CN116439712A - 耐力评估方法及装置、计算机可读存储介质、终端 - Google Patents
耐力评估方法及装置、计算机可读存储介质、终端 Download PDFInfo
- Publication number
- CN116439712A CN116439712A CN202310355694.XA CN202310355694A CN116439712A CN 116439712 A CN116439712 A CN 116439712A CN 202310355694 A CN202310355694 A CN 202310355694A CN 116439712 A CN116439712 A CN 116439712A
- Authority
- CN
- China
- Prior art keywords
- evaluated
- movement
- target
- duration
- determining
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 82
- 230000033001 locomotion Effects 0.000 claims abstract description 279
- 230000001133 acceleration Effects 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 65
- 230000037080 exercise endurance Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 25
- 210000003141 lower extremity Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002564 cardiac stress test Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 23
- 238000002372 labelling Methods 0.000 description 11
- 210000003205 muscle Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003797 telogen phase Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005526 G1 to G0 transition Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 229920008651 Crystalline Polyethylene terephthalate Polymers 0.000 description 1
- 208000029549 Muscle injury Diseases 0.000 description 1
- 206010061363 Skeletal injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011947 six minute walk test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physical Education & Sports Medicine (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种耐力评估方法及装置、计算机可读存储介质、终端，方法包括：确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；基于预设的第一间隔时长以及第一加速度阈值，确定多个目标波峰和目标波谷；对每个目标波谷，确定与当前目标波谷相邻的前一个与后一个目标波峰；如果所确定的两个目标波峰的时间间隔小于等于预设的第二间隔时长，则基于第一目标波峰确定当前次待评估运动的开始时刻，以及基于第二目标波峰确定当前次待评估运动的结束时刻；根据各次的开始时刻和结束时刻，确定耐力指标；其中，第一间隔时长小于等于第二间隔时长。上述方案有助于在提高耐力评估的效率的基础上，提升评估结果的准确度和可信度。
Description
技术领域
本发明涉及运动耐力评测技术领域，尤其涉及一种耐力评估方法及装置、计算机可读存储介质、终端。
背景技术
人体肌肉的运动耐力一定程度上可以反映人体的肌肉控制能力，在人们的日常工作、生活中，以及各类运动中都有着非常重要的作用。例如，人体的下肢运动耐力好坏可以直接影响到日常的走路、跑步、爬楼梯等。基于此，对人体的下肢运动耐力进行评估，有助于避免因功能不足造成的意外损伤。此外，通过对运动员训练前后的下肢运动耐力进行评估，也能够及时了解运动效果，适时调整训练方案。
现有技术中，常用的运动耐力评估方法往往采用运动耐力评估量表并基于患者的主观报告来评估。这种方法存在评估敏感性低、问题表述的感知个体差异较大的问题，从而导致评估结果的准确度和可信度不足。另一种常用的评估方法是进行一定时长内的步行测试。这种方法需要特定的场地，且通常还需相关专业人员在场，测试的成本较高、便利性和效率较低。
发明内容
本发明实施例解决的技术问题是如何在提高耐力评估的效率的基础上，提升评估结果的准确度和可信度。
为解决上述技术问题，本发明实施例提供一种耐力评估方法，包括以下步骤：确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；其中，所述第一间隔时长小于等于所述第二间隔时长。
可选的，所述基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷，包括：从所述加速度信号的波峰中选取满足每相邻两个波峰的间隔时长大于等于所述第一间隔时长，且加速度值大于所述第一加速度阈值的波峰，作为所述目标波峰；在每相邻两个所述目标波峰之间确定加速度值最小且小于所述第一加速度阈值的波谷，作为所述目标波谷。
可选的，所述第一加速度阈值是采用预设权重比例，对所述加速度信号的平均值和标准差进行加权运算得到的。
可选的，所述基于所述第一目标波峰确定当前次待评估运动的开始时刻，包括：将与所述第一目标波峰相邻的前一个波谷所属的时刻，或者，将在所述第一目标波峰之前的最后一个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的开始时刻。
可选的，所述基于所述第二目标波峰确定当前次待评估运动的结束时刻，包括：将与所述第二目标波峰相邻的后一个波谷所属的时刻，或者，将在所述第二目标波峰之后的首个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的结束时刻。
可选的，所述评估对象进行所述待评估运动的耐力指标，包括以下一项或多项：所述评估对象在所述第一运动时长内进行各次待评估运动的平均运动时长、中位运动时长、变异性参数、单次最长运动时长、单次最短运动时长、运动时长偏度、运动时长峰度、运动时长四分位距、运动时长绝对误差中位数、运动时长均方根、运动时长标准差、运动时长方差、运动时长的经验分布函数百分位数、运动时长的经验分布函数斜率。
可选的，所述耐力指标为所述评估对象在所述第一运动时长内进行各次待评估运动的变异性参数；根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标，包括：根据各次待评估运动的开始时刻和结束时刻，确定各次待评估运动的实际运动时长；根据各次待评估运动的实际运动时长，确定各次待评估运动的平均运动时长以及运动时长标准差；对各次待评估运动的平均运动时长以及运动时长标准差进行求商，以得到所述评估对象进行各次待评估运动的变异性参数。
可选的，所述确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号，包括：采集所述评估对象在所述第一运动时长内进行所述多次待评估运动的三轴加速度信号；对所述三轴加速度信号进行求模运算，以确定所述加速度信号。
可选的，在确定所述加速度信号之后，所述方法还包括：对所述加速度信号进行降噪处理以及光滑处理。
可选的，在确定所述评估对象进行所述待评估运动的耐力指标之后，所述方法还包括：将所述耐力指标，输入预训练的下肢运动耐力预测模型，以确定所述评估对象的下肢运动耐力等级；其中，所述预训练的下肢运动耐力预测模型是采用多个样本对象进行所述待评估运动的耐力指标作为训练样本数据，对机器学习模型进行训练得到的。
可选的，所述预训练的下肢运动耐力预测模型的训练样本数据还包括第一标注数据，所述第一标注数据包含所述多个样本对象在预设的第二运动时长的步行距离；在确定所述评估对象的下肢运动耐力等级时，一并确定对应的步行距离。
可选的，所述预训练的运动耐力预测模型的训练样本数据还包括第二标注数据，所述第二标注数据包含所述多个样本对象的心肺运动试验指标；在确定所述评估对象的运动耐力等级时，一并确定对应的心肺运动试验指标。
可选的，所述耐力指标为下肢运动耐力指标；所述待评估运动选自：坐站运动、深蹲运动、蹲跳运动以及纵跳运动。
本发明实施例还提供一种耐力评估装置，包括：加速度信号确定模块，用于确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；波峰波谷确定模块，基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；目标波峰确定模块，对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；开始时刻和结束时刻确定模块，用于如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；耐力指标确定模块，用于根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；其中，所述第一间隔时长小于等于所述第二间隔时长。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述耐力评估方法的步骤。
本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述耐力评估方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例提供一种耐力评估方法，确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；其中，所述第一间隔时长小于等于所述第二间隔时长。
在本发明实施例中，通过设置所述预设的第一间隔时长以及第一加速度阈值，有机会剔除所述加速度信号中间隔时长不合适或者加速度值不合适的波峰(无效波峰)，从而有助于筛选出能够准确反映运动过程中实际加速度和减速度状态的多个目标波峰和多个目标波谷。进一步，如果所述第一目标波峰与所述第二目标波峰的时间间隔太长(小于等于预设的第二间隔时长)，意味着这段时长内所述评估对象很可能未有效进行所述待评估运动(例如，分心或其他原因暂停)。基于此，本实施方案在已剔除无效波峰的基础上，通过设置所述预设的第二间隔时长，可以进一步剔除所确定的多个目标波峰中，间隔时长过长的目标波峰。由此，有助于提高所确定的各次待评估运动的开始时刻和结束时刻的准确性，进而提高耐力评估结果的准确性。
进一步，所述基于所述第一目标波峰确定当前次待评估运动的开始时刻，包括：将与所述第一目标波峰相邻的前一个波谷所属的时刻，或者，将在所述第一目标波峰之前的最后一个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的开始时刻。在实际应用中，由于相邻两次运动之间(比如坐站运动中，前一次坐站结束至当前次坐站开始的中间过程)通常存在一定的非运动时长(也可称为干扰时长)，例如，相邻两次运动之间的静止阶段，采用本实施方案，可以去除当前次运动开始之前的干扰时长，以获取有效的“脱水”数据，提高后续所确定的耐力指标的准确性和可靠性。
进一步，所述确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号，包括：采集所述评估对象在所述第一运动时长内进行所述多次待评估运动的三轴加速度信号；对所述三轴加速度信号进行求模运算，以确定所述加速度信号。在本发明实施例中，通过求模运算，将所述三轴加速度信号中存在多个方向的加速度矢量，转换为具有单一方向的加速度标量，可以去除各次待评估运动的方向性带来的影响，聚焦至待评估运动的主要移动方向上(例如，坐站运动中的竖直方向上)，从而进一步提高耐力评估的准确性。
进一步，所述预训练的下肢运动耐力预测模型的训练样本数据还包括标注数据，所述标注数据包含所述多个样本对象在预设的第二运动时长的步行距离；在确定所述评估对象的下肢运动耐力等级时，一并确定对应的步行距离。在本发明实施例中，一方面，通过将可能包含多项数据的运动耐力指标，转换为运动耐力等级以及所述第二运动时长的步行距离，可以增强对评估结果的直观感受，提高用户体验度；另一方面，在特定的应用场景中，比如在对运动员的步行竞技训练中，通过获取不同训练阶段的所述步行距离，可以更加直观、快速地分析与监测各阶段的训练效果，并进一步有针对性地改进训练方案。
附图说明
图1是本发明实施例中一种耐力评估方法的流程图；
图2是图1中步骤S12的一种具体实施方式的流程图；
图3是本发明实施例中从加速度信号中确定目标波峰的示意图；
图4是本发明实施例中从加速度信号中确定目标波谷的示意图；
图5是本发明实施例中从加速度信号中确定单次待评估运动的开始时刻和结束时刻的示意图；
图6是图1中步骤S15的一种具体实施方式的流程图；
图7是本发明实施例中一种耐力评估装置的结构示意图。
具体实施方式
如背景技术所言，对人体的肌肉运动耐力进行评估具有重要意义。
现有技术中，常用的运动耐力评估方法往往采用运动耐力评估量表并基于患者的主观报告来评估。这种方法存在评估敏感性低、问题表述的感知个体差异较大的问题，从而导致评估结果的准确度和可信度不足。另一种常用的评估方法是进行一定时长内的步行测试。这种方法需要特定的场地，且通常还需相关专业人员在场，测试的成本较高、便利性和效率较低。
为解决上述技术问题，本发明实施例提供一种耐力评估方法，具体包括：确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；其中，所述第一间隔时长小于等于所述第二间隔时长。
由上，在本发明实施例中，通过预设的第一间隔时长以及所述第一加速度阈值，有机会剔除所述加速度信号中间隔时长不合适或者加速度值不合适的波峰(无效波峰)，从而有助于筛选出能够准确反映运动过程中实际加速度和减速度状态的多个目标波峰和多个目标波谷。进一步，如果所述第一目标波峰与所述第二目标波峰的时间间隔太长(小于等于预设的第二间隔时长)，意味着这段间隔时长内所述评估对象很可能未进行有效的待评估运动(例如，分心或其他原因暂停)。基于此，在已经剔除无效波峰的基础上，通过所述预设的第二间隔时长，可以进一步剔除所确定的多个目标波峰中间隔时长过长的目标波峰。由此，有助于提高所确定的各次待评估运动的开始时刻和结束时刻的准确性，进而提高耐力评估结果的准确性。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细说明。
参照图1，图1是本发明实施例中一种耐力评估方法的流程图。所述方法可以包括步骤S11至步骤S14：
步骤S11：确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；
步骤S12：基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；
步骤S13：对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；
步骤S14：如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；
步骤S15：根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标。
其中，所述第一间隔时长小于等于所述第二间隔时长。
在步骤S11的具体实施中，所述评估对象例如可以包括运动员、健身人群、患有肌肉相关疾病或存在肌肉相关疾病患病风险的人群、肌肉处于发育阶段的儿童等，也可以包括其他存在肌肉耐力评估需求的各类对象，比如健康的成年人。
所述待评估运动可以是存在两个相反的运动方向的各种运动，在其中一个运动方向上(可称为第一运动方向)存在先加速后减速直至停止的过程，在另一个运动方向(可称为第二运动方向)上也存在先加速后减速直至停止的过程。在第一运动方向和第二运动方向上，均先后存在最大的加速度和最大的减速度。
非限制性地，所述待评估运动可以选自：坐站运动、深蹲运动、蹲跳运动以及纵跳运动等。在上述所列举的待评估运动的示例中，所使用的身体部位主要是下肢，因此对应的耐力指标具体可以指下肢运动耐力指标，或称为下肢部位的肌肉耐力指标。其中，下肢可以是指人体腹部以下部分，例如，可以包括臀部、股部、膝部、胫部和足部。
在具体实施中，所述第一运动时长可以根据所述评估对象的年龄、肌肉健康状态以及耐力评估的目的等等进行适当设置。可以理解的是，在大多数应用场景中，所述第一运动时长不应过长，否则运动强度过大容易出现过度疲劳、肌肉或骨骼受伤等风险；所述第一运动时长也不应过短，否则无法获取足够的评估数据，导致评估结果的准确性和可靠性降低。
在一些实施例中，可以选取[30s，90s]中的适当时长作为所述第一运动时长，例如，设置所述第一运动时长为60s。
进一步地，所述步骤S11可以包括：采集所述评估对象在所述第一运动时长内进行所述多次待评估运动的三轴加速度信号(通常表现为连续信号)；对所述三轴加速度信号进行求模运算，以确定所述加速度信号。
具体地，采集所述三轴加速度信号的采样率可以结合实际运算数据量以及运算效率的需求等进行适当设置，例如，可以设置为20Hz。
在本发明实施例中，通过对所述三轴加速度信号进行求模运算，可以将具有多个方向的加速度矢量，转换为具有单一方向的加速度标量。由此，可以有效去除各次待评估运动的方向性带来的影响，聚焦至待评估运动的主要移动方向上(例如，坐站运动中的竖直方向上)，从而进一步提高耐力评估的准确性。
更进一步地，在确定所述加速度信号之后，所述方法还包括：对所述加速度信号进行降噪处理以及光滑处理。
具体地，可以采用有限脉冲响应(Finite Impulse Response，FIR)低通滤波算法、无限脉冲响应(Infinite Impulse Response，IIR)低通滤波算法、移动平均滤波算法等滤波算法中的一项或多项，或者采用其他适当滤波算法进行降噪处理以及光滑处理。其中，当FIR低通滤波算法进行降噪处理时，可以设置截止频率为8Hz；当采用移动平均滤波算法进行光滑处理时，可以设置窗宽度为0.35秒。
在本发明实施例中，通过对所述加速度信号进行降噪处理以及光滑处理，有助于过滤掉所述加速度信号中的噪声数据，改善用于后续数据处理与分析的加速度信号的质量，进而提高评估结果的准确度和可信度。
在步骤S12的具体实施中，所述第一间隔时长，用于指示所确定的相邻两个目标波峰之间应满足的最短间隔时长。具体可以指，所述评估对象在进行单次待评估运动过程中，在朝第一运动方向运动的最大加速度所属时刻与朝第二运动方向运动的最大减速度所属时刻之间，应满足的最短间隔时长。
以坐站运动为例，就单次坐站而言，所述第一间隔时长具体可以指，所述评估对象在站起来过程中的最大加速度所属的时刻与坐下去过程中的最大减速度所属的时刻之间，应满足的最短间隔时长。
可以理解的是，在所述加速度信号中，如果相邻两个波峰之间的间隔时长过短，则可能意味着这两个波峰可能是采集中产生的噪声数据，或者，对应的单次运动不合格(例如，在某次坐站中，刚起身立即坐下，坐站并未完整、有效进行)。因此，通过所述第一间隔时长，可以剔除这类无效的波峰。
在具体实施中，所述第一间隔时长的具体数值，可以结合实际应用进行设置，例如可以结合所述评估对象的年龄、运动部位(例如，下肢)的健康状态、耐力评估历史相关数据等因素进行设置。非限制性地，可以选取[0.3秒，1.3秒]中的适当数值作为所述第一间隔时长。
所述第一加速度阈值，可以用于指示所确定每个目标波峰应满足的最小加速度值。具体可以指，所述评估对象在进行单次待评估运动过程中，在朝第一运动方向运动的最大加速度应满足的最小数值，以及在朝第二运动方向运动的最大减速度应满足的最大数值。
在具体实施中，所述第一加速度阈值可以是采用预设权重比例，对所述加速度信号的平均值和标准差进行加权运算得到的。
其中，平均值可以表示所述加速度信号中各个时刻的加速度值的平均水平，而标准差可以表示各个时刻的加速度值围绕着该平均值的波动情况。因此，在本发明实施例中，采用两者的加权运算结果作为所述第一加速度阈值，有助于从所述加速度信号的各个波峰中剔除掉加速度值太小的波峰(这类波峰可能是噪声数据，也可能是无效运动产生的波峰等)，提高所确定的目标波峰的准确性。
非限制性地，所述预设的权重比例可以选自[4/5：5/4]，例如，可以设置所述权重比例为5/4(即1：0.8)。
参照图2，图2是图1中步骤S12的一种具体实施方式的流程图。所述步骤S12具体可以包括步骤S21至步骤S22。
在步骤S21中，从所述加速度信号的波峰中选取满足每相邻两个波峰的间隔时长大于等于所述第一间隔时长，且加速度值大于所述第一加速度阈值的波峰，作为所述目标波峰。
在步骤S22中，在每相邻两个所述目标波峰之间确定加速度值最小且小于所述第一加速度阈值的波谷，作为所述目标波谷。
进一步地，在所述步骤S21之前，可以先对所述加速度信号进行波峰和波谷检测，以检测出多个待筛波峰和多个待筛波谷。关于在连续信号中进行波峰和波谷检测，可以采用现有的常规方法，此处不做赘述。
在检测出多个待筛波峰和多个待筛波谷之后，执行上述步骤S21、S22，可以从所述待筛波峰中剔除间隔时长小于所述第一间隔时长，或加速度值小于等于所述第一加速度阈值的波峰(无效波峰)，以及从所述待筛波谷中剔除加速度值大于所述第一加速度阈值的波谷(无效波谷)。由此，有助于筛选出能够准确反映运动过程中实际加速度和减速度状态的所述多个目标波峰和多个目标波谷。
参照图3和图4，图3是本发明实施例中从加速度信号中确定目标波峰的示意图，图4是本发明实施例中从加速度信号中确定目标波谷的示意图。
非限制性地，图3、图4所示加速度信号可以为评估对象在所述第一运动时长内进行多次坐站运动的加速度信号的一部分，该加速度信号可以是对采集的原始的三轴加速度进行求模运算，然后进行降噪和光滑处理得到的。其中，横坐标可以表示时间t(或采样时间)，纵坐标表示实际加速度值a(或者也可以表示实际加速度值a与重力加速度g的叠加值)。图3和图4的各个坐标中的横虚线均表示所述第一加速度阈值。
在图3中，每个小圆点标注的位置是从所述加速度信号中确定的多个目标波峰位置。
在图4上方的坐标中，每个小圆点的位置是从每相邻两个目标波峰之间确定加速度值最小的波谷位置，其中包含有多个属于相邻两次坐站间的非运动时间(例如静止阶段)对应的波谷，即，无效波谷。
在图4下方的坐标中，每个小圆点是从左侧确定的波谷中剔除掉加速度值大于所述第一加速度阈值的波谷(例如，各个静止阶段对应的波谷)之后，得到的多个目标波谷位置，筛选出的各个目标波谷能够较为准确地反映各次坐站中，站起来过程的最大减速度情况。
在步骤S13的具体实施中，对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰。
以坐站运动为例，当前次目标波谷所属的时刻可以指当前次坐站中，站起来过程中的最大减速度所属的时刻；与当前目标波谷相邻的前一个目标波峰所属的时刻，可以指当前次坐站中，站起来过程中的最大加速度所属的时刻；与当前目标波谷相邻的后一个目标波峰所属的时刻，可以指当前次坐站中，坐下去过程中的最大减速度。
在步骤S14的具体实施中，就单次待评估运动而言(例如，单次坐站)如果所述第一目标波峰与所述第二目标波峰的时间间隔太长(大于预设的第二间隔时长)，则意味着这段间隔时长内所述评估对象很可能未有效进行所述待评估运动(例如，分心或其他原因暂停)，因此这段间隔时长内的采样数据应予以剔除掉。
其中，所述第二间隔时长大于等于所述第一间隔时长。在具体实施中，所述第二间隔时长的具体数值，可以结合实际应用进行设置。非限制性地，可以选取为[2.5s，4s]中的适当数值作为所述第二间隔时长。例如，可以设置所述第二间隔时长为3s。
在本发明实施例中，在通过上述步骤S12剔除无效波峰的基础上，通过所述预设的第二间隔时长，可以进一步剔除所确定的多个目标波峰中，间隔时长过长的目标波峰。由此，有助于提高后续所确定的各次待评估运动的开始时刻和结束时刻的准确性，进而提高耐力评估结果的准确性。
进一步地，所述步骤S14中，基于所述第一目标波峰确定当前次待评估运动的开始时刻，包括：将与所述第一目标波峰相邻的前一个波谷所属的时刻，或者，将在所述第一目标波峰之前的最后一个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的开始时刻。
进一步地，所述步骤S15中，所述基于所述第二目标波峰确定当前次待评估运动的结束时刻，包括：将与所述第二目标波峰相邻的后一个波谷所属的时刻，或者，将在所述第二目标波峰之后的首个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的结束时刻。
在具体实施中，当前次待评估运动的开始时刻与结束时刻的组合可能存在下面描述的四种情形：
情形一：当前次待评估运动的开始时刻是与所述第一目标波峰相邻的前一个波谷所属的时刻，当前次待评估运动的结束时刻是与所述第二目标波峰相邻的后一个波谷所属的时刻；
情形二：当前次待评估运动的开始时刻是与所述第一目标波峰相邻的前一个波谷所属的时刻，当前次待评估运动的结束时刻是在所述第二目标波峰之后的首个小于等于所述加速度信号的平均值的加速度值所属的时刻；
情形三：当前次待评估运动的开始时刻是在所述第一目标波峰之前的最后一个小于等于所述加速度信号的平均值的加速度值所属的时刻，当前次待评估运动的结束时刻是与所述第二目标波峰相邻的后一个波谷所属的时刻；
情形四：当前次待评估运动的开始时刻是在所述第一目标波峰之前的最后一个小于等于所述加速度信号的平均值的加速度值所属的时刻，当前次待评估运动的结束时刻是在所述第二目标波峰之后的首个小于等于所述加速度信号的平均值的加速度值所属的时刻。
参照图5，图5是本发明实施例中从加速度信号中确定单次待评估运动的开始时刻和结束时刻的示意图。非限制性地，图5所示加速度信号对应的待评估运动为坐站运动。
其中，横坐标可以表示时间t(或采样时间)，纵坐标表示实际加速度值a(或者也可以表示实际加速度值与重力加速度g的叠加值)，图5所示坐标中的横虚线表示所述加速度信号的平均值。
其中，在当前次坐站中，当前目标波谷为A1，与A1相邻的前一个目标波峰为B1(即，第一目标波峰)，与A1相邻的后一个目标波峰为C1(即，第二目标波峰)。在相邻的前一次坐站中，目标波谷为A2，与A2相邻的前一个目标波峰为B2，与A2相邻的后一个目标波峰为C2。在相邻的后一次坐站中，目标波谷为A3，与A3相邻的前一个目标波峰为B3，与A3相邻的后一个目标波峰为C3。
具体地，A1所属的时刻t1为当前次坐站中，站起来过程中的最大减速度所属的时刻；B1所属的时刻t2为当前次坐站中，站起来过程中的最大加速度所属的时刻；C1所属的时刻t3为当前次坐站中，站起来过程中的最大减速度所属的时刻。
同理，A2所属的时刻t4为前一次坐站中，站起来过程中的最大减速度所属的时刻；B2所属的时刻t5为前一次坐站中，站起来过程中的最大加速度所属的时刻；C2所属的时刻t6为前一次坐站中，站起来过程中的最大减速度所属的时刻。
同理，A3所属的时刻t7为后一次坐站中，站起来过程中的最大减速度所属的时刻；B3所属的时刻t8为后一次坐站中，站起来过程中的最大加速度所属的时刻；C3所属的时刻t9为后一次坐站中，站起来过程中的最大减速度所属的时刻。
基于坐站运动本身的运动原理以及图5中示出的所述加速度信号的变化趋势，可以理解的是，当前次坐站的开始时刻应当位于t6至t2之间，该段时间间隔内包含前一次坐站结束至当前次坐站开始之间的非运动时间(例如，静止阶段)；当前次坐站的结束时刻应当位于t3至t8之间，该段时间间隔内包含当前次坐站结束至下一次坐站开始之间的非运动时间(例如，静止阶段)。
具体地，确定当前次坐站的开始时刻的方案可以包括如下过程：从所述第一目标波峰B1起向前检测，当检测到波谷D1时，将检测到的该波谷D1所属的时刻，作为当前次坐站的开始时刻，或者，当检测到小于等于所述加速度信号的平均值的加速度值时，将检测到的该加速度值所属的时刻，作为当前次坐站的开始时刻。(例如，图5所示波形图中，可以将波谷D1所属的时刻T1作为当前次坐站的开始时刻。)
相应地，当前次坐站的结束时刻的方案可以包括如下过程：从所述第二目标波峰C1起向后检测，当检测到波谷时，将检测到的该波谷所属的时刻，作为当前次坐站的开始时刻，或者，当检测到小于等于所述加速度信号的平均值的加速度值时(对应图5中的D2位置)，将D2所属的时刻，作为当前次坐站的结束时刻。(例如，图5所示波形图中，可以将D2所属的时刻T2作为当前次坐站的结束时刻。)
在实际应用中，由于相邻两次运动之间通常存在一定的非运动时长(也可称为干扰时长)，如图5所示实施例中，在t6至t2之间，该段时间间隔内包含前一次坐站结束至当前次坐站开始之间的非运动时间(例如，静止阶段)；以及在t3至t8之间，该段时间间隔内包含当前次坐站结束至下一次坐站开始之间的非运动时间(例如，静止阶段)。因此，在本发明实施例中，采用上述方案确定各次待评估运动的开始时刻和结束时刻，可以去除当前次运动开始之前以及当前次运动结束之后的干扰时长，以获取有效的“脱水”数据，提高后续所确定的耐力指标的准确性和可靠性。
在步骤S15的具体实施中，根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标。
非限制性地，所述评估对象进行所述待评估运动的耐力指标，可以包括以下一项或多项：所述评估对象在所述第一运动时长内进行各次待评估运动的平均运动时长、中位运动时长、变异性参数、单次最长运动时长、单次最短运动时长、运动时长偏度(Skewness)、运动时长峰度(Kurtosis)、运动时长四分位距(Interquartile Range，IQR)、运动时长绝对误差中位数(Mean Absolute Deviation)、运动时长均方根(Root Mean Square)、运动时长标准差(Standard Deviation)、运动时长方差(Variance)、运动时长的经验分布函数百分位数(Empirical Distribution Function Percentile Count)、运动时长的经验分布函数斜率(ECDF Slope)。
在本发明实施例中，在准确确定所述评估对象进行各次待评估运动的开始时刻与结束时刻之后，可以基于每次结束时刻与开始时刻的差值确定每次待评估运动的运动时长；然后再采用各次待评估运动的运动时长进行不同的数学运算或函数拟合，得到上述列举的耐力指标中的一项或多项，或者还可以得到其他参数作为耐力指标，从而有助于从多维度对所述待评估对象的运动耐力进行精细化地评估。
参照图6，图6是图1中步骤S15的一种具体实施方式的流程图。本实施例中，所述耐力指标为所述评估对象在所述第一运动时长内进行各次待评估运动的变异性参数。所述步骤S15具体可以包括步骤S61至步骤S63。
在步骤S61中，根据各次待评估运动的开始时刻和结束时刻，确定各次待评估运动的实际运动时长。
具体地，对于每次待评估运动，可以根据该次待评估运动的结束时刻与开始时刻的差值，确定所述评估对象进行该次待评估运动的实际运动时长。所述实际运动时长，是剔除掉相邻的两次运动之间的非运动时长(或称为干扰时长)，例如，静止阶段对应的时长之后，得到的能够表征每次待评估运动的实际运动过程所需要的时长。
在步骤S62中，根据各次待评估运动的实际运动时长，确定各次待评估运动的平均运动时长以及运动时长标准差。
在步骤S63中，对各次待评估运动的平均运动时长以及运动时长标准差进行求商，以得到所述评估对象进行各次待评估运动的变异性参数。
具体地，可以采用下述公式，确定所述变异性参数：
其中，cv用于指示所述变异性参数，δ用于指示各次待评估运动的平均运动时长，μ用于指示各次待评估运动的运动时长标准差。
其中，所述变异性参数可以表征所述评估对象进行各次待评估运动的运动时长的离散程度，是耐力评估的重要参数之一。所述变异性参数的数值越大，离散程度越大，各次待评估运动的运动时长变化越不稳定，意味着所述评估对象的评估部位的肌肉耐力或控制能力越差；相反地，所述变异性参数的数值越小，离散程度越小，各次待评估运动的运动时长变化越稳定，意味着所述评估对象的评估部位的肌肉耐力或控制能力越好。
进一步地，在确定所述评估对象进行所述待评估运动的耐力指标之后，所述方法还包括：将所述耐力指标，输入预训练的运动耐力预测模型，以确定所述评估对象的运动耐力等级；其中，所述预训练的运动耐力预测模型是采用多个样本对象进行所述待评估运动的耐力指标作为训练样本数据，对机器学习模型进行训练得到的。
在一种具体实施方式中，所述预训练的运动耐力预测模型的训练样本数据还包括第一标注数据，所述第一标注数据包含所述多个样本对象在预设的第二运动时长的步行距离；在确定所述评估对象的运动耐力等级时，一并确定对应的步行距离。
在具体实施中，所述第二运动时长可以为6分钟。例如，采用若干个样本对象在进行6分钟步行试验(6Minute Walking Test，6MWT)中的步行距离，作为所述标注数据。其中，6分钟步行距离是运动耐力评估领域的一项重要指标。
在另一种具体实施方式中，所述预训练的运动耐力预测模型的训练样本数据还包括第二标注数据，所述第二标注数据包含所述多个样本对象的心肺运动试验指标；在确定所述评估对象的运动耐力等级时，一并确定对应的心肺运动试验指标。
具体地，可以采用多个样本对象在预设的第二运动时长的步行距离(即，所述第一标注数据)和/或所述多个样本对象的心肺运动试验(Cardiopulmonary ExerciseTesting，CPET)指标(即，所述第二标注数据)，对所述训练样本数据进行标注后，将标注后的训练样本数据输入所述机器学习模型进行训练，以得到所述运动耐力预测模型。
在一些非限制性实施例中，所述机器学习模型可以选自：多元线性回归模型、随机森林模型以及广义相加模型(Generalized Additive Model，GAM)、样条(spline)模型等非线性模型。在本发明实施例中，一方面，通过将可能包含多项数据的运动耐力指标，转换为对应的运动耐力等级、所述第二运动时长的步行距离或心肺运动试验指标，可以增强对评估结果的直观感受，提高用户体验度；另一方面，在特定的应用场景中，比如在对运动员的步行竞技训练中，通过获取不同训练阶段的所述步行距离，可以更加直观、快速地分析与监测各阶段的训练效果，并进一步有针对性地改进训练方案。或者，在对老年群体的运动耐力评估场景中，既可以获取直观的运动耐力等级，也可以直观获取评估对象的心肺运动试验指标，并结合其他参数对心肺功能进行分析监测。
参照图7，图7是本发明实施例中一种耐力评估装置的结构示意图。所述装置可以包括：
加速度信号确定模块71，用于确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；
波峰波谷确定模块72，基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；
目标波峰确定模块73，对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；
运动时间确定模块74，用于如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；
耐力指标确定模块75，用于根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；
其中，所述第一间隔时长小于等于所述第二间隔时长。
关于该耐力评估装置的原理、具体实现和有益效果请参照前文及图1至图6示出的关于耐力评估方法的相关描述，此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述图1至图6示出的耐力评估方法的步骤。所述计算机可读存储介质可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
具体地，在本发明实施例中，所述处理器可以为中央处理单元(centralprocessing unit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称DSP)、专用集成电路(application specificintegrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(staticRAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)。
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述图1至图6示出的耐力评估方法的步骤。所述终端可以包括但不限于手机、计算机、平板电脑等终端设备，还可以为服务器、云平台等。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。
本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (16)
1.一种耐力评估方法，其特征在于，包括：
确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；
对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；
如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；
根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；
其中，所述第一间隔时长小于等于所述第二间隔时长。
2.根据权利要求1所述的方法，其特征在于，所述基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷，包括：
从所述加速度信号的波峰中选取满足每相邻两个波峰的间隔时长大于等于所述第一间隔时长，且加速度值大于所述第一加速度阈值的波峰，作为所述目标波峰；
在每相邻两个所述目标波峰之间确定加速度值最小且小于所述第一加速度阈值的波谷，作为所述目标波谷。
3.根据权利要求1或2所述的方法，其特征在于，所述第一加速度阈值是采用预设权重比例，对所述加速度信号的平均值和标准差进行加权运算得到的。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一目标波峰确定当前次待评估运动的开始时刻，包括：
将与所述第一目标波峰相邻的前一个波谷所属的时刻，或者，将在所述第一目标波峰之前的最后一个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的开始时刻。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第二目标波峰确定当前次待评估运动的结束时刻，包括：
将与所述第二目标波峰相邻的后一个波谷所属的时刻，或者，将在所述第二目标波峰之后的首个小于等于所述加速度信号的平均值的加速度值所属的时刻，作为当前次待评估运动的结束时刻。
6.根据权利要求1所述的方法，其特征在于，所述评估对象进行所述待评估运动的耐力指标，包括以下一项或多项：
所述评估对象在所述第一运动时长内进行各次待评估运动的平均运动时长、中位运动时长、变异性参数、单次最长运动时长、单次最短运动时长、运动时长偏度、运动时长峰度、运动时长四分位距、运动时长绝对误差中位数、运动时长均方根、运动时长标准差、运动时长方差、运动时长的经验分布函数百分位数、运动时长的经验分布函数斜率。
7.根据权利要求1所述的方法，其特征在于，所述耐力指标为所述评估对象在所述第一运动时长内进行各次待评估运动的变异性参数；
根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标，包括：
根据各次待评估运动的开始时刻和结束时刻，确定各次待评估运动的实际运动时长；
根据各次待评估运动的实际运动时长，确定各次待评估运动的平均运动时长以及运动时长标准差；
对各次待评估运动的平均运动时长以及运动时长标准差进行求商，以得到所述评估对象进行各次待评估运动的变异性参数。
8.根据权利要求1所述的方法，其特征在于，所述确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号，包括：
采集所述评估对象在所述第一运动时长内进行所述多次待评估运动的三轴加速度信号；
对所述三轴加速度信号进行求模运算，以确定所述加速度信号。
9.根据权利要求1或8所述的方法，其特征在于，在确定所述加速度信号之后，所述方法还包括：
对所述加速度信号进行降噪处理以及光滑处理。
10.根据权利要求1所述的方法，其特征在于，在确定所述评估对象进行所述待评估运动的耐力指标之后，所述方法还包括：
将所述耐力指标，输入预训练的运动耐力预测模型，以确定所述评估对象的运动耐力等级；
其中，所述预训练的运动耐力预测模型是采用多个样本对象进行所述待评估运动的耐力指标作为训练样本数据，对机器学习模型进行训练得到的。
11.根据权利要求10所述的方法，其特征在于，所述预训练的运动耐力预测模型的训练样本数据还包括第一标注数据，所述第一标注数据包含所述多个样本对象在预设的第二运动时长的步行距离；
在确定所述评估对象的运动耐力等级时，一并确定对应的步行距离。
12.根据权利要求10或11所述的方法，其特征在于，所述预训练的运动耐力预测模型的训练样本数据还包括第二标注数据，所述第二标注数据包含所述多个样本对象的心肺运动试验指标；
在确定所述评估对象的运动耐力等级时，一并确定对应的心肺运动试验指标。
13.根据权利要求1所述的方法，其特征在于，所述耐力指标为下肢运动耐力指标；
所述待评估运动选自：坐站运动、深蹲运动、蹲跳运动以及纵跳运动。
14.一种耐力评估装置，其特征在于，包括：
加速度信号确定模块，用于确定评估对象在预设的第一运动时长内进行多次待评估运动的加速度信号；
波峰波谷确定模块，基于预设的第一间隔时长以及第一加速度阈值，从所述加速度信号中确定多个目标波峰和多个目标波谷；
目标波峰确定模块，对于每个目标波谷，确定与当前目标波谷相邻的前一个目标波峰与后一个目标波峰，分别记为第一目标波峰与第二目标波峰；开始时刻和结束时刻确定模块，用于如果所述第一目标波峰与所述第二目标波峰的时间间隔小于等于预设的第二间隔时长，则基于所述第一目标波峰确定当前次待评估运动的开始时刻，以及基于所述第二目标波峰确定当前次待评估运动的结束时刻；
耐力指标确定模块，用于根据各次待评估运动的开始时刻和结束时刻，确定所述评估对象进行所述待评估运动的耐力指标；
其中，所述第一间隔时长小于等于所述第二间隔时长。
15.一种计算机可读存储介质，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运行时执行权利要求1至13任一项所述耐力评估方法的步骤。
16.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至13任一项所述耐力评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310355694.XA CN116439712A (zh) | 2023-04-04 | 2023-04-04 | 耐力评估方法及装置、计算机可读存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310355694.XA CN116439712A (zh) | 2023-04-04 | 2023-04-04 | 耐力评估方法及装置、计算机可读存储介质、终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116439712A true CN116439712A (zh) | 2023-07-18 |
Family
ID=87124919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310355694.XA Pending CN116439712A (zh) | 2023-04-04 | 2023-04-04 | 耐力评估方法及装置、计算机可读存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116439712A (zh) |
-
2023
- 2023-04-04 CN CN202310355694.XA patent/CN116439712A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11298036B2 (en) | Wearable device including PPG and inertial sensors for assessing physical activity and biometric parameters | |
| KR101698578B1 (ko) | 트레이닝 프로그램을 대상에 제공하기 위한 방법 및 시스템 | |
| JP5952511B1 (ja) | 人体運動状態監視方法及び装置 | |
| WO2017106781A1 (en) | Adaptive calibration for sensor-equipped athletic garments | |
| EP3644322B1 (en) | Method and system for interpreting neural interplay involving proprioceptive adaptation during a dual task paradigm | |
| US20190274614A1 (en) | Systems and methods for assessment of a musculoskeletal profile of a target individual | |
| JP6748076B2 (ja) | 心肺適応能評価 | |
| CN112067015A (zh) | 基于卷积神经网络的计步方法、装置及可读存储介质 | |
| US10646140B2 (en) | Risk-of-falling determination apparatus, risk-of-falling determination method, recording medium, and output apparatus | |
| CN108969980A (zh) | 一种跑步机及其步数统计的方法、装置及存储介质 | |
| CN110032987B (zh) | 一种基于小脑神经网络模型的表面肌电信号分类方法 | |
| CN116439712A (zh) | 耐力评估方法及装置、计算机可读存储介质、终端 | |
| Kailas | Basic human motion tracking using a pair of gyro+ accelerometer MEMS devices | |
| CN115554674A (zh) | 一种运动能耗预测方法及装置 | |
| KR20230158251A (ko) | 신체 정보를 이용한 체력 정보 추정 장치 및 방법 | |
| TWI555505B (zh) | 利用心率回復率量測體能狀態的方法與裝置 | |
| CN110390999B (zh) | 一种临床数据的值域计算方法、装置、可读介质及电子设备 | |
| Rao et al. | Analysis of joints for tracking fitness and monitoring progress in physiotherapy | |
| US11944870B2 (en) | Movement determination method, movement determination device and computer-readable storage medium | |
| Cheng et al. | Universal algorithm for exercise rate estimation in walking, cycling and rowing using triaxial accelerometry | |
| CN114504322B (zh) | 一种下肢肌力的训练效果预测方法、系统、存储介质 | |
| Watanabe et al. | Identification and features selection of elderly people based on accelerations of smartphone | |
| Lim et al. | uLift: Adaptive Workout Tracker Using a Single Wrist-Worn Accelerometer | |
| Lei et al. | Precise Identification of Rehabilitation Actions using AI based Strategy | |
| JP2021137417A (ja) | コンピュータプログラム、筋機能パラメータ算出装置、筋機能パラメータ算出システム、筋機能パラメータ算出方法 |
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 |