[发明专利]一种用于运动行为、关系识别的数据分析方法、电子设备

权利要求书

1.一种用于运动行为识别的数据分析方法，其特征在于，包括以下步骤：

S1、获取用于反映用户运动行为的初始数据集；

S2、针对初始数据集中的每项数据，基于时间序列分析方法进行预处理，提取出每项数据的时序特征，构建第一时序特征数据集；

S3、基于所述第一时序特征数据集，利用机器学习分类算法进行数据分类和初始运动模式分析模型构建后，分析每项分类特征对当前建模模型精确率的影响程度，根据影响程度的大小对所述第一时序特征数据集进行筛除；随后，基于当前筛选所得的第二时序特征数据集进行运动模式分析模型和运动身份识别模型的构建；

其中，筛选第二时序特征数据集具体为：根据每项分类特征对当前建模模型精确率的影响程度，按照影响程度的大小，分析第一时序特征数据集中每项时序特征在所述初始运动模式分析模型所占的权重值α_i，i＝1,...,M，M为时序特征的总数量；

将每项时序特征的权重值α_i与预设的权重阈值β进行比较，选择权重值α_i大于β的时序特征，组成第二时序特征数据集；

其中，权重值α_i确认方法具体为：采用平均精度减小法分析每项时序特征在所述初始运动模式分析模型中所占的权重α_i：

给每项时序特征加入随机噪声；

度量加入随机噪声前、后的时序特征对初始运动模式分析模型精确率的影响，根据影响程度大小，确定模型中每个时序特征的权重值；

S4、使用步骤S2和S3的方法，构建待识别运动行为的数据的第二时序特征数据集，将待识别运动行为的数据的第二时序特征数据集输入到步骤S3构建的运动模式分析模型和运动身份识别模型后，基于运动身份识别模型进行用户身份识别，基于运动模式分析模型进行对应用户运动行为识别。

2.根据权利要求1所述的用于运动行为识别的数据分析方法，其特征在于，步骤S2中，所述时间序列分析方法是对获取到的数据进行符号化处理，针对所得的符号化时序数据进行时序特征的提取。

3.根据权利要求1所述的用于运动行为识别的数据分析方法，其特征在于，步骤S3中，采用随机森林算法对第一、二时序特征数据集中的每项数据进行建模，得到初始运动模式分析模型和运动身份识别模型。

4.一种根据权利要求1-3所述的任意一项用于运动行为识别的数据分析方法，其特征在于，步骤S4之后，还包括：

S5、对第二时序特征数据集中用于构建运动身份识别模型的分类特征进行分析，并结合实际的运动场景，将上述分类特征解释成和运动风格相关的运动特征；

S6、利用运动身份预测模型并结合基于步骤S5所得的若干项运动特征，进行不同用户间的运动关系识别。

5.一种用于运动关系识别的数据分析方法，包括在移动端设置若干个用于监测运动行为数据的传感器；移动端设置的传感器包括加速度传感器、方向传感器、陀螺仪传感器、磁场传感器、重力传感器和线性加速度传感器；

基于上述传感器监测到的运动行为数据包括：

加速度传感器的三轴分量、线性加速度传感器的三轴分量、方向传感器的三轴分量、重力传感器的三轴分量、磁场传感器的三轴分量和陀螺仪传感器的三轴分量；

利用tcp协议将所述运动行为数据传输到服务端；

其特征在于，将传感器监测到的数据通过有线或无线网络传输协议传输到服务端后，执行如权利要求1-3任一所述的用于运动行为识别的数据分析方法，实现对应用户运动关系的识别。

6.根据权利要求5所述的用于运动关系识别的数据分析方法，其特征在于，利用所得的运动特征构建用户特征模型；结合运动身份预测模型以及利用用户特征模型分析到的用户的运动特征，进行不同用户间的运动关系识别。

7.一种电子设备，包括存储器和处理器，其特征在于：

所述存储器，用于存储有如权利要求1-4任一项所述的用于运动行为识别的数据分析方法、如权利要求5所述的用于运动关系识别的数据分析方法中的任意一种方法所对应的计算机可执行指令；

所述处理器，用于调用和/或执行存储于所述存储器的计算机可执行指令。