CN117332363A - 基于训练课程的运动能力确定方法及装置 - Google Patents

Abstract

本申请提供基于训练课程的运动能力确定方法及装置，其中所述基于训练课程的运动能力确定方法，包括：接收目标用户的运动能力确定请求；基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，使得用户能够得知较为准确地运动能力水平，便于后续用户选择训练课程或者是系统为用户推荐训练课程，不仅能够提高运动和锻炼的兴趣，也进一步能够提升运动应用程序的使用率。

Description

基于训练课程的运动能力确定方法及装置

技术领域

本申请涉及计算机技术领域，特别涉及基于训练课程的运动能力确定方法。本申请同时涉及基于训练课程的运动能力确定装置，一种计算设备，以及一种计算机可读存储介质。

背景技术

随着信息技术的发展，手机应用软件越来越深入人们的生活。其中，运动应用程序为人们在日常生活中的运动和锻炼提供了极大的帮助，为用户随时随地提供各种训练课程。然而现有技术中用户根据自身的喜好，自行选择训练课程，但是，往往因为用户无法正确地认知自身运动的能力水平，所选择的训练课程将无法保质保量地完成，也无法达到运动效果，这不仅使得用户失去了锻炼的兴趣，也降低了运动应用程序的使用率。

发明内容

有鉴于此，本申请实施例提供了基于训练课程的运动能力确定方法。本申请同时涉及基于训练课程的运动能力确定装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的用户对自身运动能力水平认知不足，所选择的训练课程不合适，使得运动应用程序使用率低的问题。

根据本申请实施例的第一方面，提供了一种基于训练课程的运动能力确定方法，包括：

接收目标用户的运动能力确定请求；

基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；

基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；

根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；

根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

根据本申请实施例的第二方面，提供了一种基于训练课程的运动能力确定装置，包括：

请求接收模块，被配置为接收目标用户的运动能力确定请求；

课程记录获取模块，被配置为基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；

数据提取模块，被配置为基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；

信息确定模块，被配置为根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；

运动能力确定模块，被配置为根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

根据本申请实施例的第三方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述计算机指令时实现所述基于训练课程的运动能力确定方法的步骤。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现所述基于训练课程的运动能力确定方法的步骤。

本申请提供的基于训练课程的运动能力确定方法，接收目标用户的运动能力确定请求；基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

本申请一实施例实现了通过获取目标用户的历史训练课程记录，能够提取出反馈训练数据以及视频训练数据，以确定反馈训练数据对应的难度反馈信息、确定视频训练数据对应的动作反馈信息，进而，通过结合这两种模态数据的反馈信息，综合确定该目标用户的目标运动能力，使得用户能够得知较为准确地运动能力水平，便于后续用户选择训练课程或者是系统为用户推荐训练课程，这样，用户不仅能够保质保量地完成训练课程，还能够较大程度地增强用户的自信心，提高运动和锻炼的兴趣，也进一步能够提升运动应用程序的使用率。

附图说明

图1是本申请一实施例提供的一种基于训练课程的运动能力确定方法的场景示意图；

图2是本申请一实施例提供的一种基于训练课程的运动能力确定方法的流程图；

图3是本申请一实施例提供的一种应用于运动训练课程的运动能力确定方法的处理流程图；

图4是本申请一实施例提供的一种基于训练课程的运动能力确定装置的结构示意图；

图5是本申请一实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本申请一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请一个或多个实施例中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本申请一个或多个实施例涉及的名词术语进行解释。

多模态：指的是每一种来源或形式的数据，都可以看作是一种模态信息，包括：文本、图像、视频、音频等。

智能硬件：通过软硬件结合的方式，对传统设备进行改造，进而让其拥有智能化的功能。智能化之后，硬件具备连接的能力，实现互联网服务的加载，移动应用则是软件，通过应用连接智能硬件，操作简单，开发简便。

运动应用程序应用的越来越广泛，用户可以足不出户就能够观看私人教练的训练课程，并跟随训练课程进行锻炼。但对于刚刚入门的用户来说，选择适合自己的训练课程是尤为重要的，有些用户面对多种多样的训练课程，可能会随便挑选一个并跟随锻炼，往往可能会由于该训练课程的速度较快、难度较高等原因，就失去了跟随训练课程进行锻炼的兴趣。

目前，对于此种情况，很多运动应用程序选择在用户注册信息时，收集用户的基本属性信息，了解用户的基本运动能力，为用户推荐较为合适的训练课程，但往往效果并不明显，可能是由于用户对于基本属性信息的填写过于随便，或者是参考维度较少，所推荐的训练课程也并没有很强的效果，也并不会使得多数用户满意。

进而，运动应用程序在用户注册了基本属性信息之后，根据基本属性信息为用户提供一个初始训练课程，然后，在用户锻炼了一段时间后，再继续为用户调整相应的训练课程，使得用户所跟随的训练课程一直满足用户的自身状况，这样用户才能锻炼的更加长久。基于此，本申请实施例提供了一种基于用户感知的课程智能编排方法和系统，通过用户感知能够准确地确定用户的自身运动能力水平，并根据运动能力水平为用户调整相应的训练课程。

而目前为用户编排智能计划时，用户的身体情况采集偏少，不能很好的衡量用户能力的变化，所以导致推荐课程还存在滞后性。因此，本申请实施例提供的运动能力确定方法通过多维度的信息采集，包括但不限于语音、手环、视频等方式，多维度评估用户身体状态，衡量用户能力，推荐更符合用户身体状态的训练课程，通过更好地进行训练课程编排，帮助用户实现健身目标。

在本申请中，提供了基于训练课程的运动能力确定方法，本申请同时涉及基于训练课程的运动能力确定装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。

参见图1，图1示出了根据本申请一实施例提供的一种基于训练课程的运动能力确定方法的场景示意图。

图1中包括基于训练课程的运动能力确定系统100、目标用户102以及历史训练课程记录A这三个部分；其中，目标用户102和历史训练课程记录A之间关系为：目标用户102根据训练课程进行锻炼，利用硬件采集设备将该目标用户102所锻炼的具体过程进行记录，生成目标用户102的历史训练课程记录A；而基于训练课程的运动能力确定系统100是基于历史训练课程记录获取到多模态数据，作为输入，动态评估目标用户102的用户运动能力水平，便于后续根据运动能力水平调整训练课程编排。

实际应用中，基于训练课程的运动能力确定系统100在接收到针对目标用户102的运动能力确定请求之后，可先获取到目标用户102对应的历史训练课程记录A，并从历史训练课程记录A中确定出难度反馈信息以及动作反馈信息，进而，根据难度反馈信息以及动作反馈信息综合确定目标运动能力；其中，难度反馈信息可以理解为用户感知训练课程的难度反馈信息，动作反馈信息可以理解为用户实际做具体训练动作的标准程度反馈信息。

基于此，本申请实施例提供的基于训练课程的运动能力确定方法，通过从目标用户的历史训练课程记录中，整体采用多模态数据输入，动态评估用户运动能力水平，便于后续可根据该运动能力水平调整课程编排。

参见图2，图2示出了根据本申请一实施例提供的一种基于训练课程的运动能力确定方法的流程图，具体包括以下步骤：

需要说明的是，本申请实施例中所提及的训练课程包括但不限定于运动训练课程，还可包括游戏训练课程等其他教学课程，进而应用于其他应用场景，本实施例中的训练课程均以运动训练课程为例进行详细说明。

步骤202：接收目标用户的运动能力确定请求。

其中，运动能力确定请求可以理解为目标用户针对自身的运动能力进行评估的请求；需要说明的是，用户自身的运动能力可为自身综合性的运动能力，也可为某一部位的运动能力，比如腹部运动能力、臀腿运动能力等。

实际应用中，运动应用程序可接收到目标用户发送的运动能力确定请求，还可为系统自动触发的运动能力确定请求，比如，在目标用户在锻炼训练课程A一段时间后，对于该训练课程A所锻炼的腹肌动作熟练掌握，目标用户的腹部能力有了一定提升后，训练成果越来越好，那么，在系统检测到目标用户所锻炼训练课程A在一段时间内的评分均较高的情况下，系统可自动地对目标用户的运动能力进行重新确定，重新评定该目标用户的运动能力，便于后续为该目标用户调整其他的训练课程。

步骤204：基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录。

其中，历史训练课程记录可以理解为目标用户跟随运动应用程序所练习的历史训练动作对应的记录数据，且历史训练课程记录为用户已经锻炼结束，并在运动应用程序保存的用户自身练习的课程记录。

需要说明的是，运动应用程序可以利用智能硬件设备，收集目标用户跟随训练课程进行锻炼的整个过程的数据，包括视频数据、音频数据、智能设备采集数据等等，比如，通过音视频采集的摄像头，既能够收集用户的语音信息，还能够采集用户在做训练动作的视频数据等。

实际应用中，运动应用程序可基于运动能力确定请求，获取到该目标用户在运动应用程序中所保存的所有的历史训练课程记录，其中，该历史训练课程记录可以为用户前一个月、前一周、前一天或前十分钟所锻炼的课程记录，本实施例对此不作具体限制，但是为了能够准确定获知用户的运动能力，该历史训练课程记录应该为目标用户在运动应用程序中，近几次保存的训练课程记录。

步骤206：基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据。

其中，反馈训练数据可以理解为用户在跟随训练课程锻炼的过程中，所产生的针对该训练课程的反馈信息，反馈训练数据可以是语音训练数据，也可以是文本训练数据。用户在训练课程中可能会对该课程表达自己的想法，该想法可以是通过说话的形式表达，也可以通过发表评论的形式表达。其中，语音训练数据可以包括用户所表达的语音数据、课程教练所表达的语音数据、或者是训练课程中所包含的画外音等鼓励性的语音数据；文本训练数据可以是用户在课程中反馈的评论文字、可以是教练反馈的文字数据、也可以是其他用户发表的评论信息等等。

视频训练数据可以理解为用户在跟随训练课程锻炼的过程中，用户练习各个训练动作所组成的视频数据，包括用户所在的背景画面、用户练习动作的画面等。

实际应用中，运动应用程序通过获取到目标用户的历史训练课程记录之后，可从历史训练课程记录中，提取该目标用户在跟随训练课程的反馈训练数据以及视频训练数据，比如，反馈训练数据包括，目标用户说的“这个动作太简单了”，目标用户在训练课程反馈的文字评论“这组动作好难”，或者教练说的“这个动作注意用小腿发力”，或者课程中的画外音“K1难度的这组动作完成度很高，继续加油”等等；视频训练数据包括，目标用户在瑜伽垫中准备的画面、目标用户在做深蹲动作的画面等等。

步骤208：根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息。

其中，难度反馈信息可以理解为目标用户根据自身感知反馈的难度信息，其根据用户的反馈训练数据进行评分获得。比如，用户在做K1难度的动作时，做出评价的语音数据为“这组动作好简单”，对于该语音数据可确定目标用户对于K1难度训练动作的难度反馈评分为8分(比如，负10分至正10分为一个评分阶段)。又例如，用户在做K2难度的动作后，针对该动作发表评论“so easy”，对于该评论可以确定目标用户对于K1难度训练动作的难度反馈评分为7分。

动作反馈信息可以理解为根据目标用户跟随训练课程的记录过程，各个训练动作的标准度所反馈的评分，比如，用户在做K2难度的动作(K2难度大于K1难度)时，用户做的K2难度训练动作与教练做的K2难度训练动作之间的差距，所作出的动作反馈评分为4分(比如，负10分至正10分为一个评分阶段)。

实际应用中，运动应用程序可参考目标用户的历史训练课程记录中的反馈训练数据以及视频训练数据，并根据反馈训练数据，为目标用户确定一个用户感知的难度反馈信息，再根据视频训练数据，为目标用户确定一个动作反馈信息；需要说明的是，难度反馈信息由于是用户自身对自己的直观评价，可能由于用户本身动作并不标准，使得用户自身认为动作较为简单，做出的简单评价，也有可能用户随意做出的直观感受评价，因此，难度反馈信息反映出的目标用户的运动能力水平并不准确，仅具有一定的参考价值。

进一步地，所述根据所述反馈训练数据确定所述目标用户的难度反馈信息，包括：

解析所述反馈训练数据，获得所述反馈训练数据对应的初始文本信息；

基于预设文本提取规则提取所述初始文本信息中的训练反馈文本信息，并根据所述训练反馈文本信息确定所述目标用户的难度反馈信息。

其中，初始文本信息可以理解为对历史训练课程记录中的反馈训练数据所包含的所有文本信息，包括用户自身表达的文本信息、教练表达的文本信息以及课程的画外音文本信息等等。

训练反馈文本信息可以理解为用户针对自身训练动作做出的难度反馈信息，比如，“这组动作好难”、“这组动作比较简单”、“我觉得完成度比较高了”这些对于自身运动的评价文本信息。

实际应用中，运动应用程序在获取到目标用户的反馈训练数据之后，可对该反馈训练数据进行解析，获得该反馈训练数据对应的初始文本信息，即反馈训练数据中所有的文本信息；进一步地，按照预设文本提取规则，提取该初始文本信息，将用户对自身运动评价的所有文本信息作为训练反馈文本信息，需要说明的是，预设文本提取规则可根据不同的应用场景预先设置不同的文本提取规则，本实施例对此不作具体限定；最后，还可根据训练反馈文本信息确定出该目标用户对应的难度反馈信息；需要说明的是，对语音数据进行解析的过程，将语音数据转换为文本，具体可参考ASR语音识别技术等，利用ASR+NLP解析目标用户主观对动作/课程难度的评估。

比如，运动应用程序解析反馈训练数据，若所提取的训练反馈文本信息为“K2难度训练动作比较简单”，那么对应确定的难度反馈评分为+7分；若所提取的训练反馈文本信息为“K3动作好难”，那么对应确定的难度反馈评分为-2分。

更进一步地，所述根据所述视频训练数据确定所述目标用户的动作反馈信息，包括：

解析所述视频训练数据，获得所述视频训练数据对应的训练动作；

确定所述训练动作对应的训练骨骼点信息，并在预设动作集合中获取所述训练动作的预设骨骼点信息；

计算所述训练骨骼点信息与所述预设骨骼点信息的动作相似度；

基于所述动作相似度确定所述目标用户的动作反馈信息。

其中，训练骨骼点信息可以理解为用户跟随训练课程的训练动作时，与用户身体所对应的各个骨骼点信息。

预设骨骼点信息可以理解为训练课程中的教练所做具体的训练动作时，与教练身体对应的各个骨骼点信息；需要说明的是，教练所对应的各个骨骼点信息可以理解为针对该训练动作的标准骨骼点信息。

实际应用中，运动应用程序可对历史训练课程记录中的视频训练数据进行解析，以确定该视频训练数据中所有的训练动作，并根据该视频训练数据确定目标用户在做每一个训练动作时对应的各个骨骼点信息，该骨骼点信息可以表现为向量坐标，进而表明用户的手部、腿部、头部、身体等各个骨骼点所在的位置；进一步地，运动应用程序还可在预设动作集合中获取到每个训练动作的教练所对应的标准骨骼点信息，其中预设动作集合可以为预先教练录制的教学课程，对每个训练动作均有标准动作展示；然后，可计算目标用户每个动作的训练骨骼点信息与教练所做的对应动作的标准骨骼点信息之间的动作相似度，以判断目标用户的训练动作是否标准，通过动作相似度的参数值确定该目标用户针对某一训练动作的动作反馈评分。

比如，通过计算用户训练动作与较量标准动作之间的相似度，该相似度越高，说明目标用户所做的训练动作越标准，最后正则化的评分越高，进而每个训练动作的反馈评分可正则化为负10分到正10分之间的评估分数。

步骤210：根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

其中，目标运动能力可以理解为运动应用程序针对本次运动能力确定请求，根据多模态数据综合确定的目标运动能力，该目标运动能力代表用户的运动水平，或者是能够跟随训练课程的难度水平等。

实际应用中，在运动应用程序确定了目标用户的难度反馈信息以及动作反馈信息之后，即可综合这两者反馈信息，评估用户的运动能力水平，一方面通过语音数据考虑用户自身对训练课程的运动能力评价，另一方面通过视频数据考虑用户实际操作的动作是否标准，进行的运动能力评价，进而，综合这两方面的因素，评估出更为合理的用户运动能力水平，便于后续实时为目标用户推荐更符合目标用户当前身体状态的课程。

需要说明的是，在确定K1难度训练动作有10个的情况下，可分别对这10个动作做出相应的难度反馈信息和动作反馈信息，并分别对10个难度反馈信息进行平均值计算、对10个动作反馈信息进行平均值计算，进而确定K1难度对应的难度反馈评分和动作反馈评分；若该训练课程具有K1-K5这5个难度的训练动作时，运动应用程序可分别对这5个难度等级的训练动作分别计算出难度反馈评分和动作反馈评分，进而，能够综合判断出目标用户所锻炼的训练课程的运动能力水平。

上述为本实施例提供的基于训练课程的运动能力确定方法，通过语音和视频这种模态的数据，综合评定目标用户的运动能力水平，便于后续的智能调整训练课程。

进一步地，本申请另一实施例提供的基于训练课程的运动能力确定方法，除了参考反馈训练数据和视频训练数据，去评估用户的运动能力水平，还可以参考各种硬件设备所反馈的信息；具体的，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力之前，还包括：

基于所述历史训练课程记录提取所述目标用户的设备采集信息；

根据所述设备采集信息确定所述目标用户的设备反馈信息；

其中，所述设备采集信息为与所述目标用户关联的硬件设备所采集的信息。

其中，与目标用户关联的硬件设备可以理解为用户在跟随训练课程锻炼时，所佩戴的硬件设备或者是体现用户自身身体状况水平的设备，比如、可佩戴手环、手表、智能单车、智能跳绳、或者是体脂称等等；需要说明的是，这些硬件设备均应该与用户相关联，要么是与用户所锻炼的训练动作相关，比如训练动作有单车训练动作、跳绳训练的工作，要么是与用户自身身体状况水平相关，比如手环监测用户在做训练动作时的心率、体脂称在用户做完训练动作之后的肌肉含量水平等等。

实际应用中，运用应用程序可关联多个硬件设备，同时，这些硬件设备与目标用户进行绑定，进而，在目标用户跟随训练课程进行锻炼时，硬件设备可采集到目标用户在锻炼时的所有设备采集信息，并根据这些设备采集信息确定目标用户对应的设备反馈信息，其中，所述设备反馈信息可以理解为各个硬件设备所采集的设备采集信息所体现出目标用户针对各个训练动作的数据反馈评分。

例如，用户多佩戴的手环监测到用户做K1难度的训练动作对应的心率数据，即可根据该心率数据做出相应的心率评分，表示用户在做该训练动作时，心率是否达到预设的标准，从而确定用户做该训练动作是否达到了身体消耗量，进而，侧面地评估该用户做K1难度的训练动作时的运动能力水平。

本申请实施例提供的确定硬件设备反馈信息的方式，可利用大数据确定的平均值作为计算标准，以确定目标用户在训练各个难度水平的训练动作所消耗的能量，进而，评估出目标用户的运动能力水平；具体的，所述根据所述设备采集信息确定所述目标用户的设备反馈信息，包括：

解析所述设备采集信息，确定所述设备采集信息的信息类型；

基于所述信息类型确定目标设备信息，其中，所述目标设备信息基于预设数量用户的设备采集信息确定；

计算所述设备采集信息与所述目标设备信息的信息偏移量；

基于所述信息偏移量确定所述目标用户的设备反馈信息。

其中，设备采集信息的信息类型可以理解为各个硬件设备所采集的信息的属性类型，比如手环设备采集的心率信息为110次/分的信息类型、体脂称所采集的用户身体体脂率为30％的信息类型、智能单车设备采集的每分钟骑行的公里数0.8公里/分的信息类型。

实际应用中，运动应用程序在提取到历史训练课程记录中的设备采集信息之后，可先确定出该设备采集信息的具体信息类型，因为不同的用户在锻炼时所利用的硬件设备并不相同，进而，根据确定的信息类型以确定对应的硬件设备的目标设备信息，需要说明的是，目标设备信息是通过大数据计算平均值所确定出来的，即可采用预设数量用户在利用该硬件设备所采集的设备采集信息计算的平均值，作为标准设备信息；后续，可计算用户实际的设备采集信息与标准设备信息之间的信息偏移量，其中，该信息偏移量可以理解为用户实际所采集的设备信息与标准设备信息的差值，从而确定出用户在该智能硬件设备上的信息偏移特征情况，最后根据信息偏移量确定该目标用户所锻炼各个训练动作对应的设备反馈评分，同样地，也可以量化为负10分到正10分之间的评估分数。

通过上述计算用户对应的设备采集信息与标准设备采集信息的偏移量，进而能够从侧面判定出该用户在做这个训练动作时与标准动作的差距，进而作为后续的一种评估运动能力的模态参数。

基于此，本申请实施例即可通过三种模态数据，综合评估目标用户的目标运动能力；具体的，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，包括：

根据所述难度反馈信息、所述动作反馈信息以及所述设备反馈信息确定所述目标用户的目标运动能力。

实际应用中，在运动应用程序获取到难度反馈信息、动作反馈信息以及设备反馈信息之后，即可参考这三种模态数据对应的反馈信息，综合判定该目标用户的目标运动能力。

本申请实施例提供的基于训练课程的运动能力确定方法，通过参考多模态的数据，可以更加合理地评估用户的运动能力水平。

另外，本申请另一实施例提供的基于训练课程的运动能力确定方法，除了上述提及的三种模态的数据之外，还可以考量目标用户的基本属性信息，进而，更加全面地评估目标用户的综合运动能力水平；具体的，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力之前，还包括：

获取所述目标用户的基本属性信息；

基于所述基本属性信息确定所述目标用户的基本属性反馈信息。

其中，基本属性信息包括木用户在运动应用程序中录入的自身的身高、体重、三维围数据、代谢率、体脂率等属性信息。

实际应用中，运动应用程序还可获取到目标用户预先录入的基本属性信息，并根据基本属性信息确定对应的基本属性反馈信息，其中，该基本属性反馈信息可以理解为目标用户针对当前的基本属性信息对应的评价分数，该评价分数可以参考大数据信息，通过确定与目标用户具有同样身高、体重的用户对应的代谢率与体脂率，来评价目标用户的基本属性信息对应的评估分数；该评估分数同样也可作为评估用户运动能力水平的参数信息。

进一步地，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，包括：

根据所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息确定所述目标用户的目标运动能力。

实际应用中，运动应用程序在获取到难度反馈信息和动作反馈信息之后，还可增加设备反馈信息或者增加基本属性反馈信息，或者是设备反馈信息和基本属性反馈信息同时作为参考维度，能够更加综合地评估目标用户的目标运动能力。

需要说明的是，本申请实施例通过语音数据、视频数据、硬件设备数据和基础录入数据这四个模态数据的维度出发，对目标用户的目标运动能力进行综合评估，但并不局限于上述四种模态数据，本实施例对此不作具体限定。

更进一步地，运动应用程序还可利用预先训练的模型，完成对用户运动能力水平的评估；具体的，所述根据所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息确定所述目标用户的目标运动能力，包括：

将所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息输入能力预估模型；

获得所述能力预估模型输出的所述目标用户的目标运动能力。

实际应用中，运动应用程序在采集到多模态特征数据时，可将多模态特征数据进行融合处理，即将难度反馈信息、动作反馈信息、设备反馈信息以及基本属性反馈信息作为模型的输入数据，输入至能力预估模型中，进而，获得该能力预估模型输出的目标用户的目标运动能力；需要说明的是，能力预估模型可采用三层全链接神经网络模型，比如将30维的特征数据输入第一层神经网络中进行拟合，输入至第二层神经网络中为16维特征数据，下一层为8维特征数据等等，最后可选择出一个概率值最高的运动能力参考值，通过神经网络模型可以拟合用户各个模态数据特征，可综合预估出该目标用户对应的目标运动能力。

需要说明的是，运动应用程序可利用不同的神经网络模型，对多模态数据进行拟合处理，以实现通过多方面的参考因素，准确地确定目标用户的目标运动能力，本实施例对此具体应用的模型或者是其他拟合方式不作任何限定。

本申请实施例提供的基于训练课程的运动能力确定方法，利用预先训练好的模型，将多模态特征数据进行融合处理，拟合用户完成率最高的课程的平均难度，进而能够准确地确定出目标用户的运动能力水平。

另外，在运动应用程序能够准确地预估到目标用户的目标运动能力之后，可后续根据该用户的目标运动能力智能调整训练课程，帮助用户实现训练目标；具体的，根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力之后，还包括：

基于所述目标用户的目标运动能力，确定所述目标用户的用户级别；

根据所述用户级别，选择与所述用户级别对应的目标训练课程。

其中，目标用户的用户级别可以理解为用户完成训练课程的难度级别对应的用户等级，比如能够完成难度较高的训练课程，该用户级别为L3级别；能够完成难度中等的训练课程，该用户级别为L2级别；能够完成难度简单的训练课程，该用户级别为L1级别。

实际应用中，运动应用程序在确定目标用户的目标运动能力之后，就能够确定出该目标用户的用户级别，比如为L2级别的用户，进而，根据该用户级别，为该目标用户选择一个与该用户级别相符合的目标训练课程，比如K2难度的训练课程；需要说明的是，运动应用程序中具有多个训练课程，每个训练课程可对应地不同的动作难度，也适应于不同的用户级别，因此，运动应用程序还可每隔预设时间周期，评估一次用户的运动能力，进而为用户匹配对应当前用户运动能力水平的训练课程。

例如，用户A当前的用户级别为L2级别，其对应训练课程均为K2难度的训练课程；在运动应用程序为该用户A预估了当前的运动能力水平之后，可确定该用户A的用户级别提升为L3级别，那么，相应地为用户A推荐的训练课程中也应该提升一个难度系数，若L3级别对应的训练课程难度为K3或K4难度的训练课程时，运动应用程序可将这两个难度等级的训练课程均推荐给用户，以便于用户选择自己想要锻炼的训练课程，或者是运动应用程序还可进行综合判断从中再选择出一个较为合适的训练课程作为目标训练课程推荐给用户A；具体的推荐过程，本例中并不做任何限定。

本申请实施例提供的基于训练课程的运动能力确定方法，通过评估出用户的运动能力水平，以推荐更符合用户自身身体状态的训练课程，一方面可以保证用户能够保质保量地完成训练课程，另一方面又提升了用户锻炼的兴趣，提高用户使用运动应用程序的使用率。

本申请还提供了另一个实施例，还可以具体确定目标用户在某一具体运动部位的运动能力水平，以实现对用户自身运动能力水平更加细节化地认定；具体的，所述运动能力确定请求中携带有目标部位标识；

相应地，获取所述目标用户的历史训练课程记录，包括：

确定所述目标部位标识对应的目标部位；

获取所述目标用户针对所述目标部位的历史训练课程记录；

相应地，根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，包括：

根据所述难度反馈信息、所述动作反馈信息确定所述目标部位的目标运动能力。

其中，目标部位标识可以理解为用户所锻炼的具体身体部位对应的训练课程的身体部分标识；其对应的目标部位可以理解为用户所锻炼的训练动作对应的身体部位，比如腹部、臀腿、背部等部位。

实际应用中，运动应用程序在获取目标用户的历史训练课程记录时，可根据运动能力确定请求中携带的目标部分标识先确定对应锻炼的目标部位，进而获取到该目标用户锻炼该目标部位对应的历史训练课程记录；后续从该历史训练课程记录中提取的反馈训练数据以及视频训练数据，也都是针对用户锻炼该目标部位对应的训练数据，最后，根据难度反馈信息和动作反馈信息确定出该目标部位的目标运动能力。

本申请实施例提供的基于训练课程的运动能力确定方法，还可通过获取到用户具体身体部位的历史训练课程记录，综合确定用户在该具体身体部位的目标运动能力，便于后续根据该目标运动能力为用户提供符合当前身体状态的目标训练课程。

综上，通过多维度的信息采集，包括但不限于语音，视频，硬件设备等方式，多维度评估用户身体状态，衡量用户运动能力水平，推荐更符合用户身体状态的课程，进而，用户不仅能够保质保量地完成训练课程，还能够较大程度地增强用户的自信心，提高运动和锻炼的兴趣，也进一步能够提升运动应用程序的使用率。

下述结合附图3，图3示出了本申请一实施例提供的一种应用于运动训练课程的运动能力确定方法的处理流程图，具体包括以下步骤：

需要说明的是，整体纵向按功能可划分为三个模块，包括数据采集模块、标准值计算模块以及能力评估与调整模块；横向按数据源可分为三个模态数据类型，包括语音数据、视频数据以及智能硬件设备采集数据。

步骤302：运动应用软件可根据用户的历史训练课程记录确定语音数据。

步骤304：运动应用软件针对该语音数据确定针对动作/课程反馈的语音评分。

步骤306：运动应用软件通过ASR+NLP解析主观对于动作/课程难度评分。

步骤308：运动应用软件可根据用户的历史训练课程记录确定视频数据。

步骤310：运动应用软件针对视频数据确定动作/课程的全身运动情况。

步骤312：运动应用软件根据用户的动作运动情况，计算与标准动作之间的相似度。

步骤314：运动应用软件根据相似度确定动作完成评分。

步骤316：运动应用软件根据用户的历史训练课程记录确定硬件设备手环所采集的设备信息。

步骤318：运动应用软件通过设备信息确定针对动作/课程的心率变化信息。

步骤320：运动应用软件计算不同能力级别用户对不同动作/课程的平均心率。

步骤322：运动应用软件计算用户实际心率信息与平均心率信息之间的偏移量。

步骤324：运动应用软件根据用户的历史训练课程记录确定硬件设备体脂称所采集的设备信息。

步骤326：运动应用软件通过采集信息确定体脂、体重变化信息。

步骤328：运动应用软件计算不同能力级别用户的体脂、体重平均值。

步骤330：运动应用软件计算用户实际体脂、体重与平均值之间的偏移量。

步骤332：将语音数据对应的难度评分、视频数据对应的动作完成评分、手环采集的信息确定的偏移量对应的评分以及体脂称采集信息确定的偏移量对应的评分，一起输入至能力预估模型。

步骤334：运动应用软件中的能力预估模型产出用户运动能力。

步骤336：运动应用软件根据能力预估模型产出的用户运动能力变更用户的课程编排。

综上，通过数据收集模块，收集针对不同动作、课程的多模态数据。标准值计算模块中，1)语音模块不计算标准值，只计算用户对于不同难度的感受，正负10分制，对于每一个难度取平均值；2)视频模块通过计算用户动作与标准动作相似度，计算出类似上述分数(与教练动作越相似，得分越高，最后正则化到负10至正10之间)；3)智能硬件采集数据需要根据现有数据计算出用户对于不同动作的心率等信息，之后根据用户实际信息与平均信息的偏移，计算出用户对于不同难度动作、课程实际感受，最后依然正则化到负10至正10之间；相应地，体脂秤同理。智能硬件可以不断扩展，例如动感单车，跳绳等，均可采用类似方法，通过大数据平均值计算标准，根据个人实际情况计算偏移，从而得出用户在该智能硬件上的特征情况。能力评估与调整模块，确定了多模态的特征，还需要根据多模态特征数据结合用户基本属性信息，拟合出用户实际能力，还可采用全链接神经网络，拟合用户完成率最高的课程的平均难度。最后，还包括调整模块根据计算出的用户能力，将后续课程做对应的进退阶调整。

与上述方法实施例相对应，本申请还提供了基于训练课程的运动能力确定装置实施例，图4示出了本申请一实施例提供的一种基于训练课程的运动能力确定装置的结构示意图。如图4所示，该装置包括：

请求接收模块402，被配置为接收目标用户的运动能力确定请求；

课程记录获取模块404，被配置为基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；

数据提取模块406，被配置为基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；

信息确定模块408，被配置为根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；

运动能力确定模块410，被配置为根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

可选地，所述装置，还包括：

设备信息确定模块，被配置为基于所述历史训练课程记录提取所述目标用户的设备采集信息；

根据所述设备采集信息确定所述目标用户的设备反馈信息；

其中，所述设备采集信息为与所述目标用户关联的硬件设备所采集的信息。

可选地，所述信息确定模块408，进一步被配置为：

根据所述难度反馈信息、所述动作反馈信息以及所述设备反馈信息确定所述目标用户的目标运动能力。

可选地，所述装置，还包括：

属性信息确定模块，被配置为获取所述目标用户的基本属性信息；

基于所述基本属性信息确定所述目标用户的基本属性反馈信息。

可选地，所述运动能力确定模块410，进一步被配置为：

根据所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息确定所述目标用户的目标运动能力。

可选地，所述运动能力确定模块410，进一步被配置为：

将所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息输入能力预估模型；

获得所述能力预估模型输出的所述目标用户的目标运动能力。

可选地，所述设备信息确定模块，进一步被配置为：

解析所述设备采集信息，确定所述设备采集信息的信息类型；

基于所述信息类型确定目标设备信息，其中，所述目标设备信息基于预设数量用户的设备采集信息确定；

计算所述设备采集信息与所述目标设备信息的信息偏移量；

基于所述信息偏移量确定所述目标用户的设备反馈信息。

可选地，所述信息确定模块408，进一步被配置为：

解析所述反馈训练数据，获得所述反馈训练数据对应的初始文本信息；

基于预设文本提取规则提取所述初始文本信息中的训练反馈文本信息，并根据所述训练反馈文本信息确定所述目标用户的难度反馈信息。

可选地，所述信息确定模块408，进一步被配置为：

解析所述视频训练数据，获得所述视频训练数据对应的训练动作；

确定所述训练动作对应的训练骨骼点信息，并在预设动作集合中获取所述训练动作的预设骨骼点信息；

计算所述训练骨骼点信息与所述预设骨骼点信息的动作相似度；

基于所述动作相似度确定所述目标用户的动作反馈信息。

可选地，所述装置，还包括：

课程选择模块，被配置为基于所述目标用户的目标运动能力，确定所述目标用户的用户级别；

根据所述用户级别，选择与所述用户级别对应的目标训练课程。

可选地，所述运动能力确定请求中携带有目标部位标识；

可选地，所述课程记录获取模块404，进一步被配置为：

确定所述目标部位标识对应的目标部位；

获取所述目标用户针对所述目标部位的历史训练课程记录；

可选地，所述运动能力确定模块410，进一步被配置为：

根据所述难度反馈信息、所述动作反馈信息确定所述目标部位的目标运动能力。

本申请实施例提供的基于训练课程的运动能力确定装置，通过获取目标用户的历史训练课程记录，能够提取出反馈训练数据以及视频训练数据，以确定反馈训练数据对应的难度反馈信息、确定视频训练数据对应的动作反馈信息，进而，通过结合这两种模态数据的反馈信息，综合确定该目标用户的目标运动能力，使得用户能够得知较为准确地运动能力水平，便于后续用户选择训练课程或者是系统为用户推荐训练课程，这样，用户不仅能够保质保量地完成训练课程，还能够较大程度地增强用户的自信心，提高运动和锻炼的兴趣，也进一步能够提升运动应用程序的使用率。

上述为本实施例的一种基于训练课程的运动能力确定装置的示意性方案。需要说明的是，该基于训练课程的运动能力确定装置的技术方案与上述的基于训练课程的运动能力确定方法的技术方案属于同一构思，基于训练课程的运动能力确定装置的技术方案未详细描述的细节内容，均可以参见上述基于训练课程的运动能力确定方法的技术方案的描述。

图5示出了根据本申请一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。

计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。

在本申请的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本申请范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。

其中，处理器520执行所述计算机指令时实现所述的基于训练课程的运动能力确定方法的步骤。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的基于训练课程的运动能力确定方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述基于训练课程的运动能力确定方法的技术方案的描述。

本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现如前所述基于训练课程的运动能力确定方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于训练课程的运动能力确定方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于训练课程的运动能力确定方法的技术方案的描述。

上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本申请的内容，可作很多的修改和变化。本申请选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。

Claims (14)

1.一种基于训练课程的运动能力确定方法，其特征在于，包括：

接收目标用户的运动能力确定请求；

基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；

基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；

根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；

根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

2.根据权利要求1所述的方法，其特征在于，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力之前，还包括：

基于所述历史训练课程记录提取所述目标用户的设备采集信息；

根据所述设备采集信息确定所述目标用户的设备反馈信息；

其中，所述设备采集信息为与所述目标用户关联的硬件设备所采集的信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，包括：

根据所述难度反馈信息、所述动作反馈信息以及所述设备反馈信息确定所述目标用户的目标运动能力。

4.根据权利要求3所述的方法，其特征在于，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力之前，还包括：

获取所述目标用户的基本属性信息；

基于所述基本属性信息确定所述目标用户的基本属性反馈信息。

5.根据权利要求4所述的方法，其特征在于，所述根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，包括：

根据所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息确定所述目标用户的目标运动能力。

6.根据权利要求5所述的方法，其特征在于，所述根据所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息确定所述目标用户的目标运动能力，包括：

将所述难度反馈信息、所述动作反馈信息、所述设备反馈信息以及所述基本属性反馈信息输入能力预估模型；

获得所述能力预估模型输出的所述目标用户的目标运动能力。

7.根据权利要求2所述的方法，其特征在于，所述根据所述设备采集信息确定所述目标用户的设备反馈信息，包括：

解析所述设备采集信息，确定所述设备采集信息的信息类型；

基于所述信息类型确定目标设备信息，其中，所述目标设备信息基于预设数量用户的设备采集信息确定；

计算所述设备采集信息与所述目标设备信息的信息偏移量；

基于所述信息偏移量确定所述目标用户的设备反馈信息。

8.根据权利要求1所述的方法，其特征在于，所述根据所述反馈训练数据确定所述目标用户的难度反馈信息，包括：

解析所述反馈训练数据，获得所述反馈训练数据对应的初始文本信息；

基于预设文本提取规则提取所述初始文本信息中的训练反馈文本信息，并根据所述训练反馈文本信息确定所述目标用户的难度反馈信息。

9.根据权利要求1所述的方法，其特征在于，所述根据所述视频训练数据确定所述目标用户的动作反馈信息，包括：

解析所述视频训练数据，获得所述视频训练数据对应的训练动作；

确定所述训练动作对应的训练骨骼点信息，并在预设动作集合中获取所述训练动作的预设骨骼点信息；

计算所述训练骨骼点信息与所述预设骨骼点信息的动作相似度；

基于所述动作相似度确定所述目标用户的动作反馈信息。

10.根据权利要求1所述的方法，其特征在于，根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力之后，还包括：

基于所述目标用户的目标运动能力，确定所述目标用户的用户级别；

根据所述用户级别，选择与所述用户级别对应的目标训练课程。

11.根据权利要求1所述的方法，其特征在于，所述运动能力确定请求中携带有目标部位标识；

相应地，获取所述目标用户的历史训练课程记录，包括：

确定所述目标部位标识对应的目标部位；

获取所述目标用户针对所述目标部位的历史训练课程记录；

相应地，根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力，包括：

根据所述难度反馈信息、所述动作反馈信息确定所述目标部位的目标运动能力。

12.一种基于训练课程的运动能力确定装置，其特征在于，包括：

请求接收模块，被配置为接收目标用户的运动能力确定请求；

课程记录获取模块，被配置为基于所述运动能力确定请求，获取所述目标用户的历史训练课程记录；

数据提取模块，被配置为基于所述历史训练课程记录提取所述目标用户的反馈训练数据以及视频训练数据；

信息确定模块，被配置为根据所述反馈训练数据确定所述目标用户的难度反馈信息，根据所述视频训练数据确定所述目标用户的动作反馈信息；

运动能力确定模块，被配置为根据所述难度反馈信息、所述动作反馈信息确定所述目标用户的目标运动能力。

13.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述计算机指令时实现权利要求1-11任意一项所述方法的步骤。

14.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-11任意一项所述方法的步骤。