CN106202953B - 一种数据分析方法及系统 - Google Patents

一种数据分析方法及系统 Download PDF

Info

Publication number
CN106202953B
CN106202953B CN201610570708.XA CN201610570708A CN106202953B CN 106202953 B CN106202953 B CN 106202953B CN 201610570708 A CN201610570708 A CN 201610570708A CN 106202953 B CN106202953 B CN 106202953B
Authority
CN
China
Prior art keywords
user
heart rate
real
time
exercise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610570708.XA
Other languages
English (en)
Other versions
CN106202953A (zh
Inventor
陈远翔
马斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Jieling Health Technology Co ltd
Original Assignee
Beijing Xinliang Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xinliang Technology Co Ltd filed Critical Beijing Xinliang Technology Co Ltd
Priority to CN201610570708.XA priority Critical patent/CN106202953B/zh
Publication of CN106202953A publication Critical patent/CN106202953A/zh
Application granted granted Critical
Publication of CN106202953B publication Critical patent/CN106202953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种数据分析方法及系统，属于测量领域。该数据分析方法包括：服务器根据用户的心跳间隔数据，获得用户的实时心率；获取用户的心跳间隔数据的功率谱，根据功率谱，获得用户的自律神经平衡性；根据用户的第一身体指标参数、实时心率及实时全部窦性心博间期标准差获得用户的运动风险分析数据；根据实时心率、功率谱、自律神经平衡性及运动负荷指数获得用户的精神状态分析数据；根据用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据。与现有的移动设备相比，改善了现有的移动设备不能获得与心率相关的其他数据的问题，有效地方便了用户的使用。

Description

一种数据分析方法及系统
技术领域
本发明涉及测量领域，具体而言，涉及一种数据分析方法及系统。
背景技术
随着社会的发展以及人们生活水平的提高，越来越多的人开始了运动健身的生活，随之产生了能够记录心率的移动设备，例如手机、手环等。
现有的移动设备往往功能单一，往往只能统计实时心率，而不能根据实时心率获得与心率相关的其他数据。
发明内容
鉴于此，本发明实施例提供了一种数据分析方法及系统，以改善现有的移动设备不能获得与心率相关的其他数据的问题。
为了实现上述目的，本发明提供的技术方案如下：
第一方面，本发明实施例提供了一种数据分析方法，所述方法包括：服务器根据用户的心跳间隔数据，获得所述用户的实时心率；获取所述用户的心跳间隔数据的功率谱，根据所述功率谱，获得所述用户的自律神经平衡性；根据所述用户在运动时间段的心跳间隔，获得所述用户在多个第一预设时间段内的全部窦性心博间期标准差，其中，所述运动时间段包括多个第一预设时间段；根据所述用户的第一身体指标参数、实时心率及当前第一预设时间段内的全部窦性心博间期标准差获得所述用户的运动风险分析数据；根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据；根据所述用户的第二身体指标参数、实时心率及所述自律神经平衡性及预设的运动强度模型获取用户的运动效果分析数据，其中，所述第二身体指标参数包括：身高、体重、性别、年龄及静息心率。
第二方面，本发明实施例还提供了一种数据分析系统，包括用户终端及服务器所述用户终端与所述服务器耦合。所述用户终端用于获得用户的心跳间隔数据，将所述心跳间隔数据发送给所述服务器。所述服务器用于：根据用户的心跳间隔数据，获得所述用户的实时心率；获取所述用户的心跳间隔数据的功率谱，根据所述功率谱，获得所述用户的自律神经平衡性；根据所述用户在运动时间段的心跳间隔，获得所述用户在多个第一预设时间段内的全部窦性心博间期标准差，其中，所述运动时间段包括多个第一预设时间段；根据所述用户的第一身体指标参数、实时心率及当前第一预设时间段内的全部窦性心博间期标准差获得所述用户的运动风险分析数据；根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据；根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据，其中，所述第二身体指标参数包括：身高、体重、性别、年龄及静息心率。
本发明实施例提供的数据分析方法及系统根据用户的心跳间隔数据、第一身体指标参数及第二身体指标参数获得用户的运动风险分析数据、精神状态分析数据及运动效果分析数据。与现有的移动设备相比，改善了现有的移动设备不能获得与心率相关的其他数据的问题，有利于用户及时获知自己的运动情况，方便了用户的使用。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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。
图1是本发明较佳实施例提供的服务器与用户终端进行交互的示意图；
图2示出了本发明较佳实施例提供的数据分析方法的流程图；
图3示出了本发明较佳实施例提供的步骤230的具体步骤流程图；
图4示出了本发明较佳实施例提供的步骤250中获取用户运动强度数据的具体步骤流程图；
图5示出了本发明较佳实施例提供的步骤250中获取运动热量来源数据的具体步骤流程图；
图6示出了本发明较佳实施例提供的步骤250中获取用户运动后持续燃脂数据的具体步骤流程图；
图7示出了本发明较佳实施例提供的另一种数据分析方法的流程图；
图8示出了本发明较佳实施例提供的数据分析系统的示意图；
图9示出了本发明另一较佳实施例提供的数据分析系统的示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，是本发明较佳实施例提供的服务器100与用户终端200进行交互的示意图。所述服务器100通过网络300与一个或多个用户终端200进行通信连接，以进行数据通信或交互。所述服务器100可以是网络服务器、数据库服务器等。所述用户终端200可以是平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)、可穿戴设备等。
图2是本发明实施例提供的一种数据分析方法的流程图。如图2所示，所述方法至少包括步骤S210至步骤S250。
步骤S210，服务器根据用户的心跳间隔数据，获得所述用户的实时心率。
其中，心跳间隔为相邻两次心跳的间隔时间，单位为毫秒(ms)。用户终端将获取到的用户的心跳间隔数据发送到服务器。具体的，用户终端获取心跳间隔数据的方式可以为：用户终端通过预设频率采集心脏的电信号，并获得相邻的两个R波波峰；然后获得相邻的两个R波波峰的时间间隔，该时间间隔即为心跳间隔。具体的，预设频率可以为每分钟100次，可以通过在胸前设置两个电极以采集心脏电信号。当然，除了上述方式以外，也可以在用户终端上直接输入用户的心跳间隔数据。
根据用户的心跳间隔数据获取用户的实时心率的具体方式可以为：根据公式RealtimeHR＝60000/RRi获得用户的实时心率。其中，所述RealtimeHR表示用户的实时心率，RRi为用户的心跳间隔数据。
步骤S220，获取所述用户的心跳间隔数据的功率谱，根据所述功率谱，获得所述用户的自律神经平衡性。
可以通过快速傅里叶变换获得用户的心跳间隔的功率谱。获得功率谱对应的第一频率范围内的第一功率以及第二频率范围内的第二功率，并通过第二功率与第一功率的比值来获得用户的自律神经平衡性。
具体地，第一频率范围为0.04Hz至0.15Hz，即获得0.04Hz至0.15Hz之间的第一功率，第二频率范围为0.15Hz至0.4Hz，即获得0.15Hz至0.4Hz之间的第二功率。
步骤S230，根据所述用户的第一身体指标参数、实时心率及实时全部窦性心博间期标准差获得所述用户的运动风险分析数据；
第一身体指标参数可以预先录入服务器。例如，可以通过用户终端输入用户的第一身体指标参数，再通过用户终端发送给服务器，也可以通过输入输出设备直接录入服务器。第一身体指标参数包括：用户的身体类型、最大负荷心率和最小全部窦性心博间期标准差。
具体的，身体类型可以由用户根据自己的身体情况预先设定，有心脏病、心脏病史或者其他相关器官病情的用户可以将身体类型设置为心脏病体质，其他用户可以将自己身体类型设置为健康体质。最大心率，指随着运动量的增加，耗氧量和心率也增加，在最大运动负荷强度时，耗氧量和心率不能继续增加时心率达到的最高水平。最小全部窦性心博间期标准差是指用户在绝对静息状态的心跳间隔的最小标准差，即为用户心跳间隔最稳定状态的标准差。需要说明的是，最小全部窦性心博间期标准差可以为用户的最小5分钟全部窦性心博间期标准差，用户的最大负荷心率和最小全部窦性心博间期标准差可以通过特定的医疗设备测得。
对于心脏病体质的用户，可以将实时心率作为运动风险的评估标准。而对于健康体质的用户，可以结合实时心率与实时全部窦性心博间期标准差判定用户的运动风险。如图3所示，步骤S230的具体实施方法包括步骤S301至步骤S305。
步骤S301，判断用户的身体类型是否为心脏病体质。
当用户的身体类型是心脏病体质时，执行步骤S302；当用户的身体类型不是心脏病体质，即为健康体质时，执行步骤S303。
步骤S302，判断用户的实时心率是否大于第一预设危险阈值。
第一预设危险阈值根据心脏病人的运动风险控制设置。具体可以设置为该用户的最大负荷心率的65％。当用户的实时心率大于第一预设危险阈值时，执行步骤S305；当用户的实时心率小于或等于第一预设危险阈值时，继续监测后续实时心率是否大于第一预设危险阈值。
步骤S303，根据用户的实时心率、实时全部窦性心博间期标准差、最大负荷心率和最小全部窦性心博间期标准差获得用户的运动风险值。
根据公式：RCNmax＝HR1max/SDNNmin获得该用户的最大风险基数。其中，所述RCNmax表示最大风险基数，所述HR1max表示最大负荷心率，所述SDNNrt表示最小全部窦性心博间期标准差。
进一步，根据用户的实时心率、实时全部窦性心博间期标准差及最大风险基数可以获得用户的运动风险值。具体的，根据公式YR＝Realtime HR/SDNNrt/RCNmax·10获得该用户的运动风险值。其中，YR表示运动风险值，SDNNrt表示实时全部窦性心博间期标准差。所述运动风险值YR为1-10之前的数值，运动风险值的数值越大，则表示运动风险越大，反之，则代表运动风险较小。
其中，实时全部窦性心博间期标准差的获取方式可以为：
本实施例中，实时全部窦性心博间期标准差优选为实时5分钟全部窦性心博间期标准差。具体的，实时5分钟全部窦性心博间期标准差可以从运动开始时间之后的5分钟为起点，以预设时间间隔获取一次前5分钟内的全部窦性心博间期标准差。例如，预设时间间隔可以为10秒，假设运动开始时间为08:00:00，第一个5分钟全部窦性心博间期标准差获取时间08:05:00，所获取的是08:00:00～08:05:00的时间段内的全部窦性心博间期标准差，第二个5分钟全部窦性心博间期标准差获取时间08:05:10，所获取的是08:00:10至～08:05:10的时间段内的全部窦性心博间期标准差，第三个5分钟全部窦性心博间期标准差获取时间08:05:20，所获取的是08:00:20至～08:05:20的时间段内的全部窦性心博间期标准差，依次类推，直至运动结束。
基于上述设置，以预设时间间隔，根据公式：获得相应时间段内的全部窦性心博间期标准差，即为实时全部窦性心博间期标准差。其中，SDNN(Standard Diviation of NN intervals)为全部窦性心博间期标准差，RRi表示所述相应时间段内用户的心跳间隔数据，μ表示所述相应时间段内用户的多个心跳间隔的平均数，N为所述相应时间段内用户的心跳间隔数据的数量。
步骤S304，判断运动风险值是否大于第二预设危险阈值。
第二预设危险阈值可以根据经验设置。例如，第二预设危险阈值可以设置为7。当运动风险值大于第二预设危险阈值时，执行步骤S305；当运动风险值小于或等于第二预设危险阈值时，返回步骤S303。
步骤S305，发出报警指令至用户终端。
用户终端接收到服务器发送的报警指令后，可以根据所述报警指令控制用户终端报警，以提醒用户或者相关监护人提醒该运动者调整运动强度，保证实时心率处于健康范围。例如，用户终端的报警方式可以为通过语音提示报警信息、通过指示灯警示或者通过显示屏显示报警信息等。
相应地，服务器也可以设置运动效率阈值，以便在监控到用户在运动时间段内心率过低时，可以提醒用户提高运动强度以达到较好的训练效果。
步骤S240，根据实时心率、功率谱、自律神经平衡性及运动负荷指数获得用户的精神状态分析数据；
本实施例中，精神状态分析数据可以包括精神压力指数、心量指数、精神能量消耗指数、和谐指数、精神散乱指数以及疲劳指数。
根据所述用户的所述自律神经平衡性可以获得精神压力指数。具体的，根据公式MeSr＝(NeB+5)/2可以获得精神压力指数MeSr，其中，NeB为用户运动时间段内的自律神经平衡性。自律神经平衡性NeB的取值范围可以为-5到5，相应地，精神压力指数MeSr的取值范围可以为0-5。精神压力指数MeSr越低，表示用户运动过程中的精神压力越小，精神压力指数MeSr越高，表示用户运动过程中的精神压力越大。
根据功率谱及所述实时心率获得所述用户在运动时间段内的心量指数。心量指数可以反映人的灵活度。指数越高意味着用户的灵活度越高。心量指数的具体获取方式可以为：在获得功率谱对应的第一频率范围内的第一功率以及第二频率范围内的第二功率的基础上，进一步获得所述功率谱对应的第三频率范围内的第三功率，并根据所述第一功率、第二功率、第三功率以及实时心率获得所述用户的心量指数。
本实施例中，第一频率范围可以为0.04Hz至0.15Hz，第二频率范围可以为0.15Hz至0.4Hz，第三频率范围可以为0.0033Hz至0.04Hz。具体的，根据公式HRindex＝1000×HF/[(VLF+LF)/2]×RealtimeHR即可以获得用户在运动时间段内的心量指数。其中，HRindex表示心量指数，LF表示第一功率，HF表示第二功率，VLF表示第三功率。
根据所述功率谱获得所述用户在运动时间段内的精神能量消耗指数、和谐指数及精神散乱指数。具体的，根据用户运动时间段内的心跳间隔的功率谱获得0Hz至0.4Hz的总功率，该总功率为精神能量消耗指数。获得所述功率谱对应的第四频率范围内的第四功率，以及功率谱对应的第五频率范围内的最大功率。其中，第四频率范围可以为0.003HZ至0.4HZ，第五频率范围可以为0.04Hz至0.26Hz。例如，获取0.04Hz至0.26Hz范围内的最大功率的方法可以为：以0.03Hz为窗口计算每一个频率范围内的功率，从而比较得到最大功率，即分别计算0.04Hz至0.07Hz、0.07Hz至0.1Hz等频率范围内的功率，比较后得到最大功率。此后，通过第五频率范围内的最大功率与第四功率的比值获得和谐指数。和谐指数(coherence index)具体反映心率的高度相干性，自律神经平衡性的指数，心血管、神经、激素以及免疫系统的运行状况。和谐指数越高，人的呼吸、血压、脉搏震动越统一。进一步，获得频率范围为0Hz至0.04Hz的功率，通过频率范围为0Hz至0.04Hz的功率与频率范围为0Hz至0.4Hz的总功率的比值，可以获得用户的精神散乱指数。
此后，根据精神能量消耗指数、精神压力指数及运动负荷指数可以获得用户在运动时间段内的疲劳指数，其中，所述运动负荷指数即为上述运动风险值。具体的，根据公式FaIn＝[(MeSr+EXEld)/2]/SpEn可以获得疲劳指数FaIn。其中，MeSr为精神压力指数；EXEld为运动负荷指数，EXEld等于上述运动风险值YR；SpEn为精神能量消耗指数。
步骤S250，根据用户的第二身体指标参数、实时心率及所述自律神经平衡性及预设的运动强度模型获取用户的运动效果分析数据。
第二身体指标参数包括身高、体重、性别、年龄及静息心率。本实施例中，运动效果分析数据可以包括运动强度数据、运动热量来源数据、运动后持续燃脂数据和乳酸产生及消耗数据。
其中，运动强度数据包括用户的运动实时摄氧量、运动峰值摄氧量、运动平均摄氧量、峰值运动强度和平均运动强度。运动热量来源数据包括用户运动时间段内消耗的第一总热量、脂肪酸的消耗热量、糖原的消耗热量、蛋白质的消耗热量以及磷酸肌酸的消耗热量。运动后持续燃脂数据包括运动后持续燃脂的时间和燃脂消耗的热量。乳酸产生及消耗数据包括运动的乳酸产生量及静止状态下和有氧耐力运动强度下乳酸的运动后消耗速度。
另外，根据身高和体重还可以获得用户的体重指数及合理体重区间。具体的，体重指数可以根据公式BMI＝W/H2，其中，BMI表示体重指数，W表示体重数据，单位为kg，H表示身高，单位为m。合理体重区间为[20·H2，22·H2]，单位为kg。
具体的，如图4所示，获取用户运动强度数据，即运动实时摄氧量、运动峰值摄氧量、运动平均摄氧量、峰值运动强度和平均运动强度的方法包括：步骤S401、步骤S402、步骤S403及步骤S404。
步骤S401，根据实时心率获得用户在运动时间段内的平均心率以及峰值心率。
可统计用户在运动时间内实时心率中的最大心率以及计算得到运动时间内的平均心率。
步骤S402，根据最大理论心率、体重及静息心率获得最大摄氧量，根据实时心率、平均心率、峰值心率、静息心率及最大摄氧量获得实时摄氧量、运动平均摄氧量及运动峰值摄氧量。
其中，最大理论心率具体可以根据公式：HR2max＝210-(0.5·A)-(0.1·W)+4·S获得。式中，HR2max表示最大理论心率；A表示年龄；W表示体重数据，单位为kg；S表示用户的性别，当性别为男性时，S取1，当性别为女性时，S取0。
进一步，根据公式Vo2max＝15·(HR2max/RHR)·W/1000获取最大摄氧量。其中，Vo2max表示最大摄氧量；RHR表示静息心率。
进一步，根据公式RtVo2max＝(RealtimeHR-RHR)/(HR2max-RHR)·Vo2max可以获取用户的运动实时摄氧量RtVo2max。
同理，根据公式Vo2ave＝(HRave-RHR)/(HR2max-RHR)·Vo2max可以获取用户的运动平均摄氧量。其中，Vo2ave表示平均摄氧量，HRave表示平均心率。根据公式Vo2peak＝(HRpeak-RHR)/(HR2max-RHR)·Vo2max可以获取用户的运动峰值摄氧量。其中，Vo2peak表示峰值摄氧量，HRpeak表示峰值心率。
步骤S403，根据最大摄氧量、最大理论心率、静息心率及预设的运动强度模型获得用户在各种运动强度下的标准心率范围。
预先将运动强度划分为热身运动、有氧耐力运动、有氧动力运动、乳酸阈值运动、无氧耐力运动及最大耗氧运动。每一种运动强度对应一个最大耗氧量的百分比范围，如表1所示。需要说明的是，最大耗氧量的百分比即为用户的目标训练强度。根据公式TTIHR＝TTI·Vo2max·(HR2max-RHR)+RHR可以获得目标训练强度下的标准心率，其中，TTIHR表示目标训练强度下的标准心率，TTI表示目标训练强度。由此，可以得到每一种运动强度所对应的标准心率范围上限和标准心率范围下限。例如，要达到有氧耐力运动的强度，目标训练强度应该在59％-74％之间，对应的标准心率范围上限为HRE2和标准心率范围下限为HRE1。
步骤S404，根据平均心率、峰值心率及用户在所述各种运动强度下的标准心率范围得到用户的峰值运动强度和平均运动强度。
将用户运动时间段内的平均心率及峰值心率与表1所示的各种运动强度下的标准心率范围进行匹配，即可以得到用户的平均心率和峰值心率所在的标准心率范围，进而可以得到用户的峰值运动强度和平均运动强度。
具体的，如图5所示，获取运动热量来源数据，即用户运动时间段内消耗的第一总热量、脂肪酸的消耗热量、糖原的消耗热量、蛋白质的消耗热量以及磷酸肌酸的消耗热量的方法包括步骤S501、步骤S502及步骤S503。
步骤S501，根据身高、体重、性别、年龄及静息心率以及自律神经平衡性获得基础代谢率。
若用户的性别为男，则根据公式BRM＝13.75×W+5×S-6.76×A+66+5×RHR+3.5×NeB获得基础代谢率BRM。若用户的性别为女，则根据公式BRM＝9.56×W+1.85×S-4.68×A+665+3.5×RHR+6×NeB获得基础代谢率BRM。其中，W表示体重，S表示身高，A表示年龄，RHR表示静息心率，NeB表示自律神经平衡性。
步骤S502，根据身高、体重、性别、年龄、基础代谢率、平均心率及最大摄氧量获得运动时间段内消耗的第一总热量。
若用户的性别为男，则根据公式Q1＝[-95.7735+(0.634×HRave)+(0.404×Vo2max)+0.394×W+0.271×A]/4.184×60×T获得初选总热量Q1。若用户的性别为女，则根据公式Q1＝[-59.3954+(0.45×HRave)+(0.380×Vo2max)+0.103×W+0.274×A]/4.184×60×T获得初选总热量Q1。其中，HRave表示平均心率，Vo2max表示最大摄氧量，W表示体重，A表示年龄，T表示运动持续时间。
进一步，根据基础代谢率以及所述运动持续时间获得第一静息代谢率。具体根据RMRCB＝[(BMR×1.1)/24]×T获得第一静息代谢率RMRCB。
进一步，比较初选总热量Q1与第一静息代谢率RMRCB之间的大小关系从而确定用户在运动时间段内消耗的第一总热量。若初选总热量小于第一静息代谢率，则将第一静息代谢率作为运动时间段内消耗的第一总热量。若所述初选总热量大于或等于所述第一静息代谢率，则将所述初选总热量作为运动时间段内消耗的第一总热量。
步骤S503，根据实时心率以及预先存储的多个能量代谢模型获得所述运动时间段内，脂肪酸、糖原、蛋白质以及磷酸肌酸的消耗百分比，将消耗百分比分别与所述消耗的第一总热量相乘以获得脂肪酸、糖原、蛋白质以及磷酸肌酸的消耗热量。
根据用户的实时心率对应的标准心率范围，获得在运动时间段内，用户所经历的一个或多个能量代谢模型，以及分别处于所述一个或多个能量代谢模型的时长。
根据所述用户所经历的一个或多个能量代谢模型，以及分别处于所述一个或多个能量代谢模型的时长，分别获得在各个能量代谢模型中，脂肪酸、糖原、蛋白质以及磷酸肌酸的消耗百分比。
根据各个能量代谢模型的时长以及运动时间段对应的运动持续时间，分别将各个能量代谢模型中的脂肪酸的消耗百分比进行累加、糖原的消耗百分比进行累加、蛋白质的消耗百分比进行累加及磷酸肌酸的消耗百分比进行累加，获得所述运动时间段内，脂肪酸的消耗百分比、糖原的消耗百分比、蛋白质的消耗百分比及磷酸肌酸的消耗百分比。需要说明的是，脂肪酸的消耗百分比即为用户在运动时间段的燃脂率。
对应于上述运动强度的划分种类，多个能量代谢模型可以包括：基础代谢模型、热身运动模型、有氧运动模型、乳酸阈值运动模型、无氧耐力运动模型以及最大耗氧运动模型。
其中，热身运动对应的能量代谢模型包括基础代谢模型和热身运动模型。基础代谢模型对应的目标训练强度为0至30％，在所述基础代谢模型对应的能量消耗比例中，脂肪酸占100％。
热身运动模型对应的目标训练强度为30％至59％，在所述热身运动模型对应的能量消耗比例中，脂肪酸占80％，糖原氧化占20％。
有氧运动模型对应的目标训练强度为59％至84％，在所述有氧运动模型对应的能量消耗比例中，
当运动时间为0秒至6秒时，磷酸肌酸占100％；
当运动时间为6秒至30秒时，磷酸肌酸占20％，糖原酵解占80％；
当运动时间为30秒至2分钟时，糖原酵解占100％；
当运动时间为2分钟至3分钟时，糖原酵解占50％，糖原氧化占50％；
当运动时间为3分钟至20分钟时，糖原氧化占95％，脂肪酸占5％；
当运动时间为20分钟至30分钟时，糖原氧化占50％，脂肪酸占50％；
当运动时间为30分钟至60分钟时，脂肪酸占70％，糖原氧化占25％，蛋白质占5％；
当运动时间为60分钟至120分钟时，脂肪酸占80％，糖原氧化占10％，蛋白质占10％；
当运动时间为120分钟以上时，脂肪酸占82％，蛋白质占18％。
有氧运动模型包括有氧耐力运动模型以及有氧动力运动模型，其中有氧耐力运动模型对应的目标训练强度为59％至74％，有氧动力运动模型对应的目标训练强度为74％至84％。
乳酸阈值运动模型对应的目标训练强度为84％至88％，在乳酸阈值运动模型对应的能量消耗比例中，
当运动时间为0秒至6秒时，磷酸肌酸占100％；
当运动时间为6秒至30秒时，磷酸肌酸占20％，糖原酵解占80％；
当运动时间为30秒至2分钟时，糖原酵解占100％；
当运动时间为2分钟以上时，糖原酵解占95％，脂肪酸占5％。
无氧耐力运动模型对应的目标训练强度为88％至95％，在无氧耐力运动模型对应的能量消耗比例中，
当运动时间为0秒至6秒时，磷酸肌酸占100％；
当运动时间为6秒至30秒时，磷酸肌酸占20％，糖原酵解占80％；
当运动时间为30秒以上时，糖原酵解占100％。
最大耗氧运动模型对应的目标训练强度为95％至100％，在最大耗氧运动模型对应的能量消耗比例中，
当运动时间为0秒至6秒时，磷酸肌酸占100％；
当运动时间为6秒以上时，磷酸肌酸占20％，糖原酵解占80％；
下面以一个具体例子为例，根据实时心率对应的标准心率范围，可以获得用户在100分钟的运动时间段内，有30分钟处于基础代谢模型，30分钟处于热身运动模型，20分钟处于有氧运动模型，10分钟处于乳酸阈值运动模型，0分钟处于无氧耐力运动模型，10分钟处于最大耗氧运动模型。
根据上述的多个运动模型，可以得到在各个模型中，脂肪酸、糖原、蛋白质以及磷酸肌酸的消耗情况。
在基础代谢模型中，脂肪酸消耗百分比为30/100×100％，糖原、蛋白质以及磷酸肌酸均未消耗。
在热身运动模型中，脂肪酸消耗百分比为30/100×80％，糖原消耗百分比为30/100×20％，蛋白质以及磷酸肌酸均未消耗。
在有氧运动模型中，脂肪酸消耗百分比为17/100×5％；糖原消耗百分比为0.4/100×80％+1.5/100×100％+1/100×100％+17/100×95％；磷酸肌酸消耗百分比为0.1/100×100％+0.4/100×20％；蛋白质未消耗。
在乳酸阈值运动模型中，糖原消耗百分比为0.4/100×80％+1.5/100×100％+8/100×95％；磷酸肌酸消耗百分比为0.1/100×100％+0.4/100×20％；脂肪酸消耗百分比为8/100×5％；蛋白质未消耗。
在最大耗氧运动模型中，糖原消耗百分比为9.9/100×80％；磷酸肌酸消耗百分比为0.1/100×100％+9.9/100×20％，蛋白质以及脂肪酸未消耗。
在100分钟的运动时间段内，脂肪酸的消耗百分比为：(30/100×100％)+(30/100×80％)+(17/100×5％)+(8/100×5％)+0％。
糖原的消耗百分比为：0％+(30/100×20％)+(0.4/100×80％+1.5/100×100％+1/100×100％+17/100×95％)+(0.4/100×80％+1.5/100×100％+8/100×95％)+(9.9/100×80％)；
蛋白质的消耗百分比为：0％。
磷酸肌酸的消耗百分比为：0％+0％+(0.1/100×100％+0.4/100×20％)+(0.1/100×100％+0.4/100×20％)+(0.1/100×100％+9.9/100×20％)。
用100分钟的运动时间段内，脂肪酸、糖原、蛋白质以及磷酸肌酸的各自百分比与第一总热量相乘，即可以得到100分钟内，上述四种物质分别消耗的热量。
进一步地，根据用户在运动过程中的平均心率和预设的乳酸产生模型获得乳酸产生量，根据乳酸产生量分别获得静止状态下和有氧耐力运动强度下乳酸的运动后消耗速度。
预设的乳酸模型中，不同的心率值对应有一定的血乳酸值。具体的，0心率(心率值为0)对应的血乳酸值为0.45mmol/L；静息心率对应的血乳酸值为1mmol/L；最大有氧心率对应的血乳酸值为4mmol/L；目标训练强度为90％时的标准心率对应的血乳酸值为8mmol/L；目标训练强度为95％时的标准心率对应的血乳酸值为12mmol/L；目标训练强度为100％时的标准心率对应的血乳酸值为20mmol/L。根据上述对应关系可以得到不同心率范围内，乳酸产生量的方位角。
当用户的平均心率在0到静息心率之间时，乳酸模型中乳酸产生量的方位角为：θ1＝atan2(1-0.45，RHR-0)；对应的乳酸产生量LAC为：LAC＝tanθ1·(HRave-0)+0.45。其中，RHR表示静息心率，HRave表示平均心率。
当用户的平均心率在静息心率到最大有氧心率之间时，乳酸模型中乳酸产生量的方位角为：θ2＝atan2(4-1，MAF-RHR)；对应的乳酸产生量LAC为：LAC＝tanθ2·(HRave-RHR)+1。其中，MAF表示最大有氧心率。
当用户的平均心率在最大有氧心率到90％目标运动强度对应的标准心率之间时，乳酸模型中乳酸产生量的方位角为：θ3＝atan2(8-4，HR90％-MAF)；对应的乳酸产生量LAC为：LAC＝tanθ3·(HRave-MAF)+4。其中，HR90％表示90％目标运动强度对应的标准心率。
当用户的平均心率在90％目标运动强度对应的标准心率到95％目标运动强度对应的标准心率之间时，乳酸模型中乳酸产生量的方位角为：θ4＝atan2(12-8，HR95％-HR90％)；对应的乳酸产生量LAC为：LAC＝tanθ4·(HRave-HR90％)+8。其中，HR95％表示95％目标运动强度对应的标准心率。
当用户的平均心率在95％目标运动强度对应的标准心率到100％目标运动强度对应的标准心率之间时，乳酸模型中乳酸产生量的方位角为：θ5＝atan2(20-12，HR100％-HR95％)；对应的乳酸产生量LAC为：LAC＝tanθ5·(HRave-HR95％)+12。其中，HR100％表示100％目标运动强度对应的标准心率。
用户在运动后可以自然消耗乳酸，也可以继续做有氧耐力运动消耗乳酸。当用户运动后处于静止状态时，乳酸自然消耗，消耗速度为2mg/dl/min；当用户运动后继续做有氧耐力运动时，有助于加快乳酸的消耗。假设有氧耐力运动的运动强度为63％，乳酸的消耗速度为8mg/dl/min。已知1mmol/L＝18mg/dl，因此，当用户运动后处于静止状态时消耗乳酸需要的时间为：LAC·18/2；当用户运动后处于63％运动强度的有氧耐力运动状态时消耗乳酸需要的时间为：LAC·18/8。
服务器获得运动效果分析数据后，还可以根据所述运动效果分析数据以及预设的运动目标获得运动方案调整建议，并将所述运动方案调整建议发送至用户终端。本实施例中，预设的运动目标可以为减肥、塑形、增肌和检测运动成绩。例如，如果用户的运动目标为塑形练力量，其峰值运动强度至少要达到乳酸阀值运动强度，如果是减肥养生建议的运动强度是最大有氧心率141.0bpm左右。
具体的，如图6所示，获取用户运动后持续燃脂数据的步骤包括步骤S601、步骤S602及步骤S603。
步骤S601，根据用户的运动时长及运动时长内的实时心率获得用户的实时平均心率。
服务器获取用户的运动持续时间，即是记录从开始运动到运动结束时候的总时间。以运动开始时间为起始点，按照预设步长划分多个时间段，获取每个时间段的实时心率，根据多个时间段的所述实时心率获取每一个时间段内的平均心率，即实时平均心率。一般将预设步长选定为1秒，计算0秒-1秒、1秒-2秒、2秒-3秒、……、第(N-1)秒-N秒的N个时间段的实时平均心率。
步骤S602，根据实时平均心率及预设的过量氧耗模型获得用户的运动后过量氧耗。
运动后过量氧耗(Excess Post-exercise Oxygen Consumption，EPOC)，指的是运动后恢复期内为了偿还运动中的氧亏，以及在运动后使处于高水平代谢的机体恢复到安静水平时消耗的氧量。
本实施例提供的运动后过量氧耗模型中，不同预设范围的目标训练强度对应不同的曲线斜率。根据用户在某预设范围的目标训练强度下的运动时间以及对应的曲线斜率获得用户在该运动时间段的EPOC。本实施例中，预设范围的目标训练强度包括：60％以下、60％-70％、70％-80％、80％-90％之间及90％以上。
运动后过量氧耗的具体计算过程如下：
如果用户运动过程中的某运动时段的实时平均心率大于目标训练强度为90％时对应的标准心率，此时，位于直角坐标系下的曲线的倾斜角α为：y轴坐标等于165.625，x轴坐标等于15×60的点到原点的连线与x轴所成的夹角。因此，该运动时段的EPOC值等于该运动时段的时长乘以tanα。
如果用户运动过程中的某运动时段的实时平均心率在目标训练强度为80％-90％之间时对应的标准心率范围内，则此时，位于直角坐标系下的曲线的倾斜角α为：y轴坐标等于209.375，x轴坐标等于30×60的点到原点的连线与x轴所成的夹角。此时，该运动时段的EPOC值等于该运动时段的时长乘以tanα。
如果用户运动过程中的某运动时段的实时平均心率在目标训练强度为70％-80％之间时对应的标准心率范围内，则判断该运动时段的时长是否小于预设阈值时间。若该运动时段的时长大于或等于预设阈值时间，位于直角坐标系下的曲线的倾斜角angle为：y轴坐标等于89.625，x轴坐标等于30×60的点到原点的连线与x轴所成的夹角。此时，该运动时段的EPOC＝(t-1800)·tanα+119.875，其中，t表示该运动时段的时长。若该运动时段的时长小于预设阈值时间，位于直角坐标系下的曲线的倾斜角α为：y轴坐标等于119.875，x轴坐标等于30×60的点到原点的连线与x轴所成的夹角。此时，该运动时段的EPOC值等于该运动时段的时长乘以tanα。本实施例中，预设阈值时间可以为30分钟。
如果用户运动过程中的某运动时段的实时平均心率在目标训练强度为60％-70％之间时对应的标准心率范围内，则判断该运动时段的时长是否小于预设阈值时间。若该运动时段的时长大于或等于预设阈值时间，位于直角坐标系下的曲线的倾斜角α为：y轴等于34.375，x轴等于30×60的点到原点的连线与x轴所成的夹角。此时，该运动时段的EPOC＝(t-1800)·tanα+63.625。若该运动时段的时长小于预设阈值时间，位于直角坐标系下的曲线的倾斜角α为：y轴坐标等于63.625，x轴坐标等于30×60的点到原点的连线与x轴所成的夹角，此时，该运动时段的EPOC值等于该运动时段的时长乘以tanα。
如果用户运动过程中的某运动时段的实时平均心率小于目标训练强度为60％的标准心率，则该运动时段的EPOC值等于0。
根据上述步骤S602可以得到用户运动过程所包括的多个运动时段对应的EPOC值，比较多个运动时段对应的EPOC值可以得到用户运动过程中的最大EPOC值，作为用户运动过程中的EPOC峰值。
步骤S603，根据运动后过量氧耗获得用户的运动后持续燃脂数据。
运动后持续燃脂数据包括：运动后持续燃脂的时间和燃脂消耗的热量。
获取运动后持续燃脂的时间的具体方式为：获取y轴坐标等于48×60-15，x轴坐标等于400-1的点到原点的连线与x轴的夹角β，此时，用户的运动恢复时间SRT(单位：分钟)等于EPOC峰值乘以tanβ。进一步，根据公式：FBT＝SRT/60，获取所述运动后持续燃脂时间FBT(单位：小时)。
运动后持续燃脂消耗热量的计算过程可以包括：
根据用户的年龄及预先输入的用户的运动历史，获取用户的最大有氧心率(MaxArobic Function Heart Rate，简称MAF心率)。最大有氧心率的计算过程可以包括：
1.180-年龄。
2.在步骤1得出值的基础上，根据用户的运动历史从下列描述中选出最适合用户现状的，进行调整。
2.1.如果用户刚得过一场重大的疾病(如心脏病、需要接受手术或住院治疗的病症)，或是目前需要持续服用某种药物，减10。
2.2.如果用户受伤了，最近比赛或训练的状态不好，每年感冒超过两次，身患过敏或哮喘，或是中断过一段时间训练，准备重新开始，那么再减去5。
2.3.如果用户坚持训练(每周至少四次)达到两年，并且没有遇到上述任何问题，则不用调整。
2.4.如果你坚持训练超过两年，没有遇到任何上述问题，并且在比赛中成绩有提高，那么加5。
获取用户以最大有氧心率对应的运动强度做匀速运动时消耗掉与EPOC峰值等量的氧气所需要的时间，具体可以根据公式ST＝(EPOC·W)/(Vo2max·MAF/HR2max·1000)获得。其中，ST表示上述所需要的时间，EPOC表示用户运动过程中的EPOC峰值，W表示用户的体重，Vo2max表示最大耗氧量，HR2max表示用户的最大理论心率，MAF表示用户的最大有氧心率。
服务器根据所述运动后过量氧耗获取运动后持续燃脂消耗热量的过程可以为：
根据用户的最大有氧心率及用户以最大有氧心率对应的运动强度做匀速运动消耗掉与EPOC峰值等量的氧气所需要的时间得到的该时间段内消耗的第二总热量以及用户的第二静息代谢率。具体的，可以将所获得的最大有氧心率代替平均心率，将用户以最大有氧心率对应的运动强度做匀速运动时消耗掉与EPOC峰值等量的氧气所需要的时间ST代替运动持续时间T，根据上述步骤S502中计算初选总热量Q1的方法得到上述时间ST内消耗的第二总热量Q2，根据上述步骤S502中计算第一静息代谢率RMRCB的方法得到上述时间ST内的第二静息代谢率RMRCB′，具体的计算方法请参照步骤S502，此处不再赘述。
进一步，根据所述第二总热量和第二静息代谢率得到用户的运动后持续燃脂消耗热量。具体的，当第二总热量Q2小于或者等于第二静息代谢率RMRCB′，则运动后持续燃脂消耗热量等于零；当第二总热量Q2大于第二静息代谢率RMRCB′，则所述运动后持续燃脂热量等于第二总热量Q2与第二静息代谢率RMRCB′的差值。
另外，如图7所示，本发明实施例提供数据分析方法除了包括上述步骤S210至步骤S250，还可以包括步骤S260至步骤S300。
步骤S260，根据用户的心跳间隔数据获得第一预设时间段内间隔时间超过预定时长的心跳间隔的数量；
具体的，间隔时间可以设置为两秒以及五秒，分别对第一预设时间段内超过两秒的心跳间隔的数量以及超过五秒的心跳间隔的数量进行统计。
步骤S270，根据实时心率获得用户在第一预设时间段内的平均心率、峰值心率及最低心率。
对用户的第一预设时间段内的实时心率进行统计，可以得到该段时间的峰值心率、平均心率及最低心率。本实施例中，第一预定时间段具体可以为二十四小时。
步骤S280，根据用户的心跳间隔数据获得第一预设时间段内的全部窦性心博间期标准差。
步骤S290，根据用户的心跳间隔数据获得第一预设时间段所包括的多个第二预设时间段内的全部窦性心博间期标准差。
根据公式获得所述用户的第一预定时间段内的全部窦性心博间期标准差，以及所述用户的多个第二预定时间段内的全部窦性心博间期标准差。SDNN是心率变异性的一个指标，年龄越小，SDNN的值越大。
本实施例中，第一预定时间段具体可以为二十四小时。第二预定时间段具体可以为五分钟，将一整天(二十四小时)的时间以五分钟为一段，分为二百八十八个时间段，分别求出所述二百八十八个时间段的全部窦性心博间期标准差。
步骤S300，根据位移数据、实时心率及自律神经平衡性获得用户的睡眠状态。
具体地，若用户的身体在一分钟以内有位移，自律神经平衡性的数值在-1至1之间，并且实时心率大于或等于静息心率，则表示该用户处于浅睡眠状态。
若用户的身体在一分钟以上无位移，自律神经平衡性的数值在-3至-2之间，并且实时心率小于或等于静息心率与数值十之和，则该用户处于NREM睡眠状态。
若用户的身体在五分钟以上无位移，自律神经平衡性的数值在-5至-4之间，并且实时心率小于或等于静息心率与数值十之和，则该用户处于深睡眠状态。
若用户的身体在十分钟以上无位移，自律神经平衡性的数值在-4至-3之间，并且实时心率小于或等于静息心率与数值十之和，则该用户处于REM睡眠状态。
REM(rapid eyes movement)也称为异相睡眠(Para-sleep)、快相睡眠、异相睡眠或快波睡眠，是一个睡眠的阶段，眼球在此阶段时会呈现不由自主的快速移动。除了REM睡眠以外的睡眠阶段均为NON-REM(NREM)睡眠。
NREM睡眠又分为浅睡眠和深睡眠，深睡眠和浅睡眠交替反复进行，直到清醒。研究表明，在深睡眠期，人的大脑皮层细胞处于充分休息状态，对稳定情绪、平衡心态、恢复精力极为重要。
图8示出了本发明实施例提供的数据分析系统，包括服务器100以及用户终端200，服务器100与用户终端200通过网络300交互。
服务器100获得的心跳间隔数据可以为用户终端200检测到的，也可以为用户从用户终端200输入的。用户终端200可以包括可穿戴设备210以及移动终端220，详情请参见图9。
可以通过可穿戴设备210获得用户的心跳间隔数据以及位移数据，并将上述数据发送至移动终端220。移动终端220将心跳间隔数据以及位移数据通过网络300发送至服务器100，服务器100获得心跳间隔数据以及位移数据后，对心跳间隔数据以及位移数据进行处理，以获得运动风险分析数据、精神状态分析数据、运动效果分析数据等。具体获取的数据及方法请参照上述方法实施例，此处不再赘述。然后服务器100可以将处理后获得的数据再发送至移动终端220。
其中，可穿戴设备210可以为智能手环、运动文胸等。移动终端220可以为手机、平板电脑等。
用户终端200用于获得用户的心跳间隔数据，并将所述心跳间隔数据发送至服务器100。服务器100用于根据用户的心跳间隔数据，获得所述用户的实时心率；获取所述用户的心跳间隔数据的功率谱，根据所述功率谱，获得所述用户的自律神经平衡性；根据所述用户的第一身体指标参数、实时心率及实时全部窦性心博间期标准差获得所述用户的运动风险分析数据；根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据；根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据，其中，所述第二身体指标参数包括：身高、体重、性别、年龄及静息心率。
其中，第一身体指标参数和第二身体指标参数可以通过用户终端200输入，也可以预先存储在服务器100中。
进一步地，服务器100还用于根据所述用户的心跳间隔数据获得第一预设时间段内间隔时间超过预定时长的心跳间隔的数量；根据所述实时心率获得所述用户在所述第一预设时间段内的平均心率、峰值心率及最低心率；根据所述用户的心跳间隔数据获得所述第一预设时间段内的全部窦性心博间期标准差；根据所述用户的心跳间隔数据获得所述第一预设时间段所包括的多个第二预设时间段内的全部窦性心博间期标准差；根据位移数据、所述实时心率及所述自律神经平衡性获得所述用户的睡眠状态。
服务器100还用于根据运动效果分析数据以及预设的运动目标获得运动方案调整建议，并将运动方案调整建议发送至用户终端200。用户终端200可以包括语音模块，语音模块可以用于播报用户终端接收到的运动方案调整建议，实现虚拟教练在线指导用户根据需求调整运动方案，有效地方便了用户的使用。例如，用户终端200包括手机和健康文胸，手机中具有语音模块，用户可以在运动过程中佩戴蓝牙耳机，以便于根据虚拟教练的在线指导调整运动强度。
另外，除了接收运动方案调整建议以指导用户调整运动强度达到用户想要的运动效果外，用户终端还可以接收服务器根据运动风险分析数据发送的报警指令，提醒用户注意降低运动强度，以避免由于运动强度过大出现危险。例如，用户终端的报警方式可以为通过语音模块播报报警信息、通过指示灯警示或者通过显示屏显示报警信息等。
上述的数据分析系统与数据分析方法相对应，在此便不做赘述。
综上所述，与现有的移动设备相比，本发明实施例提供的数据分析方法及系统改善了现有的移动设备不能获得与心率相关的其他数据的问题，可以根据心跳间隔数据、用户的第一身体指标参数、第二身体指标参数以及位移数据得到运动风险分析数据、精神状态分析数据、运动效果分析数据等，有利于用户及时获知自己的运动情况，方便了用户的使用。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种数据分析方法，其特征在于，所述方法包括：
服务器根据用户的心跳间隔数据，获得所述用户的实时心率；
获取所述用户的心跳间隔数据的功率谱，根据所述功率谱，获得所述用户的自律神经平衡性；
根据所述用户的第一身体指标参数、实时心率及实时全部窦性心博间期标准差获得所述用户的运动风险分析数据；
根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据，其中，所述运动负荷指数为所述运动风险分析数据中的运动风险值；
根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据，其中，所述第二身体指标参数包括：身高、体重、性别、年龄及静息心率；
其中，根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据的步骤，包括：
根据所述用户的所述自律神经平衡性获得精神压力指数；
根据所述功率谱及所述实时心率获得所述用户在运动时间段内的心量指数；
根据所述功率谱获得所述用户在运动时间段内的精神能量消耗指数、和谐指数及精神散乱指数；
根据所述精神能量消耗指数、所述精神压力指数及运动负荷指数获得所述用户在运动时间段内的疲劳指数。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述用户的心跳间隔数据获得第一预设时间段内间隔时间超过预定时长的心跳间隔的数量；
根据所述实时心率获得所述用户在所述第一预设时间段内的平均心率、峰值心率及最低心率；
根据所述用户的心跳间隔数据获得所述第一预设时间段内的全部窦性心博间期标准差；
根据所述用户的心跳间隔数据获得所述第一预设时间段所包括的多个第二预设时间段内的全部窦性心博间期标准差；
根据位移数据、所述实时心率及所述自律神经平衡性获得所述用户的睡眠状态。
3.根据权利要求1所述的方法，其特征在于，所述第一身体指标参数包括所述用户的身体类型、最大负荷心率和最小全部窦性心博间期标准差，根据所述用户的第一身体指标参数、实时心率及实时全部窦性心博间期标准差获得所述用户的运动风险分析数据的步骤，包括：
当所述用户的身体类型为心脏病体质时，当所述用户实时心率大于第一预设危险阈值时，发出报警指令至用户终端；
当所述用户的身体类型为健康体质时，根据所述用户的实时心率、实时全部窦性心博间期标准差、最大负荷心率和最小全部窦性心博间期标准差获得所述用户的运动风险值，当所述运动风险值大于第二预设危险阈值时，发出报警指令至所述用户终端。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据的步骤，包括：
根据所述实时心率获得所述用户在运动时间段内的平均心率以及峰值心率；
根据最大理论心率、体重及所述静息心率获得最大摄氧量，根据所述实时心率、所述平均心率、所述峰值心率、所述静息心率及所述最大摄氧量获得实时摄氧量、运动平均摄氧量及运动峰值摄氧量；
根据所述最大摄氧量、所述最大理论心率、所述静息心率及所述预设的运动强度模型获得所述用户在各种运动强度下的标准心率范围；
根据所述平均心率、所述峰值心率及所述用户在所述各种运动强度下的标准心率范围得到用户的峰值运动强度和平均运动强度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据的步骤，还包括：
根据所述身高、体重、性别、年龄及静息心率以及所述自律神经平衡性获得基础代谢率；
根据所述身高、所述体重、所述性别、所述年龄、所述基础代谢率、所述平均心率及所述最大摄氧量获得运动时间段内消耗的第一总热量；
根据所述实时心率以及预先存储的多个能量代谢模型获得所述运动时间段内，脂肪酸、糖原、蛋白质以及磷酸肌酸的消耗百分比，将所述消耗百分比分别与所述消耗的第一总热量相乘以获得所述脂肪酸、糖原、蛋白质以及磷酸肌酸的消耗热量；
根据所述平均心率和预设的乳酸产生模型获得乳酸产生量，根据所述乳酸产生量分别获得静止状态下和有氧耐力运动强度下乳酸的运动后消耗速度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据的步骤，还包括：
根据所述用户的运动时长及所述运动时长内的实时心率获得所述用户的实时平均心率；
根据所述实时平均心率及预设的运动后过量氧耗模型获得所述用户运动后过量氧耗；
根据所述运动后过量氧耗获得所述用户的运动后持续燃脂数据。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述运动效果分析数据以及预设的运动目标获得运动方案调整建议，将所述运动方案调整建议发送至用户终端。
8.一种数据分析系统，其特征在于，包括用户终端及服务器，所述用户终端与所述服务器耦合；
所述用户终端用于获得用户的心跳间隔数据，将所述心跳间隔数据发送给所述服务器；
所述服务器用于根据用户的心跳间隔数据，获得所述用户的实时心率；获取所述用户的心跳间隔数据的功率谱，根据所述功率谱，获得所述用户的自律神经平衡性；根据所述用户的第一身体指标参数、实时心率及实时全部窦性心博间期标准差获得所述用户的运动风险分析数据；根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据，其中，所述运动负荷指数为所述运动风险分析数据中的运动风险值；根据所述用户的第二身体指标参数、实时心率及预设的运动强度模型获取用户的运动效果分析数据，其中，所述第二身体指标参数包括：身高、体重、性别、年龄及静息心率；
其中，根据所述实时心率、所述功率谱、所述自律神经平衡性及运动负荷指数获得所述用户的精神状态分析数据的步骤，包括：
根据所述用户的所述自律神经平衡性获得精神压力指数；
根据所述功率谱及所述实时心率获得所述用户在运动时间段内的心量指数；
根据所述功率谱获得所述用户在运动时间段内的精神能量消耗指数、和谐指数及精神散乱指数；
根据所述精神能量消耗指数、所述精神压力指数及运动负荷指数获得所述用户在运动时间段内的疲劳指数。
9.根据权利要求8所述的系统，其特征在于，
所述服务器还用于根据所述运动效果分析数据以及预设的运动目标获得运动方案调整建议，将所述运动方案调整建议发送至用户终端；
所述用户终端包括语音模块，所述语音模块用于播报所述用户终端接收到的所述运动方案调整建议。
CN201610570708.XA 2016-07-19 2016-07-19 一种数据分析方法及系统 Active CN106202953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610570708.XA CN106202953B (zh) 2016-07-19 2016-07-19 一种数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610570708.XA CN106202953B (zh) 2016-07-19 2016-07-19 一种数据分析方法及系统

Publications (2)

Publication Number Publication Date
CN106202953A CN106202953A (zh) 2016-12-07
CN106202953B true CN106202953B (zh) 2019-07-02

Family

ID=57494206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610570708.XA Active CN106202953B (zh) 2016-07-19 2016-07-19 一种数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN106202953B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4261837A1 (en) * 2022-04-14 2023-10-18 Polar Electro Oy Apparatus, method, and computer program product for providing training guidance

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106821317A (zh) * 2017-01-22 2017-06-13 中国标准化研究院 一种评价女性个体睡眠状态热舒适性的方法
CN106840257A (zh) * 2017-01-22 2017-06-13 中国标准化研究院 一种评价男性个体睡眠状态热舒适性的方法
CN107595273B (zh) * 2017-09-12 2019-12-13 高驰运动科技(深圳)有限公司 一种心率估算方法和装置
CN107680650A (zh) * 2017-09-22 2018-02-09 上海斐讯数据通信技术有限公司 一种智能生成专业跑步训练计划的方法及系统
CN108597577A (zh) * 2018-04-20 2018-09-28 深圳市科迈爱康科技有限公司 八段锦运动方法、装置及计算机可读存储介质
CN109117820A (zh) * 2018-08-30 2019-01-01 上海爱优威软件开发有限公司 一种基于图像的活体识别方法及系统
TWI728401B (zh) * 2018-09-25 2021-05-21 高雄榮民總醫院 以運動測試評估自主神經功能障礙的電腦程式產品及電腦可讀取媒體
CN110236488A (zh) * 2019-04-29 2019-09-17 深圳六合六医疗器械有限公司 一种实时运动监测的方法及其系统
CN112932424B (zh) * 2019-12-09 2023-03-31 杭州壹诚企业管理咨询有限公司 一种数据获取方法及系统
CN111599471A (zh) * 2020-05-13 2020-08-28 广东高驰运动科技有限公司 动态获取最大摄氧量的方法及电子设备
CN111814352B (zh) * 2020-07-23 2022-07-01 上海工程技术大学 一种基于Python和傅立叶级数对文胸防震功能进行量化的方法
CN112386243A (zh) * 2020-11-16 2021-02-23 蔡佐宾 基于心率变异性的分析方法、系统、产品及存储介质
CN113143271A (zh) * 2020-12-28 2021-07-23 中科宁心电子科技(南京)有限公司 一种孕产妇心理健康评测和深呼吸情绪调理系统
CN113017633B (zh) * 2021-03-18 2023-06-16 北京正气和健康科技有限公司 一种基于人体特征数据的智能精神分析和评价方法及系统
CN113521683B (zh) * 2021-08-27 2022-08-05 吉林师范大学 一种智能体育体能综合训练控制系统
CN114496245A (zh) * 2021-12-31 2022-05-13 新绎健康科技有限公司 一种基于运动能耗监测的个性化体脂调控管理方法及系统
CN115120192B (zh) * 2022-04-20 2024-09-24 广东小天才科技有限公司 精力确定方法及装置、电子设备、计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1903117A (zh) * 2005-07-27 2007-01-31 孙德铨 非侵入性桡动脉血压波型量测系统及其应用
CN104323759A (zh) * 2014-11-05 2015-02-04 中国科学院合肥物质科学研究院 基于运动心率和跑步机的心肺耐力测试方法
CN104490390A (zh) * 2014-12-30 2015-04-08 天津大学 基于神经电生理信号联合分析的人体运动能力判别方法
CN104720783A (zh) * 2013-12-24 2015-06-24 中国移动通信集团公司 一种运动心率监控方法及设备
CN105550530A (zh) * 2016-01-29 2016-05-04 北京心量科技有限公司 精神散乱程度获得方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1903117A (zh) * 2005-07-27 2007-01-31 孙德铨 非侵入性桡动脉血压波型量测系统及其应用
CN104720783A (zh) * 2013-12-24 2015-06-24 中国移动通信集团公司 一种运动心率监控方法及设备
CN104323759A (zh) * 2014-11-05 2015-02-04 中国科学院合肥物质科学研究院 基于运动心率和跑步机的心肺耐力测试方法
CN104490390A (zh) * 2014-12-30 2015-04-08 天津大学 基于神经电生理信号联合分析的人体运动能力判别方法
CN105550530A (zh) * 2016-01-29 2016-05-04 北京心量科技有限公司 精神散乱程度获得方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4261837A1 (en) * 2022-04-14 2023-10-18 Polar Electro Oy Apparatus, method, and computer program product for providing training guidance

Also Published As

Publication number Publication date
CN106202953A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106202953B (zh) 一种数据分析方法及系统
CN104602604B (zh) 生物体信息处理系统、可穿戴装置、服务器系统及生物体信息处理系统的控制方法
US8911329B2 (en) Real-time exercise coaching system
US20160321403A1 (en) Data collection method and apparatus
CN106214121B (zh) 一种睡眠提醒方法和装置以及一种可穿戴设备
US20160220134A1 (en) Biological information measuring apparatus
CN108847283A (zh) 个性化健康管理方法及系统
US20170035365A1 (en) Biological information processing system, electronic apparatus, server system and biological information processing method
US20160220133A1 (en) Biological information measuring apparatus
WO2013161072A1 (ja) 保有活動量算出装置、保有活動量算出方法及び保有活動量算出システム
CA2738623A1 (en) Personalized activity monitor and weight management system
US20140005575A1 (en) Activity meter
CN110491526A (zh) 一种多维度干预的慢病生活方式医学管理系统
WO2020187144A1 (zh) 一种心理压力评估方法及相关设备
JP2015131049A (ja) 生体情報処理システム、電子機器及びサーバーシステム
CN109875195A (zh) 一种智能心血管监测手环
JP2016131604A (ja) 生体情報測定システム、生体情報測定装置および生体情報測定方法
WO2019019489A1 (zh) 运动指导装置、装置和智能穿戴设备
CN202494882U (zh) 一种具有训练计划和提醒的无线心跳计步运动手表
CN106228005B (zh) 数据处理方法及系统
CN106264451B (zh) 运动热量来源分析方法及装置
CN112470230B (zh) 健康管理装置、健康管理方法及存储有程序的计算机可读记录介质
CN111714090A (zh) 一种人体生物节律健康管理方法及系统
CN215741734U (zh) 一种评定有氧锻炼的运动强度的可穿戴设备及系统
US20240074709A1 (en) Coaching based on reproductive phases

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200430

Address after: 310053 room 1304, No. 3758, South Ring Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou yelimi Information Technology Co., Ltd

Address before: 100000, Qinghe Road, Qinghe, Beijing, No. 20, building 18, 4, 4051, Haidian District

Patentee before: BEIJING XINLIANG TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 310000 room 200696, 20th floor, yandafang Wenyuan building, No. 426, binwen Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Jieling Health Technology Co.,Ltd.

Address before: 310053 room 1304, No. 3758, Nanhuan Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou yelimi Information Technology Co.,Ltd.