[0001] 本发明涉及运动智能监测技术领域，尤其涉及一种基于共享云平台的智能运动分析系统及方法。

[0002] 人们的工作、生活节奏越来越快，伴随而来的就是亚健康人群的快速增长，现有大部分的工作人群由于长时间的工作，导致缺少时间进行运动锻炼，自身体质下降，极易引发各种疾病，运动是一种可促进身体健康的身体活动，涉及体力和技巧的一套规则，又有习惯所约束的行为活动，通常具有竞争性，缺乏运动容易会导致超重和肥胖，如果每周进行一定量的轻等或者中等运动，例如走路、骑车以及跑步等运动，就可以预防疾病。

[0003] 但是过度的运动也可能会产生适得其反的效果，为了防止这种情况发生，目前通过智能运动系统对用户的运动情况进行分析与监测，从而对用户进行正确的运动指导，但是目前智能运动系统所采集的数据较为片面，并且在进行数据分析时不够准确，无法准确分析出用户的实际运动情况，使得后续的运动指导无法有效保证用户的健康安全。

[0004] 上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

[0019] 应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0020] 参照图1，本发明实施例提供了一种基于共享云平台的智能运动分析系统，图1为本发明一种基于共享云平台的智能运动分析系统第一实施例的结构框图。

[0021] 需要说明的是，人们的工作、生活节奏越来越快，伴随而来的就是亚健康人群的快速增长，现有大部分的工作人群由于长时间的工作，导致缺少时间进行运动锻炼，自身体质下降，极易引发各种疾病，运动是一种可促进身体健康的身体活动，涉及体力和技巧的一套规则，又有习惯所约束的行为活动，通常具有竞争性，缺乏运动容易会导致超重和肥胖，如果每周进行一定量的轻等或者中等运动，例如走路、骑车以及跑步等运动，就可以预防疾病。

[0022] 但是过度的运动也可能会产生适得其反的效果，为了防止这种情况发生，目前通过智能运动系统对用户的运动情况进行分析与监测，从而对用户进行正确的运动指导，但是目前智能运动系统所采集的数据较为片面，并且在进行数据分析时不够准确，无法准确分析出用户的实际运动情况，使得后续的运动指导无法有效保证用户的健康安全。

[0023] 本实施例中为了解决上述技术问题，通过运动数据采集模块采集原始运动数据，运动数据处理模块根据原始运动数据确定用户活跃时长、时间步数比重以及步数相似度，根据用户活跃时长、时间步数比重以及步数相似度从原始运动数据中筛选出异常运动数据，并将异常运动数据从原始运动数据中剔除，得到正常运动数据，运动数据分析模块从正常运动数据中提取出特征数据，基于特征数据得到运动趋势数据，根据运动趋势数据进行数据分析，得到运动数据分析结果，云平台将运动数据分析结果发送至各个用户终端，以实现运动数据的共享，通过上述方式可以准确分析出用户的实际运动情况，能够有效保证用户的健康安全，同时还通过云平台实现了运动数据的共享。

[0024] 本实施例中的基于共享云平台的智能运动分析系统由运动数据采集模块10、运动数据处理模块20、运动数据分析模块30以及云平台40构成，并且需要强调的是，运动数据采集模块10、运动数据处理模块20以及运动数据分析模块30之间通过物理数据线等方式连接，实现数据的传输，而运动数据采集模块10、运动数据处理模块20、运动数据分析模块30与云平台40之间则是通过网络进行连接，以实现数据的传输。云平台40还可以通过网络与用户终端连接，将数据发送至用户终端，本实施例中用户终端包括手机、平板以及计算机等设备，对此不加以限制。

[0025] 运动数据采集模块10的主要作用是对运动数据进行采集，具体的运动数据采集模块10在实际情况中可以设置传感器，用于获取运动数据，本实施例中的运动数据由运动步数数据以及环境数据组成，所采集到的运动数据为原始数据，且为不同时间维度的原始运动数据，原始运动数据是指未经过数据处理的运动数据，未经处理的数据中会存在异常运动数据，影响后续数据分析的准确性。

[0026] 进一步地，为了保证后续数据分析的准确性，本实施例中可以通过运动数据处理模块20对原始运动数据进行处理。具体的，本实施例中可以根据原始运动数据确定用户活跃时长、时间步数比重以及步数相似度，根据所述用户活跃时长、所述时间步数比重以及所述步数相似度从所述原始运动数据中筛选出异常运动数据，在筛选出异常数据之后，将这些异常数据从原始运动数据中剔除，即可得到正常运动数据，后续基于正常运动数据进行数据分析即可保证数据分析的准确性。

[0027] 具体地，根据所述原始运动数据判断每个预设间隔周期内是否均存在步数数据，记录存在步数数据的间隔周期，得到用户活跃时长，预设间隔周期可以设置为一小时，每间隔一小时记录判断一次是否存在步数数据，例如判断十三点至十四点之间是否存在步数数据，然后再判断十四点至十五点之间是否存在步数数据，依此类推可以得到每个预设间隔周期内的判断结果，然后将这些存在步数数据的间隔周期进行记录，从而得到用户活跃时长。例如假设十三点至十四点之间不存在步数数据，十四点至十五点之间存在步数数据，十五点至十六点之间存在步数数据，则可以确定此时用户活跃时长为2。进一步地，基于用户预设的休息时间可以将原始运动数据划分成休息时间的运动数据以及非休息时间的运动数据，然后计算出时间步数比重，例如基于休息时间的运动数据可以得到用户的运动步数为X，基于非休息时间的运动数据可以得到用户的运动步数为Y，则计算出的时间步数比重为X/Y。最后基于由于原始运动数据为多个不同时间维度的运动数据，因此本实施例中还可以基于该原始运动数据确定用户每日的运动步数，从而计算出步数相似度。具体地可以先按照一定的间隔周期计算出平均运动步数，例如基于一天的总步数计算出每小时的平均步数，假设第n天的每小时的平均步数为A，第n+1天的每小时的平均步数为B，则可以计算出步数相似度为 。

[0028] 在得到上述用户活跃时长、时间步数比重以及步数相似度之后，本实施例中进一步将于将所述用户活跃时长分别与第一活跃时长以及第二活跃时长进行比较，将所述时间步数比重与比重阈值进行比较，以及将所述步数相似度与相似度阈值进行比较，其中，所述第一活跃时长小于所述第二活跃时长。如果用户活跃时长小于第一活跃时长或者大于第二活跃时长，则将对应的运动数据作为异常运动数据，例如T小于T1（第一活跃时长）或者T大于T2（第二活跃时长），则可以认为T所对应的运动数据为异常运动数据。如果时间步数比重大于比重阈值，则对应的运动数据作为异常运动数据，例如Q大于Q1（比重阈值），则可以认为Q所对应的运动数据为异常运动数据，以及如果步数相似度大于相似度阈值，则对应的运动数据也作为异常运动数据，例如S大于S1（相似度阈值），则可以认为S所对应的运动数据为异常运动数据，上述第一活跃时长、第二活跃时长、比重阈值以及相似度阈值可以根据需求进行设置，对此不加以限制。本实施例中在得到正常运动数据之后，可以通过运动数据分析模块30进行进一步的数据分析，具体过程可以为从所述正常运动数据中提取出特征数据，基于所述特征数据得到运动趋势数据，根据所述运动趋势数据进行数据分析，得到运动数据分析结果，最后运动数据分析模块30再将运动数据分析结果发送给云平台40。云平台40在接收到运动数据分析结果之后，会将运动数据分析结果通过网络发送给各个用户终端，具体地可以借助用户终端中所安装的应用程序进行不同用户之间的运动数据的实时共享。

[0029] 具体地，本实施例中的特征数据包括运动步数特征数据和环境特征数据，根据运动步数特征数据可以得到第一数据矩阵，根据环境特征数据可以得到第二数据矩阵，例如假设数据矩阵为F= ，在得到该数据矩阵之后，本实施例中进一步对数据矩阵F进行变换，得到对应的数据序列，Ff=F×H，其中H为变换形式对应的矩阵，变换形式包括傅里叶离散变换等形式，具体变换形式可以根据实际需求进行设置，本实施例中对此不加以限制。在完成
换后所得到的数据序列为，Ff= ，针
对第一数据矩阵变换后
可以得到步数数据序列，针对第二数据矩阵变换后可以得到环境数据序列，均可按照上述举例说明的方式进行变换，其中，F矩阵中的f1 fmn代表每一个步数数据或者环境~
数据。在得到数据序列之后，本实施例中需要进一步确定数据序列对应的中心相位点，具体的，相位中心点可由振幅以及相位得到，假设振幅为αi，相位为Pi，则可以计算出中心相位点O为αi·Pi，其中，αi= ，Pi= ，Re
表示实部，Im则表示虚部。步数数据序列对应于第一中心相位点，环境数据序列对应于第二中心相位点，均可以按照上述方式得到。在确定中心相位点之后，基于该中心相位点可以进行聚类，具体的，可以该中心相位点为基准，计算出各个数据与中心相位点之间距离，例如欧氏距离、曼哈顿距离以及切比雪夫距离等，可以根据实际情况进行选择，基于计算出的距离从而得到各个数据与中心相位点的相似度，从而完成分类，步数数据序列可以第一中心相位点为基准进行聚类，环境数据序列可以第二中心相位点为基准进行聚类。根据聚类结果可以得到不同的运动类别，例如慢跑或者快跑等，基于聚类结果还可以得到不同的环境类别，例如阴天、晴天以及雨天等，从而可以得到运动趋势数据，运动趋势表示用户更偏向于在什么环境下进行什么类型的跑步运动。

[0030] 进一步地，根据上述得到的运动趋势数据，本实施例中可以确定运动类别和环境类别，然后针对每一个运动类别以及每一个环境类别分别设置相应的标签，例如假设运动类别包括慢走、快走、慢跑以及快跑，设置慢走对应的标签为G1、快走对应的标签为G2、慢跑对应的标签为G3以及快跑对应的标签为G4，又假设环境类别包括夜晚阴天、夜晚晴天、夜晚雨天、白天阴天、白天晴天以及白天雨天，设置夜晚阴天对应的标签为E1、夜晚晴天对应的标签为E2、夜晚雨天对应的标签为E3、白天阴天对应的标签为E4、白天晴天对应的标签为E5以及白天雨天对应的标签为E6，通过上述聚类不仅能够得到运动类别以及环境类别，在划分标签后，还能够确定每一个标签具体的标签数量，然后基于具体的标签数量可以得到标签占比权重，标签占比权重可以反映出用户经常从事的运动类型以及对应的环境，从而分析用户的运动习惯，例如得到上述运动类别的标签中G3的权重最高，环境类别的标签中E2的权重最高，则结合上述可知该用户的运动习惯为在晴天的夜晚慢跑，上述仅为举例说明，还可以按照其他组合方式确定用户的运动习惯，本实施例中对此不加以限制。

[0031] 本实施例通过运动数据采集模块采集原始运动数据，运动数据处理模块根据原始运动数据确定用户活跃时长、时间步数比重以及步数相似度，根据用户活跃时长、时间步数比重以及步数相似度从原始运动数据中筛选出异常运动数据，并将异常运动数据从原始运动数据中剔除，得到正常运动数据，运动数据分析模块从正常运动数据中提取出特征数据，基于特征数据得到运动趋势数据，根据运动趋势数据进行数据分析，得到运动数据分析结果，云平台将运动数据分析结果发送至各个用户终端，以实现运动数据的共享，通过上述方式可以准确分析出用户的实际运动情况，能够有效保证用户的健康安全，同时还通过云平台实现了运动数据的共享。

[0032] 参考图2，图2为本发明一种基于共享云平台的智能运动分析方法第一实施例的流程示意图。

[0033] 在本实施例中，本实施例基于共享云平台的智能运动分析方法包括以下步骤：步骤S10：所述运动数据采集模块采集原始运动数据，并将所述原始运动数据发送至所述运动数据处理模块，所述原始运动数据包括运动步数数据和环境数据。

[0034] 步骤S20：所述运动数据处理模块接收所述运动数据采集模块发送的原始运动数据，根据原始运动数据确定用户活跃时长、时间步数比重以及步数相似度，根据所述用户活跃时长、所述时间步数比重以及所述步数相似度从所述原始运动数据中筛选出异常运动数据，并将所述异常运动数据从所述原始运动数据中剔除，得到正常运动数据，将所述正常运动数据发送至所述运动数据分析模块。

[0035] 步骤S30：所述运动数据分析模块接收所述运动数据处理模块发送的正常运动数据，从所述正常运动数据中提取出特征数据，基于所述特征数据得到运动趋势数据，根据所述运动趋势数据进行数据分析，得到运动数据分析结果，并将所述运动数据分析结果发送至所述云平台。

[0036] 步骤S40：所述云平台接收运动数据分析模块发送的运动数据分析结果，并将所述运动数据分析结果发送至各个用户终端，以实现运动数据的共享。

[0037] 需要说明的是，人们的工作、生活节奏越来越快，伴随而来的就是亚健康人群的快速增长，现有大部分的工作人群由于长时间的工作，导致缺少时间进行运动锻炼，自身体质下降，极易引发各种疾病，运动是一种可促进身体健康的身体活动，涉及体力和技巧的一套规则，又有习惯所约束的行为活动，通常具有竞争性，缺乏运动容易会导致超重和肥胖，如果每周进行一定量的轻等或者中等运动，例如走路、骑车以及跑步等运动，就可以预防疾病。

[0038] 但是过度的运动也可能会产生适得其反的效果，为了防止这种情况发生，目前通过智能运动系统对用户的运动情况进行分析与监测，从而对用户进行正确的运动指导，但是目前智能运动系统所采集的数据较为片面，并且在进行数据分析时不够准确，无法准确分析出用户的实际运动情况，使得后续的运动指导无法有效保证用户的健康安全。

[0039] 本实施例中为了解决上述技术问题，通过运动数据采集模块采集原始运动数据，运动数据处理模块根据原始运动数据确定用户活跃时长、时间步数比重以及步数相似度，根据用户活跃时长、时间步数比重以及步数相似度从原始运动数据中筛选出异常运动数据，并将异常运动数据从原始运动数据中剔除，得到正常运动数据，运动数据分析模块从正常运动数据中提取出特征数据，基于特征数据得到运动趋势数据，根据运动趋势数据进行数据分析，得到运动数据分析结果，云平台将运动数据分析结果发送至各个用户终端，以实现运动数据的共享，通过上述方式可以准确分析出用户的实际运动情况，能够有效保证用户的健康安全，同时还通过云平台实现了运动数据的共享。

[0040] 本实施例中的基于共享云平台的智能运动分析系统由运动数据采集模块10、运动数据处理模块20、运动数据分析模块30以及云平台40构成，并且需要强调的是，运动数据采集模块10、运动数据处理模块20以及运动数据分析模块30之间通过物理数据线等方式连接，实现数据的传输，而运动数据采集模块10、运动数据处理模块20、运动数据分析模块30与云平台40之间则是通过网络进行连接，以实现数据的传输。云平台40还可以通过网络与用户终端连接，将数据发送至用户终端，本实施例中用户终端包括手机、平板以及计算机等设备，对此不加以限制。

[0041] 运动数据采集模块10的主要作用是对运动数据进行采集，具体的运动数据采集模块10在实际情况中可以设置传感器，用于获取运动数据，本实施例中的运动数据由运动步数数据以及环境数据组成，所采集到的运动数据为原始数据，且为不同时间维度的原始运动数据，原始运动数据是指未经过数据处理的运动数据，未经处理的数据中会存在异常运动数据，影响后续数据分析的准确性。

[0042] 进一步地，为了保证后续数据分析的准确性，本实施例中可以通过运动数据处理模块20对原始运动数据进行处理。具体的，本实施例中可以根据原始运动数据确定用户活跃时长、时间步数比重以及步数相似度，根据所述用户活跃时长、所述时间步数比重以及所述步数相似度从所述原始运动数据中筛选出异常运动数据，在筛选出异常数据之后，将这些异常数据从原始运动数据中剔除，即可得到正常运动数据，后续基于正常运动数据进行数据分析即可保证数据分析的准确性。

[0043] 具体地，根据所述原始运动数据判断每个预设间隔周期内是否均存在步数数据，记录存在步数数据的间隔周期，得到用户活跃时长，预设间隔周期可以设置为一小时，每间隔一小时记录判断一次是否存在步数数据，例如判断十三点至十四点之间是否存在步数数据，然后再判断十四点至十五点之间是否存在步数数据，依此类推可以得到每个预设间隔周期内的判断结果，然后将这些存在步数数据的间隔周期进行记录，从而得到用户活跃时长。例如假设十三点至十四点之间不存在步数数据，十四点至十五点之间存在步数数据，十五点至十六点之间存在步数数据，则可以确定此时用户活跃时长为2。进一步地，基于用户预设的休息时间可以将原始运动数据划分成休息时间的运动数据以及非休息时间的运动数据，然后计算出时间步数比重，例如基于休息时间的运动数据可以得到用户的运动步数为X，基于非休息时间的运动数据可以得到用户的运动步数为Y，则计算出的时间步数比重为X/Y。最后基于由于原始运动数据为多个不同时间维度的运动数据，因此本实施例中还可以基于该原始运动数据确定用户每日的运动步数，从而计算出步数相似度。具体地可以先按照一定的间隔周期计算出平均运动步数，例如基于一天的总步数计算出每小时的平均步数，假设第n天的每小时的平均步数为A，第n+1天的每小时的平均步数为B，则可以计算出步数相似度为 。

[0044] 在得到上述用户活跃时长、时间步数比重以及步数相似度之后，本实施例中进一步将于将所述用户活跃时长分别与第一活跃时长以及第二活跃时长进行比较，将所述时间步数比重与比重阈值进行比较，以及将所述步数相似度与相似度阈值进行比较，其中，所述第一活跃时长小于所述第二活跃时长。如果用户活跃时长小于第一活跃时长或者大于第二活跃时长，则将对应的运动数据作为异常运动数据，例如T小于T1（第一活跃时长）或者T大于T2（第二活跃时长），则可以认为T所对应的运动数据为异常运动数据。如果时间步数比重大于比重阈值，则对应的运动数据作为异常运动数据，例如Q大于Q1（比重阈值），则可以认为Q所对应的运动数据为异常运动数据，以及如果步数相似度大于相似度阈值，则对应的运动数据也作为异常运动数据，例如S大于S1（相似度阈值），则可以认为S所对应的运动数据为异常运动数据，上述第一活跃时长、第二活跃时长、比重阈值以及相似度阈值可以根据需求进行设置，对此不加以限制。本实施例通过检测所述区域图像的初始颜色空间，若所述初始颜色空间与需求颜色空间不一致，则按照所述需求颜色空间对所述区域图像进行转换，得到参考区域图像，获取所述参考区域图像的色度信息与火焰亮度信息，根据所述色度信息与所述火焰亮度信息确定所述待测区域内的着火区域，提取所述着火区域相应的火焰特征，根据所述火焰特征确定所述待测区域的预估火灾爆裂程度，通过上述方式能够对发生火灾的待测区域内的火灾爆裂程度进行准确地预估，提高了后续火灾救援的效率与及时性。

[0045] 参考图3，图3为本发明一种基于共享云平台的智能运动分析方法第二实施例的流程示意图。

[0046] 基于上述第一实施例，提出本发明一种基于共享云平台的智能运动分析方法的第二实施例。

[0047] 在本实施例中，所述步骤S30具体包括：步骤S301：所述运动数据分析模块获取所述运动步数特征数据对应的第一数据矩阵和所述环境特征数据对应的第二数据矩阵，分别对所述第一数据矩阵和所述第二数据矩阵进行变换，得到步数数据序列和环境数据序列。

[0048] 步骤S302：所述运动数据分析模块确定所述步数数据序列对应的第一中心相位点和所述环境数据序列对应的第二中心相位点，以所述第一中心相位点为基准对所述步数数据序列进行聚类，以所述第二中心相位点为基准对所述环境数据序列进行聚类，基于聚类结果得到运动趋势数据。

[0049] 步骤S303：所述运动数据分析模块根据所述运动趋势数据确定运动类别和环境类别，针对每一个运动类别以及每一个环境类别分别设置相应的标签，并基于所设置的标签对用户的运动习惯进行分析，得到运动数据分析结果。

[0050] 本实施例中在得到正常运动数据之后，可以通过运动数据分析模块30进行进一步的数据分析，具体过程可以为从所述正常运动数据中提取出特征数据，基于所述特征数据得到运动趋势数据，根据所述运动趋势数据进行数据分析，得到运动数据分析结果，最后运动数据分析模块30再将运动数据分析结果发送给云平台40。云平台40在接收到运动数据分析结果之后，会将运动数据分析结果通过网络发送给各个用户终端，具体地可以借助用户终端中所安装的应用程序进行不同用户之间的运动数据的实时共享。

[0051] 具体地，本实施例中的特征数据包括运动步数特征数据和环境特征数据，根据运动步数特征数据可以得到第一数据矩阵，根据环境特征数据可以得到第二数据矩阵，例如假设数据矩阵为F= ，在得到该数据矩阵之后，
本实施例中进一步对数据矩阵F进行变换，得到对应的数据序列，Ff=F×H，其中H为变换形式对应的矩阵，变换形式包括傅里叶离散变换等形式，具体变换形式可以根据实际需求进行设置，本实施例中对此不加以限制。在完成
换后所得到的数据序列为，Ff= ，针对第一数据矩阵变换后
可以得到步数数据序列，针对第二数据矩阵变换后可以得到环境数据序列，均可按照上述举例说明的方式进行变换，其中，F矩阵中的f1 fmn代表每一个步数数据或者环境~
数据。在得到数据序列之后，本实施例中需要进一步确定数据序列对应的中心相位点，具体的，相位中心点可由振幅以及相位得到，假设振幅为αi，相位为Pi，则可以计算出中心相位点O为αi·Pi，其中，αi= ，Pi= ，Re
表示实部，Im则表示虚部。步数数据序列对应于第一中心相位点，环境数据序列对应于第二中心相位点，均可以按照上述方式得到。在确定中心相位点之后，基于该中心相位点可以进行聚类，具体的，可以该中心相位点为基准，计算出各个数据与中心相位点之间距离，例如欧氏距离、曼哈顿距离以及切比雪夫距离等，可以根据实际情况进行选择，基于计算出的距离从而得到各个数据与中心相位点的相似度，从而完成分类，步数数据序列可以第一中心相位点为基准进行聚类，环境数据序列可以第二中心相位点为基准进行聚类。根据聚类结果可以得到不同的运动类别，例如慢跑或者快跑等，基于聚类结果还可以得到不同的环境类别，例如阴天、晴天以及雨天等，从而可以得到运动趋势数据，运动趋势表示用户更偏向于在什么环境下进行什么类型的跑步运动。

[0052] 进一步地，根据上述得到的运动趋势数据，本实施例中可以确定运动类别和环境类别，然后针对每一个运动类别以及每一个环境类别分别设置相应的标签，例如假设运动类别包括慢走、快走、慢跑以及快跑，设置慢走对应的标签为G1、快走对应的标签为G2、慢跑对应的标签为G3以及快跑对应的标签为G4，又假设环境类别包括夜晚阴天、夜晚晴天、夜晚雨天、白天阴天、白天晴天以及白天雨天，设置夜晚阴天对应的标签为E1、夜晚晴天对应的标签为E2、夜晚雨天对应的标签为E3、白天阴天对应的标签为E4、白天晴天对应的标签为E5以及白天雨天对应的标签为E6，通过上述聚类不仅能够得到运动类别以及环境类别，在划分标签后，还能够确定每一个标签具体的标签数量，然后基于具体的标签数量可以得到标签占比权重，标签占比权重可以反映出用户经常从事的运动类型以及对应的环境，从而分析用户的运动习惯，例如得到上述运动类别的标签中G3的权重最高，环境类别的标签中E2的权重最高，则结合上述可知该用户的运动习惯为在晴天的夜晚慢跑，上述仅为举例说明，还可以按照其他组合方式确定用户的运动习惯，本实施例中对此不加以限制。

[0053] 本实施例通过所述运动数据分析模块获取所述运动步数特征数据对应的第一数据矩阵和所述环境特征数据对应的第二数据矩阵，分别对所述第一数据矩阵和所述第二数据矩阵进行变换，得到步数数据序列和环境数据序列；所述运动数据分析模块确定所述步数数据序列对应的第一中心相位点和所述环境数据序列对应的第二中心相位点，以所述第一中心相位点为基准对所述步数数据序列进行聚类，以所述第二中心相位点为基准对所述环境数据序列进行聚类，基于聚类结果得到运动趋势数据，所述运动数据分析模块根据所述运动趋势数据确定运动类别和环境类别，针对每一个运动类别以及每一个环境类别分别设置相应的标签，并基于所设置的标签对用户的运动习惯进行分析，得到运动数据分析结果，通过上述方式提高了运动数据分析的准确性，进一步保证了用户的健康安全。

[0054] 应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

[0055] 需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

[0056] 另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于共享云平台的智能运动分析系统及方法，此处不再赘述。

[0057] 此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、系统、物品或者系统不仅包括那些要素，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、系统、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、系统、物品或者系统中还存在另外的相同要素。

[0058] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

[0059] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例系统可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光 盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的系统。

[0060] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。