CN111260186B - 一种运动能力评估方法、系统和体脂秤、移动终端 - Google Patents

Abstract

本发明公开了一种运动能力评估方法、系统和体脂秤、移动终端，应用于体重秤技术领域，用于解决现有运动能力评估方法操作繁琐、成本高昂的问题。本发明提供的方法包括：获取目标用户的年龄和性别；当接收到上秤信号时，测量目标用户的体重和体脂率；将年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到机器学习模型输出的目标最大摄氧量，机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；根据预设的运动能力对应关系确定与目标最大摄氧量对应的目标运动能力，作为目标用户的运动能力评估结果。

Description

一种运动能力评估方法、系统和体脂秤、移动终端

技术领域

本发明涉及体重秤技术领域，尤其涉及一种运动能力评估方法、系统和体脂秤、移动终端。

背景技术

现有市场上的体脂秤可以测量体重、体脂量、蛋白质、肌肉率等身体成分，例如用户在使用体脂秤进行测量时，与体脂秤相连的移动终端上即可显示出该用户的身体成分数据，该身体成分数据可作为用户的身体健康状况的依据。

随着用户需求日益增长，越来越多的用户重视并想要了解自身的运动能力，而上述的身体成分数据难以直观地看出用户运动能力。目前，想要较为准确地获知自身的运动能力，需要用户前往专业的评测机构，比如医院的康复中心，经过专业医护人员和专业设备进行测量，才能评估出自身的运动能力。这种运动能力评估方式不仅操作繁琐，而且成本高昂，不适用于日常生活。

因此，寻找一种便利的、适用于日常生活中运动能力的评估方法成为本领域技术人员亟需解决的问题。

发明内容

本发明实施例提供一种运动能力评估方法、装置、计算机设备及存储介质，以解决现有运动能力评估方法操作繁琐、成本高昂的问题。

一种运动能力评估方法，包括：

获取目标用户的年龄和性别；

当接收到上秤信号时，测量所述目标用户的体重和体脂率；

将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系；所述运动能力为数值化或者等级。

一种运动能力评估系统，包括：

年龄性别获取模块，用于获取目标用户的年龄和性别；

测量模块，用于当接收到上秤信号时，测量所述目标用户的体重和体脂率；

最大摄氧量模块，用于将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

运动能力评估模块，用于根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系；所述运动能力为数值化或者等级。

一种体脂秤，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述运动能力评估方法。

一种移动终端，所述移动终端与体脂秤通信连接，包括：

终端年龄性别获取模块，用于获取目标用户的年龄和性别；

终端测量模块，用于获取所述体脂秤测量得到的所述目标用户的体重和体脂率；

终端最大摄氧量模块，用于将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

终端运动能力评估模块，用于根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系；所述运动能力为数值化或者等级。

上述运动能力评估方法、装置、计算机设备及存储介质，首先，获取目标用户的年龄和性别；当接收到上秤信号时，测量所述目标用户的体重和体脂率；然后，将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；接着，根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系。可见，本申请通过用户的体重及体脂率的测量信息实现对用户最大摄氧量的静态评估，并通过在年龄、性别的约束下最大摄氧量及运动能力之间的映射，确定出用户的运动能力，从而实现了利用体脂秤来评估用户的运动能力，扩展了体脂秤的使用范畴，避免现有技术中通过使用专业设备才能测量评估用户运动能力所带来的麻烦，大大提高了用户运动能力评估的便利性，减轻了运动能力的评估成本，适用于用户的日常生活。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中运动能力评估方法的一应用环境示意图；

图2是本发明一实施例中运动能力评估方法的一流程图；

图3是本发明一实施例中运动能力评估方法在一个应用场景下预先训练深度学习模型的流程示意图；

图4是本发明一实施例中运动能力评估方法在一个应用场景下预先确定运动能力对应关系的流程示意图；

图5是本发明一实施例中运动能力评估方法步骤304在一个应用场景下的流程示意图；

图6是一个具体应用场景中男性的运动能力对应关系表；

图7是一个具体应用场景中女性的运动能力对应关系表；

图8是本发明一实施例中运动能力评估系统的结构示意图；

图9是本申请一实施例中一种移动终端的结构示意图。

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作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。

本申请提供的运动能力评估方法，可应用在如图1的应用环境中，其中，体脂秤可以多种方式与移动终端通信连接，比如可以通过蓝牙、WIFI、USB、互联网等方式。其中，该移动终端可以但不限于笔记本电脑、智能手机、平板电脑、掌上电脑和便携式可穿戴设备。

在一实施例中，如图2所示，提供一种运动能力评估方法，以该方法应用在图1中的体脂秤为例进行说明，包括如下步骤：

101、获取目标用户的年龄和性别。

本实施例中，由于年龄和性别对一个人的运动能力影响很大，其直接反映在最大摄氧量上，因此，在计算该目标用户的最大摄氧量之前，应当先获取目标用户的年龄和性别。具体地，若该目标用户已经注册账户，可以直接从账户信息中提取到该目标用户的年龄和性别；或者，体脂秤可以通过移动终端向该目标用户弹出输出界面，要求该目标用户录入自己的基本信息，至少包括年龄和性别，还可以包括是否经常锻炼、热爱运动项目等参考性的数据。

102、当接收到上秤信号时，测量所述目标用户的体重和体脂率。

当目标用户站上体脂秤时，该体脂秤可以接收到上秤信号，然后测量所述目标用户的体重和体脂率等数据。

103、将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量。

本实施例中，可以预先训练好机器学习模型，该机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量。在需要时，可以将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，这里得到的目标最大摄氧量可以认为是该目标用户的最大摄氧量。

为便于理解，下面对该机器学习模型的具体训练过程进行详细描述。进一步地，如图3所示，所述机器学习模型为深度学习模型，其可以通过以下步骤预先训练好：

201、收集多个用户的年龄、性别、体重和体脂率作为样本数据；

202、测量所述多个用户的最大摄氧量，并将测量得到的最大摄氧量标记到对应用户的样本数据中；

203、针对每个用户，将所述每个用户的年龄、性别、体重和体脂率投入到深度学习模型进行迭代训练，得到输出的样本最大摄氧量；

204、以损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值，所述损失函数用于计算所述多个用户对应的最大摄氧量与样本最大摄氧量之间的误差；

205、在所述损失函数的计算结果收敛且小于预设收敛阈值之后，确定所述深度学习模型已训练好。

对于步骤201，先训练之前，需要先收集多个用户的年龄、性别、体重和体脂率作为样本数据。其中，用户的年龄、性别可以由用户手动输入，用户的体重和体脂率可以通过体脂秤测量并记录下来。

对于步骤202，具体地，可以采用现有方式对这些用户测量最大摄氧量，比如由专业的医护人员和专业设备对这些用户进行逐个测量，得到他们各自的最大摄氧量，然后，将测量得到的最大摄氧量标记到对应用户的样本数据中。

对于步骤203，在获取到样本数据之后，针对每个用户，可以将所述每个用户的年龄、性别、体重和体脂率投入到深度学习模型进行迭代训练，得到输出的样本最大摄氧量，以便于利用这些样本数据对该深度学习模型进行训练。

对于步骤204，在深度学习模型迭代训练的过程中，以损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值。其中，该损失函数具体可以为二值交叉熵损失函数。其中，所述预设收敛阈值可以根据实际使用情况设定，比如可以设定为0.005。一般来说，该预设收敛阈值应当足够小，以确保损失函数的计算结果足够小，从而使得最大摄氧量与样本最大摄氧量之间的差异在可接收范围内。

对于步骤205，可以理解的是，在所述损失函数的计算结果收敛且小于预设收敛阈值之后，可以确定所述深度学习模型已训练好。

104、根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系。

本实施例中，预先设定了运动能力对应关系，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系。也就是说，在同一年龄段和性别的约束下，该目标用户的运动能力可以通过其最大摄氧量映射得到。具体地，在得到该机器学习模型输出的目标最大摄氧量之后，可以根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果。在一具体应用场景中，该运动能力对应关系记录的运动能力可以是数值化的，也可以是运动能力分级，比如一个人的运动能力分为“优秀、极好、良好、尚可、差”等5个等级，体脂秤可以查询该运动能力对应关系得到其中一个运动能力的等级作为该目标用户的运动能力评估结果。

具体地，为便于理解，下面对该运动能力对应关系的具体确定过程进行详细描述。在本实施例中，可以利用统计的方法得到在年龄和性别的约束下最大摄氧量与运动能力的对应关系。进一步地，如图4所示，所述运动能力对应关系可以通过以下步骤预先确定：

301、按照年龄段和性别将多个用户划分为多个用户群体，每个用户群体各自对应不同的性别和年龄段；

302、针对每个用户群体，获取所述每个用户群体中各个用户的最大摄氧量和运动能力；

303、针对每个用户群体，按照预设的运动能力分级将所述每个用户群体中各个用户划分为各个小群用户；

304、针对每个用户群体，根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间；

305、根据所述各个小群用户各自对应的最大摄氧量区间和运动能力分级确定出运动能力对应关系。

最大摄氧量是指人体在进行有大量肌肉群参加的长时间剧烈运动中，当心肺功能和肌肉利用氧的能力达到本人的极限水平量，单位时间内(通常以每分钟为计算单位)所能摄取的氧量称为最大摄氧量，也称为最大吸氧量或最大耗氧量。

最大摄氧量的影响因素如下：

(1)肺的通气与换气功能。空气中的氧通过呼吸器官的活动吸入肺，并通过物理弥散作用与肺循环毛细血管血液之间进行交换。因此，肺的通气与换气机能是影响人体吸氧能力的因素之一。肺功能的改善为运动时氧的供给提供了先决条件；

(2)血液及循环系统运输氧气的能力。血红蛋白含量及其载氧的能力，心脏的泵血机能及每搏输出量的大小都是影响最大提氧量的重要因素；

(3)肌组织利用氧气能力。肌组织利用氧的能力主安与肌纤维类型及其代谢特点有关，慢肌纤维摄氧和利用氧的能力较强；

(4)其他因素遗传、年龄，性别和运动训练。最大摄气量的遗传度为93.5％，而训练使最大接氧量提高的可能性一般为20％-25％，最大摄氧量在少儿期间随年龄增长增加，并于青春发育期出现性别差异，男子一般在18-20岁时最大摄氧量达峰值，并能保持到30岁左右：女子在14-16岁时即达峰值，一般可保持到25岁左右。以后，最大摄氧量便随年龄的增加而递减，男子以每年2％，女子以每年2.5％下降。

最大摄氧量是衡量人体有氧运动能力的的最佳指标，了解到用户的最大摄氧量指标不仅可以预测运动的适应性，还有助于确定与低最大摄氧量相关的未来健康风险，例如心血管疾病、风湿等等。

对于步骤301，由上述内容可知，年龄和性别对人的最大摄氧量影响巨大。因此，为了准确评估人的运动能力，应当将不同年龄段和性别的人区分开来。为此，本实施例中，可以按照年龄段和性别将多个用户划分为多个用户群体，每个用户群体各自对应不同的性别和年龄段。例如，男性与女性分开，年龄段方面，以十岁为一个区间长度，分为20-29岁、30-39岁、40-49岁……等等多个年龄段。

对于步骤302，在划分出不同的用户群体之后，可以针对每个用户群体，获取所述每个用户群体中各个用户的最大摄氧量和运动能力，其中，最大摄氧量可以通过现有技术手段或在专业机构测量后获得，运动能力可以根据现有标准和用户实际情况来确认。

对于步骤303，可以理解的是，由于运动能力往往与人的身体状况以及最大摄氧量等数据密切相关，同时又存在波动。因此，在实际应用中，使用运动能力分级来评估一个人的运动能力更加符合用户的需求。如上所述，在本实施例中，可以将用户的运动能力划分为多个等级，比如分为“优秀、极好、良好、尚可、差”等5个等级，根据这5个等级划分，又可以在一个用户群体中，将该用户群体中的各个用户再次划分为各个小群用户。

对于步骤304，可以认为，在同一个小群用户中的各个用户的运动能力是相差不远的，或者极其接近的，每个小群用户的数据可以认为是一个“聚类”。因此，本实施例中，针对每个用户群体，可以根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间，从而确定出每个小群用户对应的最大摄氧量的数值范围。

进一步地，如图5所示，所述步骤304可以包括：

401、针对每个小群用户，计算所述每个小群用户中各个用户的最大摄氧量的摄氧量均值；

402、针对每个用户群体，根据所述每个用户群体中各个小群用户对应的摄氧量均值确定所述各个小群用户各自对应的最大摄氧量区间。

对于步骤401和402，可以理解的是，为了确定出每个小群用户对应的最大摄氧量的数值范围，基于各个用户的最大摄氧量，可以针对每个小群用户，计算所述每个小群用户中各个用户的最大摄氧量的摄氧量均值；在得到均值之后，在同一性别和年龄段的基础上，通过相邻的运动能力等级之间的均值即可确定相邻运动能力等级之间的边界值，从而根据各个边界值界定出各个小群用户各自对应的最大摄氧量区间。

对于步骤305，容易理解的是，在确定出所述各个小群用户各自对应的最大摄氧量区间，即可根据所述各个小群用户各自对应的最大摄氧量区间和运动能力分级确定出运动能力对应关系。

通过上述步骤301-305，在一个具体的应用场景中，通过检测1424人的最大摄氧量数据和运动能力等级，初步确定出男性和女性两个表单，如图6和图7所示，这两个表单即为该应用场景下的运动能力对应关系。利用该运动能力对应关系，可以快速确定用户的运动能力评估结果。例如，某用户性别为男，年龄为28岁，计算得到的最大摄氧量为44ml/(kg*min)，通过查询运动能力对应关系，可以确定该用户的运动能力评估结果为“尚可”。

考虑到体脂秤大多数体积较小，尤其是家用的体脂秤，其上的显示屏尺寸较小，有的甚至没有配置显示屏，因此，为了方便目标用户查阅自己的运动能力等数据，该体脂秤可以与手机APP连接，将测量得到的这些运动能力评估结果等数据发送给手机并在APP上显示，从而便于用户查阅。进一步地，在步骤104之后，该方法还可以包括：将所述目标用户的运动能力评估结果发送至指定移动终端，以使所述指定移动终端在目标账户下显示所述运动能力评估结果，所述目标账户是指所述目标用户的用户账户。在一个具体应用场景中，该指定移动终端即为目标用户的手机，手机通过APP接收运动能力评估结果并记录在目标用户的账户下，目标用户可以随时通过自己的账户查阅自己的运动能力评估结果，从而有计划地调节自己的锻炼计划。

优选地，该运动能力评估结果具体可以显示在该体脂秤(如果其上有显示屏的话)上，也可以显示在移动终端上，比如显示在手机的APP(手机的该APP用于与体脂秤进行数据交互)上，例如可以显示如下数据：体重(单位：Kg)、基础代谢率(单位：Kcal)、内脏脂肪指数(单位：数量)、储肌能力等级(单位：数量)、脂肪率(单位：百分比)、肌肉率(单位：百分比)、水分(单位：百分比)、蛋白质(单位：百分比)、骨量(单位：Kg)等等。进一步地，手机APP上还可以显示该体脂秤测量得到的用户的身体成分数据，以及基于这些身体成分数据进一步加工推导出的“身体状态指标”，例如：身体类型(偏胖型、标准型、偏瘦型)、身体年龄(单位：数值)、BMI(单位：数值)等，对此，本实施例不作限定。

本申请实施例中，首先，获取目标用户的年龄和性别；当接收到上秤信号时，测量所述目标用户的体重和体脂率；然后，将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；接着，根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系。可见，本申请通过用户的体重及体脂率的测量信息实现对用户最大摄氧量的静态评估，并通过在年龄、性别的约束下最大摄氧量及运动能力之间的映射，确定出用户的运动能力，从而实现了利用体脂秤来评估用户的运动能力，扩展了体脂秤的使用范畴，避免现有技术中通过使用专业设备才能测量评估用户运动能力所带来的麻烦，大大提高了用户运动能力评估的便利性，减轻了运动能力的评估成本，适用于用户的日常生活。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种运动能力评估系统，该运动能力评估系统与上述实施例中运动能力评估方法一一对应。如图8所示，该运动能力评估系统包括年龄性别获取模块501、测量模块502、最大摄氧量模块503和运动能力评估模块504。各功能模块详细说明如下：

年龄性别获取模块501，用于获取目标用户的年龄和性别；

测量模块502，用于当接收到上秤信号时，测量所述目标用户的体重和体脂率；

最大摄氧量模块503，用于将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

运动能力评估模块504，用于根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系。

进一步地，所述机器学习模型为深度学习模型，其可以通过以下模块预先训练好：

样本数据收集模块，用于收集多个用户的年龄、性别、体重和体脂率作为样本数据；

最大摄氧量测量模块，用于测量所述多个用户的最大摄氧量，并将测量得到的最大摄氧量标记到对应用户的样本数据中；

模型训练模块，用于针对每个用户，将所述每个用户的年龄、性别、体重和体脂率投入到深度学习模型进行迭代训练，得到输出的样本最大摄氧量；

模型参数调整模块，用于以损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值，所述损失函数用于计算所述多个用户对应的最大摄氧量与样本最大摄氧量之间的误差；

训练完成确定模块，用于在所述损失函数的计算结果收敛且小于预设收敛阈值之后，确定所述深度学习模型已训练好。

进一步地，所述运动能力对应关系可以通过以下模块预先确定：

用户群体划分模块，用于按照年龄段和性别将多个用户划分为多个用户群体，每个用户群体各自对应不同的性别和年龄段；

用户数据获取模块，用于针对每个用户群体，获取所述每个用户群体中各个用户的最大摄氧量和运动能力；

小群用户划分模块，用于针对每个用户群体，按照预设的运动能力分级将所述每个用户群体中各个用户划分为各个小群用户；

摄氧量区间划分模块，用于针对每个用户群体，根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间；

关系确定模块，用于根据所述各个小群用户各自对应的最大摄氧量区间和运动能力分级确定出运动能力对应关系。

进一步地，所述摄氧量区间划分模块可以包括：

摄氧量均值计算单元，用于针对每个小群用户，计算所述每个小群用户中各个用户的最大摄氧量的摄氧量均值；

区间确定单元，用于针对每个用户群体，根据所述每个用户群体中各个小群用户对应的摄氧量均值确定所述各个小群用户各自对应的最大摄氧量区间。

进一步地，所述运动能力评估系统还可以包括：

结果发送模块，用于将所述目标用户的运动能力评估结果发送至指定移动终端，以使所述指定移动终端在目标账户下显示所述运动能力评估结果，所述目标账户是指所述目标用户的用户账户。

关于运动能力评估系统的具体限定可以参见上文中对于运动能力评估方法的限定，在此不再赘述。上述运动能力评估系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种体脂秤，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中运动能力评估方法的步骤，例如图2所示的步骤101至步骤104。或者，处理器执行计算机程序时实现上述实施例中运动能力评估系统的各模块/单元的功能，例如图8所示模块501至模块504的功能。为避免重复，这里不再赘述。

需要说明的是，本实施例提供的体脂秤的部分结构特征已在上述运动能力评估方法的实施例中有描述，应当理解的是，前述方法实施例中描述到的关于体脂秤的特征同样可以应用于本实施例中的体脂秤，因此，本实施例对此不再重复赘述。

在一个实施例中，还提供了一种移动终端，该移动终端与体脂秤通信连接，如图9所示，该移动终端包括终端年龄性别获取模块601、终端测量模块602、终端最大摄氧量模块603和终端运动能力评估模块604。各功能模块详细说明如下：

终端年龄性别获取模块601，用于获取目标用户的年龄和性别；

终端测量模块602，用于获取所述体脂秤测量得到的所述目标用户的体重和体脂率；

终端最大摄氧量模块603，用于将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

终端运动能力评估模块604，用于根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系。

进一步地，所述机器学习模型为深度学习模型，其可以通过以下模块预先训练好：

终端样本数据收集模块，用于收集多个用户的年龄、性别、体重和体脂率作为样本数据；

终端最大摄氧量测量模块，用于测量所述多个用户的最大摄氧量，并将测量得到的最大摄氧量标记到对应用户的样本数据中；

终端模型训练模块，用于针对每个用户，将所述每个用户的年龄、性别、体重和体脂率投入到深度学习模型进行迭代训练，得到输出的样本最大摄氧量；

终端模型参数调整模块，用于以损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值，所述损失函数用于计算所述多个用户对应的最大摄氧量与样本最大摄氧量之间的误差；

终端训练完成确定模块，用于在所述损失函数的计算结果收敛且小于预设收敛阈值之后，确定所述深度学习模型已训练好。

进一步地，所述运动能力对应关系可以通过以下模块预先确定：

终端用户群体划分模块，用于按照年龄段和性别将多个用户划分为多个用户群体，每个用户群体各自对应不同的性别和年龄段；

终端用户数据获取模块，用于针对每个用户群体，获取所述每个用户群体中各个用户的最大摄氧量和运动能力；

终端小群用户划分模块，用于针对每个用户群体，按照预设的运动能力分级将所述每个用户群体中各个用户划分为各个小群用户；

终端摄氧量区间划分模块，用于针对每个用户群体，根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间；

终端关系确定模块，用于根据所述各个小群用户各自对应的最大摄氧量区间和运动能力分级确定出运动能力对应关系。

进一步地，所述终端摄氧量区间划分模块可以包括：

终端摄氧量均值计算单元，用于针对每个小群用户，计算所述每个小群用户中各个用户的最大摄氧量的摄氧量均值；

终端区间确定单元，用于针对每个用户群体，根据所述每个用户群体中各个小群用户对应的摄氧量均值确定所述各个小群用户各自对应的最大摄氧量区间。

进一步地，所述移动终端还可以包括：

结果显示模块，用于在目标账户下显示所述运动能力评估结果，所述目标账户是指所述目标用户的用户账户。

关于移动终端的具体限定可以参见上文中对于运动能力评估方法的限定，在此不再赘述。上述移动终端中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于移动终端中的处理器中，也可以以软件形式存储于移动终端中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种运动能力评估方法，其特征在于，包括：

获取目标用户的年龄和性别；

当接收到上秤信号时，测量所述目标用户的体重和体脂率；

将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系；所述运动能力为数值化或者等级。

2.根据权利要求1所述的运动能力评估方法，其特征在于，所述机器学习模型为深度学习模型，其通过以下步骤预先训练好：

收集多个用户的年龄、性别、体重和体脂率作为样本数据；

测量所述多个用户的最大摄氧量，并将测量得到的最大摄氧量标记到对应用户的样本数据中；

针对每个用户，将所述每个用户的年龄、性别、体重和体脂率投入到深度学习模型进行迭代训练，得到输出的样本最大摄氧量；

以损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值，所述损失函数用于计算所述多个用户对应的最大摄氧量与样本最大摄氧量之间的误差；

在所述损失函数的计算结果收敛且小于预设收敛阈值之后，确定所述深度学习模型已训练好。

3.根据权利要求1所述的运动能力评估方法，其特征在于，所述运动能力对应关系通过以下步骤预先确定：

按照年龄段和性别将多个用户划分为多个用户群体，每个用户群体各自对应不同的性别和年龄段；

针对每个用户群体，获取所述每个用户群体中各个用户的最大摄氧量和运动能力；

针对每个用户群体，按照预设的运动能力分级将所述每个用户群体中各个用户划分为各个小群用户；

针对每个用户群体，根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间；

根据所述各个小群用户各自对应的最大摄氧量区间和运动能力分级确定出运动能力对应关系。

4.根据权利要求3所述的运动能力评估方法，其特征在于，所述针对每个用户群体，根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间包括：

针对每个小群用户，计算所述每个小群用户中各个用户的最大摄氧量的摄氧量均值；

针对每个用户群体，根据所述每个用户群体中各个小群用户对应的摄氧量均值确定所述各个小群用户各自对应的最大摄氧量区间。

5.根据权利要求1至4中任一项所述的运动能力评估方法，其特征在于，在根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果之后，还包括：

将所述目标用户的运动能力评估结果发送至指定移动终端，以使所述指定移动终端在目标账户下显示所述运动能力评估结果，所述目标账户是指所述目标用户的用户账户。

6.一种运动能力评估系统，其特征在于，包括：

年龄性别获取模块，用于获取目标用户的年龄和性别；

测量模块，用于当接收到上秤信号时，测量所述目标用户的体重和体脂率；

最大摄氧量模块，用于将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

运动能力评估模块，用于根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系；所述运动能力为数值化或者等级。

7.根据权利要求6所述的运动能力评估系统，其特征在于，所述机器学习模型为深度学习模型，其通过以下模块预先训练好：

样本数据收集模块，用于收集多个用户的年龄、性别、体重和体脂率作为样本数据；

最大摄氧量测量模块，用于测量所述多个用户的最大摄氧量，并将测量得到的最大摄氧量标记到对应用户的样本数据中；

模型训练模块，用于针对每个用户，将所述每个用户的年龄、性别、体重和体脂率投入到深度学习模型进行迭代训练，得到输出的样本最大摄氧量；

模型参数调整模块，用于以损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值，所述损失函数用于计算所述多个用户对应的最大摄氧量与样本最大摄氧量之间的误差；

训练完成确定模块，用于在所述损失函数的计算结果收敛且小于预设收敛阈值之后，确定所述深度学习模型已训练好。

8.根据权利要求6或7所述的运动能力评估系统，其特征在于，所述运动能力对应关系通过以下模块预先确定：

用户群体划分模块，用于按照年龄段和性别将多个用户划分为多个用户群体，每个用户群体各自对应不同的性别和年龄段；

用户数据获取模块，用于针对每个用户群体，获取所述每个用户群体中各个用户的最大摄氧量和运动能力；

小群用户划分模块，用于针对每个用户群体，按照预设的运动能力分级将所述每个用户群体中各个用户划分为各个小群用户；

摄氧量区间划分模块，用于针对每个用户群体，根据所述每个用户群体中各个小群用户中各个用户的最大摄氧量划分出所述各个小群用户各自对应的最大摄氧量区间；

关系确定模块，用于根据所述各个小群用户各自对应的最大摄氧量区间和运动能力分级确定出运动能力对应关系。

9.一种体脂秤，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述运动能力评估方法。

10.一种移动终端，所述移动终端与体脂秤通信连接，其特征在于，包括：

终端年龄性别获取模块，用于获取目标用户的年龄和性别；

终端测量模块，用于获取所述体脂秤测量得到的所述目标用户的体重和体脂率；

终端最大摄氧量模块，用于将所述年龄、性别、体重和体脂率输入预先训练好的机器学习模型，得到所述机器学习模型输出的目标最大摄氧量，所述机器学习模型由多个用户的样本数据训练得到，每个样本数据包括用户的年龄、性别、体重和体脂率以及预先测量的最大摄氧量；

终端运动能力评估模块，用于根据预设的运动能力对应关系确定与所述目标最大摄氧量对应的目标运动能力，作为所述目标用户的运动能力评估结果，所述运动能力对应关系记录了在年龄和性别的约束下最大摄氧量与运动能力的对应关系；所述运动能力为数值化或者等级。