一种动作计数方法、装置、终端设备及可读存储介质与流程

1.本技术涉及人工智能技术领域，尤其提供一种动作计数方法、装置、终端设备及可读存储介质。


背景技术：

2.现在人们生活节奏加快，越来越多的人喜欢健身，特别是男生，喜欢到健身房健身，通过一些健身项目来强化肌肉，包括腹肌训练椅、坐姿推胸、滑轮背部下拉、肩膊推举等锻炼人体不同部位的肌肉。现在很多运动者通过计数器来进行计数。但是，现有技术是通过计数设备上显示的数值来计数，记录不准确，且不方便用户统计自身的运动情况，健身效率较低。


技术实现要素：

3.本技术的目的在于提供一种动作计数方法、装置、终端设备及可读存储介质，旨在解决现有的问题，即对健身动作进行人为计数效率较低的问题。
4.为实现上述目的，本技术采用的技术方案是：
5.第一方面，本技术提供了一种动作计数方法，其包括：获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据；提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据；将所述有效数据输入预设模型，得到所述预设模型输出运动类型；根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。
6.在一个实施例中，所述提取速度信息中的有效数据，包括：计算所述速度信息的第一皮尔逊系数；根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据。
7.在一个实施例中，所述根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据，包括：若所述第一皮尔逊系数大于第一预设阈值，按重合度为第一重合值对分割窗口进行滑动；若第一皮尔逊系数小于或等于所述第一预设阈值，按重合度为第二重合值对所述分割窗口进行滑动，所述第一重合值小于所述第二重合值；计算所述分割窗口内数据的第二皮尔逊系数；若所述第二皮尔逊系数小于或等于第二预设阈值，则将所述第二皮尔逊系数确定为新的第一皮尔逊系数；若所述第二皮尔逊系数大于所述第二预设阈值，根据所述分割窗口内数据确定所述有效数据。
8.在一个实施例中，在所述提取速度信息中的有效数据之后，还包括：对所述有效数据进行归一化处理。
9.在一个实施例中，所述预设模型为lstm-cnn模型。
10.在一个实施例中，所述根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数，包括：根据每个时刻对应的所述运动类型，确定预设动作类型的次数；将所述预设动作类型的次数作为所述预设时段内用户的动作次数。
11.在一个实施例中，所述方法还包括：输出当前动作次数。
12.第二方面，本技术提供了一种动作计数装置，所述动作计数装置包括：获取模块，用于获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据；有效数据提取模块，用于提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据；识别模块，用于将所述有效数据输入预设模型，得到所述预设模型输出运动类型；次数确定模块，用于根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。
13.第三方面，本技术还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述第一方面的动作计数方法。
14.第四方面，本技术还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的动作计数方法。
15.本技术的有益效果：
16.本技术提供的一种动作计数方法、装置、终端设备及可读存储介质，可识别不同类型健身动作并进行计数，改善健身体验。
17.具体来说，首先获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据，从而获取识别健身动作所需的数据，然后提取所述速度信息中的有效数据，从而确定用户处于运动状态的时刻对应的数据，将所述有效数据输入预设模型，得到所述预设模型输出运动类型，从而识别出不同的健身运动类型；根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。通过上述过程，可以自动对健身运动的次数进行计数，无需人为计数，改善了用户的健身体验。
18.可以理解的是，可以实现上述方法的装置、终端设备及可读存储介质具有相同的有益效果。
附图说明
19.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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。
20.图1为本技术动作计数方法实施例一的流程图；
21.图2为本技术动作计数方法实施例一的流程图；
22.图3为本技术动作计数方法实施例一的流程图；
23.图4为本技术动作计数方法实施例一的流程图；
24.图5为本技术动作计数方法实施例二的模型结构图；
25.图6为本技术动作计数装置实施例的结构框图；
26.图7为本技术终端设备的结构框图。
具体实施方式
27.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
28.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一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
29.本技术实施例提供的动作计数方法，可以应用于手机、平板电脑等终端设备上，本技术实施例对终端设备的具体类型不做任何限制。
30.为了说明本技术所述的技术方案，下面通过以下实施例来进行说明。
31.实施例一
32.请参阅图1，本技术实施例提供的动作计数方法，包括：
33.步骤s11，获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据。
34.智能穿戴设备可以佩戴于手腕、手臂、腰部、脚踝、大腿等部位。智能穿戴设备上的传感器采集的速度信息可以是运动方向、加速度等数据。比如通过智能穿戴设备中的6轴加速度计，可以采集不同项目锻炼时的加速度数据。6轴加速度计采集的是预设时段内每个时刻的速度信息，比如以25hz的频率进行采集，则1秒内采集25个加速度数据。
35.步骤s12，提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据。
36.请参阅图2，在一个实施例中，所述提取速度信息中的有效数据，包括：
37.所述提取速度信息中的有效数据，具体步骤包括：
38.步骤s121，计算所述速度信息的第一皮尔逊系数。
39.该步骤是要计算一个初始化的皮尔逊系数，以便后续判断。皮尔逊系数是衡量数据线性相关性的指标，它的值在-1到1之间，反映了变量之间的线性相关程度。因此，采用皮尔逊系数来衡量相关度，可计算数据段与存储的手动分割的运动数据之间的相似度来完成数据的截取。皮尔逊系数s计算公式如下：
[0040][0041]
其中，cov(data,mdata)是表示待分割的数据与手动分割的运动数据的协方差，σ
data
是表示要分割数据的标准差，σ
mdata
表示手动分割的运动数据的标准差。需要说明的是，手动分割的运动数据是用户针对不同的运动类型的速度信息，比如在运动时采集的腹肌训练椅、坐姿推胸、滑轮背部下拉、肩膊推举的加速度数据，手动分割截取的模板数据。通过计算皮尔逊系数，可以确定待分割数据与模板数据的相关性。
[0042]
步骤s122，根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据。
[0043]
窗口分割是通过固定的时间窗口长度的分割窗口对速度信息进行分割。具体地，可以通过计算待分割数据段与预先存储的手动分割的运动数据模板之间的相似度来进行分割，从而在速度信息中分割出特定运动类型对应的有效数据。其中，待分割数据段与预先存储的手动分割的运动数据模板之间的相似度可以用第一皮尔逊系数进行衡量。根据第一
皮尔逊系数可以对速度信息进行窗口分割，生成有效数据。
[0044]
请参阅图3，在一个实施例中，所述根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据，包括：
[0045]
步骤s1221，若所述第一皮尔逊系数大于第一预设阈值，按重合度为第一重合值对分割窗口进行滑动。
[0046]
步骤s1222，若第一皮尔逊系数小于或等于所述第一预设阈值，按重合度为第二重合值对所述分割窗口进行滑动，所述第一重合值小于所述第二重合值。
[0047]
在应用中，分割窗口的长度可以为65个数据，即分割窗口内包含65个加速度数据。第一重合值可以为0，第二重合值可以为70％。
[0048]
设置不同的重合度，可确保速度信息和手动分割的数据能够充分匹配，不会漏检数据。第一皮尔逊系数大于第一预设阈值，说明当前分割窗口内的速度信息已经在前一次的判断周期中被截取并被确定为有效数据，此时按重合度为0滑动分割窗口不会造成有效数据的漏检。第一皮尔逊系数小于或等于第一预设阈值，此时按重合度为70％滑动分割窗口，滑动前的分割窗口中有70％的速度信息保留在滑动后的分割窗口中，一定程度确保有效数据不被漏检。
[0049]
需要说明的是，按重合度为特定数值对分割窗口进行滑动，是指滑动前后的分割窗口的重合度为该特定数值。以重合度为0为例，假设分割窗口在滑动前截取第一个至第六十五个速度信息，按重合度为0进行滑动后，其截取第六十六至第一百三十个速度信息，也就是说，滑动前后分割窗口截取的速度信息没有重合部分。再以重合度为70％为例，假设分割窗口在滑动前截取第一个至第六十五个速度信息，按重合度为70％进行滑动后，其截取第二十至第八十五个速度信息，也就是说，滑动前后分割窗口截取的速度信息有重合部分，重合部分所占比例为70％。
[0050]
步骤s1223，计算所述分割窗口内数据的第二皮尔逊系数。
[0051]
第二皮尔逊系数的计算方法与第一皮尔逊系数的方法相同，具体可参考上文方法描述。
[0052]
步骤s1224，若所述第二皮尔逊系数小于或等于第二预设阈值，则将所述第二皮尔逊系数确定为新的第一皮尔逊系数。
[0053]
步骤s1225，若所述第二皮尔逊系数大于所述第二预设阈值，根据所述分割窗口内数据确定所述有效数据。
[0054]
需要说明的是，若所述第二皮尔逊系数小于或等于第二预设阈值，则将所述第二皮尔逊系数确定为新的第一皮尔逊系数，然后重新返回步骤s1221进行处理，若所述第二皮尔逊系数大于第二预设阈值，则可将分割窗口内数据确定为有效数据。
[0055]
上述实施例中，通过计算皮尔逊系数可以判断当前分割窗口截取的数据是否为潜在的运动数据。
[0056]
在一个实施例中，在所述提取速度信息中的有效数据之后，还包括：
[0057]
对所述有效数据进行归一化处理。
[0058]
不同特征数据往往具有不同的量纲和量纲单位，这样可能会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。数据归一化处理后，可以消除奇异样本数据导致的不良影响，加快梯度下降求最优解的
速度，且有可能提高精度。
[0059]
在应用中，可以采用z-score算法来归一化数据。具体地，对所述有效数据进行归一化处理，包括：
[0060]
对所述分割窗口内的每个数据xi，采用如下公式进行归一化处理，生成预处理数据yi：
[0061][0062]
其中，xi为所述分割窗口内的数据，为所述分割窗口内的数据的平均值，std(x)为所述分割窗口内的数据的标准差。
[0063]
经过上述公式转化，使得数据符合均值为0，标准差为1的正态分布。
[0064]
步骤s13，将所述有效数据输入预设模型，得到所述预设模型输出运动类型。
[0065]
预设模型可以是一种深度学习模型，用于对每个时刻的有效数据进行识别，输出识别到的运动类型的概率。用户可以根据需要选择不同的深度学习模型，比如卷积神经网络模型等。使用预设模型进行推理前，需要使用样本数据对预设模型进行训练。每一次训练，都将预设模型的输出的运动类型的概率与预设条件进行比较，若不符合条件，则调节预设模型的参数，直到预设模型的输出的运动类型的概率符合预设条件，此后，可以直接使用预设模型进行推理。
[0066]
步骤s14，根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。
[0067]
请参阅图4，在一个实施例中，所述根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数，包括：
[0068]
步骤s141，根据每个时刻对应的所述运动类型，确定预设动作类型的次数。
[0069]
步骤s142，将所述预设动作类型的次数作为所述预设时段内用户的动作次数。
[0070]
用户可以在数据库中创建列表记录不同运动类型的次数，每次预设模型的识别出一种运动类型，比如腹肌训练椅、坐姿推胸、滑轮背部下拉、肩膊推举等，就在列表上相应的运动类型的次数上做加一计算，并适时输出该动作类型的动作计数值。
[0071]
在应用中，除了单独使用智能穿戴设备采集用户的数据来识别动作类型的动作计数值，还可以结合健身设备的参数，比如健身设备的重量、运转速度，来综合分析用户的健身质量，从而进行健康管理。比如坐姿推胸，结合该健身运动类型的次数，以及坐姿推胸设备的负荷重量、运转速度，通过设定不同的权重计算出健身强度值，并设定一个阈值，当健身强度值达到该阈值时发出提示音告知用户进行休息或转换其他健身动作，从而改善健身效果。
[0072]
在一个实施例中，所述方法还包括：输出当前动作次数。
[0073]
在应用中，用户可以根据需要设定多种的动作次数输出情景。比如正在进行一种运动的情况下，可以统计当前进行的运动类型的动作次数，实时显示。又比如，可以在进行多种运动后，统计每种运动类型的动作次数，用户可以查询具体运动类型的动作次数。又比如，可以根据多种运动以及每种运动对应的消耗的能量，输出用户消耗的能量。
[0074]
本技术实施例可识别不同类型健身动作并进行计数，改善健身体验。
[0075]
具体来说，首先获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据，从而获取识别健身动作所需的数据，然后提取所述速度信息中的有效数据，从而确定用户处于运动状态的时刻对应的数据，将所述有效数据输入预设模型，得到所述预设模型输出运动类型，从而识别出不同的健身运动类型；根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。通过上述过程，可以自动对健身运动的次数进行计数，无需人为计数，改善了用户的健身体验。
[0076]
实施例二
[0077]
本技术实施例提供一种动作计数方法，包括实施例一中的步骤s11至步骤s14，本实施例是对实施例一的进一步说明，与实施例一相同或相似的地方，具体可参见实施例一的相关描述，此处不再赘述。
[0078]
在一个实施例中，所述预设模型为lstm-cnn模型。
[0079]
健身运动的加速度数据的波形变化具有很强的时空规律。长短期记忆递归神经网络(long short term memory，lstm)能够捕捉到运动的时间规律，在时间序列数据的预测和分类中取得满意的效果。卷积神经网络(convolutional neural network，cnn)广泛应用于特征提取，避免了人主观的提取特征不准确的问题。因此，lstm网络在处理时间序列上效果好，cnn网络在处理多分类时效果较好，通过lstm-cnn的组合对采集到的姿态数据进行分类识别，进而使用lstm提取步态数据的时间特征，使用cnn提取空间局部特征。
[0080]
图5是lstm单元的结构。在t时刻，用x
t
表示神经元的输入，c
t
表示记忆的内容，h
t
表示输出，遗忘门的输出为f
t
，输入门通过计算新的候选内存单元来生成当前内存c
t
，并将其与遗忘者输出的旧内存相结合，具体公式如下：
[0081]ft
＝σ(wf[x
t,ht-1
]+bf)
[0082]it
＝σ(wi[x
t,ht-1
]+bi)
[0083][0084][0085]
σ表示激活函数sigmoid,wf表示权重，bf表示偏置项，i
t
表示输入门的激活值，f
t
表示遗忘门的激活值，wi和wc表示权重，bi表示偏置项。
[0086]
lstm单元的输出由输入门决定：
[0087]ot
＝σ(wo[x
t,ht-1
]+bo)
[0088]ht
＝o
t
*tanh(c
t
)
[0089]ot
为输出门的激活值，h
t
为t时刻当前神经元的输出值。
[0090]
lstm-cnn网络由lstm网络和cnn网络组成，包含共有64个神经元的两层lstm，2个卷积层和2个池化层，最后通过全连接层与softmax连接。将归一化后的6轴加速度数据65*6输入一个共有64个神经元的两层lstm，分别为l1和l2。lstm输出数据的大小为32*65，l2层之后与2层的cnn网络相连接，卷积核数分别为c1和c2，设置为64和128，卷积核的大小为1*3，步长为1，卷积之后通过最大池化层连接，降低特征图的维数，压缩特征图。最后通过全连接层与softmax分类器连接，通过softmax分类器输出运动类型的概率值，通过lstm-cnn网络即可对腹肌训练椅、坐姿推胸、滑轮背部下拉、肩膊推举等运动进行识别和计数，概率值最大的运动类型即为识别出的运动类型。
[0091]
在另一个实施例中，预设模型还可以是前馈反向神经网络模型(back propagation，bp)。在使用前馈反向神经网络之前，将佩戴可穿戴设备的不同节点分为上身和下身两个类别，在下身的类别，提取脚踝和大腿节点的有效数据的特征(均值、方差、能量)，训练一个前馈反向神经网络来分类下身状态。在上身类别，提取手腕、手臂和腰部节点的有效数据的特征(均值、方差、能量)，并对应不同的下身状态设计上身的前馈反向神经网络，来识别上身动作，并推断出最终的健身动作。
[0092]
本技术实施例可识别不同类型健身动作并进行计数，改善健身体验。
[0093]
具体来说，首先获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据，从而获取识别健身动作所需的数据，然后提取所述速度信息中的有效数据，从而确定用户处于运动状态的时刻对应的数据，将所述有效数据输入预设模型，得到所述预设模型输出运动类型，从而识别出不同的健身运动类型；根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。通过上述过程，可以自动对健身运动的次数进行计数，无需人为计数，改善了用户的健身体验。
[0094]
除了上述有益效果，本技术实施例还通过lstm-cnn的组合对采集到的有效数据进行分类识别。由于lstm网络在处理时间序列上效果好，cnn网络在处理多分类时效果较好，使用lstm提取步态数据的时间特征，使用cnn提取空间局部特征，可以达到较好的识别分类效果。
[0095]
实施例三
[0096]
对应于上文实施例所述的动作计数方法，图6示出了本技术实施例提供的动作计数装置60的结构框图，该系统可以是终端设备中的虚拟装置(virtual appliance)，由终端设备的处理器运行，也可以是集成于终端设备本身。为了便于说明，仅示出了与本技术实施例相关的部分。
[0097]
本技术实施例动作计数装置60包括：
[0098]
获取模块61，用于获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据；
[0099]
有效数据提取模块62，用于提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据；
[0100]
识别模块63，用于将所述有效数据输入预设模型，得到所述预设模型输出运动类型；
[0101]
次数确定模块64，用于根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。
[0102]
在一个实施例中，所述有效数据提取模块包括：
[0103]
第一系数计算单元，用于计算所述速度信息的第一皮尔逊系数；
[0104]
窗口分割单元，用于根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据。
[0105]
在一个实施例中，所述窗口分割单元包括：
[0106]
第一滑动子单元，用于若所述第一皮尔逊系数大于第一预设阈值，按重合度为第一重合值对分割窗口进行滑动；
[0107]
第二滑动子单元，用于若第一皮尔逊系数小于或等于所述第一预设阈值，按重合
度为第二重合值对所述分割窗口进行滑动，所述第一重合值小于所述第二重合值；
[0108]
第二系数计算子单元，用于计算所述分割窗口内数据的第二皮尔逊系数；
[0109]
循环子单元，用于若所述第二皮尔逊系数小于或等于第二预设阈值，则将所述第二皮尔逊系数确定为新的第一皮尔逊系数；
[0110]
有效数据确定子单元，用于若所述第二皮尔逊系数大于所述第二预设阈值，根据所述分割窗口内数据确定所述有效数据。
[0111]
在一个实施例中，在所述有效数据提取模块之后，还包括：
[0112]
归一化模块，用于对所述有效数据进行归一化处理。
[0113]
在一个实施例中，所述预设模型为lstm-cnn模型。
[0114]
在一个实施例中，所述次数确定模块包括：
[0115]
预设动作次数确定单元，用于根据每个时刻对应的所述运动类型，确定预设动作类型的次数；
[0116]
动作次数设定单元，用于将所述预设动作类型的次数作为所述预设时段内用户的动作次数。
[0117]
在一个实施例中，所述系统还包括：
[0118]
次数输出模块，用于输出当前动作次数。
[0119]
本技术实施例可识别不同类型健身动作并进行计数，改善健身体验。
[0120]
具体来说，获取模块首先获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据，从而获取识别健身动作所需的数据，然后有效数据提取模块提取所述速度信息中的有效数据，从而确定用户处于运动状态的时刻对应的数据，识别模块将所述有效数据输入预设模型，得到所述预设模型输出运动类型，从而识别出不同的健身运动类型；次数确定模块根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。通过上述过程，可以自动对健身运动的次数进行计数，无需人为计数，改善了用户的健身体验。
[0121]
实施例四
[0122]
如图7所示，本技术还提供了一种终端设备70，包括存储器71、处理器72以及存储在所述存储器中并可在所述处理器上运行的计算机程序73，例如。所述处理器72执行所述计算机程序73时实现上述各动作计数方法实施例中的步骤，例如实施例一和/或实施例二中的方法步骤。所述处理器72执行所述计算机程序73时实现上述各装置实施例中各模块的功能，例如实施例三中各模块、单元的功能。
[0123]
示例性的，所述计算机程序73可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器71中，并由所述处理器72执行，以完成本技术实施例一、实施例二和/或实施例三。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序73在所述终端设备70中的执行过程。例如，所述计算机程序73可以被分割成获取模块、有效数据提取模块、识别模块、次数确定模块等，各模块具体功能在上述实施例三中已有描述，此处不再赘述。
[0124]
所述终端设备70可以是接访终端设备。所述终端设备可包括，但不仅限于，存储器71，处理器72。本领域技术人员可以理解，图7仅仅是终端设备70的示例，并不构成对终端设备70的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例
如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0125]
所述存储器71可以是所述终端设备70的内部存储单元，例如终端设备70的硬盘或内存。所述存储器71也可以是所述终端设备70的外部存储设备，例如所述终端设备70上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器71还可以既包括所述终端设备70的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
[0126]
所称处理器72可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0127]
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，并不用于限制本技术的保护范围。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。
[0128]
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。
[0129]
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发明的范围。
[0130]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端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。
[0131]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0132]
另外，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。
[0133]
所述集成的模块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，本发明实现上述实施例方法中的全部或部分流程，也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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0134]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种动作计数方法，其特征在于，所述方法包括：获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据；提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据；将所述有效数据输入预设模型，得到所述预设模型输出运动类型；根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。2.根据权利要求1所述的方法，其特征在于，所述提取所述速度信息中的有效数据，包括：计算所述速度信息的第一皮尔逊系数；根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一皮尔逊系数对所述速度信息进行窗口分割，生成所述有效数据，包括：若所述第一皮尔逊系数大于第一预设阈值，按重合度为第一重合值对分割窗口进行滑动；若所述第一皮尔逊系数小于或等于所述第一预设阈值，按重合度为第二重合值对所述分割窗口进行滑动，所述第一重合值小于所述第二重合值；计算所述分割窗口内数据的第二皮尔逊系数；若所述第二皮尔逊系数小于或等于第二预设阈值，则将所述第二皮尔逊系数确定为新的第一皮尔逊系数；若所述第二皮尔逊系数大于所述第二预设阈值，根据所述分割窗口内数据确定所述有效数据。4.根据权利要求3所述的方法，其特征在于，在所述提取速度信息中的有效数据之后，还包括：对所述有效数据进行归一化处理。5.根据权利要求1所述的方法，其特征在于，所述预设模型为lstm-cnn模型。6.根据权利要求1所述的方法，其特征在于，所述根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数，包括：根据每个时刻对应的所述运动类型，确定预设动作类型的次数；将所述预设动作类型的次数作为所述预设时段内用户的动作次数。7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：输出当前动作次数。8.一种动作计数装置，其特征在于，包括：获取模块，用于获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据；有效数据提取模块，用于提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据；识别模块，用于将所述有效数据输入预设模型，得到所述预设模型输出运动类型；次数确定模块，用于根据每个时刻对应的所述运动类型确定所述预设时段内用户的动
作次数。9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述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权利要求1至权利要求7任一所述的动作计数方法。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计算机程序，所述计算机程序被处理器执行时实现权利要求1至权利要求7任一所述的动作计数方法。

技术总结
本申请涉及人工智能技术领域，提供一种动作计数方法、装置、终端设备及可读存储介质。动作计数方法包括：获取预设时段内每个时刻的速度信息，所述速度信息为用户佩戴的穿戴设备上的传感器所采集的数据；提取所述速度信息中的有效数据，所述有效数据为所述用户处于运动状态的时刻对应的数据；将所述有效数据输入预设模型，得到所述预设模型输出运动类型；根据每个时刻对应的所述运动类型确定所述预设时段内用户的动作次数。实施本申请，可识别不同类型健身动作并进行计数，改善健身体验。改善健身体验。改善健身体验。


技术研发人员：游伟强
受保护的技术使用者：深圳市前海研祥亚太电子装备技术有限公司
技术研发日：2023.06.15
技术公布日：2023/9/16