CN105467826A - 一种运动智能手表和最佳跑速获取方法 - Google Patents

Abstract

本发明提供了一种运动智能手表和最佳跑速获取方法，集跑步状态检测、分析、反馈为一体的智能手表，能够为广大跑步爱好者提供最实时的跑步建议。智能手表可以通过手表上的传感器获取人体的心率数据、当前跑速、能量消耗数据、风速等信息，再通过两个不同的跑速计算模型计算两个最优跑速，在最优跑速的计算中用遗传算法和BFGS算法进行寻优，提高模型计算精确度。最后对两个最优跑速加权处理获得最终的最佳跑速。本发明最佳跑速的计算通过两个跑速计算模型，并根据加权处理获得最终结果更具客观性，其中增加了遗传算法和BFGS算法进行寻优，增强了运动智能手表中心处理器的计算精确度。

Description

一种运动智能手表和最佳跑速获取方法

技术领域

本发明涉及智能手表技术领域，具体地，涉及一种基于遗传算法的运动智能手表和最佳跑速获取方法。

背景技术

近年来周边开始跑步的用户数量越来越多，网络社交圈里经常有人晒跑步照片，还用软件记录自己跑步的路线和运动量。跑步也逐渐成为朋友聚会时的热门话题，马拉松比赛也在国内风行一时。但是随着跑步参与群体的扩散，各个年龄阶层的人开始加入，很多人却不知道或不是清楚地知道适合自己的训练强度，时常会有运动过度而引发的问题。一般普遍认知中，人们都认为运动时间越久越好，跑步速度越快越好，跑步长度越长运动效果越嘉，实际上在这样的错误认知下导致的运动过度使得原本追求健康的运动行为反而变成了健康风险的隐形杀手。运动过度容易对心肺功能和肌肉造成伤害，增加心脏疾病和运动伤害的风险。

现在市面上用于监测运动状态的智能手表虽然已经存在，但很多产品仅仅是监测运动员的心率、卡路里消耗等状态，缺少对用户的运动强度建议的功能。因此，及时拥有智能手表，用户也只是知道自己的运动量，却不知道这样的运动量是否适合自己当前的身体状态。

因此，亟需提供一种集跑步状态检测、分析、反馈为一体的智能手表，能够为广大跑步爱好者提供最实时的跑步建议。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种运动智能手表和最佳跑速获取方法，集跑步状态检测、分析、反馈为一体，能够为广大跑步爱好者提供最实时的跑步建议。

根据本发明提供的一种运动智能手表，包括：传感器模块和中心处理器；

所述传感器模块用于：感测获取感测数据后传输给所述中心处理器；

所述中心处理器用于：根据预设数据和所述感测数据以第一跑速计算模型f_a(c,y)计算第一最优跑速，根据预设数据和所述感测数据以第二跑速计算模型f_b(c,y)计算第二最优跑速，对所述第一最优跑速和第二最优跑速加权处理获取最佳跑速。

作为一种优化方案，所述中心处理器用于：

根据所述第一跑速计算模型f_a(c,y)和第二跑速计算模型f_b(c,y)分别获得一包含有若干极值点的极值点集合；

对两个所述极值点集合中的极值点分别寻优获取第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)；

所述最佳跑速为v_run＝Q₁f_a(c_abest,y_abest)+Q₂f_b(c_bbest,y_bbest)+v_wind,所述v_wind为风速，所述感测数据包括所述风速v_wind,其中，所述Q₁为第一跑速计算模型的权重，所述Q₂为第二跑速计算模型的权重。

作为一种优化方案，所述中心处理器对所述极值点集合中的极值点寻优获取最优极值点(x_abest,y_abest)、(x_bbest,y_bbest)的过程具体包括：

步骤1，种群初始化获得两个所述极值点集合(f_a(c_a1,y_a1),f_a(c_a2,y_a2),…,f_a(c_an,y_an))、(f_b(c_b1,y_b1),f_b(c_b2,y_b2),…,f_b(c_bn,y_bn))，每个极值点为一个个体，根据适应度函数f_i'＝f_max-f_i计算个体适应度值f_i',f_i是第i个个体对应的目标函数值，f_max为当前种群成员的最大目标函数值，i＝1,2,…,n,n为预设种群规模；

步骤2，按GOLDBERG线性比例变换将进行拉伸后获得f_i”＝sf_i'+l,所述s和l为拉伸常数；

步骤3，根据预设比例选择算子进行遗传算法中的选择操作；

步骤4，按照预设的交叉概率对步骤3获得的种群进行遗传算法中的交叉操作；

步骤5，按照预设的变异概率对步骤4获得的种群进行遗传算法中的变异操作；

步骤6，对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代，完成一次迭代；

步骤7，计算所述子代中个体的适应度值，保存适应度值最低的个体，

步骤8，判断迭代次数是否达到预设代数，

若未达到，则返回步骤3，

若已达到，则选出适应度值最低的个体作为所述第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)。

作为一种优化方案，所述第一跑速计算模型和第二跑速计算模型分别为：

$f_a(c,y)=\frac{\[ln(\frac{c}{y}-1)-a\]}{x},$

$f_b(c,y)=\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)x+i)\right\}*\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)y+i)\right\}+0.5*\[{(x+1.4251)}^2+{(y+0.8003)}^2\]$

其中，y表示能量消耗数据，x表示目标心率(单位：次/min)，c＝体重*运动时间*指数z，指数z＝30/跑速，a为运动常数，i为爬坡角度或下坡角度；

所述感测数据包括跑速、能量消耗数据、爬坡角度或下坡角度；

所述预设数据包括目标心率、体重、运动时间。

作为一种优化方案，步骤6所述中心处理器对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代的过程具体包括：

步骤61，初始化c^o，变量维数2、BFGS方法精度ε＝0.5，构造正定矩阵B₀＝I， $I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ k＝0，计算f_·(c,y)在c^o处的梯度g_o，其中，所述f_·(c,y)表示f_a(c,y)和f_b(c,y)；

步骤62，取按照预设搜索步长α^k沿S^k作一维搜索，获得新点，其中c^k+1＝c^k+α^kS^k，本步骤中为此处为BFGS方法求解无约束优化问题的表示方法,为表达式；

步骤63，计算c^k+1处点的梯度g_k+1，判断是否满足结束条件||g_k+1||≤ε，

若满足则获得子代c^*B＝c^k+1,f^*B＝f(c^k+1)，BFGS搜索结束，

若不满足则进入步骤64；

步骤64，计算 $B_{k+1}=(1+\frac{{\mathrm{\γ}}_k^t{B}_k{\mathrm{\γ}}_k}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k})\frac{{\mathrm{\δ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k}-\frac{{\mathrm{\δ}}_k{\mathrm{\γ}}_k^t{B}_k+B_k{\mathrm{\γ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k},$ 其中，δ_k＝x^k+1-x^k，γ_k＝g^k+1-g^k；

步骤65，k增加1，返回步骤62。

作为一种优化方案，所述预设数据包括目标心率x，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2；所述中心处理器用于：在处于体弱模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝200，所述权重Q为0，所述常数Z2为60％-80％；

在处于普通模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为0，所述常数Z2为60％-80％；

在处于健体模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为1，所述常数Z2为65％-85％。

基于同一发明构思，本发明还提供一种最佳跑速获取方法，包括：

根据预设数据和所述感测数据以第一跑速计算模型f_a(c,y)计算第一最优跑速，

根据预设数据和所述感测数据以第二跑速计算模型f_b(c,y)计算第二最优跑速，

对所述第一最优跑速和第二最优跑速加权处理获取最佳跑速。

作为一种优化方案，所述第一最优跑速和第二最优跑速的计算方法包括：

根据所述第一跑速计算模型f_a(c,y)和第二跑速计算模型f_b(c,y)分别获得一包含有若干极值点的极值点集合；

对两个所述极值点集合中的极值点分别寻优获取第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)；

所述最佳跑速为v_run＝Q₁f_a(c_abest,y_abest)+Q₂f_b(c_bbest,y_bbest)+v_wind,所述v_wind为风速，所述感测数据包括所述风速v_wind,其中，所述Q₁为第一跑速计算模型的权重，所述Q₂为第二跑速计算模型的权重。

作为一种优化方案，对所述极值点集合中的极值点寻优获取最优极值点(x_abest,y_abest)、(x_bbest,y_bbest)的过程具体包括：

步骤1，种群初始化获得两个所述极值点集合(f_a(c_a1,y_a1),f_a(c_a2,y_a2),…,f_a(c_an,y_an))、(f_b(c_b1,y_b1),f_b(c_b2,y_b2),…,f_b(c_bn,y_bn))，每个极值点为一个个体，根据适应度函数f_i'＝f_max-f_i计算个体适应度值f_i',f_i是第i个个体对应的目标函数值，f_max为当前种群成员的最大目标函数值，i＝1,2,…,n,n为预设种群规模；

步骤2，按GOLDBERG线性比例变换将进行拉伸后获得f_i”＝sf_i'+l,所述s和l为拉伸常数；

步骤3，根据预设比例选择算子进行遗传算法中的选择操作；

步骤4，按照预设的交叉概率对步骤3获得的种群进行遗传算法中的交叉操作；

步骤5，按照预设的变异概率对步骤4获得的种群进行遗传算法中的变异操作；

步骤6，对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代，完成一次迭代；

步骤7，计算所述子代中个体的适应度值，保存适应度值最低的个体，

步骤8，判断迭代次数是否达到预设代数，

若未达到，则返回步骤3，

若已达到，则选出适应度值最低的个体作为所述第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)。

作为一种优化方案，所述第一跑速计算模型和第二跑速计算模型分别为：

$f_a(c,y)=\frac{\[ln(\frac{c}{y}-1)-a\]}{x},$

$f_b(c,y)=\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)x+i)\right\}*\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)y+i)\right\}+0.5*\[{(x+1.4251)}^2+{(y+0.8003)}^2\]$

其中，y表示能量消耗数据，x表示目标心率(单位：次/min)，c＝体重*运动时间*指数z，指数z＝30/跑速，a为运动常数，i为爬坡角度或下坡角度；

所述感测数据包括跑速、能量消耗数据、爬坡角度或下坡角度；

所述预设数据包括目标心率、体重、运动时间。

作为一种优化方案，步骤6所述步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代的过程具体包括：

步骤61，初始化c^o，变量维数2、BFGS方法精度ε＝0.5，构造正定矩阵B₀＝I， $I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ k＝0，计算f_·(c,y)在c^o处的梯度g_o，其中，所述f_·(c,y)表示f_a(c,y)和f_b(c,y)；

步骤62，取按照预设搜索步长α^k沿S^k作一维搜索，获得新点，其中c^k+1＝c^k+α^kS^k，本步骤中为此处为BFGS方法求解无约束优化问题的表示方法,为表达式；

步骤63，计算c^k+1处点的梯度g_k+1，判断是否满足结束条件||g_k+1||≤ε，

若满足则获得子代c^*B＝c^k+1,f^*B＝f(c^k+1)，BFGS搜索结束，

若不满足则进入步骤64；

步骤64，计算 $B_{k+1}=(1+\frac{{\mathrm{\γ}}_k^t{B}_k{\mathrm{\γ}}_k}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k})\frac{{\mathrm{\δ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k}-\frac{{\mathrm{\δ}}_k{\mathrm{\γ}}_k^t{B}_k+B_k{\mathrm{\γ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k},$ 其中，δ_k＝x^k+1-x^k，γ_k＝g^k+1-g^k；

步骤65，k增加1，返回步骤62。

作为一种优化方案，所述预设数据包括目标心率x，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2；

在体弱模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝200，所述权重Q为0，所述常数Z2为60％-80％；

在普通模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为0，所述常数Z2为60％-80％；

在健体模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为1，所述常数Z2为65％-85％。

与现有技术相比，本发明具有如下的有益效果：

根据本发明提供的一种运动智能手表，集跑步状态检测、分析、反馈为一体的智能手表，能够为广大跑步爱好者提供最实时的跑步建议。智能手表可以通过手表上的传感器获取人体的心率数据、当前跑速、能量消耗数据、风速等信息，再通过两个不同的跑速计算模型计算两个最优跑速，在最优跑速的计算中用遗传算法和BFGS算法进行寻优，提高模型计算精确度。最后对两个最优跑速加权处理获得最终的最佳跑速。本发明最佳跑速的计算通过两个跑速计算模型，并根据加权处理获得最终结果更具客观性，其中增加了遗传算法和BFGS算法进行寻优，增强了运动智能手表中中心处理器的计算精确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：

图1是可选的一种运动智能手表的数据处理流程示意图；

图2是一种最佳跑速获取方法流程图。

具体实施方式

下文结合附图以具体实施例的方式对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，还可以使用其他的实施例，或者对本文列举的实施例进行结构和功能上的修改，而不会脱离本发明的范围和实质。

在本发明提供的一种运动智能手表的实施例中，如图1所示，包括：传感器模块和中心处理器；

所述传感器模块用于：感测获取感测数据后传输给所述中心处理器；

所述中心处理器用于：根据预设数据和所述感测数据以第一跑速计算模型计算第一最优跑速，根据预设数据和所述感测数据以第二跑速计算模型计算第二最优跑速，对所述第一最优跑速和第二最优跑速加权处理获取最佳跑速。

所述预设数据为用户根据个人身体情况进行的设置。作为一种实施例，所述预设数据包括目标心率x，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2；所述中心处理器用于：在处于体弱模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝200，所述权重Q为0，所述常数Z2为60％-80％。

所述常数Z2为60％～70％则为减脂次级模式；所述常数Z2则为70％～80％为提高心肺功能次级模式，用户通过对所述次级模式的选择可以对常数Z2进行设定。比如用户选定了体弱模式后进入该体弱模式下的减脂次级模式，则所述运动智能手表自动将参数设为：所述常数Z1＝200，所述权重Q为0，所述常数Z2为65％(常数Z2自动默认为65％)。用户也可以手动对常数Z2进行调节，调节范围为减脂次级模式下的60％～80％。

在处于普通模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为0，所述常数Z2为60％-80％。普通模式下所述常数Z2为60％～70％则为减脂次级模式；所述常数Z2为70％～80％则为提高心肺功能次级模式，用户通过对所述次级模式的选择可以对常数Z2进行设定。同理，用户也可以手动对常数Z2进行调节，调节范围为减脂次级模式下的60％-80％。

在处于健体模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为1，所述常数Z2为65％-85％。健体模式下所述常数Z2为65％～75％则为减脂次级模式；所述常数Z2为75％～85％则为提高心肺功能次级模式，用户通过对所述次级模式的选择可以对常数Z2进行设定。同理，用户也可以手动对常数Z2进行调节，调节范围为减脂次级模式下的65％-85％。

用户可以根据自身情况选择在三种模式之一进行运动，运动智能手表将根据模式的不同选择给出不同的跑速建议。由于跑步群体中各年龄层均包含在内，因此多个模式的智能最佳跑速有利于扩大运动智能手表的使用对象范围。

作为一种实施例，所述中心处理器用于：

根据所述第一跑速计算模型f_a(c,y)和第二跑速计算模型f_b(c,y)分别获得一包含有若干极值点的极值点集合；

对两个所述极值点集合中的极值点分别寻优获取第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)；

所述最佳跑速为v_run＝Q₁f_a(c_abest,y_abest)+Q₂f_b(c_bbest,y_bbest)+v_wind,所述v_wind为风速，所述感测数据包括所述风速v_wind,其中，所述Q₁为第一跑速计算模型的权重，所述Q₂为第二跑速计算模型的权重。

通过两个不同跑速计算模型计算出两种最佳跑速、，是从以两个不同的方式获得的计算结果，从而避免了仅以一种方式计算最佳跑速的而引起的主观误差。

作为一种实施例，所述中心处理器对所述极值点集合中的极值点寻优获取最优极值点(x_abest,y_abest)、(x_bbest,y_bbest)的过程具体包括：

步骤1，种群初始化获得两个所述极值点集合(f_a(c_a1,y_a1),f_a(c_a2,y_a2),…,f_a(c_an,y_an))、(f_b(c_b1,y_b1),f_b(c_b2,y_b2),…,f_b(c_bn,y_bn))，每个极值点为一个个体，根据适应度函数f_i'＝f_max-f_i计算个体适应度值f_i',f_i是第i个个体对应的目标函数值，f_max为当前种群成员的最大目标函数值，i＝1,2,…,n,n为预设种群规模；

步骤2，按GOLDBERG线性比例变换将进行拉伸后获得f_i”＝sf_i'+l,所述s和l为拉伸常数；

步骤3，根据预设比例选择算子进行遗传算法中的选择操作；

步骤4，按照预设的交叉概率对步骤3获得的种群进行遗传算法中的交叉操作；

步骤5，按照预设的变异概率对步骤4获得的种群进行遗传算法中的变异操作；

步骤6，对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代，完成一次迭代；

步骤7，计算所述子代中个体的适应度值，保存适应度值最低的个体，

步骤8，判断迭代次数是否达到预设代数，

若未达到，则返回步骤3，

若已达到，则选出适应度值最低的个体作为所述第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)。

本实施例中以遗传算法和BFGS方法结合，从而提高寻优精确度。

作为一种实施例，所述第一跑速计算模型和第二跑速计算模型分别为：

$f_a(c,y)=\frac{\[ln(\frac{c}{y}-1)-a\]}{x},$

$f_b(c,y)=\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)x+i)\right\}*\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)y+i)\right\}+0.5*\[{(x+1.4251)}^2+{(y+0.8003)}^2\]$

其中，y表示能量消耗数据，x表示目标心率(单位：次/min)，c＝体重*运动时间*指数z，指数z＝30/跑速,跑速的单位为：分钟/400米，a为运动常数，i为爬坡角度或下坡角度；

所述感测数据包括跑速、能量消耗数据、爬坡角度或下坡角度；

所述预设数据包括目标心率、体重、运动时间。

作为一种实施例，步骤6所述中心处理器对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代的过程具体包括：

步骤61，初始化c^o，变量维数2、BFGS方法精度ε＝0.5，构造正定矩阵B₀＝I， $I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ k＝0，计算f_·(c,y)在c^o处的梯度g_o，其中，所述f_·(c,y)表示f_a(c,y)和f_b(c,y)；

步骤62，取按照预设搜索步长α^k沿S^k作一维搜索，获得新点，其中c^k+1＝c^k+α^kS^k，本步骤中为此处为BFGS方法求解无约束优化问题的表示方法,为表达式；

步骤63，计算c^k+1处点的梯度g_k+1，判断是否满足结束条件||g_k+1||≤ε，

若满足则获得子代c^*B＝c^k+1,f^*B＝f(c^k+1)，BFGS搜索结束，

若不满足则进入步骤64；

步骤64，计算 $B_{k+1}=(1+\frac{{\mathrm{\γ}}_k^t{B}_k{\mathrm{\γ}}_k}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k})\frac{{\mathrm{\δ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k}-\frac{{\mathrm{\δ}}_k{\mathrm{\γ}}_k^t{B}_k+B_k{\mathrm{\γ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k},$ 其中，δ_k＝x^k+1-x^k，γ_k＝g^k+1-g^k；

步骤65，k增加1，返回步骤62。

根据本发明提供的一种运动智能手表，集跑步状态检测、分析、反馈为一体的智能手表，能够为广大跑步爱好者提供最实时的跑步建议。智能手表可以通过手表上的传感器获取人体的心率数据、当前跑速、能量消耗数据、风速等信息，再通过两个不同的跑速计算模型计算两个最优跑速，在最优跑速的计算中用遗传算法和BFGS算法进行寻优，提高模型计算精确度。最后对两个最优跑速加权处理获得最终的最佳跑速。本发明最佳跑速的计算通过两个跑速计算模型，并根据加权处理获得最终结果更具客观性，其中增加了遗传算法和BFGS算法进行寻优，增强了运动智能手表中中心处理器的计算精确度。

基于同一发明构思，本发明还提供了一种最佳跑速获取方法，如图2所示，包括：

根据预设数据和所述感测数据以第一跑速计算模型f_a(c,y)计算第一最优跑速，

根据预设数据和所述感测数据以第二跑速计算模型f_b(c,y)计算第二最优跑速，

对所述第一最优跑速和第二最优跑速加权处理获取最佳跑速。

其中，所述第一最优跑速和第二最优跑速的计算方法包括：

根据所述第一跑速计算模型f_a(c,y)和第二跑速计算模型f_b(c,y)分别获得一包含有若干极值点的极值点集合；

对两个所述极值点集合中的极值点分别寻优获取第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)；

所述最佳跑速为v_run＝Q₁f_a(c_abest,y_abest)+Q₂f_b(c_bbest,y_bbest)+v_wind,所述v_wind为风速，所述感测数据包括所述风速v_wind,其中，所述Q₁为第一跑速计算模型的权重，所述Q₂为第二跑速计算模型的权重。

对所述极值点集合中的极值点寻优获取最优极值点(x_abest,y_abest)、(x_bbest,y_bbest)的过程具体包括：

步骤1，种群初始化获得两个所述极值点集合(f_a(c_a1,y_a1),f_a(c_a2,y_a2),…,f_a(c_an,y_an))、(f_b(c_b1,y_b1),f_b(c_b2,y_b2),…,f_b(c_bn,y_bn))，每个极值点为一个个体，根据适应度函数f_i'＝f_max-f_i计算个体适应度值f_i',f_i是第i个个体对应的目标函数值，f_max为当前种群成员的最大目标函数值，i＝1,2,…,n,n为预设种群规模；

步骤2，按GOLDBERG线性比例变换将进行拉伸后获得f_i”＝sf_i'+l,所述s和l为拉伸常数；

步骤3，根据预设比例选择算子进行遗传算法中的选择操作；

步骤4，按照预设的交叉概率对步骤3获得的种群进行遗传算法中的交叉操作；

步骤5，按照预设的变异概率对步骤4获得的种群进行遗传算法中的变异操作；

步骤6，对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代，完成一次迭代；

步骤7，计算所述子代中个体的适应度值，保存适应度值最低的个体，

步骤8，判断迭代次数是否达到预设代数，

若未达到，则返回步骤3，

若已达到，则选出适应度值最低的个体作为所述第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)。

所述第一跑速计算模型和第二跑速计算模型分别为：

$f_a(c,y)=\frac{\[ln(\frac{c}{y}-1)-a\]}{x},$

$f_b(c,y)=\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)x+i)\right\}*\left\{\underset{i=1}{\overset{5}{\Σ}}icos\left(\right(i+1)y+i)\right\}+0.5*\[{(x+1.4251)}^2+{(y+0.8003)}^2\]$ 其中，y表示能量消耗数据，x表示目标心率(单位：次/min)，c＝体重*运动时间*指数z，指数z＝30/跑速，a为运动常数,运动常数a取0.3,，i为爬坡角度或下坡角度；

所述感测数据包括跑速、能量消耗数据、爬坡角度或下坡角度；

所述预设数据包括目标心率、体重、运动时间。

步骤6所述步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代的过程具体包括：

步骤61，初始化c^o，变量维数2、BFGS方法精度ε＝0.5，构造正定矩阵B₀＝I， $I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ k＝0，计算f_·(c,y)在c^o处的梯度g_o，其中，所述f_·(c,y)表示f_a(c,y)和f_b(c,y)；

步骤62，取按照预设搜索步长α^k沿S^k作一维搜索，获得新点，其中c^k+1＝c^k+α^kS^k，本步骤中为此处为BFGS方法求解无约束优化问题的表示方法,为表达式；

步骤63，计算c^k+1处点的梯度g_k+1，判断是否满足结束条件||g_k+1||≤ε，

若满足则获得子代c^*B＝c^k+1,f^*B＝f(c^k+1)，BFGS搜索结束，

若不满足则进入步骤64；

步骤64，计算 $B_{k+1}=(1+\frac{{\mathrm{\γ}}_k^t{B}_k{\mathrm{\γ}}_k}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k})\frac{{\mathrm{\δ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k}-\frac{{\mathrm{\δ}}_k{\mathrm{\γ}}_k^t{B}_k+B_k{\mathrm{\γ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k},$ 其中，δ_k＝x^k+1-x^k，γ_k＝g^k+1-g^k；

步骤65，k增加1，返回步骤62。

所述预设数据包括目标心率x，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2；

在体弱模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝200，所述权重Q为0，所述常数Z2为60％-80％；

在普通模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为0，所述常数Z2为60％-80％；

在健体模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为1，所述常数Z2为65％-85％。

以上所述仅为本发明的较佳实施例，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等同替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (12)

1.一种运动智能手表，其特征在于，包括：传感器模块和中心处理器；

所述传感器模块用于：感测获取感测数据后传输给所述中心处理器；

所述中心处理器用于：根据预设数据和所述感测数据以第一跑速计算模型f_a(c,y)计算第一最优跑速，根据预设数据和所述感测数据以第二跑速计算模型f_b(c,y)计算第二最优跑速，对所述第一最优跑速和第二最优跑速加权处理获取最佳跑速。

2.根据权利要求1所述的一种运动智能手表，其特征在于，所述中心处理器用于：

根据所述第一跑速计算模型f_a(c,y)和第二跑速计算模型f_b(c,y)分别获得一包含有若干极值点的极值点集合；

对两个所述极值点集合中的极值点分别寻优获取第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)；

所述最佳跑速为v_run＝Q₁f_a(c_abest,y_abest)+Q₂f_b(c_bbest,y_bbest)+v_wind,所述v_wind为风速，所述感测数据包括所述风速v_wind,其中，所述Q₁为第一跑速计算模型的权重，所述Q₂为第二跑速计算模型的权重。

3.根据权利要求2所述的一种运动智能手表，其特征在于，所述中心处理器对所述极值点集合中的极值点寻优获取最优极值点(x_abest,y_abest)、(x_bbest,y_bbest)的过程具体包括：

步骤1，种群初始化获得两个所述极值点集合(f_a(c_a1,y_a1),f_a(c_a2,y_a2),…,f_a(c_an,y_an))、(f_b(c_b1,y_b1),f_b(c_b2,y_b2),…,f_b(c_bn,y_bn))，每个极值点为一个个体，根据适应度函数f_i'＝f_max-f_i计算个体适应度值f_i',f_i是第i个个体对应的目标函数值，f_max为当前种群成员的最大目标函数值，i＝1,2,…,n,n为预设种群规模；

步骤2，按GOLDBERG线性比例变换将进行拉伸后获得f_i”＝sf_i'+l,所述s和l为拉伸常数；

步骤3，根据预设比例选择算子进行遗传算法中的选择操作；

步骤4，按照预设的交叉概率对步骤3获得的种群进行遗传算法中的交叉操作；

步骤5，按照预设的变异概率对步骤4获得的种群进行遗传算法中的变异操作；

步骤6，对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代，完成一次迭代；

步骤7，计算所述子代中个体的适应度值，保存适应度值最低的个体，

步骤8，判断迭代次数是否达到预设代数，

若未达到，则返回步骤3，

若已达到，则选出适应度值最低的个体作为所述第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)。

4.根据权利要求1所述的一种运动智能手表，其特征在于，所述第一跑速计算模型和第二跑速计算模型分别为：

$f_a(c,y)=\frac{\[ln(\frac{c}{y}-1)-a\]}{x},$

$f_b(c,y)=\left\{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}i\cos \left(\right(i+1)x+i)\right\}*\left\{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}i\cos \left(\right(i+1)y+i)\right\}+0.5*\[{(x+1.4251)}^2+{(y+0.8003)}^2\]$

其中，y表示能量消耗数据，x表示目标心率，c＝体重*运动时间*指数z，指数z＝30/跑速，a为运动常数，i为爬坡角度或下坡角度；

所述感测数据包括跑速、能量消耗数据、爬坡角度或下坡角度；

所述预设数据包括目标心率、体重、运动时间。

5.根据权利要求3所述的一种运动智能手表，其特征在于，步骤6所述中心处理器对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代的过程具体包括：

步骤61，初始化c^o，变量维数2、BFGS方法精度ε＝0.5，构造正定矩阵B₀＝I， $I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ k＝0，计算f_·(c,y)在c^o处的梯度g_o，其中，所述f_·(c,y)表示f_a(c,y)和f_b(c,y)；

步骤62，取按照预设搜索步长α^k沿S^k作一维搜索，获得新点，其中c^k+1＝c^k+α^kS^k；

步骤63，计算c^k+1处点的梯度g_k+1，判断是否满足结束条件||g_k+1||≤ε，

若满足则获得子代c^*B＝c^k+1,f^*B＝f(c^k+1)，BFGS搜索结束，

若不满足则进入步骤64；

步骤64，计算 $B_{k+1}=(1+\frac{{\mathrm{\γ}}_k^t{B}_k{\mathrm{\γ}}_k}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k})\frac{{\mathrm{\δ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k}-\frac{{\mathrm{\δ}}_k{\mathrm{\γ}}_k^t{B}_k+B_k{\mathrm{\γ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k},$ 其中，δ_k＝x^k+1-x^k，γ_k＝g^k+1-g^k；

步骤65，k增加1，返回步骤62。

6.根据权利要求1或2所述的一种运动智能手表，其特征在于，所述预设数据包括目标心率x，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2；所述中心处理器用于：在处于体弱模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝200，所述权重Q为0，所述常数Z2为60％-80％；

在处于普通模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为0，所述常数Z2为60％-80％；

在处于健体模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为1，所述常数Z2为65％-85％。

7.一种最佳跑速获取方法，其特征在于，包括：

根据预设数据和所述感测数据以第一跑速计算模型f_a(c,y)计算第一最优跑速，

根据预设数据和所述感测数据以第二跑速计算模型f_b(c,y)计算第二最优跑速，

对所述第一最优跑速和第二最优跑速加权处理获取最佳跑速。

8.根据权利要求7所述的一种最佳跑速获取方法，其特征在于，所述第一最优跑速和第二最优跑速的计算方法包括：

根据所述第一跑速计算模型f_a(c,y)和第二跑速计算模型f_b(c,y)分别获得一包含有若干极值点的极值点集合；

对两个所述极值点集合中的极值点分别寻优获取第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)；

所述最佳跑速为v_run＝Q₁f_a(c_abest,y_abest)+Q₂f_b(c_bbest,y_bbest)+v_wind,所述v_wind为风速，所述感测数据包括所述风速v_wind,其中，所述Q₁为第一跑速计算模型的权重，所述Q₂为第二跑速计算模型的权重。

9.根据权利要求8所述的一种最佳跑速获取方法，其特征在于，对所述极值点集合中的极值点寻优获取最优极值点(x_abest,y_abest)、(x_bbest,y_bbest)的过程具体包括：

步骤1，种群初始化获得两个所述极值点集合(f_a(c_a1,y_a1),f_a(c_a2,y_a2),…,f_a(c_an,y_an))、(f_b(c_b1,y_b1),f_b(c_b2,y_b2),…,f_b(c_bn,y_bn))，每个极值点为一个个体，根据适应度函数f_i'＝f_max-f_i计算个体适应度值f_i',f_i是第i个个体对应的目标函数值，f_max为当前种群成员的最大目标函数值，i＝1,2,…,n,n为预设种群规模；

步骤2，按GOLDBERG线性比例变换将进行拉伸后获得f_i”＝sf_i'+l,所述s和l为拉伸常数；

步骤3，根据预设比例选择算子进行遗传算法中的选择操作；

步骤4，按照预设的交叉概率对步骤3获得的种群进行遗传算法中的交叉操作；

步骤5，按照预设的变异概率对步骤4获得的种群进行遗传算法中的变异操作；

步骤6，对步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代，完成一次迭代；

步骤7，计算所述子代中个体的适应度值，保存适应度值最低的个体，

步骤8，判断迭代次数是否达到预设代数，

若未达到，则返回步骤3，

若已达到，则选出适应度值最低的个体作为所述第一最优极值点(c_abest,y_abest)和第二最优极值点(c_bbest,y_bbest)。

10.根据权利要求7所述的一种最佳跑速获取方法，其特征在于，所述第一跑速计算模型和第二跑速计算模型分别为：

$f_a(c,y)=\frac{\[ln(\frac{c}{y}-1)-a\]}{x},$

$f_b(c,y)=\left\{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}i\cos \left(\right(i+1)x+i)\right\}*\left\{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}i\cos \left(\right(i+1)y+i)\right\}+0.5*\[{(x+1.4251)}^2+{(y+0.8003)}^2\]$

其中，y表示能量消耗数据，x表示目标心率，c＝体重*运动时间*指数z，指数z＝30/跑速，a为运动常数，i为爬坡角度或下坡角度；

所述感测数据包括跑速、能量消耗数据、爬坡角度或下坡角度；

所述预设数据包括目标心率、体重、运动时间。

11.根据权利要求9所述的一种最佳跑速获取方法，其特征在于，步骤6所述步骤5获得的每个个体按照预设的BFGS搜索概率进行BFGS搜索获得子代的过程具体包括：

步骤61，初始化c^o，变量维数2、BFGS方法精度ε＝0.5，构造正定矩阵B₀＝I， $I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],$ k＝0，计算f_·(c,y)在c^o处的梯度g_o，其中，所述f_·(c,y)表示f_a(c,y)和f_b(c,y)；

步骤62，取按照预设搜索步长α^k沿S^k作一维搜索，获得新点，其中c^k+1＝c^k+α^kS^k；

步骤63，计算c^k+1处点的梯度g_k+1，判断是否满足结束条件||g_k+1||≤ε，

若满足则获得子代c^*B＝c^k+1,f^*B＝f(c^k+1)，BFGS搜索结束，

若不满足则进入步骤64；

步骤64，计算 $B_{k+1}=(1+\frac{{\mathrm{\γ}}_k^t{B}_k{\mathrm{\γ}}_k}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k})\frac{{\mathrm{\δ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k}-\frac{{\mathrm{\δ}}_k{\mathrm{\γ}}_k^t{B}_k+B_k{\mathrm{\γ}}_k{\mathrm{\δ}}_k^t}{{\mathrm{\δ}}_k^t{\mathrm{\γ}}_k},$ 其中，δ_k＝x^k+1-x^k，γ_k＝g^k+1-g^k；

步骤65，k增加1，返回步骤62。

12.根据权利要求7或8所述的一种最佳跑速获取方法，其特征在于，所述预设数据包括目标心率x，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2；

在体弱模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝200，所述权重Q为0，所述常数Z2为60％-80％；

在普通模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为0，所述常数Z2为60％-80％；

在健体模式下，所述目标心率x＝(常数Z1-年龄-权重Q*静止心率)*常数Z2，所述常数Z1＝220，所述权重Q为1，所述常数Z2为65％-85％。