CN113566396B - 基于数据识别的健身房温度控制调节方法 - Google Patents

Abstract

本发明涉及一种基于数据识别的健身房温度控制调节方法，包括：在健身房安装多台相机，采集房内健身者的图像数据，用于后续分析健身者的运动情况；获取所需的图像数据后，对健身者的健身动作进行分析，得到健身者的运动类型；建立运动量分析模型，并构建运动评估指标分析模型，对健身者的能量消耗状况进行检测；基于各健身者的运动评价指标，建立健身房温度调控模型，对健身房温度管理设备进行智能控制。节省能源，方便调节，提高健身者对环境温度改变时的舒适度感受。

Description

基于数据识别的健身房温度控制调节方法

技术领域

本发明涉及人工智能领域，具体涉及一种基于数据识别的健身房温度控制调节方法。

背景技术

目前，健身房成为了人们优选地健身场所，健身房能够为用户提供舒适的运动场地，各种各样的运动器材以及专业的教练指导。健身必须依赖于环境，良好的健身运动环境是科学健身的内涵之一。诸多因素可以影响健身的环境，其中室内温湿度是健身环境的主要影响因素，考虑到室内温湿度不适宜时，将会导致健身者在运动后身体不能得到有效的缓解，引起健身者出现身体状况异常等现象。目前对于健身房室内温湿度的调控多通过人为手动操控，该方法多存在较大的主观性，并没有基于室内人员以及整体环境的实际情况进行调节，且人为调节无法进行精确的调控，从而无法提供给用户更好的锻炼体验。

发明内容

为了克服上述现有技术的缺点，本发明采用以下技术方案：

一种基于数据识别的健身房温度控制调节方法，包括以下步骤：

步骤一：在健身房安装多台相机，采集房内健身者的图像数据，用于后续分析健身者的运动情况；

步骤二：获取所需的图像数据后，对健身者的健身动作进行分析，得到健身者的运动类型；

步骤三：建立运动量分析模型，并构建运动评估指标分析模型，对健身者的能量消耗状况进行检测；

步骤四：基于各健身者的运动评价指标，建立健身房温度调控模型，对健身房温度管理设备进行智能控制。

进一步，所述步骤一方法为：在健身房安装多台相机设备，相机数量以及相机位置的布置实施者根据健身房实际情况进行安排，为保证后续基于图像数据分析的准确性，各相机的采集范围需要包含健身房内的各健身区域，以便后续基于健身房的整体情况进行分析，保证数据信息的完整性，即可根据健身房的相机对健身房内图像数据进行采集，实时获取各健身区域的图像信息。

进一步，所述步骤二方法为:通过健身房摄像头对目标区域进行图像采集， 制作网络训练的标签数据，标注人体关键点，本发明人体关键点主要分别为头部关键点、颈部关键点、左右肩关节点、左右肘关节、左右腕关节、脊柱中心点、左右髋关节、左右膝关节、左右踝关节；然后通过高斯核卷积生成以关键点为中心的热斑作标注，得到符合高斯分布的热斑即为人体关键点Heatmap，标签数据也经过归一化处理，因此输出的热斑值域位于[0~1]；将图像数据和Heatmap标签数据作为网络的输入，端到端地训练人体关键点编码器Encoder和人体关键点解码器Decoder,网络输入为归一化处理后的图像数据，输出与原图等大的人体关键点Heatmap，由于有9类关键点，关键点Heatmap按关键点类别以10个通道形式输出，一个通道为背景类。采用均方差损失函数对网络进行训练，不断更新网络参数。

进一步，所述步骤三具体如下：对于健身器材建立健身器材数据库，每种类型的健身器材各对应一个基本运动量，可得到健身器材的运动量序列

，式中，k为健身器材种类，在此需要说明，所述基础运动量为通过大量数据获取的采用该健身器材健身一小时的基本运动量值；基于上述动作序列识别模块对健身房内各人员的实时运动情况进行检测，以得到当前各人员使用的健身器材，基于视频序列，获取各人员在各健身器材的健身时长

，n为健身房人员数量，可得到各人员的基础运动量：

式中，

为第i个人的基础运动量，

为第i个人当前健身采用的健身器材所对应的基本运动量值，

为第i个人在当前健身器材上的健身时间。 至此，即可根据所述方法获取健身房内各人员的当前基础运动量序列

；根据所述当前基础运动量本发明将对当前人员疲惫状态进行分析，检测当前健身者的身体消耗情况，构建健身者运动评价指标分析模型，所述运动评价指标分析模型的函数表达式具体为：

式中，函数值越大，对应健身者的身体消耗程度越高；

根据所述运动评价指标分析模型通过健身者的当前健身状态，获取各健身者当前的运动评价指标序列

，对应分别为基于所述运动评价指标分析模型计算的n个健身者的当前运动评价指标。

进一步，所述优化过程具体为：首先根据历史健身状态获取健身者在各个健身器材的健身时长，对于健身者i，其历史健身状态所对应的各健身器材的健身时长序列

，式中，

为健身者i使用健身器材c的健身时长，c为健身者i的在当前健身类型前的历史健身状态中共有c个健身类型，进一步地获取健身者的运动评价指标序列

，式中，

为基于运动评价指标分析模型获取的健身者i在健身器材c的运动评价指标，根据所述方法获取各健身者的运动评价指标序列；对于健身者i，其历史健身状态所对应的各健身间隔时间序列

，

为健身者i在健身器材c健身后至下一健身器材健身前的间隔时间，最终，本发明将基于对于健身者i在健身器材2的运动评价指标优化模型为：

其中，

为健身者i在第一个健身器材和第二个健身器材之间的间隔时间。

依次对健身者i在每个健身器材（健身类型）对应的各运动评价指标进行优化，获取健身者i在每个健身类型下的实际运动评价指标（也即优化后的）：

，基于各实际运动评价指标，建立当下实际运动评价指标分析模型，最终，得到健身者i的当下总的实际运动评价指标：

为当前健身者i 的最终准确的运动评价指标，进一步得到各健身者当前的优化运动评价指标，

获取各健身者的当下总实际运动评价指标序列

，计算健身房内所有健身者当下总实际运动评价指标均值，并根据各健身者当下总实际运动评价指标确定各健身者的权重，健身房内当下总实际运动评价指标计算模型为：

式中，

为当下健身房内总实际运动评价指标均值，用于后续基于此对健身房整体环境温度进行智能调控。

进一步，所述步骤四具体包括：获取健身房内当下总实际运动评价指标均值

后，构建健身房温度调控模型，基于各健身者的身体状况对健身房内温度进行调控，所述健身房温度调控模型具体为：

式中，

为温度调控因子，用于反映运动评价指标与健身房温度的对应关系，

均为模型参数，模型参数实施者根据实际情况自行设定，对健身房内设置基础温度T0，进一步建立健身房温度计算模型：

式中，

为基于所述方法调控之后的健身房温度，T0=22°。

本发明的有益效果是：

本发明通过人工智能的方式对健身房的温度控制设备进行自动调控，基于健身房内人员运动情况以及人员运动量等特征信息，对健身房温度进行自适应的实时调控。传统对于人体运动量的分析一般通过人体心率变化情况等进行评估，该方法检测结果误差较大，因为每个人的体质不同，对于同样的运动量，不同体质的人的心率变化等存在较大差异，导致人体运动量出现计算误差，本发明基于健身者的运动类型以及健身器材特性等，对其运动量进行准确评估，进一步提高后续系统对于健身房内温度调控的准确性。本发明能够实现对健身房的温度控制设备进行自适应的调控，自动化的调节健身房温度，节省能源，方便调节，提高健身者对环境温度改变时的舒适度感受。

具体实施方式

下面结合实施例对本发明进行详细的描述。

本发明通过人工智能的方式对健身房的温度控制设备进行调控，实现健身房内的温度满足整体健身人员的舒适度。本发明实施例主要对健身房内的空调设备进行自动控制，以对健身房内的温度进行实时调节。

为了实现本发明所述内容，本发明设计了一种基于数据识别的健身房温度控制调节方法。

步骤一：在健身房安装多台相机，采集房内健身者的图像数据，用于后续分析健身者的运动情况。

首先，在健身房安装多台相机设备，相机数量以及相机位置的布置实施者根据健身房实际情况进行安排，为保证后续基于图像数据分析的准确性，各相机的采集范围需要包含健身房内的各健身区域，以便后续基于健身房的整体情况进行分析，保证数据信息的完整性。

至此，即可根据健身房的相机对健身房内图像数据进行采集，实时获取各健身区域的图像信息。

步骤二：获取所需的图像数据后，对健身者的健身动作进行分析，得到健身者的运动类型。

本发明采用关键点检测网络检测健身房内人体的关键点，并进一步结合PAFs实现人体关键点的匹配，得到人体的二维关键点信息。所述人体二维关键点信息的具体提取过程为：

1)首先，通过健身房摄像头对目标区域进行图像采集， 制作网络训练的标签数据，标注人体关键点，本发明人体关键点主要分别为头部关键点、颈部关键点、左右肩关节点、左右肘关节、左右腕关节、脊柱中心点、左右髋关节、左右膝关节、左右踝关节；

2)然后通过高斯核卷积生成以关键点为中心的热斑作标注，得到符合高斯分布的热斑即为人体关键点Heatmap，标签数据也经过归一化处理，因此输出的热斑值域位于[0~1]；

3)最后，将图像数据和Heatmap标签数据作为网络的输入，端到端地训练人体关键点编码器Encoder和人体关键点解码器Decoder。网络输入为归一化处理后的图像数据，输出与原图等大的人体关键点Heatmap，由于有9类关键点，关键点Heatmap按关键点类别以10个通道形式输出，一个通道为背景类。采用均方差损失函数对网络进行训练，不断更新网络参数。

获取图像关键点之后，为快速的将健身房内的各人员的对应关键点组合在一起，本发明将基于PAFs对人体关键点进行匹配，以实现关键点的连接。利用网络分支来回归各关键点之间的联系，得到各关键点的关系矢量谱Part Affinity Fields（PAFs）。网络分支的训练过程为：该分支与关键点检测网络属于同一个网络的两个不同分支，该分支的标签数据为包含各个关键点位置和方向的矢量图，标注为从一个关键点指向另一个关键点方向的单位向量，网络同样采用均方差损失函数进行迭代训练，网络输出为各关键点对应连接的矢量图。

至此，即可根据所述方法得到健身房内各人员的二维关键点信息，基于此对健身房内人员的运动情况进行分析。

至此，即可根据所述方法提取振动信号所对应的特征信息数据。

基于上述网络模型获取多帧人体二维动作序列图，为便于识别健身房内人体的运动情况，本发明将通过TCN网络模型提取人体的三维动作序列，用于准确分析人体的运动情况。在此需要说明，所述帧数的选取以及动作序列长度的选取实施者自行设定，本发明中，考虑到人体健身时的动作多为连续性循环的动作，因此本发明选取15S内人体的三维动作序列来分析其运动情况，进一步得到其对应的运动类型。

至此即可得到人体三维运动序列，获取健身房内各人体的三维动作序列后，本发明将通过三维动作序列与健身动作模拟器中的健身动作进行对比分析，得到待分析三维动作序列与模拟得到的动作序列的相似程度，相似程度越高，待分析三维动作序列与模拟动作类型越相同。在此需要说明，健身动作模拟器可以模拟各种类型的健身动作序列。同时，对于序列的相似度本发明采用两个序列的欧式距离进行分析，当所述欧式距离小于距离阈值时，将认为两个动作序列的相似度较高，两个序列对应的动作类型相同。

至此，即可得到健身房内各人员的运动类型，比如跑步、肌力训练、举重。

步骤三：建立运动量分析模型，进一步获取各健身者的运动评价指标，为提高精度，构建运动评价指标优化模型，准确获取健身者的优化运动评价指标，进一步得到健身房当下总实际运动评价指标，用于后续健身房温度的智能调控。

获取各人员的运动类型后对人体运动量进行分析，用于后续基于健身者的运动量对健身房温度进行智能化调控。建立对应的运动量分析模型，对健身房内人体运动量进行准确计算分析，所述运动量分析模型具体为：

a)本发明首先对于健身器材建立健身器材数据库，每种类型的健身器材各对应一个基本运动量，可得到健身器材的运动量序列

，式中，k为健身器材种类，在此需要说明，所述基础运动量为通过大量数据获取的采用该健身器材健身一小时的基本运动量值；

b)基于上述动作序列识别模块对健身房内各人员的实时运动情况进行检测，以得到当前各人员使用的健身器材，基于视频序列，获取各人员在各健身器材的健身时长

，n为健身房人员数量，可得到各人员的基础运动量：

式中，

为第i个人的基础运动量，

为第i个人当前健身采用的健身器材所对应的基本运动量值，

为第i个人在当前健身器材上的健身时间。 至此，即可根据所述方法获取健身房内各人员的当前基础运动量序列

；

c)根据所述当前基础运动量本发明将对当前人员疲惫状态进行分析，检测当前健身者的身体消耗情况，构建健身者运动评价指标分析模型，所述运动评价指标分析模型的函数表达式具体为：

式中，函数值越大，对应健身者的身体消耗程度越高。在此需要说明，本发明所述运动评价指标用于表示人体的身体消耗情况。

至此，可根据所述运动评价指标分析模型通过健身者的当前健身状态，获取各健身者当前的运动评价指标序列

，对应分别为基于所述运动评价指标分析模型计算的n个健身者的当前运动评价指标；

d)进一步地，本发明考虑到仅通过健身者的当前健身状态去分析其运动量及运动评价指标过于局限性 ，不能够准确评估健身者当下总体的运动量及身体消耗状况，因此，本发明将获取各健身者各历史健身状态，得到各健身者完整的健身状态，在此需要说明，所述历史健身状态为在当前健身类型之前的健身者的各健身类型。本发明将基于历史健身状态对所述健身者的运动评价指标进行优化，准确获取健身者的实际运动评价指标，进一步得到健身者当下总的实际运动评价指标。所述优化过程具体为：

i.首先根据历史健身状态获取健身者在各个健身器材的健身时长，对于健身者i，其历史健身状态所对应的各健身器材的健身时长序列

，式中，

为健身者i使用健身器材c的健身时长，c为健身者i的在当前健身类型前的历史健身状态中共有c个健身类型，进一步地获取健身者的运动评价指标序列

，式中，

为基于运动评价指标分析模型获取的健身者i在健身器材c的运动评价指标，根据所述方法获取各健身者的运动评价指标序列；

ii.考虑到在实际健身过程中，健身者在健身器材c的身体消耗状况与其在先的各个时段的身体消耗状况均有关，健身者在健身器材1的运动评价指标是准确的，因此，本发明将基于前一健身时长对应的运动评价指标对当下的运动评价指标进行优化，同时，本发明考虑到健身者在健身器材健身之后的休息停顿时间对于该健身者在在后健身器材上的运动评价指标存在较大影响，因此，本发明将根据健身者的历史健身状态获取其健身间隔时间，也即在相邻两次健身器材健身的中间休息停顿时间，对于健身者i，其历史健身状态所对应的各健身间隔时间序列

，

为健身者i在健身器材c健身后至下一健身器材健身前的间隔时间，最终，本发明将基于对于健身者i在健身器材2的运动评价指标优化模型为：

依次对健身者i在每个健身器材（健身类型）对应的各运动评价指标进行优化，获取健身者 i在每个健身类型下的实际运动评价指标（也即优化后的）：

，基于各实际运动评价指标，建立当下实际运动评价指标分析模型，最终，得到健身者i的当下总的实际运动评价指标：

为当前健身者i 的最终准确的运动评价指标，进一步得到各健身者当前的优化运动评价指标，

iii.获取各健身者的当下总实际运动评价指标序列

，计算健身房内所有健身者当下总实际运动评价指标均值，并根据各健身者当下总实际运动评价指标确定各健身者的权重，因此，健身房内当下总实际运动评价指标计算模型为：

式中，

为当下健身房内总实际运动评价指标均值，用于后续基于此对健身房整体环境温度进行智能调控。

至此，即可根据所述方法获取各健身者的运动评价指标，同时基于优化模型对各健身者的运动评价指标进行优化，准确获取各健身者在每个健身器材所对应的实际运动评价指标。

步骤四：基于各健身者的运动评价指标，建立健身房温度调控模型，对健身房设备进行智能化控制；

获取健身房内当下总实际运动评价指标均值

后，构建健身房温度调控模型，基于各健身者的身体状况对健身房内温度进行调控，本发明能够为根据健身房内健身者的自身情况，对其自适应的提供更加舒适的健身环境，有效防止健身温度不适造成的健身者身体健康状况问题，提高健身房的整体评分。

所述健身房温度调控模型具体为：

式中，

为温度调控因子，用于反映运动评价指标与健身房温度的对应关系，

均为模型参数，模型参数实施者根据实际情况自行设定。进一步地，对健身房内设置基础温度T0，进一步建立健身房温度计算模型：

式中，

为基于所述方法调控之后的健身房温度，T0的设置实施者自行设定，本发明中，T0=22°。为保证健身房内温度不会出现过高过低的温度环境，本发明对调控后的温度设置边界值：

，进一步根据基础温度以及温度边界值可获取温度调控因子的归一化范围，本发明中，温度调控因子范围处于

。

至此，根据本发明所述方法即可实现健身房空调设备的智能控制，对健身房温度进行自适应调控，提高健身房环境温度的舒适性，避免人为控制的不确定性、主观性等问题。

以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (4)

1.一种基于数据识别的健身房温度控制调节方法，其特征在于，包括：

步骤一：在健身房安装多台相机，采集房内健身者的图像数据，用于后续分析健身者的运动情况；

步骤二：根据所述图像数据，对健身者的健身动作进行分析，得到健身者的运动类型；

步骤三：建立运动量分析模型，并构建运动评价指标分析模型，对健身者的能量消耗状况进行检测；

步骤四：基于各健身者的运动评价指标，建立健身房温度调控模型，对健身房温度管理设备进行智能控制；

所述步骤三具体如下：对于健身器材建立健身器材数据库，每种类型的健身器材各对应一个基本运动量，可得到健身器材的基本运动量序列

，式中，k为健身器材种类对健身房内各人员的实时运动情况进行检测，得到当前各人员使用的健身器材，基于视频序列，获取各人员在各健身器材的健身时长

，n为健身房人员数量，可得到各人员的基础运动量：

式中，

为第i个人的基础运动量，

为第i个人当前健身采用的健身器材所对应的基本运动量值，

为第i个人在当前健身器材上的健身时间；根据所述方法获取健身房内各人员的当前基础运动量序列

；根据所述当前基础运动量对当前人员疲惫状态进行分析，检测当前健身者的身体消耗情况，构建健身者运动评价指标分析模型，所述运动评价指标分析模型的函数表达式具体为：

式中，函数值越大，对应健身者的身体消耗程度越高；

根据所述运动评价指标分析模型通过健身者的当前健身状态，获取各健身者当前的运动评价指标序列

，对应分别为基于所述运动评价指标分析模型计算的n个健身者的当前运动评价指标；

还包括优化过程：根据历史健身状态获取健身者在各个健身器材的健身时长，对于健身者i，其历史健身状态所对应的各健身器材的健身时长序列

，式中，

为健身者i使用健身器材c的健身时长，c为健身者i的在当前健身类型前的历史健身状态中共有c个健身类型，进一步地获取健身者的运动评价指标序列

，式中，

为基于运动评价指标分析模型获取的健身者i在健身器材c的运动评价指标，根据所述步骤三获取各健身者的运动评价指标序列；对于健身者i，其历史健身状态所对应的各健身间隔时间序列

，

为健身者i在健身器材c健身后至下一健身器材健身前的间隔时间，基于对于健身者i在健身器材2的运动评价指标优化模型为：

其中，

为健身者i在第一个健身器材和第二个健身器材之间的间隔时间；

根据运动评价指标优化模型，依次对健身者i在每个健身器材对应的各运动评价指标进行优化，获取健身者 i在每个运动类型下的实际运动评价指标：

，基于各实际运动评价指标，建立当下实际运动评价指标分析模型，最终，得到健身者i的当下总的实际运动评价指标：

为当前健身者i 的最终准确的运动评价指标，进一步得到各健身者当前的优化运动评价指标，

获取各健身者的当下总实际运动评价指标序列

，计算健身房内所有健身者当下总实际运动评价指标均值，并根据各健身者当下总实际运动评价指标确定各健身者的权重，健身房内当下总实际运动评价指标计算模型为：

式中，

为当下健身房内总实际运动评价指标均值，用于后续基于此对健身房整体环境温度进行智能调控。

2.根据权利要求1所述一种基于数据识别的健身房温度控制调节方法，其特征在于，所述步骤一方法为：在健身房安装多台相机设备，相机数量以及相机位置的布置实施者根据健身房实际情况进行安排，为保证后续基于图像数据分析的准确性，各相机的采集范围需要包含健身房内的各健身区域，以便后续基于健身房的整体情况进行分析，保证数据信息的完整性，即可根据健身房的相机对健身房内图像数据进行采集，实时获取各健身区域的图像信息。

3.根据权利要求2所述一种基于数据识别的健身房温度控制调节方法，其特征在于，所述步骤二方法为:

1）构建网络模型，所述网络模型包括人体关键点编码器Encoder和人体关键点解码器Decoder；

2)利用标签数据对所述网络模型进行训练，得到训练好的网络模型；

3)将归一化处理后的所述图像数据作为训练好的网络模型的网络输入，网络输出为与所述图像数据等大的人体关键点Heatmap；

4)采用PAFs对人体关键点Heatmap进行匹配，以实现关键点的连接，利用网络分支得到各关键点的关系矢量谱；

5）根据所述人体关键点Heatmap和各关键点的关系矢量谱，得到获取多帧人体二维动作序列图；

6）将所述多帧人体二维动作序列图输入TCN网络模型中，提取人体的三维动作序列，获得健身者的运动类型；

其中，所述标签数据为通过健身房相机对目标区域进行图像采集，并对采集的图像标注人体关键点，所述人体关键点包括头部关键点、颈部关键点、左右肩关节点、左右肘关节、左右腕关节、脊柱中心点、左右髋关节、左右膝关节、左右踝关节；然后通过高斯核卷积生成以人体关键点为中心的热斑作标注，得到符合高斯分布的热斑即为人体关键点Heatmap，将所述人体关键点Heatmap作为标签数据，对所述标签数据进行归一化处理后作为网络输入，端到端地训练所述网络模型,并采用均方差损失函数对网络进行训练，不断更新网络参数，得到训练好的网络模型。

4.根据权利要求1所述的基于数据识别的健身房温度控制调节方法，其特征在于，所述步骤四具体包括：获取健身房内当下总实际运动评价指标均值

后，构建健身房温度调控模型，基于各健身者的身体状况对健身房内温度进行调控，所述健身房温度调控模型具体为：

式中，

为温度调控因子，

均为模型参数，对健身房内设置基础温度T0，进一步建立健身房温度计算模型：

式中，

为调控之后的健身房温度，T0=22°。