人体运动状态识别方法、装置、设备及存储介质

1.本技术涉及但不限于运动状态识别技术领域，尤其涉及一种人体运动状态识别方法、装置、设备及存储介质。


背景技术：

2.随着生活的智能化，人体运动状态识别在智能穿戴设备领域越来越受欢迎。
3.目前，通常使用已训练的机器学习模型来识别人体运动状态，将光学设备采集的待识别图像或多种传感器检测的待识别数据输入机器学习模型，进而识别出人体运动状态，但是，机器学习模型需要使用大量和任务相关的数据集来训练，耗费时间长，识别效率较低，而且，光学设备需要在符合光学测量标准的工作环境内工作，若工作环境不符合光学测量标准，则光学设备的图像采集效果较差，导致人体运动状态的识别准确度较低，另外，穿戴设备中传感器的种类数量越多，穿戴设备的结构越复杂，导致穿戴设备的便携性较差，实用性较差。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本技术实施例提供了一种人体运动状态识别方法、装置、设备及存储介质，能够提高识别效率、保证识别准确度和提高穿戴设备的便携性和实用性。
6.为实现上述目的，本技术实施例的第一方面提出了一种人体运动状态识别方法，包括：获取多个样本数据集合和对应的候选运动状态标签，其中，所述样本数据集合包括多个样本压力数据包，所述样本数据集合中的多个所述样本压力数据包按照时间先后顺序排列，所述样本压力数据包包括多个足底检测区域的压力数据，所述候选运动状态标签用于表征对应的所述样本数据集合的人体运动状态类别信息；根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值；根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值；针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式；获取目标数据集合，根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，并在所述候选运动状态标签中确定所述目标数据集合的目标运动状态标签。
7.在一些实施例中，所述根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值，包括：根据预设的划分规则和所述样本压力数据包中的各个所述压力数据的排列顺序，确定所述压力数据和所述足底检测区域的关联关系；针对任一所述足底检测区域，根据所述关联关系，在多个所述压力数据中确定与所述足底检测区域相关联的目标压力数据，根据预设的压力计算规则和所述目标压力数据，得到所述足底检测区域的样本分区压力值。
8.在一些实施例中，所述针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式，包括：针对任一所述样本压力数据包，基于所述样本压力数据包中的各个所述压力数据的排列顺序，将各个所述足底检测区域的所述样本特征值依次拼接，得到样本动作特征；针对任一所述样本数据集合，基于所述样本数据集合中各个所述样本压力数据包的顺序排列，对所述样本动作特征进行排序处理；对排序后的所述样本动作特征进行拼接处理，得到运动序列；根据所述运动序列，确定所述样本数据集合的运动模式。
9.在一些实施例中，所述根据所述运动序列，确定所述样本数据集合的运动模式，包括：根据预设的周期性检测算法和所述运动序列，确定样本周期序列；遍历所述样本周期序列中各个所述样本动作特征，判断当前的所述样本动作特征和前一个所述样本动作特征是否相同；若当前的所述样本动作特征和前一个所述样本动作特征相同，在所述样本周期序列中删除当前的所述样本动作特征，以更新所述样本周期序列；根据更新后的所述样本周期序列，得到模式序列；根据所述模式序列的头部和尾部对应的所述样本压力数据包的获取时间，确定样本动作频率；根据所述模式序列和所述样本动作频率，确定所述样本数据集合的运动模式。
10.在一些实施例中，所述目标数据集合包括多个目标压力数据包；所述根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，包括：根据所述压力计算规则和所述目标压力数据包，得到对应的各个所述足底检测区域的目标分区压力值；根据所述压力阈值和各个所述目标分区压力值，确定各个所述足底检测区域的目标特征值；按照目标压力数据包的获取时间先后顺序，依次根据对应的所述目标特征值确定所述目标压力数据包的目标动作特征，将首个确定的所述目标动作特征作为预设的待识别序列的头部，并判断当前确定的所述目标动作特征与上一个确定的所述目标动作特征是否相同；若当前确定的所述目标动作特征与上一个确定的所述目标动作特征不同时，将当前确定的所述目标动作特征添加至所述待识别序列的尾部，以更新所述待识别序列；对所述待识别序列和各个所述模式序列进行匹配，在各个所述运动模式中确定初筛运动模式，并在所述待识别序列中确定与所述初筛运动模式匹配的目标子序列；根据所述目标子序列的头部和尾部对应的目标压力数据包的获取时间，确定目标动作频率；对所述目标动作频率和所述初筛运动模式对应的所述样本动作频率进行匹配，在初筛运动模式中确定目标运动模式。
11.在一些实施例中，所述关联关系是指所述压力数据与所述足底检测区域之间的相关度，所述足底检测区域包括左脚前足区域、左脚中足区域、左脚足跟区域、右脚前足区域、右脚中足区域和右脚足跟区域，任一所述足底检测区域内设置有多个均匀分布的压力传感器，所述压力传感器用于获取对应的所述压力数据，所述压力传感器与所述足底检测区域的中心之间的距离与对应的所述相关度呈负相关关系；所述针对任一所述足底检测区域，根据所述关联关系，在多个所述压力数据中确定与所述足底检测区域相关联的目标压力数据，根据预设的压力计算规则和所述目标压力数据，得到所述足底检测区域的样本分区压力值，包括：针对任一所述足底检测区域，根据所述相关度和预设的相关度阈值，在多个所述压力数据中确定与所述足底检测区域相关联的目标压力数据；根据预设的压力计算规则和所述目标压力数据，得到各个所述目标压力数据的目标压力值；基于所述相关度，对各个
所述目标压力值进行加权求和，得到所述足底检测区域的样本分区压力值。
12.在一些实施例中，所述样本特征值包括第一特征值和第二特征值；所述根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值，包括：在所述样本分区压力值大于等于预设的压力阈值的情况下，确定对应的所述足底检测区域的所述样本特征值为所述第一特征值；在所述样本分区压力值小于所述压力阈值的情况下，确定对应的所述足底检测区域的所述样本特征值为所述第二特征值。
13.为实现上述目的，本技术实施例的第二方面提出了一种人体运动状态识别装置，包括：获取单元，用于获取多个样本数据集合和对应的候选运动状态标签，其中，所述样本数据集合包括多个样本压力数据包，所述样本数据集合中的多个所述样本压力数据包按照时间先后顺序排列，所述样本压力数据包包括多个足底检测区域的压力数据，所述候选运动状态标签用于表征对应的所述样本数据集合的人体运动状态类别信息；压力计算单元，用于根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值；特征确定单元，用于根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值；模式确定单元，用于针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式；识别单元，用于获取目标数据集合，根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，并在所述候选运动状态标签中确定所述目标数据集合的目标运动状态标签。
14.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的人体运动状态识别方法。
15.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述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所述的人体运动状态识别方法。
16.本技术提出的人体运动状态识别方法、装置、设备及存储介质，本技术实施例包括：获取多个样本数据集合和对应的候选运动状态标签，其中，所述样本数据集合包括多个样本压力数据包，所述样本数据集合中的多个所述样本压力数据包按照时间先后顺序排列，所述样本压力数据包包括多个足底检测区域的压力数据，所述候选运动状态标签用于表征对应的所述样本数据集合的人体运动状态类别信息；根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值；根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值；针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式；获取目标数据集合，根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，并在所述候选运动状态标签中确定所述目标数据集合的目标运动状态标签。根据本技术实施例提供的方案，对于任一人体运动状态类别的样本数据集合，通过对样本压力数据包内的压力数据进行压力计算，确定各个足底检测区域的样本分区压力值，然后结合压力阈值进行对比，确定足底检测区域的样本特征值，进而通过样本特征值确定样本数据集合的运动模式，后续可以基于各个样本数据集合的运动模式，确定目标数据集合的目标运动模式和目标运动状态标签，实现了人体运动状态类别的有效识别，相对
于耗时较长的机器学习模型训练过程，确定运动模式的过程耗费时间较短，提高识别效率，另外，使用配置有单一种类的压力传感器的穿戴设备，就能有效获取足底检测区域的压力数据，通过足底检测区域的压力数据来识别人体运动状态，不受光学测量标准的影响，能够保证识别准确度，而且穿戴设备的结构比较简单，从而提高穿戴设备的便携性和实用性。
17.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
18.附图用来提供对本技术技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
19.图1是本技术一个实施例提供的人体运动状态识别方法的流程图；
20.图2是本技术另一个实施例提供的一种得到样本分区压力值的方法的流程图；
21.图3是本技术另一个实施例提供的一种确定运动模式的方法的流程图；
22.图4是本技术另一个实施例提供的一种确定运动模式的具体方法的流程图；
23.图5是本技术另一个实施例提供的一种确定目标运动模式的方法的流程图；
24.图6是本技术另一个实施例提供的另一种得到样本分区压力值的方法的流程图；
25.图7是本技术另一个实施例提供的一种确定样本特征值的方法的流程图；
26.图8是本技术另一个实施例提供的一种可选的压力传感器和足底检测区域分布示意图；
27.图9是本技术另一个实施例提供的人体运动状态识别装置的结构示意图；
28.图10是本技术另一个实施例提供的电子设备的硬件结构示意图。
具体实施方式
29.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
30.在本技术的描述中，若干个的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
31.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
32.首先，对本技术中涉及的若干名词进行解析：
33.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者
数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
34.目前，通常使用已训练的机器学习模型来识别人体运动状态，将光学设备采集的待识别图像或多种传感器检测的待识别数据输入机器学习模型，进而识别出人体运动状态，但是，机器学习模型需要使用大量和任务相关的数据集来训练，耗费时间长，识别效率较低，而且，光学设备需要在符合光学测量标准的工作环境内工作，若工作环境不符合光学测量标准，则光学设备的图像采集效果较差，导致人体运动状态的识别准确度较低，另外，穿戴设备中传感器的种类数量越多，穿戴设备的结构越复杂，导致穿戴设备的便携性较差，实用性较差。
35.针对识别效率低、识别准确度低和便携性较差的问题，本技术提供了一种人体运动状态识别方法、装置、设备及存储介质，该方法包括：获取多个样本数据集合和对应的候选运动状态标签，其中，样本数据集合包括多个样本压力数据包，样本数据集合中的多个样本压力数据包按照时间先后顺序排列，样本压力数据包包括多个足底检测区域的压力数据，候选运动状态标签用于表征对应的样本数据集合的人体运动状态类别信息；根据预设的压力计算规则和样本压力数据包，得到对应的各个足底检测区域的样本分区压力值；根据预设的压力阈值和各个样本分区压力值，确定各个足底检测区域的样本特征值；针对任一样本数据集合，根据样本数据集合对应的样本特征值，确定样本数据集合的运动模式；获取目标数据集合，根据目标数据集合，在运动模式中确定目标数据集合的目标运动模式，并在候选运动状态标签中确定目标数据集合的目标运动状态标签。根据本技术实施例提供的方案，对于任一人体运动状态类别的样本数据集合，通过对样本压力数据包内的压力数据进行压力计算，确定各个足底检测区域的样本分区压力值，然后结合压力阈值进行对比，确定足底检测区域的样本特征值，进而通过样本特征值确定样本数据集合的运动模式，后续可以基于各个样本数据集合的运动模式，确定目标数据集合的目标运动模式和目标运动状态标签，实现了人体运动状态类别的有效识别，相对于耗时较长的机器学习模型训练过程，确定运动模式的过程耗费时间较短，提高识别效率，另外，使用配置有单一种类的压力传感器的穿戴设备，就能有效获取足底检测区域的压力数据，通过足底检测区域的压力数据来识别人体运动状态，不受光学测量标准的影响，能够保证识别准确度，而且穿戴设备的结构比较简单，从而提高穿戴设备的便携性和实用性。
36.本技术实施例提供的人体运动状态识别方法、装置、设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的人体运动状态识别方法。
37.本技术实施例提供的人体运动状态识别方法，涉及数据处理技术领域。本技术实施例提供的人体运动状态识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现人体运动状态识别方法的应用等，但并不局限于以上形式。
38.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服
务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
39.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
40.下面结合附图，对本技术实施例作进一步阐述。
41.如图1所示，图1为本技术一个实施例提供的一种人体运动状态识别方法的流程图，该人体运动状态识别方法可以由服务器执行，或者也可以由终端执行，或者也可以由服务器配合终端执行，该人体运动状态识别方法包括但不限于以下步骤s110至步骤s150：
42.步骤s110，获取多个样本数据集合和对应的候选运动状态标签，其中，样本数据集合包括多个样本压力数据包，样本数据集合中的多个样本压力数据包按照时间先后顺序排列，样本压力数据包包括多个足底检测区域的压力数据，候选运动状态标签用于表征对应的样本数据集合的人体运动状态类别信息；
43.步骤s120，根据预设的压力计算规则和样本压力数据包，得到对应的各个足底检测区域的样本分区压力值；
44.步骤s130，根据预设的压力阈值和各个样本分区压力值，确定各个足底检测区域的样本特征值；
45.步骤s140，针对任一样本数据集合，根据样本数据集合对应的样本特征值，确定样本数据集合的运动模式；
46.步骤s150，获取目标数据集合，根据目标数据集合，在运动模式中确定目标数据集合的目标运动模式，并在候选运动状态标签中确定目标数据集合的目标运动状态标签。
47.可以理解的是，通过设置压力传感器获取目标用户足底的压力数据，对于不同种类的运动状态，用户在运动过程中，压力数据具有不同的变化趋势，样本数据集合包含了样本时间段内的压力数据，在样本数据集合中，样本压力数据包与样本时间段内的采样时间点对应，样本压力数据包包括对应的采样时间点的所有足底检测区域的压力数据，通过用于计算分区域压力的压力计算规则，能够有效计算各个足底检测区域的样本分区压力值，然后确定各个足底检测区域的样本特征值，能够有效减少数据量，从而提高识别效率，进而通过样本时间段内各个足底检测区域的样本特征值确定运动模式，能够快捷准确地确定样本数据集合的运动模式，目标数据集合包含了目标时间段内的压力数据，通过模式匹配，能够准确确定出目标数据集合对应的目标运动模式，进而确定目标运动状态标签，通过目标运动状态标签识别出目标数据集合对应的人体运动状态类别；基于此，对于任一人体运动
状态类别的样本数据集合，通过对样本压力数据包内的压力数据进行压力计算，确定各个足底检测区域的样本分区压力值，然后结合压力阈值进行对比，确定足底检测区域的样本特征值，进而通过样本特征值确定样本数据集合的运动模式，后续可以基于各个样本数据集合的运动模式，确定目标数据集合的目标运动模式和目标运动状态标签，实现了人体运动状态类别的有效识别，相对于耗时较长的机器学习模型训练过程，确定运动模式的过程耗费时间较短，提高识别效率，另外，使用配置有单一种类的压力传感器的穿戴设备，就能有效获取足底检测区域的压力数据，通过足底检测区域的压力数据来识别人体运动状态，不受光学测量标准的影响，能够保证识别准确度，而且穿戴设备的结构比较简单，从而提高穿戴设备的便携性和实用性。
48.其中，足底检测区域是指穿戴设备中的检测区域，穿戴设备中的检测区域与用户的足底对应，在检测过程中，用户的足底与穿戴设备的检测区域贴合，能够有效获取用户的足底压力数据。
49.需要说明的是，在获取目标数据集合后，根据压力计算规则和目标数据集合，计算得到各个足底检测区域的目标分区压力值，然后结合压力阈值，确定各个足底检测区域的目标特征值，进而基于目标特征值，对各个运动模式运行匹配处理，确定目标运动模式，从而确定目标运动状态标签；另外，可根据获取的实时压力数据，更新目标数据集合，进而根据更新后的目标数据集合的处理结果，更新目标运动状态标签。
50.值得注意的是，样本数据集合中的样本压力数据包的采集频率是固定的，例如，任意两个相邻的样本压力数据包的采样时间间隔均为1毫秒；另外，目标数据集合中的数据包的采集频率与样本压力数据包的采集频率是相同的。
51.在具体实践中，目标运动状态标签包括了正常运动状态的标签，以及异常运动状态的标签，例如，正常运动状态包括但不限于：走路、跑步、跳远和跳绳，异常运动状态包括但不限于：摔倒，终端或服务器确定目标运动状态标签后，会将计算过程涉及的数据以及目标运动状态标签发送至云端，用户能够通过远程终端访问云端，获取相应的数据，有效提高信息获取的便利性，能够及时得知相关的异常信息；在远程终端中，会根据相应的目标特征值，生成运动过程的足底热力图，提高直观性。
52.另外，参照图2，在一实施例中，图1所示实施例中的步骤s120，包括但不限于有以下步骤：
53.步骤s210，根据预设的划分规则和样本压力数据包中的各个压力数据的排列顺序，确定压力数据和足底检测区域的关联关系；
54.步骤s220，针对任一足底检测区域，根据关联关系，在多个压力数据中确定与足底检测区域相关联的目标压力数据，根据预设的压力计算规则和目标压力数据，得到足底检测区域的样本分区压力值。
55.可以理解的是，对于任意两个样本压力数据包，各个检测位置的压力数据在对应的样本压力数据包中的排列顺序是固定的，例如，第一样本压力数据包和第二样本压力数据包均包含三个检测位置的压力数据，在第一样本压力数据包中，第一检测位置的压力数据为d11，第二检测位置的压力数据为d12，第三检测位置的压力数据为d13，压力数据的排列顺序为d11、d12、d13，在第二样本压力数据包中，第一检测位置的压力数据为d21，第二检测位置的压力数据为d22，第三检测位置的压力数据为d23，压力数据的排列顺序为d21、
d22、d23，可见，在第一样本压力数据包和第二样本压力数据包中，各个检测位置的压力数据的排列顺序是固定的；需要说明的是，为了增加人体运动状态的识别准确率，需要获取多个检测位置的压力数据，检测位置的具体数量按照实际情况设定，在此不作出限定，另外，足底检测区域会覆盖了多个检测位置，不同足底检测区域覆盖的检测位置不重复，任一足底检测区域会与多个压力数据相关联；因此，通过设定划分规则，能够有效确定压力数据和足底检测区域的关联关系，然后通过压力计算规则和足底检测区域相关联的目标压力数据，准确计算出足底检测区域的样本分区压力值；具体的，按照固定方向依次拼接足底区域的各个检测位置对应的压力数据，得到样本压力数据包，划分规则可按照压力数据对应的检测位置和足底检测区域的覆盖范围来确定，例如，样本压力数据包包含了30个检测位置对应的压力数据，共有三个检测区域，在足底区域中，30个检测位置共占6行，每行包含5个检测位置，第一检测区域覆盖了第1行至第2行的检测位置，第二检测区域覆盖了第3行至第4行的检测位置，第三检测区域覆盖了第5行至第6行的检测位置，在样本压力数据包中，排列第一的压力数据为位于第一行且位于最左侧的检测位置对应的压力数据，对于第一行检测位置，按照从左到右的顺序依次拼接压力数据，然后依次拼接下一行的检测位置对应的压力数据，直至最后一行检测位置，因此，第一检测区域与排列在第1个至第10个的压力数据相关联，第二检测区域与排列在第11个至第20个的压力数据相关联，第三检测区域与排列在第21个至第30个的压力数据相关联，通过第1个至第10个的压力数据，计算出第一检测区域的样本分区压力值，通过第11个至第20个的压力数据，计算出第二检测区域的样本分区压力值，通过第21个至第30个的压力数据，计算出第三检测区域的样本分区压力值。
56.另外，参照图3，在一实施例中，图1所示实施例中的步骤s140，包括但不限于有以下步骤：
57.步骤s310，针对任一样本压力数据包，基于样本压力数据包中的各个压力数据的排列顺序，将各个足底检测区域的样本特征值依次拼接，得到样本动作特征；
58.步骤s320，针对任一样本数据集合，基于样本数据集合中各个样本压力数据包的顺序排列，对样本动作特征进行排序处理；
59.步骤s330，对排序后的样本动作特征进行拼接处理，得到运动序列；
60.步骤s340，根据运动序列，确定样本数据集合的运动模式。
61.可以理解的是，在样本压力数据包中，通过压力数据的排列顺序，能够确定足底检测区域的排序，即按照足底检测区域的排序，将足底检测区域的样本特征值依次拼接，得到样本动作特征，例如，按照压力数据的排列顺序能够确定6个足底检测区域的排序为：左脚前足区域、左脚中足区域、左脚足跟区域、右脚前足区域、右脚中足区域和右脚足跟区域，假设左脚前足区域的样本特征值为0，左脚中足区域的样本特征值为0，左脚足跟区域的样本特征值为1，右脚前足区域的样本特征值为0，右脚中足区域的样本特征值为0，右脚足跟区域的样本特征值为0，通过拼接处理得到样本动作特征为[001000]，在样本数据集合中，样本压力数据包按照获取时间的先后顺序排列，例如，样本数据集合共有四个样本压力数据包，排列第一的样本压力数据包的样本动作特征为[111111]，排列第二的样本压力数据包的样本动作特征为[001000]，排列第三的样本压力数据包的样本动作特征为[100100]，排列第四的样本压力数据包的样本动作特征为[111111]，通过拼接处理得到运动序列[111111]、[001000]、[100100]、[111111]，进而通过运动序列的模式特征确定运动模式。
[0062]
另外，参照图4，在一实施例中，图3所示实施例中的步骤s340，包括但不限于有以下步骤：
[0063]
步骤s410，根据预设的周期性检测算法和运动序列，确定样本周期序列；
[0064]
步骤s420，遍历样本周期序列中各个样本动作特征，判断当前的样本动作特征和前一个样本动作特征是否相同；
[0065]
步骤s430，若当前的样本动作特征和前一个样本动作特征相同，在样本周期序列中删除当前的样本动作特征，以更新样本周期序列；
[0066]
步骤s440，根据更新后的样本周期序列，得到模式序列；
[0067]
步骤s450，根据模式序列的头部和尾部对应的样本压力数据包的获取时间，确定样本动作频率；
[0068]
步骤s460，根据模式序列和样本动作频率，确定样本数据集合的运动模式。
[0069]
可以理解的是，用户在同一种类的运动状态的持续运动过程中，会出现重复的动作，因此样本动作特征会周期性出现，通过周期性检测算法对运动序列进行周期性分析，能够确定用于表征运动模式的样本周期序列，例如，对于跳远的运动状态，处理得到的运动序列为[111111]、[001000]、[100100]、[111111]、
……
，能够确定样本周期序列为[111111]、[001000]、[100100]，通常使用最小周期的周期序列作为样本周期序列；另外，由于样本周期序列中任意两个相邻的样本动作特征存在相同的情况，这是由动作频率的快慢决定的，动作频率越高的运动状态，连续且重复的样本动作特征的数量越少，动作频率越低的运动状态，连续且重复的样本动作特征的数量越多，通过删除多余的连续且重复的样本动作特征，能够提高后续模式匹配过程的效率，提高识别效率，例如，对于走路的运动状态，处理得到的样本周期序列为[111111]、[111111]、[111001]、[111001]、[100111]、[100111]、[000111]、[000111]，通过处理得到模式序列为[111111]、[111001]、[100111]、[000111]，对于跑步的运动状态，处理得到的样本周期序列为[111111]、[111001]、[100111]、[000111]，通过处理得到模式序列为[111111]、[111001]、[100111]、[000111]，可见走路的模式序列和跑步的模式序列相同，为了区分具有同一模式序列的不同运动模式，需要通过模式序列的头部和尾部对应的样本压力数据包的获取时间，确定样本动作频率，例如，对于走路的运动状态，模式序列的头部对应的样本压力数据包的获取时间为12:00:00，模式序列的尾部对应的样本压力数据包的获取时间为12:00:04，通过计算得到样本动作频率为0.25hz，对于跑步的运动状态，模式序列的头部对应的样本压力数据包的获取时间为13:00:00，模式序列的尾部对应的样本压力数据包的获取时间为13:00:02，通过计算得到样本动作频率为0.5hz，然后通过模式序列和样本动作频率确定运动模式，能够保证运动模式的准确性。
[0070]
另外，参照图5，在一实施例中，目标数据集合包括多个目标压力数据包；图1所示实施例中的步骤s150，包括但不限于有以下步骤：
[0071]
步骤s510，根据压力计算规则和目标压力数据包，得到对应的各个足底检测区域的目标分区压力值；
[0072]
步骤s520，根据压力阈值和各个目标分区压力值，确定各个足底检测区域的目标特征值；
[0073]
步骤s530，按照目标压力数据包的获取时间先后顺序，依次根据对应的目标特征
值确定目标压力数据包的目标动作特征，将首个确定的目标动作特征作为预设的待识别序列的头部，并判断当前确定的目标动作特征与上一个确定的目标动作特征是否相同；
[0074]
步骤s540，若当前确定的目标动作特征与上一个确定的目标动作特征不同时，将当前确定的目标动作特征添加至待识别序列的尾部，以更新待识别序列；
[0075]
步骤s550，对待识别序列和各个模式序列进行匹配，在各个运动模式中确定初筛运动模式，并在待识别序列中确定与初筛运动模式匹配的目标子序列；
[0076]
步骤s560，根据目标子序列的头部和尾部对应的目标压力数据包的获取时间，确定目标动作频率；
[0077]
步骤s570，对目标动作频率和初筛运动模式对应的样本动作频率进行匹配，在初筛运动模式中确定目标运动模式。
[0078]
可以理解的是，目标数据集合内的目标压力数据包可实时获取，也可以按照固定的时间间隔，每隔一段时间获取一定数量的目标压力数据包，在此不作限定；在目标数据集合内，目标压力数据包按照获取的时间先后顺序排列，在获取目标数据集合后，根据压力计算规则和目标数据集合，计算得到各个足底检测区域的目标分区压力值，然后结合压力阈值，确定各个足底检测区域的目标特征值，通过拼接各个足底检测区域的目标特征值，得到目标动作特征，例如，共有6个足底检测区域，拼接各个目标特征值得到的目标动作特征为[111111]，然后按照目标压力数据包的获取时间先后顺序，依次根据对应的目标特征值确定目标压力数据包的目标动作特征，并判断当前确定的目标动作特征与上一个确定的目标动作特征是否相同，若不同，则将当前确定的目标动作特征添加至待识别序列的尾部，例如，对于走路的运动状态，首先确定第一个目标动作特征，首个确定的目标动作特征为[000111]，因此待识别序列的头部为[000111]，通过匹配处理，确定待识别序列与各个模式序列均不匹配，然后确定第二个目标动作特征，第二个确定的目标动作特征为[111111]，[111111]和上一个确定的[000111]不同，因此将[111001]添加至待识别序列的尾部，待识别序列更新为[000111]、[111111]，通过匹配处理，确定待识别序列与各个模式序列均不匹配，然后确定第三个目标动作特征，第三个确定的目标动作特征为[111111]，[111111]上一个确定的[111111]相同，因此不更新待识别序列，然后确定第四个目标动作特征，第四个确定的目标动作特征为[111001]，[111001]上一个确定的[111111]不同，因此将[111001]添加至待识别序列的尾部，待识别序列更新为[000111]、[111111]、[111001]，通过匹配处理，确定待识别序列与各个模式序列均不匹配，循环上述的操作，直至待识别序列更新为[000111]、[111111]、[111001]、[100111]、[000111]，待识别序列与走路状态的模式序列匹配，待识别序列还与跑步状态的模式序列匹配，因此走路状态和跑步状态的运动模式均为初筛运动模式，然后确定得到目标子序列[111111]、[111001]、[100111]、[000111]，目标子序列的头部[111111]对应的目标压力数据包的获取时间为14:00:00，目标子序列的尾部[000111]对应的目标压力数据包的获取时间为14:00:04，进而确定目标动作频率为0.25hz，目标动作频率与跑步状态下的动作频率相同，因此，确定目标运动模式为走路状态的运动模式，能够保证人体运动状态识别的准确率和效率。
[0079]
需要说明的是，在数据处理过程中，会在数据库存储各个目标压力数据包的目标动作特征，以及各个更新后的待识别序列，能够保证数据存储的完整性，便于后续的数据查询和数据再处理。
[0080]
另外，参照图6，在一实施例中，关联关系是指压力数据与足底检测区域之间的相关度，足底检测区域包括左脚前足区域、左脚中足区域、左脚足跟区域、右脚前足区域、右脚中足区域和右脚足跟区域，任一足底检测区域内设置有多个均匀分布的压力传感器，压力传感器用于获取对应的压力数据，压力传感器与足底检测区域的中心之间的距离与对应的相关度呈负相关关系；图2所示实施例中的步骤s220，包括但不限于有以下步骤：
[0081]
步骤s610，针对任一足底检测区域，根据相关度和预设的相关度阈值，在多个压力数据中确定与足底检测区域相关联的目标压力数据；
[0082]
步骤s620，根据预设的压力计算规则和目标压力数据，得到各个目标压力数据的目标压力值；
[0083]
步骤s630，基于相关度，对各个目标压力值进行加权求和，得到足底检测区域的样本分区压力值。
[0084]
可以理解的是，根据预设的划分规则和样本压力数据包中的各个压力数据的排列顺序，确定压力数据和各个足底检测区域的相关度，当压力数据与足底检测区域不关联时，压力数据与足底检测区域的相关度为0，通过压力计算规则计算得到目标压力数据的目标压力值后，对于任一足底检测区域，将各个目标压力值与对应的相关度相乘并求和，得到该足底检测区域的样本分区压力值，在足底检测区域中，不同目标压力值所占的权重值存在差异，相关度相当于目标压力值所占的权重值，通过加权求和，能够保证计算样本分区压力值的准确性，从而提高人体运动状态的识别准确度。
[0085]
值得注意的是，足底检测区域可包括6个检测区域，均匀分布的压力传感器能够保证计算样本分区压力值的准确性，从而提高人体运动状态的识别准确度；对于任一足底检测区域，距离足底检测区域的中心越近的检测位置，压力数据所占的权重值越大，因此压力传感器与足底检测区域的中心之间的距离与对应的相关度呈负相关关系。
[0086]
需要说明的是，在检测过程中，除了采用左脚前足区域、左脚中足区域、左脚足跟区域、右脚前足区域、右脚中足区域和右脚足跟区域这6个区域的区域划分方式，还可以采用其他的区域划分方式，足底检测区域具体区域大小和区域数量，在此不作出限定，可根据实际情况进行调整。
[0087]
另外，参照图7，在一实施例中，样本特征值包括第一特征值和第二特征值；图1所示实施例中的步骤s130，包括但不限于有以下步骤：
[0088]
步骤s710，在样本分区压力值大于等于预设的压力阈值的情况下，确定对应的足底检测区域的样本特征值为第一特征值；
[0089]
步骤s720，在样本分区压力值小于压力阈值的情况下，确定对应的足底检测区域的样本特征值为第二特征值。
[0090]
可以理解的是，通过设置压力阈值，进而对比确定足底检测区域的样本特征值，例如，当样本分区压力值大于等于压力阈值，足底检测区域的样本特征值为1，当样本分区压力值小于压力阈值，足底检测区域的样本特征值为0。
[0091]
值得注意的是，压力阈值可通过多次实验得出，能够保证人体运动状态的识别准确度。
[0092]
另外，在一实施例中，压力阈值的数量大于一；图1所示实施例中的步骤s130，包括但不限于有以下步骤：
[0093]
根据各个压力阈值，确定多个压力阈值范围，其中，任意两个压力阈值范围对应的压力特征值不同；
[0094]
将样本分区压力值与各个压力阈值范围进行匹配，在多个压力阈值范围中确定目标压力阈值范围，确定对应的足底检测区域的样本特征值为对应的压力特征值；
[0095]
可以理解的是，压力阈值可为一个或多个，当压力阈值为一个时，可通过判断样本分区压力值与压力阈值之间大小来确定样本特征值，当压力阈值为多个时，需要先通过压力阈值确定压力阈值范围，再确定样本分区压力值所匹配的压力阈值范围，进而将目标压力阈值范围对应的压力特征值作为该足底检测区域的样本特征值，例如，共有2个压力阈值，分别为第一压力阈值40kpa和第二压力阈值100kpa，能够确定出三个压力阈值范围，分别为第一压力阈值范围：小于40kpa，第二压力阈值范围：大于等于40kpa且小于100kpa，第三压力阈值范围：大于100kpa，第一压力阈值范围对应的压力特征值为：0，第二压力阈值范围对应的压力特征值为：0.5，第三压力阈值范围对应的压力特征值为：1，因此，当样本分区压力值在第一压力阈值范围内，对应的足底检测区域的样本特征值为0，当样本分区压力值在第二压力阈值范围内，对应的足底检测区域的样本特征值为0.5，当样本分区压力值在第三压力阈值范围内，对应的足底检测区域的样本特征值为1；能够提高人体运动状态的识别能力。
[0096]
另外，参照图8，图8为本技术实施例提供的一种可选的压力传感器和足底检测区域分布示意图。
[0097]
可以理解的是，在穿戴设备中，压力传感器810均匀分布在左脚和右脚的足底检测区域中，左脚的足底检测区域和右脚的足底检测区域对称，如图8所示，可分为左脚前足区域821、左脚中足区域822、左脚足跟区域823、右脚前足区域824、右脚中足区域825和右脚足跟区域826，通过计算各个区域的特征值，能够提高识别效率。
[0098]
另外，参考图9，本技术还提供了一种人体运动状态识别装置800，包括：
[0099]
获取单元910，用于获取多个样本数据集合和对应的候选运动状态标签，其中，样本数据集合包括多个样本压力数据包，样本数据集合中的多个样本压力数据包按照时间先后顺序排列，样本压力数据包包括多个足底检测区域的压力数据，候选运动状态标签用于表征对应的样本数据集合的人体运动状态类别信息；
[0100]
压力计算单元920，用于根据预设的压力计算规则和样本压力数据包，得到对应的各个足底检测区域的样本分区压力值；
[0101]
特征确定单元930，用于根据预设的压力阈值和各个样本分区压力值，确定各个足底检测区域的样本特征值；
[0102]
模式确定单元940，用于针对任一样本数据集合，根据样本数据集合对应的样本特征值，确定样本数据集合的运动模式；
[0103]
识别单元950，用于获取目标数据集合，根据目标数据集合，在运动模式中确定目标数据集合的目标运动模式，并在候选运动状态标签中确定目标数据集合的目标运动状态标签。
[0104]
可以理解的是，该人体运动状态识别装置900的具体实施方式与上述人体运动状态识别方法的具体实施例基本相同，在此不再赘述。
[0105]
另外，参照图10，图10示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0106]
处理器1001，可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0107]
存储器1002，可以采用只读存储器(read only memory，rom)、静态存储设备、动态存储设备或者随机存取存储器(random access memory，ram)等形式实现。存储器1002可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本技术实施例的人体运动状态识别方法，例如，执行以上描述的图1中的方法步骤s110至步骤s150、图2中的方法步骤s210至步骤s220、图3中的方法步骤s310至步骤s340、图4中的方法步骤s410至s460、图5中的方法步骤s510至s570、图6中的方法步骤s610至s630、图7中的方法步骤s710至s720；
[0108]
输入/输出接口1003，用于实现信息输入及输出；
[0109]
通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0110]
总线1005，在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息；
[0111]
其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
[0112]
本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述人体运动状态识别方法，例如，执行以上描述的图1中的方法步骤s110至步骤s150、图2中的方法步骤s210至步骤s220、图3中的方法步骤s310至步骤s340、图4中的方法步骤s410至s460、图5中的方法步骤s510至s570、图6中的方法步骤s610至s630、图7中的方法步骤s710至s720。
[0113]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0114]
本技术实施例提供的人体运动状态识别方法、装置、设备及存储介质，其通过获取多个样本数据集合和对应的候选运动状态标签，其中，样本数据集合包括多个样本压力数据包，样本数据集合中的多个样本压力数据包按照时间先后顺序排列，样本压力数据包包括多个足底检测区域的压力数据，候选运动状态标签用于表征对应的样本数据集合的人体运动状态类别信息；根据预设的压力计算规则和样本压力数据包，得到对应的各个足底检测区域的样本分区压力值；根据预设的压力阈值和各个样本分区压力值，确定各个足底检测区域的样本特征值；针对任一样本数据集合，根据样本数据集合对应的样本特征值，确定样本数据集合的运动模式；获取目标数据集合，根据目标数据集合，在运动模式中确定目标数据集合的目标运动模式，并在候选运动状态标签中确定目标数据集合的目标运动状态标
签。基于此，对于任一人体运动状态类别的样本数据集合，通过对样本压力数据包内的压力数据进行压力计算，确定各个足底检测区域的样本分区压力值，然后结合压力阈值进行对比，确定足底检测区域的样本特征值，进而通过样本特征值确定样本数据集合的运动模式，后续可以基于各个样本数据集合的运动模式，确定目标数据集合的目标运动模式和目标运动状态标签，实现了人体运动状态类别的有效识别，相对于耗时较长的机器学习模型训练过程，确定运动模式的过程耗费时间较短，提高识别效率，另外，使用配置有单一种类的压力传感器的穿戴设备，就能有效获取足底检测区域的压力数据，通过足底检测区域的压力数据来识别人体运动状态，不受光学测量标准的影响，能够保证识别准确度，而且穿戴设备的结构比较简单，从而提高穿戴设备的便携性和实用性。
[0115]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0116]
本领域技术人员可以理解的是，图1至图7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0117]
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
[0118]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0119]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0120]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0121]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0122]
上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。
[0123]
另外，在本技术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。
[0124]
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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0125]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种人体运动状态识别方法，其特征在于，包括：获取多个样本数据集合和对应的候选运动状态标签，其中，所述样本数据集合包括多个样本压力数据包，所述样本数据集合中的多个所述样本压力数据包按照时间先后顺序排列，所述样本压力数据包包括多个足底检测区域的压力数据，所述候选运动状态标签用于表征对应的所述样本数据集合的人体运动状态类别信息；根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值；根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值；针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式；获取目标数据集合，根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，并在所述候选运动状态标签中确定所述目标数据集合的目标运动状态标签。2.根据权利要求1所述的方法，其特征在于，所述根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值，包括：根据预设的划分规则和所述样本压力数据包中的各个所述压力数据的排列顺序，确定所述压力数据和所述足底检测区域的关联关系；针对任一所述足底检测区域，根据所述关联关系，在多个所述压力数据中确定与所述足底检测区域相关联的目标压力数据，根据预设的压力计算规则和所述目标压力数据，得到所述足底检测区域的样本分区压力值。3.根据权利要求2所述的方法，其特征在于，所述针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式，包括：针对任一所述样本压力数据包，基于所述样本压力数据包中的各个所述压力数据的排列顺序，将各个所述足底检测区域的所述样本特征值依次拼接，得到样本动作特征；针对任一所述样本数据集合，基于所述样本数据集合中各个所述样本压力数据包的顺序排列，对所述样本动作特征进行排序处理；对排序后的所述样本动作特征进行拼接处理，得到运动序列；根据所述运动序列，确定所述样本数据集合的运动模式。4.根据权利要求3所述的方法，其特征在于，所述根据所述运动序列，确定所述样本数据集合的运动模式，包括：根据预设的周期性检测算法和所述运动序列，确定样本周期序列；遍历所述样本周期序列中各个所述样本动作特征，判断当前的所述样本动作特征和前一个所述样本动作特征是否相同；若当前的所述样本动作特征和前一个所述样本动作特征相同，在所述样本周期序列中删除当前的所述样本动作特征，以更新所述样本周期序列；根据更新后的所述样本周期序列，得到模式序列；根据所述模式序列的头部和尾部对应的所述样本压力数据包的获取时间，确定样本动作频率；
根据所述模式序列和所述样本动作频率，确定所述样本数据集合的运动模式。5.根据权利要求4所述的方法，其特征在于，所述目标数据集合包括多个目标压力数据包；所述根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，包括：根据所述压力计算规则和所述目标压力数据包，得到对应的各个所述足底检测区域的目标分区压力值；根据所述压力阈值和各个所述目标分区压力值，确定各个所述足底检测区域的目标特征值；按照目标压力数据包的获取时间先后顺序，依次根据对应的所述目标特征值确定所述目标压力数据包的目标动作特征，将首个确定的所述目标动作特征作为预设的待识别序列的头部，并判断当前确定的所述目标动作特征与上一个确定的所述目标动作特征是否相同；若当前确定的所述目标动作特征与上一个确定的所述目标动作特征不同时，将当前确定的所述目标动作特征添加至所述待识别序列的尾部，以更新所述待识别序列；对所述待识别序列和各个所述模式序列进行匹配，在各个所述运动模式中确定初筛运动模式，并在所述待识别序列中确定与所述初筛运动模式匹配的目标子序列；根据所述目标子序列的头部和尾部对应的目标压力数据包的获取时间，确定目标动作频率；对所述目标动作频率和所述初筛运动模式对应的所述样本动作频率进行匹配，在初筛运动模式中确定目标运动模式。6.根据权利要求2所述的方法，其特征在于，所述关联关系是指所述压力数据与所述足底检测区域之间的相关度，所述足底检测区域包括左脚前足区域、左脚中足区域、左脚足跟区域、右脚前足区域、右脚中足区域和右脚足跟区域，任一所述足底检测区域内设置有多个均匀分布的压力传感器，所述压力传感器用于获取对应的所述压力数据，所述压力传感器与所述足底检测区域的中心之间的距离与对应的所述相关度呈负相关关系；所述针对任一所述足底检测区域，根据所述关联关系，在多个所述压力数据中确定与所述足底检测区域相关联的目标压力数据，根据预设的压力计算规则和所述目标压力数据，得到所述足底检测区域的样本分区压力值，包括：针对任一所述足底检测区域，根据所述相关度和预设的相关度阈值，在多个所述压力数据中确定与所述足底检测区域相关联的目标压力数据；根据预设的压力计算规则和所述目标压力数据，得到各个所述目标压力数据的目标压力值；基于所述相关度，对各个所述目标压力值进行加权求和，得到所述足底检测区域的样本分区压力值。7.根据权利要求1所述的方法，其特征在于，所述样本特征值包括第一特征值和第二特征值；所述根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值，包括：在所述样本分区压力值大于等于预设的压力阈值的情况下，确定对应的所述足底检测区域的所述样本特征值为所述第一特征值；
在所述样本分区压力值小于所述压力阈值的情况下，确定对应的所述足底检测区域的所述样本特征值为所述第二特征值。8.一种人体运动状态识别装置，其特征在于，包括：获取单元，用于获取多个样本数据集合和对应的候选运动状态标签，其中，所述样本数据集合包括多个样本压力数据包，所述样本数据集合中的多个所述样本压力数据包按照时间先后顺序排列，所述样本压力数据包包括多个足底检测区域的压力数据，所述候选运动状态标签用于表征对应的所述样本数据集合的人体运动状态类别信息；压力计算单元，用于根据预设的压力计算规则和所述样本压力数据包，得到对应的各个所述足底检测区域的样本分区压力值；特征确定单元，用于根据预设的压力阈值和各个所述样本分区压力值，确定各个所述足底检测区域的样本特征值；模式确定单元，用于针对任一所述样本数据集合，根据所述样本数据集合对应的所述样本特征值，确定所述样本数据集合的运动模式；识别单元，用于获取目标数据集合，根据所述目标数据集合，在所述运动模式中确定所述目标数据集合的目标运动模式，并在所述候选运动状态标签中确定所述目标数据集合的目标运动状态标签。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的人体运动状态识别方法。10.一种存储介质，所述存储介质存储有计算机程序，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至7中任一项所述的人体运动状态识别方法。

技术总结
本申请实施例提供了一种人体运动状态识别方法、装置、设备及存储介质，该方法包括：获取多个样本数据集合和对应的候选运动状态标签；根据预设的压力计算规则和样本压力数据包，得到对应的各个足底检测区域的样本分区压力值；根据预设的压力阈值和各个样本分区压力值，确定各个足底检测区域的样本特征值；针对任一样本数据集合，根据样本数据集合对应的样本特征值，确定样本数据集合的运动模式；获取目标数据集合，根据目标数据集合，在运动模式中确定目标数据集合的目标运动模式，并在候选运动状态标签中确定目标数据集合的目标运动状态标签。本申请实施例能够提高识别效率、保证识别准确度和提高穿戴设备的便携性和实用性。性。性。


技术研发人员：罗坚义 李晓炎 刘贤哲 丁冬仪 刘博 曾伟豪 李逸洲 朱伟刚 梁鸿鹏 梁宝文
受保护的技术使用者：五邑大学
技术研发日：2023.04.06
技术公布日：2023/8/5