CN109529304B - 一种智能训练方法和系统 - Google Patents
一种智能训练方法和系统 Download PDFInfo
- Publication number
- CN109529304B CN109529304B CN201811333578.3A CN201811333578A CN109529304B CN 109529304 B CN109529304 B CN 109529304B CN 201811333578 A CN201811333578 A CN 201811333578A CN 109529304 B CN109529304 B CN 109529304B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- value
- fatigue
- user
- training
- 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
Links
Images
Classifications
-
- 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
-
- 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
- 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
- A63B2230/00—Measuring physiological parameters of the user
- A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
-
- 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
- A63B2230/20—Measuring physiological parameters of the user blood composition characteristics
- A63B2230/207—P-O2, i.e. partial O2 value
-
- 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
- A63B2230/40—Measuring physiological parameters of the user respiratory characteristics
- A63B2230/42—Measuring physiological parameters of the user respiratory characteristics rate
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请揭示了一种智能训练方法和系统,应用于电子领域,该方法包括:电子装置根据用户的输入数据,生成训练计划,通过所述耳机采集所述用户在训练周期内,按照所述训练计划进行运动后的预设时段的生物指标的第一基础动态值,所述第一基础动态值包括:血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合,根据所述第一基础动态值和预先采集的所述用户的生物指标的基线数据,确认所述用户疲劳是否恢复,并根据所述用户疲劳是否恢复计算下一次训练的运动量,直到所述用户达到训练目标。该方法和系统,可提高用户训练的智能性,有助于用户疲劳恢复,达到训练目的。
Description
技术领域
本发明属于电子技术领域,尤其涉及一种智能训练方法和系统。
背景技术
越来越多的人关注自身的健康状况,健身人群日益增大,在运动过程中,由于每个人的身体条件不尽相同,在进行运动时,如何根据自身条件进行差异性训练是很重要。每个人在运动中产生疲劳度的时间和从疲劳中恢复正常的时间都不同。疲劳度是决定人体运动强度的重要指标。
现有技术方案中,判断人在运动中的疲劳度的是依靠单一心率变异性(HRV,heartrate variability)值的变化来判断,这种评测维度单一,局限性很大,评测结果不准确,不能准确的确认用户的疲劳是否已经恢复,继而不能达到科学、智能的锻炼身体。
发明内容
本发明实施例提供一种智能训练方法和电子系统,以实现基于采集用户按照训练计划进行运动后的预设时段的生物指标的血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合,并根据它们和该用户的生物指标的基线数据,确认用户疲劳是否恢复,从而解决用户不能科学训练的问题。
本发明实施例一方面提供了一种智能训练方法,应用于包括电子装置和耳机的智能训练系统,包括:
所述电子装置根据用户的输入数据,生成训练计划;
通过所述耳机采集所述用户在训练周期内,按照所述训练计划进行运动后的预设时段的生物指标的第一基础动态值,所述第一基础动态值包括:血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合;
根据所述第一基础动态值和预先采集的所述用户的生物指标的基线数据,确认所述用户疲劳是否恢复,并根据所述用户疲劳是否恢复计算下一次训练的运动量,直到所述用户达到训练目标。
本发明实施例另一方面提供了一种智能训练系统,包括电子装置和耳机,用于实现如前所述的智能训练方法。
本发明实施例中,通过耳机采集用户在训练周期内,按照训练计划进行运动后的预设时段的生物指标的第一基础动态值,该第一基础动态值包括:血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合,综合该组合的基础动态值,与该用户的生物指标的基线数据进行比较,判断用户疲劳是否恢复,参与的对比数据多,因此提高了判断的准确性,并根据该用户疲劳是否恢复计算下一次训练的运动量,达到指导用户智能、科学地达到训练目标。
附图说明
图1是本发明一实施例提供的智能训练系统结构示意图;
图2为本发明实施例中数据采集模块的结构示意图;
图3为本发明实施例中运动传感器模块的结构示意图;
图4为本发明实施例中生物传感器模块的结构示意图;
图5为本发明实施例中采集数据接收器模块的结构示意图;
图6是本发明一实施例提供的智能训练方法的实现流程示意图;
图7是本发明实施例中不同运动强度下各项生物指标恢复需要的天数曲线图;
图8是本发明实施例中用户在运动中的心率控制区间示意图;
图9是本发明另一实施例提供的智能训练方法的实现流程示意图;
图10是本发明实施例中第一基础动态值对应的客观疲劳度指标与基线数据的客观疲劳度指标的差值的负值的趋势波动方向向上的示意图;
图11是本发明实施例中第一基础动态值对应的客观疲劳度指标与基线数据的客观疲劳度指标的差值的负值的趋势波动方向向下的示意图;
图12是本发明实施例中用户在相同运动强度下静息心率恢复的时间;
图13是本发明实施例中用户在相同运动强度下血氧饱和度恢复的时间;
图14是本发明实施例中用户在相同运动强度下心率变异性恢复的时间;
图15是本发明实施例中用户在相同运动强度下对血压恢复的时间。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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实施例,而非全部实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
请参阅图1,图1为发明一实施例提供的智能训练系统结构示意图,该系统包括:耳机10和电子装置20,耳机10和电子装置20通过无线方式连接,通常为蓝牙方式连接。耳机可以与手机中的应用程序(APP,application)进行数据传输。
该系统包括数据采集模块21,如图2所示,包括:采集数据接收器模块22、一个或多个运动传感器模块23和一个或多个生物传感器模块24;图中的运动传感器模块23和生物传感器模块24均以2个为例。
进一步地,如图3所示,运动传感器模块23包括:三轴加速计231、陀螺仪232、控制器233、蓝牙收发器234和电池235。通过计算可以得出人体运动状况:步频,步数,步速(结合GPS(全球定位系统)),跑步时落地时间,步幅。使用多个运动传感器,佩戴于人体的不同位置,比如脖子,左右手腕,左右脚踝,即计算则可以得到人体整体运动模式。
进一步地,如图4所示,生物传感器模块24包括:光电心率/脉搏波传感器241、光电血氧饱和度传感器242、光电血压传感器243、控制器244、蓝牙收发器245和电池246。
生物传感器模块嵌在入耳机上,可以实时收集人体生物数据,包括:心率,心率变异性,血氧饱和度,血压,呼吸频率,脉搏波等数据。通过计算可以得到人体心率,血氧值,血压值,脉搏波数据(类心电图),呼吸频率,血管硬化度等基础指标。使用多个生物传感器模块,可以全面测量人体整体血液循环,心脏状况等。
运动传感器模块和生物传感器模块结合使用,则可以检测不同的运动状态和强度对人体各项生物指标的影响。运动传感器模块和生物传感器模块实时采集人体数据,通过蓝牙发射器同步发送这些数据,采集数据接收器模块通过蓝牙接收器同步实时接收这些数据并存储下来。如图5所示,采集数据接收器模块22包括:2个蓝牙收发器221、存储器222、控制器223和电池224。
进一步地,手机通过APP通过互联网连接到远程服务器(云端)。
需要说明的是,图1以手机为示例,也可以是其他移动终端,例如平板电脑、可穿戴设备等。
请参阅图6,图6为本发明一实施例提供的智能训练方法的实现流程示意图,该方法可应用于包括耳机和电子装置的智能训练系统,电子装置包括:具有无线连接功能的智能手机、平板电脑等移动终端。如图6所示,该方法主要包括以下步骤:
S101、电子装置根据用户的输入数据,生成训练计划;
用户首先制定一个初始的训练计划,该训练计划中包括:每周训练次数N,每次训练最大时间Tmax,训练目标、训练类型以及运动目标心率跳动强度因子δ;
训练目标包括:减脂,保持健康,提高运动表现;
训练目标包括:跑步、快走、健身、骑行等。
计算该用户的疲劳恢复时间Trestore:
其中,N是指天数。7是表示一周的天数。
例如,该用户一周训练3天,那么用户可以恢复疲劳的时间就是48小时,2天。系统可以预估出用户的运动量,在这个运动量下2天内是可以恢复疲劳的。
用户输入的上述数据到电子装置中,并且耳机在用户耳中,采集用户在静止状态下生物指标的基线数据,生物指标的基线数据包括用户静止状态下的血压、血氧饱和度、静息心率、心率变异性。
具体可以是,通过耳机连续采集用户在静止状态下,第一预设天数的生物指标的基础代谢数据,生物指标包括:血压、血氧饱和度、静息心率、心率变异性,采集预设次数后,去除生物指标的基础代谢数据中的异常数据,并计算生物指标的基础代谢数据的平均值,根据连续计算的第二预设天数的各平均值计算平均值,得到用户的生物指标的基线数据。
一个实例中,用户停止剧烈运动3天以上,正常饮食及作息,并且处于健康状况良好的状况。在静止状态下,即每日清晨醒来,使用该耳机进行测试生物指标,测试时身体坐立,保持静止,佩戴耳机。测试生物指标包括静息心率(HRRest),心率变异性(HRV),血氧饱和度(SpO2)及血压(BP)值。生物传感器模块自动进行多次测量,并去除异常值后取平均值。异常值是指明显异于该用户该有的各项生物指标值。连续记录并测试5日以上。将上述获取的生物指标取5日的平均值得到用户生物指标的基线数据HRRest_Base、HRVBase、SpO2Base和BPBase(包括收缩压BPsystolic_Base和舒张压BPDiastolic_Base)。
进一步地,计算该用户的最大估算心率HRmax,以及,获取该用户的运动能力参数KBMI。
最大估算心率HRmax,是最大估算心率值是心脏每分钟跳动的最大次数,计算方式如下:
HRmax=220-Age×0.7 公式1
获取预设的身高体重指数BMI与运动能力参数KBMI的对应关系,在该电子装置中内置身高体重指数与运动能力参数的对应关系。
进一步地,通过该电子装置中的APP界面,获取该用户输入的基本信息,该基本信息包括性别、年龄(Age)、身高(Height)及体重(Weight),并根据该基本信息计算该用户的身高体重指数BMI。根据计算出的BMI查询该BMI和运动能力参数KBMI的对应关系,得到该用户的运动能力参数KBMI。通常,可以通过BMI值来简单判断人群的体型是否健康(运动爱好者除外)。这里,通过BMI来设置运动能力参数KBMI,取值范围(0~1),体型正常人值为1,体重过胖、过轻人士这个值会降低。
如果BMI低于18.5;则KBMI=0.9;
如果BMI正常:18.5-24.99;则KBMI=1;
如果BMI过重:25-28;则KBMI=0.9;
如果BMI肥胖:28-32;则KBMI=0.8;
如果BMI高于32;KBMI=0.8。
进一步地,设置初始的运动目标心率跳动强度因子δ,该强度因子可表征运动强度,0<δ<1。δ可以根据用户习惯,由用户自定义,也可以根据图7中用户在不同运动强度下各项生物指标恢复所需时间线选定,该用户在不同运动强度下各项生物指标恢复所需时间线,是根据用户多天训练后每次统计的生物指标恢复所需时间得到的,选定的δ为以用户疲劳恢复所需时间达到一定标准为宜,例如,图7中,当δ大于0.7时,生物指标恢复所需天数明显更长了,因此选取δ=0.7为宜。
根据该运动目标心率跳动强度因子、所述用户的最大估算心率、运动能力参数、静息心率,计算得到该用户的初始训练目标心率:
TargetHR=KBMI×δ×(HRmax-HRrest_Base)+HRrest_Base 公式2
其中,HRrest_Base为静息心率,δ为运动目标心率跳动强度因子,HRmax为最大估算心率,KBMI为运动能力参数。
需要说明的是,此处的δ可以不使用计算出的运动目标心率跳动强度因子,可以预估一个值λ,替代此处的δ。
即,公式2可以表示为:
TargetHR=KBMI×λ×(HRmax-HRrest_Base)+HRrest_Base
根据该运动目标心率跳动强度因子和每次训练最大时间,计算得到训练顶峰时间:
tpeak=(1-δ2)×Tmax 公式3
进一步地,将初始训练目标心率TargetHR分别乘以上限值百分比和下限值百分比,得到目标心率上限值TargetHRup和目标心率下限值TargetHRlow,该上限值百分比具体可以在105%~120%之间,例如为110%;该下限值百分比具体可以在80%~95%之间,例如为90%,具体地,计算目标心率上限值TargetHRup和目标心率下限值TargetHRlow:
TargetHRup=TargetHR×110%;
TargetHRlow=TargetHR×90%。
在用户执行训练计划时,在每次训练最大时间的阶段,将用户的动态心率值控制在该目标心率上限值和该目标心率下限值之间。
训练时,运动前期要进行5~10分钟热身,在该热身期间,用户的动态心率值(即运动时的运动心率)不超过该目标心率下限值。之后使动态心率值逐渐达到训练的目标心率,并在训练顶峰时间中,将动态心率值控制在该目标心率上限值和该目标心率下限值之间,可以得到如图8所示的运动心率区间控制模板。图8中位于上方的曲线为目标心率上限值曲线,位于下方的曲线为目标心率下限值曲线。
通知用户执行上述制定的训练计划,如用户佩戴该耳机后按照该训练计划进行运动,通过耳机采集用户在执行训练计划时的实时值,包括动态心率值HRreal(t)和动态血氧饱和度SpO2real(t),并根据动态心率值和动态血氧饱和度,通过耳机播报提示音,用于提示用户控制运动强度。即在运动中控制该用户的动态心率值,以及通过耳机提示用户降低或提高运动前度。
具体地,若动态心率值超过该测试目标心率上限值时,通过耳机播报第一提示音,用于提示用户当前心率值过高,降低运动强度,语音内容例如为:“心率过高,请减慢一些速度”;
若动态心率值低于该测试目标心率下限值时,通过耳机播报第二提示音,用于提示用户当前心率值过低,提高运动强度,语音内容例如为:“心率偏低,请再加快一些速度”;
若动态血氧饱和度低于步骤S101中的基线数据中血氧饱和度的第一比例时,该第一比例可以为5%,无论当前动态心率值是多少,都要提示用户降低运动量,通过耳机播报第三提示音,用于提示用户当前血氧饱和度过低,降低运动强度;
若动态血氧饱和度低于基线数据中血氧饱和度的第二比例时,第二比例高于第一比例,该第二比例可以为8%,通过耳机播报第四提示音,用于警告用户,暂缓运动;
若动态血氧饱和度恢复到基线数据中血氧饱和度的第一比例以上时,通过耳机播报第四提示音,用于提示用户按照当前运动强度进行运动。
S102、通过耳机采集该用户在训练周期内,按照该训练计划进行运动后的预设时段的生物指标的第一基础动态值;
该第一基础动态值包括:血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合,即,血压、血氧饱和度、静息心率和心率变异性这四个基础动态值中任意两个或两个以上的值的组合。
具体地,次日清晨,用户睡觉起来以后,佩戴好耳机,使用该系统进行生物指标测试,测试时身体坐立,保持静止,在静止状态下。包括静息心率(静息心率值HRrestAfterDay(i)),心率变异性(HRVAfterDay(i)),血氧饱和度(SpO2AfterDay(i))及血压BPAfterDay(i)(收缩压BPsystolic_AfterDay(i)和舒张压BPDiastolic_AfterDay(i))值。其中i表示测试距离运动后的天数,生物传感器模块自动进行多次测量,去除异常值后取平均值。
以及,获取用户通过电子装置中具有交互界面的APP,填写主观健康信息,该主观健康信息包括用户当天观感受及饮食睡眠状况。需要填写的信息示例如下:
今天的身体感觉状况?
A极度疲劳 B轻度疲劳 C无明显疲劳 D精力充沛
昨日睡眠状况?
A通宵熬夜 B小于4小时 C 4~7小时 D大于7小时
是否饮酒?
A醉酒 B较多 C少量 D没有
是否喝咖啡?
A大于5杯 B 3~5杯 C 1~2杯 D没有
今天营养是否充足?
A差 B较差 C中 D好
是否患有急性或者慢性疾病?如果有,是什么______
设置各选项的分值,一个示例:A=-10分,B=-5分,C=0,D=2分。将用户的各项分值累加,可以得到生活健康度指标Health。最后一项填空不计入积分,只作为标签使用。
具体地,如果Health小于0,则说明当天的生活是消极的,不健康的;
如果Health大于等于0,则说明当天的生活是积极的。
Health指标对人体疲劳恢复有较大影响,通过长期记录Health指标,可以直观的观察到不健康的生活方式对人体疲劳恢复的影响。
同样,在第三日、第四日的清晨,分别进行同样测量,得到多个时段,该用户在静止状态下生物指标的基础动态值。若第二日疲劳已经恢复,则不需测量第三日和第四日的该用户在静止状态下生物指标的基础动态值。
S103、根据该第一基础动态值和预先采集的该用户的生物指标的基线数据,确认该用户疲劳是否恢复,并根据该用户疲劳是否恢复计算下一次训练的运动量,直到该用户达到训练目标。
首先,根据该第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性与该基线数据中的血压、血氧饱和度、静息心率和心率变异性的差值,分别设置血压、血氧饱和度、静息心率和心率变异性的疲劳权重值的计算方式。
通过测试多个生物指标的动态值判断用户的疲劳状况,该生物指标包括运动时的心率,血氧饱和度,静止状态的心率,血氧饱和度,血压及HRV值。同时综合用户每天的主观感受及生活情况,通过给每个生物指标赋予不同的权重来全面的判断身体健康度、疲劳度及恢复情况。
具体地,第一个生物指标:血压(blood pressure,BP);
血压是指血液在血管内流动时作用于单位面积血管壁的侧压力,它是推动血液在血管内流动的动力。在不同血管内被分别称为动脉血压、毛细血管压和静脉血压,通常所说的血压是指体循环的动脉血压。
通常,运动中收缩压会增高,而舒张压有时会升高有时则会降低(取决于运动类型),运动结束后开始恢复到该基线值,恢复时间的长短取决于个人体质及运动激烈程度。衡量运动后的血压值变化是判断人体机能是否恢复的一个重要指标。
获取用户的血压BPAfterDay(i),包括收缩压BPsystolic_AfterDay(i)和舒张压BPDiastolic_AfterDay(i),如果收缩压BPsystolic_AfterDay(i)和舒张压BPDiastolic_AfterDay(i)超出医学规定的正常范围,即,收缩压BPsystolic_AfterDay(i)在90~140之间,舒张压BPDiastolic_AfterDay(i)在60~90之间,并且连续数日没有恢复正常值,建议去寻求医生帮助。
如果BPsystolic_AfterDay(i)∈(90,140),并且,BPDiastolic_AfterDay(i)∈(60,90),则该用户的血压在正常范围之内。进一步地,则分别计算该第一基础动态值中血压的收缩压和舒张压与该基线数据中的收缩压和舒张压的差值,即,比较BPsystolic_AfterDay(i)和BPDiastolic_AfterDay(i)各自与对应的基线数据的差值:
ΔSBP=BPsystolicAfterDay(i)-BPsystolicBase 公式4
ΔDBP=BPDiastolicAfterDay(i)-BPDiastolicBase 公式5
其中,BPsystolic_AfterDay(i)为该第一基础动态值中的收缩压,BPDiastolic_AfterDay(i)为该第一基础动态值中的舒张压,BPsystolic_Base为该基线数据中的收缩压,BPDiastolic_Base为该基线数据中的舒张压;
若该第一基础动态值中血压的收缩压与该基线数据中的收缩压之差大于预设血压差值,或,该第一基础动态值中血压的舒张压与该基线数据中的舒张压之差的绝对值大于该预设血压差值,则设置血压的疲劳权重值为:
其中βBP为血压的疲劳权重因子,初始值为1;
若该第一基础动态值中血压的收缩压与该基线数据中的收缩压之差小于等于该预设血压差值,或,该第一基础动态值中血压的舒张压与该基线数据中的舒张压之差的绝对值小于等于该预设血压差值,则设置血压的疲劳权重值为第一固定值。
该预设血压差值具体可以为10,若ΔSBP>10,或者,|ΔDBP|>10,说明运动对血压产生的影响并未恢复,则设置血压的疲劳权重值的计算方式如公式6所示。若ΔSBP≤10,或者,|ΔDBP|≤10,说明运动对血压产生的影响可以忽略,此时该第一固定值为0,即FBP=0。
第二个生物指标:血氧饱和度;
血氧饱和度是医学界最新确立的衡量人体健康与否的指标,用于标注动脉血液中氧合血红蛋白占总血红蛋白的比值。健康人群的血氧饱和度普遍在94%以上,94%为医学规定的血氧饱和度的正常值。
通常,运动中血氧饱和度值会降低,降低程度和人体基本机能及运动激烈程度有关,运动结束后开始恢复到基线值,恢复时间的长短取决于个人体质及运动激烈程度。衡量运动后的血氧饱和度值是判断人体机能是否恢复的一个重要指标。
若该第一基础动态值中的血氧饱和度在预设时间内,小于等于医学规定的正常值,则设置血氧饱和度的疲劳权重值为第二固定值;
医学规定的正常值为94%。如果SpO2AfterDay(i)≤94%,并且在预设时间内,例如连续数日没有恢复正常值,建议去寻求医生帮助。此时,血氧饱和度并未完全恢复,血氧饱和度的疲劳权重值设置为第二固定值1,即,FSpO2=1。
若该第一基础动态值中的血氧饱和度在预设时间内,大于医学规定的正常值,且,该第一基础动态值中的血氧饱和度小于等于该基线数据中的血氧饱和度,则设置血氧饱和度的疲劳权重值为:
其中,βSpO2为血氧饱和度的疲劳权重因子,初始值为1。SpO2Base为该基线数据中的血氧饱和度,SpO2AfterDay(i)为该第一基础动态值中的血氧饱和度;
若SpO2AfterDay(i)>94%,并且,SpO2AfterDay(i)≤SpO2Base,则设置血氧饱和度权重值为上述公式7。
若该第一基础动态值中的血氧饱和度在预设时间内,大于医学规定的正常值,且,该第一基础动态值中的血氧饱和度大于等于该基线数据中的血氧饱和度,则设置血氧饱和度的疲劳权重值为第三固定值。
若SpO2AfterDay(i)>94%,并且,SpO2AfterDay(i)>SpO2Base,则表示血氧饱和度已经恢复,此时设置血氧饱和度的疲劳权重值为第三固定值0,即,FSpO2=0。
第三个生物指标:静息心率;
静息心率,又称为安静心率,是指在清醒、不活动的安静状态下,每分钟心跳的次数,正常的静息心率在每分钟60-100次之间。
通常,运动中心率值会升高,升高程度和人体基本机能及运动激烈程度有关,运动结束后心率开始逐渐恢复到基线值,恢复时间的长短取决于个人体质及运动激烈程度。衡量运动后的静息心率是判断人体机能是否恢复的一个重要指标。
如果HRrestAfterDay(i)<60或,HRrestAfterDay(i)>100,并且连续数日没有恢复正常值,建议去寻求医生帮助。但是,经常运动的人群HRrestAfterDay(i)<60,属于正常范围内。
如果该第一基础动态值中的静息心率在医学规定的正常值之内,即,HRrestAfterDay(i)∈(60,100),则设置该第一基础动态值中的静息心率的疲劳权重值为:
其中βHR为静息心率的疲劳权重因子,初始值为1。HRrestAfterDay(i)为第一基础动态值中的静息心率,HRRest_Base为该基线数据中的静息心率;
第四个生物指标:
心率变异性;
心率变异性(HRV)是指逐次心跳周期差异的变化情况,它含有神经体液因素对心血管系统调节的信息,从而判断其对心血管等疾病的病情及预防,可能是预测心脏性猝死和心律失常性事件的一个有价值的指标。
通常,运动中HRV值会降低,降低程度和人体基本机能及运动激烈程度有关,运动结束后HRV开始逐渐恢复到基线值,恢复时间的长短取决于个人体质及运动激烈程度。衡量运动后的HRV是判断人体机能是否恢复的一个重要指标。
HRV目前主要采用时域分析和频域分析法。
(1)时域分析(Time domain analysis)
HRV的时域分析是以各种统计方法定量描述心动周期的变化特征。比较简单的方法是,测量并计算某段时间内的平均RR(心室搏动间距)间期,最长RR间期与最短RR间期的差值或比值,以及所有RR间期的标准差。
(2)频域分析(Frequency domain analysis)
又称频谱分析,是运用特殊计算方法,把随时间变化的心率波动曲线分解成不同频率、不同振幅的正弦曲线之和,即得到HRV的频谱。优点是可以把心脏活动的周期性数量化。人的HRV功率谱常分为4个区域:高频带、低频带、极低频带和超低频带。
本发明实施例主要利用HRV指标来判断用户疲劳恢复程度,故采用时域分析法进行分析。
根据该第一基础动态值中的心率测量参数,得到该第一基础动态值的心率变异性指标(rMSSD),并根据该基线数据中的心率测量参数,得到该基线数据的心率变异性指标。心率变异性指标,即NN期间(全部窦性心搏RR间期)差的均方根,rMSSD反映HRV中的快变化成分,可以用来评估副交感神经对心率调节作用的大小,其计算公式为:
其中N表示监测期间内NN的间期个数,NNk表示第k个NN间期。
根据该第一基础动态值的心率变异性指标和该基线数据的心率变异性指标,设置该第一基础动态值中的心率变异性的疲劳权重值为:
其中,βHRV为心率变异性的疲劳权重因子,rMSSDBase为该基线数据的心率变异性指标,rMSSDAfterDay(i)为该用户第一基础动态值的心率变异性指标。
进一步地,为生物特征的基线数据的客观疲劳度指标FatigueBase设置数值,具体地,FatigueBase=0。
根据设置的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值的计算方式,计算该第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值之和,得到该第一基础动态值对应的客观疲劳度指标,进一步地,计算该第一基础动态值对应的客观疲劳度指标与该基线数据的客观疲劳度指标的差值;
ΔF=Fatigue(i)-FatigueBase 公式11
若该第一基础动态值对应的该客观疲劳度指标大于该基线数据的客观疲劳度指标的差值,则确认该用户疲劳未恢复,即ΔF>0,则用户未从疲劳中恢复,需要休息或减少运动量,减少的运动量与疲劳深度成正相关;若该第一基础动态值对应的该客观疲劳度指标小于等于该基线数据的客观疲劳度指标的差值,则确认该用户疲劳恢复,即ΔF≤0,则用户已经从疲劳中恢复,可以继续加大运动量,加大的运动量与疲劳深度成反相关。
进一步地,根据该第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值,调整下一次训练的疲劳权重值的疲劳度权重因子;
根据该第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值,调整下一次训练的疲劳权重值的疲劳度权重因子具体包括:
若FBP>0,则βBP增加预设调整值,若FBP≤0,则βBP减少该预设调整值;
若FSpO2>0,则βSpO2增加该预设调整值,若FSpO2≤0,则βSpO2减少该预设调整值;
若FHR≥0,则βHR增加该预设调整值,若FHR<0,则βHR减少该预设调整值;
若FHRV≥0,则βHRV增加该预设调整值,若FHRV<0,则βHRV减少该预设调整值。
其中,该预设调整值例如为0.01。
经过上述调整后,该用户在下一次运动后计算血压,血氧,心率,心率变异指标的疲劳权重时,使用调整后的血压,血氧,心率,心率变异指标的疲劳权重因子的值进行计算。
进一步地,根据用户疲劳是否恢复计算下一次训练的运动量包括:
根据该第一基础动态值对应的该客观疲劳度指标与该基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子,得到下一次训练的运动目标心率跳动强度因子。
δm+1=δm(1-ΔF) 公式12
m为自然数,为调整运动量的次数。
需要说明的是,可以将公式12变形为:
δm+1=μ×δm(1-ΔF) 公式13
其中μ为微调因子,该微调因子适用于长期疲劳时运动目标心率跳动强度因子的调整,公式12中的微调因子的值理解为1,即该微调因子的初始值为1,如果用户的运动天数未达到预设的天数,则该微调因子的值始终为1。本实施例步骤S103中的运动目标心率跳动强度因子的调整是在用户运动时间不长,产生短期疲劳时进行的调整。
即,运动目标心率跳动强度因子的每次调整与用户的疲劳度相关,具体是是与微调因子、该第一基础动态值对应的该客观疲劳度指标与该基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子形成公式13所示的相关性。
若确认该用户疲劳未恢复,减少运动天数或减少该训练计划中的运动量,使得下一次训练的目标心率为修正目标心率;
若确认该用户疲劳恢复,加大该训练计划中的运动量,使得下一次训练的目标心率为修正目标心率;
其中,修正目标心率为:
TargetHR=KBMI×δm+1×(HRmax-HRrest_Base)+HRrest_Base
其中,HRrest_Base为该静息心率,即该基线数据中的静息心率,δm+1为下一次运动目标心率跳动强度因子,HRmax为该最大估算心率,KBMI为该运动能力参数。
调整训练时间,该训练时间是指训练顶峰时间:
tPeak=(1-δm+1 2)×Tmax
其中,Tmax为该最大训练时间。
每次运动后均从上述步骤S102中通过该耳机采集所述用户在训练周期内,按照该训练计划进行运动后的预设时段的生物指标的第一基础动态值,根据所述第一基础动态值和预先采集的所述用户的生物指标的基线数据,确认该用户疲劳是否恢复,并根据该用户疲劳是否恢复计算下一次训练的运动量,如此反复训练,直到该用户达到其训练目标。
本发明实施例中,通过耳机采集用户在训练周期内,按照训练计划进行运动后的预设时段的生物指标的第一基础动态值,该第一基础动态值包括:血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合,综合该组合的基础动态值,与该用户的生物指标的基线数据进行比较,判断用户疲劳是否恢复,参与的对比数据多,因此提高了判断的准确性,并根据该用户疲劳是否恢复计算下一次训练的运动量,达到指导用户智能、科学地达到训练目标。
参见图9,在图9所示第二实施例中,与图6所示实施例不同之处在于,进一步地,包括:
S204、当在该训练周期执行了预设天数后,确认该第一基础动态值对应的该客观疲劳度指标与该基线数据的客观疲劳度指标的差值的负值的趋势波动方向;
该预设天数例如为14天。当用户训练了14天后,确认-ΔF的趋势波动方向,以确认该用户是否在训练中存在长期疲劳。
S205、若该趋势波动向上,则将微调因子增加预设微调值,若该趋势波动向下,则将该微调因子减少该预设微调值;
若-ΔF的趋势波动向上,如图10所示,则表示用户训练及生活处于良性循环中;若-ΔF的趋势波动向下,如图11所示,则说明用户抗疲劳度下降,健康度下降。
若-ΔF趋势波动向上,则将微调因子μ增加预设微调值。
若-ΔF趋势波动向下,则存在过度训练或不良生活习惯两种情况。此时,查看用户的Health值来,如果Health长期为负值,则说明不良生活习惯对训练恢复有较大影响,可以提示用户具体哪个习惯需要改善。比如:长期睡眠不足。如果是过度训练,则需要再次调整训练量,将微调因子μ减少该预设微调值。
该预设微调值可以为0.1。
S206、根据该微调因子、该第一基础动态值对应的该客观疲劳度指标与该基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子,得到下一次训练的运动目标心率跳动强度因子调整下一次训练的运动目标心率跳动强度因子。
即,根据公式13计算下一次训练的运动目标心率跳动强度因子δm+1。计算下一次训练的运行量时,根据调整后的δm+1进行计算。
进一步的,若-ΔF趋势波动向下,且该用户的主观健康信息值(Health)在训练周期中长期为负,则查找用户不健康的生活方式,并提醒用户改善生活方式,可以提示用户具体需要改善的习惯。比如:长期熬夜、睡眠不足等。
若-ΔF趋势波动向下,且用户的主观健康信息值在该训练周期并未长期为负,则执行将微调因子减少该预设微调值的步骤;
该用户的主观健康信息在采集该预设时段的生物指标的第一基础动态值的同时获取。
进一步地,根据测量的所述用户每天的所述生物指标的基础动态值,生成每周内各基础动态值分别对应的在相同运动强度所述生物指标的第一恢复曲线,该基础动态值包括:血压、血氧含量饱和度、静息心率和心率变异性的任意多个基础动态值的组合。每隔预设统计周期,输出最新生成的该生物指标的第二恢复曲线,具体是将第一恢复曲线和第二恢复曲线按照相同的天数呈现在同一张曲线图中,便于用户比较。若第二恢复曲线表示该用户的生物指标的恢复时间均小于等于该第一恢复曲线,则确认该用户未处于长期疲劳状态,若该第二恢复曲线表示该用户的生物指标的恢复时间存在大于该第一恢复曲线的生物指标,则确认该用户处于长期疲劳状态。具体地,每30天评估身体机能曲线比对,根据整体状况,判断是否处于长期疲劳,进行长期调整。
对比静息心率、血氧饱和度、心率变异性和血压等不同生物指标,在相同运动强度(是指相同的目标训练心率)下,恢复所需天数。参见图12~15。
如果所有的生物指标恢复时间小于等于30天前,则说明用户没有长期疲劳,并且身体机能是提高的。如果有任意一项指标的恢复时间大于30天前,则说明用户是有长期疲劳的或者有某种潜在的疾病。
如果发现长期疲劳,则要增加休息日的时间,并且提示用户改变不良生活习惯,如有不适,需要及时就医。如果发现长期疲劳恢复,则要恢复之前休息日的时间。
同时更新该用户的基线数据。
自动生成运动模板,运动后评估该运动量对人体各项指标的影响,及预测疲劳恢复时间。不断迭代更新优化算法,使运动模板更加准确,使运动更加有效而不损坏身体健康。
本实施例中,当在该训练周期执行了预设天数后,确认该第一基础动态值对应的该客观疲劳度指标与该基线数据的客观疲劳度指标的差值的负值的趋势波动方向,根据该波动方向减少或增加微调因子,根据该微调因子、该第一基础动态值对应的该客观疲劳度指标与该基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子,得到下一次训练的运动目标心率跳动强度因子调整下一次训练的运动目标心率跳动强度因子,从而增强训练的科学性和智能性。
以上为对本发明所提供的智能训练方法和系统的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种智能训练方法,应用于包括电子装置和耳机的智能训练系统,其特征在于,包括:
所述电子装置根据用户的输入数据,生成训练计划;
通过所述耳机采集所述用户在训练周期内,按照所述训练计划进行运动后的预设时段的生物指标的第一基础动态值,所述第一基础动态值包括:血压、血氧饱和度、静息心率和心率变异性的任意多个基础动态值的组合;
根据所述第一基础动态值和预先采集的所述用户的生物指标的基线数据,确认所述用户疲劳是否恢复,并根据所述用户疲劳是否恢复计算下一次训练的运动量,直到所述用户达到训练目标;
根据测量的所述用户每天的所述生物指标的基础动态值,生成每周内各基础动态值分别对应的在相同运动强度所述生物指标的第一恢复曲线,所述基础动态值包括:血压、血氧含量饱和度、静息心率和心率变异性的任意多个基础动态值的组合;
每隔预设统计周期,输出最新生成的所述生物指标的第二恢复曲线;
若所述第二恢复曲线表示所述用户的生物指标的恢复时间均小于等于所述第一恢复曲线,则确认所述用户未处于长期疲劳状态;
若所述第二恢复曲线表示所述用户的生物指标的恢复时间存在大于所述第一恢复曲线的生物指标,则确认所述用户处于长期疲劳状态。
2.根据权利要求1所述的方法,其特征在于,所述电子装置根据用户的输入数据,生成训练计划包括:
所述电子装置获取所述用户输入每周训练次数,每次训练最大时间,训练目标、训练类型以及运动目标心率跳动强度因子;
根据所述运动目标心率跳动强度因子、所述用户的最大估算心率、运动能力参数、静息心率,计算得到所述用户的初始训练目标心率;
TargetHR=KBMI×δ×(HRmax-HRrest_Base)+HRrest_Base;
其中,HRrest_Base为所述静息心率,δ为所述运动目标心率跳动强度因子,HRmax为所述最大估算心率,KBMI为所述运动能力参数;
根据所述运动目标心率跳动强度因子和所述每次训练最大时间,计算得到训练顶峰时间:
tpeak=(1-δ2)×Tmax。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一基础动态值和预先采集的所述用户的生物指标的基线数据,确认所述用户疲劳是否恢复包括:
根据所述第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性与所述基线数据中的血压、血氧饱和度、静息心率和心率变异性的差值,分别设置血压、血氧饱和度、静息心率和心率变异性的疲劳权重值的计算方式;
为所述基线数据的客观疲劳度指标设置数值;
根据所述计算方式,计算所述第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值之和,得到所述第一基础动态值对应的客观疲劳度指标;
计算所述第一基础动态值对应的客观疲劳度指标与所述基线数据的客观疲劳度指标的差值;
ΔF=Fatigue(i)-FatigueBase
其中,Fatigue(i)为所述第一基础动态值对应的客观疲劳度指标,FatigueBase为所述基线数据的客观疲劳度指标;
若所述第一基础动态值对应的所述客观疲劳度指标大于所述基线数据的客观疲劳度指标的差值,则确认所述用户疲劳未恢复;
若所述第一基础动态值对应的所述客观疲劳度指标小于等于所述基线数据的客观疲劳度指标的差值,则确认所述用户疲劳恢复。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性与所述基线数据中的血压、血氧饱和度、静息心率和心率变异性的差值,分别设置血压、血氧饱和度、静息心率和心率变异性的疲劳权重值的计算方式包括:
若所述第一基础动态值中血压的收缩压和舒张压在医学规定的正常范围之内,则分别计算所述第一基础动态值中血压的收缩压和舒张压与所述基线数据中的收缩压和舒张压的差值:
ΔSBP=BPsystolicAfterDay(i)-BPsystolicBase;
ΔDBP=BPDiastolicAfterDay(i)-BPDiastolicBase;
其中,BPsystolic_AfterDay(i)为所述第一基础动态值中的收缩压,BPDiastolic_AfterDay(i)为所述第一基础动态值中的舒张压,BPsystolic_Base为所述基线数据中的收缩压,BPDiastolic_Base为所述基线数据中的舒张压;
若所述第一基础动态值中血压的收缩压与所述基线数据中的收缩压之差大于预设血压差值,或,所述第一基础动态值中血压的舒张压与所述基线数据中的舒张压之差的绝对值大于所述预设血压差值,则设置血压的疲劳权重值:
其中βBP为血压的疲劳权重因子;
若所述第一基础动态值中血压的收缩压与所述基线数据中的收缩压之差小于等于所述预设血压差值,或,所述第一基础动态值中血压的舒张压与所述基线数据中的舒张压之差的绝对值小于等于所述预设血压差值,则设置血压的疲劳权重值为第一固定值;
若所述第一基础动态值中的血氧饱和度在预设时间内,小于等于医学规定的正常值,则设置血氧饱和度的疲劳权重值为第二固定值;
若所述第一基础动态值中的血氧饱和度在预设时间内,大于医学规定的正常值,且,所述第一基础动态值中的血氧饱和度小于等于所述基线数据中的血氧饱和度,则设置血氧饱和度的疲劳权重值为:
其中,βSpO2为血氧饱和度的疲劳权重因子,SpO2Base为所述基线数据中的血氧饱和度,SpO2AfterDay(i)为所述第一基础动态值中的血氧饱和度;
若所述第一基础动态值中的血氧饱和度在预设时间内,大于医学规定的正常值,且,所述第一基础动态值中的血氧饱和度大于等于所述基线数据中的血氧饱和度,则设置血氧饱和度的疲劳权重值为第三固定值;
若所述第一基础动态值中的静息心率在医学规定的正常值之内,则设置所述第一基础动态值中的静息心率的疲劳权重值为:
其中,βHR为静息心率的疲劳权重因子,HRrestAfterDay(i)为第一基础动态值中的静息心率,HRRest_Base为所述基线数据中的静息心率;
根据所述第一基础动态值中的心率测量参数,得到所述第一基础动态值的心率变异性指标,并根据所述基线数据中的心率测量参数,得到所述基线数据的心率变异性指标;
根据所述第一基础动态值的心率变异性指标和所述基线数据的心率变异性指标,设置所述第一基础动态值中的心率变异性的疲劳权重值为:
其中,βHRV为心率变异性的疲劳权重因子,rMSSDBase为所述基线数据的心率变异性指标,rMSSDAfterDay(i)为所述用户第一基础动态值的心率变异性指标。
5.根据权利要求4所述的方法,其特征在于,所述确认所述用户是否疲劳恢复之后还包括:
根据所述第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值,调整下一次训练的疲劳权重值的疲劳度权重因子;
所述根据所述第一基础动态值中的血压、血氧饱和度、静息心率和心率变异性的疲劳权重值,调整下一次训练的疲劳权重值的疲劳度权重因子具体包括:
若FBP>0,则βBP增加预设调整值,若FBP≤0,则βBP减少所述预设调整值;
若FSpO2>0,则βSpO2增加所述预设调整值,若FSpO2≤0,则βSpO2减少所述预设调整值;
若FHR≥0,则βHR增加所述预设调整值,若FHR<0,则βHR减少所述预设调整值;
若FHRV≥0,则βHRV增加所述预设调整值,若FHRV<0,则βHRV减少所述预设调整值;
其中,FBP为所述第一基础动态值中的血压疲劳权重值,FSpO2为所述第一基础动态值中的血氧饱和度的疲劳权重值,FHR为所述第一基础动态值中的静息心率的疲劳权重值,FHRV为所述第一基础动态值中的心率变异性的疲劳权重值,βBP为所述第一基础动态值中的血压疲劳权重因子,βSpO2为所述第一基础动态值中的血氧饱和度的疲劳权重因子,βHR为所述第一基础动态值中的静息心率的疲劳权重因子,βHRV为所述第一基础动态值中的心率变异性的疲劳权重因子。
6.根据权利要求5所述的方法,其特征在于,所述根据所述用户疲劳是否恢复计算下一次训练的运动量包括:
根据所述第一基础动态值对应的所述客观疲劳度指标与所述基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子,得到下一次训练的运动目标心率跳动强度因子δm+1:
δm+1=δm(1-ΔF)
其中,ΔF为所述第一基础动态值对应的客观疲劳度指标与所述基线数据的客观疲劳度指标的差值;
若确认所述用户疲劳未恢复,减少运动天数或减少所述训练计划中的运动量,使得下一次训练的目标心率为修正目标心率;
若确认所述用户疲劳恢复,加大所述训练计划中的运动量,使得下一次训练的目标心率为修正目标心率;
其中,修正目标心率为:
TargetHR=KBMI×δm+1×(HRmax-HRrest_Base)+HRrest_Base
其中,HRrest_Base为所述静息心率,δm+1为下一次运动目标心率跳动强度因子,HRmax为所述最大估算心率,KBMI为所述运动能力参数。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一基础动态值对应的所述客观疲劳度指标与所述基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子,得到下一次训练的运动目标心率跳动强度因子δm+1之后还包括:
调整下一次训练的顶峰训练时间:
tPeak=(1-δm+1 2)×Tmax。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
当在所述训练周期执行了预设天数后,确认所述第一基础动态值对应的所述客观疲劳度指标与所述基线数据的客观疲劳度指标的差值的负值的趋势波动方向;
若所述趋势波动向上,则将微调因子增加预设微调值;
若所述趋势波动向下,则将所述微调因子减少所述预设微调值;
根据所述微调因子、所述第一基础动态值对应的所述客观疲劳度指标与所述基线数据的客观疲劳度指标的差值和本次训练的运动目标心率跳动强度因子,得到下一次训练的运动目标心率跳动强度因子调整下一次训练的运动目标心率跳动强度因子:
δm+1=μ×δm(1-ΔF)
其中,ΔF为所述第一基础动态值对应的客观疲劳度指标与所述基线数据的客观疲劳度指标的差值。
9.根据权利要求8所述的方法,其特征在于,若所述趋势波动向下,且所述用户的主观健康信息值在所述训练周期中长期为负,则查找所述用户不健康的生活方式,并提醒所述用户改善生活方式;
若所述趋势波动向下,且所述用户的主观健康信息值在所述训练周期并未长期为负,则执行将所述微调因子减少所述预设微调值的步骤;
所述用户的主观健康信息在采集所述预设时段的生物指标的第一基础动态值的同时获取。
10.一种智能训练系统,其特征在于,包括:电子装置和耳机,用于实现如权利要求1至9任一项所述的智能训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333578.3A CN109529304B (zh) | 2018-11-09 | 2018-11-09 | 一种智能训练方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333578.3A CN109529304B (zh) | 2018-11-09 | 2018-11-09 | 一种智能训练方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109529304A CN109529304A (zh) | 2019-03-29 |
CN109529304B true CN109529304B (zh) | 2020-08-28 |
Family
ID=65846908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811333578.3A Active CN109529304B (zh) | 2018-11-09 | 2018-11-09 | 一种智能训练方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109529304B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110180154A (zh) * | 2019-05-13 | 2019-08-30 | 苏州米龙信息科技有限公司 | 一种基于可穿戴式设备的间歇式训练管理系统及方法 |
CN110327581A (zh) * | 2019-08-15 | 2019-10-15 | 河南职业技术学院 | 一种体育训练体能强化系统 |
CN110575153B (zh) * | 2019-09-27 | 2022-06-10 | 歌尔股份有限公司 | 一种心率检测方法及智能穿戴设备 |
CN112823739B (zh) * | 2019-11-05 | 2022-12-13 | 深圳市大富智慧健康科技有限公司 | 血压检测装置、血压检测系统及血压监测方法 |
CN113823377A (zh) * | 2020-06-18 | 2021-12-21 | 华为技术有限公司 | 运动指导方法及电子设备 |
CN111681735B (zh) * | 2020-07-20 | 2022-04-22 | 南京智韩科技发展有限公司 | 一种健身指导方法及系统 |
CN112364564A (zh) * | 2020-11-12 | 2021-02-12 | 浙大宁波理工学院 | 一种基于评价指标的人在回路智能训练负载曲线优化算法 |
CN112914536B (zh) * | 2021-03-24 | 2023-08-15 | 平安科技(深圳)有限公司 | 运动状态的检测方法、装置、计算机设备和存储介质 |
CN113082668B (zh) * | 2021-04-12 | 2022-05-17 | 常州思泰姆教育科技有限公司 | 一种智能自行车训练控制器及其控制系统 |
CN113101624A (zh) * | 2021-05-17 | 2021-07-13 | 广东小天才科技有限公司 | 一种游泳时提醒休息方法和可穿戴设备 |
CN113587400B (zh) * | 2021-06-29 | 2023-01-13 | 重庆海尔空调器有限公司 | 用于设定温度调节的空调控制方法及装置、空调 |
CN116701886B (zh) * | 2023-08-07 | 2023-10-27 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理系统 |
CN117711565A (zh) * | 2023-08-23 | 2024-03-15 | 荣耀终端有限公司 | 一种运动恢复时间确定方法及电子设备 |
CN118105051B (zh) * | 2024-04-30 | 2024-07-02 | 知心健(南京)科技有限公司 | 一种心肺功能监测的康复云平台系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070118043A1 (en) * | 2005-11-23 | 2007-05-24 | Microsoft Corporation | Algorithms for computing heart rate and movement speed of a user from sensor data |
DE102015000919A1 (de) * | 2015-01-26 | 2016-07-28 | Kuka Roboter Gmbh | Robotergestütztes Trainingssystem |
CN207117879U (zh) * | 2017-05-19 | 2018-03-16 | 深圳市埃微信息技术有限公司 | 一种智能运动语音项链 |
CN107590358B (zh) * | 2017-07-24 | 2020-07-28 | 深圳市沃特沃德股份有限公司 | 运动指导方法和装置 |
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 |
-
2018
- 2018-11-09 CN CN201811333578.3A patent/CN109529304B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109529304A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109529304B (zh) | 一种智能训练方法和系统 | |
US11596350B2 (en) | System and method for estimating cardiovascular fitness of a person | |
US10856813B2 (en) | Method and apparatus for generating assessments using physical activity and biometric parameters | |
US9980678B2 (en) | Psychological acute stress measurement using a wireless sensor | |
CN109529303B (zh) | 一种用户运动能力的确认方法和系统 | |
CN106166063B (zh) | 体力监测方法和装置 | |
US9655532B2 (en) | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis | |
JP4410234B2 (ja) | 生理的コヒーレンスおよび自律神経バランスを促進するための方法および装置 | |
Choi et al. | Using heart rate monitors to detect mental stress | |
US9596997B1 (en) | Probability-based usage of multiple estimators of a physiological signal | |
CN107427267B (zh) | 用于导出主体的精神状态的方法和装置 | |
US10966662B2 (en) | Motion-dependent averaging for physiological metric estimating systems and methods | |
US20230233152A1 (en) | Methods, apparatus and systems for adaptable presentation of sensor data | |
CN106108844B (zh) | 一种确定睡眠阶段的方法和装置 | |
CN106108845B (zh) | 一种确定睡眠阶段的方法和装置 | |
WO2022187019A1 (en) | Coaching based on menstrual cycle | |
WO2017180617A1 (en) | Psychological acute stress measurement using a wireless sensor | |
Ahmad et al. | Prediction of exhaustion threshold based on ECG features using the artificial neural network model | |
TWI842458B (zh) | 用於確定運動參數的方法及非暫時性電腦可讀存儲介質 | |
Ko et al. | Integrative Sensing Techniques for Building Non-Invasive Body Sensor Networks | |
AU2022230350A1 (en) | Coaching based on menstrual cycle |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |