随着技术的发展和人们对健康的渴求,使用传感器做人体动作的准确度判断的研究越来越火热,相关产品也越来越多。早期的研究由于没有相应的行业标准,缺乏通用平台设备,基本上都是围绕着自主设计的可穿戴设备开展的。研究者主要着眼于如何在复杂环境中稳定采集数据或者是如何改良传感器、如何提升模型质量。同时市面上以体感游戏为例的相应产品,是由厂商自行设计传感器、采集数据、训练模型,用户使用时产生的数据没有得到很好的利用。用户必须适应模型,而不是模型根据用户习惯升级性能。同时在现代个人数据的安全越来越重要,联邦学习等隐私保护的算法应运而生。随着智能手机和其他智能设备的发展,计算力飞速提升,在智能手机等智能设备上已经能够计算、运行模型。而在智能手机上本地计算模型,上传分享模型而不是数据,就能在不公开个人数据的情况下共同训练模型。但在制定一个可用的流程框架和使用用户上传的模型上仍面临诸多问题。本文以智能手机等智能设备为平台,构想并实现了一个共享数据的动作准确度判断系统。针对系统的特性选择了合适的算法和运算框架,损失函数和正则式函数,解决了传感器差异问题,上传数据差异问题,传感器位置差异问题。探讨了可能出现的不平衡数据集情况,讨论了现成的不平衡数据集处理算法。提出了利用互补的不平衡数据集进行增量学习的方法来解决不平衡数据集的问题。针对人体测量的数据采集不易、花费高昂的问题,提出了共享数据的解决办法。基于联邦学习的思想,设计了在不同的数据源间以交换模型代替交换数据进行共享数据训练的框架。通过实验采集的数据验证,使用该系统对人体动作的判断准确率是有所提升的。