CN116705233A - 一种面向老年群体的运动处方推荐系统 - Google Patents
一种面向老年群体的运动处方推荐系统 Download PDFInfo
- Publication number
- CN116705233A CN116705233A CN202310514700.1A CN202310514700A CN116705233A CN 116705233 A CN116705233 A CN 116705233A CN 202310514700 A CN202310514700 A CN 202310514700A CN 116705233 A CN116705233 A CN 116705233A
- Authority
- CN
- China
- Prior art keywords
- prescription
- exercise
- sports
- elderly
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000036541 health Effects 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 37
- 230000009471 action Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 20
- 230000000386 athletic effect Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- GLCVZPNILYPNKB-UHFFFAOYSA-N dibutyl benzene-1,2-dicarboxylate;ethanol;ethyl 2-methylprop-2-enoate Chemical compound CCO.CCOC(=O)C(C)=C.CCCCOC(=O)C1=CC=CC=C1C(=O)OCCCC GLCVZPNILYPNKB-UHFFFAOYSA-N 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 10
- 230000007105 physical stamina Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000036314 physical performance Effects 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003997 social interaction Effects 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 210000001217 buttock Anatomy 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000001364 upper extremity Anatomy 0.000 claims description 3
- 210000000689 upper leg Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011056 performance test Methods 0.000 claims description 2
- 230000011514 reflex Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000012790 confirmation Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 9
- 208000017667 Chronic Disease Diseases 0.000 description 8
- 230000036772 blood pressure Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001684 chronic effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004630 mental health Effects 0.000 description 3
- 238000010792 warming Methods 0.000 description 3
- 208000007530 Essential hypertension Diseases 0.000 description 2
- 201000004239 Secondary hypertension Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 231100000749 chronicity Toxicity 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physical Education & Sports Medicine (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种面向老年群体的运动处方推荐系统，包括：数据采集模块，用于采集老年用户的基本生理指标、生活习惯和体能状态的相关数据；数据分析模块，与数据采集模块通信连接，以对数据采集模块采集到的数据进行分析，并根据多维度健康风险评估体系，对老年用户的健康状态和风险等级进行评估，并输出评估结果；运动处方推荐模块，与数据分析模块通信连接；用户交互模块。本发明的面向老年群体的运动处方推荐系统，综合考虑经深度学习模型分析的体能状态级别，实现用户健康状态和风险等级确认。结合多重验证方法，验证健康转台和风险等级并确认最终健康数据。
Description
技术领域
本发明涉及一种运动处方推荐系统，更具体的说是涉及一种面向老年群体的运动处方推荐系统。
背景技术
到2025年，我国六十岁以上人口将达到3亿，成为超老年型国家，老年人慢性病康复成为一项极其紧迫的任务。慢性病是一类与不良行为和生活方式密切相关的疾病，具有病程长、病因复杂、健康损害和社会危害严重等特点，并易造成致残、致死率增加，据统计，我国现有确诊慢性病患者2.6亿人，慢性病导致的死亡已经占到我国总死亡的85％。随着国民生活水平的提高和经济的快速发展，人们逐渐意识到对疾病的控制不能在疾病到来时才开始准备，应该过早的介入对慢性病的预防和管理。
运动康复是一种常见的慢病预防方式。目前，运动康复管理方式正在从传统方式趋向于数字化。需要进行运动康复的用户在只需在智能管理系统中上传医学检查结果(包括运动试验和体力测验)，系统便会智能的生成包含运动种类、运动强度、运动时间及运动频率等信息的个性化运动处方，指导用户科学锻炼。
然而运动康复处方智能推荐方法各有不足，难以完全解决老龄人群个性化运动康复难题，其中存在的问题列举如下：
缺乏多维度的健康风险评估方法
一种基于深度学习的高血压老年人运动处方推荐方法(CN201910518051.6)使用深度学习方案对可穿戴设备采集的人体健康数据进行特征匹配实现运动处方的推荐，其采集的人体健康相对简单，仅涉及基础指标和运动习惯，没有考虑到老年人群的运动能力问题，如心肺能力、柔韧性等。由于未能对老年人的运动能力进行等级评估，处方推荐的过程往往只考虑充分性而忽略了必要性，处方推荐的结果会存在老年人无法跟练的情况，间接造成无效推荐的结果。
一种运动推荐方法、装置、系统及计算机可读存储介质(CN202111545124.4)根据用户的健康风险和体能状态级别，为用户生成推荐运动方案，但其用户数据为人工录入，用户数据的准确性是决定处方结果的关键，手动录入的数据测量的来源无法统一且存在一定的主观性，这大大降低了用户数据质量。同时体能状态级别需要经过专门的测试动作进行测试才具有一定的科学性，仅靠文字描述效果往往不佳。
缺乏体系化的知识库
一种运动方案推荐方法、装置和存储介质(CN201810336517.6)从标准动作库中所包含的动作随机分配给符合条件的用户实现运动方案推荐，其库中动作只包含运动时间和运动次数标签，没有考虑运动类型和运动强度。在为老年人群制定运动方案时，如果不全面的衡量一个运动的时间、频率、强度和类型，很容易导致老人在运动时产生如二次损伤等不良结果。
一种课程推荐方法、装置、设备及存储介质(CN201910098085.4)为筛选出的目标用户推荐训练路径实现针对性的课程推荐。虽然推荐的运动方案能够满足用户的基本运动需求，但难以制订出具有完整运动流程的方案，如从热身运动到有氧运动再到整理运动的循环过程。一个完整的运动流程已经被证明是最为健康和科学的方式，只关注消耗的能量或训练的部位等信息不利于长期的康复训练。
多数的处方推荐系统在构建处方知识库时，构建标签体系缺乏医学指导意见，不具备面向多个场景的结构化的处方框架体系，推荐效果也会因此大打折扣。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种针对老年人进行多维度的健康风险评估的运动处方推荐系统。
为实现上述目的，本发明提供了如下技术方案：一种面向老年群体的运动处方推荐系统，包括：
数据采集模块，用于采集老年用户的基本生理指标、生活习惯和体能状态的相关数据；
数据分析模块，与数据采集模块通信连接，以对数据采集模块采集到的数据进行分析，并根据多维度健康风险评估体系，对老年用户的健康状态和风险等级进行评估，并输出评估结果；
运动处方推荐模块，与数据分析模块通信连接，用于接收评估结果，并结合遵循FITT原则的运动处方框架知识库和运动动作标签库，为老年用户制定精准个性化的运动处方；
用户交互模块，用于与老年用户进行交互，以展示评估结果和运动处方，并收集用户的实时反馈，以便对运动处方进行调整。
作为本发明的进一步改进，所述数据采集模块采集数据的方式为：通过与多种外界设备连接采集基本生理指标，通过用户交互模块发送调查问卷的方式采集老年用户的生活习惯，结合外界设备和人工智能模型进行实时检测与评估老年用户的体能状态；
其中，体能状态的检测与评估的具体方式为，首先，通过外接设备实时监测老年用户的生理指标，以了解他们在测试运动过程中的生理反应，其次，运用姿态识别的人工智能模型对老年用户在体能测试过程中的动作标准程度进行评估，完成老年用户体能状态的检测与评估。
作为本发明的进一步改进，所述运动处方框架知识库包括：
运动类型处方框架，该运动类型处方框架内存有有氧运动处方、力量训练处方和柔韧性训练处方；
运动频率处方框架，该运动频率处方框架内存有运动频率处方，其中，运动频率即为每周进行多少次运动；
运动强度处方框架，该运动强度处方框架内存有运动强度处方，其中，运动强度采用心率保留法、RPE量表对运动强度进行量化；
运动时间处方框架，该运动时间处方框架内存有运动时间处方，其中，运动时间即为每次运动的持续时间；
其中，在运动处方框架库中，每个遵循FITT原则的运动处方框架都有一个对应的分数，这个分数用于反映运动处方框架的难度和适应性。
作为本发明的进一步改进，所述运动动作标签库包括：
运动类型标签，该运动类型标签包括有氧运动、力量训练和柔韧性训练；
训练部位标签，该训练部位标签包括上肢、下肢、躯干、颈部、肩部、背部、腹部、臀部和大腿；
运动强度标签，该运动强度标签包括低强度、中强度和高强度的运动；
运动难度标签，该运动难度标签包括简单难度和复杂难度；
设备需求标签，该设备需求标签包括徒手训练、有氧器材、固定器械和自由器材；
训练环境标签，该训练环境标签包括室内和室外。
作为本发明的进一步改进，所述运动处方推荐模块制定精准个性化的运动处方的具体步骤如下：
步骤一，进行健康状态和风险等级评估；
步骤二，选择运动处方框架；
步骤三，设计运动流程；
步骤四，根据老年用户的具体情况，提供相应的运动建议和注意事项，完成运动处方制定。
作为本发明的进一步改进，所述步骤二中选择运动处方框架的具体步骤为：
步骤二一，根据基础生理指标、生活习惯和体能状态对用户进行等级划分对应的分数，由公式计算式当前老年用户的“运动适应分数”，公式具体如下：运动适应分数＝(基础生理指标得分×基础生理指标权重)+(生活习惯得分×生活习惯权重)+(体能状态得分×体能状态权重)；
步骤二二，根据步骤二一计算获得的“运动适应分数”匹配对应层级的运动处方框架，完成运动处方框架的选择。
作为本发明的进一步改进，所述步骤三中的运动流程设计主要通过以下两种步骤完成：
步骤三一，基于处方框架预设内容，对训练动作进行优化排序以完成运动流程设计；
步骤三二，检查患者的运动适应分数，若存在异常项，则根据“短板效应”设计更适合的运动内容，但不会超出处方框架规定范围。
作为本发明的进一步改进，所述用户交互模块收集用户的实时反馈，对运动处方进行调整的具体步骤如下：
步骤1，在老年用户运动的过程中通过数据采集模块连接外接设备实时检测老年用户的生理指标，还通过姿态识别的人工智能模型对老年用户体能测试过程中的动作标准程度进行评估；
步骤2，将老年用户在运动过程中产生的各种数据进行整合分析，生成详细的运动报告；
步骤3，将生成的运动报告反馈至运动处方推荐模块，运动处方推荐模块调整推荐的运动处方。
作为本发明的进一步改进，所述用户交互模块还具有社交互动与激励步骤，以通过创建运动小组、设立排行榜、完成挑战任务的方式激励老年用户。
本发明的有益效果：
精准评估：通过多维度健康风险评估体系，综合考虑老年用户的基本生理指标、生活习惯、体能状态、心理健康状况和慢性病史等方面，为用户提供一个全面、准确的健康评估结果。
个性化推荐：根据老年用户的健康状态和风险等级，结合运动处方框架和运动动作标签库，为用户提供个性化的运动处方，旨在满足不同老年人的需求和偏好。
科学有效：本发明遵循FITT原则(频率、强度、时间、类型)，确保运动处方的科学性和有效性。同时，采用人工智能技术分析和匹配用户信息，进一步提高运动康复方案的准确性。
提高运动康复效果：通过提供切合实际需求的运动处方，本发明能够帮助老年用户实现科学、有效的运动康复，提高他们的生活质量，减少慢性病的发生和发展。
增强用户便利性：通过结合外接设备和智能技术，本发明能够实时监测和记录用户的健康状况，为用户提供更加方便、实时的健康管理服务。
增加运动参与度：通过提供个性化的运动处方和建议，本发明有助于激发老年用户的运动积极性，提高他们的运动参与度和坚持度。
降低运动风险：通过全面评估老年用户的身体状况和潜在风险，本发明能够为用户提供安全、合适的运动建议，降低运动过程中可能出现的风险。
综上所述，本发明为老年用户提供了一种精准、个性化的运动处方推荐系统，能够帮助他们实现科学、有效的运动康复，提高生活质量，并降低运动风险。
附图说明
图1为本发明的面向老年群体的运动处方推荐系统的模块框图；
图2为本发明的面向老年群体的运动处方推荐系统的实施流程图。
具体实施方式
下面将结合附图所给出的实施例对本发明做进一步的详述。
参照图1至2所示，本实施例的一种面向老年群体的运动处方推荐系统，包括：数据采集模块，用于采集老年用户的基本生理指标、生活习惯和体能状态的相关数据；
数据分析模块，与数据采集模块通信连接，以对数据采集模块采集到的数据进行分析，并根据多维度健康风险评估体系，对老年用户的健康状态和风险等级进行评估，并输出评估结果；
运动处方推荐模块，与数据分析模块通信连接，用于接收评估结果，并结合遵循FITT原则的运动处方框架知识库和运动动作标签库，为老年用户制定精准个性化的运动处方；
用户交互模块，用于与老年用户进行交互，以展示评估结果和运动处方，并收集用户的实时反馈，以便对运动处方进行调整，通过上述各个模块的设置，便可有效的实现采集老年用户的基本生理指标、生活习惯和体能状态的相关数据，然后根据采集的数据实现评估老年用户的健康状态和风险等级，然后再根据评估结果实现运动处方的推荐，如此相比于现有技术中的方式，本实施例的推荐系统
针对现有系统缺乏多维度的健康风险评估方法的问题，本发明旨在构建一个多维度的评价体系及一个验证方法，通过对老年用户的基础生理指标和生活习惯进行等级评估，综合考虑经深度学习模型分析的体能状态级别，实现用户健康状态和风险等级确认。结合多重验证方法，验证健康转台和风险等级并确认最终健康数据。
针对现有系统缺乏体系化的知识库的问题，本发明旨在构建一个包含多个结构化处方框架和符合FITT原则的运动动作标签库，通过完整的运动流程设计和科学的运动类型和强度衡量，制定出具有完整运动流程的精准个性化的运动处方。此外，本发明还将提供一种用于连接最终健康数据和知识库中的知识的“中间元件”，能够准确地描述健康数据和知识之间的映射关系。该“中间元件”将用户的健康数据与知识库中的知识进行匹配，生成适用于老年用户实际情况的健康建议和处方方案，包括完整的运动流程，运动建议等，帮助老年用户更好地进行运动康复。
本实施例的采集评估主要基于多维度健康风险评估体系，该体系综合考量老年用户的基本生理指标、生活习惯和体能状态，以确保运动处方的精准度和实用性。评估体系主要包含以下三个方面：
(1)基本生理指标采集与分析
为了实时、准确地获取老年用户的基本生理指标，本发明将使用多种外接设备(如智能手环、血压计、心率监测器等)进行数据采集。这些设备能够实时监测并记录用户的身高、体重、BMI指数、血压、心率等指标，为后续评估提供可靠依据。此外，本发明还将利用预设的健康指标分级方案对采集到的数据进行进一步处理，以确保评估结果的准确性。
(2)生活习惯数据采集与分析
为了全面了解老年用户的生活习惯，本发明将采用多种调查问卷进行数据收集。这些问卷将涵盖饮食、睡眠、吸烟、饮酒等方面的内容，以揭示潜在的健康风险。同时，本发明将运用大数据分析技术，对问卷数据进行深入挖掘，以发现潜在的健康问题，并为后续的运动处方制定提供参考。
(3)体能状态实时检测与评估
在体能状态方面，本发明将结合外接设备和人工智能模型进行实时检测与评估。首先，通过外接设备(如智能手环、心率监测器等)实时监测老年用户的生理指标，以了解他们在测试运动过程中的生理反应。其次，运用姿态识别等人工智能模型对老年用户在体能测试过程中的动作标准程度进行评估。这些评估将有助于我们了解用户的运动能力、身体状况和潜在风险，从而为制定个性化运动处方提供科学依据。
针对以上三项用户信息状态，本发明将对每个指标进行等级划分。针对不同的指标，预设一个等级划分方案，根据用户的实际情况，为每个等级分配一个相应的分数。例如，对于血压这一指标，我们可以将其划分为正常血压、一级高血压、二级高血压等等。每个等级都有一个对应的分数，如正常血压得分为100，一级高血压得分为80，二级高血压得分为60等。通过这种方式，量化每个指标的程度，将有助于进一步提高运动处方推荐的准确性和个性化程度。
表1：等级划分参考表
除了以上注意点，本发明还将考虑其他相关因素，如心理健康状况、慢性病史等。为了全面评估老年用户的心理健康状况，本发明将运用心理测试问卷等手段对老人心理健康进行评估。同时，本发明将对老年用户的慢性病史进行详细了解，以便在运动处方制定过程中充分考虑到这些因素。慢性病史的了解可通过用户提供的病历资料、医疗报告以及与家庭医生的沟通等渠道进行。
本实施例的知识库制定包括多个遵循FITT原则(即频率、强度、时间、类型)的运动处方框架与运动动作标签库。以下是详细的解释：
(1)遵循FITT原则的运动处方框架：
运动类型(Type)：根据老年用户的个人需求、身体状况和目标，为其提供多种运动类型，包括有氧运动(如步行、跑步、骑车等)、力量训练(如哑铃卷腹、半蹲等)和柔韧性训练(如拉伸、瑜伽等)等。
运动频率(Frequency)：运动频率是指每周进行多少次运动。根据老年用户的身体状况和运动能力，我们将为其设定合适的运动频率，如每周3-5次，以保证运动效果的同时避免过度疲劳。
运动强度(Intensity)：运动强度是指运动的强度程度。本发明将根据老年用户的身体状况和运动能力，为其设定适宜的运动强度，如采用心率保留法、RPE等量表对运动强度进行量化，并根据用户的实际反馈进行调整。
运动时间(Time)：运动时间是指每次运动的持续时间。我们将为老年用户设定合适的运动时间，如每次运动30-60分钟，以确保运动效果的同时防止过度运动。此外，在处方框架库中，每个遵循FITT原则的运动处方框架都有一个对应的分数。这个分数用于反映运动处方框架的难度和适应性。
(2)运动动作标签库：
运动动作标签库包括运动类型，同时涵盖训练部位、动作强度和动作难度等方面。这样的分类方式为用户提供了更加全面、个性化的运动选择。以下是各类标签的详细说明：
运动类型：运动动作标签库包含多种运动类型，如有氧运动(步行、跑步、骑车等)、力量训练(哑铃卷腹、半蹲等)和柔韧性训练(拉伸、瑜伽等)等。这些运动类型可以满足老年用户不同的训练需求，帮助他们全面改善身体素质。训练部位：标签库中的动作涵盖了各种训练部位，如上肢、下肢、躯干、颈部、肩部、背部、腹部、臀部和大腿等。这样的分类方式有助于用户根据自己的需要，有针对性地进行训练，提高运动效果。
动作强度：动作标签库考虑了动作强度的不同，包括低强度、中强度和高强度的运动。这使得老年用户可以根据自己的身体状况和运动能力，选择合适的强度进行锻炼。
动作难度：为了满足不同运动水平的老年用户需求，动作标签库包含了从简单到复杂的各种难度等级。这使得初学者可以从基础动作开始，逐步提高运动难度，达到更好的训练效果。
设备需求：根据运动动作所需的器械和设备进行分类，如徒手训练、有氧器材、固定器械、自由器材等。
训练环境：针对不同的训练环境，如室内、室外等，以便用户根据实际情况选择适合的动作。
通过这些丰富的标签类别，运动动作标签库为老年用户提供了多样化的运动选择，有助于制定更加个性化的运动计划。
本实施例的运动康复处方智能推荐方法根据老年用户的健康状态和风险等级，以及遵循FITT原则的运动处方框架和运动动作标签库，制定出精准个性化的运动处方。具体步骤如下：
(1)健康状态和风险等级评估：根据多维度的评价体系和验证方法，对老年用户的基础生理指标、生活习惯和体能状态进行等级评估，综合考虑经深度学习模型分析的体能状态级别，确认用户的健康状态和风险等级。
(2)运动处方框架选择：
根据基础生理指标、生活习惯和体能状态对用户进行等级划分对应的分数，由公式计算式当前老年用户的“运动适应分数”，具体的，运动适应分数＝(基础生理指标得分×基础生理指标权重)+(生活习惯得分×生活习惯权重)+(体能状态得分×体能状态权重)。根据这个综合指标，本发明可以为用户匹配合适的运动处方框架，以达到个性化运动康复的目的。运动处方框架是一种结构化且具有可调节性的设计，分为多个层级，每个层级对应一个特定范围的运动适应分数。该框架基于FITT原则，包含了针对训练动作选择的指导信息，如热身、有氧运动和伸展等。每个运动处方框架既包含运动类型的结构安排，还包含了各类型下的具体训练动作、次数、组数等详细信息。尽管运动处方框架具有结构化的设计，但它还具有一定的可调节性。用户可以根据自身的实际情况，适当调整运动的次数等具体内容。然而，为了保证训练的有效性和科学性，某些关键参数，如训练组数和类别等，是固定的，不能被更改
(4)运动流程设计：根据老年用户的身体状况和运动能力，制定适合老年用户的完整运动流程，包括热身、主体运动和放松等环节。热身环节通过低强度活动提高心率、关节润滑和肌肉温度，为主体运动做准备。在主体运动环节，根据运动处方框架进行有氧运动、力量训练和柔韧性训练。设计主体运动环节的内容时，采用两种方式。一是基于处方框架预设内容，对训练动作进行优化排序。另一种是检查患者的运动适应分数，若存在异常项，则根据“短板效应”设计更适合的运动内容，但不会超出处方框架规定范围。例如，两位患者的运动适应分数都为60分，但其各项得分不同。对于各项得分相对平衡的患者，可直接匹配预设内容；对于某一项得分明显较低的患者，则需关注该项，设计更适合的运动内容，但总分数仍需控制在60分范围内。放松环节通过低强度的拉伸和呼吸练习来帮助肌肉恢复、缓解疲劳。这种灵活且针对性的设计方式可以确保每位老年用户都能获得适合自己的运动处方，从而达到个性化运动康复的目的。
(5)运动建议和注意事项：根据老年用户的具体情况，提供相应的运动建议和注意事项，如适当调整运动强度、遵循运动安全原则等，帮助老年用户更好地进行运动康复。
通过以上步骤，本发明的运动处方制定方法可以为老年用户提供精准个性化的运动处方，帮助他们进行科学有效的运动康复，提高生活质量，预防和控制慢性病。同时，本发明还将将充分考虑老人运动后的反馈信息，不断地调整处方细节：
(1)跟踪与调整：在运动过程中，通过外接设备实时检测老年用户的生理指标，如心率、血压等，以确保运动安全。此外，通过姿态识别等人工智能模型对老年用户体能测试过程中的动作标准程度进行评估，以提高运动效果。针对用户的反馈和实时监测数据，我们将对运动处方进行及时调整，以保证个性化需求得到满足。
(2)数据分析与报告：将老年用户在运动过程中产生的各种数据进行整合分析，生成详细的运动报告。报告将包括运动频率、强度、时间、类型等各方面的统计数据，以及用户在运动过程中的生理指标变化。通过这些数据，我们可以更好地评估运动处方的效果，为用户提供有针对性的指导和建议。
(3)社交互动与激励：为了提高老年用户的运动积极性，本发明还将提供社交互动和激励机制，如创建运动小组、设立排行榜、完成挑战任务等。通过这些方式，鼓励老年用户积极参与运动，形成良好的运动习惯。
综上所述，这个发明为老年用户提供了一种精准、个性化的运动处方推荐系统，能够帮助他们实现科学、有效的运动康复，提高生活质量，并降低运动风险。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种面向老年群体的运动处方推荐系统，其特征在于：包括：
数据采集模块，用于采集老年用户的基本生理指标、生活习惯和体能状态的相关数据；
数据分析模块，与数据采集模块通信连接，以对数据采集模块采集到的数据进行分析，并根据多维度健康风险评估体系，对老年用户的健康状态和风险等级进行评估，并输出评估结果；
运动处方推荐模块，与数据分析模块通信连接，用于接收评估结果，并结合遵循FITT原则的运动处方框架知识库和运动动作标签库，为老年用户制定精准个性化的运动处方；
用户交互模块，用于与老年用户进行交互，以展示评估结果和运动处方，并收集用户的实时反馈，以便对运动处方进行调整。
2.根据权利要求1所述的面向老年群体的运动处方推荐系统，其特征在于：所述数据采集模块采集数据的方式为：通过与多种外界设备连接采集基本生理指标，通过用户交互模块发送调查问卷的方式采集老年用户的生活习惯，结合外界设备和人工智能模型进行实时检测与评估老年用户的体能状态；
其中，体能状态的检测与评估的具体方式为，首先，通过外接设备实时监测老年用户的生理指标，以了解他们在测试运动过程中的生理反应，其次，运用姿态识别的人工智能模型对老年用户在体能测试过程中的动作标准程度进行评估，完成老年用户体能状态的检测与评估。
3.根据权利要求2所述的面向老年群体的运动处方推荐系统，其特征在于：所述运动处方框架知识库包括：
运动类型处方框架，该运动类型处方框架内存有有氧运动处方、力量训练处方和柔韧性训练处方；
运动频率处方框架，该运动频率处方框架内存有运动频率处方，其中，运动频率即为每周进行多少次运动；
运动强度处方框架，该运动强度处方框架内存有运动强度处方，其中，运动强度采用心率保留法、RPE量表对运动强度进行量化；
运动时间处方框架，该运动时间处方框架内存有运动时间处方，其中，运动时间即为每次运动的持续时间；
其中，在运动处方框架库中，每个遵循FITT原则的运动处方框架都有一个对应的分数，这个分数用于反映运动处方框架的难度和适应性。
4.根据权利要求3所述的面向老年群体的运动处方推荐系统，其特征在于：所述运动动作标签库包括：
运动类型标签，该运动类型标签包括有氧运动、力量训练和柔韧性训练；
训练部位标签，该训练部位标签包括上肢、下肢、躯干、颈部、肩部、背部、腹部、臀部和大腿；
运动强度标签，该运动强度标签包括低强度、中强度和高强度的运动；
运动难度标签，该运动难度标签包括简单难度和复杂难度；
设备需求标签，该设备需求标签包括徒手训练、有氧器材、固定器械和自由器材；
训练环境标签，该训练环境标签包括室内和室外。
5.根据权利要求4所述的面向老年群体的运动处方推荐系统，其特征在于：所述运动处方推荐模块制定精准个性化的运动处方的具体步骤如下：
步骤一，进行健康状态和风险等级评估；
步骤二，选择运动处方框架；
步骤三，设计运动流程；
步骤四，根据老年用户的具体情况，提供相应的运动建议和注意事项，完成运动处方制定。
6.根据权利要求5所述的面向老年群体的运动处方推荐系统，其特征在于：所述步骤二中选择运动处方框架的具体步骤为：
步骤二一，根据基础生理指标、生活习惯和体能状态对用户进行等级划分对应的分数，由公式计算式当前老年用户的“运动适应分数”，公式具体如下：
运动适应分数＝(基础生理指标得分×基础生理指标权重)+(生活习惯得分×生活习惯权重)+(体能状态得分×体能状态权重)；
步骤二二，根据步骤二一计算获得的“运动适应分数”匹配对应层级的运动处方框架，完成运动处方框架的选择。
7.根据权利要求6所述的面向老年群体的运动处方推荐系统，其特征在于：所述步骤三中的运动流程设计主要通过以下两种步骤完成：
步骤三一，基于处方框架预设内容，对训练动作进行优化排序以完成运动流程设计；
步骤三二，检查患者的运动适应分数，若存在异常项，则根据“短板效应”设计更适合的运动内容，但不会超出处方框架规定范围。
8.根据权利要求7所述的面向老年群体的运动处方推荐系统，其特征在于：所述用户交互模块收集用户的实时反馈，对运动处方进行调整的具体步骤如下：
步骤1，在老年用户运动的过程中通过数据采集模块连接外接设备实时检测老年用户的生理指标，还通过姿态识别的人工智能模型对老年用户体能测试过程中的动作标准程度进行评估；
步骤2，将老年用户在运动过程中产生的各种数据进行整合分析，生成详细的运动报告；
步骤3，将生成的运动报告反馈至运动处方推荐模块，运动处方推荐模块调整推荐的运动处方。
9.根据权利要求8所述的面向老年群体的运动处方推荐系统，其特征在于：所述用户交互模块还具有社交互动与激励步骤，以通过创建运动小组、设立排行榜、完成挑战任务的方式激励老年用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310514700.1A CN116705233A (zh) | 2023-05-09 | 2023-05-09 | 一种面向老年群体的运动处方推荐系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310514700.1A CN116705233A (zh) | 2023-05-09 | 2023-05-09 | 一种面向老年群体的运动处方推荐系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116705233A true CN116705233A (zh) | 2023-09-05 |
Family
ID=87844185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310514700.1A Pending CN116705233A (zh) | 2023-05-09 | 2023-05-09 | 一种面向老年群体的运动处方推荐系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705233A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117594192A (zh) * | 2024-01-15 | 2024-02-23 | 广东工业大学 | 一种与运动处方相结合的户外健身设备服务系统 |
| CN117637103A (zh) * | 2023-10-19 | 2024-03-01 | 郑州大学 | 一种衰弱老人居家运动健康康复方案的推荐系统 |
| CN117831714A (zh) * | 2024-02-27 | 2024-04-05 | 小时教育科技(福建)有限公司 | 一种基于ai的运动数据监测辅助方法和系统 |
-
2023
- 2023-05-09 CN CN202310514700.1A patent/CN116705233A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117637103A (zh) * | 2023-10-19 | 2024-03-01 | 郑州大学 | 一种衰弱老人居家运动健康康复方案的推荐系统 |
| CN117594192A (zh) * | 2024-01-15 | 2024-02-23 | 广东工业大学 | 一种与运动处方相结合的户外健身设备服务系统 |
| CN117594192B (zh) * | 2024-01-15 | 2024-04-30 | 广东工业大学 | 一种与运动处方相结合的户外健身设备服务系统 |
| CN117831714A (zh) * | 2024-02-27 | 2024-04-05 | 小时教育科技(福建)有限公司 | 一种基于ai的运动数据监测辅助方法和系统 |
| CN117831714B (zh) * | 2024-02-27 | 2024-04-26 | 小时教育科技(福建)有限公司 | 一种基于ai的运动数据监测辅助方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11602293B2 (en) | Identifying and strengthening physiological/neurophysiological states predictive of superior performance | |
| Maman et al. | A data-driven approach to modeling physical fatigue in the workplace using wearable sensors | |
| CN116705233A (zh) | 一种面向老年群体的运动处方推荐系统 | |
| Byrom et al. | Measuring free-living physical activity in COPD patients: deriving methodology standards for clinical trials through a review of research studies | |
| Zadeh et al. | Predicting sports injuries with wearable technology and data analysis | |
| Albinson et al. | Cognitive appraisals, stress, and coping: Preinjury and postinjury factors influencing psychological adjustment to sport injury | |
| CN110504034B (zh) | 基于多元信息融合的健康生活方式指导系统及方法 | |
| TW202247819A (zh) | 以個人化運動處方箋自動調整最佳復健強度或運動量的智慧系統 | |
| CN107945094B (zh) | 一种针对戒毒人员数字康复系统 | |
| FI124367B (fi) | Menetelmä ja järjestelmä henkilön fysiologisen tilan kartoittamiseksi | |
| US20210145338A1 (en) | Iot based wearable device, system and method for the measurement of meditation and mindfulness | |
| WO2019012471A1 (en) | IDO BASED DEVICE, SYSTEM AND METHOD FOR MEASURING MEDITATION AND FULL CONSCIOUSNESS | |
| Jurak et al. | SLOfit surveillance system of somatic and motor development of children and adolescents: upgrading the Slovenian sports educational chart | |
| AU2021209244A1 (en) | System And Method For Providing A Health Determination Service Based On User Knowledge And Activity | |
| KR102197102B1 (ko) | 다이어트 멘탈관리 시스템 | |
| CN107767955A (zh) | 一种个性化运动靶心率设计系统及其使用方法 | |
| CN116153531A (zh) | 一种肿瘤患者康复监测方法及系统 | |
| Zhong | Experiment of biological pulse sensor and its application in physical education | |
| Liu et al. | Prediction of sleep efficiency from big physical exercise data | |
| Sherman et al. | Heart-rate variability recording time and performance in collegiate female rowers | |
| Peng | Design and implementation of sport training management information system for high education sports team | |
| Hansen et al. | Assessment of physical activity | |
| US20240149115A1 (en) | Method and system for providing digitally-based musculoskeletal rehabilitation therapy | |
| Sun et al. | Real Time Monitoring Method of Exercise Load in Dance Training Course Based on Intelligent Device | |
| CN113724871A (zh) | 一种运动健康管理方法 |
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 |