基于自主式运动识别技术的私人教练智能手环

摘要

本发明提供一种基于自主式运动识别技术的私人教练智能手环，是提供了一种融合自主定义标准库、运动识别以及自主矫正标准动作等三个功能为一体的私人教练智能手环。该设备有三种模式，分别为定义动作模式、运动识别模式和训练模式。定义动作模式下，用户可以自主定义标准动作并构建标准库，相当于拥有私人教练；运动识别模式下，用户可以利用该设备获取运动结果分析，进行自主学习，实现自我提高；训练模式下，在终端设备上选择要训练的动作并进行运动，该手环可以根据预测算法利用运动的新数据以及标准库中的数据预测出更标准的动作，从而自主矫正标准动作，更新标准库，并且随着训练动作不断增加，预测将愈加准确。

说明书

技术领域

本发明属智能手环技术领域，涉及基于自主式运动识别技术的私人教练智能手环，特别 是涉及自建标准库和自主更新标准库的基于自主式运动识别技术的私人教练智能手环，具体 是涉及一种融合自主定义标准库、运动识别以及自主矫正标准动作等三个功能为一体的基于 自主式运动识别技术的私人教练智能手环。

背景技术

随着生活水平的提高，人们越来越关注健康，各种智能手环也应运而生，尤其是现在健 身浪潮正盛，智能手环市场相比于之前关注度变得更高。

智能手环的功能相对简单，主要就是给健身用户设计，它可以记录你一天的活动情况， 然后将数据输出到计算机或是手机上进行数据分析。

目前热门的产品有FitbitForce智能手环，是之前备受关注的FitbitFlex升级款式，在功 能上能够记录运动消耗量、食物摄入量，还包括睡眠记录、震动闹钟、无线同步等功能，新 增的高度感应器可以让用户更好地记录每天爬楼的活动量，OLED显示器除了显示时间外， 还可以对目前功能以及运动数值进行查看。

JawboneUp24是之前经典智能手环JawboneUP2的升级款式。JawboneUp24在功能方 面包括：运动消耗量、睡眠记录(切换到睡眠模式后会通过睡眠过程中肢体的活动程度来判 断有效睡眠时间)、无痛闹钟。JawboneUp24手环还包含贴心的空闲提醒：可以设定一个时 间长度，当静止时间达到设置时间时会震动提醒用户。

体育巨头也推出了NIKE的第二代Fuelband手环——NIKEFuelbandSE。这款产品在功 能上更加偏向于运动以及社交，共可以记录你的三项运动数据，即步数、消耗的卡路里以及 NikeFuel。这其中所谓的Fuel实际上是Nike根据你的运动消耗创造出的一种新的计量单位， 你可以通过电脑或APP自行设定每天的目标数值，而手环上的20枚LED彩灯则会时刻提醒 你的成进度。当彩灯全亮时，手环会显示一段动画并出现“Goal”的字样。

Garmin(佳明)推出了旗下首款智能穿戴设备——GarminVivofit智能手环。这款手环可 以将运动步数、距离、卡路里等数值直观反应出来，它时尚炫酷的外形还可以当手表使用。 Vivofit智能手环支持长达1年的超长续航时间，可保证用户获得持续而完整的数据资料。另 外，Vivofit兼容ANT+心率带，可以显示用户的心率变化。

作为芬兰著名的运动腕表品牌Polar博能，2013年10月发售的这款Polarloop智能手环， 外观类似Fuelband，但是却是高级了不少：可实时测量心率(需要配合心率带，另购)、运 动状况、卡路里消耗等等，并通过腕带上的LED显示屏实时反馈具体数值。如果坐的太久， 腕带还会提醒你注意活动。可以进行睡眠质量跟踪。支持连接iPhone或PC，据官网和外媒 测评称可以佩戴着游泳，这样实用性便大大增加。更能体贴的结合用户自身的身体情况，给 出合理的运动建议。

比于其他智能手环，MisfitShine做得更彻底，原型的表盘没有设计任何显示屏，而在佩 戴方式上也很独特，带了一条橡胶腕带和一个磁性橡胶带，所以这条“手环”不仅能带在手 腕上，还可以随手夹在裤兜或者上衣上，在进行不同的运动时，都可以保证佩戴时的舒适性。 Shine除了可以记录日常的步行数据外，还支持睡眠监控、骑车、游泳、网球、篮球、足球等 其他运动模式。

最近一款名为“GOQii”的新型运动手环便以此为产品理念，除了使用传感器追踪用户 运动情况，还通过社交网络平台，组件庞大的“健身教练、健康顾问”云服务，为用户提供 更权威的健康监测体验。

GOQii的核心部分则是应用程序，它看上去像是一个社交平台，集合了大量健身教练和 健康顾问，让用户可以根据自己的运动和身体情况进行选择。今年4月，GOQii将首先在印 度市场启动公测，已经招募了500名健身教练；在未来两年至三年内，教练数量将增加至5000 名，每一名教练都将被分配到一定数量的普通用户，一个普通用户一天可以联系教练两至三 次，获得指导。另外，订阅服务还包括一个鼓励服务，用户在完成一定目标时将会获得真正 人声的鼓励，而非合成语音。

然而目前具有运动识别动能的智能手环主要基于现有的专家知识库进行运动识别，只能 将识别到的动作与专家知识库进行比较分析，供用户查看学习。这些设备并不能自主定义标 准动作和构建私人的标准库；专家知识库也不能提供自主矫正标准动作的功能。

发明内容

本发明为了解决自主定义标准动作、运动识别以及自主矫正标准库的问题，提供基于自 主式运动识别技术的私人教练智能手环，特别是提供自建标准库和自主更新标准库的基于自 主式运动识别技术的私人教练智能手环，是一种融合自主定义标准库、运动识别以及自主矫 正标准动作等三个功能为一体的基于自主式运动识别技术的私人教练智能手环。

本发明的基于自主式运动识别技术的私人教练智能手环，包括同步键、六轴加速度传感 器、数据传输模块、服务器、震动器、显示屏幕和电池，所述基于自主式运动识别技术的私 人教练智能手环还包括标准库、自学习模块和终端设备；

所述基于自主式运动识别技术的私人教练智能手环有三种模式：定义动作模式、运动识 别模式和训练模式；

定义动作模式下，用户自主定义标准动作并构建标准库；六轴加速度传感器记录下建库 动作的运动数据，通过数据传输模块传输至终端设备；终端设备对该建库动作的运动数据定 义动作名称，并通过数据传输模块将运动数据和动作名称传输至服务器；服务器对数据进行 分析并解算出其运动特征，确定维度后与动作名称一起构建标准库；

运动识别模式下，运动数据通过数据传输模块传输至服务器，服务器对数据进行解算分 析，并与标准库中的动作相匹配；匹配成功后，将动作名称、与标准库对比后的运动数据以 及该动作先前的运动数据的平均值与标准库对比后的数据通过数据传输模块传输至终端设备 供用户查看学习；

训练模式下，在终端设备上选择要训练的动作并进行运动，所述基于自主式运动识别技 术的私人教练智能手环根据自学习模块中的预测算法，利用运动的新数据以及标准库中的历 史数据预测出更标准的动作，从而自主矫正标准动作，更新标准库；

所述构建标准库的步骤为：

(1)选择定义动作模式，并做建库动作；

(2)六轴加速度传感器记录运动数据；

(3)运动数据通过数据传输模块同步到终端设备，用户在终端设备上定义动作名称；

(4)运动数据和定义动作名称通过数据传输模块上传至服务器；

(5)服务器对数据进行分析，解算出运动特征，并在服务器中记录为带有名称的运动特 征；

(6)确定运动特征的维度；

(7)用带有名称的确定维度后的运动特征构建标准库；

所述更新标准库的步骤为：

(1)选择训练模式；

(2)在终端设备上选择要训练的动作并进行运动；

(3)六轴加速度传感器记录运动数据；

(4)运动数据通过数据传输模块同步至服务器；

(5)服务器对数据进行分析，解算出运动特征；

(6)统一新录入的运动特征的维度使其与标准库中运动特征的维度一致；

(7)根据标准库中的数据以及统一维度后的新录入数据，用自回归模型预测算法预测出 更加标准的动作，替代标准库中该动作的原来数据，从而更新标准库，但保存历史数据。

作为优选的技术方案：

如上所述的基于自主式运动识别技术的私人教练智能手环，所述构建标准库的具体步骤 为：

(1)戴上智能手环，在智能手环的显示屏幕上选择定义动作模式，并做建库动作；

(2)六轴加速度传感器记录一次运动数据，即采集到的手部运动的加速度组成的矩阵， 记为

$a_q=\left(\begin{array}{cccc}{a}_{q_{x1}}& a_{q_{x2}}& ...& a_{q_{xl}}\\ a_{q_{y1}}& a_{q_{y2}}& ...& a_{q_{yl}}\\ a_{q_{z1}}& a_{q_{z2}}& ...& a_{q_{zl}}\end{array}\right);$

其中，q＝1,2,...，q为自然数，a_q表示采集到的第q个动作沿X、Y和Z轴的加速度组成 的矩阵；

第一行表示沿X轴的手部加速度，表示该动作进行时传感器采集到的沿X轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿X轴的第2个手部加速度，表 示该动作进行时传感器采集到的沿X轴的第l个手部加速度；

第二行表示沿Y轴的手部加速度，表示该动作进行时传感器采集到的沿Y轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第2个手部加速度，表 示该动作进行时传感器采集到的沿Y轴的第l个手部加速度；

第三行表示沿Z轴的手部加速度，表示该动作进行时传感器采集到的沿Z轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第2个手部加速度，表示 该动作进行时传感器采集到的沿Z轴的第l个手部加速度；

l表示采样个数；

(3)打开终端设备，并触按该手环上的同步键，此时运动数据会通过数据传输模块同步 到终端设备，用户在终端设备上给该矩阵数据前面添加要定义的动作名称，并形成一个集合 作为一个整体；

(4)由该动作的矩阵数据和定义的动作名称形成的集合作为一个整体通过数据传输模块 同步至服务器；

(5)服务器对该集合中的矩阵数据进行分析，解算出其运动特征；即选取数据中有代表 性、能代表运动特征的加速度作为运动特征点，舍去不具代表性的那些点的加速度；

六轴加速度传感器采集到的第i个沿X轴的加速度为采集到的第i个沿Y轴的加速 度为采集到的第i个沿Z轴的加速度为i＝1,2...l，那么沿X轴的特征点为 沿Y轴的特征点为沿Z轴的特征点为

$a_q{{}^{\prime }}_{{\mathrm{zi}}^{\prime }}=a_{q_{zi}},i^{\prime }=1,2,...n,n<l,$

其中n表示特征点的个数，那么解算出来的运动特征为

${a_q}^{\prime }=\left(\begin{array}{cccc}{a}_q{{}^{\prime }}_{x1}& a_q{{}^{\prime }}_{x2}& ...& a_q{{}^{\prime }}_{xn}\\ a_q{{}^{\prime }}_{y1}& a_q{{}^{\prime }}_{y2}& ...& a_q{{}^{\prime }}_{yn}\\ a_q{{}^{\prime }}_{z1}& a_q{{}^{\prime }}_{z2}& ...& a_q{{}^{\prime }}_{zn}\end{array}\right);$

(6)确定运动特征的维度；由于每次动作完成时耗时不一样，而六轴加速度传感器采样 间隔相同，导致每次采集的加速度的个数不能保证一样，那么解算出的运动特征的个数也不 能保证一样，即维度不一定一致；为了后面更新标准库时能够应用自回归预测算法，服务器 将统一确定运动特征的维度，即统一确定矩阵的列；该过程采用线性插值法来实现，如下：

先根据数据

${a_q}^{\prime }=\left(\begin{array}{cccc}{a}_q{{}^{\prime }}_{x1}& a_q{{}^{\prime }}_{x2}& ...& a_q{{}^{\prime }}_{xn}\\ a_q{{}^{\prime }}_{y1}& a_q{{}^{\prime }}_{y2}& ...& a_q{{}^{\prime }}_{yn}\\ a_q{{}^{\prime }}_{z1}& a_q{{}^{\prime }}_{z2}& ...& a_q{{}^{\prime }}_{zn}\end{array}\right)$

分别绘制出a′_qx-t、a′_qy-t和a′_qz-t的曲线；其中，t代表采样的时间点，作为横坐标； a′_qx、a′_qy和a′_qz分别代表各自曲线的纵坐标；然后分别在横坐标轴上等间隔采取N个点， 并得到对应的纵坐标上的值，组成矩阵

$a_q{{}^{\prime }}_N=\left(\begin{array}{cccc}{a}_q{{}^{\prime }}_{N_{x1}}& a_q{{}^{\prime }}_{N_{x2}}& ...& a_q{{}^{\prime }}_{N_{xN}}\\ a_q{{}^{\prime }}_{N_{y1}}& a_q{{}^{\prime }}_{N_{y2}}& ...& a_q{{}^{\prime }}_{N_{yN}}\\ a_q{{}^{\prime }}_{N_{z1}}& a_q{{}^{\prime }}_{N_{z2}}& ...& a_q{{}^{\prime }}_{N_{zN}}\end{array}\right);$

(7)构建标准库；将矩阵a′_qN录入服务器标准库中，将矩阵保存在动作名称目录下，成 为服务器里的标准库中该动作的组成部分；该标准库形式如下：

{xx动作：$a_1{{}^{\prime }}_N=\left(\begin{array}{cccc}{a}_1{{}^{\prime }}_{N_{x1}}& a_1{{}^{\prime }}_{N_{x2}}& ...& a_1{{}^{\prime }}_{N_{xN}}\\ a_1{{}^{\prime }}_{N_{y1}}& a_1{{}^{\prime }}_{N_{y2}}& ...& a_1{{}^{\prime }}_{N_{yN}}\\ a_1{{}^{\prime }}_{N_{z1}}& a_1{{}^{\prime }}_{N_{z2}}& ...& a_1{{}^{\prime }}_{N_{zN}}\end{array}\right);$xx动作：$a_2{{}^{\prime }}_N=\left(\begin{array}{cccc}{a}_2{{}^{\prime }}_{N_{x1}}& a_2{{}^{\prime }}_{N_{x2}}& \mathrm{...}& a_2{{}^{\prime }}_{N_{xN}}\\ a_2{{}^{\prime }}_{N_{y1}}& a_2{{}^{\prime }}_{N_{y2}}& \mathrm{...}& a_2{{}^{\prime }}_{N_{yN}}\\ a_2{{}^{\prime }}_{N_{z1}}& a_2{{}^{\prime }}_{N_{z2}}& \mathrm{...}& a_2{{}^{\prime }}_{N_{zN}}\end{array}\right);$···}，

a′_1N、a′_2N…分别表示第1个动作的运动特征、第二个动作的运动特征等，以此类推。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述建库动作的次数为1～3 次，当建库动作的次数为2次或3次时，重复步骤(1)～(4)，将建库动作按次数做完，采 集到建库的第q个动作的第一次数据a_q1和第二次数据a_q2或者 第一次数据a_q1、第二次数据a_q2和第三次数据a_q3，求其平均值：

或

以a_qa代替六轴加速度传感器采集到的数据；然后按照步骤(5)的方式，对该数据进行 分析，解算出它的运动特征；选取数据中有代表性、能代表运动特征的加速度作为运动特征 点，舍去不具代表性的那些点的加速度；解算出运动特征为

${a_{qa}}^{\prime }=\left(\begin{array}{cccc}{a}_{qa}{{}^{\prime }}_{x1}& a_{qa}{{}^{\prime }}_{x2}& \mathrm{...}& a_{qa}{{}^{\prime }}_{xn}\\ a_{qa}{{}^{\prime }}_{y1}& a_{qa}{{}^{\prime }}_{y2}& \mathrm{...}& a_{qa}{{}^{\prime }}_{yn}\\ a_{qa}{{}^{\prime }}_{z1}& a_{qa}{{}^{\prime }}_{z2}& \mathrm{...}& a_{qa}{{}^{\prime }}_{zn}\end{array}\right);$

其中，n＜l；

然后进入步骤(6)，确定运动特征的维度；采用线性插值法得到确定维度后的运动特征 矩阵为

$a_{qa}{{}^{\prime }}_N=\left(\begin{array}{cccc}{a}_{qa}{{}^{\prime }}_{N_{x1}}& a_{qa}{{}^{\prime }}_{N_{x2}}& \mathrm{...}& a_{qa}{{}^{\prime }}_{N_{xN}}\\ a_{qa}{{}^{\prime }}_{N_{y1}}& a_{qa}{{}^{\prime }}_{N_{y2}}& \mathrm{...}& a_{qa}{{}^{\prime }}_{N_{yN}}\\ a_{qa}{{}^{\prime }}_{N_{z1}}& a_{qa}{{}^{\prime }}_{N_{z2}}& \mathrm{...}& a_{qa}{{}^{\prime }}_{N_{zN}}\end{array}\right);$

再进入步骤(7)，构建标准库；将矩阵a′_qaN录入服务器标准库中，将该矩阵保存在相 应的动作名称目录下，使其成为服务器里的标准库中该动作的组成部分；该标准库形式如下： {xx动作：$a_{1a}{{}^{\prime }}_N=\left(\begin{array}{cccc}{a}_{1a}{{}^{\prime }}_{N_{x1}}& a_{1a}{{}^{\prime }}_{N_{x2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{N_{xN}}\\ a_{1a}{{}^{\prime }}_{N_{y1}}& a_{1a}{{}^{\prime }}_{N_{y2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{N_{yN}}\\ a_{1a}{{}^{\prime }}_{N_{z1}}& a_{1a}{{}^{\prime }}_{N_{z2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{N_{zN}}\end{array}\right);$xx动作： $a_{2a}{{}^{\prime }}_N=\left(\begin{array}{cccc}{a}_{2a}{{}^{\prime }}_{N_{x1}}& a_{2a}{{}^{\prime }}_{N_{x2}}& \mathrm{...}& a_{2a}{{}^{\prime }}_{N_{xN}}\\ a_{2a}{{}^{\prime }}_{N_{y1}}& a_{2a}{{}^{\prime }}_{N_{y2}}& \mathrm{...}& a_{2a}{{}^{\prime }}_{N_{yN}}\\ a_{2a}{{}^{\prime }}_{N_{z1}}& a_{2a}{{}^{\prime }}_{N_{z2}}& \mathrm{...}& a_{2a}{{}^{\prime }}_{N_{zN}}\end{array}\right);$···}，

a′_1aN、a′_2aN…分别表示第1个动作的运动特征、第2个动作的运动特征等，以此类推。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述更新标准库的具体步骤 为：

(1)戴上智能手环，在智能手环的显示屏幕上选择训练模式；

(2)终端设备会提醒选择要训练的动作并进行运动；此时手环佩戴者按照提醒在终端设 备上选择要训练的第q个动作，q＝1,2,...，q为自然数；该选择同步至服务器，选中标准库 中要更新的第q个动作，然后手环佩戴者开始进行相应的运动；

(3)六轴加速度传感器记录一次运动数据，即采集到的手部运动的加速度矩阵，记为

$b_q=\left(\begin{array}{cccc}{b}_{q_{x1}}& b_{q_{x2}}& ...& b_{q_{xl}}\\ b_{q_{y1}}& b_{q_{y2}}& ...& b_{q_{yl}}\\ b_{q_{z1}}& b_{q_{z2}}& ...& b_{q_{zl}}\end{array}\right);$

b_q表示采集到的第q个动作沿X、Y和Z轴的加速度组成的矩阵；

第一行表示沿X轴的手部加速度，表示该动作进行时传感器采集到的沿X轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿X轴的第2个手部加速度，表 示该动作进行时传感器采集到的沿X轴的第l个手部加速度；

第二行表示沿Y轴的手部加速度，表示该动作进行时传感器采集到的沿Y轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第2个手部加速度，表示 该动作进行时传感器采集到的沿Y轴的第l个手部加速度；

第三行表示沿Z轴的手部加速度，表示该动作进行时传感器采集到的沿Z轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第2个手部加速度，表示 该动作进行时传感器采集到的沿Z轴的第l个手部加速度；

l表示采样个数；

(4)按下手环上的同步键，该数据通过数据传输模块同步至服务器；

(5)服务器对数据进行分析，解算出其运动特征；即选取数据中有代表性、能代表运动 特征的加速度作为运动特征点，舍去不具代表性的那些点的加速度；六轴加速度传感器采集 到的第i个沿X轴的加速度为采集到的第i个沿Y轴的加速度为采集到的第i个沿 Z轴的加速度为i＝1,2...l，那么沿X轴的特征点为沿Y轴的特征点为 沿Z轴的特征点为i'＝1,2，...n,n＜l，其中n表示特征点的个数，那么 解算出来的运动特征为${b_q}^{\prime }=\left(\begin{array}{cccc}{b}_q{{}^{\prime }}_{x1}& b_q{{}^{\prime }}_{x2}& ...& b_q{{}^{\prime }}_{xn}\\ b_q{{}^{\prime }}_{y1}& b_q{{}^{\prime }}_{y2}& ...& b_q{{}^{\prime }}_{yn}\\ b_q{{}^{\prime }}_{z1}& b_q{{}^{\prime }}_{z2}& ...& b_q{{}^{\prime }}_{zn}\end{array}\right);$

(6)统一新录入的运动特征的维度使其与标准库中运动特征的维度一致；该过程采用线 性插值法来实现：

先根据数据${b_q}^{\prime }=\left(\begin{array}{cccc}{b}_q{{}^{\prime }}_{x1}& b_q{{}^{\prime }}_{x2}& ...& b_q{{}^{\prime }}_{xn}\\ b_q{{}^{\prime }}_{y1}& b_q{{}^{\prime }}_{y2}& ...& b_q{{}^{\prime }}_{yn}\\ b_q{{}^{\prime }}_{z1}& b_q{{}^{\prime }}_{z2}& ...& b_q{{}^{\prime }}_{zn}\end{array}\right)$分别绘制出b′_qx-t、b′_qy-t和b′_qz-t的曲线；

其中，t代表采样的时间点，作为横坐标；b′_qx、b′_qy和b′_qz分别代表各自曲线的纵坐标；然 后分别在横坐标轴上等间隔采取与构建标准库时一致的N个点，并得到对应的纵坐标上的值， 组成矩阵

$b_q{{}^{\prime }}_N=\left(\begin{array}{cccc}{b}_q{{}^{\prime }}_{N_{x1}}& b_q{{}^{\prime }}_{N_{x2}}& ...& b_q{{}^{\prime }}_{N_{xN}}\\ b_q{{}^{\prime }}_{N_{y1}}& b_q{{}^{\prime }}_{N_{y2}}& ...& b_q{{}^{\prime }}_{N_{yN}}\\ b_q{{}^{\prime }}_{N_{z1}}& b_q{{}^{\prime }}_{N_{z2}}& ...& b_q{{}^{\prime }}_{N_{zN}}\end{array}\right).$

这样就保证新录入的运动特征的维度与标准库中运动特征的维度一致；

(7)根据标准库中的数据以及统一维度后的新录入的数据b′_qN，用自学习模块中的自回 归预测算法预测出更加标准的动作；过程如下：

为新录入的第q个动作沿X轴的加速度，x_m-1,x_m-2,…x_m-p分 别为存储在标准库中的该动作沿X轴的加速度的历史数据，p为自回归模型阶数，那么得到 自回归模型：

其中表示回归系数，u_m表示白噪声序列；

则AR(p)表示为：

其中Y＝x_m，ε＝u_m，

由最小二乘原理可以得到模型的估计参数为：

误差的估值为：

得到参数后，再根据新录入的数据x_m和历史数据x_m-1,x_m-2,x_m-3,…x_m-p+1，得到预测值 因为手环佩戴者开启训练模式输入动作的时候，此时的动作通 常要比之前输入的动作更加规范、标准，所以相应地x_m要比x_m-1更加标准，x_m-1要比x_m-2更 加标准，以此类推，所以该模型预测出的动作沿X轴的加速度也有愈加标准的趋势；同样的 方法，可以得到该动作沿Y轴与Z轴方向上的加速度和

根据预测出的x_m+1、y_m+1和z_m+1，得到矩阵$a_{qc}=\left(\begin{array}{cccc}{a}_{{\mathrm{qc}}_{x1}}& a_{{\mathrm{qc}}_{x2}}& ...& a_{{\mathrm{qc}}_{xN}}\\ a_{{\mathrm{qc}}_{y1}}& a_{{\mathrm{qc}}_{y2}}& ...& a_{{\mathrm{qc}}_{yN}}\\ a_{{\mathrm{qc}}_{z1}}& a_{{\mathrm{qc}}_{z2}}& ...& a_{{\mathrm{qc}}_{zN}}\end{array}\right)$取代标准库中原来 的该动作特征矩阵，从而达到更新标准库的目的，但是历史数据保存。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述更新标准库的录入动作 的次数为1～3次，当建库动作的次数为2次或3次时，重复步骤(1)～(4)，将训练动作按 次数做完，采集到训练的第q个动作的第一次数据b_q1和第二次数据b_q2或者 第一次数据b_q1、第二次数据b_q2和第三次数据b_q3，求其平均值：

或

以b_qa代替六轴加速度传感器采集到的数据；然后按照步骤(5)的方式，对该数据进行 分析，解算出它的运动特征；选取数据中有代表性、能代表运动特征的加速度作为运动特征 点，舍去不具代表性的那些点的加速度；解算出运动特征为

${b_{qa}}^{\prime }=\left(\begin{array}{cccc}{b}_{qa}{{}^{\prime }}_{x1}& b_{qa}{{}^{\prime }}_{x2}& ...& b_{qa}{{}^{\prime }}_{xn}\\ b_{qa}{{}^{\prime }}_{y1}& b_{qa}{{}^{\prime }}_{y2}& ...& b_{qa}{{}^{\prime }}_{yn}\\ b_{qa}{{}^{\prime }}_{z1}& b_{qa}{{}^{\prime }}_{z2}& ...& b_{qa}{{}^{\prime }}_{zn}\end{array}\right);$

然后进入步骤(6)，统一新录入的运动特征的维度，使其与标准库中的运动特征具有相 同的维度；采用线性插值法得到统一维度后的运动特征矩阵为

$b_{qa}{{}^{\prime }}_N=\left(\begin{array}{cccc}{b}_{qa}{{}^{\prime }}_{N_{x1}}& b_{qa}{{}^{\prime }}_{N_{x2}}& ...& b_{qa}{{}^{\prime }}_{N_{xN}}\\ b_{qa}{{}^{\prime }}_{N_{y1}}& b_{qa}{{}^{\prime }}_{N_{y2}}& ...& b_{qa}{{}^{\prime }}_{N_{yN}}\\ b_{qa}{{}^{\prime }}_{N_{z1}}& b_{qa}{{}^{\prime }}_{N_{z2}}& ...& b_{qa}{{}^{\prime }}_{N_{zN}}\end{array}\right);$

再进入步骤(7)，根据标准库中的数据以及统一维度后的新录入的数据b′_qaN，用自学习 模块中的自回归预测算法预测出更加标准的动作；用p阶的自回归模型分别预测出沿X、Y 和Z轴的手部运动的加速度和根据预测出的 x_a(m+1)、y_a(m+1)和z_a(m+1)，得到矩阵$a_{qac}=\left(\begin{array}{cccc}{a}_{{\mathrm{qac}}_{x1}}& a_{{\mathrm{qac}}_{x2}}& ...& a_{{\mathrm{qac}}_{xN}}\\ a_{{\mathrm{qac}}_{y1}}& a_{{\mathrm{qac}}_{y2}}& ...& a_{{\mathrm{qac}}_{yN}}\\ a_{{\mathrm{qac}}_{z1}}& a_{{\mathrm{qac}}_{z2}}& ...& a_{{\mathrm{qac}}_{zN}}\end{array}\right)$取代标准库中原来的该动 作特征矩阵，从而更新标准库，但是历史数据保存。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述运动识别模式下的具体 操作步骤为：

(1)戴上智能手环，在智能手环的显示屏幕上选择运动识别模式，并开始正常运动；

(2)六轴加速度传感器记录一次运动数据，即采集到的手部运动的加速度组成的矩阵， 记为

$c_q=\left(\begin{array}{cccc}{c}_{q_{x1}}& c_{q_{x2}}& ...& c_{q_{xl}}\\ c_{q_{y1}}& c_{q_{y2}}& ...& c_{q_{yl}}\\ c_{q_{z1}}& c_{q_{z2}}& ...& c_{q_{zl}}\end{array}\right);$

其中q＝1,2,...(q为自然数)，c_q表示采集到的第q个动作沿X、Y和Z轴的加速度组 成的矩阵；

第一行表示沿X轴的手部加速度，表示该动作进行时传感器采集到的沿X轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿X轴的第2个手部加速度，表 示该动作进行时传感器采集到的沿X轴的第l个手部加速度；

第二行表示沿Y轴的手部加速度，表示该动作进行时传感器采集到的沿Y轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第2个手部加速度，表示 该动作进行时传感器采集到的沿Y轴的第l个手部加速度；

第三行表示沿Z轴的手部加速度，表示该动作进行时传感器采集到的沿Z轴的第1 个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第2个手部加速度，表示 该动作进行时传感器采集到的沿Z轴的第l个手部加速度；

(3)按下手环上的同步键，运动数据通过数据传输模块同步至服务器，服务器对数据进 行分析，解算出运动特征${c_q}^{\prime }=\left(\begin{array}{cccc}{c}_q{{}^{\prime }}_{x1}& c_q{{}^{\prime }}_{x2}& ...& c_q{{}^{\prime }}_{xn}\\ c_q{{}^{\prime }}_{y1}& c_q{{}^{\prime }}_{y2}& ...& c_q{{}^{\prime }}_{yn}\\ c_q{{}^{\prime }}_{z1}& c_q{{}^{\prime }}_{z2}& ...& c_q{{}^{\prime }}_{zn}\end{array}\right),$其中n＜l，与标准库中的动作相匹配；

(4)匹配成功后，将动作名称、与标准库对比后的运动结果通过数据传输模块传输至 终端设备，同时还将该动作先前的运动数据的平均值与标准库进行比较，将分析结果传输 至终端设备供用户查看学习，如果先前运动数据大于20个，那么取前20次运动数据的平 均值。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述三种模式，当在显示屏 上选择selectedmodle的值为0时，进入定义动作模式；当值选择为1时，进入运动识别模式； 当值选择为2时，进入训练模式。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述震动器的作用是提醒手 环佩戴者在什么时候进行运动；当手环佩戴者选择某种模式后，系统会产生一个脉冲信号， 触发震动器进行为时三秒的震动以提醒用户；手环佩戴者则在震动后开始运动，以便六轴加 速度传感器准确地采集运动数据。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述同步键；在自建标准库 时，完成要定义的动作后，按下该键表示动作完成，并将数据同步至终端设备；在运动识别 模式下，在完成所有动作后，按下该键将所有的运动数据同步至服务器；在更新标准库时， 完成要训练的动作后，按下该键表示动作完成，并将数据同步至服务器。

如上所述的基于自主式运动识别技术的私人教练智能手环，所述显示屏幕为LCD显示屏 幕；所述数据传输模块采用蓝牙或wifi传输；所述终端设备为手机、平板电脑、台式电脑或 笔记本电脑。

有益效果

本发明对比已有技术具有以下创新点：

(1)能够自主定义标准库，而不依赖于专家知识库；

(2)自学习模块能够利用自回归模型预测算法对标准库中的动作进行训练，自主矫正运 动的标准特征；

(3)该预测算法可随着训练的加深不断修正算法，使之预测的运动特征越来越标准；

(4)对于某种动作，服务器不仅向终端设备提供每次运动与标准动作的对比数据，还会 提供该动作的整体平均数据与标准动作进行对比的分析，让用户相当于拥有自己的私人教练， 从而能够更好地了解自己的运动水平，以便实现自我提高。

附图说明

图1为本发明的基于自主式运动识别技术的私人教练智能手环运行流程图

图2为本发明的基于自主式运动识别技术的私人教练智能手环整体结构图

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而 不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员 可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范 围。

实施例1

该私人教练智能手环的具体使用方式参见图1。

当用户在显示屏幕上选择selectedmodel的值为0时，手环进入定义动作模式：

(1)手环震动，提醒用户进行运动；用户开始定义第一个建库动作,比如打羽毛球时的挥 拍动作；

(2)六轴加速度传感器记录一次运动数据，即采集到的手部运动的加速度组成的矩阵， 记为

$a_1=\left(\begin{array}{cccc}{a}_{1_{x1}}& a_{1_{x2}}& ...& a_{1_{x50}}\\ a_{1_{y1}}& a_{1_{y2}}& ...& a_{1_{y50}}\\ a_{1_{z1}}& a_{1_{z2}}& ...& a_{1_{z50}}\end{array}\right);$

第一行表示沿X轴的手部加速度，a_1x1表示该动作进行时传感器采集到的沿X轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿X轴的第2个手部加速度，表示该动作进行时传感器采集到的沿X轴的第50个手部加速度；

第二行表示沿Y轴的手部加速度，表示该动作进行时传感器采集到的沿Y轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第2个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第50个手部加速度；

第三行表示沿Z轴的手部加速度，表示该动作进行时传感器采集到的沿Z轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第2个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第50个手部加速度；

50表示采样个数；

(3)打开终端设备，并触按该手环上的同步键，此时该挥拍动作的运动数据会通过数据 传输模块同步到终端设备，用户在终端设备上给该矩阵数据前面添加要定义的动作名称： 挥拍，并形成一个集合作为一个整体；

(4)由该动作的矩阵数据和定义的动作名称形成的集合作为一个整体通过数据传输模块 同步至服务器；

此时重复步骤(1)～(4)三次，采集到建库的第1个动作的 第一次数据a₁₁、第二次数据a₁₂和第三次数据a₁₃，求其平均值：

以a_1a代替六轴加速度传感器采集到的数据；

(5)服务器对该集合中的矩阵数据进行分析，解算出其运动特征；

六轴加速度传感器采集的第i个沿X轴的加速度为采集到的第i个沿Y轴的加 速度为采集到的第i个沿Z轴的加速度为i＝1,2...50，那么沿X轴的特征点 为沿Y轴的特征点为沿Z轴的特征点i'＝1,2，...40,，

其中40表示特征点的个数，那么解算出来的运动特征为

${a_{1a}}^{\prime }=\left(\begin{array}{cccc}{a}_{1a}{{}^{\prime }}_{x1}& a_{1a}{{}^{\prime }}_{x2}& ...& a_{1a}{{}^{\prime }}_{x40}\\ a_{1a}{{}^{\prime }}_{y1}& a_{1a}{{}^{\prime }}_{y2}& ...& a_{1a}{{}^{\prime }}_{y40}\\ a_{1a}{{}^{\prime }}_{z1}& a_{1a}{{}^{\prime }}_{z2}& ...& a_{1a}{{}^{\prime }}_{z40}\end{array}\right);$

(6)确定运动特征的维度；采用线性插值法，先根据数据

${a_{1a}}^{\prime }=\left(\begin{array}{cccc}{a}_{1a}{{}^{\prime }}_{x1}& a_{1a}{{}^{\prime }}_{x2}& ...& a_{1a}{{}^{\prime }}_{x40}\\ a_{1a}{{}^{\prime }}_{y1}& a_{1a}{{}^{\prime }}_{y2}& ...& a_{1a}{{}^{\prime }}_{y40}\\ a_{1a}{{}^{\prime }}_{z1}& a_{1a}{{}^{\prime }}_{z2}& ...& a_{1a}{{}^{\prime }}_{z40}\end{array}\right);$

分别绘制出a′_1ax-t、a′_1ay-t和a′_1az-t的曲线；其中，t代表采样的时间点，作为横坐标； a′_1ax、a′_1ay和a′_1az分别代表各自曲线的纵坐标；然后分别在横坐标轴上等间隔采取30个 点，并得到对应的纵坐标上的值，组成矩阵

$a_{1a}{{}^{\prime }}_{30}=\left(\begin{array}{cccc}{a}_{1a}{{}^{\prime }}_{{30}_{x1}}& a_{1a}{{}^{\prime }}_{{30}_{x2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{{30}_{x30}}\\ a_{1a}{{}^{\prime }}_{{30}_{y1}}& a_{1a}{{}^{\prime }}_{{30}_{y2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{{30}_{y30}}\\ a_{1a}{{}^{\prime }}_{{30}_{z1}}& a_{1a}{{}^{\prime }}_{{30}_{z2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{{30}_{z30}}\end{array}\right);$

(7)构建标准库；将矩阵a′_1a30录入服务器标准库中，将矩阵保存在挥拍动作目录下，成 为服务器里的标准库中该动作的组成部分；该动作在标准库里的形式如下：

{挥拍动作：$a_{1a}{{}^{\prime }}_{30}=\left(\begin{array}{cccc}{a}_{1a}{{}^{\prime }}_{{30}_{x1}}& a_{1a}{{}^{\prime }}_{{30}_{x2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{{30}_{x30}}\\ a_{1a}{{}^{\prime }}_{{30}_{y1}}& a_{1a}{{}^{\prime }}_{{30}_{y2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{{30}_{y30}}\\ a_{1a}{{}^{\prime }}_{{30}_{z1}}& a_{1a}{{}^{\prime }}_{{30}_{z2}}& \mathrm{...}& a_{1a}{{}^{\prime }}_{{30}_{z30}}\end{array}\right)$}。

当用户在显示屏幕上选择selectedmodel的值为2时，手环进入训练模式：

(1)假设用户想要训练标准库里的第一个动作：挥拍动作；

(2)终端设备会提醒选择要训练的动作；此时手环佩戴者按照提醒在终端设备上选 择要训练的第1个动作：挥拍动作；该选择同步至服务器，选中标准库中要更新的第1个 动作：挥拍动作，然后手环震动，提醒佩戴者开始进行挥拍动作；

(3)六轴加速度传感器记录一次运动数据，即采集到的手部运动的加速度矩阵，记 为

$b_1=\left(\begin{array}{cccc}{b}_{1_{x1}}& b_{1_{x2}}& ...& b_{1_{x54}}\\ b_{1_{y1}}& b_{1_{y2}}& ...& b_{1_{y54}}\\ b_{1_{z1}}& b_{1_{z2}}& ...& b_{1_{z54}}\end{array}\right);$

54表示此次采集到的训练的挥拍动作的数据个数，b₁表示采集到的挥拍动作沿X、Y 和Z轴的加速度组成的矩阵；

第一行表示沿X轴的手部加速度，表示该动作进行时传感器采集到的沿X轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿X轴的第2个手部加速度，表示该动作进行时传感器采集到的沿X轴的第54个手部加速度；

第二行表示沿Y轴的手部加速度，表示该动作进行时传感器采集到的沿Y轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第2个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第54个手部加速度；

第三行表示沿Z轴的手部加速度，表示该动作进行时传感器采集到的沿Z轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第2个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第54个手部加速度；

(4)按下手环上的同步键，该数据通过数据传输模块同步至服务器；

此时重复步骤(1)～(4)三次，采集到训练的第1个动作的 第一次数据b₁₁、第二次数据b₁₂和第三次数据b₁₃，求其平均值：

以b_1a代替六轴加速度传感器采集到的数据；

(5)服务器对数据进行分析，解算出其运动特征；六轴加速度传感器采集到的第i个 沿X轴的加速度为采集到的第i个沿Y轴的加速度为采集到的第i个沿Z轴 的加速度为i＝1,2...54，那么沿X轴的特征点为沿Y轴的特征点为 沿Z轴的特征点为i'＝1,2，...43,，其中43表示特征点的个数，

那么解算出来的运动特征为${b_{1a}}^{\prime }=\left(\begin{array}{cccc}{b}_{1a}{{}^{\prime }}_{x1}& b_{1a}{{}^{\prime }}_{x2}& ...& b_{1a}{{}^{\prime }}_{x43}\\ b_{1a}{{}^{\prime }}_{y1}& b_{1a}{{}^{\prime }}_{y2}& ...& b_{1a}{{}^{\prime }}_{y43}\\ b_{1a}{{}^{\prime }}_{z1}& b_{1a}{{}^{\prime }}_{z2}& ...& b_{1a}{{}^{\prime }}_{z43}\end{array}\right);$

(6)统一新录入的运动特征的维度使其与标准库中运动特征的维度一致；该过程采 用线性插值法来实现：

先根据数据${b_{1a}}^{\prime }=\left(\begin{array}{cccc}{b}_{1a}{{}^{\prime }}_{x1}& b_{1a}{{}^{\prime }}_{x2}& ...& b_{1a}{{}^{\prime }}_{x43}\\ b_{1a}{{}^{\prime }}_{y1}& b_{1a}{{}^{\prime }}_{y2}& ...& b_{1a}{{}^{\prime }}_{y43}\\ b_{1a}{{}^{\prime }}_{z1}& b_{1a}{{}^{\prime }}_{z2}& ...& b_{1a}{{}^{\prime }}_{z43}\end{array}\right)$分别绘制出b′_1ax-t、b′_1ay-t和b′_1az-t的曲 线；

其中，t代表采样的时间点，作为横坐标；b′_1ax、b′_1ay和b′_1az分别代表各自曲线的纵坐 标；然后分别在横坐标轴上等间隔采取与构建标准库时一致的30个点，并得到对应的纵 坐标上的值，组成矩阵

$b_{1a}{{}^{\prime }}_{30}=\left(\begin{array}{cccc}{b}_{1a}{{}^{\prime }}_{{30}_{x1}}& b_{1a}{{}^{\prime }}_{{30}_{x2}}& \mathrm{...}& b_{1a}{{}^{\prime }}_{{30}_{x30}}\\ b_{1a}{{}^{\prime }}_{{30}_{y1}}& b_{1a}{{}^{\prime }}_{{30}_{y2}}& \mathrm{...}& b_{1a}{{}^{\prime }}_{{30}_{y30}}\\ b_{1a}{{}^{\prime }}_{{30}_{z1}}& b_{1a}{{}^{\prime }}_{{30}_{z2}}& \mathrm{...}& b_{1a}{{}^{\prime }}_{{30}_{z30}}\end{array}\right).$

这样就保证新录入的运动特征的维度与标准库中运动特征的维度一致；

(7)根据标准库中的数据以及统一维度后的新录入的数据b′_1a30，用自学习模块中的自回归 预测算法预测出更加标准的动作；用p阶的自回归模型分别预测出沿X、Y和Z轴的手部运动 的加速度x_a(m+1)＝[a_1acx1a_1acx2…a_1acx30]、和 z_a(m+1)＝[a_1acz1a_1acz2…a_1acz30]；根据预测出的x_a(m+1)、y_a(m+1)和z_a(m+1)，得到矩阵 $a_{1ac}=\left(\begin{array}{cccc}{a}_{1{\mathrm{ac}}_{x1}}& a_{1{\mathrm{ac}}_{x2}}& ...& a_{1{{\mathrm{ac}}_x}_{30}}\\ a_{1{\mathrm{ac}}_{y1}}& a_{1{\mathrm{ac}}_{y2}}& ...& a_{1{{\mathrm{ac}}_y}_{30}}\\ a_{1{\mathrm{ac}}_{z1}}& a_{1{\mathrm{ac}}_{z2}}& ...& a_{1{{\mathrm{ac}}_z}_{30}}\end{array}\right)$取代标准库中原来的该动作特征矩阵，从而更新标准库，但是历 史数据保存。，

当用户在显示屏幕上选择selectedmodel的值为1时，手环进入运动识别模式：

(1)此时手环震动，用户开始正常运动，假设此次只做了挥拍动作；

(2)六轴加速度传感器记录一次运动数据，即采集到的手部运动的加速度组成的矩阵，记为

$c_q=\left(\begin{array}{cccc}{c}_{q_{x1}}& c_{q_{x2}}& ...& c_{q_{x55}}\\ c_{q_{y1}}& c_{q_{y2}}& ...& c_{q_{y55}}\\ c_{q_{z1}}& c_{q_{z2}}& ...& c_{q_{z55}}\end{array}\right);$

其中q＝1,2,...(q为自然数)，c_q表示采集到的第q个动作沿X、Y和Z轴的加速度组成 的矩阵；

第一行表示沿X轴的手部加速度，表示该动作进行时传感器采集到的沿X轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿X轴的第2个手部加速度，表示该动作进行时传感器采集到的沿X轴的第55个手部加速度；

第二行表示沿Y轴的手部加速度，表示该动作进行时传感器采集到的沿Y轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第2个手部加速度，表示该动作进行时传感器采集到的沿Y轴的第55个手部加速度；

第三行表示沿Z轴的手部加速度，表示该动作进行时传感器采集到的沿Z轴的第 1个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第2个手部加速度，表示该动作进行时传感器采集到的沿Z轴的第55个手部加速度；

(3)按下手环上的同步键，运动数据通过数据传输模块同步至服务器，服务器对数据进 行分析，解算出运动特征${c_q}^{\prime }=\left(\begin{array}{cccc}{c}_q{{}^{\prime }}_{x1}& c_q{{}^{\prime }}_{x2}& ...& c_q{{}^{\prime }}_{x42}\\ c_q{{}^{\prime }}_{y1}& c_q{{}^{\prime }}_{y2}& ...& c_q{{}^{\prime }}_{y42}\\ c_q{{}^{\prime }}_{z1}& c_q{{}^{\prime }}_{z2}& ...& c_q{{}^{\prime }}_{z42}\end{array}\right),$其中n为特征点的个数，将该运 动特征与标准库中的动作相匹配；

(4)匹配成功后，得到该动作为标准库里的第一个动作：挥拍动作。将动作名称、与标 准库对比后的运动结果通过数据传输模块传输至终端设备，同时还将该动挥拍作的先前运 动数据的平均值与标准库进行比较，将分析结果传输至终端设备供用户查看学习，如果先 前运动数据大于20个，那么取前20次运动数据的平均值。

参见图2，该私人教练智能手环包含模式选择键、六轴加速度传感器、蓝牙传输模 块、服务器、显示屏幕、震动器和电池；该服务器包含标准库以及自学习模块；该手环的功 能通过设备终端来实现；该手环与设备终端通过数据传输模块进行数据的传输；该震动器用 来提醒手环佩戴者在什么时候进行运动：当手环佩戴者选择某种模式后，系统会产生一个脉 冲信号，触发震动器进行为时三秒的震动以提醒用户；手环佩戴者则在震动后开始运动，以 便六轴加速度传感器准确地采集运动数据；该同步键的作用是：在构建标准库时，完成要定 义的动作后，按下该键表示动作完成，并将数据同步至终端设备；在运动识别模式下，在完 成所有动作后，按下该键将所有的运动数据同步至服务器；在更新标准库时，完成要训练的 动作后，按下该键表示动作完成，并将数据同步至服务器；该显示屏幕为LCD显示屏幕；该 数据传输模块采用蓝牙或wifi传输；该终端设备为手机、平板电脑、台式电脑或笔记本电脑。