CN111938580A - 人体日常运动中摄氧量的测试方法、装置、计算机设备 - Google Patents

人体日常运动中摄氧量的测试方法、装置、计算机设备 Download PDF

Info

Publication number
CN111938580A
CN111938580A CN202010633357.9A CN202010633357A CN111938580A CN 111938580 A CN111938580 A CN 111938580A CN 202010633357 A CN202010633357 A CN 202010633357A CN 111938580 A CN111938580 A CN 111938580A
Authority
CN
China
Prior art keywords
human body
daily
data
oxygen uptake
heart rate
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
CN202010633357.9A
Other languages
English (en)
Inventor
宋亚锋
孙文卿
颜井赞
王浩
李镇清
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.)
Beijing Sport University
Original Assignee
Beijing Sport University
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 Beijing Sport University filed Critical Beijing Sport University
Priority to CN202010633357.9A priority Critical patent/CN111938580A/zh
Publication of CN111938580A publication Critical patent/CN111938580A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G06N3/04—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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种人体日常运动中摄氧量的测试方法、装置、计算机设备。其中，所述方法包括：采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，和将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵，以及根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量。通过上述方式，能够实现在人体日常运动中进行摄氧量的测试。

Description

人体日常运动中摄氧量的测试方法、装置、计算机设备
技术领域
本发明涉及摄氧量技术领域，尤其涉及一种人体日常运动中摄氧量的测试方法、装置、计算机设备。
背景技术
摄氧量是指在人体进行运动时，所能摄入的氧气含量。摄氧量作为耐力运动员的重要选材依据之一，是反映人体有氧运动能力的重要指标，是有氧运动能力的基础。
摄氧量既可以通过氧热价与能量消耗进行换算，也可以通过与安静状态下的摄氧量比值来横向比较不同运动项目的强度关系，因此具有非常重要的意义。
然而，现有的人体运动中摄氧量的测试方案，一般是采用人体佩戴呼吸面罩连接气体分析仪的方式，来进行人体运动中摄氧量的测试，但是该气体分析仪是非常精密的仪器，只能存在于实验研究室，而人体日常运动一般是在户外环境中进行，导致无法实现在人体日常运动中进行摄氧量的测试。
发明内容
有鉴于此，本发明的目的在于提出一种人体日常运动中摄氧量的测试方法、装置、计算机设备，能够实现在人体日常运动中进行摄氧量的测试。
根据本发明的一个方面，提供一种人体日常运动中摄氧量的测试方法，包括：采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据；将所述呼吸频率数据、心率数据、心率变异性数据，表示为多元特征矩阵；根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
其中，所述采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据，包括：采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据。
其中，所述将所述呼吸频率数据、心率数据、心率变异性数据，表示为多元特征矩阵，包括：将所述呼吸频率数据、心率数据、心率变异性数据中的呼吸特征以预设时间为单位提取出来，将所述呼吸特征表示为多元特征矩阵。
其中，所述根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量，包括：根据所述多元特征矩阵，采用两层网络层和两层全连接层以及所述两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
其中，在所述根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量之后，还包括：
根据所述推算的摄氧量，控制所述人体日常运动中的运动强度。
根据本发明的另一个方面，提供一种人体日常运动中摄氧量的测试装置，包括：采集模块、表示模块和推算模块；所述采集模块，用于采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据；所述表示模块，用于将所述呼吸频率数据、心率数据、心率变异性数据，表示为多元特征矩阵；所述推算模块，用于根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
其中，所述采集模块，具体用于：采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据。
其中，所述表示模块，具体用于：将所述呼吸频率数据、心率数据、心率变异性数据中的呼吸特征以预设时间为单位提取出来，将所述呼吸特征表示为多元特征矩阵。
其中，所述推算模块，具体用于：根据所述多元特征矩阵，采用两层网络层和两层全连接层以及所述两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
其中，所述人体日常运动中摄氧量的测试装置，还包括：控制模块；所述控制模块，用于根据所述推算的摄氧量，控制所述人体日常运动中的运动强度。
根据本发明的又一个方面，提供一种计算机设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的人体日常运动中摄氧量的测试方法。
根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的人体日常运动中摄氧量的测试方法。
可以发现，以上方案，可以采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，和可以将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵，以及可以根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，能够实现在人体日常运动中进行摄氧量的测试。
进一步的，以上方案，可以采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，这样的好处是能够实现便携的采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，能够适用于多种运动条件下的呼吸频率数据、心率数据、心率变异性数据等的采集。
进一步的，以上方案，可以将该呼吸频率数据、心率数据、心率变异性数据等中的呼吸特征以预设时间为单位提取出来，将该呼吸特征表示为多元特征矩阵，这样的好处是能够实现更清楚的表达该呼吸频率数据、心率数据、心率变异性数据等的呼吸特征。
进一步的，以上方案，可以根据该多元特征矩阵，采用两层网络层和两层全连接层以及该两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，这样的好处是能够基于该隐式偏置层起到的防止模型过拟合作用，实现提高推算该人体日常运动中的摄氧量的推算效果。
进一步的，以上方案，可以根据该推算的摄氧量，控制该人体日常运动中的运动强度，这样的好处是能够基于该推算的摄氧量的变化所反映的人体日常运行的运动负荷对人体机体的刺激程度，实现对人体日常运动的运动强度的准确控制，能够进行更科学有效的人体日常运动训练。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明人体日常运动中摄氧量的测试方法一实施例的流程示意图；
图2是本发明人体日常运动中摄氧量的测试方法另一实施例的流程示意图；
图3是本发明人体日常运动中摄氧量的测试装置一实施例的结构示意图；
图4是本发明人体日常运动中摄氧量的测试装置另一实施例的结构示意图；
图5是本发明计算机设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，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它实施例，都属于本发明保护的范围。
本发明提供一种人体日常运动中摄氧量的测试方法，能够实现在人体日常运动中进行摄氧量的测试。
请参见图1，图1是本发明人体日常运动中摄氧量的测试方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S101：采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等。
其中，该采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，可以包括：
采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，这样的好处是能够实现便携的采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，能够适用于多种运动条件下的呼吸频率数据、心率数据、心率变异性数据等的采集。
在本实施例中，该可穿戴设备可以是智能手表，也可以是智能手环，还可以是智能眼镜，又可以是智能运动鞋等，本发明不加以限定。
在本实施例中，该人体日常运动可以是跑步、跳绳、足球、篮球、乒乓球、羽毛球、游泳、排球和瑜伽等，本发明不加以限定。
S102：将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵。
其中，该将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵，可以包括：
将该呼吸频率数据、心率数据、心率变异性数据等中的呼吸特征以预设时间为单位提取出来，将该呼吸特征表示为多元特征矩阵，这样的好处是能够实现更清楚的表达该呼吸频率数据、心率数据、心率变异性数据等的呼吸特征。
S103：根据该多元特征矩阵，采用LSTM(LongShort-TermMemory，长短期记忆)网络模型方式，推算该人体日常运动中的摄氧量。
其中，该根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，可以包括：
根据该多元特征矩阵，采用两层网络层和两层全连接层以及该两层全连接层的中间连接一个Dropout(隐式偏置)层的长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，这样的好处是能够基于该隐式偏置层起到的防止模型过拟合作用，实现提高推算该人体日常运动中的摄氧量的推算效果。
其中，在该根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量之后，还可以包括：
根据该推算的摄氧量，控制该人体日常运动中的运动强度，这样的好处是能够基于该推算的摄氧量的变化所反映的人体日常运行的运动负荷对人体机体的刺激程度，实现对人体日常运动的运动强度的准确控制，能够进行更科学有效的人体日常运动训练。
可以发现，在本实施例中，可以采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，和可以将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵，以及可以根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，能够实现在人体日常运动中进行摄氧量的测试。
进一步的，在本实施例中，可以采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，这样的好处是能够实现便携的采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，能够适用于多种运动条件下的呼吸频率数据、心率数据、心率变异性数据等的采集。
进一步的，在本实施例中，可以将该呼吸频率数据、心率数据、心率变异性数据等中的呼吸特征以预设时间为单位提取出来，将该呼吸特征表示为多元特征矩阵，这样的好处是能够实现更清楚的表达该呼吸频率数据、心率数据、心率变异性数据等的呼吸特征。
进一步的，在本实施例中，可以根据该多元特征矩阵，采用两层网络层和两层全连接层以及该两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，这样的好处是能够基于该隐式偏置层起到的防止模型过拟合作用，实现提高推算该人体日常运动中的摄氧量的推算效果。
请参见图2，图2是本发明人体日常运动中摄氧量的测试方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：
S201：采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等。
可如上S101所述，在此不作赘述。
S202：将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵。
可如上S102所述，在此不作赘述。
S203：根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量。
可如上S103所述，在此不作赘述。
S204：根据该推算的摄氧量，控制该人体日常运动中的运动强度。
可以发现，在本实施例中，可以根据该推算的摄氧量，控制该人体日常运动中的运动强度，这样的好处是能够基于该推算的摄氧量的变化所反映的人体日常运行的运动负荷对人体机体的刺激程度，实现对人体日常运动的运动强度的准确控制，能够进行更科学有效的人体日常运动训练。
本发明还提供一种人体日常运动中摄氧量的测试装置，能够实现在人体日常运动中进行摄氧量的测试。
请参见图3，图3是本发明人体日常运动中摄氧量的测试装置一实施例的结构示意图。本实施例中，该人体日常运动中摄氧量的测试装置30包括采集模块31、表示模块32和推算模块33。
该采集模块31，用于采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等。
该表示模块32，用于将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵。
该推算模块33，用于根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量。
可选地，该采集模块31，可以具体用于：
采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等。
可选地，该表示模块32，可以具体用于：
将该呼吸频率数据、心率数据、心率变异性数据等中的呼吸特征以预设时间为单位提取出来，将该呼吸特征表示为多元特征矩阵。
可选地，该推算模块33，可以具体用于：
根据该多元特征矩阵，采用两层网络层和两层全连接层以及该两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算该人体日常运动中的摄氧量。
请参见图4，图4是本发明人体日常运动中摄氧量的测试装置另一实施例的结构示意图。区别于上一实施例，本实施例所述人体日常运动中摄氧量的测试装置40还包括控制模块41。
该控制模块41，用于根据该推算的摄氧量，控制该人体日常运动中的运动强度。
该人体日常运动中摄氧量的测试装置30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明又提供一种计算机设备，如图5所示，包括：至少一个处理器51；以及，与至少一个处理器51通信连接的存储器52；其中，存储器52存储有可被至少一个处理器51执行的指令，指令被至少一个处理器51执行，以使至少一个处理器51能够执行上述的人体日常运动中摄氧量的测试方法。
其中，存储器52和处理器51采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器51和存储器52的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器51处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器51。
处理器51负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器52可以被用于存储处理器51在执行操作时所使用的数据。
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
可以发现，以上方案，可以采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，和可以将该呼吸频率数据、心率数据、心率变异性数据等，表示为多元特征矩阵，以及可以根据该多元特征矩阵，采用长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，能够实现在人体日常运动中进行摄氧量的测试。
进一步的，以上方案，可以采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，这样的好处是能够实现便携的采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据等，能够适用于多种运动条件下的呼吸频率数据、心率数据、心率变异性数据等的采集。
进一步的，以上方案，可以将该呼吸频率数据、心率数据、心率变异性数据等中的呼吸特征以预设时间为单位提取出来，将该呼吸特征表示为多元特征矩阵，这样的好处是能够实现更清楚的表达该呼吸频率数据、心率数据、心率变异性数据等的呼吸特征。
进一步的，以上方案，可以根据该多元特征矩阵，采用两层网络层和两层全连接层以及该两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算该人体日常运动中的摄氧量，这样的好处是能够基于该隐式偏置层起到的防止模型过拟合作用，实现提高推算该人体日常运动中的摄氧量的推算效果。
进一步的，以上方案，可以根据该推算的摄氧量，控制该人体日常运动中的运动强度，这样的好处是能够基于该推算的摄氧量的变化所反映的人体日常运行的运动负荷对人体机体的刺激程度，实现对人体日常运动的运动强度的准确控制，能够进行更科学有效的人体日常运动训练。
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种人体日常运动中摄氧量的测试方法，其特征在于，包括：
采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据；
将所述呼吸频率数据、心率数据、心率变异性数据，表示为多元特征矩阵；
根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
2.如权利要求1所述的人体日常运动中摄氧量的测试方法，其特征在于，所述采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据，包括：
采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据。
3.如权利要求1所述的人体日常运动中摄氧量的测试方法，其特征在于，所述将所述呼吸频率数据、心率数据、心率变异性数据，表示为多元特征矩阵，包括：
将所述呼吸频率数据、心率数据、心率变异性数据中的呼吸特征以预设时间为单位提取出来，将所述呼吸特征表示为多元特征矩阵。
4.如权利要求1所述的人体日常运动中摄氧量的测试方法，其特征在于，所述根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量，包括：
根据所述多元特征矩阵，采用两层网络层和两层全连接层以及所述两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
5.如权利要求1所述的人体日常运动中摄氧量的测试方法，其特征在于，在所述根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量之后，还包括：
根据所述推算的摄氧量，控制所述人体日常运动中的运动强度。
6.一种人体日常运动中摄氧量的测试装置，其特征在于，包括：
采集模块、表示模块和推算模块；
所述采集模块，用于采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据；
所述表示模块，用于将所述呼吸频率数据、心率数据、心率变异性数据，表示为多元特征矩阵；
所述推算模块，用于根据所述多元特征矩阵，采用长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
7.如权利要求6所述的人体日常运动中摄氧量的测试装置，其特征在于，所述采集模块，具体用于：
采用可穿戴设备方式，采集人体日常运动中的呼吸频率数据、心率数据、心率变异性数据。
8.如权利要求6所述的人体日常运动中摄氧量的测试装置，其特征在于，所述表示模块，具体用于：
将所述呼吸频率数据、心率数据、心率变异性数据中的呼吸特征以预设时间为单位提取出来，将所述呼吸特征表示为多元特征矩阵。
9.如权利要求6所述的人体日常运动中摄氧量的测试装置，其特征在于，所述推算模块，具体用于：
根据所述多元特征矩阵，采用两层网络层和两层全连接层以及所述两层全连接层的中间连接一个隐式偏置层的长短期记忆网络模型方式，推算所述人体日常运动中的摄氧量。
10.如权利要求6所述的人体日常运动中摄氧量的测试装置，其特征在于，所述人体日常运动中摄氧量的测试装置，还包括：
控制模块；
所述控制模块，用于根据所述推算的摄氧量，控制所述人体日常运动中的运动强度。
CN202010633357.9A 2020-07-02 2020-07-02 人体日常运动中摄氧量的测试方法、装置、计算机设备 Pending CN111938580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633357.9A CN111938580A (zh) 2020-07-02 2020-07-02 人体日常运动中摄氧量的测试方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633357.9A CN111938580A (zh) 2020-07-02 2020-07-02 人体日常运动中摄氧量的测试方法、装置、计算机设备

Publications (1)

Publication Number Publication Date
CN111938580A true CN111938580A (zh) 2020-11-17

Family

ID=73337669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633357.9A Pending CN111938580A (zh) 2020-07-02 2020-07-02 人体日常运动中摄氧量的测试方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN111938580A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116649951A (zh) * 2022-11-11 2023-08-29 荣耀终端有限公司 运动数据处理方法、穿戴设备、终端、健身器设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109998522A (zh) * 2019-02-27 2019-07-12 东南大学 一种基于穿戴式动态心电的运动负荷检测装置及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109998522A (zh) * 2019-02-27 2019-07-12 东南大学 一种基于穿戴式动态心电的运动负荷检测装置及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116649951A (zh) * 2022-11-11 2023-08-29 荣耀终端有限公司 运动数据处理方法、穿戴设备、终端、健身器设备及介质
CN116649951B (zh) * 2022-11-11 2024-04-02 荣耀终端有限公司 运动数据处理方法、穿戴设备、终端、健身器设备及介质

Similar Documents

Publication Publication Date Title
US20210090709A1 (en) Automated health data acquisition, processing and communication system
Kranz et al. The mobile fitness coach: Towards individualized skill assessment using personalized mobile devices
CN109584989A (zh) 一种运动提示信息的推送方法、装置、设备及存储介质
US20140135592A1 (en) Health band
US20130029807A1 (en) Health Tracking Program
CN104424537A (zh) 健身管理服务方法及相关系统
CN101518442A (zh) 运动量化腕表及运动计量分析方法
CN201211185Y (zh) 运动量化腕表
Grünbichler et al. Workload efficiency as a new tool to describe external and internal competitive match load of a professional soccer team: A descriptive study on the relationship between pre-game training loads and relative match load
KR102004438B1 (ko) 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법
CN111260186B (zh) 一种运动能力评估方法、系统和体脂秤、移动终端
CN110025321B (zh) 一种心理压力评估方法及相关设备
Crouch et al. Relationship between pre-training wellness scores and internal and external training loads in a Division I women’s lacrosse team
CN106202850A (zh) 锻炼管理方法和设备
KR102330705B1 (ko) 기록매체에 저장된 개인 관리 어플리케이션 및 이를 포함하는 건강 관리 시스템
CN107146160A (zh) 投保客户健康状况分析方法及服务器
CN112365955A (zh) 健身计划的确定方法及确定装置、可穿戴系统
CN112270970A (zh) 一种智能运动管理系统及执行方法
CN111938580A (zh) 人体日常运动中摄氧量的测试方法、装置、计算机设备
US20220008787A1 (en) Evaluation device, evaluation system, and storing medium
US20210169351A1 (en) Healthcare device and healthcare system using same
CN113641856A (zh) 用于输出信息的方法和装置
JP6049424B2 (ja) 活動量測定端末を用いた健康管理システム
CN109711857A (zh) 保费优惠额度计算方法、设备、装置及可读存储介质
CN108389628A (zh) 一种健康指标改善模型确定方法和装置

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