1.一种电动跑步机的计步方法，其特征在于，该方法包括如下步骤：
A、预先设定一组根据跑步机在空载、负载时候训练得到的特征参数，所述负载至少包括站立、走、跑；如果跑步机工作时无法与云端服务器进行数据传递，那么将使用这些预设值进行跑步机的状态判断以及计步；如果跑步机可以和云端服务器进行数据传递，那么将使用云端服务器下载的特征参数进行状态判断以及计步；
B、跑步机工作时，电机控制板按照固定的频率采集电机工作电流，并实时传送给跑步机显示仪表板上的运算单元；
C、运算单元首先利用电流以及预设值或者特征参数判断这段电流对应负载状态还是空载状态；如果是空载状态，过一定时间跑步机将会自动停止；如果是负载状态，将进入下面的计步阶段；
D、运算单元对负载状态对应的电流信号进行处理，获得电流的波形，并与预设波形参数值进行对比，根据对比结果，实现计步。
2.根据权利要求1所述的计步方法，其特征在于，所述运算单元在上述步骤D中，进一步包括：
运算单元对负载状态对应的电流进行整型、低通滤波和中值滤波，去除干扰数据，然后确定电流波形起始点和终止点，求解出一个完整电流波形后，与预设波形参数值对比，若满足预设要求，则当前步数加一。
3.根据权利要求1或2所述的计步方法，其特征在于，
所述步骤A中，通过机器学习获取跑步机在空载、负载的不同状态时，直流驱动电机的输出电流的特征参数值；优选的，所述特征参数值包括以下任一参数或其组合：电流的大小值、均值、方差、峰度、熵。
4.根据权利要求3所述的计步方法，其特征在于，所述方法包括通过支持向量机算法判断跑步机状态，然后进行计步，其步骤如下：
a1、采集电流数据：事先采集跑步机在空载、负载状态下跑步机输出的电流数据，然后对不同状态的电流数据进行标记；
b1、提取特征：对采集的不同状态的电流数据求得的平均值和方差作为识别的特征，并对所述特征进行归一化处理；
c1、训练数据：将步骤b1得到的特征使用支持向量机算法进行训练，得到训练结果参数；
d1、进行识别：用训练好的支持向量机对跑步机实时输出的电流数据进行识别，如果识别为空载，并且空载状态持续一预设时间，跑步机停止；如果识别为负载，则进入步骤e1；
e1、计步数据预处理：对跑步机电流数据先后进行均值滤波和整型低通滤波，以去掉高频噪声；
f1、计步：对滤波后的电流数据计算波峰出现的次数，所述波峰出现的次数作为跑步机使用者的步数。
5.根据权利要求4所述的计步方法，其特征在于，对滤波后电流数据计算波峰出现次数的具体方法为：
判断目前的电流状态是变大还是变小，也就是处于波形的上升沿还是下降沿，如果当前是上升沿，则标记为波形的开始，并继续判断波形状态，直到遇见下一个上升沿，标记为波形的结束；如果当前是下降沿，则继续判断波形状态，直到遇见新的上升沿，才标记为波形的开始。
6.根据权利要求4所述的计步方法，其特征在于：所述步骤b1中的归一化处理包括：
对采集的数据使用一滑动窗，依次滑过采集到的数据，对滑动窗内的数据求取平均值和方差；然后对均值和方差做归一化；
所述归一化的方法为：
其中out，in分别是归一化后和归一化前的特征值，min，max分别是特征值的最大值和最小值；a表示归一化前后之间的调整系数，b表示归一化前后之间的截距。
7.根据权利要求4所述的方法，其特征在于：所述步骤c1中的支持向量机算法如下：
建立支持向量机的数学模型：
maxγ，ω，b γ
i T i
s.t. y(wx+b)≥γ，i＝1，...，m
||w||+1.
其中x，w，b分别表示特征值以及该特征值对应的权重和截距，该特征值为根据跑步机电流提取出来的特征值；y表示对应的类别；γ表示最值；m表示特征值个数，即x的个数；
将上述模型转换为其对偶问题，如下所示：
0≤ai≤C，i＝1，2，...，m
其中x，y，m分别表示跑步机电流的特征值、跑步机不同工作状态下对应的类别标签以及特征值个数；K()表示使用的核函数；αi、αj表示转换时候对应的拉格朗日系数；C表示αi的最大值，N表示α的个数；
求出所有满足ai＜C的正数解，然后计算：
其中b表示截距，ai，yi分别拉格朗日系数以及相应的类别，k()表示核函数；
* *
得到了最优的a，b，以及所有的支持向量，组成一组训练好的支持向量机参数。
8.根据权利要求4所述的方法，其特征在于：所述步骤d1中的识别方法采用如下公式：
其中，sign()表示符号函数，当自变量小于零时候，结果为负，当自变量大于等于零的时候，结果为正；ai，yi分别拉格朗日系数以及相应的类别，k()表示核函数，b表示对应的截距。
9.一种电动跑步机控制系统，该系统包括跑步机端模块和云端服务器模块两部分；跑步机端模块具有上传数据、接收数据、状态判断以及计步功能；云端服务器模块具有接收数据、机器学习、下发数据以及存储数据功能；云端服务器模块包括至少一个数据库模块以及机器学习模块。
10.根据权利要求9所述的系统，其特征在于：所述跑步机端模块包含一电流数据采集模块，在跑步机端的电机控制器中直接采集跑步机电机的工作电流数据，并上传至所述数据库模块中。
11.根据权利要求9所述的系统，其特征在于：所述机器学习模块依据所述数据库模块中的电流数据，计算跑步机不同状态下的特征参数；所述跑步机不同状态包括空载、负载，所述负载至少包括站立、走、跑。
12.根据权利要求11所述的系统，其特征在于：所述机器学习模块进一步包含计步模块，所述计步模块进一步包含：
电流数据标记模块：由所述数据库模块获取采集的电流数据；事先采集跑步机在空载、负载状态下跑步机输出的电流数据，然后对不同状态的电流数据进行标记；
特征提取模块：对采集的不同状态的电流数据求得的平均值和方差作为识别的特征，并对所述特征进行归一化处理；
数据训练模块：将归一化处理的特征使用支持向量机算法进行训练，得到训练结果参数；
识别模块：用训练好的支持向量机对跑步机实时输出的电流数据进行识别，如果识别为空载，并且空载状态持续一预设时间，跑步机停止；如果识别为负载，则开始计步；
计步数据预处理模块：对跑步机电流数据先后进行均值滤波和整型低通滤波，以去掉高频噪声；
计数模块：对滤波后的电流数据计算波峰出现的次数，作为步数。
13.根据权利要求12所述的系统，其特征在于，所述计数模块计算波峰出现的次数的具体过程包括：
判断目前的电流状态是变大还是变小，也就是处于波形的上升沿还是下降沿，如果当前是上升沿，则标记为波形的开始，并继续判断波形状态，直到遇见下一个上升沿，标记为波形的结束；如果当前是下降沿，则继续判断波形状态，直到遇见新的上升沿，才标记为波形的开始。
14.根据权利要求13所述的系统，其特征在于，所述特征提取模块采用如下方式进行归一化处理：
对采集的数据使用一滑动窗，依次滑过采集到的数据，对滑动窗内的数据求取平均值和方差；然后对均值和方差做归一化；
所述归一化的方法为：
其中out，in分别是归一化后和归一化前的特征值，min，max分别是特征值的最大值和最小值；a表示归一化前后之间的调整系数，b表示归一化前后之间的截距。
15.根据权利要求12所述的系统，其特征在于：所述数据训练模块采用以下方式进行数据训练：
建立支持向量机的数学模型：
maxγ，ω，b γ
i T i
s.t. y(wx+b)≥γ，i＝1，...，m
||w||+1.
其中x，w，b分别表示特征值以及该特征值对应的权重和截距，该特征值为根据跑步机电流提取出来的特征值；y表示对应的类别；γ表示最值；m表示特征值个数，即x的个数；
将上述模型转换为其对偶问题，如下所示：
0≤ai≤C，i＝1，2，...，m
其中x，y，m分别表示跑步机电流的特征值、跑步机不同工作状态下对应的类别标签以及特征值个数；K()表示使用的核函数；αi、αj表示转换时候对应的拉格朗日系数；C表示αi的最大值，N表示α的个数；
求出所有满足ai＜C的正数解，然后计算：
其中b表示截距，ai，yi分别拉格朗日系数以及相应的类别，k()表示核函数；
* *
得到了最优的a，b，以及所有的支持向量，组成一组训练好的支持向量机参数。
16.根据权利要求12所述的系统，其特征在于：所述识别模块采用如下识别算法进行识别：
其中，sign()表示符号函数，当自变量小于零时候，结果为负，当自变量大于等于零的时候，结果为正；ai，yi分别拉格朗日系数以及相应的类别，k()表示核函数，b表示对应的截距。