CN113936772A - 一种运动推荐方法、装置、系统及计算机可读存储介质 - Google Patents

一种运动推荐方法、装置、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN113936772A
CN113936772A CN202111545124.4A CN202111545124A CN113936772A CN 113936772 A CN113936772 A CN 113936772A CN 202111545124 A CN202111545124 A CN 202111545124A CN 113936772 A CN113936772 A CN 113936772A
Authority
CN
China
Prior art keywords
exercise
user
data
intensity
information
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
CN202111545124.4A
Other languages
English (en)
Inventor
陈虹
杜硕
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.)
Beijing Factor Health Technology Co ltd
Original Assignee
Beijing Factor Health Technology 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 Beijing Factor Health Technology Co ltd filed Critical Beijing Factor Health Technology Co ltd
Priority to CN202111545124.4A priority Critical patent/CN113936772A/zh
Priority to PCT/IB2021/062066 priority patent/WO2023111669A1/zh
Publication of CN113936772A publication Critical patent/CN113936772A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种运动推荐方法、装置、系统及计算机可读存储介质，涉及信息处理技术领域。该方法的一实施例包括：通过获取用户数据；并根据用户数据，确定用户的病因类型、体能状态级别和健康风险；之后基于病因类型、体能状态级别、健康风险为用户生成推荐运动方案；所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；并获取用户执行推荐运动方案所生成的运动行为数据；最后对运动行为数据进行强度分类处理，并基于强度分类结果对推荐运动方案进行调整，由此，能够根据用户的身体情况自动生成符合用户的推荐运动方案，不仅提高了用户运动的体验性，而且能够满足用户通过运动改善慢性疾病的需求。

Description

一种运动推荐方法、装置、系统及计算机可读存储介质
技术领域
本发明涉及信息处理技术领域，尤其涉及一种运动推荐方法、装置、系统及计算机可读存储介质。
背景技术
运动是很好的强身健体的方式，研究表示，当进行身体活动时，人体的反应包括心跳、呼吸加快、循环血量增加，代谢和产热加速等，都是身体产生健康效益的生理基础。运动可以治疗和预防包括糖尿病、心脏病、肥胖、高血压、癌症等40种以上的慢性疾病。尤其对于预防或控制2型糖尿病，运动尤为重要。
2型糖尿病，又名非胰岛素依赖型糖尿病，其特点是人体自身能够产生胰岛素，但细胞无法对其作出反应，使胰岛素的效果大打折扣。通常主要是由于胰岛素抵抗，合并有相对性胰岛素分泌不足所致的一类疾病，可发生在任何年龄，但多见于成人，常在40岁以后起病，起病多隐匿，症状相对较轻，易被患者忽视。
目前，针对2型糖尿病的治疗通常是以药物治疗为主，并结合辅助治疗以控制血糖在正常的范围内。辅助治疗主要是通过对患者生活方式进行干预，以改善用户的糖尿病指标。辅助治疗包括合理的运动和控制饮食等。现有技术可能有针对2型糖尿病患者定制的食疗方案，但是现有技术还很少有结合患者身体状况定制的运动方案。
发明内容
有鉴于此，本发明实施例提供一种运动推荐方法、装置、系统及计算机可读存储介质，能够结合用户当前身体的用户数据，自动生成一种符合用户身体情况的推荐运动方案，并在用户运动过程中自动调节用户的推荐运动方案，从而实现了智能化定制个性的推荐运动方案。
为实现上述目的，根据本发明实施例第一方面，提供一种运动推荐方法，其特征在于，包括：获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；获取用户执行所述推荐运动方案所生成的运动行为数据；对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整。
可选的，所述根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险，包括：基于机器学习的病因识别模型或者决策树模型或者预设规则，对第一用户数据进行处理，得到用户的病因类型；所述第一用户数据包括疾病数据和/或基础数据；基于机器学习的体能识别模型或者决策树模型或者预设规则，对第二用户数据进行处理，得到用户的体能状态级别；所述第二用户数据包括体能数据和/或基础数据；基于机器学习的健康风险识别模型或者决策树模型或者预设规则，对第三用户数据进行处理，得到用户的健康风险；所述第三用户数据包括健康指标数据和/或基础数据。
可选的，所述基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，包括：基于所述病因类型，确定运动类型分配信息；
基于所述体能状态级别，确定运动强度信息；基于所述健康风险，确定运动建议信息；基于所述运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作；基于所述运动类型分配信息、运动强度信息，以及运动动作信息，为用户生成推荐运动方案。
可选的，所述基于所述运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作信息，包括：基于所述运动类型分配信息、运动强度信息，以及运动建议信息，生成用户的个人标签；基于所述个人标签在所述动作标签库中进行标签匹配，将匹配度最高的动作标签对应的运动动作确定为用户的运动动作。
可选的，所述对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整，包括：基于运动行为模型，对所述运动行为数据进行强度分类处理，得到强度分类结果；其中，所述运动行为模型包括多个子模型和集成模型，集成模型根据多个子模型的输出确定最终的分类结果；若所述强度分类结果表征强度适当，则保持运动强度；若所述强度分类结果表征强度过低，则通过调整所述推荐运动方案以提升运动强度；若所述强度分类结果表征强度过高，则通过调整所述推荐运动方案以降低运动强度。
可选的，所述的方法还包括：根据所述用户数据确定用户运动前的身体状态级别；判断所述身体状态级别是否满足第一预设条件，若判断结果表征所述身体状态级别不满足第一预设条件，则向所述用户发送针对运动前的预警提示信息。
可选的，所述的方法还包括：根据所述用户数据和所述运动行为数据确定用户运动中的身体状态级别；判断所述身体状态级别是否满足第二预设条件；若判断结果表征所述身体状态级别不满足第二预设条件，则向所述用户发送针对运动中的预警提示信息。
可选的，所述运动行为数据至少包括具有运动属性的数据和运动环境数据。为
实现上述目的，根据本发明实施例第二方面，还提供一种运动推荐装置，该装置包括：第一获取模块，用于获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；确定模块，用于根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；生成模块，用于基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；第二获取模块，用于获取用户执行所述推荐运动方案所生成的运动行为数据；调整模块，用于对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整。
为实现上述目的，根据本发明实施例第三方面，还提供一种运动推荐系统，所述系统包括客户端、服务器和数据库；所述客户端用于获取用户数据和运动行为数据；并将所述用户数据和运动行为数据发送至服务器；所述所述服务器执行如第一方面所述的方法；所述数据库用于存储动作行为标签。
为实现上述目的，根据本发明实施例第四方面，还提供一种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如第一方面所述的方法。
为实现上述目的，根据本发明实施例第五方面，还提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如第一方面所述的方法。
本发明实施例通过获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；并根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；之后基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；并获取用户执行所述推荐运动方案所生成的运动行为数据；最后对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整，由此，能够根据用户的身体情况自动生成符合用户的推荐运动方案，不仅提高了用户运动的体验性，而且能够满足用户通过运动改善慢性疾病的需求。
上述的非惯用的可选方式所具有的进一步的效果将在下文结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例运动推荐方法的流程图；
图2为本发明一实施例中生成推荐运动方案的流程图；
图3为本发明一实施例中调整推荐运动方案的流程图；
图4为本发明一实施例中生成运动前预警的流程图；
图5为本发明一实施例运动推荐方法应用于2型糖尿病的流程图；
图6为本发明一实施例运动推荐装置的示意图；
图7为本发明实施例可以应用于其中的示例性系统架构图；
图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，为本发明一实施例运动推荐方法的流程图，该方法至少包括如下操作流程：S101，获取用户数据，用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；S102，根据用户数据，确定用户的病因类型、体能状态级别和健康风险；S103，基于病因类型、体能状态级别、健康风险为用户生成推荐运动方案，推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；S104，获取用户执行推荐运动方案所生成的运动行为数据；S105，对运动行为数据进行强度分类处理，并基于强度分类结果对推荐运动方案进行调整。
在S101中，基础数据例如年龄、性别、体重等。健康指标数据例如空腹血糖、随机血糖、甘油三酯、转氨酶、血尿酸、血压等。体能数据例如每周剧烈活动时间，每次剧烈活动时长，每周适度活动天数，每次适度活动时长，每周步行天数，每天步行时长以及静息心率等。疾病属性数据包括用药情况、合并症或者并发症等，例如心血管病变、心衰、严重心率失常、严重心肌病、严重先心病、脑血管病变、肝炎活动期、糖尿病足、糖尿病酮酸症中毒等。
在一个示例中，获取用户数据后，该方法还包括：
对获取的用户数据进行预处理。
其中，所述预处理包括数据准确性检查及缺失值处理。
对获取的用户数据进行准确性检查，对不准确的用户数据进行修正或删除该条不准确的用户数据。例如将用户数据中的基础数据、疾病数据等指标数据与各指标数据对应的有效范围进行比较，根据比较结果确定该用户数据是否准确。若数据不准确，再根据比较结果对错误的用户数据进行修正或删除。
例如，某成年用户的身高为120厘米，该身高不符合本发明对该数据的要求，则删除该条用户数据。或者某用户的血压为200，该血压数据不符合血压有效范围，该用户的血压数据很可能是测量有问题的数据，因此删除该条用户数据。
例如，血糖常用的单位有mg/dL与mmol/L，不同血糖单位的有效值域不同，比如：某用户的血糖数据是120mmol/L，显然远超出血糖有效值域，该数据很可能是错误的单位导致，例如将血糖单位修改为mg/dL或者根据两种单位之间的换算关系进行换算，该血糖数据修正为120mg/dL或6.67mmol/L。再例如某男性用户的体重数据为140（单位为kg），但该用户的腰围数据正常，此时很可能是体重数据的单位为“斤”，因此将该体重数据修正为70kg。
对于用户数据中存在缺失值的情况，对存在缺失值的用户数据进行填充，例如采用均值或众数对缺失的数据进行填充，若获取的用户数据足够多，则删除该条存在缺失值的用户数据。
在S102中，可以基于机器学习的识别模型对用户数据进行处理，得到用户的病因类型、体能状态级别和健康风险；还可以基于决策树模型对用户数据进行处理，得到用户的病因类型、体能状态级别和健康风险；还可以基于预设规则，对用户数据进行处理，得到用户的病因类型、体能状态级别和健康风险。病因类型例如腹型肥胖、脂毒性和糖毒性作用引起胰岛功能下降等；体能状态级别例如心肺功能分级、体力活动分级等；健康风险例如不适合运动的高危疾病风险、低血糖风险、关节损伤风险等。
优选地，基于机器学习的病因识别模型或者决策树模型或者预设规则，对第一用户数据进行处理，得到用户的病因类型，以便根据病因类型确定运动类型分配信息，其中病因识别模型可以是梯度提升树模型、多类别分类模型，且不限于此；所述第一用户数据包括疾病数据和/或基础数据。以糖尿病患者的用户数据为例，输入用户的腰围、臀围、空腹血糖、空腹胰岛素、血糖均值、胰岛素均值、随机血糖、内脏脂肪等级、甘油三酯、转氨酶、肾小球滤过率、血尿酸、血压、胰岛素、C肽、糖化血红蛋白等指标数据，根据这些数据，病因识别模型或决策树模型输出用户的病因类型，例如病因类型为“肥胖导致胰岛素抵抗”或“脂毒性伴糖毒性引起的胰岛功能下降”或“长期脂毒性伴糖毒性引起胰岛功能下降及肌肉流失”。上述三种病因类型仅是本发明的举例说明，病因类型不局限于上述三种类型，本发明对病因类型的数量和具体病因内容不做限制。
基于机器学习的体能识别模型或者决策树模型或者预设规则，对第二用户数据进行处理，得到用户的体能状态级别，以便根据体能状态级别确定运动强度信息，其中体能识别模型可以是梯度提升树模型、多类别分类模型，且不限于此；所述第二用户数据包括体能数据和/或基础数据；
基于机器学习的健康风险识别模型或者决策树模型或者预设规则，对第三用户数据进行处理，得到用户的健康风险，以便根据健康风险确定运动建议信息，其中健康风险模型可以是梯度提升树模型、多类别分类模型和单类别分类模型，且不限于此；所述第三用户数据包括健康指标数据和/或基础数据。
在S103中，运动类型分配信息例如有氧运动和抗阻运动比例。运动强度信息例如有氧运动强度、建议时长以及建议心率，抗阻运动强度、建议时长以及建议心率等。运动动作信息例如动态抗阻（如招财猫、椅子坐起）每组连续做8-15个，每个动作约4秒完成（控制速度，不要过快）；静态抗阻（如贴墙站，单足站立）每组持续做10-30秒或更久。
可以基于机器学习的识别模型对病因类型、体能状态级别、健康风险进行处理，为用户生成推荐运动方案。还可以基于决策树模型对病因类型、体能状态级别、健康风险进行处理，为用户生成推荐运动方案。还可以基于预设规则，对病因类型、体能状态级别、健康风险进行处理，为用户生成推荐运动方案。
在S104中，运动行为数据至少包括具有运动属性的数据和运动环境数据。
在S105中，具体地，可以利用运动行为模型对运动行为数据进行强度分类处理，得到强度分类结果；也可以基于运动行为数据确定用户的心率范围，之后从数据库中已有的映射关系中选取该心率范围对应的运动强度，从而确定与运动行为数据对应的强度分类结果。强度分类结果包括强度适当、强度过高和强度过低。
本发明实施例基于用户数据，为用户生成推荐运动方案；之后获取用户执行推荐运动方案所生成的运动行为数据，并对运动行为数据进行强度分类处理，最后基于强度分类结果对所述推荐运动方案进行调整；由此，能够根据用户的身体情况自动生成符合用户的推荐运动方案，不仅提高了用户运动的体验性，而且能够满足用户通过运动改善慢性疾病的需求。
如图2所示，为本发明一实施例中生成推荐运动方案的流程图；该方法是在前述实施例的基础上优化得到的，该方法至少包括如下操作流程：S201，基于病因类型，确定运动类型分配信息；S202，基于体能状态级别，确定运动强度信息；基于健康风险，确定运动建议信息；S203，基于运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作信息；S204，基于运动类型分配信息、运动强度信息，以及运动动作信息，为用户生成推荐运动方案。
在S201和S202中，基于机器学习的病因识别模型或者决策树模型或者预设规则，对病因类型进行处理，得到运动类型分配信息。基于机器学习的体能识别模型或者决策树模型或者预设规则，对体能状态级别进行处理，得到运动强度信息。基于机器学习的健康风险识别模型或者决策树模型预设规则，对健康风险进行处理，得到运动建议信息。例如基于低血糖健康风险识别模型识别用户是否具有低血糖风险，如果是，则得到的运动建议信息包括以下运动时段—应在饭后1h运动。如果识别出用户不具有低血糖健康风险，得到的运动建议信息包括以下运动时段—在早餐前或其他时段运动。再例如，基于关节损伤健康风险识别模型识别用户是否具有关节损伤风险；若是，则得到的运动建议信息包括优选运动动作—椭圆机、游泳等运动动作，还包括禁忌运动动作—弹跳类运动或长距离跑步等运动动作。
在S203和S204中，基于所述运动类型分配信息、运动强度信息，以及运动建议信息，生成用户的个人标签；基于所述个人标签在所述动作标签库中进行标签匹配，将匹配度最高的动作标签对应的运动动作确定为用户的运动动作。
具体地，基于运动类型分配信息、运动强度信息，以及运动建议信息进行实体识别，生成用户的个人标签。从动作标签库中选取与个人标签相匹配的多个动作标签；基于用户的触发，从多个动作标签中选取权重最大的动作标签，并将选取的动作标签对应的运动动作作为用户的运动动作。运动动作例如：动态抗阻（如招财猫、椅子坐起）每组连续做8-15个，每个动作约4秒完成（控制速度，不要过快）；静态抗阻（如贴墙站，单足站立）每组持续做10-30秒或更久。
由此，能够基于用户数据自动生成推荐运动方案，提高了用户运动的体验性和安全性。
如图3所示，为本发明一实施例中调整推荐运动方案的流程图；该方法是在前述实施例的基础上优化得到的，该方法至少包括如下操作流程：S301，基于运动行为模型，对运动行为数据进行强度分类处理，得到强度分类结果；其中，运动行为模型包括多个子模型和集成模型，集成模型根据多个子模型的输出确定最终的强度分类结果；S302，若强度分类结果表征强度适当，则保持运动强度；S303，若强度分类结果表征强度过低，则通过调整推荐运动方案以提升运动强度；S304，若强度分类结果表征强度过高，则通过调整推荐运动方案以降低运动强度。其中，集成模型可以是投票模型、线性回归模型等，本发明对此不做限制。
在S301中，对运动行为数据进行预处理，得到标准化运动行为数据；利用第一模型对标准化运动行为数据进行强度分类处理，得到第一强度分类结果；利用第二模型对标准化运动行为数据进行强度分类处理，得到第二强度分类结果；利用第三模型对标准化运动行为数据进行强度分类处理，得到第三强度分类结果；利用第四模型对标准化运动行为数据进行强度分类处理，得到第四强度分类结果；利用第五模型（即集成模型）对第一强度分类结果、第二强度分类结果、第三强度分类结果和第四强度分类结果进行投票处理，得到最终强度分类结果；
为了提高模型预测的准确性，需要对运动行为数据进行预处理。具体地，对运动行为数据进行修正处理，得到修正数据；将修正数据进行标准化处理，得到标准化运动行为数据。修正处理包括数据明显错误的修正以及明显缺失的修正。常见的明显错误例如，查看用户年龄、身高、体重、血压、血糖、胰岛素等类似指标。根据指标的有效范围，检查运动行为数据是否有问题；譬如，身高120厘米的成年人，可能不是我们想要的；或者血压200，很可能是测量有问题的数据；再譬如，血糖单位有mg/dl与mmol/L之分；两者常见的值域不同，当血糖值是120mmol/L，很可能是错误的单位导致的。再譬如，某用户体重140（收集单位为kg），但腰围比较正常，此时很可能是140的单位为“斤”，即70kg。常见的明显缺失例如均值（数值型）或众数（枚举型）；若在数据量充足情况下，建议丢弃。
第一模型可以为逻辑回归模型，第二模型可以为提督提升决策树(GradientBoosting Decision Tree，缩写GBDT)模型，第三模型可以为随机森林(Randon Forest，缩写RF)模型，第四模型可以为浅层神经网络(Neural Network，缩写NN)模型，第五模型可以为基于引导聚集算法（Bootstrap aggregating，缩写bagging）思想的投票模型。其中第一模型、第二模型、第三模型、第四模型以及第五模型均是预先训练好的模型。第一模型、第二模型、第三模型和第四模型的输入均是相同的；并且各个模型在训练过程中均是以强度分类结果为目标进行训练，从而完成模型调优。
本实施例通过利用运动行为模型对运动行为数据进行强度分类处理，不仅提高了强度分类处理的速度，而且由于综合考量了所有运动行为数据，因此能够提高强度分类结果的准确性，避免了采用单一因素人为评估运动强度导致分类结果不准确的问题。
在S302中，判断强度分类结果是否满足第三预设条件，若强度分类结果满足第三预设条件，则对推荐运动方案进行调整，生成新推荐运动方案；若强度分类结果不满足第三预设条件，则不需要对推荐运动方案进行调整。推荐运动方案包括但不限于运动类型分配信息、运动强度信息和运动动作信息等。其中运动类型包括抗阻运动和有氧运动。
若强度分类结果为强度适当，说明强度分类结果不满足第三预设条件，则不需要对推荐运动方案进行调整，也就是推荐运动方案非常适合用户；若强度分类结果为强度过低或强度过高，说明强度分类结果满足第三预设条件，则对推荐运动方案进行逐级调整，得到新推荐运动方案。例如，用户的个人标签包括动作强度、动作难度以及动作时长。当得到的强度分类结果为强度过高时，则将动作强度和动作难度调低，动作时长调短，从而更新用户个人标签；最后基于更新后的用户个人标签在动作标签库中进行标签匹配，将匹配度最高的动作标签对应的运动动作确定为用户的运动动作。
如图4所示，为本发明一实施例中生成运动前预警的流程图；该方法是在前述实施例的基础上优化得到的，该方法至少包括如下操作流程：S401，根据所述用户数据确定用户运动前的身体状态级别；S402，判断所述身体状态级别是否满足第一预设条件；S403，若判断结果表征所述身体状态级别不满足第一预设条件，则向所述用户发送针对运动前的预警提示信息。
具体地，若判断结果表征身体状态级别满足第一预设条件，则说明用户能够基于推荐运动方案进行运动，且不发送预警提示信息。用户数据可以是用户未开启运动的原始用户数据，也可以是用户运动一段时间后再次进行运动前的用户数据。身体状态级别包括不同等级。第一预设条件为符合运动的身体状态级别，可以基于心率值的范围确定符合运动的身体状态级别，还可以结合其他除心率外的指标确定符合运动的身体状态级别。预警提示信息包括停止运动的提示信息或者调整推荐运动方案的提示信息。
由此，能够基于用户当前用户数据，在运动前进行运动预警提示，不仅实现了自动化预警，而且减少了运动损伤的发生，提高了用户运动的安全性。
在优选的实施例中，生成运动中预警方法至少包括如下操作流程：S501，根据所述用户数据和所述运动行为数据确定用户运动中的身体状态级别；S502，判断所述身体状态级别是否满足第二预设条件；S503，若判断结果表征所述身体状态级别不满足第二预设条件，则向所述用户发送针对运动中的预警提示信息。
具体地，第二预设条件为对应于推荐运动方案的身体状态级别。预警提示信息包括停止运动的提示信息或者调整推荐运动方案的提示信息。
由此，能够基于用户数据和实时生成的运动行为数据，在运动过程中进行预警提示；从而实现了对用户运动过程的运动情况实时监测，避免出现超负荷运动、心脑血管意外或肌肉骨关节损伤等情况的发生，提高了用户运动过程中的安全性和体验性。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在的逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本申请的用户可以是普通用户，也可以患有慢性疾病的患者，例如2型糖尿病患者，或者高血压患者等。
如图5所示，为本发明一实施例运动推荐方法应用于2型糖尿病的流程图。下面将结合具体应用对上述实施例中运动推荐方法进行详细说明。
具有2型糖尿病患者A的用户数据包括基础数据、疾病数据、体能数据以及健康指标数据。利用机器学习的病因识别模型对疾病数据和基础数据进行处理，得到用户的病因类型，例如腹型肥胖、脂毒性和糖毒性作用引起胰岛功能下降；然后基于病因类型确定有氧运动和抗阻运动的比例为2:2。利用机器学习的体能模型对体能数据和基础数据进行处理，得到用户的体能状态级别，例如心肺功能分级和体力活动分级；根据体力分级可确定抗阻运动强度信息，根据心肺分级可确定有氧强度信息。利用机器学习的健康风险模型对健康指标数据和基础数据进行处理，得到用户的健康风险，例如低血糖风险；然后根据健康风险确定运动建议信息，例如运动时段以及优选运动动作和运动禁忌等。基于运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作信息；基于运动类型分配信息、运动强度信息，以及运动动作信息，为用户生成推荐运动方案。
推荐运动方案例如，运动强度为中等级别；建议平均心率122-136次/分钟，建议运动时长为30min。间隔执行每周5天不高于中等强度的有氧运动方案和每周2天的抗阻训练方案。一周中，第一天采用有氧运动方案，第二天采用有氧运动方案，第三天采用抗阻运动方案，第四天采用有氧运动方案，第五天采用有氧运动方案，第六天采用有氧运动方案，第七天采用抗阻运动方案。
有氧运动：根据患者当前体能情况，建议进行每周5天中等强度的有氧运动，每天运动25-45min，如无法连续运动，可以分次进行，但每次运动时间不少于10min，运动中心率控制在122-136次/分钟范围内，运动中感受以“微微累，可以说话，但不能唱歌”最为适宜。具体地，4个有氧运动动作，依次每个动作做20秒为1轮循环，1次锻炼至少连续做2轮循环，每轮循环之间休息不超过1min，每日需完成指定总论数并保证心率达标。有氧运动动作例如侧向开合走、原地高抬腿走、原地慢跑、原地开合跳等
抗阻运动：对全身的主要肌群（腿、臀、胸、背、腹以及上肢）进行锻炼。每天做动作每个连续做3组，每组间休息时间不超过30秒；抗阻运动方案指导：动态抗阻（如招财猫、椅子坐起）每组连续做8-15个，每个动作约4秒完成（控制速度，不要过快）；静态抗阻（如贴墙站，单足站立）每组持续做10-30秒或更久。具体地，8个抗阻动作，抗阻动作每个连续做3组，每组间休息时间不超过30秒；动态抗阻每组连续做8-15个，每个动作约4s完成（不要过快）；静态抗阻每组做10-30s或更久。抗阻动作例如推墙俯卧撑、空手俯立平举、举手贴墙站、靠墙静蹲、双足提踵、哑铃肩上推举、哑铃颈后臂屈伸、哑铃二头弯举等。如果某个抗阻动作每组可轻松完成上限（15或30个），则可提高该类动作的难度（如换动作、加负重或加时长）；若第1组就无法完成下限（8个或10个），则降低难度（换动作或减负重）。
其次，获取患者A在上述推荐运动方案运动所生成的运动行为数据；运动行为数据至少包括具有运动属性的数据和运动环境数据。运动属性数据包括但不限于患者A针对运动的反馈数据，以及运动过程中记录的运动强度、运动心率、运动时长以及疲惫程度等。运动环境属性数据包括但不限于运动场地数据、运动时间数据以及运动季节数据等。之后，对运动行为数据进行预处理，得到标准化运动行为数据；例如对运动行为数据依次进行修正处理和标准化处理。最后，利用运动行为模型对标准化运动行为数据进行分类处理，得到最终强度分类结果；若最终强度分类结果为强度过高，则最终强度分类结果满足强度失衡的条件；调整推荐运动方案，生成新推荐运动方案。新推荐运动方案包括运动类型（抗阻或有氧）、运动强度、建议平均心率、建议运动时长、运动动作。新推荐运动方案运动指标要求例如：运动强度要求为中低级别，建议运动时长为25min，建议平均心率范围为112-127次/min；系统会将有氧运动和抗阻运动分别与运动指标要求同步作相应调整。在这里不做赘述。
运动前预警：在未进行任何运动前或者一轮运动结束后启动下一轮运动时，对患者A的用户数据进行分析，基于分析结果确定用户运动前的身体状态级别，例如身体状态级别对应的心率异常，则向患者A发送不适合运动的预警信息。由此实现了运动前预警，减少运动风险，提高运动的安全性。
运动中预警：在患者A执行推荐运动方案时，基于患者A生成的运动行为数据和该运动前的用户数据，确定用户运动时的身体状态级别；例如身体状态级别对应的心率异常，则向患者A发送不适合运动的预警信息。由此，实现了运动中预警，减少运动风险，提高运动的安全性。
由此，采用本发明运动推荐方法，能够为2型糖尿病患者提供适应个体特征的运动方案，并能够基于患者的执行情况对运动方案进行动态调整，从而找到适合患者的运动方案，进而有利于患者疾病的康复。另外增加了运动前的风险预警和运动过程中的风险预警，提高了用户的体验性和安全性。
如图6所示，为本发明一实施例确定推荐运动方案装置的示意图；该装置600包括：第一获取模块601，用于获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；确定模块602，用于根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；生成模块603，用于基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；第二获取模块604，用于获取用户执行所述推荐运动方案所生成的运动行为数据；调整模块605，用于对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整。
在可选的实施例中，确定模块包括：第一处理单元，用于基于机器学习的病因识别模型或者决策树模型或者预设规则，对第一用户数据进行处理，得到用户的病因类型；所述第一用户数据包括疾病数据和/或基础数据；
第二处理单元，用于基于机器学习的体能识别模型或者决策树模型或者预设规则，对第二用户数据进行处理，得到用户的体能状态级别；所述第二用户数据包括体能数据和/或基础数据；第三处理单元，用于基于机器学习的健康风险识别模型或者决策树模型或者预设规则，对第三用户数据进行处理，得到用户的健康风险；所述第三用户数据包括健康指标数据和/或基础数据。
在可选的实施例中，生成模块包括：第一确定单元，用于基于所述病因类型，确定运动类型分配信息；第二确定单元，用于基于所述体能状态级别，确定运动强度信息；第三确定单元，用于基于所述健康风险，确定运动建议信息；第四确定单元，用于基于所述运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作信息；生成单元，用于基于所述运动类型分配信息、运动强度信息，以及运动动作信息，为用户生成推荐运动方案。
在可选的实施例中，第四确定单元包括：生成子单元，用于基于所述运动类型分配信息、运动强度信息，以及运动建议信息，生成用户的个人标签；匹配子单元，用于基于所述个人标签在所述动作标签库中进行标签匹配，将匹配度最高的动作标签对应的运动动作确定为用户的运动动作。
在可选的实施例中，调整模块包括：分类处理单元，用于基于运动行为模型，对所述运动行为数据进行强度分类处理，得到强度分类结果；其中，所述运动行为模型包括多个子模型和集成模型，集成模型根据多个子模型的输出确定最终的强度分类结果；调整单元，用于若所述强度分类结果表征强度适当，则保持运动强度；若所述强度分类结果表征强度过低，则通过调整所述推荐运动方案以提升运动强度；若所述强度分类结果表征强度过高，则通过调整所述推荐运动方案以降低运动强度。
在可选的实施例中，运动推荐装置还包括：确定模块还用于，根据所述用户数据确定用户运动前的身体状态级别；判断模块，用于判断所述身体状态级别是否满足第一预设条件；发送模块，用于若判断结果表征所述身体状态级别不满足第一预设条件，则向所述用户发送针对运动前的预警提示信息。
在可选的实施例中，运动推荐装置还包括：确定模块还用于，根据所述用户数据和所述运动行为数据确定用户运动中的身体状态级别；判断模块还用于，判断所述身体状态级别是否满足第二预设条件；发送模块还用于，若判断结果表征所述身体状态级别不满足第二预设条件，则向所述用户发送针对运动中的预警提示信息。
在可选的实施例中，所述运动行为数据至少包括具有运动属性的数据和运动环境数据。
上述装置可执行本发明实施例所提供的运动推荐方法，具备执行运动推荐方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的运动推荐方法。
如图6所示，为本发明实施例可以应用于其中的示例性系统架构图，该系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等（仅为示例）。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所产生的点击事件提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的点击数据、文本内容等数据进行分析等处理，并将处理结果（例如目标推送信息、产品信息--仅为示例）反馈给终端设备。
需要说明的是，本申请实施例所提供的运动推荐方法一般由服务器605执行，相应地，运动推荐装置一般设置于服务器605中。
如图7所示，为本发明实施例可以应用于其中的示例性系统架构图，该系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等（仅为示例）。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所产生的点击事件提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的点击数据、文本内容等数据进行分析等处理，并将处理结果（例如目标推送信息、产品信息--仅为示例）反馈给终端设备。
需要说明的是，本申请实施例所提供的运动推荐方法一般由服务器705执行，相应地，运动推荐装置一般设置于服务器705中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图8，其示出了适于用来实现实施例的终端设备或服务器的计算机系统的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的程序或者从存储部分808加载到随机访问存储器（RAM）803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有系统800操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元（CPU）801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：S101，获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；S102，根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；S103，基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；S104，获取用户执行所述推荐运动方案所生成的运动行为数据；S105，对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整。
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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
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，可轻易想到变化或替换，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 (12)

1.一种运动推荐方法，其特征在于，包括：
获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；
根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；
基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；
获取用户执行所述推荐运动方案所生成的运动行为数据；
对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险，包括：
基于机器学习的病因识别模型或者决策树模型或者预设规则，对第一用户数据进行处理，得到用户的病因类型；所述第一用户数据包括疾病数据和/或基础数据；
基于机器学习的体能识别模型或者决策树模型或者预设规则，对第二用户数据进行处理，得到用户的体能状态级别；所述第二用户数据包括体能数据和/或基础数据；
基于机器学习的健康风险识别模型或者决策树模型或者预设规则，对第三用户数据进行处理，得到用户的健康风险；所述第三用户数据包括健康指标数据和/或基础数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，包括：
基于所述病因类型，确定运动类型分配信息；
基于所述体能状态级别，确定运动强度信息；
基于所述健康风险，确定运动建议信息；
基于所述运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作信息；
基于所述运动类型分配信息、运动强度信息，以及运动动作信息，为用户生成推荐运动方案。
4.根据权利要求3所述的方法，其特征在于，所述基于所述运动类型分配信息、运动强度信息，以及运动建议信息，确定运动动作信息，包括：
基于所述运动类型分配信息、运动强度信息，以及运动建议信息，生成用户的个人标签；
基于所述个人标签在所述动作标签库中进行标签匹配，将匹配度最高的动作标签对应的运动动作确定为用户的运动动作。
5.根据权利要求1所述的方法，其特征在于，所述对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整，包括：
基于运动行为模型，对所述运动行为数据进行强度分类处理，得到强度分类结果；其中，所述运动行为模型包括多个子模型和集成模型，集成模型根据多个子模型的输出确定最终的强度分类结果；
若所述强度分类结果表征强度适当，则保持运动强度；若所述强度分类结果表征强度过低，则通过调整所述推荐运动方案以提升运动强度；若所述强度分类结果表征强度过高，则通过调整所述推荐运动方案以降低运动强度。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据所述用户数据确定用户运动前的身体状态级别；判断所述身体状态级别是否满足第一预设条件，若判断结果表征所述身体状态级别不满足第一预设条件，则向所述用户发送针对运动前的预警提示信息。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据所述用户数据和所述运动行为数据确定用户运动中的身体状态级别；判断所述身体状态级别是否满足第二预设条件；若判断结果表征所述身体状态级别不满足第二预设条件，则向所述用户发送针对运动中的预警提示信息。
8.根据权利要求1、6或7所述的方法，其特征在于，所述运动行为数据至少包括具有运动属性的数据和运动环境数据。
9.一种运动推荐装置，其特征在于，包括：
第一获取模块，用于获取用户数据，所述用户数据至少包括基础数据、疾病数据、体能数据、健康指标数据；
确定模块，用于根据所述用户数据，确定所述用户的病因类型、体能状态级别和健康风险；
生成模块，用于基于所述病因类型、体能状态级别、健康风险为用户生成推荐运动方案，所述推荐运动方案至少包括运动类型分配信息、运动强度信息和运动动作信息；
第二获取模块，用于获取用户执行所述推荐运动方案所生成的运动行为数据；
调整模块，用于对所述运动行为数据进行强度分类处理，并基于强度分类结果对所述推荐运动方案进行调整。
10.一种运动推荐系统，其特征在于，包括客户端、服务器和数据库；
所述客户端用于获取用户数据和运动行为数据；并将所述用户数据和运动行为数据发送至服务器；
所述服务器执行如权利要求1至7任一所述的方法；
所述数据库用于存储动作行为标签。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
12.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一项所述的方法。
CN202111545124.4A 2021-12-17 2021-12-17 一种运动推荐方法、装置、系统及计算机可读存储介质 Pending CN113936772A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111545124.4A CN113936772A (zh) 2021-12-17 2021-12-17 一种运动推荐方法、装置、系统及计算机可读存储介质
PCT/IB2021/062066 WO2023111669A1 (zh) 2021-12-17 2021-12-21 一种运动推荐方法、装置、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545124.4A CN113936772A (zh) 2021-12-17 2021-12-17 一种运动推荐方法、装置、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113936772A true CN113936772A (zh) 2022-01-14

Family

ID=79289045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545124.4A Pending CN113936772A (zh) 2021-12-17 2021-12-17 一种运动推荐方法、装置、系统及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN113936772A (zh)
WO (1) WO2023111669A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114558302A (zh) * 2022-03-04 2022-05-31 首都医科大学宣武医院 一种用于运动能力锻炼的系统及方法
WO2024018263A1 (zh) * 2022-07-21 2024-01-25 Evyd科技有限公司 生活行为推荐信息的推送方法、装置、介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256330A (zh) * 2017-05-22 2017-10-17 深圳市见康云科技有限公司 一种运动方案的推荐方法、装置及计算机可读存储介质
CN111105859A (zh) * 2019-11-13 2020-05-05 泰康保险集团股份有限公司 康复疗法的确定方法与装置、存储介质、电子设备
CN111863187A (zh) * 2020-06-22 2020-10-30 厦门钛尚人工智能科技有限公司 一种体育运动方案推荐方法、系统、终端及存储介质
KR20200123574A (ko) * 2019-04-22 2020-10-30 서울대학교병원 학습 기반의 증상 및 질환 관리 장치 및 방법
CN112951430A (zh) * 2021-03-29 2021-06-11 阿斯利康投资(中国)有限公司 多种慢性疾病联合管理设备和计算机可读存储介质
CN113707270A (zh) * 2021-10-19 2021-11-26 潘道延 新型糖尿病运动康复指导系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040010420A1 (en) * 2001-08-30 2004-01-15 Rooks Daniel S System for developing implementing and monitoring a health management program
CN104091080B (zh) * 2014-07-14 2017-02-22 中国科学院合肥物质科学研究院 一种智能化健身指导系统及其闭环指导方法
US10814170B2 (en) * 2017-06-16 2020-10-27 Apple Inc. Techniques for providing customized exercise-related recommendations
CN112509666B (zh) * 2020-11-16 2022-11-25 东南大学 一种慢性病运动处方生成的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256330A (zh) * 2017-05-22 2017-10-17 深圳市见康云科技有限公司 一种运动方案的推荐方法、装置及计算机可读存储介质
KR20200123574A (ko) * 2019-04-22 2020-10-30 서울대학교병원 학습 기반의 증상 및 질환 관리 장치 및 방법
CN111105859A (zh) * 2019-11-13 2020-05-05 泰康保险集团股份有限公司 康复疗法的确定方法与装置、存储介质、电子设备
CN111863187A (zh) * 2020-06-22 2020-10-30 厦门钛尚人工智能科技有限公司 一种体育运动方案推荐方法、系统、终端及存储介质
CN112951430A (zh) * 2021-03-29 2021-06-11 阿斯利康投资(中国)有限公司 多种慢性疾病联合管理设备和计算机可读存储介质
CN113707270A (zh) * 2021-10-19 2021-11-26 潘道延 新型糖尿病运动康复指导系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114558302A (zh) * 2022-03-04 2022-05-31 首都医科大学宣武医院 一种用于运动能力锻炼的系统及方法
CN114558302B (zh) * 2022-03-04 2023-01-17 首都医科大学宣武医院 一种用于运动能力锻炼的系统及方法
WO2024018263A1 (zh) * 2022-07-21 2024-01-25 Evyd科技有限公司 生活行为推荐信息的推送方法、装置、介质及电子设备

Also Published As

Publication number Publication date
WO2023111669A1 (zh) 2023-06-22

Similar Documents

Publication Publication Date Title
US10998101B1 (en) Health management
CN110322947B (zh) 一种基于深度学习的高血压老年人运动处方推荐方法
US10268966B2 (en) System and method for providing patient-specific dosing as a function of mathematical models updated to account for an observed patient response
CN113936772A (zh) 一种运动推荐方法、装置、系统及计算机可读存储介质
KR102067282B1 (ko) 모바일 건강 애플리케이션을 위한 개별적으로 맞춤화되고, 피어-파생 메시지의 자동 구성
US20110047108A1 (en) Method for Managing Obesity, Diabetes and Other Glucose-Spike-Induced Diseases
CN109589564B (zh) 定制化健身计划生成系统
CN109817302B (zh) 一种健身用专家系统
CN114023418B (zh) 胰岛素推荐方法和装置、监控血糖水平的系统
CN106455996A (zh) 用于无创地监测和识别药物效应和相互作用的方法和设备
CN107146160A (zh) 投保客户健康状况分析方法及服务器
KR20140094111A (ko) 혈당 관리 장치 및 혈당 관리 방법
CN114912005A (zh) 运动推荐方法、装置、设备及介质
KR20220067608A (ko) 개인 질환에 따른 맞춤형 ai 헬스케어 방법
CN115089938B (zh) 一种运动模式推荐方法、装置、电子运动设备及存储介质
CN113936771B (zh) 一种健康指标目标的迭代生成方法及装置
KR101963948B1 (ko) 체수분 밸런스 서비스 방법
CN114974508B (zh) 一种运动处方的生成装置及电子设备
KR101221675B1 (ko) 웰빙 인덱스를 활용한 건강 검진 방법
EP3497665A1 (en) Intelligent grouping of peers in motivational programs
Ishraque et al. Artificial intelligence-based cardiac rehabilitation therapy exercise recommendation system
CN112349387A (zh) 数据管理方法、装置、智能穿戴设备及存储介质
CN109711857A (zh) 保费优惠额度计算方法、设备、装置及可读存储介质
WO2023058200A1 (ja) 疲労度算出装置、疲労度算出方法及び記憶媒体
US20240055135A1 (en) System and method for measuring an individual's health and fitness levels

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