CN103942445B - 一种健身跑运动方案生成方法 - Google Patents

Abstract

本发明涉及一种健身跑运动方案生成方法，包括以下步骤：S1. 采集运动者健身跑过程中的速度和心率数据；S2. 基于步骤S1采集的速度和心率数据，运用遗传算法对运动者的健身跑运动模型进行参数整定，建立运动者的健身跑运动模型；S3. 基于步骤S2建立的健身跑运动模型，以及给定运动时间和安全有效心率区间参数，以在给定运动时间的健身跑过程中，心率落在安全有效心率区间内的时长最长为优化目标，建立运动者的健身跑最优运动方案。该方法可以为运动者建立个性化的健身跑最优运动方案，从而为指导运动者进行安全、有效的健身跑提供了有用的技术手段。

Description

一种健身跑运动方案生成方法

技术领域

本发明涉及健身跑运动优化技术领域，特别是一种健身跑运动方案生成方法。

背景技术

健身跑是一种最为普及的健身和体疗方法，健身跑运动过程建模、优化等相关课题一直是学者们的研究热点。但是，目前定量研案健身跑方面的成果还比较少。Cheng(2008)和Scalzi(2012)提出了健身跑的运动过程模型，在此基础上，Scalzi(2013)等还给出自动生成最优跑步方案的方法。然而Cheng和Scalzi模型中的参数只是针对23–38岁的英国人，Scalzi等人的最优方案也只能用于赛跑的情景，即在指定运动距离下，得到最短时间。这些成果难以直接用于指导健身跑的教学和平时锻炼，这使得健身跑的体育教学和平时锻炼缺乏有效的技术手段和工具。

发明内容

本发明的目的在于提供一种健身跑运动方案生成方法，该方法可以为运动者建立个性化的健身跑最优运动方案，从而为指导运动者进行安全、有效的健身跑提供了有用的技术手段。

为实现上述目的，本发明的技术方案是：一种健身跑运动方案生成方法，包括以下步骤：

S1. 采集运动者健身跑过程中的速度和心率数据；

S2. 基于步骤S1采集的速度和心率数据，运用遗传算法对运动者的健身跑运动模型进行参数整定，建立运动者的健身跑运动模型；

S3. 基于步骤S2建立的健身跑运动模型，以及给定运动时间和安全有效心率区间参数，以在给定运动时间的健身跑过程中，心率落在安全有效心率区间内的时长最长为优化目标，建立运动者的健身跑最优运动方案。

进一步的，在步骤S2中，对于如式(1)的健身跑运动模型：

(1)

其中，x ₁(t)、x ₂(t)和u(t)分别表示运动者t时刻较0时刻的心率增量、t时刻较0时刻的疲劳程度增量和t时刻的速度，、分别表示x ₁(t)、x ₂(t)的微分，a ₁、a ₂、a ₃、a ₄和a ₅为5个待估参数；按如下步骤建立运动者的健身跑运动模型：

S201. 种群初始化：设置种群规模、交叉概率、变异概率、最大进化代数，随机生成初始种群P(t)，t=0，其中初始化参数a ₁、a ₂、a ₃、a ₄和a ₅，个体编码采用实数编码，编码长度为5；

S202. 适应度计算：以心率的估计值与实测值的残差平方和作为适应度函数，根据式(1)和采集的速度实测值u(t)，计算心率估计值x ₁(t)，将计算结果和采集的心率实测值输入适应度函数，计算各个体的适应度；

S203. 采用整体算术杂交算子对种群进行交叉操作，然后采用自适应变异算子对种群进行变异操作，再采用带精英保留策略的轮盘赌方法选择下一代种群；

S204. 判断是否满足终止条件：最优个体的适应度达到给定的阈值，或者经过多次迭代后最优个体的适应度不再发生变化，或者迭代次数达到最大进化代数，是则输出最优个体的优化结果，计算结束，否则基于步骤S203得到的下一代种群，返回步骤S202进行下一次迭代；

将求得的参数a ₁、a ₂、a ₃、a ₄和a ₅的值代入式(1)，得到运动者的健身跑运动模型。

进一步的，在步骤S3中，基于步骤S2建立的健身跑运动模型，将求解运动者的健身跑最优运动方案抽象为一个带约束的优化问题：在给定运动时间Ts和采样周样T下，在速度值u(t)中找出最优的速度值u*(t)，使其满足健身跑过程中心率不超过预设的最大值V _max，且心率达到安全有效心率区间[a, b]的次数N(t)最多；u(t)和N(t)的定义如式(2)和式(3)：

(2)

(3)

其中，表示对T _S 除于T的值向下取整，对应T _S 时间内的采样次数，s _i (t)表示在第i个采样周期内其速度值为1，而在其它采样周期内其速度值为0；c _i 为待估参数，i=1,2,…,；按如下步骤估计个参数c _i 的值：

S301. 种群初始化：设置种群规模、交叉概率、变异概率、最大进化代数，随机生成初始种群Q(t)，t=0，初始化参数，个体编码采用实数编码，编码长度为；

S302. 适应度计算：以式(3)作为适应度函数，首先估计速度值u(t)，然后将该值代入健身跑运动模型，得到心率值x ₁(t)，最后将计算结果输入适应度函数，计算各个体的适应度，对于x ₁(t)的值超过V _max的个体，将其适应度赋值为0；

S303. 采用整体算术杂交算子对种群进行交叉操作，然后采用自适应变异算子对种群进行变异操作，再采用带精英保留策略的轮盘赌方法选择下一代种群；

S304. 判断是否满足终止条件：最优个体的适应度达到给定的阈值，或者经过多次迭代后最优个体的适应度不再发生变化，或者迭代次数达到最大进化代数，是则输出最优个体的优化结果，计算结束，否则基于步骤S303得到的下一代种群，返回步骤S302进行下一次迭代；

将求得的参数的值代入式(2)，得到运动者的健身跑最优运动方案。

本发明的有益效果是：

（1）本发明基于运动者健身跑运动过程采集的速度与心率数据，构建了健身跑的个性化运动过程模型，从而准确刻画健身跑运动过程中个体的各种生理反映与其心率及速度之间的非线性关系，为制订个性化的健身跑运动方案奠定基础。

（2）本发明基于健身跑的个性化运动过程模型，并在指定运动时间和保障安全有效运动的条件下，建立了运动者的健身跑最优运动方案，该最优运动方案可以指导运动者进行科学、安全和有效的健身跑运动，对于体质和心理健康将起着积极促进作用，具有较好的应用和推广价值。

附图说明

图1是本发明实施例的实现流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步说明。

本发明的健身跑运动方案生成方法，如图1所示，包括以下步骤：

S1. 采集运动者在健身跑运动过程中的速度和心率数据。

S2. 基于步骤S1采集的速度和心率数据，运用遗传算法对Cheng和Scalzi等定义的健身跑运动模型进行参数整定，建立运动者的健身跑运动模型。具体为：

对于如式(1)的Cheng和Scalzi定义的健身跑运动模型（微分方程组）：

(1)

其中，x ₁(t)、x ₂(t)和u(t)分别表示运动者t时刻较0时刻（平静状态下）的心率增量、t时刻较0时刻的疲劳程度增量（模拟复杂的生理过程）和t时刻的速度，、分别表示x ₁(t)、x ₂(t)的微分，a ₁、a ₂、a ₃、a ₄和a ₅为5个待估参数；具体按如下步骤建立运动者的健身跑运动模型：

S201. 种群初始化：设置种群规模、交叉概率、变异概率、最大进化代数，随机生成初始种群P(t)，t=0，其中初始化参数a ₁、a ₂、a ₃、a ₄和a ₅，个体编码采用实数编码，编码长度为5；

S202. 适应度计算：以心率的估计值与实测值的残差平方和作为适应度函数（适应值越小，个体越优），根据式(1)和采集的速度实测值u(t)，采用四阶龙格-库塔法计算心率估计值x ₁(t)，将计算结果和采集的心率实测值输入适应度函数，计算各个体的适应度；

S203. 采用整体算术杂交算子对种群进行交叉操作，然后采用自适应变异算子对种群进行变异操作，再采用带精英保留策略的轮盘赌方法选择下一代种群；

S204. 判断是否满足终止条件：最优个体的适应度达到给定的阈值，或者经过多次迭代后最优个体的适应度不再发生变化，或者迭代次数达到最大进化代数，是则输出最优个体的优化结果，计算结束，否则基于步骤S203得到的下一代种群，返回步骤S202进行下一次迭代；

将求得的参数a ₁、a ₂、a ₃、a ₄和a ₅的值代入式(1)，得到运动者的健身跑运动模型。

S3. 基于步骤S2建立的健身跑运动模型，以及给定运动时间和安全有效心率区间参数，以在给定运动时间的健身跑过程中，心率落在安全有效心率区间内的时长最长为优化目标，建立运动者的健身跑最优运动方案。具体为：

基于步骤S2建立的健身跑运动模型，将求解运动者的健身跑最优运动方案抽象为一个带约束的优化问题：在给定运动时间Ts和采样周样T下，在速度值u(t)中找出最优的速度值u*(t)，使其满足健身跑过程中心率不超过预设的最大值V _max，且心率达到安全有效心率区间[a, b]的次数N(t)最多；u(t)和N(t)的定义如式(2)和式(3)：

(2)

(3)

其中，表示对T _S 除于T的值向下取整，对应T _S 时间内的采样次数，u(t)为分段阶跃函数，它反映了在一段足够小的采样周期中跑步的速度是一个定值，它由一些特殊的分段阶跃函数s _i (t)进行线性组合得到；其中，s _i (t)表示在第i个采样周期内其速度值为1，而在其它采样周期内其速度值为0；c _i 为待估参数，有个参数c _i 需要估计，即i=1,2,…,；具体按如下步骤估计个参数c _i 的值：

S301. 种群初始化：设置种群规模、交叉概率、变异概率、最大进化代数，随机生成初始种群Q(t)，t=0，初始化参数，个体编码采用实数编码，编码长度为；

S302. 适应度计算：以式(3)作为适应度函数（适应值越大，个体越优），首先估计速度值u(t)，然后将该值代入到运动者的健身跑运动模型中，得到心率值x ₁(t)，最后将计算结果输入适应度函数，计算各个体的适应度，对于x ₁(t)的值超过V _max的个体，将其适应度赋值为0；

S303. 采用整体算术杂交算子对种群进行交叉操作，然后采用自适应变异算子对种群进行变异操作，再采用带精英保留策略的轮盘赌方法选择下一代种群；

S304. 判断是否满足终止条件：最优个体的适应度达到给定的阈值，或者经过多次迭代后最优个体的适应度不再发生变化，或者迭代次数达到最大进化代数，是则输出最优个体的优化结果，计算结束，否则基于步骤S303得到的下一代种群，返回步骤S302进行下一次迭代；

将求得的参数的值代入式(2)，得到运动者的健身跑最优运动方案。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (2)

1.一种健身跑运动方案生成方法，其特征在于，包括以下步骤：

S1.采集运动者健身跑过程中的速度和心率数据；

S2.基于步骤S1采集的速度和心率数据，运用遗传算法对运动者的健身跑运动模型进行参数整定，建立运动者的健身跑运动模型；

S3.基于步骤S2建立的健身跑运动模型，以及给定运动时间和安全有效心率区间参数，以在给定运动时间的健身跑过程中，心率落在安全有效心率区间内的时长最长为优化目标，建立运动者的健身跑最优运动方案；

在步骤S3中，基于步骤S2建立的健身跑运动模型，将求解运动者的健身跑最优运动方案抽象为一个带约束的优化问题：在给定运动时间Ts和采样周样T下，在速度值u(t)中找出最优的速度值u*(t)，使其满足健身跑过程中心率不超过预设的最大值V_max，且心率达到安全有效心率区间[a,b]的次数N(t)最多；u(t)和N(t)的定义如式(2)和式(3)：

其中，表示对T_S除于T的值向下取整，对应T_S时间内的采样次数，s_i(t)表示在第i个采样周期内其速度值为1，而在其它采样周期内其速度值为0；c_i为待估参数，按如下步骤估计个参数c_i的值：

S301.种群初始化：设置种群规模、交叉概率、变异概率、最大进化代数，随机生成初始种群Q(t)，t＝0，初始化参数个体编码采用实数编码，编码长度为

S302.适应度计算：以式(3)作为适应度函数，首先估计速度值u(t)，然后将该值代入健身跑运动模型，得到心率值x₁(t)，最后将计算结果输入适应度函数，计算各个体的适应度，对于x₁(t)的值超过V_max的个体，将其适应度赋值为0；

S303.采用整体算术杂交算子对种群进行交叉操作，然后采用自适应变异算子对种群进行变异操作，再采用带精英保留策略的轮盘赌方法选择下一代种群；

S304.判断是否满足终止条件：最优个体的适应度达到给定的阈值，或者经过多次迭代后最优个体的适应度不再发生变化，或者迭代次数达到最大进化代数，是则输出最优个体的优化结果，计算结束，否则基于步骤S303得到的下一代种群，返回步骤S302进行下一次迭代；

将求得的参数的值代入式(2)，得到运动者的健身跑最优运动方案。

2.根据权利要求1所述的一种健身跑运动方案生成方法，其特征在于，在步骤S2中，对于如式(1)的健身跑运动模型：

$\left\{\begin{array}{c}{x_1}^{\′}\left(t\right)=-a_1{x}_1\left(t\right)+a_2\[x_2\left(t\right)+u^2\left(t\right)\]\\ {x_2}^{\′}\left(t\right)=-a_3{x}_2\left(t\right)+\frac{a_4{x}_1\left(t\right)}{1+\exp \[a_5-x_1\left(t\right)\]}\end{array}\right.---\left(1\right)$

其中，x₁(t)、x₂(t)和u(t)分别表示运动者t时刻较0时刻的心率增量、t时刻较0时刻的疲劳程度增量和t时刻的速度，x₁′(t)、x₂′(t)分别表示x₁(t)、x₂(t)的微分，a₁、a₂、a₃、a₄和a₅为5个待估参数；按如下步骤建立运动者的健身跑运动模型：

S201.种群初始化：设置种群规模、交叉概率、变异概率、最大进化代数，随机生成初始种群P(t)，t＝0，其中初始化参数a₁、a₂、a₃、a₄和a₅，个体编码采用实数编码，编码长度为5；

S202.适应度计算：以心率的估计值与实测值的残差平方和作为适应度函数，根据式(1)和采集的速度实测值u(t)，计算心率估计值x₁(t)，将计算结果和采集的心率实测值输入适应度函数，计算各个体的适应度；

S203.采用整体算术杂交算子对种群进行交叉操作，然后采用自适应变异算子对种群进行变异操作，再采用带精英保留策略的轮盘赌方法选择下一代种群；

S204.判断是否满足终止条件：最优个体的适应度达到给定的阈值，或者经过多次迭代后最优个体的适应度不再发生变化，或者迭代次数达到最大进化代数，是则输出最优个体的优化结果，计算结束，否则基于步骤S203得到的下一代种群，返回步骤S202进行下一次迭代；

将求得的参数a₁、a₂、a₃、a₄和a₅的值代入式(1)，得到运动者的健身跑运动模型。