CN111859624A - 一种基于nsga-ii算法的运动处方参数管理方法 - Google Patents
一种基于nsga-ii算法的运动处方参数管理方法 Download PDFInfo
- Publication number
- CN111859624A CN111859624A CN202010584799.9A CN202010584799A CN111859624A CN 111859624 A CN111859624 A CN 111859624A CN 202010584799 A CN202010584799 A CN 202010584799A CN 111859624 A CN111859624 A CN 111859624A
- Authority
- CN
- China
- Prior art keywords
- exercise
- prescription
- motion
- intensity
- user
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000007726 management method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013499 data model Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000014435 Mentha Nutrition 0.000 description 1
- 241001072983 Mentha Species 0.000 description 1
- 101100513476 Mus musculus Spen gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000014569 mints Nutrition 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种基于NSGA‑II算法的运动处方参数管理方法,具体步骤为:步骤1,确认运动项目并初始化处方参数;步骤2,建立运动处方数据模型并管理运动处方参数;步骤3,接收运动数据并记录每个运动强度时的秒级时间戳;步骤4,当用户执行完一次运动处方后,根据接收到的运动数据获取运动量和运动时长;步骤5,计算运动处方参数限定条件;步骤6,在运动参数限定条件下,利用NSGA‑II算法计算运动处方参数;步骤7,修改并生成新的运动处方;步骤8,在每次运动处方执行时,利用步骤3所采用的方法,收集新的运动数据,返回步骤4~步骤7,生成新的运动处方。本发明解决了现有技术中存在的运动处方管理缺乏自适应调整的问题。
Description
技术领域
本发明属于计算机管理运动处方技术领域,涉及一种基于NSGA-II算法的运动处方参数管理方法。
背景技术
运动干预健康的理念是被人们广泛认可的,当今社会,越来越多的人希望依靠运动改善身体体质,或达到减肥、塑形、增肌等目的。实现不同的运动目的需要采用不同的运动方案以及运动强度、运动频率、运动时长,且随着运动者体质的不断改善,为了保证运动处方的效力,运动强度、运动频率、运动时长等参数应随之调整。
目前运动处方参数管理多采用大数据分析,聚类分析等方法,针对用户类型制定运动处方参数,缺乏对用户差异的分析,难以实现个性化运动参数的制定和管理。
发明内容
本发明的目的是提供一种基于NSGA-II算法的运动处方参数管理方法,解决了现有技术中存在的运动处方参数制定管理缺乏个性化和自适应调整的问题。
本发明所采用的技术方案是,
一种基于NSGA-II算法的运动处方参数管理方法,具体步骤为:
步骤1,用户开始执行某一运动处方时,确认该用户所执行的运动处方中的运动项目,并初始化用户的运动处方参数;
步骤2,从步骤1的初始化运动处方参数中,获取运动处方参数,建立运动处方数据模型,利用此模型管理运动处方参数;
步骤3,接收用户每次执行运动处方时传入的运动数据,其运动数据为运动者的运动强度,以心率为指标,以及记录每个运动强度时的秒级时间戳;
步骤4,当用户执行完一次运动处方后,对接收到的运动数据进行处理,以获取运动平均强度、最大强度,并计算出此次执行运动处方的运动量和运动时长;
步骤5,从步骤4处理完成的数据中,计算运动处方参数限定条件;
步骤6,在运动参数限定条件下,利用NSGA-II算法计算运动处方参数;
步骤7,修改运动处方参数模型中的运动参数,生成新的运动处方;
步骤8,在每次运动处方执行时,利用步骤3所采用的方法,收集新的运动数据,返回步骤4~步骤7,生成新的运动处方。
本发明的特点还在于,
其中步骤1具体为:
初始化所有参数有用户现阶段执行的运动处方项目Sport,运动处方类型Sport_type,运动项目最低要求强度Q_min和运动项目最高要求强度Q_max,运动项目最小运动量W_min,运动处方时长T,运动频率F,运动处方最低频率F_min,用户最大运动强度Qmax,用户最大运动时长Tmax;
其中运动处方类型Sport_type为有氧、力量、柔韧三者之一,运动强度单位:bpm,指每分钟心率,运动时长以分钟min为单位,运动频率单位:次/周,用户最大运动强度Qmax为具体数值或为空值,用户最大运动时长Tmax为具体数值或为空值;
初始化所有参数中,运动项目Sport、运动类型Sport_type,运动项目最低和最高要求强度Q_min、Q_max,最小运动量W_min,运动时长T,运动频率F为系统必要输入,其他为可选输入且默认为空。
其中步骤2采用的运动处方模型管理运动处方参数的具体步骤为:
步骤2.1,创建运动处方模型,运动处方模型是一种数据结构,其数据结构包含运动项目Sport,运动处方类型Sport_type,运动处方强度Q,运动时长T,运动频率F;
步骤2.2,从初始化的用户运动处方参数中,获取用户现阶段执行的运动项目Sport,运动处方类型Sport_type,运动项目最低要求强度Q_min,运动处方时长T,运动频率F,分别赋值给运动处方模型中的运动项目,运动处方类型,运动强度,运动时长,运动频率。
其中步骤3具体步骤为:接收运动过程中的运动强度实时数据,运动强度数据为用户运动时的实时心率q(bpm/min),并保存接收到的运动数据。
其中步骤4的具体步骤为:
步骤4.1,计算本次执行运动处方的平均强度Qs_mean,并保存,其计算方法为:将所有运动强度数据值相加再除以数据量;
步骤4.2,借助冒泡排序方法,遍历一次运动数据,获取最大值作为运动最大强度Qs_max,并保存;
步骤4.3,从步骤1初始化的运动处方参数中,判断用户运动最高强度限制值Qmax的值是否为空,若是,则赋值Qmax为Qs_max;
步骤4.4,计算本次运动量Ws,并保存,计算方法如下:
运动量等于对每运动数据中的运动强度与采样时间间隔的乘积求和,本发明以积分方式计算,即
步骤4.5,对运动数据中,最后一个运动数据的时间戳减去第一个数据的时间戳再除以60,获得本次运动时长Ts值,数值单位为分钟(min),并保存;
步骤4.6,从步骤1初始化的运动处方参数中,判断用户运动最大时长限制值Tmax是否为空值,若是则赋值Tmax为Ts。
其中步骤5的具体步骤为:
步骤5.1,从历史数据中判断本次执行运动的运动量Ws是否大于历次执行的运动量,若是则执行步骤5.2,否则结束步骤5;
步骤5.2,从历史数据中判断本次执行运动的平均强度Qs_mean是否大于历次执行的平均强度,若是则将用户运动强度最高限制值Qmax设定为本次运动最大运动强度值Qs_max,并跳过步骤5.3执行步骤5.4,否则执行步骤5.3;
步骤5.3,将用户运动时长最大限制值Tmax设定为本次运动时长Ts;
步骤5.4,从历史数据中比对本次运动时长是否大于历次运动时长,若是则将用户运动时长最大限制值Tmax设定为本次运动时长Ts。
其中步骤6利用NSGA-II算法计算运动处方参数的具体步骤为:
步骤6.1,判断用户运动强度最高限制Qmax和用户运动时长最大限制值Tmax是否被修改,若是执行步骤6.2,否则结束步骤6;
步骤6.2,设定多目标模型为:目标一、有效运动量W尽可能大,目标二、运动时长Ts尽可能小,条件一、运动强度不能大于用户最大运动强度限制Qmax和运动项目最高强度要求Q_max,且运动强度大于运动最低强度要求Q_min,条件二、运动时长小于用户最大运动时长限制Tmax,条件三、运动处方频率不大于7次/周,条件四、运动量W须大于最小运动量W_min,建立多目标优化模型如下目标函数:
min Ts=T (3)
条件:Qmin≤q≤min(Qmax,Q_max),Ts≤Tmax,0<f≤7,求解参数为:f,T,q,即f为待求解的运动处方频率,T为待求解的运动处方时长,q为待求解的运动处方强度;
其中R(q)为运动强度系数计算公式为:
步骤6.3,随机生成30个预设参数,并修正其中不可行解,生成种群Ps,种群迭代次数置1;
步骤6.4,对种群Ps进行选择、交叉、变异,得到子种群Qs,合并种群Ps和Qs;
其中选择机制为:初次选择运用随机选择方式从种群Ps中选取50%的个体,之后选择约束违反度最高的前50%的个体;交叉机制为:模拟二进制交叉(SBX,SimulatedBinary Crossover);变异操作概率为1除以种群个体数量即1/30;
步骤6.5,对合并后的种群进行非支配排序得到新种群Ps;
步骤6.6,计算种群Ps中每个个体的约束违反度,计算公式为:
步骤6.7,记录种群迭代次数加1;
步骤6.8,判断种群迭代次数是否大于200次,若是则从骤6.9开始继续执行操作,否则从步骤6.4开始重复操作;
步骤6.9,从种群Ps中获取约束违反度最高的个体作为最优解;
步骤6.10,将最优解的值作为输出结果,得到运动处方参数:强度Q和时长T、运动频率F。
其中步骤7具体步骤为:
步骤7.1,判断步骤6是否计算出新的运动处方参数,若有则执行步骤7.2,若没有结束步骤7;
步骤7.2,将步骤6计算所得运动处方强度Q和时长T、频率F赋值到运动处方模型对应参数中,完成对运动处方参数的更新,获得新的运动处方。
本发明的有益效果是
本发明能在用户执行运动处方过程中,根据运动数据变化自适应调节运动处方参数,结合用户实际情况制定个性化的运动处方参数,保障较高的运动效力和效率。
附图说明
图1是本发明一种基于NSGA-II算法的运动处方参数管理方法的方法流程图;
图2是本发明一种基于NSGA-II算法的运动处方参数管理方法的NSGA-II算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于NSGA-II算法的运动处方参数管理方法,如图1和图2,具体步骤为:
步骤1,用户开始执行某一运动处方时,确认该用户所执行的运动处方中的运动项目,并初始化用户的运动处方参数;
步骤2,从步骤1的初始化运动处方参数中,获取运动处方参数,建立运动处方数据模型,利用此模型管理运动处方参数;
步骤3,接收用户每次执行运动处方时传入的运动数据,其运动数据为运动者的运动强度,以心率为指标,以及记录每个运动强度时的秒级时间戳;
步骤4,当用户执行完一次运动处方后,对接收到的运动数据进行处理,以获取运动平均强度、最大强度,并计算出此次执行运动处方的运动量和运动时长;
步骤5,从步骤4处理完成的数据中,计算运动处方参数限定条件;
步骤6,在运动参数限定条件下,利用NSGA-II算法计算运动处方参数;
步骤7,修改运动处方参数模型中的运动参数,生成新的运动处方;
步骤8,在每次运动处方执行时,利用步骤3所采用的方法,收集新的运动数据,返回步骤4~步骤7,生成新的运动处方。
其中步骤1具体为:
初始化所有参数有用户现阶段执行的运动处方项目Sport,运动处方类型Sport_type,运动项目最低要求强度Q_min和运动项目最高要求强度Q_max,运动项目最小运动量W_min,运动处方时长T,运动频率F,运动处方最低频率F_min,用户最大运动强度Qmax,用户最大运动时长Tmax;
其中运动处方类型Sport_type为有氧、力量、柔韧三者之一,运动强度单位:bpm,指每分钟心率,运动时长以分钟min为单位,运动频率单位:次/周,用户最大运动强度Qmax为具体数值或为空值,用户最大运动时长Tmax为具体数值或为空值;
初始化所有参数中,运动项目Sport、运动类型Sport_type,运动项目最低和最高要求强度Q_min、Q_max,最小运动量W_min,运动时长T,运动频率F为系统必要输入,其他为可选输入且默认为空;
其中步骤2,采用的运动处方模型管理运动处方参数的具体步骤为:
步骤2.1,创建运动处方模型,运动处方模型是一种数据结构,其数据结构包含运动项目Sport,运动处方类型Sport_type,运动处方强度Q,运动时长T,运动频率F;
步骤2.2,从初始化的用户运动处方参数中,获取用户现阶段执行的运动项目Sport,运动处方类型Sport_type,运动项目最低要求强度Q_min,运动处方时长T,运动频率F,分别赋值给运动处方模型中的运动项目,运动处方类型,运动强度,运动时长,运动频率;
其中步骤3具体为:接收运动过程中的运动强度实时数据,运动强度数据为用户运动时的实时心率q(bpm/min),并保存接收到的运动数据;
其中步骤4,处理接收到的运动数据的具体步骤为:
步骤4.1,计算本次执行运动处方的平均强度Qs_mean,并保存,其计算方法为:将所有运动强度数据值相加再除以数据量;
步骤4.2,借助冒泡排序方法,遍历一次运动数据,获取最大值作为运动最大强度Qs_max,并保存;
步骤4.3,从步骤1初始化的运动处方参数中,判断用户运动最高强度限制值Qmax的值是否为空,若是,则赋值Qmax为Qs_max;
步骤4.4,计算本次运动量Ws,并保存,计算方法如下:
运动量等于对每运动数据中的运动强度与采样时间间隔的乘积求和,本发明以积分方式计算,即
步骤4.5,对运动数据中,最后一个运动数据的时间戳减去第一个数据的时间戳再除以60,获得本次运动时长Ts值,数值单位为分钟(min),并保存;
步骤4.6,从步骤1初始化的运动处方参数中,判断用户运动最大时长限制值Tmax是否为空值,若是则赋值Tmax为Ts;
其中步骤5,计算运动处方参数限制条件的具体步骤为:
步骤5.1,从历史数据中判断本次执行运动的运动量Ws是否大于历次执行的运动量,若是则执行步骤5.2,否则结束步骤5;
步骤5.2,从历史数据中判断本次执行运动的平均强度Qs_mean是否大于历次执行的平均强度,若是则将用户运动强度最高限制值Qmax设定为本次运动最大运动强度值Qs_max,并跳过步骤5.3执行步骤5.4,否则执行步骤5.3;
步骤5.3,将用户运动时长最大限制值Tmax设定为本次运动时长Ts;
步骤5.4,从历史数据中比对本次运动时长是否大于历次运动时长,若是则将用户运动时长最大限制值Tmax设定为本次运动时长Ts;
步骤6,利用NSGA-II算法计算运动处方参数的具体步骤为:
步骤6.1,判断用户运动强度最高限制Qmax和用户运动时长最大限制值Tmax是否被修改,若是执行步骤6.2,否则结束步骤6;
步骤6.2,设定多目标模型为:目标一、有效运动量W尽可能大,目标二、运动时长Ts尽可能小,条件一、运动强度不能大于用户最大运动强度限制Qmax和运动项目最高强度要求Q_max,且运动强度大于运动最低强度要求Q_min,条件二、运动时长小于用户最大运动时长限制Tmax,条件三、运动处方频率不大于7次/周,条件四、运动量W须大于最小运动量W_min,建立多目标优化模型如下目标函数:
min Ts=T (3)
条件:Qmin≤q≤min(Qmax,Q_max),Ts≤Tmax,0<f≤7,求解参数为:f,T,q,即f为待求解的运动处方频率,T为待求解的运动处方时长,q为待求解的运动处方强度;
其中R(q)为运动强度系数计算公式为:
步骤6.3,随机生成30个预设参数,并修正其中不可行解,生成种群Ps,种群迭代次数置1;
步骤6.4,对种群Ps进行选择、交叉、变异,得到子种群Qs,合并种群Ps和Qs;
其中选择机制为:初次选择运用随机选择方式从种群Ps中选取50%的个体,之后选择约束违反度最高的前50%的个体;交叉机制为:模拟二进制交叉(SBX,SimulatedBinary Crossover);变异操作概率为1除以种群个体数量即1/30;
步骤6.5,对合并后的种群进行非支配排序得到新种群Ps;
步骤6.6,计算种群Ps中每个个体的约束违反度,计算公式为:
步骤6.7,记录种群迭代次数加1;
步骤6.8,判断种群迭代次数是否大于200次,若是则从骤6.9开始继续执行操作,否则从步骤6.4开始重复操作;
步骤6.9,从种群Ps中获取约束违反度最高的个体作为最优解;
步骤6.10,将最优解的值作为输出结果,得到运动处方参数:强度Q和时长T、运动频率F;
步骤7修改运动处方模型中的参数具体步骤为:
步骤7.1,判断步骤6是否计算出新的运动处方参数,若有则执行步骤7.2,若没有结束步骤7;
步骤7.2,将步骤6计算所得运动处方强度Q和时长T、频率F赋值到运动处方模型对应参数中,完成对运动处方参数的更新,获得新的运动处方;
实施例1
本实施例运动对象所执行的运动处方项目为乒乓球,运动类型为有氧类型,运动项目,运动项目千古的要求心率在140~170bmp范围内,最低运动量为5600bmp*min,运动频率F为4次/周。用户执行运动处方过程中,按如下方式调节运动处方参数:
步骤1,
设定运动项目Sport为乒乓球,运动类型Sport_type为力量,运动项目最低Q_min=140bmp,最高强度Q_max=170bmp,最小运动量W_min=5600bmp*min,运动处方时长T=40min,运动频率F=4次/周,其他参数值设定为空。
步骤2,
创建运动处方数据模型,并从步骤1中获取运动处方数据模型参数Sport为乒乓球,Sport_type为力量,运动强度Q=140bmp,最小运动量W_min=5600bmp*min,运动时长T=40min,运动频率F=4次/周。
步骤3,
获取用户运动过程中的运动强度实时数据,并储存。
步骤4,
对本次执行运动处方所接收的运动实时数据强度值求和再除以数据量,得到平均运动强度Qs_mean=134bmp,保存此计算结果;
利用冒泡排序,遍历一次数据,从本次执行运动处方所接收到的运动实时数据中获取最大运动强度Qs_max=160bmp,保存此计算结果;
判断用户运动最高强度限制参数Qmax值为空,将Qs_max的值赋值给Qmax,保存此计算结果;
利用公式(1),计算本次运动量Ws=6700bmp*min,保存此计算结果;
本次执行运动处方所接收的运动实时数据的最后一个数据时间戳减去第一个数据的时间戳所的差值除以60,获得本次运动时长Ts=50min,保存此计算结果。
步骤5,
判断步骤4计算运动量Ws的结果在运动量历史数据中为最大值,从而进一步设定用户最高运动强度Qmax=160bmp,用户运动时长最大限制值Tmax=50min。
步骤6,
判断参数Qmax和Tmax的值发生改变,进而利用NSGA-II算法重新计算运动参数;
根据公式(2)、(3)、(4)建立目标函数得:
minTs=T (7)
条件:140bmp≤q≤160bmp,Ts≤50min,0<f≤7;
随机生成30个预设参数,并修正其中的不可行解,生成种群Ps,对种群Ps进行选择、交叉、变异,得到子种群Qs,合并种群Ps和Qs得到新的种群Ps,并对种群Ps进行快速非支配排序;
利用以上方法对种群Ps重复操作200次,从最后一次的排序结果中获取排序第一的数据作为结果输出得到计算结果:Ts=50min,Q=146bmp,F=4。
步骤7,
将步骤6计算所得结果Ts=50min,Q=146bmp,F=4分别赋值给运动处方数据模型的运动时长T,运动强度Q,运动频率F,从而完成一次运动处方参数的更新,用户下次执行运动处方时,根据运动处方数据模型给出的新的运动处方参数进行锻炼,且保证运动的效力,且使得运动处方参数管理更加个性化。
本发明针对运动处方实施过程中的参数自适应反馈调节,本发明根据接收到的运动数据,设立运动处方参数计算条件,利用NSGA-II算法在所计算的条件下计算运动处方参数,使运动量尽可能大而运动时间尽可能小,从而得到运动效率较高的运动处方参数。本发明依据运动量越大效果越好,且运动量越大运动时间越短,运动效率越高的基本规律,计算运动处方强度、时长、频率参数。由于运动量随时间增大而增大,运动效率随时间增大而减小,运动强度需保持在运动项目最低运动强度和最高运动强度之间,且小于用户最大运动强度条件,而运动时长不大于用户最长运动时长条件,效果最大化和效率最大化存在矛盾,将此问题转化为多目标优化问题,采用NSGA-II算法在有条件限制下求解多目标问题。本方案根据用户运动数据制定运动处方参数,实现运动处方制定过程中运动参数的个性化制定,保障较高的运动效力和效率。
本发明利用统计分析的方法通过分析获取到的运动数据,获得用户在每次执行完运动处方后运动量上是否有增长,并进一步判断是否在运动时长和运动条件上有所增长。根据分析结果对用户运动强度和运动时长最大限制条件做更新,从而利用NSGA-II算法重新计算运动处方参数。传统NSGA-II算法无法计算有条件限制下的多目标优化问题,因此在计算过程中,加入对种群中每个个体的约束违反度计算,从而判断个体是否满足约束,并根据约束条件修正每个解。
Claims (8)
1.一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,具体步骤为:
步骤1,用户开始执行某一运动处方时,确认该用户所执行的运动处方中的运动项目,并初始化用户的运动处方参数;
步骤2,从步骤1的初始化运动处方参数中,获取运动处方参数,建立运动处方数据模型,利用此模型管理运动处方参数;
步骤3,接收用户每次执行运动处方时传入的运动数据,其运动数据为运动者的运动强度,以心率为指标,以及记录每个运动强度时的秒级时间戳;
步骤4,当用户执行完一次运动处方后,对接收到的运动数据进行处理,以获取运动平均强度、最大强度,并计算出此次执行运动处方的运动量和运动时长;
步骤5,从步骤4处理完成的数据中,计算运动处方参数限定条件;
步骤6,在运动参数限定条件下,利用NSGA-II算法计算运动处方参数;
步骤7,修改运动处方参数模型中的运动参数,生成新的运动处方;
步骤8,在每次运动处方执行时,利用所述步骤3所采用的方法,收集新的运动数据,返回步骤4~步骤7,生成新的运动处方。
2.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,所述步骤1具体为:
初始化所有参数有用户现阶段执行的运动处方项目Sport,运动处方类型Sport_type,运动项目最低要求强度Q_min和运动项目最高要求强度Q_max,运动项目最小运动量W_min,运动处方时长T,运动频率F,运动处方最低频率F_min,用户最大运动强度Qmax,用户最大运动时长Tmax;
其中运动处方类型Sport_type为有氧、力量、柔韧三者之一,运动强度单位:bpm,指每分钟心率,运动时长以分钟min为单位,运动频率单位:次/周,用户最大运动强度Qmax为具体数值或为空值,用户最大运动时长Tmax为具体数值或为空值;
初始化所有参数中,运动项目Sport、运动类型Sport_type,运动项目最低和最高要求强度Q_min、Q_max,最小运动量W_min,运动时长T,运动频率F为系统必要输入,其他为可选输入且默认为空。
3.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,所述步骤2采用的运动处方模型管理运动处方参数的具体步骤为:
步骤2.1,创建运动处方模型,运动处方模型是一种数据结构,其数据结构包含运动项目Sport,运动处方类型Sport_type,运动处方强度Q,运动时长T,运动频率F;
步骤2.2,从初始化的用户运动处方参数中,获取用户现阶段执行的运动项目Sport,运动处方类型Sport_type,运动项目最低要求强度Q_min,运动处方时长T,运动频率F,分别赋值给运动处方模型中的运动项目,运动处方类型,运动强度,运动时长,运动频率。
4.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,所述步骤3具体步骤为:接收运动过程中的运动强度实时数据,运动强度数据为用户运动时的实时心率q(bpm/min),并保存接收到的运动数据。
5.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,所述步骤4的具体步骤为:
步骤4.1,计算本次执行运动处方的平均强度Qs_mean,并保存,其计算方法为:将所有运动强度数据值相加再除以数据量;
步骤4.2,借助冒泡排序方法,遍历一次运动数据,获取最大值作为运动最大强度Qs_max,并保存;
步骤4.3,从步骤1初始化的运动处方参数中,判断用户运动最高强度限制值Qmax的值是否为空,若是,则赋值Qmax为Qs_max;
步骤4.4,计算本次运动量Ws,并保存,计算方法如下:
运动量等于对每运动数据中的运动强度与采样时间间隔的乘积求和,本发明以积分方式计算,即
步骤4.5,对运动数据中,最后一个运动数据的时间戳减去第一个数据的时间戳再除以60,获得本次运动时长Ts值,数值单位为分钟(min),并保存;
步骤4.6,从步骤1初始化的运动处方参数中,判断用户运动最大时长限制值Tmax是否为空值,若是则赋值Tmax为Ts。
6.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,其中步骤5的具体步骤为:
步骤5.1,从历史数据中判断本次执行运动的运动量Ws是否大于历次执行的运动量,若是则执行步骤5.2,否则结束步骤5;
步骤5.2,从历史数据中判断本次执行运动的平均强度Qs_mean是否大于历次执行的平均强度,若是则将用户运动强度最高限制值Qmax设定为本次运动最大运动强度值Qs_max,并跳过步骤5.3执行步骤5.4,否则执行步骤5.3;
步骤5.3,将用户运动时长最大限制值Tmax设定为本次运动时长Ts;
步骤5.4,从历史数据中比对本次运动时长是否大于历次运动时长,若是则将用户运动时长最大限制值Tmax设定为本次运动时长Ts。
7.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,所述步骤6利用NSGA-II算法计算运动处方参数的具体步骤为:
步骤6.1,判断用户运动强度最高限制Qmax和用户运动时长最大限制值Tmax是否被修改,若是执行步骤6.2,否则结束步骤6;
步骤6.2,设定多目标模型为:目标一、有效运动量W尽可能大,目标二、运动时长Ts尽可能小,条件一、运动强度不能大于用户最大运动强度限制Qmax和运动项目最高强度要求Q_max,且运动强度大于运动最低强度要求Q_min,条件二、运动时长小于用户最大运动时长限制Tmax,条件三、运动处方频率不大于7次/周,条件四、运动量W须大于最小运动量W_min,建立多目标优化模型如下目标函数:
min Ts=T (3)
条件:Qmin≤q≤min(Qmax,Q_max),Ts≤Tmax,0<f≤7,求解参数为:f,T,q,即f为待求解的运动处方频率,T为待求解的运动处方时长,q为待求解的运动处方强度;
其中R(q)为运动强度系数计算公式为:
步骤6.3,随机生成30个预设参数,并修正其中不可行解,生成种群Ps,种群迭代次数置1;
步骤6.4,对种群Ps进行选择、交叉、变异,得到子种群Qs,合并种群Ps和Qs;
其中选择机制为:初次选择运用随机选择方式从种群Ps中选取50%的个体,之后选择约束违反度最高的前50%的个体;交叉机制为:模拟二进制交叉;变异操作概率为1除以种群个体数量即1/30;
步骤6.5,对合并后的种群进行非支配排序得到新种群Ps;
步骤6.6,计算种群Ps中每个个体的约束违反度,计算公式为:
步骤6.7,记录种群迭代次数加1;
步骤6.8,判断种群迭代次数是否大于200次,若是则从骤6.9开始继续执行操作,否则从步骤6.4开始重复操作;
步骤6.9,从种群Ps中获取约束违反度最高的个体作为最优解;
步骤6.10,将最优解的值作为输出结果,得到运动处方参数:强度Q和时长T、运动频率F。
8.如权利要求1所述的一种基于NSGA-II算法的运动处方参数管理方法,其特征在于,所述步骤7具体步骤为:
步骤7.1,判断步骤6是否计算出新的运动处方参数,若有则执行步骤7.2,若没有结束步骤7;
步骤7.2,将步骤6计算所得运动处方强度Q和时长T、频率F赋值到运动处方模型对应参数中,完成对运动处方参数的更新,获得新的运动处方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584799.9A CN111859624B (zh) | 2020-06-24 | 2020-06-24 | 一种基于nsga-ii算法的运动处方参数管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584799.9A CN111859624B (zh) | 2020-06-24 | 2020-06-24 | 一种基于nsga-ii算法的运动处方参数管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859624A true CN111859624A (zh) | 2020-10-30 |
CN111859624B CN111859624B (zh) | 2024-04-26 |
Family
ID=72988465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584799.9A Active CN111859624B (zh) | 2020-06-24 | 2020-06-24 | 一种基于nsga-ii算法的运动处方参数管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859624B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160998A (zh) * | 2021-03-30 | 2021-07-23 | 西安理工大学 | 一种基于差分进化算法的减肥运动处方生成方法 |
CN113379136A (zh) * | 2021-06-21 | 2021-09-10 | 西安理工大学 | 一种基于多目标优化算法的运动计划的生成方法 |
CN113499177A (zh) * | 2021-06-21 | 2021-10-15 | 西安理工大学 | 一种基于人工雨滴算法的运动减肥参数调整方法 |
CN114242204A (zh) * | 2021-12-24 | 2022-03-25 | 珠海格力电器股份有限公司 | 运动策略确定方法及装置 |
CN116959665A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市爱保护科技有限公司 | 运动监测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003094086A2 (en) * | 2002-05-02 | 2003-11-13 | Biotech Research Ventures Pte Limited | Analysis of gene expression data for multi-class prediction |
US20120145152A1 (en) * | 2007-01-04 | 2012-06-14 | Oridion Medical 1987 Ltd. | Integrated pulmonary index for weaning from mechanical ventilation |
CN103942445A (zh) * | 2014-04-30 | 2014-07-23 | 福建师范大学 | 一种健身跑运动方案生成方法 |
WO2017117183A1 (en) * | 2015-12-28 | 2017-07-06 | The University Of North Carolina At Chapel Hill | Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake form submaximal exercise intensities |
CN106971059A (zh) * | 2017-03-01 | 2017-07-21 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
CN109285594A (zh) * | 2018-09-11 | 2019-01-29 | 深圳众赢时代科技有限公司 | 人体3d扫描投影技术 |
-
2020
- 2020-06-24 CN CN202010584799.9A patent/CN111859624B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003094086A2 (en) * | 2002-05-02 | 2003-11-13 | Biotech Research Ventures Pte Limited | Analysis of gene expression data for multi-class prediction |
US20120145152A1 (en) * | 2007-01-04 | 2012-06-14 | Oridion Medical 1987 Ltd. | Integrated pulmonary index for weaning from mechanical ventilation |
CN103942445A (zh) * | 2014-04-30 | 2014-07-23 | 福建师范大学 | 一种健身跑运动方案生成方法 |
WO2017117183A1 (en) * | 2015-12-28 | 2017-07-06 | The University Of North Carolina At Chapel Hill | Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake form submaximal exercise intensities |
CN106971059A (zh) * | 2017-03-01 | 2017-07-21 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
CN109285594A (zh) * | 2018-09-11 | 2019-01-29 | 深圳众赢时代科技有限公司 | 人体3d扫描投影技术 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160998A (zh) * | 2021-03-30 | 2021-07-23 | 西安理工大学 | 一种基于差分进化算法的减肥运动处方生成方法 |
CN113160998B (zh) * | 2021-03-30 | 2023-11-14 | 西安理工大学 | 一种基于差分进化算法的减肥运动处方生成方法 |
CN113379136A (zh) * | 2021-06-21 | 2021-09-10 | 西安理工大学 | 一种基于多目标优化算法的运动计划的生成方法 |
CN113499177A (zh) * | 2021-06-21 | 2021-10-15 | 西安理工大学 | 一种基于人工雨滴算法的运动减肥参数调整方法 |
CN113379136B (zh) * | 2021-06-21 | 2023-06-27 | 西安理工大学 | 一种基于多目标优化算法的运动计划的生成方法 |
CN113499177B (zh) * | 2021-06-21 | 2024-03-19 | 西安理工大学 | 一种基于人工雨滴算法的运动减肥参数调整方法 |
CN114242204A (zh) * | 2021-12-24 | 2022-03-25 | 珠海格力电器股份有限公司 | 运动策略确定方法及装置 |
CN116959665A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市爱保护科技有限公司 | 运动监测方法、装置、设备及存储介质 |
CN116959665B (zh) * | 2023-09-21 | 2023-12-19 | 深圳市爱保护科技有限公司 | 运动监测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111859624B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859624A (zh) | 一种基于nsga-ii算法的运动处方参数管理方法 | |
CN106647262B (zh) | 一种面向敏捷卫星多目标任务规划的差分进化方法 | |
CN104866904B (zh) | 一种基于spark的遗传算法优化的BP神经网络并行化方法 | |
Maghsoudlou et al. | A multi-objective invasive weeds optimization algorithm for solving multi-skill multi-mode resource constrained project scheduling problem | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
CN107168267A (zh) | 基于改进粒子群与启发式策略的生产排产方法及系统 | |
Yadav et al. | An overview of genetic algorithm and modeling | |
CN115203839B (zh) | 一种高铁填料振动压实的参数优化方法及系统 | |
CN108564592A (zh) | 基于动态多种群集成差分进化算法的图像分割方法 | |
CN111062119A (zh) | 一种建设项目多目标优化方法 | |
CN1450493A (zh) | 实现遗传算法的神经网络系统 | |
CN113487165A (zh) | 基于深度强化学习的智能工厂生产作业调度方法及系统 | |
CN110852589A (zh) | 一种基于能力评估的众包任务匹配方法 | |
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 | |
CN112015719A (zh) | 基于正则化和自适应遗传算法的水文预测模型的构建方法 | |
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 | |
Ho et al. | A Bayesian level-k model in n-person games | |
CN108052696A (zh) | 利用粒子群算法的三值fprm电路面积与延时优化方法 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN115048804A (zh) | 一种城市管网多传感器优化部署方法 | |
Arifovic et al. | Revisiting individual evolutionary learning in the cobweb model–an illustration of the virtual spite-effect | |
CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
CN110110447A (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
CN113449182A (zh) | 一种知识信息个性化推荐方法及系统 | |
CN112148446A (zh) | 一种用于多技能资源受限项目调度的进化策略算法 |
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 |