CN117271607B - 一种生成运动处方的方法 - Google Patents
一种生成运动处方的方法 Download PDFInfo
- Publication number
- CN117271607B CN117271607B CN202311306718.9A CN202311306718A CN117271607B CN 117271607 B CN117271607 B CN 117271607B CN 202311306718 A CN202311306718 A CN 202311306718A CN 117271607 B CN117271607 B CN 117271607B
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- vector
- exercise
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 56
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 75
- 230000033001 locomotion Effects 0.000 claims description 39
- 230000036541 health Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 235000019577 caloric intake Nutrition 0.000 claims description 4
- 235000006694 eating habits Nutrition 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 4
- 235000012054 meals Nutrition 0.000 claims description 4
- 235000021075 protein intake Nutrition 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000005289 dietary characteristics Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 27
- 235000005911 diet Nutrition 0.000 abstract description 2
- 230000037213 diet Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000004617 sleep duration Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 230000037180 bone health Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013861 fat-free Nutrition 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及运动处方生成技术领域，公开了一种生成运动处方的方法，对基础条件相似用户群体的运动与饮食等行为进行价值评估，筛选出对运动目标运动能力提升效率最快的行为合集，结合拟推荐用户个人喜好偏好，提取行为合集中主要共性特征行为数据和主成分向量，以此为依据为拟推荐用户生成运动处方。该方法综合考虑了个人基础条件差异、个人喜好偏好设置、运动处方的实际效果，生成的运动处方具备个性化、更精确的特点，且在相似用户群体实际运动中得到了实际效果验证。
Description
技术领域
本发明涉及运动处方生成技术领域，具体涉及一种生成运动处方的方法。
背景技术
现今，体育运动已成为人们追求身心健康的普遍选择。然而，随着生活水平的提高，人们对体育锻炼的期望和目标也更加多样化。运动处方成为了一种有效干预健康的方法，通过科学的方式制定运动计划，旨在确保锻炼的效果，并预防运动损伤的发生。在这一背景下，计算机技术的运用催生了运动处方自动生成的研究领域，这一领域致力于利用计算机视觉、大数据等技术，为个体用户生成或推荐合适的运动计划。然而，传统方法往往忽略了个人的基础条件差异、个人喜好偏好、运动处方对个人的实际效果等，导致生成的运动处方缺乏精确性和个性化，不能完全满足用户的需求。
现有技术中CN 111933249A基于改进协同过滤ltemCF算法的运动处方生成方法，将运动项目的作用对象属性和运动效果进行量化，建立运动项目量化数据库和理想运动量化模型，通过算法计算运动量化数据库中所有运动对用户输入的适应度，再筛选适应度最高的运动为用户生成运动处方。但此方案没有考虑运动者身体素质等基础条件的差异；同时，对运动项目的作用对象属性和运动效果的量化是一个泛化过程，没有考虑相同的运动项目对于不同人群的运动效果差异。
CN 113808704 A运动处方获取系统及方法，对第一用户基础体能数据信息进行等级划分，筛选拥有同一等级基础体能数据信息和拥有同样体能预期目标信息，且根据运动处方信息锻炼后已达到体能预期目标的第二用户，将该第二用户的运动处方信息作为第一用户的推荐运动处方。但此方案没有考虑用户个体的喜好偏好，将他人达到预期体能训练目标所对应的运动处方直接作为推荐处方，会影响用户执行处方的积极性，精确性和个性化不足。
发明内容
针对上述问题，本发明提供一种生成运动处方的方法。
一种生成运动处方的方法，包括如下步骤：
步骤1：构建数据库获取并存储相关数据；
步骤2：获取拟推荐用户运动目标数据，构建用于运动目标向量g；
获取拟推荐用户运动偏好设置，构建偏好调节系数向量a；
步骤3：获取拟推荐用户的体质健康状况数据，与用户数据库中数据集进行比较，计算用户体质健康状况相似度；筛选出相似度大于预设相似度阈值的前a个用户；
步骤4：对步骤3中的前a个用户，计算每个用户所有运动阶段运动能力状态的提升值，用提升值除以该阶段所用时长得到运动能力提升效率，并筛选运动能力提升效率高于设定阈值的前b项；
步骤5：获取步骤4中运动能力提升效率高于设定阈值的前b项对应用户且对应时间段内的行为数据集，对行为数据集内的数值数据进行时间维度归一化，构建单位时间行为数据矩阵D；
步骤6：对矩阵D进行主成分分析，获得单位时间目标效果最大化行为数据主成分向量r；
步骤7：将r乘以拟推荐用户输入的运动时长，得到的向量表示的是生成运动处方中各运动行为的推荐量，为拟推荐用户生成运动处方。
进一步的，所述步骤1中，所述数据库包括用户数据库存储用户不同时刻体质健康状况数据、运动目标数据及对应的运动效果评价指标、运动效果评价指标的运动能力状态数据、用户运动行为和饮食习惯数据。
进一步的，所述步骤2中运动目标数据包括运动目标的类型和目标部位；所述运动偏好设置包括运动类型、运动时长、运动频率、饮食特点、卡路里摄入、蛋白质摄入、日餐次数、饮水量。
进一步的，所述步骤4具体方法为：
步骤4.1：对于a个用户中的第q名用户，记其在运动能力状态数据库中有pq条记录，记录某一t1时刻产生的记录为向量St1，下一条记录为t2时刻的记录为向量St2，t1到t2阶段内各运动能力提升指标对上述pq条记录执行计算ΔS，组成(pq-1)*n维矩阵Ai，合并a个用户对应的矩阵，得到m行n列数据组成的矩阵A，其中/>
步骤4.2：计算矩阵A与目标向量g的Hadamard积，得到矩阵B＝A⊙g；将矩阵A与目标向量g按元素相乘，即Bi，j＝Ai，j*gj，得到矩阵B，Bi，j、Ai，j分别表示矩阵A、B的第i行第j个元素，gj表示向量g的第j个元素；Hadamard积表示的就是Bi，j＝Ai，j*gj按元素相乘的运算，数学上用表达式B＝A⊙g表示；
步骤4.3：对矩阵B进行归一化处理，得到矩阵C；
步骤4.4：对矩阵C进行矩阵行求和运算得到向量h＝(h1，h2，...，hj，...，hN)，其中Ci，j为矩阵C的第i行第j个元素，hi为结果向量h的第i个元素，筛选向量h中元素值大于阈值的前b项。
进一步的，所述步骤6具体方法为：
步骤6.1：对矩阵D进行主成分分析，提取主要共性特征行为数据，保留矩阵主成分所对应的数据元素，将其余数据元素置为0，得到矩阵E；
步骤6.2：计算矩阵E与偏好调节系数向量a的Hadamard积，得到矩阵F＝E⊙a；
步骤6.3：对矩阵F进行归一化处理，得到矩阵G；
步骤6.4：对矩阵G进行矩阵行求和运算得到向量h′＝(H1，H2，...，Hj，…，HN)，其中Gi，j为矩阵G的第i行第j个元素，Hi为结果向量h′的第i个元素；
步骤6.5：筛选向量h′中元素值大于阈值α′所对应的矩阵F中前c项，对前c项逐列求平均值，构成单位时间目标效果最大化行为数据主成分向量r。
本发明的有益效果是：
本发明对基础条件相似用户群体的运动与饮食等行为进行价值评估，筛选出对运动目标运动能力提升效率最快的行为合集，结合拟推荐用户个人喜好偏好，提取行为合集中主要共性特征行为数据和主成分向量，以此为依据为拟推荐用户生成运动处方。该方法综合考虑了个人基础条件差异、个人喜好偏好设置、运动处方的实际效果，生成的运动处方具备个性化、更精确的特点，且在相似用户群体实际运动中得到了实际效果验证
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合实施例对本发明进一步说明。
一种生成运动处方的方法，其特征在于，包括如下步骤：
步骤1：构建数据库获取并存储相关数据。
所述步骤1中，所述数据库包括用户数据库存储用户不同时刻体质健康状况数据、运动目标数据及对应的运动效果评价指标、运动效果评价指标的运动能力状态数据、用户运动行为和饮食习惯数据。
具体的，用户数据库存储用户不同时刻体质健康状况数据包括肺活量、一分钟仰卧起坐、一分钟引体向上、长跑(800米/1000米跑)、立定跳远、坐位体前屈、50米、50*8往返跑、反应时、纵跳、握力、俯卧撑、闭眼单脚站立、台阶测试；生理生化数据：心率、血压、血氧、最大摄氧量、静息心率、心率变异性、心率恢复时间、体脂率、去脂体重、体脂质量、肌肉质量、腰围、骨密度、身体水分、基础代谢；睡眠数据：睡眠时长、深度睡眠时长、中途醒来次数、醒来自我感觉评分；疾病史数据：疾病史及种类；运动效果评价指标的运动能力状态数据，用于存储用户运动能力状态数据，以便于对用户运动能力的变化进行计算，从而量化用户的运动效果；运动行为包括运动类型、运动时长、运动频率等，饮食习惯包括饮食特点、卡路里摄入、蛋白质摄入、日餐次数、饮水量等。
步骤2：获取拟推荐用户运动目标数据，构建用于运动目标向量g；
获取拟推荐用户运动偏好设置，构建偏好调节系数向量a。
具体的，所述步骤2中运动目标数据包括运动目标的类型和目标部位；运动目标类型包括减重、减脂、增肌、增强体能耐力、增强力量、增强灵活性、改善平衡感、提升敏捷性、强化心肺能力、增强骨骼健康、改善体成分、缓解压力、提升睡眠质量；运动目标部位包括全身、背部、肩部、胸部、腰部、手大臂、手小臂、手掌、腿部、大腿、小腿；所述运动偏好设置包括运动类型、运动时长、运动频率、饮食特点、卡路里摄入、蛋白质摄入、日餐次数、饮水量。
另外偏好向量中的元素为对应项的偏好系数，默认全部为1，强偏好的项目对应项系数大于1，完全无偏好的项目对应系数为0，弱偏好的项目对应系数为0至1之间。
步骤3：获取拟推荐用户的体质健康状况数据，与用户数据库中数据集进行比较，计算用户体质健康状况相似度；筛选出相似度大于预设相似度阈值的前a个用户。
步骤4：对步骤3中的前a个用户，计算每个用户所有运动阶段运动能力状态的提升值，用提升值除以该阶段所用时长得到运动能力提升效率，并筛选运动能力提升效率高于设定阈值的前b项。
所述步骤4具体方法为：
步骤4.1：对于a个用户中的第q名用户，记其在运动能力状态数据库中有pq条记录，记录某一t1时刻产生的记录为向量St1，下一条记录为t2时刻的记录为向量St2，t1到t2阶段内各运动能力提升指标对上述pq条记录执行计算ΔS，组成(pq-1)*n维矩阵Ai，合并a个用户对应的矩阵，得到m行n列数据组成的矩阵A，其中/>
步骤4.2：计算矩阵A与目标向量g的Hadamard积，得到矩阵B＝A⊙g；具体的，将矩阵A与目标向量g按元素相乘，即Bi，j＝Ai，j*gj，得到矩阵B，Bi，j、Ai，j分别表示矩阵A、B的第i行第j个元素，gj表示向量g的第j个元素；Hadamard积表示的就是Bi，j＝Ai，j*gj按元素相乘的运算，数学上用表达式B＝A⊙g表示；
步骤4.3：对矩阵B进行归一化处理，得到矩阵C；
步骤4.4：对矩阵C进行矩阵行求和运算得到向量h＝(h1，h2，...，hj，...，hN)，其中Ci，j为矩阵C的第i行第j个元素，hi为结果向量h的第i个元素，筛选向量h中元素值大于阈值的前b项。
步骤5：获取步骤4中运动能力提升效率高于设定阈值的前b项对应用户且对应时间段内的行为数据集，对行为数据集内的数值数据进行时间维度归一化，构建单位时间行为数据矩阵D。
步骤6：对矩阵D进行主成分分析，获得单位时间目标效果最大化行为数据主成分向量r。
所述步骤6具体方法为：
步骤6.1：对矩阵D进行主成分分析，提取主要共性特征行为数据，保留矩阵主成分所对应的数据元素，将其余数据元素置为0，得到矩阵E；
步骤6.2：计算矩阵E与偏好调节系数向量a的Hadamard积，得到矩阵F＝E⊙a；
步骤6.3：对矩阵F进行归一化处理，得到矩阵G；
步骤6.4：对矩阵G进行矩阵行求和运算得到向量h′＝(H1，H2，...，Hj，…，HN)，其中Gi，j为矩阵G的第i行第j个元素，Hi为结果向量h′的第i个元素；
步骤6.5：筛选向量h′中元素值大于阈值α′所对应的矩阵F中前c项，对前c项逐列求平均值，构成单位时间目标效果最大化行为数据主成分向量r。
步骤7：将r乘以拟推荐用户输入的运动时长，得到的向量表示的是生成运动处方中各运动行为的推荐量，为拟推荐用户生成运动处方。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种生成运动处方的方法，其特征在于，包括如下步骤：
步骤1：构建数据库获取并存储相关数据；
步骤2：获取拟推荐用户运动目标数据，构建用于运动目标向量g；
获取拟推荐用户运动偏好设置，构建偏好调节系数向量a；
步骤3：获取拟推荐用户的体质健康状况数据，与用户数据库中数据集进行比较，计算用户体质健康状况相似度；筛选出相似度大于预设相似度阈值的前a个用户；
步骤4：对步骤3中的前a个用户，计算每个用户所有运动阶段运动能力状态的提升值，用提升值除以该阶段所用时长得到运动能力提升效率，并筛选运动能力提升效率高于设定阈值的前b项；具体方法为：
步骤4.1：对于a个用户中的第q名用户，记其在运动能力状态数据库中有pq条记录，记录某一t1时刻产生的记录为向量St1，下一条记录为t2时刻的记录为向量St2，t1到t2阶段内各运动能力提升指标对上述pq条记录执行计算ΔS，组成(pq-1)*n维矩阵Ai，合并a个用户对应的矩阵，得到m行n列数据组成的矩阵A，其中/>
步骤4.2：计算矩阵A与目标向量g的Hadamard积，得到矩阵B＝Ae g；
将矩阵A与目标向量g按元素相乘，即Bi，g＝Ai，j*gj，得到矩阵B，Bi,j、Ai,j分别表示矩阵A、B的第i行第j个元素，gj表示向量g的第j个元素；Hadamard积表示的就是Bi，g＝Ai，j*gj按元素相乘的运算，数学上用表达式B＝Ae g表示；
步骤4.3：对矩阵B进行归一化处理，得到矩阵C；
步骤4.4：对矩阵C进行矩阵行求和运算得到向量h＝(h1,h2,L,hj,L,hN)，其中Ci,j为矩阵C的第i行第j个元素，hi为结果向量h的第i个元素，筛选向量h中元素值大于阈值的前b项；
步骤5：获取步骤4中运动能力提升效率高于设定阈值的前b项对应用户且对应时间段内的行为数据集，对行为数据集内的数值数据进行时间维度归一化，构建单位时间行为数据矩阵D；
步骤6：对矩阵D进行主成分分析，获得单位时间目标效果最大化行为数据主成分向量r；具体方法为：
步骤6.1：对矩阵D进行主成分分析，提取主要共性特征行为数据，保留矩阵主成分所对应的数据元素，将其余数据元素置为0，得到矩阵E；
步骤6.2：计算矩阵E与偏好调节系数向量a的Hadamard积，得到矩阵F＝Ee a；
步骤6.3：对矩阵F进行归一化处理，得到矩阵G；
步骤6.4：对矩阵G进行矩阵行求和运算得到向量h′＝(H1，H2，L,Hj，L，HN)，其中Gi,j为矩阵G的第i行第j个元素，Hi为结果向量h′的第i个元素；
步骤6.5：筛选向量h′中元素值大于阈值α′所对应的矩阵F中前c项，对前c项逐列求平均值，构成单位时间目标效果最大化行为数据主成分向量r；
步骤7：将r乘以拟推荐用户输入的运动时长，得到的向量表示的是生成运动处方中各运动行为的推荐量，为拟推荐用户生成运动处方。
2.根据权利要求1所述一种生成运动处方的方法，其特征在于，所述步骤1中，所述数据库包括用户数据库存储用户不同时刻体质健康状况数据、运动目标数据及对应的运动效果评价指标、运动效果评价指标的运动能力状态数据、用户运动行为和饮食习惯数据。
3.根据权利要求1所述一种生成运动处方的方法，其特征在于，所述步骤2中运动目标数据包括运动目标的类型和目标部位；所述运动偏好设置包括运动类型、运动时长、运动频率、饮食特点、卡路里摄入、蛋白质摄入、日餐次数、饮水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311306718.9A CN117271607B (zh) | 2023-10-10 | 2023-10-10 | 一种生成运动处方的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311306718.9A CN117271607B (zh) | 2023-10-10 | 2023-10-10 | 一种生成运动处方的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117271607A CN117271607A (zh) | 2023-12-22 |
| CN117271607B true CN117271607B (zh) | 2024-06-04 |
Family
ID=89207901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311306718.9A Active CN117271607B (zh) | 2023-10-10 | 2023-10-10 | 一种生成运动处方的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117271607B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322947A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
| CN111933249A (zh) * | 2020-07-29 | 2020-11-13 | 西安理工大学 | 基于改进协同过滤ItemCF算法的运动处方生成方法 |
| CN113808704A (zh) * | 2021-09-23 | 2021-12-17 | 长沙航空职业技术学院 | 运动处方获取系统及方法 |
| CN114822763A (zh) * | 2022-04-29 | 2022-07-29 | 浙江工业大学 | 一种运动数据驱动的个性化运动处方推荐方法 |
| CN114942987A (zh) * | 2022-05-10 | 2022-08-26 | 电子科技大学中山学院 | 一种运动处方流程推荐方法 |
| KR20230014455A (ko) * | 2021-07-21 | 2023-01-30 | 리퓨어생명과학 주식회사 | 개인 맞춤형 운동 처방 및 평가를 위한 시스템 및 방법 |
| CN116030937A (zh) * | 2023-02-01 | 2023-04-28 | 中国民用航空飞行学院 | 一种生成跑步运动处方的方法 |
| 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 |
-
2023
- 2023-10-10 CN CN202311306718.9A patent/CN117271607B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322947A (zh) * | 2019-06-14 | 2019-10-11 | 电子科技大学 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
| CN111933249A (zh) * | 2020-07-29 | 2020-11-13 | 西安理工大学 | 基于改进协同过滤ItemCF算法的运动处方生成方法 |
| KR20230014455A (ko) * | 2021-07-21 | 2023-01-30 | 리퓨어생명과학 주식회사 | 개인 맞춤형 운동 처방 및 평가를 위한 시스템 및 방법 |
| CN113808704A (zh) * | 2021-09-23 | 2021-12-17 | 长沙航空职业技术学院 | 运动处方获取系统及方法 |
| CN114822763A (zh) * | 2022-04-29 | 2022-07-29 | 浙江工业大学 | 一种运动数据驱动的个性化运动处方推荐方法 |
| CN114942987A (zh) * | 2022-05-10 | 2022-08-26 | 电子科技大学中山学院 | 一种运动处方流程推荐方法 |
| CN116030937A (zh) * | 2023-02-01 | 2023-04-28 | 中国民用航空飞行学院 | 一种生成跑步运动处方的方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| The Constructing of Intelligent Decision Supporting System for the Obese Individuals Exercise Prescription;Quan-Ying Li等;《2018 International Conference on Virtual Reality and Intelligent Systems (ICVRIS)》;20181111;全文 * |
| 不同健身运动处方对小学生身心发展的影响研究;周伟;罗炯;;西南师范大学学报(自然科学版);20180220(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117271607A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11338174B2 (en) | Method and system of planning fitness course parameters | |
| Millet et al. | Modelling the transfers of training effects on performance in elite triathletes | |
| Hiilloskorpi et al. | Use of heart rate to predict energy expenditure from low to high activity levels | |
| Magiera et al. | The structure of performance of a sport rock climber | |
| US8920287B2 (en) | Method and system for providing fitness activity tracking and gaming | |
| CN109589564B (zh) | 定制化健身计划生成系统 | |
| CN111640483B (zh) | 基于akc模型的健身方案推荐方法 | |
| CN109817302B (zh) | 一种健身用专家系统 | |
| Scott-Dixon | Big girls don’t cry: Fitness, fatness, and the production of feminist knowledge | |
| US20190192913A1 (en) | Method and system of planning fitness courses | |
| Martin et al. | Identification of serve pacing strategies during five-set tennis matches | |
| CN114822763A (zh) | 一种运动数据驱动的个性化运动处方推荐方法 | |
| CN109830279B (zh) | 动态调整式私人教练系统 | |
| Musa et al. | Machine learning in sports: identifying potential archers | |
| CN111933249B (zh) | 基于改进协同过滤ItemCF算法的运动处方生成方法 | |
| Banerjee et al. | Effect of regular practicing bharatnatyam dancing exercise on body fat of urban female teenagers | |
| Barry et al. | Factorial analysis of physique and performance in prepubescent boys | |
| CN111524575B (zh) | 运动疲劳度评估方法及设备 | |
| Podrigalo et al. | Main research areas in kickboxing investigations: an analysis of the scientific articles of the Web of Science Core Collection | |
| CN112509697B (zh) | 一种多模块智慧健康管理信息系统 | |
| Ni et al. | Deep multi-branch two-stage regression network for accurate energy expenditure estimation with ECG and IMU data | |
| Liu et al. | An intelligent identification model for the selection of elite rowers by incorporating internet-of-things technology | |
| CN117271607B (zh) | 一种生成运动处方的方法 | |
| Hermes et al. | Intentionally slow concentric velocity resistance exercise and strength adaptations: A meta-analysis | |
| Rosso et al. | Simulated skiing as a measurement tool for performance in cross-country sit-skiing |
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 |