一种智能运动监测装置数据异常分析方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种智能运动监测装置数据异常分析方法。


背景技术：

2.随着当今社会的不断发展，社会压力的不断增大，人们的身体健康问题越来越多，更多的人开始重视起了身体健康，开始在空闲时间进行身体锻炼，提高身体素质。同时，可以实时对运动状态进行监测的智能运动监测装置也随之兴起。进一步的，对智能运动监测装置的数据进行异常分析就显得尤为重要。
3.传统的运动数据异常分析方法往往是基于阈值进行监测的，即当运动数据的某一项指标超过设置的阈值时，当前运动数据就显示为异常状态。但是，对于不同用户的不同运动来说，运动数据是不断变化的，仅考虑单一的判断阈值标准，并未考虑实际运动状态的变化情况，对运动数据进行异常分析的效果较差。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种智能运动监测装置数据异常分析方法，所采用的技术方案具体如下：获取一次完整的运动过程中人体在各个时刻的运动数据，根据相邻时刻的运动数据对应的差异得到各时刻运动数据对应的波动性指标；对于任意一个时刻，获取运动数据的数值与该时刻相同的时刻的数量记为该时刻对应的特征参数；根据运动数据的数值和其对应的时刻、波动性指标以及特征参数分别计算该时刻的运动数据对应的第一优选值、第二优选值和第三优选值；根据运动数据对应的时刻、波动性指标和特征参数分别计算该时刻的运动数据对应的第四优选值和第五优选值；将第一、第二、第三、第四以及第五优选值的最大值对应的时刻的运动数据分别作为第一、第二、第三、第四和第五聚类中心；计算各时刻的运动数据与各聚类中心的相似度指标，根据相似度指标对各时刻的运动数据进行分类得到五个类别；根据各类别内每个时刻的运动数据对应的相似度指标获得各时刻的运动数据对应的概率指标，根据概率指标和概率阈值确定正常数据和异常数据，根据正常数据和异常数据之间的差异计算异常程度；根据异常程度进行预警。
5.优选地，所述根据相邻时刻的运动数据对应的差异得到各时刻运动数据对应的波动性指标具体为：选择任意一个时刻记为当前时刻，在当前时刻之前和当前时刻之后分别获取固定数量的相邻时刻，分别计算相邻时刻的运动数据与当前时刻的运动数据之间的差值，根据所述差值得到当前时刻运动数据对应的波动性指标，进而获得各时刻运动数据对应的波动性指标。
6.优选地，所述第一优选值、第二优选值和第三优选值的获取方法具体为：
将任意一个时刻记为目标时刻；将目标时刻与完成运动所需的时间长度的比值记为第一比值，将目标时刻的运动数据对应的特征参数与完成运动所需的时间长度的比值记为第二比值；根据1与第一比值的差值、第二比值以及运动数据的数值和波动性指标，得到目标时刻的运动数据对应的第一优选值；根据第一比值、第二比值以及运动数据的数值和波动性指标，得到目标时刻的运动数据对应的第二优选值；计算完成运动所需的时间长度的一半与目标时刻之间差值的绝对值，根据所述差值的绝对值、第二比值以及运动数据的数值和波动性指标，得到目标时刻的运动数据对应的第三优选值。
7.优选地，所述第四优选值和第五优选值的获取方法具体为：根据1与第一比值的差值、1与第二比值的差值以及运动数据的波动性指标，得到目标时刻的运动数据对应的第四优选值；根据第一比值、1与第二比值的差值以及运动数据的波动性指标，得到目标时刻的运动数据对应的第五优选值。
8.优选地，所述计算各时刻的运动数据与各聚类中心的相似度指标具体为：将任意一个时刻记为选定时刻，计算选定时刻的运动数据和聚类中心的运动数据的差值，计算选定时刻与聚类中心对应的时刻之间的差值，根据两个差值分别计算选定时刻与第一聚类中心、第二聚类中心以及第三聚类中心的相似度指标；获取选定时刻分别与每个相邻时刻的运动数据的差值，将差值的最大值记为最大幅值，将差值的最小值记为最小幅值；获取运动的初始时刻和终止时刻，根据选定时刻与初始时刻的差值、最大幅值和最小幅值的差值以及选定时刻和第四聚类中心的运动数据的差值，得到选定时刻与第四聚类中心的相似度指标；根据时刻与终止时刻的差值、最大幅值和最小幅值的差值以及选定时刻和第五聚类中心的运动数据的差值，得到选定时刻与第五聚类中心的相似度指标，进而获得各时刻的运动数据与各聚类中心的相似度指标。
9.优选地，所述根据概率指标和概率阈值确定正常数据和异常数据具体为：将概率指标大于概率阈值对应时刻的运动数据记为异常数据，将概率指标小于或等于概率阈值对应时刻的运动数据记为正常数据。
10.优选地，所述异常程度的获取方法具体为：在任意一个聚类中心对应的类别内，获取时刻间隔相同的异常数据构成异常数据序列，按照固定时刻间隔获取与异常数据序列中元素数量相同的正常数据构成正常数据序列，所述正常数据序列中各正常数据之间的时刻间隔与异常数据序列中各异常数据之间的时刻间隔相等；根据异常数据序列和正常数据序列中对应位置元素之间的差异计算该类别对应的异常程度。
11.优选地，所述根据异常程度进行预警具体为：根据异常程度获得运动数据的综合异常程度，设置第一阈值、第二阈值和第三阈值；当综合异常程度大于第一阈值时，发出红色预警；当综合异常程度小于或等于第一阈值且大于第二阈值时，发出橙色预警；当综合异常程度小于或等于第二阈值且大于第三阈值时，发出黄色预警；当综合异常程度小于或等于第三阈值时，不发出预警。
12.本发明实施例至少具有如下有益效果：本发明通过获取一次完整的运动过程中人体在各个时刻的运动数据，进而对各个
时刻的运动数据的波动情况进行分析，获得波动性指标；获取运动数据的数值相同的时刻数量作为各时刻对应的特征参数，表示对应时刻的运动数据出现的频率情况；进一步的，计算各个时刻的运动数据作为不同阶段对应类别聚类中心的优选值，考虑了不同阶段的运动数据具有不同的特征，再计算相似度指标将各时刻运动数据分为不同的运动阶段对应的类别，即本发明根据不同的运动阶段对应的运动数据进行自适应的聚类操作，获取运动数据的较优的分类结果，即将运动数据分为五个阶段类别，对于不同类别的运动数据分别进行异常程度的分析，并做出相应的预警，提高了异常数据的判断精度，进而提高了对运动进行实时监测的精度，降低运动发生危险的可能性，使得对运动数据进行异常分析的效果较好。
附图说明
13.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和优点，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的介绍，显而易见地，下面描述中的附图仅仅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它附图。
14.图1是本发明的一种智能运动监测装置数据异常分析方法的方法流程图。
具体实施方式
15.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智能运动监测装置数据异常分析方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
16.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
17.下面结合附图具体的说明本发明所提供的一种智能运动监测装置数据异常分析方法的具体方案。
18.实施例：请参阅图1，其示出了本发明一个实施例提供的一种智能运动监测装置数据异常分析方法的方法流程图，该方法包括以下步骤：步骤一，获取一次完整的运动过程中人体在各个时刻的运动数据，根据相邻时刻的运动数据之间的差异得到各时刻运动数据对应的波动性指标；对于任意一个时刻，获取运动数据的数值与该时刻相同的时刻数量记为该时刻对应的特征参数。
19.首先，需要获取人体在一次完整的运动过程中各个时刻的运动数据，其中，一次完整的运动过程中是指人体从运动开始直至运动结束对应的时间段，即获取该时间段内各个时刻对应的运动数据。同时，在本实施例中，运动数据包括人体在运动过程中的心率数据、体温数据、脉搏数据以及呼吸数据，实施者可根据不同的运动选择更感兴趣的数据进行分析，并且各项运动数据的获取方法是多种多样的，实施者可根据实际情况选择不同的智能运动监测装置进行获取。
20.需要说明的是，考虑到同一运动数据在运动的不同阶段也可能会产生较大的波
动，若仅通过单一的阈值进行判断，可能将处于运动过程中正常的数据误判断为异常的数据，故在本发明实施例中，通过将运动分为不同的运动阶段，根据不同的运动阶段对应的运动数据进行自适应的聚类处理，获取运动数据的较优的分类结果，对于不同类别的运动数据分别进行分析，提高了异常数据的判断精度，进而提高了对运动进行实时监测的精度，降低运动发生危险的可能性。
21.然后，在本实施例中，对运动过程进行分析，根据运动的特征将运动过程分为五个不同的阶段，包括：初始阶段，在该阶段人体刚开始进行运动，各个时刻对应的人体的运动数据的波动相对较为平缓，并且正在缓慢上升。
22.上升阶段，在该阶段人体运动经过一段时间，各个时刻对应的人体的运动数据相较于初始阶段具有一定的波动程度，表征人体开始进行剧烈运动以达到锻炼身体的效果，人体对应的运动数据迅速上升。
23.训练阶段，在该阶段人体运动经过相对较长的一段时间，各个时刻对应的人体的运动数据又重新达到一种稳定的状态，例如，在人体经过相对较长的一段时间的运动后，心率数据从较小的数值持续增加到一定的程度后停止增加，表示人体逐渐适应该运动，其体征数据保持在某一幅度进行波动。
24.下降阶段，在该阶段人体运动经过很长一段时间，处于即将要结束运动的状态，各个时刻对应的人体运动数据相较于训练阶段具有一定的波动程度，例如，在人体经过很长一段时间的运动后，心率数据从训练阶段的较大值开始持续下降，下降的速度较为缓慢。
25.终止阶段，在该阶段人体停止运动，各个时刻对应的人体的运动数据逐渐恢复正常，直至稳定。
26.进一步的，根据五个阶段的运动数据的变化特征，将各个时刻的运动数据划分为五个类别，进而首先需要对各个时刻的运动数据进行分析，分析各个时刻的运动数据分别作为五个阶段对应的类别的聚类中心的效果。
27.具体地，由于运动数据包括人体的多种数据，需对每种数据均进行同样的处理，故在本实施例中，以对人体的心率数据进行举例说明。获取人体在整个运动过程中的时间长度，即所述时间长度为整个运动过程中包含的时刻的总数量。
28.由于在不同的运动阶段人体的运动数据具有不同的波动变化特征，故可通过相邻时刻的运动数据之间的差异，对各时刻的运动数据的波动变化特征进行分析。即选择任意一个时刻记为当前时刻，在当前时刻之前和当前时刻之后分别获取固定数量的相邻时刻，在本实施例中固定数量的取值为4，例如，假设当前时刻为第t个时刻，则第t－4个时刻、第t－3个时刻、第t－2个时刻、第t－1个时刻、第t＋1个时刻、第t＋2个时刻、第t＋3个时刻以及第t＋4个时刻均为所述相邻时刻。
29.分别计算各相邻时刻的运动数据与当前时刻的运动数据之间的差值，根据所述差值获得当前时刻运动数据对应的波动性指标，用公式表示为：其中，表示第t个时刻的运动数据对应的波动性指标， 表示第t个时刻的运动数据， 表示相邻时刻的总数量，在本实施例中 的取值为8，表示第i个相邻时刻的运
动数据，例如，第t－4个时刻为第一个相邻时刻，则第一个相邻时刻的运动数据即为第t－4个时刻的运动数据。
30.表示相邻时刻与当前时刻的运动数据之间的差异，该差异越大，则当前时刻的运动数据对应的波动性指标取值越大，说明当前时刻与相邻时刻的运动数据存在的差异越大，则运动数据的波动就越大。
31.按照上述方法进而获得各时刻运动数据对应的波动性指标，由于不同阶段对应的运动数据的波动程度不同，故需后续针对具体情况进行具体分析。
32.最后，对于任意一个时刻，获取运动数据的数值与该时刻相同的时刻数量记为该时刻对应的特征参数，进而获得各个时刻对应的特征参数。例如，对人体的心率数据进行统计前，令m=0，当其他某一时刻的心率数据与当前时刻的心率数据相等时，则令m=m 1，否则令m=m，对除当前时刻之外的其他所有时刻的运动数据进行遍历，获取最终m的取值即为当前时刻对应的特征参数。
33.步骤二，根据运动数据的数值和其对应的时刻、波动性指标以及特征参数分别计算该时刻的运动数据对应的第一优选值、第二优选值和第三优选值；根据运动数据对应的时刻、波动性指标和特征参数分别计算该时刻的运动数据对应的第四优选值和第五优选值。
34.首先，需要说明的是，当人体处于运动的初始阶段时，各个时刻的运动数据的波动相对较为平缓，并且正在缓慢上升。故选择运动数据作为初始阶段对应类别的聚类中心时，运动数据对应的波动程度应当较小，同时，为了使得分类结果较好，运动数据对应的特征参数的取值应当较大。
35.基于此，将任意一个时刻记为目标时刻，将目标时刻与完成运动所需的时间长度的比值记为第一比值，将目标时刻的运动数据对应的特征参数与完成运动所需的时间长度的比值记为第二比值，根据1与第一比值的差值、第二比值以及运动数据的数值和波动性指标，得到目标时刻的运动数据对应的第一优选值，用公式表示为：其中，表示第t个时刻的运动数据对应的第一优选值，t为第t个时刻对应的时刻序号数值，例如第3个时刻对应的时刻序号即为3；t表示完成运动所需的时间长度，即完成运动所需的时间段内包含时刻的总数量，表示第一比值； 表示第t个时刻的运动数据对应的波动性指标，表示第t个时刻的运动数据，表示第t个时刻对应的特征参数，表示第二比值。
36.第一优选值 表征第t个时刻的运动数据作为初始阶段对应类别的聚类中心的优选程度，第一优选值的取值越大，说明第t个时刻的运动数据作为初始阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
37.第一比值 表征第t个时刻在完成运动所需的时间长度中的占比，若第t个时刻属于运动的初始阶段，则第一比值的取值较小。基于此， 的取值越大，说明第一比值的取值越小，第t个时刻越可能属于运动的初始阶段，则第一优选值的取值就越大，说明第t个时
刻的运动数据作为初始阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即第一比值与第一优选值之间的关系为负相关关系。
38.波动性指标表征运动数据在当前时刻的波动情况，若第t个时刻属于运动的初始阶段，则该时刻运动数据对应的波动性指标的取值应当较小。基于此，波动性指标的取值越小，说明当前时刻与相邻时刻的运动数据存在的差异越小，则第t个时刻的运动数据的波动就越小，对应的第一优选值的取值就越大，说明第t个时刻的运动数据作为初始阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即波动性指标与第一优选值之间的关系为负相关关系，分母加1是为了防止分母为0的情况出现。
39.第二比值 表征与第t个时刻运动数据相同的时刻数量占完成运动所需时间长度的比值，第二比值的取值越大，说明其他各时刻中与第t个时刻的运动数据相同的时刻数量较多，则第一优选值的取值越大，说明第t个时刻的运动数据作为初始阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
40.由于处于运动的初始阶段时，运动数据的数值相较于其他阶段运动数据的数值较小，因此，运动数据与第一优选值之间的关系为负相关关系，即运动数据的数值越小，第一优选值的取值越大。
41.然后，需要说明的是，当人体处于运动的终止阶段时，各个时刻的运动数据逐渐恢复正常，直至稳定。故选择运动数据作为终止阶段对应类别的聚类中心时，运动数据对应的波动程度应当较小，同时，为了使得分类结果较好，运动数据对应的特征参数的取值也应当较大。
42.基于此，根据第一比值、第二比值以及运动数据的数值和波动性指标，得到目标时刻的运动数据对应的第二优选值，用公式表示为：其中， 表示第t个时刻的运动数据对应的第二优选值，t为第t个时刻对应的时刻序号数值，例如第3个时刻对应的时刻序号即为3；t表示完成运动所需的时间长度，即完成运动所需的时间段内包含时刻的总数量， 表示第一比值； 表示第t个时刻的运动数据对应的波动性指标， 表示第t个时刻的运动数据， 表示第t个时刻对应的特征参数， 表示第二比值。
43.第二优选值 表征第t个时刻的运动数据作为终止阶段对应类别的聚类中心的优选程度，第二优选值的取值越大，说明第t个时刻的运动数据作为终止阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
44.第一比值 表征第t个时刻在完成运动所需的时间长度中的占比，若第t个时刻属于运动的终止阶段，第一比值的取值比属于初始阶段的取值较大。基于此，第一比值的取值越大，说明第t个时刻越可能属于运动的终止阶段，则第二优选值的取值就越大，说明第t个时刻的运动数据作为终止阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即第一比值与第二优选值之间的关系为正相关关系。
45.波动性指标表征运动数据在当前时刻的波动情况，若第t个时刻属于运动的终止
阶段，则该时刻运动数据对应的波动性指标的取值应当较小。基于此，波动性指标的取值越小，说明第t个时刻的运动数据波动较小，说明该时刻处于属于运动数据较为平稳的阶段，则第二优选值的取值越大，说明第t个时刻的运动数据作为终止阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即波动性指标与第二优选值之间的关系为负相关关系，分母加1是为了防止分母为0的情况出现。
46.第二比值的取值越大，说明其他各时刻中与第t个时刻的运动数据相同的时刻数量越多，则第二优选值的取值越大；由于处于运动的终止阶段时，运动数据的数值相较于其他阶段运动数据的数值较小，因此运动数据的数值与第二优选值之间的关系为负相关关系，即将运动数据的数值越小，第二优选值的取值越大，说明第t个时刻的运动数据作为终止阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
47.其次，需要说明的是，当人体处于运动的训练阶段时，各个时刻的运动数据重新达到一种稳定的状态，具有较小的波动情况。故选择运动数据作为训练阶段对应类别的聚类中心时，运动数据对应的波动程度应当较小，同时，为了使得分类结果较好，运动数据对应的特征参数的取值应当较大。
48.基于此，计算完成运动所需的时间长度的一半与目标时刻之间差值的绝对值，根据所述差值的绝对值、第二比值以及运动数据的数值和波动性指标，得到目标时刻的运动数据对应的第三优选值，用公式表示为：其中，表示第t个时刻的运动数据对应的第三优选值，t为第t个时刻对应的时刻序号数值，例如第3个时刻对应的时刻序号即为3；t表示完成运动所需的时间长度，即完成运动所需的时间段内包含时刻的总数量； 表示第t个时刻的运动数据对应的波动性指标， 表示第t个时刻的运动数据， 表示第t个时刻对应的特征参数， 表示第二比值，e为自然常数。
49.第三优选值 表征第t个时刻的运动数据作为训练阶段对应类别的聚类中心的优选程度，第三优选值的取值越大，说明第t个时刻的运动数据作为训练阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0050] 表示完成运动所需的时间长度的一半与第t个时刻之间的时间差异，若第t个时刻属于训练阶段，则第t个时刻应当位于整个运动时间的较为中间的时刻，则所述时间差异的取值较小。基于此， 的取值越小，说明第t个时刻越符合训练阶段的时间特征，则第三优选值的取值越大，说明第t个时刻的运动数据作为训练阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0051]
波动性指标表征运动数据在第t个时刻的波动情况，若第t个时刻属于运动的训练阶段，则该时刻运动数据对应的波动性指标的取值应当较小。基于此，波动性指标的取值越小，说明第t个时刻的运动数据的波动越小，对应的第三优选值的取值就越大，说明第t个时刻的运动数据作为训练阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即波动性指标与第三优选值之间的关系为负相关关系，分母加1是为了防止
分母为0的情况出现。
[0052]
第二比值的取值越大，说明其他各时刻中与第t个时刻的运动数据相同的时刻数量越多，则第三优选值的取值越大；由于处于运动的训练阶段时，运动数据的数值相较于其他阶段运动数据的数值较大，因此运动数据的数值与第三优选值之间的关系为正相关关系，即运动数据的数值越大，第三优选值的取值越大，说明第t个时刻的运动数据作为训练阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0053]
进一步的，需要说明的是，当人体处于运动的上升阶段时，各个时刻的运动数据相较于初始阶段的波动程度较大，表征人体开始进行剧烈运动以达到锻炼身体的效果，人体对应的运动数据逐渐上升。故选择运动数据作为上升阶段对应类别的聚类中心时，运动数据对应的波动程度应当较大，同时，为了使得分类结果较好，运动数据对应的特征参数的取值也应当较小。
[0054]
基于此，根据1与第一比值的差值、1与第二比值的差值以及运动数据的波动性指标，得到目标时刻的运动数据对应的第四优选值，用公式表示为：其中， 表示第t个时刻的运动数据对应的第四优选值，t为第t个时刻对应的时刻序号数值，例如第3个时刻对应的时刻序号即为3；t表示完成运动所需的时间长度，即完成运动所需的时间段内包含时刻的总数量， 表示第一比值； 表示第t个时刻的运动数据对应的波动性指标， 表示第t个时刻对应的特征参数， 表示第二比值。
[0055]
第四优选值 表征第t个时刻的运动数据作为上升阶段对应类别的聚类中心的优选程度，第四优选值的取值越大，说明第t个时刻的运动数据作为上升阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0056]
第一比值 表征第t个时刻在完成运动所需的时间长度中的占比，若第t个时刻属于运动的上升阶段，则说明第t时刻处于运动的前半部分时间段内，则第一比值的取值较小。基于此， 的取值越大，说明第一比值的取值越小，第t个时刻越可能属于运动的上升阶段，则第四优选值的取值就越大，说明第t个时刻的运动数据作为上升阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即第一比值与第四优选值之间的关系为负相关关系。
[0057]
波动性指标表征运动数据在第t个时刻的波动情况，若第t个时刻属于运动的上升阶段，则该时刻运动数据对应的波动性指标的取值应当较大。基于此，波动性指标的取值越大，说明第t个时刻的运动数据的波动越大，对应的第四优选值的取值就越大，说明第t个时刻的运动数据作为上升阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即波动性指标与第四优选值之间的关系为正相关关系，加1是为了防止波动性指标的取值为0进而影响其他因素的判断。
[0058]
第二比值的取值越大，说明其他各时刻中与第t个时刻的运动数据相同的时刻数量越多，当处于运动的上升阶段时，各个时刻的运动数逐渐增加，因此在上升阶段内各个时刻的运动数据一直在变化。故当第二比值的取值越小时，说明其他各时刻中与第t个时刻的
运动数据相同的时刻数量越少，则第四优选值的取值越大，说明第t个时刻的运动数据作为上升阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0059]
最后，需要说明的是，当人体处于运动的下降阶段时，各个时刻的运动数据相较于训练阶段的波动程度较大，表征人体运动经过很长一段时间，处于即将要结束运动的状态。故选择运动数据作为下降阶段对应类别的聚类中心时，运动数据对应的波动程度应当较大，同时，为了使得分类结果较好，运动数据对应的特征参数的取值也应当较小。
[0060]
基于此，根据第一比值、1与第二比值的差值以及运动数据的波动性指标，得到目标时刻的运动数据对应的第五优选值，用公式表示为：其中， 表示第t个时刻的运动数据对应的第五优选值，t为第t个时刻对应的时刻序号数值，例如第3个时刻对应的时刻序号即为3；t表示完成运动所需的时间长度，即完成运动所需的时间段内包含时刻的总数量， 表示第一比值； 表示第t个时刻的运动数据对应的波动性指标， 表示第t个时刻对应的特征参数， 表示第二比值。
[0061]
第五优选值 表征第t个时刻的运动数据作为下降阶段对应类别的聚类中心的优选程度，第五优选值的取值越大，说明第t个时刻的运动数据作为下降阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0062]
第一比值 表征第t个时刻在完成运动所需的时间长度中的占比，若第t个时刻属于运动的下降阶段，则说明第t时刻处于运动的后半部分时间段内，则第一比值的取值较大。基于此，第一比值的取值越大，第t个时刻越可能属于运动的下降阶段，则第五优选值的取值就越大，说明第t个时刻的运动数据作为下降阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即第一比值与第五优选值之间的关系为正相关关系。
[0063]
波动性指标表征运动数据在第t个时刻的波动情况，若第t个时刻属于运动的下降阶段，则该时刻运动数据对应的波动性指标的取值应当较大。基于此，波动性指标的取值越大，说明第t个时刻的运动数据的波动越大，对应的第五优选值的取值就越大，说明第t个时刻的运动数据作为下降阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。即波动性指标与第五优选值之间的关系为正相关关系，加1是为了防止波动性指标的取值为0进而影响其他因素的判断。
[0064]
第二比值的取值越大，说明其他各时刻中与第t个时刻的运动数据相同的时刻数量越多，当处于运动的下降阶段时，各个时刻的运动数逐渐减小，因此在下降阶段内各个时刻的运动数据一直在变化。当第二比值的取值越小时，说明其他各时刻中与第t个时刻的运动数据相同的时刻数量越少，则第五优选值的取值越大，说明第t个时刻的运动数据作为下降阶段对应类别的聚类中心的优选程度越大，利用该聚类中心进行分类的效果越好。
[0065]
步骤三，将第一、第二、第三、第四以及第五优选值的最大值对应的时刻的运动数据分别作为第一、第二、第三、第四和第五聚类中心；计算各时刻的运动数据与各聚类中心的相似度指标，根据相似度指标对各时刻的运动数据进行分类得到五个类别。
[0066]
首先，将第一优选值的最大值对应的时刻的运动数据作为第一聚类中心，将第二
优选值的最大值对应的时刻的运动数据作为第二聚类中心，将第三优选值的最大值对应的时刻的运动数据作为第三聚类中心，将第四优选值的最大值对应的时刻的运动数据作为第四聚类中心，将第五优选值的最大值对应的时刻的运动数据作为第五聚类中心。
[0067]
其中，第一聚类中心对应的类别为运动的初始阶段，第二聚类中心对应的类别为运动的终止阶段，第三聚类中心对应的类别为运动的训练阶段，第四聚类中心对应的类别为运动的上升阶段，第五聚类中心对应的类别为运动的下降阶段。
[0068]
然后，对于运动的初始阶段、终止阶段和训练阶段中，各个时刻的运动数据均保持较为平稳的状态，即各个时刻的运动数据之间的差异较小，同时，各个时刻也较为接近。基于此，将任意一个时刻记为选定时刻，计算选定时刻的运动数据和聚类中心的运动数据的差值，计算选定时刻与聚类中心对应的时刻之间的差值，根据两个差值分别计算选定时刻与第一聚类中心、第二聚类中心以及第三聚类中心的相似度指标，进而获得各时刻的运动数据与第一聚类中心、第二聚类中心以及第三聚类中心的相似度指标，用公式表示为：其中， 表示第s个时刻的运动数据与第一聚类中心之间的相似度指标，第s个时刻为选定时刻， 表示第s个时刻的运动数据， 表示第一聚类中心对应的运动数据，s表示第s个时刻对应的时刻序号，z1表示第一聚类中心对应时刻的时刻序号，例如第5个时刻对应的时刻序号即为5；max()表示求最大值的函数。
[0069]
的取值越大，说明第s个时刻的运动数据与第一聚类中心对应的运动数据之间的差异越大，对应的相似度指标的取值越小，则第s个时刻的运动数据越不可能属于第一聚类中心对应的类别，即运动数据之间的差异与相似度指标之间的关系为负相关关系。
[0070]
的取值越大，说明第s个时刻与第一聚类中心对应的时刻在时间上距离越远，对应的相似度指标的取值越小，说明s个时刻的运动数据越不可能属于第一聚类中心对应的类别， 表示对时刻之间的差值进行归一化。
[0071]
需要说明的是，其他各时刻与第二聚类中心之间的相似度指标、其他各时刻与第三聚类中心之间的相似度指标的计算方法均与上述方法相同，即与其他各时刻和第一聚类中心之间的相似度指标的计算方法相同。
[0072]
进一步的，对于运动的上升阶段和下降阶段，各个时刻的运动数据处于逐渐增加的状态或者处于逐渐减小的状态，则各个时刻的运动数据之间存在一定的差异。对于上升阶段，各个时刻的运动数据增加的速度较快，例如，人体开始有氧运动一段时间后，心率开始上升阶段，心率值会在较短的时间内上升到一个较大值，进而在后续进行训练时能够一直维持较高的心率。对于下降阶段，各个时刻的运动数据减小的速度与上升阶段运动数据增加的速度相比较为缓慢，例如，在完成训练后，人体逐渐放松，心率值随着时间的推移逐渐下降。
[0073]
需要说明的是，在运动的上升阶段，人体通过运动使得人体的心率值等运动数据上升的速度较快，在运动的下降阶段，人体的心率值等运动数据需随着时间自然下降，故相较于上升阶段运动数据的上升速度，下降阶段运动数据的下降数据较为缓慢。
[0074]
基于此，获取选定时刻分别与每个相邻时刻的运动数据的差值，将差值的最大值记为最大幅值，将差值的最小值记为最小幅值。即选择任意一个时刻记为选定时刻，在选定时刻之前和选定时刻之后分别获取固定数量的相邻时刻，在本实施例中固定数量的取值为4，例如，假设选定时刻为第s个时刻，则第s－4个时刻、第s－3个时刻、第s－2个时刻、第s－1个时刻、第s＋1个时刻、第s＋2个时刻、第s＋3个时刻以及第s＋4个时刻均为所述相邻时刻。进而分别计算8个相邻时刻与选定时刻的运动数据的差值，获取差值的最大值记为最大幅值，获取差值的最小值记为最小幅值。其中，各时刻的运动数据均对应一个最大幅值和一个最小幅值。
[0075]
获取运动的初始时刻和终止时刻，根据选定时刻与初始时刻的差值、最大幅值和最小幅值的差值以及选定时刻和第四聚类中心的运动数据的差值，得到选定时刻与第四聚类中心的相似度指标；根据选定时刻与终止时刻的差值、最大幅值和最小幅值的差值以及选定时刻和第五聚类中心的运动数据的差值，得到时刻与第五聚类中心的相似度指标。进而获得各时刻的运动数据与第四聚类中心、第五聚类中心的相似度指标。
[0076]
选定时刻分别与第四聚类中心、第五聚类中心的相似度指标用公式可以表示为：定时刻分别与第四聚类中心、第五聚类中心的相似度指标用公式可以表示为：定时刻分别与第四聚类中心、第五聚类中心的相似度指标用公式可以表示为：定时刻分别与第四聚类中心、第五聚类中心的相似度指标用公式可以表示为：其中， 表示第s个时刻的运动数据与第四聚类中心之间的相似度指标，第s个时刻为选定时刻， 表示第s个时刻的运动数据与第五聚类中心之间的相似度指标， 表示第s个时刻的运动数据， 表示第四聚类中心对应的运动数据， 表示第五聚类中心对应的运动数据，s表示第s个时刻对应的时刻序号， 表示初始时刻对应的时刻序号， 表示终止时刻对应的时刻序号，e为自然常数，max()表示求最大值的函数，min()表示求最小值的函数。 和 分别表示第s个时刻的最大幅值和最小幅值， 和 分别表示第四聚类中心对应时刻的最大幅值和最小幅值， 和 分别表示第五聚类中心对应时刻的最大幅值和最小幅值。
[0077]
表示第s个时刻的运动数据与第四聚类中心的运动数据之间的差异，该差异越小，对应的相似度指标取值越大，则第s个时刻的运动数据越可能属于第四聚类中心对应的类别；表示第s个时刻的运动数据与第五聚类中心的运动数据之间的差异，该差异越小，对应的相似度指标取值越大，则第s个时刻的运动数据越可能属于第五聚类中心。和表示对运动数据之间的差值进行归一化。
[0078]
表示第s个时刻的最大幅值和最小幅值之间的差异，反映了在第s时刻运动数据的变化速度，该差异越大，说明在第s个时刻运动数据的变化速度较快，该差异越小，说明在第s个时刻运动数据的变化速度较慢。
[0079]
和 分别表示第四聚类中心和第五
聚类中心对应的时刻的最大幅值和最小幅值的差异，反映了第四聚类中心和第五聚类中心对应的时刻运动数据的变化速度。故 表征第s个时刻和第四聚类中心对应时刻的运动数据的变化情况， 表征第s个时刻和第五聚类中心对应时刻的运动数据的变化情况。
[0080]
由于第四聚类中心对应的类别为运动上升阶段，因此，第四聚类中心对应的时刻运动数据的变化速度较快，则 的取值越大，说明第s个时刻和第四聚类中心对应时刻的运动数据的变化均较快，对应的相似度指标的取值越大，第s个时刻越可能属于第四聚类中心对应的类别。由于第五聚类中心对应的类别为下降阶段，因此，第五聚类中心对应的时刻运动数据的变化速度较慢，则 的取值越小，说明第s个时刻和第五聚类中心对应时刻的运动数据的变化均较慢，对应的相似度指标的取值越大，第s个时刻越可能属于第五聚类中心对应的类别。
[0081]
表示第s个时刻和初始时刻之间的差异，该差异越小，说明第s个时刻距离初始时刻较近，越可能属于上升阶段，对应的相似度指标取值越大，说明第s个时刻越可能属于第四聚类中心对应的类别。 表示第s个时刻和终止时刻之间的差异，该差异越小，说明第s个时刻距离终止时刻较近，越可能属于下降阶段，对应的相似度指标取值越大，说明第s个时刻越可能属于第五聚类中心对应的类别。 和 表示对时刻之间的差值进行归一化。
[0082]
最后，根据相似度指标对各时刻的运动数据进行分类得到五个类别，即将各时刻的相似度指标的最大值对应的聚类中心，将该时刻记为对应类别。例如，第s个时刻的运动数据的相似度指标的最大值对应的聚类中心为第一聚类中心，则第s个时刻的运动数据属于第一聚类中心对应的类别，即运动的初始阶段。其中，各时刻的运动数据的相似度指标的最大值是指，各时刻的运动数据分别与第一、第二、第三、第四和第五聚类中心之间的相似度指标的最大值。至此，完成对运动数据的分类。
[0083]
步骤四，根据各类别内每个时刻的运动数据对应的相似度指标获得各时刻的运动数据对应的概率指标，根据概率指标和概率阈值确定正常数据和异常数据，根据正常数据和异常数据之间的差异计算异常程度；根据异常程度做相应的预警。
[0084]
首先，对于任意一个时刻，计算该时刻的运动数据与所在类别聚类中心的相似度指标的倒数，对每种运动数据对应的倒数进行加权求和，得到该时刻的运动数据对应的概率指标。具体地，在本实施例中，运动数据包括人体在运动过程中的心率数据、体温数据、脉搏数据以及呼吸数据，每种数据均对应一个相似度指标的倒数，进而对四种数据进行加权求和得到时刻的运动数据对应的概率指标。其中，权重的取值均相等，即权重的取值为0.25，实施者可根据对不同种类数据的关注度进行权重的设置。
[0085]
基于此，通过结合多种数据获得了各时刻运动数据对应的概率指标，概率指标的取值越大，则说明该时刻与其所在类别聚类中心的相似度指标越小，则该时刻的运动数据越可能是异常的数据。设置概率阈值，将概率指标大于概率阈值对应时刻的运动数据记为异常数据，将概率指标小于或等于概率阈值对应时刻的运动数据记为正常数据。其中，概率阈值实施者可根据具体实施场景进行设置，例如，不同的人的运动数据之间的差异不同，进而需设置不同的概率阈值。
[0086]
然后，根据正常数据和异常数据分别对各个类别内的数据异常情况进行分析。对
于各个聚类中心对应的类别，类别内各时刻的运动数据可能被分为正常数据和异常数据两种类型的运动数据，根据先验知识可知，异常数据往往只占整体数据中较小的一部分。
[0087]
故在一个类别内获取时刻上连续的异常数据，获取时刻间隔相同的异常数据构成异常数据序列。例如第一个异常数据与第二个异常数据之间的间隔两个时刻，同时，第二个异常数据与第三个异常数据之间也间隔两个时刻，则第一个、第二个和第三个异常数据构成异常数据序列。
[0088]
按照固定时刻间隔获取与异常数据序列中元素数量相同的正常数据构成正常数据序列，即在异常数据序列中第一个异常数据之前的固定时刻间隔处获取正常数据，或者在异常数据序列中最后一个异常数据之后的固定时刻间隔处获取正常数据。例如，在本实施例中，在第一个异常数据之前，间隔5个时刻位置处获取正常数据。或者在第三个异常数据之后，间隔5个时刻位置处获取正常数据，且正常数据之间的时刻间隔也为两个时刻。即所述正常数据序列中各正常数据之间的时刻间隔与异常数据序列中各异常数据之间的时刻间隔相等。
[0089]
进而根据异常数据序列和正常数据序列中对应位置元素之间的差异计算该类别对应的异常程度，用公式表示为：其中，v表示异常程度， 表示异常数据序列中包含的异常数据的总数量， 表示异常数据序列中第n个异常数据， 表示正常数据序列中第n个正常数据， 表示异常数据序列中第n 1个异常数据， 表示正常数据序列中第n 1个正常数据，max()表示求最大值的函数。
[0090]
表示第n个异常数据和正常数据之间的差异，该差异越大，说明数据之间的差异程度越大， 表示相邻的异常数据之间的差异， 表示相邻的正常数据之间的差异，均表征相邻的数据之间的幅值变化情况，进而通过计算相邻的数据幅值变化的差异，获得数据之间的差异程度，即差异越大，差异程度的取值越大。由此可知，差异程度不仅表征了异常数据和正常数据之间的差异，也表征了异常数据和正常数据的相邻数据幅值变化的差异。
[0091]
需要说明的是，对于不同类别均可获得异常数据序列对应的异常程度，且同一个类别内可能存在多个异常数据序列，则需要对每个异常数据序列均进行相同的计算，最终将计算所得的所有异常程度相加，得到综合异常程度，该综合异常程度能够较为全面地反映当前完整运动的数据的异常情况。
[0092]
最后，根据运动数据的综合异常程度做出不同程度的预警，在本实施例中，设置四种颜色级别的预警操作，具体地，设置第一阈值、第二阈值和第三阈值，在本实施例中的取值分别为0.8，0.4和0.1，实施者可根据具体实施场景进行设置。
[0093]
当综合异常程度大于第一阈值时，即 时，说明当前运动数据的异常程度过高，发出最高级别的红色预警；当综合异常程度小于或等于第一阈值且大于第二阈值时，即时，说明当前运动数据的异常程度较高，发出橙色预警；当综合异常程度小于或等于第二阈值且大于第三阈值时，即 ，说明当前运动数据的异常程度相
对不高，发出黄色预警；当综合异常程度小于或等于第三阈值时，即 时，说明当前运动数据的异常程度较低，不发出预警。
[0094]
本发明通过智能运动监测装置实时采集运动过程中人体的运动数据，考虑到不同阶段的运动数据的不同特征，将运动分为不同的运动阶段，根据不同的运动阶段对应的运动数据进行自适应的聚类处理，获取运动数据的较优的分类结果，对于不同类别的运动数据分别进行分析，提高了异常数据的判断精度，进而提高了对运动进行实时监测的精度，降低运动发生危险的可能性，使得对运动数据进行异常分析的效果较好。
[0095]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。