CN114822763A - 一种运动数据驱动的个性化运动处方推荐方法 - Google Patents
一种运动数据驱动的个性化运动处方推荐方法 Download PDFInfo
- Publication number
- CN114822763A CN114822763A CN202210465881.9A CN202210465881A CN114822763A CN 114822763 A CN114822763 A CN 114822763A CN 202210465881 A CN202210465881 A CN 202210465881A CN 114822763 A CN114822763 A CN 114822763A
- Authority
- CN
- China
- Prior art keywords
- exercise
- student
- data
- prescription
- exercise prescription
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Abstract
本发明公开了一种运动数据驱动的个性化运动处方推荐方法,步骤如下:1)原数据的预处理,包括异常值的删除,缺失值的填充;2)对预处理后的数据进行特征选择并进行聚类分析,选出最能表达学生运动能力的特征;3)根据学生基本属性标签、体测数据属性标签、运动能力属性标签来表示学生的运动用户画像;4)依据学生的用户画像根据运动处方规则来推荐学生运动处方;5)运动处方效果评估,根据自我疲劳度感觉RPE对学生实际完成运动处方与推荐运动处方进行评估;6)运动处方微调,学生可自主选择更换运动处方或被动调整运动处方,其依据原则都为运动后RPE的等级选择,根据选择情况调整运动处方,直至给出符合学生自身状况的运动处方。
Description
技术领域
本发明属于数据分析与运动健康领域,涉及一种运动数据驱动的个性化运动处方推荐方法。
背景技术
近年来,国家提出提升国民素质、建设体育强国,要保障学校体育课和课外锻炼时间,提升人民体质,深化体教融合,旨在通过合理化的方式和一体化的体育教育提高大学生的身体素质,来推进健康中国建设,提高人民健康水平。目前体育教育存在如何对学生个体进行精细化的运动能力评估和如何实现大规模学生个性化锻炼运动处方推荐的问题。
目前市面上主流的运动APP并没有利用个体的运动历史数据对个体进行运动能力的评估和个性化锻炼运动处方推荐。它们主要都是利用用户的主观输入数据从而给出符合用户运动的锻炼计划,并没有客观的评估用户的实际运动能力、变化的运动目标和个人的偏好。并且单单利用用户输入的数据容易造成运动能力评估过高或过低,因此易造成用户的运动损伤或达不到锻炼效果。目前也有通过招募志愿者在实验室通过特定的采集设备获取到个体的运动数据和生理特征数据从而对获取到的数据进行分析与预测,但在实验室采集不仅存在费用昂贵还存在耗时长,人力成本大的问题。虽然实验室采集到的数据具有更大说服力,但这不适用于大规模学生的能力评估以及运动指导。现随着智能穿戴设备的普及,改变了数据的采集方式,人们的生理数据和运动数据都更容易采集到。通过智能穿戴设备采集到用户在运动过程中的心率数据,获取到的GPS数据换算成用户的速度信息,但获取到的数据都是无监督、多模态的时间序列数据,如何通过分析时序数据的特征得到用户的运动能力从而为用户推荐适合其自身能力的运动处方是非常必要的。
为了给用户推荐合适的运动处方,本发明采用对用户构建用户画像从而有效地生成一个运动处方。该运动处方需考虑到个人基本信息、运动能力、个人体测成绩等因素。通过佩戴智能穿戴设备连接智能应用将用户的心率、速度、运动时间等数据上传保存,科学合理地利用这些数据进行个体分析,为用户构建合理的运动能力属性;利用问卷形式采集到用户的遗传病、历史病史等疾病信息;利用现有的体测成绩分析出个体的综合能力;通过多方面的属性结合构建出用户画像从而给用户推荐更加准确的运动处方。
发明内容
本发明为了克服现有技术缺乏对用户运动的个性化推荐,通过对采集到的用户数据进行分析构建学生运动的用户画像;通过对用户运动数据分析得到用户的运动能力,再根据用户整体运动能力的差异,帮助用户制订合理的运动处方,从而更加高效的完成运动能力的提升过程。
对于个性化运动处方推荐系统,首先对用户的运动数据进行分析,构建用户的运动能力模型,再结合用户的基本信息和体测数据,从不同的维度设计出运动用户画像模型。本发明基于用户的基本属性集、体测数据集、运动能力属性等三个维度来刻画学生运动用户画像模型,从而给用户推荐合适的运动处方。
为了达到解决本发明涉及到问题的目的,采用如下技术方案:
一种运动数据驱动的个性化运动处方推荐方法,包括如下步骤:
1)数据采集
1.1)运动原数据采集
学生通过智能应用开启运动,采用12分钟跑有氧耐力测试采集学生的运动速度信息以及运动过程中的经纬度位置信息;通过佩戴心率手环,采集学生运动过程中的运动心率,以便分析学生运动过程中运动能力。
1.2)体测原数据采集
通过学校体育老师采集上国家学生体质健康测试内容,采集内容为肺活量、坐位体前屈、立定跳远、50米、引体向上(男)、仰卧起坐(女)、1000米(男)、800米(女)。
1.3)学生基本信息采集
通过问卷调查的形式采集上学生的基本信息,内容包括学生的姓名、性别、年龄、身高、体重,静息心率、以及家族遗传病史、是否存在慢性病等情况。
2)数据预处理
采集设备存在数据缺失或数据异常的问题,需要先进行数据的预处理。对缺失的速度数据本发明进行插值填充,使用获取到的经纬度信息推导出相应的速度信息;对于穿戴设备上传的心率依据每秒心率的最大上下波动阈值来判定数据是否存在异常,本发明直接删除异常值,而对于丢失的心率数据,取平均值进行填充;对于采集的体测数据中存在缺失值的学生,本发明采用直接删除该条学生记录。
3)特征选择
为提升模型的有效性,通过降低数据的维度来实现,即从采集到的众多属性中采用特征选取方法选取出对算法最有益的相关特征。本发明对体测数据特征选择采用启发式的搜索策略和包装式的子集评价方法。选取后的特征集可能存在不同量纲,为有效的消除量纲差异的影响,采用最大最小标准化处理方法。
4)学生体质聚类分析
由于男女生在生理状态上存在很大的差异,因此本发明将男女用户的数据进行分开处理。首先对预处理后的数据进行聚类分析,以男生为例,其数据包括身高、体重、BMI(是身高和体重计算得到的)、静息心率、肺活量、坐位体前屈、立定跳远、50米、引体向上、1000米,通过聚类评价指标选出最佳的聚类个数K;对特征提取后的体测数据进行聚类分析,聚类方法采用K-Means方法,评价指标本发明采用FMI指数来对聚类结果进行评价。对聚类后的每个类中的学生体质状况进行等级划分。首先分别对K类中的N项体测数据分别求平均值,再对K类中N个体测项目的平均值分别进行排序,即,令i∈[1,N]为体测项序号,y∈[1,K]为类序号,对于第i个体测项,第y类中,其排序的序号为ryi,最后对每一类中各个体测项对应序号求平均值gy表示第y类学生群体的生体质状况分级。
5)学生心肺耐力等级分析
对采集到的有氧耐力测试的运动数据分析,通过多头注意力机制和多模态学习构建学生的心肺耐力模型,分析出用户的运动能力等级,根据ACSM运动测试与运动处方指南将用户分为5个等级,分别为:弱、一般、良好、优秀、极好;
6)学生运动用户画像构建
学生用户画像的构建本发明使用学生的三类属性分别为基本属性集、体测数据集和运动能力属性,围绕这三个维度构建学生运动的用户画像。其中,用户基本属性集描述用户的基本情况包括姓名、性别、年龄、身高、体重,静息心率、以及通过问卷调查获取的家族遗传病史、是否存在慢性病等情况;体测数据集主要是通过特征选择后聚类分析得到的学生不同体质类型;运动能力属性为通过心肺耐力模型分析出的学生的运动能力等级,分为:弱、一般、良好、优秀、极好。根据以上用户的基本属性标签、体测能力标签、运动能力属性标签构建学生的用户画像,通过学生用户画像可以清晰地知道学生的运动能力,从而为学生推荐个性化的运动处方。
7)个性化运动处方推荐
体育专家通过学生的用户画像制定出针对学生的运动处方规则,本发明根据相应的运动处方规则使用决策树对学生进行处方推荐。决策树根据BMI、心肺耐力等级、体测聚类分析结果三个属性来构建,运动处方的规则为运动强度,运动时间、运动频率不同情况的组合。推荐运动处方的运动量依据ACSM运动测试与运动处方指南中FITT原则按如下公式进行计算,运动量(Volume)=靶心率(Intensity)×一周运动的有效时长(Time),其中靶心率(THR)=(HRmax-HRrest)×期望强度%+HRrest,本发明用靶心率来表示推荐运动处方的运动强度。其中HRmax表示最大心率,HRmax=220-年龄;HRrest表示静息心率。当日的运动有效时间的计算,只要每次运动强度达到规定的靶心率范围,持续运动时长超过10分钟,则设为有效的运动时间。若未达到规定的靶心率范围并且持续运动时长未超过10分钟,则视为无效的运动时长。运动有效时间可为当日多次达到运动强度要求并且持续运动时间超过10分钟的汇总。
8)评估推荐运动处方效果与运动处方调整
本发明采用自我疲劳度感觉量表RPE来对推荐的运动处方结果进行评价。通过智能应用来提醒运动中的学生达到推荐的运动强度范围,当学生结束运动时,采集上学生的每次运动后疲劳度感觉。运用两种方案进行运动处方的调整:
8.1)主动调整运动处方(学生主动点击更换运动处方):
A.若推荐的运动强度等级为中等,运动时间为中等,运动频率为中等,学生选择降低运动强度,则更换运动处方为运动强度为较低,运动时间为较长,运动频率不变;
B.若推荐的运动强度等级为中等,运动时间为中等,运动频率为中等,学生选择加强运动强度,则更换运动处方为运动强度为中等,运动时间为较长,运动频率不变;
8.2)被动调整运动处方(每周统一时间更换运动处方):
根据本周采集的学生运动后的RPE反馈,根据反馈结果对学生进行运动处方调整:
A.若学生总体上选择的RPE是轻松,则增强学生的运动强度,调整为运动强度不变,运动时间加大一级,运动频率不变;
B.若学生在运动时间加大一级后总体选择RPE还是轻松,则调整为运动强度加大一级,运动时间不变,运动频率不变;
C.若学生总体上选择的RPE是很吃力,则降低学生的运动强度,调整为运动强度降低一级,运动时间不变,运动频率不变;
D.若学生在降低运动后RPE选择还是很吃力,调整为运动强度降低一级,运动时间降低一级,运动频率不变;
总体上运动处方的调整策略为先调整运动时间,再调整运动强度,最后调整运动频率,运动方式都为简单易行的跑步。
本发明的有益效果如下:
1)通过智能设备采集学生运动时的数据包括经纬度位置、速度、心率等信息;通过体育老师采集学生的体测数据;通过问卷调查采集学生基本信息;
2)通过学生基本属性集、学生体测数据集和学生运动能力属性三个维度来构建用户画像;
3)通过学生运动用户画像来给学生推荐适合学生的运动处方。
附图说明
图1是本发明中基于用户画像的运动处方推荐及微调流程图;
图2是本发明方法中学生运动用户画像的概念模型。
具体实施方式
下面结合说明书附图,对本发明的作进一步的详细说明。
一种运动数据驱动的个性化运动处方推荐方法,具体包括以下步骤:
步骤1:通过智能设备包括智能应用,智能手环来获取与用户相关的生理数据与运动数据。智能手环通过蓝牙传输的方式将数据传到智能应用上,学生可以查看自己当次以及之前的运动记录。运动数据采集频率为每秒钟一次,这样可以实时监测用户自身的运动状况。学生的体测数据通过体育专家对学生进行大学生国民体质健康测试进行数据采集。通过电子问卷调查的形式获取学生是否存在遗传病、慢性疾病等信息。
步骤2:运动原数据处理,采集设备存在数据缺失或数据异常的问题,需要先进行数据的预处理。学生体测数据也存在有部分学生缺失各别数据的现象,因此需要对采集的数据进行预处理。
步骤2.1:对于运动数据,智能手环每秒钟上传数据,但上传的原始速度存在丢失的现象,所以需要对速度进行预处理,使用获取到的经纬度位置信息推导出相应的距离信息,再把推导距离除以相应的时间戳得到当时的速度信息。
首先使用半正矢公式根据经纬度的信息推导出距离,半正矢公式如下:
其中hav是半正矢函数的缩写:
公式里:
d是两点之间的距离;
r是球的半径;
λ1和λ2是两点的经度。
最后使用反正弦函数来解出d:
推导速度为推导距离除以相应的时间戳获得。
步骤2.2:对心率数据的处理,首先设定每秒心率的最大上下波动界限若超出阈值范围的数据直接删除,对心率数据丢失的,采用取该属性平均值的方法来填充心率数据。若t∈[1,N]且xt(d)缺失,那么xt(d)=(xt-1(d)+xt+1(d))/2,其中xt-1(d)和xt+1(d)都不缺失;若t∈[1,N]且xt(d)为第一个数据缺失,那么xt(d)=(xt+1(d)+xt+2(d))/2,其中xt+1(d)和xt+2(d)都不缺失;若t∈[1,N]且xt(d)为最后一个值缺失,那么xt(d)=(xt-1(d)+xt-2(d))/2,其中xt-1(d)和xt-2(d)都不缺失。
步骤2.3:对于学生体测数据的处理,若存在测试项目缺失的学生,对其采用直接删除的处理方法。
步骤3:对体测数据进行特征选择,为提升模型的有效性,通过降低数据的维度来实现,即从采集到的众多属性中采用特征选取方法选取出对算法最有益的相关特征。本发明对体测数据特征选择采用启发式的搜索策略和包装式的子集评价方法。选取后的特征集可能存在不同量纲,为有效的消除量纲差异的影响,采用最大最小标准化处理方法。对每一个特征序列x1,x2,...xn进行变化:
步骤4:采用12分钟跑有氧耐力测试来表示学生心肺耐力等级,其具体操作是规定在不同的运动速度下(2km/h、4km/h、6km/h、8km/h、10km/h、12km/h)逐级递升维持2分钟跑,得到学生的有氧运动测试数据。对获取到的学生有氧运动测试数据,运用多头注意力机制和多模态学习来构建学生心肺耐力模型。通过该模型得到学生的心肺耐力表征,从而得到学生的运动能力等级,该能力表示学生能在多大的运动强度下进行运动的能力。模型训练过程为通过某一时间段的速度序列和相应的时间序列,来预测该时间段的心率序列。然后将预测出的心率序列与真实心率序列来计算损失值,以此对心肺耐力模型进行训练。因为在同等的运动强度下,不同的心率表现代表着不同的运动能力。最后根据ACSM运动测试与运动处方指南将用户分为5个等级,分别为:弱、一般、良好、优秀、极好。
步骤5:由于男女生在生理状态上存在很大的差异,因此本发明将男女学生的数据进行分开处理。首先对预处理后的数据进行聚类分析,以男生为例,其数据包括身高、体重、BMI、静息心率、肺活量、坐位体前屈、立定跳远、50米、引体向上、1000米,通过聚类评价指标选出最佳的聚类个数K;对特征提取后的体测数据进行聚类分析,聚类方法采用K-Means方法,评价指标本发明采用FMI指数来对聚类结果进行评价。对聚类后的每个类中的学生体质状况进行等级划分。首先分别对K类中的N项体测数据分别求平均值,再对K类中N个体测项目的平均值分别进行排序,即,令i∈[1,N]为体测项序号,y∈[1,K]为类序号,对于第i个体测项,第y类中,其排序的序号为ryi,最后对每一类中各个体测项对应序号求平均值gy表示第y类学生群体的生体质状况分级。
步骤6:本发明根据前期的数据处理与数据挖掘,构建学生的运动用户画像,如附图2所示,主要使用学生的基本属性集、体测数据分析结果属性和运动能力属性,围绕这三个维度构建学生的运动用户画像。其中,学生基本属性集描述学生的基本情况包括姓名、性别、年龄、身高、体重,静息心率、以及通过问卷调查获取的家族遗传病史、是否存在慢性病等情况;体测数据集主要是通过特征选择后聚类分析得到的学生不同体质类型;运动能力属性为通过心肺耐力模型分析出的学生的运动能力等级,分为:弱、一般、良好、优秀、极好。根据以上用户的基本属性标签、体测数据属性标签、运动能力属性标签构建学生的用户画像,通过学生用户画像可以清晰知道学生的运动能力,从而为学生推荐个性化的运动处方。
步骤7:体育专家通过学生的用户画像制定出针对学生的运动处方规则,本发明根据相应的运动处方规则使用决策树对学生进行处方推荐。决策树根据BMI、心肺耐力等级、体测聚类分析结果三个属性来构建,运动处方的规则为运动强度,运动时间、运动频率不同情况的组合。
步骤8:推荐运动处方的运动量依据ACSM运动测试与运动处方指南中FITT原则按如下公式进行计算,运动量(Volume)=靶心率(Intensity)×一周运动的有效时长(Time),其中靶心率(THR)=(HRmax-HRrest)×期望强度%+HRrest,本发明用靶心率来表示推荐运动处方的运动强度。其中HRmax表示最大心率,HRmax=220-年龄;HRrest表示静息心率。当日的运动有效时间的计算,只要每次运动强度达到规定的靶心率范围,持续运动时长超过10分钟,则设为有效的运动时间。若未达到规定的靶心率范围并且持续运动时长未超过10分钟,则视为无效的运动时长。运动有效时间可为当日多次达到运动强度要求并且持续运动时间超过10分钟的汇总。遵循ACSM(美国运动医学学会)中的FITT-VP原则设计的运动处方推荐形式为:
步骤9:评估推荐的运动处方效果与运动处方微调,本发明采用自我疲劳度感觉量表RPE来对推荐的运动处方结果进行评价。通过智能应用来提醒运动中的学生达到推荐的运动强度范围,当学生结束运动时,采集上学生的每次运动后疲劳度感觉。运用两种方案进行运动处方的调整:
9.1)主动调整运动处方(学生主动点击更换运动处方):
A.若推荐的运动强度等级为中等,运动时间为中等,运动频率为中等,学生选择降低运动强度,则更换运动处方为运动强度为较低,运动时间为较长,运动频率不变;
B.若推荐的运动强度等级为中等,运动时间为中等,运动频率为中等,学生选择加强运动强度,则更换运动处方为运动强度为中等,运动时间为较长,运动频率不变;
9.2)被动调整运动处方(每周统一时间更换运动处方):
根据本周采集的学生运动后的RPE反馈,根据反馈结果对学生进行运动处方调整:
A.若学生总体上选择的RPE是轻松,则增强学生的运动强度,调整为运动强度不变,运动时间加大一级,运动频率不变;
B.若学生在运动时间加大一级后总体选择RPE还是轻松,则调整为运动强度加大一级,运动时间不变,运动频率不变;
C.若学生总体上选择的RPE是很吃力,则降低学生的运动强度,调整为运动强度降低一级,运动时间不变,运动频率不变;
E.若学生在降低运动后RPE选择还是很吃力,调整为运动强度降低一级,运动时间降低一级,运动频率不变;
总体上运动处方的调整策略为先调整运动时间,再调整运动强度,最后调整运动频率,运动方式都为简单易行的跑步。
运动强度调整策略按如下表格所示:
运动时间(分钟)调整策略按法如下表格所示:
运动等级 | 运动时间 |
短 | ≤10 |
较短 | 10~20 |
中等 | 20~30 |
较长 | 30~60 |
长 | ≥60 |
运动频率(次)调整策略按如下表格所示:
运动等级 | 运动频率 |
低 | ≤2 |
中 | 2~5 |
高 | 5~7 |
本发明主要是为健康学生人群能够实现在中等运动强度下或者较大运动强度下慢慢达到ACSM规定的每周运动量,并保持该运动习惯。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,其中各步骤可以有所变化,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (7)
1.一种运动数据驱动的个性化运动处方推荐方法,实现基于学生运动相关数据构建学生运动用户画像,依据运动处方规则从而对学生进行个性化运动处方推荐,其特征在于,包括如下步骤:
1)对采集的原数据进行数据预处理;
2)对预处理后的体测数据进行特征选择并进行聚类分析;
3)通过对有氧运动测试数据分析得出学生心肺耐力等级;
4)学生运动用户画像的构建,通过用户基本属性集、体测数据集、运动能力属性三个维度对学生进行用户画像;
5)依据运动处方规则根据用户画像对学生进行运动处方推荐;
6)对推荐的运动处方效果进行评估并调整运动处方。
2.如权利要求1所述的一种运动数据驱动的个性化运动处方推荐方法,其特征在于:步骤1)采集到的原数据进行预处理,其步骤包括:
1.1:学生通过智能应用开启运动,采用12分钟跑有氧耐力测试采集学生的运动速度信息以及运动过程中的经纬度位置信息;通过佩戴心率手环,采集学生运动过程中的运动心率,以便分析学生运动过程中运动能力;采集国家学生体质健康测试内容,包括肺活量、坐位体前屈、立定跳远、50米、男子引体向上、女子仰卧起坐、男子1000米、女子800米;通过问卷调查的形式采集学生的基本信息,包括学生的姓名、性别、年龄、身高、体重,静息心率、以及家族遗传病史、是否存在慢性病情况;
1.2:采集设备存在数据缺失或数据异常的问题,需要先进行数据的预处理;对缺失的速度数据进行插值填充,使用获取到的经纬度信息推导出相应的速度信息;对于穿戴设备上传的心率依据每秒心率的最大上下波动阈值来判定数据是否存在异常,对存在的异常值直接删除,而对于丢失的心率数据,取平均值进行填充;对于采集的体测数据中存在缺失值的学生,采用直接删除该条学生记录。
3.如权利要求1所述的一种运动数据驱动的个性化运动处方推荐方法,其特征在于:步骤2)预处理后的数据进行特征选择并进行聚类分析,其步骤包括:
2.1:对体测数据进行特征选择,运用启发式的子集生成方法,通过包装式的子集评价,筛选出能提升模型效率的特征;最终以特征选择方法筛选出的属性来表示学生的整体体测水平;
2.2:由于男女生在生理状态上存在很大的差异,因此对男女学生的数据进行分开处理;首先对预处理后的数据进行聚类分析,以男生为例,其数据包括身高、体重、BMI、静息心率、肺活量、坐位体前屈、立定跳远、50米、引体向上、1000米,通过聚类评价指标选出最佳的聚类个数K;对步骤1特征提取后的N个体测数据进行聚类分析,聚类方法采用K-Means方法,评价指标采用FMI指数来对聚类结果进行评价;
4.如权利要求1所述的一种运动数据驱动的个性化运动处方推荐方法,其特征在于:步骤3)通过对有氧运动测试数据分析得出学生心肺耐力等级,其步骤包括:
3.1:采用12分钟跑有氧耐力测试来表示学生心肺耐力的等级,其具体操作是规定在2km/h、4km/h、6km/h、8km/h、10km/h、12km/h,不同的运动速度下逐级递升维持2分钟跑,得到学生的有氧运动测试数据;对采集到的有氧耐力测试的运动数据分析,通过多头注意力机制和多模态学习构建学生的心肺耐力模型,分析出用户的运动能力等级,根据美国运动医学会ACSM运动测试与运动处方指南将用户分为5个等级,分别为:弱、一般、良好、优秀、极好。
5.如权利要求1所述的一种运动数据驱动的个性化运动处方推荐方法,其特征在于:步骤4)构建学生运动用户画像,其步骤包括:
4.1:围绕学生的基本属性集、体测数据集和运动能力属性构建学生运动用户画像,其中学生基本属性集描述学生的基本情况包括姓名、性别、年龄、身高、体重,静息心率、以及通过问卷调查获取的家族遗传病史、是否存在慢性病情况;体测数据集主要是通过特征选择后聚类分析得到的学生不同体质类型;运动能力属性为通过心肺耐力模型分析出的学生的运动能力等级,分为:弱、一般、良好、优秀、极好;依据以上用户的基本属性标签、体测数据属性标签、运动能力属性标签构建学生的用户画像,通过学生用户画像清晰地知道学生的运动能力,从而为学生推荐个性化的运动处方。
6.如权利要求1所述的一种运动数据驱动的个性化运动处方推荐方法,其特征在于:步骤5)依据运动处方规则根据用户画像对学生进行运动处方推荐,其步骤包括:
5.1:根据相应的运动处方规则使用决策树对学生进行处方推荐;决策树根据BMI、心肺耐力等级、体测聚类分析结果三个属性来构建,运动处方的规则为运动强度,运动时间、运动频率不同情况的组合;
5.2:用户有效运动时间的判定,只要每次运动强度达到规定的靶心率范围,持续运动时长超过10分钟,则设为有效的运动时间;若未达到规定的靶心率范围并且持续运动时长未超过10分钟,则视为无效的运动时长;运动有效时间可为当日多次达到运动强度要求并且持续运动时间超过10分钟的汇总;
5.3:推荐运动处方的运动量计算公式:运动量Volume=靶心率Intensity×一周运动有效时长Time,其中靶心率THR=(HRmax-HRrest)×期望强度%+HRrest,用靶心率来表示推荐运动处方的运动强度;其中HRmax表示最大心率,HRmax=220-年龄;HRrest表示静息心率;计算每周的运动量直观的观察学生运动量的变化,以便促使学生逐渐达到ACSM推荐的运动量。
7.如权利要求1所述的一种运动数据驱动的个性化运动处方推荐方法,其特征在于:步骤6)推荐的运动处方效果进行评估并调整运动处方,其步骤包括:
6.1:根据自我疲劳度感觉量表RPE来对推荐的运动处方进行评估;
6.2:若选择的RPE等级低于推荐的运动处方强度则增大运动处方难度;若选择RPE等级高于推荐的运动处方强度则降低运动处方难度;运动处方调整总体原则为运动方式都为简单易行的跑步,先调整运动时间,再调整运动强度,最后调整运动频率;
6.3:重复之前的步骤对学生进行运动处方的重新推荐,直至给学生推荐符合其自身情况的运动处方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465881.9A CN114822763A (zh) | 2022-04-29 | 2022-04-29 | 一种运动数据驱动的个性化运动处方推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465881.9A CN114822763A (zh) | 2022-04-29 | 2022-04-29 | 一种运动数据驱动的个性化运动处方推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114822763A true CN114822763A (zh) | 2022-07-29 |
Family
ID=82508847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210465881.9A Pending CN114822763A (zh) | 2022-04-29 | 2022-04-29 | 一种运动数据驱动的个性化运动处方推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114822763A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030937A (zh) * | 2023-02-01 | 2023-04-28 | 中国民用航空飞行学院 | 一种生成跑步运动处方的方法 |
CN116525061A (zh) * | 2023-03-09 | 2023-08-01 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN116705235A (zh) * | 2023-05-25 | 2023-09-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 运动计划生成方法、设备、系统及存储介质 |
CN116994711A (zh) * | 2023-09-27 | 2023-11-03 | 华南理工大学 | 一种面向运动健康的个性化运动处方的生成方法和系统 |
CN117271607A (zh) * | 2023-10-10 | 2023-12-22 | 西南交通大学 | 一种生成运动处方的方法 |
CN117390401A (zh) * | 2023-12-05 | 2024-01-12 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
-
2022
- 2022-04-29 CN CN202210465881.9A patent/CN114822763A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030937A (zh) * | 2023-02-01 | 2023-04-28 | 中国民用航空飞行学院 | 一种生成跑步运动处方的方法 |
CN116030937B (zh) * | 2023-02-01 | 2023-06-02 | 中国民用航空飞行学院 | 一种生成跑步运动处方的方法 |
CN116525061A (zh) * | 2023-03-09 | 2023-08-01 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN116525061B (zh) * | 2023-03-09 | 2024-04-02 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN116705235A (zh) * | 2023-05-25 | 2023-09-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 运动计划生成方法、设备、系统及存储介质 |
CN116994711A (zh) * | 2023-09-27 | 2023-11-03 | 华南理工大学 | 一种面向运动健康的个性化运动处方的生成方法和系统 |
CN116994711B (zh) * | 2023-09-27 | 2024-01-05 | 华南理工大学 | 一种面向运动健康的个性化运动处方的生成方法和系统 |
CN117271607A (zh) * | 2023-10-10 | 2023-12-22 | 西南交通大学 | 一种生成运动处方的方法 |
CN117390401A (zh) * | 2023-12-05 | 2024-01-12 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
CN117390401B (zh) * | 2023-12-05 | 2024-02-13 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114822763A (zh) | 一种运动数据驱动的个性化运动处方推荐方法 | |
TWI650713B (zh) | 客製化的訓練建議 | |
US11413501B2 (en) | Method and system of planning fitness courses | |
Abut et al. | Machine learning and statistical methods for the prediction of maximal oxygen uptake: recent advances | |
CN105976288A (zh) | 学生运动指导系统及指导方法 | |
WO1991003282A1 (en) | Activity guidance process, system and kit | |
CN105426670A (zh) | 一种基于移动终端的慢性病跟踪管理系统及其闭环指导方法 | |
CN104699928A (zh) | 3-15岁体质发育评估模型 | |
CN104083174A (zh) | 运动能力评估模型 | |
Kouwijzer et al. | Peak power output in handcycling of individuals with a chronic spinal cord injury: predictive modeling, validation and reference values | |
CN113241147B (zh) | 健身计划生成方法、装置及电子设备 | |
JP4646019B2 (ja) | 高齢者の日常生活・運動支援システム | |
Manago et al. | Association of the Dynamic Gait Index to fall history and muscle function in people with multiple sclerosis | |
EP4249090A1 (en) | Exercise motion analysis system, exercise motion analysis method, and exercise motion analysis program | |
Hindle et al. | A systematic review of the biomechanical research methods used in strongman studies | |
CN109583272B (zh) | 一种能够获取人体生活状态的足迹系统 | |
CN112349413A (zh) | 一种长距离运动训练负荷分析系统 | |
JP2022541648A (ja) | 機械学習ベースのトレーニングプログラムを有する身体トレーニングシステム | |
CN111863187A (zh) | 一种体育运动方案推荐方法、系统、终端及存储介质 | |
CN111986774B (zh) | 一种基于数据分析的运动处方生成及监控指导系统 | |
Wang et al. | Evaluation of effects of balance training from using wobble board-based exergaming system by MSE and MMSE techniques | |
CN114974508A (zh) | 一种运动处方的生成方法及装置、存储介质及电子设备 | |
CN113221012A (zh) | 一种基于群体画像的社区健身活动推荐方法 | |
KR102526459B1 (ko) | 개인 맞춤형 하이브리드 피트니스 코칭 시스템 및 방법 | |
WO2022137496A1 (ja) | 運動動作分析システム、運動動作分析方法および運動動作分析プログラム |
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 |