CN114870364A - 健身器械控制方法、健身器械及存储介质 - Google Patents
健身器械控制方法、健身器械及存储介质 Download PDFInfo
- Publication number
- CN114870364A CN114870364A CN202210410164.6A CN202210410164A CN114870364A CN 114870364 A CN114870364 A CN 114870364A CN 202210410164 A CN202210410164 A CN 202210410164A CN 114870364 A CN114870364 A CN 114870364A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- exercise machine
- exercise
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 62
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000009987 spinning Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 230000036541 health Effects 0.000 abstract description 4
- 230000036544 posture Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000035565 breathing frequency Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000036387 respiratory rate Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003187 abdominal effect Effects 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 210000000115 thoracic cavity Anatomy 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010038664 Respiratory alkalosis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B22/00—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements
- A63B22/02—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with movable endless bands, e.g. treadmills
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B22/00—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements
- A63B22/06—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with support elements performing a rotating cycling movement, i.e. a closed path movement
- A63B22/0605—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with support elements performing a rotating cycling movement, i.e. a closed path movement performing a circular movement, e.g. ergometers
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
- A63B2225/20—Miscellaneous features of sport apparatus, devices or equipment with means for remote communication, e.g. internet or the like
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了健身器械控制方法、健身器械及存储介质，该方法应用于健身器械的控制，健身器械上设置有雷达，该方法包括通过对雷达采集的点云数据进行降噪处理后，使用降噪后的点云数据构建运动目标在使用健身器械锻炼期间的运动姿态，然后根据运动姿态获取运动目标的生理信号，进而根据生理信号调节健身器械的控制参数，有利于避免用户因过度锻炼，伤害身体健康的情况发生。
Description
技术领域
本申请涉及运动器械技术领域，尤其涉及一种健身器械控制方法、健身器械及存储介质。
背景技术
健身是一种体育项目，如各种徒手健美操、韵律操、形体操以及各种自抗力动作，体操，瑜伽可以增强力量、柔韧性，增加耐力，提高协调，控制身体各部分的能力，从而使身体强健。随着人们生活质量的提高，人们越来越注重自己的身体健康情况，都愿意为自己的身体投资，越来越多的人为自己报名健身课程，以通过专业的健身器械锻炼提升自己的身体素质。
目前，现有的健身器械锻炼无法对人体的生理状态监测，人们在使用健身器械锻炼时，如果不合理的进行锻炼，例如长时间过度锻炼，则容易增加身体负荷等，如果不引起人们注重，时间久了就会身体带来严重的伤害。
发明内容
本申请实施例通过提供一种健身器械控制方法、健身器械及存储介质，旨在解决现有的健身器械锻炼无法对人体的生理状态监测的技术问题。
本申请实施例提供了一种健身器械控制方法，应用于健身器械，所述健身器械包括雷达，所述雷达面向运动目标所在区域的方向设置，所述健身器械控制方法包括：
获取所述雷达采集的第一点云数据以及预设距离阈值，所述预设距离阈值根据所述雷达与所述健身器械的锻炼区域之间的距离确定；
根据所述预设距离阈值对所述第一点云数据进行降噪处理，得到第二点云数据；
根据所述第二点云数据构建运动目标的运动姿态，根据所述运动姿态确定所述运动目标的生理信号；
根据所述生理信号调节所述健身器械的控制参数。
在一实施例中，所述根据所述预设距离阈值对所述第一点云数据进行降噪处理，得到运动目标的第二点云数据的步骤包括：
获取所述第一点云数据对应的物体与所述雷达之间的距离数据集合；
确定所述距离数据集合中大于所述预设距离阈值的距离值，并获取所述距离值对应的物体；
确定待滤除数据点，并从所述第一点云数据中滤除所述待滤除数据点，得到第三点云数据，所述待滤除数据点为所述第一点云数据中与所述距离值对应的物体的数据点；
根据所述第三点云数据确定所述第二点云数据。
在一实施例中，所述根据所述第三点云数据确定所述第二点云数据的步骤包括：
对所述第三点云数据进行恒虚警检测，得到第四点云数据；
对所述第四点云数据进行聚类，得到所述第二点云数据。
在一实施例中，所述根据所述第二点云数据构建所述运动目标的运动姿态的步骤包括：
获取所述第二点云数据中各个数据点的空间坐标以及径向速度；
根据各个所述数据的空间坐标以及径向速度生成二维矩阵，并对所述二维矩阵进行降维；
将降维后的所述二维矩阵输入预设深度学习网络，得到所述运动目标的姿态参数；
根据所述姿态参数构建所述运动姿态。
在一实施例中，所述根据所述运动姿态确定所述运动目标的生理信号的步骤包括：
根据所述运动姿态获取所述运动目标的关节特征点；
根据所述关节特征点对所述运动姿态进划分，得到所述运动目标的目标监测区域；
获取所述目标监测区域的生理信号。
在一实施例中，所述预设深度学习网络的训练过程包括：
获取运动目标样本的参照姿态参数和点云数据样本；
根据所述参照姿态参数和所述点云数据样本对待训练深度学习网络进行训练；
在所述待训练深度学习网络输出的姿态参数样本与所述参照姿态参数的误差值小于或者等于预设误差阈值，停止对所述待训练深度学习网络进行训练，并将停止训练的所述待训练深度学习网络保存为所述预设深度学习网络。
在一实施例中，所述根据所述参照姿态参数和所述点云数据样本对待训练深度学习网络进行训练的步骤包括：
将所述点云数据样本输入所述待训练深度学习网络，以得到所述的姿态参数样本；
在所述姿态参数样本与所述参照姿态参数的误差值大于所述预设误差阈值时，调整所述待训练深度学习网络的网络参数，返回执行所述将所述点云数据样本输入所述待训练深度学习网络，以得到所述的姿态参数样本的步骤。
在一实施例中，所述健身器械为跑步机或者动感单车，所述根据所述生理信号调整所述健身器械的控制参数的步骤包括：
在所述生理信号处于第一区间时，降低所述跑步机的跑步带的速度；
在所述生理信号处于第二区间时，控制所述跑步机停机；或者，
在所述生理信号处于所述第一区间时，降低所述动感单车的阻力；
在所述生理信号处于所述第二区间时，控制所述动感单车停机。
此外，为实现上述目的，本申请还提供了一种健身器械包括：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基于健身器械的健身器械控制程序，所述基于健身器械的健身器械控制程序被所述处理器执行时实现上述的健身器械控制方法的步骤。
此外，为实现上述目的，本申请还提供了一种存储介质，其上存储有基于健身器械的健身器械控制程序，所述基于健身器械的健身器械控制程序被处理器执行时实现上述的健身器械控制方法的步骤。
本申请实施例中提供的一种健身器械控制方法、健身器械及存储介质的技术方案，至少具有如下技术效果或优点：
本申请在健身器械上设置有雷达，雷达面向运动目标所在区域的方向设置，如此设置可以通过雷达采集到运动目标在使用健身器械锻炼期间的点云数据，通过对雷达采集的点云数据进行降噪处理后，使用降噪后的点云数据构建运动目标在使用健身器械锻炼期间的运动姿态，然后根据运动姿态获取运动目标的生理信号，进而根据生理信号调节健身器械的控制参数，从而解决了现有的健身器械锻炼无法对人体的生理状态监测的技术问题，实现了按照运动目标锻炼期间的运动姿态对活动的运动目标的生理信号进行检测，进而根据生理信号对健身器械的控制参数进行调节，不仅有利于避免用户因过度锻炼，伤害身体健康的情况发生，还可以规范用户的锻炼习惯。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的结构示意图；
图2为本申请健身器械控制方法一实施例的流程示意图；
图3为一种健身器械的示意图；
图4为一种运动目标的运动姿态示意图；
图5为本申请健身器械控制方法步骤S220的具体流程示意图；
图6为本申请健身器械控制方法步骤S230中构建所述运动姿态的具体流程示意图；
图7为本申请健身器械控制方法步骤S230中确定运动目标的生理信号的具体流程示意图。
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
如图1所示，图1为本申请实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为健身器械的硬件运行环境的结构示意图。
如图1所示，该健身器械可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的健身器械结构并不构成对健身器械限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于健身器械的健身器械控制程序。其中，操作系统是管理和控制健身器械硬件和软件资源的程序，基于健身器械的健身器械控制程序以及其它软件或程序的运行。
在图1所示的健身器械中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的基于健身器械的健身器械控制程序。
在本实施例中，健身器械包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器上运行的基于健身器械的健身器械控制程序，其中：
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，执行以下操作：
获取雷达采集的第一点云数据以及预设距离阈值，所述预设距离阈值根据所述雷达与健身器械的锻炼区域之间的距离确定；
根据所述预设距离阈值对所述第一点云数据进行降噪处理，得到第二点云数据；
根据所述第二点云数据构建运动目标的运动姿态，根据所述运动姿态确定所述运动目标的生理信号；
根据所述生理信号调节所述健身器械的控制参数。
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
获取所述第一点云数据对应的物体与所述雷达之间的距离数据集合；
确定所述距离数据集合中大于所述预设距离阈值的距离值，并获取所述距离值对应的物体；
确定待滤除数据点，并从所述第一点云数据中滤除所述待滤除数据点，得到第三点云数据，所述待滤除数据点为所述第一点云数据中与所述距离值对应的物体的数据点；
根据所述第三点云数据确定所述第二点云数据。
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
对所述第三点云数据进行恒虚警检测，得到第四点云数据；
对所述第四点云数据进行聚类，得到所述第二点云数据。
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
获取所述第二点云数据中各个数据点的空间坐标以及径向速度；
根据各个所述数据的空间坐标以及径向速度生成二维矩阵，并对所述二维矩阵进行降维；
将降维后的所述二维矩阵输入预设深度学习网络，得到所述运动目标的姿态参数；
根据所述姿态参数构建所述运动姿态。
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
根据所述运动姿态获取所述运动目标的关节特征点；
根据所述关节特征点对所述运动姿态进划分，得到所述运动目标的目标监测区域；
获取所述目标监测区域的生理信号。
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
获取运动目标样本的参照姿态参数和点云数据样本；
根据所述参照姿态参数和所述点云数据样本对待训练深度学习网络进行训练；
在所述待训练深度学习网络输出的姿态参数样本与所述参照姿态参数的误差值小于或者等于预设误差阈值，停止对所述待训练深度学习网络进行训练，并将停止训练的所述待训练深度学习网络保存为所述预设深度学习网络。
处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
将所述点云数据样本输入所述待训练深度学习网络，以得到所述的姿态参数样本；
在所述姿态参数样本与所述参照姿态参数的误差值大于所述预设误差阈值时，调整所述待训练深度学习网络的网络参数，返回执行所述将所述点云数据样本输入所述待训练深度学习网络，以得到所述的姿态参数样本的步骤。
所述健身器械为跑步机或者动感单车，处理器1001调用存储器1005中存储的基于健身器械的健身器械控制程序时，还执行以下操作：
在所述生理信号处于第一区间时，降低所述跑步机的跑步带的速度；
在所述生理信号处于第二区间时，控制所述跑步机停机；或者，
在所述生理信号处于所述第一区间时，降低所述动感单车的阻力；
在所述生理信号处于所述第二区间时，控制所述动感单车停机。
本申请实施例提供了健身器械控制方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图2所示，在本申请的一实施例中，本申请的健身器械控制方法，应用于健身器械，所述健身器械控制方法包括：
步骤S210：获取所述雷达采集的第一点云数据以及预设距离阈值。
本实施例中，健身器械包括雷达，雷达面向运动目标所在区域的方向设置，运动目标是使用健身器械进行锻炼的用户。可以理解是，雷达可以在用户使用健身器械锻炼期间，采集到用户的点云数据。如图3所示，所述健身器械可以是跑步机100，雷达103可以设置在跑步机100的显示设备102上，且面向跑步机100的跑步带101的方向，也可以是，如果将显示设备102视为跑步机100的头部位置，跑步带101视为跑步机100的尾部位置，则雷达103面向跑步机100的尾部位置设置。当用户在跑步带101上锻炼时，雷达可以采集到用户锻炼期间的点云数据。
具体的，在用户使用健身器械锻炼期间，雷达实时采集自身面向的目标区域内物体的第一点云数据，健身器械获取雷达采集的第一点云数据。其中，目标区域内的物体不仅包括锻炼中的用户，还包括除了用户之外的其他物体，例如用户的后方有一面墙，则第一点云数据中不仅包括有雷达采集的用户的数据点，还包括雷达采集的墙体的数据点，第一点云数据中除了用户的数据点之外的数据点属于噪点。预设距离阈值是预先设置的，其具体是根据雷达与健身器械的锻炼区域之间的距离确定的，也就是雷达与健身器械的锻炼区域之间的距离就是所述的预设距离阈值。一般情况，用户的体型是不同的，用户在锻炼时，在锻炼区域所处的位置远近不一致，从而测得的雷达与健身器械的锻炼区域之间的距离是不同的，故预设距离阈值可以设置为范围值。例如，健身器械可以是跑步机，跑步机的跑步带就是该跑步机的锻炼区域，那么不仅可以测得跑步带靠近雷达的一端与雷达之间的距离，记为第一距离值，以及还可以测得跑步带远离雷达的一端与雷达之间的距离，记为第二距离值，即预设距离阈值就是一个区间，即[第一距离值，第二距离值]。
步骤S220：根据所述预设距离阈值对所述第一点云数据进行降噪处理，得到第二点云数据。
本实施例中，获取到第一点云数据之后，第一点云数据用于构建用户的运动姿态，由于第一点云数据中存在噪点，则需要将第一点云数据进行降噪处理，将第一点云数据中的噪点滤除，从而第一点云数据中保留下来的数据点就是用于构建用户运动姿态数据点，即第一点云数据中雷达采集的用户的数据点。
具体的，预设距离阈值可以作为滤除噪点的界限，将不在预设距离阈值范围内的物体的数据点从第一点云数据中滤除，第一点云数据中保留下来的数据点就是用户的数据点，本实施例将第一点云数据中保留下来的数据点称为第二点云数据。
步骤S230：根据所述第二点云数据构建运动目标的运动姿态，根据所述运动姿态确定所述运动目标的生理信号。
本实施例中，获取到第二点云数据之后，根据第二点云数据构建用户的运动姿态，即将第二点云数据输入预先训练好的参数化人体模型中，从而由参数化人体模型输出用户的运动姿态，构建的用户的运动姿态如图4所示。其中，预先训练好的参数化人体模型是一种预设深度学习网络，其是基于一个人体测量学数据库所生成的统计模型，可以使用分别描述人体全局位置、姿态、性别以及体型的参数，生成整个人体外表面网络的模型，将雷达采集的人的点云数据输入该模型中，即可以生成人体的运动姿态。
进一步的，构建出用户的运动姿态之后，用户锻炼期间的用户外表的姿态可以得到，从而按照运动姿态控制雷达向用户身体发送雷达波信号，并获取通过雷达接收的用户身体返回的回波信号，进而根据回波信号的频率检测用户锻炼期间的生理信号。例如，该生理信号可以包括心率，也可以包括呼吸频率，也可以包括血压，也可以包括脉搏，等等。
步骤S240：根据所述生理信号调节所述健身器械的控制参数。
本实施例中，在锻炼前和锻炼期间，用户的生理信号是不相同的。例如，生理信号可以包括心率时，即生理信号为心率，具研究表明，一般人群，有氧运动时，心率可以控制在120～180次/每分钟，又可细分为小运动量的心率为120～140次/每分钟，中运动量的心率为141～160次/每分钟，大运动量的心率为161～180次/每分钟，超过大运动量的心率范围表示运动过度，已经趋于危害自身的身体安全。其中，不同的心率区间对应不同的身体可以维持的活动时间，例如心率为大于180次/每分钟，则身体的活动时间应该少于5分钟，心率为161～180次/每分钟，身体的活动时间应该在2-10分钟，心率为141～160次/每分钟，身体的活动时间应该在10-40分钟，心率为120～140次/每分钟，身体的活动时间应该在40-80分钟。基于此，健身器械是一类智能器械，其自身的控制参数可以调节，例如为用户提供速度锻炼的器械的速度可以调节，为用户提供力量锻炼的阻力、负重可以调节，等等。具体的，可以通过检测到的用户的心率对健身器械的控制参数，例如速度、阻力、负重进行调节，如用户的心率处于120～160次/每分钟，则保持用户设置的控制参数不变，如用户的心率处于161～180次/每分钟的时间超过5分钟，则应该降低控制参数，以减轻用户的身体负担，使得用户的心率逐渐降下来，从而让用户在使用健身器械期间规范合理的进行身体锻炼。
进一步的，也可以通过呼吸频率调节健身器械的控制参数，让用户在使用健身器械期间规范合理的进行身体锻炼。正常人在静息状态下呼吸频率为12-20次/分钟，在剧烈运动时，呼吸频率会加快，有时可达30-40次/分钟，同时伴有呼吸幅度的加深，是因为剧烈运动时，机体的需氧量增加，通过增加呼吸频率和呼吸幅度来增加肺内气体交换，以满足机体各器官的氧供应。剧烈运动时呼吸频率增快是暂时的，随着运动停止，呼吸频率会逐步恢复正常。较长时间的呼吸频率增快，呼吸幅度加深，会导致呼吸性碱中毒。基于此，通过检测的呼吸频率判断出用户的呼吸频率增快时，也可以降低健身器械的控制参数，以让用户的呼吸频率逐渐降下来，从而让用户在使用健身器械期间规范合理的进行身体锻炼。当然，也可以将心率和呼吸频率一起作为调节健身器械的控制参数的判断条件，从而提高决策是否调节健身器械的控制参数的准确度。
具体的，健身器械为跑步机或者动感单车，步骤S240包括以下步骤：
在所述生理信号处于第一区间时，降低所述跑步机的跑步带的速度；
在所述生理信号处于第二区间时，控制所述跑步机停机；或者，
在所述生理信号处于所述第一区间时，降低所述动感单车的阻力；
在所述生理信号处于所述第二区间时，控制所述动感单车停机。
其中，第一区间和第二区间均是预先设置的，如果生理信号处于第一区间，则表示用户处于大运动量的状态，此种状态不宜保持较长时间，可以通过降低健身器械的控制参数，以让用户生理信号逐渐降下来。如果生理信号处于第二区间，则表示用户处于过度运动的状态，此种状态如果持续较长时间会造成身体伤害，则控制健身器械停机，健身器械停机后，用户无法使用健身器械进行锻炼，由此可以强制用户休息，避免用户持续保持过度运动的状态。
当健身器械为跑步机时，假设生理信号是心率，如果用户的心率处于第一区间，则降低跑步机的跑步带的速度，以让用户减缓跑动的速度，从而让用户的心率逐渐降下来。如果用户的心率处于第二区间，控制跑步机停机，从而强制用户休息，以让用户的心率逐渐降下来。当健身器械为动感单车时，假设生理信号是心率，如果用户的心率处于第一区间，则降低动感单车的阻力，阻力降低以后，用户蹬脚踏所受的阻力减小，蹬脚踏也变得逐渐轻松，不用在消耗较大力气，从而让用户的心率逐渐降下来。如果用户的心率处于第二区间，控制动感单车停机，动感单车的脚踏无法转动，从而强制用户休息，以让用户的心率逐渐降下来。
本实施例根据上述技术方案，在健身器械上设置有雷达，雷达面向运动目标所在区域的方向设置，如此设置可以通过雷达采集到运动目标在使用健身器械锻炼期间的点云数据，通过对雷达采集的点云数据进行降噪处理后，使用降噪后的点云数据构建运动目标在使用健身器械锻炼期间的运动姿态，然后根据运动姿态获取运动目标的生理信号，进而根据生理信号调节健身器械的控制参数，实现了按照运动目标锻炼期间的运动姿态对活动的运动目标的生理信号进行检测，进而根据生理信号对健身器械的控制参数进行调节，不仅有利于避免用户因过度锻炼，伤害身体健康的情况发生，还可以规范用户的锻炼习惯。
如图5所示，步骤S220包括以下步骤：
步骤S221：获取所述第一点云数据对应的物体与所述雷达之间的距离数据集合。
本实施例中，由于雷达面向的目标区域内的物体不仅包括锻炼中的用户，还包括除了用户之外的其他物体，雷达采集的第一点云数据中不仅包括用户对应的数据点和除了用户之外的其他物体对应的数据点。在雷达采集第一点云数时，还会检测用户与雷达之间的距离值，以及除了用户之外的其他物体与雷达之间的距离值，这些距离值组成的集合就是所述距离数据集合，因此可以获取到第一点云数据对应的物体与雷达之间的距离数据集合。
步骤S222：确定所述距离数据集合中大于所述预设距离阈值的距离值，并获取所述距离值对应的物体。
步骤S223：确定待滤除数据点，并从所述第一点云数据中滤除所述待滤除数据点，得到第三点云数据。
步骤S224：根据所述第三点云数据确定所述第二点云数据。
本实施例中，待滤除数据点为第一点云数据中与距离值对应的物体的数据点。获取到距离数据集合之后，将距离数据集合中的每个距离值与预设距离阈值进行比较，从而找出距离数据集合中大于预设距离阈值的距离值，然后再找出大于预设距离阈值的距离值对应的物体，该物体对应的数据点就需要从第一点云数据中滤除的待滤除数据点。假设，第一点云数据中有300个数据点，预设距离阈值为[0.5，0.8]，单位是米，则距离数据集合中超过0.8米的距离值对应物体的数据点均是待滤除数据点，如果待滤除数据点有100个，则这100个待滤除数据点需要从300个数据点中滤除，第一点云数据中剩余数据点就是所述的第三点云数据，即第三点云数据中有200个数据点。进而根据第三点云数据确定第二点云数据，其中可以将第三点云数据作为第二点云数据，用于构建用户的运动姿态。
进一步的，得到第三点云数据之后，虽然第三点云数据中的数据点对应的物体与雷达之间的距离值均在预设距离阈值以内，但第三点云数据中的数据点有可能不一定都是实际用户的，还可存在噪点。例如，用户甲是正在锻炼的人，用户乙是教练，用户乙仅是在对用户甲进行指导，二人与雷达的距离值均在预设距离阈值以内，可见第三点云数据中既有用户甲的数据点，还有用户乙的数据点，基于此，需要对第三点云数据中继续进行过滤。
进一步的，步骤S224包括：
对所述第三点云数据进行恒虚警检测，得到第四点云数据；
对所述第四点云数据进行聚类，得到所述第二点云数据。
其中，恒虚警检测简称CFAR，全称是Constant False Alarm Rate Detector，通过对第三点云数据进行恒虚警检测，可以将第三点云数据中除了实际参与锻炼用户的数据点之外的其他数据点进行滤除，保留下来的就是际参与锻炼用户的数据点，即第三点云数据中保留下来的数据点就是所述第四点云数据。得到的第四点云数据中的数据点均是用户对应的数据点，但由于第四点云数据中还可能存在因实际反射产生的实际不存在的数据点，如果使用第四点云数据构建用户的运动姿态，实际不存在的数据点对构建的运动姿态产生影响，导致运动姿态不准确。因此，通过对第四点云数据进行聚类，可以将第四点云数据中实际不存在的数据点滤除，保留下的数据点就是“干净的数据点”，即所述第二点云数据，从而通过所述第二点云数据构建用户的运动姿态。
本实施例根据上述技术方案，通过对第一点云数据中的干扰数据点进行多次过滤，从而得到干净的点云数据，有利于提高构建运动目标的运动姿态的准确度。
如图6所示，步骤S230中根据所述第二点云数据构建所述运动目标的运动姿态的步骤包括以下步骤：
步骤S2311：获取所述第二点云数据中各个数据点的空间坐标以及径向速度。
步骤S2312：根据各个所述数据的空间坐标以及径向速度生成二维矩阵，并对所述二维矩阵进行降维。
步骤S2313：将降维后的所述二维矩阵输入预设深度学习网络，得到所述运动目标的姿态参数；
步骤S2314：根据所述姿态参数构建所述运动姿态。
在获取到第二点云数据之后，第二点云数据中各个数据点的空间坐标以及径向速度也可以得到，通过对第二点云数据中各个数据点的空间坐标以及径向速度进行整理，得到一个二维矩阵，然后对所述二维矩阵进行PCA(Principal Component Analysis)降维处理后，降维后的所述二维矩阵为一个新的矩阵，例如，降维后的所述二维矩阵是128X4的矩阵。然后将降维后的所述二维矩阵作为预设深度学习网络的输入数据，以输入到预设深度学习网络，预设深度学习网络处理后输出用户的姿态参数，该姿态参数具有多个，用于描述人体全局位置、姿态、性别以及体型，然后通过输出的姿态参数构建用户的运动姿态，用户的运动姿态如图4所示。假设，姿态参数具有90个，通过这90个姿态参数便可以构建运动姿态。
其中，所述预设深度学习网络的训练过程包括：
步骤a：获取运动目标样本的参照姿态参数和点云数据样本；
步骤b：根据所述参照姿态参数和所述点云数据样本对待训练深度学习网络进行训练；
步骤c：在所述待训练深度学习网络输出的姿态参数样本与所述参照姿态参数的误差值小于或者等于预设误差阈值，停止对所述待训练深度学习网络进行训练，并将停止训练的所述待训练深度学习网络保存为所述预设深度学习网络。
其中，参照姿态参数是运动目标样本的姿态参数，运动目标样本也是用户，运动目标样本的姿态参数可以通过动作捕捉设备获取运动目标的关节位置信息，通过对关节位置信息进行映射计算得到参照姿态参数。运动目标样本的点云数据样本就是运动目标样本的点云数据，具体通过雷达采集，该点云数据是经过过滤后的干净的点云数据。根据参照姿态参数和点云数据样本对待训练深度学习网络进行训练，也就是将点云数据样本输入待训练深度学习网络，以得到的姿态参数样本，姿态参数样本即为待训练深度学习网络输出的姿态参数，然后计算姿态参数样本与参照姿态参数的误差，该误差是指姿态参数样本与参照姿态参数的加权平均误差。如果姿态参数样本与参照姿态参数的误差值大于预设误差阈值，则调整待训练深度学习网络的网络参数，然后重复执行将点云数据样本输入待训练深度学习网络，以得到的姿态参数样本的步骤，从而实现对待训练深度学习网络进行不断训练。如果待训练深度学习网络输出的姿态参数样本与参照姿态参数的误差值小于或者等于预设误差阈值，表示待训练深度学习网络输出的姿态参数样本与参照姿态参数的误差值已经收敛，即不需要再对待训练深度学习网络的网络参数进行调整，从而停止对待训练深度学习网络进行训练，并将停止训练的待训练深度学习网络保存为预设深度学习网络，即网络训练完成，预设深度学习网络可以用于构建运动目标的运动姿态。
本实施例根据上述技术方案，通过姿态参数可以准确的构建运动目标的运动姿态。
如图7所示，本申请的健身器械控制方法，包括以下步骤：
步骤S2321：根据所述运动姿态获取所述运动目标的关节特征点。
步骤S2322：根据所述关节特征点对所述运动姿态进划分，得到所述运动目标的目标监测区域。
步骤S2323：获取所述目标监测区域的生理信号。
所述关节特征点是指人体关节点，构建得到用户的运动姿态之后，通过运动姿态可到达用户锻炼期间的姿态的关节特征点。如图4所示，在该运动姿态下，图中的各个圆点就是所述的关节特征点，例如，膝盖上的圆点即为膝关节特征点。
得到关节特征点之后，根据关节特征点对运动姿态进行划分，从而得到运动目标的目标监测区域，然后控制雷达向用户身体上与目标监测区域对应的位置发送雷达波信号，并获取与目标监测区域对应的位置返回的回波信号，进而根据回波信号的频率检测用户锻炼期间的生理信号。如图4所示，图中10-28均是关节特征点，其中A表示胸腔区域，B表示腹部区域，即通过关节特征点12、13、16、17对运动姿态进行划分，关节特征点12、13、16、17在运动姿态上的位置就是运动姿态上的胸腔区域，即对应用户身体上的胸腔区域；通过关节特征点20、21、22对运动姿态进行划分，关节特征点20、21、22在运动姿态上的位置就是运动姿态上的腹部区域，即对应用户身体上的腹部区域。例如，在得到用户身体上的胸腔区域之后，控制雷达向用户的胸腔区域发送雷达波信号，并通过胸腔区域的返回的回波信号的频率检测用户锻炼期间的心率和/或呼吸频率。
本实施例根据上述技术方案，可以针对性通过不同区域检测人体的生理信号，有利于提高生理信号的检测准确度。
进一步的，本申请还提供了一种健身器械包括：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基于健身器械的健身器械控制程序，所述基于健身器械的健身器械控制程序被所述处理器执行时实现上述的健身器械控制方法的步骤。
进一步的，本申请还提供了一种存储介质，其上存储有基于健身器械的健身器械控制程序，所述基于健身器械的健身器械控制程序被处理器执行时实现上述的健身器械控制方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种健身器械控制方法，其特征在于，应用于健身器械，所述健身器械包括雷达，所述雷达面向运动目标所在区域的方向设置，所述健身器械控制方法包括：
获取所述雷达采集的第一点云数据以及预设距离阈值，所述预设距离阈值根据所述雷达与所述健身器械的锻炼区域之间的距离确定；
根据所述预设距离阈值对所述第一点云数据进行降噪处理，得到第二点云数据；
根据所述第二点云数据构建运动目标的运动姿态，根据所述运动姿态确定所述运动目标的生理信号；
根据所述生理信号调节所述健身器械的控制参数。
2.如权利要求1所述的方法，其特征在于，所述根据所述预设距离阈值对所述第一点云数据进行降噪处理，得到运动目标的第二点云数据的步骤包括：
获取所述第一点云数据对应的物体与所述雷达之间的距离数据集合；
确定所述距离数据集合中大于所述预设距离阈值的距离值，并获取所述距离值对应的物体；
确定待滤除数据点，并从所述第一点云数据中滤除所述待滤除数据点，得到第三点云数据，所述待滤除数据点为所述第一点云数据中与所述距离值对应的物体的数据点；
根据所述第三点云数据确定所述第二点云数据。
3.如权利要求2所述的方法，其特征在于，所述根据所述第三点云数据确定所述第二点云数据的步骤包括：
对所述第三点云数据进行恒虚警检测，得到第四点云数据；
对所述第四点云数据进行聚类，得到所述第二点云数据。
4.如权利要求1所述的方法，其特征在于，所述根据所述第二点云数据构建所述运动目标的运动姿态的步骤包括：
获取所述第二点云数据中各个数据点的空间坐标以及径向速度；
根据各个所述数据的空间坐标以及径向速度生成二维矩阵，并对所述二维矩阵进行降维；
将降维后的所述二维矩阵输入预设深度学习网络，得到所述运动目标的姿态参数；
根据所述姿态参数构建所述运动姿态。
5.如权利要求4所述的方法，其特征在于，所述根据所述运动姿态确定所述运动目标的生理信号的步骤包括：
根据所述运动姿态获取所述运动目标的关节特征点；
根据所述关节特征点对所述运动姿态进划分，得到所述运动目标的目标监测区域；
获取所述目标监测区域的生理信号。
6.如权利要求4所述的方法，其特征在于，所述预设深度学习网络的训练过程包括：
获取运动目标样本的参照姿态参数和点云数据样本；
根据所述参照姿态参数和所述点云数据样本对待训练深度学习网络进行训练；
在所述待训练深度学习网络输出的姿态参数样本与所述参照姿态参数的误差值小于或者等于预设误差阈值，停止对所述待训练深度学习网络进行训练，并将停止训练的所述待训练深度学习网络保存为所述预设深度学习网络。
7.如权利要求6所述的方法，其特征在于，所述根据所述参照姿态参数和所述点云数据样本对待训练深度学习网络进行训练的步骤包括：
将所述点云数据样本输入所述待训练深度学习网络，以得到所述的姿态参数样本；
在所述姿态参数样本与所述参照姿态参数的误差值大于所述预设误差阈值时，调整所述待训练深度学习网络的网络参数，返回执行所述将所述点云数据样本输入所述待训练深度学习网络，以得到所述的姿态参数样本的步骤。
8.如权利要求1所述的方法，其特征在于，所述健身器械为跑步机或者动感单车，所述根据所述生理信号调整所述健身器械的控制参数的步骤包括：
在所述生理信号处于第一区间时，降低所述跑步机的跑步带的速度；
在所述生理信号处于第二区间时，控制所述跑步机停机；或者，
在所述生理信号处于所述第一区间时，降低所述动感单车的阻力；
在所述生理信号处于所述第二区间时，控制所述动感单车停机。
9.一种健身器械，其特征在于，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基于健身器械的健身器械控制程序，所述基于健身器械的健身器械控制程序被所述处理器执行时实现如权利要求1-8中任一项所述的健身器械控制方法的步骤。
10.一种存储介质，其特征在于，其上存储有基于健身器械的健身器械控制程序，所述基于健身器械的健身器械控制程序被处理器执行时实现权利要求1-8中任一项所述的健身器械控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210410164.6A CN114870364B (zh) | 2022-04-19 | 2022-04-19 | 健身器械控制方法、健身器械及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210410164.6A CN114870364B (zh) | 2022-04-19 | 2022-04-19 | 健身器械控制方法、健身器械及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114870364A true CN114870364A (zh) | 2022-08-09 |
| CN114870364B CN114870364B (zh) | 2023-12-19 |
Family
ID=82671582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210410164.6A Active CN114870364B (zh) | 2022-04-19 | 2022-04-19 | 健身器械控制方法、健身器械及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114870364B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116999773A (zh) * | 2023-10-07 | 2023-11-07 | 南通鸿图健康科技有限公司 | 一种健身器材的自适应训练管理方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060009333A1 (en) * | 1999-02-10 | 2006-01-12 | Leao Wang | Electric treadmill |
| CN101689219A (zh) * | 2006-11-01 | 2010-03-31 | 必安康医疗有限公司 | 用于监测心肺参数的系统和方法 |
| CN107899185A (zh) * | 2017-11-22 | 2018-04-13 | 宁波德葳智能科技有限公司 | 一种智能毫米波雷达跑步机及其控制方法 |
| CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
| DE102017003587A1 (de) * | 2017-04-12 | 2018-10-18 | Universität Paderborn | Trainingsgerät mit Laufbandeinheit |
| CN108921929A (zh) * | 2018-06-26 | 2018-11-30 | 开放智能机器（上海）有限公司 | 一种识别系统及训练方法及单张单目图像的识别方法 |
| CN109045575A (zh) * | 2018-08-30 | 2018-12-21 | 合肥工业大学 | 基于非接触式生理参数测量的智能跑步机 |
| CN109509260A (zh) * | 2017-09-14 | 2019-03-22 | 百度在线网络技术（北京）有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
| CN109816784A (zh) * | 2019-02-25 | 2019-05-28 | 盾钰（上海）互联网科技有限公司 | 三维重构人体的方法和系统及介质 |
| CN112200129A (zh) * | 2020-10-28 | 2021-01-08 | 中国人民解放军陆军航空兵学院陆军航空兵研究所 | 一种基于深度学习的三维目标检测方法、装置及终端设备 |
| CN112711979A (zh) * | 2020-11-18 | 2021-04-27 | 北京邮电大学 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
| CN113748357A (zh) * | 2020-03-27 | 2021-12-03 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
-
2022
- 2022-04-19 CN CN202210410164.6A patent/CN114870364B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060009333A1 (en) * | 1999-02-10 | 2006-01-12 | Leao Wang | Electric treadmill |
| CN101689219A (zh) * | 2006-11-01 | 2010-03-31 | 必安康医疗有限公司 | 用于监测心肺参数的系统和方法 |
| DE102017003587A1 (de) * | 2017-04-12 | 2018-10-18 | Universität Paderborn | Trainingsgerät mit Laufbandeinheit |
| CN109509260A (zh) * | 2017-09-14 | 2019-03-22 | 百度在线网络技术（北京）有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
| CN107899185A (zh) * | 2017-11-22 | 2018-04-13 | 宁波德葳智能科技有限公司 | 一种智能毫米波雷达跑步机及其控制方法 |
| CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
| CN108921929A (zh) * | 2018-06-26 | 2018-11-30 | 开放智能机器（上海）有限公司 | 一种识别系统及训练方法及单张单目图像的识别方法 |
| CN109045575A (zh) * | 2018-08-30 | 2018-12-21 | 合肥工业大学 | 基于非接触式生理参数测量的智能跑步机 |
| CN109816784A (zh) * | 2019-02-25 | 2019-05-28 | 盾钰（上海）互联网科技有限公司 | 三维重构人体的方法和系统及介质 |
| CN113748357A (zh) * | 2020-03-27 | 2021-12-03 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
| CN112200129A (zh) * | 2020-10-28 | 2021-01-08 | 中国人民解放军陆军航空兵学院陆军航空兵研究所 | 一种基于深度学习的三维目标检测方法、装置及终端设备 |
| CN112711979A (zh) * | 2020-11-18 | 2021-04-27 | 北京邮电大学 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116999773A (zh) * | 2023-10-07 | 2023-11-07 | 南通鸿图健康科技有限公司 | 一种健身器材的自适应训练管理方法及系统 |
| CN116999773B (zh) * | 2023-10-07 | 2023-12-22 | 南通鸿图健康科技有限公司 | 一种健身器材的自适应训练管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114870364B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210394020A1 (en) | Tracking three-dimensional motion during an activity | |
| US9171201B2 (en) | Portable computing device and analyses of personal data captured therefrom | |
| US10802038B2 (en) | Calculating pace and energy expenditure from athletic movement attributes | |
| Stephen et al. | The role of fractality in perceptual learning: exploration in dynamic touch. | |
| US20190192912A1 (en) | Method and system of planning fitness course parameters | |
| KR102054542B1 (ko) | 신체 활동 모니터링 디바이스에 의한 게임 플레이 확장 | |
| CN109584989A (zh) | 一种运动提示信息的推送方法、装置、设备及存储介质 | |
| KR101999748B1 (ko) | IoT 운동기구, 운동지도시스템, 및 이를 이용한 운동지도방법 | |
| KR20150123326A (ko) | 자동 운동 세그먼트화 및 인식 | |
| KR102245338B1 (ko) | 웨어러블 기반 셀프형 운동관리 시스템 및 그 방법 | |
| WO2016157217A2 (en) | Technological device to assist user in workouts and healthy living | |
| US10350454B1 (en) | Automated circuit training | |
| CN114870364B (zh) | 健身器械控制方法、健身器械及存储介质 | |
| CN110782967B (zh) | 一种健身动作标准度评估方法及装置 | |
| WO2021217947A1 (zh) | 手柄类运动计数方法及终端 | |
| CN207401111U (zh) | 智能运动健康数据采集系统 | |
| CN113679371B (zh) | 一种体成分检测方法、电子设备和计算机可读存储介质 | |
| CN117109567A (zh) | 用于动感单车运动的骑行姿态监测方法、系统以及穿戴式骑行姿态监测设备 | |
| CN106037640B (zh) | 一种伤病远程分析系统及方法 | |
| CN107847791B (zh) | 指导适合性判定装置、系统、方法以及记录介质 | |
| WO2014195583A1 (en) | Apparatus for physical assessment | |
| Boullosa et al. | The fine-tuning approach for training monitoring | |
| US20230039042A1 (en) | Muscle activation, and associated algorithms, systems and methods | |
| CN106910225A (zh) | 超声波多普勒影像之分群、噪声抑制及可视化方法 | |
| CN106178465A (zh) | 一种健身用引导计数方法及系统 |
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 |