CN112967783A - 一种基于神经网络学习算法的社区健身推荐方法和系统 - Google Patents

一种基于神经网络学习算法的社区健身推荐方法和系统 Download PDF

Info

Publication number
CN112967783A
CN112967783A CN202110218060.0A CN202110218060A CN112967783A CN 112967783 A CN112967783 A CN 112967783A CN 202110218060 A CN202110218060 A CN 202110218060A CN 112967783 A CN112967783 A CN 112967783A
Authority
CN
China
Prior art keywords
fitness
user
building
recommendation
equipment
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
CN202110218060.0A
Other languages
English (en)
Inventor
韩沂洋
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.)
Terminus Technology Group Co Ltd
Original Assignee
Terminus Technology Group Co Ltd
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 Terminus Technology Group Co Ltd filed Critical Terminus Technology Group Co Ltd
Priority to CN202110218060.0A priority Critical patent/CN112967783A/zh
Publication of CN112967783A publication Critical patent/CN112967783A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种基于神经网络学习算法的社区健身推荐方法和系统。该方法包括：通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集；基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络；采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法；根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。本申请通过神经网络学习算法提高了社区健身推荐的准确度和效率。

Description

一种基于神经网络学习算法的社区健身推荐方法和系统
技术领域
本申请涉及人工智能技术及社区健身推荐领域，尤其涉及一种基于神经网络学习算法的社区健身推荐方法和系统。
背景技术
目前社区中的健身器件一般都是老年人在使用，受到身体的限制，例如老花眼、行动不便，很难通过器械上的文字来判断是否适合自身使用。
而且，即使适合老年人使用，老年人也很难掌握器件的使用方法及适应自己身体特征的使用步骤。
另外，成型的健身训练方法一般需要对全身进行训练的，但是社区中居住的老年人一般都存在这样或那样的身体问题，不适合借助健身器材进行某些健身训练，更有可能需要针对特定身体部位进行训练和康复。
实际生活中，社区中的老年人更需要针对自身身体状况，获得针对特定健身器件的定制健身方案，这样可以更加合理地分配社区健身资源，提高社区老年人健身积极性和健身效果。
因此，亟须一种高效、准确的方法和设备能够解决这些问题。
发明内容
有鉴于此，本申请的目的在于提出一种基于神经网络学习算法的社区健身推荐方法和系统，提高社区健身训练方法的推荐的效率，解决目前社区中老年人等需要帮助的人群无法及时准确、科学的健身方法推荐的技术问题。
基于上述目的，本申请提出了一种基于神经网络学习算法的社区健身推荐方法，包括：
通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集；
基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络；
采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法；
根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。
在一些实施例中，通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集，包括：
根据所述用户身体的性别、年龄、身高、体重、身体病态部位和期待健身部位，构建所述用户身体特征集；
根据所述健身器材的数量、使用方式、状态、针对身体部位，构建所述健身器材特征集；
根据所述健身方法的健身步骤、健身获益部位、健身受损部位，构建所述健身方法特征集。
在一些实施例中，基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络，包括：
所述社区健身推荐神经网络中，根据用户健身需求，初始输入端为所述用户身体特征集、所述健身器材特征集和所述健身方法特征集，输出端为指定时段的用户健身推荐方案，构建一组或多组深度学习网络。
在一些实施例中，一组或多组深度学习网络，包括：
用户身体特征学习网络，通过用户身体的性别、年龄、身高、体重、身体病态部位和期待健身部位，预测用户的身体的健身部位；
健身器材学习网络，通过学习所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，预测不同健身器材及身体方法下各类用户的身体特征。
在一些实施例中，深度学习网络中，中间隐层神经元的激活函数采用ReLU函数，公式为：
out＝max(0，in)，
其中out为输出，in为输入；最后一层激活函数采用softmax函数，公式为：
Figure BDA0002954712330000021
其中outi为第i层输出，zj为输入j经过加权、求和、偏向得到的中间变量；损失函数采用交叉熵损失函数，公式为：
Figure BDA0002954712330000022
其中x(i)为期望输出，
Figure BDA0002954712330000023
为实际输出；优化函数采用随机梯度下降法，迭代训练直至所述深度学习网络进入稳态。
在一些实施例中，采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法，包括：
以预定时间间隔采集所述用户特征数据，导入所述社区健身推荐神经网络中，更新深度学习模型的结构和参数，直至深度学习网络进入稳定状态。
在一些实施例中，根据所述匹配健身器材及匹配健身方法向用户进行健身推荐，包括：
将所述用户特征数据导入深度学习网络进行预测，得到健身器材推荐结果和健身方法推荐结果后，发送健身推荐提示；
按照所述健身方法推荐结果中的步骤，辅助用户进行健身锻炼。
基于上述目的，本申请还提出了一种基于神经网络学习算法的社区健身推荐系统，包括：
初始模块，用于通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集；
构建模块，用于基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络；
训练模块，用于采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法；
推荐模块，用于根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。
在一些实施例中，构建模块，包括：
数据清洗单元，用于对数据进行除噪、归一化处理，转换为标准格式化数据；
数据同步单元，用于不断将不同来源的数据进行汇聚、分类，导入对应深度学习网络中。
在一些实施例中，基于神经网络学习算法的社区健身推荐系统，还包括：
任务调度模块，用于控制任务的分发、资源分配；
效率监控模块，用于控制任务执行效率，并向所述任务调度模块发送监督结果。
总的来说，本申请的优势及给用户带来的体验在于：能够根据用户的身体状态及健身器材的特点，为用户量身定制科学、准确的健身方法和指导。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的基于神经网络学习算法的社区健身推荐方法的流程图。
图2示出根据本发明实施例的基于神经网络学习算法的社区健身推荐系统的构成图。
图3示出根据本发明实施例的基于神经网络学习算法的社区健身推荐系统的构成图。
图4示出根据本发明实施例的构建模块的构成图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本发明实施例的基于神经网络学习算法的社区健身推荐方法的流程图。如图1所示，该基于神经网络学习算法的社区健身推荐方法包括：
步骤S11、通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集。
具体来说，健身器材可以包括社区中常见的健身器械，例如单杠、双杠、仰卧起坐器械等，也可以包括用户自备的健身器械，例如跳绳、刀剑、棍棒等。
另外，健身方法可以是配合健身器材进行的锻炼方法，包括训练时长、动作步骤、节拍规律等，当然健身方法也可以是脱离健身器材的徒手训练方式，例如高抬腿、蛙跳等。
在一种实施方式中，通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集，包括：
根据所述用户身体的性别、年龄、身高、体重、身体病态部位和期待健身部位，构建所述用户身体特征集；
根据所述健身器材的数量、使用方式、状态、针对身体部位，构建所述健身器材特征集；
根据所述健身方法的健身步骤、健身获益部位、健身受损部位，构建所述健身方法特征集。
具体来说，由于用户健身的目的主要在于强身健体，同时又要避开伤病部分，避免健身时对伤病部分的二次伤害，因此，针对不同用户的身体特征，结合不同健身器材，向用户提供最具针对性的健身方法，将给用户带来更加完美的健身体验。
步骤S12、基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络。
在一种实施方式中，所述社区健身推荐神经网络中，根据用户健身需求，初始输入端为所述用户身体特征集、所述健身器材特征集和所述健身方法特征集，输出端为指定时段的用户健身推荐方案，构建一组或多组深度学习网络。
具体来说，用户的身体状态在健身过程中也是发生变化的，社区中的健身器材也由于器材本身的原因或是用户的选择而发生变化。因此，可以为用户推荐的深度学习网络也将根据实际情况存在一组或多组。
举例来说，当用户希望始终针对同一身体部位，借助同一健身器械进行健身训练，则为用户构建一组深度学习网络即可。但是，当用户的身体状态发生改变后，或者社区中有的健身器械损坏时，则可以为用户构建多组不同的深度学习网络，以满足不同身体状态、不同健身器械的需求。
在一种实施方式中，一组或多组深度学习网络，包括：
用户身体特征学习网络，通过用户身体的性别、年龄、身高、体重、身体病态部位和期待健身部位，预测用户的身体的健身部位；
健身器材学习网络，通过学习所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，预测不同健身器材及身体方法下各类用户的身体特征。
在一种实施方式中，深度学习网络中，中间隐层神经元的激活函数采用ReLU函数，公式为：
out＝max(0，in)，
其中out为输出，in为输入；最后一层激活函数采用softmax函数，公式为：
Figure BDA0002954712330000061
其中outi为第i层输出，zj为输入j经过加权、求和、偏向得到的中间变量；损失函数采用交叉熵损失函数，公式为：
Figure BDA0002954712330000062
其中x(i)为期望输出，
Figure BDA0002954712330000063
为实际输出；优化函数采用随机梯度下降法，迭代训练直至所述深度学习网络进入稳态。
步骤S13、采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法。
在一种实施方式中，采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法，包括：
以预定时间间隔采集所述用户特征数据，导入所述社区健身推荐神经网络中，更新深度学习模型的结构和参数，直至深度学习网络进入稳定状态。
具体来说，以预测的时间间隔采集用户的特征数据，从而可以根据用户的不同身体状态，训练出更为优化的推荐神经网络。
步骤S14、根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。
具体来说，可以向用户推荐多种健身方法，让用户进行选择。同时，还可以向用户推荐相应的视听资源，例如健身教学视频、健身伴奏等。
在一种实施方式中，根据所述匹配健身器材及匹配健身方法向用户进行健身推荐，包括：
将所述用户特征数据导入深度学习网络进行预测，得到健身器材推荐结果和健身方法推荐结果后，发送健身推荐提示；
按照所述健身方法推荐结果中的步骤，辅助用户进行健身锻炼。
图2示出根据本发明实施例的基于神经网络学习算法的社区健身推荐系统的构成图。如图2所示，该基于神经网络学习算法的社区健身推荐系统整体可以分为：
初始模块21，用于通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集；
构建模块22，用于基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络；
训练模块23，用于采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法；
推荐模块24，用于根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。
图3示出根据本发明实施例的基于神经网络学习算法的社区健身推荐系统的构成图。如图3所示，该基于神经网络学习算法的社区健身推荐系统还包括：
任务调度模块35，用于控制任务的分发、资源分配；
效率监控模块36，用于控制任务执行效率，并向所述任务调度模块发送监督结果。
图4示出根据本发明实施例的构建模块的构成图。如图4所示，该基于神经网络学习算法的社区健身推荐系统的构建模块21包括：
数据清洗单元211，用于对数据进行除噪、归一化处理，转换为标准格式化数据；
数据同步单元212，用于不断将不同来源的数据进行汇聚、分类，导入对应深度学习网络中。
本申请实施例各系统中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于神经网络学习算法的社区健身推荐方法，其特征在于，包括：
通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集；
基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络；
采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法；
根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。
2.根据权利要求1所述的方法，其特征在于，通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集，包括：
根据所述用户身体的性别、年龄、身高、体重、身体病态部位和期待健身部位，构建所述用户身体特征集；
根据所述健身器材的数量、使用方式、状态、针对身体部位，构建所述健身器材特征集；
根据所述健身方法的健身步骤、健身获益部位、健身受损部位，构建所述健身方法特征集。
3.根据权利要求1所述的方法，其特征在于，基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络，包括：
所述社区健身推荐神经网络中，根据用户健身需求，初始输入端为所述用户身体特征集、所述健身器材特征集和所述健身方法特征集，输出端为指定时段的用户健身推荐方案，构建一组或多组深度学习网络。
4.根据权利要求3所述的方法，其特征在于，所述一组或多组深度学习网络，包括：
用户身体特征学习网络，通过用户身体的性别、年龄、身高、体重、身体病态部位和期待健身部位，预测用户的身体的健身部位；
健身器材学习网络，通过学习所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，预测不同健身器材及身体方法下各类用户的身体特征。
5.根据权利要求3所述的方法，其特征在于，
所述深度学习网络中，中间隐层神经元的激活函数采用ReLU函数，公式为：
out＝max(0，in)，
其中out为输出，in为输入；最后一层激活函数采用softmax函数，公式为：
Figure FDA0002954712320000021
其中outi为第i层输出，zj为输入j经过加权、求和、偏向得到的中间变量；损失函数采用交叉熵损失函数，公式为：
Figure FDA0002954712320000022
其中x(i)为期望输出，
Figure FDA0002954712320000023
为实际输出；优化函数采用随机梯度下降法，迭代训练直至所述深度学习网络进入稳态。
6.根据权利要求1所述的方法，其特征在于，采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法，包括：
以预定时间间隔采集所述用户特征数据，导入所述社区健身推荐神经网络中，更新深度学习模型的结构和参数，直至深度学习网络进入稳定状态。
7.根据权利要求1所述的方法，其特征在于，根据所述匹配健身器材及匹配健身方法向用户进行健身推荐，包括：
将所述用户特征数据导入深度学习网络进行预测，得到健身器材推荐结果和健身方法推荐结果后，发送健身推荐提示；
按照所述健身方法推荐结果中的步骤，辅助用户进行健身锻炼。
8.一种基于神经网络学习算法的社区健身推荐系统，其特征在于，包括：
初始模块，用于通过用户身体特征数据构建用户身体特征集，通过健身器材特征构建健身器材特征集，通过健身方法特征构建健身方法特征集；
构建模块，用于基于所述用户身体特征集、所述健身器材特征集以及所述健身方法特征集，训练社区健身推荐神经网络；
训练模块，用于采集用户特征数据，导入所述社区健身推荐神经网络，预测所述用户的匹配健身器材以及匹配健身方法；
推荐模块，用于根据所述匹配健身器材及匹配健身方法向用户进行健身推荐。
9.根据权利要求8所述的系统，其特征在于，所述构建模块，包括：
数据清洗单元，用于对数据进行除噪、归一化处理，转换为标准格式化数据；
数据同步单元，用于不断将不同来源的数据进行汇聚、分类，导入对应深度学习网络中。
10.根据权利要求8所述的系统，其特征在于，所述基于神经网络学习算法的社区健身推荐系统，还包括：
任务调度模块，用于控制任务的分发、资源分配；
效率监控模块，用于控制任务执行效率，并向所述任务调度模块发送监督结果。
CN202110218060.0A 2021-02-26 2021-02-26 一种基于神经网络学习算法的社区健身推荐方法和系统 Pending CN112967783A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110218060.0A CN112967783A (zh) 2021-02-26 2021-02-26 一种基于神经网络学习算法的社区健身推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110218060.0A CN112967783A (zh) 2021-02-26 2021-02-26 一种基于神经网络学习算法的社区健身推荐方法和系统

Publications (1)

Publication Number Publication Date
CN112967783A true CN112967783A (zh) 2021-06-15

Family

ID=76275756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110218060.0A Pending CN112967783A (zh) 2021-02-26 2021-02-26 一种基于神经网络学习算法的社区健身推荐方法和系统

Country Status (1)

Country Link
CN (1) CN112967783A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114330575A (zh) * 2021-12-31 2022-04-12 深圳千岸科技股份有限公司 一种基于孪生神经网络的健身动作判别方法及智能沙包
WO2023083183A1 (zh) * 2021-11-12 2023-05-19 北京京东方技术开发有限公司 健身方案信息的推荐方法和装置
CN117275665A (zh) * 2023-10-12 2023-12-22 首都体育学院 基于pams编码的运动方案推荐方法、系统及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971063A (zh) * 2017-03-13 2017-07-21 宇龙计算机通信科技(深圳)有限公司 健身方案推荐方法及移动终端
CN108090742A (zh) * 2017-12-28 2018-05-29 重庆勤鸟圈科技有限公司 运动健身计划管理系统
CN110600125A (zh) * 2019-09-18 2019-12-20 山东浪潮人工智能研究院有限公司 一种基于人工智能的体态分析助手系统及传输方法
CN111161833A (zh) * 2019-12-20 2020-05-15 中科寒武纪科技股份有限公司 健身计划生成方法及相关设备
CN111640483A (zh) * 2020-06-09 2020-09-08 南京邮电大学 基于akc模型的健身方案推荐方法
CN111785347A (zh) * 2020-06-30 2020-10-16 重庆勤鸟圈科技有限公司 基于运动记录的健身推荐系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971063A (zh) * 2017-03-13 2017-07-21 宇龙计算机通信科技(深圳)有限公司 健身方案推荐方法及移动终端
CN108090742A (zh) * 2017-12-28 2018-05-29 重庆勤鸟圈科技有限公司 运动健身计划管理系统
CN110600125A (zh) * 2019-09-18 2019-12-20 山东浪潮人工智能研究院有限公司 一种基于人工智能的体态分析助手系统及传输方法
CN111161833A (zh) * 2019-12-20 2020-05-15 中科寒武纪科技股份有限公司 健身计划生成方法及相关设备
CN111640483A (zh) * 2020-06-09 2020-09-08 南京邮电大学 基于akc模型的健身方案推荐方法
CN111785347A (zh) * 2020-06-30 2020-10-16 重庆勤鸟圈科技有限公司 基于运动记录的健身推荐系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2023083183A1 (zh) * 2021-11-12 2023-05-19 北京京东方技术开发有限公司 健身方案信息的推荐方法和装置
CN114330575A (zh) * 2021-12-31 2022-04-12 深圳千岸科技股份有限公司 一种基于孪生神经网络的健身动作判别方法及智能沙包
CN117275665A (zh) * 2023-10-12 2023-12-22 首都体育学院 基于pams编码的运动方案推荐方法、系统及电子设备
CN117275665B (zh) * 2023-10-12 2024-05-03 首都体育学院 基于pams编码的运动方案推荐方法、系统及电子设备

Similar Documents

Publication Publication Date Title
CN112967783A (zh) 一种基于神经网络学习算法的社区健身推荐方法和系统
CN108351862B (zh) 利用人工智能和用户输入来确定发育进展的方法和装置
CN110516161B (zh) 一种推荐方法及装置
Shrivastava et al. A survey of nature-inspired algorithms for feature selection to identify Parkinson's disease
EP1864246B1 (en) Spatio-temporal self organising map
Huang et al. Applying fuzzy neural network to estimate software development effort
CN110111885B (zh) 属性预测方法、装置、计算机设备及计算机可读存储介质
Bach et al. Case representation and similarity assessment in the self back decision support system
JP6750055B2 (ja) 顔画像からの定性的特徴を評価するコンピュータ実行ツールを構築する方法
US20150032236A1 (en) Systems and methods for generating a fitness report
CN111436929A (zh) 一种神经生理信号的生成和识别方法
CN114781439A (zh) 模型获取系统、手势识别方法、装置、设备及存储介质
CN111543988B (zh) 一种自适应认知活动识别方法、装置及存储介质
CN109902729B (zh) 基于序列状态演进的行为预测方法及装置
Song et al. Automatic identification of atrial fibrillation based on the modified Elman neural network with exponential moving average algorithm
Yang et al. FreqSense: Adaptive Sampling Rates for Sensor-Based Human Activity Recognition Under Tunable Computational Budgets
CN108197706B (zh) 残缺数据深度学习神经网络方法、装置、计算机设备及存储介质
KR102511511B1 (ko) 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법
Shafia et al. A hybrid algorithm for data clustering using honey bee algorithm, genetic algorithm and k-means method
CN111796173B (zh) 局部放电模式识别方法、计算机设备和存储介质
CN113868462A (zh) 一种基于矩阵分解的歌曲推荐系统及方法
CN113192603A (zh) 一种基于大数据的精神状态评估方法和系统
Gebhard et al. Towards heart rate categorisation from speech in outdoor running conditions
Liew et al. Hierarchical parallel genetic optimization fuzzy ARTMAP ensemble
Kaczmarek-Majer et al. Experimental evaluation of the accuracy of an ensemble of fuzzy methods for classification of episodes in bipolar disorder

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