CN114446439A - 一种基于可穿戴设备的运动风险评估方法与系统 - Google Patents
一种基于可穿戴设备的运动风险评估方法与系统 Download PDFInfo
- Publication number
- CN114446439A CN114446439A CN202111539772.9A CN202111539772A CN114446439A CN 114446439 A CN114446439 A CN 114446439A CN 202111539772 A CN202111539772 A CN 202111539772A CN 114446439 A CN114446439 A CN 114446439A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- motion
- wearable device
- features
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 87
- 238000012502 risk assessment Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000013475 authorization Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 208000025978 Athletic injury Diseases 0.000 claims description 6
- 206010041738 Sports injury Diseases 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 230000036760 body temperature Effects 0.000 claims description 4
- 210000003743 erythrocyte Anatomy 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000010485 coping Effects 0.000 abstract description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000003860 storage Methods 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于可穿戴设备的运动风险评估方法与系统。包括：通过授权获取初始数据集进行模型的训练，利用可穿戴设备采集生理指标信息，进行相关特征优选，然后通过服务端进行运动风险评估，生成运动建议，用户的反馈用于迭代更新训练模型。本发明实现可穿戴设备数据收集、集成、异构数据融合与运动风险评估；通过采集的长期生理特征的变化曲线，结合海量用户数据进行相关性分析、分箱离散编码等数据处理，完成多源数据的过滤、变换、优选和融合，提取出更有效的数据特征；最后，通过对数据融合后多种综合特征进行运动风险的评估。实现具有较高可解释性的运动风险评估方法，为用户提供一定的应对运动风险的建议。
Description
技术领域
本发明涉及智能家居、智慧健康领域，具体涉及一种基于可穿戴设备的运动风险评估方法与系统。
背景技术
随着生活水平的提升，人们更加追求健康生活，愿意花更多时间投入运动中，主动运动、科学运动日益成为人们的自觉选择。然而，在以往的运动健身过程中，人们往往面临着运动环境指标是否合适、身体指标是否健康、运动量是否科学等问题，稍有不慎会造成运动损伤或是运动意外的发生。如何在运动前得到一定的运动风险评估建议显得尤为重要。随着可穿戴设备与运动的不断结合，市场上出现了越来越多的智能运动应用与设备，以满足人们多层次的需要。针对科学的运动管理这一需求的智能可穿戴设备也在市场上逐渐涌现，并基于此为用户提供了多种精细化的服务，如运动规划、运动风险评估等。目前市场上有着大量的可穿戴设备，帮助人们监测自身的心率，消耗的卡路里，一天的行走步数等。在现有的基于可穿戴设备的运动风险评估方法中，往往使用设定规则或者简单的线性回归的方法，严重依赖于人的先验知识。这些方法缺乏对不同可穿戴设备采集的异构数据的融合和知识发现，因此难以实现科学的精准的运动风险评估与管理。基于人们对于运动科学性和运动方便性的追求，智能可穿戴设备的大量增加也为线上的智能大数据分析提供了发展的基础。本发明因此提出在服务端部署基于可穿戴设备数据的运动风险评估模型，并进行大数据分析与挖掘，进而为用户提供科学的运动风险评估结果，帮助用户提高运动风险评估与管理的效率和准确性。
目前的现有技术之一是市面上的多功能智能可穿戴设备，如运动手表、运动手环等。现有技术方案：首先，通过使用智能可穿戴设备采集不同的运动信息，如久坐时长、步数等；其次，通过规则分析使用者的身体状态，并给出对应的运动建议。现有技术方案缺点：首先，该类产品属于通用性较高的可穿戴设备，因此采集的数据对运动风险评估的任务不具有针对性；其次，该产品缺乏结合海量数据的分析服务，应用范围局限，可拓展度不高。
目前的现有技术之二是市面上的健身场所上的运动检测设备。现有技术方案：首先，在用户进行跑步、动感单车等活动时，使用专业的运动检测设备记录用户的运动心率等生理信息；其次，通过跟踪对应用户的运动记录，提供基于对应规则的运动健康建议。现有技术方案缺点：首先，缺乏为用户提供便携的数据记录功能；最后，没有结合大数据技术为用户提供运动风险的评估分析。
发明内容
本发明的目的是克服现有方法的不足，提出了一种基于可穿戴设备的运动风险评估方法。本发明解决的主要问题：一是现有技术方案的运动管理专业性不高，数据采集量低，不利于便携记录存储，不能实现精确的风险预估的问题；二是现有技术方案没有充分利用大数据数据分析与融合，导致可拓展性不高，无法实现较好解释性的运动建议的问题。
为了解决上述问题，本发明提出了一种基于可穿戴设备的运动风险评估方法，所述方法包括：
授权获取用户的初始数据集，包括用户的生理指标、环境指标并存储至服务端，进行模型训练，得到训练好的XGBoost模型；
用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端；
所述客户端根据当前时间联网查询对应的所述初始数据集中的环境指标，将其与所述生理指标信息根据所述时间戳进行拼接，得到总的用户数据并传送至所述服务端；
所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征；
所述服务端使用所述训练好的XGBoost模型对所述多源融合特征进行运动风险的预估，得到风险预估结果，基于模型中的子树分裂使用的特征次数，计算不同特征的重要性；
所述客户端从所述服务端获取所述风险预估结果，结合所述总的用户数据进行可视化展示，基于所述不同特征的重要性生成规避运动风险的建议；
在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新。
优选地，所述授权获取用户的初始数据集，包括用户的生理指标、环境指标并存储至服务端，进行模型训练，得到训练好的XGBoost模型，具体为：
通过医院授权获取患有不同程度运动损伤的用户的生理指标、环境指标与其对应的运动损伤信息，作为初始数据集；
初始数据集的生理指标为在给定的时间周期内，收集给定用户的生理指标随着时间戳的变化趋势，以及用户的运动损伤情况作为模型训练标签；
初始数据集的环境指标为在给定的时间周期内，收集给定用户的运动环境的指标信息，主要包含用户的地点位置、空气质量、空气湿度、天气情况等；
基于给定的数据集，作为用户初始数据集并储存至云端服务器，更新训练服务端的XGBoost模型，得到训练好的XGBoost模型。
优选地，所述用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端，具体为：
用户生理指标采集包括：心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等；
建立蓝牙连接，将收集到的每个时间戳下的生理指标发送到客户端。
优选地，所述所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征，具体为：
所述服务端根据得到的每一个所述可穿戴设备下的生理指标信息随着时间戳的变化，使用时间窗口加权的方式提取k个时间段的平滑特征，得到的层次特征为：
其中fk为提取的层次特征，gk为原始特征，wk+i为设定好的时间权重，T为总的时间窗口大小；
基于每个可穿戴设备下的生理指标，提取的k个平滑特征分别结合所述初始数据集得到的历史数据进行标准化处理，得到标准特征为：
其中，
为历史数据中第k项特征的均值，σk为历史数据中第k项特征的标准差；
对由此获得的各项生理指标进行分箱处理，将其按照特定的分布进行分段处理，在每一个所述可穿戴设备的源下的数据内使用皮尔森相关系数来进行优选，得到优选特征；
将得到每个源下优选特征进行拼接，得到多源融合特征，作为所述训练好的XGBoost模型的输入特征。
优选地，所述在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新，具体为：
所述用户客户端记录用户对所述运动风险预估结果的反馈，将反馈上传至服务器，服务器反馈生成标签yi，并结合之前用户的输入数据xi，生成一条新的样本(xi,yi)，补充添加到模型训练数据中，迭代更新原有的XGBoost模型，迭代公式为：
其中整个XGBoost模型共生成t棵树，ft为第t棵树的预测结果，l()为损失函数，其中gi和hi是损失函数l关于xi二阶泰勒展开的系数，Ω()为对树的叶子节点的正则项约束。
相应地，本发明还提供了一种基于可穿戴设备的运动风险评估系统，包括：
指标信息采集单元，用于获取用户的初始数据集进行模型训练，完成各项生理指标信息、环境指标信息的采集；
特征提取优选单元，用于将采集到的数据进行特征提取与优选，得到多源融合特征，作为输入特征；
数据可视化单元，用于进行运动风险的预估，生成规避运动风险的建议，结合总的用户数据进行可视化展示。
实施本发明，具有如下有益效果：
第一，本发明提出一种基于可穿戴设备的运动风险评估方法。通过使用智能可穿戴设备采集人体运动相关的生理信息，将其上传至服务器并进行大数据分析和运动风险的评估，并回传给智能设备提供风险评估结果和运动建议；第二，通过不同的可穿戴设备的传感器监测血氧浓度、温度、血压、心率、脂肪含量等生理信号的变化情况，在云端进行异构数据融合后，使用基于XGBoost和分析技术对数据进行建模，并为用户进行运动风险的评估。
附图说明
图1是本发明实施例的一种基于可穿戴设备的运动风险评估方法总体流程图；
图2是本发明实施例的一种基于可穿戴设备的运动风险评估系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术发明进行清楚、完整地描述，显然，所描述的实施例仅仅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。
图1是本发明实施例的一种基于可穿戴设备的运动风险评估方法总体流程图，如图1所示，该方法包括：
S1，授权获取用户的初始数据集，包括用户的生理指标、环境指标并存储至服务端，进行模型训练，得到训练好的XGBoost模型；
S2，用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端；
S3，所述客户端根据当前时间联网查询对应的所述初始数据集中的环境指标，将其与所述生理指标信息根据所述时间戳进行拼接，得到总的用户数据并传送至所述服务端；
S4，所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征；
S5，所述服务端使用所述训练好的XGBoost模型对所述多源融合特征进行运动风险的预估，得到风险预估结果，基于模型中的子树分裂使用的特征次数，计算不同特征的重要性；
S6，所述客户端从所述服务端获取所述风险预估结果，结合所述总的用户数据进行可视化展示，基于所述不同特征的重要性生成规避运动风险的建议；
S7，在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新。
步骤S1，具体如下：
S1-1：准备数据集的生理指标信息，在给定的时间周期内，收集给定用户的生理指标随着时间戳的变化趋势，以及用户的运动损伤情况作为模型训练标签。
S1-2：准备数据集的环境指标信息，在给定的时间周期内，收集其运动环境的指标信息。基于给定的数据集，更新训练服务端的XGBoost模型。
步骤S2，具体如下：
S2-1：用户通过使用多项可穿戴设备，完成对各项生理指标的采集。主要包含心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等。并与用户客户端建立蓝牙连接，将收集到的每个时间戳下的生理指标发送到客户端。
S2-2：客户端根据当前时间戳，联网查询对应的环境指标信息，主要包含用户的地点位置、空气质量、空气湿度、天气情况等。
步骤S3，具体如下：
S3-1：客户端将S1和S2得到的生理指标信息和环境指标信息根据时间戳进行拼接，作为总的用户数据，并传送到服务端。
步骤S4，具体如下：
S4-1：服务端根据S2得到的每一个可穿戴设备下的生理指标信息随着时间戳的变化，使用时间窗口加权的方式提取k个时间段的平滑特征，具体来说，得到的层次特征为：
其中fk为提取的层次特征，gk为原始特征，wk+i为设定好的时间权重，T为总的时间窗口大小。
S4-2：基于每个可穿戴设备下的生理指标，根据S4-1提取的k个特征分别结合S1得到的历史数据进行标准化处理，得到新的特征为：
其中，
为历史数据中第k项特征的均值，σk为历史数据中第k项特征的标准差。
S4-3：对S4-2中获取的各项生理指标进行分箱处理，将其按照特定的分布进行分段处理，扩充数据的表达能力。由此得到的数据，在每一个可穿戴设备的源下的数据内使用皮尔森相关系数来进行优选。具体来说，是将相关性较高的特征移除，从而保留了特征的差异化的表达能力。
S4-4：基于S4-3得到每个源下优选的特征，由于其此时主要以多列的优选特征存在，因此将其拼接，共同作为模型的输入特征。
步骤S5，具体如下：
S5-1：在服务端使用S1训练好的XGBoost模型对S4得到的多源融合特征进行运动风险的预估。基于XGBoost中的子树分裂使用的特征次数，计算不同特征的重要性。
步骤S6，具体如下：
S6-1：用户客户端从服务端获取S5获取的运动风险评估结果，并结合S2、S3获得的数据进行可视化的展示。用户客户端从服务端获取S5获得的特征重要性，并基于此生成规避运动风险的建议。
步骤S7，具体如下：
S7-1：用户客户端记录用户对运动风险评估结果的反馈，将反馈上传至服务器。服务器根据获得的用户反馈生成标签yi，并结合之前用户的输入数据xi，生成一条新的样本(xi,yi)。
S7-2：将S7-1生成的新样本(xi,yi)补充添加到S1的训练数据中，更新训练原有的XGBoost模型。模型按照下式进行迭代更新：
其中整个XGBoost模型共生成t棵树，ft为第t棵树的预测结果，l()为损失函数，其中gi和hi是损失函数l关于xi二阶泰勒展开的系数，Ω()为对树的叶子节点的正则项约束。
相应地，本发明还提供了一种基于可穿戴设备的运动风险评估系统，如图2所示，包括：
指标信息采集单元1，用于获取用户的初始数据集进行模型训练，完成各项生理指标信息、环境指标信息的采集。
具体地，所述指标信息采集单元，通过医院授权获取患有不同程度运动损伤的用户的生理指标、环境指标与其对应的运动损伤信息，作为初始数据集，用户基于可穿戴设备完成各项生理指标信息采集，包括：心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等，将收集到的每个时间戳下的生理指标发送到客户端。
特征提取优选单元2，用于将采集到的数据进行特征提取与优选，得到多源融合特征，作为输入特征。
具体地，所述特征提取优选单元，所述服务端根据得到的每一个所述可穿戴设备下的生理指标信息随着时间戳的变化，使用时间窗口加权的方式提取k个时间段的平滑特征，得到的层次特征，基于每个可穿戴设备下的生理指标，提取的k个平滑特征分别结合所述初始数据集得到的历史数据进行标准化处理，得到标准特征，对由此获得的各项生理指标进行分箱处理，将其按照特定的分布进行分段处理，在每一个所述可穿戴设备的源下的数据内使用皮尔森相关系数来进行优选，得到优选特征，将得到每个源下优选特征进行拼接，得到多源融合特征，作为所述训练好的XGBoost模型的输入特征。
数据可视化单元3，用于进行运动风险的预估，生成规避运动风险的建议，结合总的用户数据进行可视化展示。
具体地，所述数据可视化单元，客户端从所述服务端获取所述风险预估结果，结合所述总的用户数据进行可视化展示，基于所述不同特征的重要性生成规避运动风险的建议，在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新。
因此，本发明通过用户可穿戴设备、用户客户端、云服务器三部分，实现可穿戴设备数据收集、集成、异构数据融合与运动风险评估。首先，可穿戴设备用于采集用户的生理特征，主要需要用到心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等可穿戴设备的传感器模块；其次，客户端用于集成不同穿戴设备采集到的指标，并在终端与用户进行交互，该客户端需要通过联网查询完成对环境信息的收集，如气候、气温、空气质量、所处地点等。随后该客户端与服务端进行连接，将指标信息和环境信息上传，并将服务器计算的运动风险的评估结果对用户进行可视化的呈现；然后，云服务器用于汇总用户多种可穿戴设备采集的长期生理特征的变化曲线，并结合海量用户数据进行相关性分析、分箱离散编码等数据处理，最终完成多源数据的过滤、变换、优选和融合，提取出更有效的数据特征；最后，通过对数据融合后产生的多种综合特征进行运动风险的评估。在该评估模型中，主要使用了XGBoost算法。XGBoost通过集成多棵决策树学习海量用户数据之间的关联性，实现具有较高可解释性的运动风险评估方法，进而可以根据可解释性的分析结果为用户提供一定的应对运动风险的建议。
以上对本发明实施例所提供的一种基于可穿戴设备的运动风险评估方法与系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于可穿戴设备的运动风险评估方法，其特征在于，所述方法包括：
授权获取用户的初始数据集，包括用户的生理指标、环境指标，并存储至服务端，进行模型训练，得到训练好的XGBoost模型；
用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端；
所述客户端根据当前时间联网查询对应的所述初始数据集中的环境指标，将其与所述生理指标信息根据所述时间戳进行拼接，得到总的用户数据并传送至所述服务端；
所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征；
所述服务端使用所述训练好的XGBoost模型对所述多源融合特征进行运动风险的预估，得到风险预估结果，基于模型中的子树分裂使用的特征次数，计算不同特征的重要性；
所述客户端从所述服务端获取所述风险预估结果，结合所述总的用户数据进行可视化展示，基于所述不同特征的重要性生成规避运动风险的建议；
在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新。
2.如权利要求1所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述授权获取用户的初始数据集，包括用户的生理指标、环境指标并存储至服务端，进行模型训练，得到训练好的XGBoost模型，具体为：
通过医院授权获取患有不同程度运动损伤的用户的生理指标、环境指标与其对应的运动损伤信息，作为初始数据集；
初始数据集的生理指标为在给定的时间周期内，收集给定用户的生理指标随着时间戳的变化趋势，以及用户的运动损伤情况作为模型训练标签；
初始数据集的环境指标为在给定的时间周期内，收集给定用户的运动环境的指标信息，主要包含用户的地点位置、空气质量、空气湿度、天气情况等；
基于给定的数据集，作为用户初始数据集并储存至云端服务器，更新训练服务端的XGBoost模型，得到训练好的XGBoost模型。
3.如权利要求2所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端，具体为：
用户生理指标采集包括：心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等；
建立蓝牙连接，将收集到的每个时间戳下的生理指标发送到客户端。
4.如权利要求3所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征，具体为：
所述服务端根据得到的每一个所述可穿戴设备下的生理指标信息随着时间戳的变化，使用时间窗口加权的方式提取k个时间段的平滑特征，得到的层次特征为：
其中fk为提取的层次特征，gk为原始特征，wk+i为设定好的时间权重，T为总的时间窗口大小；
基于每个可穿戴设备下的生理指标，提取的k个平滑特征分别结合所述初始数据集得到的历史数据进行标准化处理，得到标准特征为：
其中，
为历史数据中第k项特征的均值，σk为历史数据中第k项特征的标准差；
对由此获得的各项生理指标进行分箱处理，将其按照特定的分布进行分段处理，在每一个所述可穿戴设备的源下的数据内使用皮尔森相关系数来进行优选，得到优选特征；
将得到每个源下优选特征进行拼接，得到多源融合特征，作为所述训练好的XGBoost模型的输入特征。
5.如权利要求1所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新，具体为：
所述用户客户端记录用户对所述运动风险预估结果的反馈，将反馈上传至服务器，服务器反馈生成标签yi，并结合之前用户的输入数据xi，生成一条新的样本(xi,yi)，补充添加到模型训练数据中，迭代更新原有的XGBoost模型，迭代公式为：
其中整个XGBoost模型共生成t棵树，ft为第t棵树的预测结果，l()为损失函数，其中gi和hi是损失函数l关于xi二阶泰勒展开的系数，Ω()为对树的叶子节点的正则项约束。
6.一种基于可穿戴设备的运动风险评估系统，其特征在于，所述系统包括：
指标信息采集单元，用于获取用户的初始数据集进行模型训练，完成各项生理指标信息、环境指标信息的采集；
特征提取优选单元，用于将采集到的数据进行特征提取与优选，得到多源融合特征，作为输入特征；
数据可视化单元，用于进行运动风险的预估，生成规避运动风险的建议，结合总的用户数据进行可视化展示。
7.如权利要求6所述的一种基于可穿戴设备的运动风险评估系统，其特征在于，所述指标信息采集单元，通过医院授权获取患有不同程度运动损伤的用户的生理指标、环境指标与其对应的运动损伤信息，作为初始数据集，用户基于可穿戴设备完成各项生理指标信息采集，包括：心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等，将收集到的每个时间戳下的生理指标发送到客户端。
8.如权利要求6所述的一种基于可穿戴设备的运动风险评估系统，其特征在于，所述特征提取优选单元，所述服务端根据得到的每一个所述可穿戴设备下的生理指标信息随着时间戳的变化，使用时间窗口加权的方式提取k个时间段的平滑特征，得到的层次特征，基于每个可穿戴设备下的生理指标，提取的k个平滑特征分别结合所述初始数据集得到的历史数据进行标准化处理，得到标准特征，对由此获得的各项生理指标进行分箱处理，将其按照特定的分布进行分段处理，在每一个所述可穿戴设备的源下的数据内使用皮尔森相关系数来进行优选，得到优选特征，将得到每个源下优选特征进行拼接，得到多源融合特征，作为所述训练好的XGBoost模型的输入特征。
9.如权利要求6所述的一种基于可穿戴设备的运动风险评估系统，其特征在于，所述数据可视化单元，客户端从所述服务端获取所述风险预估结果，结合所述总的用户数据进行可视化展示，基于所述不同特征的重要性生成规避运动风险的建议，在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539772.9A CN114446439A (zh) | 2021-12-16 | 2021-12-16 | 一种基于可穿戴设备的运动风险评估方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539772.9A CN114446439A (zh) | 2021-12-16 | 2021-12-16 | 一种基于可穿戴设备的运动风险评估方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114446439A true CN114446439A (zh) | 2022-05-06 |
Family
ID=81362918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111539772.9A Pending CN114446439A (zh) | 2021-12-16 | 2021-12-16 | 一种基于可穿戴设备的运动风险评估方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114446439A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115736915A (zh) * | 2022-11-21 | 2023-03-07 | 大连理工大学 | 基于多源信息融合的患者体能评估方法 |
| CN116779169A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市则成电子股份有限公司 | 运动风险监测方法、装置以及电子设备 |
| WO2023240464A1 (zh) * | 2022-06-14 | 2023-12-21 | 北京小米移动软件有限公司 | 一种身体监控数据的监控方法及装置、电子设备及存储介质 |
| CN117787731A (zh) * | 2023-09-14 | 2024-03-29 | 西安交通大学城市学院 | 基于Actor-Critic网络在体育无线教学中实时休息决策方法 |
| CN117831714A (zh) * | 2024-02-27 | 2024-04-05 | 小时教育科技(福建)有限公司 | 一种基于ai的运动数据监测辅助方法和系统 |
| CN117854678A (zh) * | 2024-03-07 | 2024-04-09 | 广东海洋大学 | 一种基于可穿戴设备的运动健康管理方法、系统及介质 |
-
2021
- 2021-12-16 CN CN202111539772.9A patent/CN114446439A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023240464A1 (zh) * | 2022-06-14 | 2023-12-21 | 北京小米移动软件有限公司 | 一种身体监控数据的监控方法及装置、电子设备及存储介质 |
| CN115736915A (zh) * | 2022-11-21 | 2023-03-07 | 大连理工大学 | 基于多源信息融合的患者体能评估方法 |
| CN115736915B (zh) * | 2022-11-21 | 2024-04-26 | 大连理工大学 | 基于多源信息融合的患者体能评估方法 |
| CN116779169A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市则成电子股份有限公司 | 运动风险监测方法、装置以及电子设备 |
| CN116779169B (zh) * | 2023-08-18 | 2023-11-07 | 深圳市则成电子股份有限公司 | 运动风险监测方法、装置以及电子设备 |
| CN117787731A (zh) * | 2023-09-14 | 2024-03-29 | 西安交通大学城市学院 | 基于Actor-Critic网络在体育无线教学中实时休息决策方法 |
| CN117831714A (zh) * | 2024-02-27 | 2024-04-05 | 小时教育科技(福建)有限公司 | 一种基于ai的运动数据监测辅助方法和系统 |
| CN117831714B (zh) * | 2024-02-27 | 2024-04-26 | 小时教育科技(福建)有限公司 | 一种基于ai的运动数据监测辅助方法和系统 |
| CN117854678A (zh) * | 2024-03-07 | 2024-04-09 | 广东海洋大学 | 一种基于可穿戴设备的运动健康管理方法、系统及介质 |
| CN117854678B (zh) * | 2024-03-07 | 2024-05-31 | 广东海洋大学 | 一种基于可穿戴设备的运动健康管理方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114446439A (zh) | 一种基于可穿戴设备的运动风险评估方法与系统 | |
| Chen et al. | SPHA: Smart personal health advisor based on deep analytics | |
| WO2017193497A1 (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
| Lu et al. | A multichannel CNN-GRU model for human activity recognition | |
| Paraschiakos et al. | Activity recognition using wearable sensors for tracking the elderly | |
| Brzostowski et al. | Adaptive decision support system for automatic physical effort plan generation—data-driven approach | |
| CN102904932A (zh) | 基于云计算的移动终端健康信息采集及健康分析方法 | |
| CN107688827A (zh) | 一种基于用户日常行为特征的用户身份属性预测方法 | |
| Costantino et al. | Off-the-shelf wearable sensing devices for personalized thermal comfort models: a systematic review on their use in scientific research | |
| CN117064388A (zh) | 基于情绪识别实现精神障碍评估分析的系统 | |
| Son | Toward a proposed framework for mood recognition using LSTM recurrent neuron network | |
| CN110473631A (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
| CN117204855B (zh) | 一种基于交互设备的用户心理状态评估方法及系统 | |
| Majumder et al. | A smart cyber-human system to support mental well-being through social engagement | |
| CN117373690A (zh) | 肝胆外科患者智能术后康复管理方法 | |
| Yong | Intelligent system simulation and data accuracy of physical fitness training for sports majors based on real-time status update of wearable Internet of Things | |
| CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
| CN115206524A (zh) | 一种面向团队协作的状态监测系统 | |
| Silva et al. | Experimental study of the stress level at the workplace using an smart testbed of wireless sensor networks and ambient intelligence techniques | |
| Koren et al. | Comparison of data-driven models for cleaning eHealth sensor data: Use case on ECG signal | |
| CN113095390B (zh) | 基于云数据库和改进集成学习的手杖运动分析方法 | |
| CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
| McLeod et al. | A smartphone-based wellness assessment using mobile sensors | |
| Yuan et al. | Application of motion recognition algorithm based on optical detection iot devices in college student motion monitoring platform | |
| WO2024029542A1 (ja) | ヘルスケア用データ解析システム |
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 |