CN110517749A - 一种用户骑行能力分析方法 - Google Patents

一种用户骑行能力分析方法 Download PDF

Info

Publication number
CN110517749A
CN110517749A CN201910610742.9A CN201910610742A CN110517749A CN 110517749 A CN110517749 A CN 110517749A CN 201910610742 A CN201910610742 A CN 201910610742A CN 110517749 A CN110517749 A CN 110517749A
Authority
CN
China
Prior art keywords
user
ftp
weight
data
value
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
Application number
CN201910610742.9A
Other languages
English (en)
Inventor
孔繁斌
于鉴
李珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Magene Intelligence Technology Co Ltd
Original Assignee
Qingdao Magene Intelligence Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao Magene Intelligence Technology Co Ltd filed Critical Qingdao Magene Intelligence Technology Co Ltd
Priority to CN201910610742.9A priority Critical patent/CN110517749A/zh
Publication of CN110517749A publication Critical patent/CN110517749A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用户骑行能力分析方法：对平台上的用户历史数据进行收集，筛选出满足条件的用户历史数据，所述用户历史数据包括：用户历史基础数据以及反映用户历史骑行能力的FTP值，构建FTP自动估测模型的样本数据集；利用反向传播神经网络，对所述样本数据集进行反复的训练迭代，得到FTP预测模型；根据所述当前用户在所述平台上输入的基础数据信息，基于所述FTP预测模型获得所述当前用户的FTP值。本发明应用神经网络智能算法进行机器学习训练，为大量低意愿进行FTP测试的用户提供高准确性的FTP估测，并基于预测得到的FTP值获得用户的运动能力等级，以及获得用户的运动能力类型，然后根据用户的需求、运动能力等级和运动能力类型为用户推荐训练课程。

Description

一种用户骑行能力分析方法
技术领域
本发明涉及运动能力分析领域，特别是一种用户骑行能力分析方法。
背景技术
随着人们生活水平的日益提高，健身已经成为日常生活中必不可少的部分。在健身的项目里，骑行凭它独特的魅力吸引了一大批爱好者加入。骑上车后，不可避免的问题就是我的水平是什么？要怎么进行锻炼才能不断的提升自己？
针对骑行时的种种困惑，骑行的科学化训练被提出。也就是说对于骑手，他们的能力需要量化，然后根据自身情况，针对性的进行训练。因为功率可以直接反应出用户输出的力量，所以功率数据进入大家的视野。但是面对一堆的功率数据，需要一个统一的标准来评价这些功率数据，让他们发挥自己的价值。
在目前的自行车体系中，FTP(Functional Threshold Power，功能性阈值功率)是反应车手实力的一个及其重要的指标。FTP是指骑手在当前骑行的功率下，身体产生的乳酸达到了身体排酸的极限值。Dr.Andrew Coggan提出：以个人计时的强度，骑行40公里或1小时，所得出的平均功率即为FTP，这是FTP测试的黄金标准。可以想象如果用尽全力骑行一小时左右，高强度和高压力给身体带来的负担。大部分骑手都会对FTP测试产生退怯，导致功率训练难以进行。
所以我们提出一种智能估算用户FTP的方法。使用用户的基础数据如年龄、性别、身高、体重、运动水平(包括：身体较差、未训练、一般、中等、好、优秀和杰出)等，来近似估算用户的FTP。本方法应用神经网络智能算法进行机器学习训练，为大量低意愿进行FTP测试的用户提供高准确性的FTP估测。
用户根据估算出的FTP值，可以进行功率训练。让用户更加清楚自己训练的方向。对用户的骑行功率数据进行统计分析，利用功率数据找出用户的优缺点。用户根据自身的情况，进行针对性训练，强化优点，减弱缺点。
发明内容
本发明目的主要是：(1)用户不进行困难艰苦的FTP测试就可以得到自己的FTP值；(2)基于预测得到的FTP值获得用户的运动能力等级，以及获得用户的运动能力类型，然后根据用户的需求、运动能力等级和运动能力类型为用户推荐训练课程。
为达到上述技术目的，本发明的技术方案提供一种用户骑行能力分析方法，包括：
a：构建样本数据集，对平台上的用户历史数据进行收集，筛选出满足条件的用户历史数据，所述用户历史数据包括：用户历史基础数据以及反映用户历史骑行能力的FTP值，构建FTP自动估测模型的样本数据集，其中所述基础数据种类N种，N为整数，且N>1；
b:构建FTP预测模型，利用反向传播神经网络(BP神经网络)，对所述样本数据集进行反复的训练迭代，得到所述FTP预测模型；
c：预测当前用户的FTP值，根据所述当前用户在所述平台上输入的基础数据信息，基于FTP预测模型获得所述当前用户的FTP值。
依据所述当前用户的所述FTP值和用户的体重信息，计算出所述当前用户的功体比功体比＝FTP/weight，依据功体比获得所述当前用户的骑行能力等级。
抓取数据库中用户一段时间内运动记录中最大的5秒、1分钟、5分钟平均功率，结合所述当前用户的所述FTP值用户的和体重信息，形成所述当前用户的功率形态数据
[MMP5s/weight，MMP1min/weight，MMP5min/weight，FTP/weight]。依据所述当前用户功率形态数据判定用户的运动能力类型(冲刺型、耐力型、追逐手、综合型)。
根据用户的需求、运动能力等级和/或类型运动能力类型为用户推荐针对性的训练计划或训练课程。
附图说明
图1预测当前用户FTP值流程图
图2BP神经网络结构图
图3用户的训练课程分配
图4本发明方法测试流程图
图5FTP测试集数据的实际值与预测值的比较
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
本发明对平台上(例如Onelap平台)的用户数据进行收集，构建用户的FTP预测模型。然后根据用户的自身情况，利用构建好的FTP预测模型，得到当前用户的FTP预测值。其中如图1所示预测当前用户FTP值包括以下步骤：
a：构建样本数据集，对平台上的用户历史数据进行收集，筛选出满足条件的用户历史数据，所述用户历史数据包括：用户历史基础数据以及反映用户历史骑行能力的FTP值，构建FTP自动估测模型的样本数据集，其中所述基础数据种类N种，N为整数，且N>1。
可选的构建样本数据集包括：a1数据收集：收集平台上一段时间所有用户历史数据；a2数据筛选：剔除掉用户信息是系统默认值的样本；剔除在平台上不活跃的用户样本；剔除用户信息经常变动，且最大数据值与最小数据值相差超过阈值T的数据，经过筛选，得到样本数据集，可选的用户信息经常变动指用户信息变动的平均时间小于一定阈值，或用户运动信息变动的最大时间差小于一定阈值。
b:构建FTP预测模型，利用反向传播神经网络(BP神经网络)，对所述样本数据集进行反复的训练迭代，得到所述FTP预测模型。
可选的，所述FTP预测模型进一步包括：
b1：初始化，将训练集(X,Y)输入到BP神经网络结构中，确定网络中输入层节点数等于所述基础数据种类N，设置隐含层节点数l，输出指标为用户的FTP，确定输出层的节点数1；图(2)为当N＝3，l＝5，基础数据包括年龄、身高、体重时的神经网络结构图。
初始化输入层、隐含层和输出层神经元之间的连接权值wij,wj，初始化隐含层阈值aj，输出层阈值b，给定学习速率η和神经元激活函数设置目标误差ε，迭代的最大次数M。
b2:隐含层输出计算，隐含层第j个节点的输出为：
X＝[x1,x2...xi...xN]为输入样本，可选的，基础数据包括年龄、身高、体重、性别、运动水平中至少一种，是激活函数，wij为输入层与隐含层不同神经元上连接的权重，aj为隐含层神经元上的阈值，1≤i＜N，1≤j≤l。
b3:输出层的计算。输出层节点的输出为：
输出层神经元的输出采用线性输出，神经元没有使用激活函数。Hj是隐含层神经元的输出，wj为隐含层与输出层神经元连接的权重，b为输出层神经元的权重。
b4:误差计算。网络的预测误差E：
e＝Y-O
其中Y表示样本X的真实值，O是输出层神经元的输出值。
b5:判断迭代是否结束，包括两个判别条件：
b51:网格的预测误差：
E≤ε
若成立，则终止，保留当前的连接权值wij,wj，隐含层阈值aj，输出层阈值b；
若不成立，进行下一个判断b52。
b52:迭代次数是否达到最大：
p≥M
若成立，则终止，保留当前的连接权值wij,wj，隐含层阈值aj，输出层阈值b；
若不成立，更新连接权值wij,wj，隐含层阈值aj，输出层阈值b，返回步骤b2。
可选的，所述更新连接权值wij,wj进一步包括，
根据网络预测误差e更新网络连接权值ωij,ωjk
输入层到隐含层的权值更新为：
wij＝wij+ηHj(1-Hj)xiwje
i＝1,2,3j＝1,2,···,l
隐含层到输出层的的权值更新为：
wj＝wj+ηHje j＝1,2,···,l
式中η为学习速率，Hj是隐含层神经元的输出。e是真实值与输出值的误差。
可选的，更新所述隐含层阈值aj，输出层阈值b进一步包括，根据网络预测误差e更新网络节点阈值aj，b。
输入层到隐含层的阈值更新为aj；隐含层到输出层的阈值更新为b
aj＝aj+ηewjHj(1-Hj)j＝1,2,···,l
b＝b+e
c：预测当前用户的FTP值，根据所述当前用户在所述平台上输入的基础数据信息，基于FTP预测模型获得所述当前用户的FTP值。
可选的，权重阈值更新使用的是误差反向传播的下降梯度法。
采用最速梯度下降法进行权值更新，激活函数为
隐含层输出、输出层输出如下：
根据最速下降法定义，令
则有：
wj＝wj+ηHje
wij＝wij+ηHj(1-Hj)xjwje
其中：
同理，隐含层的阈值aj和输出层的阈值bj更新为：由最速下降法定义，令则有：
b＝b+ηe
aj＝aj+ηewjHj(1-Hj)
可选的，依据所述当前用户的所述FTP值和用户的体重信息，计算出所述当前用户的功体比功体比＝FTP/weight，依据功体比获得所述当前用户的骑行能力等级。通过功体比可以给出用户目前大致的一个骑行能力。男性用户功体比的能力划分情况如表1所示。
表1男性用户功体比的能力划分情况
男 职业 精英 优秀 普通
功体比W/kg >5 4～5 3.1～4 <3
可选的，抓取数据库中用户一段时间内运动记录中最大的5秒、1分钟、5分钟平均功率，结合所述当前用户的所述FTP值用户的和体重信息，形成所述当前用户的功率形态数据[MMP5s/weight,MMP1min/weight,MMP5min/weight,FTP/weight]。依据所述当前用户功率形态数据判定用户的运动能力类型(冲刺型、耐力型、追逐手、综合型)。
有了用户的功率形态以后，结合Dr.AndrewCoggan和HunterAllen整理出来的功率形态表进一步判断车手类型。(1)当用户的功率形态数据在表中呈现出[一]型的曲线后，说明用户的为综合型车手。要想在比赛中有所表现，用户应该集中注意力来提升自己的某一项能力，这样用户在比赛中更加具备优势。(2)当功率形态表中呈现出[\]型曲线后，说明用户为冲刺型选手。该用户的无氧能力较强，快缩肌纤维发达。用户在比赛的冲刺阶段优势显著。(3)当用户的功率形态数据在表中呈现出[/]型曲线后，说明用户是耐力型车手。用户的乳酸阈值和有氧能力相对不错，在FTP表现出色，冲刺能力稍差。(4)当用户的功率形态数据在表中呈现出[Λ]型曲线后，说明用户是追逐手。该用户的无氧能力和最大摄氧能力都强。在比赛过程中更适合追逐项目。
可选的，图(3)显示根据用户的需求、运动能力等级和运动能力类型向用户推荐针对性的训练计划或训练课程，用户可以定制并选择平台上的针对性训练计划。
图(4)本发明方法测试流程图，可选的，收集近两年注册账号的所有男性用户数据。收集的用户信息包括：身高(cm)、年龄(岁)、体重(kg)以及当前平台上用户的FTP(W)。考虑到采集的数据中，用户的信息的准确性，需要对数据进行筛选。经过筛选，得到2464个数据样本。为了检验模型的优劣，将数据分成训练集和测试集两个部分。其中训练和测试按照7：3的比例分开。首先对数据集中的数据进行分档，根据用户目前的体能情况，我们把用户分成7档。把数据集按不同的层次人群分为：身体较差、未训练、一般、中等、好、优秀和杰出。此时数据集变成了7个子数据集，然后对于这7个小数据集分别进行训练集和测试集的划分。根据“测试数＝0.3*样本数”的原则随机选择测试样本，剩下的样本作为训练样本(注意：这里的测试数是0.3*样本数的取整)。图(5)FTP测试集数据的实际值与预测值的比较。

Claims (12)

1.一种用户骑行能力分析方法，其特征在于：
a：构建样本数据集，对平台上的用户历史数据进行收集，筛选出满足条件的用户历史数据，所述用户历史数据包括：用户历史基础数据以及反映用户历史骑行能力的FTP值，构建FTP自动估测模型的样本数据集，其中所述基础数据种类N种，N为整数，且N>1；
b:构建FTP预测模型，利用反向传播神经网络(BP神经网络)，对所述样本数据集进行反复的训练迭代，得到所述FTP预测模型；
c：预测当前用户的FTP值，根据所述当前用户在所述平台上输入的基础数据信息，基于所述FTP预测模型获得所述当前用户的FTP值。
2.根据权利要求1所述的分析方法，进一步包括，所述基础数据信息包括用户的体重信息，依据所述当前用户的所述FTP值和所述当前用户的体重信息，计算出所述当前用户的功体比功体比＝FTP/weight，依据功体比获得所述当前用户的骑行能力等级。
3.根据权利要求1所述的分析方法，进一步包括，所述基础数据信息包括用户的体重信息，抓取数据库中所述当前用户一段时间内运动记录中最大的5秒、1分钟、5分钟平均功率，结合所述当前用户的所述FTP值和体重信息，形成所述当前用户的功率形态数据[MMP5s/weight,MMP1min/weight,MMP5min/weight,FTP/weight]；依据所述当前用户功率形态数据判定用户的运动能力类型。
4.根据权利要求1所述的分析方法，进一步包括，根据所述当前用户的需求、运动能力等级和运动能力类型向所述当前用户推荐针对性的训练计划或训练课程。
5.根据权利要求1所述的分析方法，用户的基础数据进一步包括年龄、性别、身高、体重、运动水平中至少一种。
6.根据权利要求1所述的分析方法，所述步骤a构建样本数据集进一步包括：
a1数据收集：收集平台上一段时间内所有用户历史数据；
a2数据筛选：剔除掉用户信息是系统默认值的样本；剔除在平台上不活跃的用户样本；剔除用户信息经常变动，且最大数据值与最小数据值相差超过阈值T的数据，经过筛选，得到所述样本数据集。
7.根据权利要求1所述的分析方法，所述步骤b构建FTP预测模型进一步包括：
b1：初始化，将训练集(X,Y)输入到BP神经网络结构中，确定网络中输入层节点数等于所述基础数据种类N，设置隐含层节点数l，输出指标为用户的FTP，确定输出层的节点数1；
初始化输入层、隐含层和输出层神经元之间的连接权值wij,wj，初始化隐含层阈值aj，输出层阈值b，给定学习速率η和神经元激活函数设置目标误差ε，迭代的最大次数M；
b2:隐含层输出计算，隐含层第j个节点的输出为：
X＝[x1,x2...xi...xN]为输入样本，是激活函数，wij为输入层与隐含层不同神经元上连接的权重，aj为隐含层神经元上的阈值，1≤i＜N，1≤j≤l；
b3:输出层的计算，输出层节点的输出为：
输出层神经元的输出采用线性输出，神经元没有使用激活函数，Hj是隐含层神经元的输出，wj为隐含层与输出层神经元连接的权重，b为输出层神经元的权重。
b4:误差计算，网络的预测误差E：
e＝Y-O
其中Y表示样本X的真实值，O是输出层神经元的输出值；
b5:判断迭代是否结束，包括两个判别条件：
b51:网格的预测误差：
E≤ε
若成立，则终止，保留当前的连接权值wij,wj，隐含层阈值aj，输出层阈值b；若不成立，进行下一个判断b52。
b52:迭代次数是否达到最大：
p≥M
若成立，则终止，保留当前的连接权值wij,wj，隐含层阈值aj，输出层阈值b；若不成立，更新所述连接权值wij,wj，隐含层阈值aj，输出层阈值b，返回步骤b2。
8.根据权利要求7所述的分析方法，所述更新连接权值wij,wj进一步包括，
根据网络预测误差e更新网络连接权值ωi j,ωj k
输入层到隐含层的权值更新为：
wij＝wij+ηHj(1-Hj)xiwje
i＝1,2,3j＝1,2,···,l
隐含层到输出层的的权值更新为：
wj＝wj+ηHje j＝1,2,···,l
式中η为学习速率，Hj是隐含层神经元的输出，e是真实值与输出值的误差。
9.根据权利要求7所述的分析方法，所述更新隐含层阈值aj，输出层阈值b进一步包括，根据网络预测误差e更新网络节点阈值aj，b。
输入层到隐含层的阈值更新为aj；隐含层到输出层的阈值更新为b
aj＝aj+ηewjHj(1-Hj)j＝1,2,···,l
b＝b+e
10.根据权利要求2所述的分析方法，所述用户的骑行能力分为4个等级。
11.根据权利要求3所述的方法，所述运动能力类型包括冲刺型、耐力型、追逐手和综合型。
12.根据权利要求4所述的方法，用户可以定制并选择平台上的针对性训练计划。
CN201910610742.9A 2019-07-08 2019-07-08 一种用户骑行能力分析方法 Pending CN110517749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910610742.9A CN110517749A (zh) 2019-07-08 2019-07-08 一种用户骑行能力分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910610742.9A CN110517749A (zh) 2019-07-08 2019-07-08 一种用户骑行能力分析方法

Publications (1)

Publication Number Publication Date
CN110517749A true CN110517749A (zh) 2019-11-29

Family

ID=68623799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910610742.9A Pending CN110517749A (zh) 2019-07-08 2019-07-08 一种用户骑行能力分析方法

Country Status (1)

Country Link
CN (1) CN110517749A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052876A (zh) * 2022-12-09 2023-05-02 无锡市精神卫生中心 一种居民健康数据指标的分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183152A (zh) * 2015-08-25 2015-12-23 小米科技有限责任公司 运动能力的分析方法、装置及终端
CN109166628A (zh) * 2018-08-30 2019-01-08 北京卡路里信息技术有限公司 运动能力检测的方法及装置、存储介质、处理器
CN109300521A (zh) * 2018-08-30 2019-02-01 北京卡路里信息技术有限公司 训练的确定方法及装置、系统、存储介质、处理器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105183152A (zh) * 2015-08-25 2015-12-23 小米科技有限责任公司 运动能力的分析方法、装置及终端
CN109166628A (zh) * 2018-08-30 2019-01-08 北京卡路里信息技术有限公司 运动能力检测的方法及装置、存储介质、处理器
CN109300521A (zh) * 2018-08-30 2019-02-01 北京卡路里信息技术有限公司 训练的确定方法及装置、系统、存储介质、处理器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHAOYUXIA517: "BP神经网络，BP推导过程，反向传播算法，误差反向传播，梯度下降，权值阈值更新推导，隐含层权重更新公式", 《CSDN》 *
陈海英 等: "短跑运动能力的神经网络评价方法", 《北京理工大学学报》 *
陈海英: "基于神经网络的人体100m跑运动能力综合评价", 《中国体育科技》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052876A (zh) * 2022-12-09 2023-05-02 无锡市精神卫生中心 一种居民健康数据指标的分析方法及系统

Similar Documents

Publication Publication Date Title
CN104200076B (zh) 一种运动员运动损伤风险预警方法
CN104751842B (zh) 深度神经网络的优化方法及系统
CN103489039B (zh) 具有在线自整定优化能力的高速公路交通流量融合预测方法
CN106202952A (zh) 一种基于机器学习的帕金森疾病诊断方法
CN112950251A (zh) 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法
CN112614552B (zh) 基于bp神经网络的土壤重金属含量预测方法及系统
CN114822763A (zh) 一种运动数据驱动的个性化运动处方推荐方法
CN111461500B (zh) 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法
CN106469340A (zh) 一种基于神经网络的复合型项目风险评估模型
CN110706822B (zh) 基于逻辑回归模型和决策树模型的健康管理方法
CN110070116A (zh) 基于深度树状训练策略的分段式选择集成图像分类方法
CN108717548B (zh) 一种面向传感器动态增加的行为识别模型更新方法及系统
CN109214444A (zh) 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法
CN111292124A (zh) 一种基于优化组合神经网络的需水预测方法
CN110517749A (zh) 一种用户骑行能力分析方法
CN106651001A (zh) 一种改进神经网络的金针菇产量预测方法及实施系统
CN111798303A (zh) 一种法院被执行人履行能力评估的方法
CN100421586C (zh) 建立卷烟叶组配方设计的混合专家系统的方法
CN106937774A (zh) 一种基于深度学习的鞋楦尺码预测方法及预测装置
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN110334767A (zh) 一种用于空气质量分类的改进随机森林方法
CN107423811B (zh) 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法
CN112349413A (zh) 一种长距离运动训练负荷分析系统
Rogulj et al. Evaluation models of some morphological characteristcs for talent scouting in sport
CN106709522B (zh) 一种基于改进模糊三角数的高压电缆施工缺陷分级方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 207-1, building 2, No. 130, jiushui East Road, Fushan road street, Licang District, Qingdao City, Shandong Province

Applicant after: QINGDAO MAGEN INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: Shinan District 266000 Shandong city of Qingdao province Xuzhou Road No. 79 building 505 room 5

Applicant before: QINGDAO MAGEN INTELLIGENT TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129