CN115565639A - 一种锻炼心率的预测方法、装置以及设备 - Google Patents
一种锻炼心率的预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN115565639A CN115565639A CN202211202196.3A CN202211202196A CN115565639A CN 115565639 A CN115565639 A CN 115565639A CN 202211202196 A CN202211202196 A CN 202211202196A CN 115565639 A CN115565639 A CN 115565639A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- sequence
- exercise
- network
- series
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 210000000707 wrist Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physical Education & Sports Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种锻炼心率的预测方法、装置以及设备，包括：构建并训练运动心率预测模型，其中，所述运动心率预测模型包括：关联嵌入网络、属性嵌入网络和心率预测网络；提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。本发明采用提取历史数据中的关联性特征，然后将他们串联组合到一起，得到关联性嵌入序列，提取单个属性的个性特征，输出的预测心率更加具有个性化。
Description
技术领域
本发明涉及锻炼心率预测领域，特别是涉及一种锻炼心率的预测方法、装置以及设备。
背景技术
近来，使用传感器数据对人类健康进行建模的研究越来越多。 Farseev等收集了用户的运动数据，并提出了一个模型来结合社交网络信息来预测用户的健康趋势。他们专注于每个特定用户在几个时期内的BMI(身体质量指数)分类，专注于在有限训练数据下预测体育锻炼类型。他们从运动数据中提取特征(例如心率，距离)，并提出了一种基于AdaBoost的方法来预测运动类型(例如步行，有氧运动，跑步等)。这两项工作都专注于根据传感器数据进行手工特征提取，然后将其应用于分类问题。
目前已有的锻炼心率预测模型都是基于大量的用户的历史数据进行心率预测，预测得到的数据都是大众心率，根据大众数据预测的心率，不适应各个年龄段的人群，年老和孩童的运动的心率情况都是不一样的，专业运动员和普通人的锻炼心率肯定不一样，采用现有技术的心率预测很难实现个性化的心率预测，导致个性化的心率预测很难实现。
综上所述可以看出，如何进行个性化锻炼心率预测是目前有待解决的问题。
发明内容
本发明的目的是提供一种锻炼心率的预测方法、装置以及设备，解决了现有技术中不能进行个性化预测锻炼心率的缺陷。
为解决上述技术问题，本发明提供一种锻炼心率的预测方法，包括：
构建并训练运动心率预测模型，其中，所述运动心率预测模型包括：关联嵌入网络、属性嵌入网络和功率预测网络；
提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；
将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；
将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。
优选地，还包括：
实时采集当前用户实时锻炼心率数据；将所述锻炼心率数据转化为实时心率序列，计算所述实时心率和所述预测心率之间均方根误差值和均值绝对误差值；
利用所述均方根误差公式值和所述均值绝对误差值进行预测评估；
其中，所述均方根误差值的公式为：
所述均值绝对误差值的公式为：
|Ntrain|为所述实时锻炼心率数据的时间步数，L为锻炼的总长度，
为预测心率序列，yt为实际心率序列，Ttrain为所述实时锻炼的时间。
优选地，所述构建并完成训练的运动心率预测模型包括：
将用户历史数据按照时间顺序进行排序，得到数据集；
将所述数据集进行拆分和聚合，按照预设比例划分为训练数据集和验证数据集；
将所述训练集输入所述运动心率预测模型中，采用Adam算法进行训练，并采用所述验证测试集对训练后的模型进行测试修订参数，得到所述完成训练的运动心率预测模型。
优选地，所述客观因素序列和所述主观因素系列包括：
所述客观因素序列包括：海拔高度，天气温度，用户年龄，用户性别；
所述主观因素序列包括：用户锻炼心率，速度，耐力，持久力。
优选地，所述用户信息序列包括：
将用户的年龄、身高、性别以及个人历史锻炼数据输入；
提取所述个人历史锻炼数据中的主观因素数据，将主观因素数据和所述用户的年龄、身高、性别进行整合，得到所述用户信息序列。
优选地，所述提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列包括：
提取所述历史锻炼序列中的所述客观因素序列和所述主观因素序列；
利用多层长短期记忆网络对所述客观因素序列和所述主观因素序列进行处理，提取所述客观因素序列中的客观特征和所述主观因素序列中的心率、耐力特征，得到所述处理后的客观因素序列和处理后的主观因素序列；
将所述处理后的客观因素序列和所述处理后的主观因素序列串联并反馈至线性投影层，得到主客观关联性嵌入序列。
优选地，所述将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列包括：
将所述主客观关联性嵌入系列在每个时间步进行重复，得到目标关联性嵌入序列；
将所述目标关联性嵌入序列与所述当前用户信息序列进行串联，得到所述串联关联性序列。
优选地，所述将所述串联关联性序列输入所述心率预测网络型中进行预测，输出当前用户的预测心率序列包括：
将所述串联关联性序列输入所述心率预测网络中，其中所述心率预测模型包括多层长短期记忆网络；
利用所述多层长短期记忆网络对所述串联关联性序列进行增加和删除属性，输出所述当前用户的预测心率序列。
本发明还提供了一种锻炼心率的预测装置，包括：
构建模型模块，用于构建并训练运动心率预测模型，其中，所述运动心率预测模型包括：关联嵌入网络、属性嵌入网络和功率预测网络；
关联嵌入模块，用于提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；
属性切入模块，用于将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；
心率预测模块，用于将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。
本发明还提供了一种锻炼心率的预测设备，包括：
可触屏显示器，用于输入用户信息，显示预测心率以及评估结果；
腕表，佩戴于用户手腕，用于采集用户实时心率，并上传至处理器；
所述处理器，用于执行上述任一项所述一种锻炼心率的预测方法的，并将采集的所述实时心率与预测心率进行评估，将所述预测锻炼心率和评估结果发送至所述可触屏显示器。
本发明所提供的一种锻炼心率的预测方法，将用户信息输入运动心率模型中，将用户个人信息进行处理，并结合关联嵌入网络中的锻炼的关联嵌入序列，进行组合串联，将历史锻炼数据与用户的个性化信息结合，得到个性化的输入序列，通过属性嵌入网络进行串联，得到串联关联性序列。最后将串联关联性序列输入推荐心率生成模型中进行心率预测，得到预测心率序列。本发明采用提取历史数据中的关联性特征，然后将个人的锻炼信息的特征串联组合到一起，得到关联性嵌入序列，最后得到个性化的预测心率序列。本发明根据个人特征与历史数据中特征结合，进行锻炼心率预测，每个用户的信息不同，并参考科学的运动数据信息得到的预测心率都是依据用户信息科学预测的个性化心率，便于每个用户进行规划训练，根据预测心率序列完成不同时间段完成不同强度的训练，为用户锻炼具有引导作用。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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为本发明所提供的一种锻炼心率的预测方法的第一种具体实施例的流程图；
图2为本发明所提供的一种锻炼心率的预测方法的第二种具体实施例的流程图；
图3为本发明所提供的一种锻炼心率的预测方法的第三种具体实施例的流程图；
图4为本发明输入的实际锻炼数据与模型结合历史数据推荐心率的对比图；
图5为本发明推荐心率与实际心率曲线相似性曲线图对比图；
图6为本发明实施例提供的一种锻炼心率的预测装置的结构框图。
具体实施方式
本发明的核心是提供一种锻炼心率的预测方法、装置以及设备提取历史数据中潜在的个性特征，通过关联嵌入网络进行串联，并结合个性用户信息组合进行心率预测，得到具有个性化的锻炼心率序列。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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做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。
请参考图1，图1为本发明所提供的一种锻炼心率的预测方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：构建并训练运动心率预测模型；
构建运动心率预测模型，运动心率预测模型包括关联嵌入网络、属性嵌入网络和心率预测网络；
关联嵌入网络包括多层长短期记忆网络和线性投影层。
关联嵌入网络将用户信息和历史锻炼信息编码为嵌入的表示形式，便于提取潜在的特征(例如：耐力、心率等等)，促进个性化预测。
属性嵌入网络设置在关联嵌入网络后。属性嵌入网络将不同长度的序列融合转化为适用长短期记忆网络中的序列。
心率预测网络包括多层长短期记忆网络。
训练运动心率预测模型的过程如下：
将用户历史数据按照时间顺序进行排序，得到数据集；
将所述数据集进行拆分和聚合，按照预设比例划分为训练数据集和验证数据集；
将所述训练集输入所述运动心率预测模型中，采用Adam算法进行训练，并采用所述验证测试集对训练后的模型进行测试修订参数，得到所述完成训练的运动心率预测模型。
步骤S102：提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；
提取所述历史锻炼序列中的所述客观因素序列和所述主观因素序列；
利用多层长短期记忆网络对所述客观因素序列和所述主观因素序列进行处理，提取所述客观因素序列中的客观特征和所述主观因素序列中的心率、耐力特征，得到所述处理后的客观因素序列和处理后的主观因素序列；
将所述处理后的客观因素序列和所述处理后的主观因素序列串联并反馈至线性投影层，得到主客观关联性嵌入序列。
客观因素序列包括：海拔高度、环境温度、用户年龄，用户性别、锻炼时间等等客观的因素信息；
主观因素序列包括：用户心率、速度、血压、耐力和持久力等等涉及到锻炼的主观因素信息。
步骤S103：将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；
将用户的年龄、身高、性别以及个人历史锻炼数据输入；
提取所述个人历史锻炼数据中的主观因素数据，将主观因素数据和所述用户的年龄、身高、性别进行整合，得到所述用户信息序列。
将所述主客观关联性嵌入系列在每个时间步进行重复，得到目标关联性嵌入序列；
将所述目标关联性嵌入序列与所述当前用户信息序列进行串联，得到所述串联关联性序列。
步骤S104：将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。
将所述串联关联性序列输入所述心率预测网络中，其中所述心率预测模型包括多层长短期记忆网络；
利用所述多层长短期记忆网络对所述串联关联性序列进行增加和删除属性，输出所述当前用户的预测心率序列。
在本实施例中，利用关联嵌入网络将历史数据中的主客观因素进行整合，得到主客观关联性嵌入序列，将个人信息序列与主客观关联性嵌入序列通过属性嵌入网络结合，得到具有个性的输入序列，最后利用心率预测网络进行预测，得到预测心率。本发明采用个人信息结合历史数据中的潜在属性，使输入的心率序列具有个性化，最后得到个性化的预测心率，根据不同的用户信息推荐适合用户的锻炼心率，并且本发明还可以将预测的心率数据导入运动监测设备中。
基于上述实施例，本实施例对运动心率预测模型的训练过程进行了详细的说明，请参考图2，图2为本发明所提供的一种锻炼心率的预测方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S201：将用户的历史数据按照时间顺序进行排序，得到历史数据集；
步骤S202：将所述历史数据集进行拆分和聚合，选取预设比例的历史数据集作为训练集，剩余的历史数据集作为验证测试集；
根据每次锻炼的第一个时间戳按时间顺序对每个用户的锻炼进行排序。然后，本申请将用户的锻炼内容进行拆分和聚合，前80％用于模型训练，然后再进行10％的验证，最后的10％用于测试。这是为了确保测试集中的锻炼关联信息不会出现在训练集中。在模型训练期间，不按比例缩放目标数据，而按输入数据点的z分数表示数据点来按比例缩放输入数据。
步骤S203：将训练集和验证测试集进行编码，得到编码后的训练序列和验证测试序列；
步骤S204：将训练集输入运动心率预测模型中；
使用长短期记忆(LSTM)处理历史关联性序列z和历史锻炼目标序列y′，然后将它们串联起来，并将其反馈入线性投影层以获得关联性嵌入：
h1,t＝LSTM1(zt,h1,t-1)
h2,t＝LSTM2(y′t,h2,t-1)
et＝We[h1,t；h2,t]+be
其中，h1,t和h2,t为两个LSTM的隐藏状态，et为关联性嵌入的投影，We为训练参数。
最佳神经网络参数是通过在验证集上进行网格搜索获得的。从 {0.001,0.005,0.01}中选择学习率，从{0.1,0.2,0.3}中选失活率(Dropout rate)，从{0.002，0.005,0.01，0.02}中选择l2正则化器。
步骤S205：采用Adam算法对运动心率预测模型进行训练；
S51：初始学习率，选失活率以及l2正则化器；
S52：定义数值稳定的常数；
S53：初始参数，一阶和二阶距变量，时间步；
S54：选取训练序列中的数据，求取对应心率预测值，计算梯度，更新有偏一阶矩估计，更新有偏二阶矩估计，修正一阶矩的偏差，修正二阶矩的偏差，计算更新和应用更新；
S55：直至损失函数收敛，完成运动心率预测模型的训练。
步骤S206：利用验证测试序列来评估完成训练后的运动心率预测模型；
采用10％的验证数据集验证运动心率预测模型是否预测准确。
将10％的测试数据输入完成训练的运动心率预测模型，输出预测心率序列，将输出的预测心率序列与用户的真实锻炼心率进行对比。
本实施例中，采用大量科学锻炼数据进行训练模型，首先将数据进行处理，按照预设比例划分为训练集和验证测试集；然后将训练集和测试集进行编码输入运动心率预测模型进行训练，将大量科学锻炼序列导入关联嵌入网络中，利用长短期记忆网络提取用户序列中潜在的单属性特征，然后将所有单属性特征串联结合为历史锻炼关联序列和历史锻炼目标序列，然后将历史锻炼关联序列和历史锻炼目标序列串联组合为关联性嵌入序列。采用Adam算法对模型进行训练，得到完成训练运动心率预测模型，最后采用验证测试集进行验证和评估。本发明采用大量科学锻炼数据提取数据中潜在的属性，构建关联性序列和目标性序列，然后结合个人的信息进行预测心率，得到具有个性化的预测心率，为用户提供了指导锻炼的心率，便于用户进行合理锻炼。
参考图3，图3位本发明所提供的的一种锻炼心率的预测方法的第三种具体实施例的流程图；具体操作步骤如下：
步骤S301：将用户个人信息输入运动心率预测模型中，得到预测心率序列；
利用可触屏显示器输入当前用户的个人信息，采用信息表的方式进行填写；将用户个人的锻炼数据采用文件包的形式输入。
步骤S302：利用腕表采集当前用户的锻炼心率，并通过通讯技术将锻炼心率上传至运动心率预测模型中；
步骤S303：计算当前用户的锻炼心率和预测心率的均方根误差和均值绝对误差；
利用公式计算均方根误差(RMSE)和均值绝对误差(MAE)：
其中，|Ntrain|是锻炼心率序列的总时间步数，L为锻炼的总长度，
为预测心率序列，yt为实际心率序列。
利用均方根误差(RMSE)和均值绝对误差(MAE)评估运动心率预测模型的性能。
图4为本发明输入的实际锻炼数据与模型结合历史数据推荐息率的对比图；如图所示，两者越接近说明用户的运动完成度越好。用户可以根据预测心率调整自己的运动状态，以达到更好的运动效果。
步骤S304：评估当前用户的锻炼性能。
定义当前用户是实际心率序列为AHR，该用户的预测心率为RHR，两个时间序列的长度分别为m，n；
定义用户和优秀运动员曲线序列之间距离的衰减函数：对于阈值ε和两个轨迹点AHR(i)，RHR(j)
1)定义实际心率曲线每点的得分函数为：
S(AHR(i))＝Max{f(AHR(k),RHR(j))}
其中，k∈[i-δ,i+δ],j∈[i-τ,i+τ]，τ为设定的时间窗口平移宽度，δ低通滤波窗口宽度。
2)心率曲线相似性函数为：
根据计算结果，CATS越接近1表示预测心率和实际心率曲线越相似。
图5中两条曲线分别为推荐心率曲线和根据该推荐心率进行健身产生的实际心率曲线，根据以上算法，两者越接近说明健身者运动完成度越好。根据不同的窗口和阈值参数，计算图中两天曲线的相似度如下表所示。当窗口宽度越大，阈值越大时，所得的相似度就越高。因此可以据此设定不同难度的健身完成度评价标准，如表1所示。
表1不同窗口宽度和阈值下的心率曲线相似度
| 滤波窗口宽度 | 平移窗口宽度 | 阈值 | 曲线相似度 |
| 3 | 3 | 10 | 0.64 |
| 3 | 3 | 20 | 0.77 |
| 5 | 5 | 10 | 0.75 |
| 5 | 5 | 20 | 0.84 |
在本实施例中，采用腕表记录用户的锻炼数据，并与预测的心率进行比较，然后计算两者的均方根误差和均值绝对误差，评估预测心率的准确性，然后计算两种心率之间的相似性得分。评估用户的完成度。本发明使用个性化特征预测个性化心率，指导用于制定合理规划的锻炼计划，然后采集用于锻炼时的心率，将两者进行比较，然后评估实时锻炼心率和预测心率的相似性，评估用户锻炼是否达标以及规划，便于用户改正或者制定下一个锻炼计划。本发明为用户提供个性化的锻炼心率指导，并且评估用户的锻炼结果。便于用户进行合理有效的锻炼。
请参考图6，图6为本发明实施例提供的一种锻炼心率预测的装置的结构框图；具体装置可以包括：
构建模型模块100，用于构建并训练运动心率预测模型，其中，所述运动心率预测模型包括：关联嵌入网络、属性嵌入网络和功率预测网络；
关联嵌入模块200，用于提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；
属性切入模块300，用于将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；
心率预测模块400，用于将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。
本实施例的一种锻炼心率的预测装置用于实现前述的一种锻炼心率的预测方法，因此一种锻炼心率的预测装置中的具体实施方式可见前文中的一种锻炼心率的预测方法的实施例部分，例如，构建模型模块100，关联嵌入模块200，属性切入模块300，心率预测模块400，分别用于实现上述一种锻炼心率的预测方法中步骤S101，S102，S103 和S104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种锻炼心率的预测设备，包括：可触屏显示器，用于输入用户信息，显示预测心率以及评估结果；腕表，佩戴于用户手腕，用于采集用户实时心率，并上传至处理器；存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种锻炼心率的预测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种锻炼心率的预测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程 ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种锻炼心率的预测方法、装置以及设备进行了详细介绍。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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种锻炼心率的预测方法，其特征在于，包括：
构建并训练运动心率预测模型，其中，所述运动心率预测模型包括：关联嵌入网络、属性嵌入网络和心率预测网络；
提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；
将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；
将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。
2.如权利要求1所述的预测方法，其特征在于，还包括：
实时采集当前用户实时锻炼心率数据；将所述锻炼心率数据转化为实时心率序列，计算所述实时心率和所述预测心率之间均方根误差值和均值绝对误差值；
利用所述均方根误差公式值和所述均值绝对误差值进行预测评估；
其中，所述均方根误差值的公式为：
所述均值绝对误差值的公式为：
|Ntrain|为所述实时锻炼心率数据的时间步数，L为锻炼的总长度，
为预测心率序列，yt为实际心率序列，Ttrain为所述实时锻炼的时间。
3.如权利要求1所述的预测方法，其特征在于，所述构建并完成训练的运动心率预测模型包括：
将用户历史数据按照时间顺序进行排序，得到数据集；
将所述数据集进行拆分和聚合，按照预设比例划分为训练数据集和验证数据集；
将所述训练集输入所述运动心率预测模型中，采用Adam算法进行训练，并采用所述验证测试集对训练后的模型进行测试修订参数，得到所述完成训练的运动心率预测模型。
4.如权利要求1所述的预测方法，其特征在于，所述客观因素序列和所述主观因素系列包括：
所述客观因素序列包括：海拔高度，天气温度，用户年龄，用户性别；
所述主观因素序列包括：用户锻炼心率，速度，耐力，持久力。
5.如权利要求1所述的预测方法，其特征在于，所述用户信息序列包括：
将用户的年龄、身高、性别以及个人历史锻炼数据输入；
提取所述个人历史锻炼数据中的主观因素数据，将主观因素数据和所述用户的年龄、身高、性别进行整合，得到所述用户信息序列。
6.如权利要求1所述的预测方法，其特征在于，所述提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列包括：
提取所述历史锻炼序列中的所述客观因素序列和所述主观因素序列；
利用多层长短期记忆网络对所述客观因素序列和所述主观因素序列进行处理，提取所述客观因素序列中的客观特征和所述主观因素序列中的心率、耐力特征，得到所述处理后的客观因素序列和处理后的主观因素序列；
将所述处理后的客观因素序列和所述处理后的主观因素序列串联并反馈至线性投影层，得到主客观关联性嵌入序列。
7.如权利要求1所述的预测方法，其特征在于，所述将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列包括：
将所述主客观关联性嵌入系列在每个时间步进行重复，得到目标关联性嵌入序列；
将所述目标关联性嵌入序列与所述当前用户信息序列进行串联，得到所述串联关联性序列。
8.如权利要求1所述的预测方法，其特征在于，所述将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列包括：
将所述串联关联性序列输入所述心率预测网络中，其中所述心率预测模型包括多层长短期记忆网络；
利用所述多层长短期记忆网络对所述串联关联性序列进行增加和删除属性，输出所述当前用户的预测心率序列。
9.一种锻炼心率的预测装置，其特征在于，包括：
构建模型模块，用于构建并训练运动心率预测模型，其中，所述运动心率预测模型包括：关联嵌入网络、属性嵌入网络和功率预测网络；
关联嵌入模块，用于提取历史锻炼序列中的客观因素序列和主观因素序列，并利用所述关联嵌入网络进行整合处理，得到主客关联性嵌入序列；
属性切入模块，用于将当前用户信息序列与所述主客观关联性嵌入系列输入所述属性嵌入网络中进行关联处理组合，输出串联关联性序列；
心率预测模块，用于将所述串联关联性序列输入所述心率预测网络中进行预测，输出当前用户的预测心率序列。
10.一种锻炼心率的预测设备，其特征在于，包括：
可触屏显示器，用于输入用户信息，显示预测心率以及评估结果；
腕表，佩戴于用户手腕，用于采集用户实时心率，并上传至处理器；
所述处理器，用于执行如权利要求1至8任一项所述一种锻炼心率的预测方法，并将采集的所述实时心率与预测心率进行评估，将所述预测锻炼心率和评估结果发送至所述可触屏显示器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211202196.3A CN115565639A (zh) | 2022-09-29 | 2022-09-29 | 一种锻炼心率的预测方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211202196.3A CN115565639A (zh) | 2022-09-29 | 2022-09-29 | 一种锻炼心率的预测方法、装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115565639A true CN115565639A (zh) | 2023-01-03 |
Family
ID=84743912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211202196.3A Pending CN115565639A (zh) | 2022-09-29 | 2022-09-29 | 一种锻炼心率的预测方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115565639A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842330A (zh) * | 2023-08-31 | 2023-10-03 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170259120A1 (en) * | 2016-03-08 | 2017-09-14 | Your Trainer Inc. | Programming environment for adaptive workout video composition |
| CN109597844A (zh) * | 2019-01-31 | 2019-04-09 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及系统 |
-
2022
- 2022-09-29 CN CN202211202196.3A patent/CN115565639A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170259120A1 (en) * | 2016-03-08 | 2017-09-14 | Your Trainer Inc. | Programming environment for adaptive workout video composition |
| CN109597844A (zh) * | 2019-01-31 | 2019-04-09 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| JIANMO NI，ET AL: "Modeling Heart Rate and Activity Data for PersonalizedFitness Recommendation", 《WWW’19：THE WORLD WIDE WEB CONFERENCE》, 13 May 2019 (2019-05-13), pages 1343 - 1353 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842330A (zh) * | 2023-08-31 | 2023-10-03 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
| CN116842330B (zh) * | 2023-08-31 | 2023-11-24 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN111784121B (zh) | 基于不确定性分数分布学习的动作质量评价方法 | |
| CN117009876A (zh) | 基于人工智能的运动状态量评估方法 | |
| CN109299380A (zh) | 在线教育平台中基于多维特征的习题个性化推荐方法 | |
| CN109145868A (zh) | 一种辅助跑步训练的行为识别方法与装置 | |
| Bajpai et al. | Quantifiable fitness tracking using wearable devices | |
| CN113423005B (zh) | 一种基于改进神经网络的智能音乐生成方法及系统 | |
| US20190133495A1 (en) | Systems and methods for improving athletic training, performance and rehabilitation | |
| CN115565639A (zh) | 一种锻炼心率的预测方法、装置以及设备 | |
| CN110446112A (zh) | 基于双向LSTM-Attention的IPTV用户体验预测方法 | |
| CN114708964B (zh) | 一种基于智能特征分类的眩晕症辅助分析统计方法及系统 | |
| CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
| CN111513723A (zh) | 运动姿态监测方法、调整方法、装置和终端 | |
| CN112733796B (zh) | 一种体育运动质量的评估方法、装置、设备，存储介质 | |
| Stanković et al. | Artificial neural network model for prediction of students’ success in learning programming | |
| CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 | |
| CN116747495A (zh) | 一种动作计数方法、装置、终端设备及可读存储介质 | |
| CN115410267A (zh) | 一种基于人体骨骼与肌肉相互配合动作分析数据统计算法 | |
| Chen et al. | Establishing a cognitive evaluation model for injury risk assessment in athletes using RBF neural networks | |
| Dziomdziora et al. | Running Pace Adjustment and Training Distance Fitting with Fuzzy Logic and Machine Learning | |
| CN118448006B (zh) | 一种用于骨科的患者康复方案推荐方法及系统 | |
| CN117122286B (zh) | 一种智能康复设备 | |
| Xie et al. | Lightweight Football Motion Recognition and Intensity Analysis Using Low‐Cost Wearable Sensors | |
| CN115830400B (zh) | 一种基于联邦学习机制的数据识别方法及其系统 | |
| US20230001266A1 (en) | Exercise menu evaluation apparatus, method, and computer readable medium |
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 |