CN105286842B - 一种基于加速度传感器预测运动过程心率的方法及装置 - Google Patents

Abstract

本发明提供一种基于加速度传感器预测运动过程心率的方法及装置，所述基于加速度传感器预测运动过程心率的方法包括以下步骤：步骤S1，通过加速度传感器采集并计算受测对象在运动过程中所产生的加速度矢量；步骤S2，通过分析加速度矢量值在时间轴上的变化，计算受测对象在运动过程中能耗的变化，建立加速度矢量和能耗之间的关系模型；步骤S3，采集受测对象的基础信息，计算得到其基础代谢率、最大心率、最大心率下的摄氧量以及能耗；步骤S4，建立受测对象运动过程中心率和能耗之间的关系模型，实现运动过程中针对该受测对象心率的预测。本发明通过加速度传感器就能预测运动过程受测对象的心率，简单易操作，测量精度能够满足训练要求。

Description

一种基于加速度传感器预测运动过程心率的方法及装置

技术领域

本发明涉及一种加速度传感器测心率的方法，尤其涉及一种基于加速度传感器预测运动过程心率的方法，并涉及采用了该基于加速度传感器预测运动过程心率的方法的装置。

背景技术

人体运动能耗和心率的监测在很多领域具有重要意义，在医学、运动训练和日常生活中应用广泛；在医学上传统的心率测量方法依靠心电图进行图像的处理，在运动训练中也需要专业的仪器和操作，无法满足便携、灵活和易操作的要求；现有技术中，也存在较多通过加速度传感器对心率进行测量的方法，但是，这种现有的测量方法仅仅只是起到测量的作用而已，并不能够做到对受测对象在运动过程中进行心率预测的功能，而这个功能恰恰是监测人体健康，进行危险预判断的重要指标，尤其是针对老人等特殊群体，对受测对象在运动过程中进行心率预测的功能显得尤其重要。

发明内容

本发明所要解决的技术问题是需要提供一种通过加速度传感器就可以预测运动过程受测对象的心率的方法，并提供采用了该基于加速度传感器预测运动过程心率的方法的装置。

对此，本发明提供一种基于加速度传感器预测运动过程心率的方法，包括以下步骤：

步骤S1，通过加速度传感器采集受测对象在运动过程中的加速度矢量，计算受测对象在运动过程中所产生的合加速度；

步骤S2，通过分析合加速度在时间轴上的变化，计算受测对象在运动过程中能耗的变化，建立合加速度和能耗之间的关系模型；

步骤S3，采集受测对象的基础信息，通过计算得到受测对象的基础代谢率、最大心率、最大心率下的摄氧量以及最大心率下的能耗；

步骤S4，建立受测对象运动过程中心率和能耗之间的关系模型，所述能耗包括根据加速度变化所计算出的运动过程的能耗x与最大心率下的能耗x_max，利用能耗的变化计算心率的变化，实现运动过程中针对该受测对象心率的预测。

本发明的进一步改进在于，所述步骤S1为通过多轴加速度传感器采集受测对象在运动过程中所产生的电压信号进而得到多轴加速度传感器在各个方向上的加速度矢量，通过各个方向的加速度矢量计算得到合加速度。

本发明的进一步改进在于，所述步骤S1包括以下子步骤：

步骤S101，通过n轴加速度传感器获取t₂时刻下，受测对象在n个方向上的加速度矢量并计算出在t₂时刻的合加速度

步骤S102，通过n轴加速度传感器获取t₁时刻下，受测对象在n个方向上的加速度矢量并计算出在t₁时刻的合加速度

本发明的进一步改进在于，所述步骤S2包括以下子步骤：

步骤S201，令t₂>t₁，根据t₁时刻到t₂时刻中合加速度从变换为进而建立合加速度和能耗变化量之间的关系模型为：其中，k₁为取值范围为0.005～0.010的常系数；Δx为从t₁时刻到t₂时刻里受测对象在运动过程中的能耗变化量；

步骤S202，采集受测对象在t₁时刻的能耗x₀，进而得到受测对象在t₂时刻的能耗x为：

本发明的进一步改进在于，所述k₁的取值为0.007。

本发明的进一步改进在于，所述步骤S3包括以下子步骤：

步骤S301，根据受测对象的性别、体重、身高和年龄，计算出受测对象的基础代谢率BMR；

步骤S302，计算受测对象的最大心率y_max；

步骤S303，测量受测对象在安静时的安静心率y_rest，通过最大心率y_max和安静心率y_rest得到在单位体积最大心率下的摄氧量VO_2max；

步骤S304，通过最大心率下的摄氧量VO_2max获取受测对象在最大心率下的能耗x_max。

本发明的进一步改进在于，所述步骤S301中，男性受测对象的基础代谢率BMR_male为BMR_male＝α₁+α₂*weight+α₃*height+α₄*age；女性受测对象的基础代谢率BMR_female为BMR_female＝β₁+β₂*weight+β₃*height+β₄*age；其中，weight为受测对象的体重，height为受测对象的身高，age为受测对象的年龄，α₁、α₂、α₃、α₄、β₁、β₂、β₃和β₄为预先设置的常系数，所述α₁的取值范围为50～80，所述α₂的取值范围为10～20，所述α₃的取值范围为1～10，所述α₄的取值范围为-10～0，所述β₁的取值范围为500～700，所述β₂的取值范围为5～15，所述β₃的取值范围为0～5，所述β₄的取值范围为-10～0；

所述步骤S302中，通过y_max＝k₂+k₃*age计算受测对象的最大心率y_max，其中，k₂为取值范围为190～220的常系数,k₃为取值范围为0.5～1的常系数；

所述步骤S303，通过最大心率y_max和安静心率y_rest得到在单位体积最大心率下的摄氧量VO_2max为：VO_2max＝k₄*weight*y_max/y_rest，其中，k₄为取值范围为0.01～0.03的常系数；

所述步骤S304中，受测对象在最大心率下的能耗x_max为：x_max＝k₅*VO_2max，其中，k₅为取值范围为19.5～21.5的常系数。

本发明的进一步改进在于，所述步骤S4包括以下子步骤：

步骤S401，建立受测对象运动过程中心率和能耗之间的关系模型为：y＝其中，k₆为取值范围为0.002～0.004的常系数，k₇为取值范围为0.015～0.070的常系数；

步骤S402，通过加速度传感器测量受测对象在运动过程中某一时刻的加速度矢量，然后根据加速度变化计算能耗x与最大心率下的能耗x_max，然后再结合基础代谢率BMR，即可求出该时刻下对应的心率预测值y。

本发明的进一步改进在于，所述步骤S301中，α₁的取值为65，α₂的取值为13.73，α₃的取值为5，α₄的取值为-6.9，β₁的取值为660，β₂的取值9.6，β₃的取值为1.72，β₄的取值为-4.7；所述步骤S302中，k₂的取值为210，k₃的取值为0.7；所述步骤S303中，k₄的取值为0.015；所述步骤S304中，k₅的取值为20.5；所述步骤S401中，k₆的取值为0.0029，k₇的取值为0.035。

本发明还提供一种基于加速度传感器预测运动过程心率的装置，采用了如上所述的基于加速度传感器预测运动过程心率的方法。

与现有技术相比，本发明的有益效果在于：通过加速度传感器就能预测运动过程受测对象的心率，简单易操作，测量精度能够满足训练要求；更为具体的，本发明提出了采用加速度传感器实现对受测对象在运动过程的预测心率的方法，解决了传统心率测量方法要求专业的操作、设备且不能便携等难题，拓展了心率预测在运动训练和健康监测等多个领域的应用和普及，本发明仅利用加速度传感器就可以预测受测对象在运动过程中的心率，简单易操作，测量精度满足普通的体能训练要求，尤其是对于老人或是有心率健康问题的特殊人群，意义更加重大。

附图说明

图1是本发明一种实施例的工作流程结构示意图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明：

实施例1：

如图1所示，本例提供一种基于加速度传感器预测运动过程心率的方法，包括以下步骤：

步骤S1，通过加速度传感器采集受测对象在运动过程中的加速度矢量，计算受测对象在运动过程所产生的合加速度；

步骤S2，通过分析合加速度在时间轴上的变化，计算受测对象在运动过程中能耗的变化，建立合加速度和能耗之间的关系模型；

步骤S3，采集受测对象的基础信息，通过计算得到受测对象的基础代谢率、最大心率、最大心率下的摄氧量以及最大心率下的能耗；

步骤S4，建立受测对象运动过程中心率和能耗之间的关系模型，所述能耗包括根据加速度变化所计算出的运动过程的能耗x与最大心率下的能耗x_max，利用能耗的变化计算心率的变化，实现运动过程中针对该受测对象心率的预测。

本例通过加速度传感器依据人体耗氧量和基础代谢率计算运动过程中对象的心率值，所使用的加速度传感器可以感应并采集对象在运动过程中产生的加速度矢量，所述加速度传感器主要包括压电式加速度传感器、压阻式加速度传感器以及基于其他采集原理与方式的加速度传感器，如单轴型加速度传感器、多轴型加速度传感器、角加速度型传感器和地磁复合型传感器，然后对加速度合矢量进行计算，采集及计算的结果作为运动过程中的加速度基础数据，该加速度基础数据采集与计算可以采用实时采集数据、平均数据、间接离散采集数据以及连续采集数据或更多其他方式来实现。

本例利用可测量的、已知的受测对象的基础信息，所述受测对象的基础信息包括安静心率、性别、年龄、身高和体重，所述安静心率为受测对象在安静状态下的心率，进而计算出不同个体的最大心率、最大心率下的耗氧量和基础代谢率，再利用最大心率下的耗氧量求出在最大心率下的能耗，所述能耗为能量消耗量。在运动过程中，受测对象的加速度矢量发生变化，记录在一定时间后加速度的值，计算出在这段时间里，加速度的变化引起的能量消耗量的变化，加上起始时刻的能耗就是经过这段时间后新的能耗；将最大心率下的能耗和当前计算出的新的能耗以及基础代谢率代入到建立的运动过程中心率与能量之间的计算模型，进而能够预测出运动过程中的心率。

具体的，本例所述步骤S1为通过多轴加速度传感器采集受测对象在运动过程中所产生的电压信号进而得到多轴加速度传感器在各个方向上的加速度矢量，通过各个方向的加速度矢量计算得到合加速度。所述各个方向指的是多轴加速度传感器的方向，如三轴加速度传感器则包括前后、水平和垂直共3个方向的加速度矢量。

本例所述步骤S1利用加速度传感器采集受测对象运动过程中产生的电压信号或其他形式的信号，并将运动程度转化成加速度矢量的值表示，由n个方向的加速度矢量计算得到该时刻的合加速度；所述步骤S1包括以下子步骤：

步骤S101，通过n轴加速度传感器获取t₂时刻下，受测对象在n个方向上的加速度矢量并计算出在t₂时刻的合加速度

步骤S102，通过n轴加速度传感器获取t₁时刻下，受测对象在n个方向上的加速度矢量并计算出在t₁时刻的合加速度

本例所述步骤S2由步骤S1得到的加速度合矢量的变化，计算受测对象在运动过程中能耗的变化，建立加速度合矢量和能耗之间的关系模型，求出加速度合矢量的变化之后，对应的新的能耗的值；所述步骤S2包括以下子步骤：

步骤S201，令t₂>t₁，根据t₁时刻到t₂时刻中合加速度从变换为进而建立合加速度和能耗变化量之间的关系模型为：其中，k₁为取值范围为0.005～0.010的常系数，所述k₁的最佳取值为0.007；Δx为从t₁时刻到t₂时刻里受测对象在运动过程中的能耗变化量；

步骤S202，采集受测对象在t₁时刻的能耗x₀，进而得到受测对象在t₂时刻的能耗x为：

本例所述步骤S3根据受测对象的年龄、身高，体重以及性别等基础信息，求出该受测对象的基础代谢率、最大心率和最大心率下的摄氧量以及最大心率下的能耗；所述步骤S3包括以下子步骤：

步骤S301，根据受测对象的性别、体重、身高和年龄，计算出受测对象的基础代谢率BMR；

步骤S302，计算受测对象的最大心率y_max；

步骤S303，测量受测对象在安静时的安静心率y_rest，通过最大心率y_max和安静心率y_rest得到在单位体积最大心率下的摄氧量VO_2max；

步骤S304，通过最大心率下的摄氧量VO_2max获取受测对象在最大心率下的能耗x_max。

本例所述步骤S301中，男性受测对象的基础代谢率BMR_male为BMR_male＝α₁+α₂*weight+α₃*height+α₄*age；女性受测对象的基础代谢率BMR_female为BMR_female＝β₁+β₂*weight+β₃*height+β₄*age；其中，weight为受测对象的体重，height为受测对象的身高，age为受测对象的年龄，α₁、α₂、α₃、α₄、β₁、β₂、β₃和β₄为预先设置的常系数，所述α₁的取值范围为50～80，所述α₂的取值范围为10～20，所述α₃的取值范围为1～10，所述α₄的取值范围为-10～0，所述β₁的取值范围为500～700，所述β₂的取值范围为5～15，所述β₃的取值范围为0～5，所述β₄的取值范围为-10～0；

所述步骤S302中，通过y_max＝k₂+k₃*age计算受测对象的最大心率y_max，其中，k₂为取值范围为190～220的常系数,k₃为取值范围为0.5～1的常系数；

所述步骤S303，通过最大心率y_max和安静心率y_rest得到在单位体积最大心率下的摄氧量VO_2max为：VO_2max＝k₄*weight*y_max/y_rest，其中，k₄为取值范围为0.01～0.03的常系数；

所述步骤S304中，受测对象在最大心率下的能耗x_max为：x_max＝k₅*VO_2max，其中，k₅为取值范围为19.5～21.5的常系数。

本例所述步骤S4建立心率和能耗之间的关系模型，利用能耗的变化预测和计算心率的变化，进而实现对运动过程中受测对象心率的预测功能；所述步骤S4包括以下子步骤：

步骤S401，建立受测对象运动过程中心率和能耗之间的关系模型为：y＝其中，k₆为取值范围为0.002～0.004的常系数，k₇为取值范围为0.015～0.070的常系数；

步骤S402，通过加速度传感器测量受测对象在运动过程中某一时刻的加速度矢量，然后根据加速度变化计算能耗x与最大心率下的能耗x_max，然后再结合基础代谢率BMR，即可求出该时刻下对应的心率预测值y。所述某一时刻即为想要知道受测对象心率的时刻，这个根据用户的需求进行设置，通过该时刻下在各个方向的加速度矢量，并能够求出其加速度合矢量，结合能耗的值，就能够计算得到该时刻下

通过发明人的研究证明，本例所述步骤S301中，α₁的最佳取值为65，α₂的最佳取值为13.73，α₃的最佳取值为5，α₄的最佳取值为-6.9，β₁的最佳取值为660，β₂的最佳取值9.6，β₃的最佳取值为1.72，β₄的最佳取值为-4.7；所述步骤S302中，k₂的最佳取值为210，k₃的最佳取值为0.7；所述步骤S303中，k₄的最佳取值为0.015；所述步骤S304中，k₅的最佳取值为20.5；所述步骤S401中，k₆的最佳取值为0.0029，k₇的最佳取值为0.035。

值得一提的是，本例所述的基于加速度传感器预测运动过程心率的方法针对每一个受测对象都有一一对应的数据，这些数据是支持每一个受测对象的具有自身独特性的数据，因此，最终计算出来的心率预测值y也是与每一个受测对象一一对应的，这个心率预测值y与该受测对象的基础数据相关，即与该受测对象的安静心率、性别、年龄、身高、体重和历史采集数据都有相关性，因此，非常具备参考价值。

本例提出了采用加速度传感器实现对受测对象在运动过程的预测心率的方法，解决了传统心率测量方法要求专业的操作、设备且不能便携等难题，拓展了心率预测在运动训练和健康监测等多个领域的应用和普及，本发明仅利用加速度传感器就可以预测受测对象在运动过程中的心率，简单易操作，测量精度满足普通训练要求，尤其是对于老人或是有心率健康问题的特殊人群，意义更加重大。

实施例2：

在实施例1的基础上，本例进行了实际的模拟测试，测试基于三轴加速度传感器预测运动过程心率的方法，包括以下步骤：

步骤A，三轴加速度传感器感应受测对象在前后、水平和垂直三个方向产生的加速度信号，及测量X、Y和Z三个方向上的加速度矢量，并计对应该时刻下的加速度合矢量。

步骤B，建立加速度合矢量在时间轴上变化量和能耗之间的关系模型 求出能耗的变化量，进而求出新的能耗的值，所述系数k₁的取值范围为0.005、0.007和0.010中的任意一个。

步骤C，根据受测对象的性别、体重、身高和年龄，计算出受测人体的基础代谢率BMR，其中，男士的基础代谢率方法BMR_male＝α₁+α₂*weight+α₃*height+α₄*age，系数为α₁，α₂，α₃，α₄，女士的基础代谢率方法BMR_female＝β₁+β₂*weight+β₃*height+β₄*age，系数为β₁，β₂，β₃，β₄；α₁的最佳取值为65，α₂的最佳取值为13.73，α₃的最佳取值为5，α₄的最佳取值为-6.9；β₁的最佳取值为660，β₂的最佳取值为9.6，β₃的最佳取值为1.72，β₄的最佳取值为-4.7。

步骤D，通过公式y_max＝k₂+k₃*age求出最大心率y_max，k₂,k₃均是常数。k₂的取值范围为[190,220],k₃的取值范围为[0.5,1],k₂的最佳取值为210，k₃的最佳取值为0.7。并利用测量得到的安静心率y_rest，计算最大心率下耗氧量VO_2max＝k₄*weight*y_max/y_rest。最大心率下耗氧量的计算方法中选取的系数为k₄。k₄的取值范围为[0.01,0.03]，k₄的最佳取值为0.015。

步骤E，通过最大心率的耗氧量VO_2max计算出最大心率下的能耗x_max，计算最大心率下的能耗x_max的方法x_max＝k₅*VO_2max，系数为k₅。k₅的取值范围为[19.5,21.5]，k₅的最佳取值为20.5。

步骤F，建立运动过程中，受测对象的心率和能耗之间的关系模型为：该关系模型中涉及到最大心率下的能耗x_max和基础代谢率BMR等可以通过前面的步骤计算得到，而系数k₆的取值范围为[0.002,0.004]，系数k₇的取值范围为[0.015,0.070]，k₆的最佳取值为0.0029，k₇的最佳取值为0.035。

步骤G，将加速度传感器计测出的加速度合矢量，转化为最大心率下的能耗x_max，代入运动过程中受测对象的心率和能耗之间的关系模型，即代入步骤F中的关系模块就可以得到心率的预测值y。

实施例3：

本发明还提供一种基于加速度传感器预测运动过程心率的装置，所述基于加速度传感器预测运动过程心率的装置采用了如实施例1或实施例2所述的基于加速度传感器预测运动过程心率的方法。

优选的，本例所述基于加速度传感器预测运动过程心率的装置为手表，当老人或是有心率健康问题的特殊人群带上本发明所述的基于加速度传感器预测运动过程心率的装置时，通过一定时间的数据统计和分析，便能够在运动过程中实现心率的预测，意义非常重大。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于加速度传感器预测运动过程心率的方法，其特征在于，包括以下步骤：

步骤S1，通过加速度传感器采集受测对象在运动过程中的加速度矢量，计算受测对象在运动过程中所产生的合加速度；

步骤S2，通过分析合加速度在时间轴上的变化，计算受测对象在运动过程中能耗的变化，建立合加速度和能耗之间的关系模型；

步骤S3，采集受测对象的基础信息，通过计算得到受测对象的基础代谢率、最大心率、最大心率下的摄氧量以及最大心率下的能耗；

步骤S4，建立受测对象运动过程中心率和能耗之间的关系模型，所述能耗包括根据加速度变化所计算出的运动过程的能耗x与最大心率下的能耗x_max，利用能耗的变化计算心率的变化，实现运动过程中针对该受测对象心率的预测。

2.根据权利要求1所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S1为通过多轴加速度传感器采集受测对象在运动过程中所产生的电压信号进而得到多轴加速度传感器在各个方向上的加速度矢量，通过各个方向的加速度矢量计算得到合加速度。

3.根据权利要求1所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S1包括以下子步骤：

步骤S101，通过n轴加速度传感器获取t₂时刻下，受测对象在n个方向上的加速度矢量并计算出在t₂时刻的合加速度 <mrow> <msub> <mi>a</mi> <msub> <mi>t</mi> <mn>2</mn> </msub> </msub> <mo>=</mo> <msqrt> <mrow> <mo>(</mo> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>3</mn> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <mn>......</mn> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mn>2</mn> </msup> <mo>)</mo> <mo>/</mo> <mi>n</mi> </mrow> </msqrt> <mo>;</mo> </mrow>

步骤S102，通过n轴加速度传感器获取t₁时刻下，受测对象在n个方向上的加速度矢量并计算出在t₁时刻的合加速度 <mrow> <msub> <mi>a</mi> <msub> <mi>t</mi> <mn>1</mn> </msub> </msub> <mo>=</mo> <msqrt> <mrow> <mo>(</mo> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>,</mo> <mn>3</mn> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <mn>......</mn> <msup> <msub> <mi>a</mi> <mrow> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mn>2</mn> </msup> <mo>)</mo> <mo>/</mo> <mi>n</mi> </mrow> </msqrt> <mo>.</mo> </mrow>

4.根据权利要求3所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S201，令t₂>t₁，根据t₁时刻到t₂时刻中合加速度从变换为进而建立合加速度和能耗变化量之间的关系模型为：其中，k₁为取值范围为0.005～0.010的常系数；Δx为从t₁时刻到t₂时刻里受测对象在运动过程中的能耗变化量；

步骤S202，采集受测对象在t₁时刻的能耗x₀，进而得到受测对象在t₂时刻的能耗x为：

5.根据权利要求4所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述k₁的取值为0.007。

6.根据权利要求1至5任意一项所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S301，根据受测对象的性别、体重、身高和年龄，计算出受测对象的基础代谢率BMR；

步骤S302，计算受测对象的最大心率y_max；

步骤S303，测量受测对象在安静时的安静心率y_rest，通过最大心率y_max和安静心率y_rest得到在单位体积最大心率下的摄氧量VO_2max；

步骤S304，通过最大心率下的摄氧量VO_2max获取受测对象在最大心率下的能耗x_max。

7.根据权利要6所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S301中，男性受测对象的基础代谢率BMR_male为BMR_male＝α₁+α₂*weight+α₃*height+α₄*age；女性受测对象的基础代谢率BMR_female为BMR_female＝β₁+β₂*weight+β₃*height+β₄*age；其中，weight为受测对象的体重，height为受测对象的身高，age为受测对象的年龄，α₁、α₂、α₃、α₄、β₁、β₂、β₃和β₄为预先设置的常系数，所述α₁的取值范围为50～80，所述α₂的取值范围为10～20，所述α₃的取值范围为1～10，所述α₄的取值范围为-10～0，所述β₁的取值范围为500～700，所述β₂的取值范围为5～15，所述β₃的取值范围为0～5，所述β₄的取值范围为-10～0；

所述步骤S302中，通过y_max＝k₂+k₃*age计算受测对象的最大心率y_max，其中，k₂为取值范围为190～220的常系数,k₃为取值范围为0.5～1的常系数；

所述步骤S303，通过最大心率y_max和安静心率y_rest得到在单位体积最大心率下的摄氧量VO_2max为：VO_2max＝k₄*weight*y_max/y_rest，其中，k₄为取值范围为0.01～0.03的常系数；

所述步骤S304中，受测对象在最大心率下的能耗x_max为：x_max＝k₅*VO_2max，其中，k₅为取值范围为19.5～21.5的常系数。

8.根据权利要求7所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S4包括以下子步骤：

步骤S401，建立受测对象运动过程中心率和能耗之间的关系模型为：y＝[ln(x_max/(k₆*BMR)-1)-ln(x_max/x-1)]/k₇，其中，k₆为取值范围为0.002～0.004的常系数，k₇为取值范围为0.015～0.070的常系数；

步骤S402，通过加速度传感器测量受测对象在运动过程中某一时刻的加速度矢量，然后根据加速度变化计算能耗x与最大心率下的能耗x_max，然后再结合基础代谢率BMR，即可求出该时刻下对应的心率预测值y。

9.根据权利要求8所述的基于加速度传感器预测运动过程心率的方法，其特征在于，所述步骤S301中，α₁的取值为65，α₂的取值为13.73，α₃的取值为5，α₄的取值为-6.9，β₁的取值为660，β₂的取值9.6，β₃的取值为1.72，β₄的取值为-4.7；所述步骤S302中，k₂的取值为210，k₃的取值为0.7；所述步骤S303中，k₄的取值为0.015；所述步骤S304中，k₅的取值为20.5；所述步骤S401中，k₆的取值为0.0029，k₇的取值为0.035。

10.一种基于加速度传感器预测运动过程心率的装置，其特征在于，采用了如权利要求1至9任意一项所述的基于加速度传感器预测运动过程心率的方法。