行为识别系统、方法、装置、电子设备及存储介质

技术领域

本申请涉及行为检测技术领域，尤其涉及一种行为识别系统、方法、装置、电子设备及存储介质。

背景技术

随着社会和科技的发展，智能可穿戴设备是消费电子发展的新方向。目前市面上已经出现了部分智能可穿戴设备用于识别佩戴者的肢体行为，例如：识别运动状态、睡眠状态等等。

但是，当前领域中的产品只能识别和检测处于事先预置好的场景下的人体状态。并且需要佩戴者人为选择或确认其当前的人体状态。当前的智能可穿戴设备无法实时的感知和监测人体行为、自动确认佩戴者的当前人体行为。

发明内容

有鉴于此，本申请提出一种行为识别系统、方法、装置、电子设备及存储介质，以此解决当前的智能可穿戴设备无法实时的感知和监测人体行为、自动确认佩戴者的当前人体行为的问题。

基于上述目的，本申请提供了一种行为识别系统，包括：

多个信号标签，分别预设于佩戴者的第一肢体位置；

信号读取器，预设于所述佩戴者的第二肢体位置，被配置为检测所述信号标签的信号强度；

处理器，与所述信号读取器通信连接，被配置为根据预设的行为识别模型对接收到的所述信号强度的强度变化进行识别，根据识别结果确定所述佩戴者的肢体行为。

在一些实施方式中，所述信号标签按照预设个数进行分组，每组所述信号标签对应一处所述第一肢体位置；每组所述信号标签在对应的所述第一肢体位置处，沿所述第一肢体位置的周向间隔排布。

在一些实施方式中，所述信号读取器设置有多个，被配置为依次检测所述信号标签的信号强度。

基于同一构思，本申请还提供了一种应用如上任一项所述的行为识别系统的行为识别方法，包括：

获取预设时间段内信号读取器检测到的信号标签的信号强度，生成对应的特征向量；

根据预设的行为识别模型对所述特征向量进行计算，确定所述特征向量落入的特征区间及所述特征区间对应的预设肢体行为；

将所述预设肢体行为作为所述行为识别模型的输出及佩戴者的肢体行为。

在一些实施方式中，所述方法还包括通过以下方法训练所述行为识别模型：

获取对应同一所述预设肢体行为的多组训练信号强度，生成对应的训练向量；

利用长短期记忆人工神经网络对所述训练向量进行计算，确定所述训练向量对应的所述特征区间，建立所述特征区间与所述预设肢体行为之间的对应关系。

在一些实施方式中，所述信号读取器设置有多个；

所述获取预设时间段内信号读取器检测到的信号标签的信号强度之后，所述方法还包括：

检测预设时间段内的全部所述信号强度是否对应全部所述信号读取器；

若否，则获取历史信号强度数据，查找所述预设时间段的上一时间段内的所述信号强度，补入缺少的所述信号读取器对应的所述信号强度。

在一些实施方式中，所述信号标签设置有多个；

所述根据预设的行为识别模型对所述特征向量进行计算之前，所述方法还包括：

确定设定时间内同一信号标签对应的全部所述特征向量，对该全部所述特征向量进行统计学计算，去除偏差超过预设阈值的所述特征向量。

基于同一构思，本申请还提供了一种行为识别装置，其特征在于，包括：

获取模块，用于获取预设时间段内信号读取器检测到的信号标签的信号强度，生成对应的特征向量；

判断模块，用于根据预设的行为识别模型对所述特征向量进行计算，确定所述特征向量落入的特征区间及所述特征区间对应的预设肢体行为；

输出模块，用于将所述预设肢体行为作为所述行为识别模型的输出及佩戴者的肢体行为。

基于同一构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任一项所述的方法。

基于同一构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机实现如上任一项所述的方法。

从上面所述可以看出，本申请提供的一种行为识别系统、方法、装置、电子设备及存储介质，包括：多个信号标签，分别预设于佩戴者的第一肢体位置；信号读取器，预设于佩戴者的第二肢体位置，被配置为检测信号标签的信号强度；处理器，与信号读取器通信连接，被配置为根据预设的行为识别模型对接收到的信号强度的强度变化进行识别，根据识别结果确定佩戴者的肢体行为。本申请通过在佩戴者的多个特定位置设置的信号标签及信号读取器，利用肢体对无线信号的较强的干扰作用，通过信号读取器监测每个信号标签的信号强度，来确定当前佩戴者的肢体变化，并根据预先训练好的模型识别佩戴者当前行为，以此可以实时的感知和监测人体行为、自动确认佩戴者的当前人体行为，提升监测效率。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，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为本申请实施例提供的一种行为识别系统的结构示意图；

图2为本申请实施例提供的一种行为识别方法的流程示意图；

图3为本申请实施例提供的一种行为识别装置的结构示意图；

图4为本申请实施例提供的电子设备结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本说明书进一步详细说明。

可以理解的是，在使用本申请各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本申请所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本申请技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本申请的实现方式构成限定，其它满足相关法律法规的方式也可应用于本申请的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

为使本说明书的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本说明书进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件、物件或者方法步骤涵盖出现在该词后面列举的元件、物件或者方法步骤及其等同，而不排除其他元件、物件或者方法步骤。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如背景技术部分所述，在当前领域中主流的行为识别产品一般为智能手环、智能手表、智能臂环等设备产品，但是以上产品只能识别和检测处于事先预置好的运动场景下的人体状态。其识别的工作原理一般为：用户在设备界面选择一种运动模式(如跑步、健走、游泳等其中一种)，然后开始运动，此时设备通过内置加速度传感器，重力传感器，六轴陀螺仪传感器，心率传感器和GPS定位收集到数据，再加上内置算法鉴别采集数据，实现人体在运动过程中，对心率和速度识别。当前方案的特点是：(一)、只能在预设好的特定的几种运动模式下去选择。其只能判断处于运动模式状态下，佩戴者的心率，血氧，速度，轨迹这些信息。无法判断运动模式外的人体行为。(二)、对于一般的日常的行为(如：骑自行车、擦窗户等)无法识别或者无法准确的识别。之后，在当前技术领域还有一种能够识别人体行为的技术，即摄像监控技术，其一般是通过外置的摄像头进行人体行为的拍摄，然后进行图像识别，以此来进行人体行为的确认。

但是，当前智能手表等产品的加速度传感器+重力传感器+陀螺仪+GPS定位系统+心率传感器的方案中，其只能在预先设置好的运动模式中使用。比如进入跑步模式，然后开始跑步，穿戴设备就能识别人的心率，速度等情况。但如果一开始点入游泳模式，然后进入跑步，就会识别心率和速度不准确。同时，这些产品无法自动识别判断当前佩戴者处于哪个运动模式，比如，不预设运动状态的话，无法自动识别是在跑步还是在游泳。之后，摄像监控技术方案虽可以识别人体行为，但需要在安装摄像头的场所，且需要人身体大部分被拍到。此技术还需要人工查看视频判断或者强大AI技术鉴别，人力资源或者技术机算力资源投入大。同时，此种方案由于会对人体进行实时拍摄，此技术还有一定的法律风险，容易侵犯用户的隐私，甚至会被其他不怀好意的人滥用导致其他严重后果。

结合上述实际情况，本申请实施例提供了一种行为识别系统方案。本申请通过在佩戴者的多个特定位置设置的信号标签及信号读取器，利用肢体对无线信号的较强的干扰作用，通过信号读取器监测每个信号标签的信号强度，来确定当前佩戴者的肢体变化，并根据预先训练好的模型识别佩戴者当前行为，以此可以实时的感知和监测人体行为、自动确认佩戴者的当前人体行为，提升监测效率。

如图1所示，为本申请实施例的一种行为识别系统的结构示意图。其中，本申请实施例的行为识别系统，具体包括：

多个信号标签110，分别预设于佩戴者的第一肢体位置。

信号读取器120，预设于所述佩戴者的第二肢体位置，被配置为检测所述信号标签110的信号强度；

处理器130，与所述信号读取器120通信连接，被配置为根据预设的行为识别模型对接收到的所述信号强度的强度变化进行识别，根据识别结果确定所述佩戴者的肢体行为。

在一些实施例中，信号标签110即为记载有特定信息的记录媒体，主要应用于射频领域，为射频信号标签(RFID标签)。射频识别(RFID，Radio Frequency Identification)其原理为阅读器与标签之间进行非接触式的数据通信，达到识别目标的目的。在相关领域RFID的应用非常广泛，典型应用有动物晶片、汽车晶片防盗器、门禁管制、停车场管制、生产线自动化、物料管理。同时射频信号标签由于不耗电，不需要相应的能源组件，可以设计的相对较小，使其较容易穿戴在人体上。之后，信号读取器120即为用于检测或读取信号标签110信号的设备，其在读取每个信号标签110信号的同时会确定出该信号标签110的信号强弱。在一些实施例中，由于人的肢体对UHF(超高频)频段的无线信号有较强的干扰作用。从而在使用中，佩戴者的肢体发生了动作改变，那么部分信号标签110与信号读取器120之间可能会被佩戴者全部或部分遮挡，而另一部分信号标签110与信号读取器120之间可能会从遮挡状态转变为部分遮挡或无遮挡，同时信号标签110与信号读取器120之间的距离和相对角度也会发生相应的变化，最终导致信号读取器120读取到的每个信号标签110的信号强度发生较为明显的改变。这里的信号强度一般为通信信号强度(RSSI，Received SignalStrength Indicator)，其是接收信号的强度指示，在一些实施例中，RSSI为无线发送层的可选部分，用来判定链接质量，以及是否增大广播发送强度。最终，当佩戴者执行不同的行为动作时，人的肢体动作会对通信信号造成干扰，同时信号读取器120的天线与信号标签110之间的距离和相对角度的也会改变，以上两种因素影响，不同的行为动作情况下，信号读取器120读取出的信号标签110的信号就会出现不同的无线信号特征(信号强度RSSI改变)。在一些实施例中，信号标签与信号读取器分别设置于佩戴者的位置不尽相同的第一肢体位置处和第二肢体位置处，其中肢体位置即为佩戴者的身体位置，例如头部、手部、手腕、大臂、小臂、胸部、腰部、臀部等等。

在一些实施例中，所述信号标签可以设置多个，如图1所示，其中被横竖网格线填充的方形区域均可表示信号标签110，其在佩戴者肢体的多个位置设置了信号标签，其分别为左手腕、右手腕、左大臂、右大臂、腰部、左大腿、右大腿、左脚踝和右脚踝，之后，为了增强标签读取的可靠性，减少误差，可以在每个位置处多设置几个信号标签，例如在左手腕或右手腕处，可以分别贴上4个标签，分别对应手腕的正面、左侧、右侧和内侧面。通过这样的方式，无论佩戴者的肢体动作如何，每个部位至少有1个信号标签能够与信号读取器120的天线相对，保证这个部位的信号至少有1个能够顺利读取。同样的，信号读取器120可以仅设置一个，也可以设置多个，如图1所示，其中被斜网格线填充的圆形区域均可表示信号读取器120。在设置多个的情况下可以根据几个信号读取器之间的信号比对，更精确的进行识别工作。

在一些实施例中，处理器130即为智能数据处理终端，其可以是佩戴者的手机、Pad、智能手表、计算机等等能够进行数据处理的设备或终端。处理器130在得到信号读取器120反馈的信号强度值时，每个信号强度值数据一般均带有相应的标识数据来标识数据来源及相关基础信息，例如该信号强度值对应的信号标签110的id、对应的信号读取器120的id以及当前时间等等基础信息，通过这些信息处理器130可以知道这个信号强度值所对应的具体人体部位以及信号接收位置。之后，可以利用预先训练好的行为识别模型进行行为识别，将信号强度值及相应的标识数据进行行为识别，一般的可以将多个信号标签110每个当前时间的信号强度一起进行统一识别，以此来反应佩戴者整体的当前姿态。在具体实施例中，前期可以通过大量的训练，使行为识别模型提取出每种肢体行为在每个信号标签110的信号强度值之间的规律和关系，以此将两者建立关联。例如可以获取大量跑步动作的数据，对行为识别模型进行训练，使其总结出跑步动作的信号强度值之间的规律和关系，进而在输入一组信号强度值之后，如果这组信号强度值符合跑步动作的信号强度值之间的规律和关系，则可以得出当前佩戴者正在进行跑步运动的结论。

从上面所述可以看出，本申请提供的一种行为识别系统，包括：多个信号标签，分别预设于佩戴者的第一肢体位置；信号读取器，预设于佩戴者的第二肢体位置，被配置为检测信号标签的信号强度；处理器，与信号读取器通信连接，被配置为根据预设的行为识别模型对接收到的信号强度的强度变化进行识别，根据识别结果确定佩戴者的肢体行为。本申请通过在佩戴者的多个特定位置设置的信号标签及信号读取器，利用肢体对无线信号的较强的干扰作用，通过信号读取器监测每个信号标签的信号强度，来确定当前佩戴者的肢体变化，并根据预先训练好的模型识别佩戴者当前行为，以此可以实时的感知和监测人体行为、自动确认佩戴者的当前人体行为，提升监测效率。

在一些实施例中，所述信号标签110按照预设个数进行分组，每组所述信号标签110对应一处所述第一肢体位置；每组所述信号标签110在对应的所述第一肢体位置处，沿所述第一肢体位置的周向间隔排布。

在一些实施例中，预设个数即为事先设定好的一组信号标签110的个数，不同的第一肢体位置对应一组信号标签110，例如前述实施例中，左手腕或右手腕可以分别对应一组信号标签110，每一组信号标签110的个数为4个。之后，由于人体肢体不同的部位可以简化理解为圆柱形或圆形等，在每个部位处的周向即为沿该部位的切面的一周方向。则每一个肢体位置对应的一组信号标签110可以沿这个周向进行排布，使这组信号标签110的信号范围能够覆盖这个肢体位置的一周，一般的可以根据人体特性进行排布，例如手臂、手腕、腰部等等，都可以简单划分为四个方向，从而在这四个方向上分别设置一个信号标签110。

在一些实施例中，所述信号读取器120设置有多个，被配置为依次检测所述信号标签110的信号强度。

在一些实施例中，为了提升识别效果，可以在佩戴者身体的多处设置信号读取器120，例如在两脚的脚面上以及胸部的前后四个位置处设置信号读取器120，使不同部位的信号读取器120主要负责不同部位的信号读取，例如胸部的前后的两个信号读取器120主要感知上半身的信号标签110的信号强度，两脚的脚面上的两个信号读取器120主要感知下半身的信号标签110的信号强度，这里虽然胸部的前后的两个信号读取器120也可以感知下半身的信号标签110的信号强度，但由于距离可能相对较远，从而其读取出来的下半身的信号强度可以作为两脚的脚面上的两个信号读取器120读取相同位置处的信号强度的参考或辅助。之后，为了防止每个号读取器120之间发生干扰等情况，影响信号标签110的信号强度的读取，可以让每个信号读取器120依次的进行检测，保证同一时间内仅有一个信号读取器120在进行工作。这样虽然可能会增加每次读取数据的时间(假设一个信号读取器120读取全部信号标签110的时间为2秒，则四个信号读取器120完成轮询的时间为8秒)，但由于每个信号读取器120负责的部位或侧重点不同，其从而相互印证下，其识别出来的动作更为精确。

基于同一构思，本申请还提供了一种应用如上任一实施例所述的行为识别系统的行为识别方法，如图2所示，具体包括：

步骤201，获取预设时间段内信号读取器检测到的信号标签的信号强度，生成对应的特征向量。

在一些实施例中，预设时间段即为系统事先设定的一个时间间隔，例如1分钟、5分钟等等，同时由于人体一个瞬时的动作很难表征出其当前想要进行的肢体动作到底是什么，例如跑步和走路，在任一瞬间其肢体动作是极为相似的，仅通过一个时刻的数据很难确定当前佩戴者的具体动作，进而需要设定一个时间段，获取这个时间段内信号读取器120读取到的信号标签110的信号强度。其中根据每个信号强度可以生成一个对应的特征向量，这里的特征向量即为包含信号强度数值及相关基础信息的向量，例如包含信号强度数值、获取该信号强度数值的时间、获取该信号强度数值的信号读取器的id、该信号强度数值对应的信号标签的id等等。通过该特征向量可以确定出对应信号标签的具体位置、读取数据的信号读取器的具体位置及信号强度。

步骤202，根据预设的行为识别模型对所述特征向量进行计算，确定所述特征向量落入的特征区间及所述特征区间对应的预设肢体行为。

在一些实施例中，可以利用预先训练好的行为识别模型进行行为识别，对特征向量进行计算及数据比对。前期可以通过大量的训练，使行为识别模型提取出每种肢体行为在每个信号标签110的信号强度值之间的规律和关系，例如可以计算确定出一个对应的特征区间，以此将两者建立关联。以跑步为例，可以获取大量跑步动作的数据，对行为识别模型进行训练，使其总结出跑步动作的信号强度值之间的规律和关系，生成对应的特征区间，进而在输入一组信号强度值对应的特征向量之后，如果这组特征向量最后的计算结果落入这个特征区间之内，则可以说明当前佩戴者的肢体动作符合跑步动作的规律，则可以得出当前佩戴者正在进行跑步运动的结论。

之后，在具体实施例中，将特征向量输入行为识别模型之后，行为识别模型可以根据具体每个预设肢体动作对应的特征区间进行以此比对，例如先进行跑步特征区间的比对，不符合再进行骑车特征区间的比对，以此类推，最终得出对应的预设肢体行为。

步骤203，将所述预设肢体行为作为所述行为识别模型的输出及佩戴者的肢体行为。

在一些实施例中，最终将确定出的预设肢体行为作为行为识别模型的输出以及当前佩戴者的肢体行为进行输出。其可以用以存储、展示、使用或再加工该肢体行为信息。其中，根据不同的应用场景和实施需要，具体的对于该肢体行为信息的输出方式可以灵活选择。

例如，对于本实施例的方法在单一设备上执行的应用场景，可以将肢体行为信息直接在当前设备的显示部件(显示器、投影仪等)上以显示的方式输出，使得当前设备的操作者能够从显示部件上直接看到肢体行为信息的内容。

又如，对于本实施例的方法在多个设备组成的系统上执行的应用场景，可以将肢体行为信息通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)发送至系统内的其他作为接收方的预设设备上，即同步终端上，以使得同步终端可以对其进行后续处理。可选的，该同步终端可以是预设的服务器，服务器一般设置在云端，作为数据的处理和存储中心，其能够对肢体行为信息进行存储和分发；其中，分发的接收方是终端设备，该些终端设备的持有者或操作者可以是当前用户、当前应用程序的拥有者或者管理者等等。

再如，对于本实施例的方法在多个设备组成的系统上执行的应用场景时，可以将肢体行为信息通过任意的数据通信方式直接发送至预设的终端设备，终端设备可以是前述段落列举中的一种或多种。

上述实施例的方法应用于前述实施例中相应的行为识别系统，在前述行为识别系统的实施例中已经涉及了上述各步骤包括的具体内容的说明以及相应的有益效果，故在本实施例中不再赘述。

在一些实施例中，所述方法还包括通过以下方法训练所述行为识别模型：获取对应同一所述预设肢体行为的多组训练信号强度，生成对应的训练向量；利用长短期记忆人工神经网络对所述训练向量进行计算，确定所述训练向量对应的所述特征区间，建立所述特征区间与所述预设肢体行为之间的对应关系。

在一些实施例中，为了训练行为识别模型，可以预先准备每种预设肢体行为的多组训练信号强度数据，以此生成对应的训练向量。之后，利用长短期记忆人工神经网络的AI训练方法对这些训练向量进行计算，提取出规律和关系最终生成对应当前的预设肢体行为的特征区间，并将该特征区间与对应的预设肢体行为建立对应。其中，长短期记忆人工神经网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。

在一些实施例中，所述信号读取器设置有多个；所述获取预设时间段内信号读取器检测到的信号标签的信号强度之后，所述方法还包括：检测预设时间段内的全部所述信号强度是否对应全部所述信号读取器；若否，则获取历史信号强度数据，查找所述预设时间段的上一时间段内的所述信号强度，补入缺少的所述信号读取器对应的所述信号强度。

在一些实施例中，为了提升识别效果，信号读取器120可以设置多个，而每个信号读取器120为了不相互干扰，一般通过依次进行数据读取的方式进行信号标签的数据读取，从而所有信号读取器120完成一轮信号标签的数据读取需要一定的时间。这时如若预设时间段的起始时间或结束时间刚好位于一轮信号读取器120进行轮询数据的时间段内，甚至预设时间段内无法完成一轮信号读取器120的轮询，例如预设时间段的起始时间正好位于一轮信号标签轮询的第二个信号读取器120与第三个信号读取器120之间或是第二个信号读取器120进行轮询的时间段内。最终造成获取到的信号强度不完整，缺少部分信号读取器120的数据，即不对应全部所述信号读取器。其中为了数据的准确性，即使获取到了某个信号读取器120的部分数据，只要这个信号读取器120的数据不是完整的都可以直接进行舍弃。这种情况下，为了补全完整，这里可以通过获取的历史信号强度数据进行补全，即可以在历史信号强度数据中查找缺失的信号读取器120在前一时间段内的信号强度，将该信号强度补全为缺失的信号读取器120的信号强度数据。

在一些实施例中，所述信号标签设置有多个；所述根据预设的行为识别模型对所述特征向量进行计算之前，所述方法还包括：确定设定时间内同一信号标签对应的全部所述特征向量，对该全部所述特征向量进行统计学计算，去除偏差超过预设阈值的所述特征向量。

在一些实施例中，由于人体行为识别不是靠瞬间读取到的数据流来判断的，需要对一小段时间段的数据进行处理，然后提供识别的准确度。之后，由于肢体行为一般都有一定的规律性，例如跑步、游泳等，其运动中的肢体姿态可以看做是一个组动作的重复运动，进而每个信号标签的信号强度一般也会表现出来一定的规律性，以此可以通过统计学的方式进行数据统计计算，例如统计一个信号标签所有信号强度的平均值、方差、最大值、最小值等等。这里统计的设定时间可以是当前时间之前的一定时间段内的数据，例如10分钟、20分钟等等。之后，利用这些统计学计算可以强化对应肢体行为识别的强度及稳定性，同时，在其中由于可能会出现一些偏差数据或者称为误差数据，由于一些客观原因导致的数据突然变化。其变化可能只有突然的一下，从而需要将其在之后的计算中剔除出去，进而可以利用设定时间内统计出来的统计学数据来确定出这些信号强度数据中哪些是异常数据，以此将其剔除出去，防止其影响之后的肢体行为判断。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本申请实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种行为识别装置。

参考图3，所述行为识别装置，包括：

获取模块310，用于获取预设时间段内信号读取器检测到的信号标签的信号强度，生成对应的特征向量。

判断模块320，用于根据预设的行为识别模型对所述特征向量进行计算，确定所述特征向量落入的特征区间及所述特征区间对应的预设肢体行为。

输出模块330，用于将所述预设肢体行为作为所述行为识别模型的输出及佩戴者的肢体行为。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述实施例中相应的行为识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

在一些实施例中，所述方法还包括通过以下方法训练所述行为识别模型：

获取对应同一所述预设肢体行为的多组训练信号强度，生成对应的训练向量；

利用长短期记忆人工神经网络对所述训练向量进行计算，确定所述训练向量对应的所述特征区间，建立所述特征区间与所述预设肢体行为之间的对应关系。

在一些实施例中，所述信号读取器设置有多个；

所述获取模块310，还用于：

检测预设时间段内的全部所述信号强度是否对应全部所述信号读取器；

若否，则获取历史信号强度数据，查找所述预设时间段的上一时间段内的所述信号强度，补入缺少的所述信号读取器对应的所述信号强度。

在一些实施例中，所述信号标签设置有多个；

所述判断模块320，还用于：

确定设定时间内同一信号标签对应的全部所述特征向量，对该全部所述特征向量进行统计学计算，去除偏差超过预设阈值的所述特征向量。

基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的行为识别方法。

图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010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，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备、动态存储设备等形式实现。存储器1020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1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(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。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的行为识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任意一实施例所述的行为识别方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的行为识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。