CN113658695A - 健身运动的数据监测方法、系统及计算机可读存储介质 - Google Patents
健身运动的数据监测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113658695A CN113658695A CN202110819147.3A CN202110819147A CN113658695A CN 113658695 A CN113658695 A CN 113658695A CN 202110819147 A CN202110819147 A CN 202110819147A CN 113658695 A CN113658695 A CN 113658695A
- Authority
- CN
- China
- Prior art keywords
- data
- fitness
- physiological characteristic
- action
- building
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 233
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 12
- 239000012634 fragment Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000001303 quality assessment method Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims 18
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000036387 respiratory rate Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供了一种健身运动的数据监测方法、系统及计算机可读存储介质,其中,方法包括:获取运动者的健身动作数据和生理特征数据;对健身动作数据进行分解,得到多个健身动作数据片段,以及对生理特征数据进行分解,得到多个生理特征数据片段,其中,健身动作数据片段的时间戳与生理特征数据片段的时间戳相对应;根据健身动作数据片段相应的运动状态信息,分别为各健身动作数据片段分配相应的权值系数;结合各生理特征数据片段以及相应的权值系数,输出运动者的生理参数或健身质量评估数据,其中,健身质量评估数据用于表征运动者的健身动作的质量。本申请能够大幅度提升对健身运动的数据进行监测时的准确性和可靠性。
Description
【技术领域】
本申请实施例涉及健康监测技术领域,尤其涉及一种健身运动的数据监测方法、系统及计算机可读存储介质。
【背景技术】
相关技术中,运动者在进行健身运动时,一般通过佩戴在运动者身上的测量装置,如智能手环、智能手表等,监测运动者的某些生理参数,如心率、呼吸率、体温等,从而根据这些生理参数评判运动者所做的健身运动的质量,如健身运动的合理性、规范性等。这种监测方式需要在运动者身上佩戴多余的测量装置,这必然会给运动者带来一定的影响,如妨碍运动者所做的健身运动,为此,一些无需在运动者身上佩戴多余的测量装置的监测方法应运而生,我们称这些监测方法为无触感监测方法。
无触感监测方法一般包括基于生物电雷达的监测方法和基于压力传感器的监测方法。基于生物电雷达的监测方法成本较高,不利于运动者随身携带。基于压力传感器的监测方法将压力传感器直接布置在运动垫上,从而利用压力传感器所测量的运动者的生理参数评判运动者所做的健身运动的质量,这种监测方法虽然成本较低,也便于运动者随身携带,但是由于其是将运动者的生理参数整体作为评判指标,而整体数据中通常不可避免的会包含部分可用性较低的数据,所以其监测结果的准确性、可靠性均较低。
因此,有必要对上述健身运动的数据监测方法进行改进。
【发明内容】
本申请提供了一种健身运动的数据监测方法、系统及计算机可读存储介质,旨在解决相关技术中对健身运动的数据进行监测时的准确性和可靠性均较低的问题。
为了解决上述技术问题,本申请实施例第一方面提供了一种健身运动的数据监测方法,包括:
获取运动者的健身动作数据和生理特征数据;
对所述健身动作数据进行分解,得到多个健身动作数据片段,以及对所述生理特征数据进行分解,得到多个生理特征数据片段;其中,所述健身动作数据片段的时间戳与所述生理特征数据片段的时间戳相对应;
根据所述健身动作数据片段相应的运动状态信息,分别为各所述健身动作数据片段分配相应的权值系数;
结合各所述生理特征数据片段以及相应的所述权值系数,输出所述运动者的生理参数或健身质量评估数据;其中,所述健身质量评估数据用于表征所述运动者的健身动作的质量。
本申请实施例第二方面提供了一种健身运动的数据监测系统,包括:运动垫、设置在所述运动垫内的至少一个压力传感器及与各所述压力传感器通信连接的监测终端,所述监测终端包括存储装置及一个或多个处理器,所述存储装置用于存储一个或多个程序,其中,当一个或多个所述程序被一个或多个所述处理器执行时,使得一个或多个所述处理器执行如本申请实施例所提供的上述健身运动的数据监测方法。
本申请实施例第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有可执行指令,所述可执行指令被执行时执行如本申请实施例所提供的上述健身运动的数据监测方法。
从上述描述可知,与相关技术相比,本申请的有益效果在于:
本申请在对健身运动进行监测的过程中,不仅仅是利用了运动者的生理特征数据,而是将运动者的生理特征数据和相应的健身动作数据结合作为评判健身运动的质量的指标,从而增加了用于评判健身运动的质量的数据的可用性,进而提升了对健身运动的数据进行监测时的准确性和可靠性。而且,本申请分别对运动者的健身动作数据以及生理特征数据进行了分解,并得到了多个健身动作数据片段以及相应的多个生理特征数据片段;同时,本申请对于运动状态信息不同的健身动作数据片段,分别分配了不同的权值系数;由于不同的生理特征数据片段所对应的权值系数不同,所以不同的生理特征数据片段中的生理特征数据的可信度便不同,且生理特征数据片段相应的可信度与生理特征数据对评估健身运动的质量时的参考价值呈正相关关系。那么,在后续对健身运动的质量进行评估时,可以采用可信度较高的生理特征数据片段中的生理特征数据,从而能够提升对健身运动的质量进行监测时所获取的运动者的生理参数的准确性和可靠性,进而能够进一步提升对健身运动的数据进行监测时的准确性和可靠性。
【附图说明】
为了更清楚地说明相关技术或本申请实施例中的技术方案,下面将对相关技术或本申请实施例的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申请的一些实施例,而并非是全部实施例,对于本领域的普通技术人员来讲,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为本申请实施例提供的健身运动的数据监测方法的流程示意图;
图2为本申请实施例提供的健身动作的波形示意图;
图3为本申请实施例提供的心率波形示意图;
图4为本申请实施例提供的心率及呼吸率的折线示意图;
图5为本申请实施例提供的运动者的体动波形示意图;
图6为本申请实施例提供的生理特征曲线与权值系数间的关系图;
图7为本申请实施例提供的健身运动的数据监测系统的模块方框图;
图8为本申请实施例提供的计算机可读存储介质的模块方框图。
【具体实施方式】
为了使本申请的目的、技术方案以及优点更加的明显和易懂,下面将结合本申请实施例以及相应的附图,对本申请进行清楚、完整地描述,其中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。应当理解的是,下面所描述的本申请的各个实施例仅仅用以解释本申请,并不用于限定本申请,也即基于本申请的各个实施例,本领域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,下面所描述的本申请的各个实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
在相关技术中,虽然基于压力传感器的健康监测方法成本较低,也便于运动者随身携带,但是由于其是将运动者的生理参数整体作为评判指标,而整体数据中通常不可避免的会包含部分可用性较低的数据,从而导致其监测结果的准确性、可靠性均较低的问题。为此,本申请实施例提供了一种健身运动的数据监测方法。
请参阅图1,图1为本申请实施例提供的健身运动的数据监测方法的流程示意图。
如图1所示,本申请实施例提供一种健身运动的数据监测方法,包括如下步骤101至104。
步骤101、获取运动者的健身动作数据和生理特征数据。
在本申请实施例中,需要先获取运动者的健身动作数据以及生理特征数据。其中,健身动作数据为运动者进行健身运动的过程中所做的健身动作,而由于健身动作本身具有相应的运动状态,所以健身动作数据必然包括运动状态信息;该运动状态信息可以包括但不限于动作幅度信息和动作频率信息,甚至还可以为本领域内常用的多种运动状态信息的组合。生理特征数据为运动者进行健身运动的过程中的生理特征指标的测量值,该生理特征指标可以包括但不限于心率和呼吸率,甚至还可以为本领域内常用的多种生理特征指标的组合。
步骤102、对健身动作数据进行分解,得到多个健身动作数据片段,以及对生理特征数据进行分解,得到多个生理特征数据片段;其中,健身动作数据片段的时间戳与生理特征数据片段的时间戳相对应。
在本申请实施例中,获取到运动者的健身动作数据和生理特征数据后,需要分别对健身动作数据以及生理特征数据进行分解,以得到多个健身动作数据片段以及相应的生理特征数据片段。其中,健身动作数据片段的时间戳与生理特征数据片段的时间戳相对应,也即第n个健身动作数据片段与第n个生理特征数据片段具有对应关系,或者是说,运动者在进行第n个健身动作数据片段对应的健身动作时,所获取到的生理特征数据即为第n个生理特征数据片段对应的生理特征数据,n为大于或等于1的正整数。
步骤103、根据健身动作数据片段相应的运动状态信息,分别为各健身动作数据片段分配相应的权值系数。
在本申请实施例中,得到多个健身动作数据片段以及相应的多个生理特征数据片段后,需要根据健身动作数据片段相应的运动状态信息,分别为各健身动作数据片段分配相应的权值系数。可以理解,由于第n个健身动作数据片段与第n个生理特征数据片段间具有对应关系,所以第n个健身动作数据片段的权值系数与第n个生理特征数据片段间也具有对应关系。
基于权值系数与生理特征数据片段间的对应关系,权值系数可以与相应生理特征数据片段中的生理特征数据的可信度相关联;那么,在后续对健身运动的质量进行评判时,由于不同的生理特征数据片段所对应的权值系数不同,所以不同的生理特征数据片段中的生理特征数据的可信度便不同。可以理解的是,对于可信度较高的生理特征数据片段,其内的生理特征数据对评估健身运动的质量时的参考价值较高;对于可信度较低的生理特征数据片段,其内的生理特征数据对评估健身运动的质量时的参考价值较低;也即生理特征数据片段相应的可信度与生理特征数据对评估健身运动的质量时的参考价值呈正相关关系。
步骤104、结合各生理特征数据片段以及相应的权值系数,输出运动者的生理参数或健身质量评估数据;其中,健身质量评估数据用于表征运动者的健身动作的质量。
在本申请实施例中,根据健身动作数据片段相应的运动状态信息,分别为各健身动作数据片段分配相应的权值系数后,需要结合各生理特征数据片段以及相应的权值系数,输出运动者的生理参数或健身质量评估数据;其中,健身质量评估数据用于表征运动者的健身动作的质量。在得到运动者的生理参数或健身质量评估数据后,便可以根据所得到的运动者的生理参数或健身质量评估数据对运动者所做的健身动作的质量进行评估。
本申请实施例先获取运动者的健身动作数据和生理特征数据;再对健身动作数据进行分解,得到多个健身动作数据片段,以及对生理特征数据进行分解,得到多个生理特征数据片段,其中,健身动作数据片段的时间戳与生理特征数据片段的时间戳相对应;最后根据健身动作数据片段相应的运动状态信息,分别为各健身动作数据片段分配相应的权值系数,并且结合各生理特征数据片段以及相应的权值系数,输出运动者的生理参数或健身质量评估数据,其中,健身质量评估数据用于表征运动者的健身动作的质量。由此可见,本申请实施例在对健身运动进行监测的过程中,不仅仅利用了运动者的生理特征数据,而且将运动者的生理特征数据和相应的健身动作数据结合作为评判健身运动的质量的指标,从而增加了用于评判健身运动的质量的数据的可用性,进而提升了对健身运动的质量进行监测时的准确性和可靠性。而且,本申请实施例分别对运动者的健身动作数据以及生理特征数据进行了分解,并得到了多个健身动作数据片段以及相应的多个生理特征数据片段;同时,本申请实施例对于运动状态信息不同的健身动作数据片段,分别分配了不同的权值系数;由于不同的生理特征数据片段所对应的权值系数不同,所以不同的生理特征数据片段中的生理特征数据的可信度便不同。那么,在后续对运动者的生理参数进行监测时,结合各生理特征数据片段以及相应的权值系数,从而能够提升对运动者的生理参数进行监测的准确性和可靠性。
在本申请实施例中,前述步骤101至104分别包括多种实施方式,下面将分别对步骤101至104所包括的实施方式进行列举说明。
对于步骤101:
在一个实施方式中,健身动作数据可以是在运动者进行健身动作前,所预先获取的相应健身动作标准数据,比如健身运动的教程、视频等,此时,该健身动作标准数据即可作为健身动作数据。
在另一个实施方式中,健身动作数据也可以是在运动者完成健身动作的过程中所实时获取的健身动作数据。
此外,对于健身动作数据的表现形式,可以参见图2,为本申请实施例提供的健身动作的波形示意图,从图2中可以看出,健身动作数据可以以波形/曲线/折线等形式呈现。
应当理解的是,上述各实施方式仅作为本申请实施例的优选实现,并非是本申请实施例对于运动状态信息的类型、生理特征数据的类型以及健身动作数据的获取方式的唯一限定,这些均可以根据实际应用场景进行灵活设定。
对于步骤102:
在一个实施方式中,当健身动作数据为在运动者进行健身动作前,所预先获取的相应健身动作标准数据时,对健身动作数据进行分解,得到多个健身动作数据片段,可以为:根据健身动作数据(也即健身动作标准数据)相应的运动状态信息,对健身动作数据进行分解,得到多个健身动作数据片段。
可选地,当运动状态信息为动作幅度信息时,可以根据健身动作数据(也即健身动作标准数据)相应的动作幅度信息,对健身动作数据进行分解,得到多个健身动作数据片段。比如,按照动作幅度信息所表征的动作幅度的大小,将健身动作数据(也即健身动作标准数据)划分为三种类型的健身动作数据片段,其一可以为表征动作幅度较大的健身动作数据片段,其二可以为表征动作幅度较适中的健身动作数据片段,其三可以为表征动作幅度较小,或者无动作幅度(也即运动者处于静止状态)的健身动作数据片段。
应当说明的是,图2中健身动作的波形实际上也代表健身动作的幅度,比如,图2中健身动作的波形变化较大时,说明健身动作的幅度由小幅度向大幅度的方向转变,或者,由大幅度向小幅度的方向转变。基于此,在根据健身动作数据(也即健身动作标准数据)相应的动作幅度信息,对健身动作数据进行分解时,可以根据如图2所示的健身动作的波形的变化情况,对健身动作数据进行分解。
可选地,当运动状态信息为动作频率信息时,可以根据健身动作数据(也即健身动作标准数据)相应的动作频率信息,对健身动作数据进行分解,得到多个健身动作数据片段。比如,按照动作频率信息所表征的动作频率的快慢,将健身动作数据(也即健身动作标准数据)划分为三种类型的健身动作数据片段,其一可以为表征动作频率较快的健身动作数据片段,其二可以为表征动作频率较适中的健身动作数据片段,其三可以为表征动作频率较慢的健身动作数据片段。
可选地,当运动状态信息为动作频率信息与动作幅度信息的组合时,可以根据健身动作数据(也即健身动作标准数据)相应的动作频率信息以及动作幅度信息,对健身动作数据进行分解,得到多个健身动作数据片段。比如,按照动作频率信息所表征的动作频率的快慢以及动作幅度信息所表征的动作幅度的大小,将健身动作数据(也即健身动作标准数据)划分为三种类型的健身动作数据片段,其一可以为表征动作频率较快且动作幅度较大的健身动作数据片段,其二可以为表征动作频率较适中且动作幅度较适中的健身动作数据片段,其三可以为表征动作频率较慢且动作幅度较小的健身动作数据片段。
此处,有必要进行说明,当运动状态信息为动作频率信息与动作幅度信息的组合,且健身动作数据(也即健身动作标准数据)相应的动作频率较快,动作幅度较小,或者,动作频率较慢,动作幅度较大时,我们可以对相应的动作频率信息以及动作幅度信息进行综合考量,以将健身动作数据(也即健身动作标准数据)划分为不同类型的多个健身动作数据片段。
在另一个实施方式中,当健身动作数据为在运动者完成健身动作的过程中,所实时获取的健身动作数据时,对健身动作数据进行分解,得到多个健身动作数据片段,可以为:根据健身动作数据相应的生理特征数据的特征值,对健身动作数据进行分解,得到多个健身动作数据片段。
具体地,生理特征数据可以以波形/曲线/折线等形式表达,生理特征数据的特征值可以包括但不限于所述波形/曲线/折线的峰值。对于以生理特征波形表达的生理特征数据可以参见图3,为本申请实施例提供的心率波形示意图;对于以生理特征折线表达的生理特征数据可以参见图4,为本申请实施例提供的心率及呼吸率的折线示意图。
在此基础上,根据健身动作数据相应的生理特征数据的特征值,对健身动作数据进行分解,得到多个健身动作数据片段,可以为:根据健身动作数据相应的生理特征曲线的峰值的变化情况,对健身动作数据进行分解,得到多个健身动作数据片段。比如,当健身动作数据相应的生理特征曲线的峰值的变化幅度较大时,可以表征运动者的健身动作的幅度由小到大,或者由大到小,此时可以参照前文所述的根据健身动作标准数据相应的动作幅度信息,对健身动作标准数据进行分解的步骤,对健身动作数据进行分解,以得到多个健身动作数据片段。再比如,当健身动作数据相应的生理特征曲线的峰值的变化幅度较大时,可以表征运动者的健身动作的频率由快到慢,或者由慢到快,此时可以参照前文所述的根据健身动作标准数据相应的动作频率信息,对健身动作标准数据进行分解的步骤,对健身动作数据进行分解,以得到多个健身动作数据片段。再比如,当健身动作数据相应的生理特征曲线的峰值的变化幅度较大时,可以表征运动者的健身动作的幅度由小到大且频率由慢到快,或者幅度由大到小且频率由快到慢,此时可以参照前文所述的根据健身动作标准数据相应的动作幅度信息以及动作频率信息,对健身动作标准数据进行分解的步骤,对健身动作数据进行分解,以得到多个健身动作数据片段。
更具体地,根据健身动作数据相应的生理特征数据的特征值,对健身动作数据进行分解,得到多个健身动作数据片段,可以包括:在生理特征曲线上,以预设时长制作窗口,并对窗口进行点移;根据窗口内的生理特征曲线的峰值的变化情况,对健身动作数据进行分解,得到多个健身动作数据片段。比如,先在如图4所示的心率及呼吸率的折线上以预设时长制作窗口,并对窗口进行点移;再根据窗口内的心率及呼吸率的折线的峰值的变化情况,对健身动作数据进行分解,得到多个健身动作数据片段。
可选地,生理特征曲线的峰值的变化情况可以包括生理特征曲线的峰值发生跳变的情况或超过预设峰值阈值的情况;其中,生理特征曲线的峰值发生跳变的大小(即跳变值)实际上相当于前文所描述的生理特征曲线的峰值在前后两个窗口之间的变化幅度;生理特征曲线的峰值超过预设峰值阈值的裕量实际上也相当于前文所描述的生理特征曲线的峰值与预设峰值阈值的差值的变化幅度。并且,生理特征曲线的峰值超过预设峰值阈值的裕量越大,健身动作数据相应的动作幅度越大,也即生理特征曲线的峰值超过预设峰值阈值的裕量与健身动作数据相应的动作幅度呈正相关关系;生理特征曲线的峰值的跳变值越大,健身动作数据相应的动作幅度的变化越大,也即生理特征曲线的峰值的跳变值与健身动作数据相应的动作幅度的变化呈正相关关系;生理特征曲线的峰值的跳变越频繁,健身动作数据相应的动作频率越大,也即一定时间内生理特征曲线的峰值的跳变次数与健身动作数据相应的动作频率呈正相关关系。
从前文对该实施方式的描述可知,该实施方式基于健身动作数据相应的生理特征数据的特征值,对健身动作数据进行分解。但是,在其他实施方式中,也可以基于运动者的体动数据,对健身动作数据进行分解;其中,运动者的体动数据表征运动者在进行健身动作时身体的震动(对于体动数据,可以参见图5,为本申请实施例提供的运动者的体动波形示意图)。基于此,可以先在如图5所示的体动波形上以预设时长制作窗口,并对窗口进行点移;再根据窗口内的体动波形的峰值的变化情况,对健身动作数据进行分解,得到多个健身动作数据片段;其中,体动波形的变化幅度越大,表明运动者所做的健身动作的幅度由小幅度转变为大幅度,或者,由大幅度转变为小幅度。
应当理解的是,上述各实施方式仅作为本申请实施例的优选实现,并非是本申请实施例对于步骤102的相关技术特征的唯一限定,步骤102的相关技术特征均可以根据实际应用场景进行灵活设定。
对于步骤103:
在一个实施方式中,当运动状态信息为动作幅度信息时,可以根据健身动作数据片段相应的动作幅度信息,分别为各健身动作数据片段分配相应的权值系数。比如,按照动作幅度信息所表征的动作幅度的大小,将健身动作数据划分为三种类型的健身动作数据片段,且这三种类型的健身动作数据片段分别分配有不同的权值系数。所述三种类型的健身动作数据片段包括第一健身动作数据片段、第二健身动作数据片段和第三健身动作数据片段。所述第一健身动作数据片段可以为表征动作幅度较大的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作幅度较大,所以相应的生理特征数据片段中的生理特征数据的可信度较小,分配给第一健身动作数据片段的权值系数为a;所述第二健身动作数据片段可以为表征动作幅度较适中的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作幅度较适中,所以相应的生理特征数据片段中的生理特征数据的可信度一般,分配给第二健身动作数据片段的权值系数为b;第三健身动作数据片段可以为表征动作幅度较小,或者无动作幅度(也即运动者处于静止状态)的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作幅度较小,所以相应的生理特征数据片段中的生理特征数据的可信度较高,分配给第三健身动作数据片段的权值系数为c;其中a,b,c为任意正数,且a<b<c。
在另一个实施方式中,当运动状态信息为动作频率信息时,可以根据健身动作数据片段相应的动作频率信息,分别为各健身动作数据片段分配相应的权值系数。比如,按照动作频率信息所表征的动作频率的快慢,将健身动作数据划分为三种类型的健身动作数据片段,且这三种类型的健身动作数据片段分别分配有不同的权值系数。所述三种类型的健身动作数据片段包括第四健身动作数据片段、第五健身动作数据片段和第六健身动作数据片段。所述第四健身动作数据片段可以为表征动作频率较快的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作频率较快,所以相应的生理特征数据片段中的生理特征数据的可信度较小,分配给第四健身动作数据片段的权值系数为d;所述第五健身动作数据片段可以为表征动作频率较适中的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作频率较适中,所以相应的生理特征数据片段中的生理特征数据的可信度一般,分配给第五健身动作数据片段的权值系数为e;第六健身动作数据片段可以为表征动作频率较慢的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作频率较慢,所以相应的生理特征数据片段中的生理特征数据的可信度较高,分配给第六健身动作数据片段的权值系数为f;其中d,e,f为任意正数,且d<e<f。
在又一个实施方式中,当运动状态信息为动作幅度信息以及动作频率信息时,可以根据健身动作数据片段相应的动作幅度信息以及动作频率信息,分别为各健身动作数据片段分配相应的权值系数。比如,按照动作幅度信息所表征的动作幅度的大小以及动作频率信息所表征的动作频率的快慢,将健身动作数据划分为三种类型的健身动作数据片段,且这三种类型的健身动作数据片段分别分配有不同的权值系数。所述三种类型的健身动作数据片段包括第七健身动作数据片段、第八健身动作数据片段和第九健身动作数据片段。所述第七健身动作数据片段可以为表征动作幅度较大且动作频率较快的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作幅度较大且动作频率较快,所以相应的生理特征数据片段中的生理特征数据的可信度较小,分配给第七健身动作数据片段的权值系数为g;所述第八健身动作数据片段可以为表征动作幅度较适中且动作频率较适中的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作幅度较适中且动作频率较适中,所以相应的生理特征数据片段中的生理特征数据的可信度一般,分配给第八健身动作数据片段的权值系数为h;所述第九健身动作数据片段可以为表征动作幅度较小且动作频率较慢的健身动作数据片段,由于该种类型的健身动作数据片段中的健身动作的动作幅度较小且动作频率较慢,所以相应的生理特征数据片段中的生理特征数据的可信度较高,分配给第九健身动作数据片段的权值系数为i;其中g,h,i为任意正数,且g<h<i。
此处,有必要进行说明,当运动状态信息为动作频率信息与动作幅度信息的组合,且健身动作数据相应的动作频率较快但动作幅度较小,或者,动作频率较慢但动作幅度较大时,我们可以对相应的动作频率信息以及动作幅度信息进行综合考量,以分别为各健身动作数据片段分配相应的权值系数。
请参见图6,为本申请实施例提供的生理特征曲线与权值系数间的关系图。根据前文所描述的内容,我们已经知道生理特征数据片段、健身动作数据片段以及权值系数间具有对应关系。现以生理特征数据片段与权值系数间的对应关系为例进行说明,在图6中,生理特征曲线的每一个水平段均表征一段生理特征数据片段,且每一个生理特征数据片段的权值系数在相应生理特征数据片段中均是不变的。比如,在图6中0-10s的区间内,生理特征曲线共有三段水平段,也即共有三段生理特征数据片段,这三段生理特征数据片段沿0s至10s方向可以分为第一生理特征数据片段、第二生理特征数据片段以及第三生理特征数据片段。其中,第一生理特征数据片段相应的权值系数为2,那么第一生理特征数据片段相应的健身动作数据片段的权值系数也为2;第二生理特征数据片段相应的权值系数为3,那么第二生理特征数据片段相应的健身动作数据片段的权值系数也为3;第三生理特征数据片段相应的权值系数为1,那么第三生理特征数据片段相应的健身动作数据片段的权值系数也为1;而且,在这三段生理特征数据片段内,相应的权值系数一直保持不变。
结合上述各实施方式可知,健身动作数据片段相应的权值系数与健身动作数据片段中的健身动作的动作幅度、动作频率均呈负相关关系;而且,健身动作数据片段相应的权值系数所表征的是相应生理特征数据片段中的生理特征数据的可信度。
应当理解的是,上述各实施方式仅作为本申请实施例的优选实现,并非是本申请实施例对于步骤103的相关技术特征的唯一限定,步骤103的相关技术特征均可以根据实际应用场景进行灵活设定。
对于步骤104:
在一个实施方式中,当生理特征数据包括心率数据和呼吸率数据时,也即生理特征数据片段包括心率数据片段和呼吸率数据片段时,结合各生理特征数据片段以及相应的权值系数,输出健身质量评估数据,可以包括:根据各健身动作数据片段相应的心率数据片段的心率最大值、开始时的心率值及结束时的心率值,以及呼吸率数据片段的呼吸率最大值、开始时的呼吸率值和结束时的呼吸率值,输出各健身动作数据片段相应的质量评估分值;根据各质量评估分值以及相应的权值系数,输出健身质量评估数据。
在一个实施方式中,结合各生理特征数据片段以及相应的权值系数,输出运动者的生理参数,可以包括:根据各生理特征数据片段相应权值系数所表征的可信度的大小,输出可信度较高的生理特征数据片段中的生理特征数据;或者,根据各生理特征数据片段及相应的权值系数,对各生理特征数据片段中的生理特征数据进行加权平均计算,输出各生理特征数据的加权平均值。其中,生理特征数据可以包括但不限于健身动作数据片段相应的心率数据片段的心率最大值、开始时的心率值及结束时的心率值,以及呼吸率数据片段的呼吸率最大值、开始时的呼吸率值和结束时的呼吸率值。
下面以动作幅度信息作为运动状态信息,且运动状态信息包括表征动作幅度较大的第一运动状态信息、表征动作幅度适中的第二运动状态信息以及表征动作幅度较小的第三运动状态信息为例,对步骤104中输出健身质量评估数据进行详细阐述,具体请见下文所示出的步骤a至d。
步骤a、分别将第一运动状态信息相应的各心率数据片段的心率的最大值Aj、开始时的心率值Bj及结束时的心率值Cj,以及各呼吸率数据片段的呼吸率的最大值Ej、开始时的呼吸率值Fj和结束时的呼吸率值Gj代入第一计算公式,计算第一运动状态信息相应的质量评估分值M1;其中,j表征相应的心率数据片段或呼吸率数据片段,j=1,2,...,n,n为大于1的正整数;第一计算公式可以表示为M1=∑j[(Aj-Bj)+(Aj-Cj)+(Ej-Fj)+(Ej-Gj)];
步骤b、分别将第二运动状态相应的各心率数据片段的心率的最大值Hj、开始时的心率值Zj及结束时的心率值Kj,以及各呼吸率数据片段的呼吸率的最大值Lj、开始时的呼吸率值Pj和结束时的呼吸率值Rj代入第二计算公式,计算第二运动状态信息相应的的质量评估分值M2;其中,第二计算公式可以表示为M2=∑j[(Hj-Zj)+(Hj-Kj)+(Lj-Pj)+(Lj-Rj)];
步骤c、分别将第三运动状态相应的各心率数据片段的心率的最大值Sj、开始时的心率值Uj和结束时的心率值Vj,以及各呼吸率数据片段的呼吸率的最大值Wj、开始时的呼吸率值Xj和结束时的呼吸率值Yj代入第三计算公式,计算第三运动状态信息相应的质量评估分值M3;其中,第三计算公式可以表示为M3=∑j[(Sj-Uj)+(Sj-Vj)+(Wj-Xj)+(Wj-Yj)];
步骤d、分别将第一运动状态信息相应的质量评估分值M1、第一运动状态信息相应的权值系数N1、第二运动状态信息相应的质量评估分值M2、第二运动状态信息相应的权值系数N2、第三运动状态信息相应的质量评估分值M3、第三运动状态信息相应的权值系数N3、预设的修正系数D以及运动者完成健身动作所消耗的时间T代入第四计算公式,计算健身动作数据的质量评估数据Q;其中,第四计算公式可以表示为Q=M1*N1+M2*N2+M3*N3+D*T。
至此,便得到了健身动作数据的质量评估数据,之后,便可以根据所得到的质量评估数据对运动者所做的健身运动的质量进行评估。
应当理解的是,上述各实施方式仅作为本申请实施例的优选实现,并非是本申请实施例对于步骤104的相关技术特征的唯一限定,步骤104的相关技术特征均可以根据实际应用场景进行灵活设定。
此外,为了避免运动者在进行健身运动的过程中,由于运动者所做的健身动作不规范而导致运动者出现安全事故,本申请实施例所提供的上述健身运动的质量监测方法还可以包括:分别判断各生理特征数据片段的特征值是否超过目标阈值范围;当超过目标阈值范围时,输出安全警示;其中,安全警示用于提示运动者相应的健身动作数据片段中的健身动作存在安全隐患。
在一个实施方式中,可以分别判断各生理特征数据片段的最大值(如相应生理特征曲线的波峰)是否超过预设最大阈值,并在超过预设最大阈值时,输出安全警示。
当然,也并非仅限于此,在其他实施方式中,也可以分别判断各生理特征数据片段的最小值(如相应生理特征曲线的波谷)是否低于预设最小阈值,并在低于预设最小阈值时,输出安全警示;或者,还可以分别判断各生理特征数据片段的最大值和最小值的差值是否超出预设阈值范围,并在超出预设阈值范围时,输出安全警示;或者,还可以为多种判断条件的组合。
应当理解的是,对于分别判断各生理特征数据片段的特征值是否超过目标阈值范围时所利用的判断条件,可以根据实际应用场景进行灵活设定,本申请实施例对此不做唯一限定。
请进一步参阅图7,图7为本申请实施例提供的健身运动的数据监测系统的模块方框图。
如图7所示,本申请实施例还提供一种健身运动的数据监测系统,包括运动垫(比如瑜伽垫;图中未示出)、设置在运动垫内的至少一个压力传感器(用于实时获取运动者的生理特征数据;图中未示出)以及与各压力传感器通信连接的监测终端200。具体地,监测终端200可以包括存储装置210及一个或多个处理器220,其中,存储装置210用于存储一个或多个程序,当一个或多个程序被一个或多个处理器220执行时,使得一个或多个处理器220执行如本申请实施例所提供的上述健身运动的数据监测方法。
在一个实施方式中,上述至少一个压力传感器可以环绕运动垫的中间位置呈螺旋状分布,以保证该至少一个压力传感器具有更高的灵敏度。在该实施方式中,该至少一个压力传感器可以为涂覆在运动垫内且呈螺旋状分布的压阻薄膜或压电薄膜。当用户站立或坐在运动垫上时,该至少一个压力传感器可以检测到由于人体呼吸或心脏跳动导致的微小压力变化,因此,可以根据预设的人体呼吸频率或预设的心脏跳动频率对该至少一个压力传感器输出的信号进行滤波,以提取出人体呼吸信号和心率信号,也即提取出运动者的生理特征数据。
在一个实施方式中,监测终端200还可以包括总线230,用于存储装置210与一个或多个处理器220间的通信连接。
应当理解的是,上述实施方式仅作为本申请实施例的优选实现,并非是本申请实施例对上述至少一个压力传感器的分布形式、类型,以及监测终端200的具体结构的唯一限定,对此,我们可以根据实际应用场景进行灵活设定。
请进一步参阅图8,图8为本申请实施例提供的计算机可读存储介质的模块方框图。
如图8所示,本申请实施例还提供一种计算机可读存储介质300,该计算机可读存储介质300上存储有可执行指令310,该可执行指令310被执行时执行如本申请实施例所提供的上述健身运动的数据监测方法。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk)等。
需要说明的是,本申请内容中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于产品类实施例而言,由于其与方法类实施例相似,所以描述的比较简单,相关之处参见方法类实施例的部分说明即可。
还需要说明的是,在本申请内容中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请内容。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请内容中所定义的一般原理可以在不脱离本申请内容的精神或范围的情况下,在其它实施例中实现。因此,本申请内容将不会被限制于本申请内容所示的这些实施例,而是要符合与本申请内容所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种健身运动的数据监测方法,其特征在于,包括:
获取运动者的健身动作数据和生理特征数据;
对所述健身动作数据进行分解,得到多个健身动作数据片段,以及对所述生理特征数据进行分解,得到多个生理特征数据片段;其中,所述健身动作数据片段的时间戳与所述生理特征数据片段的时间戳相对应;
根据所述健身动作数据片段相应的运动状态信息,分别为各所述健身动作数据片段分配相应的权值系数;
结合各所述生理特征数据片段以及相应的所述权值系数,输出所述运动者的生理参数或健身质量评估数据;其中,所述健身质量评估数据用于表征所述运动者的健身动作的质量。
2.如权利要求1所述的健身运动的数据监测方法,其特征在于,所述运动状态信息为动作幅度信息;
所述根据所述健身动作数据片段相应的运动状态信息,分别为各所述健身动作数据片段分配相应的权值系数,包括:
根据所述健身动作数据片段相应的所述动作幅度信息,分别为各所述健身动作数据片段分配相应的所述权值系数;所述动作幅度信息与所述权值系数呈负相关关系。
3.如权利要求2所述的健身运动的数据监测方法,其特征在于,所述生理特征数据至少包括心率数据和呼吸率数据;
所述结合各所述生理特征数据片段以及相应的所述权值系数,输出所述运动者的健身质量评估数据,包括:
根据各所述健身动作数据片段相应的心率数据片段的心率最大值、开始时的心率值及结束时的心率值,以及呼吸率数据片段的呼吸率最大值、开始时的呼吸率值和结束时的呼吸率值,输出各所述健身动作数据片段相应的质量评估分值;
根据各所述质量评估分值以及相应的所述权值系数,输出所述健身质量评估数据。
4.如权利要求1所述的健身运动的数据监测方法,其特征在于,所述获取运动者的健身动作数据,包括:
在所述运动者完成健身动作的过程中,实时获取所述健身动作数据;
或,在所述运动者进行健身动作前,预先获取相应的健身动作标准数据,并将所述健身动作标准数据作为所述健身动作数据。
5.如权利要求4所述的健身运动的数据监测方法,其特征在于,当在所述运动者进行健身动作前,预先获取相应的健身动作标准数据,并将所述健身动作标准数据作为所述健身动作数据时,所述对所述健身动作数据进行分解,得到多个健身动作数据片段,包括:
根据所述健身动作数据相应的运动状态信息,对所述健身动作数据进行分解,得到多个健身动作数据片段。
6.如权利要求4所述的健身运动的数据监测方法,其特征在于,当在所述运动者完成健身动作的过程中,实时获取所述健身动作数据时,所述对所述健身动作数据进行分解,得到多个健身动作数据片段,包括:
根据所述健身动作数据相应的所述生理特征数据的特征值,对所述健身动作数据进行分解,得到多个健身动作数据片段。
7.如权利要求6所述的健身运动的数据监测方法,其特征在于,所述生理特征数据为生理特征曲线,所述生理特征数据的特征值为所述生理特征曲线的峰值;
所述根据所述健身动作数据相应的所述生理特征数据的特征值,对所述健身动作数据进行分解,得到多个健身动作数据片段,包括:
在所述生理特征曲线上,以预设时长制作窗口,并对所述窗口进行点移;
根据所述窗口内的所述生理特征曲线的峰值的变化情况,对所述健身动作数据进行分解,得到多个健身动作数据片段;
其中,所述生理特征曲线的峰值的变化情况至少包括所述生理特征曲线的峰值发生跳变的情况或超过预设峰值阈值的情况。
8.如权利要求7所述的健身运动的数据监测方法,其特征在于,所述生理特征曲线的峰值的跳变值,以及所述生理特征曲线的峰值超过预设峰值阈值的裕量,均与所述健身动作数据相应的动作幅度呈正相关关系。
9.如权利要求6所述的健身运动的数据监测方法,其特征在于,还包括:
分别判断各所述生理特征数据片段的特征值是否超过目标阈值范围;
当超过所述目标阈值范围时,输出安全警示;其中,所述安全警示用于提示运动者相应的所述健身动作数据片段中的健身动作存在安全隐患。
10.如权利要求9所述的健身运动的数据监测方法,其特征在于,所述分别判断各所述生理特征数据片段的特征值是否超过目标阈值范围,包括以下至少之一:
分别判断各所述生理特征数据片段的最大值是否超过预设最大阈值;
分别判断各所述生理特征数据片段的最小值是否低于预设最小阈值;
分别判断各所述生理特征数据片段的最大值和最小值的差值是否超出预设阈值范围。
11.一种健身运动的数据监测系统,其特征在于,包括:运动垫、设置在所述运动垫内的至少一个压力传感器及与所述压力传感器通信连接的监测终端,所述监测终端包括存储装置及一个或多个处理器,所述存储装置用于存储一个或多个程序,其中,当一个或多个所述程序被一个或多个所述处理器执行时,使得一个或多个所述处理器执行如权利要求1-10任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有可执行指令,所述可执行指令被执行时执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819147.3A CN113658695A (zh) | 2021-07-20 | 2021-07-20 | 健身运动的数据监测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819147.3A CN113658695A (zh) | 2021-07-20 | 2021-07-20 | 健身运动的数据监测方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658695A true CN113658695A (zh) | 2021-11-16 |
Family
ID=78477526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110819147.3A Pending CN113658695A (zh) | 2021-07-20 | 2021-07-20 | 健身运动的数据监测方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658695A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492879A (zh) * | 2018-03-29 | 2018-09-04 | 云谷(固安)科技有限公司 | 终端设备、运动健康评估系统和方法 |
CN108766572A (zh) * | 2018-05-30 | 2018-11-06 | 努比亚技术有限公司 | 运动监测控制方法、智能可穿戴设备及存储介质 |
CN109545326A (zh) * | 2019-01-28 | 2019-03-29 | 吉林师范大学 | 一种基于运动监测分析的体育设施器材 |
CN110534199A (zh) * | 2019-07-24 | 2019-12-03 | 中国人民解放军总医院第六医学中心 | 一种身心训练效果评价方法 |
-
2021
- 2021-07-20 CN CN202110819147.3A patent/CN113658695A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492879A (zh) * | 2018-03-29 | 2018-09-04 | 云谷(固安)科技有限公司 | 终端设备、运动健康评估系统和方法 |
CN108766572A (zh) * | 2018-05-30 | 2018-11-06 | 努比亚技术有限公司 | 运动监测控制方法、智能可穿戴设备及存储介质 |
CN109545326A (zh) * | 2019-01-28 | 2019-03-29 | 吉林师范大学 | 一种基于运动监测分析的体育设施器材 |
CN110534199A (zh) * | 2019-07-24 | 2019-12-03 | 中国人民解放军总医院第六医学中心 | 一种身心训练效果评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwon et al. | Attention-based LSTM for non-contact sleep stage classification using IR-UWB radar | |
KR102151745B1 (ko) | 근전도 측정을 통한 근육 피로도 분석 방법 및 이를 수행하는 웨어러블 디바이스 | |
US9386951B2 (en) | Method and apparatus for monitoring sleep apnea severity | |
US20190059822A1 (en) | Heart rate detection method and apparatus, and electronic terminal thereof | |
US20150186923A1 (en) | Systems and methods to measure marketing cross-brand impact using neurological data | |
JP2022500170A (ja) | 睡眠呼吸障害イベントを分析するためのシステムおよび方法 | |
CN111685731A (zh) | 睡眠数据处理方法、装置、设备及存储介质 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
US20200305785A1 (en) | Assessing muscle fatigue | |
TWI721095B (zh) | 推定方法、推定程式、推定裝置及推定系統 | |
US20150141859A1 (en) | Systems and methods for cardiac rhythm variability analysis | |
Marri et al. | Classification of muscle fatigue using surface electromyography signals and multifractals | |
CN111341416B (zh) | 一种心理压力评估模型处理方法以及相关设备 | |
CN113658695A (zh) | 健身运动的数据监测方法、系统及计算机可读存储介质 | |
US20200359958A1 (en) | Sleep sufficiency estimation device and sleep sufficiency estimation method | |
US20190114934A1 (en) | System and method for evaluating actions performed to achieve communications | |
FR3083690A1 (fr) | Procede de determination de l'etat de stress d'un individu | |
CN105764409A (zh) | 一种睡眠状态判断方法及智能可穿戴设备 | |
CN112951368A (zh) | 基于pai的运动信息评估方法、装置、设备和存储介质 | |
JP7125094B2 (ja) | 推定プログラム、推定装置の作動方法および推定装置 | |
Marri et al. | Identification of onset of fatigue in biceps brachii muscles using surface EMG and multifractal DMA alogrithm | |
CN110693509B (zh) | 一种案件相关性确定方法、装置、计算机设备和存储介质 | |
JP5913493B2 (ja) | 欠損生体信号推定方法 | |
US11386918B2 (en) | Method and system for assessing reading quality | |
KR20170031391A (ko) | 명상 계랑화와 네트워크 연계를 통한 명상 유도 방법 및 시스템 |
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 |