CN111933249B - 基于改进协同过滤ItemCF算法的运动处方生成方法 - Google Patents
基于改进协同过滤ItemCF算法的运动处方生成方法 Download PDFInfo
- Publication number
- CN111933249B CN111933249B CN202010742958.3A CN202010742958A CN111933249B CN 111933249 B CN111933249 B CN 111933249B CN 202010742958 A CN202010742958 A CN 202010742958A CN 111933249 B CN111933249 B CN 111933249B
- Authority
- CN
- China
- Prior art keywords
- motion
- exercise
- sports
- attribute
- item
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001914 filtration Methods 0.000 title claims abstract description 18
- 230000033001 locomotion Effects 0.000 claims abstract description 321
- 230000000694 effects Effects 0.000 claims abstract description 73
- 238000013139 quantization Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011002 quantification Methods 0.000 claims description 19
- 210000002414 leg Anatomy 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 16
- 210000003423 ankle Anatomy 0.000 claims description 12
- 210000001217 buttock Anatomy 0.000 claims description 12
- 210000004072 lung Anatomy 0.000 claims description 12
- 210000003205 muscle Anatomy 0.000 claims description 12
- 238000007493 shaping process Methods 0.000 claims description 12
- 210000000689 upper leg Anatomy 0.000 claims description 12
- 210000000707 wrist Anatomy 0.000 claims description 12
- 239000013585 weight reducing agent Substances 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 244000309466 calf Species 0.000 claims description 6
- 210000000617 arm Anatomy 0.000 claims 4
- 210000000038 chest Anatomy 0.000 claims 4
- 210000003128 head Anatomy 0.000 claims 4
- 210000001624 hip Anatomy 0.000 claims 4
- 210000003739 neck Anatomy 0.000 claims 4
- 210000002832 shoulder Anatomy 0.000 claims 4
- 230000001351 cycling effect Effects 0.000 description 16
- 230000000386 athletic effect Effects 0.000 description 3
- 230000037147 athletic performance Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physical Education & Sports Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种基于改进协同过滤ItemCF算法的运动处方生成方法,步骤为:步骤1,收集运动项目并划分为运动效果属性,作用对象属性,运动条件属性;对运动效果属性、作用对象属性进行量化建立运动项目量化数据库;步骤2,计算运动效果属性在数据库中的分布;步骤3,获取用户输入数据,根据运动数据建立理想运动量化模型;步骤4,根据理想运动量化模型,利用改进的协同过滤ItemCF算法计算运动量化数据库中所有运动对用户输入的适应度;步骤5,筛选适应度最高的运动项目,设定运动强度,运动频率和运动时长,生成运动处方;步骤6,收集新的用户输入数据,从步骤3开始,重复步骤3到步骤5获得新的运动处方。本发明解决了现有技术中存在的运动处方生成结果不符合用户运动能力和运动条件的问题。
Description
技术领域
本发明属于运动处方生成技术领域,涉及一种基于改进协同过滤ItemCF算法的运动处方生成方法。
背景技术
人们普遍喜欢通过体育运动增强体质保持身心健康,而今伴随物质文明的丰富,人们对体育运动有了更多的要求。运动处方是运动干预健康的有效手段,根据科学的方法设定运动方案能确保运动效力,避免运动损伤。计算机技术生成运动处方正是为了方便人们获取适合自身需求和条件的运动处方而兴起的研究领域,其主要采用相似度推荐、决策树、数据挖掘等方法实现运动处方的生成或推荐,而这些方法都忽视了用户的偏好和个性化差异,使得运动处方的推荐或生成结果不够准确。
发明内容
本发明的目的是提供一种基于改进协同过滤ItemCF算法的运动处方生成方法解决了现有技术中存在的运动处方生成结果不符合用户运动能力和运动条件的问题。
本发明所采用的技术方案是,
基于改进协同过滤ItemCF算法的运动处方生成方法,具体步骤为:
步骤1,收集运动项目,通过属性将运动项目划分为运动效果属性,作用对象属性,运动条件属性;对运动效果属性、作用对象属性进行量化得到量化数据,从而建立运动项目量化数据库;
步骤2,计算运动效果属性在数据库中的分布;
步骤3,获取用户输入数据,根据运动数据利用步骤1的量化方法建立理想运动量化模型;
步骤4,根据理想运动量化模型,利用改进的协同过滤ItemCF算法,计算运动量化数据库中所有运动对用户输入的适应度;
步骤5,筛选适应度最高的运动项目,设定运动强度,运动频率和运动时长,生成运动处方;
步骤6,收集新的用户输入数据,从步骤3开始,重复步骤3到步骤5获得新的运动处方。
步骤1的具体步骤为:
步骤1.1,收集运动项目,每个运动项目内容包含运动项目名称,运动处方类型,其值为有氧、力量、柔韧中的一种,运动效果,其值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种,作用对象,其值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种,运动条件属性,其内容包含运动项目的运动强度,运动时长和运动频率;
其中运动强度以每分钟心率指标刻画,单位bmp,运动时长以分钟为单位,单位min,运动频率以每周运动次数刻画,单位次/周。
步骤1.2,对收集的所有运动项目的效果属性和作用对象属性进行量化,利用one-hot标签方法量化,其具体量化方法如下:
运动效果属性量化,针对运动项目i,建立十一位的效果属性向量E(i),分别对应减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺,对于所量化的运动项目i所具有的运动效果属性,在效果属性向量对应位置设定值为1,不具有的属性对应位置设定值为0;
运动作用对象属性量化,采用与运动效果属性量化相同的方法,针对运动项目i,建立十六位的作用对象属性向量T(i),分别对应全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌,对所计算的运动项目i所具有的作用对象属性,在作用对象属性向量中对应位置设定值为1,不具有的属性对应位置设定值为0;
特别地,运动对象属性量化中,若运动项目i作用对象属性包含全身这一种类,则作用对象属性向量T(i)中所有值都设定为1;
步骤1.3,生成运动项目量化数据,针对收集到的每个运动项目i,建立运动项目量化数据N(i),其内容包含运动名称,运动效果属性,运动作用对象属性,运动效果属性向量E(i),运动作用对象属性向量T(i),运动强度Q(i),运动时长D(i),运动频率F(i),并储存;
所述运动强度Q(i)等于当前所量化的运动项目i的运动条件属性中的运动强度值,运动时长D(i)等于当前所量化的运动项目i的运动条件属性中的运动时长值,运动频率属性F(i)等于当前所量化的运动项目i的运动条件属性中的运动频率值。
步骤2包括:
步骤2.1,计算每个运动效果分布百分比,运动效果u在数据库中的分布百分比为p(u)等于含有此运动效果的运动项目数量除以运动数据库中总运动项目数量;
步骤2.2,将步骤2.1的计算结果储存到数据库中。
步骤3包括:
步骤3.1,获取用户输入,其内容包含如下:
1)运动处方类型,有氧、力量、柔韧中的一种;
2)用户运动需求,其内容包含运动目的和作用对象,运动目的的值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种,对应于运动项目中的运动效果属性,作用对象的值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种,对应于运动项目中的作用对象属性;
3)运动强度q,表示用户愿意或能付出的最大运动强度,以每分钟心率表示,单位为bmp;
4)运动条件,包含运动时长t和运动频率f,单位分别为min和次/周;
步骤3.2,量化运动需求输入,针对用户运动需求,建立十一位的运动需求量化向量Em,利用one-hot标签,对减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中用户所具有的输入,在运动需求量化向量Em对应位置设定值为1,其余值为0;
建立十六位的作用对象量化向量Tm,对全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌重,用户所具有的输入,在作用对象量化向量Tm对应位置元素值设定为1,其余值为0;
特别地,当作用对象输入值中包含全身时,其作用对象量化向量Tm的每个元素值全为1;
步骤3.3,建立理想运动量化模型M,其数据结构包含用户输入的运动处方类型,运动需求,运动需求量化向量Em,作用对象量化向量Tm,运动强度q,运动时长t,运动频率f。
步骤4包括:
步骤4.1,针对数据库中的每个运动项目i,利用运动项目i的量化数据N(i)计算运动项目i对用户输入的适应度R(i),计算方法如下:
其中E(i)为运动项目量化数据N(i)中的效果属性向量,Em为基于用户输入的运动需求量化向量,T(i)为运动项目量化数据N(i)中的作用对象属性向量,Tm为基于用户输入的作用对象量化向量,Q(i)为运动项目量化数据N(i)中的运动强度,D(i)为运动项目量化数据N(i)的运动时长,F(i)为运动项目量化数据N(i)的运动频率,q为用户输入的运动强度,d为用户输入的运动时长,f为用户输入的频率,p(u)为运动效果u在数据库中的分布;
其中为运动条件匹配因子,用于判断当前参与计算的运动项目在运动强度、运动时长、运动频率方面的要求与当前所计算的用户的运动强度、运动时长和运动频率的匹配程度,计算数值越大,匹配程度越高。
其中w(u)为当前计算R(i)中,用户对效果u的权重,其计算方法如下:
步骤4.2,收集每个运动项目对用户输入的适应度计算结果,获得所有运动项目对用户输入的适应度R。
步骤5包括:
步骤5,生成运动处方的具体方法为:
步骤5.1,对步骤4收集的运动项目适应度R,按照值从大到小的顺序进行排序,将排序第一的适应度值所对应的运动项目s作为运动处方选定的运动项目,其量化数据为N(s);
步骤5.2,设定运动处方参数,从N(s)中获取选定运动项目s的运动强度Q(s),运动时长D(s),运动频率F(s),根据用户输入的运动强度q、运动时长d和运动频率f设定运动处方参数,其方法如下:
1)运动强度
当用户输入运动强度q大于选定运动项目运动强度Q(s),则运动处方运动强度设定为Q(s),否则设定运动处方的运动强度值为q;
2)运动时长
设定运动处方运动时长,其值等于Q(s)乘以D(s)的乘机除以所求得的运动处方强度;
3)运动频率
设定运动处方频率为F(s);
步骤5.3,生成运动处方,收集步骤5.2的计算结果,输出运动处方内容包含选定的运动项目,设定的运动强度、运动时长、运动频率。
本发明的有益效果是
本发明基于协同过滤ItemCF算法,加入兴趣矩阵和运动条件匹配因子,实现运动处方的个性化制定,保证运动项目符合运动者喜好,且满足运动者运动强度和运动时间等客观条件,改进点包含加入权值矩阵对某些运动属性进行聚焦以妥协条件限定,计算过程中加入运动效果属性的分布比例以稀疏化推荐结果,增强算法鲁棒性。
附图说明
图1是本发明基于改进协同过滤ItemCF算法的运动处方生成方法的步骤图;
图2是本发明基于改进协同过滤ItemCF算法的运动处方生成方法的示意图。
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。
本发明基于改进协同过滤ItemCF算法的运动处方生成方法,如图1和图2具体步骤为:
步骤1,收集运动项目,通过属性将运动项目划分为运动效果属性,作用对象属性,运动条件属性;对运动效果属性、作用对象属性进行量化得到量化数据,从而建立运动项目量化数据库;
步骤2,计算运动效果属性在数据库中的分布;
步骤3,获取用户输入数据,根据运动数据利用步骤1的量化方法建立理想运动量化模型;
步骤4,根据理想运动量化模型,利用改进的协同过滤ItemCF算法,计算运动量化数据库中所有运动对用户输入的适应度;
步骤5,筛选适应度最高的运动项目,设定运动强度,运动频率和运动时长,生成运动处方;
步骤6,收集新的用户输入数据,从步骤3开始,重复步骤3到步骤5获得新的运动处方。
步骤1的具体步骤为:
步骤1.1,收集运动项目,每个运动项目内容包含运动项目名称,运动处方类型,其值为有氧、力量、柔韧中的一种,运动效果,其值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种,作用对象,其值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种,运动条件属性,其内容包含运动项目的运动强度,运动时长和运动频率;
其中运动强度以每分钟心率指标刻画,单位bmp,运动时长以分钟为单位,单位min,运动频率以每周运动次数刻画,单位次/周。
步骤1.2,对收集的所有运动项目的效果属性和作用对象属性进行量化,利用one-hot标签方法量化,其具体量化方法如下:
运动效果属性量化,针对运动项目i,建立十一位的效果属性向量E(i),分别对应减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺,对于所量化的运动项目i所具有的运动效果属性,在效果属性向量对应位置设定值为1,不具有的属性对应位置设定值为0;
运动作用对象属性量化,采用与运动效果属性量化相同的方法,针对运动项目i,建立十六位的作用对象属性向量T(i),分别对应全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌,对所计算的运动项目i所具有的作用对象属性,在作用对象属性向量中对应位置设定值为1,不具有的属性对应位置设定值为0;
特别地,运动对象属性量化中,若运动项目i作用对象属性包含全身这一种类,则作用对象属性向量T(i)中所有值都设定为1;
步骤1.3,生成运动项目量化数据,针对收集到的每个运动项目i,建立运动项目量化数据N(i),其内容包含运动名称,运动效果属性,运动作用对象属性,运动效果属性向量E(i),运动作用对象属性向量T(i),运动强度Q(i),运动时长D(i),运动频率F(i),并储存;
所述运动强度Q(i)等于当前所量化的运动项目i的运动条件属性中的运动强度值,运动时长D(i)等于当前所量化的运动项目i的运动条件属性中的运动时长值,运动频率属性F(i)等于当前所量化的运动项目i的运动条件属性中的运动频率值。
步骤2包括:
步骤2.1,计算每个运动效果分布百分比,运动效果u在数据库中的分布百分比为p(u)等于含有此运动效果的运动项目数量除以运动数据库中总运动项目数量;
步骤2.2,将步骤2.1的计算结果储存到数据库中。
步骤3包括:
步骤3.1,获取用户输入,其内容包含如下:
1)运动处方类型,有氧、力量、柔韧中的一种;
2)用户运动需求,其内容包含运动目的和作用对象,运动目的的值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种,对应于运动项目中的运动效果属性,作用对象的值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种,对应于运动项目中的作用对象属性;
3)运动强度q,表示用户愿意或能付出的最大运动强度,以每分钟心率表示,单位为bmp;
4)运动条件,包含运动时长t和运动频率f,单位分别为min和次/周;
步骤3.2,量化运动需求输入,针对用户运动需求,建立十一位的运动需求量化向量Em,利用one-hot标签,对减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中用户所具有的输入,在运动需求量化向量Em对应位置设定值为1,其余值为0;
建立十六位的作用对象量化向量Tm,对全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌重,用户所具有的输入,在作用对象量化向量Tm对应位置元素值设定为1,其余值为0;
特别地,当作用对象输入值中包含全身时,其作用对象量化向量Tm的每个元素值全为1;
步骤3.3,建立理想运动量化模型M,其数据结构包含用户输入的运动处方类型,运动需求,运动需求量化向量Em,作用对象量化向量Tm,运动强度q,运动时长t,运动频率f。
步骤4包括:
步骤4.1,针对数据库中的每个运动项目i,利用运动项目i的量化数据N(i)计算运动项目i对用户输入的适应度R(i),计算方法如下:
其中E(i)为运动项目量化数据N(i)中的效果属性向量,Em为基于用户输入的运动需求量化向量,T(i)为运动项目量化数据N(i)中的作用对象属性向量,Tm为基于用户输入的作用对象量化向量,Q(i)为运动项目量化数据N(i)中的运动强度,D(i)为运动项目量化数据N(i)的运动时长,F(i)为运动项目量化数据N(i)的运动频率,q为用户输入的运动强度,d为用户输入的运动时长,f为用户输入的频率,p(u)为运动效果u在数据库中的分布;
其中w(u)为当前计算R(i)中,用户对效果u的权重,其计算方法如下:
步骤4.2,收集每个运动项目对用户输入的适应度计算结果,获得所有运动项目对用户输入的适应度R。
步骤5包括:
步骤5,生成运动处方的具体方法为:
步骤5.1,对步骤4收集的运动项目适应度R,按照值从大到小的顺序进行排序,将排序第一的适应度值所对应的运动项目s作为运动处方选定的运动项目,其量化数据为N(s);
步骤5.2,设定运动处方参数,从N(s)中获取选定运动项目s的运动强度Q(s),运动时长D(s),运动频率F(s),根据用户输入的运动强度q、运动时长d和运动频率f设定运动处方参数,其方法如下:
1)运动强度
当用户输入运动强度q大于选定运动项目运动强度Q(s),则运动处方运动强度设定为Q(s),否则设定运动处方的运动强度值为q;
2)运动时长
设定运动处方运动时长,其值等于Q(s)乘以D(s)的乘机除以所求得的运动处方强度;
3)运动频率
设定运动处方频率为F(s);
步骤5.3,生成运动处方,收集步骤5.2的计算结果,输出运动处方内容包含选定的运动项目,设定的运动强度、运动时长、运动频率。
实施例1
下面结合实施,从步骤1到步骤5,例介绍基于改进协同过滤ItemCF算法计算运动项目对用户输入的适应度的计算过程:
步骤1.1,
建立运动处方运动项目数据库,初次使用本发明生成运动处方之前,需要收集足够多的运动处方运动项目,每个运动项目的收集内容包含运动项目名称、运动处方类型、运动效果、作用对象、运动强度、运动时长和运动频率;例如对骑车运动项目的收集内容为:运动项目名称为骑车,运动处方类型为有氧,运动效果包含减脂瘦身、锻炼平衡、减压、增强力量,作用对象为全身,运动强度143bmp,运动时长为50min,运动频率3次/周;
步骤1.2,
量化收集到的每个运动项目,例如骑车运动项目量化结果为:运动效果属性量化为E(骑车运动)=[1,1,1,0,0,0,1,0,0,0,0]T,运动作用对象属性量化为T(骑车运动)=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]T,运动强度为Q(骑车运动)=143bmp,运动时长为T(骑车运动)=50min,运动频率为F(骑车运动)=3次/周;
步骤1.3,
对收集到的每一个运动处方运动项目i以及其量化结果,组成结构化数据N(i),包含运动项目名称,运动效果属性,运动作用对象属性,运动效果属性向量E(i),运动作用对象属性向量T(i),运动强度Q(i),运动时长D(i),运动频率F(i),并储存;
步骤2,
计算每个运动效果属性的百分比分布,遍历收集的所有运动项目,统计运动项目总数量SportsNum,记录包含运动效果u的运动项目数量sum(u),随后计算出运动效果u的百分比分布,即
步骤3.1,
获取用户输入运动类型为有氧运动,运动需求中的运动目的为减脂瘦身,作用对象为全身,运动强度为130bmp,运动时长为45m,每周运动频率为4次/周;
步骤3.2,
量化用户输入,用户运动需求量化向量为[1,0,0,0,0,0,1,0,0,0,0]T,运动作用对象量化向量为=[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T;
步骤3.3,
获得理想运动项目M:运动效果量化向量Em=[1,0,0,0,0,0,1,0,0,0,0]T,运动目标量化向量Tm=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]T,q=130bmp,t=45min,f=4次/周;
步骤4.1,
获取每个运动项目的量化数据,利用改进的协同过滤ItemCF算法计算每个运动项目的适应度。以骑车运动项目为例,骑车运动项目量化数据N(骑车):运动效果包含减脂瘦身、锻炼平衡、减压、增强力量,作用对象为全身,运动效果量化向量E(骑车运动)=[1,1,1,0,0,0,1,0,0,0,0]T,运动目标量化矩阵T(骑车运动)=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]T,Q(骑车运动)=143bmp,D(骑车运动)=50min,F(骑车运动)=3次/周;
减脂瘦身效果分布百分比为:p(减脂瘦身)=90%;增强有氧能力效果分布百分比为:p(增强有氧能力)=40%
得到骑车运动项目适应度R(骑车)=1.11081491;并依照上述方法计算所有运动项目适应度;
步骤4.2,
收集每个运动项目适应度计算结果;
依照上述步骤计算每个运动项目针对用户输入的适应度能获取到运动项目与用户需求的匹配程度,进而依据适应度指标选择最适合用户输入的运动项目,再利用步骤5提供的方法生成运动处方;
步骤5.1,
收集步骤4计算的适应度结果,以适应度大小从大到小对运动项目进行排序,将排在第一的运动项目作为运动处方选定运动项目;
步骤5.2,
选定运动项目后,设定运动处方参数,包括:运动强度、运动时长、运动频率值,下面以选定运动项目为骑车,且用户输入运动条件为q=130bmp,t=45min,f=4次/周为例说明运动参数制定:
1)用户输入运动强度q=130bmp,骑车运动的运动强度Q(骑车运动)=143bm,由于q小于Q(骑车运动),因此运动处方的运动强度设定为130bmp;
2)骑车运动的运动时长为D(骑车运动)=50min,骑车运动的运动强度Q(骑车运动)=143bmp,运动处方运动时长为即运动处方运动时长为55min;
3)设定运动处方运动频率为F(骑车运动),即3次/周;
步骤5.3
输出运动处方,运动项目为骑车运动,运动强度为130bmp,运动时长为55min,运动频率为3次/周;
本发明通过量化运动项目和用户输入,实现运动数据库中的运动项目与用户输入之间的匹配计算。通过改进协同过滤ItemCF算法,加入运动属性的权值计算和运动参数匹配计算,提高运动项目筛选精度。将用户输入转化成理想运动项目模型,计算所有运动项目针对用户输入的适应度,获得适应度最高的运动项目作为运动处方运动项目,并进一步获得运动处方参数生成运动处方。所得的运动处方具有针对性强,符合用户运动需求,满足用户运动条件的特点。
Claims (1)
1.基于改进协同过滤ItemCF算法的运动处方生成方法,具体步骤为:
步骤1,收集运动项目,通过属性将运动项目划分为运动效果属性,作用对象属性,运动条件属性;对运动效果属性、作用对象属性进行量化得到量化数据,从而建立运动项目量化数据库;
步骤2,计算运动效果属性在数据库中的分布;
步骤3,获取用户输入数据,根据运动数据利用步骤1的量化方法建立理想运动量化模型;
步骤4,根据理想运动量化模型,利用改进的协同过滤ItemCF算法,计算运动量化数据库中所有运动对用户输入的适应度;
步骤5,筛选适应度最高的运动项目,设定运动强度,运动频率和运动时长,生成运动处方;
步骤6,收集新的用户输入数据,从步骤3开始,重复步骤3到步骤5获得新的运动处方;
步骤1的具体步骤为:
步骤1.1,收集运动项目,每个运动项目内容包含运动项目名称,运动处方类型,其值为有氧、力量、柔韧中的一种,运动效果,其值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种,作用对象,其值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种,运动条件属性,其内容包含运动项目的运动强度,运动时长和运动频率;
其中运动强度以每分钟心率指标刻画,单位bmp,运动时长以分钟为单位,单位min,运动频率以每周运动次数刻画,单位次/周;
步骤1.2,对收集的所有运动项目的效果属性和作用对象属性进行量化,利用one-hot标签方法量化,其具体量化方法如下:
运动效果属性量化,针对运动项目i,建立十一位的效果属性向量E(i),分别对应减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺,对于所量化的运动项目i所具有的运动效果属性,在效果属性向量对应位置设定值为1,不具有的属性对应位置设定值为0;
运动作用对象属性量化,采用与运动效果属性量化相同的方法,针对运动项目i,建立十六位的作用对象属性向量T(i),分别对应全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌,对所计算的运动项目i所具有的作用对象属性,在作用对象属性向量中对应位置设定值为1,不具有的属性对应位置设定值为0;
特别地,运动对象属性量化中,若运动项目i作用对象属性包含全身这一种类,则作用对象属性向量T(i)中所有值都设定为1;
步骤1.3,生成运动项目量化数据,针对收集到的每个运动项目i,建立运动项目量化数据N(i),其内容包含运动名称,运动效果属性,运动作用对象属性,运动效果属性向量E(i),运动作用对象属性向量T(i),运动强度Q(i),运动时长D(i),运动频率F(i),并储存;
所述运动强度Q(i)等于当前所量化的运动项目i的运动条件属性中的运动强度值,运动时长D(i)等于当前所量化的运动项目i的运动条件属性中的运动时长值,运动频率属性F(i)等于当前所量化的运动项目i的运动条件属性中的运动频率值;
步骤2包括:
步骤2.1,计算每个运动效果分布百分比,运动效果u在数据库中的分布百分比为p(u)等于含有此运动效果的运动项目数量除以运动数据库中总运动项目数量;
步骤2.2,将步骤2.1的计算结果储存到数据库中;
步骤3包括:
步骤3.1,获取用户输入,其内容包含如下:
1)运动处方类型,有氧、力量、柔韧中的一种;
2)用户运动需求,其内容包含运动目的和作用对象,运动目的的值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种,对应于运动项目中的运动效果属性,作用对象的值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种,对应于运动项目中的作用对象属性;
3)运动强度q,表示用户愿意或能付出的最大运动强度,以每分钟心率表示,单位为bmp;
4)运动条件,包含运动时长t和运动频率f,单位分别为min和次/周;
步骤3.2,量化运动需求输入,针对用户运动需求,建立十一位的运动需求量化向量Em,利用one-hot标签,对减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中用户所具有的输入,在运动需求量化向量Em对应位置设定值为1,其余值为0;
建立十六位的作用对象量化向量Tm,对全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌重,用户所具有的输入,在作用对象量化向量Tm对应位置元素值设定为1,其余值为0;
特别地,当作用对象输入值中包含全身时,其作用对象量化向量Tm的每个元素值全为1;
步骤3.3,建立理想运动量化模型M,其数据结构包含用户输入的运动处方类型,运动需求,运动需求量化向量Em,作用对象量化向量Tm,运动强度q,运动时长t,运动频率f;
步骤4包括:
步骤4.1,针对数据库中的每个运动项目i,利用运动项目i的量化数据N(i)计算运动项目i对用户输入的适应度R(i),计算方法如下:
其中E(i)为运动项目量化数据N(i)中的效果属性向量,Em为基于用户输入的运动需求量化向量,T(i)为运动项目量化数据N(i)中的作用对象属性向量,Tm为基于用户输入的作用对象量化向量,Q(i)为运动项目量化数据N(i)中的运动强度,D(i)为运动项目量化数据N(i)的运动时长,F(i)为运动项目量化数据N(i)的运动频率,q为用户输入的运动强度,d为用户输入的运动时长,f为用户输入的频率,p(u)为运动效果u在数据库中的分布;
其中为运动条件匹配因子,用于判断当前参与计算的运动项目在运动强度、运动时长、运动频率方面的要求与当前所计算的用户的运动强度、运动时长和运动频率的匹配程度,计算数值越大,匹配程度越高;
其中w(u)为当前计算R(i)中,用户对效果u的权重,其计算方法如下:
步骤4.2,收集每个运动项目对用户输入的适应度计算结果,获得所有运动项目对用户输入的适应度R;
步骤5包括:
步骤5,生成运动处方的具体方法为:
步骤5.1,对步骤4收集的运动项目适应度R,按照值从大到小的顺序进行排序,将排序第一的适应度值所对应的运动项目s作为运动处方选定的运动项目,其量化数据为N(s);
步骤5.2,设定运动处方参数,从N(s)中获取选定运动项目s的运动强度Q(s),运动时长D(s),运动频率F(s),根据用户输入的运动强度q、运动时长d和运动频率f设定运动处方参数,其方法如下:
1)运动强度
当用户输入运动强度q大于选定运动项目运动强度Q(s),则运动处方运动强度设定为Q(s),否则设定运动处方的运动强度值为q;
2)运动时长
设定运动处方运动时长,其值等于Q(s)乘以D(s)的乘机除以所求得的运动处方强度;
3)运动频率
设定运动处方频率为F(s);
步骤5.3,生成运动处方,收集步骤5.2的计算结果,输出运动处方内容包含选定的运动项目,设定的运动强度、运动时长、运动频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010742958.3A CN111933249B (zh) | 2020-07-29 | 2020-07-29 | 基于改进协同过滤ItemCF算法的运动处方生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010742958.3A CN111933249B (zh) | 2020-07-29 | 2020-07-29 | 基于改进协同过滤ItemCF算法的运动处方生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111933249A CN111933249A (zh) | 2020-11-13 |
CN111933249B true CN111933249B (zh) | 2024-03-19 |
Family
ID=73314798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010742958.3A Active CN111933249B (zh) | 2020-07-29 | 2020-07-29 | 基于改进协同过滤ItemCF算法的运动处方生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111933249B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114376543B (zh) * | 2022-03-21 | 2022-12-16 | 北京康爱医疗科技股份有限公司 | 一种基于心率和运动反馈调整运动组合方案的方法及系统 |
CN116525061B (zh) * | 2023-03-09 | 2024-04-02 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN117271607A (zh) * | 2023-10-10 | 2023-12-22 | 西南交通大学 | 一种生成运动处方的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011025075A1 (ko) * | 2009-08-28 | 2011-03-03 | (주)누가의료기 | 운동 처방 시스템 |
WO2015065298A1 (en) * | 2013-10-30 | 2015-05-07 | Mehmet Tansu | Method for preparing a customized exercise strategy |
CN110083764A (zh) * | 2019-04-11 | 2019-08-02 | 东华大学 | 一种协同过滤算法冷启动问题的解决方法 |
KR102022628B1 (ko) * | 2018-08-17 | 2019-09-18 | 주식회사 휴바이오센트릭 | 토탈 라이프 스타일 개선 디바이스, 방법 및 컴퓨터 프로그램 |
CN110851731A (zh) * | 2019-09-25 | 2020-02-28 | 浙江工业大学 | 一种用户属性耦合相似和兴趣语义相似的协同过滤推荐方法 |
-
2020
- 2020-07-29 CN CN202010742958.3A patent/CN111933249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011025075A1 (ko) * | 2009-08-28 | 2011-03-03 | (주)누가의료기 | 운동 처방 시스템 |
WO2015065298A1 (en) * | 2013-10-30 | 2015-05-07 | Mehmet Tansu | Method for preparing a customized exercise strategy |
KR102022628B1 (ko) * | 2018-08-17 | 2019-09-18 | 주식회사 휴바이오센트릭 | 토탈 라이프 스타일 개선 디바이스, 방법 및 컴퓨터 프로그램 |
CN110083764A (zh) * | 2019-04-11 | 2019-08-02 | 东华大学 | 一种协同过滤算法冷启动问题的解决方法 |
CN110851731A (zh) * | 2019-09-25 | 2020-02-28 | 浙江工业大学 | 一种用户属性耦合相似和兴趣语义相似的协同过滤推荐方法 |
Non-Patent Citations (2)
Title |
---|
Combining Sentiment Analysis With a Fuzzy Kano Model for Product Aspect Preference Recommendation;Jinming Zhang;IEEE;全文 * |
嵌入LDA主题模型的协同过滤推荐算法;高娜;杨明;;计算机科学(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111933249A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111933249B (zh) | 基于改进协同过滤ItemCF算法的运动处方生成方法 | |
CN109966726B (zh) | 规划健身课程参数方法及系统 | |
Millet et al. | Modelling the transfers of training effects on performance in elite triathletes | |
Hiilloskorpi et al. | Use of heart rate to predict energy expenditure from low to high activity levels | |
Van der Woude et al. | Aerobic work capacity in elite wheelchair athletes: a cross-sectional analysis | |
CN111640483A (zh) | 基于akc模型的健身方案推荐方法 | |
Rudsits et al. | Force-velocity test on a stationary cycle ergometer: methodological recommendations | |
Lee et al. | Elbow plank exercise improves immunocyte function and physical fitness in an elderly male: a case study | |
Garcin et al. | Perceptual responses in free vs. constant pace exercise | |
Tartaruga et al. | The influence of the allometric scale on the relationship between running economy and biomechanical variables in distance runners | |
Conti et al. | Kettlebell Sport: Endurance weight lifting. Description and analysis of the performance model | |
Zhang et al. | Test verification and design of the bicycle frame parameters | |
Rannama et al. | Pedalling technique and postural stability during incremental cycling exercise–relationship with cyclist FMS TM score | |
CN113160998B (zh) | 一种基于差分进化算法的减肥运动处方生成方法 | |
Lyubina et al. | Fitness model for senior women for working capacity and improved functionality | |
Piven et al. | A dependence of a sports result on physical development, morphofunctional and special strength preparedness data of weightlifters at the stage of preliminary basic training | |
CN109871969A (zh) | 一种科学运动健身指导系统 | |
Tredrea et al. | Load centralization does not affect the kinetic and kinematic output of countermovement jumps | |
Fan et al. | A One-Dimensional Residual Network and Physical Fitness-Based Exercise Prescription Recommendation Method | |
Stewart et al. | Self selection of athletes into sports via skeletal ratios | |
Гакман et al. | Health effects of aqua fitness on the body of women of the first mature age | |
CN117194746A (zh) | 一种基于数据分析的健身方案推荐方法及系统 | |
Rendos et al. | Interactive effects of body position and perceived exertion during spinning exercises | |
Fister Jr et al. | SportyDataGen: an online generator of endurance sports activity collections | |
CN117271607A (zh) | 一种生成运动处方的方法 |
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 |