CN113782149A - 健身方案信息的推荐方法和装置 - Google Patents
健身方案信息的推荐方法和装置 Download PDFInfo
- Publication number
- CN113782149A CN113782149A CN202111336086.1A CN202111336086A CN113782149A CN 113782149 A CN113782149 A CN 113782149A CN 202111336086 A CN202111336086 A CN 202111336086A CN 113782149 A CN113782149 A CN 113782149A
- Authority
- CN
- China
- Prior art keywords
- user
- human body
- information
- recommended
- analog
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种健身方案信息的推荐方法和装置,涉及计算机技术领域。该推荐方法,包括:根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型,多个类比人体模型根据多个类比用户的生理特征信息生成;根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息。本公开的技术方案能够更加有针对性地向用户推荐健身方案信息,从而解决健身方案信息不准确导致用户体验差的技术问题。
Description
技术领域
本公开涉及计算机技术领域,特别涉及一种健身方案信息的推荐方法、健身方案信息的推荐装置和非易失性计算机可读存储介质。
背景技术
在相关技术中,应用软件从固定的几个身体状态分类中确定用户的当前身体状态和期望达到的身体状态,从而推荐健身方案。
发明内容
根据本公开的一些实施例,提供了一种健身方案信息的推荐方法,包括:根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型,多个类比人体模型根据多个类比用户的生理特征信息生成;根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息。
在一些实施例中,根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息包括:向待推荐用户展示与匹配人体模型关联的类比用户的健身效果信息和与健身效果信息相应的健身方案信息;根据待推荐用户对健身效果信息和相应的健身方案信息的选择,确定待推荐用户的健身方案信息。
在一些实施例中,根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息包括:根据待推荐用户选择的目标部位,向待推荐用户展示匹配人体模型关联的目标部位的多个健身效果信息,以及与多个健身效果信息相应的训练周期和训练强度;根据待推荐用户在多个健身效果信息中选择的目标健身效果信息,将目标健身效果信息相应的训练周期和训练强度确定为健身方案信息。
在一些实施例中,根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型包括:根据待推荐用户的生理特征信息,生成待推荐用户的用户人体模型;根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型包括:将与用户人体模型的重合区域大于阈值的类比人体模型,确定为匹配人体模型。
在一些实施例中,根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型包括:用户人体模型进行等比例缩放,生成缩放后的用户人体模型,缩放后的用户人体模型的尺寸与多个类比人体模型的尺寸匹配;根据缩放后的用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息,生成待推荐用户的用户人体模型包括:根据待推荐用户的生理特征信息,生成待推荐用户的用户当前人体模型;根据待推荐用户基于健身目标对用户当前人体模型的调整,生成用户目标人体模型;根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型包括:根据用户目标人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型包括:根据待推荐用户的生理特征信息和生活习惯信息,在多个类比人体模型中确定匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息和生活习惯信息,在多个类比人体模型中确定匹配人体模型包括:根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生活习惯信息,在多个候选人体模型中确定匹配人体模型;或者根据待推荐用户的生活习惯信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息和生活习惯信息,在多个类比人体模型中确定匹配人体模型包括:还根据待推荐用户的健康状态信息,在多个类比人体模型中确定匹配人体模型。
在一些实施例中,还根据待推荐用户的健康状态信息,在多个类比人体模型中确定匹配人体模型包括:根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生活习惯信息和健康状态信息,在多个候选人体模型中确定匹配人体模型;或者根据待推荐用户的生活习惯信息和健康状态信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,推荐方法还包括:在待推荐用户根据健身方案信息训练了预设时间长度后,获取待推荐用户的训练后生理特征信息;根据训练后生理特征信息,生成训练后人体模型;根据训练后人体模型,在多个类比人体模型中确定训练后人体模型的匹配人体模型;根据训练后人体模型的匹配人体模型关联的健身方案信息,确定待推荐用户的新的健身方案信息。
在一些实施例中,根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型包括:根据待推荐用户的生理特征信息,生成用户特征向量;根据用户特征向量和多个类比用户的类比特征向量的相似程度,在多个类比用户中确定匹配用户,类比特征向量根据类比用户的生理特征信息生成;将匹配用户的类比人体模型确定为匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息,生成用户特征向量包括:根据待推荐用户的生活习惯信息及其权重、待推荐用户的健康状态信息及其权重中的至少一项以及待推荐用户的生理特征信息及其权重,生成用户特征向量,类比特征向量根据类比用户的生活习惯信息及其权重、类比用户的健康状态信息及其权重中的至少一项以及类比用户的生理特征信息及其权重生成。
在一些实施例中,待推荐用户的健康状态信息的权重大于待推荐用户的生活习惯信息的权重,待推荐用户的生活习惯信息及其权重大于待推荐用户的生理特征信息的权重,类比用户的健康状态信息的权重大于类比用户的生活习惯信息的权重,类比用户的生活习惯信息及其权重大于类比用户的生理特征信息的权重。
在一些实施例中,根据用户特征向量和多个类比用户的类比特征向量的相似程度,在多个类比用户中确定匹配用户包括:根据用户特征向量,利用机器学习模型确定待推荐用户的用户训练目标向量,用户训练目标向量包括待推荐用户想要达到的各部位的训练目标信息;根据用户特征向量、用户训练目标向量,确定待推荐用户的用户特征矩阵;根据用户特征矩阵和多个类比用户的类比特征矩阵的相似程度,在多个类比用户中确定匹配用户,类比特征矩阵根据类比用户的类比特征向量和类比训练目标向量确定。
在一些实施例中,机器学习模型以所述类比特征向量为输入,类比训练目标向量为输出进行训练。
在一些实施例中,推荐方法还包括:根据各类比用户与不同健身效果信息的偏好程度,确定偏好矩阵;根据各健身效果信息与不同健身方案信息的匹配程度,确定匹配矩阵;根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息包括:根据偏好矩阵和匹配矩阵,确定各类比用户对于不同健身方案信息的推荐程度;根据待推荐用户选择的与匹配人体模型关联的类比用户的推荐程度,确定待推荐用户的健身方案信息。
根据本公开的另一些实施例,提供一种健身方案信息的推荐装置,包括:匹配单元,用于根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型,多个类比人体模型根据多个类比用户的生理特征信息生成;推荐单元,用于根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息。
在一些实施例中,推荐单元向待推荐用户展示与匹配人体模型关联的类比用户的健身效果信息和与健身效果信息相应的健身方案信息;根据待推荐用户对健身效果信息和相应的健身方案信息的选择,确定待推荐用户的健身方案信息。
在一些实施例中,推荐单元根据待推荐用户选择的目标部位,向待推荐用户展示匹配人体模型关联的目标部位的多个健身效果信息,以及与多个健身效果信息相应的训练周期和训练强度;根据待推荐用户在多个健身效果信息中选择的目标健身效果信息,将目标健身效果信息相应的训练周期和训练强度确定为健身方案信息。
在一些实施例中,匹配单元根据待推荐用户的生理特征信息,生成待推荐用户的用户人体模型;根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,匹配单元将与用户人体模型的重合区域大于阈值的类比人体模型,确定为匹配人体模型。
在一些实施例中,匹配单元用户人体模型进行等比例缩放,生成缩放后的用户人体模型,缩放后的用户人体模型的尺寸与多个类比人体模型的尺寸匹配;根据缩放后的用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,匹配单元根据待推荐用户的生理特征信息,生成待推荐用户的用户当前人体模型;根据待推荐用户基于健身目标对用户当前人体模型的调整,生成用户目标人体模型;匹配单元根据用户目标人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,匹配单元根据待推荐用户的生理特征信息和生活习惯信息,在多个类比人体模型中确定匹配人体模型。
在一些实施例中,匹配单元根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生活习惯信息,在多个候选人体模型中确定匹配人体模型;或者根据待推荐用户的生活习惯信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,匹配单元还根据待推荐用户的健康状态信息,在多个类比人体模型中确定匹配人体模型。
在一些实施例中,匹配单元根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生活习惯信息和健康状态信息,在多个候选人体模型中确定匹配人体模型;或者根据待推荐用户的生活习惯信息和健康状态信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,匹配单元在待推荐用户根据健身方案信息训练了预设时间长度后,获取待推荐用户的训练后生理特征信息;根据训练后生理特征信息,生成训练后人体模型;根据训练后人体模型,在多个类比人体模型中确定训练后人体模型的匹配人体模型;推荐单元根据训练后人体模型的匹配人体模型关联的健身方案信息,确定待推荐用户的新的健身方案信息。
在一些实施例中,匹配单元根据待推荐用户的生理特征信息,生成用户特征向量;根据用户特征向量和多个类比用户的类比特征向量的相似程度,在多个类比用户中确定匹配用户,类比特征向量根据类比用户的生理特征信息生成;将匹配用户的类比人体模型确定为匹配人体模型。
在一些实施例中,匹配单元根据待推荐用户的生活习惯信息及其权重、待推荐用户的健康状态信息及其权重中的至少一项以及待推荐用户的生理特征信息及其权重,生成用户特征向量,类比特征向量根据类比用户的生活习惯信息及其权重、类比用户的健康状态信息及其权重中的至少一项以及类比用户的生理特征信息及其权重生成。
在一些实施例中,待推荐用户的健康状态信息的权重大于待推荐用户的生活习惯信息的权重,待推荐用户的生活习惯信息及其权重大于待推荐用户的生理特征信息的权重,类比用户的健康状态信息的权重大于类比用户的生活习惯信息的权重,类比用户的生活习惯信息及其权重大于类比用户的生理特征信息的权重。
在一些实施例中,匹配单元根据用户特征向量,利用机器学习模型确定待推荐用户的用户训练目标向量,用户训练目标向量包括待推荐用户想要达到的各部位的训练目标信息;根据用户特征向量、用户训练目标向量,确定待推荐用户的用户特征矩阵;根据用户特征矩阵和多个类比用户的类比特征矩阵的相似程度,在多个类比用户中确定匹配用户,类比特征矩阵根据类比用户的类比特征向量和类比训练目标向量确定。
在一些实施例中,机器学习模型以所述类比特征向量为输入,类比训练目标向量为输出进行训练。
在一些实施例中,推荐单元根据各类比用户与不同健身效果信息的偏好程度,确定偏好矩阵;根据各健身效果信息与不同健身方案信息的匹配程度,确定匹配矩阵;根据偏好矩阵和匹配矩阵,确定各类比用户对于不同健身方案信息的推荐程度;根据待推荐用户选择的与匹配人体模型关联的类比用户的推荐程度,确定待推荐用户的健身方案信息。
根据本公开的又一些实施例,提供一种健身方案信息的推荐装置,包括:存储器;和耦接至存储器的处理器,处理器被配置为基于存储在存储器装置中的指令,执行上述任一个实施例中的健身方案信息的推荐方法。
根据本公开的再一些实施例,提供一种非易失性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一个实施例中的健身方案信息的推荐方法。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开:
图1示出本公开的健身方案信息的推荐方法的一些实施例的流程图;
图2示出图1中步骤110的一些实施例的流程图;
图3示出本公开的健身方案信息的推荐方法的另一些实施例的流程图;
图4示出本公开的健身方案信息的推荐装置的一些实施例的框图;
图5示出本公开的健身方案信息的推荐装置的另一些实施例的框图;
图6示出本公开的健身方案信息的推荐装置的又一些实施例的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
如前所述,基于通用模型推荐健身方案信息,没有考虑用户之间的差异性。例如,差异性可以为肌肉类型的差异性、饮食习惯的差异性等。基于通模型推荐的健身方案信息,针对不同的用户可能产生不同的效果,部分用户付出了努力可能也达不到期望的效果,从而影响用户体验。
例如,存在多种不同的腹肌形状,通用模型无法进行详细描述;在用户希望达到的锻炼效果为其中一种腹肌形态的情况下,根据通用模型推荐的健身方案信息可能无法使得用户达到想要的腹肌形态。
针对上述技术问题,本公开通过用户的信息(如用户人体模型等)对类比用户进行匹配,以确定匹配用户;结合用户的训练部位、训练强度、训练效果等条件,根据匹配用户的训练强度、训练计划等向用户推荐健身方案信息。这样,可以提升用户实现训练效果的可行性。
图1示出本公开的健身方案信息的推荐方法的一些实施例的流程图。
如图1所示,在步骤110中,根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型。多个类比人体模型根据多个类比用户的生理特征信息生成。
在一些实施例中,可以预先构建包含多个类比人体模型机器关联信息的健身数据库。根据待推荐用户的生理特征信息,在健身数据库中确定匹配人体模型。
例如,系统获取类比用户(如健身模特、健身教练,以及其他愿意分享数据的用户等)输入的生理特征信息。生理特征信息可以包括身高、体重、体脂等。系统还可以获取类比用户的影像信息,如全身平面照片或局部照片等。
例如,系统根据类比用户的输入的生理特征信息构建类比人体模型。例如,人体模型可以为数字人体模型、三维人体模型等。类比人体模型可以为根据身高、体重、体脂等生理特征信息构建的人体模型。
例如,系统可以定期获取类比用户的生理特征信息、健身方案信息等,并生成类比人体模型;将类比用户的生理特征信息、健身方案信息与类比人体模型进行关联后存储在健身数据库中。类比用户的健身方案信息可以包括训练时间、训练效果、训练强度、训练周期等。
例如,可以将类比用户的健身方案信息、训练效果等与类比人体模型关联的信息记录在区块链网络中。
在一些实施例中,根据待推荐用户的生理特征信息,生成待推荐用户的用户人体模型;根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息,生成待推荐用户的用户当前人体模型;根据待推荐用户基于健身目标对用户当前人体模型的调整,生成用户目标人体模型;根据用户目标人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
例如,根据获取的待推荐用户的生理特征信息,生成待推荐用户的当前人体模型;待推荐用户针对当前人体模型的整体或至少一个部位进行调整操作,改变当前人体模型以形成目标人体模型。
例如,调整操作可以是针对当前人体模型点击加减号等调整按钮,或者直接拖拽进行扩大或缩小等操作。
在一些实施例中,将与用户人体模型的重合区域大于阈值的类比人体模型,确定为匹配人体模型。例如,重合区域可以通过下面任一个方式确定。
例如,可以用户人体模型对应的二维图像进行重叠,并计算图像的重叠面积作为重合区域。
例如,可以根据不同三维人体模型的表面积比,确定重合区域。这样,可以通过三维数据贴图的表面积比确定重合区域,较容易实现。
例如,在用户人体模型的体积小于多个类比人体模型的体积的情况下,将类比人体模型中体积最小的确定为匹配人体模型;在用户人体模型的体积大于多个类比人体模型的体积的情况下,将类比人体模型中体积最大的确定为匹配人体模型。这样,确定的匹配人体模型更加准确。
在一些实施例中,用户人体模型的体积小于各比类比人体模型的体积,但是,用户人体模型的某个局部(如小臂)比比类比人体模型的该局部大,另一局部(如大臂)比比类比人体模型的该局部小。在这种情况下,可以先对用户人体模型进行等比例缩放,从而提高匹配人体模型的确定准确性。
例如,用户人体模型进行等比例缩放,生成缩放后的用户人体模型,缩放后的用户人体模型的尺寸与多个类比人体模型的尺寸匹配;根据缩放后的用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,将当前人体模型与健身数据库中的类比人体模型进行匹配;当重合区域大于阈值时,确定两个人体模型匹配。
在一些实施例中,可以将目标人体模型与健身数据库中的类比人体模型进行匹配;当重合区域大于阈值时,确定两个人体模型匹配。
在一些实施例中,将当前人体模型进行等比例缩放后,与健身数据库中的类比人体模型进行匹配;当重合区域大于阈值时,确定两个三维模型匹配。
在一些实施例中,将目标人体模型进行等比例缩放后,与健身数据库中的类比人体模型进行匹配;当重合区域大于阈值时,确定两个人体模型匹配。
在一些实施例中,系统获取待推荐用户输入的生理特征信息。例如,系统还可以获取待推荐用户的影像信息,如全身平面照片或局部照片等。
例如,系统通过待推荐用户的生理特征信息(包括身高、体重、三围、体脂率等中的至少一项)匹配健身数据库中类比用户的类比人体模型。
例如,系统可以根据待推荐用户的生理特征信息构建待推荐用户的用户人体模型;利用用户人体模型与健身数据库中的类比人体模型进行匹配,将与用户人体模型相似的类比人体模型确定为匹配人体模型;将匹配人体模型关联的健身方案信息推荐给待推荐用户。
这样,可以更加有针对性地向用户推荐健身方案。
在一些实施例中,由于体脂的降低不是线性的,不同阶段的体脂降低速度不同,可以根据待推荐用户的体脂信息确定匹配人体模型。
例如,根据待推荐用户的身高、体重、全身的体脂信息等生理特征信息,在健身数据库中确定匹配人体模型,进而将与匹配人体模型对应的类比用户确定为匹配用户。还可以, 根据待推荐用户的身高、体重、一个或多个部位的体脂信息等生理特征信息,在健身数据库中确定匹配人体模型。
在一些实施例中,也可以根据待推荐用户的身高、体重、三围等非体脂类生理特征信息确定匹配人体模型。
在一些实施例中,将用户人体模型与健身数据库中的类比人体模型进行匹配;当两个人体模型的重合区域大于阈值时,确定两个人体模型匹配。
在一些实施例中,将用户人体模型进行等比例缩放后,与健身数据库中的类比人体模型进行匹配;当重合区域大于阈值时,确定两个人体模型匹配。
这样,通过人体模型之间的匹配,能够确定情况相同或相近的类比用户,使得推荐的健身方案信息更具有针对性。
在一些实施例中,根据待推荐用户的生理特征信息,生成用户特征向量;根据用户特征向量和多个类比用户的类比特征向量的相似程度,在多个类比用户中确定匹配用户,类比特征向量根据类比用户的生理特征信息生成;将匹配用户的类比人体模型确定为匹配人体模型。
例如,通过基于用户的协同过滤推荐算法计算用户间的相似程度。基于用户的协同过滤推荐算法可以采用计算余弦相似度实现。不同用户的特征向量如下:
待推荐用户为用户A,类比用户为用户B,用户A与用户B之间的相似程度可以表示为两个特征向量之间的余弦值:
(A1×B1+A2×B2+A3×B3)/{(A12+A22+A32)+ (B12+B22+B32)}
在一些实施例中,根据待推荐用户的生活习惯信息及其权重、待推荐用户的健康状态信息及其权重中的至少一项以及待推荐用户的生理特征信息及其权重,生成用户特征向量,类比特征向量根据类比用户的生活习惯信息及其权重、类比用户的健康状态信息及其权重中的至少一项以及类比用户的生理特征信息及其权重生成。
在一些实施例中,待推荐用户的健康状态信息的权重大于待推荐用户的生活习惯信息的权重,待推荐用户的生活习惯信息及其权重大于待推荐用户的生理特征信息的权重,类比用户的健康状态信息的权重大于类比用户的生活习惯信息的权重,类比用户的生活习惯信息及其权重大于类比用户的生理特征信息的权重。
例如,不同用户的特征向量如下:
因为不同信息对于后续锻炼效果的影响程度不同,计算余弦相似度的过程中可以为不同信息给予不同的权重。例如,对上述信息进行加权处理后,得到不同用户的特征向量如下:
例如,不同用户的特征向量如下:
例如,生理特征信息(如身体三围参数)、生活习惯信息(如饮食相关参数)以及健康状态信息的权重q不同。健康状态信息的权重最高,生活习惯信息的权重次高,生理特征信息的权重最低,如下所示:
例如,同一类的信息下不同的内容也可以设置不同的权重,如心率的权重可以大于肺活量的权重。
在一些实施例中,根据用户特征向量,利用机器学习模型确定待推荐用户的用户训练目标向量,用户训练目标向量包括待推荐用户想要达到的各部位的训练目标信息;根据用户特征向量、用户训练目标向量,确定待推荐用户的用户特征矩阵;根据用户特征矩阵和多个类比用户的类比特征矩阵的相似程度,在多个类比用户中确定匹配用户,类比特征矩阵根据类比用户的类比特征向量和类比训练目标向量确定。
在一些实施例中,机器学习模型以所述类比特征向量为输入,类比训练目标向量为输出进行训练。
例如,构建神经网络模型作为机器学习模型,将健身数据库的数据,包括身高、体重、体脂等作为神经网络模型的输入,类比用户选择的健身方案信息作为输出,训练神经网络模型。还可以将饮食习惯、饮食偏好、睡眠习惯以及健康相关的信息作为输入。构建类比用户的健身数据库,包括身高、体重、体脂、饮食习惯、食物偏好、信息习惯、心率、肺活量以及健身方案:
获取类比用户的特征向量U和类比训练目标向量E。例如,类比特征向量U如下所示:
类比训练目标向量E如下所示:
X1~X9、Y1~Y9、Z1~Z9可以是相应部位的形态、维度、局部体脂率等。
通过将U与E相乘,得到用户信息与健身方案信息之间的类比特征矩阵R=U×E,如下所示:
通过神经网络模型为待推荐用户确定推荐的健身方案信息:
例如,可以根据待推荐用户的R为待推荐用户推荐健身方案信息。
在步骤120中,根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息。
在一些实施例中,向待推荐用户展示与匹配人体模型关联的类比用户的健身效果信息和与健身效果信息相应的健身方案信息;根据待推荐用户对健身效果信息和相应的健身方案信息的选择,确定待推荐用户的健身方案信息。
例如,可以向待推荐用户展示与健身效果信息对应的人体模型,使得用户能够更加直观地选择想要的健身效果,从而提高推荐的准确性。在一些实施例中,根据待推荐用户选择的目标部位,向待推荐用户展示匹配人体模型关联的目标部位的多个健身效果信息,以及与多个健身效果信息相应的训练周期和训练强度;根据待推荐用户在多个健身效果信息中选择的目标健身效果信息,将目标健身效果信息相应的训练周期和训练强度确定为健身方案信息。
在一些实施例中,可以先确定待推荐用户的想要的训练周期和强度,然后向其展示匹配人体模型相应的健身效果。
例如,接收待推荐用户选择的训练目标部位以及训练强度;根据匹配人体模型关联的目标部位的健身方案信息和训练效果,以及待推荐用户选择的训练强度,确定待推荐用户的健身方案信息。
例如,可以获取正在训练相同目标部位的多个用户;实时提示待推荐用户当前的分数和/或在多个用户中的排名等。
在一些实施例中,可以先展示匹配人体模型关联的健身效果、训练周期、训练强度,然后根据待推荐用户的选择,确定推荐的健身方案信息。
例如,接收待推荐用户选择的训练目标部位;获取匹配人体模型关联的目标部位的各种健身方案信息和各种训练效果(可以是完成训练目标前的中间训练效果);接收待推荐用户选择的训练效果;将与选择的训练效果对应的健身方案信息推荐给待推荐用户。
在一些是实施例中,根据各类比用户与不同健身效果信息的偏好程度,确定偏好矩阵。
例如,以小臂相关的健身效果信息为例,可以根据类比用户User1~User3对于健身效果信息粗小臂、中小臂、普通小臂、细小臂的选择,确定各类比用户与不同健身效果信息的偏好程度;根据偏好程度建立如表1所示的偏好矩阵:
表1
在各健身效果信息之间存在互斥关系的情况下,偏好程度为1或0,分别代表偏好和不偏好;在各健身效果信息之间不存在互斥关系的情况下,偏好程度为0到1之间的数值,数值越大偏好程度越高。
在一些实施例中,根据各健身效果信息与不同健身方案信息的匹配程度,确定匹配矩阵。例如,可以建立如表2所示的匹配矩阵:
表2
匹配程度可以为0到1之间的数值,数值越大匹配程度越高。
在一些实施例中,根据偏好矩阵和匹配矩阵,确定各类比用户对于不同健身方案信息的推荐程度。例如,可以根据偏好矩阵和匹配矩阵的乘积,确定推荐矩阵,推荐矩阵种包含各类比用户对于不同健身方案信息的推荐程度,如表3所示:
表3
在一些实施例中,向待推荐用户展示与匹配人体模型关联的类比用户的对于不同健身方案信息的推荐程度;待推荐用户根据推荐程度,选择自身的健身方案信息。
在上述实施例中,可以通过偏好矩阵和匹配矩阵,建立健身效果与健身方案之间的关联关系,进而建立各类比用户对于不同健身方案之间的推荐程度;待推荐用户可以根据匹配的类比用户,选择想要的健身方案,从而解决了用户数据稀疏导致的推荐效果下降的问题。
图2示出图1中步骤110的一些实施例的流程图。
如图2所示,在步骤1110中,确定多个候选人体模型。
在一些实施例中,考虑到用户的摄入能力等生活习惯不同,根据待推荐用户的生理特征信息和生活习惯信息,在多个类比人体模型中确定匹配人体模型。例如,生活习惯信息可以包括饮食习惯、食物偏好、休息习惯中的至少一项。
在一些实施例中,系统获取类比用户的生活习惯信息;将类比用户的生理特征信息、健身方案信息、生活习惯信息与类比人体模型进行关联后存储在健身数据库中。
例如,根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型。
例如,根据待推荐用户的生活习惯信息,在多个类比人体模型中确定多个候选人体模型。
在一些实施例中,还根据待推荐用户的健康状态信息,在多个类比人体模型中确定匹配人体模型。例如,健康状态信息可以包括心率、血压、血糖中的至少一项。
在一些实施例中,系统获取类比用户的健康状态信息;将类比用户的生理特征信息、健身方案信息、生活习惯信息、健康状态信息与类比人体模型进行关联后存储在健身数据库中。
例如,根据待推荐用户的生活习惯信息和健康状态信息,在多个类比人体模型中确定多个候选人体模型;
在步骤1120中,确定匹配人体模型。
在一些实施例中,可以根据待推荐用户的生活习惯信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,根据待推荐用户的生活习惯信息和健康状态信息,在多个候选人体模型中确定匹配人体模型。
图3示出本公开的健身方案信息的推荐方法的另一些实施例的流程图。
如图3所示,推荐方法还可以包括步骤330。
在步骤330中,在待推荐用户根据健身方案信息训练了预设时间长度后,获取待推荐用户的训练后生理特征信息。
然后,重复执行步骤110、120。根据训练后生理特征信息,生成训练后人体模型。根据训练后人体模型,在多个类比人体模型中确定训练后人体模型的匹配人体模型;根据训练后人体模型的匹配人体模型关联的健身方案信息,确定待推荐用户的新的健身方案信息。
图4示出本公开的健身方案信息的推荐装置的一些实施例的框图。
如图4所示,健身方案信息的推荐装置4包括匹配单元41、推荐单元42。
匹配单元41根据待推荐用户的生理特征信息,在多个类比人体模型中确定生理特征信息的匹配人体模型,多个类比人体模型根据多个类比用户的生理特征信息生成;推荐单元42,用于根据与匹配人体模型关联的类比用户的健身方案信息,确定待推荐用户的健身方案信息。
在一些实施例中,推荐单元42向待推荐用户展示与匹配人体模型关联的类比用户的健身效果信息和与健身效果信息相应的健身方案信息;根据待推荐用户对健身效果信息和相应的健身方案信息的选择,确定待推荐用户的健身方案信息。
在一些实施例中,推荐单元42根据待推荐用户选择的目标部位,向待推荐用户展示匹配人体模型关联的目标部位的多个健身效果信息,以及与多个健身效果信息相应的训练周期和训练强度;根据待推荐用户在多个健身效果信息中选择的目标健身效果信息,将目标健身效果信息相应的训练周期和训练强度确定为健身方案信息。
在一些实施例中,匹配单元41根据待推荐用户的生理特征信息,生成待推荐用户的用户人体模型;根据用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,匹配单元41将与用户人体模型的重合区域大于阈值的类比人体模型,确定为匹配人体模型。
在一些实施例中,匹配单元41用户人体模型进行等比例缩放,生成缩放后的用户人体模型,缩放后的用户人体模型的尺寸与多个类比人体模型的尺寸匹配;根据缩放后的用户人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,匹配单元41根据待推荐用户的生理特征信息,生成待推荐用户的用户当前人体模型;匹配单元41根据待推荐用户基于健身目标对用户当前人体模型的调整,生成用户目标人体模型;匹配单元41根据用户目标人体模型与多个类比人体模型之间的相似程度,确定匹配人体模型。
在一些实施例中,匹配单元41根据待推荐用户的生理特征信息和生活习惯信息,在多个类比人体模型中确定匹配人体模型。
在一些实施例中,匹配单元41根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生活习惯信息,在多个候选人体模型中确定匹配人体模型;或者根据待推荐用户的生活习惯信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,匹配单元41还根据待推荐用户的健康状态信息,在多个类比人体模型中确定匹配人体模型。
在一些实施例中,匹配单元41根据待推荐用户的生理特征信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生活习惯信息和健康状态信息,在多个候选人体模型中确定匹配人体模型;或者根据待推荐用户的生活习惯信息和健康状态信息,在多个类比人体模型中确定多个候选人体模型;根据待推荐用户的生理特征信息,在多个候选人体模型中确定匹配人体模型。
在一些实施例中,匹配单元41在待推荐用户根据健身方案信息训练了预设时间长度后,获取待推荐用户的训练后生理特征信息;根据训练后生理特征信息,生成训练后人体模型;根据训练后人体模型,在多个类比人体模型中确定训练后人体模型的匹配人体模型;推荐单元42根据训练后人体模型的匹配人体模型关联的健身方案信息,确定待推荐用户的新的健身方案信息。
在一些实施例中,匹配单元41根据待推荐用户的生理特征信息,生成用户特征向量;根据用户特征向量和多个类比用户的类比特征向量的相似程度,在多个类比用户中确定匹配用户,类比特征向量根据类比用户的生理特征信息生成;将匹配用户的类比人体模型确定为匹配人体模型。
在一些实施例中,匹配单元41根据待推荐用户的生活习惯信息及其权重、待推荐用户的健康状态信息及其权重中的至少一项以及待推荐用户的生理特征信息及其权重,生成用户特征向量,类比特征向量根据类比用户的生活习惯信息及其权重、类比用户的健康状态信息及其权重中的至少一项以及类比用户的生理特征信息及其权重生成。
在一些实施例中,待推荐用户的健康状态信息的权重大于待推荐用户的生活习惯信息的权重,待推荐用户的生活习惯信息及其权重大于待推荐用户的生理特征信息的权重,类比用户的健康状态信息的权重大于类比用户的生活习惯信息的权重,类比用户的生活习惯信息及其权重大于类比用户的生理特征信息的权重。
在一些实施例中,匹配单元41根据用户特征向量,利用机器学习模型确定待推荐用户的用户训练目标向量,用户训练目标向量包括待推荐用户想要达到的各部位的训练目标信息;根据用户特征向量、用户训练目标向量,确定待推荐用户的用户特征矩阵;根据用户特征矩阵和多个类比用户的类比特征矩阵的相似程度,在多个类比用户中确定匹配用户,类比特征矩阵根据类比用户的类比特征向量和类比训练目标向量确定。
在一些实施例中,机器学习模型以所述类比特征向量为输入,类比训练目标向量为输出进行训练。
在一些实施例中,推荐单元42根据各类比用户与不同健身效果信息的偏好程度,确定偏好矩阵;根据各健身效果信息与不同健身方案信息的匹配程度,确定匹配矩阵;根据偏好矩阵和匹配矩阵,确定各类比用户对于不同健身方案信息的推荐程度;根据待推荐用户选择的与匹配人体模型关联的类比用户的推荐程度,确定待推荐用户的健身方案信息。
图5示出本公开的健身方案信息的推荐装置的另一些实施例的框图。
如图5所示,该实施例的健身方案信息的推荐装置5包括:存储器51以及耦接至该存储器51的处理器52,处理器52被配置为基于存储在存储器51中的指令,执行本公开中任意一个实施例中的健身方案信息的推荐方法。
其中,存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序Boot Loader、数据库以及其他程序等。
图6示出本公开的健身方案信息的推荐装置的又一些实施例的框图。
如图6所示,该实施例的健身方案信息的推荐装置6包括:存储器610以及耦接至该存储器610的处理器620,处理器620被配置为基于存储在存储器610中的指令,执行前述任意一个实施例中的健身方案信息的推荐方法。
存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序Boot Loader以及其他程序等。
健身方案信息的推荐装置6还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中,输入输出接口630为显示器、鼠标、键盘、触摸屏、麦克、音箱等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非易失性存储介质包括但不限于磁盘存储器、CD-ROM、光学存储器等上实施的计算机程序产品的形式。
至此,已经详细描述了根据本公开的健身方案信息的推荐方法、健身方案信息的推荐装置和非易失性计算机可读存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (21)
1.一种健身方案信息的推荐方法,包括:
根据待推荐用户的生理特征信息,在多个类比人体模型中确定所述生理特征信息的匹配人体模型,所述多个类比人体模型根据多个类比用户的生理特征信息生成;
根据与所述匹配人体模型关联的类比用户的健身方案信息,确定所述待推荐用户的健身方案信息。
2.根据权利要求1所述的推荐方法,其中,所述根据与所述匹配人体模型关联的类比用户的健身方案信息,确定所述待推荐用户的健身方案信息包括:
向所述待推荐用户展示与所述匹配人体模型关联的类比用户的健身效果信息和与所述健身效果信息相应的健身方案信息;
根据所述待推荐用户对所述健身效果信息和所述相应的健身方案信息的选择,确定所述待推荐用户的健身方案信息。
3.根据权利要求1所述的推荐方法,其中,所述根据与所述匹配人体模型关联的类比用户的健身方案信息,确定所述待推荐用户的健身方案信息包括:
根据所述待推荐用户选择的目标部位,向所述待推荐用户展示所述匹配人体模型关联的所述目标部位的多个健身效果信息,以及与所述多个健身效果信息相应的训练周期和训练强度;
根据所述待推荐用户在所述多个健身效果信息中选择的目标健身效果信息,将所述目标健身效果信息相应的训练周期和训练强度确定为所述健身方案信息。
4.根据权利要求1所述的推荐方法,其中,所述根据待推荐用户的生理特征信息,在多个类比人体模型中确定所述生理特征信息的匹配人体模型包括:
根据所述待推荐用户的生理特征信息,生成所述待推荐用户的用户人体模型;
根据所述用户人体模型与所述多个类比人体模型之间的相似程度,确定所述匹配人体模型。
5.根据权利要求4所述的推荐方法,其中,所述根据所述用户人体模型与所述多个类比人体模型之间的相似程度,确定所述匹配人体模型包括:
将与所述用户人体模型的重合区域大于阈值的类比人体模型,确定为所述匹配人体模型。
6.根据权利要求4所述的推荐方法,其中,根据所述用户人体模型与所述多个类比人体模型之间的相似程度,确定所述匹配人体模型包括:
对所述用户人体模型进行等比例缩放,生成缩放后的用户人体模型,所述缩放后的用户人体模型的尺寸与所述多个类比人体模型的尺寸匹配;
根据所述缩放后的用户人体模型与所述多个类比人体模型之间的相似程度,确定所述匹配人体模型。
7.根据权利要求4所述的推荐方法,其中,所述根据所述待推荐用户的生理特征信息,生成所述待推荐用户的用户人体模型包括:
根据所述待推荐用户的生理特征信息,生成所述待推荐用户的用户当前人体模型;
根据所述待推荐用户基于健身目标对所述用户当前人体模型的调整,生成用户目标人体模型;
所述根据所述用户人体模型与所述多个类比人体模型之间的相似程度,确定所述匹配人体模型包括:
根据所述用户目标人体模型与所述多个类比人体模型之间的相似程度,确定所述匹配人体模型。
8.根据权利要求1所述的推荐方法,其中,所述根据待推荐用户的生理特征信息,在多个类比人体模型中确定所述生理特征信息的匹配人体模型包括:
根据所述待推荐用户的生理特征信息和生活习惯信息,在所述多个类比人体模型中确定所述匹配人体模型。
9.根据权利要求8所述的推荐方法,其中,所述根据所述待推荐用户的生理特征信息和生活习惯信息,在所述多个类比人体模型中确定所述匹配人体模型包括:
根据所述待推荐用户的生理特征信息,在所述多个类比人体模型中确定多个候选人体模型;
根据所述待推荐用户的生活习惯信息,在所述多个候选人体模型中确定所述匹配人体模型;
或者
根据所述待推荐用户的生活习惯信息,在所述多个类比人体模型中确定多个候选人体模型;
根据所述待推荐用户的生理特征信息,在所述多个候选人体模型中确定所述匹配人体模型。
10.根据权利要求8所述的推荐方法,其中,所述根据所述待推荐用户的生理特征信息和生活习惯信息,在所述多个类比人体模型中确定所述匹配人体模型包括:
还根据所述待推荐用户的健康状态信息,在所述多个类比人体模型中确定所述匹配人体模型。
11.根据权利要求10所述的推荐方法,其中,所述还根据所述待推荐用户的健康状态信息,在所述多个类比人体模型中确定所述匹配人体模型包括:
根据所述待推荐用户的生理特征信息,在所述多个类比人体模型中确定多个候选人体模型;
根据所述待推荐用户的生活习惯信息和健康状态信息,在所述多个候选人体模型中确定所述匹配人体模型;
或者
根据所述待推荐用户的生活习惯信息和健康状态信息,在所述多个类比人体模型中确定多个候选人体模型;
根据所述待推荐用户的生理特征信息,在所述多个候选人体模型中确定所述匹配人体模型。
12.根据权利要求1-10任一项所述的推荐方法,还包括:
在所述待推荐用户根据所述健身方案信息训练了预设时间长度后,获取所述待推荐用户的训练后生理特征信息;
根据所述训练后生理特征信息,生成训练后人体模型;
根据所述训练后人体模型,在所述多个类比人体模型中确定所述训练后人体模型的匹配人体模型;
根据所述训练后人体模型的匹配人体模型关联的健身方案信息,确定所述待推荐用户的新的健身方案信息。
13.根据权利要求1-10任一项所述的推荐方法,其中,所述根据待推荐用户的生理特征信息,在多个类比人体模型中确定所述生理特征信息的匹配人体模型包括:
根据所述待推荐用户的生理特征信息,生成用户特征向量;
根据所述用户特征向量和所述多个类比用户的类比特征向量的相似程度,在所述多个类比用户中确定匹配用户,类比特征向量根据类比用户的生理特征信息生成;
将所述匹配用户的类比人体模型确定为所述匹配人体模型。
14.根据权利要求13所述的推荐方法,其中,所述根据所述待推荐用户的生理特征信息,生成用户特征向量包括:
根据所述待推荐用户的生活习惯信息及其权重、所述待推荐用户的健康状态信息及其权重中的至少一项以及所述待推荐用户的生理特征信息及其权重,生成所述用户特征向量,所述类比特征向量根据类比用户的生活习惯信息及其权重、类比用户的健康状态信息及其权重中的至少一项以及类比用户的生理特征信息及其权重生成。
15.根据权利要求14所述的推荐方法,其中,
所述待推荐用户的健康状态信息的权重大于所述待推荐用户的生活习惯信息的权重,所述待推荐用户的生活习惯信息及其权重大于所述待推荐用户的生理特征信息的权重,
所述类比用户的健康状态信息的权重大于所述类比用户的生活习惯信息的权重,所述类比用户的生活习惯信息及其权重大于所述类比用户的生理特征信息的权重。
16.根据权利要求13所述的推荐方法,其中,所述根据所述用户特征向量和所述多个类比用户的类比特征向量的相似程度,在所述多个类比用户中确定匹配用户包括:
根据所述用户特征向量,利用机器学习模型确定所述待推荐用户的用户训练目标向量,所述用户训练目标向量包括所述待推荐用户想要达到的各部位的训练目标信息;
根据所述用户特征向量、所述用户训练目标向量,确定所述待推荐用户的用户特征矩阵;
根据所述用户特征矩阵和所述多个类比用户的类比特征矩阵的相似程度,在所述多个类比用户中确定匹配用户,所述类比特征矩阵根据类比用户的类比特征向量和类比训练目标向量确定。
17.根据权利要求16所述的推荐方法,其中,所述机器学习模型以所述类比特征向量为输入,所述类比训练目标向量为输出进行训练。
18.根据权利要求1-10任一项所述的推荐方法,还包括:
根据各类比用户与不同健身效果信息的偏好程度,确定偏好矩阵;
根据各健身效果信息与不同健身方案信息的匹配程度,确定匹配矩阵;
其中,所述根据与所述匹配人体模型关联的类比用户的健身方案信息,确定所述待推荐用户的健身方案信息包括:
根据所述偏好矩阵和所述匹配矩阵,确定所述各类比用户对于不同健身方案信息的推荐程度;
根据所述待推荐用户选择的与匹配人体模型关联的类比用户的推荐程度,确定所述待推荐用户的健身方案信息。
19.一种健身方案信息的推荐装置,包括:
匹配单元,用于根据待推荐用户的生理特征信息,在多个类比人体模型中确定所述生理特征信息的匹配人体模型,所述多个类比人体模型根据多个类比用户的生理特征信息生成;
推荐单元,用于根据与所述匹配人体模型关联的类比用户的健身方案信息,确定所述待推荐用户的健身方案信息。
20. 一种健身方案信息的推荐装置,包括:
存储器;和
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行权利要求1-18任一项所述的健身方案信息的推荐方法。
21.一种非易失性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-18任一项所述的健身方案信息的推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336086.1A CN113782149A (zh) | 2021-11-12 | 2021-11-12 | 健身方案信息的推荐方法和装置 |
PCT/CN2022/130641 WO2023083183A1 (zh) | 2021-11-12 | 2022-11-08 | 健身方案信息的推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336086.1A CN113782149A (zh) | 2021-11-12 | 2021-11-12 | 健身方案信息的推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113782149A true CN113782149A (zh) | 2021-12-10 |
Family
ID=78956961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336086.1A Pending CN113782149A (zh) | 2021-11-12 | 2021-11-12 | 健身方案信息的推荐方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113782149A (zh) |
WO (1) | WO2023083183A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898839A (zh) * | 2022-06-17 | 2022-08-12 | 深圳速境生活科技有限公司 | 一种身体健身参数匹配方法及计算机可读存储介质 |
CN115047924A (zh) * | 2022-06-20 | 2022-09-13 | 深圳市朗大科技有限公司 | 一种便携式药贴热敷仪的交互控制方法及系统 |
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 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107335205A (zh) * | 2017-06-22 | 2017-11-10 | 北京卡路里信息技术有限公司 | 健身课程推荐方法、装置、存储介质和处理器 |
CN108766524A (zh) * | 2018-05-22 | 2018-11-06 | 深圳市零度智控科技有限公司 | 健身指导方法、装置及计算机可读存储介质 |
CN110678932A (zh) * | 2017-06-16 | 2020-01-10 | 苹果公司 | 用于提供定制的锻炼相关推荐的技术 |
CN110867238A (zh) * | 2019-11-26 | 2020-03-06 | 爱菲力斯(深圳)科技有限公司 | 一种健身课程智能推荐方法、装置和电子设备 |
CN110890141A (zh) * | 2019-12-10 | 2020-03-17 | 姚欣 | 基于大数据的智能健身规划系统及规划方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678064B (zh) * | 2015-12-31 | 2019-07-09 | 小米科技有限责任公司 | 健身方案推荐方法及装置 |
JP7139795B2 (ja) * | 2018-08-31 | 2022-09-21 | 日本電信電話株式会社 | 介入内容推定装置、方法およびプログラム |
CN112967783A (zh) * | 2021-02-26 | 2021-06-15 | 特斯联科技集团有限公司 | 一种基于神经网络学习算法的社区健身推荐方法和系统 |
CN113782149A (zh) * | 2021-11-12 | 2021-12-10 | 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 |
-
2021
- 2021-11-12 CN CN202111336086.1A patent/CN113782149A/zh active Pending
-
2022
- 2022-11-08 WO PCT/CN2022/130641 patent/WO2023083183A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110678932A (zh) * | 2017-06-16 | 2020-01-10 | 苹果公司 | 用于提供定制的锻炼相关推荐的技术 |
CN107335205A (zh) * | 2017-06-22 | 2017-11-10 | 北京卡路里信息技术有限公司 | 健身课程推荐方法、装置、存储介质和处理器 |
CN108766524A (zh) * | 2018-05-22 | 2018-11-06 | 深圳市零度智控科技有限公司 | 健身指导方法、装置及计算机可读存储介质 |
CN110867238A (zh) * | 2019-11-26 | 2020-03-06 | 爱菲力斯(深圳)科技有限公司 | 一种健身课程智能推荐方法、装置和电子设备 |
CN110890141A (zh) * | 2019-12-10 | 2020-03-17 | 姚欣 | 基于大数据的智能健身规划系统及规划方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114898839A (zh) * | 2022-06-17 | 2022-08-12 | 深圳速境生活科技有限公司 | 一种身体健身参数匹配方法及计算机可读存储介质 |
CN115047924A (zh) * | 2022-06-20 | 2022-09-13 | 深圳市朗大科技有限公司 | 一种便携式药贴热敷仪的交互控制方法及系统 |
CN115047924B (zh) * | 2022-06-20 | 2024-05-07 | 深圳市朗大科技有限公司 | 一种便携式药贴热敷仪的交互控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023083183A1 (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113782149A (zh) | 健身方案信息的推荐方法和装置 | |
US10271783B2 (en) | Stimulus presenting system, stimulus presenting method, computer, and control method | |
US20190295438A1 (en) | Augmented reality guided musculoskeletal exercises | |
US20200005359A1 (en) | Sentiments based transaction systems and method | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
KR20200071305A (ko) | 인터렉티브 기술을 적용한 치매 환자 훈련 시스템 | |
CN113241148B (zh) | 健身方案生成方法、装置、终端设备和存储介质 | |
WO2023061269A1 (zh) | 健身方案信息的生成方法、装置和系统 | |
JP5244486B2 (ja) | 生活パターン適応型保健指導支援システム | |
JP2005111178A (ja) | 動作トレーニング表示システム | |
CN110399794A (zh) | 基于人体的姿态识别方法、装置、设备及存储介质 | |
JP2009095404A (ja) | 動画表示システム、動画表示方法、およびコンピュータプログラム | |
JP6868673B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
KR101734212B1 (ko) | 표정 연습 시스템 | |
CN114881741A (zh) | 一种基于虚拟现实直播场景的商品推荐系统 | |
KR20190139591A (ko) | 셀프 다이어트 목표달성 장치 | |
WO2021178589A1 (en) | Exercise instruction and feedback systems and methods | |
CN113299365A (zh) | 体能训练计划生成方法、装置及电子设备 | |
WO2023162159A1 (ja) | 動作生成装置、動作生成システム、動作生成方法、及び非一時的なコンピュータ可読媒体 | |
CN116110584B (zh) | 一种人体健康风险评估预警系统 | |
KR20050019600A (ko) | 가상 캐릭터를 이용한 건강 정보 제공 방법 및 제공 시스템 | |
WO2022168827A1 (ja) | 情報処理装置、情報処理方法、及び記録媒体 | |
JP5726827B2 (ja) | 運動メニュー作成システム、運動メニュー作成方法、およびコンピュータプログラム | |
Khairilanwar et al. | Physical activity technique monitoring (patmo) based pose estimation using cnn | |
Papadopoulou | Towards a feedback system for upper body bodyweight exercises using multiple inertial measurement units: A user-centred approach |
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 |