CN116959665A - 运动监测方法、装置、设备及存储介质 - Google Patents
运动监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116959665A CN116959665A CN202311220798.6A CN202311220798A CN116959665A CN 116959665 A CN116959665 A CN 116959665A CN 202311220798 A CN202311220798 A CN 202311220798A CN 116959665 A CN116959665 A CN 116959665A
- Authority
- CN
- China
- Prior art keywords
- motion
- user
- parameters
- health
- parameter
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 305
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000036541 health Effects 0.000 claims abstract description 126
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 41
- 230000001133 acceleration Effects 0.000 claims description 33
- 239000002245 particle Substances 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013475 authorization Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biotechnology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及监测技术领域,公开了一种运动监测方法、装置、设备及存储介质。所述运动监测方法包括:获取用户运动过程中的运动参数;根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。本发明能够帮助不同的人群获取适合自己的运动量。
Description
技术领域
本发明涉及监测技术领域,尤其涉及一种运动监测方法、装置、设备及存储介质。
背景技术
随着科技的快速发展和人们对健康认识的不断提高,运动健康管理已经成为一个热门的领域。各种健康管理软件、智能穿戴设备相继进入市场,帮助人们更科学地管理自己的健康。
然而,传统的健康管理模式一般需要用户详细输入个人的生理参数,并按照设备或软件提供的运动指导方案进行运动,然后再根据运动后的生理指标调整运动方案,但这种健康管理模式过于被动,也无法实时准确地反应用户的健康状况。
特别是对于一些慢性病患者以及老年人,他们对自己的身体状况自我感知能力可能较弱,往往无法做到实时监测并科学管理自己的运动状态。而随着大数据和人工智能技术的发展,一些运动健康管理的智能化、个性化需求开始凸显,人们现在越来越期望通过智能设备,以准确、实时的方式监测、预测并调整运动状态,从而更有效地保护和提升自己的健康。
发明内容
本发明提供了一种运动监测方法、装置、设备及存储介质,用于实现通过智能设备准确、实时的方式监测、预测并调整运动状态。
本发明第一方面提供了一种运动监测方法,所述运动监测方法应用于终端设备,所述终端设备与一个或多个可穿戴设备连接,不同的所述可穿戴设备穿戴在用户的不同位置;所述方法包括:
获取用户运动过程中的运动参数;其中,所述运动参数至少包括用户运动过程中的心电信号和加速度能量;
根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;其中,所述目标运动参数为终端设备根据用户身体参数确定得到的运动指导方案中的参数;
将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;其中,所述健康管理预测模型经过提前训练得到;
根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。
可选的,在本发明第一方面的第一种实现方式中,所述获取用户运动过程中的运动参数,包括:
通过预置的心率传感器获取用户的初始心电信号,并通过预置的加速度传感器获取用户的初始加速度能量;通过预设的小波基函数和分解层数,将初始心电信号和初始加速度能量分别进行小波分解,得到各自的原始小波系数;
构建集成学习框架,结合历史数据与实时操作数据,自适应优化传统小波阈值函数的参数,采用多个基学习器进行训练,得到多个精度不同的小波阈值函数;
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重,生成自适应小波阈值函数;
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中,采用统一阈值法对原始小波系数进行阈值处理,得到阈值处理后的心电信号和加速度能量小波系数;
将阈值处理后的心电信号和加速度能量小波系数进行重构,得到重构后的心电信号和加速度能量。
可选的,在本发明第一方面的第二种实现方式中,所述通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重,生成自适应小波阈值函数,包括:
S1:初始化一组随机粒子,每个粒子表示一种可能的解决方案,其中,所述解决方案为基学习器对应的小波阈值函数的参数组合;
S2:评估每个粒子的适应度,其中,所述适应度为小波阈值函数在训练集上的预测精度;
S3:根据每个粒子的自身历史最优位置和全体粒子的全局最优位置,更新每个粒子的速度和位置;
S4:重复步骤S2和S3,直到满足预设的终止条件,找到最优解或达到预设的最大迭代次数;
S5:在结束时,全局最优位置被视为最佳解方案,其中,所述最佳解方案为基学习器对应的小波阈值函数参数的最优组合权重,以此生成自适应小波阈值函数。
可选的,在本发明第一方面的第三种实现方式中,所述健康管理预测模型的训练过程,包括:
构建初始的健康管理预测模型,包含初级运动跟踪数据分析网络和初级健康状态预测网络,初级运动跟踪数据分析网络的输出端与初级健康状态预测网络的输入端相连;
依据第一训练数据以及对第一训练数据进行运动参数解读得到的第一次标记数据,训练初级运动跟踪数据分析网络,获得目标运动参数解读模块;
根据第二训练数据以及对第二训练数据进行健康状态标记得到的第二次标记数据训练初级健康状态预测网络,得到目标健康状态预测模块;
根据目标运动参数解读模块和目标健康状态预测模块构成健康管理预测模型。
可选的,在本发明第一方面的第四种实现方式中,所述初级运动跟踪数据分析网络为基于Unet的多分支运动参数解析网络S(x),网络S(x)内涵Unet主流和N个运动参数分支网络;
Unet主流网络接收用户运动跟踪数据,每个运动参数分支网络都有对应的运动参数解析输出,将运动参数解析输出与运动监测数据进行哈达玛积的运算,提取各个运动监测区域;
将各个运动监测区域的数据输入到相应的初始健康状态预测网络,此时的初始健康状态预测网络为健康等级网络Dn(x),此处的下标n代表不同的健康状态序号,总共有N个健康等级网络,Dn(x)的输出为第n种健康状态的等级。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述健康管理预测报告对用户的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告,包括:
分析用户的健康管理预测报告和运动参数,得到用户的潜在健康风险参数和用户的微调运动参数;
基于预设的优化算法,结合用户的潜在健康风险参数和用户的微调运动参数对预设的目标运动参数进行实时优化,得到优化目标运动参数;
根据优化目标运动参数与用户的微调运动参数生成用户运动监测报告。
本发明第二方面提供了一种运动监测装置,所述运动监测装置包括:
获取模块,用于获取用户运动过程中的运动参数;其中,所述运动参数至少包括用户运动过程中的心电信号和加速度能量;
处理模块,用于根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;其中,所述目标运动参数为终端设备根据用户身体参数确定得到的运动指导方案中的参数;
预测模块,用于将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;其中,所述健康管理预测模型经过提前训练得到;
用户运动监测报告生成模块,用于根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。
本发明第三方面提供了一种运动监测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述运动监测设备执行上述的运动监测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的运动监测方法。
本发明提供的技术方案中,有益效果:本发明提供一种运动监测方法、装置、设备及存储介质,通过实时地获取用户运动过程中的心电信号和加速度能量等运动参数,根据这些参数以及预设的目标运动参数生成用户运动监测数据。然后将这些数据输入到训练后的健康管理预测模型中进行预测,得出用户运动后的健康管理预测报告。再根据这个报告对预设的目标运动参数进行优化,生成优化目标运动参数。这个过程可以实时监测用户的健康状况,及时发现身体不适,减少运动过程中的风险。同时,能够及时调整运动计划,增加运动效果,避免运动代谢不合理产生的健康问题。再者,利用AI进行分析和预测,可以减少运动过程中的不确定性,提高运动的针对性和有效性。与此同时,本发明具有实时性,能够在运动过程中,根据用户的生理参数变化实时调整运动计划,保证运动安全性和效果。本发明能够帮助不同的人群获取适合自己的运动量。
附图说明
图1为本发明实施例中运动监测方法的一个实施例示意图;
图2为本发明实施例中运动监测装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种运动监测方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中运动监测方法的一个实施例包括:
步骤101、获取用户运动过程中的运动参数;其中,所述运动参数至少包括用户运动过程中的心电信号和加速度能量;
可以理解的是,本发明的执行主体可以为运动监测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,在用户运动过程中,系统通过特定的测量设备,如穿戴设备或移动应用,收集用户的心电信号和加速度能量等运动参数。心电信号是通过监视心脏电活动来反映用户的心率和心律。例如,如果用户在跑步时心率过快,可能表明他超出了合理的锻炼强度或者可能存在心脏健康问题。
另一方面,加速度能量是通过跟踪用户的身体或特定部分(如手臂,腿部)的移动速度和方向来获得的。例如,如果在跑步过程中,用户的步频、步幅等会影响加速度的变化。这种数据分析可以帮助指导用户改善运动方式或判断运动强度是否适中。
步骤102、根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;其中,所述目标运动参数为终端设备根据用户身体参数确定得到的运动指导方案中的参数;
具体的,系统会根据收集的用户运动参数,结合预设的目标运动参数,生成一份用户运动监测数据。这份数据会反映用户当前的运动状态是否达到了设定的目标。例如,如果用户的目标是保持心率在每分钟150次以内,而实际收集的心电信号显示心率超过了这个数值,那么监测数据就会反映出这个偏差。
预设的目标运动参数通常由终端设备基于用户个人的体质参数(如年龄、体重等)确定,并包含在设定的运动指导方案中。例如,为一个50岁的人设定的目标心率可能会低于20岁的年轻人。这些目标参数和实时收集的运动参数相结合,能够生成实时、准确的用户运动监测数据,为用户提供个性化的运动指导和健康管理。
步骤103、将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;其中,所述健康管理预测模型经过提前训练得到;
具体的,用户的运动监测数据将输入到健康管理预测模型中,模型会根据历史数据和预测算法,提供一份用户运动后的健康预测报告。例如,如果数据指出用户的心率在某一时段大幅上升,模型可能预测用户存在过度疲劳的风险。
这种预测报告可以帮助用户更好地理解他们的健康状况,并在运动过程中及时进行调整。此外,这个预测还可以指导用户制定合理的运动计划,以达到更好的运动效果。
步骤104、根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。
具体的,健康管理预测报告不仅反映了用户当前的健康状况,也为优化运动目标参数提供了依据。例如,如果预测报告显示用户在运动中的心率经常超出设定目标,那么系统就可能会根据这个反馈调整目标心率,使其更适合用户的实际情况。这样生成的优化目标运动参数将更贴近用户的实际需要和能力。
然后,根据这个优化后的目标运动参数和用户当前的运动参数,系统会生成一份新的用户运动监测报告。比如,根据优化后的目标心率和用户跑步时实际的心率,报告会详细反映出用户的运动状态,是否达到了优化后的目标,以及可能需要的调整建议等。
本发明实施例中运动监测方法的另一个实施例包括:
所述获取用户运动过程中的运动参数,包括:
通过预置的心率传感器获取用户的初始心电信号,并通过预置的加速度传感器获取用户的初始加速度能量;通过预设的小波基函数和分解层数,将初始心电信号和初始加速度能量分别进行小波分解,得到各自的原始小波系数;
构建集成学习框架,结合历史数据与实时操作数据,自适应优化传统小波阈值函数的参数,采用多个基学习器进行训练,得到多个精度不同的小波阈值函数;
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重,生成自适应小波阈值函数;
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中,采用统一阈值法对原始小波系数进行阈值处理,得到阈值处理后的心电信号和加速度能量小波系数;
将阈值处理后的心电信号和加速度能量小波系数进行重构,得到重构后的心电信号和加速度能量。
具体的,首先利用传感器获取用户初始的心电信号和加速度能量。例如,心率传感器用于监测用户的心跳频率,加速度传感器用于记录用户的身体动作强弱和速度。这些初始数据提供了用户当前在做什么运动以及运动的强度等信息。
然后,这些初始信号经过所说的小波分解,通过一个预设的小波基函数和分解层数,将这些信号分解到不同的频率层次,获取其原始小波系数。小波分解是一种在时间和频率上同时进行的信号分析方法,可以更精确地区分和提取信号的关键特征。
接下来,构建集成学习框架,优化传统的小波阈值函数。集成学习框架基于多个基学习器(比如多个不同的机器学习模型)进行训练,配合历史数据和实时操作数据,得到多个不同精度的小波阈值函数。
进一步,这些小波阈值函数的参数通过粒子群算法进行优化求解,找出最优的组合权重,生成自适应小波阈值函数。粒子群算法是一种优化算法,根据多个解的性能,持续迭代,找到最优解。
得到的自适应小波阈值函数被应用于对原始小波系数进行阈值处理,形成处理后的心电信号和加速度能量小波系数。
本发明实施例中运动监测方法的另一个实施例包括:
所述通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重,生成自适应小波阈值函数,包括:
S1:初始化一组随机粒子,每个粒子表示一种可能的解决方案,其中,所述解决方案为基学习器对应的小波阈值函数的参数组合;
S2:评估每个粒子的适应度,其中,所述适应度为小波阈值函数在训练集上的预测精度;
S3:根据每个粒子的自身历史最优位置和全体粒子的全局最优位置,更新每个粒子的速度和位置;
S4:重复步骤S2和S3,直到满足预设的终止条件,找到最优解或达到预设的最大迭代次数;
S5:在结束时,全局最优位置被视为最佳解方案,其中,所述最佳解方案为基学习器对应的小波阈值函数参数的最优组合权重,以此生成自适应小波阈值函数。
本发明实施例中,有益效果:本发明实施例通过迭代方式逐渐调整不同参数组合,找出最优解决方案,从而生成适应性的小波阈值函数。
本发明实施例中运动监测方法的另一个实施例包括:
所述健康管理预测模型的训练过程,包括:
构建初始的健康管理预测模型,包含初级运动跟踪数据分析网络和初级健康状态预测网络,初级运动跟踪数据分析网络的输出端与初级健康状态预测网络的输入端相连;
依据第一训练数据以及对第一训练数据进行运动参数解读得到的第一次标记数据,训练初级运动跟踪数据分析网络,获得目标运动参数解读模块;
根据第二训练数据以及对第二训练数据进行健康状态标记得到的第二次标记数据训练初级健康状态预测网络,得到目标健康状态预测模块;
根据目标运动参数解读模块和目标健康状态预测模块构成健康管理预测模型。
具体的,健康管理预测模型的训练过程包含两个主要步骤:训练运动参数解读模块和健康状态预测模块。
初级运动跟踪数据分析网络被训练用于解读运动参数。这涉及基于第一训练数据及相关的标记数据训练网络。这些标记数据可能包括了对运动强度、类型或持续时间的注释。经过训练后,网络演化为目标运动参数解读模块,能够理解和解析运动监测数据。
类似地,初级健康状态预测网络需要被训练以预测用户的健康状况。这涉及基于第二训练数据及相关的标记数据(如睡眠质量、基本生理参数等)训练网络。训练后,该网络演化为目标健康状态预测模块,能预测健康状况。
最后,将这两个模块组合形成完整的健康管理预测模型,一方面解析运动数据,另一方面预测用户的健康状态。
本发明实施例中运动监测方法的另一个实施例包括:
所述初级运动跟踪数据分析网络为基于Unet的多分支运动参数解析网络S(x),网络S(x)内涵Unet主流和N个运动参数分支网络;
Unet主流网络接收用户运动跟踪数据,每个运动参数分支网络都有对应的运动参数解析输出,将运动参数解析输出与运动监测数据进行哈达玛积的运算,提取各个运动监测区域;
将各个运动监测区域的数据输入到相应的初始健康状态预测网络,此时的初始健康状态预测网络为健康等级网络Dn(x),此处的下标n代表不同的健康状态序号,总共有N个健康等级网络,Dn(x)的输出为第n种健康状态的等级。
具体的,本发明实施例描述了基于Unet的多分支运动参数解析网络S(x)和一组健康等级网络Dn(x)的结构和工作方式。
在S(x)网络中,Unet主流网络接收运动跟踪数据并进行初步处理。然后每个运动参数分支网络各处理一个特定的运动参数,并生成一个运动参数的解析输出。
这些解析输出与原始运动监测数据进行哈达玛积运算,哈达玛积就是对应元素的乘积,如此可以提取各个运动监测区域的特征。
然后,各个运动监测区域的数据被输入到相应初始健康状态预测网络,即健康等级网络Dn(x)中。这里有N个健康等级网络,每个网络对应一个健康状态序号(例如,健康、亚健康、疾病等),每个网络的输出为对应健康状态的等级。
本发明实施例中,有益效果:本发明实施例能够根据各个运动参数和健康状态,提取更精细、更准确的用户健康信息,有利于制定个性化的健康管理方案。
本发明实施例中运动监测方法的另一个实施例包括:
所述根据所述健康管理预测报告对用户的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告,包括:
分析用户的健康管理预测报告和运动参数,得到用户的潜在健康风险参数和用户的微调运动参数;
基于预设的优化算法,结合用户的潜在健康风险参数和用户的微调运动参数对预设的目标运动参数进行实时优化,得到优化目标运动参数;
根据优化目标运动参数与用户的微调运动参数生成用户运动监测报告。
具体的,首先利用用户的健康管理预测报告和运动参数,以识别出潜在的健康风险参数,如可能的心脏问题,以及需要微调的运动参数,如运动强度或持续时间。
然后,基于预设的优化算法(可以根据具体的用户情况和目标选择不同的算法),利用这些得到的信息,对原始的目标运动参数进行实时优化。这可能包括调整运动强度,改变运动方式等,形成优化后的目标运动参数。
最后,结合优化后的目标运动参数和用户的微调运动参数,生成用户的运动监测报告。这份报告可以向用户提供更个性化、更精确的运动建议,帮助他们更有效地改善健康状况而避免风险。
本发明实施例中运动监测方法另一个实施例包括:
所述根据所述运动参数以及预设的目标运动参数生成用户运动监测数据,并对所述用户运动监测数据进行标记,包括:
可穿戴设备收集用户的运动参数;
可穿戴设备与本地无线通信节点建立资源控制连接;
本地无线通信节点从网络中获取所在地区的最大数据传输时间,同时监听当前时间段内其他设备的信号发送状况;
当无其他设备在所述可穿戴设备的同一频段上传输信号时,本地无线通信节点在该频段上持续发送信道占用信号,持续时间为所获取的最大数据传输时间;
本地无线通信节点基于智能手环发送的调度请求和数据状态报告,产生并向可穿戴设备发送上行链路的授权信号;
可穿戴设备接收到上行链路授权信号后预备进行上行链路传输,并且计算出预备时间与最大数据传输时间的对比;
若预备时间小于最大数据传输时间,可穿戴设备向本地无线通信节点发送用户的运动监测数据;
本地无线通信节点接收到运动监测数据后,通过无线网络将用户的运动监测数据传送至终端设备;
终端设备根据收集到的运动指标和预设的目标运动指标,生成并标记用户运动监测数据。
具体的,首先描述了用户的可穿戴设备(例如智能手环)收集关于其运动的数据,例如取得用户步数、心率等信息。一旦收集了这些数据,可穿戴设备会与本地无线通信节点建立连接,就像在家里的设备可能会连接到家里的Wi-Fi路由器。
接着,该本地无线通信节点有一任务去网络中取得当前地区的最大数据传输时间,同时监听与其他设备的任何潜在信号冲突。例如,如果家中有其他正在使用的设备,如平板或手机,它们都可能会在相同的频段上传输数据。
若无其他设备在同一频段上发送信号,节点就会在那个频段发送持续的信道占用信号。“持续时间”等于刚刚获取到的最大数据传输时间,确保没有其他设备会在同一频段中断数据传输。
在收到可穿戴设备发送的调度请求和数据状态报告后,无线通信节点就会产生并发送一个上行链路的授权信号,让设备可以开始向节点发送数据。
可穿戴设备在接收到授权信号后,就会准备传送收集到的数据。与此同时,设备会计算预备时间,如果预备时间小于最大数据传输时间,则开始发送搜集到的运动监测数据。
本地无线通信节点在收到设备发送的运动监测数据后,会把数据通过无线网络传递至用户的终端设备,可能是用户的手机或电脑。在那里,根据收集到的具体运动指标和预设置的目标运动参数合并产生并标记用户的运动监测数据,例如,如果用户的目标是达到每天10000步,那么数据将以此为参考进行分析和标记。
本发明实施例中,有益效果:本发明实施例可以为用户提供更具质量和详细度的反馈,从而使他们更好地理解自己的运动表现,进而制定适合自己的运动计划。
上面对本发明实施例中运动监测方法进行了描述,下面对本发明实施例中运动监测装置进行描述,请参阅图2,本发明实施例中运动监测装置1一个实施例包括:
获取模块11,用于获取用户运动过程中的运动参数;其中,所述运动参数至少包括用户运动过程中的心电信号和加速度能量;
处理模块12,用于根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;其中,所述目标运动参数为终端设备根据用户身体参数确定得到的运动指导方案中的参数;
预测模块13,用于将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;其中,所述健康管理预测模型经过提前训练得到;
用户运动监测报告生成模块14,用于根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。
在本实施例中,上述运动监测装置实施例中的各个模块的具体实现,请参照上述运动监测方法实施例中所述,在此不再进行赘述。
本发明还提供一种运动监测设备,所述运动监测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述运动监测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述运动监测方法的步骤。
有益效果:本发明提供一种运动监测方法、装置、设备及存储介质,通过实时地获取用户运动过程中的心电信号和加速度能量等运动参数,根据这些参数以及预设的目标运动参数生成用户运动监测数据。然后将这些数据输入到训练后的健康管理预测模型中进行预测,得出用户运动后的健康管理预测报告。再根据这个报告对预设的目标运动参数进行优化,生成优化目标运动参数。这个过程可以实时监测用户的健康状况,及时发现身体不适,减少运动过程中的风险。同时,能够及时调整运动计划,增加运动效果,避免运动代谢不合理产生的健康问题。再者,利用AI进行分析和预测,可以减少运动过程中的不确定性,提高运动的针对性和有效性。与此同时,本发明具有实时性,能够在运动过程中,根据用户的生理参数变化实时调整运动计划,保证运动安全性和效果。本发明能够帮助不同的人群获取适合自己的运动量。
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,装置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。
所述集成的单元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,本发明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全部或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)执行本发明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 access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种运动监测方法,其特征在于,应用于终端设备,所述终端设备与一个或多个可穿戴设备连接,不同的所述可穿戴设备穿戴在用户的不同位置;所述方法包括:
获取用户运动过程中的运动参数;其中,所述运动参数至少包括用户运动过程中的心电信号和加速度能量;
根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;其中,所述目标运动参数为终端设备根据用户身体参数确定得到的运动指导方案中的参数;
将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;其中,所述健康管理预测模型经过提前训练得到;
根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。
2.根据权利要求1所述的运动监测方法,其特征在于,所述获取用户运动过程中的运动参数,包括:
通过预置的心率传感器获取用户的初始心电信号,并通过预置的加速度传感器获取用户的初始加速度能量;通过预设的小波基函数和分解层数,将初始心电信号和初始加速度能量分别进行小波分解,得到各自的原始小波系数;
构建集成学习框架,结合历史数据与实时操作数据,自适应优化传统小波阈值函数的参数,采用多个基学习器进行训练,得到多个精度不同的小波阈值函数;
通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重,生成自适应小波阈值函数;
将得到的初始心电信号和初始加速度能量的原始小波系数分别代入生成的自适应小波阈值函数中,采用统一阈值法对原始小波系数进行阈值处理,得到阈值处理后的心电信号和加速度能量小波系数;
将阈值处理后的心电信号和加速度能量小波系数进行重构,得到重构后的心电信号和加速度能量。
3.根据权利要求2所述的运动监测方法,其特征在于,所述通过预设的粒子群算法计算各基学习器对应的小波阈值函数的参数的最优组合权重,生成自适应小波阈值函数,包括:
S1:初始化一组随机粒子,每个粒子表示一种可能的解决方案,其中,所述解决方案为基学习器对应的小波阈值函数的参数组合;
S2:评估每个粒子的适应度,其中,所述适应度为小波阈值函数在训练集上的预测精度;
S3:根据每个粒子的自身历史最优位置和全体粒子的全局最优位置,更新每个粒子的速度和位置;
S4:重复步骤S2和S3,直到满足预设的终止条件,找到最优解或达到预设的最大迭代次数;
S5:在结束时,全局最优位置被视为最佳解方案,其中,所述最佳解方案为基学习器对应的小波阈值函数参数的最优组合权重,以此生成自适应小波阈值函数。
4.根据权利要求1所述的运动监测方法,其特征在于,所述健康管理预测模型的训练过程,包括:
构建初始的健康管理预测模型,包含初级运动跟踪数据分析网络和初级健康状态预测网络,初级运动跟踪数据分析网络的输出端与初级健康状态预测网络的输入端相连;
依据第一训练数据以及对第一训练数据进行运动参数解读得到的第一次标记数据,训练初级运动跟踪数据分析网络,获得目标运动参数解读模块;
根据第二训练数据以及对第二训练数据进行健康状态标记得到的第二次标记数据训练初级健康状态预测网络,得到目标健康状态预测模块;
根据目标运动参数解读模块和目标健康状态预测模块构成健康管理预测模型。
5.根据权利要求4所述的运动监测方法,其特征在于,所述初级运动跟踪数据分析网络为基于Unet的多分支运动参数解析网络S(x),网络S(x)内涵Unet主流和N个运动参数分支网络;
Unet主流网络接收用户运动跟踪数据,每个运动参数分支网络都有对应的运动参数解析输出,将运动参数解析输出与运动监测数据进行哈达玛积的运算,提取各个运动监测区域;
将各个运动监测区域的数据输入到相应的初始健康状态预测网络,此时的初始健康状态预测网络为健康等级网络Dn(x),此处的下标n代表不同的健康状态序号,总共有N个健康等级网络,Dn(x)的输出为第n种健康状态的等级。
6.根据权利要求1所述的运动监测方法,其特征在于,所述根据所述健康管理预测报告对用户的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告,包括:
分析用户的健康管理预测报告和运动参数,得到用户的潜在健康风险参数和用户的微调运动参数;
基于预设的优化算法,结合用户的潜在健康风险参数和用户的微调运动参数对预设的目标运动参数进行实时优化,得到优化目标运动参数;
根据优化目标运动参数与用户的微调运动参数生成用户运动监测报告。
7.一种运动监测装置,其特征在于,所述运动监测装置包括:
获取模块,用于获取用户运动过程中的运动参数;其中,所述运动参数至少包括用户运动过程中的心电信号和加速度能量;
处理模块,用于根据所述运动参数以及预设的目标运动参数生成用户运动监测数据;其中,所述目标运动参数为终端设备根据用户身体参数确定得到的运动指导方案中的参数;
预测模块,用于将所述用户运动监测数据输入至训练后的健康管理预测模型中进行预测,得到用户运动后的健康管理预测报告;其中,所述健康管理预测模型经过提前训练得到;
用户运动监测报告生成模块,用于根据所述健康管理预测报告对预设的目标运动参数进行优化,生成优化目标运动参数,根据所述优化目标运动参数和所述运动参数生成用户运动监测报告。
8.一种运动监测设备,其特征在于,所述运动监测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述运动监测设备执行如权利要求1-6中任一项所述的运动监测方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的运动监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220798.6A CN116959665B (zh) | 2023-09-21 | 2023-09-21 | 运动监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220798.6A CN116959665B (zh) | 2023-09-21 | 2023-09-21 | 运动监测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116959665A true CN116959665A (zh) | 2023-10-27 |
CN116959665B CN116959665B (zh) | 2023-12-19 |
Family
ID=88458771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311220798.6A Active CN116959665B (zh) | 2023-09-21 | 2023-09-21 | 运动监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116959665B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647250A (zh) * | 2024-01-29 | 2024-03-05 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104042219A (zh) * | 2014-06-28 | 2014-09-17 | 青岛歌尔声学科技有限公司 | 一种用于检测运动状态的方法和装置 |
WO2018045516A1 (zh) * | 2016-09-07 | 2018-03-15 | 华为技术有限公司 | 一种通信方法及基站 |
US20180092128A1 (en) * | 2015-04-09 | 2018-03-29 | Electronics And Telecommunications Research Institute | Method for transmitting uplink data considering hidden node problem and channel occupation of user terminals |
US20180279229A1 (en) * | 2017-03-23 | 2018-09-27 | Ofinno Technologies, Llc | Uplink Transmission Power Adjustment |
CN110993058A (zh) * | 2019-12-27 | 2020-04-10 | 深圳市圆周率智能信息科技有限公司 | 一种运动指导方法和使用该方法的移动终端 |
CN111859624A (zh) * | 2020-06-24 | 2020-10-30 | 西安理工大学 | 一种基于nsga-ii算法的运动处方参数管理方法 |
CN112349429A (zh) * | 2020-12-01 | 2021-02-09 | 苏州体素信息科技有限公司 | 疾病预测方法、疾病预测模型训练方法及装置、存储介质 |
CN116486998A (zh) * | 2023-04-27 | 2023-07-25 | 深圳市中新云创科技有限公司 | 基于健身器材彩屏的用户健康数据监测和管理方法及系统 |
CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
-
2023
- 2023-09-21 CN CN202311220798.6A patent/CN116959665B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104042219A (zh) * | 2014-06-28 | 2014-09-17 | 青岛歌尔声学科技有限公司 | 一种用于检测运动状态的方法和装置 |
US20180092128A1 (en) * | 2015-04-09 | 2018-03-29 | Electronics And Telecommunications Research Institute | Method for transmitting uplink data considering hidden node problem and channel occupation of user terminals |
WO2018045516A1 (zh) * | 2016-09-07 | 2018-03-15 | 华为技术有限公司 | 一种通信方法及基站 |
US20180279229A1 (en) * | 2017-03-23 | 2018-09-27 | Ofinno Technologies, Llc | Uplink Transmission Power Adjustment |
CN110993058A (zh) * | 2019-12-27 | 2020-04-10 | 深圳市圆周率智能信息科技有限公司 | 一种运动指导方法和使用该方法的移动终端 |
CN111859624A (zh) * | 2020-06-24 | 2020-10-30 | 西安理工大学 | 一种基于nsga-ii算法的运动处方参数管理方法 |
CN112349429A (zh) * | 2020-12-01 | 2021-02-09 | 苏州体素信息科技有限公司 | 疾病预测方法、疾病预测模型训练方法及装置、存储介质 |
CN116486998A (zh) * | 2023-04-27 | 2023-07-25 | 深圳市中新云创科技有限公司 | 基于健身器材彩屏的用户健康数据监测和管理方法及系统 |
CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647250A (zh) * | 2024-01-29 | 2024-03-05 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
CN117647250B (zh) * | 2024-01-29 | 2024-04-30 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116959665B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Human activity recognition based on improved Bayesian convolution network to analyze health care data using wearable IoT device | |
CN106956271B (zh) | 预测情感状态的方法和机器人 | |
CN116959665B (zh) | 运动监测方法、装置、设备及存储介质 | |
CN102218212A (zh) | 一种虚拟私人运动教练装置及服务系统 | |
CN102213957A (zh) | 一种提供虚拟私人运动教练的控制方法、控制装置及系统 | |
CN109567313B (zh) | 一种具有生物特征识别功能的智能鞋垫 | |
Wang et al. | Analysis of real‐time heartbeat monitoring using wearable device Internet of Things system in sports environment | |
CN104937376A (zh) | 计步器装置中基于频率的跨步长度修正的系统和方法 | |
CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
CN116561589B (zh) | 一种基于智能穿戴设备的考勤训练管理方法及系统 | |
Dong et al. | Wearable networked sensing for human mobility and activity analytics: A systems study | |
KR101085053B1 (ko) | 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기 | |
CN117594245B (zh) | 一种骨科患者康复进程跟踪方法及系统 | |
CN111564197A (zh) | 一种体育运动智能分析系统及方法 | |
Goudar et al. | Fault-tolerant and low-power sampling schedules for localized basns | |
ŚWiątek et al. | Application of wearable smart system to support physical activity | |
Su et al. | Nonparametric Hammerstein model based model predictive control for heart rate regulation | |
Mishra et al. | Error minimization and energy conservation by predicting data in wireless body sensor networks using artificial neural network and analysis of error | |
CN117095828A (zh) | 基于糖尿病患者随访记录的血糖值预测和告警方法 | |
Çakıt et al. | Estimating electromyography responses using an adaptive neuro‐fuzzy inference system with subtractive clustering | |
Kaushik et al. | An approach to detect human body movement using different channel models and machine learning techniques | |
CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
US20230199822A1 (en) | Scheduling radio resources in a communications network | |
CN117542537B (zh) | 基于人工智能的血氧饱和度变化预测方法及装置 | |
CN116884611B (zh) | 青少年体质健康干预方法、装置、存储介质和电子设备 |
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 |