向所述第一应用程序提交检测请求，所述检测请求用于请求所述第一应用程序对所述行为数据进行检测；

所述第一应用程序接收所述检测请求后获取所述行为数据，根据所述行为数据的频域特征确定最新的运动数据，并向所述第二应用程序反馈所述最新的运动数据和检测结果。

其中，第二应用程序不会获取到行为数据，若第二应用程序为第三方应用程序，便能够减少用户隐私泄露的问题。

可选地，所述行为数据的数据类型包括角速度和加速度中的至少一个。

第二方面，本申请实施例提供一种数据处理装置，所述装置包括：

获取模块，用于获取行为数据，所述行为数据是根据人体运动传感器采集得到的数据生成的；

处理模块，用于根据所述行为数据的频域特征确定最新的运动数据，所述运动数据用于指示用户的运动量。

可选地，所述获取模块具体用于：

可选地，所述装置还包括收发模块；

所述处理模块，具体用于根据所述行为数据的频域特征确定所述行为数据是否可信；若所述行为数据可信，则根据所述行为数据更新所述运动数据；

所述收发模块，用于若所述行为数据不可信，则将所述行为数据发送给云端服务器，以使得所述云端服务器判断所述行为数据是否可信，并根据所述云端服务器返回的结果确定最新的所述运动数据。

可选地，所述装置还包括更新模块和收发模块：

所述更新模块，用于根据所述行为数据更新所述运动数据；

所述处理模块，具体用于根据所述行为数据的频域特征确定所述行为数据是否可信；

可选地，所述收发模块具体用于：

可选地，所述行为数据的频域特征包括直流分量幅值之外的最大频率分量幅值，所述处理模块具体用于：

可选地，所述装置包括第一应用程序和第二应用程序；

第二应用程序用于向所述第一应用程序提交检测请求，所述检测请求用于请求所述第一应用程序对所述行为数据进行检测；

所述第一应用程序用于接收所述检测请求后获取所述行为数据，根据所述行为数据的频域特征确定最新的运动数据，并向所述第二应用程序反馈所述最新的运动数据和检测结果。

第三方面，本申请实施例提供一种终端设备，包括：存储器和处理器，存储器用于存储计算机程序；处理器用于在调用计算机程序时执行上述第一方面中任一项所述的方法。

第四方面，本申请实施例提供一种芯片系统，所述芯片系统包括处理器，所述处理器与存储器耦合，所述处理器执行存储器中存储的计算机程序，以实现上述第一方面中任一项所述的方法。

其中，所述芯片系统可以为单个芯片，或者多个芯片组成的芯片模组。

第五方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。

第六方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。

可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

图1为本申请实施例所提供的一种终端设备的结构示意图；

图2为本申请实施例提供的一种检测系统的结构示意图；

图3为本申请实施例提供的另一种检测系统的结构示意图；

图4为本申请实施例所提供的一种数据处理方法的流程图；

图5为本申请实施例所提供的一种加速度的波形图；

图6为本申请实施例所提供的一种加速度的频域特征的波形图；

图7为本申请实施例所提供的一种角速度的波形图；

图8为本申请实施例所提供的一种角速度的频域特征的波形图；

图9为本申请实施例所提供的另一种加速度的波形图；

图10为本申请实施例所提供的另一种加速度的频域特征的波形图；

图11为本申请实施例所提供的另一种角速度的波形图；

图12为本申请实施例所提供的另一种角速度的频域特征的波形图；

图13为本申请实施例所提供的另一种数据处理方法的流程图；

图14为本申请实施例所提供的另一种数据处理方法的流程图；

图15为本申请实施例所提供的另一种数据处理方法的流程图；

图16为本申请实施例所提供的一种数据处理装置的结构示意图；

图17为本申请实施例所提供的一种终端设备的结构示意图。

具体实施方式

本申请实施例提供的处理数据的方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)、网关和路由器等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

图1是本申请实施例提供的一例终端设备100的结构示意图。终端设备100可以包括处理器110、存储器120、通信模块130和人体运动传感器140等。

其中，处理器110可以包括一个或多个处理单元，存储器120用于存储程序代码和数据。在本申请实施例中，处理器110可执行存储器120存储的计算机执行指令，用于对终端设备100的动作进行控制管理。

通信模块130可以用于终端设备100的各个内部模块之间的通信、或者终端设备100和其他外部终端设备之间的通信等。示例性的，如果终端设备100通过有线连接的方式和其他终端设备通信，通信模块130可以包括接口等，例如USB接口，USB接口可以是符合USB标准规范的接口，具体可以是Mini USB接口，Micro USB接口，USB Type C接口等。USB接口可以用于连接充电器为终端设备100充电，也可以用于终端设备100与外围设备之间传输数据。也可以用于连接耳机，通过耳机播放音频。该接口还可以用于连接其他终端设备，例如AR设备等。

或者，通信模块130可以包括音频器件、射频电路、蓝牙芯片、无线保真(wirelessfidelity，Wi-Fi)芯片、近距离无线通讯技术(near-field communication，NFC)模块等，可以通过多种不同的方式实现终端设备100与其他终端设备之间的交互。

人体运动传感器140可以包括陀螺仪和加速度计中的至少一个。

陀螺仪可以用于确定终端设备100的运动姿态。在一些实施例中，可以通过陀螺仪传感器确定终端设备100围绕三个轴(即x，y和z轴)的角速度。陀螺仪传感器可以用于拍摄防抖。示例性的，当按下快门，陀螺仪传感器检测终端设备100抖动的角度，根据角度计算出镜头模组需要补偿的距离，让镜头通过反向运动抵消终端设备100的抖动，实现防抖。陀螺仪传感器还可以用于导航，体感游戏场景。

加速度计可检测终端设备100在各个方向上(比如x，y和z轴等三轴)加速度的大小。当终端设备100静止时可检测出重力的大小及方向。还可以用于识别终端设备姿态，应用于横竖屏切换，计步器等应用。

当然，在实际应用中，人体运动传感器并不限制与陀螺仪和加速度计两种类型的传感器，人体运动传感器也可以包括不同类型或者更多类型的人体运动传感器。

可选地，终端设备100还可以包括显示屏150，显示屏150可以显示人机交互界面中的图像或视频等。

可选地，终端设备100还可以包括外设设备160，例如鼠标、键盘、扬声器、麦克风等。

应理解，除了图1中列举的各种部件或者模块之外，本申请实施例对终端设备100的结构不做具体限定。在本申请另一些实施例中，终端设备100还可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

为了便于理解本申请施例中的技术方案，下面首先对本申请实施例的应用场景予以介绍。

生命在于运动。适当的运动能够强身健体，有利于人类的身体健康和心理健康，因此运动已经逐渐成为人类日常生活中的一种重要的活动项目。而为了便于对运动状况进行记录，提高运动的科学性和趣味性，用户可以通过前述中的终端设备来生成运动数据。

用户在运动的过程中，终端设备所处的状态也会与用户的状态同步，比如摆臂导致的震动等等，因此终端设备可以通过人体运动传感器采集数据，然后对采集的原始数据进行特定地处理，从而生成描述该用户运动的运动量的运动数据(例如步数、跳跃高度、攀爬高度等)。以步行为例，终端设备可以通过陀螺仪采集得到三轴的角速度，通过加速度计采集得到三轴的加速度，然后基于三轴的角速度和加速度，生成用户步行的步数。

但可以理解的是，在实际应用中，人体运动传感器并不是只有在用户进行真实的用户运动的过程中，才能采集数据。当终端设备被放置在摇步器等处于动态的物体(如动物、电风扇或摇步器等)上时，人体运动传感器同样也可能采集数据。也即是，人体传感器所采集到的数据中，既可能会包括基于真实的用户运动采集的数据，也可能会包括不是基于真实的用户运动采集的数据，那么终端设备基于采集的原始数据所生成的运动数据的准确性也会很低，其中既可能会包括真实的运动的数据，也可能会包括虚假的运动数据。进一步地，这些准确性较低的运动数据，也会对后续的应用该运动数据的场景产生不良影响。比如，在保险场景中，保险公司可以根据用户的运动状况来进行保费减免，而如果用户的运动数据不准确，则可能会给用户或者保险公司带来经济损失。

在一些实施例中，当终端设备获取用户步行的步数时，可以采集用户的位置信息并基于该位置信息确定用户的运动距离，还可以确定用户的运动时长。基于步数和运动距离确定用户的步长，基于步数和运动时间确定用户的步速。如果该步长不在预设步长范围内或者该步速不在预设步速范围之内，则可以确定该步数不是由真实的用户运动所产生的。

例如，预设步长范围为0.6米/步-1.1米/步，预设步速范围为70步/分钟-120步/分钟。如果终端设备检测到用户6点从A地开始运动，运动至B地时为6点半，其中A、B两地为3000米。用户运动的步数为6000步，那么即可以用户的步长为3000米/6000步＝0.5米/步，不处于预设步长范围，且用户的步速为6000步/30分钟＝200步/分钟，也不处于预设步速范围，因此可以确定在上述运动过程中所生成的步数为虚假的运动数据。

但在实际应用中，导致运动数据不准确的原因可能有很多。一方面，用户可能会进行不同运动类型的运动，比如步行、骑行、游泳、原地跳跃、爬山等等，用户在进行不运动类型的运动时，用户所要进行的动作也会有所不同，使得人体运动传感器所采集的数据也会有不同的数据特征。另一方面，用户在没有进行真实的用户运动的情况下，也可以通过其他方式(比如将终端设备放置在摇步器上)使得终端设备中的人体运动传感器也能够采集数据，而基于非真实的用户运动所采集的数据的数据特征，与在真实的用户运动所采集的数据的数据特征也是不同的。但上述两方面所提到的数据差异，并不一定能够在该运动数据体现出来。比如在真实的步行运动和摇步器晃动时，尽管陀螺仪采集到的角速度会有所不同、加速度计所采集的加速度也会有所不同，但实际计算到的“步数”可能会是相同的。又比如，在真实的步行运动和骑行时，尽管陀螺仪采集到的角速度会有所不同、加速度计所采集的加速度也会有所不同，但实际计算到的“步数”仍可能会是相同的，而显然将骑行产生的“步数”累计到步行的步数中也是不合理的。也即是，如果是基于特定运动类型的真实用户运动所采集的数据，对应生成的该特定运动类型的运动数据也必然是真实的，而反过来，如果特定运动类型的运动数据被判定为真实的，实际上对应的数据可能并不是基于该特定类型的真实用户运动所采集的，而是基于虚假的用户运动或者基于其他类型的真实用户运动所采集的。因此，上述检测方式较为单一，难以有效确保运动数据的真实性。

为解决上述至少部分技术问题，本申请实施例提供了一种检测系统。请参照图2，该系统包括终端A 210和服务器A 220，终端A 210和服务器A 220之间通过通信连接。

终端A 210可以为前述图1中的终端设备100。终端A 210可以包括应用程序A 215和应用程序B 217。应用程序A 215可以为需要获取运动数据的应用程序，如即时通讯应用或保险应用。应用程序B 217可以为获取行为数据并生成运动数据的应用程序，如运动健康程序。在一些实施例中，应用程序A 215可以是第三方应用程序，应用程序B 217可以为终端A 210的厂商的应用程序，比如，应用程序B 217可以为终端A 210的操作系统中的应用程序。

应用程序B 217可以包括陀螺仪模块211、加速度计模块212、计步模块213、缓存模块A 214和检测模块216。

陀螺仪模块211可以驱动陀螺仪，从而采集得到三轴角速度。加速度计212可以驱动加速度计，从而采集得到三轴加速度。计步模块213可以基于采集得到的角速度和加速度等行为数据，计算得到运动的步数，且该步数可以存储在缓存模块A 214中。检测模块216可以(通过计步模块213)获取陀螺仪模块211和加速度计模块212所采集的行为数据，并对该行为数据进行检测。在一些实施例中，缓存模块A 214可以用于存储行为数据，该行为数据可以是根据人体运动传感器所采集的原始数据生成的。

服务器A 220可以为终端A 210的厂商服务器，包括缓存模块B 221和处理模块222。其中，缓存模块B 221可以与缓存模块A 214相似；处理模块222可以用于对该行为数据进行进一步检测。且需要说明的是，服务器A 220是可选的。

应用程序B 217可以获取行为数据、根据行为数据生成运动数据、对行为数据进行检测并得到检测结果，且应用程序B 217还可以请求服务器A 220对行为数据进行进一步检测。应用程序A 215可以从应用程序B 217获取应用程序B 217生成的运动数据以及检测结果。在一些实施例中，应用程序B 217还可以包括预留的运动数据接口和检测接口，应用程序A 215可以从运动数据接口获取运动数据，从检测接口请求应用程序B 217对行为数据进行检测，并获取检测结果。也即是，在如图2所示的系统中，应用程序A 215不会获取到角速度和加速度等行为数据，减少用户隐私泄露的问题。

在另一些实施例中，该系统可以如图3所示，包括终端B 230和服务器B 240，终端B230和服务器B 240之间可以通过通信连接。

终端B 230可以为前述图1中的终端设备100。终端B 230可以包括应用程序A 215和应用程序B 217。应用程序A 215可以为需要获取运动数据的应用程序，如即时通讯应用或保险应用。应用程序B 217可以为获取行为数据并生成运动数据的应用程序，如运动健康程序。在一些实施例中，应用程序A 215可以是第三方应用程序，应用程序B 217可以为终端B 230的厂商的应用程序，比如，应用程序B 217可以为终端B 230的操作系统中的应用程序。

应用程序A可以包括检测模块216。应用程序B 217可以包括陀螺仪模块211、加速度计模块212、计步模块213和缓存模块A 214。

服务器B 240可以为与应用程序A 215对应的应用服务器。服务器B 240可以包括缓存模块B 221和处理模块222。服务器B 240可以按照与服务器A 220相似或相同的方式，对行为数据进行进一步检测。且需要说明的是，服务器B 240是可选的。

应用程序B 217可以获取行为数据并根据行为数据生成运动数据。应用程序A 215可以从应用程序B 217获取行为数据，对行为数据进行检测并得到检测结果，且应用程序A215还可以请求对应的服务器B 240对行为数据进行进一步检测。在一些实施例中，应用程序A 215也可以从应用程序B 217获取运动数据，或者，应用程序A 215可以根据行为数据自行生成运动数据。在一些实施例中，应用程序B 217还可以包括预留的运动数据接口和行为数据接口，应用程序A 215可以从运动数据接口获取运动数据，从行为数据接口获取行为数据。

将图2和图3的系统进行对比可知，终端A 210和终端B 230的区别主要在于检测模块216。在终端A 210中，检测模块216设置于应用程序B 217，而在终端B 230中，检测模块216设置于应用程序A 215。那么在应用程序A 215为第三方应用程序，应用程序B 217为终端B 230的厂商的应用程序的情况下，在终端A 210中，第三方应用程序不能获取到行为数据，能够减少用户隐私泄露的问题，而在终端B 230中，第三方应用程序可以获取到行为数据并自行对行为数据进行检测，有利于第三方应用程序基于自身业务和功能的差异，有针对性地进行个性化检测。

需要说明的是，在实际应用中，图2和图3所示的系统是可以互相结合的。比如在另一些实施例中，在终端A 210中，应用程序B 217可以通过应用程序A215将该行为数据发送至应用程序A 215所对应的应用服务器，从而通过该应用服务器对该行为数据进行进一步检测。或者，在另一些实施例中，在终端B 230中，应用程序A 215可以通过应用程序B 217将该行为数据发送至终端B 310对应的厂商服务器，从而通过该厂商服务器对该行为数据进行进一步检测。

结合上述图2和图3所示的系统，本申请实施例还提供了一种数据处理方式。在本申请实施例中，终端可以获取根据人体运动传感器采集得到的数据生成的行为数据。由于人体运动传感器在用户进行真实用户运动时所采集的行为数据的特征，与人体运动传感器在非真实的运动时所采集的行为数据的特征是完全不同的。因此，终端可以根据该行为数据的频域特征确定最新的运动数据，与根据已经生成的运动数据去判断该运动数据的真实性相比，能够更好地确保运动数据的真实性，从而提高了所生成的运动数据的准确性。

下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

请参照图4，为本申请实施例所提供的一种数据处理方法的流程图。该方法可以应用于第一终端和云端服务器之间的交互，且第一终端可以为如图2所示的终端A 210或如图3所示的终端B 230，云端服务器可以为图2所示的服务器A 220或图3所示的服务器B 240。其中，第一终端(比如手机)的联网能力较强，可以与云端服务器进行通信。需要说明的是，该方法并不以图4以及以下所述的具体顺序为限制，应当理解，在其它实施例中，该方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该方法包括如下步骤：

S401，第一终端通过人体运动传感器采集得到原始数据。

当第一终端处于运动状态时，第一终端可以通过人体运动传感器采集得到原始数据。

其中，人体运动传感器采集得到原始数据的数据类型，可以与人体运动传感器的传感器类型对应。在一些实施例中，人体运动传感器可以包括陀螺仪，相应的，原始数据可以包括至少一轴的角速度。在一些实施例中，人体运动传感器可以包括加速度计，相应的，原始数据可以包括至少一轴的加速度。

S402，第一终端对采集得到的原始数据进行采样。

第一终端可以通过预设的采样频率对原始数据进行采样处理，减少后继所要处理的数据量，能够提高检测的效率，减少第一终端的设备功耗。

其中，采样频率可以由第一终端确定。在一些实施例中，采样频率可以运动强度以及设备剩余电量中的至少一个成正相关，和/或，采样频率与设备功耗成负相关。当用户的运动强度越大时，人体运动传感器采集数据的频率可能比较高，单位时间内采集的数据量也比较大，相应的，可以提高采样的频率，从而提高进行检测的数据与采集的所有数据的比例，提高检测的准确性。当设备剩余电量越多时，采样频率也可以越高，即对更多的数据进行检测，提高检测的准确性；相应的，当设备剩余电量越低时，采样频率也可以越低，以节省电量，提高第一终端的续航能力。当设备功耗越高时，可能会导致设备发热以及设备剩余电量迅速降低，因此采样频率可以越小，以减少设备功耗。

需要说明的是，本申请实施例对第一终端确定运动强度、设备剩余电量和设备功耗的方式不做具体限定。以运动强度为例，第一终端可以按照前述方式确定用户的步速，步速越高则运动强度越高；或者，第一终端可以接收用户提交的运动类型，基于该运动类型确定对应的运动强度。

S403，第一终端对采样后的数据进行预处理，得到行为数据。

其中，预处理可以包括降维处理和归一化处理。降维处理可以在保持数据特征的基础上，减少数据量；归一化处理可以简化计算量，加快后续数据处理的效率。

第一终端可以对采样后的数据包括多个维度的数据进行降维处理，得到降维处理后的数据，对降维处理后的数据进行归一化处理，得到行为数据。

例如，采样后的数据包括x、y、z轴的加速度：A_x,acce、A_y,acce、A_z,acce，以及x、y、z轴的角速度：A_x,gyro、A_y,gyro、A_z,gyro。第一终端可以通过下述公式1，将这六个维度的数据转换为二个维度的数据：

其中，A_{magnitude,acce}为综合加速度，A_{magnitude,gyro}为综合角速度。

若每个维度每秒包括25个数据点，采集时长为2秒，则在进行降维处理之前一共可以包括25*6*2＝300个数据点，在进行降维处理之后一共可以包括25*2*2＝100个数据点，可以看出进行降维处理后的数据量大幅减少了。

在进行降维处理之后，可以通过下述公式2对降维后的数据进行归一化处理：

其中，

为归一化加速度，

为归一化角速度。

需要说明的是，预处理的方式并不限于上述降维处理和归一化处理，S403也可以包括更多或更少的预处理方式，在实际应用中，可以基于第一终端的设备能力、检测效率和检测准确性等至少一方面的因素，确定是否进行至少一种的预处理。比如，在一些实施例中，预处理可以只包括降维处理；在另一些实施例中，预处理可以只包括归一化处理。

还需要说明的是，在上述步骤中，S402和S403都是可选的步骤，也即是，采样和预处理中的至少一个步骤是可以省略的。在一些实施例中，若省略了S403中的预处理操作，那么行为数据可以为对人体运动传感器采集的原始数据进行采样后得到的数据；在一些实施例中，若省略了S402中的采样操作和S403中的预处理操作，则行为数据可以为对人体运动传感器采集的原始数据。也即是，行为数据是根据人体运动传感器采集得到的数据生成的。

通过上述步骤，第一终端获取到了行为数据，在下述步骤中，第一终端可以根据该行为数据的频域特征确定最新的运动数据。

S404，第一终端根据行为数据的频域特征，判断该行为数据是否可信。

由于人体运动传感器在用户进行特定运动类型的真实用户运动时所采集的行为数据的特征，与人体运动传感器在非真实的特定运动类型的运动(包括用户进行其他运动类型的运动，或，由摇步器等用户之外的其他物体的运动)时所采集的行为数据的特征是完全不同的。因此第一终端可以根据行为数据的频域特征，判断该行为数据是否可信。其中，在用户进行特定运动类型的真实用户运动时所采集的行为数据是可信的，而在非真实的特定运动类型的运动时所采集的行为数据是不可信的。

在一些实施例中，第一终端可以对行为数据进行FFT(fast fourier transform，快速傅里叶变换)，从而得到频域特征。

例如，行为数据为归一化加速度，可以表示为如5所示的波形图，对该行为数据进行FFT变换之后得到的频域特征可以表示为如图6所示的波形图。其中，图5的轴坐标的单位可以为g(重力加速度)，横坐标的单位可以为s(秒)；图6的纵坐标的单位可以为dB，横坐标的单位可以为Hz(赫兹)。从图5可知，行为数据的波形与正弦波的波形相似，从图6可知，在频域特征中，0Hz处对应的幅值(即直流分量)最高，除直流分量之外，5Hz和45Hz处对应的幅值最高(即最大频率分量幅值)，约为12dB，其余频率对应的幅值波动范围很小，约为1dB-3dB之间。需要说明的是，上述5Hz和45Hz也为大约数值。

在一些实施例中，频域特征可以包括除直流分量幅值外的最大频率分量幅值。且若行为数据包括多个维度的数据，则频域特征可以包括多个维度的特征。

在一些实施例中，行为数据包括加速度(包括任一轴的加速度、由多轴加速度得到的综合加速度或由多轴加速度得到的归一化加速度)，频域特征可以包括加速度的最大频率分量幅值；在另一些实施例中，行为数据包括角速度(包括任一轴的角速度、由多轴角速度得到的综合角速度或由多轴角速度得到的归一化角速度)，频域特征可以包括角速度的最大频率分量幅值。在另一些实施例中，行为数据包括三轴角速度，则频域特征包括各轴角速度的最大频率分量幅值。在另一些实施例中，行为数据包括三轴加速度，则频域特征包括各轴加速度的最大频率分量幅值。需要说明的是，上述最大频率分量幅值均为除直流分量幅值之外的最大频率分量幅值。

在一些实施例中，第一终端可以获取预设的频率分量幅值范围，若行为数据的最大频率分量幅值范围处于预设的频率分量幅值范围则确定该行为数据可信，否则确定该行为数据可信，否则确定该行为数据不可信。

由前述可知，当采集行为数据的人体运动传感器不同时，行为数据的数据类型可能不同，对应的频域特征也不同，比如角速度的频域特征和加速度的频域特征是不同的；当用户运动的运动类型不同时，即使行为数据的数据类型相同，其频域特征也不同，比如同样是角速度，用户在步行时的角速度的最大频率分量幅值和在攀爬时的角速度的最大频率分量幅值也是不同的。因此，第一终端可以基于特定运动类型和行为数据的数据类型中的至少一个，获取对应的频率分量幅值范围。

例如，特定运动类型为步行，预设频率分量幅值范围为大于0dB且小于9dB。第一终端获取到的行为数据包括归一化加速度(数据类型为加速度)和归一化角速度(数据类型为角速度)，其中，归一化加速度可以表示为如前述图5所示波形，对应的最大频率分量如前述图6所示，为12dB。另外，归一化角速度可以表示为如图7所示的波形，对应的最大频率分量如图8所示，为11dB。由于这两个最大频率分量均大于9dB，即最大频率分量不处于预设幅值范围，因此，第一终端确定该行为数据不可信。

又例如，特定运动类型为步行，预设频率分量幅值范围为大于0dB且小于9dB。第一终端获取到的行为数据包括归一化加速度(数据类型为加速度)和归一化角速度(数据类型为角速度)，其中，归一化加速度可以表示为如图9所示波形，对应的最大频率分量如图10所示，约为8dB。另外，归一化角速度可以表示为如图11所示的波形，对应的最大频率分量如图12所示，约为7dB。由于这两个最大频率分量均小于9dB，因此，第一终端确定行为数据可信。

在一些实施例中，频域特征可以包括平均频率分量幅值和最大频率分量幅值差值中的至少一个，其中，最大频率分量幅值差值可以为最大频率分量幅值与最小频率分量幅值(或平均频率分量幅值)的差值。相似的，第一设备可以在平均频率分量幅值(或最大频率分量幅值差值)处于预设的频率分量幅值范围时，确定行为数据可信，否则确定行为数据不可信。

通过S404，第一终端可以初步检测行为数据是否可信。对于不可信的行为数据，第一终端可以停止继续对该行为数据进行检测，也可以通过后续步骤对不可信的行为数据进行进一步检测。其中，初步检测可以避免对可信的行为数据(即基于特定运动类型的真实用户运动所采集的数据)的进一步检测，从而减少进一步检测的数据量。

S405，第一终端若确定行为数据不可信，则向云端服务器发送该行为数据。

为了进一步确定第一行为数据是否可信，提高对行为数据进行检测的准确性，进而提高运动数据的准确性，第一终端可以向云端服务器发送行为数据。

在一些实施例中，云端服务器可以为第一终端的厂商服务器或者与第三方应用程序对应的应用服务器。其中，当该云端服务器为与第三方应用程序对应的应用服务器，第一终端可以通过该第三方应用程序，向该应用服务器发送行为数据。

S406，云端服务器检测行为数据，得到检测结果。

云端服务器可以通过训练好的检测模型，对行为数据进行检测，并得到检测结果，该检测结果可以用于指示该行为数据是否可信。

在一些实施例中，检测模型可以包括基于RNN、GBDT等任意机器学习算法的模型。其中，GBDT可以理解为由多个决策树组成的加法模型，具有较高的泛化能力，可以灵活处理多种类型的数据，包括连续值和离散值等，具有健壮的损失函数，对异常值的鲁棒性非常强，因此，在一些实施例中，为了提高对行为数据进行检测的准确性，检测模型可以是基于GBDT的模型。

在一些实施例中，云端服务器可以将行为数据输入至检测模型，检测模型将行为数据的数据特征与非真实的特定运动类型的用户运动(包括基于其他运动类型的真实用户运动或虚假的用户运动)所采集的行为数据的数据特征进行比较。如果比较得到的相似度，小于或等于预设相似度阈值，则该行为数据为基于特定运动类型的真实用户运动所采集的数据，即是可信的；如果比较得到的相似度大于该预设相似度阈值，则该行为数据为基于非真实的特定运动类型的用户运动所采集的数据，即是不可信的。

在一些实施例中，预设相似度阈值可以为90％。但可以理解的是，在实际应用中，第预设似度阈值也可以为其他数值，本申请实施例并不对预设相似度阈值的数值大小进行限定。

在一些实施例中，云端服务器可以事先获取多个训练样本，各训练样本包括基于真实的特定运动类型的用户运动所采集的行为数据、基于非真实的特定运动类型的用户运动所采集的行为数据以及对应的标签值，其中，基于非真实的特定运动类型的用户运动所采集的行为数据可以包括：当不同品牌的第一终端分别被放置在晃动的不同品牌的摇步器时，由第一终端中的人体运动传感器所采集的数据。

以基于GBDT的检测模型为例，GBDT的目标函数可以如下公式3所示：

其中，t表示第t次迭代计算；y_i为标签值；

表示第t次计算的预测值；

为损失函数；Ω(f_i)为正则化项；n为迭代计算的总次数。

可以将多个训练样本输入检测模型，通过检测模型确定各训练样本的预测值，基于各训练样本的预测值与标签值之间的差异(即检测的准确性)，对检测模型中的相关模型参数进行迭代更新，直至检测模型满足特定条件时确定完成对检测模型的训练。

需要说明的是，特定条件可以由云端服务器事先确定，比如特定条件可以包括检测精度达到预设精度阈值、目标函数达到最优化、迭代次数大于预设的迭代次数阈值等中的至少一个。且可以理解的是，在实际应用中，特定条件也可以包括其他条件，本申请实施例对特定条件的内容不做具体限定。

其中，预设精度阈值可以为92％。当然，在实际应用中，预设精度阈值也可以为其他数值，本申请实施例对次预设精度阈值的数值大小不做具体限定。

在一些实施例中，云端服务器可以获取其他设备训练好的检测模型。

在一些实施例中，若第一终端向云端服务器发送的行为数据是未经过采样或预处理的，则云端服务器可以先对接收到行为数据进行采样或预处理，再对采样后的或预处理后的行为数据进行检测。其中，云端服务器进行采样或预处理的方式，可以与前述第一终端进行采样或预处理的方式相同，此处不再一一赘述。

S407，云端服务器向第一终端反馈检测结果。

另外，在另一些实施例中，可以由第一终端来基于检测模型对行为数据进行检测，并得到检测结果。

通过上述步骤，第一终端通过本端或云端服务器，对行为数据进行了检测并得到了检测结果。第一终端可以基于该检测结果确定该行为数据是否可信，并在可信或不可信的情况下，分别采取不同的操作确定最新的运动数据。

在一些实施例中，若第一终端在S404之前，已经根据行为数据更新了运动数据，但第一终端在通过S408的检测结果确定该行为数据不可信，则第一终端可以撤销该更新操作，以对更新后的运动数据进行回滚，得到最新的运动数据。当然，如果第一终端确定该行为数据可信，则可以对该更新操作进行回滚。

其中，若行为数据为人体运动传感器采集的原始数据，则第一终端可以直接基于该行为数据对运动数据进行更新；若行为数据不为人体运动传感器采集的原始数据，则第一终端可以根据该行为数据获取对应的原始数据，根据获取到的原始数据更新运动数据。

例如，第一终端在S404之前，基于人体运动传感器采集的原始数据将步数为从1000步更新为1020步，则在确定该原始数据对应的行为数据不可信之后，将步数1020回滚为1000。

在一些实施例中，第一设备可以不先基于行为数据更新运动数据，而是在通过S404或者通过S408的检测结果确定行为数据可信时，根据该行为数据对运动数据进行更新，从而得到最新的运动数据。或者如果确定该行为数据不可信，则可以不对运动数据进行更新。

例如，第一终端当前记录的步数为1000步，之后获取到人体运动传感器采集的原始数据，先不基于该原始数据对运动数据进行更新，而是先执行上述S401-S408中的至少部分步骤来确定对应的行为数据是否可信，如果是，则基于该原始数据将1000步更新为1020步，否则不基于该原始数据对当前记录的步数进行更新，即保持1000步。

需要说明的是，本申请实施例对第一终端确定开始检测行为数据的时机不做具体限定。在一些实施例中，第一终端可以按照特定的周期，来执行本申请实施例所提供的方法对行为数据进行检测。比如，在用户步行过程中，第一终端可以每通过人体运动传感器采集1秒或2秒的原始数据，即基于该原始数据获取对应的行为数据，并对该行为数据进行检测，如果确定该行为数据可信，且之前已经基于该原始数据对步数进行了更新，则撤销该次更新，即对基于该原始数据更新的步数进行回滚。在另一些实施例中，第一终端可以在每次用户运动结束后，基于该次运动所产生的原始数据获取行为数据，并对该行为数据进行检测。如果确定该行为数据不为基于特定类型的真实用户行运动所采集的，且之前已经基于该原始数据对运动数据进行了更新，则撤销该次更新。

本申请实施例中，第一终端可以获取根据人体运动传感器采集得到的数据生成的行为数据。由于人体运动传感器在用户进行真实用户运动时所采集的行为数据的特征，与人体运动传感器在非真实的运动时所采集的行为数据的特征是完全不同的。因此，终端可以根据该行为数据的频域特征确定最新的运动数据，与根据已经生成的运动数据去判断该运动数据的真实性相比，能够更好地确保运动数据的真实性，从而提高了所生成的运动数据的准确性。

请再次参照图5-图12，其中，图5和7实际上为将终端设备放置在摇步器时，由人体运动传感器所采集的加速度和角速度，图6和图8分别为与图5和图7对应的频域特征；图9和图11为用户在进行真实的步行运动的情况下，由人体运动传感器所采集的加速度和角速度，图10和图12分别为与图9和图11对应的频域特征。分别将图5与图9比较，将图7与图11比较，将图6与图10比较，将图8与图12比较可知，与真实的步行运动的情况相比，基于摇步器晃动所采集的加速度和角速度规律性更强，对应的频域特征更加集中，且除直流分量幅值外的最大频率分量幅值也更高。因此以加速度为例，可以先通过加速度的最大频率分量幅值，对所采集的加速度进行初步检测。如果初步检测不能确定采集的加速度是否为可信，则可以进一步将采集的加速度发送至云端服务器，由云端服务器通过检测模型，检测采集的加速度与基于摇步器晃动所采集的加速度之间的相似性，进而确定采集的加速度是否可信。

请参照图13，为本申请实施例所提供的另一种数据处理方法的流程图。该方法可以应用于第一终端、第二终端与云端服务器之间的交互，且第一终端或第二终端可以为如图2所示的终端A 210或如图3所示的终端B 230，云端服务器可以为图2所示的服务器A 220或图3所示的服务器B 240。其中，第一终端(比如穿戴设备)的联网能力较弱，可以通过至少一个第二终端(比如手机、路由器或网关)与云端服务器进行通信。需要说明的是，该方法并不以图13以及以下所述的具体顺序为限制，应当理解，在其它实施例中，该方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该方法包括如下步骤：

S1301，第一终端通过人体运动传感器采集得到原始数据。之后可以执行S1302和S1303。

需要说明的是，第一终端通过人体运动传感器采集得到原始数据的方式，可以参照前述S401中的相关描述，此处不再一一赘述。

还需要说明的是，第一终端在S1301之后，执行S1302和S1503的顺序可以不受先后时序限制，比如第一终端可以先执行S1302再执行S1303，也可以并行执行S1302和S1303。

S1302，第一终端根据采集得到原始数据，对运动数据进行更新。

其中，S1302是可选的步骤。

S1303，第一终端对采集得到原始数据进行采样和/或预处理，得到行为数据。

其中，S1303是可选的步骤。

需要说明是，第一终端采集得到原始数据进行采样和/或预处理，得到行为数据的方式，可以参照前述S402和S403中的相关描述，此处不再一一赘述。

S1304，第一终端根据行为数据的频域特征，判断该行为数据是否可信。

其中，若省略了S1103中的预处理操作，那么行为数据可以为对人体运动传感器采集的原始数据进行采样后得到的数据；若省略了S1103中的采样操作和预处理操作，则行为数据可以为对人体运动传感器采集的原始数据。

需要说明的是，第一终端根据行为数据的频域特征，判断该行为数据是否可信的方式，可以参照前述S404中的相关描述，此处不再一一赘述。

S1305，第一终端若确定行为数据不可信，则向第二终端发送行为数据。

在一些实施例中，第一终端可以通过蓝牙或Wi-Fi等近距离通信技术，与第二终端进行数据交互。其中，第二终端中可以安装有与前述图2或图3中的应用程序A 215或应用程序B 217相关的应用程序。

在一些实施例中，第一终端可以省略S1303，由第二终端执行与S1303相似或相同的操作，对接收到的人体运动传感器采集得到原始数据进行采样和/或预处理。

S1306，第二终端向云端服务器发送行为数据。

S1307，云端服务器检测行为数据，得到检测结果。

其中，若第一终端或第二终端向云端服务器发送的是未采样或预处理的行为数据，则云端服务器在检测之前，也可以选择先对该行为数据进行采样或预处理。

需要说明的是，云端服务器检测行为数据的方式，可以参照前述S406中的相关描述，此处不再一一赘述。

S1308，云端服务器向第二终端发送检测结果。

S1309，第二终端向第一终端发送检测结果。

S1310，第一终端基于检测结果确定最新的运动数据。

若步骤1302已经执行，即在对行为数据进行检测之前运动数据已经更新，第一终端需要根据该检测结果验证运动数据(例如步数)的准确性。例如，当检测结果指示行为数据可信时，则无需再重新修改运动数据(例如步数)。又例如，当检测结果指示行为数据不可信时，则需要对步骤1302更新的数据进行回滚，即将运动数据恢复到更新之前。若步骤1302没有执行，即，对运动数据的更新是在检测之后，第一终端会根据检测结果刷新运动数据(例如步数)。例如，当检测结果指示行为数据可信时，则无需再刷新运动数据。又例如，当检测结果指示行为数据不可信时，则需要根据行为数据计算刷新运动数据。

在本申请实施例中，第一终端在难以确定行为数据是否可信时，可以向第二终端发送行为数据，第二终端将行为数据透传给云端服务器，并向第一终端透传对行为数据的检测结果，从而使得没有联网能力或联网能力较弱的第一终端，也能够从云端服务器获取到对应行为数据的检测结果，提高了获取该检测结果的可靠性。

请参照图14，为本申请实施例所提供的一种数据处理方法的流程图。图14所示的实施例是图4所示实施例的细化，具体展示了第一终端如何实现上述方法中第一终端所执行的步骤。该方法可以应用于第一终端与云端服务器之间的交互中，其中，第一终端可以为如图2所示终端A 210，云端服务器可以为如图2所示的服务器A 220，第一应用程序可以为图2中的应用程序B 217，第二应用程序可以为图2中的应用程序A 215。第一应用程序可以获取行为数据、根据行为数据生成运动数据、对行为数据进行检测并得到检测结果，且第一应用程序还可以请求云端服务器对行为数据进行进一步检测。第二应用程序无法从第一应用程序获取到行为数据，但可以从第一应用程序获取第一应用程序生成运动数据以及检测结果。在一些实施例中，第一应用程序还可以包括预留的运动数据接口和检测接口，第二应用程序可以从运动数据接口获取运动数据，从检测接口请求第一应用程序对行为数据进行检测，并获取检测结果。需要说明的是，该方法并不以图14以及以下所述的具体顺序为限制，应当理解，在其它实施例中，该方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该方法包括如下步骤：

S1401，第二应用程序向第一应用程序提交检测请求。

其中，检测请求用于请求检测行为数据。

S1402，第一应用程序获取行为数据。

其中，第一应用程序获取行为数据的方式，可以参照前述S401-S403中的相关描述，此处不再一一赘述。

S1403，第一应用程序根据行为数据的频域特征，判断该行为数据是否可信。

其中，第一终端根据行为数据的频域特征，判断该行为数据是否可信，可以参照前述S404中的相关描述，此处不再一一赘述。

需要说明的是，若第一应用程序通过S1403确定该行为数据可信，则可以向第二应用程序反馈检测结果。

S1404，第一应用程序若确定行为数据不可信，则向云端服务器发送该行为数据。

S1405，云端服务器检测行为数据，得到检测结果。

其中，云端服务器检测行为数据，得到检测结果的方式，可以参照前述S406中的相关描述符，此处不再一一赘述。

S1406，云端服务器向第一应用程序反馈检测结果。

S1407，第一应用程序向第二应用程序发送检测结果。

在一些实施例中，第一应用程序若基于检测结果，确定了新的运动数据，还可以将该新的运动数据发送给第二应用程序。

例如，第一应用程序为运动健康，第二应用程序为某保险。某保险获取用户授权，请求从第一应用该程序获取用户的步数并对该步数的真实性进行检测。当运动健康检测到用户步行时，通过陀螺仪和加速度计实时采集角速度和加速度，并基于角速度和加速度对步数进行更新，并将更新的步数同步至某保险。另外，运动健康还以每秒为单位，判断所采集的角速度和加速度是否可信，如果某一秒的角速度和加速度不可信，则运动健康从累计的总步数减去该秒对应的步数，得到新的步数。运动健康可以将新的步数以及检测结果通知给某保险。

在本申请实施例中，第一应用程序可以获取行为数据、根据行为数据生成运动数据、对行为数据进行检测并得到检测结果，且第一应用程序还可以请求云端服务器对行为数据进行进一步检测。第二应用程序可以从第一应用程序获取第一应用程序生成运动数据以及检测结果。在一些实施例中，第一应用程序还可以包括预留的运动数据接口和检测接口，第二应用程序可以从运动数据接口获取运动数据，从检测接口请求第一应用程序对行为数据进行检测，并获取检测结果。也即是，第二应用程序不会获取到行为数据，若第二应用程序为第三方应用程序，便能够减少用户隐私泄露的问题。

请参照图15，为本申请实施例所提供的一种数据处理方法的流程图。图15所示的实施例是图4所示实施例的细化，具体展示了第一终端如何实现上述方法中第一终端所执行的步骤。该方法可以应用于第一终端与云端服务器之间的交互中，其中，第一终端可以为如图3所示终端B 230，云端服务器可以为如图3所示的服务器B 240，第一应用程序可以为图3中的应用程序B 217，第二应用程序可以为图3中的应用程序A 215。第一应用程序可以获取行为数据并根据行为数据生成运动数据。第二应用程序可以从第一应用程序获取行为数据，对行为数据进行检测并得到检测结果，且第二应用程序还可以请求对应的云端服务器对行为数据进行进一步检测。在一些实施例中，第二应用程序也可以从第一应用程序获取运动数据，或者，第二应用程序可以根据行为数据自行生成运动数据。在一些实施例中，第一应用程序还可以包括预留的运动数据接口和行为数据接口，第二应用程序可以从运动数据接口获取运动数据，从行为数据接口获取行为数据。需要说明的是，该方法并不以图15以及以下所述的具体顺序为限制，应当理解，在其它实施例中，该方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该方法包括如下步骤：

S1501，第二应用程序从第一应用程序获取由人体运动传感器所采集的原始数据。

S1502，第二应用程序对采集的原始数据进行采样和/或预处理，得到行为数据。

其中，第二应用程序对采集的原始数据进行采样和/或预处理，得到行为数据的方式，可以参照前述S402和S403的相关描述，此处不再一一赘述。

在一些实施例中，也可以由第一应用程序对采集的原始数据进行采样和/或预处理，得到行为数据，并向第二应用程序发送该行为数据。

需要说明是，S1502为可选的步骤。

S1503，第二应用程序根据行为数据的频域特征，判断该行为数据是否可信。

其中，第二应用程序根据行为数据的频域特征，判断该行为数据是否可信的方式，可以参照前述S404中的相关描述，此处不再一一赘述。

S1504，第二应用程序若确定行为数据不可信，则向云端服务器发送该行为数据。

S1505，云端服务器检测行为数据，得到检测结果。

其中，云端服务器检测行为数据，得到检测结果的方式，可以参照前述S406中的相关描述，此处不再一一赘述。

S1506，云端服务器向第二应用程序反馈检测结果。

例如，第一应用程序为运动健康，第二应用程序为某保险。某保险获取用户授权，请求从第一应用该程序获取用户的步数以及行为数据。当运动健康检测到用户步行时，通过陀螺仪和加速度计实时采集角速度和加速度，并基于角速度和加速度对步数进行更新，并将更新的步数同步至某保险。另外，运动健康还将角速度和加速度发送给某保险，某保险以每秒为单位，判断所采集的角速度和加速度是否可信，如果某一秒的角速度和加速度不可信，则某保险从累计的总步数减去该秒对应的步数，得到新的步数。

在本申请实施例中，第一应用程序可以获取行为数据并根据行为数据生成运动数据。第二应用程序可以从第一应用程序获取行为数据，对行为数据进行检测并得到检测结果，且第二应用程序还可以请求对应的云端服务器对行为数据进行进一步检测。在一些实施例中，第二应用程序也可以从第一应用程序获取运动数据，或者，第二应用程序可以根据行为数据自行生成运动数据。在一些实施例中，第一应用程序还可以包括预留的运动数据接口和行为数据接口，第二应用程序可以从运动数据接口获取运动数据，从行为数据接口获取行为数据。也即是，第二应用程序可以获取到行为数据并对该行为数据进行检测，当第二应用程序为第三方应用程序时，可以基于自身业务和功能的差异，有针对性地进行个性化检测。

基于同一发明构思，作为对上述方法的实现，本申请实施例提供了一种数据处理装置，该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。

请参照图16，为本申请实施例提供的数据处理的结构示意图，如图16所示，本实施例提供的装置包括：

获取模块1610，用于获取行为数据，所述行为数据是根据人体运动传感器采集得到的数据生成的；

处理模块1620，用于根据所述行为数据的频域特征确定最新的运动数据，所述运动数据用于指示用户的运动量。

可选地，所述获取模块1610具体用于：

可选地，所述装置还包括收发模块(图中未示出)；

所述处理模块1620，具体用于根据所述行为数据的频域特征确定所述行为数据是否可信；若所述行为数据可信，则根据所述行为数据更新所述运动数据；

可选地，所述装置还包括更新模块(图中未示出)和收发模块：

所述更新模块，用于根据所述行为数据更新所述运动数据；

所述处理模块1620，具体用于根据所述行为数据的频域特征确定所述行为数据是否可信；

可选地，所述收发模块具体用于：

可选地，所述行为数据的频域特征包括直流分量幅值之外的最大频率分量幅值，所述处理模块1620具体用于：

可选地，所述装置包括第一应用程序和第二应用程序；

本实施例提供的数据处理装置可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

基于同一发明构思，本申请实施例还提供了一种终端设备。图17为本申请实施例提供的终端设备1700的结构示意图，如图17所示，本实施例提供的终端设备包括：存储器1710和处理器1720，存储器1710用于存储计算机程序；处理器1720用于在调用计算机程序时执行上述方法实施例所述的方法。

本实施例提供的终端设备可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。

基于同一发明构思，本申请实施例还提供了一种芯片系统。该所述芯片系统包括处理器，所述处理器与存储器耦合，所述处理器执行存储器中存储的计算机程序，以实现上述方法实施例所述的方法。

其中，该芯片系统可以为单个芯片，或者多个芯片组成的芯片模组。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的方法。

本申请实施例还提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现上述方法实施例所述的方法。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims

1.一种数据处理方法，其特征在于，应用于第一终端，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，

所述行为数据是所述人体运动传感器采集的原始数据；或，

3.根据权利要求2所述的方法，其特征在于，所述对所述人体运动传感器采集的原始数据进行采样包括：

4.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述行为数据的频域特征确定最新的运动数据包括：

根据所述行为数据的频域特征确定所述行为数据是否可信；

5.根据权利要求1-3任一所述的方法，其特征在于，在所述根据所述行为数据的频域特征确定最新的运动数据之前，所述方法还包括：

根据所述行为数据更新所述运动数据；

根据所述行为数据的频域特征确定所述行为数据是否可信；

6.根据权利要求4或5所述的方法，其特征在于，所述将所述行为数据发送给云端服务器，以使得所述云端服务器判断所述行为数据是否可信包括：

7.根据权利要求4或5所述的方法，其特征在于，所述行为数据的频域特征包括直流分量幅值之外的最大频率分量幅值，所述根据所述行为数据的频域特征确定所述行为数据是否可信，包括：

8.根据权利要求1-7任一所述的方法，其特征在于，所述方法应用于所述第一终端中的第一应用程序和第二应用程序，所述方法还包括：

9.根据权利要求1-8任一所述的方法，其特征在于，所述行为数据的数据类型包括角速度和加速度中的至少一个。

10.一种数据处理装置，其特征在于，所述装置包括：

11.根据权利要求10所述的装置，其特征在于，

所述行为数据是所述人体运动传感器采集的原始数据；或，

12.根据权利要求11所述的装置，其特征在于，所述获取模块具体用于：

13.根据权利要求10-12任一所述的装置，其特征在于，所述装置还包括收发模块；

14.根据权利要求10-12任一所述的装置，其特征在于，所述装置还包括更新模块和收发模块：

所述更新模块，用于根据所述行为数据更新所述运动数据；

15.根据权利要求13或14所述的装置，其特征在于，所述收发模块具体用于：

16.根据权利要求13或14所述的装置，其特征在于，所述行为数据的频域特征包括直流分量幅值之外的最大频率分量幅值，所述处理模块具体用于：

17.根据权利要求10-16任一所述的装置，其特征在于，所述装置包括第一应用程序和第二应用程序；

18.根据权利要求10-17任一所述的装置，其特征在于，所述行为数据的数据类型包括角速度和加速度中的至少一个。

19.一种终端设备，其特征在于，包括：存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于在调用所述计算机程序时执行如权利要求1-9任一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，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1-9任一项所述的方法。