CN111640483A - 基于akc模型的健身方案推荐方法 - Google Patents

基于akc模型的健身方案推荐方法 Download PDF

Info

Publication number
CN111640483A
CN111640483A CN202010516349.6A CN202010516349A CN111640483A CN 111640483 A CN111640483 A CN 111640483A CN 202010516349 A CN202010516349 A CN 202010516349A CN 111640483 A CN111640483 A CN 111640483A
Authority
CN
China
Prior art keywords
user
data
model
training
vector
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.)
Granted
Application number
CN202010516349.6A
Other languages
English (en)
Other versions
CN111640483B (zh
Inventor
熊君才
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010516349.6A priority Critical patent/CN111640483B/zh
Publication of CN111640483A publication Critical patent/CN111640483A/zh
Application granted granted Critical
Publication of CN111640483B publication Critical patent/CN111640483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Abstract

本发明公开了一种基于AKC(自动编码器和K‑means算法)模型的健身方案推荐方法，包括：获取人体待测部位近红外光谱数据，结合输入的年龄、性别、体重、三围以及臂围、腿围等多种数据，导入体脂肪检测模型得到体脂肪数据；将以上数据输入一个基于全连接神经网络的自动编码器得到用户的低维特征向量矩阵并将用户的低维特征向量矩阵输入到基于K‑Means算法的分类模型中，得出用户的身体类型。健身方案是根据用户的身体类型和多种运动期望，设置成方案模块；最后，根据用户的身体类型和运动期望，组合方案模块，输出健身方案。用户在不同的健身阶段可以同步了解自身的进步与改变并相应的调整健身方案，有助于用户提高健身训练效率。

Description

基于AKC模型的健身方案推荐方法
技术领域
本发明涉及通信技术领域，尤其涉及基于自动编码器技术实现用户分类的健身推荐方法。
背景技术
随着现代社会节奏的加快，拥有一个健康的好体魄成为了人们不懈的追求。跑步、健走、骑行等运动方式由于门槛较低，成为了大部分人的首选锻炼方法。研究表明，长期单一的进行有氧运动或长期控制碳水化合物的摄入来控制体重并不是一种高效的健身方式。而在健身房中请私教指导，由于需要花费大量金钱并且由于私教水平参差不齐，也不具备普适性。
随着手机在人们生活中扮演着越来越重要的角色，各类健身app也层出不穷。用户在通过移动终端来获取健身推荐方案时，往往得到的都是千篇一律的方案，不具备针对性。因此，可以实时获取用户最新的身体信息数据，并根据用户的情况给出最合适的健身方案，是一个亟待解决的问题。
近红外光谱检测技术具有非破坏性、快速检测、可多成分同时定量分析等优点。利用红外光对皮肤的穿透特性和其背向散射与脂肪厚度成线性相关的特性，可以实现人体皮下脂肪厚度的实时无损检测，进而预测人体脂肪百分比含量即体脂率。
根据“中国人民解放军总医院”在2019年11月发表的《中国人人体成分数据集》，每个个体(人)都有40多项身体数据。传统健身方案是通过个别数据或这些数据的结合判断来制定的，好坏标准往往依赖一个私教的个人经验，在面对多用户多需求时不仅十分耗时费力，也很难发掘到各种用户数据的潜在联系。而基于自动编码器与K-means聚类的分类模型——AKC可以在训练海量数据时发掘出用户多种数据在高位语义空间中潜在特征，将用户分类，并根据用户个人的健身需求进行运动方案的推荐。
发明内容
发明目的：本发明提供基于自动编码器技术实现用户分类的健身推荐方法，使得不仅可以实时获取用户最新身体数据，还可以根据数据将用户分类并制定出高效合理的健身方案。
技术方案：一种基于AKC模型的健身方案推荐方法，其特征在于，包括：
S1、采集若干个用户的常规数据、预测量身体数据和特定部位(包括但不限于肱二头肌、肱三头肌、股外侧集、腓肠肌、腹直肌)的近红外光谱数据；常规数据包括：用户名、年龄、性别；预测量身体数据包括：身高、体重、三围、上臂围、下臂围、大腿围、小腿围；
S2、将近红外光谱数据、常规数据和预测量身体数据导入到体脂肪检测模型，得到各个用户的体脂肪数据；将用户的近红外光谱数据、常规数据、预测量身体数据和体脂肪数据构成的特征向量作为训练样本，构建训练样本集；
S3、用训练数据集训练由基于全连接神经网络的自动编码器模型和K-means模型构成的AKC模型；
S4、将待分类用户的特征向量输入训练好的AKC模型中，得到该用户分类；
S5、根据用户的训练计划和运动期望，结合用户的分类情况给出相应的健身方案推荐。
进一步的，体脂肪检测模型是基于卷积神经网络CNN，结合PLS算法。普通的SVM算法结合PLS存在一定的缺陷，在于其空间中的特征提取不足，而且不能得到更深层次的特征表示，所以我们引入CNN卷基神经网络。卷积神经网络由卷基层、池化层、全连接层组成，其中卷基层用于提取图像特征，池化层用于对特征进行抽样，利于减轻模型的过拟合程度。模型中2个卷基层的卷积核为5*5，池化层为2*2的Max pooling，具体步骤为：
S1、建立卷积神经网络并初始化参数，包括网络层数、卷积核的权重、偏置、学习率、迭代次数；其中，卷基层操作为：
Figure BDA0002530250740000021
其中
Figure BDA0002530250740000022
指l层的第j个输出特征数据，
Figure BDA0002530250740000023
指l-1层的第i个输出特征数据，
Figure BDA0002530250740000024
是卷积核，
Figure BDA0002530250740000025
是偏置，f()为sigmod函数；
S2、取经过预处理的训练样本的光谱数据x和对应的体脂的实测值yi，输入到网络，得到卷基层的输出特征图；
S3、经过一系列卷积操作把输出特征图即学习到的深层特征连接成一个矢量馈送到全连接层执行操作将输出值作为回归函数的输入，对训练样本进行预测并得到预测值
Figure BDA0002530250740000026
全连接层操作如公式所示：
Figure BDA0002530250740000027
其中，xi、yj分别表示m输入向量的第i个神经元和n输出向量的第j个神经元，wij为m*n的权重矩阵，b为偏置；
S4、计算n个训练样本的误差，公式为：
Figure BDA0002530250740000028
S5、不断调整卷积核的权重和偏置；
S6、判断迭代次数是否超过最大值，若否，重复以上步骤，否则保存权重和偏置并停止训练。
进一步的，自动编码器模型包括一个编码器和一个解码器，编码器用来编码特征向量，解码器则用于重构原始的特征矩阵；所述AKC模型的训练步骤包括：
S1、将由各个用户的特征向量构成的特征向量矩阵输入一个由三个全连接神经网络组成的编码器模型中，得到各个用户在高维语义空间中的特征表示K，K根据公式1-1计算得到：
Figure BDA0002530250740000029
K＝φ2(H2·W3+B3)
其中，Ht、Wt和Bt分别是第t个全连接层的输出、权重向量与偏置向量；φ(·)是激活函数，其中φ1(x)＝Relu(x)＝max(0,x)，
Figure BDA0002530250740000031
由此，对输入的用户向量进行编码，得到了高维空间中的用户特征矩阵K，其中，矩阵K的第i行ki表示第i个用户的低维特征向量；
S2、设计一个同样由三个全连接神经网络组成的解码器模型，并重构用户的特征矩阵
Figure BDA0002530250740000032
Figure BDA0002530250740000033
由公式1-2计算得到：
Figure BDA0002530250740000034
通过最小化公式1-3中定义的损失函数来优化自动编码器模型；
Figure BDA0002530250740000035
S3、K-means算法是首先会根据分类需求(分成几类)随机选择C个质心(即分成C类)，之后通过计算各个数据点到各个质心的距离决定将该数据点加入哪类，并重新计算质心。从而逐步的将所有数据点进行分类。此处，根据需求，C设为9；我们将上面得到的所有用户的低维特征向量矩阵K∈Rm×a，将其输入K-means模型中，并通过最小化各用户结点到其所属类的质心的距离来优化模型；各用户结点到其所属类的质心的距离可根据公式(1-4)计算得到；
Figure BDA0002530250740000036
其中，ki(j)表示用户i的第j个属性，Cc(j)表示质心C的第j个属性；
最后，将所有的用户分为了9个类别，是由健身目的出发，因为瘦子健身方向普遍为增肌、胖人健身方向主要为减脂减重，所谓选取体重和体脂这两个维度，将这9类用户按照由低体重低体脂过渡到大体重高体脂的分布分类。值得注意的是，由模型训练出来的分类结果，由于是无标签数据，不同年龄、性别、身高、甚至其他指标对于分类的影响皆是不可知的，且低维特征无法用具体概念去描述，所以分类出来的9类用户，其体脂率、体重，均无法手动标注其具体数据范围。
进一步的，运动期望模块包含但不限于减重、增重、减脂、增肌、心肺功能提升、敏捷训练、力量训练、短跑训练、长跑训练。
进一步的，健身方案的产出，将结合运动期望(包括但不限于减重、增重、减脂、增肌、心肺功能提升、敏捷训练、力量训练、短跑训练、长跑训练等)和训练频次(包括但不限于一周三练、一周五练)从训练方法库中由经验丰富的专家人工挑选出初始方案，并依照同训练目的(有氧运动or无氧运动)、同训练效果(增肌、力量提升、减重减脂等)、同训练方式(推举类运动及其变式、后拉式运动及其变式、深蹲类运动及其变式等)、在控制训练容量、部位分化训练(肩部、肱二头肌、肱三头肌、腹部、胸部、背部、腿部)/整体训练(多肌群参与的复合训练动作)等原则从不同的训练方法中挑选，并定期更换以防止同样的训练手段形成肌肉记忆影响训练效果，如：针对胸部训练动作，分为上胸、整体、下胸、胸部外沿、胸部中缝等不同的侧重点，若是选择一周五练，则每个肌群训练完后有充分的休息时间，则会安排更多的训练动作，若选择一周三练，则训练日除了练胸还得兼顾肱三头肌的训练，则胸部安排训练动作较少，针对上胸部位的训练动作，会从杠铃上斜推举、哑铃上斜推举、器械上斜推举、器械上夹胸等动作中选取适合的动作。
有益效果：由此套AKC模型得出的分类结果，可以使用户更加清晰的认识自己的身体类型属于哪一类，从而明确自身训练目标和方向。由此套AKC模型进行身体类型分类后，所推荐的健身方案，更加具有合理性、针对性，可以有效避免因训练方案准备不足或方案制定错误造成的低效、受伤等问题。
附图说明
图1是健身方案推荐方法流程图。
图2是自动编码器以及k-means算法模型图。
图3是用户分类图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提供一种基于自动编码器与K-means聚类的分类模型——AKC模型，一种可以实时采集用户体脂数据的NIR设备，和一种结合二者功能实现的健身方案推荐方法。具体实施方式包括以下步骤：S1、用户输入常规数据，包括：用户名、年龄、性别，和预测量身体数据包括：身高、体重、三围、上臂围、下臂围、大腿围、小腿围等；S2、使用NIR设备获取特定部位的近红外光谱数据，结合常规数据和预测量身体数据导入到体脂肪检测模型，得到体脂肪数据；S3、记录以上数据，以供不断迭代训练，综合已知数据导入基于全连接神经网络的自动编码器模型，得到用户的低维特征向量矩阵；S4、将用户的低位特征向量矩阵输入K-means模型中，将用户分类；S5、根据用户选择的一周三次训练/一周五次训练的计划和运动期望，结合用户的分类情况给出相应的健身方案推荐；健身方案推荐方法如流程图1所示。
如图2所示，基于全连接神经网络的自动编码器模型中，我们定义了一个矩阵U∈Rm×n来表示用户的属性矩阵，其中，m表示用户的数量，值为40000，n表示用户属性的个数，值为38。对于第i个用户，我们使用向量ui来表示用户i的属性。并通过一个自动编码器模型获得了用户的低维特征向量矩阵K∈Rm×a，其中，a表示各用户低维特征向量的维度(在本模型中，a＝20)。自动编码器模型包括一个编码器和一个解码器，编码器用来编码特征向量，解码器则用于重构原始的特征矩阵。首先，我们将用户的属性矩阵输入一个由三个全连接神经网络组成的编码器模型中，得到各个用户在高维语义空间中的特征表示K，K可以根据公式1-1计算得到：
Figure BDA0002530250740000051
其中，Ht、Wt和Bt分别是第t个全连接层的输出、权重向量与偏置向量。φ(·)是激活函数，其中φ1(x)＝Relu(x)＝max(0,x)，
Figure BDA0002530250740000052
由此，我们对输入的用户向量进行了编码，得到了高维空间中的用户特征矩阵K，其中，矩阵K的第i行ki表示了第i个用户的低维特征向量。
我们希望编码得到的特征向量还可以通过某种映射还原得到原始的特征向量。因此，类似的，我们设计了一个同样由三个全连接神经网络组成的解码器模型，并重构了用户的特征矩阵
Figure BDA0002530250740000053
Figure BDA0002530250740000054
可以由公式1-2计算得到：
Figure BDA0002530250740000055
解码器的目的是使用编码结果K尽可能的还原输入数据U，因此，我们可以通过最小化公式1-3中定义的损失函数来优化自动编码器模型。
Figure BDA0002530250740000056
我们在基于全连接神经网络的自动编码器中得到了所有用户的低维特征向量矩阵K∈Rm×a，将其输入K-means模型中，并通过最小化各用户结点到其所属类的质心的距离来优化模型。各用户结点到其所属类的质心的距离可根据公式(1-4)计算得到。
Figure BDA0002530250740000061
其中，ki(j)表示用户i的第j个属性，Cc(j)表示质心c的第j个属性。由此，我们将所有的用户分为了9个类别。通过人工比对这9类用户的属性，我们发现，这9类用户基本服从由低体重低体脂到大体重高体脂的分布，如图3所示。
值得一提的是，该健身方案推荐方法，被建议配合近红外光谱检测设备使用，是因为近红外检测技术具有无破坏性、快速检测、可多成分同时定量分析等优点，适合用于实时检测分析的场景，但并不代表该套方法只适用于配合近红外光谱检测设备使用。该方法核心在于基于大量数据的训练，提取潜在特征并将用户细分类，在分类的基础上因地制宜推荐健身方案。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于AKC模型的健身方案推荐方法，其特征在于，包括：
S1、采集若干个用户的常规数据、预测量身体数据和特定部位的近红外光谱数据；常规数据包括：用户名、年龄、性别；预测量身体数据包括：身高、体重、三围、上臂围、下臂围、大腿围、小腿围；特定部位包括但不限于肱二头肌、肱三头肌、股外侧集、腓肠肌、腹直肌；
S2、将近红外光谱数据、常规数据和预测量身体数据导入到体脂肪检测模型，得到各个用户的体脂肪数据；将用户的近红外光谱数据、常规数据、预测量身体数据和体脂肪数据构成的特征向量作为训练样本，构建训练样本集；
S3、用训练数据集训练由基于全连接神经网络的自动编码器模型和K-means模型构成的AKC模型；
S4、将待分类用户的特征向量输入训练好的AKC模型中，得到该用户分类；
S5、根据用户的训练计划和运动期望，结合用户的分类情况给出相应的健身方案推荐。
2.根据权利要求1所述的基于AKC模型的健身方案推荐方法中的体脂肪检测模型，其特征在于：所述体脂肪检测模型是基于卷积神经网络，结合PLS算法，卷积神经网络由卷基层、池化层、全连接层组成，其中卷基层用于提取图像特征，池化层用于对特征进行抽样，利于减轻模型的过拟合程度，2个卷基层的卷积核为5*5，池化层为2*2的Max pooling，体脂肪检测模型训练的具体步骤为：
S1、建立卷积神经网络并初始化参数，包括网络层数、卷积核的权重、偏置、学习率、迭代次数；其中，卷基层操作为：
Figure FDA0002530250730000011
其中
Figure FDA0002530250730000012
指l层的第j个输出特征数据，
Figure FDA0002530250730000013
指l-1层的第i个输出特征数据，
Figure FDA0002530250730000014
是卷积核，
Figure FDA0002530250730000015
是偏置，f()为sigmod函数；
S2、取经过预处理的训练样本的光谱数据x和对应的体脂的实测值yi，输入到网络，得到卷基层的输出特征图；
S3、经过一系列卷积操作把输出特征图即学习到的深层特征连接成一个矢量馈送到全连接层执行操作将输出值作为回归函数的输入，对训练样本进行预测并得到预测值
Figure FDA0002530250730000016
全连接层操作如公式所示：
Figure FDA0002530250730000017
其中，xi、yj分别表示m输入向量的第i个神经元和n输出向量的第j个神经元，wij为m*n的权重矩阵，b为偏置；
S4、计算n个训练样本的误差，公式为：
Figure FDA0002530250730000018
S5、不断调整卷积核的权重和偏置；
S6、判断迭代次数是否超过最大值，若否，重复以上步骤，否则保存权重和偏置并停止训练。
3.根据权利要求1所述的基于AKC模型的健身方案推荐方法，其特征在于：自动编码器模型包括一个编码器和一个解码器，编码器用来编码特征向量，解码器则用于重构原始的特征矩阵；所述AKC模型的训练步骤包括：
S1、将由各个用户的特征向量构成的特征向量矩阵输入一个由三个全连接神经网络组成的编码器模型中，得到各个用户在高维语义空间中的特征表示K，K根据公式1-1计算得到：
Figure FDA0002530250730000021
其中，Ht、Wt和Bt分别是第t个全连接层的输出、权重向量与偏置向量；φ(·)是激活函数，其中φ1(x)＝Relu(x)＝max(0,x)，
Figure FDA0002530250730000022
由此，对输入的用户向量进行编码，得到了高维空间中的用户特征矩阵K，其中，矩阵K的第i行ki表示第i个用户的低维特征向量；
S2、设计一个同样由三个全连接神经网络组成的解码器模型，并重构用户的特征矩阵
Figure FDA0002530250730000023
Figure FDA0002530250730000024
由公式1-2计算得到：
Figure FDA0002530250730000025
通过最小化公式1-3中定义的损失函数来优化自动编码器模型；
Figure FDA0002530250730000026
S3、K-means算法首先会根据分类需求随机选择C个质心，之后通过计算各个数据点到各个质心的距离决定将该数据点加入哪类，并重新计算质心；从而逐步的将所有数据点进行分类；将所有用户的低维特征向量矩阵K∈Rm×a输入K-means模型中，并通过最小化各用户结点到其所属类的质心的距离来优化模型；各用户结点到其所属类的质心的距离可根据公式(1-4)计算得到；
Figure FDA0002530250730000027
其中，ki(j)表示用户i的第j个属性，Cc(j)表示质心C的第j个属性。
4.根据权利要求1所述的基于NIR和AKC模型的健身方案推荐方法，其特征在于：运动期望模块包含但不限于减重、增重、减脂、增肌、心肺功能提升、敏捷训练、力量训练、短跑训练、长跑训练。
CN202010516349.6A 2020-06-09 2020-06-09 基于akc模型的健身方案推荐方法 Active CN111640483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010516349.6A CN111640483B (zh) 2020-06-09 2020-06-09 基于akc模型的健身方案推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010516349.6A CN111640483B (zh) 2020-06-09 2020-06-09 基于akc模型的健身方案推荐方法

Publications (2)

Publication Number Publication Date
CN111640483A true CN111640483A (zh) 2020-09-08
CN111640483B CN111640483B (zh) 2022-10-28

Family

ID=72333321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010516349.6A Active CN111640483B (zh) 2020-06-09 2020-06-09 基于akc模型的健身方案推荐方法

Country Status (1)

Country Link
CN (1) CN111640483B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967783A (zh) * 2021-02-26 2021-06-15 特斯联科技集团有限公司 一种基于神经网络学习算法的社区健身推荐方法和系统
CN113222707A (zh) * 2021-05-25 2021-08-06 中国人民大学 一种智能服务交易推荐方法和系统
CN113230094A (zh) * 2021-05-10 2021-08-10 深圳市迈步机器人科技有限公司 一种单腿外骨骼机器人及其控制方法
CN113616182A (zh) * 2021-08-03 2021-11-09 南京老人佳智能科技有限公司 一种综合性辅助健身用的多功能体脂称
CN113643789A (zh) * 2021-10-15 2021-11-12 北京京东方技术开发有限公司 健身方案信息的生成方法、装置和系统
CN113827216A (zh) * 2021-09-18 2021-12-24 特斯联科技集团有限公司 一种基于微动算法无感监测心率的方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109545324A (zh) * 2018-11-05 2019-03-29 广州捷盈网络科技有限公司 一种健身减肥的训练系统及其训练方案推荐方法
CN109829018A (zh) * 2019-01-28 2019-05-31 华南理工大学 一种基于深度学习的移动客户超细分方法
CN109902201A (zh) * 2019-03-08 2019-06-18 天津理工大学 一种基于cnn和bp神经网络的推荐方法
CN110781406A (zh) * 2019-10-14 2020-02-11 西安交通大学 一种基于变分自动编码器的社交网络用户多属性推断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109545324A (zh) * 2018-11-05 2019-03-29 广州捷盈网络科技有限公司 一种健身减肥的训练系统及其训练方案推荐方法
CN109829018A (zh) * 2019-01-28 2019-05-31 华南理工大学 一种基于深度学习的移动客户超细分方法
CN109902201A (zh) * 2019-03-08 2019-06-18 天津理工大学 一种基于cnn和bp神经网络的推荐方法
CN110781406A (zh) * 2019-10-14 2020-02-11 西安交通大学 一种基于变分自动编码器的社交网络用户多属性推断方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967783A (zh) * 2021-02-26 2021-06-15 特斯联科技集团有限公司 一种基于神经网络学习算法的社区健身推荐方法和系统
CN113230094A (zh) * 2021-05-10 2021-08-10 深圳市迈步机器人科技有限公司 一种单腿外骨骼机器人及其控制方法
CN113222707A (zh) * 2021-05-25 2021-08-06 中国人民大学 一种智能服务交易推荐方法和系统
CN113222707B (zh) * 2021-05-25 2024-02-27 中国人民大学 一种智能服务交易推荐方法和系统
CN113616182A (zh) * 2021-08-03 2021-11-09 南京老人佳智能科技有限公司 一种综合性辅助健身用的多功能体脂称
CN113827216A (zh) * 2021-09-18 2021-12-24 特斯联科技集团有限公司 一种基于微动算法无感监测心率的方法和系统
CN113643789A (zh) * 2021-10-15 2021-11-12 北京京东方技术开发有限公司 健身方案信息的生成方法、装置和系统
CN113643789B (zh) * 2021-10-15 2022-04-01 北京京东方技术开发有限公司 健身方案信息的生成方法、装置和系统

Also Published As

Publication number Publication date
CN111640483B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN111640483B (zh) 基于akc模型的健身方案推荐方法
CN109165692B (zh) 一种基于弱监督学习的用户性格预测装置及方法
CN109036553A (zh) 一种基于自动抽取医疗专家知识的疾病预测方法
CN106778014A (zh) 一种基于循环神经网络的患病风险预测方法
Shi et al. Deep recurrent neural network reveals a hierarchy of process memory during dynamic natural vision
CN106682385B (zh) 健康信息交互系统
CN108847279B (zh) 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统
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
CN114822763A (zh) 一种运动数据驱动的个性化运动处方推荐方法
Musa et al. Machine learning in sports: identifying potential archers
CN110163131A (zh) 混合卷积神经网络与小生境灰狼优化的人体动作分类方法
CN108211268A (zh) 基于运动训练数据的运动负荷监测与运动疲劳预警方法和系统
CN109583272B (zh) 一种能够获取人体生活状态的足迹系统
Liu et al. An intelligent identification model for the selection of elite rowers by incorporating internet-of-things technology
CN116747495A (zh) 一种动作计数方法、装置、终端设备及可读存储介质
CN113425254B (zh) 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法
CN111672082B (zh) 一种基于pca-pnn的游泳运动员训练负荷预测方法
CN115736840A (zh) 一种基于心电数据的睡眠质量识别分类方法
CN115410267A (zh) 一种基于人体骨骼与肌肉相互配合动作分析数据统计算法
Mahajan et al. Predicting fitness and performance of diving using machine learning algorithms
CN114974508A (zh) 一种运动处方的生成方法及装置、存储介质及电子设备
Akay et al. Estimating the maximal oxygen uptake with new prediction models for college-aged students using feature selection algorithm
Mahajan et al. Predicting Competitive Weightlifting Performance Using Regression and Tree-Based Algorithms
Chen et al. A hierarchical learning framework for Chinese kids physical exercise prescription
CN110349673A (zh) 一种基于高斯混合分布的群体体质评估方法

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
GR01 Patent grant
GR01 Patent grant