CN113160998B - 一种基于差分进化算法的减肥运动处方生成方法 - Google Patents
一种基于差分进化算法的减肥运动处方生成方法 Download PDFInfo
- Publication number
- CN113160998B CN113160998B CN202110343602.7A CN202110343602A CN113160998B CN 113160998 B CN113160998 B CN 113160998B CN 202110343602 A CN202110343602 A CN 202110343602A CN 113160998 B CN113160998 B CN 113160998B
- Authority
- CN
- China
- Prior art keywords
- exercise
- motion
- weight
- user
- sporter
- 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 49
- 230000033001 locomotion Effects 0.000 claims abstract description 171
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004580 weight loss Effects 0.000 claims description 9
- 230000037396 body weight Effects 0.000 claims description 7
- 230000004217 heart function Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 230000004060 metabolic process Effects 0.000 claims description 6
- 235000019577 caloric intake Nutrition 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000037213 diet Effects 0.000 claims description 4
- 235000005911 diet Nutrition 0.000 claims description 4
- 230000003442 weekly effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- XKFPYPQQHFEXRZ-UHFFFAOYSA-N 5-methyl-N'-(phenylmethyl)-3-isoxazolecarbohydrazide Chemical compound O1C(C)=CC(C(=O)NNCC=2C=CC=CC=2)=N1 XKFPYPQQHFEXRZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000002503 metabolic effect Effects 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000000577 adipose tissue Anatomy 0.000 claims 1
- 230000009183 running Effects 0.000 description 13
- 230000009194 climbing Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000009182 swimming Effects 0.000 description 3
- 208000008589 Obesity Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009184 walking Effects 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 208000001022 morbid obesity Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明公开了一种基于差分进化算法的减肥运动处方生成方法，具体为：步骤1，对用户信息库进行聚类操作，确定与运动者身体素质相似的一类用户；步骤2，进行运动效果的计算，得出与运动者相似用户的运动项目集；步骤3，对运动项目集进行过滤筛选，得到新的运动项目集；步骤4，结合用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；步骤5，确定用户的运动目标；步骤6，确定运动参数的范围以及最大的运动消耗量；步骤7，采用差分进化算法，生成减肥运动处方的运动参数；步骤8，完成减肥运动处方的生成。本发明解决了现有技术中存在的不能根据个体之间身体状况进行个性化推荐运动处方的问题。
Description
技术领域
本发明属于计算机生成运动处方方法技术领域，涉及一种基于差分进化算法的减肥运动处方生成方法。
背景技术
随着物联网、云计算、人工智能等新兴信息技术的兴起，“智慧+”的概念也伴随出现，而且成为现代经济社会的焦点。在现代社会中，肥胖者的人数越来越多。医学研究表明，肥胖，特别是重度肥胖对于人们的健康造成危害。因此，如何防止肥胖以及运动减肥已经引起人们越来越大的关注。想要达到运动减肥的效果，需要采用合适的运动项目、运动强度、运动时间以及运动频率，使热量摄入量和运动消耗量达到一定的负平衡状态。而根据不同运动者身体状态的不同需要制定个性化的运动参数。缺乏个性化服务，难以分辨个体之间身体状况的差异。
目前针对运动处方个性化的制定多采用大数据分析、规则推理等方法，但是也有很多不足之处，比如缺乏个性化服务，难以分辨个体之间身体状况的差异。
发明内容
本发明的目的是提供一种基于差分进化算法的减肥运动处方生成方法，解决了现有技术中存在的不能根据个体之间身体状况进行个性化推荐运动处方的问题。
本发明所采用的技术方案是，一种基于差分进化算法的减肥运动处方生成方法，具体按照如下步骤实施：
步骤1，对用户信息库进行聚类操作，确定与运动者身体素质相似的一类用户；
步骤2，根据步骤1的聚类结果结合运动历史库进行运动效果的计算，得出与运动者相似用户的运动项目集；
步骤3，根据用户的疾病史对步骤2中的运动项目集进行过滤筛选，得到新的运动项目集；
步骤4，对步骤3的得出的运动项目对应用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；
步骤5，根据用户的基础信息经过计算确定用户的运动目标；
步骤6，根据从步骤4得到的运动项目确定运动参数的范围，以及最大的运动消耗量；
步骤7，在运动参数的约束条件下，采用差分进化算法，生成减肥运动处方的运动参数；
步骤8，完成减肥运动处方的生成。
步骤1具体为：
步骤1.1，对用户信息库进行聚类操作，采用k-means聚类算法对每条用户数据进行聚类，每个用户数据包括八个用户属性，即就是心脏功能能力cardiac_function、体型bodily_form、脂肪百分比percentage_fat、体重指数BMI、肺活量vital_capacity、台阶测验step_test、坐位体前屈sit_reach、年龄age，具体为：
初始化用户信息库，首先从用户信息库中随机选取k个初始聚类中心Ci，1≤i≤k，分别计算每条用户数据与聚类中心Ci的欧氏距离，找出离目标用户数据最近的聚类中心Ci，并将该用户数据分配到聚类中心Ci所对应的簇中，其中，用户数据与聚类中心间的欧式距离计算公式为式(1)：
其中，x为用户数据，Ci为第i个聚类中心，m＝8为数据对象的维度，xj为用户数据x的第j个属性，Cij为用户数据x第j个属性的属性值，属性值即为心脏功能能力cardiac_function、体型bodily_form、脂肪百分比percentage_fat、体重指数BMI、肺活量vital_capacity、台阶测验step_test、坐位体前屈sit_reach、年龄age八个属性的数值；
步骤1.2，计算每个簇中所有用户数据的各个属性对应属性值的均值作为新的聚类中心，进行下一次迭代，直到聚类中心不再变化或达到最大的迭代次数停止，此时每个用户数据对应当前所在的聚类中心为一类，得到聚类结果，判断运动者所在聚类中心，则属于该聚类中心的所有用户数据为与当前运动者身体素质相似的一类用户。
步骤2具体为：
步骤2.1，运动效果E从运动者体重W、胸围C、腰围G、臀围H四个维度的改变程度进行计算，具体按照公式(2)计算：
其中，Ai代表处方使用后体重W、胸围C、腰围G、臀围H数据值A1-A4分别等于Wafter、Cafter、Gafter、Hafter，
B代表处方使用前体重W、胸围C、腰围G、臀围H的数据值；
B1-B4分别等于Wbefore、Cbefore、Gbefore、Hbefore；
wi为体重W、胸围C、腰围G、臀围H对应的四个权重；
步骤2.2，根据公式(2)计算步骤1中得到的与当前运动者身体素质相似的一类用户在不同运动项目的所有运动效果，然后根据运动历史库对与当前运动者身体素质相似的一类用户的不同运动项目进行分类，对所有相同的运动项目的运动效果进行平均值计算，根据公式(3)得出不同运动项目的平均运动效果：
其中，为平均运动效果，n为与当前运动者身体素质相似的一类用户中使用同一运动项目的用户个数，E为用户使用运动项目的运动效果；
然后，依据计算得出的平均运动效果对运动项目进行排序，得出一个由大到小的有序项目集。
步骤3具体为：
制定运动项目和疾病的IF-THEN规则库，根据规则在步骤2得到的项目集中去除所有用户不适用的项目，得到一个新的运动项目集。
步骤4具体为：
步骤4.1，使用步骤3经过过滤筛选得到的运动项目集对应用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；
步骤4.2，根据步骤4.1确定的运动项目，对照标准减肥运动处方库，标准减肥运动处方库为在运动处方库中提取运动项目、运动强度、运动时间、运动频率、运动方法、注意事项形成，确定运动项目的运动方法以及注意事项。
步骤5具体为：
步骤5.1，根据运动者的性别、年龄A、身高H、体重W，男性按照公式(4)计算基础代谢量M，女性按照公式(4)计算基础代谢量M，具体为：
Male：M＝67+13.7W+5.0H-6.9A (4)
Female：M＝661+9.6W+1.7H-4.7A (5)
其中，年龄以年为单位，身高单位为cm，体重的单位是kg；
步骤5.2，根据运动者的身高和当前体重Wbefore、标准BMI、计算出运动者标准BMI时应达到的体重Wafter，即运动者使用减肥运动处方之后应达到的体重，具体为：
Wafter＝BMIH2 (6)
其中，BMI的计算方法为：H为运动者的身高；
步骤5.3，计算运动者的运动目标：应减重量wreduce，以及每周的运动消耗量Consumption，具体为：
Wreduce＝Wafter-Wbefore (7)
其中，M为基础代谢量，T为卡路里摄入量。
步骤6具体为：
步骤6.1，根据步骤4得到的运动项目，对照标准减肥运动处方库，确定运动处方参数的范围，即运动强度s的范围smin～smax、运动时间t的范围tmin～tmax、运动频率f的范围fmin～fmax；
步骤6.2，根据运动者年龄信息确定运动者靶心率以及运动的最大心率计算运动者运动强度范围如下：
HRmax×60％～HRmax×80％ (9)
其中，HRmax为运动者的最大心率，HRmax＝220-A，A为运动者的年龄；
步骤6.3，计算运动者的运动消耗量，男性和女性分别按照公式(10)和公式(11)计算：
步骤7具体为：
步骤7.1，建立多目标模型目标函数如下：
max F(s，t，f) (12)
s.t.smin≤s≤smax
tmin≤t≤tmax
fmin≤f≤fmax
F(s，t，f)≤1840+T-M
求解参数为：s，t，f，即待求解减肥运动处方的运动强度，运动时间，运动频率；
步骤7.2，初始化：设置运动参数组合个数Y组，每组均包括运动强度s，运动时间t，运动频率f，且运动强度s、运动时间t、运动频率f分别在各自范围内进行随机生成，即为初始种群NP，设置种群迭代次数设为Q次；
步骤7.3，对种群进行变异、交叉、选择操作，得到子种群UP；
采用随机性分别对当前个体中的运动强度s，运动时间t，运动频率f进行变异，随机对两个个体xr2和xr3中的s、t、f分别相减即(xr2-xr3)，采用缩放因子F进行差值缩放，与另一个体xr1的s、t、f分别相加得到变异后的子代个体vi，具体为：
变异的机制为vi＝xr1+F(xr2-xr3)，其中：在种群中随机选择且r1≠r2≠r3≠i，参数0≤F≤2；
为了确保变异得出的中间体{vi(g+1)}的每个个体至少有一个元素遗传给下一代，第一个交叉操作的元素是随机取出的vi(g+1)中的第jrand位元素作为交叉后个体uj，i(g+1)第jrand位等位元素，后续的交叉过程则是通过交叉概率CR来选取xi(g)还是vi(g+1)的等位元素作为ui(g+1)的等位元素，其中个体中的元素即运动参数s，t，f，具体为：
交叉操作对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：其中，CR为交叉概率，jrand为[1，2，...，D]的随机整数；
对此代种群中的个体和变异交叉过的个体(s，t，f)分别依据公式(12)做消耗量的计算，如果变异交叉后的个体通过计算求出的消耗量大于此代个体，则选择ui(g+1)为进入下一代种群的个体，具体为：
选择操作采用贪婪算法来选择进入下一代种群的个体UP：
步骤7.4，种群迭代次数+1；
步骤7.5，计算种群UP中每个个体的约束违反度r，计算公式为：
步骤7.6，判断是否满足到达最大迭代次数，如果是，则跳转到步骤7.7，如果否则跳转到步骤7.3开始继续重复操作；
步骤7.7，计算种群中每个个体约束违反度r，r值最小的则为最优解，得到最优解对应的运动强度、运动时间、运动频率以及一周的运动消耗量。
步骤8具体为：
结合步骤4得到的运动项目、注意事项、运动方法，以及步骤7得到的运动强度、运动时间、运动频率，完成减肥运动处方的生成。
本发明的有益效果是
本发明通过考虑运动者的身体素质、偏好、疾病等各方面因素制定减肥运动处方的运动项目，再通过运动项目以及运动者的基础信息，制定出个性化的减肥运动处方参数，不仅实现了减肥运动处方运动参数的个性化制定，也保障了运动效果，使运动者目标明确的进行运动。
附图说明
图1是本发明一种基于差分进化算法的减肥运动处方生成方法的方法流程图；
图2是本发明一种基于差分进化算法的减肥运动处方生成方法中差分进化算法的流程图。
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。
本发明一种基于差分进化算法的减肥运动处方生成方法，其流程如图1所示，具体按照如下步骤实施：
步骤1，对用户信息库进行聚类操作，确定与运动者身体素质相似的一类用户；具体为：
步骤1.1，对用户信息库进行聚类操作，采用k-means聚类算法对每条用户数据进行聚类，每个用户数据包括八个用户属性，即就是心脏功能能力cardiac_function、体型bodily_form、脂肪百分比percentage_fat、体重指数BMI、肺活量vital_capacity、台阶测验step_test、坐位体前屈sit_reach、年龄age，具体为：
初始化用户信息库，首先从用户信息库中随机选取k＝23个初始聚类中心Ci，1≤i≤k，分别计算每条用户数据与聚类中心Ci的欧氏距离，找出离目标用户数据最近的聚类中心Ci，并将该用户数据分配到聚类中心Ci所对应的簇中，其中，用户数据与聚类中心间的欧式距离计算公式为式(1)：
其中，x为用户数据，Ci为第i个聚类中心，m＝8为数据对象的维度，xj为用户数据x的第j个属性，Cij为用户数据x第j个属性的属性值，属性值即为心脏功能能力cardiac_function、体型bodily_form、脂肪百分比percentage_fat、体重指数BMI、肺活量vital_capacity、台阶测验step_test、坐位体前屈sit_reach、年龄age八个属性的数值；
步骤1.2，计算每个簇中所有用户数据的各个属性对应属性值的均值作为新的聚类中心，进行下一次迭代，直到聚类中心不再变化或达到最大的迭代次数停止，此时每个用户数据对应当前所在的聚类中心为一类，得到聚类结果，判断运动者所在聚类中心，则属于该聚类中心的所有用户数据为与当前运动者身体素质相似的一类用户。
步骤2，根据步骤1的聚类结果结合运动历史库进行运动效果的计算，得出与运动者相似用户的运动项目集；具体为：
步骤2.1，运动效果E从运动者体重W、胸围C、腰围G、臀围H四个维度的改变程度进行计算，具体按照公式(2)计算：
其中，Ai代表处方使用后体重W、胸围C、腰围G、臀围H数据值A1-A4分别等于Wafter、Cafter、Gafter、Hafter，
B代表处方使用前体重W、胸围C、腰围G、臀围H的数据值；
B1-B4分别等于Wbefore、Cbefore、Gbefore、Hbefore；
wi为体重W、胸围C、腰围G、臀围H对应的四个权重，分别为0.4、0.2、0.2、0.2；
步骤2.2，根据公式(2)计算步骤1中得到的与当前运动者身体素质相似的一类用户在不同运动项目的所有运动效果，然后根据运动历史库对与当前运动者身体素质相似的一类用户的不同运动项目进行分类，对所有相同的运动项目的运动效果进行平均值计算，根据公式(3)得出不同运动项目的平均运动效果：
其中，为平均运动效果，n为与当前运动者身体素质相似的一类用户中使用同一运动项目的用户个数，E为用户使用运动项目的运动效果；
然后，依据计算得出的平均运动效果对运动项目进行排序，得出一个由大到小的有序项目集。
步骤3，根据用户的疾病史对步骤2中的运动项目集进行过滤筛选，得到新的运动项目集；具体为：
制定运动项目和疾病的IF-THEN规则库，根据规则在步骤2得到的项目集中去除所有用户不适用的项目，得到一个新的运动项目集。
步骤4，对步骤3的得出的运动项目对应用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；具体为：
步骤4.1，使用步骤3经过过滤筛选得到的运动项目集对应用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；
步骤4.2，根据步骤4.1确定的运动项目，对照标准减肥运动处方库，标准减肥运动处方库为在运动处方库中提取运动项目、运动强度、运动时间、运动频率、运动方法、注意事项形成，确定运动项目的运动方法以及注意事项。
步骤5，根据用户的基础信息经过计算确定用户的运动目标；具体为：
步骤5.1，根据运动者的性别、年龄A、身高H、体重W，男性按照公式(4)计算基础代谢量M，女性按照公式(4)计算基础代谢量M，具体为：
Male：M＝67+13.7W+5.0H-6.9A (4)
Female：M＝661+9.6W+1.7H-4.7A (5)
其中，年龄以年为单位，身高单位为cm，体重的单位是kg；
步骤5.2，根据运动者的身高和当前体重Wbefore、标准BMI、计算出运动者标准BMI时应达到的体重Wafter，即运动者使用减肥运动处方之后应达到的体重，当运动者的BMI＞23.9时，则采用标准BMI＝23进行计算，当运动者的BMI＜23.9时，采用标准BMI为18.5进行计算，如果运动者的BMI＜18.5时，运动者为偏瘦状态，不适用减肥运动处方，具体为：
Wafter＝BMIH2 (6)
其中，BMI的计算方法为：H为运动者的身高；
步骤5.3，计算运动者的运动目标：应减重量wreduce，以及每周的运动消耗量Consumption，具体为：
Wreduce＝Wafter-Wbefore (7)
其中，M为基础代谢量，T为卡路里摄入量，当运动者的应减重量小于12KG时，运动周期为12周，因为成年人每周减轻体重需小于1KG，所以当运动这的应减重量大于12KG时，按照每周负平衡热量达到7700kcal进行运动消耗量的确定。
步骤6，根据从步骤4得到的运动项目确定运动参数的范围，以及最大的运动消耗量；具体为：
步骤6.1，根据步骤4得到的运动项目，对照标准减肥运动处方库，确定运动处方参数的范围，即运动强度s的范围smin～smax、运动时间t的范围tmin～tmax、运动频率f的范围fmin～fmax；
步骤6.2，根据运动者年龄信息确定运动者靶心率以及运动的最大心率计算运动者运动强度范围如下：
HRmax×60％～HRmax×80％ (9)
其中，HRmax为运动者的最大心率，HRmax＝220-A，A为运动者的年龄；靶心率是指通过有氧运动提高心血管循环系统的机能时有效而安全的运动心率。靶心率范围在60％与80％HRmax(最大心率)之间。
步骤6.3，计算运动者的运动消耗量，男性和女性分别按照公式(10)和公式(11)计算：
步骤7，在运动参数的约束条件下，采用差分进化算法，生成减肥运动处方的运动参数；如图2所示，具体为：
步骤7.1，设定多目标优化模型为：目标一、运动强度尽可能小，目标二、运动时间尽可能小、目标三、运动频率尽可能小。条件一、二、三、运动强度，运动时间，运动频率限制根据步骤6得到的范围内，条件四、运动消耗量不小于最低消耗量，不大于最高消耗量。在符合约束条件下，使得运动消耗量最大，建立多目标模型目标函数如下：
max F(s，t，f) (12)
s.t.smin≤s≤smax
tmin≤t≤tmax
fmin≤f≤fmax
F(s，t，f)≤1840+T-M
求解参数为：s，t，f，即待求解减肥运动处方的运动强度，运动时间，运动频率；
步骤7.2，初始化：设置运动参数组合个数Y组，每组均包括运动强度s，运动时间t，运动频率f，且运动强度s、运动时间t、运动频率f分别在各自范围内进行随机生成，即为初始种群NP，设置种群迭代次数设为Q次；
步骤7.3，对种群进行变异、交叉、选择操作，得到子种群UP；
采用随机性分别对当前个体中的运动强度s，运动时间t，运动频率f进行变异，随机对两个个体xr2和xr3中的s、t、f分别相减即(xr2-xr3)，采用缩放因子F进行差值缩放，与另一个体xr1的s、t、f分别相加得到变异后的子代个体vi，具体为：
变异的机制为vi＝xr1+F(xr2-xr3)，其中：在种群中随机选择且r1≠r2≠r3≠i，参数0≤F≤2；
为了确保变异得出的中间体{vi(g+1)}的每个个体至少有一个元素遗传给下一代，第一个交叉操作的元素是随机取出的vi(g+1)中的第jrand位元素作为交叉后个体uj，i(g+1)第jrand位等位元素，后续的交叉过程则是通过交叉概率CR＝0.7来选取xi(g)还是vi(g+1)的等位元素作为ui(g+1)的等位元素，其中个体中的元素即运动参数s，t，f，具体为：
交叉操作对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：其中，CR为交叉概率，jrand为[1，2，...，D]的随机整数；
对此代种群中的个体和变异交叉过的个体(s，t，f)分别依据公式(12)做消耗量的计算，如果变异交叉后的个体通过计算求出的消耗量大于此代个体，则选择ui(g+1)为进入下一代种群的个体，具体为：
选择操作采用贪婪算法来选择进入下一代种群的个体UP：
步骤7.4，种群迭代次数+1；
步骤7.5，计算种群UP中每个个体的约束违反度r，计算公式为：
步骤7.6，判断是否满足到达最大迭代次数，如果是，则跳转到步骤7.7，如果否则跳转到步骤7.3开始继续重复操作；
步骤7.7，计算种群中每个个体约束违反度r，r值最小的则为最优解，得到最优解对应的运动强度、运动时间、运动频率以及一周的运动消耗量。
步骤8，完成减肥运动处方的生成，具体为：
结合步骤4得到的运动项目、注意事项、运动方法，以及步骤7得到的运动强度、运动时间、运动频率，完成减肥运动处方的生成。
实施例1
本实施例运动者的基本信息为性别：女、身高：160、年龄：25、体重：70KG、经过测量计算得到运动者的心脏功能能力：2、体型：Y型、脂肪百分比：34.4、体重指数BMI：27.3、肺活量：3483、台阶测验：4、坐位体前屈：7、疾病：水痘、运动偏好：跑步、爬山。
步骤1，采用以上属性对用户信息库进行聚类操作，聚类采用k-means算法，聚类k值选为23，迭代次数为500次。判断本实施例运动者的类别，并得出与本实施例运动者身体状况相似的一类用户。
步骤2，运动效果E采用运动者体重W、胸围C、腰围G、臀围H的改变程度进行计算。通过步骤1得到的相似用户，使用用户运动史计算相似用户采用的运动处方的运动项目对应的平均运动效果。计算公式为：经计算可得到不同运动项目对应的运动效果如表所示(顺序按照效果大小，选取效果最好的六个运动项目)：
| 运动项目 | 运动效果 |
| 越野跑 | 10.2 |
| 爬楼梯 | 8.6 |
| 变速跑 | 7.3 |
| 游泳 | 5.4 |
| 走跑交替法 | 5.2 |
| 有氧韵律操 | 4.5 |
步骤3，对运动偏好采用规则推理的方式得到运动项目。运动偏好为跑步，则对应运动项目为：走跑交替法、越野跑、变速跑、法特莱克跑、计时慢跑。运动偏好为爬山，则对应运动项目为：远足与登山。对运动疾病信息采用规则推理的方式得到不能进行的运动项目。该运动者患有疾病为水痘，则不能进行的运动项目为：游泳、水中走等水下运动。
步骤4，首先从步骤2得到的运动项目中去除不能进行的运动项目：游泳，再对用户偏好进行融合，得到运动项目为：越野跑。
对照标准减肥运动处方库，可以确定减肥运动处方的非核心参数：运动方法为：在公园、树林或空气环境较好的环境进行练习。跑的速度可以适当的变化，加强呼吸的调节。注意事项为：选择适宜的运动环境及运动装备及运动后放松。
步骤5，根据运动者的性别、年龄(A)、身高(H)、体重(W)依据公式Female：M＝661+9.6W+1.7H-4.7A，经过计算得出该运动者的基础代谢量M＝1485千卡。
根据公式，Wreduce＝Wafter-Wbefore，以及运动者的身高和当前体重以及标准的BMI可以计算出该运动者在标准BMI的情况下应达到体重。因为该运动者的BMI＝27.3＞23.9，所以该运动者的标准体重应为Wafter＝23H2＝58.8KG。则应减体重Wreduce＝11.2KG
固定该运动者每天的卡路里摄入量T为1600千卡。成年人每周减重应小于等于1KG，即大约7700kcal＝1840千卡。则根据公式 计算可得出每周运动量应为：Consumption＝2522千卡。
步骤6，根据步骤4得到的运动项目，对照标准减肥运动处方库，确定运动处方参数(运动强度s、运动时间t、运动频率f)的范围，即运动强度范围smin＝111～smax＝155、运动时间范围tmin＝30～tmax＝60、运动频率范围fmin＝3～fmax＝5。
根据运动者年龄信息确定运动者靶心率以及运动的最大心率，靶心率是指通过有氧运动提高心血管循环系统的机能时有效而安全的运动心率。靶心率范围在60％与80％HRmax(最大心率)之间。最大心率HRmax＝220-年龄。根据靶心率再次制定运动者运动强度范围为smin＝117～smax＝156。
步骤7，依据步骤6得到的运动参数的范围约束条件，采用差分进化算法生成运动强度s、运动时间t、运动频率f。根据公式(10)、(11)建立多目标模型目标函数：
s.t.117≤s≤156
30≤t≤60
3≤f≤5
求解参数为：s，t，f，即待求解减肥运动处方的运动强度，运动时间，运动频率。
首先进行种群初始化，随机产生20个预设参数，生成种群NP，对种群进行变异、交叉、选择操作，得到子种群UP。种群迭代次数设为200次。选取最后一次结果中进行约束违反度计算得到最优解。即运动强度s、运动时间t、运动频率f。得出结果为运动强度为138bmp，运动时间为43min，运动频率为4次每周。
步骤8，结合步骤4和步骤7的结果，可得出本实例运动者的减肥运动处方为：运动项目：越野跑；运动强度：138bmp；运动时间：43min；运动频率：4次/周；运动方法：在公园、树林或空气环境较好的环境进行练习。跑的速度可以适当的变化，加强呼吸的调节；注意事项：选择适宜的运动环境及运动装备及运动后放松。
本发明从用户的各方面因素考虑，进行减肥运动处方运动项目的确定。根据用户信息库通过聚类算法得出与运动者身体素质相似的用户，通过对这些用户的运动效果的计算，得出运动效果较好的运动项目集，再根据用户的疾病和运动偏好进行规则推理得出项目集，进一步融合两种方式的项目集进行运动项目的确定。根据标准运动处方的参数范围的设定以及用户的年龄信息得出运动参数的范围。依据运动消耗量在一定范围内越大越好，运动强度、运动时间、运动频率越小越好，且运动时间、运动强度、运动频率之间相互影响，根据约束条件，设立目标函数，采用差分进化算法求解此多目标问题。采用此方法进行减肥运动处方的生成，不仅从多个因素考虑运动项目的生成，而且根据个人身体情况计算得出运动消耗量，从而生成个性化的运动参数。本发明不仅实现了减肥运动处方运动参数的个性化制定，也保障了运动效果，使运动者目标明确的进行运动。
Claims (7)
1.一种基于差分进化算法的减肥运动处方生成方法，其特征在于，具体按照如下步骤实施：
步骤1，对用户信息库进行聚类操作，确定与运动者身体素质相似的一类用户；
步骤2，根据步骤1的聚类结果结合运动历史库进行运动效果的计算，得出与运动者相似用户的运动项目集；具体为：
步骤2.1，运动效果E从运动者体重W、胸围C、腰围G、臀围H四个维度的改变程度进行计算，具体按照公式(2)计算：
其中，Ai代表处方使用后体重W、胸围C、腰围G、臀围H数据值A1-A4分别等于Wafter、Cafter、Gafter、Hafter，
B代表处方使用前体重W、胸围C、腰围G、臀围H的数据值；
B1-B4分别等于Wbefore、Cbefore、Gbefore、Hbefore；
wi为体重W、胸围C、腰围G、臀围H对应的四个权重；
步骤2.2，根据公式(2)计算步骤1中得到的与当前运动者身体素质相似的一类用户在不同运动项目的所有运动效果，然后根据运动历史库对与当前运动者身体素质相似的一类用户的不同运动项目进行分类，对所有相同的运动项目的运动效果进行平均值计算，根据公式(3)得出不同运动项目的平均运动效果：
其中，为平均运动效果，n为与当前运动者身体素质相似的一类用户中使用同一运动项目的用户个数，E为用户使用运动项目的运动效果；
然后，依据计算得出的平均运动效果对运动项目进行排序，得出一个由大到小的有序项目集；
步骤3，根据用户的疾病史对步骤2中的运动项目集进行过滤筛选，得到新的运动项目集；
步骤4，对步骤3的得出的运动项目对应用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；
步骤5，根据用户的基础信息经过计算确定用户的运动目标；
步骤6，根据从步骤4得到的运动项目确定运动参数的范围，以及最大的运动消耗量；
步骤7，在运动参数的约束条件下，采用差分进化算法，生成减肥运动处方的运动参数；具体为：
步骤7.1，建立多目标模型目标函数如下：
max F(s，t，f) (12)
s.t.smin≤s≤smax
tmin≤t≤tmax
fmin≤f≤fmax
F(s，t，f)≤1840+T-M
求解参数为：s，t，f，即待求解减肥运动处方的运动强度，运动时间，运动频率；
步骤7.2，初始化：设置运动参数组合个数Y组，每组均包括运动强度s，运动时间t，运动频率f，且运动强度s、运动时间t、运动频率f分别在各自范围内进行随机生成，即为初始种群NP，设置种群迭代次数设为Q次；
步骤7.3，对种群进行变异、交叉、选择操作，得到子种群UP；
采用随机性分别对当前个体中的运动强度s，运动时间t，运动频率f进行变异，随机对两个个体xr2和xr3中的s、t、f分别相减即(xr2-xr3)，采用缩放因子F进行差值缩放，与另一个体xr1的s、t、f分别相加得到变异后的子代个体vi，具体为：
变异的机制为vi＝xr1+F(xr2-xr3)，其中：在种群中随机选择且r1≠r2≠r3≠i，参数0≤F≤2；
为了确保变异得出的中间体{vi(g+1)}的每个个体至少有一个元素遗传给下一代，第一个交叉操作的元素是随机取出的vi(g+1)中的第jrand位元素作为交叉后个体uj，i(g+1)第jrand位等位元素，后续的交叉过程则是通过交叉概率CR来选取xi(g)还是vi(g+1)的等位元素作为ui(g+1)的等位元素，其中个体中的元素即运动参数s，t，f，具体为：
交叉操作对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：其中，CR为交叉概率，jrand为[1，2，...，D]的随机整数；
对此代种群中的个体和变异交叉过的个体(s，t，f)分别依据公式(12)做消耗量的计算，如果变异交叉后的个体通过计算求出的消耗量大于此代个体，则选择ui(g+1)为进入下一代种群的个体，具体为：
选择操作采用贪婪算法来选择进入下一代种群的个体UP：
步骤7.4，种群迭代次数+1；
步骤7.5，计算种群UP中每个个体的约束违反度r，计算公式为：
步骤7.6，判断是否满足到达最大迭代次数，如果是，则跳转到步骤7.7，如果否则跳转到步骤7.3开始继续重复操作；
步骤7.7，计算种群中每个个体约束违反度r，r值最小的则为最优解，得到最优解对应的运动强度、运动时间、运动频率以及一周的运动消耗量；
步骤8，完成减肥运动处方的生成。
2.根据权利要求1所述的一种基于差分进化算法的减肥运动处方生成方法，其特征在于，所述步骤1具体为：
步骤1.1，对用户信息库进行聚类操作，采用k-means聚类算法对每条用户数据进行聚类，每个用户数据包括八个用户属性，即就是心脏功能能力cardiac_function、体型bodily_form、脂肪百分比percentage_fat、体重指数BMI、肺活量vital_capacity、台阶测验step_test、坐位体前屈sit_reach、年龄age，具体为：
初始化用户信息库，首先从用户信息库中随机选取k个初始聚类中心Ci，1≤i≤k，分别计算每条用户数据与聚类中心Ci的欧氏距离，找出离目标用户数据最近的聚类中心Ci，并将该用户数据分配到聚类中心Ci所对应的簇中，其中，用户数据与聚类中心间的欧式距离计算公式为式(1)：
其中，x为用户数据，Ci为第i个聚类中心，m＝8为数据对象的维度，xj为用户数据x的第j个属性，Cij为用户数据x第j个属性的属性值，属性值即为心脏功能能力cardiac_function、体型bodily_form、脂肪百分比percentage_fat、体重指数BMI、肺活量vital_capacity、台阶测验step_test、坐位体前屈sit_reach、年龄age八个属性的数值；
步骤1.2，计算每个簇中所有用户数据的各个属性对应属性值的均值作为新的聚类中心，进行下一次迭代，直到聚类中心不再变化或达到最大的迭代次数停止，此时每个用户数据对应当前所在的聚类中心为一类，得到聚类结果，判断运动者所在聚类中心，则属于该聚类中心的所有用户数据为与当前运动者身体素质相似的一类用户。
3.根据权利要求2所述的一种基于差分进化算法的减肥运动处方生成方法，其特征在于，所述步骤3具体为：
制定运动项目和疾病的IF-THEN规则库，根据规则在步骤2得到的项目集中去除所有用户不适用的项目，得到一个新的运动项目集。
4.根据权利要求3所述的一种基于差分进化算法的减肥运动处方生成方法，其特征在于，所述步骤4具体为：
步骤4.1，使用步骤3经过过滤筛选得到的运动项目集对应用户的运动偏好，选出用户运动偏好中运动效果最好的运动项目，则为最终确定的运动项目；
步骤4.2，根据步骤4.1确定的运动项目，对照标准减肥运动处方库，标准减肥运动处方库为在运动处方库中提取运动项目、运动强度、运动时间、运动频率、运动方法、注意事项形成，确定运动项目的运动方法以及注意事项。
5.根据权利要求4所述的一种基于差分进化算法的减肥运动处方生成方法，其特征在于，所述步骤5具体为：
步骤5.1，根据运动者的性别、年龄A、身高H、体重W，男性按照公式(4)计算基础代谢量M，女性按照公式(4)计算基础代谢量M，具体为：
Male:M＝67+13.7W+5.0H-6.9A (4)
Female:M＝661+9.6W+1.7H-4.7A (5)
其中，年龄以年为单位，身高单位为cm，体重的单位是kg；
步骤5.2，根据运动者的身高和当前体重Wbefore、标准BMI、计算出运动者标准BMI时应达到的体重Wafter，即运动者使用减肥运动处方之后应达到的体重，当运动者的BMI>23.9时，则采用标准BMI＝23进行计算，当运动者的BMI<23.9时，采用标准BMI为18.5进行计算，如果运动者的BMI<18.5时，运动者为偏瘦状态，不适用减肥运动处方，具体为：
Wafter＝BMIH2 (6)
其中，BMI的计算方法为：H为运动者的身高；
步骤5.3，计算运动者的运动目标：应减重量wreduce，以及每周的运动消耗量Consumption，具体为：
Wreduce＝Wafter-Wbefore (7)
其中，M为基础代谢量，T为卡路里摄入量。
6.根据权利要求5所述的一种基于差分进化算法的减肥运动处方生成方法，其特征在于，所述步骤6具体为：
步骤6.1，根据步骤4得到的运动项目，对照标准减肥运动处方库，确定运动处方参数的范围，即运动强度s的范围smin～smax、运动时间t的范围tmin～tmax、运动频率f的范围fmin～fmax；
步骤6.2，根据运动者年龄信息确定运动者靶心率以及运动的最大心率计算运动者运动强度范围如下：
HRmax×60％～HRmax×80％(9)
其中，HRmax为运动者的最大心率，HRmax＝220-A，A为运动者的年龄；
步骤6.3，计算运动者的运动消耗量，男性和女性分别按照公式(10)和公式(11)计算：
7.根据权利要求6所述的一种基于差分进化算法的减肥运动处方生成方法，其特征在于，所述步骤8具体为：
结合步骤4得到的运动项目、注意事项、运动方法，以及步骤7得到的运动强度、运动时间、运动频率，完成减肥运动处方的生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110343602.7A CN113160998B (zh) | 2021-03-30 | 2021-03-30 | 一种基于差分进化算法的减肥运动处方生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110343602.7A CN113160998B (zh) | 2021-03-30 | 2021-03-30 | 一种基于差分进化算法的减肥运动处方生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160998A CN113160998A (zh) | 2021-07-23 |
| CN113160998B true CN113160998B (zh) | 2023-11-14 |
Family
ID=76885506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110343602.7A Active CN113160998B (zh) | 2021-03-30 | 2021-03-30 | 一种基于差分进化算法的减肥运动处方生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160998B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160139960A (ko) * | 2015-05-29 | 2016-12-07 | 김영선 | 웹기반 비만관리시스템 |
| CN107391713A (zh) * | 2017-07-29 | 2017-11-24 | 内蒙古工业大学 | 一种解决协同过滤推荐技术中冷启动问题的方法及系统 |
| CN111859624A (zh) * | 2020-06-24 | 2020-10-30 | 西安理工大学 | 一种基于nsga-ii算法的运动处方参数管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7809153B2 (en) * | 2000-04-27 | 2010-10-05 | Inter-Images Partners, Lp | System and method for assessment of health risks and visualization of weight loss and muscle gain |
-
2021
- 2021-03-30 CN CN202110343602.7A patent/CN113160998B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160139960A (ko) * | 2015-05-29 | 2016-12-07 | 김영선 | 웹기반 비만관리시스템 |
| CN107391713A (zh) * | 2017-07-29 | 2017-11-24 | 内蒙古工业大学 | 一种解决协同过滤推荐技术中冷启动问题的方法及系统 |
| CN111859624A (zh) * | 2020-06-24 | 2020-10-30 | 西安理工大学 | 一种基于nsga-ii算法的运动处方参数管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| Basic Study on Fat Thickness Estimation Using Electrical Bio-Impedance Tomography;Makoto Kinoshita;IEEE;全文 * |
| 大学生肥胖测量诊断与运动处方专家系统设计;蒋立兵;刘小乐;;南京体育学院学报(自然科学版)(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160998A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wilmore et al. | Aerobic exercise and endurance: improving fitness for health benefits | |
| Magiera et al. | The structure of performance of a sport rock climber | |
| Watts et al. | Anthropometry of young competitive sport rock climbers | |
| CN109589564B (zh) | 定制化健身计划生成系统 | |
| CN111640483B (zh) | 基于akc模型的健身方案推荐方法 | |
| CN111933249B (zh) | 基于改进协同过滤ItemCF算法的运动处方生成方法 | |
| US20220249910A1 (en) | Exercise recommendation method and apparatus electronic device and computer-readable storage medium | |
| Vaskan et al. | Comparative analysis of indicators of the morpho-functional condition of the young men aged 15-16 years during the process of physical education | |
| CN113160998B (zh) | 一种基于差分进化算法的减肥运动处方生成方法 | |
| Liu et al. | An intelligent identification model for the selection of elite rowers by incorporating internet-of-things technology | |
| Moskovchenko et al. | Morphofunctional markers of kinetic aptitude in a sport selection system | |
| CN112420159A (zh) | 一种能量需求计算处理方法及装置 | |
| CN113499177B (zh) | 一种基于人工雨滴算法的运动减肥参数调整方法 | |
| Jackowski | Hold It! You're Exercizing Wrong: Your Prescription for First-Class Fitness Fast | |
| Fan et al. | A One-Dimensional Residual Network and Physical Fitness-Based Exercise Prescription Recommendation Method | |
| Ratamess et al. | Acute Cardiorespiratory and Metabolic Effects of a Sandbag Resistance Exercise Protocol | |
| Vega-Martínez et al. | Experience of Use of an Artificial Neural Network as an Auxiliary in the Physical Fitness Classification of Taekwondo Athletes from Mexico City | |
| Kamarudin et al. | A Cluster Analysis of Identifying Team and Individual Sports Athlete Based on Anthropometric, Health and Skill Related Components | |
| Przednowek et al. | Estimation of VO 2 max based on 20 m shuttle run test using statistical learning methods: An example of male physical education students | |
| CN115472261A (zh) | 一种肥胖人员减脂三性问题的运动、呼吸、饮食干预方法 | |
| Mardiana et al. | Dietary Food Ingredients Recommendation for Patients with Hypertension Using a Genetic Algorithm | |
| Rana et al. | Improved Traditional Fitness Model by Applying Big Data Analysis | |
| Alias et al. | A novel scientific approach in identifying talents among female adolescent athletes in field hockey sport based on physical fitness and anthro-energy intake | |
| Yu et al. | Exercise prescription formulating scheme based on a two-layer k-means classifier | |
| Nurrafi’u et al. | The Role of Cycling on Hypertense People |
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 |