CN114602155A - 游泳信息统计方法、计算机可读存储介质和电子设备 - Google Patents

Abstract

本申请涉及可穿戴设备技术领域，公开了一种游泳信息统计方法、计算机可读存储介质和电子设备，应用于包含第一电子设备和第二电子设备的***，第一电子设备佩戴于用户的第一部位，第二电子设备佩戴于用户的第二部位，在不同泳姿下第一部位的运动轨迹之间的差别小于第二部位之间的运动轨迹之间的差别。该方法包括：第一电子设备获取用户的第一运动数据；第一电子设备获取第二电子设备在用户游泳过程中采集的第二运动数据；第一电子设备将第一运动数据和第二运动数据进行整合得到整合后的运动数据；第一电子设备基于整合后的运动数据统计出用户的游泳信息。本申请技术方案中第一电子设备统计出的用户的游泳信息更加准确，有助于提升用户体验。

Description

游泳信息统计方法、计算机可读存储介质和电子设备

技术领域

本申请涉及可穿戴设备技术领域，特别涉及一种游泳信息统计方法、计算机可读存储介质和电子设备。

背景技术

随着物质文化水平的提高，人们的运动健康意识也逐步提升，游泳作为一项具有能够改善心肺功能、提高身体协调性、增强呼吸肌力量等诸多好处的运动，越来越多的人选择游泳，来增强体质。同时人们也希望能够准确监测及记录自己的游泳相关数据，以对自身的运动情况有更为全面的了解。

人们可以通过智能手表对游泳数据进行监测，智能手表的价格较低，穿戴方便，被大众广泛采用，但是由于其传感器有限，且用户的穿戴习惯差异较容易影响监测到的游泳数据的准确度。

发明内容

有鉴于此，本申请实施例提供了一种游泳信息统计方法、计算机可读存储介质和电子设备。

本申请技术方案中，佩戴用户第一部位的第一电子设备（例如佩戴于用户手腕的运动手表），将第一电子设备采集的用户的第一运动数据，和从佩戴于用户第二部位的第二电子设备（例如佩戴于用户耳朵上的运动耳机）获取的用户的第二运动数据，进行整合后进行用户的游泳信息的统计。由于在不同泳姿下第一部位的运动轨迹之间的差别小于第二部位之间的运动轨迹之间的差别，例如对于不同的泳姿，即使用户的手部动作一致，但是用户的头部动作差别较大。因此利用佩戴于用户第一部位的第一电子设备采集的用户的运动数据，以及和佩戴于用户第二部位的第二电子设备采集的用户的运动数据进行整合后，统计出的用户的游泳信息更加准确，例如可以更加准确地区分出用户的泳姿、划水次数、游泳趟数、划水频率等。

第一方面，本申请实施例提供了一种游泳信息统计方法，应用于包含第一电子设备和第二电子设备的***中，其特征在于，第一电子设备佩戴于用户的第一部位，第二电子设备佩戴于用户的第二部位，在不同泳姿下第一部位的运动轨迹之间的差别小于第二部位之间的运动轨迹之间的差别，方法包括：

第一电子设备获取用户在游泳过程中的第一运动数据；

第一电子设备获取第二电子设备在用户游泳过程中采集的第二运动数据；

第一电子设备将第一运动数据和第二运动数据进行整合，得到整合后的运动数据；

第一电子设备基于整合后的运动数据统计出用户的游泳信息。

在上述第一方面的一种可能的实现中，第一电子设备将第一运动数据和第二运动数据进行整合，得到整合后的运动数据，包括：

第一电子设备将第一运动数据和第二运动数据进行数据组帧，得到整合后的运动数据。

在上述第一方面的一种可能的实现中，第一电子设备将第一运动数据和第二运动数据进行数据组帧，得到整合后的运动数据，包括：

第一电子设备根据第二运动数据的帧率，对第一运动数据进行降采样处理，得到降采样后的第一运动数据，其中，降采样后的第一运动数据的帧率和第二运动数据的帧率相同。

在上述第一方面的一种可能的实现中，第一电子设备将第一运动数据和第二运动数据进行数据组帧，得到整合后的运动数据，包括：

第一电子设备根据第一运动数据的帧率，对第二运动数据进行插值处理，得到插值处理后的第二运动数据，其中，插值处理后的第二运动数据的帧率和第一运动数据的帧率相同。

在上述第一方面的一种可能的实现中，用户的游泳信息包括用户的泳姿，第一电子设备基于整合后的运动数据统计出用户的游泳信息，包括：

第一电子设备对整合后的运动数据进行特征提取，得到整合后的运动数据的时域特征；

第一电子设备将整合后的运动数据的时域特征输入预设的泳姿识别模型，得到泳姿识别结果；

第一电子设备基于泳姿识别结果，统计出用户的泳姿。

在上述第一方面的一种可能的实现中，预设的泳姿识别模型为二分类模型。

在上述第一方面的一种可能的实现中，用户的游泳信息还包括用户的划水动作，第一电子设备基于整合后的运动数据统计出用户的游泳信息，包括：

第一电子设备根据统计出的用户的泳姿，确定出整合后的运动数据中用以统计用户的划水动作的第一目标数据，其中，第一目标数据包括第一电子设备采集的第一目标子数据以及第二电子设备采集的第二目标子数据；

第一电子设备根据第一目标子数据确定出多个粗筛划水动作；

第一电子设备根据第二目标子数据，从多个粗筛划水动作中统计出用户的划水动作。

在上述第一方面的一种可能的实现中，第一电子设备包括陀螺仪和加速度计，第一目标子数据包括第一电子设备的陀螺仪采集的数据或者第一电子设备的加速度计采集的数据。

在上述第一方面的一种可能的实现中，第一电子设备包括加速度计，第二目标子数据包括第二电子设备的加速度计采集的数据。

在上述第一方面的一种可能的实现中，用户的游泳信息包括用户的转身动作，第一电子设备基于整合后的运动数据统计出用户的游泳信息，包括：

第一电子设备确定出用户的初始划水动作；

第一电子设备根据包括初始划水动作在内的连续第一数量的划水动作对应的第二运动数据，确定出用户的初始游泳方向；

第一电子设备根据连续第一数量的划水动作之后的各划水动作对应的第二运动数据，确定出连续第一数量的划水动作之后的各划水动作对应的游泳方向；

在第一电子设备根据连续第一数量的划水动作之后的每相邻两个划水动作对应的游泳方向之间的差异，判断用户发生转身时，第一电子设备确定出用户发生转身时对应的目标划水动作；

第一电子设备根据目标划水动作之后连续第二数量的划水动作对应的第二运动数据，确定出目标划水动作之后连续第二数量的划水动作对应的目标游泳方向；

在第一电子设备确定出目标游泳方向和初始游泳方向之间的差异达到阈值时，第一电子设备确认用户在目标划水动作期间发生了转身，并统计出用户的转身动作。

在上述第一方面的一种可能的实现中，上述方法还包括：

第一电子设备将初始游泳方向更新为目标游泳方向。

在上述第一方面的一种可能的实现中，第二电子设备包括陀螺仪、加速度计、磁力计，第二运动数据包括第二电子设备的陀螺仪采集的数据、第二电子设备的加速度计采集的数据、第二电子设备的磁力计采集的数据。

在上述第一方面的一种可能的实现中，第一电子设备为运动手表。

在上述第一方面的一种可能的实现中，第二电子设备为运动耳机。

第二方面，本申请实施里提供了一种计算机可读存储介质，计算机可读存储介质上存储有指令，该指令在电子设备上执行时使电子设备执行上述第一方面以及第一方面的任意一种可能的实现中的游泳信息统计方法。

第三方面，本申请实施里提供了一种电子设备，包括：

存储器，用于存储由电子设备的一个或多个处理器执行的指令，以及

处理器，当指令被一个或多个处理器执行时，处理器用于执行上述第一方面以及第一方面的任意一种可能的实现中的游泳信息统计方法。

附图说明

图1根据本申请的一些实施例，示出了一种用户佩戴手表100和耳机200游泳的应用场景；

图2A根据本申请的一些实施例，示出了一种图1所示的手表100的硬件结构框图；

图2B根据本申请的一些实施例，示出了一种图1所示的耳机200的硬件结构框图；

图3根据本申请的一些实施例，示出了一种手表100的泳姿识别的流程图；

图4A根据本申请的一些实施例，示出了另外一种手表100的泳姿识别的流程图；

图4B根据本申请的一些实施例，示出了一种气压计数值的分布示意图；

图4C根据本申请的一些实施例，示出了一种泳姿识别模型的结构示意图；

图4D根据本申请的一些实施例，示出了几种规范泳姿的示意图；

图5A根据本申请的一些实施例，示出了一种手表100进行划水动作识别的流程图；

图5B根据本申请的一些实施例，示出了一种图5A中粗筛动作实现的方法示流程示意图；

图5C根据本申请的一些实施例，示出了一种手表100端信号和耳机200端信号的时域分布图；

图6A根据本申请的一些实施例，示出了一种手表100的转身识别流程示意图；

图6B根据本申请的一些实施例，示出了一种耳机200的偏航角数值的时域分布示意图；

图7根据本申请的一些实施例，示出了一种手表100的游泳信息统计的用户界面示意图；

图8根据本申请的一些实施例，示出了一种图1所示的手表100的软件逻辑框图。

具体实施方式

本申请的说明性实施例包括但不限于一种游泳信息统计方法、计算机可读存储介质和电子设备。下面将使用本领域技术人员通常采用的术语来描述说明性实施例的各个方面。

图1示出了本申请实施方式的示例性应用场景。图1中，用户在游泳过程中，手臂上佩戴有手表100。手表100可以对用户的游泳数据进行监测，例如，监测用户泳姿，划水次数等，以便于用户后续进行查看。

手表100通常通过内置的传感器（例如，加速度传感器，陀螺仪）测量用户手臂的运动数据，并基于测量得到的运动数据来确定泳姿、划水次数等游泳数据。但是，手表100由于其测量能力的局限性，测量得到的游泳数据的准确度有限。

例如，用户游泳时的泳姿可能为蛙泳、蝶泳、自由泳、仰泳等。当用户在自由泳或仰泳时，用户手臂动作差异不大，此时，基于手表100测量到的运动数据可能难以准确对自由泳和仰泳进行区分，从而导致游泳数据的准确度较低。

为此，本申请实施例提供了一种基于多设备联合的游泳数据监测***，该***包括易于穿脱的第一可穿戴设备，例如运动手表（以下简称手表），和第二可穿戴设备，例如运动耳机（以下简称耳机）。用户在游泳过程中需要佩戴这两个可穿戴设备，例如在图1所示的应用场景中，手表100佩戴在用户手腕，耳机200佩戴在用户耳朵上。这两个可穿戴设备均配置有加速度（acceleration transducer，ACC）计、磁力计（magnetometer，MAG）、陀螺仪（gyroscope，GYRO）等传感器，且这两个可穿戴设备可以通过蓝牙实现实时数据通信。在用户游泳过程中，这两个可穿戴设备均实时获取传感器数据，其中一个可穿戴设备将实时采集的传感器数据实时回传至另一处理能力较强的可穿戴设备，该处理能力较强的可穿戴设备将自身传感器采集的数据以及从另一可传输设备接收到的传感器数据进行联合分析，从而确定出用户的游泳姿势、划水次数、游泳趟数、划水频率等游泳信息。

其中，游泳姿势可以包括蛙泳、蝶泳、自由泳、仰泳四种规范泳姿及混合泳等；划水次数可以为游泳时摆臂的动作次数；游泳趟数可以为游泳过程中在泳道中的折返次数；划水频率可以为游泳时摆臂动作的频率。应理解，本申请实施例涉及的手表和耳机可以具有防水功能。

本申请实施例是将佩戴于用户手腕的可穿戴设备采集的用户的运动数据，以及佩戴于用户头部（例如佩戴于用户耳朵上）的可穿戴设备采集的用户的运动数据进行联合分析。对于不同的泳姿，即使用户的手部动作一致，但是用户的头部动作差别较大。因此利用佩戴于用户手腕的可穿戴设备采集的用户的运动数据，以及和佩戴于用户头部的可穿戴设备采集的用户的运动数据进行游泳信息的联合分析，得到的用户的游泳信息更加准确，例如可以更加准确地区分出用户的泳姿、划水次数、游泳趟数、划水频率等。

另外，在一些实施例中，游泳信息监测设备为专业设备，成本高，穿戴难度较大。相对于该实施例，本申请上述第一/第二可穿戴设备均可以为轻便易佩戴，成本较低的可穿戴设备。本申请技术方案不仅可以为用户提供轻便易佩戴的使用体验，还能在用户游泳过程中提供准确的游泳信息，有助于提升用户体验。

应理解，本申请技术方案适用的可穿戴设备包括但不限于运动手表，运动耳机，其中第一可穿戴设备还可以为智能手环、智能戒指等设备。第二可穿戴设备还可以为头戴式设备，例如增强现实设备等。

需要说明的是，图1所示的应用场景只是为了说明本申请的技术方案的一个示例性的应用场景，其中只包括佩戴于一个佩戴于用户手腕的手表100和一副佩戴于用户耳朵的耳机200。在本申请的一些实施例中，用户还可以佩戴两个以上的可穿戴设备，例如除了佩戴于用户手腕的手表100和一副佩戴于用户耳朵的耳机200之外，还可以包括佩戴于用户脚腕等其他部位的脚环等。

为了便于理解本申请的技术方案，下面将结合图1所示的应用场景中用户佩戴有手表100和耳机200进行游泳为例，详细介绍本申请的技术方案。

首先结合图2A和图2B分别介绍图1所示的手表100和耳机200的硬件结构。如图2A为本申请实施例示出的一种手表100的硬件结构图，手表100的硬件结构包括：加速度计101、陀螺仪102、磁力计103、气压计104、处理器105，存储器106，通信模块107，电源模块108。

尽管未示出，该手表100还可以包括显示屏、环境温传感器、天线、无线保真（wireless-fidelity，Wi-Fi）模块，近距离无线通信技术（near filed communication，NFC）模块，全球定位***（global positioning system，GPS）模块、扬声器等。

加速度计101可检测手表100在各个方向上(一般为三轴)加速度的大小。用户在游泳过程中，在不同泳姿下，随着用户手臂的摆动，加速度计101的三个坐标轴的数据的信号表现不同，因此，对加速度计101三个坐标轴的信号进行分析，可以区分出用户的泳姿、不同泳姿对应的划水动作等。

陀螺仪102可以检测手表100在各个方向（例如，三轴方向）的角速度或角加速度。用户在游泳过程中，在不同泳姿下，随着用户手臂的摆动，陀螺仪102的三个坐标轴的数据的信号表现不同，因此，对陀螺仪102三个坐标轴的信号进行分析，也可以区分出用户的泳姿、不同泳姿对应的划水动作等。

磁力计103可以检测地磁场的方向。基于地磁场方向可以确定手表100的运动方向。用户在游泳过程中，由于在用户完成每趟游泳，开始下一趟游泳时，用户会进行转身，从而使得佩戴于用户手腕处的手表100的运动方向发生较大改变，因此，采用磁力计103采集的手表100的运动方向数据，有利于识别用户的转身动作。

气压计104可以用于检测手表100所处环境中的压强。由于手表100在水中和空气中气压计104采集的压力数值不同，因此，对气压计104采集的数据进行分析，便于对用户进行入水、出水检测。

处理器105用于进行***调度，可用于控制前述加速度计101、陀螺仪102、磁力计103、气压计104等传感器，以及对这些传感器采集的数据进行运算。例如在本申请的一些实施例中，处理器105用于根据加速度计101、陀螺仪102采集的数据，以及从耳机200获取的传感器数据进行组帧、特征提取，然后基于提取的特征进行泳姿识别。又如，在本申请的一些实施例中，处理器105用于根据手表100的加速度计101和/或陀螺仪102采集的数据，以及耳机200采集的加速计数据进行划水动作的识别。又如，在本申请的一些实施例中，处理器105用于根据从耳机200获取的加速度计数据、陀螺仪数据以及磁力计数据进行转身识别。

存储器106用于存储软件程序以及数据，处理器105通过运行存储在存储器的软件程序以及数据，执行手表100的各种功能应用以及数据处理。在本申请的一些实施例中，存储器2可以存储上述加速度计101、陀螺仪102、磁力计103、气压计104等传感器采集到的数据，以及从耳机200获取的一些传感器数据。

通信模块107，手表100可通过通信模块107与其他电子设备建立连接，例如在本申请实施例中，手表100可通过与用户的耳机200建立蓝牙连接，并且从耳机200接收耳机200采集到的一些传感器数据。

电源模块108 可以用于为上述手表100的各部件供电。

可以理解的是，本发明实施例示意的结构并不构成对手表100的具体限定。在本申请另一些实施例中，手表100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

图2B所示为本申请实施例提供的一种耳机200的硬件结构图，耳机200的硬件结构包括：加速度计201、陀螺仪202、磁力计203、存储器204、处理器205、通信模块206、电源模块207、音频模块210。其中，音频模块210包括扬声器211、麦克风212。

加速度计201可检测耳机200在各个方向上(一般为三轴)加速度的大小。

陀螺仪202可以用于确定耳机200的运动姿态。

磁力计203可以用于检测手耳机200的运动方向。

存储器204用于存储软件程序以及数据，处理器205通过运行存储在存储器的软件程序以及数据，实现耳机200的各种功能应用以及数据处理。在本申请的一些实施例中，存储器204可以存储上述加速度计201、陀螺仪202、磁力计203、等传感器采集到的数据。

处理器205用于进行***调度，可用于控制前述加速度计201、陀螺仪202、磁力计203等传感器进行数据采集。

通信模块206，耳机200可通过通信模块206与其他电子设备建立连接，例如在本申请实施例中，耳机200可通过与用户的手表100建立蓝牙连接，并且将耳机200采集到的一些传感器数据发送给手表100。

电源模块207可以用于为耳机200的各部件供电。

扬声器211也称“喇叭”，用于将音频电信号转换为声音信号。耳机200可以通过扬声器211收听音乐，或收听免提通话。当通过耳机200接听电话或语音信息时，可以通过将扬声器211靠近人耳接听语音。

麦克风212也称“话筒”、“传声器”，用于将声音信号转换为电信号。当拨打电话或发送语音信息时，用户可以通过人嘴靠近通话麦克风212发声，将声音信号输入到通话麦克风212。耳机200可以设置至少一个通话麦克风212。在另一些实施例中，耳机212可以设置两个通话麦克风，除了采集声音信号，还可以实现降噪功能。

可以理解的是，本发明实施例示意的结构并不构成对耳机200的具体限定。在本申请另一些实施例中，耳机200可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

下面将结合上述手表100和耳机200的硬件结构框图，对本申请技术方案可以实现的泳姿识别、划水动作识别、转身识别等功能分别进行进一步的详细介绍。

首先介绍泳姿识别的示例性实现方式。图3为本申请一些实施例提供的一种手表100进行泳姿识别的流程图，图3所示的流程图中各步骤的执行主体可以为手表100。参考图3，本申请提供的一种泳姿识别方法包括以下各步骤：

S301：确定入水。

例如，根据从手表100的气压计104采集的气压数据确定用户是否入水，当用户入水，也即手表100进入水中时，手表100的气压计104采集的气压数值会突然增高。当气压值满足一定的阈值条件时可以确定用户入水。具体将在下文中展开描述。

S302：采集用户的运动数据。

例如，手表100利用加速度计101采集手表100在各个方向上(一般为三轴)加速度数据。利用陀螺仪102采集手表100在各个方向（例如，三轴方向）的角速度或角加速度。利用磁力计103可以采集地磁场的方向。

S303：获取耳机200采集的用户的运动数据。

例如，手表100向耳机200发送数据获取请求，耳机200响应于该请求，将耳机200通过加速度计201、陀螺仪202、磁力计203采集的用户的运动数据发送至手表100。

S304：将手表100的传感器采集的运动数据和从耳机200获取的运动数据进行整合，得到整合后的运动数据。

例如，手表100获取到耳机100采集的加速计数据（以下简称ACC数据），陀螺仪数据（以下简称GYRO数据）和手表100采集到的ACC数据、GYRO数据进行数据组包，得到组合后的数据，具体如何组包将在下文进行详细介绍。

S305：基于整合后的运动数据确定出用户的泳姿。

例如，手表100对上述数据组合得到的数据进行时域特征提取，得到陀螺仪和加速度计数据的窗口均值、方差、平均绝对偏差、峰谷特征等时域特征。然后将提取出的这些时域特征输入预先训练好的泳姿识别模型，从而确定出用户的泳姿。具体实现细节将在下文中详细阐述。

图3介绍了本申请实施例的一种泳姿识别的方法流程，下面将以图4A所示的具体示例，对手表100进行泳姿识别的详细流程进行示例性介绍。参考图4A所示的一种手表100泳姿识别的流程图，本申请的泳姿识别方法包括下述步骤：

S401：出入水检测。

例如，利用从手表100的气压计104采集的气压数据进行出入水检测。当手表100进入水中时，气压计104采集的气压数值会突然增高，当手表100出水时，气压计104采集的气压数值会突然降低。

S402：判断是否入水，如果判断出手表100入水，则进入S406，对手表100采集的ACC数据、GYRO数据以及耳机200采集的ACC数据、GYRO数据进行时域特征提取。如果判断出手表100未入水，表明用户还没有开始游泳，则进入S403，等待入水。

示例性地，如图4B所示，手表100的气压计104采集的气压计数值（也即气压数据）突然增高，并且大于阈值P1，初步判断手表100入水，也即初步判断用户开始游泳。然后可以通过对一段时间内采集的气压数据进行进一步处理，以再次验证手表100是否入水。例如，连续采集T1时长的气压数据，一秒钟共有50帧气压数据，以4秒钟作为一个窗口，一个窗口内共有200帧气压数据，然后分别对每个窗口内的200帧气压数据求平均值，得到各窗口内的平均气压值，再对相邻窗口内的平均气压值进行差分计算，如果各窗口内的平均气压值均大于阈值P1，并且相邻窗口的平均气压值的差值大于阈值P2时，判定手表100入水，也即再次确认用户开始游泳；如果未满足各窗口内的平均气压值均大于阈值Threshold1，并且相邻窗口的平均气压值的差值大于阈值Threshold2这两个条件，则判定为手表100未入水，也即最终判定用户未开始游泳。

在一些实施例中，气压计数据恢复至入水前气压的1.5倍持续30s，并且持续T2时长，例如持续30秒，则判定为手表100出水。

S403：等待入水。

也就是说判断出手表100未入水，则等待入水，在此过程中可以一直继续通过手表100的气压计104采集气压数据。

S404:数据组帧。

也即手表100的泳姿识别模块111通过气压计104采集的数据确定出手表100入水，也即表明用户开始游泳，则手表100中的泳姿识别模块111将通过加速度计101和陀螺仪102采集到的数据（分别记为ACC数据、GYRO数据），以及耳机200实时回传的通过耳机200的加速度计201、陀螺仪202采集的数据，进行组帧。

例如，手表100在1秒钟采集了100帧的ACC数据、GYRO数据，耳机200在1秒钟采集了50帧的ACC数据、GYRO数据，泳姿识别模块111分别将手表100自身采集的100帧的ACC数据每两帧取个均值，得到新的50帧ACC数据，以及将自身采集的100帧的GYRO数据每两帧取个均值，得到新的50帧GYRO数据。然后将新的50帧ACC数据、新的50帧GYRO数据再和耳机200回传的50帧ACC数据、GYRO数据基于时间进行对齐，得到50帧组合数据。又如，由于手表100采集ACC数据、GYRO数据的数据采样率高于耳机100，则可以将手表100的ACC数据、GYRO数据进行降采样，例如原本1秒钟采集100帧数据，降采样后，手表100每1秒钟采集50帧数据；或者将耳机200的ACC数据、GYRO数据进行插值处理，使得手表100和耳机200这两个设备的ACC数据、GYRO数据能够按时间对齐并保持数据个数一致，以便于后续处理。

S405：对组帧后的数进行滑窗处理。

示例性地，以设定时长（例如，4秒）为一个窗口，以设定步长（例如，0.5秒）对通过S404获得的数据进行滑窗处理。

应理解，在具体应用中，上述窗口为根据需要自定义的具有固定时长的数据窗口，例如，对于前述得到的50帧的组合数据，还可以以5秒钟、6秒钟等时间跨度的数据作为一个窗口，步长也可以根据需要自定义，例如步长还可以为1秒。由于前述实施例中，组帧后得到的数据时长为1秒钟，共有50帧ACC数据、GYRO数据，则以4秒做一个窗口，则一个窗口有200帧ACC数据、GYRO数据，这样的话，在后续对一个窗口里的数据（也就是一段时间内的数据）进行一次特征提取，相对于一帧数据的准确率高。

S406：时域特征提取。

例如，从前述得到的组合数据中提取出陀螺仪和加速度计数据的窗口均值、方差、平均绝对偏差、峰谷特征等时域特征。

S407：决策树打分。

也就是说，通过S406提取出ACC数据、GYRO数据的一些时域特征后，泳姿识别模块111可以利用这些时域特征，采用多棵决策树（例如二分类模型）打分的策略，得到对用户的泳姿打分的结果。换言之，采用预设的泳姿识别模型对上述时域特征进行泳姿识别，该预设的泳姿识别模型可以是图4C所示的决策树模型，由于规范泳姿通常有图4D所示的蛙泳、仰泳、蝶泳、自由泳这四种，因此决策树模型需要至少包括“蛙泳模型”、“蝶泳模型”、“自由泳模型”、“仰泳模型”，对应于这四种规范泳姿之外的其他泳姿，可以采用“未知泳姿模型”进行打分。也就是说，由于总共待识别的结果为5种，所以共需训练5种泳姿识别模型。

其中这5种模型中的每一个用于识别蛙泳、仰泳、蝶泳、自由泳、未知泳姿的其中一种泳姿，每种模型会有多棵树，每棵树会输出是某种结果的概率和非某个结果的概率（例如是蛙泳的概率为0.7，不是蛙泳的概率为0.3），把每棵树中识别到是某种泳姿的概率加起来就得到识别为这种泳姿的总概率。然后再选取5种模型中总概率最大的泳姿作为识别结果。

S408：得到识别结果。

例如，在一些实施例中，可以将4s内的ACC数据、GYRO数据对应的一些时域特征输入上述决策树模型中，取总概率最大的泳姿作为识别结果。例如，上述各模型得到的是蛙泳、仰泳、蝶泳、自由泳、未知泳姿的总概率依次分别为50%、60%、65%、85%、20%，则可以确定出总概率最高的自由泳作为用户的泳姿。

可以理解，上述步骤S401至步骤S408的执行顺序只是一种示例，在另一些实施例中，也可以采用其他执行顺序，还可以拆分或合并部分步骤，在此不做限定。例如，S404和S405可以在S401之前执行，还可以和S401同时执行。S401和S402还可以合并成一个步骤。

下面将介绍划水动作识别的示例性实现方式。图5A为本申请一些实施例提供的一种划水动作识别的流程图，图5A所示的流程图中各步骤的执行主体可以为手表100。参考图5A，该流程包括以下内容：

S501：确定泳姿。

例如，在根据步骤S401-S408提供的方法确定出用户的泳姿，以准确确定用户泳姿。在其他实施例中，也可以通过其他方法（例如，基于手表100传感器数据确定泳姿的方法）确定泳姿。

S502：根据泳姿进行轴选择。

由于GYRO（陀螺仪）数据包括X、Y、Z三个坐标轴，不同泳姿所对应的GYRO数据不同坐标轴的信号表现不同，并且用户在使用不同泳姿游泳时，手部动作差别较大，而头部动作差别较小，从而为了提高识别准确度，划水动作识别模块112可以根据确定出的泳姿，选择对手表100采集的GYRO数据（包括X、Y、Z三个坐标轴）中某一个坐标轴的数据进行分析。

在一些实施例中，假设确定出用户的泳姿为蛙泳，则选择对手表100采集的GYRO数据的Y轴信号进行分析；假设确定出用户的泳姿为仰泳，则选择对手表100采集的GYRO数据的Z轴信号进行分析；假设确定出用户的泳姿为蝶泳，则选择对手表100采集的GYRO数据的Z轴信号进行分析；假设确定出用户的泳姿为仰泳或者未知泳姿，则选择对手表100采集的ACC数据（加速度采集的数据）的三个坐标轴的信号的模值进行分析，例如对该ACC数据的三个坐标轴的数据分别进行平方运算后，再将三个坐标轴平方运算的结果进行求和，然后对求和结果进行开方运算，将开方运算得到的模值作为后续对手表100数据分析波形分析的数据源。

S503：手表数据波峰分析。

也即是对S502中根据确定出的泳姿选择的GYRO（陀螺仪）数据或者ACC数据的坐标轴的数据进行分析，例如，首先可以对选定的待分析的数据进行高斯滤波处理，然后确定出滤波后的信号的波峰波谷。

S504：粗筛动作。

也就是说，针对上述滤波处理后的信号确定出波峰波谷之后，即可根据确定出的波峰波谷初步进行划水动作的筛选。例如，在图6B示意出的一种粗筛动作的流程图中包括以下内容：

S5041：确定极值点。

例如确定出图5C所示的手表100端信号的极值点A1、A2。

S5042：判断极值点是否大于阈值。如果判断出极值点大于阈值，则进入S5043，将大于阈值的极值点确定为初筛波峰点；如果判断出极值点小于或等于阈值，则进入S4044，丢弃相应的极值点。

S5043：确定出初筛波峰点。

在一些实施例中，可以预先设置一个峰值阈值，当搜索到的极值点大于此阈值时，将对应的极值点作为待选择动作点，也即确定为初筛波峰点。例如，在图5C所示的实施例中，搜索到极值点A1、A2，极值点A1、A2大于峰值阈值Threshold3，则可以将极值点A1、A2作为初筛波峰点。

S5044：丢弃相应极值点。

也即，如果搜索到的极值点小于前述峰值阈值，则丢弃该极值点，也就是说在后续的划水动作识别中不使用该极值点。

S5045：判断波峰间距是否大于时间阈值。如果判断出波峰间距大于时间阈值，则进入S5046，确定出初筛动作点；如果判断出波峰间距小于或等于时间阈值，则进入S4067，丢弃相应波峰点。

S5046：确定出初筛动作点。

也就是根据波峰之间的时间间隔，进一步筛查出初步确定的划水动作点。示例性地，判断相邻两个波峰之间的时间间隔t，当t大于时间阈值T0时，此波峰作为有效波峰，当两个相邻波峰时间间隔t小于T0时，则选择相邻波峰中较大值作为有效波峰。例如，如图5C所示的相邻两个极值点（也即相邻两个波峰）A1、A2之间的时间间隔t1大于时间阈值T0，则可以将极值点A1、A2作为初筛动作点。

S5047：丢弃相应波峰点。

也就是说，在前述确定出的初筛波峰点中选择波峰间距不满足时间阈值的初筛波峰点作为无效波峰点。

根据本实施例的方案，可以避免无效划水动作对统计数据的干扰，有利于准确统计划水次数。

S505：耳机200数据波峰分析。

耳机200数据波峰分析的数据源为耳机200采集的ACC数据的模值，寻找波峰的方法和S504中类似，只是涉及的波峰阈值、时间阈值不同，这里不再展开描述。

S506：动作确认。

虽然对手表100数据的波峰分析可以得到初步筛选的划水动作点，但是由于在泳池中用户手部晃动而未游泳时，手表100有可能误将用户手部晃动判断为用户在游泳，从而错误地将用户手部晃动判断为用户的划水动作，因此需要再次结合手表100的ACC数据或者GYRO数据，以及耳机200的ACC数据，对S504确定出来的粗筛动作进行进一步确认。

示例性地，可以判断由手表100的ACC数据或者GYRO数据得到的两个粗筛动作点之间，是否存在耳机200的ACC数据的一个波峰点，如果存在，则将这两个粗筛动作点确认为一个完整的划水动作。例如，在图5C所示的实施例中，手表100端数据的波峰点A1、A2之间，对应耳机200端信号有一个波峰点B1，则可以确认波峰点A1、A2之间存在一个完整的划水动作。

通过以上关于划水动作识别的介绍可知，通过对手表100的ACC数据或者GYRO数据进行分析得到初筛波峰点之后，再结合耳机200的ACC数据，进一步进行划水动作的确认，筛选出的划水动作更加准确。

可以理解，上述步骤S501至步骤S506的执行顺序只是一种示例，在另一些实施例中，也可以采用其他执行顺序，还可以拆分或合并部分步骤，在此不做限定。

下面将介绍转身识别的示例性实现方式。图6A为本申请一些实施例提供的一种转身识别的流程图，图6A各步骤的执行主体可以为手表100。参考图6A，该转身识别流程包括以下内容：

S601：识别划水动作。

例如，手表100的划水动作识别模块112识别出用户的划水动作之后，将识别的结果数据发送给手表100的转身识别模块113，转身识别模块113根据接收到的该结果数据，识别出用户的划水动作。在其他实施例中，也可以通过其他方法识别划水动作。

S602：判断动作个数是否大于设定数量N1。下文中，以N1=3为例进行介绍。但本申请不限于此。在其他实施例中，N可以为2，5等其他数量。

如果判断出有大于3个划水动作，则进入S603，进行前3个划水动作所对应的耳机200偏航角均值的计算。如果判断出划水动作的个数小于或者等于3，则返回S601。

S603：记录前3个动作耳机200的偏航角平均值Angle0。从而可以根据前3个划水动作所对应的耳机200的偏航角平均值Angle0（具体可参考图6B），确定用户游泳的起始朝向。

例如，划水动作识别模块112在识别出划水动作时，还可以计算出用户游泳过程中的每个划水动作的起始时间，从而来识别到3次划水动作时，取此3次连续划水动作时间段内的由耳机100的偏航角均值Angle0作为游泳起始的朝向。

其中，耳机100的偏航角均值的计算方法可以为：通过对耳机200采集的ACC数据（包括三个轴）、GYRO数据（包括三个轴）、MAG数据（包括三个轴）进行九轴融合计算得到游泳时耳机200的姿态角，将该姿态角作为耳机200的偏航角。还可以根据该姿态角推算出用户头部的偏航角。

S604：获取后续每个划水动作期间内耳机200的偏航角均值Angle1。

例如对用户开始游泳的前3个划水动作之后的每个划水动作对应的ACC数据、GYRO数据、MAG数据进行九轴融合计算，得到前3个划水动作之后的每个划水动作所对应的耳机200的偏航角均值Angle1。

S605：判断两个相邻动作的偏航角平均值之差是否大于阈值delta0。如果判断出前后两个相邻动作的偏航角平均值之差大于阈值delta0，则进入S606，初步判断用户在这两个相邻动作之间有转身动作。否则返回S604。

S606：预判断为转身。也就是在判断出有大于3个划水动作后，可以对这3个划水动作之后每相邻的两个划水动作的偏航角均值做对比，如果相邻两个划水动作的偏航角均值的差值大于差值阈值delta0，可以初步推断游泳者发生了转身动作。

S607：判断预判转身后动作个数是否大于设定数量N2。下文中，以N2=3为例进行介绍。但本申请不限于此。在其他实施例中，N可以为2，4等其他数量。

也就是判断前述初步判断的转身动作之后是否有3个以上的划水动作。如果判断出预判转身后划水动作的个数大于3，则进入S608，获取预判转身后的这3个划水动作的偏航角均值。否则进入S609，等待预判转身后达到3个动作个数。

S608：获取转身后3个连续划水动作期间内偏航角均值Angle2。

例如对前述预判转身之后的3个连续划水动作对应的ACC数据、GYRO数据、MAG数据进行九轴融合计算，得到这3个划水动作所对应的耳机200的偏航角，然后再对这3个划水动作对应的偏航角求均值，得到偏航角均值Angle2（具体可参考图6B）。

S609：等待预判转身后达到3个动作个数。

S610：判断|Angle2-Angle0|>delta1。也即是判断上述转身后3个连续划水动作期间内偏航角均值Angle2，与用户初始3个连续的划水动作的偏航角均值Angle0的差值的绝对值是否大于差值阈值delta1。如果该差值大于差值阈值delta1，则进入S611，确定发生了转身动作，否则进入S612，确定用户伪转身，也即未发生转身。

S611：确定转身。

在一些实施例中，当确定游泳者转身，则可以将转身后的连续三个划水动作偏航角均值Angle2作为新的游泳朝向，也即将原先代表耳机100的初始朝向的偏航角Angle0的数值更新为Angle2的数值，从而将更新后的Angle0所表征的方向作为后续判断转身的参考方向。

S612：确定伪转身。

通过以上关于转身动作识别的介绍可知，由于用户在游泳过程中，用户发生转身时，耳机200采集的ACC数据、GYRO数据、MAG数据的信号有较大的差异体现，手表100通过从耳机200接收到的ACC数据、GYRO数据、MAG数据进行偏航角的计算，可以获得更加准确的偏航角度，从而可以使得转身识别的结果更加准确。在一些实施例中，在识别出用户的转身动作之后，还可以计算出转身的总次数，然后根据转身的总次数计算出用户的游泳趟数。例如，如果转身识别到n次，则游泳总趟数计为n+1趟。

在一些实施例中，还可以计算出每趟划水次数，例如第N（假设N>1）趟的划水次数可以由第N-1次转身结束到第N次转身开始时间点之间的划水动作次数之和得到。

在一些实施例中，还可以对每趟游泳中采用的泳姿进行统计，例如，确定出一趟游泳中包括多少种泳姿，以及各泳姿的时长占比，将时长占比最大的泳姿作为该趟的主泳姿。

在一些实施例中，还可以对用户的划水频率进行计算，例如对每次划水动作的时长求和得到划水总时长为totalTime，确定出总划水次数为strokeCnt，则平均单次划水时长meanStrokeTime = totalTime/strokeCnt 。然后再将平均单次划水时长转换为每分钟划水次数即为划水频率：strokeFreq =( 60 * 1000) / meanStrokeTime。

在一些实施例中，手表100在统计出用户的划水趟数、每趟划水次数、泳姿、划水频率之后，还可以通过显示屏程序给用户，具体可参考图7所示的界面示意图。

可以理解，上述步骤S601至步骤S612的执行顺序只是一种示例，在另一些实施例中，也可以采用其他执行顺序，还可以拆分或合并部分步骤，在此不做限定。

下面将结合图8介绍上述手表100的软件逻辑框图。如图8所示，手表100包括泳姿识别模块111、划水动作识别模块112、转身识别模块113、结果统计模块114。

其中，泳姿识别模块111可以用于识别用户的游泳姿势，例如识别出用户某一趟的游泳姿势为图4D所示的蛙泳、蝶泳、仰泳、自由泳中的其中一种。当用户使用这几种规范泳姿游泳时，耳机200及手表100采集的加速度计信号和陀螺仪信号将会有明显的特征表现，可以基于这些特征进行泳姿识别模型的训练，从而利用训练好的模型进行泳姿的识别。在一些实施例中，泳姿识别模型可以为一种决策树模型。

泳姿识别模块111可以包括数据组包子模块M101、特征提取子模块M102、决策树泳姿识别子模块M103。

示例性地，数据组包子模块M101可以用于进行数据组包（或者成为数据组帧），也即手表100通过气压计104采集的数据确定出用户开始游泳，手表100中的泳姿识别模块111将通过加速度计101和陀螺仪102采集到的数据（分别记为ACC数据、GYRO数据），以及耳机200实时回传的通过耳机200的加速度计201、陀螺仪202采集的数据，进行组包（也可以称之为组帧）。例如，手表100在1秒钟采集了100帧的ACC数据、GYRO数据，耳机200在1秒钟采集了50帧的ACC数据、GYRO数据，泳姿识别模块111分别将手表100自身采集的100帧的ACC数据每两帧取个均值，得到新的50帧ACC数据，以及将自身采集的100帧的GYRO数据每两帧取个均值，得到新的50帧GYRO数据。然后将新的50帧ACC数据、新的50帧GYRO数据再和耳机200回传的50帧ACC数据、GYRO数据基于时间进行对齐，得到50帧组合数据。

特征提取子模块M102可以对前述得到的组合数据进行特征提取。例如，从前述得到的组合数据中提取出陀螺仪和加速度计数据的窗口均值（也即一个窗口内的ACC数据的均值、GYRO数据的均值）、方差、平均绝对偏差、峰谷特征等时域特征。其中，窗口为根据需要自定义的具有固定时长的数据窗口，例如，对于前述得到的50帧的组合数据，以4秒钟时间跨度的数据作为一个窗口，步长也可以根据需要自定义，例如步长可以为0.5秒。由于前述实施例中，组帧后得到的数据时长为1秒钟，共有50帧ACC数据、GYRO数据，则以4秒做一个窗口，则一个窗口有200帧ACC数据、GYRO数据，这样的话，对一个窗口里的数据（也就是一段时间内的数据）进行一次特征提取，相对于一帧数据的准确率高。在一些实施例中，上述提取的涉及陀螺仪和加速度计的特征数据是分别提取的，例如分别对各个窗口内的ACC数据、GYRO数据分别进行特征提取，得到各窗口内的陀螺仪和加速度计的特征数据。

决策树泳姿识别子模块M103可以基于前述提取的特征进行决策树泳姿识别。也即，决策树泳姿识别子模块M103基于前述提取的特征进行泳姿识别，例如将前述提取到的特征数据作为输入，采用预先训练好的决策树模型对这些提取出的特征数据进行推理，推理得到的结果即为泳姿识别结果。

划水动作识别模块112可以包括波峰分析子模块M104、划水动作确认子模块M105。示例性地，波峰分析子模块M104可以用于识别用户的划水动作。例如，在泳姿识别模块111识别出用户的泳姿之后，将识别结果发送给波峰分析子模块M104。由于GYRO（陀螺仪）数据包括X、Y、Z三个坐标轴，不同泳姿所对应的GYRO数据不同坐标轴的信号表现不同，并且用户在使用不同泳姿游泳时，手部动作差别较大，而头部动作差别较小，从而为了提高识别准确度，波峰分析子模块M104可以根据不同的泳姿，对手表100采集的GYRO数据（包括X、Y、Z三个坐标轴）不同轴的数据进行波峰分析初步进行划水动作识别，然后划水动作确认子模块M105再对耳机200采集的ACC数据的波峰分析进行划水动作确认。应理解，由于用户每划一次水，会有一次划水动作，因此识别出划水动作，便于统计出用户游一趟划了多少次水。

转身识别模块113可以包括九轴融合姿态计算子模块M106、转身识别子模块M107。转身识别模块113可以用于识别用户的转身行为。应理解，通常用户在完成一趟游泳实施下一趟游泳行为时会有一次转身行为，因此，识别出用户的转身行为可以便于统计用户游了多少趟。由于用户在游泳时，手表100随着用户的划水的手臂不停的在空间中移动，而由于耳机200佩戴于用户的耳朵，且用户在游泳过程中头部相对于手臂的移动幅度较小，并且用户在转身时，耳机200的姿态发生较大的变化。因此转身识别模块113可以利用前述组合数据中耳机200的ACC数据、GYRO数据以及MAG数据（耳机200的磁力计203采集的数据）进行分析，例如九轴融合姿态计算子模块M106对耳机200的ACC数据、GYRO数据以及MAG数据通过九轴融合算法进行九轴融合姿态计算，也就是对耳机200的ACC数据（三个坐标轴）、GYRO数据（三个坐标轴）以及MAG数据（三个坐标轴）进行融合，计算出每个划水动作所对应的耳机200的姿态角，然后转身识别子模块M107根据计算得到的各划水动作的姿态角进行转身识别。应理解，若相邻两个划水动作对应的耳机200的姿态角发生较大变化，则表明用户发生了转身行为。

结果统计模块114可以用于根据前述泳姿识别模块111识别出的泳姿，划水动作识别模块112识别出的划水动作，以及转身识别模块113识别出的转身行为，统计出用户的泳姿、划水频率、划水趟数、划水次数（也即进行划水计数）。以便于手表100将统计结果显示给用户，供用户参考。

在一些情况下，所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读（例如，计算机可读）存储介质承载或存储在其上的指令，其可以由一个或多个处理器读取和执行。例如，指令可以通过网络或通过其他计算机可读存储介质分发。因此，机器计算机可读存储介质可以包括用于以机器（例如，计算机）可读的形式存储或传输信息的任何机制，包括但不限于，软盘、光盘、光碟、只读存储器（CD-ROMs）、磁光盘、只读存储器（Read Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、电可擦除可编程只读存储器（ElectricallyErasable Programmable Read-Only Memory，EEPROM）、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息（例如，载波、红外信号数字信号等）的有形的机器可读存储器。因此，机器计算机可读存储介质包括适合于以机器（例如计算机）可读的形式存储或传输电子指令或信息的任何类型的机器计算机可读存储介质。

在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。

需要说明的是，本申请各设备实施例中提到的各单元/模块都是逻辑单元/模块，在物理上，一个逻辑单元/模块可以是一个物理单元/模块，也可以是一个物理单元/模块的一部分，还可以以多个物理单元/模块的组合实现，这些逻辑单元/模块本身的物理实现方式并不是最重要的，这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外，为了突出本申请的创新部分，本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入，这并不表明上述设备实施例并不存在其它的单元/模块。

需要说明的是，在本专利的示例和说明书中，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、物品或者设备中还存在另外的相同要素。

虽然通过参照本申请的某些优选实施例，已经对本申请进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (16)

1.一种游泳信息统计方法，应用于包含第一电子设备和第二电子设备的***中，其特征在于，所述第一电子设备佩戴于用户的第一部位，所述第二电子设备佩戴于用户的第二部位，在不同泳姿下所述第一部位的运动轨迹之间的差别小于所述第二部位之间的运动轨迹之间的差别，所述方法包括：

所述第一电子设备获取所述用户在游泳过程中的第一运动数据；

所述第一电子设备获取所述第二电子设备在所述用户游泳过程中采集的第二运动数据；

所述第一电子设备将所述第一运动数据和所述第二运动数据进行整合，得到整合后的运动数据；

所述第一电子设备基于所述整合后的运动数据统计出所述用户的游泳信息。

2.根据权利要求1所述的方法，其特征在于，所述第一电子设备将所述第一运动数据和所述第二运动数据进行整合，得到整合后的运动数据，包括：

所述第一电子设备将所述第一运动数据和所述第二运动数据进行数据组帧，得到整合后的运动数据。

3.根据权利要求2所述的方法，其特征在于，所述第一电子设备将所述第一运动数据和所述第二运动数据进行数据组帧，得到整合后的运动数据，包括：

所述第一电子设备根据所述第二运动数据的帧率，对所述第一运动数据进行降采样处理，得到降采样后的第一运动数据，其中，所述降采样后的第一运动数据的帧率和所述第二运动数据的帧率相同。

4.根据权利要求2所述的方法，其特征在于，所述第一电子设备将所述第一运动数据和所述第二运动数据进行数据组帧，得到整合后的运动数据，包括：

所述第一电子设备根据所述第一运动数据的帧率，对所述第二运动数据进行插值处理，得到插值处理后的第二运动数据，其中，所述插值处理后的第二运动数据的帧率和所述第一运动数据的帧率相同。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述用户的游泳信息包括用户的泳姿，所述第一电子设备基于所述整合后的运动数据统计出所述用户的游泳信息，包括：

所述第一电子设备对所述整合后的运动数据进行特征提取，得到所述整合后的运动数据的时域特征；

所述第一电子设备将所述整合后的运动数据的时域特征输入预设的泳姿识别模型，得到泳姿识别结果；

所述第一电子设备基于所述泳姿识别结果，统计出所述用户的泳姿。

6.根据权利要求5所述的方法，其特征在于，所述预设的泳姿识别模型为二分类模型。

7.根据权利要求6所述的方法，其特征在于，所述用户的游泳信息还包括用户的划水动作，所述第一电子设备基于所述整合后的运动数据统计出所述用户的游泳信息，包括：

所述第一电子设备根据统计出的所述用户的泳姿，确定出所述整合后的运动数据中用以统计所述用户的划水动作的第一目标数据，其中，所述第一目标数据包括所述第一电子设备采集的第一目标子数据以及所述第二电子设备采集的第二目标子数据；

所述第一电子设备根据所述第一目标子数据确定出多个粗筛划水动作；

所述第一电子设备根据所述第二目标子数据，从所述多个粗筛划水动作中统计出用户的划水动作。

8.根据权利要求7所述的方法，其特征在于，所述第一电子设备包括陀螺仪和加速度计，所述第一目标子数据包括所述第一电子设备的陀螺仪采集的数据或者所述第一电子设备的加速度计采集的数据。

9.根据权利要求7所述的方法，其特征在于，所述第一电子设备包括加速度计，所述第二目标子数据包括所述第二电子设备的加速度计采集的数据。

10.根据权利要求7至9中任一项所述的方法，其特征在于，所述用户的游泳信息包括用户的转身动作，所述第一电子设备基于所述整合后的运动数据统计出所述用户的游泳信息，包括：

所述第一电子设备确定出所述用户的初始划水动作；

所述第一电子设备根据包括所述初始划水动作在内的连续第一数量的划水动作对应的所述第二运动数据，确定出所述用户的初始游泳方向；

所述第一电子设备根据所述连续第一数量的划水动作之后的各划水动作对应的所述第二运动数据，确定出所述连续第一数量的划水动作之后的各划水动作对应的游泳方向；

在所述第一电子设备根据所述连续第一数量的划水动作之后的每相邻两个划水动作对应的游泳方向之间的差异，判断所述用户发生转身时，所述第一电子设备确定出所述用户发生转身时对应的目标划水动作；

所述第一电子设备根据所述目标划水动作之后连续第二数量的划水动作对应的所述第二运动数据，确定出所述目标划水动作之后连续第二数量的划水动作对应的目标游泳方向；

在所述第一电子设备确定出目标游泳方向和初始游泳方向之间的差异达到阈值时，所述第一电子设备确认所述用户在所述目标划水动作期间发生了转身，并统计出所述用户的转身动作。

11.根据权利要求10所述的方法，其特征在于，还包括：

所述第一电子设备将所述初始游泳方向更新为所述目标游泳方向。

12.根据权利要求11所述的方法，其特征在于，所述第二电子设备包括陀螺仪、加速度计、磁力计，所述第二运动数据包括所述第二电子设备的陀螺仪采集的数据、所述第二电子设备的加速度计采集的数据、所述第二电子设备的磁力计采集的数据。

13.根据权利要求1所述的方法，其特征在于，所述第一电子设备为运动手表。

14.根据权利要求1所述的方法，其特征在于，所述第二电子设备为运动耳机。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，该指令在电子设备上执行时使电子设备执行权利要求1-14中任一项所述的游泳信息统计方法。

16.一种电子设备，其特征在于，包括：

存储器，用于存储由电子设备的一个或多个处理器执行的指令，以及

处理器，当所述指令被一个或多个处理器执行时，所述处理器用于执行权利要求1-14中任一项所述的游泳信息统计方法。

Images