CN109166628A - 运动能力检测的方法及装置、存储介质、处理器 - Google Patents

Abstract

本发明公开了一种运动能力检测的方法及装置、存储介质、处理器。其中，该方法包括：获取用户的训练日志，训练日志包括如下至少之一：离线日志和线上日志；对训练日志进行处理，得到运动能力预测模型，模型用于对用户的运动能力进行预测；使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力。本发明解决了相关技术中不能及时发现用户运动能力的改变的技术问题。

Description

运动能力检测的方法及装置、存储介质、处理器

技术领域

本发明涉及人工智能领域，具体而言，涉及一种运动能力检测的方法及装置、存储介质、处理器。

背景技术

在指导用户健身的过程中，关键的一环是发现用户能力的变化，只有准确的发现用户在运动能力上的变化，才能及时地为用户更新进阶的训练路径。目前，相关技术中还没有能及时发现用户运动能力变化的方案。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种运动能力检测的方法及装置、存储介质、处理器，以至少解决相关技术中不能及时发现用户运动能力的改变的技术问题。

根据本发明实施例的一个方面，提供了一种运动能力检测的方法，包括：获取用户的训练日志，训练日志包括如下至少之一：离线日志和线上日志；对训练日志进行处理，得到运动能力预测模型，模型用于对用户的运动能力进行预测；使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力。

可选地，使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力之后，包括：当用户的运动能力改变时，对用户进行提示。

可选地，对训练日志进行处理，得到运动能力预测模型，包括：对训练日志进行处理，得到训练集，训练集为训练模型所用数据的集合；通过训练集对运动能力预测模型进行训练。

可选地，对训练日志进行处理，得到训练集，包括：对训练日志中的异常数据进行清洗和/或过滤；对清洗和/或过滤后的训练日志进行特征提取，得到训练集。

可选地，对训练日志进行处理，得到运动能力预测模型之后，包括：对运动能力预测模型的准确度进行检测，得到检测结果；在检测结果大于预设阈值的情况下，使用运动能力预测模型对用户的运动能力进行预测；在检测结果小于预设阈值的情况下，重新对运动能力预测模型进行训练。

可选地，获取用户的训练日志之后，包括：获取用户日志，日志包括以下至少之一：训练日志、过程日志、退出日志；通过聚合算法对用户日志计算得到用户的运动总结，运动总结包括以下至少之一：课程完成度、课程匹配度、部位偏好度、动作熟悉度。

根据本发明实施例的另一方面，还提供了一种运动能力检测的装置，包括：获取单元，用于获取用户的训练日志，训练日志包括如下至少之一：离线日志和线上日志；处理单元，用于对训练日志进行处理，得到运动能力预测模型，模型用于对用户的运动能力进行预测；预测单元，用于使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力。

可选地，装置，包括：提示单元，用于当用户的运动能力改变时，对用户进行提示。

可选地，处理单元，包括：处理模块，用于对训练日志进行处理，得到训练集，训练集为训练模型所用数据的集合；训练模块，用于通过训练集对运动能力预测模型进行训练。

可选地，处理模块，包括：清洗子模块，用于对训练日志中的异常数据进行清洗；过滤子模块，用于对训练日志中的异常数据进行过滤；提取子模块，用于对过滤后的训练日志进行特征提取，得到训练集。

可选地，装置，包括：检测单元，用于对运动能力预测模型的准确度进行检测，得到检测结果；在检测结果大于预设阈值的情况下，使用运动能力预测模型对用户的运动能力进行预测；在检测结果小于预设阈值的情况下，重新对运动能力预测模型进行训练。

可选地，装置，包括：总结单元，用于获取用户日志，日志包括以下至少之一：训练日志、过程日志、退出日志；通过聚合算法对用户日志计算得到用户的运动总结，运动总结包括以下至少之一：课程完成度、课程匹配度、部位偏好度、动作熟悉度。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的运动能力检测方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的运动能力检测方法。

在本发明实施例中，采用运动能力预测模型对用户的运动能力进行预测的方式，通过获取用户的训练日志，训练日志包括如下至少之一：离线日志和线上日志；对训练日志进行处理，得到运动能力预测模型，模型用于对用户的运动能力进行预测；使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力，达到了及时发现用户运动能力的改变的目的，从而实现了及时更新用户的训练计划的技术效果，进而解决了相关技术中不能及时发现用户运动能力的改变的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种运动能力检测的方法的流程图；

图2是根据本发明实施例的一种可选的运动能力检测方法的示意图；

图3是根据本发明实施例的一种可选的训练总结的示意图；

图4是根据本发明实施例的一种运动能力检测的装置的结构图；

图5是根据本发明实施例的一种可选的运动能力检测的装置的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在指导用户健身的过程中，关键的一环是发现用户能力的变化，只有准确的发现用户在运动能力上的变化，才能及时地为用户更新进阶的训练路径。目前，相关技术中还没有能及时发现用户运动能力变化的方案。

为解决上述问题，本申请实施例提出了相关的解决方案，以下详细说明。

根据本发明实施例，提供了一种运动能力检测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种运动能力检测的方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取用户的训练日志，训练日志包括如下至少之一：离线日志和线上日志；其中，训练日志为用户运动的记录，训练日志中包含用户的运动数据。离线日志为在离线状态时保存的用户的运动数据的记录，例如未连接网络时，保存在终端设备上的用户的运动数据的记录，在本地与网络连接时，离线日志可以上传至服务器。线上日志为网络连接时对用户运动数据的记录，可以将用户的运动数据的记录上传至服务器，其中，线上日志可以同时保存在本地以及远程服务器，也可以直接将线上日志上传至远程服务器。本申请实施例将离线日志和线上日志作为模型训练的样本，通过获取用户的离线日志和线上日志对预测模型进行训练，可以得到更准确的用户运动能力预测模型，从而使预测结果更准确。

步骤S104，对训练日志进行处理，得到运动能力预测模型，模型用于对用户的运动能力进行预测；

在本申请实施例中，运动能力表示用户可运动的强度，运动能力可以用数值表示，例如，用1-100表示用户的运动能力，运动能力的值越大，表示用户的运动能力越强；或者运动能力可以用词语表示，根据运动能力预测模型的结果与词语的对应关系，对用户的运动能力进行评价，例如，运动能力等级分为优秀、及格以及一般，当运动能力数值大于第一阈值的情况下，运动能力为优秀，当运动能力数值小于第一阈值并且大于第二阈值的情况下，运动能力为及格，当运动能力数值小于第二阈值的情况下，运动能力为一般，其中，第一阈值大于第二阈值。

本申请实施例中，运动能力预测模型可以是算法，本申请实施例可以通过以下方式得到运动能力预测模型：对训练日志中的异常数据进行清洗和/或过滤，对清洗和/或过滤后的训练日志进行特征提取，得到训练集，训练集为训练模型所用数据的集合，通过训练集对运动能力预测模型进行训练。具体地，上述训练集为预测模型的样本，获取训练日志得到训练集后，将训练集输入对运动能力预测模型，对预测模型进行训练，得到训练后的运动能力预测模型，然后将用户的数据输入训练后的运动能力预测模型，对用户的运动能力进行预测，得到预测的用户的运动能力。其中，输入运动能力预测模型的数据可以是用户的训练日志、用户的运动数据等。

本申请可选实施例中，对训练日志进行处理，得到运动能力预测模型之后，对运动能力预测模型的准确度进行检测，得到检测结果，在检测结果大于预设阈值的情况下，使用运动能力预测模型对用户的运动能力进行预测，在检测结果小于预设阈值的情况下，重新对用户运动数据进行采集和/或重新对运动能力预测模型进行训练。例如，可以使用受试者工作特征曲线(Receiver Operation Characteristic curve，简称为ROC)分析的方法衡量运动能力预测模型，使用ROC曲线下的面积(Area Under roc Curve，简称为AUC)表示运动能力预测模型的效果，AUC值越大，预测越准确，其中，AUC的值在0到1之间。可以及时对运动能力预测模型进行修正，避免错误数据对用户运动能力预测结果的影响，使预测结果更准确。

步骤S106，使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力。

本申请实施例中，使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力之后，当用户的运动能力改变时，对用户进行提示，例如，可以向用户发送文字提醒消息，例如发送短信，或者，检测用户是否正在使用健身设备或者APP，检测结果为是的情况下，通过语音方式进行提醒，其中健身设备可以是健身器械、检测身体状态的终端等。

可选地，获取用户的训练日志之后，获取用户日志，日志包括以下至少之一：训练日志、过程日志、退出日志，通过聚合算法对用户日志计算得到用户的运动总结，例如，使用K-means、DBSCAN等聚类算法，运动总结包括以下至少之一：课程完成度、课程匹配度、部位偏好度、动作熟悉度。本身请实施例整合用户的运动能力和训练行为，构建用户的运动能力小结，达到及时对用户运动记录以及运动能力反馈的效果。

在一个可选实施例中，如图2所示，图2是根据本发明实施例的一种可选的运动能力检测方法的示意图。

首先，对用户运动数据进行处理，采集训练日志并将训练日志输入分布式系统中，对用户的各类训练日志进行收集、清洗、分析，提取特征，对日志中的异常数据进行清洗和/或过滤，对清洗和/或过滤后的数据进行特征提取，生成训练集；

其次，训练运动能力预测模型，在Spark集群中使用XGBoost训练能力预测模型，并通过AUC判断运动能力预测模型的效果，当模型的准确度合格后，即AUC的值大于预设阈值时，存储上述运动能力预测模型；

再次，使用上述运动能力预测模型对用户的运动能力进行预测，即时提示用户的运动能力已经发生变化；

最后，将上述用户运动能力预测结果显示在终端上。同时，收集线上日志，获取用户当前的运动数据，使用用户的当前运动数据对模型进行迭代更新。

图3是根据本发明实施例的一种可选的训练总结的示意图，如图3所示。

从训练日志、训练过程日志和训练退出日志中，采用聚合算法对用户的训练行为进行总结，得到用户在课程、动作、部位三个部分的训练小结，输入到用户训练画像，其中，用户训练画像可以是一种算法，上述用户训练画像用于表示用户的运动结果，运动结果中可以包括用户的运动能力、用户的身体参数，例如心肺功能、柔韧性等、训练计划等。

通过上述步骤，基于机器学习对用户运动能力预测，可以实现及时发现用户运动能力上的变化，本申请实施例中使用的运动能力检测的方法，性能和效果都要比人工评测和基于规则的判断的结果好，判断结果更准确，判断过程更智能。

根据本发明实施例，提供了一种运动能力检测的装置实施例，图4是根据本发明实施例的一种运动能力检测的装置的结构图，如图4所示，该装置包括：

获取单元40，用于获取用户的训练日志，训练日志包括如下至少之一：离线日志和线上日志；

处理单元42，用于对训练日志进行处理，得到运动能力预测模型，模型用于对用户的运动能力进行预测；

预测单元44，用于使用运动能力预测模型处理用户的运动数据，预测得到用户的运动能力。

在本申请实施例中，如图5所示，图5是根据本发明实施例的一种可选的运动能力检测的装置的结构图，处理单元42，包括：处理模块420，用于对训练日志进行处理，得到训练集，训练集为训练模型所用数据的集合；训练模块422，用于通过训练集对运动能力预测模型进行训练。

其中，处理模块420，包括：清洗子模块4000，用于对训练日志中的异常数据进行清洗；过滤子模块4202，用于对训练日志中的异常数据进行过滤；提取子模块4204，用于对清洗和/或过滤后的训练日志进行特征提取，得到训练集。

在一个可选实施例中，上述运动能力检测的装置还包括：

提示单元46，用于当用户的运动能力改变时，对用户进行提示。

检测单元48，用于对运动能力预测模型的准确度进行检测，得到检测结果；在检测结果大于预设阈值的情况下，使用运动能力预测模型对用户的运动能力进行预测；在检测结果小于预设阈值的情况下，重新对运动能力预测模型进行训练。

总结单元49，用于获取用户日志，日志包括以下至少之一：训练日志、过程日志、退出日志；通过聚合算法对用户日志计算得到用户的运动总结，运动总结包括以下至少之一：课程完成度、课程匹配度、部位偏好度、动作熟悉度。

需要说明的是，图4至图5所示实施例的优选实施方式，可以参见图1至图3的相关描述，此处不再赘述。

通过上述运动能力检测的装置，基于机器学习对用户运动能力预测，可以实现及时发现用户运动能力上的变化，性能和效果都要比人工评测和基于规则的判断的结果好，判断结果更准确，判断过程更智能。

本申请实施例还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上的运动能力检测方法

本申请实施例还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的运动能力检测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种运动能力检测的方法，其特征在于，包括：

获取用户的训练日志，所述训练日志包括如下至少之一：离线日志和线上日志；

对所述训练日志进行处理，得到运动能力预测模型，所述模型用于对所述用户的运动能力进行预测；

使用所述运动能力预测模型处理所述用户的运动数据，预测得到所述用户的运动能力。

2.根据权利要求1所述的方法，其特征在于，使用所述运动能力预测模型处理所述用户的运动数据，预测得到所述用户的运动能力之后，包括：

当所述用户的运动能力改变时，对所述用户进行提示。

3.根据权利要求1所述的方法，其特征在于，对所述训练日志进行处理，得到所述运动能力预测模型，包括：

对所述训练日志进行处理，得到训练集，所述训练集为训练所述模型所用数据的集合；

通过所述训练集对所述运动能力预测模型进行训练。

4.根据权利要求3所述的方法，其特征在于，对所述训练日志进行处理，得到所述训练集，包括：

对所述训练日志中的异常数据进行清洗和/或过滤；

对清洗和/或过滤后的所述训练日志进行特征提取，得到所述训练集。

5.根据权利要求1所述的方法，其特征在于，对所述训练日志进行处理，得到运动能力预测模型之后，包括：

对所述运动能力预测模型的准确度进行检测，得到检测结果；

在所述检测结果大于预设阈值的情况下，使用所述运动能力预测模型对所述用户的运动能力进行预测；

在所述检测结果小于预设阈值的情况下，重新对所述运动能力预测模型进行训练。

6.根据权利要求1所述的方法，其特征在于，获取用户的训练日志之后，包括：

获取用户日志，所述日志包括以下至少之一：训练日志、过程日志、退出日志；

通过聚合算法对所述用户日志计算得到所述用户的运动总结，所述运动总结包括以下至少之一：课程完成度、课程匹配度、部位偏好度、动作熟悉度。

7.一种运动能力检测的装置，其特征在于，包括：

获取单元，用于获取用户的训练日志，所述训练日志包括如下至少之一：离线日志和线上日志；

处理单元，用于对所述训练日志进行处理，得到运动能力预测模型，所述模型用于对所述用户的运动能力进行预测；

预测单元，用于使用所述运动能力预测模型处理所述用户的运动数据，预测得到所述用户的运动能力。

8.根据权利要求7所述的装置，其特征在于，所述装置，包括：

提示单元，用于当所述用户的运动能力改变时，对所述用户进行提示。

9.根据权利要求7所述的装置，其特征在于，所述处理单元，包括：

处理模块，用于对所述训练日志进行处理，得到训练集，所述训练集为训练所述模型所用数据的集合；

训练模块，用于通过所述训练集对所述运动能力预测模型进行训练。

10.根据权利要求9所述的装置，其特征在于，处理模块，包括：

清洗子模块，用于对所述训练日志中的异常数据进行清洗；

过滤子模块，用于对所述训练日志中的异常数据进行过滤；

提取子模块，用于对清洗和/或过滤后的所述训练日志进行特征提取，得到所述训练集。

11.根据权利要求7所述的装置，其特征在于，所述装置，包括：

检测单元，用于对所述运动能力预测模型的准确度进行检测，得到检测结果；

在所述检测结果大于预设阈值的情况下，使用所述运动能力预测模型对所述用户的运动能力进行预测；在所述检测结果小于预设阈值的情况下，重新对所述运动能力预测模型进行训练。

12.根据权利要求7所述的装置，其特征在于，所述装置，包括：

总结单元，用于获取用户日志，所述日志包括以下至少之一：训练日志、过程日志、退出日志；通过聚合算法对所述用户日志计算得到所述用户的运动总结，所述运动总结包括以下至少之一：课程完成度、课程匹配度、部位偏好度、动作熟悉度。

13.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的运动能力检测方法。

14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的运动能力检测方法。