CN116966513A - 健身器材的监控方法及其系统 - Google Patents

Abstract

本申请涉及智能监控领域，其具体地公开了一种健身器材的监控方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出健身器材的速度值的时序动态变化特征和所述卡路里消耗统计值的时序动态变化特征之间的时序协同关联，以此来对健身器材的性能和运行状态进行实时监测，从而及早发现问题并采取相应的措施，减少安全事故发生的可能性，提高健身器材的使用效果和安全性。

Description

健身器材的监控方法及其系统

技术领域

本申请涉及智能监控领域，且更为具体地，涉及一种健身器材的监控方法及其系统。

背景技术

随着现代社会健康意识的提高和生活水平的改善，健身成为了一种越来越流行的生活方式。健身器材是一种用于锻炼身体和提高健康水平的设备，它可以帮助人们增强心肺功能，塑造肌肉，减少体重，缓解压力等。

然而，由于一些因素如设计、质量和维护等问题，健身器材也存在潜在风险和问题，例如健身器材质量不佳和维护不当可能会导致性能下降、安全性降低，并增加故障和事故的风险。而传统的健身器材质量检测方案仅依靠人工定期检查，并不能够实时监控健身器材的性能变化，同时检测的效率和准确度也得不到保障。

因此，期望一种优化的健身器材的监控方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种健身器材的监控方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出健身器材的速度值的时序动态变化特征和所述卡路里消耗统计值的时序动态变化特征之间的时序协同关联，以此来对健身器材的性能和运行状态进行实时监测，从而及早发现问题并采取相应的措施，减少安全事故发生的可能性，提高健身器材的使用效果和安全性。

根据本申请的一个方面，提供了一种健身器材的监控方法，其包括：

获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；

将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量；

将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量；

将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量；

计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；以及

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材的运行状态是否正常。

根据本申请的另一方面，提供了一种健身器材的监控系统，其包括：

数据采集模块，用于获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；

排列模块，用于将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量；

差值计算模块，用于将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量；

时序特征提取模块，用于将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量；

响应性估计模块，用于计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；以及

分类结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材的运行状态是否正常。

与现有技术相比，本申请提供的一种健身器材的监控方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出健身器材的速度值的时序动态变化特征和所述卡路里消耗统计值的时序动态变化特征之间的时序协同关联，以此来对健身器材的性能和运行状态进行实时监测，从而及早发现问题并采取相应的措施，减少安全事故发生的可能性，提高健身器材的使用效果和安全性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的健身器材的监控方法的流程图；

图2为根据本申请实施例的健身器材的监控方法的系统架构图；

图3为根据本申请实施例的健身器材的监控方法的子步骤S2的流程图；

图4为根据本申请实施例的健身器材的监控方法的子步骤S3的流程图；

图5为根据本申请实施例的健身器材的监控系统的框图；

图6为根据本申请实施例的健身器材的监控方法的场景示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

考虑到健身器材在实际使用的过程中存在潜在着风险和问题，例如健身器材质量不佳和维护不当可能会导致性能下降、安全性降低，并增加故障和事故的风险。而传统的健身器材质量检测方案仅依靠人工定期检查，并不能够实时监控健身器材的性能变化，同时检测的效率和准确度也得不到保障。因此，期望一种优化的健身器材的监控方案。

相应地，考虑到在实际进行健身器材的监控过程中，为了保证健身器材的安全性和使用效果，关键在于对于健身器材的性能进行监控评估。特别地，对于跑步机来说，期望通过跑步机的速度和统计的卡路里数值来判断跑步机的性能是否正常，以此来对其性能和运行状态进行监控，从而及早发现问题并采取相应的措施，减少安全事故发生的可能性。但是，考虑到由于跑步机的速度值和卡路里消耗统计值不仅都在时间维度上有着各自的动态变化规律性，而且这两者数据之间还具有着时序的协同关联特性，都对于健身器材的性能和运行状态的监测结果产生影响。因此，在此过程中，难点在于如何进行所述健身器材的速度值的时序动态变化特征和所述卡路里消耗统计值的时序动态变化特征之间的时序协同关联特征信息的充分表达，以此来对健身器材的性能和运行状态进行实时监测，从而及早发现问题并采取相应的措施，减少安全事故发生的可能性，提高健身器材的使用效果和安全性。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述健身器材的速度值的时序动态变化特征和所述卡路里消耗统计值的时序动态变化特征之间的时序协同关联特征信息提供了新的解决思路和方案。

在本申请的技术方案中，提出了一种健身器材的监控方法。图1为根据本申请实施例的健身器材的监控方法的流程图。图2为根据本申请实施例的健身器材的监控方法的系统架构图。如图1和图2所示，根据本申请的实施例的健身器材的监控方法，包括步骤：S1，获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；S2，从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取卡路里消耗时序特征向量和速度时序特征向量；S3，基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常。

具体地，在步骤S1中，获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值。首先，可以在被监测健身器材上安装速度传感器，速度传感器是一种用于测量物体速度的传感器。速度传感器的工作原理是基于运用不同的物理原理，来感知物体的运动状态，进而输出相应的电信号。值得注意的是，在安装速度传感器时，应注意不影响所述被监测健身器材的使用和其自身的平衡感，避免在操作过程中信息获取不准确，以及，造成使用该设备人员在操作过程中受到伤害。其次，获取所述多个预定时间点的卡路里消耗统计值，其中，卡路里消耗统计值是指通过计算身体活动消耗的能量而得出的卡路里消耗量的数值。对于卡路里消耗统计值来说，通常基于以下几个因素进行计算：基础代谢率：指身体在休息状态下消耗的能量，包括呼吸、心跳、维持体温等基本生命活动所需的能量；身体活动消耗的能量：指通过身体活动消耗的能量，包括步行、跑步、游泳、健身等各种运动方式；以及，消化代谢率：指消化食物所需的能量。通过测量身体活动的强度和持续时间，以及个体的身高、体重、年龄和性别等因素，可以计算出卡路里消耗统计值。特别地，在本申请的一个示例中，所述健身器材可包括：哑铃、健身球、跑步机、健身车、腹轮等等。

相应地，在一种可能的实现方式中，获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值，可通过以下步骤来实现：确定被监测的健身器材和预定时间段；安装速度传感器和卡路里消耗统计仪器，并保证其正常工作；在预定时间段内，按照预定时间点进行运动，并记录每个时间点的速度值和卡路里消耗统计值；将记录的速度值和卡路里消耗统计值存储在一个数据集中；对于数据集中的速度值和卡路里消耗统计值，可以进行数据清洗和预处理，如去除异常值、填充缺失值等；对于每个时间点的速度值和卡路里消耗统计值，可以计算它们的基本统计特征，如平均值、方差、最大值、最小值等；将计算得到的速度值和卡路里消耗统计值的基本统计特征组合成速度时序特征向量和卡路里消耗时序特征向量；将速度时序特征向量和卡路里消耗时序特征向量作为模型输入，进行训练和预测；在模型训练和预测过程中，可以使用不同的机器学习算法，如线性回归、决策树、支持向量机等，来对时序特征向量进行建模和预测；根据预测结果，可以对运动员的运动状态和运动效果进行评估和优化。

具体地，在步骤S2中，从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取卡路里消耗时序特征向量和速度时序特征向量。考虑到由于所述速度值和所述卡路里消耗统计值在时间维度上都具有着各自动态性的变化规律，因此，为了能够对于所述速度值和所述卡路里消耗统计值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的速度值和卡路里消耗统计值分别按照时间维度排列为速度时序输入向量和卡路里统计时序输入向量，以此来分别整合所述速度值和所述卡路里消耗统计值在时序上的分布信息。

特别地，在本申请的一个具体示例中，如图3所示，从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取卡路里消耗时序特征向量和速度时序特征向量，包括：S21，将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量；S22，将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量；S23，对所述卡路里消耗时序输入向量和所述速度时序输入向量进行局部邻域时序关联特征提取以得到所述卡路里消耗时序特征向量和所述速度时序特征向量。

相应地，所述S21，将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量。在一种可能实现的方式中，可通过以下步骤来将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量，例如：收集多个预定时间点的速度值，并将它们存储在一个数组中；对于速度值数组，按照时间维度进行排序，确保速度值按照时间顺序排列；将排序后的速度值数组转化为速度时序输入向量，即将速度值按照时间顺序组成一个一维向量；对于速度时序输入向量，可以进行进一步的数据处理和特征提取，如计算速度的平均值、方差、最大值、最小值等基本统计特征；将计算得到的速度的基本统计特征作为速度时序特征向量，作为模型的输入。

相应地，所述S22，将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量。对于所述预定时间段内的卡路里消耗统计值来说，考虑到由于所述卡路里消耗统计值在时序上的变化信息是微弱的，这种微弱的变化特征相对于所述卡路里消耗统计值来说为小尺度的变化特征信息，若以绝对变化信息来进行所述卡路里消耗统计值的时序动态变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述卡路里消耗统计值在时间维度上的小尺度微弱变化特征难以被察觉，进而影响后续分类的精准度。基于此，在本申请的技术方案中，采用所述卡路里消耗统计值的时序相对变化特征来进行所述卡路里消耗统计值的时序动态特征提取。具体地，计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量。

在一种可能实现的方式中，可通过以下步骤将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量，例如：将预定时间点按照时间顺序排列，得到一个时间序列；对于每个时间点，记录该时间点的卡路里消耗统计值，得到一个卡路里消耗统计值序列；将卡路里消耗统计值序列按照时间顺序排列，得到一个卡路里消耗时序输入向量；计算卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值，得到一个卡路里消耗时序输入向量差分序列；将卡路里消耗时序输入向量差分序列按照时间顺序排列，得到一个卡路里消耗时序输入向量差分向量；将卡路里消耗时序输入向量和卡路里消耗时序输入向量差分向量作为特征向量，输入到机器学习模型中进行训练和预测。

相应地，所述S23，对所述卡路里消耗时序输入向量和所述速度时序输入向量进行局部邻域时序关联特征提取以得到所述卡路里消耗时序特征向量和所述速度时序特征向量。对于所述速度时序分布信息和所述卡路里消耗统计值的时序相对变化信息来说，这两者参数都在时间维度上有着动态性的时序变化规律，并且由于所述速度值和所述卡路里消耗统计值在时序上的波动性和不确定性，导致其在不同时间周期跨度下呈现出不同的时序变化特性。因此，在本申请的技术方案中，进一步将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器中进行编码，以得到卡路里消耗时序特征向量和速度时序特征向量。特别地，这里，所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来分别进行所述卡路里消耗时序输入向量和所述速度时序输入向量的特征挖掘，以分别提取出所述速度值和所述卡路里消耗统计相对值在不同时间跨度下的时序动态多尺度关联特征信息。

特别地，在本申请的一个具体示例中，对所述卡路里消耗时序输入向量和所述速度时序输入向量进行局部邻域时序关联特征提取以得到所述卡路里消耗时序特征向量和所述速度时序特征向量，包括：将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量。特别地，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。更具体地，将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量，包括：将所述卡路里消耗时序输入向量和所述速度时序输入向量分别输入所述时序特征提取器的第一卷积层以得到第一邻域尺度卡路里消耗时序特征向量和第一邻域尺度速度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述卡路里消耗时序输入向量和所述速度时序输入向量分别输入所述时序特征提取器的第二卷积层以得到第二邻域尺度卡路里消耗时序特征向量和第二邻域尺度速度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度卡路里消耗时序特征向量和所述第一邻域尺度速度时序特征向量分别与所述第二邻域尺度卡路里消耗时序特征向量和所述第二邻域尺度速度时序特征向量进行级联以得到所述卡路里消耗时序特征向量和所述速度时序特征向量。其中，所述将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量，包括：使用所述时序特征提取器的第一卷积层以如下一维卷积公式对所述卡路里消耗时序输入向量和所述速度时序输入向量分别进行一维卷积编码以得到所述第一邻域尺度卡路里消耗时序特征向量和所述第一邻域尺度速度时序特征向量；其中，所述公式为：其中，/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述卡路里消耗时序输入向量和所述速度时序输入向量，/>表示对所述卡路里消耗时序输入向量和所述速度时序输入向量分别进行一维卷积编码；以及，所述将所述卡路里消耗时序输入向量和所述速度时序输入向量分别输入所述时序特征提取器的第二卷积层以得到第二邻域尺度卡路里消耗时序特征向量和第二邻域尺度速度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述卡路里消耗时序输入向量和所述速度时序输入向量分别进行一维卷积编码以得到所述第二邻域尺度卡路里消耗时序特征向量和所述第二邻域尺度速度时序特征向量；其中，所述公式为：/>其中，/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，/>表示所述卡路里消耗时序输入向量和所述速度时序输入向量，/>表示对所述卡路里消耗时序输入向量和所述速度时序输入向量分别进行一维卷积编码。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述卡路里消耗时序输入向量和所述速度时序输入向量进行局部邻域时序关联特征提取以得到所述卡路里消耗时序特征向量和所述速度时序特征向量，例如：确定一个窗口大小，例如10个时间点，作为局部邻域；对于每个时间点，将其前后各取窗口大小一半的时间点作为该时间点的局部邻域；对于卡路里消耗时序输入向量和速度时序输入向量中的每个时间点，提取其对应的局部邻域中的所有卡路里消耗统计值和速度值，得到两个向量；对于每个时间点，将其对应的卡路里消耗统计值向量和速度值向量进行拼接，得到一个局部邻域特征向量；将所有时间点对应的局部邻域特征向量按照时间顺序排列，得到一个卡路里消耗时序特征向量和一个速度时序特征向量；将卡路里消耗时序特征向量和速度时序特征向量作为输入特征向量，输入到机器学习模型中进行训练和预测。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取所述卡路里消耗时序特征向量和所述速度时序特征向量，例如：收集多个预定时间点的速度值和卡路里消耗统计值；将速度值和卡路里消耗统计值分别存储在两个数组中；对于速度值数组和卡路里消耗统计值数组，分别计算它们的平均值、方差、最大值、最小值等基本统计特征；将计算得到的速度值和卡路里消耗统计值的基本统计特征组合成速度时序特征向量和卡路里消耗时序特征向量；将速度时序特征向量和卡路里消耗时序特征向量作为模型输入，进行训练和预测；在模型训练和预测过程中，可以使用不同的机器学习算法，如线性回归、决策树、支持向量机等，来对时序特征向量进行建模和预测；根据预测结果，可以对运动员的运动状态和运动效果进行评估和优化。

具体地，在步骤S3中，基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常。特别地，在本申请的一个具体示例中，如图4所示，基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常，包括：S31，计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；以及，S32，基于所述分类特征矩阵，确定所述被监测健身器材的运行状态是否正常。

相应的，所述S31，计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵。考虑到由于所述速度值和所述卡路里消耗统计相对值分别在时间维度上的时序变化信息在实际监测的过程中并不明显，因此，在得到所述卡路里消耗时序特征向量和所述速度时序特征向量后，期望对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过这两者数据的高斯分布分别作为先验分布，来分别对于所述卡路里消耗时序特征向量和所述速度时序特征向量进行数据增强，也就是，基于高斯密度图对所述卡路里消耗时序特征向量和所述速度时序特征向量进行特征表达强化。

高斯密度图可以通过调整其参数来强化特征表达。其中，最常用的参数是带宽（bandwidth），它控制了高斯曲线的宽度，从而影响了曲线的平滑程度和峰值的形状。通过调整带宽，我们可以更好地捕捉数据的分布情况，从而强化特征表达。通常情况下，较小的带宽会导致过度拟合，而较大的带宽会导致欠拟合。因此，我们需要根据具体情况选择合适的带宽。除了带宽，高斯密度图还可以通过调整其他参数来强化特征表达，比如调整高斯分布函数的均值和标准差，或者使用不同的核函数。在实际应用中，我们可以通过尝试不同的参数组合来找到最佳的参数设置，以达到强化特征表达的目的。

特别地，在本申请的一个具体示例中，计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵，包括：分别构造所述卡路里消耗时序特征向量和所述速度时序特征向量的高斯密度图以得到卡路里消耗时序高斯密度图和速度时序高斯密度图；计算所述卡路里消耗时序高斯密度图相对于所述速度时序高斯密度图的高斯响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。其中，分别构造所述卡路里消耗时序特征向量和所述速度时序特征向量的高斯密度图以得到卡路里消耗时序高斯密度图和速度时序高斯密度图，包括：以如下公式构造所述卡路里消耗时序特征向量和所述速度时序特征向量的高斯密度图以得到卡路里消耗时序高斯密度图和速度时序高斯密度图；其中，所述公式为：其中/>表示所述卡路里消耗时序特征向量，且的每个位置的值表示所述卡路里消耗时序特征向量中相应两个位置的特征值之间的方差；/>表示所述速度时序特征向量，且/>的每个位置的值表示所述速度时序特征向量中相应两个位置的特征值之间的方差；以及，计算所述卡路里消耗时序高斯密度图相对于所述速度时序高斯密度图的高斯响应性估计以得到响应性高斯密度图，包括：以如下公式计算所述卡路里消耗时序高斯密度图相对于所述速度时序高斯密度图的高斯响应性估计以得到响应性高斯密度图；其中，所述公式为：/>，其中/>表示所述卡路里消耗时序高斯密度图，/>表示所述速度时序高斯密度图，/>表示所述响应性高斯密度图。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵，例如：收集被监测健身器材的速度数据和卡路里消耗数据，并将其转换为速度时序特征向量和卡路里消耗时序特征向量；对速度时序特征向量和卡路里消耗时序特征向量进行局部邻域时序关联特征提取，以得到速度时序特征向量和卡路里消耗时序特征向量之间的相关性；计算卡路里消耗时序特征向量相对于速度时序特征向量的响应性估计。具体来说，可以使用一些常见的统计方法，如线性回归、岭回归、支持向量回归等，来建立卡路里消耗时序特征向量和速度时序特征向量之间的映射关系，并计算其响应性估计；将响应性估计作为分类特征，构建分类特征矩阵。例如，可以将响应性估计分为几个离散的区间，每个区间对应一个分类特征，然后将这些分类特征组合成一个特征矩阵；使用分类特征矩阵进行模型训练和预测。例如，可以使用一些常见的分类算法，如逻辑回归、决策树、随机森林等，来训练模型，并使用该模型对被监测健身器材的运行状态进行预测。

相应的，所述S32，基于所述分类特征矩阵，确定所述被监测健身器材的运行状态是否正常。在本申请的一个具体示例中，确定所述被监测健身器材的运行状态是否正常，包括：将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监测健身器材的运行状态是否正常。

相应地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监测健身器材的运行状态是否正常。也就是，将所述分类特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示被监测健身器材的运行状态是否正常的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。在本申请的技术方案中，所述分类器的标签包括被监测健身器材的运行状态正常(第一标签)，以及，被监测健身器材的运行状态异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监测健身器材的运行状态是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，被监测健身器材的运行状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监测健身器材的运行状态是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为被监测健身器材的运行状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行健身器材的性能和运行状态检测，从而及早发现问题并采取相应的措施，减少安全事故发生的可能性。

分类器是一种机器学习算法，它可以对给定的数据样本进行分类，将其归为某个预定义的类别中的一种。分类器的工作原理是基于已知的训练数据集，通过学习数据样本之间的相似性和差异性，构建一个分类模型。当新的数据样本输入到分类器中时，分类器会根据学习到的分类模型，将其归为某个类别中的一种。分类器的具体实现方式有很多种，例如决策树、支持向量机（SVM）、朴素贝叶斯、人工神经网络（ANN）等。这些分类器的工作原理和具体实现方式各不相同，但它们的核心思想都是通过学习已知数据样本的特征和类别之间的关系，来预测新的数据样本的类别。例如，支持向量机（SVM）分类器的工作原理是通过将数据样本映射到高维空间中，找到一个最优的超平面，将不同类别的数据样本分隔开来。而人工神经网络（ANN）分类器则是通过模拟人脑神经元的工作方式，构建一个多层神经网络，通过训练网络权重和偏置参数，来实现对数据样本的分类。

特别地，在本申请的一个具体示例中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监测健身器材的运行状态是否正常，包括：将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

全连接编码（Fully Connected Encoding）是一种常用的神经网络编码方式，也称为全连接层或密集层。在神经网络中，全连接编码通常用于将输入数据映射到高维特征空间中，以便进行分类、回归、聚类等任务。全连接编码的基本思想是，将输入数据的每个特征都与编码层中的每个神经元进行连接，形成一个全连接的神经网络结构。每个神经元都有一个权重参数和一个偏置参数，用于调节输入数据的影响程度。当输入数据经过全连接编码层后，就会得到一个高维特征向量，其中每个元素表示输入数据在某个方面的特征。

全连接编码层通常是神经网络中的一部分，其前面通常还会有一些卷积层、池化层、批标准化层等用于特征提取和降维的层。在训练过程中，神经网络会根据训练数据集调整全连接层中的权重和偏置参数，以最小化损失函数，从而实现对输入数据的有效编码和分类。

进一步地，所述健身器材的监控方法还包括训练步骤：用于对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括被监测健身器材在预定时间段内多个预定时间点的训练速度值以及所述多个预定时间点的训练卡路里消耗统计值；将所述多个预定时间点的训练速度值按照时间维度排列为训练速度时序输入向量；将所述多个预定时间点的训练卡路里消耗统计值按照时间维度排列为训练卡路里统计时序输入向量，并计算所述训练卡路里消耗时序输入向量中每相邻两个位置的训练卡路里消耗统计值之间的差值以得到训练卡路里消耗时序输入向量；将所述训练卡路里消耗时序输入向量和所述训练速度时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练卡路里消耗时序特征向量和训练速度时序特征向量；计算所述训练卡路里消耗时序特征向量相对于所述训练速度时序特征向量的响应性估计以得到训练分类特征矩阵；将所述训练分类特征矩阵进行展开以得到训练分类特征向量；对所述训练分类特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练分类特征向量；将所述优化训练分类特征向量通过分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练。

相应地，在基于高斯密度图计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计得到所述分类特征矩阵时，在高斯离散化过程中，是针对所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性向量基于所述卡路里消耗时序特征向量的自方差矩阵相对于所述速度时序特征向量的自方差矩阵的响应性方差矩阵来确定所述分类特征矩阵的各个位置的特征值。但是，由于高斯离散化过程中的随机特性，所述分类特征矩阵会在响应性向量的排列方向，例如列方向和高斯离散化的采样展开方向，例如行方向下的交叉空间维度下具有多维度上下文空间特性，且由于每个特征值均是通过高斯离散化采样获得的，因此所述分类特征矩阵的整体特征分布具有多维度空间上下文下的超分辨率表达特性，这会影响通过分类器进行分类时的训练效率。因此，在将所述分类特征矩阵通过分类器进行分类器的训练时，在每次迭代中，对所述分类特征矩阵展开后得到的分类特征向量，进行权重空间的细粒度密度预测搜索优化。

相应地，对所述训练分类特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练分类特征向量，包括：以如下优化公式对所述训练分类特征向量进行权重空间的细粒度密度预测搜索优化以得到所述优化训练分类特征向量；

其中，所述优化公式为：其中，/>和/>分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置/>和/>，（例如，/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵），/>是所述训练分类特征向量，/>为第一特征向量，/>为第二特征向量，和/>分别表示特征向量/>和/>的全局均值，/>是偏置向量，例如初始设置为单位向量，/>表示最小值函数，/>表示向量的按位置点乘，/>表示向量加法，/>表示向量乘法，/>是所述优化训练分类特征向量。

这里，针对所述训练分类特征向量在多维度上下文下的超分辨率表达特性，所述权重空间的细粒度密度预测搜索优化可以通过所述训练分类特征向量的投影的向量空间的前馈序列化映射，在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时，降低权重搜索空间内的所述训练分类特征向量的表示的总序列复杂性（overallsequential complexity），从而提升训练效率。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监测健身器材的运行状态是否正常，例如：收集一组已知健身器材正常运行状态和异常运行状态的数据样本，以便训练分类器；从速度值和卡路里消耗统计值中提取时序特征向量，并使用局部邻域时序关联特征提取得到速度时序特征向量和卡路里消耗时序特征向量；构建分类特征矩阵：将卡路里消耗时序特征向量相对于速度时序特征向量的响应性估计作为分类特征矩阵的列；使用训练数据集训练一个分类器，例如支持向量机（SVM）分类器或人工神经网络（ANN）分类器；使用测试数据集评估分类器的性能，例如计算分类准确率、召回率和F1分数等指标；使用训练好的分类器对新的健身器材数据进行分类，得到分类结果；判断健身器材运行状态：根据分类结果判断被监测健身器材的运行状态是否正常。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述分类特征矩阵，确定所述被监测健身器材的运行状态是否正常，例如：收集被监测健身器材的速度时序特征向量和卡路里消耗时序特征向量，按照时间维度排列为速度时序输入向量和卡路里消耗时序输入向量；对速度时序输入向量和卡路里消耗时序输入向量进行局部邻域时序关联特征提取，得到速度时序特征向量和卡路里消耗时序特征向量；计算卡路里消耗时序特征向量相对于速度时序特征向量的响应性估计，得到分类特征矩阵；根据分类特征矩阵，使用机器学习算法进行分类，判断健身器材的运行状态是否正常；如果被监测健身器材的分类特征矩阵与正常状态下的分类特征矩阵相似，则判断健身器材的运行状态正常；否则，判断健身器材的运行状态异常，并给出具体的异常类型和原因。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常，例如：收集被监测健身器材的速度数据和卡路里消耗数据，并将其转换为速度时序特征向量和卡路里消耗时序特征向量；对速度时序特征向量和卡路里消耗时序特征向量进行局部邻域时序关联特征提取，以得到速度时序特征向量和卡路里消耗时序特征向量之间的相关性；根据速度时序特征向量和卡路里消耗时序特征向量之间的相关性，确定被监测健身器材的运行状态是否正常。例如，如果速度时序特征向量和卡路里消耗时序特征向量之间的相关性很低，可能意味着被监测健身器材存在问题；如果被监测健身器材的运行状态异常，则需要采取相应的措施进行修理或更换。

综上，基于本申请实施例的健身器材的监控方法，其首先获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；然后，从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取卡路里消耗时序特征向量和速度时序特征向量；进而，基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常。

进一步地，还提供一种健身器材的监控系统。

图5为根据本申请实施例的健身器材的监控系统的框图。如图5所示，根据本申请实施例的健身器材的监控系统300，包括：数据采集模块310，用于获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；排列模块320，用于将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量；差值计算模块330，用于将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量；时序特征提取模块340，用于将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量；响应性估计模块350，用于计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；以及，分类结果生成模块360，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材的运行状态是否正常。

如上所述，根据本申请实施例的健身器材的监控系统300可以实现在各种无线终端中，例如具有健身器材的监控的算法的服务器等。在一种可能的实现方式中，根据本申请实施例的健身器材的监控系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该健身器材的监控系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该健身器材的监控系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该健身器材的监控系统300与该无线终端也可以是分立的设备，并且该健身器材的监控系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图6为根据本申请实施例的健身器材的监控方法的场景示意图。如图6所示，在该应用场景中，通过速度传感器（例如，如图6中所示意的V1）获取被监测健身器材在预定时间段内多个预定时间点的速度值；以及，获取所述多个预定时间点的卡路里消耗统计值。接着，将上述数据输入至部署有用于健身器材的监控算法的服务器（例如，图6中的S）中，其中，所述服务器能够以所述健身器材的监控算法对上述输入的数据进行处理，以生成用于表示被监测健身器材的运行状态是否正常的分类结果。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种健身器材的监控方法，其特征在于，包括：

获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；

从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取卡路里消耗时序特征向量和速度时序特征向量；

基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常。

2.根据权利要求1所述的健身器材的监控方法，其特征在于，从所述多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值提取卡路里消耗时序特征向量和速度时序特征向量，包括：

将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量；

将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量；

对所述卡路里消耗时序输入向量和所述速度时序输入向量进行局部邻域时序关联特征提取以得到所述卡路里消耗时序特征向量和所述速度时序特征向量。

3.根据权利要求2所述的健身器材的监控方法，其特征在于，对所述卡路里消耗时序输入向量和所述速度时序输入向量进行局部邻域时序关联特征提取以得到所述卡路里消耗时序特征向量和所述速度时序特征向量，包括：

将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量。

4.根据权利要求3所述的健身器材的监控方法，其特征在于，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

5.根据权利要求4所述的健身器材的监控方法，其特征在于，基于所述卡路里消耗时序特征向量和所述速度时序特征向量之间的关联，确定所述被监测健身器材的运行状态是否正常，包括：

计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；以及

基于所述分类特征矩阵，确定所述被监测健身器材的运行状态是否正常。

6.根据权利要求5所述的健身器材的监控方法，其特征在于，基于所述分类特征矩阵，确定所述被监测健身器材的运行状态是否正常，包括：

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监测健身器材的运行状态是否正常。

7.根据权利要求6所述的健身器材的监控方法，其特征在于，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述被监测健身器材的运行状态是否正常，包括：

将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；

使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

8.根据权利要求7所述的健身器材的监控方法，其特征在于，还包括训练步骤：用于对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括被监测健身器材在预定时间段内多个预定时间点的训练速度值以及所述多个预定时间点的训练卡路里消耗统计值；

将所述多个预定时间点的训练速度值按照时间维度排列为训练速度时序输入向量；

将所述多个预定时间点的训练卡路里消耗统计值按照时间维度排列为训练卡路里统计时序输入向量，并计算所述训练卡路里消耗时序输入向量中每相邻两个位置的训练卡路里消耗统计值之间的差值以得到训练卡路里消耗时序输入向量；

将所述训练卡路里消耗时序输入向量和所述训练速度时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练卡路里消耗时序特征向量和训练速度时序特征向量；

计算所述训练卡路里消耗时序特征向量相对于所述训练速度时序特征向量的响应性估计以得到训练分类特征矩阵；

将所述训练分类特征矩阵进行展开以得到训练分类特征向量；

对所述训练分类特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练分类特征向量；

将所述优化训练分类特征向量通过分类器以得到分类损失函数值；以及

基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器和所述分类器进行训练。

9.根据权利要求8所述的健身器材的监控方法，其特征在于，对所述训练分类特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练分类特征向量，包括：以如下优化公式对所述训练分类特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练分类特征向量；

其中，所述优化公式为：其中，和/>分别是上次和本次迭代的权重矩阵，/>是所述训练分类特征向量，/>为第一特征向量，/>为第二特征向量，/>和/>分别表示特征向量/>和/>的全局均值，是偏置向量，/>表示最小值函数，/>表示向量的按位置点乘，/>表示向量加法，表示向量乘法，/>是所述优化训练分类特征向量。

10.一种健身器材的监控系统，其特征在于，包括：

数据采集模块，用于获取被监测健身器材在预定时间段内多个预定时间点的速度值以及所述多个预定时间点的卡路里消耗统计值；

排列模块，用于将所述多个预定时间点的速度值按照时间维度排列为速度时序输入向量；

差值计算模块，用于将所述多个预定时间点的卡路里消耗统计值按照时间维度排列为卡路里统计时序输入向量，并计算所述卡路里消耗时序输入向量中每相邻两个位置的卡路里消耗统计值之间的差值以得到卡路里消耗时序输入向量；

时序特征提取模块，用于将所述卡路里消耗时序输入向量和所述速度时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到卡路里消耗时序特征向量和速度时序特征向量；

响应性估计模块，用于计算所述卡路里消耗时序特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；以及

分类结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材的运行状态是否正常。