一种动作类型的识别方法、装置和设备与流程

本发明涉及信息技术领域，特别是涉及一种动作类型的识别方法、一种动作类型的识别装置和一种动作类型的识别设备。

背景技术：

智能穿戴设备又称作可穿戴设备，是一种应用穿戴式技术对日常穿戴进行智能化设计、开发出的可以穿戴的设备的总称，如智能眼镜、智能手表、智能手环等等。

通常，当用户在佩戴智能穿戴设备后，智能穿戴设备能够对用户的行走或跑步进行简单的计数，向用户输出当前的行走或跑步的步数及距离。但是，现有的智能穿戴设备却无法对用户的动作进行识别，例如，篮球运动中的运球、投篮、传球、接球，羽毛球运动中扣杀、挑球、击球等动作，目前的智能穿戴设备根本无法识别。

技术实现要素：

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种动作类型的识别方法、一种动作类型的识别装置和相应的一种动作类型的识别设备。

为了解决上述问题，本发明实施例公开了一种动作类型的识别方法，包括：

采集用户的动作数据；

提取所述动作数据中的多个特征元素；

采用所述多个特征元素，生成所述动作数据的特征信息；

依据所述特征信息，识别所述动作数据对应的动作类型。

可选地，所述采集用户的动作数据的步骤包括：

采集用户在动作过程中的加速度信号和角速度信号。

可选地，所述提取所述动作数据中的多个特征元素的步骤包括：

分别提取所述加速度信号和角速度信号的最大值、最小值、均值方差、斜率、上升时间，和/或，下降时间。

可选地，所述多个特征元素分别具有相应的特征数值，所述采用所述多个特征元素，生成所述动作数据的特征信息的步骤包括：

对多个特征元素的特征数值进行归一化处理，以获得多个特征元素的归一化特征数值；

对所述归一化特征数值进行降维处理，以获得目标特征数值；

采用所述目标特征数值，生成所述动作数据的特征向量。

可选地，所述依据所述特征信息，识别所述动作数据对应的动作类型的步骤包括：

计算预置的动作特征库中的多个样本动作数据与所述特征信息的相似度，所述多个样本动作数据分别具有相应的标签信息；

提取所述相似度超过预设阈值的多个样本动作数据作为目标样本动作数据；

将所述目标样本动作数据的标签信息所指示的动作类型识别为所述动作数据的动作类型。

可选地，所述依据所述特征信息，识别所述动作数据对应的动作类型的步骤包括：

计算预置的动作特征库中的多个特征集合与所述特征信息的相似度，所述多个特征集合分别具有相应的标签信息；

提取所述相似度最大值对应的特征集合为目标特征集合；

将所述目标特征集合的标签信息所指示的动作类型识别为所述动作数据的动作类型。

可选地，所述预置的动作特征库通过如下方式生成：

采集多个样本动作数据，所述多个样本动作数据分别具有相应的标签信息；

提取所述多个样本动作数据中的多个特征元素；

采用所述多个特征元素，生成所述多个样本动作数据的特征信息；

依据所述特征信息及其对应的标签信息，生成动作特征库。

可选地，还包括：

分别将具有相同标签信息的多个特征信息组合为特征集合。

为了解决上述问题，本发明实施例公开了一种动作类型的识别装置，包括：

采集模块，用于采集用户的动作数据；

提取模块，用于提取所述动作数据中的多个特征元素；

生成模块，用于采用所述多个特征元素，生成所述动作数据的特征信息；

识别模块，用于依据所述特征信息，识别所述动作数据对应的动作类型。

可选地，所述采集模块包括：

采集子模块，用于采集用户在动作过程中的加速度信号和角速度信号。

可选地，所述提取模块包括：

提取子模块，用于分别提取所述加速度信号和角速度信号的最大值、最小值、均值方差、斜率、上升时间，和/或，下降时间。

可选地，所述多个特征元素分别具有相应的特征数值，所述生成模块包括：

归一化子模块，用于对多个特征元素的特征数值进行归一化处理，以获得多个特征元素的归一化特征数值；

降维子模块，用于对所述归一化特征数值进行降维处理，以获得目标特征数值；

生成子模块，用于采用所述目标特征数值，生成所述动作数据的特征向量。

可选地，所述识别模块包括：

第一计算子模块，用于计算预置的动作特征库中的多个样本动作数据与所述特征信息的相似度，所述多个样本动作数据分别具有相应的标签信息；

第一提取子模块，用于提取所述相似度超过预设阈值的多个样本动作数据作为目标样本动作数据；

第一识别子模块，用于将所述目标样本动作数据的标签信息所指示的动作类型识别为所述动作数据的动作类型。

可选地，所述识别模块包括：

第二计算子模块，用于计算预置的动作特征库中的多个特征集合与所述特征信息的相似度，所述多个特征集合分别具有相应的标签信息；

第二提取子模块，用于提取所述相似度最大值对应的特征集合为目标特征集合；

第二识别子模块，用于将所述目标特征集合的标签信息所指示的动作类型识别为所述动作数据的动作类型。

可选地，所述预置的动作特征库通过调用如下模块生成：

样本动作数据采集模块，用于采集多个样本动作数据，所述多个样本动作数据分别具有相应的标签信息；

特征元素提取模块，用于提取所述多个样本动作数据中的多个特征元素；

特征信息生成模块，用于采用所述多个特征元素，生成所述多个样本动作数据的特征信息；

动作特征库生成模块，用于依据所述特征信息及其对应的标签信息，生成动作特征库。

可选地，还包括：

特征信息组合模块，用于分别将具有相同标签信息的多个特征信息组合为特征集合。

为了解决上述问题，本发明实施例公开了一种动作类型的识别设备，包括：传感器、处理器、存储器、无线连接模组、电源模组和显示模组；

所述传感器用于采集用户的动作数据；

所述处理器用于提取所述动作数据中的多个特征元素；采用所述多个特征元素，生成所述动作数据的特征信息；依据所述特征信息，识别所述动作数据对应的动作类型。

与背景技术相比，本发明实施例包括以下优点：

本发明实施例，通过采集用户的动作数据，并提取所述动作数据中的多个特征元素，然后采用所述多个特征元素，生成所述动作数据的特征信息，进而能够依据所述特征信息，识别所述动作数据对应的动作类型，解决了现有技术中无法通过普通的智能穿戴设备识别用户的动作类型的问题，本发明实施例基于不同的动作类型的特征信息不同，通过识别动作数据的特征信息来进行动作类型的识别，提高了识别的效率和准确性。

附图说明

图1是本发明的一种动作类型的识别方法实施例一的步骤流程图；

图2是本发明的一种动作类型的识别方法实施例二的步骤流程图；

图3是本发明的一种动作类型的识别方法的原理图；

图4是本发明的一种动作类型的识别装置实施例的结构框图；

图5是本发明的一种动作类型的识别设备实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明的一种动作类型的识别方法实施例一的步骤流程图，具体可以包括如下步骤：

步骤101，采集用户的动作数据；

在本发明实施例中，所述方法可以应用于智能手环、智能手表等智能穿戴设备中，本发明实施例对智能穿戴设备的具体类型不作限定。所述动作数据可以是用户在运动过程中作出某个动作时所产生的相关数据，例如，可以是用户在篮球运动中所作出的运球、投篮、传球、接球等动作，或者在羽毛球运动中所作出的扣杀、挑球、击球等动作时产生的相关的加速度信号、角速度信号等运动数据。

在具体实现中，可以通过陀螺仪、加速度计等传感器采集用户在动作过程中产生的加速度信号和角速度信号，当然，本领域技术人员还可以采用其他方式采集用户的动作数据，本发明实施例对此不作限定。

步骤102，提取所述动作数据中的多个特征元素；

一般地，采集获得的加速度和角速度等信号可以分别形成相应的波形结构，从该波形结构中可以提取出多个不同的特征元素。例如，可以从加速度信号的波形结构中提取出加速度的最大值、最小值、均值方差、斜率、上升时间、下降时间；相应地，也可以从角速度信号的波形结构中提取出角速度的最大值、最小值、均值方差、斜率、上升时间、下降时间等等。当然，本领域技术人员根据实际需要，还可以从加速度信号和角速度信号中提取出其他类型的特征元素，例如，能量、过零点等特征元素，本发明实施例对此不作限定。

步骤103，采用所述多个特征元素，生成所述动作数据的特征信息；

通常，每个特征元素均可以用相应的特征数值表示，但不同类型的特征元素的量纲不同，使得直接采集的特征元素的特征数值具有很大的不同，例如，有些特征元素的特征数值可能很大，而有些特征元素的特征数值则可能很小，无法直接进行比较。

因此，为了统一度量，消除不同数值差异带来的影响，在提取出用户的动作数据中的特征元素后，可以将每个特征元素的特征数值进行归一化处理，例如，可以选择一个对数函数将全部特征元素的特征数值均归一到数值区间[-1，1]内，获得每个特征元素的归一化特征数值。当然，本领域技术人员可以根据实际需要，具体选择归一化函数和归一化后的数值区间的范围，例如，可以将全部特征元素的特征数值归一化到区间[0，1]或者[0，10]内，本发明实施例对此不作限定。

另一方面，为了方便计算，减少计算量，在获得归一化特征数值后，还可以继续对所获得的归一化特征数值进行降维处理，以减少特征元素的维数。例如，可以将特征元素降低到10维，并根据降维后得到的特征元素的特征数值，生成一特征向量。当然，上述10维特征元素仅为一个示例，本领域技术人员可以根据实际需要选择降维后的维度的数量，例如，可以是15维等等，本发明实施例对此不作限定。

步骤104，依据所述特征信息，识别所述动作数据对应的动作类型。

在本发明实施例中，可以预先采集若干样本动作数据，例如分别采集试验者在作出投篮动作、传球动作、接球动作、运球动作、抢篮板动作或三步上篮动作时的加速度信号和角速度信号，然后从该加速度信号和角速度信号中提取出最大值、最小值、均值方差、斜率、上升时间，和/或，下降时间等多个特征元素，并采用上述多个特征元素，生成对应于上述投篮动作、传球动作、接球动作、运球动作、抢篮板动作或三步上篮动作的特征信息，并依据该特征信息以及标记有相应动作的标签信息，生成动作特征库。以上动作仅为一种示例，本领域技术人员可以根据实际需要选择其他类型的动作作为样本动作，从而采集该样本动作的动作数据以生成动作特征库，例如，可以采用机器学习的各种方法，如knn(k-nearestneighbor，邻近算法)、svm(supportvectormachine，支持向量机)、随机森林、神经网络、深度学习方法等进行建模，从而生成动作特征库，本发明实施例对此不作限定。

以knn算法为例，knn算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。knn算法在类别决策时，只与极少量的相邻样本有关，主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别，对于类域的交叉或重叠较多的待分样本集来说，knn算法较为适合。

进而，在采集到用户当前的动作数据，并生成动作数据的特征信息后，便可以将特征信息与预置的动作特征库中的特征信息进行比对，识别出与该特征信息的相似度最高的若干个动作特征，以上述若干个动作特征对应的动作类型作为所述动作数据对应的动作类型。

本发明实施例，通过采集用户的动作数据，并提取所述动作数据中的多个特征元素，然后采用所述多个特征元素，生成所述动作数据的特征信息，进而能够依据所述特征信息，识别所述动作数据对应的动作类型，解决了现有技术中无法通过普通的智能穿戴设备识别用户的动作类型的问题，本发明实施例基于不同的动作类型的特征信息不同，通过识别动作数据的特征信息来进行动作类型的识别，提高了识别的效率和准确性。

参照图2，示出了本发明的一种动作类型的识别方法实施例二的步骤流程图，具体可以包括如下步骤：

步骤201，生成动作特征库；

在本发明实施例中，为了实现对用户的动作类型的识别，可以首先生成一动作特征库，并将该动作特征库预置于智能手环、智能手表等智能穿戴设备中，从而在智能穿戴设备采集到用户的动作数据后，可以采用预置的动作特征库中的动作特征对该动作数据进行识别。本发明实施例对智能穿戴设备的具体类型不作限定。

在本发明实施例中，为了生成动作特征库，可以首先采集多个样本动作数据。该样本动作数据可以是试验者在作出某一动作时的所产生的相关加速度和角速度等数据。例如，可以在试验者作出投篮动作时，通过陀螺仪、加速度计等传感器采集该试验者的加速度信号和角速度信号，从而形成投篮动作的动作数据；或者，可以在试验者作出传球动作时，通过采集该试验者的加速度信号和角速度信号，从而形成传球动作的动作数据。当然，以上仅为一种示例，本领域技术人员可以根据后续需要识别的动作，确定具体的样本动作，从而采集样本动作的动作数据，本发明实施例对此不作限定。

在具体实现中，可以采用六轴mems(microelectromechanicalsystems，微机电系统)传感器采集样本动作数据，从而输出三个轴向的加速度信号和三个轴向的角速率信号，采样频率可以设定为100hz(赫兹)。

通常，当采集到多个样本动作数据后，为了方便后续处理，可以分别对每个样本动作数据设定一标签信息，用于标识该样本动作数据所对应的动作类型。

然后，可以按照一定的时间间隔提取所述多个样本动作数据中的多个特征元素。例如，在按照100hz的频率进行采样时，可以以每一秒的数据作为一段，进行一次特征元素的提取，从而获得六个波形结构，并从该波形结构中提取出最大值、最小值、均值方差、斜率、上升时间、下降时间等特征元素。当然，本领域技术人员根据实际需要，还可以从加速度信号和角速度信号中提取出其他类型的特征元素，本发明实施例对此不作限定。

在提取出多个特征元素后，可以采用所述多个特征元素，生成所述多个样本动作数据的特征信息。

通常，每个特征元素均可以用相应的特征数值表示，但不同类型的特征元素的量纲不同，使得直接采集的特征元素的特征数值具有很大的不同，例如，有些特征元素的特征数值可能很大，而有些特征元素的特征数值则可能很小，无法直接进行比较。

因此，为了统一度量，消除不同数值差异带来的影响，在提取出用户的动作数据中的特征元素后，可以将每个特征元素的特征数值进行归一化处理，例如，可以选择一个对数函数将全部特征元素的特征数值均归一到数值区间[-1，1]内，获得每个特征元素的归一化特征数值。当然，本领域技术人员可以根据实际需要，具体选择归一化函数和归一化后的数值区间的范围，例如，可以将全部特征元素的特征数值归一化到区间[0，1]或者[0，10]内，本发明实施例对此不作限定。

另一方面，为了方便计算，减少计算量，在获得归一化特征数值后，还可以继续对所获得的归一化特征数值进行降维处理，以减少特征元素的维数。例如，可以将特征元素降低到10维，并根据降维后得到的特征元素的特征数值，生成样本动作数据的特征信息，该特征信息可以是一特征向量。当然，上述10维特征元素仅为一个示例，本领域技术人员可以根据实际需要选择降维后的维度的数量，例如，可以是15维等等，本发明实施例对此不作限定。

从而可以依据所述特征信息及其对应的标签信息，生成动作特征库，并将该动作特征库预置于智能穿戴设备中。在该动作特征库中，可以包括每个样本动作数据对应的特征信息，并通过标签信息标记该特征信息对应的动作类型。

作为本发明的一种示例，在依据样本动作数据的特征信息及其对应的标签信息生成动作特征库后，还可以分别将具有相同标签信息的多个特征信息组合为特征集合。例如，将标记为“投篮动作”的多个特征信息组合为一特征集合，并以“投篮动作”作为该特征集合的标签信息。

步骤202，采集用户在动作过程中的加速度信号和角速度信号；

在本发明实施例中，用户在佩戴或穿戴有预置有如步骤201中的动作特征库的智能手环或智能手表等智能穿戴设备后，当用户在作出某一动作时，该智能穿戴设备能够通过传感器采集到用户在动作过程中的加速度信号和角速度信号，通常，上述信号可以以相应的波形结构呈现。

步骤203，分别提取所述加速度信号和角速度信号的最大值、最小值、均值方差、斜率、上升时间，和/或，下降时间；

在具体实现中，智能穿戴设备的处理器可以从加速度的波形结构中提取出加速度的最大值、最小值、均值方差、斜率、上升时间、下降时间等特征元素，从角速度信号的波形结构中提取出角速度的最大值、最小值、均值方差、斜率、上升时间、下降时间等特征元素。当然，本领域技术人员根据实际需要，还可以从加速度信号和角速度信号中提取出其他类型的特征元素，本发明实施例对此不作限定。

步骤204，对多个特征元素的特征数值进行归一化处理，以获得多个特征元素的归一化特征数值；

在具体实现中，为了统一度量，消除不同数值差异带来的影响，在提取出如步骤203中的加速度信号和角速度信号的最大值、最小值、均值方差、斜率、上升时间，和/或，下降时间等特征元素后，可以分别对每一特征元素的特征数值进行归一化处理，从而将全部特征元素的特征数值均归一到某一特定的数值区间内，例如，可以是区间[-1，1]。

步骤205，对所述归一化特征数值进行降维处理，以获得目标特征数值；

另一方面，为了方便计算，减少计算量，在获得归一化特征数值后，还可以继续对所获得的归一化特征数值进行降维处理，以减少特征元素的维数。例如，可以将特征元素降低到10维，并以上述10维特征元素对应的特征数值作为目标特征数值。当然，上述10维特征元素仅为一个示例，本领域技术人员可以根据实际需要选择降维后的维度的数量，例如，可以是15维等等，本发明实施例对此不作限定。

步骤206，采用所述目标特征数值，生成所述动作数据的特征向量；

然后，可以根据降维后得到的目标特征数值，生成一特征向量，以该特征向量指示用户当前的动作数据。

步骤207，依据所述特征信息，识别所述动作数据对应的动作类型。

在本发明实施例中，在对采集获得的用户的动作数据进行处理，并获得了相应的特征信息后，可以依据该特征信息，采用预置的动作特征库对待特征信息对应的动作类型进行识别。

作为本发明的一种示例，可以首先计算预置的动作特征库中的多个样本动作数据与所述特征信息的相似度，所述多个样本动作数据可以分别具有相应的标签信息，然后提取所述相似度超过预设阈值的多个样本动作数据作为目标样本动作数据，从而将所述目标样本动作数据的标签信息所指示的动作类型识别为所述动作数据的动作类型。

在具体实现中，可以分别计算预置的动作特征库中的每个样本动作数据的特征向量与当前的动作数据的特征向量之间的余弦相似度，以该余弦相似度作为样本动作数据与用户当前的动作数据之间的相似度，从而确定出一定数量的与用户当前的动作数据最相近的样本动作数据，并以上述最相近的样本动作数据的标签信息所指示的动作类型作为用户当前的动作数据对应的动作类型。

当然，在计算特征向量之间的相似度时，除了使用余弦相似度，还可以采用其他类型的相似度计算方法，例如，欧氏距离(euclideandistance)、曼哈顿距离(manhattandistance)、切比雪夫距离(chebyshevdistance)，以及，信息熵(informationentropy)等方法，本发明实施例对计算相似度时所采用的具体方式不作限定。

作为本发明的另一种示例，还可以首先计算预置的动作特征库中的多个特征集合与所述特征信息的相似度，所述多个特征集合可以分别具有相应的标签信息，然后提取所述相似度最大值对应的特征集合为目标特征集合，从而将所述目标特征集合的标签信息所指示的动作类型识别为所述动作数据的动作类型。

在具体实现中，可以在对采集得到的用户当前的动作数据进行处理并生成相应的特征信息后，可以判断该特征信息属于预置的动作特征库中的哪一个特征集合，从而将该特征集合的标签信息所指示的动作类型识别为用户当前的动作数据的动作类型。

本发明实施例通过预先生成一动作特征库，从而在采集到用户当前的动作数据，并依据该动作数据生成相应的特征信息后，可以通过该特征信息与预置的动作特征库中的样本动作数据的特征信息进行比对等方式，识别出该动作数据的动作类型，解决了现有技术中无法通过普通的智能穿戴设备识别用户的动作类型的问题，提高了动作类型识别的识别效率和准确性。

为了便于理解，下面以一个具体的示例，对本发明的动作类型的识别方法作一介绍。

参照图3，示出了本发明的一种动作类型的识别方法的原理图。在图3中，所述方法可以包括学习和识别两大过程，分别对应于步骤201中的生成动作特征库的步骤，以及步骤202-步骤207中的识别动作类型的步骤。以下为上述学习和识别两大过程的具体说明。

一、学习过程

1、数据采集：可以使用六轴mems传感器采集样本动作数据，输出三个轴向的加速度信号和三个轴向的角速率信号，采样频率为100hz，并以每一秒的数据作为一段，进行一次特征元素的提取，获得六个波形结构。样本动作选择投篮、运球和跑步三种动作，通过10名试验者，每个试验者对每个动作重复10次。这样就有三类，共3*10*10＝300个训练样本。

2、预处理：提取上一阶段的训练样本的特征元素，特征元素包括每个波形结构的最大值、斜率和上升时间，这样就获得了6*3＝18个特征元素。由于每个特征元素的量纲不同，进行归一化处理，将每个特征元素的特征数值都归一到[-1，1]区间。然后为了减少计算量，可以考虑精简维度，将维数降到10维，并生成对应的特征向量，从而生成了一个包含300个样本，每个样本是10维特征向量的动作特征库，每个特征向量都对应着采集的样本动作时的标签信息。

二、识别过程

1、数据采集和预处理：识别过程的数据采集和预处理与学习过程的数据采集和预处理类似，通过传感器采集用户当前的动作数据，并提取该动作数据中的特征元素，并依次进行归一化和降维处理，生成用户当前的动作数据的特征向量。

2、动作类型识别：在具体的识别时，将得到的动作数据的特征向量与动作特征库中的样本进行比对，挑选出最相近的k个样本，查看这k个样本对应的标签信息，即可得知该动作的动作类型。或者，若动作特征库中已将相同类型的样本划分为同一特征集合，则可以在得到动作数据的特征向量后，判断该特征向量属于哪一个特征集合，从而以该特征集合对应的动作类型作为用户当前的动作类型。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图4，示出了本发明的一种动作类型的识别装置实施例的结构框图，具体可以包括如下模块：

采集模块401，用于采集用户的动作数据；

提取模块402，用于提取所述动作数据中的多个特征元素；

生成模块403，用于采用所述多个特征元素，生成所述动作数据的特征信息；

识别模块404，用于依据所述特征信息，识别所述动作数据对应的动作类型。

在本发明实施例中，所述采集模块401具体可以包括如下子模块：

采集子模块，用于采集用户在动作过程中的加速度信号和角速度信号。

在本发明实施例中，所述提取模块402具体可以包括如下子模块：

提取子模块，用于分别提取所述加速度信号和角速度信号的最大值、最小值、均值方差、斜率、上升时间，和/或，下降时间。

在本发明实施例中，所述多个特征元素可以分别具有相应的特征数值，所述生成模块403具体可以包括如下子模块：

归一化子模块，用于对多个特征元素的特征数值进行归一化处理，以获得多个特征元素的归一化特征数值；

降维子模块，用于对所述归一化特征数值进行降维处理，以获得目标特征数值；

生成子模块，用于采用所述目标特征数值，生成所述动作数据的特征向量。

在本发明实施例中，所述识别模块404具体可以包括如下子模块：

第一计算子模块，用于计算预置的动作特征库中的多个样本动作数据与所述特征信息的相似度，所述多个样本动作数据可以分别具有相应的标签信息；

第一提取子模块，用于提取所述相似度超过预设阈值的多个样本动作数据作为目标样本动作数据；

第一识别子模块，用于将所述目标样本动作数据的标签信息所指示的动作类型识别为所述动作数据的动作类型。

在本发明实施例中，所述识别模块404还可以包括如下子模块：

第二计算子模块，用于计算预置的动作特征库中的多个特征集合与所述特征信息的相似度，所述多个特征集合可以分别具有相应的标签信息；

第二提取子模块，用于提取所述相似度最大值对应的特征集合为目标特征集合；

第二识别子模块，用于将所述目标特征集合的标签信息所指示的动作类型识别为所述动作数据的动作类型。

在本发明实施例中，所述预置的动作特征库可以通过调用如下模块生成：

样本动作数据采集模块，用于采集多个样本动作数据，所述多个样本动作数据可以分别具有相应的标签信息；

特征元素提取模块，用于提取所述多个样本动作数据中的多个特征元素；

特征信息生成模块，用于采用所述多个特征元素，生成所述多个样本动作数据的特征信息；

动作特征库生成模块，用于依据所述特征信息及其对应的标签信息，生成动作特征库。

在本发明实施例中，所述预置的动作特征库还可以通过调用如下模块生成：

特征信息组合模块，用于分别将具有相同标签信息的多个特征信息组合为特征集合。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

参照图5，示出了本发明的一种动作类型的识别设备实施例的结构框图，所述设备可以包括传感器501、处理器502、存储器503、无线连接模组504、电源模组505和显示模组506；

所述传感器501可以用于采集用户的动作数据；

所述处理器502可以用于提取所述动作数据中的多个特征元素；采用所述多个特征元素，生成所述动作数据的特征信息；依据所述特征信息，识别所述动作数据对应的动作类型。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种动作类型的识别方法、一种动作类型的识别装置和一种动作类型的识别设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。