CN114373549B - 一种面向老年人的自适应运动处方健康干预方法及系统 - Google Patents
一种面向老年人的自适应运动处方健康干预方法及系统 Download PDFInfo
- Publication number
- CN114373549B CN114373549B CN202210279919.3A CN202210279919A CN114373549B CN 114373549 B CN114373549 B CN 114373549B CN 202210279919 A CN202210279919 A CN 202210279919A CN 114373549 B CN114373549 B CN 114373549B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- target
- exercise
- motion
- 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
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Physical Education & Sports Medicine (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种面向老年人的自适应运动处方健康干预方法及系统,包括:根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;基于所述运动风险评估结果,确定适用于用户的试验运动处方;获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。本发明的方法可以高效精准地为老年用户提供个性化的运动处方,满足老年用户异质性的运动健康需求,提高运动处方的适用性,用户体验佳。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种面向老年人的自适应运动处方健康干预方法及系统。
背景技术
运动处方是康复医师或体疗师,针对从事体育锻炼者或病人,根据医学检查资料(包括运动试验和体力测验),用处方的形式规定用户进行的运动种类、运动强度、运动时间及运动频率等,指导用户科学锻炼的一种健康干预方法。
目前,对运动处方的执行往往只是针对用户所属年龄层的健康状况来执行的,如面向老年人提供一类老年人群体通用的运动处方,而忽略了老年用户个体异质性的运动健康需求,导致运动处方的适用性不高。
因此,如何更好地对老年用户执行运动处方健康干预已成为业界关注的重点。
发明内容
本发明提供一种面向老年人的自适应运动处方健康干预方法及系统,用以更好地对老年用户执行运动处方健康干预。
本发明提供一种面向老年人的自适应运动处方健康干预方法,包括:
根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;
基于所述运动风险评估结果,确定适用于用户的试验运动处方;
获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;
在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
根据本发明提供的一种面向老年人的自适应运动处方健康干预方法,所述根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果,包括:
从用户的基本运动健康信息里的各项指标信息中,确定符合目标风险指标的目标指标信息及所述目标指标信息的数量;
基于目标指标信息的数量与目标风险指标的数量,确定用户的运动风险评估结果。
根据本发明提供的一种面向老年人的自适应运动处方健康干预方法,所述对所述运动监测视频信息进行分析,确定用户的体能信息,包括:
对所述运动监测视频信息进行动作特征提取,得到用户的动作特征信息;
将用户的动作特征信息与所述试验运动处方的预设动作特征信息进行匹配,确定用户执行所述试验运动处方的达标程度;
基于用户执行所述试验运动处方的达标程度,确定用户的体能信息。
根据本发明提供的一种面向老年人的自适应运动处方健康干预方法,在所述确定与用户的体能信息相匹配的第一目标运动处方之后,还包括:
获取用户在目标时间段内执行所述第一目标运动处方的运动监测视频集合,并从所述运动监测视频集合中获取至少一个目标运动视频;
对各个所述目标运动视频进行影像分析,确定用户的健康状态信息;
在预设运动处方数据库中,确定与用户的健康状态信息相匹配的第二目标运动处方,并将所述第一目标运动处方调整为所述第二目标运动处方。
根据本发明提供的一种面向老年人的自适应运动处方健康干预方法,所述对各个所述目标运动视频进行影像分析,确定用户的健康状态信息,包括:
以预设数量的连续视频帧为一组视频帧集合,将每个所述目标运动视频拆分为多组视频帧集合;
对每组所述视频帧集合中的目标视频帧进行纹理特征检测,得到各个所述目标视频帧的动作特征信息;
将各个所述目标视频帧的动作特征信息与预设运动视频模板的视频帧的动作特征信息进行匹配,确定每个所述目标运动视频对应的健康信息;所述预设运动视频模板携带有健康信息标签;
基于每个所述目标运动视频对应的健康信息,确定用户的健康状态信息。
根据本发明提供的一种面向老年人的自适应运动处方健康干预方法,所述对每组所述视频帧集合中的目标视频帧进行纹理特征检测,得到各个所述目标视频帧的动作特征信息,包括:
对每组所述视频帧集合中的目标视频帧进行像素栅格化的明暗像素粒度识别,确定所述目标视频帧的明暗像素粒度的分布信息;
基于所述目标视频帧的明暗像素粒度的分布信息,确定各个所述目标视频帧的动作特征信息。
根据本发明提供的一种面向老年人的自适应运动处方健康干预方法,所述基于每个所述目标运动视频对应的健康信息,确定用户的健康状态信息,包括:
对各个所述目标运动视频对应的运动健康信息进行加权计算,确定用户的健康指数;
基于用户的健康指数,确定用户的健康状态信息。
本发明还提供一种面向老年人的自适应运动处方健康干预系统,包括:
第一评估模块,用于根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;
第一处理模块,用于基于所述运动风险评估结果,确定适用于用户的试验运动处方;
第一分析模块,用于获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;
第二处理模块,用于在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述面向老年人的自适应运动处方健康干预方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述面向老年人的自适应运动处方健康干预方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述面向老年人的自适应运动处方健康干预方法。
本发明提供的一种面向老年人的自适应运动处方健康干预方法及系统,根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果,以此在用户的基本运动健康信息的基础上,利用设计好的风险评估模型对用户运动风险进行多维评估与预测,从而能够从量化的角度把握用户异质性的健康干预重点,进而可以基于所述运动风险评估结果,确定适用于用户的试验运动处方;基于机器学习的用户肢体动作监测手段,获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息,从而自适应地在预设运动处方数据库中,确定出与用户的体能信息相匹配的第一目标运动处方,可以高效精准地为老年用户提供个性化的运动处方,满足老年用户异质性的运动健康需求,提高运动处方的适用性,用户体验佳。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明提供的面向老年人的自适应运动处方健康干预方法的流程示意图之一;
图2是本发明提供的面向老年人的自适应运动处方健康干预方法的流程示意图之二;
图3是本发明提供的面向老年人的自适应运动处方健康干预系统的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图4描述本发明的面向老年人的自适应运动处方健康干预方法及系统。
图1是本发明提供的面向老年人的自适应运动处方健康干预方法的流程示意图之一,如图1所示,包括:步骤110、步骤120、步骤130和步骤140。
其中,步骤110,根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;
具体地,本发明实施例所描述的用户的基本运动健康信息由多项指标信息组成,其具体可以包括用户基本的社会人口学特征、身体状况、运动习惯、运动经历和运动偏好等信息,社会人口学特征主要包括用户姓名、年龄、性别、身高、体重等信息,身体状况信息包括用户的血压、血脂、心率、慢性病情况、伤病史等信息。
需要说明的是,本发明实施例所描述的用户指的是老年用户,本发明实施例的方法是面向老年人的健康监测和干预方法。
本发明实施例所描述的运动风险评估结果指的是基于用户的基本运动健康信息分析,得到的用户在运动过程中可能发生多类风险的概率,其中,多类风险具体可以包括跌倒风险、骨质疏松风险、肌肉流失风险、高血压风险、脑溢血风险、心肌梗塞风险、呼吸困难风险等。
在本实施例中,通过多前端数据接口,例如智能手机APP、计算机、社区活动中心的运动监测线下设备主机等,录入用户的基本运动健康信息,从而可以根据用户的基本运动健康信息,对用户进行运动风险评估。
需要说明的是,基于获取用户的基本运动健康信息,可以建立用户的运动健康档案,实际实施过程中,可以通过系统运营方租用的云服务器系统,建立如老年人的个人运动健康档案,待系统上线后,还可以考虑跟社区公益和社区参与系统,如“时间银行系统”建立好信息互动机制,共享云存储空间。
在一些实施例中,步骤110,根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果,包括:
从用户的基本运动健康信息里的各项指标信息中,确定符合目标风险指标的目标指标信息及目标指标信息的数量;
基于目标指标信息的数量与目标风险指标的数量,确定用户的运动风险评估结果。
在本实施例中,本发明实施例所描述的目标风险指标指的是预先构建运动风险评估数据模型存储的各类风险对应的指标信息。例如,跌倒风险对应的指标信息包括年龄70~79岁,有跌倒史,有骨折史,有体位性低血压,大小便异常,服用跌倒风险药物。
在本发明的实施例中,根据健康风险管理相关新闻报道、医学诊断和研究文献进行数据分析和挖掘,可以预先构建运动风险评估数据模型。
本发明实施例所描述的目标指标信息指的是符合某一类风险对应的指标信息。
在本实施例中,基于目标指标信息的数量与目标风险指标的数量的占比信息,进行用户运动风险评估和判别。
例如,对于跌倒风险的评估,若用户的基本运动健康信息里的各项指标信息中确定存在跌倒风险对应的目标风险指标中的任意五项信息,即评估用户存在跌倒风险的概率为83.3%。
由此,从用户的基本运动健康信息里的各项指标信息中,可以确定符合目标风险指标的目标指标信息及目标指标信息的数量,进而基于目标指标信息的数量与目标风险指标的数量,计算目标指标信息占比情况,可以得到用户存在多类风险,如跌倒风险、骨质疏松风险、肌肉流失风险、高血压风险、脑溢血风险等中各类风险的概率,由此,确定用户的运动风险评估结果。
本发明实施例的方法,在用户的基本运动健康信息数据基础上,利用设计好的运动风险评估数据模型对用户的运动风险进行多维评估与预测,从而能够从量化的角度把握用户身体状况之间的差异化,有利于促进后续确定用户的个性化运动处方,提高运动处方的适用性。
步骤120,基于运动风险评估结果,确定适用于用户的试验运动处方;
在本步骤中,本发明实施例所描述的试验运动处方指的是为用户提供的用于便捷测试用户体能信息的运动处方,其可以为短时段的测试运动项目,如不同时长的慢走运动或太极运动等。
可以理解的是,针对用户的运动风险评估结果,可以选择适用于用户的试验运动处方,为用户提供适当运动强度的运动进行体能测试。
例如,针对骨质疏松风险概率高的用户,应避免冲击力大的运动,可以给用户选择的试验运动处方为短时间内中等运动量的运动,如慢走、太极、水中运动、牵拉等。
步骤130,获取用户在执行试验运动处方过程中的运动监测视频信息,并对运动监测视频信息进行分析,确定用户的体能信息;
在本步骤中,本发明实施例所描述的运动监测视频信息指的是用户在执行试验运动处方过程中记录下的视频监测信息,其可以通过预先布置好的智能摄像监测网络,在用户执行试验运动处方过程中,拍摄用户的运动行为。
本发明实施例所描述的体能信息指的是基于对用户的运动监测视频进行用户肢体动作分析评估得到的体能信息,其可以包括有氧运动能力和无氧运动能力。
在本实施例中,可以请用户线下到社区活动中心,依托线下设备主机进行监测,开展为期如0.5小时的体能体质分析,其中,线下设备主机可以是通过机器学习肢体动作监测、传感器监测等多技术,来获取用户的实际体能体质信息。
在一些实施例中,步骤130中,对运动监测视频信息进行分析,得到用户的体能信息,包括:
对运动监测视频信息进行动作特征提取,得到用户的动作特征信息;
将用户的动作特征信息与试验运动处方的预设动作特征信息进行匹配,确定用户执行试验运动处方的达标程度;
基于用户执行试验运动处方的达标程度,确定用户的体能信息。
具体地,在本实施例中,对运动监测视频信息进行动作特征提取,可以利用卷积神经网络从用户的运动监测视频信息中提取人体多个动作特征点数据,进而利用多任务学习分类器对特征向量进行处理,得到用户的动作特征信息。
需要说明的是,本发明实施例中试验运动处方的预设动作特征信息存储于预先建立好的数据库中,该数据库内包含每种试验运动处方对应的动作特征信息;
进一步地,将用户的动作特征信息与数据库中试验运动处方的预设动作特征信息进行匹配,从而评估用户执行试验运动处方的达标程度,从而根据用户执行试验运动处方的达标程度,以及预先设置的体能等级划分标准,确定用户执行试验运动处方的达标程度对应的体能信息。
本发明实施例的方法,通过采用基于机器学习的运动监测分析技术,对用户的运动监测视频信息进行动作特征提取,通过特征匹配分析确定用户执行试验运动处方的达标程度,进而得到对应的用户的体能信息,有利于确保得到的用户体能数据的可靠性,为下一步确定用户的个性化运动处方提供数据支持。
步骤140,在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
在本步骤中,本发明实施例所描述的预设运动处方数据库指的是预先设置的运动处方数据库,其包含有各类体能信息对应的运动处方。
在本发明的实施例中,预设运动处方数据库可以是根据健康风险管理相关权威报道、医学诊断、各类健康管理专家库、经过认证的老年人运动处方库、研究文献等多种数据资源平台进行数据分析和深度挖掘来预先构建的数据模型。
本发明实施例所描述的第一目标运动处方指的是通过判定用户的体能信息,获取到的对应的运动处方。
可以理解的是,第一目标运动处方是考虑了用户体能情况确定的运动处方,进一步确保用户执行的运动处方能够满足用户的异质性运动健康需求。
在本实施例中,在确定用户的体能信息之后,可以获取用户的有氧运动能力和无氧运动能力的强弱等级,基于不同等级的体能信息,可以从预设运动处方数据库中,找到与用户的体能信息相匹配的第一目标运动处方。
本发明提供的面向老年人的自适应运动处方健康干预方法,根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果,以此在用户的基本运动健康信息的基础上,利用设计好的风险评估模型对用户运动风险进行多维评估与预测,从而能够从量化的角度把握用户异质性的健康干预重点,进而可以基于所述运动风险评估结果,确定适用于用户的试验运动处方;基于机器学习的用户肢体动作监测手段,获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息,从而自适应地在预设运动处方数据库中,确定出与用户的体能信息相匹配的第一目标运动处方,可以高效精准地为老年用户提供个性化的运动处方,满足老年用户异质性的运动健康需求,提高运动处方的适用性,用户体验佳。
在一些实施例中,步骤140中,在确定与用户的体能信息相匹配的第一目标运动处方之后,还包括:
获取用户在目标时间段内执行第一目标运动处方的运动监测视频集合,并从运动监测视频集合中获取至少一个目标运动视频;
对各个目标运动视频进行影像分析,确定用户的健康状态信息;
在预设运动处方数据库中,确定与用户的健康状态信息相匹配的第二目标运动处方,并将第一目标运动处方调整为第二目标运动处方。
具体地,本发明实施例所描述的目标时间段指的是用于对用户执行第一目标运动处方情况进行动态监测的时间段,其具体可以为20天、一个月或一个半月等,具体根据用户实际运动需求进行设定,在此不作具体限定。
本发明实施例所描述的健康状态信息指的是用户通过执行第一目标运动处方的运动监测过程中所反馈的健康水平,其可以基于计算用户健康指数来确定,其具体可以通过图像处理,如纹理特征检测、三维轮廓重构等技术融合手段,对各个目标运动视频进行影像分析和计算来获取到,具体地,其可以细分为健康状态、亚健康状态、疾病的前驱状态和疾病状态4类状态信息。
本发明实施例所描述的预设运动处方数据库中还可以包含有与不同用户的健康状态信息对应的运动处方。
本发明实施例所描述的第二目标运动处方指的是通过对用户执行第一目标运动处方的情况实施动态监测,根据监测数据分析出用户的健康状态信息而从预设运动处方数据库中对应匹配到的运动处方。
在本发明的实施例中,可以通过社区活动中心运动室的摄像头或已经加入视频动态监测网络系统的居家运动老年人的家庭摄像头,对老年人运动进行摄制,并生成运动监测视频集合上传至云系统。
在本实施例中,获得用户在目标时间段内执行第一目标运动处方的运动监测视频集合后,可以随机从这些运动监测视频集合中选择一个运动监测视频作为目标运动视频,也可以选择多个目标运动视频。
进一步地,本实施例中,可以基于机器深度学习技术,对各个目标运动视频进行影像分析,如对目标运动视频中的视频图像进行纹理特征检测,实现对用户运动视频监控的特征分析和数字建模,从而确定出用户的健康状态信息;
由此,在预设运动处方数据库中,确定与用户的健康状态信息相匹配的第二目标运动处方,并将第一目标运动处方调整为第二目标运动处方。
例如,在一开始评估后,推荐的是以“每天慢走20分钟+太极拳30分钟”为基准的第一目标运动处方,在经过目标时间段一个月后,经过本发明的方法智能监测到用户的健康状态信息所反映的体力活动具有更广阔的提升空间,可调整优化为第二目标运动处方:“每天慢跑10分钟,太极拳1小时”。
本发明实施例的方法,通过机器深度学习技术,在用户实际健康数据不断更新的基础上,对用户在第一目标运动处方下的监测视频集合进行抽样监测,对用户的健康状态信息进行长期评估和追踪,从而灵活调整用户的运动处方,对第一目标运动处方的阶段性效果进行监测和评估,从而能够不断优化运动处方方案,灵活适应用户的不同运动阶段的需求。
在一些实施例中,对各个目标运动视频进行影像分析,确定用户的健康状态信息,包括:
以预设数量的连续视频帧为一组视频帧集合,将每个目标运动视频拆分为多组视频帧集合;
对每组视频帧集合中的目标视频帧进行纹理特征检测,得到各个目标视频帧的动作特征信息;
将各个目标视频帧的动作特征信息与预设运动视频模板的视频帧的动作特征信息进行匹配,确定每个目标运动视频对应的健康信息;预设运动视频模板携带有健康信息标签;
基于每个目标运动视频对应的健康信息,确定用户的健康状态信息。
具体地,本发明实施例所描述的预设数量指的是预先设置好的分组数量,其可以取值为20、30等。
在本实施例中,在获得目标运动视频后,系统将目标运动视频进行帧数化的实时处理,按照预设数量的连续视频帧为一组视频帧集合,将目标运动视频拆分为不同的帧数单元,例如,可以以30帧为基本单位进行分组,由此可以得到多组视频帧集合,可以理解的是,每组视频帧集合中包括30帧连续视频帧,抽取视频中不同时段的视频图像,
本发明实施例所描述的目标视频帧可以从视频帧集合中随机抽取得到,其数量大于等于1。
本发明实施例所描述的动作特征信息可以通过提取目标视频帧中用户运动过程中的多个骨架关键点信息并经过整合计算得到,其可以表现用户运动过程中的运动强度和身体活动程度等信息。
本发明实施例所描述的预设运动视频模板指的是预先设置的第一目标运动处方下的运动视频模板,其展示了第一目标运动处方的动作标准和规范。
本发明实施例所描述的健康信息指的是用户在执行第一目标运动处方过程中展现的运动强度和身体活动程度等信息。
进一步地,通过以预设数量的连续视频帧为一组视频帧集合,可以将每个目标运动视频拆分为多组视频帧集合;进而,从每组视频帧集合中抽取目标视频帧,对每组视频帧集合中的目标视频帧进行纹理特征检测,提取到各个目标视频帧的动作特征信息;
进一步地,将各个目标视频帧的动作特征信息与预设运动视频模板的视频帧的动作特征信息进行匹配,进行像素层面相似度匹配计算,确定与每个目标视频相匹配的预设运动视频模板,其中,预设运动视频模板携带有对应的健康信息标签,由此可以确定每个目标运动视频对应的健康信息;根据每个目标运动视频对应的健康信息,进行用户健康状态评估,得到用户的健康状态信息。
本发明实施例的方法,通过采用纹理特征检测的方法,提取目标视频帧的动作特征信息,根据特征比对和匹配计算的方式,确定用户的健康状态信息,以根据用户的健康状态信息进行精准判别,有利于提升动态监测用户运动处方的效果,提高后续确定的第二目标运动处方的用户适用性。
在一些实施例中,对每组视频帧集合中的目标视频帧进行纹理特征检测,得到各个目标视频帧的动作特征信息,包括:
对每组视频帧集合中的目标视频帧进行像素栅格化的明暗像素粒度识别,确定目标视频帧的明暗像素粒度的分布信息;
基于目标视频帧的明暗像素粒度的分布信息,确定各个目标视频帧的动作特征信息。
具体地,在本实施例中,对每组视频帧集合中的目标视频帧进行纹理特征检测,实现对用户运动视频监控的运动特征分析。
其中,在本实施例中,纹理特征检测以光线投射Ray-Casting图像特征扫描方法为基础,对每组用户运动的视频帧集合中的目标视频帧进行像素栅格化的明暗像素粒度识别,获取目标视频帧中用户运动骨架关键点的明暗像素粒度的分布信息,从而可以结合前后目标视频帧中用户骨架关键点的明暗像素粒度分布,计算出各个目标视频帧的用户的动作特征信息,通过用户的动作特征信息还可以评估出用户执行处方运动过程中的运动内容和运动方向等信息。
需要说明的是,本实施例中,图像分析过程主要采用卷积公式,根据用户骨架关键点的不同明暗像素粒度的分布,对视频监测像素级视差函数进行像素标定和特征信息自适应加权,确定出各个目标视频帧的动作特征信息,有利于后续对用户发生运动的肢体骨架活动区域即特征分割区域与模板图像进行像素级匹配,提高匹配效率。
本发明实施例的方法,通过采用图像像素栅格化,对目标视频帧进行像素栅格化的明暗像素粒度识别,确定用户骨架关键点的明暗像素粒度的分布信息,提取到各个目标视频帧的动作特征信息,有利于提高后续目标视频帧与预设运动视频模板的匹配效率。
在一些实施例中,基于每个目标运动视频对应的健康信息,确定用户的健康状态信息,包括:
对各个目标运动视频对应的健康信息进行加权计算,确定用户的健康指数;
基于用户的健康指数,确定用户的健康状态信息。
具体地,在本发明的实施例中,在获得各个目标运动视频对应的健康信息之后,可以基于用户健康信息中包含的运动强度和身体活动程度信息,计算用户的健康指数,从而基于用户的健康指数,从预设运动处方数据库中匹配到对应用户健康状态信息。
在本实施例中,可以将健康信息中的用户运动强度和身体活动程度均分为12个等级,由此,用户的健康指数可以以2为单位,将0~24也分为12个等级,每个等级对应不同的健康状态信息,其中,健康状态信息分为健康状态、亚健康状态、疾病的前驱状态、疾病状态4类,每一类细分为优、良、差三个等级,也就是说,用户的健康指数0~2对应疾病状态的差等级,2~4对应疾病状态的良等级,等等,依次可以划分为12项内容,与用户健康指数的12个等级相对应。
在本发明的一个实施例中,通过确定目标时间段内用户的每个目标运动视频对应的健康信息,目标运动视频的数量为3,分别为第一目标运动视频、第二目标运动视频和第三目标运动视频,确定第一目标运动视频对应的健康信息为用户运动强度为5,身体活动程度为3,第二目标运动视频对应的健康信息为用户运动强度为6,身体活动程度为5,第二目标运动视频对应的健康信息为用户运动强度为6,身体活动程度为6,通过对各个目标运动视频对应的健康信息进行加权计算,用户的健康指数H=(5+3+6+4+6+6)/3=10,由此,确定用户健康指数为10对应的健康状态信息为疾病的前驱状态的优等级,由此,可以根据该对应的健康状态信息,在预设运动处方数据库中,确定与用户的健康状态信息相匹配的第二目标运动处方,如“每天慢走10分钟,太极拳30分钟”。
在本实施例中,还可以采用机器学习的分块技术进行样本图像健康信息的模板匹配,建立老年人运动训练中体质状况监测的局部梯度能量分布模型,并根据多次运动视频监测识别的老年人运动健康信息,加权后生成老年人健康指数,作为老年人健康状态匹配的参考指标方案。
本发明实施例的方法,通过对各个目标运动视频对应的健康信息进行加权计算,确定用户的健康指数,进而根据用户的健康指数的细分类,来确定用户的健康状态信息,通过将用户各类健康信息指标进行细化分类,有利于提高基于用户的健康状态信息匹配的第二目标运动处方的适用性。
需要说明的是,针对老年用户,传统运动促进方案的生成仅仅将视角停留在了老年人本身,忽视了老年人的周围环境,没有很好地将老年人的外在资源利用起来,为此,在本发明的实施例中,针对老年人健康行为干预,建立个人-家庭-社区-医院-高校五级联动模式,引入家庭和社区在运动处方的生成过程中的支持和反馈作用,不仅发挥了两者在老年人运动习惯养成过程中的支持作用,打造适合老年人运动的外在环境,也为整个风险评估和机器学习的数据处理过程补充了人为调节优化的反馈环节,从而提升了整个运动促进方案的温度、深度和效度。
图2是本发明提供的面向老年人的自适应运动处方健康干预方法的流程示意图之二,如图2所示,该方法主要针对老年用户,其包括信息输入、信息分析和信息输出三个环节,其中,信息输入环节包括:步骤①和步骤②;
步骤①,老年人基本的运动健康信息:即获取老年用户的基本运动健康信息;
步骤②,建立档案:根据老年用户的基本运动健康信息,建立老年用户的健康档案。
信息分析环节包括:步骤③、步骤④、步骤⑤、步骤⑥和步骤⑦;
步骤③,运动风险评估:根据老年用户的健康档案,对老年用户进行运动风险评估,得到该老年用户的运动风险评估结果;
步骤④,体能体质分析:基于运动风险评估结果,确定适用于老年用户的试验运动处方;从老年用户执行试验运动处方过程中,采用基于机器学习的运动监测技术,确定老年用户的体能信息;
步骤⑤,自适应处方生成:根据老年用户的体能信息,自适应生成适用于老年用户的第一目标运动处方;
步骤⑥,处方动态监测:对老年用户执行第一目标运动处方进行动态监测,自适应调整第一目标运动处方;
步骤⑦,个体-家庭-社区-医院-高校五级联动干预:构建老年用户个体-家庭-社区-医院-高校五级联动干预系统,原有的各种老年用户运动健康管理系统,只是单维的为了给老年用户自己使用,若老年用户自己不会使用智能手机,那么相关的技术的效用就会降低。本系统将深度结合社交网络,发挥运动健康的社会效应,在有运动处方需求的老年用户获得运动处方系统后,本系统将根据老年用户的意愿,将处方系统协同推送至家人和本社区的老年社群,并匹配处方接近的同龄用户作为运动同伴,从而实现共同监督、共同运动的目的。本系统还可以自动生成运动社交动态信息,基于老年用户的需求,选择是否在社区网络社群中的信息推送,从而扩宽老年用户的社交网络,提高老年用户使用体验。
信息输出环节包括步骤⑧,面向老年人的自适应运动处方:动态输出不同阶段适用于老年用户的第二目标运动处方。
下面对本发明提供的面向老年人的自适应运动处方健康干预系统进行描述,下文描述的面向老年人的自适应运动处方健康干预系统与上文描述的面向老年人的自适应运动处方健康干预方法可相互对应参照。
图3是本发明提供的面向老年人的自适应运动处方健康干预系统的结构示意图,如图3所示,包括:
第一评估模块310,用于根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;
第一处理模块320,用于基于运动风险评估结果,确定适用于用户的试验运动处方;
第一分析模块330,用于获取用户在执行试验运动处方过程中的运动监测视频信息,并对运动监测视频信息进行分析,确定用户的体能信息;
第二处理模块340,用于在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
本实施例所述的面向老年人的自适应运动处方健康干预系统可以用于执行上述面向老年人的自适应运动处方健康干预方法实施例,其原理和技术效果类似,此处不再赘述。
图4是本发明提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各方法所提供的面向老年人的自适应运动处方健康干预方法,该方法包括:根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;基于所述运动风险评估结果,确定适用于用户的试验运动处方;获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的面向老年人的自适应运动处方健康干预方法,该方法包括:根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;基于所述运动风险评估结果,确定适用于用户的试验运动处方;获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的面向老年人的自适应运动处方健康干预方法,该方法包括:根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;基于所述运动风险评估结果,确定适用于用户的试验运动处方;获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同调整;而这些修改或者调整,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种面向老年人的自适应运动处方健康干预方法,其特征在于,包括:
根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;
基于所述运动风险评估结果,确定适用于用户的试验运动处方;
获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;
在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方;
其中,所述对所述运动监测视频信息进行分析,确定用户的体能信息,包括:
对所述运动监测视频信息进行动作特征提取,得到用户的动作特征信息;
将用户的动作特征信息与所述试验运动处方的预设动作特征信息进行匹配,确定用户执行所述试验运动处方的达标程度;
基于用户执行所述试验运动处方的达标程度,确定用户的体能信息;
其中,在所述确定与用户的体能信息相匹配的第一目标运动处方之后,还包括:
获取用户在目标时间段内执行所述第一目标运动处方的运动监测视频集合,并从所述运动监测视频集合中获取至少一个目标运动视频;
对各个所述目标运动视频进行影像分析,确定用户的健康状态信息;
在预设运动处方数据库中,确定与用户的健康状态信息相匹配的第二目标运动处方,并将所述第一目标运动处方调整为所述第二目标运动处方;
其中,所述对各个所述目标运动视频进行影像分析,确定用户的健康状态信息,包括:
以预设数量的连续视频帧为一组视频帧集合,将每个所述目标运动视频拆分为多组视频帧集合;
对每组所述视频帧集合中的目标视频帧进行纹理特征检测,得到各个所述目标视频帧的动作特征信息;
将各个所述目标视频帧的动作特征信息与预设运动视频模板的视频帧的动作特征信息进行匹配,确定每个所述目标运动视频对应的健康信息;所述预设运动视频模板携带有健康信息标签;
基于每个所述目标运动视频对应的健康信息,确定用户的健康状态信息;
其中,所述对每组所述视频帧集合中的目标视频帧进行纹理特征检测,得到各个所述目标视频帧的动作特征信息,包括:
对每组所述视频帧集合中的目标视频帧进行像素栅格化的明暗像素粒度识别,确定所述目标视频帧的明暗像素粒度的分布信息;
基于所述目标视频帧的明暗像素粒度的分布信息,确定各个所述目标视频帧的动作特征信息。
2.根据权利要求1所述的面向老年人的自适应运动处方健康干预方法,其特征在于,所述根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果,包括:
从用户的基本运动健康信息里的各项指标信息中,确定符合目标风险指标的目标指标信息及所述目标指标信息的数量;
基于目标指标信息的数量与目标风险指标的数量,确定用户的运动风险评估结果。
3.根据权利要求1所述的面向老年人的自适应运动处方健康干预方法,其特征在于,所述基于每个所述目标运动视频对应的健康信息,确定用户的健康状态信息,包括:
对各个所述目标运动视频对应的运动健康信息进行加权计算,确定用户的健康指数;
基于用户的健康指数,确定用户的健康状态信息。
4.一种面向老年人的自适应运动处方健康干预系统,其特征在于,包括:
第一评估模块,用于根据用户的基本运动健康信息,对用户进行运动风险评估,得到用户的运动风险评估结果;
第一处理模块,用于基于所述运动风险评估结果,确定适用于用户的试验运动处方;
第一分析模块,用于获取用户在执行所述试验运动处方过程中的运动监测视频信息,并对所述运动监测视频信息进行分析,确定用户的体能信息;
第二处理模块,用于在预设运动处方数据库中,确定与用户的体能信息相匹配的第一目标运动处方;
其中,所述第一分析模块具体还用于:
对所述运动监测视频信息进行动作特征提取,得到用户的动作特征信息;
将用户的动作特征信息与所述试验运动处方的预设动作特征信息进行匹配,确定用户执行所述试验运动处方的达标程度;
基于用户执行所述试验运动处方的达标程度,确定用户的体能信息;
其中,所述系统还包括:
第一获取模块,用于获取用户在目标时间段内执行所述第一目标运动处方的运动监测视频集合,并从所述运动监测视频集合中获取至少一个目标运动视频;
第二分析模块,用于对各个所述目标运动视频进行影像分析,确定用户的健康状态信息;
第三处理模块,用于在预设运动处方数据库中,确定与用户的健康状态信息相匹配的第二目标运动处方,并将所述第一目标运动处方调整为所述第二目标运动处方;
其中,所述第二分析模块,还包括:
第一拆分子模块,用于以预设数量的连续视频帧为一组视频帧集合,将每个所述目标运动视频拆分为多组视频帧集合;
第一检测子模块,用于对每组所述视频帧集合中的目标视频帧进行纹理特征检测,得到各个所述目标视频帧的动作特征信息;
第一匹配子模块,用于将各个所述目标视频帧的动作特征信息与预设运动视频模板的视频帧的动作特征信息进行匹配,确定每个所述目标运动视频对应的健康信息;所述预设运动视频模板携带有健康信息标签;
第一处理子模块,用于基于每个所述目标运动视频对应的健康信息,确定用户的健康状态信息;
其中,所述第一检测子模块具体还用于:
对每组所述视频帧集合中的目标视频帧进行像素栅格化的明暗像素粒度识别,确定所述目标视频帧的明暗像素粒度的分布信息;
基于所述目标视频帧的明暗像素粒度的分布信息,确定各个所述目标视频帧的动作特征信息。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述面向老年人的自适应运动处方健康干预方法。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述面向老年人的自适应运动处方健康干预方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279919.3A CN114373549B (zh) | 2022-03-22 | 2022-03-22 | 一种面向老年人的自适应运动处方健康干预方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279919.3A CN114373549B (zh) | 2022-03-22 | 2022-03-22 | 一种面向老年人的自适应运动处方健康干预方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114373549A CN114373549A (zh) | 2022-04-19 |
CN114373549B true CN114373549B (zh) | 2022-06-10 |
Family
ID=81145205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210279919.3A Active CN114373549B (zh) | 2022-03-22 | 2022-03-22 | 一种面向老年人的自适应运动处方健康干预方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114373549B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011025075A1 (ko) * | 2009-08-28 | 2011-03-03 | (주)누가의료기 | 운동 처방 시스템 |
CN109065167A (zh) * | 2018-08-16 | 2018-12-21 | 芜湖云枫信息技术有限公司 | 老年人运动风险评估方法 |
CN109191588A (zh) * | 2018-08-27 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 运动教学方法、装置、存储介质及电子设备 |
CN110322947A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
CN111243688A (zh) * | 2020-03-24 | 2020-06-05 | 芜湖云枫信息技术有限公司 | 一种老年人运动风险评估系统 |
CN111626137A (zh) * | 2020-04-29 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于视频的运动评估方法、装置、计算机设备及存储介质 |
CN113496767A (zh) * | 2020-04-07 | 2021-10-12 | 山东体育学院 | 一种基于大数据的健康运动目标评估方法 |
-
2022
- 2022-03-22 CN CN202210279919.3A patent/CN114373549B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011025075A1 (ko) * | 2009-08-28 | 2011-03-03 | (주)누가의료기 | 운동 처방 시스템 |
CN109065167A (zh) * | 2018-08-16 | 2018-12-21 | 芜湖云枫信息技术有限公司 | 老年人运动风险评估方法 |
CN109191588A (zh) * | 2018-08-27 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 运动教学方法、装置、存储介质及电子设备 |
CN110322947A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
CN111243688A (zh) * | 2020-03-24 | 2020-06-05 | 芜湖云枫信息技术有限公司 | 一种老年人运动风险评估系统 |
CN113496767A (zh) * | 2020-04-07 | 2021-10-12 | 山东体育学院 | 一种基于大数据的健康运动目标评估方法 |
CN111626137A (zh) * | 2020-04-29 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于视频的运动评估方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114373549A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6546378B1 (en) | Signal interpretation engine | |
CN109902558B (zh) | 一种基于cnn-lstm的人体健康深度学习预测方法 | |
CN111728609B (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
CN110941990A (zh) | 基于骨骼关键点进行人体动作评估的方法和装置 | |
US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
Chan et al. | Smart mobile phone based gait assessment of patients with low back pain | |
CN114569097A (zh) | 基于耳廓ppg信号预处理的血压预测方法、系统及介质 | |
CN116825335B (zh) | 帕金森患者步态的预后效果的预测模型训练的方法和设备 | |
CN114373549B (zh) | 一种面向老年人的自适应运动处方健康干预方法及系统 | |
CN109285594A (zh) | 人体3d扫描投影技术 | |
CN115268531B (zh) | 一种智能浴缸的水流调温控制方法、装置、设备及存储介质 | |
CN113869090A (zh) | 一种跌倒风险评估方法及装置 | |
CN112116971A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114694234B (zh) | 情绪识别方法、系统、电子设备和存储介质 | |
CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
Momennezhad et al. | Classification of eeg-p300 signals extracted from brain activities in bci systems using ν-svm and blda algorithms | |
CN110840459B (zh) | 人体平衡能力获取方法及系统、计算机设备及介质 | |
Jiang et al. | A cloud-based training and evaluation system for facial paralysis rehabilitation | |
CN117594227B (zh) | 基于穿戴设备的健康状态监控方法、装置、介质及设备 | |
CN114974508B (zh) | 一种运动处方的生成装置及电子设备 | |
CN117393109B (zh) | 场景自适应的饮食监控方法、装置、设备及存储介质 | |
Li | An investigation of an athlete injury likelihood monitoring system using the random forest algorithm and DWT |
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 |