CN115862807B - 基于机器学习的健身训练方法、系统、介质及电子设备 - Google Patents
基于机器学习的健身训练方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN115862807B CN115862807B CN202211069361.2A CN202211069361A CN115862807B CN 115862807 B CN115862807 B CN 115862807B CN 202211069361 A CN202211069361 A CN 202211069361A CN 115862807 B CN115862807 B CN 115862807B
- Authority
- CN
- China
- Prior art keywords
- training
- parameters
- level
- mode
- user
- 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
- 238000012549 training Methods 0.000 title claims abstract description 305
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000036314 physical performance Effects 0.000 claims description 14
- 210000000577 adipose tissue Anatomy 0.000 claims description 12
- 230000007105 physical stamina Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 210000003205 muscle Anatomy 0.000 claims description 9
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000010792 warming Methods 0.000 claims description 3
- 101000619542 Homo sapiens E3 ubiquitin-protein ligase parkin Proteins 0.000 claims 2
- 102000045222 parkin Human genes 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 230000037081 physical activity Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请的实施例提供了一种基于机器学习的健身训练方法、系统、计算机可读介质及电子设备。该基于机器学习的健身训练方法包括：获取用户的运动水平参数和身体机能参数，之后基于运动水平参数和身体机能参数，通过基于机器学习预先训练得到的体能运动模型确定与用户匹配的训练级别，通过获取用户的运动偏好信息从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，最后基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，上述方式能基于用户自身的运动水平和身体机能进行适配，确定合适的运动方式，并能结合用户的运动偏好生成对应的运动计划，提高了健身运动计划的个性化和适配性，进而有效提高运动效果。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种基于机器学习的健身训练方法、系统、计算机可读介质及电子设备。
背景技术
随着人们对健康生活方式的要求越来越高，很多人都通过健身的方式来提高自己的身体素质，但是很多健身机构都是针对各类人员通过统一的方式进行训练，从而导致各类人群无法达到合适的健身效果，甚至对身体造成一定的损害，这种方式导致健身方式无法进行个性化和适配性，进而造成健身效率低的问题。
发明内容
本申请的实施例提供了一种基于机器学习的健身训练方法、系统、计算机可读介质及电子设备，进而至少在一定程度上可以提高了健身运动计划的个性化和适配性，进而有效提高运动效果。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种基于机器学习的健身训练方法，包括：获取用户的运动水平参数和身体机能参数；其中，所述运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，所述身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数；基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别；获取用户的运动偏好信息，所述运动偏好信息包括运动目标、运动时间以及运动偏好方式；从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式；基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划。
在本申请的一些实施例中，基于前述方案，所述基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别之前，还包括：获取历史运动参数及其对应的级别标签；基于神经网络构建体能运动模型，并基于历史运动参数和级别标签对所述体能运动模型进行训练。
在本申请的一些实施例中，基于前述方案，所述基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，包括：基于所述运动水平参数和所述身体机能参数，确定所述用户对应的运动参数；将所述运动参数输入预先训练得到的体能运动模型，确定所述用户对应的训练级别，其中所述训练级别包括至少三个等级的训练方式。
在本申请的一些实施例中，基于前述方案，所述从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，包括：先基于训练级别，从数据库中获取所述训练级别对应的备选训练方式；对所述偏好方式进行量化处理，确定所述偏好方式对应的训练指数；其中所述训练指数用于表示训练强度；基于所述备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式。
在本申请的一些实施例中，基于前述方案，所述基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，包括：基于所述偏好方式确定用户的训练周期和训练时间；基于所述训练周期、训练时间以及所述训练方式，生成用户对应的训练计划。
根据本申请实施例的一个方面，提供了一种基于机器学习的健身训练系统，包括：
获取单元，用于获取用户的运动水平参数和身体机能参数；其中，所述运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，所述身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数；
确定单元，用于基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别；
偏好单元，用于获取用户的运动偏好信息，所述运动偏好信息包括运动目标、运动时间以及运动偏好方式；
匹配单元，用于从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式；
计划单元，用于基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划。
在本申请的一些实施例中，基于前述方案，所述系统还包括：
标签单元，用于获取历史运动参数及其对应的级别标签；
训练单元，用于基于神经网络构建体能运动模型，并基于历史运动参数和级别标签对所述体能运动模型进行训练。
在本申请的一些实施例中，基于前述方案，所述确定单元包括：
参数确定单元，用于基于所述运动水平参数和所述身体机能参数，确定所述用户对应的运动参数；
方式确定单元，用于将所述运动参数输入预先训练得到的体能运动模型，确定所述用户对应的训练级别，其中所述训练级别包括至少三个等级的训练方式。
在本申请的一些实施例中，基于前述方案，所述从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，包括：先基于训练级别，从数据库中获取所述训练级别对应的备选训练方式；对所述偏好方式进行量化处理，确定所述偏好方式对应的训练指数；其中所述训练指数用于表示训练强度；基于所述备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式。
在本申请的一些实施例中，基于前述方案，所述基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，包括：基于所述偏好方式确定用户的训练周期和训练时间；基于所述训练周期、训练时间以及所述训练方式，生成用户对应的训练计划。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其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如上述实施例中所述的基于机器学习的健身训练方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的基于机器学习的健身训练方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的基于机器学习的健身训练方法。
在本申请的一些实施例所提供的技术方案中，获取用户的运动水平参数和身体机能参数，之后基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，通过获取用户的运动偏好信息从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，最后基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，上述方式能基于用户自身的运动水平和身体机能进行适配，确定合适的运动方式，并能结合用户的运动偏好生成对应的运动计划，提高了健身运动计划的个性化和适配性，进而有效提高运动效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示意性示出了根据本申请的一个实施例的基于机器学习的健身训练方法的流程图。
图2示意性示出了根据本申请的一个实施例的模型训练的流程图。
图3示意性示出了根据本申请的一个实施例的基于机器学习的健身训练系统的示意图。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、系统、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图1示出了根据本申请的一个实施例的基于机器学习的健身训练方法的流程图。参照图1所示，该基于机器学习的健身训练方法至少包括步骤S110至步骤S150，详细介绍如下：
在步骤S110中，获取用户的运动水平参数和身体机能参数；其中，所述运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，所述身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数。
在本申请的一个实施例中，可以通过对用户进行体测的方式来获取用户的运动水平参数和身体机能参数。具体的，本实施例中的运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数；本实施例中身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数。
示例性的，在确定体脂参数时，可以依照成年女性的体脂率计算公式来获取到，其中，参数a=腰围（cm）×0.74；参数 b=体重（kg）×0.082+34.89，之后计算得到体脂参数（kg）=a－b。通过上述对用户身体机能参数的采集，可以对用户身体状态有基本的把控，由于之后的体能训练个性化。
在步骤S120中，基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别。
在本申请的一个实施例中，如图2所示，基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别之前，还包括：
S210，获取历史运动参数及其对应的级别标签；
S220，基于神经网络构建体能运动模型，并基于历史运动参数和级别标签对所述体能运动模型进行训练。
本实施例中在对体能运动模型进行训练的过程中，先获取历史运动参数，其中可以包括用户的各项数据，例如运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数等等。同时获取各历史运动参数对应的级别标签，这个级别标签可以是人为设定的、也可以是根据历史数据直接获得的。
本实施例中构建的体能运动模型，可以是基于卷积神经网络构建、也可以是基于决策树构建。示例性的，本实施例中在基于决策树构建体能运动模型时，可以将各个运动水平参数对应的数据类型作为决策树中的各个节点，并设定各节点的数据范围以及各数据范围对应的下一节点，以通过各个节点对应的数据范围对历史运动参数进行模拟训练，最后得到对应的分类结果，并将分类结果与历史运动数据对应的级别标签进行对比，根据对比结果来对决策树进行更新或者修正，例如对节点对应的数据范围或者其对应的子节点进行修正。
具体的，在对决策树进行训练时，本实施中基于历史运动参数得到的分类结果与设定的级别标签/>，计算第i轮模型训练对应的损失函数值/>为：
其中，表示预设的训练参数。上述公式中/>用于表示两个字符之间的绝对差异值、/>表示两个字符之间的矢量差异对应的损失参数，上述计算过程可以是基于字符的计算过程。本实施例中通过基于历史运动参数得到的分类结果与设定的级别标签，计算损失函数值，以在损失函数值大于或者等于设定阈值时对决策树进行修正，在小于设定阈值时，则表示模拟结果与正确结果差异较小无需对模型进行修正。通过上述方式可以提高模型分类的精确性，进而为用户提供合适的健身计划。
在本申请的一个实施例中，在训练得到体能运动模型之后，便可以将用户的实际数据输入至体能运动模型中，以得到与用户实际情况相符的训练级别。
在本申请的一个实施例中，基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，包括：
基于所述运动水平参数和所述身体机能参数，确定所述用户对应的运动参数；
将所述运动参数输入预先训练得到的体能运动模型，确定所述用户对应的训练级别，其中所述训练级别包括至少三个等级的训练方式。
在本申请一实施例中，可以先对运动水平参数和身体机能参数进行量化处理，得到各个数据标识对应的运动参数，同时还可以对出现错误的数据进行识别和修正，以避免模型识别发生错误。
本实施例中的训练级别可以包括至少三个等级，每个等级在各运动过程中对应的运动方式和运动强度都不同。示例性的，本实施例中第一级训练适用于最大摄氧量处于低水平人群、第二级训练适用于最大摄氧量处于一般水平和中等水平人群、第三级训练适用于最大摄氧量处于较好水平、高水平及以上人群。
在步骤S130中，获取用户的运动偏好信息，所述运动偏好信息包括运动目标、运动时间以及运动偏好方式。
在本申请的一个实施例中，用户都有自己的运动偏好方式，我们通过获取用户的运动偏好信息来确定用户具体的运动倾向性，本实施例中的运动偏好信息包括运动目标、运动时间以及运动偏好方式。其中，运动目标用于表示用户想要的训练结果，其中可以包括增肌、减脂或者塑性等等，运动时间可以包括运动次数、单次运动时长等信息，运动偏好方式可以包括有氧、无氧等运动方式。
在步骤S140中，从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式。
在本申请的一个实施例中，从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，包括：
先基于训练级别，从数据库中获取所述训练级别对应的备选训练方式；
对所述偏好方式进行量化处理，确定所述偏好方式对应的训练指数；其中所述训练指数用于表示训练强度；
基于所述备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式。
在本申请一实施例中，数据中的训练方式可以是根据训练级别对应关联存储的，我们在确定了用户的各种参数对应的训练级别之后，从数据艰库中获取训练级别对应的训练方式作为备选训练方式。之后由于用户会有自己的训练偏好，本实施例中将用户对应的偏好方式进行量化处理，具体的量化方式可以是对偏好方式进行分析，确定其对应的运动类型参数、运动强度参数/>、运动目标参数/>等信息，之后基于上述信息计算得到对应的训练指数/>为：
其中，表示训练因子，本实施例中基于运动类型参数作为指数参数、并结合运动强度参数和运动目标参数来综合评估的训练指数，以通过训练指数来量化和衡量用户的运动偏好和目标等信息。并在计算得到训练指数之后，基于备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式。通过上述方式便可以从数据库中选取完全满足用户身体运动需求并满足用户偏好需求的训练方式。
在步骤S150中，基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划。
在本申请的一个实施例中，基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，包括：
基于所述偏好方式确定用户的训练周期和训练时间；
基于所述训练周期、训练时间以及所述训练方式，生成用户对应的训练计划。
在本申请一实施例中，用户的偏好方式包括了用户根据自身需求确定的训练周期和训练时间，其中训练周期表示在设定时长内的训练周期，例如一周训练多少次等，训练时间表示一次训练的时间长度。本实施例中基于用户自己设定的训练周期和训练时间，并结合训练方式进行适配，生成用户对应的训练计划。
本实施例中的训练计划可以包括如下信息：训练周期、训练次数、训练时间，以及在训练过程中的热身、运动、放松三个部分分别对应的训练动作，例如柔韧性训练、力量训练、平衡训练和耐力训练等等。
在本申请的一些实施例所提供的技术方案中，获取用户的运动水平参数和身体机能参数，之后基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，通过获取用户的运动偏好信息从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，最后基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，上述方式能基于用户自身的运动水平和身体机能进行适配，确定合适的运动方式，并能结合用户的运动偏好生成对应的运动计划，提高了健身运动计划的个性化和适配性，进而有效提高运动效果。
在本申请的一些实施例所提供的技术方案中，获取用户的运动水平参数和身体机能参数，之后基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，通过获取用户的运动偏好信息从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，最后基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，上述方式能基于用户自身的运动水平和身体机能进行适配，确定合适的运动方式，并能结合用户的运动偏好生成对应的运动计划，提高了健身运动计划的个性化和适配性，进而有效提高运动效果。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的基于机器学习的健身训练方法。可以理解的是，所述装置可以是运行于计算机设备中的一个计算机程序（包括程序代码），例如该装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节，请参照本申请上述的基于机器学习的健身训练方法的实施例。
图3示出了根据本申请的一个实施例的基于机器学习的健身训练系统的框图。
参照图3所示，根据本申请的一个实施例的基于机器学习的健身训练系统，包括：
获取单元310，用于获取用户的运动水平参数和身体机能参数；其中，所述运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，所述身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数；
确定单元320，用于基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别；
偏好单元330，用于获取用户的运动偏好信息，所述运动偏好信息包括运动目标、运动时间以及运动偏好方式；
匹配单元340，用于从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式；
计划单元350，用于基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划。
在本申请的一些实施例中，基于前述方案，所述系统还包括：
标签单元，用于获取历史运动参数及其对应的级别标签；
训练单元，用于基于神经网络构建体能运动模型，并基于历史运动参数和级别标签对所述体能运动模型进行训练。
在本申请的一些实施例中，基于前述方案，所述确定单元包括：
参数确定单元，用于基于所述运动水平参数和所述身体机能参数，确定所述用户对应的运动参数；
方式确定单元，用于将所述运动参数输入预先训练得到的体能运动模型，确定所述用户对应的训练级别，其中所述训练级别包括至少三个等级的训练方式。
在本申请的一些实施例中，基于前述方案，所述从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，包括：先基于训练级别，从数据库中获取所述训练级别对应的备选训练方式；对所述偏好方式进行量化处理，确定所述偏好方式对应的训练指数；其中所述训练指数用于表示训练强度；基于所述备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式。
在本申请的一些实施例中，基于前述方案，所述基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，包括：基于所述偏好方式确定用户的训练周期和训练时间；基于所述训练周期、训练时间以及所述训练方式，生成用户对应的训练计划。
在本申请的一些实施例所提供的技术方案中，获取用户的运动水平参数和身体机能参数，之后基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，通过获取用户的运动偏好信息从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，最后基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，上述方式能基于用户自身的运动水平和身体机能进行适配，确定合适的运动方式，并能结合用户的运动偏好生成对应的运动计划，提高了健身运动计划的个性化和适配性，进而有效提高运动效果。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元（Central Processing Unit，CPU）401，其可以根据存储在只读存储器（Read-Only Memory，ROM）402中的程序或者从储存部分408加载到随机访问存储器（Random Access Memory，RAM）403中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（Input/Output，I/O）接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管（Cathode Ray Tube，CRT）、液晶显示器（Liquid Crystal Display，LCD）等以及扬声器等的输出部分407；包括硬盘等的储存部分408；以及包括诸如LAN（Local Area Network，局域网）卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元（CPU）401执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、闪存、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种基于机器学习的健身训练方法，其特征在于，包括：
获取用户的运动水平参数和身体机能参数；其中，所述运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，所述身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数；
基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别；
获取用户的运动偏好信息，所述运动偏好信息包括运动目标、运动时间以及运动偏好方式；
从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式；
基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划；
基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别之前，还包括：
获取历史运动参数及其对应的级别标签；
基于神经网络构建体能运动模型，并基于历史运动参数和级别标签对所述体能运动模型进行训练，在训练过程中，基于历史运动参数得到的分类结果Lab_mon与设定的级别标签Lab_she，计算第i轮模型训练对应的损失函数值Fun_los(i)为：
其中，ε表示预设的训练参数；
其中，从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，包括：
基于训练级别，从数据库中获取所述训练级别对应的备选训练方式；
对所述偏好方式进行量化处理，确定运动类型参数Par_kin、运动强度参数Par_hen、运动目标参数Par_aim，之后基于上述信息计算得到所述偏好方式对应的训练指数Par_exc为：
Par_exc＝θ·(Par_aim+Par_hen)·e-Par_kin
其中，θ表示训练因子，所述训练指数用于评估用户的运动偏好和目标；
基于所述备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式；
基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，包括：
基于所述偏好方式确定用户的训练周期和训练时间；
基于所述训练周期、训练时间以及所述训练方式，生成用户对应的训练计划，其中，所述训练计划包括：训练周期、训练次数、训练时间，以及在训练过程中的热身、运动、放松三个部分分别对应的训练动作。
2.根据权利要求1所述的方法，其特征在于，基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别，包括：
基于所述运动水平参数和所述身体机能参数，确定所述用户对应的运动参数；
将所述运动参数输入预先训练得到的体能运动模型，确定所述用户对应的训练级别，其中所述训练级别包括至少三个等级的训练方式。
3.一种基于机器学习的健身训练系统，其特征在于，包括：
获取单元，用于获取用户的运动水平参数和身体机能参数；其中，所述运动水平参数包括以下至少两种：耐力参数、肌肉力量参数、柔韧性参数以及稳定性参数，所述身体机能参数包括以下至少两种：体脂参数、维度参数以及心肺参数；
确定单元，用于基于所述运动水平参数和所述身体机能参数，通过基于机器学习预先训练得到的体能运动模型，确定与所述用户匹配的训练级别；
偏好单元，用于获取用户的运动偏好信息，所述运动偏好信息包括运动目标、运动时间以及运动偏好方式；
匹配单元，用于从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式；
计划单元，用于基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划；
所述系统还包括：
标签单元，用于获取历史运动参数及其对应的级别标签；
训练单元，用于基于神经网络构建体能运动模型，并基于历史运动参数和级别标签对所述体能运动模型进行训练，在训练过程中，基于历史运动参数得到的分类结果Lab_mon与设定的级别标签Lab_she，计算第i轮模型训练对应的损失函数值Fun_los(i)为：
其中，ε表示预设的训练参数；
其中，从数据库中进行匹配，获取所述训练级别和所述偏好方式对应的训练方式，包括：
基于训练级别，从数据库中获取所述训练级别对应的备选训练方式；
对所述偏好方式进行量化处理，确定运动类型参数Par_kin、运动强度参数Par_hen、运动目标参数Par_aim，之后基于上述信息计算得到所述偏好方式对应的训练指数Par_exc为：
Par_exc＝θ·(Par_aim+Par_hen)·e-Par_kin
其中，θ表示训练因子，所述训练指数用于评估用户的运动偏好的目标；
基于所述备选训练方式对应的训练指数，从备选训练方式中选取训练指数一致的训练方式；
基于所述偏好方式和所述训练方式，生成所述用户对应的训练计划，包括：
基于所述偏好方式确定用户的训练周期和训练时间；
基于所述训练周期、训练时间以及所述训练方式，生成用户对应的训练计划，其中，所述训练计划包括：训练周期、训练次数、训练时间，以及在训练过程中的热身、运动、放松三个部分分别对应的训练动作。
4.根据权利要求3所述的系统，其特征在于，所述确定单元包括：
参数确定单元，用于基于所述运动水平参数和所述身体机能参数，确定所述用户对应的运动参数；
方式确定单元，用于将所述运动参数输入预先训练得到的体能运动模型，确定所述用户对应的训练级别，其中所述训练级别包括至少三个等级的训练方式。
5.一种计算机可读介质，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2中任一项所述的基于机器学习的健身训练方法。
6.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至2中任一项所述的基于机器学习的健身训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211069361.2A CN115862807B (zh) | 2022-09-02 | 2022-09-02 | 基于机器学习的健身训练方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211069361.2A CN115862807B (zh) | 2022-09-02 | 2022-09-02 | 基于机器学习的健身训练方法、系统、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115862807A CN115862807A (zh) | 2023-03-28 |
| CN115862807B true CN115862807B (zh) | 2024-02-02 |
Family
ID=85660748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211069361.2A Active CN115862807B (zh) | 2022-09-02 | 2022-09-02 | 基于机器学习的健身训练方法、系统、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115862807B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109273069A (zh) * | 2018-08-30 | 2019-01-25 | 北京卡路里信息技术有限公司 | 体测数据的处理方法、装置、系统、存储介质、处理器 |
| CN109935299A (zh) * | 2019-04-12 | 2019-06-25 | 北京卡路里信息技术有限公司 | 一种训练计划的生成方法、装置、设备和存储介质 |
| CN110678932A (zh) * | 2017-06-16 | 2020-01-10 | 苹果公司 | 用于提供定制的锻炼相关推荐的技术 |
| CN110917580A (zh) * | 2018-09-20 | 2020-03-27 | 奇酷互联网络科技（深圳）有限公司 | 指导规范运动健身的方法、设备、存储介质及系统 |
| CN113241147A (zh) * | 2021-04-28 | 2021-08-10 | 厦门艾地运动科技有限公司 | 健身计划生成方法、装置及电子设备 |
| WO2021214553A1 (en) * | 2020-04-24 | 2021-10-28 | The Joan and Irwin Jacobs Technion-Cornell Institute | Treating mental health disorders using machine learning |
| CN113762336A (zh) * | 2021-07-28 | 2021-12-07 | 南京慕白科技有限公司 | 一种健身指导方法及系统 |
| WO2022077946A1 (zh) * | 2020-10-14 | 2022-04-21 | 新智数字科技有限公司 | 数据测量方法、装置、电子设备和计算机可读介质 |
| CN114417029A (zh) * | 2021-11-15 | 2022-04-29 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及存储介质 |
| CN114937485A (zh) * | 2022-07-21 | 2022-08-23 | 杭州萤石软件有限公司 | 一种健身指导的实现方法、装置、系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220016482A1 (en) * | 2019-05-10 | 2022-01-20 | Rehab2Fit Technologies Inc. | Method and System for Using Artificial Intelligence to Onboard a User for an Exercise Plan |
| US11904207B2 (en) * | 2019-05-10 | 2024-02-20 | Rehab2Fit Technologies, Inc. | Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains |
| US20220167929A1 (en) * | 2020-11-30 | 2022-06-02 | Kpn Innovations, Llc. | Methods and systems for determining the physical status of a subject |
-
2022
- 2022-09-02 CN CN202211069361.2A patent/CN115862807B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110678932A (zh) * | 2017-06-16 | 2020-01-10 | 苹果公司 | 用于提供定制的锻炼相关推荐的技术 |
| CN109273069A (zh) * | 2018-08-30 | 2019-01-25 | 北京卡路里信息技术有限公司 | 体测数据的处理方法、装置、系统、存储介质、处理器 |
| CN110917580A (zh) * | 2018-09-20 | 2020-03-27 | 奇酷互联网络科技（深圳）有限公司 | 指导规范运动健身的方法、设备、存储介质及系统 |
| CN109935299A (zh) * | 2019-04-12 | 2019-06-25 | 北京卡路里信息技术有限公司 | 一种训练计划的生成方法、装置、设备和存储介质 |
| WO2021214553A1 (en) * | 2020-04-24 | 2021-10-28 | The Joan and Irwin Jacobs Technion-Cornell Institute | Treating mental health disorders using machine learning |
| WO2022077946A1 (zh) * | 2020-10-14 | 2022-04-21 | 新智数字科技有限公司 | 数据测量方法、装置、电子设备和计算机可读介质 |
| CN113241147A (zh) * | 2021-04-28 | 2021-08-10 | 厦门艾地运动科技有限公司 | 健身计划生成方法、装置及电子设备 |
| CN113762336A (zh) * | 2021-07-28 | 2021-12-07 | 南京慕白科技有限公司 | 一种健身指导方法及系统 |
| CN114417029A (zh) * | 2021-11-15 | 2022-04-29 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及存储介质 |
| CN114937485A (zh) * | 2022-07-21 | 2022-08-23 | 杭州萤石软件有限公司 | 一种健身指导的实现方法、装置、系统 |
Non-Patent Citations (1)
| Title |
|---|
| 智能化运动训练计划系统的研究与设计;刘颖华;;微型电脑应用(第09期);56-59 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115862807A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fister et al. | Planning the sports training sessions with the bat algorithm | |
| CN108090218B (zh) | 基于深度强化学习的对话系统生成方法和装置 | |
| CN110008952B (zh) | 一种目标识别方法及设备 | |
| CN109960650B (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
| CN110020616B (zh) | 一种目标识别方法及设备 | |
| CN108310749B (zh) | 一种健身辅助设备、装置及存储介质 | |
| CN108288089A (zh) | 用于生成卷积神经网络的方法和装置 | |
| CN108874935A (zh) | 一种基于语音搜索的复习内容推荐方法及电子设备 | |
| CN113869594A (zh) | 用户体能成绩预测方法及装置、电子设备、存储介质 | |
| CN117035074A (zh) | 基于反馈强化的多模态知识生成方法及装置 | |
| CN115862807B (zh) | 基于机器学习的健身训练方法、系统、介质及电子设备 | |
| CN109858627B (zh) | 一种推理模型的训练方法、装置、电子设备及存储介质 | |
| CN111564197A (zh) | 一种体育运动智能分析系统及方法 | |
| CN116861259B (zh) | 奖励模型的训练方法和装置、存储介质及电子设备 | |
| CN110489435B (zh) | 基于人工智能的数据处理方法、装置、及电子设备 | |
| CN107944754A (zh) | 康复治疗质量评定的方法、装置、存储介质及电子设备 | |
| CN116596073A (zh) | 基于推理路径的自然语言推理方法、装置及设备 | |
| CN112700270B (zh) | 评分数据处理方法、装置、设备及存储介质 | |
| CN113940640A (zh) | 心血管疾病风险控制方法、系统及存储介质 | |
| Kumyaito et al. | Intelligence planning for aerobic training using a genetic algorithm | |
| CN110349664B (zh) | 基于循环神经网络的肿瘤预测装置、终端设备及存储介质 | |
| CN113627513A (zh) | 一种训练数据生成方法、系统、电子设备及存储介质 | |
| L'Ecuyer | Non-uniform Random Variate Generations. | |
| CN114862431A (zh) | 广告转化特征的预测方法、装置 | |
| CN112437349A (zh) | 一种视频流推荐方法及相关装置 |
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 |