CN109155154A - 自适应运动性活动处方系统 - Google Patents
自适应运动性活动处方系统 Download PDFInfo
- Publication number
- CN109155154A CN109155154A CN201780029869.0A CN201780029869A CN109155154A CN 109155154 A CN109155154 A CN 109155154A CN 201780029869 A CN201780029869 A CN 201780029869A CN 109155154 A CN109155154 A CN 109155154A
- Authority
- CN
- China
- Prior art keywords
- user
- running
- data
- exercise
- critical speed
- 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.)
- Pending
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
- A41D1/00—Garments
- A41D1/002—Garments adapted to accommodate electronic equipment
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43B—CHARACTERISTIC FEATURES OF FOOTWEAR; PARTS OF FOOTWEAR
- A43B3/00—Footwear characterised by the shape or the use
- A43B3/34—Footwear characterised by the shape or the use with electrical or electronic arrangements
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43B—CHARACTERISTIC FEATURES OF FOOTWEAR; PARTS OF FOOTWEAR
- A43B5/00—Footwear for sporting purposes
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
- A63B2071/0625—Emitting sound, noise or music
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B2071/0655—Tactile feedback
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/10—Positions
- A63B2220/12—Absolute positions, e.g. by using GPS
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/30—Speed
- A63B2220/34—Angular speed
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/40—Acceleration
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/50—Force related parameters
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/50—Force related parameters
- A63B2220/51—Force
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/70—Measuring or simulating ambient conditions, e.g. weather, terrain or surface conditions
- A63B2220/72—Temperature
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/803—Motion sensors
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
- A63B2220/836—Sensors arranged on the body of the user
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
- A63B2225/50—Wireless data transmission, e.g. by radio transmitters or telemetry
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2230/00—Measuring physiological parameters of the user
- A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
- A63B2230/06—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations heartbeat rate only
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2230/00—Measuring physiological parameters of the user
- A63B2230/50—Measuring physiological parameters of the user temperature
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physical Education & Sports Medicine (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Textile Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
用于规定由用户执行的运动性活动并用于基于所述用户已完成(例如,进行中)的运动表现调适所规定的运动性活动的系统和方法。可自动创建指导计划,所述指导计划规定用户在目标日期之前训练的个性化运动性活动。运动信息可从与用户相关的一个或多个传感器装置接收,并且所述指导计划可基于接收到的传感器数据而不断地或间歇性地更新。
Description
相关申请的交叉引用
本申请要求2016年3月15日提交的第62/308,749号美国临时申请、2016年3月15日提交的第号62/308,766美国临时专利申请、2016年6月22日提交的第62/353,394号美国临时专利申请和2016年7月29日提交的第62/368,559号美国临时专利申请的优先权,所述申请出于任何和所有非限制性目的明确地以全文引用的方式并入本文中。
技术领域
背景技术
虽然大多数人都了解体育锻炼的重要性,但是很多人很难找到坚持定期锻炼计划所需要的动力。一些人觉得坚持包含不断反复的运动的锻炼方案非常困难,例如跑步、步行和骑车。就此而言,用于追踪用户活动的装置可以通过提供关于过往活动的反馈以及鼓励人们继续进行日常锻炼以便达成各种锻炼目标来提供动力。
还有一些人可能想要针对某一运动目标进行训练,例如赛跑,却可能受限于不是根据他们的特定要求和能力(例如,计划表、体能水平等)定制的硬性训练计划或用户的特定要求和能力之间具有明显滞后的训练计划,以及基于用户进展的有限调整次数。
发明内容
下文呈现对本公开的简化概述以便提供对本发明的一些方面的基本理解。此概述并非本发明的详尽综述。此概述并不希望识别本发明的关键或极其重要的元件或者划定本发明的范围。以下概述仅以简化形式呈现本发明的一些概念,作为对下面提供的更详细描述的序言。
各方面涉及用于规定由用户执行的运动性活动并用于基于用户已完成(例如,进行中)的运动表现调适所规定的运动性活动的方法。系统和方法可用于创建指导计划,所述指导计划规定用户在目标日期之前训练的个性化运动性活动。这一指导计划可包含跑步计划。在一个实例中,可从与用户相关的一个或多个传感器装置接收运动信息。接收到的运动信息可包含关于运动员的历史、人口统计、表现和/或其它形式的数据。运动信息可来源于一个或多个来源或可从一个或多个来源接收,和/或可在不同时间和/或以不同间隔获得。
附图说明
图1说明根据实例实施例的可被配置成提供个人训练和/或从用户的物理移动获得数据的实例系统;
图2说明可以是图1的系统的一部分或与图1的系统通信的实例计算机装置;
图3示出根据实例实施例的可由用户佩戴的说明性传感器组合件;
图4示出根据实例实施例的可由用户佩戴的另一实例传感器组合件;
图5示出根据本文中所描述的一个或多个方面的传感输入的说明性位置,所述传感输入可包含位于用户的衣服上/衣服中的物理传感器,和/或可基于用户的两个移动身体部位之间的关系的识别;
图6是根据本文中所描述的一个或多个方面的描述用于规定由用户执行的运动性活动并用于基于用户已完成的运动表现调适所规定的运动性活动的方法的流程图;
图7是根据本文中所描述的一个或多个方面的进一步详细地描述图6的一个或多个过程的流程图;
图8A是根据本文中所描述的一个或多个方面的进一步详细地描述计算相对强度的一个实例实施方案的流程图;
图8B是根据本文中所描述的一个或多个方面的进一步详细地描述计算相对强度的另一实例实施方案的流程图;
图9是根据本文中所描述的一个或多个方面的呈现使用在不同情况下所计算的相对强度确定TRIMP的实例实施例的流程图;
图10是根据本文中所描述的一个或多个方面的用于获得基准数据的实例实施例的流程图;
图11是根据本文中所描述的一个或多个方面的描述可用于创建用户的运动处方的一个或多个过程的流程图;
图12是根据本文中所描述的一个或多个方面的进一步详细地描述可经执行以计算所规定的训练冲量的量和分配的一个或多个实例过程的流程图;
图13A是根据本文中所描述的一个或多个方面的描述用于选择对应于跑步指导计划的一个或多个规定训练冲量的活动分配的一个或多个过程的流程图;
图13B是根据本文中所描述的一个或多个方面的可针对跑步指导计划的前两周规定的实例跑步计划;
图14是根据本文中所描述的一个或多个方面的描述用于创建对应于跑步指导计划的一个或多个规定训练冲量的运动性活动的一个或多个过程的流程图;
图15A示意性地描绘根据本文中所描述的一个或多个方面的给定用户的影响曲线;
图15B描绘根据本文中所描述的一个或多个方面的用于导出计算用户的临界速度的公式的经验数据;
图15C描绘根据本文中所描述的一个或多个方面的用于建立不同跑步配速和距离处方与用户的临界速度之间的关系的经验数据;
图16描绘根据本文中所描述的一个或多个方面的用于基于用户所进行的跑步类型估计用户的临界速度的测试数据的图形。
另外,应理解,附图可代表单个实施例的不同部件的某一比例;但是所公开实施例不限于所述特定比例。
具体实施方式
本公开的各方面涉及获得、存储和/或处理关于运动员的物理移动的运动数据。运动数据可进行有源或无源感测和/或被存储在一个或多个非暂时性存储媒体中。又其它方面涉及使用运动数据产生输出,如所计算的运动属性、用于提供指导的反馈信号和/或其它信息。这些和其它方面将在个人训练系统的以下说明性实例的上下文中进行论述。
在各种实施例的以下描述中,参考附图,这些附图形成实施例的一部分,并且附图中借助于图示展示本公开的各方面可被实践的各种实施例。应理解,在不脱离本公开的范围和精神的情况下,可利用其它实施例,并且可做出结构和功能修改。另外,本公开内的标题不应被视为限制本公开的各方面,且实例实施例不限于实例标题。
I.实例个人训练系统
A.说明性网络
本公开的各方面涉及可以在多个网络上使用的系统和方法。就此而言,某些实施例可被配置成适应动态网络环境。其它实施例可用于不同的分散网络环境中。图1说明根据实例实施例的个人训练系统100的实例。实例系统100可包含一个或多个互连网络,例如说明性体域网(BAN)102、局域网(LAN)104和广域网(WAN)106。如图1中所示(且贯穿本公开所描述的),一个或多个网络(例如,BAN 102、LAN 104和/或WAN 106)可以重叠或以其它方式包含彼此。所属领域的技术人员将了解,说明性网络102-106是可以各自包括一个或多个不同的通信协议和/或网络架构但可被配置成具有去往彼此或其它网络的网关的逻辑网络。例如,BAN 102、LAN 104和/或WAN 106中的每一个可以可操作方式连接于同一物理网络架构,例如蜂窝网络架构108和/或WAN架构110。例如,可被视为BAN 102和LAN 104两者的部件的便携式电子装置112可包括网络适配器或网络接口卡(NIC),所述网络适配器或网络接口卡被配置成根据一个或多个通信协议通过架构108和/或110中的一个或多个将数据和控制信号转化成网络消息和从网络消息转化数据和控制信号,所述通信协议例如传输控制协议(TCP)、互联网协议(IP)和用户数据报协议(UDP)。这些协议在本领域中是众所周知的,因此在本文中不会更详细地加以论述。
网络架构108和110可包含呈单独或组合形式的一个或多个任何类型或拓扑的信息分配网络,如缆线、光纤、卫星、电话、蜂窝、无线等,并且因此,网络架构108和110可以不同方式配置,例如具有一个或多个有线或无线通信信道(包含但不限于:近场通信(NFC)和/或ANT技术)。因此,在图1的网络内的任何装置(例如便携式电子装置112或本文中所描述的任何其它装置)可被视为包含不同逻辑网络102-106中的一个或多个。有了前述想法,将描述说明性BAN和LAN(它们可联接到WAN 106)的实例部件。
1.实例局域网
LAN 104可包含一个或多个电子装置,如计算机装置114。计算机装置114或系统100的任何其它部件可包括移动终端,例如电话、音乐播放器、平板电脑、上网本或任何便携式装置。在其它实施例中,计算机装置114可包括媒体播放器或记录器、台式电脑、服务器、游戏控制台,游戏控制台例如XBOX、Playstation和/或Wii游戏控制台。所属领域的技术人员将了解,这些只是用于描述目的的实例装置,且本公开不限于任何控制台或计算装置。
所属领域的技术人员将了解,计算机装置114的设计和结构可依据若干种因素而变化,所述因素例如计算机装置114的预期目的。在图2中提供计算机装置114的一个实例实施方案,图2说明计算装置200的框图。所属领域的技术人员将了解,图2的公开内容可适用于本文中所公开的任何装置。装置200可包含一个或多个处理器,例如处理器202-1和202-2(在本文中一般称为“处理器202”)。处理器202可通过互连网络或总线204与彼此或其它部件通信。处理器202可包含一个或多个处理核心,例如核心206-1和206-2(在本文中一般称为“核心206”),处理核心可实施于单个集成电路(IC)芯片上。
核心206可包括共享高速缓存208和/或私有高速缓存(例如,分别为高速缓存210-1和210-2)。一个或多个高速缓存208/210可在本地高速缓存存储在例如存储器212的系统存储器中的数据,以供处理器202的部件进行更快的存取。存储器212可通过芯片组216与处理器202通信。在某些实施例中,高速缓存208可以是系统存储器212的一部分。存储器212可包含但不限于随机存取存储器(RAM)、只读存储器(ROM),且包含固态存储器、光学或磁性存储装置和/或可用于存储电子信息的任何其它媒体中的一个或多个。另外的其它实施例可省略系统存储器212。
系统200可包含一个或多个I/O装置(例如,I/O装置214-1至214-3,每一I/O装置一般被称为I/O装置214)。来自一个或多个I/O装置214的I/O数据可存储在一个或多个高速缓存208、210和/或系统存储器212处。每一个I/O装置214可被永久性或暂时性地配置为使用任何物理或无线通信协议而与系统100的部件操作性通信。
返回到图1,示出四个实例I/O装置(示出为元件116-122)与计算机装置114通信。所属领域的技术人员将了解,装置116-122中的一个或多个可为单独装置,或可与除计算机装置114之外的另一装置相关。例如,一个或多个I/O装置可与BAN 102和/或WAN 106的部件相关或与其交互。I/O装置116-122可包含但不限于运动数据获取单元,如传感器。一个或多个I/O装置可被配置成感测、检测和/或测量例如用户124的用户的运动参数。实例包含但不限于:加速度计、陀螺仪、位置确定装置(例如,GPS)、光(包含不可见光)传感器、温度传感器(包含环境温度和/或体温)、睡眠模式传感器、心率监测仪、图像捕获传感器、湿度传感器、力传感器、指南针、角速率传感器和/或其组合等等。
在另外的实施例中,I/O装置116-122可用于提供输出(例如,听觉、视觉或触觉提示)和/或接收输入,例如运动员124的用户输入。在下文提供这些说明性I/O装置的实例使用,但是所属领域的技术人员将了解,此类论述只描述了在本公开的范围内的许多选择方案中的一些。另外,对任何数据获取单元、I/O装置或传感器的提及应被解释为公开可具有(呈个别或组合形式的)本文中所公开的或本领域中已知的一个或多个I/O装置、数据获取单元和/或传感器的实施例。
来自一个或多个装置(在一个或多个网络上)的信息可用于提供(用于形成)各种不同参数、度量或生理特性,包含但不限于:运动参数,例如速度、加速度、距离、走过的步数、方向、某些身体部位或对象相对于其它身体部位或对象的移动,或可表达为角速率、直线速率或其组合的其它运动参数;生理参数,例如卡路里、心跳速率、汗液检测、精力(effort)、所消耗的氧、氧动力学;以及可处于一个或多个类别内的其它度量,例如:压力、冲击力、关于运动员的信息,如身高、体重、年龄、人口统计信息及其组合。
系统100可被配置成传输和/或接收运动数据,包含在系统100内收集的或以其它方式提供到系统100的参数、度量或生理特性。作为一个实例,WAN 106可包括服务器111。服务器111可具有图2的系统200的一个或多个部件。在一个实施例中,服务器111包括至少一个处理器和存储器,例如处理器206和存储器212。服务器111可被配置成在非暂时性计算机可读媒体上存储计算机可执行指令。指令可包括运动数据,例如在系统100内收集的原始或经处理数据。系统100可被配置成向社交网站传输数据,例如能量消耗点,或者主控这样一个站点。服务器111可用于准许一个或多个用户存取和/或比较运动数据。因而,服务器111可被配置成基于运动数据或其它信息而传输和/或接收通知。
返回到LAN 104,计算机装置114示出为与显示装置116、图像捕获装置118、传感器120和锻炼装置122操作性通信,所述显示装置116、图像捕获装置118、传感器120和锻炼装置122在下文参考实例实施例依次论述。在一个实施例中,显示装置116可向运动员124提供视听提示以进行特定运动移动。可响应于在计算机装置114或包含BAN 102和/或WAN的装置的任何其它装置上执行的计算机可执行指令而提供视听提示。显示装置116可为触摸屏装置,或以其它方式被配置成接收用户输入。
在一个实施例中,可从图像捕获装置118和/或例如传感器120的其它传感器获得数据,所述传感器可单独地或与其它装置组合地用于检测(和/或测量)运动参数或所存储信息。图像捕获装置118和/或传感器120可包括收发器装置。在一个实施例中,传感器128可包括红外(IR)、电磁(EM)或声学收发器。例如,图像捕获装置118和/或传感器120可将波形传输到环境中,包含朝向运动员124的方向传输,并接收“反射”或以其它方式检测那些所释放的波形的更改。所属领域的技术人员将很容易了解,可根据各种实施例利用对应于大量不同数据频谱的信号。就此而言,装置118和/或120可检测从外部来源(例如,不是系统100)发射的波形。例如,装置118和/或120可检测从用户124和/或周围环境发射的热。因此,图像捕获装置126和/或传感器128可包括一个或多个热成像装置。在一个实施例中,图像捕获装置126和/或传感器128可包括被配置成执行距离现象学(range phenomenology)的IR装置。
在一个实施例中,锻炼装置122可以是可配置成准许或有助于运动员124执行物理移动的任何装置,如跑步机、踏步机等。装置不一定是固定的。就此而言,无线技术准许利用便携式装置,因此可根据某些实施例利用自行车或其它移动锻炼装置。所属领域的技术人员将了解,设备122可以是或包括用于接收电子装置的接口,所述电子装置含有从计算机装置114远程执行的运动数据。例如,用户可使用体育装置(下文关于BAN 102所描述),并且在回到家或回到设备122的位置时将运动数据下载到元件122或系统100的任何其它装置中。本文中所公开的任何I/O装置可被配置成接收活动数据。
2.体域网
BAN 102可包含两个或更多个被配置成接收、传输或以其它方式有助于收集运动数据的装置(包含无源装置)。示范性装置可包含一个或多个数据获取单元、传感器或本领域中已知的或本文中所公开的装置,包含但不限于I/O装置116-122。BAN 102的两个或更多个部件可直接通信,但在其它实施例中,通信可通过第三装置来实施,第三装置可以是BAN102、LAN 104和/或WAN 106的一部分。LAN 104或WAN 106的一个或多个部件可形成BAN 102的一部分。在某些实施方案中,例如便携式装置112的装置是不是BAN 102、LAN 104和/或WAN 106的一部分可取决于运动员相对于存取点的接近度,所述存取点准许与移动蜂窝网络架构108和/或WAN架构110进行通信。用户活动和/或偏好也可影响一个或多个部件是否用作BAN 102的一部分。下面提供实例实施例。
用户124可与任何数目个装置相关(例如,具有、携带、佩戴任何数目个装置和/或与任何数目个装置交互),所述装置例如便携式装置112、安装在鞋上的装置126、佩戴在腕部的装置128和/或感测位置,例如感测位置130,所述感测位置可包括物理装置或用于收集信息的位置。一个或多个装置112、126、128和/或130可能不是针对健身或运动目的而专门设计的。实际上,本公开的各方面涉及利用来自多个装置的数据以收集、检测和/或测量运动数据,所述装置中的一些不是健身装置。在某些实施例中,BAN 102(或任何其它网络)中的一个或多个装置可包括针对特定体育用途而专门设计的健身或体育装置。如本文中所使用,术语“体育装置”包含在特定体育或健身活动期间可以使用或涉及到的任何物理对象。示范性体育装置可包含但不限于:高尔夫球、篮球、棒球、足球、橄榄球、腕力球(powerball)、冰球、重物、球棒、球杆、棍、桨、垫及其组合。在另外的实施例中,示范性健身装置可包含其中进行特定体育的体育环境内的对象,包含环境自身,例如球门网、篮框、篮板、场地的部分,例如中线、外边界标记、垒(base)及其组合。
就此而言,所属领域的技术人员将了解,一个或多个体育装置还可以是结构的一部分(或形成结构)且反之亦然,结构可包括一个或多个体育装置或被配置成与体育装置交互。例如,第一结构可包括篮球篮框和篮板,篮球框和篮板可为可拆卸的,并且可用门柱替换。就此而言,一个或多个体育装置可包括一个或多个传感器,例如上文关于图1-3所论述的传感器中的一个或多个,传感器可独立地或结合其它传感器提供所用的信息,所述其它传感器例如与一个或多个结构相关的一个或多个传感器。例如,篮板可包括第一传感器,所述第一传感器被配置成测量篮球施加在篮板上的力和力的方向,且篮框可包括用于检测力的第二传感器。类似地,高尔夫球杆可包括被配置成检测轴杆上的抓持属性的第一传感器和被配置成测量对高尔夫球的冲击力的第二传感器。
观察说明性便携式装置112,它可为例如包含电话或数字音乐播放器的多用途电子装置,包含可从加利福尼亚库比蒂诺的苹果公司购得的或品牌装置,或可从华盛顿雷德蒙德的微软购得的或Windows装置。如本领域中已知,数字媒体播放器可用作计算机的输出装置、输入装置和/或存储装置。装置112可被配置为用于接收从BAN 102、LAN 104或WAN 106中的一个或多个装置收集的原始或经处理数据的输入装置。在一个或多个实施例中,便携式装置112可包括计算机装置114的一个或多个部件。例如,便携式装置112可包含显示器116、图像捕获装置118和/或一个或多个数据获取装置,例如上文所论述的I/O装置116-122中的任一个,同时可以具有也可以不具有额外部件,以便包括移动终端。
a.说明性服装/配饰传感器
在某些实施例中,I/O装置可形成于用户124的衣服或配饰内或以其它方式与用户124的衣服或配饰相关,所述衣服或配饰包含手表、臂带、腕带、项链、衬衫、鞋等等。这些装置可被配置成监测用户的运动移动。应理解,它们可在用户124与计算机装置114交互期间检测运动移动,和/或可独立于计算机装置114(或本文中所公开的任何其它装置)进行操作。例如,BAN 102中的一个或多个装置可被配置成用作全天活动监测器,这种监测器不管用户相对于计算机装置114的接近度如何或是否与计算机装置114交互都测量活动。还应理解,将各自在下面的段落中加以描述的图3中所示的传感系统302和图4中所示的装置组合件400只是说明性实例。
i.安装在鞋上的装置
在某些实施例中,图1所示的装置126可包括可包含一个或多个传感器的鞋子,传感器包含但不限于本文中所公开的和/或本领域中已知的那些传感器。图3说明提供一个或多个传感器组合件304的传感器系统302的一个实例实施例。组合件304可包括一个或多个传感器,如加速度计、陀螺仪、位置确定部件、力传感器和/或本文中所公开的或本领域中已知的任何其它传感器。在所说明的实施例中,组合件304并有多个传感器,所述传感器可包含力敏电阻器(FSR)传感器306;但是还可利用其它传感器。端口308可定位在鞋的鞋底结构309内,且一般被配置成与一个或多个电子装置通信。端口308可以视需要设置成与电子模块310通信,并且鞋底结构309可以视需要包含壳体311或用于收容模块310的其它结构。传感器系统302还可包含多个引线312,引线312将FSR传感器306连接到端口308,以通过端口308启用与模块310和/或另一电子装置的通信。模块310可容纳于鞋的鞋底结构中的凹孔或腔内,并且壳体311可定位在所述凹孔或腔内。在一个实施例中,至少一个陀螺仪和至少一个加速度计设置在单个壳体内,所述单个壳体例如模块310和/或壳体311。在至少一个其它实施例中,提供在操作时被配置成提供方向信息和角速率数据的一个或多个传感器。端口308和模块310包含用于连接和通信的互补接口314、316。
在某些实施例中,图3中所示的至少一个力敏电阻器306可含有第一电极或电触点318和第二电极或电触点320及力敏电阻材料322,所述力敏电阻材料322安置在电极318、320之间以将电极318、320电连接在一起。当压力被施加到力敏材料322时,力敏材料322的电阻率和/或导电率改变,从而改变电极318、320之间的电势。电阻的改变可通过用于检测施加在传感器316上的力的传感器系统302检测。力敏电阻材料322可在压力下通过多种方式改变它的电阻。例如,力敏材料322可具有在材料被挤压时降低的内部电阻。其它实施例可利用“基于体积的电阻(volume-based resistance)”,所述“基于体积的电阻”可通过“智能材料”实施。作为另一实例,材料322可通过改变面面接触程度来改变电阻,例如两块力敏材料322之间或力敏材料322和电极318、320中的一个或两个之间的面面接触。在一些情况下,这种类型的力敏电阻特性可被描述为“基于接触的电阻”。
ii.佩戴在腕部的装置
如图4中所示,装置400(其可类似于或包括图1所示的传感装置128)可被配置成由用户124佩戴在例如腕部、手臂、脚踝、颈部等周围。装置400可包含被配置成在装置400的操作期间使用的输入机构,例如可按压输入按钮402。输入按钮402可以可操作方式连接到控制器404和/或任何其它电子部件,例如关于图1所示的计算机装置114论述的元件中的一个或多个。控制器404可嵌入壳体406,或以其它方式成为壳体406的一部分。壳体406可由一种或多种材料形成,包含弹性部件,且包括一个或多个显示器,例如显示器408。显示器可被视为装置400的可被照明部分。显示器408可包含一系列个别发光元件或光构件,例如LED灯410。灯可形成为阵列且以可操作方式连接到控制器404。装置400可包含指示器系统412,指示器系统412也可被视为整体显示器408的一部分或部件。指示器系统412可结合显示器408(其可具有像素构件414)操作和照明,或与显示器408完全分隔开。指示器系统412还可包含多个额外发光元件或光构件,所述额外发光元件或光构件在示范性实施例中也可采用LED灯的形式。在某些实施例中,指示器系统可提供目标的视觉指示,例如通过照亮指示器系统412的发光构件的一部分以表示朝向一个或多个目标的实现程度。装置400可被配置成基于用户的活动通过显示器408和/或指示器系统412显示用用户所赢得的活动点或游戏币表示的数据。
可将紧固机构416松开,其中装置400可定位在用户124的腕部或一部分周围,且可随后将紧固机构416置于接合位置。在一个实施例中,紧固机构416可包括用于与计算机装置114和/或例如装置120和/或112的装置进行操作性交互的接口,包含但不限于USB端口。在某些实施例中,紧固构件可包括一个或多个磁体。在一个实施例中,紧固构件可不含移动部分,且完全依赖于磁力。
在某些实施例中,装置400可包括传感器组合件(图4中未示出)。传感器组合件可包括多个不同的传感器,包含本文中所公开的和/或本领域中已知的那些传感器。在实例实施例中,传感器组合件可包括或准许以可操作方式连接到本文中所公开的或本领域中已知的任何传感器。装置400和或它的传感器组合件可被配置成接收从一个或多个外部传感器获得的数据。
iii.服装和/或身体位置感测
图1的元件130示出可与物理设备相关的实例传感位置,所述物理设备例如传感器、数据获取单元或其它装置。但在其它实施例中,它可为例如通过图像捕获装置(例如,图像捕获装置118)监测的身体部分或区域的特定位置。在某些实施例中,元件130可包括传感器,使得元件130a和130b可为集成到例如运动服的服装中的传感器。此类传感器可被放置在用户124的身体的任何所要位置处。传感器130a/b可与BAN 102、LAN 104和/或WAN 106的一个或多个装置(包含其它传感器)通信(例如,以无线方式)。在某些实施例中,无源感测表面可反射由图像捕获装置118和/或传感器120发射的波形,例如红外光。在一个实施例中,位于用户124的服装上的无源传感器可包括由玻璃制成的大体上球状结构或可反射波形的其它透明或半透明的表面。可利用不同类型的服装,其中给定类型的服装具有被配置成在被正确地佩戴时位于用户124的身体的特定部分附近的特定传感器。例如,高尔夫服装可包含定位于呈第一配置的服装上的一个或多个传感器,而足球服装可包含定位于呈第二配置的服装上的一个或多个传感器。
图5示出传感输入的说明性位置(例如,参看传感位置130a-130o)。就此而言,传感器可为位于用户的衣服上/衣服中的物理传感器,但在其它实施例中,传感器位置130a-130o可基于两个移动的身体部位之间的关系的识别。例如,传感器位置130a可通过用例如图像捕获装置118的图像捕获装置识别用户124的运动来确定。因此,在某些实施例中,传感器的物理位置可能不在特定位置(例如传感器位置130a-130o中的一个或多个)处,但是传感器被配置成感测所述位置的特性,例如用图像捕获装置118或从其它位置搜集的其它传感器数据感测。就此而言,用户身体的整体形状或部分可准许识别某些身体部位。不管是否利用图像捕获装置和/或物理传感器是否位于用户124上,和/或是否使用来自其它装置(例如传感系统302)、装置组合件400和/或本文中所公开的或本领域中已知的任何其它装置或传感器的数据,传感器都可感测身体部位的当前位置和/或追踪身体部位的移动。在一个实施例中,关于位置130m的感测数据可用于确定用户的重心(也称为质量中心)。例如,位置130a和位置130f/130l关于位置130m-130o中的一个或多个之间的关系可用于确定用户的重心是否已沿着竖轴提高(例如在跳跃期间)或用户是否试图通过弯曲和屈伸他的膝部来“假装”跳跃。在一个实施例中,传感器位置1306n可位于用户124的胸骨周围。同样地,传感器位置130o可位于用户124的肚脐附近。在某些实施例中,可(单独地或与其它数据集合地)利用来自传感器位置130m-130o的数据以确定用户124的重心。在另外的实施例中,例如传感器130m-130o的多个传感器位置之间的关系可用于确定用户124和/或旋转力的朝向,例如用户124的躯干的扭转。另外,例如位置的一个或多个位置可用作力矩位置的中心(或力矩位置的大致中心)。例如,在一个实施例中,位置130m-130o中的一个或多个可用作用户124的力矩位置的中心的点。在另一实施例中,一个或多个位置可用作特定身体部位或区域的力矩中心。
实例运动性活动处方的概述
本创新的各方面涉及创建个性化运动序列,所述个性化运动序列可基于用户的经验水平、所要结果和/或关注点来创建,并且可基于用户的表现进行调适。实施例创建基于时间的自适应指导或训练方案。所述方案可输出所规定运动性活动的日程表,所述日程表在规定计划内可以设有也可以不设有一个或多个循环。在一个实施例中,可创建基于用户的计划表进行调适的运动性活动的分配,所述计划表在规定的运动性活动计划期间可能会改变。
众所周知,一部分人喜欢将运动性活动作为他们的日常计划和/或他们的周计划中的某些天或某些时间的常规部分来进行。现有技术系统不会考虑这种个人需要,因此用户在这些天/时间将会仍然进行因为非自适应的先前系统没有考虑到而导致他们容易疲劳和/或受伤的运动性活动。另外,其他人可能只有每周进行所规定的运动性活动1到2次或者以更低频率进行所规定的运动性活动的时间资源。因此,对于某些实施例,确保那些用户在他们有时间去投入时获得最高训练负荷(例如,TRIMP值)锻炼计划将是有利的。因此,在一个实施例中,最高TRIMP值可按值的降序来排列。这还可确保每天进行所规定的运动性活动的那些人不会接收到高达前两天(或其它天数)的TRIMP值。
一些用户可能想要在某些天进行他们最硬的锻炼方案,例如,每周二前往健身房或进行比赛。最佳处方一开始可能不让他们在希望的那一天进行最硬的锻炼(或某一门槛水平的锻炼)。然而,给定计划的可调整性,当模型更新时,它将变得更加接近他们的现实情况。
在某些实施例中,使用从运动员关于所规定的运动性活动的表现收集的过往实际数据以及所规定的运动性活动(例如,在接下来的天数所计划的40、50和30TRIMP)使得微循环能够划分得更加均匀。这进一步确保了例如可通过TRIMP测量的“硬锻炼”分散在整个计划或目标周期内,同时还完整无缺地实现了生理目的(physiological intent)。
图6是流程图600,其描述了用于规定由用户执行的运动性活动并用于基于用户已完成(例如,进行中)的运动表现调适所规定的运动性活动的方法。在一个实施方案中,流程图600可用于创建指导计划,所述指导计划规定用户在目标日期之前训练的个性化运动性活动。这一指导计划可包含跑步计划或训练计划。在一个实例中,可从与用户相关的一个或多个传感器装置接收运动信息。所述一个或多个传感器装置可包含此前在本公开中所描述的传感器中的任一个。在一个实例中,在框602处,可接收运动信息。接收到的运动信息可包含关于运动员的历史、人口统计、表现和/或其它形式的数据。运动信息可来源于一个或多个来源或可从一个或多个来源接收,和/或可在不同时间和/或以不同间隔获得。在一个实施例中,可接收人口统计信息,例如身高、年龄、体重和/或性别。接收到的信息还可包含可对应于竞赛日期的目标日期的指示,用户希望在所述竞赛日期参与体育竞赛(例如,赛跑,如马拉松日期)。在另一实例中,目标日期可对应于指导计划的预期结束日期,所述预期结束日期可响应于指导计划的改变而调整(移动)。接收到的信息还可包含每周用户希望锻炼的天数、用户的当前活动水平(例如,用户每周跑步的平均英里数,或每周训练所花费的平均小时数)。所属领域的技术人员将了解,一个或多个处理器可处理一个或多个接收到的数据值以产生额外或其它运动数据。
在一个实例中,可执行将用户所完成的运动性活动量化成一个或多个训练消耗度量的一个或多个过程。所完成的运动性活动可包含跑步、骑车、游泳、体育游戏(例如,篮球、足球、网球、曲棍球等等)、健身房训练课程等等。在框602处,可根据接收到的传感器数据识别所完成的运动性活动。在一个实施方案中,训练消耗度量可包含训练冲量(或被称为TRIMP)。在一个实例中,在框604处,可执行先前运动性活动到例如TRIMP的训练消耗度量的量化。另外,稍后在本文件中进一步详细地描述将先前运动性活动量化成一个或多个训练消耗度量的一个或多个过程。
在另一实例中,可指示用户完成一个或多个基准测试或活动。基准测试或活动可包含具有预定义约束的运动性活动,所述预定义约束例如预定义时限/持续时间或预定义距离。具体地说,基准测试可包含三分钟跑步测试和九分钟跑步测试。对于三分钟和九分钟跑步测试中的每一个,可指示用户在所允许的时间内跑得尽可能远。设想可以利用规定不同于三分钟和九分钟测试的时间的基准测试(例如,1分钟、2分钟、4分钟、5分钟、6分钟、7分钟、8分钟、10分钟、11分钟跑步测试等),同时不脱离这些公开内容的范围。在一个实例中,在流程图600的框606处,可执行从一个或多个基准测试活动接收运动数据。
在替代实例中,在流程图600的框606处,可利用单个基准测试。所述单个基准测试可指示用户在三分钟的时间段内跑得尽可能远。然而,设想可利用不同的持续时间(例如,1分钟、2分钟、4分钟、5分钟、6分钟、7分钟、8分钟、10分钟、11分钟跑步测试等),同时不脱离这些公开内容的范围。如图8B中进一步描述,所述单个基准测试可用于计算用户的临界速度。有利的是,单个基准测试可允许本文中所描述的系统和方法使用数量更有限的信息来计算用户的指导计划(例如,而不需要两个基准测试),由此使得用户可以很快地接收到指导信息。
在一个实例中,完成基准测试的指令可通过运动性活动装置传送给用户,所述运动性活动装置例如此前在本文中所描述的那些装置中的一个或多个。在另一实施方案中,可随后将在非基准测试活动期间由一个或多个传感器装置记录的运动性活动数据识别为适于用作基准测试数据。应注意,可以除了获得过往运动数据之外,还为用户规定基准测试,或可在不获得过往运动数据(例如,不具有框604)的情况下,为用户规定基准测试。另外,可基于用户偏好为用户规定基准测试。例如,如果用户想要被指导进行以跑步为重点的比赛,例如5K赛跑、10K赛跑、半马拉松或马拉松(或具有跑步部分的比赛,例如铁人三项),那么可以实施跑步特定的基准分析。就此而言,为用户规定的基准测试可包含期间指示用户跑得尽可能远的3分钟测试、期间指示用户跑得尽可能远的9分钟测试或3分钟全速测试等等。在某些实施例中,可利用两个基准测试(例如,3分钟和9分钟测试)的结果来计算用户的临界速度和有限作功能力(稍后在本文件中进一步详细地描述)。在另一实施例中,可利用单个基准测试(例如,期间指示用户跑得尽可能远的3分钟测试或3分钟全速测试)的结果来计算用户的临界速度和有限作功能力(稍后在本文件中进一步详细地描述。参看例如图8B)。
在一个实例中,为了计算用户的指导计划,用户可被归类到一种经验分类中。在一个实施方案中,用户可被归类到三个经验分类中的一个分类中。例如,对于跑步运动员,分类可基于所报告的运动员平均在一周内跑的英里数而被定义为初级、中级和高级。在另一实例中,对于健身房环境或其它环境中使用不同锻炼的运动员训练,运动员可基于在一周内平均花费在训练上的小时数而被分类为初级、中级或高级。然而,设想可以利用多于或少于三个的分类,同时不脱离这些公开内容的范围。在额外的实施方案中,可利用机器学习聚类算法基于与一个或多个用户相关的数据来对用户进行分类。例如,可使用用户运动信息的数据库实施一个或多个机器学习聚类算法。
另外,作为已跑的平均英里数或花费在训练上的平均时间的补充或替代,运动员可基于额外用户输入数据或通过一个或多个传感器装置感测到的运动数据而被归类到一种经验类型中。在一个实施例中,分类可为包括多个分散类别的单个分类结构,每一个进行归类的运动员被放在所述结构的单个类别中。在其它实施例中,分类结构可为多因素的。在某些实施例中,运动员可基于体育运动特定和/或(一种体育运动的)位置特定的因素进行分类。就此而言,例如,用户可被归类为经验丰富的足球运动员,但也可被归类为初级网球运动员。在另一实例中,运动员可被归类为给定体育运动的经验丰富的前锋,但也可被归类为同一项体育运动的守门员位置的初学者。类别可为纯数字的,但在其它实施例中,它们可与文字或符号串相关,例如表示可在初级、中级和/或高级的范围内的经验水平的文字或符号串。所属领域的技术人员将了解,这些仅仅是实例,且可根据各种实施例利用其它数量和/或质量特性。
在一个实施方案中,经验水平可直接地、间接地、通过传感器数据和/或通过这些和其它来源的组合从运动员和/或其他人(例如,教练、队友、球探(scout))获得。例如,如果运动归类是关于跑步,那么可根据所存储的传感器数据分析用户的先前跑步经验的电子数据。在另一实施方案中,可基于用户手动输入的信息分析用户的先前跑步经验,所述信息包含已跑的英里数、跑步天数、距离、配速和/或其它数据。在某些实施例中,包含但不限于使用过往由传感器获得的数据,超过门槛时间值的运动数据可以不被考虑,和/或可以不同于近期运动数据的方式进行加权。例如,在一个月之前的运动数据可以不被考虑,或可以不同于上个月或其它时间帧内采集的运动数据的方式进行加权。另外,尽管以上描述利用跑步实例,但是设想可在此前描述的分析中考虑任何体育运动、活动或相关运动移动。
在一个实施方案中,在将用户归类到一种经验类别中时,可利用基于所确定的经验类别向用户指派一个或多个运动常量的一个或多个过程。所述一个或多个运动常量可包含体能增益、疲劳增益、体能衰减和疲劳衰减。如稍后将进一步详细地描述,这些运动常量可用于计算用户的指导计划。另外,在一个实施方案中,在图6所示的流程图600的框608处,可执行对用户进行归类以及基于用户的经验水平向用户指派运动常量的一个或多个过程。
可基于所归类的经验水平和与用户相关的目标,为用户产生自适应运动性活动处方。在一个实例中,与用户相关的目标可基于用户输入,例如目标赛跑日或目标体能水平等等。来自计算给定用户的自适应运动性活动处方的过程的一个或多个输出可包含在训练方案内针对特定的一天规定的所规定运动性活动(例如,跑步距离和/或配速,或训练例程)。通过这种方式,运动性活动处方可包含针对中间规定有休息天数的数天规定的运动性活动。在某些实施方案中,应了解,可另外被称作指导计划的自适应运动性活动处方考虑可供用户使用的锻炼选择方案的多种排列,并且因此利用每秒能够执行数百万次计算的一个或多个现代计算机处理器的计算速度。在流程图600的框610处,可执行经执行以计算自适应运动性活动处方或指导计划的各种过程,并且关于图6进一步详细地描述所述过程。
本文中还设想在框610处计算的运动性活动处方或指导计划可基于与受指导的运动员相关的改变而进行调适。这些改变可包含用户的体能水平(例如,强度、速度、耐久性或平衡性等等)等等的改变,这些改变是因为用户完成了在所规定运动性活动之外制定的一个或多个所规定运动性活动或由于跳过或遗漏了一个或多个所规定运动性活动。在一个实施方案中,在流程图600的框612处,可执行指导计划的调适,并可基于手动用户输入执行所述调适,或可基于一个或多个检测到的改变(例如,相对于用户的健身水平的预期提高的提高、衰退或偏差)而自动执行所述调适。稍后在本文件中描述用于调适运动指导计划的一个或多个过程。在一个实例中,可在接收到调适此前规定的计划的指令时开始框602。
运动信息的实例收集
图7是进一步详细地描述在流程图600的框602处执行的一个或多个过程的流程图700。可执行从本文中所描述的一个或多个传感器装置或能够提供数据的任何其它装置接收运动数据的一个或多个过程(例如,框702)。可执行接收用户输入数据的一个或多个系统或过程,所述用户输入数据包含用户的年龄、性别、身高、体重、完成指导周期的目标日期、用户每周想要锻炼的天数、用户在本周内参与的活动的量(已跑英里数/花费在训练上的小时数)等等。在一个实例中,在框702处,可执行所述一个或多个过程。在一个实例中,例如,在框704处,可响应于接收到的运动数据而向运动员指派一个或多个初始运动常量。在一个实施方案中,可指派表征运动员对体能和/或疲劳的生理应答的常数或可变数值。在一个实施例中,此类参数可包含对时间的非线性依赖性、锥形化或峰化周期的效益、过度训练和平台效应等等。另外,如下文所论述,它们可用于预测表现。
这些初始运动值可为常量且包含体能增益、疲劳增益、体能衰减和疲劳衰减等等。在初始时间点,例如在运动员第一次使用时,在特定时间帧后采集预定数量或质量的运动性活动之前、在完成基准测试之前或在特定时间帧后采集预定数量或质量的运动性活动之前且在完成基准测试之前,可指派一个或多个值。所述指派(其可在框704处进行)可为默认值和/或基于一个或多个变量,例如用户在待规定运动性活动方面的经验、整体体能或运动能力、年龄、体重、性别和/或所述项的其它组合。然后,一旦运动员进行了基准分析(例如,参看图8A的细节),就可用一组常数值专门描述他们如何响应训练和/或如何受疲劳影响。可随后使用一组基准计算这些个性化常量,所述一组基准在运动员使用本文中所公开的自适应指导系统期间出现。在一个实施例中,每一个运动员可被指派以下四个常量中的一个或多个(例如,全部):
K1=体能增益:运动员将从单次锻炼中获得的积极效果(或体能)的量值。
K2=疲劳增益:运动员将从单次锻炼中获得消极效果(或疲劳)的量值。
T1=体能衰减:运动员从训练获得的积极效果(体能)消散所花费的时间(例如,天数)。
T2=疲劳衰减:运动员从训练获得的消极效果(疲劳)消散所花费的时间(例如,天数)。
在不具有近期基准的最小值的情况下,最初可使用分桶存储的(bucketed)常模数据向运动员指派运动常量,所述最小值可例如大于2、至少为4或可为另一值。微循环长度可使用本文中所描述的系统和方法中的常数值来计算(例如,通过经执行以提供运动训练引擎的一个或多个过程,如图6中所描述),但是为简单起见在下面的表格中示出。
还预期可根据用户到经验水平分类中的分类将包含K1、K2、T1、T2中的一个或多个的运动常量指派给用户,例如在流程图600的框608处。
可执行计算在目标日期之前的持续时间的一个或多个过程。在一个实例中,所述一个或多个过程可计算当前日期和与赛跑日期相关的目标日期或由用户指示的另一日期之间的天数。在一个实施方案中,在框706处,可执行对到目标日期的持续时间的计算。在一个实例中,待规定自适应指导计划结束的日期可被设置成对应于由用户和/或接收到的信息指定的目标日期。在另一实例中,自适应指导计划结束的日期可被设置为在由用户指定的日期之前的另一日期。因而,可在框708处执行设置日期的一个或多个过程。还预期用户可手动地调整所计算的指导计划的结束日期,以便更确切地适应他/她的计划表。因此,用户可手动调整这一结束日期和/或可根据接收到的数据进行调整,所述接收到的数据来自运动员的表现和/或来自外部来源,例如重新安排的比赛(例如,框710)。在一个实例中,在框712处,可确定可用于提供运动性活动指令的天数(例如,指导天数)。因此,在一个实例中,可用于提供运动性活动指令的天数可被计算为:(目标日期之前的天数)*(用户要锻炼的天数在每周所占的分数)。因此,在一个实例中,用户可指明他/她愿意一周锻炼4天。因而,本实例中用户要锻炼的天数在每周所占的分数将为4/7。
计算TRIMP
将运动性活动或运动量化成TRIMP可用于以下中的一项或多项:(1)将先前运动性活动量化成TRIMP;以及(2)确定在自适应指导系统中为运动员规定的适当锻炼/运动性活动。本文中将大体上在上文所描述的图6的步骤604的上下文中描述旨在量化先前运动性活动的量化,然而,所属领域的技术人员将了解所述描述内容不限于此。
在确定TRIMP时计算相对强度
根据某些实施例,TRIMP的计算可依据一个或多个因素而变化,所述因素包含运动性活动和/或可用的数据类型。在一个实施例中,TRIMP可根据相对强度计算。可基于一个或多个因素以不同方式计算相对强度,所述因素包含但不限于活动类型、运动数据的可用性、数量和/或质量,和/或偏好。图8A是进一步详细地描述计算相对强度的一个实例实施方案的流程图,其可以是图6的步骤604的一部分。具体地说,图8A描述计算与接收到的运动数据相关的数个训练冲量的一个或多个过程。因而,可从一个或多个传感器接收或可由用户手动输入运动数据。
参看图8A的流程图800,此传感器数据可被称作过往运动数据,并且可在框802处接收。可对接收到的传感器数据执行一个或多个基准分析。但在其它实施例中,可紧接着自适应指导系统的所规定运动性活动的过程和/或在所述过程期间向特定运动员指派基准锻炼。例如,特定于基准表现和/或过往运动数据的用户表现可用作了解TRIMP如何影响表现的领域相关基准。例如,可包括一系列分散的活动的第一基准活动可被规定作为自适应活动计划的一部分。在一个实施例中,平均功率可表示活动计划的表现基准值,且一个或多个所规定“基准锻炼”可含有已知的“功”量(例如,以焦耳形式定义)。在一个实施例中,通过用定义的基准锻炼功除以运动员完成锻炼所花费的时间导出平均功率。
基准可为用户目标特定的、体育运动特定的、位置特定的和/或其组合。在一个实施例中,表现基准可包括运动员在有限时间内覆盖尽可能远的距离的精力。在这样一个实施方案中,通过用以米为单位的所覆盖的总距离除以时间来计算平均速度。在一个实施例中,时间可小于10分钟。在另一实施例中,时间被设置成3分钟。运动员的平均速度可接着表示或用于确定表现基准值。如果用户正在为跑步比赛做准备和/或待规定活动计划包括跑步要素或以跑步为重点,那么可以利用此实施方案。
因此,例如,在框804处,可执行确定是否已接收到足够量的过往数据的一个或多个过程。如果尚未接收到足够量的数据(其可基于特定运动数据,例如,跑步、踢足球等、所收集的位置数据、时间帧(例如,仅在过去2周内或在4周内)),那么流程图可继续进行到框806以确定是否可从基准锻炼或例程获得数据。例如,可以利用过往或近期基准测试结果。其它实施例可考虑是否进行基准锻炼(参看例如框808)和/或是否在待规定活动计划内包含未来日期内的一个或多个基准锻炼。如果在另一实例中,接收到数量不够的过往数据(例如,在框804处)且不可从基准锻炼获得充足或可接受的数据(例如,框806),那么流程图可继续进行到框810,并且可基于用户的年龄、性别、身高、体重、完成指导周期的目标日期、用户每周想要锻炼的天数、用户在本周内参与的活动的量(已跑英里数/花费在训练上的小时数)等等中的一个或多个向用户指派预定义值。这些预定义值可包含用户的预定义临界速度和/或预定义无氧作功能力(D')等等。
基于接收到的过往运动数据(或数据的缺少)及与用户相关的临界速度和无氧作功能力等等的预定义/默认值,一个或多个活动可被标记为不可供用户选择和/或不可用于在给定持续时间内在所规定自适应指导计划中实施。因而,一个或多个活动可被标记为不可用于选择(例如,框812)。另外,设想期间一个或多个活动被标记为不可用于选择的给定持续时间可包含任何时间长度,同时不脱离这些公开内容的范围。作为一个实例,在不知道或者不具有关于运动员的无氧作功能力(D'或dPrime)的门槛确定度或精确度的情况下,可能无法选择或进行间歇跑。
在一个实例中,如果例如在框804处获得或以其它方式可以使用足够的过往数据(相对于至少一个运动参数,但是可能同样需要多个参数),那么图8A的流程图800可继续进行到确定是否已获得门槛水平的基准测试数据(例如,从计划开始以来的所规定基准锻炼和现在已执行的基准锻炼)(例如,判定814)。因而,判定814可包括经执行以确定是否已从连接的与由用户进行的一个或多个运动性活动相关的传感器装置接收足够/门槛量的数据(或者被称为常规活动数据)以及确定是否已为用户存储来自用户在当前日期之前的门槛时间量内所进行的一个或多个基准测试的门槛量的基准数据的一个或多个过程。如果没有存储足够的基准数据,例如,门槛水平的数据对于第一值来说足够,但是对于第二值来说不够,那么可以获得和利用第一值,但是第二值可被设置成默认值,直到获得更多数据为止(例如,框816)。因此,在框816处,可接收或计算与用户相关的至少一个运动度量。在一个实例中,如果待规定自适应锻炼计划或方案以跑步为重点,那么可根据运动员完成的特定基准锻炼(例如,跑步)计算用户的平均配速。另外,在框816处,与用户相关的至少一个运动度量可被设置成等于默认值。例如,可向运动员指派无氧作功能力的默认值。例如,在以跑步为重点的锻炼计划中,无氧作功能力可转换或以其它方式转变成用户将要行进的表示他们的无氧锻炼量的距离。在一个实施例中,初始值可被设置成200米。
在一个实施方案中,如果在存储器中存储有足够的与用户所进行的运动性活动相关的基准和常规活动数据,那么可执行检查数据(例如,常规活动数据和/或基准数据)是否与用特定传感器采集的特定活动、位置、定位和/或相关的一个或多个过程。在一个实施例中,可确定数据是否包括跑步运动性活动(例如,判定818)。所属领域的技术人员将意识到这仅是实例。另外,所属领域的技术人员将了解,可从一大堆运动数据中过滤出以跑步为重点的数据。如果数据与跑步运动性活动相关(例如,在判定818处),那么可执行使用仅1个数据点和/或两个或更多个数据点计算用户的临界速度和/或无氧作功能力的一个或多个过程。就此而言,本发明人已经发现且在本文中公开用于确定可靠临界速度和无氧作功能力的新颖系统和方法,同时无需像现有技术方法中的那样向运动员施加许多心理和生理压力。此类系统可允许根据多个不同运动表现精确地确定相对强度。
在一个实例中,两个数据点可对应于用户完成的两个单独的跑步,其中每一数据点包括行进距离和行进所述距离所花费的时间。在一个实施例中,可能只需要运动员完成单个3分钟跑步和单个9分钟跑步。这些只是实例。在一个实例中,可执行计算当在距离相对于时间的图形上绘制(不需要显示在所述图形上)时穿过用户的这两个跑步数据点的线的斜率的一个或多个过程(例如,框820)。在一个实例中,这两个数据点可对应于两个基准测试跑步,例如,三分钟和九分钟基准测试跑步。然而,预期可以利用任何基准测试持续时间,同时不脱离这些公开内容的范围。因此,用户的临界速度可被计算为线的斜率。在一个实施方案中,在框820处,可执行当在距离相对于时间的图形上绘制时穿过这两个数据点的线的斜率的计算。在一个实例中,用户的临界速度可被计算为等于在框820处所计算的线的斜率。另外,例如在框822处,用户的无氧作功能力可被计算为穿过这两个数据点的线的截距,例如Y截距。
在另一实施方案中,可根据单个基准测试数据点计算用户的临界速度和无氧作功能力中的一个或多个。具体地说,可指示用户进行三分钟全速测试,在这个测试中指示用户在三分钟内跑得尽可能快。在一个实例中,用户的临界速度可被计算为等于在三分钟全速测试的最后30秒内的平均速度。另外,无氧量可被计算为等于高于计算出的临界速度的三分钟全速测试数据的面积(当在速度相对于时间的图形上绘制时)。在一个实例中,在框824处,可利用这种一点基准测试数据来计算用户的临界速度和无氧作功能力。
用于确定是否已接收足够的先前数据和/或基准锻炼数据以及确定临界速度(CriticalVelocity)的实例实施例可被执行为:
如果运动员没有完成当前自适应指导计划中的跑步,使得自适应指导计划刚开始,那么CriticalVelocity和dPrime可从存储在计算机可读媒体上的一个或多个数据值中选择。在一个实施例中,CriticalVelocity=3m/s,且dPrime=200;否则如果运动员没有完成当前计划中的基准测试,那么CriticalVelocity=当前计划中的所有跑步的总距离(以米为单位)/当前计划中的所有跑步的总时间(以秒为单位),且dPrime可被设置成存储在计算机可读媒体上的值。在一个实施例中,dPrime=200。
在某些实施例中,额外过程还可包含:
如果运动员在定义的门槛时间段内具有两个或更多个基准,那么那些可用于确定临界速度(CriticalVelocity)和/或无氧作功能力(dPrime)。例如,在一个实施例中,否则如果运动员在过去14天中具有3分钟基准和9分钟基准,那么CriticalVelocity=(9分钟基准所覆盖的距离(以米为单位)-3分钟基准所覆盖的距离(以米为单位))/(9*60-3*60),其中dPrime=3分钟基准所覆盖的距离(以米为单位)-(criticalVelocity*3*60)
在又其它实施例中,可利用单个基准。例如,作为一个实例,实施方案可包含:否则(在运动员具有至少一个过往基准的情况下使用):
CriticalVelocity=(基准所覆盖的距离(以米为单位)/((基准时间(以秒为单位)^0.918)*1.8677),且dPrime=3分钟基准所覆盖的距离(以米为单位)-(criticalVelocity*基准时间(以秒为单位))
在一个实施方案中(例如,在判定818处),可确定所存储的基准和常规活动数据与特定活动不相关(例如,跑步数据),或在已经产生特定数据(例如,临界速度和/或无氧作功能力,例如在块820-824处)之后,可执行计算相对强度的一个或多个过程。就此而言,TRIMP计算可特定于指导模型和/或可为运动领域特定的。例如,训练教练和跑步教练可能不会计算20分钟跑步的相同TRIMP值,因为它对运动员目标的整体影响在这两个运动领域是不同的。TRIMP计算可组合相对强度的某一度量与运动性活动的总持续时间。可实施计算相对强度的精确量度的系统。例如,速度可用于包含跑步(或至少某一百分比的跑步活动,和/或包括以跑步为重点的活动)的活动,但不用于其它计算。
图8B是进一步详细地描述计算相对强度的另一实例实施方案的流程图,其可以是图6的步骤604的一部分。具体地说,图604描述计算与接收到的运动数据相关的数个训练冲量的一个或多个过程。因而,可从一个或多个传感器接收或可由用户手动输入运动数据。
参看图8B的流程图850,此传感器数据可被称作过往运动数据,并且可在框852处接收。可对接收到的传感器数据执行一个或多个基准分析。但在其它实施例中,可紧接着自适应指导系统的所规定运动性活动的过程和/或在所述过程期间向特定运动员指派基准锻炼。例如,特定于基准表现和/或过往运动数据的用户表现可用作了解TRIMP如何影响表现的领域相关基准。例如,可包括一系列分散的活动的第一基准活动可被规定作为自适应活动计划的一部分。在一个实施例中,平均功率可表示活动计划的表现基准值,且一个或多个所规定“基准锻炼”可含有已知的“功”量(例如,以焦耳形式定义)。在一个实施例中,通过用定义的基准锻炼功除以运动员完成锻炼所花费的时间导出平均功率。
基准可为用户目标特定的、体育运动特定的、位置特定的和/或其组合。在一个实施例中,表现基准可包括运动员在有限时间内覆盖尽可能远的距离的精力。在这样一个实施方案中,通过用以米为单位的所覆盖的总距离除以时间来计算平均速度。在一个实施例中,时间可小于10分钟。在另一实施例中,时间被设置成3分钟。运动员的平均速度可接着表示或用于确定表现基准值。如果用户正在为跑步比赛做准备和/或待规定活动计划包括跑步要素或以跑步为重点,那么可以利用此实施方案。
因此,例如,在框854处,可执行确定是否已接收到足够量的过往数据的一个或多个过程。如果尚未接收到足够量的数据(其可基于特定运动数据,例如,跑步、踢足球等、所收集的位置数据、时间帧(例如,仅在过去2周内或在4周内)),那么流程图可继续进行到框856以确定是否可从基准锻炼或例程获得数据。例如,可以利用过往或近期基准测试结果。其它实施例可考虑是否进行基准锻炼(参看例如框858)和/或是否在待规定活动计划内包含未来日期内的一个或多个基准锻炼。如果在另一实例中,接收到数量不够的过往数据(例如,在框854处)且不可从基准锻炼获得充足或可接受的数据(例如,框856),那么流程图可继续进行到框860,并且可基于用户的年龄、性别、身高、体重、完成指导周期的目标日期、用户每周想要锻炼的天数、用户在本周内参与的活动的量(已跑英里数/花费在训练上的小时数)等等中的一个或多个向用户指派预定义值。这些预定义值可包含用户的预定义临界速度和/或预定义无氧作功能力(D')等等。
基于接收到的过往运动数据(或数据的缺少)及与用户相关的临界速度和无氧作功能力等等的预定义/默认值,一个或多个活动可被标记为不可供用户选择和/或不可用于在给定持续时间内在所规定自适应指导计划中实施。因而,一个或多个活动可被标记为不可用于选择(例如,框862)。另外,设想期间一个或多个活动被标记为不可用于选择的给定持续时间可包含任何时间长度,同时不脱离这些公开内容的范围。作为一个实例,在不知道或者不具有关于运动员的无氧作功能力(D')的门槛确定度或精确度的情况下,可能无法选择或执行间歇跑。
在一个实例中,如果例如在框854处获得或以其它方式可以使用足够的过往数据(相对于至少一个运动参数,但是可能同样需要多个参数),那么图8B的流程图850可继续进行到确定是否已获得门槛水平的基准测试数据(例如,从计划开始以来的所规定的和现在执行的基准锻炼)(例如,判定864)。因而,判定864可包括经执行以确定是否已从连接的与由用户进行的一个或多个运动性活动相关的传感器装置接收足够/门槛量的数据(或者被称为常规活动数据)以及确定是否已为用户存储来自用户在当前日期之前的门槛时间量内所进行的一个或多个基准测试的门槛量的基准数据的一个或多个过程。如果没有存储足够的基准数据,例如,门槛水平的数据对于第一值来说足够,但是对于第二值来说不够,那么可以获得和利用第一值,但是第二值可被设置成默认值,直到获得更多数据为止(例如,框866)。因此,在框866处,可接收或计算与用户相关的至少一个运动度量。在一个实例中,如果待规定自适应锻炼计划或方案以跑步为重点,那么可根据运动员完成的特定基准锻炼(例如,跑步)计算用户的平均配速。另外,在框866处,与用户相关的至少一个运动度量可被设置成等于默认值。例如,可向运动员指派无氧作功能力的默认值。例如,在以跑步为重点的锻炼计划中,无氧作功能力可转换或以其它方式转变成用户将要行进的表示他们的无氧锻炼量的距离。在一个实施例中,初始值可被设置成200米。
在一个实施方案中,如果在存储器中存储有足够的与用户所进行的运动性活动相关的基准和常规活动数据,那么可执行检查数据(例如,常规活动数据和/或基准数据)是否与用特定传感器采集的特定活动、位置、定位和/或相关的一个或多个过程。在一个实施例中,可确定数据是否包括跑步运动性活动。所属领域的技术人员将意识到这仅是实例。另外,所属领域的技术人员将了解,可从一大堆运动数据中过滤出以跑步为重点的数据。如果数据与跑步运动性活动相关,那么可执行使用来自单个基准测试(例如,3分钟基准测试)的数据计算用户的临界速度和/或无氧作功能力的一个或多个过程。在一个实例中,从单个基准测试获得的仅一个数据点可用于计算用户的临界速度。就此而言,本发明人已经发现且在本文中公开用于确定可靠临界速度和无氧作功能力的新颖系统和方法,同时无需像现有技术方法中的那样向运动员施加许多心理和生理压力。此类系统可允许根据多个不同运动表现精确地确定相对强度。在一个实施例中,运动员可完成单个3分钟基准跑步。然而,可以利用替代持续时间,同时不脱离这些公开内容的范围。
在一个实例中,在框870处,可根据在单个基准测试期间获得的数据计算用户的临界速度的第一估计。具体地说,可使用下式计算临界速度的第一估计:临界速度的第一估计=(在单个基准期间所覆盖的距离[用米表示]/((基准时间[用秒表示]^0.918)*1.8677)(公式1)。在图15B中描绘了用于得出此公式的经验数据。
如果用户已完成额外的跑步类型且已经存储那些跑步的数据(节奏跑和长跑类型),那么流程图850可从判定框872进行到框876。然而,如果用户在单个基准测试跑步之外没有完成额外的跑步,那么流程图850可从判定框872进行到框874。在一个实例中,数据可能只有在与七天的合格时限内完成的跑步相关时才有效。然而,设想可以利用用于合格时限的额外或替代持续时间,同时不脱离这些公开内容的范围。例如,用于所存储的跑步数据的合格时限可为两天、四天、五天、八天、两周等等。在框874处,临界速度可被设置成等于用户的临界速度的第一估计,如上文所描述。在框876处,可根据在节奏跑和/或长跑期间产生的数据计算临界速度的第二和/或第三估计。因此,在一个实例中,节奏跑(即,在无氧阈下跑步)的临界速度的第二估计可使用以下公式来计算:临界速度的第二估计=1.0*用户在节奏跑期间的平均速度(公式2)。
可根据在长跑期间产生的数据并利用以下公式计算临界速度的第三估计:临界速度的第三估计=1.2*用户在长跑期间的平均速度(公式3)。
因而,发现了用户在三分钟基准测试期间以高于临界速度的速度(在框870处的临界速度的第一估计)跑步,在节奏跑期间以大致等于临界速度的速度(在框876处的临界速度的第二估计)跑步,并在长跑期间以低于临界速度的速度(在框876处的临界速度的第三估计)跑步。在一个实例中,用户可在长跑期间以大致83%的用户临界速度跑步。然而,可以利用一系列百分比(例如,大致80%到大致86%的临界速度),同时不脱离这些公开内容的范围。图15C描绘用于建立不同跑步配速和距离处方与用户的临界速度之间的关系的经验测试的结果。在一个实例中,导出83%值作为用于计算耐力跑的临界速度的不同方法的平均值。
用户的临界速度可被计算为临界速度的第一估计和第二和/或第三估计中的一个或多个的算术平均值(例如,在框878处)。
在一个实施方案中,可根据在框874或框878处所计算的临界速度(criticalVelocity)的值将另外被称为D'或dPrime的无氧作功能力计算为:DPrime=3分钟基准所覆盖的距离(以米为单位)-(criticalVelocity*基准时间(以秒为单位))。
可执行计算相对强度的一个或多个过程。所述一个或多个过程可在框882处执行,并且在一个实例中,可计算steadyStatePace(即,相对强度变量)=在跑步期间的平均速度相对于用户的临界速度的分数。计算相对强度的一个或多个过程可在框882处执行。
在一个实施方案中,基于从一个或多个运动性活动传感器装置接收到的传感器数据,与给定用户/运动员相关的多个活动课程可存储在存储器中。为了为用户规定自适应活动指导计划,可分析用户所完成的一个或多个运动性活动课程,并使用运动性活动课程数据计算相对强度。其中计算了相对强度的合格先前课程的数目可基于数据的寿命或为用户规定的指导计划的类型等等而变化。图9示出呈现使用在不同情况下所计算的相对强度(RI)确定TRIMP的实例实施例的流程图900。流程图900可包含用于确定锻炼(过往锻炼或待规定锻炼)是不是特定类型的锻炼或类型或活动的判定。例如,可确定锻炼是不是第一类型的锻炼(例如,判定902),例如重量训练锻炼。如果是,那么使用第一系统(或过程)开始计算相对强度,如在框904处所示。第一系统可确定第一类型的数据是否可用,例如心跳速率数据是否可用(例如,判定908)。如果是,那么心跳速率可用于确定相对强度(例如,框910)。在下面提供使用心跳速率的非限制性实例。
在其它实例中,如果特定数据(例如,心跳速率数据)不可用或不够充足,那么可以考虑已指派和/或可指派主观用力度(RPE)的活动(例如,框912)。在另一实施方案中,心跳速率(HR)数据可用于训练例程或其它活动。在一个实例中,HR可为在此类数据或门槛水平的数据可用的情况下所利用的默认参数,例如,在跑步不是特定活动、在活动中不占有特定百分比和/或跑步门槛不被满足的情况下。某些实施方案可确定心跳速率数据是否可用(例如,判定908)。在某些实施例中,系统可被配置成在不存在HR或可靠HR数据的情况下利用RPE(例如,912)。
在一些实施例中,RPE可通过用户在锻炼课程之后输入主观用力度来确定。在一个实例中,主观用力度可按0到10的等级接收为某一数字。然而,还预期主观用力度可以利用额外或替代等级,同时不脱离这些公开内容的范围。接收到的主观用力度可基于为用户构建的运动资料档案而映射到用户的耗氧量等级。在一个实例中,主观用力度的等级可以线性方式映射到由最大耗氧量界定的耗氧量等级,所述最大耗氧量是针对用户基于计算出的用户的运动资料档案而估计的。在其它实施方案中,可以利用主观用力度等级到耗氧量等级的非线性映射,同时不脱离这些公开内容的范围。另外,可执行基于用户输入的主观用力度而输出所估计的耗氧量的一个或多个过程。
上述或其它计算中的一个或多个还可考虑运动特定的信息,例如在框602和/或流程图700接收到或计算出的信息。例如,可使用关于性别的信息以及传感器数据,例如心跳速率(例如,框910),以确定相对强度。在一个实例中,心跳速率可用于与静息心跳速率、最大心跳速率和/或平均心跳速率中的一个比较。此类信息可共同地或单独地用于计算TRIMP。另外,如果性别已知,那么还可考虑活动的TRIMP或针对所设定的一天规定的TRIMP(如下文描述)。可以用来计算TRIMP(例如,在其中心跳速率数据可用的框922处,例如在判定908处确定心跳速率数据可用)的公式的非限制性实例是公式4:
公式4:
如果性别=男性,那么b=1.92,否则b=1.67,且如果性别=女性,那么k=0.64,否则k=0.86,其中
totalDayTRIMP+=(activityDuration)*((avgHeartRate-restHeartRate)/(maxHeartRate-restHeartRate))*k*e^(((avgHeartRate-restHeartRate)/(maxHeartRate-restHeartRate))*b)。
在其中RPE被选择或以其它方式用于确定活动的TRIMP的实施例中,运动员的相对强度可从RPE导出。(例如框914和框922)。可(直接或间接)从用户输入和/或传感器数据导出RPE。RPE可在一个实施例中乘以常数,且在另外的其它实施例可利用变量。可使用非限制性实例公式,例如公式5。
公式5:
强度=RPE*0.1
且totalDayTRIMP+=activityDuration*强度*k*e^(强度*b)
在一个实施方案中,此类使用可仅在特定锻炼与跑步不相关和/或传感器数据的至少一个值达到门槛的情况下使用。在某些实施例中,这可在判定902处提供“否”确定。可实施发起相对强度计算的第二系统(或过程)(例如,相比于框904的框906)。在一个实施例中,可获得或计算运动员的配速,且配速不够稳定,不能被视为门槛配速或门槛配速的持续时间或距离(例如,在用于开始框906的判定902处)。在又一实施例中,用户或另一用户(例如,训练者)可将活动或日期标记为非跑步或非活动日。如上文所论述,可利用例如性别的信息和/或向其指派常量,所述常量可与上文相对于上述实例所使用的常量相同。在某些实施例中,可获得运动员的临界速度(C.V.)。在一个实施例中,关于框820、822和/或824中的一个或多个所论述的一个或多个系统或方法可用于确定临界速度。在又其它实施例中,可利用速度或配速(例如,框918)。在一个实施例中,特定活动的相对强度可为:
相对强度=(经归一化速度)/(临界速度)(公式6)(例如,框920)
因此,经归一化速度可被计算为用户的速度的加权平均值,其中较高速度比较低速度的加权程度更高。设想可以利用任何加权乘法器,同时不脱离本公开的范围。在一个实施方案中,在流程图的框820处,可计算运动性活动课程(或确定可能的所规定锻炼的TRIMP)中的一个或多个合格的先前运动性活动课程的相对强度。另外,可使用给定运动员的相对强度和临界速度来计算训练冲量。在一个实施例中,它可使用以下公式来确定:
训练冲量(TRIMP)=(相对速度)*(持续时间)(公式7)
这可实施为框920和922的一部分。作为一个实例,流程图900的至少一部分的实例实施方案可包含:
CriticalVelocity=quantifyBenchmarks(活动)
对于planSchedule从开始到结束的每一天:
对于当天的每一活动:
如果活动是跑步,那么
normalizedRunSpeed=分类(活动,criticalVelocity)
totalDayTRIMP+=(normalizedRunSpeed^2)*activityDuration/((criticalSpeed^2)*36)
否则如果activityMetrics含有心跳速率,那么
totalDayTRIMP+=(activityDuration)*((avgHeartRate-restHeartRate)/(maxHeartRate-restHeartRate))*k*e^(((avgHeartRate-restHeartRate)/(maxHeartRate-restHeartRate))*b)
否则如果activityMetrics含有rpe,那么
强度=RPE*0.1
totalDayTRIMP+=activityDuration*强度*k*e^(强度*b)
图10示出用于获得基准数据的实例实施例的流程图1000。例如,流程图可为作为图6所示的流程图600的框606的一部分执行的示范性过程。具体地说,图10描述用于从基准活动获得运动数据的一个或多个过程。因而,可为用户规定一个或多个基准活动,以便确定与用户的体能、强度或运动能力等等相关的一个或多个度量。因此,在某些实例中,可规定特定基准测试以供用户完成。如果要利用特定基准测试,那么流程图可从判定框1002进行到框1006,且可基于所希望的运动度量测试结果的类型选择特定基准测试。在一个实施方案中,可基于用户所需的指导计划的类型自动选择特定基准测试,或者可由用户从一个或多个不同类型的基准测试的选项中手动选择特定基准测试。在某些实例中,特定基准测试可包含期间用户的任务是在给定时限内跑得尽可能远的三分钟和九分钟跑步测试等等。在另一实例中,特定基准测试可包含期间指示用户在三分钟内跑得尽可能快的三分钟全速跑测试。进一步预期可以在基准测试期间利用额外的跑步持续时间,和/或可以利用不同的基准测试方法,同时不脱离这些公开内容的范围。作为响应,用户可完成所规定的基准测试,这可通过如本文中先前描述的一个或多个传感器装置记录。可根据所记录的基准测试数据计算一个或多个表现值。因而,一个或多个表现值可特定于所规定基准测试,且包含与用户相关的临界速度和/或用户的无氧作功能力等等。在一个实施方案中,在框1008处,可执行计算基准特定的表现值的一个或多个过程。
在另一实施方案中,如果要利用非特定的基准测试,那么流程图可从判定框1002进行到框1004。因而,在框1004处,可执行非特定的基准分析。在一个实施方案中,用户可在没有基准测试约束(例如,没有时限,或没有最小配速要求等等)的情况下锻炼。在另一实施方案中,基准分析可利用来自用户在没有基准测试约束的情况下进行的先前运动性活动的测试数据。因而,用户可选择先前记录的运动性活动课程以供一个或多个基准测试过程进行分析。在一个实例中,在框1004处执行的基准分析可用于计算一个或多个表现值,由此表现值可能不包含可响应于所规定的特定基准测试计算的那些表现度量(即,可能不包含用户的临界速度和/或无氧作功能力)。因而,从非特定的基准测试计算出的一个或多个表现值可包含用户在多个活动课程内的平均速度/平均配速等等。然而,还预期一个或多个过程可在所记录数据内识别运动性活动,所述所记录数据可用于计算类似于根据特定基准测试数据计算出的那些表现度量的表现度量。因而,一个或多个过程可用于根据非特定的基准测试数据计算用户的临界速度和/或无氧作功能力。因而,在框1010处,可执行所述根据非特定的基准测试数据计算表现值的一个或多个过程。另外,在框1012处,可输出根据由于所规定基准测试而记录的测试数据和/或非特定的测试数据计算出的一个或多个表现值。
图11是进一步详细地描述可在流程图600的框610处执行的一个或多个过程的流程图。因而,图11描述可用于为用户创建运动处方的一个或多个过程,所述运动处方另外被称为指导计划。判定框1102可执行确定所计算的另外被称为TRIMP数据的训练冲量数据是否符合与向用户指派运动常量相关的一个或多个门槛水平的一个或多个过程。设想可以利用任何门槛水平来确定所存储的TRIMP数据是否可用于针对用于产生/向用户指派新的运动常量。例如,可基于可获得(例如,分别在流程图700的框704和/或流程图600的框608处计算出)的前一个锻炼课程/天、前两个锻炼课程/天或前三个锻炼课程/天等等的所存储TRIMP数据针对用户产生/向用户指派一个或多个新的运动常量。因此,如果所存储TRIMP数据符合或超过一个或多个门槛,那么在框1106处,可针对用户产生个性化运动常量。这些个性化运动常量另外被称为运动约束,它们可基于用户在当前日期之前的门槛时间量期间的活动水平而产生,所述活动水平在一个实例中与用户的预测体能水平有关。在一个实施方案中,个性化运动常量可包含体能增益、疲劳增益、体能衰减和疲劳衰减(它们可分别被称作K1、K2、T1、T2)等等。个性化运动常量可从所存储的查找表检索,所述查找表使用户的一个或多个活动水平与所存储的运动常量的值相关。例如,如果用户每周跑x英里,那么他/她可被分类为初级,并且可与第一组运动常量(K1,K2,T1,T2)_1相关。如果用户每周跑y英里,那么他/她可被分类为中级,并且可与第二组运动常量(K1,K2,T1,T2)_2相关。如果用户每周跑z英里,那么他/她可被分类为高级,并且可与第二组运动常量(K1,K2,T1,T2)_3相关,以此类推。在另一实例中,可基于门槛TRIMP数据计算一个或多个个性化运动常量。因此,运动常量K1、K2、T1、T2可为用户的TRIMP数据和基准数据的函数。
在另一实施方案中,如果所存储的TRIMP数据不符合与框1102相关的一个或多个门槛,那么本文中所描述的系统和方法可利用指派给用户的先前运动常量(例如,关于图7的框704论述的那些运动常量)。在框1104处,可执行经执行以利用先前指派的运动常量的一个或多个过程。在某些实施例中,先前约束至少部分地基于运动员的经验水平。例如,在一个实施例中,也称为训练水平的训练的经验水平可通过运动员每周锻炼的当前或最近小时数来确定。
下面的表1提供一个实例:
表1:运动约束与训练水平的实例相关性
在又一实施例中,也称为跑步水平的跑步的经验水平可通过运动员每周跑步的当前英里数来确定。表2提供说明性实例实施例:
表2:运动约束与不同跑步水平的实例相关性
如下文所论述,所指派的经验水平和/或一个或多个所指派的运动约束可与所指派的训练或指导循环的各部分的周期或长度相关或以其它方式与所述周期或长度相关联。指导计划可被分解为一个或多个指导时间的子周期。在一个实施方案中,这些子周期可包含微循环和/或中循环。指导计划可包括训练计划,并且可被分解为被称为中循环的子时间周期。按顺序,中循环可被分解为一个或多个微循环。另外,中循环可包含第一模式或可用于为用户规定的训练课程类型/活动类型的选择。在一个特定实例中,第一中循环可与可供用户选择的第一活动类型群组相关。按顺序,第二中循环可与第二活动类型群组相关,第二活动类型群组可部分或完全地不同于第一活动类型群组。在一个实施方案中,在微循环内规定的运动性活动可重复,使得第一微循环可规定第一运动性活动选择,且在同一中循环内跟在第一微循环之后的第二微循环可规定相同的第一运动性活动选择。在一个实例中,第二微循环可规定相同的运动性活动选择,但是同时可规定用于第二微循环的更高训练冲量要求。在一个实施方案中,包括跑步计划的指导计划可以使用微循环,而不是中循环。在一个实例中,中循环中的最后一个微循环可被称作卸荷微循环,且卸荷微循环的所规定训练冲量可能不会基于邻近的前一微循环增加。类似地,指导计划中的最后一个微循环可被称作锥形微循环(taper microcycle)。因而,所规定的训练负荷在锥形微循环期间可能不会增加(在一个实例中,可在锥形微循环期间规定零训练冲量)。在一个实施方案中,第一和第二中循环可具有不同配速分布(例如,耐力跑、节奏跑、乳酸门槛跑和无氧跑配速),并使得配速可以不被中循环排除在考虑范围之外,而是可以以不同方式分布第一和第二中循环之间。
因此,可基于关于框1106和/或1108论述的运动常量针对用户计算微循环长度和中循环长度。初始或以其它方式指派的循环长度可直接或间接地基于经验水平/约束。这在运动员刚开始或发起自适应计划时可能特别有用。下面的表3和表4展示其中表1和表2的实例经验水平/约束与实例微循环长度相关的示范性实施例。
训练水平通过运动员每周锻炼的当前小时数来确定。
表3(上方)示出微循环长度与经验水平和一个或多个运动约束中的至少一个相关。
表4(上方)示出微循环长度与经验水平和一个或多个运动约束中的至少一个相关。
在一个实例中,微循环长度可使用以下公式来计算:
微循环长度=(t1*t2)/(t1-t2)*ln(k2/k1)(公式8),其中:
t1(或者表示为T1)可为体能衰减运动常量,t2(或者表示为T2)可为疲劳衰减运动常量,k1(或者表示为K1)可为体能增益运动常量,且k2(或者表示为K2)可为疲劳增益运动常量。因而,运动常量t1、t2、k1和k2可为在框1106处产生的个性化常量,或者可为关于框1104论述的那些先前指派的运动常量。另外,设想根据公式8计算的微循环长度可为整数天数,并且因此,公式8的结果可进行舍入。在一个实例中,公式8的结果可向上舍入。另外,预期在一个实施方案中,微循环长度可限制在4天和14之间(包含4天和14天)。在一个特定实例中,最大微循环长度可等于10天。然而,设想可以利用不同微循环长度限值,同时不脱离这些公开内容的范围。
在一个实施方案中,中循环长度可使用以下公式来计算:
最大影响值=((ln((k2/k1)*(t1/t2))*t1*t2/(t1-t2))+1)(公式9),其中:
t1(或者表示为T1)可为体能衰减运动常量,t2(或者表示为T2)可为疲劳衰减运动常量,k1(或者表示为K1)可为体能增益运动常量,且k2(或者表示为K2)可为疲劳增益运动常量。因而,运动常量t1、t2、k1和k2可为个性化常量,例如在在本公开中的一个或多个过程处产生的常量,或者可为上文所论述的那些先前指派的运动常量。在一个实例中,公式9可进行向上舍入。然而,设想可以在没有进行舍入或在进行向下舍入的情况下利用公式9,同时不脱离这些公开内容的范围。不管如何计算中循环长度,某些实施例都可设置中循环的最小持续时间。在一个实施例中,中循环长度可为约一个月,在又一实施例中,中循环为至少30天。
通过使用计算出的最大影响值,可使用运动员的影响曲线来计算中循环长度,所述影响曲线绘制了在目标表现的日期(例如,赛跑日期)之前的每一天每单位训练压力对表现的净影响。图15A中示出了实例影响曲线。具体地说,可使用每单位训练压力的净影响(y轴值)来确定中循环长度,所述每单位训练压力的净影响(y轴值)等于某一比例(例如,一半)的每单位训练压力的第二净影响值,其中此第二值对应于由另一过程计算出的最大影响值。在一个实施例中,可利用公式9。因此,当绘制时,每单位训练压力的第二净影响值将对应于在目标表现日期之前的天数,且此天数可被设置成等于中循环长度。另外,在框1108处,可执行所述计算微循环和中循环长度的一个或多个过程。
可利用确定规定用户完成运动性活动的特定日期以便推进指导计划的一个或多个过程,所述指导计划可用于针对跑步目标或另一目标类型(例如,交叉培训目标、强度目标等等)进行训练。在一个实例中,所述用于确定规定用户完成运动性活动的特定日期的一个或多个过程可在框1110处执行,并且可利用以下方法:
每周锻炼比可使用(例如,在图6的框602处)手动输入的用户输入来计算。具体地说,每周锻炼比可被计算为等于每周用户愿意锻炼的天数除以七(即,一周的天数):
每周锻炼比=(用户指定的每周他/她想要锻炼的天数)/7。(公式10)。
在一个实例中,可利用规定当前日期和目标表现日期之间的锻炼的一个或多个过程,所述目标表现日期可为由用户手动设置的日期。因而,为用户规定的锻炼天数可被计算为等于:
规定的锻炼数目=(每周锻炼比)*(在目标日期之前的剩余天数)。(公式11)。
用于规定由用户完成的运动性活动的方法可考虑到过往锻炼天数。在一个实例中,relevantDayInPast变量可初始化为等于一组天数的最小值,例如四天,或等于从用户开始指导计划以来的天数。另外,对于所考虑的过往锻炼天数中的每一天,本文中所描述的系统和方法可搜索并分析所完成的锻炼数目。所完成的锻炼数目可被计数为变量relevantWorkoutsInPast。另外,目标锻炼比可被定义为:
目标锻炼比=((规定的锻炼数目)+(relevantWorkoutsInPast))/((目标日期之前的剩余天数)+(relevantDayInPast))。(公式12)
在一个实例中,用于确定规定用户完成运动性活动的特定日期以便推进指导计划的系统和方法可利用currentWorkouts变量,currentWorkouts变量初始化成等于relevantWorkoutsInPast变量。另外,currentTotalDays变量可初始化为等于relevantDayInPast变量。
另外,对于指导计划中在目标日期之前剩余的每一天,本文中所描述的系统和方法可执行一个或多个过程以:
利用addWorkoutRatio,其中addWorkoutRatio=(currentWorkouts+1)/(currentTotalDays+1)(公式13)。另外,可利用restRatio,其中restRatio=currentWorkouts/(currentTotalDays+1)(公式14)。另外,本文中所描述的系统和方法可针对指导计划中在目标日期之前剩余的每一天执行以下一个或多个过程:通过首先计算(目标锻炼比-addWorkoutRatio)(公式15)和(目标锻炼比-restRatio)(公式16)的绝对值来计算当天的比之间的差的绝对值。如果公式15的结果小于或等于公式16,那么所讨论的那一天可具有为其规定的锻炼,否则所讨论的那一天可被指定为休息日。
在一个实施方案中,在框1110处,可执行可用于确定规定用户完成运动性活动的特定日期以便推进指导计划的一个或多个过程(例如,利用公式10、11、12、13、14、15和/或16)。
还预期可以利用计算在如在框1110处确定的规定有运动性活动的每一天由用户完成的运动性活动的量(例如,训练冲量TRIMP值)的一个或多个过程。另外,可确定所规定的运动性活动量的分配。在框1112处,可执行期间用户将进行运动性活动的天数中的每一天要进行的各种运动性活动的这一计算以及所规定的运动性活动量的分配的计算。关于图12进一步详细地描述可实施作为框1112的一部分的一个或多个实例过程。
图12是进一步详细地描述可在图11的框1112处执行的一个或多个实例过程的流程图。在一个实施方案中,在框1108处计算出的微循环长度可用于将当前日期和目标日期之间的持续时间细分成一个或多个微循环。在一个实施方案中,每一微循环将具有与其相关的最大训练冲量。第一微循环可被定义为从当前日期跨越数天到达未来的天数,其等于先前计算出的微循环长度。第一微循环的最大训练冲量可从存储在存储器中的查找表检索。在一个实例中,查找表可映射运动员每周所跑的英里数与开始的最大训练冲量值。然而,还预期查找表可以映射每周花费在训练上的小时数与开始的最大训练冲量值,等等。在一个实施方案中,在框1202处,可选择第一微循环的最大训练冲量。
因此,当用户推进指导计划的多个微循环时,给定微循环的最大训练冲量可自动增加。在一个实例中,给定微循环的最大训练冲量将基于紧邻的前一微循环增加某一百分比,例如8%。然而,设想可以利用任何百分比增量,或可以利用可变增量值,同时不脱离这些公开内容的范围。在另一实施方案中,给定微循环的最大训练冲量可增加固定量,而不是固定百分比。具体地说,最大训练冲量增量可增加存储在查找表中的最大固定量,并且可基于与用户相关的训练目标。例如,对于进行训练以参加马拉松比赛的用户,最大训练冲量增量可指定为x英里/周(例如,最大增量为1英里/周)。在另一实例中,对于为完成5k或10k赛跑而进行训练的用户,最大训练冲量增量可指定为y英里/周(例如,最大增量为0.5英里/周)。另外,在一个实例中,以英里/周为单位指定的最大训练冲量增量可使用以下公式转换成每微循环最大训练冲量:
每微循环最大增量/Microcycle_length=每周最大训练冲量增量/7。(公式17)
在一个实施方案中,每一微循环的最大训练冲量值可基于紧邻的前一微循环的最大训练冲量依序计算,并且可通过与框1204相关的一个或多个过程执行。
如先前论述,给定指导计划中的每一微循环可包括所规定的最大训练冲量。另外,给定微循环内的其它天可规定较低的训练冲量锻炼/运动性活动。因此,本文中所描述的系统和方法可基于所计算的最大训练冲量来计算每一微循环的训练冲量值队列。在一个实例中,给定微循环的训练冲量队列可开始于计算出的最大训练冲量。第二训练冲量可被计算为等于微循环的最大训练冲量的某一百分比或分数,如2/3*(微循环的最大训练冲量)。另外,第三和后续训练冲量可被计算为等于另一分数或百分比。在一个实施例中,它可为1/3*(微循环的最大训练冲量)。然而,预期可以利用任何乘法器来基于给定微循环的最大训练冲量构建训练冲量队列,同时不脱离这些公开内容的范围。在某些实施方案中,当用户从给定微循环前进到卸荷微循环/周期或锥形微循环/周期时,针对微循环规定的最大训练冲量不增加。在另一实施方案中,当用户从在卸荷微循环前面的第一微循环前进到紧接在卸荷微循环前面的第二微循环时,针对微循环规定的最大训练冲量增加。例如,对于4个微循环,第三微循环是卸荷微循环,增加的训练冲量可具有以下形式:x、x+2、x(即,卸荷微循环)、x+4(即,在卸荷微循环之后的微循环训练冲量基于上一个非卸荷微循环以线性方式增加)。
在一个实例中,卸荷周期可被界定在中循环边界处(即,当用户从一个中循环转变到另一中循环时)。在一个实例中,锥形周期可为目标日期之前(即,赛跑日期之前等等)的最后一个微循环。因此,在框1206处,可执行计算每一微循环的训练冲量队列的一个或多个过程。在某些实施例中,即使在一个或多个锥形和/或卸荷微循环期间,最大TRIMP值也可增加。
在一个实施方案中,如关于框1206所描述,可计算所规定训练冲量在微循环内的分配以便分配所产生的训练冲量队列。因此,在框1208处可执行一个或多个过程以便确定那些计算出的训练冲量(在框1206处计算)在(例如,在图11的框1110处计算的)微循环内将规定运动性活动的那些天之中的分配。在一个实例中,通过考虑训练冲量在将规定运动性活动的微循环内的那些天之中的那些可能分布的所有可能排列,在框1208处执行的一个或多个过程可确定训练冲量的最佳分配。在另一实施方案中,通过考虑训练冲量的可能分布的经减少数目个排列,在框1208处执行的一个或多个过程可确定训练冲量的分配,所述排列数目减少是因为如关于框1206所描述,第三和后续训练冲量可被计算为等于1/3*(微循环的最大训练冲量)(即,存在重复的训练冲量值)。因此,应理解,在微循环内将用来自在框1206计算出的训练冲量队列的训练冲量填充的n天中,在框1208处执行的一个或多个过程将要考虑训练冲量的nPn/(n-2)!个排列(即,至多为n个值的对应于第三和后续训练冲量的训练冲量值重复n-2次,所述n个值用于填充微循环内将用来自在框1206处计算出的训练冲量队列的训练冲量填充的n天。
在微循环的那些天内的训练冲量的最佳排列可通过计算所关注的每一排列的滚动平均值来确定(即,考虑训练冲量值在微循环中待填充的n天内的n-2次重复)。因此,为了计算所关注的每一排列的滚动平均值,可将滚动平均大小计算为:
滚动平均大小=微循环长度/2(公式18)。
另外,在一个实施方案中,公式18可进行向上舍入。要考虑的过往(在微循环的第一天之前)天数可定义为:
过往天数=滚动平均大小-1(公式19)。
因此,对于在微循环的那些天内的训练冲量的每一排列,可执行计算与微循环中的连续数天相关的每一组可能的三个训练冲量的平均值的一个或多个过程。另外,每一组可能的三个训练冲量的平均值可包含根据上方的公式19计算出的过往天数。所述一个或多个过程将产生多个平均值,每一平均值是连续三天的训练冲量值的平均值(在一个实施方案中,来自连续几天中的一天或多天的训练冲量值可等于零)。在一个实例中,可计算M个平均值。另外,在M个平均值中将存在数值最大和数值最小的值。对于训练冲量的每一排列,可计算M个平均值中的数值最大的数字和数值最小的数字之间的数值差。差可称为排列分数。因此,在一个实例中,具有最低排列分数的训练冲量的排列可被选择作为微循环内所规定的训练冲量的最佳分配。
在一个实例中,框1210可用于向期间将在指导计划的微循环内为用户规定运动性活动的数天内的所分配训练冲量值指派某一锻炼。关于图14进一步详细地描述与框1210相关的一个或多个过程。
图13A是描述用于选择活动(跑步活动)分配的一个或多个过程的流程图,所述活动分配另外被称为活动序列,且对应于跑步指导计划的一个或多个所规定训练冲量。因此,判定框1302可表示经执行以确定是否存在可从中选择一个或多个活动序列的存储在存储器中的活动序列库的一个或多个过程。
如果响应于判定1302,不存在可用于搜索的活动序列库(或不存在充足的库),那么流程图可继续进行到框1303以产生库。
如果响应于判定1302,存在可用于搜索的活动序列库,那么流程图可继续进行到框1304,其中可执行过滤一批运动性活动序列的一个或多个过程。在一个实施方案中,一个或多个过滤过程可能不包含与活动类型无关的活动序列,所述活动类型与用户所寻求的指导计划相关。例如,当针对跑步指导计划选择活动序列时,一个或多个过滤过程可能不包含与跑步无关的活动序列。设想额外过滤参数可包含用户目录数据(例如,年龄、性别、身高、体重)、可用于用户的设备和/或用户偏好的一般锻炼类型等等。
在一个实例中,可执行确定与活动序列库/数据库内的活动序列相关的训练冲量的量的一个或多个过程。因此,在一个实施方案中,训练冲量的量可存储在与一个或多个潜在活动序列的描述符相同的数据库内。在另一实例中,可基于一个或多个潜在活动序列的描述符并利用希望执行活动序列中的一个或多个的用户的目录数据来计算与潜在活动序列数据库内的每一活动序列相关的训练冲量的量。例如,如果活动序列包括一个或多个荷重锻炼,那么可基于用户的体重来计算与活动序列相关的训练冲量的量或能量消耗值。在框1306处,可执行所述确定与序列数据库内的活动序列相关的一个或多个训练冲量的量的一个或多个过程。
在另一实施例中,选择可为所过滤的库的大小的函数,而不是选择在所需训练冲量的门槛接近度内的特定数目个锻炼。例如,如果所过滤的库等于或大于第一值(例如,5)但小于或等于第二值(例如,10),那么可选择第一“最接近”锻炼量(例如,低至1),但如果所过滤的库大于(或等于)第二值,那么可选择第二“最接近”锻炼量(例如,可选择2个锻炼)。下面的公式示出可以利用的逻辑的一个非限制性说明性实例:
如果所过滤的库大小大于或等于5;
要选择的最接近锻炼数目=1
否则如果所过滤的大小大于或等于10;
要选择的最接近锻炼数目=2
否则
要选择的最接近锻炼数目=(7,round(所过滤的库大小/7))
在某些实施例中,选择可包括考虑各种因素,例如所规定TRIMP在涉及重点领域的可能锻炼内的百分比或门槛水平,如:强度、耐久性和移动性。但是还可认为其它更精确的方面,例如以下各项中的一种或多种:上半身强度;下半身强度;上半身移动性;下半身移动性;灵活性;单腿稳定性;核心稳定性;耐久性;和/或敏捷度。
一个或多个过程可贯穿在跑步指导计划内的每一微循环和每一微循环内的每一天重复。因此,对于具有大于零的所规定训练冲量值的微循环内的每一天,一个或多个过程可从活动序列数据库中选择具有靠近针对那一天规定的训练冲量的量的训练冲量值的一个或多个候选活动序列。在一个实施方案中,可在活动序列数据库内将七个候选活动序列识别为具有靠近所规定训练冲量值的训练冲量值。然而,设想可以识别任何数目个候选活动序列,同时不脱离这些公开内容的范围。在一个实例中,可在框1308处执行所述一个或多个过程。
某些实施例可考虑用户所选择的重点或计划或重点或计划被归类到其中的其它事物,和/或用户的实际表现。例如,如果用户选择意在进行指定距离的赛跑的计划,那么可以考虑被设计成朝向距离目标前进的跑步活动。所述考虑可考虑此类活动的TRIMP计数。例如,所规定活动可为25%地针对耐久性改进,因此TRIMP计数(例如,100TRIMP)可乘以0.25%,以指出可针对耐久性改进的计划目标量化25个TRIMP。另外,还可考虑用户的实际表现。例如,如果用户具有与上述相同的计划(50%耐久性和50%移动性),但是展示出需要更大的耐久性或稳定性,那么TRIMP可以某一倍数增加。因此,可能的选择可基于它们关于一个或多个个别重点领域或目标的整体组成来考虑,所述个别重点领域或目标可关于运动员的需要、经验水平和/或实际表现。
反过来,对于每一微循环中的每一天,可基于映射到活动序列的训练冲量值,自动选择将达到目标/所规定训练冲量值的一个或多个活动序列,并且所述一个或多个活动序列可存储在活动序列数据库内。
可在配速桶(pace bucket)方面定义分配,所述配速桶可表达为用户的临界速度的百分比。在一个实例中,配速桶可定义如下:
耐力跑:<85%CV,节奏跑:85-95%CV,乳酸门槛跑:95-105%CV,VO2Max:105-120%CV,无氧能力:>120%CV
所规定或已完成的跑步可被分解为这些配速桶的向量。例如,如果用户以其临界速度的90%完成了4英里跑,那么这一4英里跑将被分解如下:
耐力跑-0,节奏跑:100,乳酸门槛跑:0,VO2Max:0,无氧能力:0
在以上实例中,得出配速桶的向量,因为用户的整个跑步全都处于“节奏跑”配速桶中。如果单个跑步完全是用恒定的配速,那么这整个跑步将都在一个配速桶中。然而,如果在跑步期间配速有所变化,那么这个跑步还可跨越多个桶。
目标分配由用户所处的中循环以及他们的水平(初级、中级或高级)和目标(5K、10K等)指定。这些存储在存储器中的查找表中。因此,对于给定组合,例如,对于具有5k计划的处于其第2个中循环的初级用户,他们将具有固定的目标分配,如下:
目标分配:耐力跑-50,节奏跑-20,乳酸门槛跑-10,VO2Max-10,AC-10
此目标分配是将使得50%的训练负荷用在耐久性桶中、20%的训练负荷用在节奏跑配速桶中等等的锻炼平衡。系统和方法可旨在针对每微循环产生最接近的整体目标分配。因此,进一步预期可以采用用于选择活动序列的组合的方法,例如在框1310处。此方法可考虑来自一个或多个候选活动序列的候选运动序列的一个或多个排列。在某些实施方案中,可针对候选运动序列的一个或多个排列计算排列分数,并且可选择具有最佳分数的排列。此排列分数可以是也可以不是排列分配和目标分配之间的简单欧几里得距离或某一其它距离启发法(distance heuristic)。将为每一微循环选定具有被视为最接近目标分配的分数的排列。
在某些实施例中,可创建自定义练习。例如,如果当天的已知TRIMP值是已知的,且用户想要提高上半身强度,那么选择与TRIMP值(其甚至可以根据与运动员已经执行的相同的过往活动来计算)相关的上半身例程可通过设置重复次数和组数来调整。
在一个特定实例中,可阻止指导计划一连规定两个长跑,并使得两个长跑中的第二者变成恢复跑等等。
在一个实施方案中,跑步指导计划可为用户规定在计划的前两周的固定跑步计划。因而,将为具有相同水平(每周跑步距离的英里数相同)且每周可用于锻炼的天数相同的用户规定相同的前两周跑步计划。针对前两周规定的计划类型的实例在图13B的表格中示出。
图14是描述用于创建对应于跑步指导计划的一个或多个所规定训练冲量的一个或多个运动性活动的一个或多个过程的流程图。判定框1402可用于确定所规定训练冲量是否以跑步为重点或是否主要与跑步指导计划相关。因此,如果所规定训练冲量不与所关注的跑步相关,那么流程图可继续进行到框1404,并且可执行选择另一过程类型的一个或多个过程。然而,如果所规定训练冲量与所关注的跑步相关,那么流程图可继续进行到框1406,并且一个或多个过程可产生多个稳态跑和/或间歇跑候选项,所述候选项具有对应于针对跑步指导计划的微循环中的每一天所规定的训练冲量的相关训练冲量值。具体地说,为了产生对应于所规定训练冲量的一个或多个稳态跑,一个或多个过程可计算基于所计算的临界速度(例如,如流程图800的框820-824中的一个或多个框中所计算)的steadyStatePace变量。在一个特定实例中,steadyStatePace可为临界速度的某一百分比。在一个实施例中,它可为大致0.845*(临界速度)。然而,设想可以利用任何乘法器,同时不脱离这些公开内容的范围。在某些实例中,可产生对应于三种配速的三个跑步选择方案,它们可被称作节奏跑、乳酸门槛跑和恢复跑。
steadyStatePace可被视为用户的临界速度的某一分数(即,相对强度变量)。另外,所规定训练冲量(TRIMP_prescribed)可用于计算desiredDuration变量(以steadyStatePace跑的持续时间)。它可使用以下公式来进行:
desiredDuration=(TRIMP_prescribed)/(相对强度)(公式20)
因此,本文中所描述的系统和方法可规定在等于desiredDuration变量的持续时间内配速等于steadyStatePace的一个或多个稳态跑。
在另一实例中,本文中所描述的系统和方法可规定一个或多个间歇跑。在一个实例中,与间歇跑相关的变量可包含重复(reps)次数、距离、配速和休息持续时间等等。在一个实施方案中,间歇跑的距离可被限制在某些预定义距离选择内。因此,可从中产生一个或多个间歇跑的一组间歇距离可包含200m、400m、800m、1000m、1200m和1600m的距离。然而,设想可以利用任何距离,同时不脱离这些公开内容的范围。在一个实施例中,待产生间歇跑的配速可选自一组可接受配速值。在一个实施方案中,所述一组可接受配速可相对于用户的临界速度(CV)定义,并且可包含设置为CV的百分比的配速。在一个实施例中,它可为例如:93%*CV、98%*CV、103%*CV……150%*CV。然而,设想可以利用任何配速,同时不脱离这些公开内容的范围。至于重复次数,在一个实例中,用于产生一个或多个间歇跑的一组可能重复可被限制在2到17次重复。然而,设想可以利用任何重复次数,同时不脱离这些公开内容的范围。类似地,在一个实例中,重复之间的可接受休息持续时间可限于在30秒和五分钟之间的持续时间。然而,设想可以利用任何休息持续时间,同时不脱离这些公开内容的范围。
在一个实施方案中,可执行产生所有可能的间歇跑的列表的一个或多个过程,所述间歇跑具有等于针对用户的跑步指导计划的给定天规定的训练冲量的训练冲量值,且基于关于重复次数、间歇距离、可接受配速和可接受休息持续时间论述的那些限制而产生。在一个实例中,可基于一个或多个传感器类型而选择最佳间歇跑。在另一实例中,可向用户呈现多种间隔跑,且用户可以选择所需的间歇跑类型。在一个特定实例中,产生具有/过滤出具有可能的跑步排列的间歇跑可基于在间歇跑期间消耗的无氧作功能力。因此,在一个实例中,可接受间歇跑可使用户的无氧作功能力消耗到用户的总无氧作功能力存储的10%到50%。在其它实施方案中,设想此无氧作功能力消耗可导致用户的无氧作功能力被消耗到小于10%或大于50%,同时不脱离这些公开内容的范围。
在一个实例中,可针对在跑步指导计划期间的每一天并利用例如框1406处的上文所述过程产生多个稳态和/或间歇跑,所述跑步指导计划与大于零的所规定训练冲量值相关。另外,可基于检测到的用户的地理位置、与给定跑步类型相关的所规定训练冲量值或社交媒体链接等对跑步路线的推荐等等,向用户推荐一个或多个稳态和/或间歇跑路线。这些推荐的跑步路线可自动选自数据库,并组合一个或多个特定的所规定跑步类型而呈现给用户。因而,用户可被提供一个或多个地图以及其它路线信息(例如,距离信息、地形分类、其它跑步者的评论等等),所述其它路线信息概括了与针对给定天或针对指导计划内的数天规定的跑步计划相容潜在跑步路线。
因此,例如,在框1408处,对于为用户规定了训练冲量的每一天,可为用户产生并规定单个稳态跑、单个间歇跑、多个稳态跑、多个间歇跑或其组合。因而,当给出多个跑步选择方案时,用户可选择在给定天吸引到他/她的选择方案。在某些实例中,跑步指导计划可以利用其它限制,同时不脱离这些公开内容的范围。例如,对于微循环内的日最大训练冲量,可仅产生稳态跑供用户完成。在另一实例中,对于微循环内的日第二高训练冲量,可仅产生间歇跑供用户完成,等等。
图15A示意性地描绘了给定用户的影响曲线。具体地说,影响曲线1502绘制了每单位训练压力对表现的净影响(y轴1504)相较于在目标表现日期之前的天数(x轴1506)的图。因而,影响曲线1502可针对在目标表现日期之前的指导计划期间的任何给定时间的所规定单位训练压力描述训练压力将对用户在目标表现日期的表现产生的净效益。在一个实施方案中,影响曲线1502可基于针对给定用户产生的一个或多个运动常量来绘制。这些运动常量可包含体能增益、疲劳增益、体能衰减和疲劳衰减等等,如关于图11和/或图7的框704所论述。可观察到,当用户推进指导计划时,训练量对目标表现日期产生的积极影响将逐渐变大,并达到另外被称为最大影响点的峰值t_g,这个过程对应于净影响值1508。此最大影响值可对应于在一个实例中通过公式9计算出的值。另外,此最大影响点可为其后基于用户在完成单位训练压力之后所需要的恢复时间为用户规定的每单位训练压力对目标表现日期的表现的积极影响将逐渐减小的点。在一个实例中,影响值1510可等于1508的一半(但是设想可以利用影响值1508的其它分数,同时不脱离这些公开内容的范围)。因此,影响值1510可被投射到曲线1502上,以便查找可用作特定于与曲线1502相关的用户的中循环长度的长度1512。
还可观察到,当用户越来越接近目标日期时,曲线1502与x轴1506交叉。此交叉点对应于其后用户所进行的任何额外训练压力将会对用户在目标日期的表现产生不利影响的日期。在此交叉点之后周期可被称作用户的指导计划内的锥形周期。因此,交叉点和目标日期之间的表示为长度1514的时间长度可被设置成等于用户的微循环长度。此长度1514可对应于关于图11论述的公式8的结果。
在一个实施例中,可以使用下面的训练影响公式来计算给定天的净单位训练影响。
给定天的训练影响=K1*e^(-(完成之前的天数)/T1)/-K2^(-(完成之前的天数)/T2),其中常量包含:体能增益K1、疲劳增益K2、体能衰减T1和疲劳衰减T2。
图15B描绘根据本文中所描述的一个或多个方面的用于导出计算用户在跑步时的临界速度的公式的经验数据。具体地说,图形1530绘制了多个不同数据点(每一数据点可为不同跑步测试)的临界速度的分数[无量纲](y轴)相对于时间[秒](x轴)的图。回归曲线与所描绘的数据点拟合,其中曲线公式被计算为:y=1.8677*x^(-0.082),且R^2的值为0.6816。图形1532绘制多个不同数据点(类似于图形1530,每一数据点可为不同跑步测试)的临界速度的分数[无量纲](y轴)相较于距离[米](x轴)的图。回归曲线与所描绘的数据点拟合,其中曲线公式被计算为:y=2.2398*x^(-0.09),且R^2的值为0.6779。
图15C描绘根据本文中所描述的一个或多个方面的用于导出计算用户在骑车时的临界速度的公式的经验数据。具体地说,图形1534绘制多个不同数据点(每一数据点可为不同骑车测试)的临界速度的分数[无量纲](y轴)相对于时间[秒](x轴)的图。回归曲线与所描绘的数据点拟合,其中曲线公式被计算为:y=1.9199*x^(-0.088),且R^2的值为0.8053。图形1536绘制多个不同数据点(类似于图形1534,每一数据点可为不同跑步测试)的临界速度的分数[无量纲](y轴)相较于距离[米](x轴)的图。回归曲线与所描绘的数据点拟合,其中曲线公式被计算为:y=3.0889*x^(-0.086),且R^2的值为0.6769.
图16描绘用于基于用户所进行的跑步类型估计用户的临界速度的测试数据图形。具体地说,图形1602绘制针对四种不同的跑步类型估计的用户的临界速度的百分比(y轴),且所述临界速度是使用计算临界速度的第一计算方法来估计的。具体地说,测试数据指示用户在马拉松跑/耐力跑过程中的配速(1604)等于用户的临界速度的大致86.3%。类似地,用户的半马拉松/节奏跑配速(1606)等于用户的临界速度的大致91.8%。另外,用户的10km跑(乳酸门槛跑)配速(1608)等于用户的临界速度的大致98.2%。另外,用户的5km跑(速度跑)配速等于用户的临界速度的大致104.5%。
图形1612还绘制针对两种不同的跑步类型估计的用户的临界速度的百分比(y轴),所述临界速度是使用计算临界速度的第二方法来估计的。因而,用户在耐力跑/长跑中的配速(1614)可等于用户的临界速度的大致84.5%,且用户在节奏跑中的配速(1616)可等于用户的临界速度的大致100.2%。
图形1618绘制针对两种不同的跑步类型估计的用户的临界速度的百分比(y轴),所述临界速度是使用计算临界速度的第三方法来估计的。因此,用户在耐力跑/长跑中的配速(1620)可等于用户的临界速度的大致81.2%,且用户在节奏跑中的配速(1622)可等于用户的临界速度的大致96.6%。
在一个实例中,本文中所描述的用于计算自适应运动处方(其可包含跑步和/或训练处方)的系统和方法可利用静态或动态推荐。在某些实施方案中,基于个人偏好和关于用户的可用数据使用动态推荐可以更加个性化。在一个实例中,动态推荐可允许更频繁地选择和完成锻炼或任何运动性活动序列,和/或可实施成使得用户对这些活动更加满意,因为这些活动与用户个体更加契合。
在一个实例中,用于计算用户的动态推荐的数据可包含以下信息源中的一个或多个:用户元数据、用户偏好、锻炼元数据、锻炼完成数据、与用户和活动监测装置之间的交互相关的用户交互数据及其组合等等。在一个实施方案中,可以利用机器学习技术来使用此数据导出智能锻炼推荐。在一个特定实例中,可利用协同过滤设备。所述设备可包含处理器和计算机可读媒体,所述计算机可读媒体包括在由所述处理器执行时被配置成执行协同过滤过程的计算机可执行指令。在一个实施例中,协同过滤设备是另一装置的部件,所述另一装置例如本文中所公开的装置中的一个或多个。协同过滤可利用现有锻炼完成数据来预测性地确定用户完成他们尚未完成的和/或在确定时刻之前一直没机会完成的锻炼的可能性。
在某些实例中,本文中所描述的机器学习方法以及稍后描述的神经网络方法可用于产生自适应运动性活动处方和/或用于基于一个或多个运动表现调适处方(例如,可在流程图600的框610和612处同时利用机器学习和神经网络方法两者)。
根据本发面的各方面,在某些实例中,机器学习方法可以在识别能够最佳地预测锻炼推荐的模型时在一个或多个计算中利用数个可变参数。这些参数可包含但不限于以下实例和/或下文提供的非限制性实施例:
A)数据类型:在某些实施方案中,此参数可涉及被输入到模型中的数据。在一个实例中,此参数可涉及锻炼完成事件,使得每次用户完成锻炼时,相关数据作为数据点被输入到模型中。
B)数据量:在某些实施方案中,此参数可涉及(可通过多个来源)获得并被输入到模型中的数据的总量。在一个实例中,此参数可表示值得将锻炼完成数据输入到模型中的天数(或周数)。在一些实施例中,可考虑采样速率。
C)数据划分:在某些实施例中,此参数可涉及去往训练集、交叉验证集和/或测试集的锻炼完成数据一部分(例如,某一百分比),和/或关于如何向每一集指派个别锻炼完成事件的确定。
D)精确度度量:在某些实施例中,此参数可涉及如何相对于彼此评估训练的协同过滤模型的不同形式。此参数可用于判断哪一协同过滤模型产生“最佳”锻炼推荐,这可以用一个或多个标准来确定。
E)_模型类型:在某些实施例中,交替最小二乘(“ALS”)包可包含多种形式的协同过滤,例如“显式”和“隐式”模型。此选择代表了两种在本质上不同的解译和处理可用数据的方式。在一个实例中,隐式模型可在下面描述的非限制性实例中使用。
i)分级:在某些实施例中,此参数可涉及用于模型的特征的量。
ii)迭代:在某些实施例中,此参数可涉及交替最小二乘(ALS)算法运行的迭代次数。
ⅲ)λ:在某些实施例中,这可用作控制模型的过拟合的正则化参数。
iv)α:在某些实施例中,这可用作控制给予训练集中的积极实例的权重的置信度参数。例如,在一个实施例中,它可用于确定用户(或群体)完成锻炼意味着他们喜欢所述锻炼或将再次进行所述锻炼(或类似锻炼)的置信度水平。例如,α越高,此置信度水平可越高。
根据某些系统和方法,确定锻炼推荐的最佳协同过滤模型可包含决定在一个或多个计算中要收集、输入和/或利用的数据量。在一个实例中,可使用8周(大致2个月)的数据来构建模型。然而,设想可以利用任何持续时间,同时不脱离这些公开内容的范围。在一些实施例中,数据频率、采样速率、精确度和/或其它因素可影响持续时间。随后,数据可分成训练集、交叉验证集和/测试集。在一个实例中,此分割可随机进行,以便确保分割数据的方式不会有失偏颇。然而,在其它情况下,可以利用不同的数据划分。
在一个实施方案中,实际产生锻炼推荐器可在固定时间点执行,并且可以利用它到特定时间点为止所接收/存储的锻炼完成数据,所述特定时间点包含但不限于执行时间。实际产生锻炼推荐器可创建锻炼推荐,目的在于使用户在未来某一时间完成所推荐的锻炼。为了更密切地匹配这种现实世界使用情况,可在时间上分割数据。可使用在特定时间点之前的数据创建模型,并且可基于在所述时间点之后的数据评估所述模型的精确度。
在一个实例中,锻炼完成事件数据的第一时间周期可用于创建最佳模型,且第二时间周期可用于评估由所述模型产生的推荐的质量。所述确定可持续固定时间或具有某一百分比的固定时间。在另外其它实施例中,时间周期可动态地调整。在8周计划的一个实施例中,第一时间周期可为6周,其中来自这一时间的锻炼完成数据用于创建最佳模型,且8周时间帧中的最后2周可用于评估由所述模型产生的推荐的质量。在一个实施方案中,此方法可模拟现实世界情形,其中基于6周过往数据产生锻炼推荐,并推荐未来要进行的锻炼。类似地,6周的模型创建数据可被分成4周训练数据和2周交叉验证数据。这些仅为实例。
在某些实施方案中,可以利用精确度度量。例如,给定数据划分,可根据其选择不同模型,并且可评估所选择的模型。可预期模型可以推荐用户可能完成(和/或确定难度、满意度或其它质量度量的范围是否可接受)的锻炼,并且可判定测量模型质量的最佳方式是通过观察模型所推荐的锻炼在未来被用户实际完成的可能性(其可使用交叉验证集和测试集来逼近)。在一个实施例中,可将推荐器推荐的在评估集中被实际完成的模型的精确度确定为锻炼的百分比。然而,在此精确度度量下,模型有可能向用户推荐锻炼,但是用户实际上不会进行用于评估模型的数据集中的任何锻炼(或仅进行非常少的锻炼)。在此情况下,即使是最佳推荐器系统也无法工作。例如,如果用户度假2周且没有进行任何锻炼,那么模型仍然可为精确的。类似地,如果用户在那2周内进行了用于评估模型的整个库中的锻炼,那么即使是最差推荐器也会运行良好,因为用户完成了每一个单个锻炼。另外,可能存在要决定推荐器应该推荐多少锻炼的问题。
某些实施例可确定使用上文定义的精确度度量的经修改形式。精确度度量可被定义为已完成锻炼在模型推荐给用户的评估集中的百分比。对于每一用户,可在评估集中推荐他们实际完成的不管多少个锻炼。这可解决上文所描述的问题。例如,如果用户A在8周时间帧中的最后2周(测试集)内完成3个锻炼,那么模型可向所述用户推荐3个锻炼。因而,与用户实际进行过的锻炼匹配的所推荐锻炼的数目可有助于所述模型的精确度度量。如果用户B在最后2周内完成1个锻炼,那么可向用户B推荐1个锻炼,并且可执行检查所述推荐是否与用户B实际进行过的锻炼匹配的一个或多个过程。
可以使用许多其它精确度度量,包含:
执行使推荐器针对每一用户对所有锻炼进行分级的一个或多个过程。接着对于每一个实际完成的锻炼,检查推荐器将所述锻炼分级到的等级。分级越低,模型越好。
执行使推荐器向每一用户推荐固定数目个锻炼的一个或多个过程。
执行使推荐器排除用户在训练集期间已进行的锻炼以便其仅推荐新锻炼的一个或多个过程。
模型参数
调节特定模型参数(分级、迭代、λ、α)可包含尝试参数的不同组合以找到最佳拟合。在一个实例中,对于每个组合,可使用的迭代的固定数目=20。然而,设想可以利用任何迭代数目,同时不脱离这些公开内容的范围。
在一个特定实例中,所训练的最佳模型的分级为25,λ为2,α为10,且交叉验证集的精确度为26.37%。此模型的测试集的精确度为21.58%,但是当使用所有6周的训练数据并使用这些选定参数重新训练新模型时,测试集的精确度跳至25.21%。在与简单的基于流行度的模型(向每个人推荐在全球范围内最流行的锻炼)以及更简单的随机推荐锻炼的模型相比时。流行度模型的测试集的精确度为15%,且随机模型的测试集的精确度为2.2%。因而,协同过滤方法的性能能够明显优于不基于机器学习的模型。
在某些实例中,作为上文所描述的协同过滤机器学习的补充或替代,可以利用神经网络方法。例如,协同过滤可限制可用作预测符的数据类型,而神经网络可以用所有类型的输入数据来预测相同结果。对于自适应跑步/训练活动处方,协同过滤可能只能将已完成的锻炼用作模型的输入来预测稍后完成的锻炼,而神经网络可以将已完成的锻炼、完成%、关于锻炼的额外元数据(例如,练习、强度、设备)和资料档案信息用作模型输入来同样地预测在未来完成的锻炼。这两种方法都可在0到1的范围内预测在预测周期内完成每个锻炼的可能性。
神经网络模型概述:
特征输入(其可具有约5,000个输入特征,但是设想可以利用其它数目个输入特征,同时不脱离这些公开内容的范围)可包含:
可针对具有以下条目的每一训练/跑步锻炼活动合计过去6周内的平均锻炼完成百分比和标准偏差及计数:锻炼练习类型(即,多个锻炼中所使用的相同练习)、锻炼强度(低、中等、高)、锻炼重点(强度、耐久性、移动性等)、锻炼设备群组(无、基础、完全)、锻炼水平(初级、中级、高级)、RPE和/或锻炼持续时间。
这些特征输入可用于对照约138个锻炼的库预测锻炼完成度。在一个实例中,特征输入和所预测的锻炼在数据集中都可能需要包含至少10个实例。另外,输入周期(前周期)可为6周,然后预测在之后2周(后周期)内完成的锻炼。
在一个实例中,模型可为多层感知器模型,其内置有漏失(drop-out)函数和L2正则化以帮助避免数据过拟合。隐蔽层可为具有softmax输出层的修正线性单元(RELU)。损耗函数可为softmax的交叉熵,并且可利用随机梯度下降优化。可通过包含实际值的最上面3个预测测量精确度。然而,可以利用其它数目个预测,同时不脱离这些公开内容的范围。
神经网络调节可考虑各种参数,其可包含:隐蔽层的数目、漏失速率、隐蔽层中的节点数目、优化方法(随机梯度下降法、adam和adagrad)、学习速率和/或L2正则化参数(防止过拟合)等等。
精确度可如上文所描述的那样(最上面3个预测包含实际值)测量,并且表达为以超过100个迭代/时期迭代的10K的每小批量的精确结果的数目。在某些实例中,结果可能无法实现最小成本(如由随机梯度下降法所限定),并且可早早地截止以实现更快速的模型迭代。对于最终模型,可允许在达到接近0的成本之前一直迭代。在一个实施方案中,所有参数可对照训练数据集进行优化。当我们获得一些看起来有利的东西时,可对照测试数据集对其进行评估并且另外进行调节。
本公开的各方面是关于一种设备、一种具有计算机可执行指令的非暂时性计算机可读媒体和一种用于为用户规定跑步指导计划/自适应跑步活动处方的方法。另外,此跑步指导计划可基于用户在所规定的一组运动性活动中的进展或无进展进行调节。有利的是,本公开使得能够使用一个或多个高速处理器元件(例如,202-1、202-2)、经执行以得出跑步指导计划并基于用户所进行的活动(例如,跑步)调适跑步指导计划的一组复杂计算等等。另外,跑步指导计划可不断地更新,使得,在一个实例中,一直向用户呈现考虑了最近运动性活动的最新跑步指导计划。在一个实例中,跑步指导计划可在跑步期间在由用户佩戴的运动监测装置上更新,或在跑步已经结束之后更新。
在某些方面,描述一种设备、一种具有计算机可执行指令的非暂时性计算机可读媒体和一种方法,所述设备包含处理器、用户接口、被配置成采集指示用户的运动的数据的传感器,所述非暂时性计算机可读媒体存储由所述处理器执行的计算机可执行指令,且所述方法包含使用用户接口传送对用户完成基准跑步测试的请求。另外,所述指令可包含从传感器接收与基准跑步测试和由用户进行的先前跑步活动中的一个或多个相关的运动数据。还可从用户接口接收与用户相关的传记和目标数据。用户可基于接收到的运动数据和传记数据中的一个或多个而被分类到一种跑步经验分类中。可基于跑步经验分类向用户指派运动常量。可根据接收到的运动数据来计算用户的临界速度和有限作功能力。可基于计算出的临界速度、有限作功能力、带正负号的运动常量和目标数据来计算用户的自适应跑步活动处方。另外,可基于从传感器接收到的后续运动数据来调适计算出的自适应跑步活动处方。
根据一个实施例,用户的计算出的自适应跑步活动处方还可包含使用后续运动数据计算用户的新临界速度和有限作功能力,以及使用用户的新临界速度环境作功能力计算新的自适应跑步处方。
在另一实施例中,与用户相关的传记和目标数据包含每周跑步的平均英里数和未来用户参与跑步比赛的八个日期。
在一个实施方案中,计算用户的临界速度和有限作功能力包含使用从单个基准跑步测试接收到的运动数据。
另外,单个基准跑步测试可规定用户在大致三分钟内跑得尽可能远。
另外,从单个基准跑步测试接收到的运动数据可用于将用户的临界速度计算为:临界速度=(在单个基准跑步测试期间覆盖的距离)/((跑至所覆盖的距离所花费的时间^0.918)*1.8677)。
在又一实施方案中,从单个基准跑步测试接收到的运动数据可用于将用户的有限作功能力计算为:有限作功能力=(在单个基准跑步测试期间覆盖的距离)-(临界速度*完成单个基准跑步测试所花费的时间)。
在另一实施例中,使用接收到的由用户进行的先前跑步活动的运动数据来计算临界速度和有限作功能力。因而,如果先前跑步活动是节奏跑:临界速度=1.0*(用户在节奏跑期间的平均速度),如果先前跑步活动是长跑:临界速度=1.2*(用户在长跑期间的平均速度)。
在又一实施例中,如果先前跑步活动是由用户在合格时限内进行,那么包含由用户进行的先前跑步活动的运动数据是有效的。另外,合格时限的时长可为大致七天。
在另一实施方案中,计算用户的自适应跑步活动处方还可包含根据由用户进行的先前跑步活动的运动数据计算相对强度。相对强度可等于:(用户在先前跑步活动期间的平均速度)/(用户的临界速度)。
另外,计算用户的自适应跑步活动处方还可包含根据接收到的运动数据计算训练冲量。
接收到的运动数据还可包含心跳速率数据和用户的主观用力度。
训练冲量可被计算为等于:(相对强度)*(临界速度)*(活动持续时间)。
在另一实施方案中,运动常量到用户的指派是基于接收到的运动数据及传记和目标数据,且运动常量可包含体能增益K1、疲劳增益K2、体能衰减T1和疲劳衰减T2。
在又一实施方案中,计算用户的自适应跑步活动处方包含将跑步计划的微循环长度计算为:微循环长度=(T1*T2)/(T1-T2)*ln(K2/K1)。
在另一实施例中,计算用户的自适应跑步活动处方可包含计算跑步计划中的每一微循环的最大训练冲量,其中第一最大训练冲量是基于接收到的传记数据从所存储查找表中选择。
在其它方面中,描述一种设备、一种具有计算机可执行指令的非暂时性计算机可读媒体和一种方法,所述设备包含处理器、用户接口、被配置成采集指示用户的运动的数据的传感器,所述非暂时性计算机可读媒体存储由所述处理器执行的计算机可执行指令,且所述方法包含使用用户接口传送对用户完成基准测试的请求。另外,指令可包含从传感器接收与基准测试和由用户进行的先前活动中的一个或多个相关的运动数据。还可从用户接口接收与用户相关的传记和目标数据。用户可基于接收到的运动数据和传记数据中的一个或多个而被分类到一种经验分类中。可基于经验分类向用户指派运动常量。可使用协同过滤机器学习模型或神经网络模型来计算用户的自适应活动处方。另外,可基于从传感器接收到的后续运动数据来调适计算出的自适应活动处方。
在上文和参考多种实例的附图中公开了本公开。然而,本公开服务的用途是提供与本公开相关而不限制本发明的范围的各种特征和概念的实例。相关领域的技术人员应认识到,可以在不脱离本公开的范围的情况下对上文所描述的实例做出众多变化和修改。
Claims (17)
1.一种设备,包括:
处理器;
用户接口;
传感器,其被配置成采集指示用户的运动的数据;
非暂时性计算机可读媒体,其包括在由所述处理器执行时被配置成执行至少以下操作的计算机可执行指令:
使用所述用户接口传输对所述用户完成基准跑步测试的请求;
接收以下中的至少一个:来自所述传感器的所述基准跑步测试期间的运动数据和由所述用户进行的先前跑步活动期间的运动数据;
基于所述接收到的运动数据和所述用户的传记数据中的至少一个,将所述用户分类到多种跑步经验分类中的一种中,每一跑步经验分类与多个运动常量相关;
基于所述跑步经验分类,向所述用户指派相应运动常量;
利用所述处理器并使用所述接收到的运动数据计算所述用户的临界速度和有限作功能力;
利用所述处理器计算所述用户的自适应跑步活动处方,所述计算是基于所述计算出的临界速度和所述有限作功能力、所述指派的运动常量和来自所述用户的目标数据;以及
基于从所述传感器接收到的后续运动数据,调适所述计算出的所述用户的自适应跑步活动处方。
2.根据权利要求1所述的设备,其中所述调适所述用户的所述计算出的自适应跑步活动处方还包括:
使用所述后续运动数据计算所述用户的新临界速度和有限作功能力;以及
使用所述用户的所述新临界速度和有限作功能力计算新自适应跑步处方。
3.根据权利要求1所述的设备,其中与所述用户相关的所述传记和目标数据包含在固定持续时间内所跑的平均英里数和所述用户未来参与跑步比赛的日期。
4.根据权利要求1所述的设备,其中用于所述计算所述用户的所述临界速度和所述有限作功能力的所述运动数据由从单个基准跑步测试接收到的运动数据组成。
5.根据权利要求4所述的装置,其中所述单个基准跑步测试规定所述用户在大致三分钟内跑得尽可能远。
6.根据权利要求4所述的装置,其中从所述单个基准跑步测试接收到的所述运动数据用于将所述用户的所述临界速度计算为:临界速度=(在所述单个基准跑步测试期间覆盖的距离)/((跑至所覆盖的距离所花费的时间^0.918)*1.8677)。
7.根据权利要求6所述的设备,其中从所述单个基准跑步测试接收到的所述运动数据用于将所述用户的所述有限作功能力计算为:有限作功能力=(在所述单个基准跑步测试期间覆盖的距离)-(临界速度*完成单个基准跑步测试所花费的时间)。
8.根据权利要求1所述的设备,其中所述计算所述用户的所述临界速度和所述有限作功能力包括使用在由所述用户进行的先前跑步活动期间获得的运动数据,其中所述计算机可读媒体包括在由所述处理器执行时执行至少以下操作的计算机可执行指令:
确定所述先前跑步活动是节奏跑还是长跑;以及
根据对所述先前跑步活动是节奏跑的所述确定计算所述临界速度:临界速度=1.0*(所述用户在所述节奏跑期间的平均速度),并且其中如果所述先前跑步活动是长跑,那么:临界速度=1.2*(用户在所述长跑期间的平均速度)。
9.根据权利要求1所述的设备,其中所述计算机可读媒体还包括在由所述处理器执行时执行至少以下操作的计算机可执行指令:
如果所述先前跑步活动是由所述用户在合格时限内进行,那么确定包含由所述用户进行的先前跑步活动的所述运动数据是有效的。
10.根据权利要求9所述的设备,其中所述合格时限的时长为七天。
11.根据权利要求1所述的设备,其中所述计算所述用户的所述自适应跑步活动处方还包括:
根据由所述用户进行的所述先前跑步活动的所述运动数据将所述用户的相对强度计算为:相对强度=(用户在先前跑步活动期间的平均速度)/(所述用户的临界速度)。
12.根据权利要求11所述的设备,其中所述计算所述用户的所述自适应跑步活动处方还包括:
根据所述接收到的运动数据计算训练冲量。
13.根据权利要求12所述的设备,其中所述接收到的运动数据包含所述用户的心跳速率数据和主观用力度中的一个或多个。
14.根据权利要求12所述的设备,其中所述训练冲量被计算为:训练冲量=(相对强度)*(临界速度)*(活动持续时间)。
15.根据权利要求1所述的设备,其中所述向所述用户指派所述运动常量是基于所述接收到的运动数据、与所述用户相关的传记和目标数据,其中所述运动常量包含体能增益(K1)、疲劳增益(K2)、体能衰减(T1)和疲劳衰减(T2)。
16.根据权利要求15所述的设备,其中所述计算所述用户的所述自适应跑步活动处方还包括:
将所述跑步活动处方的微循环长度计算为:微循环长度=(T1*T2)/(T1-T2)*ln(K2/K1)。
17.根据权利要求16所述的设备,其中所述计算所述用户的所述自适应跑步活动处方还包括:
针对所述跑步活动处方中的每一微循环计算最大训练冲量,其中第一最大训练冲量是基于所述接收到的传记数据从所存储查找表中选择。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662308766P | 2016-03-15 | 2016-03-15 | |
US201662308749P | 2016-03-15 | 2016-03-15 | |
US62/308,766 | 2016-03-15 | ||
US62/308,749 | 2016-03-15 | ||
US201662353394P | 2016-06-22 | 2016-06-22 | |
US62/353,394 | 2016-06-22 | ||
US201662368559P | 2016-07-29 | 2016-07-29 | |
US62/368,559 | 2016-07-29 | ||
PCT/US2017/022547 WO2017161013A1 (en) | 2016-03-15 | 2017-03-15 | Adaptive athletic activity prescription systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109155154A true CN109155154A (zh) | 2019-01-04 |
Family
ID=58448625
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780029869.0A Pending CN109155154A (zh) | 2016-03-15 | 2017-03-15 | 自适应运动性活动处方系统 |
CN201780029860.XA Pending CN109155153A (zh) | 2016-03-15 | 2017-03-15 | 自适应运动性活动处方系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780029860.XA Pending CN109155153A (zh) | 2016-03-15 | 2017-03-15 | 自适应运动性活动处方系统 |
Country Status (4)
Country | Link |
---|---|
US (8) | US20170266501A1 (zh) |
EP (2) | EP3430547A1 (zh) |
CN (2) | CN109155154A (zh) |
WO (4) | WO2017161029A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863185A (zh) * | 2019-04-28 | 2020-10-30 | 百应科技(北京)有限公司 | 一种跑步任务自动生成方法及系统 |
CN115068897A (zh) * | 2022-06-16 | 2022-09-20 | 戎誉科技(深圳)有限公司 | 一种基于互联网的远程康复辅助监护系统 |
Families Citing this family (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10086233B2 (en) * | 2016-03-15 | 2018-10-02 | Athlios, Inc. | Fitness equipment with anthropometric data enhanced workout generator |
US11501200B2 (en) * | 2016-07-02 | 2022-11-15 | Hcl Technologies Limited | Generate alerts while monitoring a machine learning model in real time |
US11154221B2 (en) * | 2018-03-23 | 2021-10-26 | International Business Machines Corporation | Diagnosing changes in gait based on flexibility monitoring |
US11971951B2 (en) * | 2018-06-21 | 2024-04-30 | City University Of Hong Kong | Systems and methods using a wearable sensor for sports action recognition and assessment |
US11364418B2 (en) | 2018-10-08 | 2022-06-21 | John Piazza | Device, system and method for automated global athletic assessment and / or human performance testing |
WO2020087162A1 (en) * | 2018-10-29 | 2020-05-07 | Intellisports Inc. | System and method for real-time activity classification and feedback |
US11471059B2 (en) * | 2019-03-08 | 2022-10-18 | Volt Athletics | Method for expert system to dynamically adapt fitness training plans |
US11541274B2 (en) | 2019-03-11 | 2023-01-03 | Rom Technologies, Inc. | System, method and apparatus for electrically actuated pedal for an exercise or rehabilitation machine |
US11904202B2 (en) | 2019-03-11 | 2024-02-20 | Rom Technolgies, Inc. | Monitoring joint extension and flexion using a sensor device securable to an upper and lower limb |
US11185735B2 (en) | 2019-03-11 | 2021-11-30 | Rom Technologies, Inc. | System, method and apparatus for adjustable pedal crank |
CN110013643B (zh) * | 2019-04-16 | 2020-11-13 | 绍兴文理学院 | 一种智能定制间歇式训练计划的系统及方法 |
US10960266B2 (en) * | 2019-05-06 | 2021-03-30 | Samuel Messinger | System of an artificial intelligence (AI) powered wireless gym |
US11957960B2 (en) | 2019-05-10 | 2024-04-16 | Rehab2Fit Technologies Inc. | Method and system for using artificial intelligence to adjust pedal resistance |
US11801423B2 (en) | 2019-05-10 | 2023-10-31 | Rehab2Fit Technologies, Inc. | Method and system for using artificial intelligence to interact with a user of an exercise device during an exercise session |
US11957956B2 (en) | 2019-05-10 | 2024-04-16 | Rehab2Fit Technologies, Inc. | System, method and apparatus for rehabilitation and exercise |
US11904207B2 (en) | 2019-05-10 | 2024-02-20 | Rehab2Fit Technologies, Inc. | Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains |
US11433276B2 (en) | 2019-05-10 | 2022-09-06 | Rehab2Fit Technologies, Inc. | Method and system for using artificial intelligence to independently adjust resistance of pedals based on leg strength |
US11896540B2 (en) | 2019-06-24 | 2024-02-13 | Rehab2Fit Technologies, Inc. | Method and system for implementing an exercise protocol for osteogenesis and/or muscular hypertrophy |
JP2022541648A (ja) * | 2019-07-23 | 2022-09-26 | モンスター・スマート・ソリューションズ,リミテッド・ライアビリティ・カンパニー | 機械学習ベースのトレーニングプログラムを有する身体トレーニングシステム |
JP7477275B2 (ja) * | 2019-09-04 | 2024-05-01 | 株式会社スクウェア・エニックス | ビデオゲーム処理プログラム及びビデオゲーム処理システム |
US11738237B2 (en) * | 2019-09-05 | 2023-08-29 | Zvi Shavit | Outdoors training systems and methods for designing, monitoring and providing feedback of training |
US11701548B2 (en) | 2019-10-07 | 2023-07-18 | Rom Technologies, Inc. | Computer-implemented questionnaire for orthopedic treatment |
US11071597B2 (en) | 2019-10-03 | 2021-07-27 | Rom Technologies, Inc. | Telemedicine for orthopedic treatment |
US20210142893A1 (en) | 2019-10-03 | 2021-05-13 | Rom Technologies, Inc. | System and method for processing medical claims |
US11955222B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria |
US11955220B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine |
US11515021B2 (en) | 2019-10-03 | 2022-11-29 | Rom Technologies, Inc. | Method and system to analytically optimize telehealth practice-based billing processes and revenue while enabling regulatory compliance |
US11961603B2 (en) | 2019-10-03 | 2024-04-16 | Rom Technologies, Inc. | System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine |
US11978559B2 (en) | 2019-10-03 | 2024-05-07 | Rom Technologies, Inc. | Systems and methods for remotely-enabled identification of a user infection |
US11923065B2 (en) | 2019-10-03 | 2024-03-05 | Rom Technologies, Inc. | Systems and methods for using artificial intelligence and machine learning to detect abnormal heart rhythms of a user performing a treatment plan with an electromechanical machine |
US11830601B2 (en) | 2019-10-03 | 2023-11-28 | Rom Technologies, Inc. | System and method for facilitating cardiac rehabilitation among eligible users |
US11075000B2 (en) | 2019-10-03 | 2021-07-27 | Rom Technologies, Inc. | Method and system for using virtual avatars associated with medical professionals during exercise sessions |
US20210134432A1 (en) | 2019-10-03 | 2021-05-06 | Rom Technologies, Inc. | Method and system for implementing dynamic treatment environments based on patient information |
US20210128080A1 (en) | 2019-10-03 | 2021-05-06 | Rom Technologies, Inc. | Augmented reality placement of goniometer or other sensors |
US11955221B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis |
US20210134412A1 (en) | 2019-10-03 | 2021-05-06 | Rom Technologies, Inc. | System and method for processing medical claims using biometric signatures |
US11915816B2 (en) | 2019-10-03 | 2024-02-27 | Rom Technologies, Inc. | Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states |
US11069436B2 (en) | 2019-10-03 | 2021-07-20 | Rom Technologies, Inc. | System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks |
US11101028B2 (en) | 2019-10-03 | 2021-08-24 | Rom Technologies, Inc. | Method and system using artificial intelligence to monitor user characteristics during a telemedicine session |
US11756666B2 (en) | 2019-10-03 | 2023-09-12 | Rom Technologies, Inc. | Systems and methods to enable communication detection between devices and performance of a preventative action |
US11955223B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions |
US11915815B2 (en) | 2019-10-03 | 2024-02-27 | Rom Technologies, Inc. | System and method for using artificial intelligence and machine learning and generic risk factors to improve cardiovascular health such that the need for additional cardiac interventions is mitigated |
US11515028B2 (en) | 2019-10-03 | 2022-11-29 | Rom Technologies, Inc. | Method and system for using artificial intelligence and machine learning to create optimal treatment plans based on monetary value amount generated and/or patient outcome |
US11887717B2 (en) | 2019-10-03 | 2024-01-30 | Rom Technologies, Inc. | System and method for using AI, machine learning and telemedicine to perform pulmonary rehabilitation via an electromechanical machine |
US11826613B2 (en) | 2019-10-21 | 2023-11-28 | Rom Technologies, Inc. | Persuasive motivation for orthopedic treatment |
US10857426B1 (en) * | 2019-11-29 | 2020-12-08 | Kpn Innovations, Llc | Methods and systems for generating fitness recommendations according to user activity profiles |
US11157823B2 (en) | 2020-02-04 | 2021-10-26 | Vignet Incorporated | Predicting outcomes of digital therapeutics and other interventions in clinical research |
US11151462B2 (en) * | 2020-02-04 | 2021-10-19 | Vignet Incorporated | Systems and methods for using machine learning to improve processes for achieving readiness |
US11948672B2 (en) * | 2020-02-27 | 2024-04-02 | Todd Martin | Mobile intelligent injury minimization system and method |
US20210295184A1 (en) * | 2020-03-20 | 2021-09-23 | InPlay Ltd. | Predicting And Mitigating Athlete Injury Risk |
CN114100101B (zh) * | 2020-08-25 | 2022-07-12 | 华为技术有限公司 | 一种跑步姿态检测方法及设备 |
CN113209593A (zh) * | 2021-04-01 | 2021-08-06 | 梅州市职业技术学校(梅州市旅游职业技术学校、梅州市商业学校、梅州市财贸学校) | 一种体育测试的方法、装置及系统 |
US20220331659A1 (en) * | 2021-04-16 | 2022-10-20 | Fitbod, Inc. | Determining a user's current exercise capability |
CN113230637A (zh) * | 2021-05-11 | 2021-08-10 | 李伟 | 健康功能跑的方法 |
CN113611389A (zh) * | 2021-08-11 | 2021-11-05 | 东南数字经济发展研究院 | 一种基于梯度策略决策算法的个性化运动推荐方法 |
US20230211206A1 (en) * | 2022-01-06 | 2023-07-06 | Garmin International, Inc. | Wearable electronic device for stamina determination and prediction |
WO2023215155A1 (en) * | 2022-05-04 | 2023-11-09 | Rom Technologies, Inc. | Systems and methods for using artificial intelligence to implement a cardio protocol via a relay-based system |
KR102604544B1 (ko) * | 2023-05-31 | 2023-11-23 | 씨아이넷 주식회사 | 체력시험 항목에 기반한 체력 관리 서비스 제공 방법, 장치 및 프로그램 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090069156A1 (en) * | 2006-03-03 | 2009-03-12 | Kurunmaeki Veli-Pekka | Method and System for Controlling Training |
CN101485563A (zh) * | 2009-02-03 | 2009-07-22 | 杭州义盛祥通信技术有限公司 | 一种运动腕表温度测量装置及测量方法 |
CN102015037A (zh) * | 2008-04-09 | 2011-04-13 | 耐克国际有限公司 | 用于运动表现赛跑的系统和方法 |
CN103336899A (zh) * | 2013-06-26 | 2013-10-02 | 广州军区广州总医院 | 一种实现远程执行运动处方和监控的方法和系统 |
CN104490388A (zh) * | 2014-12-16 | 2015-04-08 | 无锡市健维仪器有限公司 | 一种可扩展的人体健康远程记录、监护和诊断系统 |
CN105169620A (zh) * | 2015-08-26 | 2015-12-23 | 中国科学院合肥物质科学研究院 | 一种智能化减脂跑步机及其健身指导方法 |
CN205031267U (zh) * | 2015-10-11 | 2016-02-17 | 深圳前海慧练天下网络科技有限公司 | 基于智能穿戴设备的运动处方实时监控系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030204412A1 (en) | 2002-04-29 | 2003-10-30 | John Brier | Apparatus and method for providing on-line customized nutrition, fitness, and lifestyle plans based upon a user profile and goals |
US8533001B2 (en) * | 2007-03-28 | 2013-09-10 | Physfarm Training Systems, Llc | System and method for computing athletic performance |
US8849610B2 (en) | 2010-09-30 | 2014-09-30 | Fitbit, Inc. | Tracking user physical activity with multiple devices |
EP2721541B1 (en) * | 2011-06-17 | 2022-02-02 | Myotest SA | An athletic performance monitoring device |
FI127205B (en) * | 2011-12-05 | 2018-01-31 | Suunto Oy | Customizable microcontroller based device and related software products and system |
CN107256329B (zh) | 2012-01-19 | 2020-12-15 | 耐克创新有限合伙公司 | 用于检测用户的移动数据的整体式装置和非瞬时计算机可读介质 |
US11103747B1 (en) * | 2012-02-04 | 2021-08-31 | Thomas Chu-Shan Chuang | Athletic training optimization |
US9111232B2 (en) | 2012-10-31 | 2015-08-18 | Nec Laboratories America, Inc. | Portable workload performance prediction for the cloud |
US20160213976A1 (en) * | 2014-02-20 | 2016-07-28 | Albert Ting-pat So | Intelligent Treadmill and Enhancements to Standard Treadmills |
CN104880197B (zh) | 2015-04-10 | 2018-06-19 | 万步健康科技(江门)有限公司 | 一种处方计步器及其系统、参数配置方法 |
-
2017
- 2017-03-15 US US15/459,798 patent/US20170266501A1/en not_active Abandoned
- 2017-03-15 US US15/459,746 patent/US20170266500A1/en not_active Abandoned
- 2017-03-15 CN CN201780029869.0A patent/CN109155154A/zh active Pending
- 2017-03-15 CN CN201780029860.XA patent/CN109155153A/zh active Pending
- 2017-03-15 WO PCT/US2017/022565 patent/WO2017161029A1/en active Application Filing
- 2017-03-15 WO PCT/US2017/022556 patent/WO2017161021A1/en active Application Filing
- 2017-03-15 WO PCT/US2017/022547 patent/WO2017161013A1/en active Application Filing
- 2017-03-15 EP EP17714609.9A patent/EP3430547A1/en active Pending
- 2017-03-15 EP EP17714607.3A patent/EP3430546A1/en active Pending
- 2017-03-15 WO PCT/US2017/022560 patent/WO2017161025A1/en active Application Filing
- 2017-03-15 US US15/459,688 patent/US11177038B2/en active Active
- 2017-03-15 US US15/459,626 patent/US11177037B2/en active Active
-
2021
- 2021-10-21 US US17/507,370 patent/US11699523B2/en active Active
- 2021-10-21 US US17/507,502 patent/US11694798B2/en active Active
-
2023
- 2023-05-22 US US18/200,450 patent/US20230307124A1/en active Pending
- 2023-05-22 US US18/200,491 patent/US20230298748A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090069156A1 (en) * | 2006-03-03 | 2009-03-12 | Kurunmaeki Veli-Pekka | Method and System for Controlling Training |
CN102015037A (zh) * | 2008-04-09 | 2011-04-13 | 耐克国际有限公司 | 用于运动表现赛跑的系统和方法 |
CN101485563A (zh) * | 2009-02-03 | 2009-07-22 | 杭州义盛祥通信技术有限公司 | 一种运动腕表温度测量装置及测量方法 |
CN103336899A (zh) * | 2013-06-26 | 2013-10-02 | 广州军区广州总医院 | 一种实现远程执行运动处方和监控的方法和系统 |
CN104490388A (zh) * | 2014-12-16 | 2015-04-08 | 无锡市健维仪器有限公司 | 一种可扩展的人体健康远程记录、监护和诊断系统 |
CN105169620A (zh) * | 2015-08-26 | 2015-12-23 | 中国科学院合肥物质科学研究院 | 一种智能化减脂跑步机及其健身指导方法 |
CN205031267U (zh) * | 2015-10-11 | 2016-02-17 | 深圳前海慧练天下网络科技有限公司 | 基于智能穿戴设备的运动处方实时监控系统 |
Non-Patent Citations (1)
Title |
---|
DAVID C.CLARKE ETC: ""Rationale and resources for teaching the mathematical modeling of athletic training and performance"", 《ADVANCES IN PHYSIOLOGY EDUCATION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111863185A (zh) * | 2019-04-28 | 2020-10-30 | 百应科技(北京)有限公司 | 一种跑步任务自动生成方法及系统 |
CN115068897A (zh) * | 2022-06-16 | 2022-09-20 | 戎誉科技(深圳)有限公司 | 一种基于互联网的远程康复辅助监护系统 |
Also Published As
Publication number | Publication date |
---|---|
US11699523B2 (en) | 2023-07-11 |
EP3430546A1 (en) | 2019-01-23 |
US20230307124A1 (en) | 2023-09-28 |
US20170266500A1 (en) | 2017-09-21 |
EP3430547A1 (en) | 2019-01-23 |
US20170266498A1 (en) | 2017-09-21 |
US20230298748A1 (en) | 2023-09-21 |
US20170266501A1 (en) | 2017-09-21 |
US11177037B2 (en) | 2021-11-16 |
US20220044807A1 (en) | 2022-02-10 |
CN109155153A (zh) | 2019-01-04 |
WO2017161029A1 (en) | 2017-09-21 |
US20170266499A1 (en) | 2017-09-21 |
US11694798B2 (en) | 2023-07-04 |
US20220044806A1 (en) | 2022-02-10 |
US11177038B2 (en) | 2021-11-16 |
WO2017161021A1 (en) | 2017-09-21 |
WO2017161025A1 (en) | 2017-09-21 |
WO2017161013A1 (en) | 2017-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109155154A (zh) | 自适应运动性活动处方系统 | |
CN104126184B (zh) | 用于包括训练计划的自动个人训练的方法和系统 | |
JP6539273B2 (ja) | 活動リマインダによる活動認識 | |
CN105396277B (zh) | 运动电子训练系统及其应用 | |
CN108025202A (zh) | 评估运动强度的活动监测设备 | |
CN107205661B (zh) | 使用来自多个设备的数据进行能量消耗计算 | |
CN105684004A (zh) | 会话和群组 | |
CN107249456B (zh) | 使用来自多个装置的数据进行能量消耗计算 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |