CN116909517B - 一种基于大数据的按摩机器人按摩程序获取方法、装置 - Google Patents

一种基于大数据的按摩机器人按摩程序获取方法、装置 Download PDF

Info

Publication number
CN116909517B
CN116909517B CN202311164476.4A CN202311164476A CN116909517B CN 116909517 B CN116909517 B CN 116909517B CN 202311164476 A CN202311164476 A CN 202311164476A CN 116909517 B CN116909517 B CN 116909517B
Authority
CN
China
Prior art keywords
motion
massage
group
classified
program
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
Application number
CN202311164476.4A
Other languages
English (en)
Other versions
CN116909517A (zh
Inventor
张春光
周建军
姜宁
刘艺超
黄宇光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Deyi Medical Technology Co ltd
Original Assignee
Shenzhen Deyi Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Deyi Medical Technology Co ltd filed Critical Shenzhen Deyi Medical Technology Co ltd
Priority to CN202311164476.4A priority Critical patent/CN116909517B/zh
Publication of CN116909517A publication Critical patent/CN116909517A/zh
Application granted granted Critical
Publication of CN116909517B publication Critical patent/CN116909517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/10—Requirements analysis; Specification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/35—Creation or generation of source code model driven
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G06F8/44—Encoding
    • G06F8/443—Optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Massaging Devices (AREA)

Abstract

本申请提供一种基于大数据的按摩机器人按摩程序获取方法、装置，涉及机器人控制技术领域。该方法包括在第一优化周期内获取同类型按摩机器人的所有按摩程序，并对所有按摩程序建立运动组调整分析模型；根据运动组调整分析模型，进行运动组的优化选型，形成运动组按摩程序；根据运动组按摩程序，确定运动组中的运动分项，并根据第一优化周期内获得的所有按摩程序，建立运动项参数优化模型；根据运动项参数优化模型对运动分项进行参数优化，形成优化按摩程序。该方法通过基于按摩程序的大数据分析对机器人的按摩程序进行优化和调整，保证按摩机器人的按摩作业服务更加优质。

Description

一种基于大数据的按摩机器人按摩程序获取方法、装置
技术领域
本申请涉及机器人控制技术领域，具体而言，涉及一种基于大数据的按摩机器人按摩程序获取方法、装置。
背景技术
大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征的数据信息。对于大数据技术，其意义不在于掌握庞大的数据信息，而是在于对这些巨量的数据进行专业化的处理进而获得更加有用的数据信息。随着技术的发展，对于大数据分析的技术也越来越成熟，也越来越多样化，且广泛的应用在不同的领域，大大提高了对于数据信息的使用效果。
在按摩行业，按摩机器人逐步取代人工来进行更加有效的按摩作业。对于按摩机器人来说，通常情况下所实现的按摩动作均是通过输入固定的按摩程序进行控制。对于按摩来说，针对同样的按摩位置有不同的按摩方式和形式，并且随着对按摩的深入研究，按摩的技术也会发生变化。如果能够将按摩机器人的按摩程序基于大数据进行修正和调整，应该会形成更加合理有效的按摩控制程序，让按摩机器人提供更好的按摩服务。
因此，设计一种基于大数据的按摩机器人按摩程序获取方法、装置，通过基于按摩程序的大数据分析对机器人的按摩程序进行优化和调整，保证按摩机器人的按摩作业服务更加优质，是目前亟待解决的问题。
发明内容
本申请的目的在于提供一种基于大数据的按摩机器人按摩程序获取方法，通过周期性的获取同类型机器人的按摩程序，并对按摩程序进行两个层面上的大数据分析：一是将按摩程序的运动以运动组的形式进行优化选型，确定出适应当下大部分有按摩需求的人群的按摩运动组合，满足对于按摩运动组合的服务性需求，同时保证了按摩程序所控制的运动组合是实时有效进行调整优化的；二是对于运动分项进行参数优化，保证运动分项所控制的按摩运动动作到位，充分满足大多数按摩需求人员对于按摩力度、按摩时序时间等方向的细节需求。大数据分析使按摩机器人能够实时获取到当下适应按摩群体需求的按摩程序，保证按摩作业的有效性，提升按摩服务的质量。
本申请的目的还在于提供一种基于大数据的按摩机器人按摩程序获取装置，通过利用数据收集单元进行大数据的采样，为进行按摩程序的优化调整分析提供重要且实时的数据基础。利用大数据分析单元来实现形成按摩程序优化调整的模型建立和分析，实时有效的完成对按摩程序的优化，形成优化的按摩程序。借由数据存储单元进行历史采集数据和分析数据的存储，一方面用于为按摩机器人获取实时按摩程序提供有效的数据获取地，另一方面是实现对数据的有效存储，为数据分析提供合理的分析对比数据，也是为进行关于按摩程序的其他方面分析提供数据基础。
第一方面，本申请提供一种基于大数据的按摩机器人按摩程序获取方法，包括在第一优化周期内获取同类型按摩机器人的所有按摩程序，并对所有按摩程序建立运动组调整分析模型；根据运动组调整分析模型，进行运动组的优化选型，形成运动组按摩程序；根据运动组按摩程序，确定运动组中的运动分项，并根据第一优化周期内获得的所有按摩程序，建立运动项参数优化模型；根据运动项参数优化模型对运动分项进行参数优化，形成优化按摩程序。
在本申请中，该方法通过周期性的获取同类型机器人的按摩程序，并对按摩程序进行两个层面上的大数据分析：一是将按摩程序的运动以运动组的形式进行优化选型，确定出适应当下大部分有按摩需求的人群的按摩运动组合，满足对于按摩运动组合的服务性需求，同时保证了按摩程序所控制的运动组合是实时有效进行调整优化的；二是对于运动分项进行参数优化，保证运动分项所控制的按摩运动动作到位，充分满足大多数按摩需求人员对于按摩力度、按摩时序时间等方向的细节需求。大数据分析使按摩机器人能够实时获取到当下适应按摩群体需求的按摩程序，保证按摩作业的有效性，提升按摩服务的质量。
作为一种可能的实现方式，在第一优化周期内获取同类型按摩机器人的所有按摩程序，并对所有按摩程序建立运动组调整分析模型，包括：对第一优化周期内获取的所有按摩程序进行运动组的划分，并根据形成的运动组进行同类分析，形成运动组同类分析结果；将运动组同类分析结果与在前的第一优化周期内获得的运动组同类分析结果进行调整对比，确定运动组的调整内容。
在本申请中，对于运动组调整分析模型的建立，主要是获取周期内同类型的按摩机器人的按摩程序，并基于这些按摩程序进行程序中运动组的划分和对比。这里需要说明的是，一方面，机器人获取按摩程序控制按摩作业，主要是根据按摩程序建立合理的按摩运动，而对于按摩运动来说通常不是单一的运动，往往是按摩机器人可进行的不同运动的组合，如滚压按摩是旋转运动和直线运动的组合，推拿按摩是不同方向上的直线运动的组合。所以对按摩程序的优化重点在于按摩程序所控制进行的运动组合选用的调整和优化。当然，对于按摩程序来说，由于不同类型的按摩机器人所能进行的运动是不同的，因此在分析时以同类型的按摩按摩机器人的按摩程序作为分析的基础数据是更加合理的。另一方面，本申请中主要是考虑具有按摩需求的群体对于按摩运动的需求在不同时期时有所不同的，所以周期性的获取按摩程序，并将按摩程序进行环比以确定不同时期下按摩机器人应该采用的满足按摩需求大众的按摩程序，能够合理覆盖按摩需求群体的最大范围，保证和提升按摩服务的质量。
作为一种可能的实现方式，对第一优化周期内获取的所有按摩程序进行运动组的划分，并根据形成的运动组进行同类分析，形成运动组同类分析结果，包括：获取第一优化周期内的所有按摩程序，对按摩程序中的运动分项进行提取，并形成按摩程序的运动组An，n表示按摩程序的标号，且n为非零自然数，其中，An=[an1，an2，…，ank]，ank表示标号为n的运动组中所包含的运动分项，k为运动分项的标号，且k为非零自然数；将具有相同运动分项的运动组进行归类统计，形成分类运动组Bi，i为分类运动组的标号，且i为非零自然数；将每个分类运动组进行基于所有运动组的占比统计，形成第一优化周期内分类运动组占比数据集T0=[b1，b2，…，bi]，其中，bi表示分类运动组Bi的在所有运动组中的数量百分比。
在本申请中，对于同类分析主要是考虑在不同运动组在整个现有的按摩程序中的占比，这样的占比能够一定行的说明当下最受欢迎的按摩运动组，进而确定出保证大部分有按摩需求的人的按摩要求。
作为一种可能的实现方式，将运动组同类分析结果与在前的第一优化周期内获得的运动组同类分析结果进行调整对比，确定运动组的调整内容，包括：获取前m次第一优化周期内获得的分类运动组Bmz以及分类运动组占比数据集Tm=[bm1，bm2，…，bmz]，其中bmz表示分类运动组在前m次第一优化周期内占所有所述运动组的数量百分比；将第一优化周期内的所有分类运动组Bi与前m次第一优化周期内的所有分类运动组Bmz进行分类运动组的类型对比，形成类型对比结果数据；将分类运动组占比数据集T0与前m次第一优化周期内获得的分类运动组占比数据集Tm进行占比变化对比，形成占比对比结果数据。
在本申请中，对于利用占比数据进行分类运动组的选择上，考虑在多个周期内如果分类运动组的占比出现明显的变化趋势，则能确定该分类运动组在按摩需求群体中的欢迎程度发生了变化，进而为了适应当下按摩需求群体的按摩需求，就需要利用对这种对比结果的分析进行优化调整，确定出当下受欢迎的分类运动组。需要说明的是，对于分类运动组的对比，其对比的方面不同，所获取到的对比结果信息是不同的。本申请主要考虑两个方面，一个是类型的对比，由于按摩需求人群对于不同按摩运动的需求在不同的时间段是不一样的，所以在进行与历史周期上的分类周期进行对比时可能会出现新的分类运动组，进而需要考虑这个新增的有可能是当下开始受欢迎的新运动组。另一个就是在现有分类运动组上考虑那些现有的分类运动组是当下受欢迎的，因为随着时间变化按摩需求人群对于现有分类运动组的喜好会有所变化。
作为一种可能的实现方式，将第一优化周期内的所有分类运动组Bi与前m次第一优化周期内的所有分类运动组Bmz进行分类运动组的类型对比，形成类型对比结果数据，包括：当第一优化周期内的所有分类运动组Bi相较于前m次第一优化周期内获得的所有分类运动组Bmz，存在新的分类运动组时，则将新增的分类运动组确定为新功能分类运动组Cu，u表示新功能分类运动组的标号。
在本申请中，对于出现新的分类运动组，这里直接考虑将新出现的分类运动组作为获取的按摩程序中一个重要的分类运动组，以保证新出现的分类运动组存在极大可能的受欢迎的情况。
作为一种可能的实现方式，将分类运动组占比数据集T0与前m次第一优化周期内获得的分类运动组占比数据集Tm进行占比变化对比，形成占比对比结果数据，包括：设定占比阈值α1，对于分类运动组占比数据集T0中的数量百分比不小于占比阈值α1的分类运动组：以当前第一优化周期内获得分类运动组占比数据集为基准，若连续p次存在在相邻所述第一优化周期上分类运动组的相对数量百分比减少量超过缩减阈值α2，则将分类运动组排除，并把排除后剩下的分类运动组所对应的按摩程序作为第一获取按摩程序集D1；对于分类运动组占比数据集T0中的数量百分比小于占比阈值α1的分类运动组：以当前第一优化周期内获得分类运动组占比数据集为基准，若连续q次存在在相邻第一优化周期上分类运动组的相对数量百分比增量不小于增量阈值α3，则将不小于增量阈值α3的分类运动组所对应的按摩程序作为第二获取按摩程序集D2。
在本申请中，对于现有分类运动组的筛选，若果只是利用占比数据进行对比分析，可能会出现某些分类运动组本身的基础量大，增量较小引起的变化较小，而某些分类运动组本身的基础量小，而增量较小引起的变化反而变大。所以，本申请通过占比阈值来对这两种不同基础量的分类运动组进行区分，然后分别基于占比数据进行分析确定当下受欢迎的现有分类运动组。需要说明的是，对于本身基础量较小的分类运动组，如果仅是参考在总基础数据上的占比，其反应的变化差异性较大，本申请通过相邻周期的占比进行相对占比的考虑来确定这类分类运动组的变化，即后一个周期内该分类运动组相对前一个周期的变化百分比，这样能够较为准确的把握该分类运动组的变化情况。
作为一种可能的实现方式，根据运动组调整分析模型，进行运动组的优化选型，形成运动组按摩程序，包括：将第一获取按摩程序集D1、第二获取按摩程序集D2以及新功能分类运动组Cu进行逻辑组合，形成运动组按摩程序。
在本申请中，按摩机器人为了更加适应当下的按摩需求群体，所获取的按摩程序经过大数据分析后，将当下认为是受欢迎的分类运动组作为按摩程序的控制动作，来实现最大范围的满足按摩需求群体的按摩要求，提升按摩服务的质量，保证按摩程序的实时有效和受欢迎性。
作为一种可能的实现方式，根据运动组按摩程序，确定运动组中的运动分项，并根据第一优化周期内获得的所有按摩程序，建立运动项参数优化模型，包括：获取运动组按摩程序中的所有运动组Ev=[ev1，ev2，…，evr]，v表示运动组按摩程序中不同的运动组的标号，且v成为非零自然数，evr表示标号为v的运动组中的运动分项，且r为非零自然数并确定每个运动分项的运动指标值；以运动组为分析单位，确定出前m次第一优化周期内所获得的同类运动组，形成参考运动组，并获取参考运动组中每个运动分项的运动指标值，形成参考运动指标值；根据运动组Ev中不同的运动分项，提取同类参考运动组中相同的运动分项的参考运动指标值，并取定出参考运动指标值的平均数值，形成参考运动指标平均值。
在本申请中，运动分项中的参数值也是按摩程序重点考虑的调整方面。因为，对于不同时期的按摩需求群体，其对于按摩运动的指标是有变化的，诸如运动的时长、运动的力的大小、运动的方向等方面，当然，这些指标也会因为随着按摩技术的深入研究而调整，所以需要重点考虑运动指标。对于运动指标值，本申请通过平均值的形式取得，因为均值能够反应按摩需求群体中大部分人的按摩需求，做大最大范围的覆盖按摩群体，提升服务质量。
作为一种可能的实现方式，根据运动项参数优化模型对运动分项进行参数优化，形成优化按摩程序，包括：将获得的参考运动指标平均值赋予对应的运动组按摩程序中运动组内的运动分项，使运动组按摩程序形成优化按摩程序。
在本申请中，在完成运动组和运动分项的优化分析后，综合分析结果即能形成按摩机器人实时获取的按摩程序。
第二方面，本申请提供一种基于大数据的按摩机器人按摩程序获取装置，采用第一方面所说的基于大数据的按摩机器人按摩程序获取方法，包括数据收集单元，用于周期性地从网络数据信息中获取同类型按摩机器人的所有按摩程序；大数据分析单元，与数据收集单元连接，用于从数据收集单元获取按摩程序，并实现建立运动组调整分析模型进行运动组的优化选型和实现建立运动项参数优化模型进行运动分项的参数优化；数据存储单元，与大数据分析单元以及数据收集单元连接，用于以周期为单位存储数据收集单元所获取的按摩程序，并对大数据分析单元形成的运动组按摩程序和优化按摩程序进行存储。
在本申请中，该装置通过利用数据收集单元进行大数据的采样，为进行按摩程序的优化调整分析提供重要且实时的数据基础。利用大数据分析单元来实现形成按摩程序优化调整的模型建立和分析，实时有效的完成对按摩程序的优化，形成优化的按摩程序。借由数据存储单元进行历史采集数据和分析数据的存储，一方面用于为按摩机器人获取实时按摩程序提供有效的数据获取地，另一方面是实现对数据的有效存储，为数据分析提供合理的分析对比数据，也是为进行关于按摩程序的其他方面分析提供数据基础。
本实施例提供的一种基于大数据的按摩机器人按摩程序获取方法、装置的有益效果有：
该方法通过周期性的获取同类型机器人的按摩程序，并对按摩程序进行两个层面上的大数据分析：一是将按摩程序的运动以运动组的形式进行优化选型，确定出适应当下大部分有按摩需求的人群的按摩运动组合，满足对于按摩运动组合的服务性需求，同时保证了按摩程序所控制的运动组合是实时有效进行调整优化的；二是对于运动分项进行参数优化，保证运动分项所控制的按摩运动动作到位，充分满足大多数按摩需求人员对于按摩力度、按摩时序时间等方向的细节需求。大数据分析使按摩机器人能够实时获取到当下适应按摩群体需求的按摩程序，保证按摩作业的有效性，提升按摩服务的质量。
该装置通过利用数据收集单元进行大数据的采样，为进行按摩程序的优化调整分析提供重要且实时的数据基础。利用大数据分析单元来实现形成按摩程序优化调整的模型建立和分析，实时有效的完成对按摩程序的优化，形成优化的按摩程序。借由数据存储单元进行历史采集数据和分析数据的存储，一方面用于为按摩机器人获取实时按摩程序提供有效的数据获取地，另一方面是实现对数据的有效存储，为数据分析提供合理的分析对比数据，也是为进行关于按摩程序的其他方面分析提供数据基础。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的基于大数据的按摩机器人按摩程序获取方法的步骤图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
参考图1，本申请实施例提供一种基于大数据的按摩机器人按摩程序获取方法。该方法通过周期性的获取同类型机器人的按摩程序，并对按摩程序进行两个层面上的大数据分析：一是将按摩程序的运动以运动组的形式进行优化选型，确定出适应当下大部分有按摩需求的人群的按摩运动组合，满足对于按摩运动组合的服务性需求，同时保证了按摩程序所控制的运动组合是实时有效进行调整优化的；二是对于运动分项进行参数优化，保证运动分项所控制的按摩运动动作到位，充分满足大多数按摩需求人员对于按摩力度、按摩时序时间等方向的细节需求。大数据分析使按摩机器人能够实时获取到当下适应按摩群体需求的按摩程序，保证按摩作业的有效性，提升按摩服务的质量。
基于大数据的按摩机器人按摩程序获取方法包括以下主要步骤：
S1：在第一优化周期内获取同类型按摩机器人的所有按摩程序，并对所有按摩程序建立运动组调整分析模型。
该步骤包括：对第一优化周期内获取的所有按摩程序进行运动组的划分，并根据形成的运动组进行同类分析，形成运动组同类分析结果；将运动组同类分析结果与在前的第一优化周期内获得的运动组同类分析结果进行调整对比，确定运动组的调整内容。
对于运动组调整分析模型的建立，主要是获取周期内同类型的按摩机器人的按摩程序，并基于这些按摩程序进行程序中运动组的划分和对比。这里需要说明的是，一方面，机器人获取按摩程序控制按摩作业，主要是根据按摩程序建立合理的按摩运动，而对于按摩运动来说通常不是单一的运动，往往是按摩机器人可进行的不同运动的组合，如滚压按摩是旋转运动和直线运动的组合，推拿按摩是不同方向上的直线运动的组合。所以对按摩程序的优化重点在于按摩程序所控制进行的运动组合选用的调整和优化。当然，对于按摩程序来说，由于不同类型的按摩机器人所能进行的运动是不同的，因此在分析时以同类型的按摩按摩机器人的按摩程序作为分析的基础数据是更加合理的。另一方面，本申请中主要是考虑具有按摩需求的群体对于按摩运动的需求在不同时期时有所不同的，所以周期性的获取按摩程序，并将按摩程序进行环比以确定不同时期下按摩机器人应该采用的满足按摩需求大众的按摩程序，能够合理覆盖按摩需求群体的最大范围，保证和提升按摩服务的质量。
其中，对第一优化周期内获取的所有按摩程序进行运动组的划分，并根据形成的运动组进行同类分析，形成运动组同类分析结果，包括：获取第一优化周期内的所有按摩程序，对按摩程序中的运动分项进行提取，并形成按摩程序的运动组An，n表示按摩程序的标号，且n为非零自然数，其中，An=[an1，an2，…，ank]，ank表示标号为n的运动组中所包含的运动分项，k为运动分项的标号，且k为非零自然数；将具有相同运动分项的运动组进行归类统计，形成分类运动组Bi，i为分类运动组的标号，且i为非零自然数；将每个分类运动组进行基于所有运动组的占比统计，形成第一优化周期内分类运动组占比数据集T0=[b1，b2，…，bi]，其中，bi表示分类运动组Bi的在所有运动组中的数量百分比。
对于同类分析主要是考虑在不同运动组在整个现有的按摩程序中的占比，这样的占比能够一定行的说明当下最受欢迎的按摩运动组，进而确定出保证大部分有按摩需求的人的按摩要求。
将运动组同类分析结果与在前的第一优化周期内获得的运动组同类分析结果进行调整对比，确定运动组的调整内容，包括：获取前m次第一优化周期内获得的分类运动组Bmz以及分类运动组占比数据集Tm=[bm1，bm2，…，bmz]，其中bmz表示分类运动组在前m次第一优化周期内占所有所述运动组的数量百分比；将第一优化周期内的所有分类运动组Bi与前m次第一优化周期内的所有分类运动组Bmz进行分类运动组的类型对比，形成类型对比结果数据；将分类运动组占比数据集T0与前m次第一优化周期内获得的分类运动组占比数据集Tm进行占比变化对比，形成占比对比结果数据。
对于利用占比数据进行分类运动组的选择上，考虑在多个周期内如果分类运动组的占比出现明显的变化趋势，则能确定该分类运动组在按摩需求群体中的欢迎程度发生了变化，进而为了适应当下按摩需求群体的按摩需求，就需要利用对这种对比结果的分析进行优化调整，确定出当下受欢迎的分类运动组。需要说明的是，对于分类运动组的对比，其对比的方面不同，所获取到的对比结果信息是不同的。本申请主要考虑两个方面，一个是类型的对比，由于按摩需求人群对于不同按摩运动的需求在不同的时间段是不一样的，所以在进行与历史周期上的分类周期进行对比时可能会出现新的分类运动组，进而需要考虑这个新增的有可能是当下开始受欢迎的新运动组。另一个就是在现有分类运动组上考虑那些现有的分类运动组是当下受欢迎的，因为随着时间变化按摩需求人群对于现有分类运动组的喜好会有所变化。
将第一优化周期内的所有分类运动组Bi与前m次第一优化周期内的所有分类运动组Bmz进行分类运动组的类型对比，形成类型对比结果数据，包括：当第一优化周期内的所有分类运动组Bi相较于前m次第一优化周期内获得的所有分类运动组Bmz，存在新的分类运动组时，则将新增的分类运动组确定为新功能分类运动组Cu，u表示新功能分类运动组的标号。
对于出现新的分类运动组，这里直接考虑将新出现的分类运动组作为获取的按摩程序中一个重要的分类运动组，以保证新出现的分类运动组存在极大可能的受欢迎的情况。
将分类运动组占比数据集T0与前m次第一优化周期内获得的分类运动组占比数据集Tm进行占比变化对比，形成占比对比结果数据，包括：设定占比阈值α1，对于分类运动组占比数据集T0中的数量百分比不小于占比阈值α1的分类运动组：以当前第一优化周期内获得分类运动组占比数据集为基准，若连续p次存在在相邻所述第一优化周期上分类运动组的相对数量百分比减少量超过缩减阈值α2，则将分类运动组排除，并把排除后剩下的分类运动组所对应的按摩程序作为第一获取按摩程序集D1；对于分类运动组占比数据集T0中的数量百分比小于占比阈值α1的分类运动组：以当前第一优化周期内获得分类运动组占比数据集为基准，若连续q次存在在相邻第一优化周期上分类运动组的相对数量百分比增量不小于增量阈值α3，则将不小于增量阈值α3的分类运动组所对应的按摩程序作为第二获取按摩程序集D2。
对于现有分类运动组的筛选，若果只是利用占比数据进行对比分析，可能会出现某些分类运动组本身的基础量大，增量较小引起的变化较小，而某些分类运动组本身的基础量小，而增量较小引起的变化反而变大。所以，本申请通过占比阈值来对这两种不同基础量的分类运动组进行区分，然后分别基于占比数据进行分析确定当下受欢迎的现有分类运动组。需要说明的是，对于本身基础量较小的分类运动组，如果仅是参考在总基础数据上的占比，其反应的变化差异性较大，本申请通过相邻周期的占比进行相对占比的考虑来确定这类分类运动组的变化，即后一个周期内该分类运动组相对前一个周期的变化百分比，这样能够较为准确的把握该分类运动组的变化情况。
S2：根据运动组调整分析模型，进行运动组的优化选型，形成运动组按摩程序。
该步骤包括：将第一获取按摩程序集D1、第二获取按摩程序集D2以及新功能分类运动组Cu进行逻辑组合，形成运动组按摩程序。按摩机器人为了更加适应当下的按摩需求群体，所获取的按摩程序经过大数据分析后，将当下认为是受欢迎的分类运动组作为按摩程序的控制动作，来实现最大范围的满足按摩需求群体的按摩要求，提升按摩服务的质量，保证按摩程序的实时有效和受欢迎性。
S3：根据运动组按摩程序，确定运动组中的运动分项，并根据第一优化周期内获得的所有按摩程序，建立运动项参数优化模型。
根据运动组按摩程序，确定运动组中的运动分项，并根据第一优化周期内获得的所有按摩程序，建立运动项参数优化模型，包括：获取运动组按摩程序中的所有运动组Ev=[ev1，ev2，…，evr]，v表示运动组按摩程序中不同的运动组的标号，且v成为非零自然数，evr表示标号为v的运动组中的运动分项，且r为非零自然数并确定每个运动分项的运动指标值；以运动组为分析单位，确定出前m次第一优化周期内所获得的同类运动组，形成参考运动组，并获取参考运动组中每个运动分项的运动指标值，形成参考运动指标值；根据运动组Ev中不同的运动分项，提取同类参考运动组中相同的运动分项的参考运动指标值，并取定出参考运动指标值的平均数值，形成参考运动指标平均值。
运动分项中的参数值也是按摩程序重点考虑的调整方面。因为，对于不同时期的按摩需求群体，其对于按摩运动的指标是有变化的，诸如运动的时长、运动的力的大小、运动的方向等方面，当然，这些指标也会因为随着按摩技术的深入研究而调整，所以需要重点考虑运动指标。对于运动指标值，本申请通过平均值的形式取得，因为均值能够反应按摩需求群体中大部分人的按摩需求，做大最大范围的覆盖按摩群体，提升服务质量。
S4：根据运动项参数优化模型对运动分项进行参数优化，形成优化按摩程序。
该步骤包括：将获得的参考运动指标平均值赋予对应的运动组按摩程序中运动组内的运动分项，使运动组按摩程序形成优化按摩程序。在完成运动组和运动分项的优化分析后，综合分析结果即能形成按摩机器人实时获取的按摩程序。
本发明还提供一种基于大数据的按摩机器人按摩程序获取装置，采用本发明提供的基于大数据的按摩机器人按摩程序获取方法，包括数据收集单元，用于周期性地从网络数据信息中获取同类型按摩机器人的所有按摩程序；大数据分析单元，与数据收集单元连接，用于从数据收集单元获取按摩程序，并实现建立运动组调整分析模型进行运动组的优化选型和实现建立运动项参数优化模型进行运动分项的参数优化；数据存储单元，与大数据分析单元以及数据收集单元连接，用于以周期为单位存储数据收集单元所获取的按摩程序，并对大数据分析单元形成的运动组按摩程序和优化按摩程序进行存储。
该装置通过利用数据收集单元进行大数据的采样，为进行按摩程序的优化调整分析提供重要且实时的数据基础。利用大数据分析单元来实现形成按摩程序优化调整的模型建立和分析，实时有效的完成对按摩程序的优化，形成优化的按摩程序。借由数据存储单元进行历史采集数据和分析数据的存储，一方面用于为按摩机器人获取实时按摩程序提供有效的数据获取地，另一方面是实现对数据的有效存储，为数据分析提供合理的分析对比数据，也是为进行关于按摩程序的其他方面分析提供数据基础。
综上所述，本申请实施例提供的基于大数据的按摩机器人按摩程序获取方法、装置的有益效果有：
该方法通过周期性的获取同类型机器人的按摩程序，并对按摩程序进行两个层面上的大数据分析：一是将按摩程序的运动以运动组的形式进行优化选型，确定出适应当下大部分有按摩需求的人群的按摩运动组合，满足对于按摩运动组合的服务性需求，同时保证了按摩程序所控制的运动组合是实时有效进行调整优化的；二是对于运动分项进行参数优化，保证运动分项所控制的按摩运动动作到位，充分满足大多数按摩需求人员对于按摩力度、按摩时序时间等方向的细节需求。大数据分析使按摩机器人能够实时获取到当下适应按摩群体需求的按摩程序，保证按摩作业的有效性，提升按摩服务的质量。
该装置通过利用数据收集单元进行大数据的采样，为进行按摩程序的优化调整分析提供重要且实时的数据基础。利用大数据分析单元来实现形成按摩程序优化调整的模型建立和分析，实时有效的完成对按摩程序的优化，形成优化的按摩程序。借由数据存储单元进行历史采集数据和分析数据的存储，一方面用于为按摩机器人获取实时按摩程序提供有效的数据获取地，另一方面是实现对数据的有效存储，为数据分析提供合理的分析对比数据，也是为进行关于按摩程序的其他方面分析提供数据基础。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceLL memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于大数据的按摩机器人按摩程序获取方法，其特征在于，包括：
在第一优化周期内获取同类型按摩机器人的所有按摩程序，并对所有所述按摩程序建立运动组调整分析模型；
根据所述运动组调整分析模型，进行运动组的优化选型，形成运动组按摩程序；
根据所述运动组按摩程序，确定运动组中的运动分项，并根据所述第一优化周期内获得的所有所述按摩程序，建立运动项参数优化模型；
根据所述运动项参数优化模型对所述运动分项进行参数优化，形成优化按摩程序；
其中，在第一优化周期内获取同类型按摩机器人的所有按摩程序，并对所有所述按摩程序建立运动组调整分析模型，包括：
对第一优化周期内获取的所有所述按摩程序进行运动组的划分，并根据形成的所述运动组进行同类分析，形成运动组同类分析结果：
获取所述第一优化周期内的所有所述按摩程序，对所述按摩程序中的运动分项进行提取，并形成所述按摩程序的运动组An，n表示所述按摩程序的标号，且n为非零自然数，其中，An=[an1，an2，…，ank]，ank表示标号为n的所述运动组中所包含的所述运动分项，k为所述运动分项的标号，且k为非零自然数；将具有相同所述运动分项的所述运动组进行归类统计，形成分类运动组Bi，i为所述分类运动组的标号，且i为非零自然数；将每个所述分类运动组进行基于所有所述运动组的占比统计，形成所述第一优化周期内所述分类运动组占比数据集T0=[b1，b2，…，bi]，其中，bi表示所述分类运动组Bi的在所有所述运动组中的数量百分比；
将所述运动组同类分析结果与在前的所述第一优化周期内获得的所述运动组同类分析结果进行调整对比，确定所述运动组的调整内容：
获取前m次所述第一优化周期内获得的所述分类运动组Bmz以及所述分类运动组占比数据集Tm=[bm1，bm2，…，bmz]，其中bmz表示所述分类运动组在前m次所述第一优化周期内占所有所述运动组的数量百分比；
将所述第一优化周期内的所有所述分类运动组Bi与前m次所述第一优化周期内的所有所述分类运动组Bmz进行分类运动组的类型对比，形成类型对比结果数据：当所述第一优化周期内的所有所述分类运动组Bi相较于前m次所述第一优化周期内获得的所有所述分类运动组Bmz，存在新的所述分类运动组时，则将新增的所述分类运动组确定为新功能分类运动组Cu，u表示所述新功能分类运动组的标号；
将所述分类运动组占比数据集T0与前m次所述第一优化周期内获得的所述分类运动组占比数据集Tm进行占比变化对比，形成占比对比结果数据：设定占比阈值α1，对于所述分类运动组占比数据集T0中的数量百分比不小于所述占比阈值α1的所述分类运动组：以当前所述第一优化周期内获得所述分类运动组占比数据集为基准，若连续p次存在在相邻所述第一优化周期上所述分类运动组的相对数量百分比减少量超过缩减阈值α2，则将所述分类运动组排除，并把排除后剩下的所述分类运动组所对应的按摩程序作为第一获取按摩程序集D1；对于所述分类运动组占比数据集T0中的数量百分比小于所述占比阈值α1的所述分类运动组：以当前所述第一优化周期内获得所述分类运动组占比数据集为基准，若连续q次存在在相邻所述第一优化周期上所述分类运动组的相对数量百分比增量不小于增量阈值α3，则将不小于所述增量阈值α3的所述分类运动组所对应的按摩程序作为第二获取按摩程序集D2；
根据所述运动组调整分析模型，进行运动组的优化选型，形成运动组按摩程序，包括：将所述第一获取按摩程序集D1、所述第二获取按摩程序集D2以及所述新功能分类运动组Cu进行逻辑组合，形成所述运动组按摩程序。
2.根据权利要求1所述的基于大数据的按摩机器人按摩程序获取方法，其特征在于，所述根据所述运动组按摩程序，确定运动组中的运动分项，并根据所述第一优化周期内获得的所有所述按摩程序，建立运动项参数优化模型，包括：
获取所述运动组按摩程序中的所有运动组Ev=[ev1，ev2，…，evr]，v表示所述运动组按摩程序中不同的所述运动组的标号，且v成为非零自然数，evr表示标号为v的所述运动组中的所述运动分项，且r为非零自然数，并确定每个所述运动分项的运动指标值；
以所述运动组为分析单位，确定出前m次所述第一优化周期内所获得的同类所述运动组，形成参考运动组，并获取所述参考运动组中每个所述运动分项的运动指标值，形成参考运动指标值；
根据所述运动组Ev中不同的所述运动分项，提取同类所述参考运动组中相同的所述运动分项的所述参考运动指标值，并取定出所述参考运动指标值的平均数值，形成参考运动指标平均值。
3.根据权利要求2所述的基于大数据的按摩机器人按摩程序获取方法，其特征在于，所述根据所述运动项参数优化模型对所述运动分项进行参数优化，形成优化按摩程序，包括：
将获得的所述参考运动指标平均值赋予对应的所述运动组按摩程序中所述运动组内的所述运动分项，使所述运动组按摩程序形成优化按摩程序。
4.一种基于大数据的按摩机器人按摩程序获取装置，采用权利要求1-3任意一项所述基于大数据的按摩机器人按摩程序获取方法，其特征在于，包括：
数据收集单元，用于周期性地从网络数据信息中获取同类型按摩机器人的所有按摩程序；
大数据分析单元，与所述数据收集单元连接，用于从所述数据收集单元获取按摩程序，并实现建立运动组调整分析模型进行运动组的优化选型和实现建立运动项参数优化模型进行运动分项的参数优化；
数据存储单元，与所述大数据分析单元以及所述数据收集单元连接，用于以周期为单位存储所述数据收集单元所获取的按摩程序，并对所述大数据分析单元形成的运动组按摩程序和优化按摩程序进行存储。
CN202311164476.4A 2023-09-11 2023-09-11 一种基于大数据的按摩机器人按摩程序获取方法、装置 Active CN116909517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311164476.4A CN116909517B (zh) 2023-09-11 2023-09-11 一种基于大数据的按摩机器人按摩程序获取方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311164476.4A CN116909517B (zh) 2023-09-11 2023-09-11 一种基于大数据的按摩机器人按摩程序获取方法、装置

Publications (2)

Publication Number Publication Date
CN116909517A CN116909517A (zh) 2023-10-20
CN116909517B true CN116909517B (zh) 2023-11-21

Family

ID=88367132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311164476.4A Active CN116909517B (zh) 2023-09-11 2023-09-11 一种基于大数据的按摩机器人按摩程序获取方法、装置

Country Status (1)

Country Link
CN (1) CN116909517B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109330846A (zh) * 2018-09-28 2019-02-15 哈尔滨工业大学 一种基于深度学习算法的空气波压力按摩仪参数优化方法
CN110347449A (zh) * 2019-07-01 2019-10-18 奥佳华智能健康科技集团股份有限公司 一种智能按摩椅推荐按摩程序优化方法和系统
CN111588616A (zh) * 2020-04-30 2020-08-28 广东艾诗凯奇智能科技有限公司 控制按摩设备的方法及装置、移动终端、按摩设备
CN115453923A (zh) * 2021-06-08 2022-12-09 上海荣泰健康科技股份有限公司 一种智能按摩程序的生成方法、装置、存储介质及终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220379469A1 (en) * 2021-05-26 2022-12-01 Ubtech Robotics Corp Ltd Massage motion control method, robot controller using the same, and computer readable storage medium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109330846A (zh) * 2018-09-28 2019-02-15 哈尔滨工业大学 一种基于深度学习算法的空气波压力按摩仪参数优化方法
CN110347449A (zh) * 2019-07-01 2019-10-18 奥佳华智能健康科技集团股份有限公司 一种智能按摩椅推荐按摩程序优化方法和系统
CN111588616A (zh) * 2020-04-30 2020-08-28 广东艾诗凯奇智能科技有限公司 控制按摩设备的方法及装置、移动终端、按摩设备
CN115453923A (zh) * 2021-06-08 2022-12-09 上海荣泰健康科技股份有限公司 一种智能按摩程序的生成方法、装置、存储介质及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的按摩机器人手臂控制系统;张邦成等;长春工业大学学报(自然科学版)(05);全文 *

Also Published As

Publication number Publication date
CN116909517A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Schmidt et al. Coevolution of fitness predictors
CN109948647A (zh) 一种基于深度残差网络的心电图分类方法及系统
CN108090508A (zh) 一种分类训练方法、装置及存储介质
CN101295305A (zh) 图像检索装置
Liang et al. Knowledge consistency between neural networks and beyond
CN108197647B (zh) 一种汽车起动机耐久测试数据的快速聚类方法
Labroche New incremental fuzzy c medoids clustering algorithms
CN116909517B (zh) 一种基于大数据的按摩机器人按摩程序获取方法、装置
CN109470954B (zh) 一种基于大数据的电网运行状态监测系统及其监测方法
CN117744722A (zh) 一种大模型压缩方法及系统
CN117633597A (zh) 基于自适应谱聚类的居民峰谷用电特性分类方法及系统
CN116542956A (zh) 一种织物组分自动检测方法、系统及可读存储介质
CN109948465A (zh) 一种基于多目标的表面肌电信号分类方法
CN113723538B (zh) 基于层次化迁移学习的跨平台功耗性能预测方法及系统
CN106569472B (zh) 基于bdd的企业车间死锁的快速预防方法
Hashemian et al. Iris: Iterative and intelligent experiment selection
Lorenz et al. Feature selection with NSGA and GAAM in EEG signals domain
Rao et al. An Advanced Optimal Web Intelligent Model for Mining Web User Usage Behavior using Genetic Algorithm
Gupta et al. Frequent term based text document clustering using similarity measures: A novel approach
New et al. Dynamic visualization of coexpression in systems genetics data
Zhu et al. Filter pruning via structural similarity index for deep convolutional neural networks acceleration
CN112101266B (zh) 基于多arm的动作识别模型分布式推理方法
Cano et al. Strategies for scaling up evolutionary instance reduction algorithms for data mining
Peng et al. Optimize parameter K in locally linear embedding based on spatial distributions
Wu et al. Towards Adaptive Continuous Trajectory Clustering Over a Distributed Web Data Stream

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