一种运动行为识别方法、装置及运动强度监测系统

技术领域

本发明涉及电子器械应用技术领域，尤其涉及一种运动行为识别方法、装置及运动强度监测系统。

背景技术

随着人们的健身认识不断提高，如何科学有效的监测和指导健身者的运动行为和运动强度，已经逐渐成为大家关注的焦点问题。目前比较普遍的做法是利用计步器来统计健身者的运动步数，并依此来计算运动者的能量消耗，然后再通过互联网等技术手段，把相关结果展现给用户，从而防止用户运动量不足，或运动过量的一种工具。

虽然这种方式在一定程度上满足了对运动者的运动状态进行跟踪和记录的需求，但是利用计步器只能比较准确的识别步行和跑步行为，不能识别其它更多的运动行为。基于此，由于现有的计步器等工具存在无法识别多种运动行为的局限性，使得计步器对人体能量消耗计算的针对性不强，进而导致计算结果的准确性较低。

发明内容

有鉴于此，本发明实施例的主要目的在于提供一种运动行为识别方法、装置及运动强度监测系统，以实现准确识别运动者运动行为的目的。

为实现上述目的，本发明实施例提供了一种运动行为识别方法，包括：

获取反映运动者实际运动行为的实际数据集；

将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。

本发明实施例还提供了一种运动行为识别装置，包括：

实际数据获取模块，用于获取反映运动者实际运动行为的实际数据集；

运动行为匹配模块，用于将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。

本发明实施例还提供了一种运动强度监测系统，包括：运动行为识别装置、心率监护装置及运动强度监测装置；

所述运动行为识别装置，用于识别运动者的运动行为；

所述心率监护装置，用于监测所述运动者的休息心率，并根据所述休息心率确定所述运动者的疲劳状态；或，监测所述运动者的锻炼心率，并根据所述锻炼心率确定所述运动者的疲劳状态；

所述运动强度监测装置，用于根据所述运动行为和所述疲劳状态确定所述运动者的运动强度是否合理。

本发明实施例提供的运动行为识别方法、装置及运动强度监测系统，通过获取反映运动者实际运动行为的实际数据集；将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。本技术方案，通过实时对运动者的运动数据进行采集，并利用这些数据将运动者的运动行为与动作特征库中既存的预置动作进行相似度匹配，以将匹配度最高的预置动作作为运动者的实际动作，从而可准确识别运动者的动作姿势，进而通过动作姿势的识别，让人体能量消耗的计算更有针对性，并可提高计算结果的准确性。

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为本发明实施例提供的运动行为识别方法的流程示意图；

图2为本发明实施例提供的实际数据集获取方法的流程示意图；

图3为本发明实施例提供的三个加速轴上的采样数据曲线图；

图4为本发明实施例提供的加速度坐标系与固定坐标系的示意图；

图5为本发明实施例提供的三轴重力加速度传感器垂直坐标系示意图；

图6为本发明实施例提供的运动行为识别装置的结构框图；

图7为本发明实施例提供的运动强度监测系统的组成示意图；

图8为本发明实施例提供的运动强度监测系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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做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，为本发明实施例提供的运动行为识别方法的流程示意图，该方法应用于一种运动行为识别装置，实现该方法的步骤包括：

步骤101：获取反映运动者实际运动行为的实际数据集。

步骤102：将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。

对于步骤101，参见图2，为本发明实施例提供的实际数据集获取方法的流程示意图，实现步骤101的步骤包括：

步骤201：利用三轴重力加速度传感器以设定时间间隔连续采集每个采样点的三轴加速度分量。

步骤202：当确定所述采样点的类型为瞬时静止点或正向加速最大幅值点或负向加速最大幅值点时，确定所述采样点为特征采样点，并将所述特征采样点的三轴加速度分量存入存储器内。

通过观察人们的日常健身动作，如行走过程中的摆臂及步伐、仰卧起坐过程中的身体弯曲、俯卧撑过程中身体的起伏等，发现它们都具有以下共同特性：

第一、往复性；第二、往复点的瞬时静止性；第三、动作力量与加速度正相关，即动作力量越大，则加速度越大；第四、动作周期与动作频率反相关，即一个动作周期越短，则动作频率越高。针对上述特征，可利用三轴重力加速度传感器采集加速度数据，典型的，数据输出曲线如图3所示，图中曲线由各个采样点的加速度值连接而成，图中圆点为特征采样点。

当启动三轴重力加速度传感器后，会获取到所述三轴重力加速度传感器输出的与每个加速轴对应的加速度分量，这时可利用下述公式计算每个采样点的合力加速度值A_sum：

$>A_{\mathrm{sum}}=\sqrt{A_x*A_x+A_y*A_y+A_z*A_z}$>

其中，A_x为采样点的Ｘ轴加速度分量，A_y为采样点的Ｙ轴加速度分量，A_z为采样点的Ｚ轴加速度分量；

在步骤202中，可利用下述方法确定当前采样点是否为特征采样点及特征采样点的类型：

首先，利用公式计算采样点的第一合力加速度值A_sum，其中，A_x为采样点的Ｘ轴加速度分量，A_y为采样点的Ｙ轴加速度分量，A_z为采样点的Ｚ轴加速度分量；

然后，获取所述第一合力加速度值与重力加速度值的差值的第一绝对值；

最后，确定采样点的类型：

当所述第一绝对值小于预设差值时，获取第二合力加速度值与重力加速度值的差值的第二绝对值，以及第三合力加速度值与重力加速度值的差值的第三绝对值；如果所述第二绝对值和所述第三绝对值均大于所述第一绝对值，则确定所述采样点的类型为瞬时静止点；

需要说明的是，对于一个采样点，当该采样点的合力加速度值A_sum≈Ｇ，即若该采样点的A_sum最接近于Ｇ时，根据三轴重力加速度传感器的重力加速度平衡原理，可以判定该采样点的类型为瞬时静止点。

当所述第一绝对值不小于所述预设差值时，如果所述第一合力加速度值大于所述重力加速度值，且第二合力加速度值与第三合力加速度值均小于所述第一合力加速度值，则获取所述采样点的三个加速度分量中绝对值最大的加速度分量；如果所述获取的加速度分量为正值，则确定所述采样点的类型为正向加速最大幅值点，如果所述获取的加速度分量为负值，则确定所述采样点的类型为负向加速最大幅值点；

其中，所述第二合力加速度值为所述采样点的前一采样点的合力加速度值，所述第三合力加速度值为所述采样点的后一采样点的合力加速度值。

参见图3，对于每一坐标系中坐标轴上的采样点，其类型为瞬时静止点；对于每一坐标系中正向加速度幅值最大的采样点，其类型为正向加速最大幅值点；对于每一坐标系中负向加速度幅值最大的采样点，其类型为负向加速最大幅值点。

对于每个特征采样点，可将其采样时间、各加速轴的加速度分量和特征采样点类型分别存储在下面的三个三维矩阵中，并把下面的三维矩阵存储在存储器中的采样数据缓存中：

$>M_X=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ A_{X0}& A_{X1}& A_{X2}& A_{X3}& A_{X4}& A_{X5}& ···& A_{\mathrm{Xn}}\\ P_{X0}& P_{X1}& P_{X2}& P_{X3}& P_{X4}& P_{X5}& ···& P_{\mathrm{Xn}}\end{array}\right)$>

$>M_Y=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ A_{Y0}& A_{Y1}& A_{Y2}& A_{Y3}& A_{Y4}& A_{Y5}& ···& A_{\mathrm{Yn}}\\ P_{Y0}& P_{Y1}& P_{Y2}& P_{Y3}& P_{Y4}& P_{Y5}& ···& P_{\mathrm{Yn}}\end{array}\right)$>

$>M_Z=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ A_{Z0}& A_{Z1}& A_{Z2}& A_{Z3}& A_{Z4}& A_{Z5}& ···& A_{\mathrm{Zn}}\\ P_{Z0}& P_{Z1}& P_{Z2}& P_{Z3}& P_{Z4}& P_{Z5}& ···& P_{\mathrm{Zn}}\end{array}\right)$>

其中，T_i代表特征采样点ｉ的采样时间；A_Xi代表特征采样点ｉ在Ｘ加速轴上的加速度（即Ｘ轴加速度分量），A_Yi代表特征采样点ｉ在Ｙ加速轴上的加速度（即Ｙ轴加速度分量），A_Zi代表特征采样点ｉ在Ｚ加速轴上的加速度（即Ｚ轴加速度分量）；P（ｉ相同时，P_Xi＝P_Yi＝P_Zi）代表特征采样点ｉ的类型（比如：0：表示所述类型为瞬时静止点，1：表示所述类型为正向加速度最大幅值点，－1：　表示所述类型为反向加速最大幅值点）。

其中，ｉ＝0、1、2……ｎ。

步骤203：利用设定数量的特征采样点计算所述运动者的实际动作频率，并将所述实际动作频率存入存储器内。

在本发明实施例中，所述设定数量的特征采样点包括2Ｎ＋1个类型为瞬时静止点的第一特征采样点、以及每两个第一特征采样点间采集的类型为正向加速最大幅值点的第二特征采样点或类型为负向加速最大幅值点的第三特征采样点；其中，每相邻两个第一特征采样点间的采样时间差大于第一时间且小于第二时间，所述第一时间小于所述第二时间，Ｎ为整数且大于或等于1。

在步骤203中，利用公式Ｆ＝Ｎ／（Ｔ0－ＴＳ）计算所述运动者的实际动作频率Ｆ；其中，Ｔ0为所述2Ｎ＋1个第一特征采样点中第一个特征采样点的采样时间，ＴＳ为所述2Ｎ＋1个第一特征采样点中最后一个特征采样点的采样时间。

举例说明：在执行步骤203前，首先要获取设定数量的特征采样点，并将这些采样点作为一个识别单元。具体的，依次从采样数据缓存中把采样点的采样数据读入到存储器的识别缓存中，读入过程中会统计类型为瞬时静止点的特征采样点（也称静止采样点）的个数，直到获取到2Ｎ＋1个静止采样点为止，假设2Ｎ＋1＝7，则可按照下述方法获取这7个静止采样点：

第1步，读入第1个采样点，如果读入识别缓存中的第1个采样点是非静止采样点，则舍弃该非静止采样点并继续读入后续的采样点，直到将第2个静止采样点读入识别缓存中；如果读入识别缓存中的第1个采样点是静止采样点，则保留第1个静止采样点并继续读入后续的采样点，直到将第2个静止采样点读入识别缓存中。

第2步，判断第1个静止采样点与第2个静止采样点间的采样时间差是否大于第一时间（例如：0.5秒）且小于第二时间（例如：3秒），如果是，则保留第2个静止采样点并继续读入后续的采样点，直到将第3个静止采样点读入识别缓存中；如果否，则舍弃第2个静止采样点以及第2个静止采样点与第1个静止采样点之间的所有采样点，并继续读入后续的采样点，直到将第3个静止采样点读入识别缓存中；

第3步，判断第2个静止采样点与第3个静止采样点间的采样时间差是否大于第一时间（例如：0.5秒）且小于第二时间（例如：3秒），继续执行类似第2步中的取舍流程，直到保留7个静止采样点为止。

下面利用上述读入的7个静止采样点的采样数据计算运动者的动作次数和动作频率，计算方法如下：

动作次数Ｓ＝（7－1）／2　＝　3，表示一个识别单元包括3个动作周期，每个动作周期由3个静止采样点、一个正向最大幅值点和一个负向最大幅值点组成。

动作频率Ｆ　＝　3／（　Ｔ1－Ｔ7)，单位为次数／秒，其中，3为动作次数Ｓ，Ｔ1为7个静止采样点中第1个静止采样点的采样时间，Ｔ7为7个静止采样点中第7个静止采样点的采样时间。

步骤204：从所述设定数量的特征采样点中提取类型为瞬时静止点的各个特征采样点，对于每个提取特征采样点所在的三个加速轴，确定所述三个加速轴中每个加速轴所在平面与水平平面之间的偏移角度，并将所述偏移角度存入存储器内。

由于三轴重力加速度传感器的三个加速轴所在的三维坐标系始终是以运动行为识别装置的屏幕作为参照系，所以可建立一个加速度坐标系X’Y’Z’，其中，X’加速轴方向始终与屏幕横屏方向平行，Y’加速轴方向始终与屏幕纵屏方向平行，Z’加速轴方向始终垂直屏幕方向，因此X’Y’Z’坐标系的三个坐标轴会随着运动行为识别装置的移动、翻转而发生方向变化。同时，由于重力加速度始终垂直向下，因此我们可以再以重力加速度为基础，建立一个固定坐标系ＸＹＺ，其中，Ｘ固定轴方向与地面平行，Ｙ固定轴方向与地面垂直，Ｚ固定轴方向垂直于ＸＹ平面。加速度坐标系X’Y’Z’与固定坐标系ＸＹＺ的关系如图4所示。

静止是一种受力平衡状态，因此根据力的平衡原理，运动行为识别装置在静止时，垂直向下的重力加速度会被分解为三个与当前加速度方向相反，且绝对值相等的加速度，从而使运动行为识别装置保持一种静止状态。因此，可以使用以下方法来计算运动行为识别装置在瞬时静止时，加速度坐标系X’Y’Z’中各加速轴所在平面相对于水平平面的偏移角度。计算方法如下：

参见图5，为本发明实施例提供的三轴重力加速度传感器垂直坐标系示意图。静止采样点ａ（ｍ，ｋ）在X’轴和Y’轴的加速度分别是ｍ和ｋ，根据平衡原理，重力加速度被分解在X’轴和Y’轴上的加速度分别是－ｍ和－ｋ；由此可以使用以下方法来计算X’加速轴所在平面相对于水平平面的偏移角度（∠α）：

∵　∠α　＝　∠β。

∵　Ｚ轴方向是固定重力加速度的方向，且重力加速度默认值是9.8。

∵运动行为识别装置处于静止状态，所以Y’轴加速度ｋ的反向加速度等于－ｋ。

∴　∠β　＝　　Ａｒｃｃｏｓ（－ｋ／9.8）。

同理，也可以计算出加速度坐标系中其他各加速轴所在平面相对于水平面的偏移角度。

至此，可将上述的三个三维矩阵变换为三个四维矩阵，变换结果如下：

$>M_X=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ A_{X0}& A_{X1}& A_{X2}& A_{X3}& A_{X4}& A_{X5}& ···& A_{\mathrm{Xn}}\\ P_{X0}& P_{X1}& P_{X2}& P_{X3}& P_{X4}& P_{X5}& ···& P_{\mathrm{Xn}}\\ {\alpha }_{X0}& {\alpha }_{X1}& {\alpha }_{X2}& {\alpha }_{X3}& {\alpha }_{X4}& {\alpha }_{X5}& ···& {\alpha }_{\mathrm{Xn}}\end{array}\right)$>

$>M_Y=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ A_{Y0}& A_{Y1}& A_{Y2}& A_{Y3}& A_{Y4}& A_{Y5}& ···& A_{\mathrm{Yn}}\\ P_{Y0}& P_{Y1}& P_{Y2}& P_{Y3}& P_{Y4}& P_{Y5}& ···& P_{\mathrm{Yn}}\\ {\alpha }_{Y0}& {\alpha }_{Y1}& {\alpha }_{Y2}& {\alpha }_{Y3}& {\alpha }_{Y4}& {\alpha }_{Y5}& ···& {\alpha }_{\mathrm{Yn}}\end{array}\right)$>

$>M_Z=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ A_{Z0}& A_{Z1}& A_{Z2}& A_{Z3}& A_{Z4}& A_{Z5}& ···& A_{\mathrm{Zn}}\\ P_{Z0}& P_{Z1}& P_{Z2}& P_{Z3}& P_{Z4}& P_{Z5}& ···& P_{\mathrm{Zn}}\\ {\alpha }_{Z0}& {\alpha }_{Z1}& {\alpha }_{Z2}& {\alpha }_{Z3}& {\alpha }_{Z4}& {\alpha }_{Z5}& ···& {\alpha }_{\mathrm{Zn}}\end{array}\right)$>

其中，α_Xi表示特征采样点ｉ的Ｘ加速所在平面与水平平面之间的偏移角度，　α_Yi表示特征采样点ｉ的Ｙ加速轴所在平面与水平平面之间的偏移角度，α_Zi表示特征采样点ｉ的Ｚ加速轴所在平面与水平平面之间的偏移角度。

其中，ｉ＝0、1、2……ｎ。

需要说明的是，只需要将静止采样点的每个加速轴所在平面与水平平面之间的偏移角度添加入上述四维矩阵的对应位置处，由于不需要获取除静止采样点外的其它特征采样点的每个加速轴所在平面与水平平面之间的偏移角度，所以其它对应位置可用0填充。

在执行步骤101之后且在执行步骤102之前，还需要执行步骤：对所述实际数据集中的数据进行处理；具体处理内容包括以下三个部分：

1、从所述设定数量的特征采样点中提取类型为正向加速最大幅值点的特征采样点，从所述存储器中获取所提取的各个特征采样点的三轴加速度分量，并计算相同加速轴的加速度分量均值，以得到Ｘ轴正向分量均值、Ｙ轴正向分量均值和Ｚ轴正向分量均值；

2、从所述设定数量的特征采样点中提取类型为负向加速最大幅值点的特征采样点，从所述存储器中获取所提取的各个特征采样点的三轴加速度分量，并计算相同加速轴的加速度分量均值，以得到Ｘ轴负向分量均值、Ｙ轴负向分量均值和Ｚ轴负向分量均值；

3、从所述设定数量的特征采样点中提取所有起点采样点和所有终点采样点，其中，所述所有起点采样点为所述设定数量的特征采样点中除最后一个静止采样点外的所有静止采样点，所述所有终点采样点为所述设定数量的特征采样点中除第一个静止采样点外的所有静止采样点，所述静止采样点为类型为瞬时静止点的特征采样点；　例如，参见图3，若所述设定数量的特征采样点中包括前7个静止采样点，则第1个静止采样点是起点采样点，第2个静止采样点既是起点采样点也是终点采样点，……第6个静止采样点既是起点采样点也是终点采样点，第7个静止采样点是终点采样点。

从所述存储器中分别获取各个起点采样点对应的Ｘ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第一Ｘ轴偏移角度均值；从所述存储器中分别获取各个起点采样点对应的Ｙ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第一Ｙ轴偏移角度均值；从所述存储器中分别获取各个起点采样点对应的Ｚ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第一Ｚ轴偏移角度均值；

从所述存储器中分别获取各个终点采样点对应的Ｘ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第二Ｘ轴偏移角度均值；从所述存储器中分别获取各个终点采样点对应的Ｙ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第二Ｙ轴偏移角度均值；从所述存储器中分别获取各个终点采样点对应的Ｚ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第二Ｚ轴偏移角度均值。

在介绍步骤102的具体实现方式前，首先对动作特征库中每一预置动作对应的预置数据集进行介绍，参见表1所示的预置数据集，预置数据集中包括：预置特征参数、每个预置特征参数的数据类型以及对每个预置特征参数的说

明。

表1

需要说明的是，在动作特征库中，每一预置动作都有属于自己的一个表（如表1）。

在执行步骤102前，需要初始化一个匹配矩阵Ｍ（ｎ，13），其中，ｎ代表运动行为识别装置中预置动作的动作数，13代表表1中除了编号、预置动作名称和标准样本以外的其他13个特征参数。若运动行为识别装置中的预置动作包括慢走、快走、跑步、跳绳、俯卧撑、仰卧起坐这6个预置动作，则Ｍ矩阵中的ｎ＝6。

初始化结束后，按照下述方法实现本实施例中的步骤102，具体包括：

第一步、将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，共包括以下13个匹配项数：

1、分别计算所述Ｘ轴正向分量均值与动作特征库中每个Ｘ轴正向最大加速值之间的第一差值，对各个第一差值取绝对值并从中提取一个最小绝对值，其中，每个Ｘ轴正向最大加速值分别与动作特征库中的一个预置动作相对应；

2、分别计算所述Ｙ轴正向分量均值与动作特征库中每个Ｙ轴正向最大加速值之间的第二差值，对各个第二差值取绝对值并从中提取一个最小绝对值，其中，每个Ｙ轴正向最大加速值分别与动作特征库中的一个预置动作相对应；

3、分别计算所述Ｚ轴正向分量均值与动作特征库中每个Ｚ轴正向最大加速值之间的第三差值，对各个第三差值取绝对值并从中提取一个最小绝对值，其中，每个Ｚ轴正向最大加速值分别与动作特征库中的一个预置动作相对应；

4、分别计算所述Ｘ轴负向分量均值与动作特征库中每个Ｘ轴负向最大加速值之间的第四差值，对各个第四差值取绝对值并从中提取一个最小绝对值，其中，每个Ｘ轴负向最大加速值分别与动作特征库中的一个预置动作相对应；

5、分别计算所述Ｙ轴负向分量均值与动作特征库中每个Ｙ轴负向最大加速值之间的第五差值，对各个第五差值取绝对值并从中提取一个最小绝对值，其中，每个Ｙ轴负向最大加速值分别与动作特征库中的一个预置动作相对应；

6、分别计算所述Ｚ轴负向分量均值与动作特征库中每个Ｚ轴负向最大加速值之间的第六差值，对各个第六差值取绝对值并从中提取一个最小绝对值，其中，每个Ｚ轴负向最大加速值分别与动作特征库中的一个预置动作相对应；

7、分别计算所述第一Ｘ轴偏移角度均值与动作特征库中每个第一Ｘ轴预置偏移角度之间的第七差值，对各个第七差值取绝对值并从中提取一个最小绝对值，其中，每个第一Ｘ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

8、分别计算所述第一Ｙ轴偏移角度均值与动作特征库中每个第一Ｙ轴预置偏移角度之间的第八差值，对各个第八差值取绝对值并从中提取一个最小绝对值，其中，每个第一Ｙ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

9、分别计算所述第一Ｚ轴偏移角度均值与动作特征库中每个第一Ｚ轴预置偏移角度之间的第九差值，对各个第九差值取绝对值并从中提取一个最小绝对值，其中，每个第一Ｚ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

10、分别计算所述第二Ｘ轴偏移角度均值与动作特征库中每个第二Ｘ轴预置偏移角度之间的第十差值，对各个第十差值取绝对值并从中提取一个最小绝对值，其中，每个第二Ｘ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

11、分别计算所述第二Ｙ轴偏移角度均值与动作特征库中每个第二Ｙ轴预置偏移角度之间的第十一差值，对各个第十一差值取绝对值并从中提取一个最小绝对值，其中，每个第二Ｙ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

12、分别计算所述第二Ｚ轴偏移角度均值与动作特征库中每个第二Ｚ轴预置偏移角度之间的第十二差值，对各个第十二差值取绝对值并从中提取一个最小绝对值，其中，每个第二Ｚ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

13、分别计算所述实际动作频率与动作特征库中每个预置动作频率之间的第十三差值，对各个第十三差值取绝对值并从中提取一个最小绝对值，其中，每个预置动作频率分别与动作特征库中的一个预置动作相对应；

第二步、将匹配度最高的预置动作确定为所述运动者的运动行为：

确定所提取的各个最小绝对值分别对应的预置动作，从确定的预置动作中提取对应最小绝对值数最多的一个预置动作，并将提取的预置动作确定为所述运动者的运动行为。

举例说明：假设动作特征库中的预置动作共6个，上述提取的最小绝对值共13个，则每个最小绝对值与6个预置动作中的一个对应。假设与“跑步”这个预置动作对应的最小绝对值数为7个，与其它每个预置动作对应的最小绝对值数都为1个，则可确定运动者的当前运动行为为“跑步”。

基于运动者运动动作姿势的复杂性和个性化，如果把算法和相关预置特征参数固化到运动行为识别装置中，很难适应用户的个性需求，并且算法和预置特征参数调整时，也很难及时反映到既存的运动行为识别装置中。因此，本运动行为识别装置采用特征匹配度算法，将算法逻辑和预置特征参数进行有效的分离。当运动者运动时，选择匹配度最高的预置动作作为运动者的动作姿势，同时由于预置特征参数与算法逻辑分离，也比较方便云服务端对装置中的预置动作及预置特征参数实施一些个性化的调整。

基于此，上述运动行为识别方法还包括：

当利用所述实际数据集无法与动作特征库中每个预置动作对应的预置数据集进行数据匹配时，将利用所述三轴重力加速度传感器采集的三轴加速度分量上传至服务器；

接收所述服务器下发的识别结果并将所述识别结果添加到所述动作特征库中，所述识别结果为所述服务器根据所述采集的三轴加速度分量确定的匹配动作及与所述匹配动作对应的预置数据集；或，接收到所述服务器下发的包含无法正确识别运行行为的反馈消息。

进一步地，上述运动行为识别方法还包括：

在利用所述三轴重力加速度传感器采集当前采样点的三轴加速度分量的同时，利用ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ，全球定位系统）传感器检测所述运动者当前时刻的位置信息；根据采样识别周期内检测到的位置信息确定所述运动者的位置偏移距离，所述采样识别周期为所述设定数量的特征采样点中第一个采样点与最后一个采样点间的时间差；如果所述位置偏移距离小于预设偏移距离，则确定所述运动者原地活动。通过该方法，可将与“步行”等实时移动的预置动作相区别。

具体实现时，运动行为识别装置采用ＧＰＳ传感器来辅助运动行为的识别，在通过三轴重力加速度传感器获取特征采样点的同时，通过ＧＰＳ来获取该采样时刻的位置信息，然后把这些位置信息保存到以下位置矩阵中：

$>B_X=\left(\begin{array}{cccccccc}{T}_0& T_1& T_2& T_3& T_4& T_5& ···& T_n\\ B_0& B_1& B_2& B_3& B_4& B_5& ···& B_n\end{array}\right)$>

其中，T_i代表特征采样点ｉ的采样时间；B_i代表特征采样点ｉ的位置信息，ｉ＝0、1、2……ｎ。

调取位置矩阵中一个采样识别单元对应的位置信息，如果ＧＰＳ所记录的位置偏移小于预设偏移距离（比如：1米），则可认为佩带本运动行为识别装置的运动者在原地活动，没有发生“步行”等移动行为。

进一步地，本发明实施例还可对运动者的运动强度进行监护，运动强度的监护有多种方式，如吸氧量、代谢率、最大心率、主观感觉等。但对于普通的运动者，监护心率的可操作性最强，且简单、有效、客观。因此运动行为识别装置中还集成了瞬时心率采集芯片，以便能够自动采集运动者的瞬时心率值，并运用心率值来完成运动强度的监护。下面介绍两种心率监护的实现方法：

第一种：休息心率监护，具体实现方式为：

获取平均心率；利用心率传感器检测所述运动者休息时的休息心率；如果所述休息心率大于所述平均心率与设定值的和值，则确定所述运动者处于疲劳状态。

其中，所述平均心率的获取方法为：在Ｍ天的同一时间段内，如果所述运动者的实际动作频率在预设时间内持续为0，则利用心率传感器检测所述运动者的第一心率，其中，Ｍ为整数且大于或等于1；　计算Ｍ天检测到的Ｍ个第一心率的均值，以得到平均心率；如果后续检测的所述运动者的第二心率大于所述平均心率，则计算所述第二心率与所述平均心率的均值，并利用计算得到的均值替换所述平均心率。

需要说明的是，休息心率是指人们在安静舒适状态下的心率值，该心率值主要用于检测运动者的疲劳恢复状况。下面举例说明，通常要求运动者连续采集Ｍ＝5天安静舒适状态下休息心率，并计算其平均值作为平均心率。为了减少用户的操作步骤，本运动行为识别装置提供以下方法，来自动获取并计算平均心率：

Ａ、时间段：每天清晨5点～7点之间的任意时刻；

Ｂ、活动状态：相对静止，如果在2分钟内，三轴重力加速度传感器所识别的动作频率为0，则记录运动者的心率值；

Ｃ、异常数据处理：如果前后两次的测量心率值偏差10次以上，则舍弃较大的那个心率值；

Ｄ、计算5天采集心率值的平均值R_avg。

Ｆ、平均心率的动态修正：当运动行为识别装置获取到平均心率后，在后续的使用过程中，如果使用上述Ａ和Ｂ步骤检测到的休息心率比当前的R_avg值小，则会计算后续检测到的心率值与R_avg的平均值，并把新的平均值作为当前的平均心率，从而达到动态修正平均心率的效果。

在对运行者的休息心率进行监护时，如果检测到的休息心率高于平均心率和设定值（比如10次）之和，则说明运动者的身体处于疲劳状态。

第二种：锻炼心率监护，具体实现方式为：

获取预设锻炼心率；

利用心率传感器检测所述运动者锻炼时的实际锻炼心率；

当所述实际锻炼心率小于所述预设锻炼心率的35％时，则确定所述运动者的运动状态为很轻松；当所述实际锻炼心率在所述预设锻炼心率的35％～59％之间时，则确定所述运动者的运动状态为轻松；当所述实际锻炼心率在所述预设锻炼心率的60％～79％之间时，则确定所述运动者的运动状态为稍费力；当所述实际锻炼心率在所述预设锻炼心率的80％～89％％之间时，则确定所述运动者的运动状态为费力；当所述实际锻炼心率大于所述预设锻炼心率的90％时，则确定所述运动者的运动状态为很费力。

其中，获取预设锻炼心率的方式有以下两种：

1、获取所述运动者的性别及年龄，当所述性别为男时，将第一最大预设心率值与所述年龄的差值作为预设锻炼心率，当所述性别为女时，将第二最大预设心率值与所述年龄的差值作为预设锻炼心率。

具体地，设第一最大预设心率值为220，第二最大预设心率值为226，可按照下述公式计算男运动者和女运动者分别对应的预设锻炼心率：

男性：Ｒｓｐｏｒｔ　＝　220-年龄；

女性：Ｒｓｐｏｒｔ　＝　226-年龄。

2、获取所述运动者的性别，根据公式Ｒｓｐｏｒｔ＝（Ｒｍａｘ-Ｒａｖｇ）＊80％＋Ｒａｖｇ计算预设锻炼心率Ｒｓｐｏｒｔ，其中，Ｒａｖｇ为所述平均心率，当所述性别为男时Ｒｍａｘ为第一最大预设心率值，当所述性别为女时Ｒｍａｘ为第二最大预设心率值。

由于第1种方式计算方法误差较大，所以，本运动行为识别装置只在没有获取到平均心率时才使用第2种方式，一旦获取平均心率，将采用第2种方式获取预设锻炼心率。本发明实施例通过实时监视运动者的心率变化，可确认运动者是否适合该项运动，并确定了运动者的运动强度。

进一步地，在本发明实施例中，还可以使用动作特征库中标准样本来指导运动锻炼，具体地，运动行为识别装置设有锻炼指导模式，在此模式下，运动者可从本地的动作特征库中选择自己喜欢的运动项目，这时运动行为识别装置会把采样矩阵跟特征库中标准样本矩阵进行比较，并通过扬声器实时提示动作的加速幅度、动作频率是否标准。

本发明实施例提供的运动行为识别方法，通过获取反映运动者实际运动行为的实际数据集；将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。本技术方案，通过实时对运动者的运动数据进行采集，并利用这些数据将运动者的运动行为与动作特征库中既存的预置动作进行相似度匹配，以将匹配度最高的预置动作作为运动者的实际动作，从而可准确识别运动者的动作姿势，进而通过动作姿势的识别，让人体能量消耗的计算更有针对性，并可提高计算结果的准确性。

参见图6，为本发明实施例提供的运动行为识别装置600的结构框图，该装置600包括：

实际数据获取模块601，用于获取反映运动者实际运动行为的实际数据集；

运动行为匹配模块602，用于将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。

优选地，所述实际数据获取模块601，具体包括：

实时数据采集单元，用于利用三轴重力加速度传感器以设定时间间隔连续采集每个采样点的三轴加速度分量；

分量数据获取单元，用于当确定所述采样点的类型为瞬时静止点或正向加速最大幅值点或负向加速最大幅值点时，确定所述采样点为特征采样点，并将所述特征采样点的三轴加速度分量存入存储器内；

动作频率获取单元，用于利用设定数量的特征采样点计算所述运动者的实际动作频率，并将所述实际动作频率存入存储器内；

偏移角度获取单元，用于从所述设定数量的特征采样点中提取类型为瞬时静止点的各个特征采样点，对于每个提取特征采样点所在的三个加速轴，确定所述三个加速轴中每个加速轴所在平面与水平平面之间的偏移角度，并将所述偏移角度存入存储器内。

其中，所述设定数量的特征采样点包括2Ｎ＋1个类型为瞬时静止点的第一特征采样点、以及每两个第一特征采样点间采集的类型为正向加速最大幅值点的第二特征采样点或类型为负向加速最大幅值点的第三特征采样点；其中，每相邻两个第一特征采样点间的采样时间差大于第一时间且小于第二时间，所述第一时间小于所述第二时间，Ｎ为整数且大于或等于1。

优选的，所述分量数据获取单元，具体包括：

合力值计算子单元，用于利用公式计算所述采样点的第一合力加速度值A_sum，其中，A_x为所述采样点的Ｘ轴加速度分量，A_y为所述采样点的Ｙ轴加速度分量，A_z为所述采样点的Ｚ轴加速度分量；

绝对差值获取子单元，用于获取所述第一合力加速度值与重力加速度值的差值的第一绝对值；

静止点确定子单元，用于当所述第一绝对值小于预设差值时，获取第二合力加速度值与重力加速度值的差值的第二绝对值，以及第三合力加速度值与重力加速度值的差值的第三绝对值；如果所述第二绝对值和所述第三绝对值均大于所述第一绝对值，则确定所述采样点的类型为瞬时静止点；

最大幅值点确定子单元，用于当所述第一绝对值不小于所述预设差值时，如果所述第一合力加速度值大于所述重力加速度值，且第二合力加速度值与第三合力加速度值均小于所述第一合力加速度值，则获取所述采样点的三个加速度分量中绝对值最大的加速度分量；如果所述获取的加速度分量为正值，则确定所述采样点的类型为正向加速最大幅值点，如果所述获取的加速度分量为负值，则确定所述采样点的类型为负向加速最大幅值点；

其中，所述第二合力加速度值为所述采样点的前一采样点的合力加速度值，所述第三合力加速度值为所述采样点的后一采样点的合力加速度值。

进一步地，所述装置600还包括：

实际数据处理模块603，用于在所述实际数据获取模块获取反映运动者实际运动行为的实际数据集之后，对所述实际数据集中的数据进行处理；

所述实际数据处理模块603，具体包括：

正向分量均值获取单元，用于从所述设定数量的特征采样点中提取类型为正向加速最大幅值点的特征采样点，从所述存储器中获取所提取的各个特征采样点的三轴加速度分量，并计算相同加速轴的加速度分量均值，以得到Ｘ轴正向分量均值、Ｙ轴正向分量均值和Ｚ轴正向分量均值；

负向分量均值获取单元，用于从所述设定数量的特征采样点中提取类型为负向加速最大幅值点的特征采样点，从所述存储器中获取所提取的各个特征采样点的三轴加速度分量，并计算相同加速轴的加速度分量均值，以得到Ｘ轴负向分量均值、Ｙ轴负向分量均值和Ｚ轴负向分量均值；

起终采样点获取单元，用于从所述设定数量的特征采样点中提取所有起点采样点和所有终点采样点，其中，所述所有起点采样点为所述设定数量的特征采样点中除最后一个静止采样点外的所有静止采样点，所述所有终点采样点为所述设定数量的特征采样点中除第一个静止采样点外的所有静止采样点，所述静止采样点为类型为瞬时静止点的特征采样点；

第一角度均值获取单元，用于从所述存储器中分别获取各个起点采样点对应的Ｘ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第一Ｘ轴偏移角度均值；从所述存储器中分别获取各个起点采样点对应的Ｙ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第一Ｙ轴偏移角度均值；从所述存储器中分别获取各个起点采样点对应的Ｚ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第一Ｚ轴偏移角度均值；

第二角度均值获取单元，用于从所述存储器中分别获取各个终点采样点对应的Ｘ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第二Ｘ轴偏移角度均值；从所述存储器中分别获取各个终点采样点对应的Ｙ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第二Ｙ轴偏移角度均值；从所述存储器中分别获取各个终点采样点对应的Ｚ加速轴所在平面与水平平面之间的偏移角度，并计算各个偏移角度的均值，以得到第二Ｚ轴偏移角度均值。

优选地，所述运动行为匹配模块602，具体包括：

第一最小值获取单元，用于分别计算所述Ｘ轴正向分量均值与动作特征库中每个Ｘ轴正向最大加速值之间的第一差值，对各个第一差值取绝对值并从中提取一个最小绝对值，其中，每个Ｘ轴正向最大加速值分别与动作特征库中的一个预置动作相对应；

第二最小值获取单元，用于分别计算所述Ｙ轴正向分量均值与动作特征库中每个Ｙ轴正向最大加速值之间的第二差值，对各个第二差值取绝对值并从中提取一个最小绝对值，其中，每个Ｙ轴正向最大加速值分别与动作特征库中的一个预置动作相对应；

第三最小值获取单元，用于分别计算所述Ｚ轴正向分量均值与动作特征库中每个Ｚ轴正向最大加速值之间的第三差值，对各个第三差值取绝对值并从中提取一个最小绝对值，其中，每个Ｚ轴正向最大加速值分别与动作特征库中的一个预置动作相对应；

第四最小值获取单元，用于分别计算所述Ｘ轴负向分量均值与动作特征库中每个Ｘ轴负向最大加速值之间的第四差值，对各个第四差值取绝对值并从中提取一个最小绝对值，其中，每个Ｘ轴负向最大加速值分别与动作特征库中的一个预置动作相对应；

第五最小值获取单元，用于分别计算所述Ｙ轴负向分量均值与动作特征库中每个Ｙ轴负向最大加速值之间的第五差值，对各个第五差值取绝对值并从中提取一个最小绝对值，其中，每个Ｙ轴负向最大加速值分别与动作特征库中的一个预置动作相对应；

第六最小值获取单元，用于分别计算所述Ｚ轴负向分量均值与动作特征库中每个Ｚ轴负向最大加速值之间的第六差值，对各个第六差值取绝对值并从中提取一个最小绝对值，其中，每个Ｚ轴负向最大加速值分别与动作特征库中的一个预置动作相对应；

第七最小值获取单元，用于分别计算所述第一Ｘ轴偏移角度均值与动作特征库中每个第一Ｘ轴预置偏移角度之间的第七差值，对各个第七差值取绝对值并从中提取一个最小绝对值，其中，每个第一Ｘ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

第八最小值获取单元，用于分别计算所述第一Ｙ轴偏移角度均值与动作特征库中每个第一Ｙ轴预置偏移角度之间的第八差值，对各个第八差值取绝对值并从中提取一个最小绝对值，其中，每个第一Ｙ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

第九最小值获取单元，用于分别计算所述第一Ｚ轴偏移角度均值与动作特征库中每个第一Ｚ轴预置偏移角度之间的第九差值，对各个第九差值取绝对值并从中提取一个最小绝对值，其中，每个第一Ｚ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

第十最小值获取单元，用于分别计算所述第二Ｘ轴偏移角度均值与动作特征库中每个第二Ｘ轴预置偏移角度之间的第十差值，对各个第十差值取绝对值并从中提取一个最小绝对值，其中，每个第二Ｘ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

第十一最小值获取单元，用于分别计算所述第二Ｙ轴偏移角度均值与动作特征库中每个第二Ｙ轴预置偏移角度之间的第十一差值，对各个第十一差值取绝对值并从中提取一个最小绝对值，其中，每个第二Ｙ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

第十二最小值获取单元，用于分别计算所述第二Ｚ轴偏移角度均值与动作特征库中每个第二Ｚ轴预置偏移角度之间的第十二差值，对各个第十二差值取绝对值并从中提取一个最小绝对值，其中，每个第二Ｚ轴预置偏移角度分别与动作特征库中的一个预置动作相对应；

第十三最小值获取单元，用于分别计算所述实际动作频率与动作特征库中每个预置动作频率之间的第十三差值，对各个第十三差值取绝对值并从中提取一个最小绝对值，其中，每个预置动作频率分别与动作特征库中的一个预置动作相对应；

运动行为匹配单元，用于确定所提取的各个最小绝对值分别对应的预置动作，从确定的预置动作中提取对应最小绝对值数最多的一个预置动作，并将提取的预置动作确定为所述运动者的运动行为。

进一步地，所述装置600还包括：

采集数据上传模块，用于当利用所述实际数据集无法与动作特征库中每个预置动作对应的预置数据集进行数据匹配时，将利用所述三轴重力加速度传感器采集的三轴加速度分量上传至服务器；

反馈数据接收模块，用于接收所述服务器下发的识别结果并将所述识别结果添加到所述动作特征库中，所述识别结果为所述服务器根据所述采集的三轴加速度分量确定的匹配动作及与所述匹配动作对应的预置数据集；或，接收到所述服务器下发的包含无法正确识别运行行为的反馈消息。

本发明实施例提供的运动行为识别装置，通过获取反映运动者实际运动行为的实际数据集；将处理后的实际数据集分别与动作特征库中每个预置动作对应的预置数据集进行数据匹配，并将匹配度最高的预置动作确定为所述运动者的运动行为。本技术方案，通过实时对运动者的运动数据进行采集，并利用这些数据将运动者的运动行为与动作特征库中既存的预置动作进行相似度匹配，以将匹配度最高的预置动作作为运动者的实际动作，从而可准确识别运动者的动作姿势，进而通过动作姿势的识别，让人体能量消耗的计算更有针对性，并可提高计算结果的准确性。

参见图7，为本发明实施例提供的运动强度监测系统的组成示意图，该系统包括：运动行为识别装置701、心率监护装置702及运动强度监测装置703；

所述运动行为识别装置701，用于识别运动者的运动行为；其中，该运动行为识别装置701为上述图6所示的装置；

所述心率监护装置702，用于监测所述运动者的休息心率，并根据所述休息心率确定所述运动者的疲劳状态；或，监测所述运动者的锻炼心率，并根据所述锻炼心率确定所述运动者的疲劳状态；

所述运动强度监测装置703，用于根据所述运动行为和所述疲劳状态确定所述运动者的运动强度是否合理。

其中，所述心率监护装置702，具体包括：

平均心率获取模块，用于获取平均心率；休息心率检测模块，用于利用心率传感器检测所述运动者休息时的休息心率；疲劳状态确定模块，用于在所述休息心率大于所述平均心率与设定值的和值时，确定所述运动者处于疲劳状态。

预设心率获取模块，用于获取预设锻炼心率；锻炼心率检测模块，用于利用心率传感器检测所述运动者锻炼时的实际锻炼心率；锻炼状态确定模块，用于当所述实际锻炼心率小于所述预设锻炼心率的35％时，则确定所述运动者的运动状态为很轻松；当所述实际锻炼心率在所述预设锻炼心率的35％～59％之间时，则确定所述运动者的运动状态为轻松；当所述实际锻炼心率在所述预设锻炼心率的60％～79％之间时，则确定所述运动者的运动状态为稍费力；当所述实际锻炼心率在所述预设锻炼心率的80％～89％％之间时，则确定所述运动者的运动状态为费力；当所述实际锻炼心率大于所述预设锻炼心率的90％时，则确定所述运动者的运动状态为很费力。

优选地，所述平均心率获取模块，具体用于在Ｍ天的同一时间段内，如果所述运动者的实际动作频率在预设时间内持续为0，则利用心率传感器检测所述运动者的第一心率，其中，Ｍ为整数且大于或等于1；　计算Ｍ天检测到的Ｍ个第一心率的均值，以得到平均心率；如果后续检测的所述运动者的第二心率大于所述平均心率，则计算所述第二心率与所述平均心率的均值，并利用计算得到的均值替换所述平均心率。

优选地，所述预设心率获取模块，具体用于获取所述运动者的性别，根据公式Ｒｓｐｏｒｔ＝（Ｒｍａｘ–Ｒａｖｇ）＊80％＋Ｒａｖｇ计算预设锻炼心率Ｒｓｐｏｒｔ，其中，Ｒａｖｇ为所述平均心率，当所述性别为男时Ｒｍａｘ为第一最大预设心率值，当所述性别为女时Ｒｍａｘ为第二最大预设心率值；或，获取所述运动者的性别及年龄，当所述性别为男时，将第一最大预设心率值与所述年龄的差值作为预设锻炼心率，当所述性别为女时，将第二最大预设心率值与所述年龄的差值作为预设锻炼心率。

在本发明实施例中，所述运动行为识别装置701中的动作特征库中预置了标准采样样本，该样本中记录了大众化运动项目的标准动作参数。该系统中设置了运动学习模式，用户进入该模式后，实时的采样数据会与标准采样样本进行比较，可对用户的动作频率、加速幅度、标准化程度进行指导，重要的是，还可对运行行为进行识别，同时心率监护装置702会实时监视心率变化，以便运动强度监测装置703确认运动者对应的运动强度是否合理。

参见图8，为本发明实施例提供的运动强度监测系统800的结构示意图，该系统800包括：

三轴重力加速度传感器：通过三轴瞬时加速度，提取运动物体在三维空间的运动特征。

心率传感器：实时提取运动过程中运动者瞬时心率值，并依此判断疲劳度。

地理位置传感器（ＧＰＳ）：与卫星通信，实时提取运动者所在的地理位置，辅助判断运动者的运动行为。

无线数据传输模块（3Ｇ／ＧＰＲＳ）：实时传输运动相关数据至服务器，接收服务器下发的匹配结果或反馈信息。

存储器：用于缓存和持久化存储运动相关数据；还用于存放程序，具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令，存储器可能包含高速随机存取存储器（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ，简称ＲＡＭ），也可能还包括非易失性存储器（ｎｏｎ－ｖｏｌａｔｉｌｅ ｍｅｍｏｒｙ），例如至少一个磁盘存储器。

中央处理器（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ，ＣＰＵ）：执行存储器所存放的程序，用于实现本发明实施例提供的运动行为识别方法。

屏幕：可以为电容触摸屏，用于实现人机交互。

扬声器：用于输出语音信号，以告知运动者当前运动行为，以及运行动作是否标准等。

客户识别模块（Ｓｕｂｓｃｒｉｂｅｒ Ｉｄｅｎｔｉｔｙ Ｍｏｄｕｌｅ　，ＳＩＭ），用于存储装置佩戴者（运动者）的用户信息。

电源，用于为运动行为识别装置700供电。

复位电路，利用其把运动行为识别装置700恢复到起始状态。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，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，该计算机软件产品可以存储在存储介质中，如ＲＯＭ／ＲＡＭ、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等）执行本发明各个实施例或者实施例的某些部分所述的方法。

需要说明的是，对于实施例公开的装置和系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。