CN117412704A - 热量消耗估算方法、装置及存储介质 - Google Patents
热量消耗估算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117412704A CN117412704A CN202280004302.9A CN202280004302A CN117412704A CN 117412704 A CN117412704 A CN 117412704A CN 202280004302 A CN202280004302 A CN 202280004302A CN 117412704 A CN117412704 A CN 117412704A
- Authority
- CN
- China
- Prior art keywords
- heat consumption
- heart rate
- target user
- current
- increment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000033001 locomotion Effects 0.000 claims abstract description 155
- 230000008569 process Effects 0.000 claims abstract description 40
- 230000004060 metabolic process Effects 0.000 claims description 35
- 230000000284 resting effect Effects 0.000 claims description 35
- 238000011084 recovery Methods 0.000 claims description 25
- 230000003247 decreasing effect Effects 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 235000019787 caloric expenditure Nutrition 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 235000020934 caloric restriction Nutrition 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009194 climbing Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 235000019577 caloric intake Nutrition 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000002612 cardiopulmonary effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037149 energy metabolism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
Abstract
本公开涉及一种热量消耗估算方法、装置及存储介质,该方法包括:获取目标用户在当前时刻的心率,以及目标用户的生理特征信息;根据当前时刻的心率和目标用户的生理特征信息,确定目标用户在当前时段内的第一热量消耗增量;根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量;根据第二热量消耗增量,确定目标用户在运动过程中的总热量消耗信息,该运动过程包括从运动开始时刻至当前时刻的过程。通过上述技术方案,能够适应复杂多变的运动场景,降低热量消耗估算的个体差异性,且提高热量消耗估算的准确性。
Description
本公开涉及人机交互领域,尤其涉及一种热量消耗估算方法、装置及存储介质。
随着科技的不断发展,可穿戴设备渐渐进入到了人们的日常生活中。可穿戴设备即直接穿在身上,或是整合到用户衣服上的一种便携式设备,其产品形态多种多样,例如智能手表、智能手环、智能眼镜、智能头盔等等。可穿戴设备中有许多的传感器,能够采集人体的生理学信号,例如心率等信号,从而对用户的健康指标进行监测,其中在关于运动的指标监测中,用户在运动过程中的热量消耗即卡路里消耗,成为人们日益关注的对象,然而相关技术中对热量消耗的计算不够准确。
发明内容
为克服相关技术中存在的问题,本公开提供一种热量消耗估算方法、装置及存储介质。
根据本公开实施例的第一方面,提供一种热量消耗估算方法,包括:
获取目标用户在当前时刻的心率,以及所述目标用户的生理特征信息;
根据所述当前时刻的心率和所述目标用户的生理特征信息,确定所述目标用户在当前时段内的第一热量消耗增量,其中,所述当前时段为从所述当前时刻的上一时刻至所述当前时刻之间的时段;
根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量;
根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,其中,该运动过程包括从运动开始时刻至所述当前时刻的过程。
可选地,所述方法还包括:
根据所述当前时刻的心率,确定所述目标用户在所述当前时刻的运动状态特征信息,其中,所述运动状态特征信息用于表征所述目标用户在所述当前时刻是处于运动稳态阶段还是运动恢复阶段;
所述根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,包括:
根据所述运动状态特征信息和所述第二热量消耗增量,确定所述目标用户在所述当前时段内的目标热量消耗增量;
根据所述目标热量消耗增量,确定所述总热量消耗信息。
可选地,所述根据所述当前时刻的心率,确定所述目标用户在所述当前时刻的运动状态特征信息,包括:
针对所述当前时刻对应的时间窗口中的每一时刻,若所述目标用户在该时刻的心率小于所述目标用户在该时刻的上一时刻的心率,则将该时刻作为心率下降时刻,其中,所述时间窗口包括从指定时刻至所述当前时刻之间的时段,所述指定时刻早于所述当前时刻;
根据所述心率下降时刻的数量,确定所述目标用户在所述当前时刻的运动状态特征信息。
可选地,所述根据所述心率下降时刻的数量,确定所述目标用户在所述当前时刻的 运动状态特征信息,包括:
若所述心率下降时刻的数量满足预设条件中的至少一者,则确定所述目标用户在所述当前时刻处于运动恢复阶段,其中,所述预设条件包括:所述心率下降时刻的数量大于预设数量阈值、所述心率下降时刻的数量与所述时间窗口中时刻数量之间的比值大于预设占比阈值。
可选地,所述根据所述运动状态特征信息和所述第二热量消耗增量,确定所述目标用户在所述当前时段内的目标热量消耗增量,包括:
若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动稳态阶段,则将所述第二热量消耗增量作为所述目标热量消耗增量;
若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动恢复阶段,则根据所述第二热量消耗增量、所述当前时刻的心率、运动过程中的最大心率、预设静息心率,确定所述目标热量消耗增量。
可选地,所述根据所述第二热量消耗增量、所述当前时刻的心率、运动过程中的最大心率、预设静息心率,确定所述目标热量消耗增量,包括:
根据所述预设静息心率和所述当前时刻的心率,确定当前心率增量;
根据所述最大心率和所述预设静息心率,确定运动过程中的最大心率增量;
将所述当前心率增量和所述最大心率增量之间的比值,作为热量抑制因子;
根据所述第二热量消耗增量和所述热量抑制因子,确定所述目标热量消耗增量。
可选地,所述目标用户的生理特征信息包括所述目标用户的体重和年龄;
所述根据所述当前时刻的心率和所述目标用户的生理特征信息,确定所述目标用户在当前时段内的第一热量消耗增量,包括:
获取所述目标用户当前进行的运动的类型信息,以及预先存储的所述类型信息对应的平均强度信息;
根据所述平均强度信息、所述目标用户的体重、预设基础体重、所述当前时刻的心率、预设静息心率、所述目标用户的年龄对应的年龄增益,确定所述第一热量消耗增量。
可选地,所述类型信息对应的平均强度信息是通过如下方式得到的:
获取进行所述类型信息对应运动的第一用户的生理特征信息,以及所述第一用户处于运动稳态阶段时的第一心率和第一实际热量消耗增量,其中,所述第一用户的生理特征信息包括所述第一用户的体重和年龄;
根据所述第一实际热量消耗增量、所述第一心率、所述预设静息心率、所述第一用户的体重、所述预设基础体重、所述第一用户的年龄对应的年龄增益,拟合出所述平均强度信息。
可选地,所述根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量,包括:
将所述目标用户的生理特征信息、所述当前时刻的心率和所述第一热量消耗增量输入至所述热量消耗估算模型中,得到所述热量消耗估算模型输出的所述第二热量消耗增量。
可选地,所述热量消耗估算模型是通过如下方式训练得到的:
获取处于运动状态的第二用户的生理特征信息,以及所述第二用户处于运动状态时的第二心率和第二实际热量消耗增量;
根据所述第二用户的生理特征信息和所述第二心率,确定所述第二用户的先验热量消耗;
将所述第二用户的生理特征信息、所述第二心率、所述先验热量消耗、所述第二实际热量消耗增量输入至深度学习网络模型中,对所述深度学习网络模型进行训练,以得 到所述热量消耗估算模型。
可选地,所述热量消耗估算模型为门控循环单元模型。
可选地,所述方法还包括:
在所述目标用户结束运动后,根据所述目标用户本次运动的热量消耗量确定所述目标用户的当前基础代谢信息,并展示所述当前基础代谢信息,其中,所述当前基础代谢信息大于所述目标用户在本次运动前的基础代谢信息。
根据本公开实施例的第二方面,提供一种热量消耗估算装置,包括:
心率获取模块,用于获取目标用户在当前时刻的心率,以及所述目标用户的生理特征信息;
第一确定模块,用于根据所述当前时刻的心率和所述目标用户的生理特征信息,确定所述目标用户在当前时段内的第一热量消耗增量,其中,所述当前时段为从所述当前时刻的上一时刻至所述当前时刻之间的时段;
第二确定模块,用于根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量;
总热量确定模块,用于根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,其中,该运动过程包括从运动开始时刻至所述当前时刻的过程。
可选地,所述装置还包括:
状态确定模块,用于根据所述当前时刻的心率,确定所述目标用户在所述当前时刻的运动状态特征信息,其中,所述运动状态特征信息用于表征所述目标用户在所述当前时刻是处于运动稳态阶段还是运动恢复阶段;
所述总热量确定模块,包括:
第一确定子模块,用于根据所述运动状态特征信息和所述第二热量消耗增量,确定所述目标用户在所述当前时段内的目标热量消耗增量;
第二确定子模块,用于根据所述目标热量消耗增量,确定所述总热量消耗信息。
可选地,所述状态确定模块,包括:
时刻确定子模块,用于针对所述当前时刻对应的时间窗口中的每一时刻,若所述目标用户在该时刻的心率小于所述目标用户在该时刻的上一时刻的心率,则将该时刻作为心率下降时刻,其中,所述时间窗口包括从指定时刻至所述当前时刻之间的时段,所述指定时刻早于所述当前时刻;
状态确定子模块,用于根据所述心率下降时刻的数量,确定所述目标用户在所述当前时刻的运动状态特征信息。
可选地,所述状态确定子模块用于:若所述心率下降时刻的数量满足预设条件中的至少一者,则确定所述目标用户在所述当前时刻处于运动恢复阶段,其中,所述预设条件包括:所述心率下降时刻的数量大于预设数量阈值、所述心率下降时刻的数量与所述时间窗口中时刻数量之间的比值大于预设占比阈值。
可选地,所述第一确定子模块,包括:
第三确定子模块,用于若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动稳态阶段,则将所述第二热量消耗增量作为所述目标热量消耗增量;
第四确定子模块,用于若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动恢复阶段,则根据所述第二热量消耗增量、所述当前时刻的心率、运动过程中的最大心率、预设静息心率,确定所述目标热量消耗增量。
可选地,所述第四确定子模块,包括:
当前心率增量确定子模块,用于根据所述预设静息心率和所述当前时刻的心率,确定当前心率增量;
最大心率增量确定子模块,用于根据所述最大心率和所述预设静息心率,确定运动过程中的最大心率增量;
热量抑制因子确定子模块,用于将所述当前心率增量和所述最大心率增量之间的比值,作为热量抑制因子;
热量增量确定子模块,用于根据所述第二热量消耗增量和所述热量抑制因子,确定所述目标热量消耗增量。
可选地,所述目标用户的生理特征信息包括所述目标用户的体重和年龄;
所述第一确定模块,包括:
获取子模块,用于获取所述目标用户当前进行的运动的类型信息,以及预先存储的所述类型信息对应的平均强度信息;
第五确定子模块,用于根据所述平均强度信息、所述目标用户的体重、预设基础体重、所述当前时刻的心率、预设静息心率、所述目标用户的年龄对应的年龄增益,确定所述第一热量消耗增量。
可选地,所述类型信息对应的平均强度信息是通过如下模块得到的:
第一信息获取模块,用于获取进行所述类型信息对应运动的第一用户的生理特征信息,以及所述第一用户处于运动稳态阶段时的第一心率和第一实际热量消耗增量,其中,所述第一用户的生理特征信息包括所述第一用户的体重和年龄;
拟合模块,用于根据所述第一实际热量消耗增量、所述第一心率、所述预设静息心率、所述第一用户的体重、所述预设基础体重、所述第一用户的年龄对应的年龄增益,拟合出所述平均强度信息。
可选地,所述第二确定模块用于:
将所述目标用户的生理特征信息、所述当前时刻的心率和所述第一热量消耗增量输入至所述热量消耗估算模型中,得到所述热量消耗估算模型输出的所述第二热量消耗增量。
可选地,所述热量消耗估算模型是通过如下模块训练得到的:
第二信息获取模块,用于获取处于运动状态的第二用户的生理特征信息,以及所述第二用户处于运动状态时的第二心率和第二实际热量消耗增量;
先验信息确定模块,用于根据所述第二用户的生理特征信息和所述第二心率,确定所述第二用户的先验热量消耗;
训练模块,用于将所述第二用户的生理特征信息、所述第二心率、所述先验热量消耗、所述第二实际热量消耗增量输入至深度学习网络模型中,对所述深度学习网络模型进行训练,以得到所述热量消耗估算模型。
可选地,所述装置还包括:
基础代谢确定模块,用于在所述目标用户结束运动后,根据所述目标用户本次运动的热量消耗量确定所述目标用户的当前基础代谢信息,并展示所述当前基础代谢信息,其中,所述当前基础代谢信息大于所述目标用户在本次运动前的基础代谢信息。
根据本公开实施例的第三方面,提供一种热量消耗估算装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行本公开实施例第一方面提供的所述方法的步骤。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的热量消耗估算方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过上述技术方案,根据目标用户在当前时刻的心率和目标用户的生理特征信息,确定目标用户在当前时段内的第一热量消耗增量,考虑用户的生理特征信息,即考虑个体差异问题,能够降低热量消耗估算的个体差异性,使得确定出的第一热量消耗增量更准确。之后根据热量消耗估算模型,对第一热量消耗增量进行修正,以得到目标用户在当前时段内的第二热量消耗增量。一方面,热量消耗估算模型可以构建心率与热量消耗量之间复杂的非线性关系,热量消耗估算模型可以解决场景依赖的问题,能够适应复杂多变的运动场景,另一方面,将第一热量消耗增量作为热量消耗估算模型的先验信息,能够提高热量消耗估算模型输出的第二热量消耗增量的准确性,从而提高目标用户在运动过程中的总热量消耗信息的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种热量消耗估算方法的流程图。
图2是根据一示例性实施例示出的一种热量消耗估算方法的流程图。
图3是根据一示例性实施例示出的一种确定目标用户在当前时刻的运动状态特征信息的方法的流程图。
图4是根据一示例性实施例示出的一种在运动恢复阶段确定目标热量消耗增量的方法的流程图。
图5是根据一示例性实施例示出的一种确定目标用户在当前时段内的第一热量消耗增量的方法的流程图。
图6是门控循环单元模型的内部结构示意图。
图7是热量消耗估算试验结果示意图。
图8是根据一示例性实施例示出的热量消耗估算装置的框图。
图9是根据一示例性实施例示出的一种用于热量消耗估算的装置的框图。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
目前,估算用户在运动过程中的热量消耗即卡路里消耗的方法主要有以下几种:基于心率的线性回归方法、基于心率的机器学习模型或深度学习模型、基于加速度的热量消耗估计。其中,在基于心率的线性回归方法中,需要在不同的运动场景(如走路、跑步、爬山、骑行、游泳、打球等)下分别回归出不同的模型,在切换运动场景时,需要变换不同的回归模型来进行热量消耗的估算,场景适应性较差。
有鉴于此,本公开提供一种热量消耗估算方法、装置及存储介质,适用于不同运动场景的热量消耗估算,且降低热量消耗估算的个体差异性,提高热量消耗估算的准确性。以下对本公开的实施方式进行详细说明。
需要说明的是,在一实施例中,本公开提供的热量消耗估算方法可以应用于可穿戴 设备,如智能手表、智能手环等设备,用户佩戴可穿戴设备的情况下,可穿戴设备能够实时采集用户的心率,并计算用户在运动过程中的热量消耗。在另一实施例中,本公开提供的热量消耗估算方法可以应用于与可穿戴设备建立连接关系的终端,如用户的手机、平板电脑等设备,可穿戴设备可以将采集的用户心率实时传输给终端,终端可获取到用户的心率并计算用户在运动过程中的热量消耗。
图1是根据一示例性实施例示出的一种热量消耗估算方法的流程图,如图1所示,该方法可包括S101至S104。
在S101中,获取目标用户在当前时刻的心率,以及目标用户的生理特征信息。
其中,目标用户为佩戴可穿戴设备的用户,可穿戴设备可按照预设采样频率采集目标用户的心率,例如预设采样频率为1HZ,则可穿戴设备可每隔1秒钟采集一次目标用户的心率。
目标用户的生理特征信息例如包括目标用户的体重、年龄、性别等信息。需要说明的是,目标用户可以在可穿戴设备或终端上填写自己的体重和年龄等生理特征信息,在经过用户授权的情况下,可穿戴设备或终端可获取到目标用户的生理特征信息。
在S102中,根据当前时刻的心率和目标用户的生理特征信息,确定目标用户在当前时段内的第一热量消耗增量。
其中,当前时段为从当前时刻的上一时刻至当前时刻之间的时段。示例地,以从前到后依次为t1、t2、t3、……、t28、t29、t30三十个时刻为例进行说明,例如当前时刻为t30时刻,当前时段为从t29时刻至t30时刻之间的时段,当前时段内的热量消耗增量即为目标用户从t29时刻至t30时刻的热量消耗量。
相关技术中在进行热量消耗估算时,并未考虑个体差异的问题,不同的用户,即使在进行相同的运动,他们消耗的热量也可能是不同的。人体在运动时,影响热量消耗的因素有多种,例如,完成同一项运动,体重较重的用户需要对外做更多的功才能完成,体重对于热量消耗的影响很大,另外,年龄会影响身体的新陈代谢速度,也会影响运动时热量的消耗。因此本公开中,在进行热量消耗估算时,考虑用户的生理特征信息,即考虑个体差异问题,能够降低热量消耗估算的个体差异性,使得热量消耗的估算更加准确。
在S103中,根据热量消耗估算模型,对第一热量消耗增量进行修正,以得到目标用户在当前时段内的第二热量消耗增量。
运动场景有多种,每一种运动场景下的人体热量消耗的特点是不一样的,例如室内跑步机跑步时,人体热量消耗可能是一个较为稳定的状态,而踢足球、打篮球等球类运动消耗的热量可能是非常不稳定的,具有爆发性和多次恢复性,可能可穿戴设备事先无法获得用户的运动场景,因此需要热量估算方法对于运动场景是可以自适应的。
本公开中,热量消耗估算模型可以为深度学习网络模型,一方面,热量消耗估算模型可以构建心率与热量消耗量之间复杂的非线性关系,热量消耗估算模型可以解决场景依赖的问题,能够适应复杂多变的运动场景,另一方面,将第一热量消耗增量作为热量消耗估算模型的先验信息,能够提高热量消耗估算模型输出的第二热量消耗增量的准确性。
这样,根据当前时刻的心率和目标用户的生理特征信息,能够快速确定目标用户在当前时段内的第一热量消耗增量,且能够减小个体差异,热量消耗估算模型能够适应复杂多变的运动场景,实现运动场景自适应。
在S104中,根据第二热量消耗增量,确定目标用户在运动过程中的总热量消耗信息。
其中,该运动过程包括从运动开始时刻至当前时刻的过程。示例地,在准备进行运动时,目标用户可在可穿戴设备或终端上点击开始运动按钮,并且还可以选择自己进行 的运动的运动类型,如慢跑、登山、越野跑等,目标用户触发开始运动按钮的时刻,可作为运动开始时刻。另外,也可将用户佩戴可穿戴设备的时刻作为运动开始时刻,即使用户没有点击开始运动按钮,无论用户处于运动状态还是日常办公状态,均可对用户的热量消耗进行估算。示例地,热量消耗增量、总热量消耗信息可通过卡路里来进行表示。
通过上述技术方案,根据目标用户在当前时刻的心率和目标用户的生理特征信息,确定目标用户在当前时段内的第一热量消耗增量,考虑用户的生理特征信息,即考虑个体差异问题,能够降低热量消耗估算的个体差异性,使得确定出的第一热量消耗增量更准确。之后根据热量消耗估算模型,对第一热量消耗增量进行修正,以得到目标用户在当前时段内的第二热量消耗增量。一方面,热量消耗估算模型可以构建心率与热量消耗量之间复杂的非线性关系,热量消耗估算模型可以解决场景依赖的问题,能够适应复杂多变的运动场景,另一方面,将第一热量消耗增量作为热量消耗估算模型的先验信息,能够提高热量消耗估算模型输出的第二热量消耗增量的准确性,从而提高目标用户在运动过程中的总热量消耗信息的准确性。
图2是根据一示例性实施例示出的一种热量消耗估算方法的流程图,如图2所示,该方法包括S201至S206。
在S201中,获取目标用户在当前时刻的心率,以及目标用户的生理特征信息。该步骤的实施方式可如S101。
在S202中,根据当前时刻的心率和目标用户的生理特征信息,确定目标用户在当前时段内的第一热量消耗增量。该步骤的实施方式可如S102。
在S203中,根据热量消耗估算模型,对第一热量消耗增量进行修正,以得到目标用户在当前时段内的第二热量消耗增量。该步骤的实施方式可如S103。
在S204中,根据当前时刻的心率,确定目标用户在当前时刻的运动状态特征信息。其中,运动状态特征信息用于表征目标用户在当前时刻是处于运动稳态阶段还是运动恢复阶段。
在S205中,根据运动状态特征信息和第二热量消耗增量,确定目标用户在当前时段内的目标热量消耗增量。
在S206中,根据目标热量消耗增量,确定总热量消耗信息。
上述S104可包括S205和S206。需要说明的是,对于图2所示的各个步骤的执行顺序不做限制,例如S204也可在S202或S203之前执行,图2所示的执行顺序仅为示例。
其中,用户在运动时通常经历运动启动阶段、运动平稳阶段、运动恢复阶段。运动启动阶段即刚开始运动的阶段,该阶段时间较短且消耗的热量较少,运动平稳阶段即呼吸和心率波动较小、相对平稳的阶段,例如匀速跑步阶段,由于运动启动阶段的时间较短且消耗的热量较少,因此本公开中将运动启动阶段和运动平稳阶段作为运动稳态阶段。在户外长跑、越野跑、登山等场景中,运动者会经常性的变速跑以及短暂休息以恢复体力,这种速度大幅降低或者运动暂停以恢复体力的阶段,可作为运动恢复阶段。
由于在不同运动阶段,用户的心率不同,且心率随运动阶段的变化而变化,因此可根据当前时刻的心率,确定目标用户在当前时刻的运动状态特征信息。在一可选实施例中,可预先训练一分类器模型,如贝叶斯分类器模型,将当前时刻的心率输入至分类器模型中,分类器模型可输出目标用户在当前时刻是处于运动稳态阶段还是运动恢复阶段。
图3是根据一示例性实施例示出的一种确定目标用户在当前时刻的运动状态特征信息的方法的流程图,如图3所示,S204可包括S2041和S2042。
在S2041中,针对当前时刻对应的时间窗口中的每一时刻,若目标用户在该时刻的心率小于目标用户在该时刻的上一时刻的心率,则将该时刻作为心率下降时刻。其中,时间窗口包括从指定时刻至当前时刻之间的时段,指定时刻早于当前时刻。
在S2042中,根据心率下降时刻的数量,确定目标用户在当前时刻的运动状态特征信息。
在运动过程中,当运动速度出现大幅度降低或是出现暂停运动以恢复体能时,心率表现为明显的下降趋势,但是可穿戴设备采集到的心率是具有抖动性的,在运动恢复阶段心率并非是严格下降的,心率短暂下降也并不代表是处于运动恢复阶段,需要心率持续保持下降趋势才能说明此时处于运动恢复阶段。
因此本公开中可以采用滑动时间窗口的方式,检测用户当前是处于运动稳态阶段还是运动恢复阶段。示例地,以从前到后依次为t1、t2、t3、……、t28、t29、t30三十个时刻为例进行说明,当前时刻例如为t30时刻,时间窗口的长度可以预先设置,例如设置为30秒,相应地指定时刻可以为t1时刻,例如时间窗口的长度设置为20秒,相应地指定时刻可以为t10时刻,本公开对于时间窗口的长度不做限制。以指定时刻为t1时刻为例,当前时刻t30对应的时间窗口包括从t1至t30之间的时段。
值得说明的是,可穿戴设备是实时采集目标用户的心率,在获取到目标用户在当前时刻的心率时,对于目标用户在当前时刻之前的各个时刻的心率,可穿戴设备或终端均已经获取到。即在获取到目标用户在t30时刻的心率时,对于目标用户分别在t1、t2、t3、……、t28、t29时刻的心率,可穿戴设备或终端均已经获取到。
如果目标用户在t30时刻的心率小于t29时刻的心率,那么t30时刻可作为心率下降时刻,如果目标用户在t29时刻的心率小于t28时刻的心率,那么t29时刻可作为心率下降时刻,如果目标用户在t28时刻的心率大于或等于t27时刻的心率,那么t28时刻不作为心率下降时刻,其他时刻是否作为心率下降时刻的判断不再赘述。
在确定出时间窗口中哪些时刻作为心率下降时刻后,可根据心率下降时刻的数量,确定目标用户在当前时刻的运动状态特征信息,上述S2042的实施方式可以为:
若心率下降时刻的数量满足预设条件中的至少一者,则确定目标用户在当前时刻处于运动恢复阶段,其中,预设条件包括:心率下降时刻的数量大于预设数量阈值、心率下降时刻的数量与时间窗口中时刻数量之间的比值大于预设占比阈值。
其中,预设数量阈值可预先设置,并可根据时间窗口的长度设置,示例地,时间窗口的长度为30秒,该预设数量阈值可设置为24。预设占比阈值也可预先设置,例如设置为80%。如果心率下降时刻的数量满足预设条件中的至少一者,即满足预设条件之一或同时满足这两个条件,可表征目标用户在时间窗口内的心率持续保持下降趋势,目标用户当前的运动速度可能出现大幅度降低甚至是暂停运动以恢复体能,可确定目标用户在当前时刻处于运动恢复阶段。如果心率下降时刻的数量小于或等于预设数量阈值,或者心率下降时刻的数量与时间窗口中时刻数量之间的比值小于或等于预设占比阈值,可表征目标用户在时间窗口内的心率未发生明显的下降,目标用户未降速运动,可确定目标用户在当前时刻处于运动稳态阶段。
通过上述技术方案,时间窗口包括从指定时刻至当前时刻之间的时段,指定时刻早于当前时刻,通过时间窗口中心率下降时刻的数量,可反映用户在最近时段内的心率是处于平稳状态还是持续保持下降趋势,从而准确确定目标用户在当前时刻的运动状态特征信息。
在一实施例中,S205的实施方式可以为:
若运动状态特征信息表征目标用户在当前时刻处于运动稳态阶段,则将第二热量消耗增量作为目标热量消耗增量;
若运动状态特征信息表征目标用户在当前时刻处于运动恢复阶段,则根据第二热量消耗增量、当前时刻的心率、运动过程中的最大心率、预设静息心率,确定目标热量消耗增量。
如果目标用户当前处于运动稳态阶段,可直接将热量消耗估算模型输出的第二热量消耗增量作为目标热量消耗增量。
如果目标用户当前处于运动恢复阶段,由于运动后过氧消耗(EPOC)的存在,在运动恢复阶段能量消耗的速率是会高于静息时的基础代谢,但是会低于运动稳态阶段的。运动恢复阶段的心率虽然会下降,但是仍然会处于一个比较高的水平,此时心率虽然处于一个较高水平,但是热量消耗已经降低,热量消耗估算模型输出的第二热量消耗增量可能会出现热量消耗预测高估的问题。
本公开中,为了使得运动恢复阶段的热量消耗估算更加准确,若目标用户当前处于运动恢复阶段,则根据第二热量消耗增量、当前时刻的心率、运动过程中的最大心率、预设静息心率,确定目标热量消耗增量。在运动恢复阶段确定目标热量消耗增量的方式可如图4所示,包括S2051至S2054。
在S2051中,根据预设静息心率和当前时刻的心率,确定当前心率增量。
示例地,可将当前时刻的心率与预设静息心率之间的差值,作为当前心率增量。
在S2052中,根据最大心率和预设静息心率,确定运动过程中的最大心率增量。
示例地,可将运动过程中的最大心率和预设静息心率之间的差值,作为最大心率增量。
在S2053中,将当前心率增量和最大心率增量之间的比值,作为热量抑制因子。
热量抑制因子η可通过如下公式(1)确定:
其中,hr为当前时刻的心率,hr_rest为预设静息心率,hr_max为运动过程中的最大心率。
在S2054中,根据第二热量消耗增量和热量抑制因子,确定目标热量消耗增量。
示例地,可将初始热量消耗增量与热量抑制因子的乘积,作为目标热量消耗增量。
其中,上述的运动过程中的最大心率,是在运动进行的过程中实时更新的,这样,通过热量抑制因子,对运动恢复阶段的热量消耗增量做抑制策略,可以避免运动恢复阶段热量消耗量的高估,提高热量消耗估算的准确性。
在确定出目标用户在当前时段内的目标热量消耗增量后,可根据目标热量消耗增量,确定总热量消耗信息。
示例地,当前时刻为t30时刻,在当前时刻,目标用户从运动开始时刻至t29时刻的总热量消耗量已经计算出来,因此将目标热量消耗增量与目标用户从运动开始时刻至t29时刻的总热量消耗量相加,可得出目标用户从运动开始时刻至当前时刻的总热量消耗信息。
在一示例中,目标用户的生理特征信息可包括目标用户的体重和年龄。相应地,S102的实施方式可如图5所示,包括S1021和S1022。
在S1021中,获取目标用户当前进行的运动的类型信息,以及预先存储的类型信息对应的平均强度信息。
在一实施例中,在准备进行运动时,目标用户可在可穿戴设备或终端上点击开始运动按钮,并且还可以选择自己进行的运动的运动类型,如慢跑、登山、越野跑等,根据目标用户的选择操作,可穿戴设备或终端可获取到目标用户当前进行的运动的类型信息。在另一实施例中,可穿戴设备或终端可根据目标用户的心率变化特征,确定目标用户当前进行的运动的类型信息,例如,如果目标用户的心率波动较为平缓,目标用户当前进行的可能是匀速运动,如跑步机跑步,如果目标用户的心率波动较强烈,目标用户当前 进行的可能是变速运动,如爬山、越野跑等。可穿戴设备或终端中可预先存储有多种运动分别对应的平均强度信息,例如可存储有慢跑的平均强度信息A1、登山的平均强度信息A2、越野跑的平均强度信息A3、骑行的平均强度信息A4,等等。
在一实施例中,类型信息对应的平均强度信息可以是通过如下方式得到的:
获取进行类型信息对应运动的第一用户的生理特征信息,以及第一用户处于运动稳态阶段时的第一心率和第一实际热量消耗增量,其中,第一用户的生理特征信息包括第一用户的体重和年龄;
根据第一实际热量消耗增量、第一心率、预设静息心率、第一用户的体重、预设基础体重、第一用户的年龄对应的年龄增益,拟合出平均强度信息。
本公开中,结合运动稳态时心率与热量消耗高度线性相关性的生理学特性,建立心率与热量消耗增量之间的模型。示例地,例如拟合慢跑的平均强度信息,可收集进行慢跑的第一用户在运动稳态阶段时的第一心率和第一实际热量消耗增量,该第一实际热量消耗增量可以是通过专业心肺测试系统通过气体交换计算出的,即采集到该第一心率的采集周期(如1秒)内第一用户的热量消耗量。为了降低个体差异,还可获取第一用户的生理特征信息,该生理特征信息包括第一用户的体重和年龄。其中,可收集大量进行慢跑的第一用户的信息,以使得拟合出的平均强度信息更准确。
为了降低个体差异,建立模型时可采用归一化的参数。第一用户的体重与预设基础体重之间的比值可作为体重增加倍数,预设基础体重可预先设置,例如设置为60kg。第一心率与预设静息心率之差可作为心率增量,预设静息心率也可预先设置。年龄增益为根据人体生理学基础依据按照年龄变化对应的代谢速率的变化,为经验值,范围从0.95至1.12,年龄增益可设置为该范围内的固定值。
示例地,可通过如下模型(2)拟合出平均强度信息:
Calories_delta'=A*weight_multiple'*hr_add'*age_gain' (2)
其中,Calories_delta’为第一实际热量消耗增量,A为平均强度信息,weight_multiple’=weight’/weight_basic,weight’为第一用户的体重,weight_basic为预设基础体重,hr_add’=hr’–hr_rest,hr’为第一心率,hr_rest为预设静息心率,age_gain’为第一用户的年龄对应的年龄增益。在拟合平均强度信息时,Calories_delta’、weight_multiple’、hr_add’、age_gain’均为已知,通过模型(2)可拟合出平均强度信息A。拟合出其他运动类型的平均强度信息的方式与之类似。
在S1022中,根据平均强度信息、目标用户的体重、预设基础体重、当前时刻的心率、预设静息心率、目标用户的年龄对应的年龄增益,确定第一热量消耗增量。
示例地,可通过如下模型(3)确定第一热量消耗增量Calories_delta:
Calories_delta=A*weight_multiple*hr_add*age_gain (3)
其中,weight_multiple=weight/weight_basic,weight为目标用户的体重,weight_basic为预设基础体重,hr_add=hr–hr_rest,hr为当前时刻的心率,hr_rest为预设静息心率,age_gain为目标用户的年龄对应的年龄增益。在确定第一热量消耗增量Calories_delta时,A、weight_multiple、hr_add、age_gain均为已知,由此确定出第一热量消耗增量。
通过上述技术方案,考虑目标用户的生理特征信息,该生理特征信息例如包括目标用户的体重和年龄,即考虑个体差异问题,能够降低热量消耗估算的个体差异性,使得第一热量消耗增量的估算更加准确,将第一热量消耗增量作为热量消耗估算模型的输入,可以为热量消耗估算模型提供准确的先验信息。
本公开中,S103的实施方式可以为:将目标用户的生理特征信息、当前时刻的心率和第一热量消耗增量输入至热量消耗估算模型中,得到热量消耗估算模型输出的第二热 量消耗增量。
其中,热量消耗估算模型可以是通过如下方式训练得到的:
获取处于运动状态的第二用户的生理特征信息,以及第二用户处于运动状态时的第二心率和第二实际热量消耗增量;
根据第二用户的生理特征信息和第二心率,确定第二用户的先验热量消耗;
将第二用户的生理特征信息、第二心率、先验热量消耗、第二实际热量消耗增量输入至深度学习网络模型中,对深度学习网络模型进行训练,以得到热量消耗估算模型。
示例地,第二用户的生理特征信息可包括第二用户的体重、年龄、性别等信息。该第二实际热量消耗增量可以是通过专业心肺测试系统通过气体交换计算出的,即采集到该第二心率的采集周期(如1秒)内第二用户的热量消耗量。根据第二用户的生理特征信息和第二心率,确定第二用户的先验热量消耗,该先验热量消耗是考虑了第二用户的生理特征信息得到的,能够避免个体差异性。将第二用户的生理特征信息、第二心率、先验热量消耗、第二实际热量消耗增量输入至深度学习网络模型中,可以采用反向传播算法对深度学习网络模型中的矩阵进行优化训练,训练完成时得到热量消耗估算模型。
本公开中,为建立运动场景自适应的热量消耗估算模型,热量消耗估算模型可以为门控循环单元模型(GRU,gated recurrent Unit)。GRU模型在处理时间序列问题上具有很大的优势,引入细胞态保存长期记忆,改进了RNN(Recurrent Neural Network)循环神经网络只能保存短期记忆的缺陷。同时GRU模型改善了LSTM(Long Short-Term Memory,长短期记忆网络)深度学习算法计算复杂度高的问题,使得预测时延迟尽可能的小。使用GRU模型构建心率与热量消耗之间的映射模型,能够相较于其他机器学习提高估计精度,且更能够处理不同运动场景切换的问题。值得说明的是,以下训练参数仅作为示例,不构成对本公开实施方式的限制,首先对GRU模型进行初始化,然后对GRU模型进行训练,迭代次数例如取M=256,损失函数loss=mae(平均绝对误差),优化器选择Adam优化器,一次训练所选取的样本数为batch size=16。
图6是门控循环单元模型的内部结构示意图,如图6所示,GRU模型中使用两个门:更新门和重置门,输入变量只需要经过两次向量计算。其中zt代表更新门,用于控制从前一刻起的状态信息进入当前状态的程度,更新门的值越大,则引入来自前一时刻的更多状态信息,rt代表重置门,控制将来自前一状态的信息写入当前暂存细胞态,重置门越小,从前一状态写入的信息就越少。GRU模型同样能够实现储存长短期记忆的功能,其预测过程如下公式(4)至(8)所示:
r
t=σ(W
r·[h
t-1,x
t]) (4)
z
t=σ(W
z·[h
t-1,x
t]) (5)
y
t=σ(W
o·h
t) (8)
其中,σ为sigmoid层,包含sigmoid函数,其表达式如公式(9)所示:
tanh层包含tanh函数,其表达式如公式(10)所示:
e是Hadamard Product,也就是操作矩阵中对应的元素相乘,因此要求两个相乘矩阵是同型的。Wr是重置门的权重矩阵,Wz是更新门的权重矩阵,
是候选态的权重矩阵,Wo是输出的权重矩阵。ht、ht-1分别表示储存长期记忆的细胞态在t和t-1时刻的输出。
表示候选态在t时刻的输出。
初始化LSTM深度学习网络的参数:将重置门的权重矩阵Wr、更新门的权重矩阵Wz、候选态的权重矩阵
输出的权重矩阵Wo初始化为0至1之间的随机数。设置GRU深度学习网络的输入层神经元个数为M,层数设置为i,每一层的输出作为下一层的输入。GRU模型初始化完成之后对GRU模型进行训练:将第二用户的生理特征信息、第二心率、先验热量消耗、第二实际热量消耗增量输入至深度学习网络模型中,可以采用反向传播算法对深度学习网络模型中的矩阵进行优化训练,训练完成时得到热量消耗估算模型。其中设置训练迭代次数为epoch,损失函数为loss,优化器为optimizer,一次训练所选取的样本数为batch size。本实施例中取M=256,i=2,epoch=50,loss=mae(平均绝对误差),optimizer=Adam(Adam优化器),batch size=16。
由上述公式可知,GRU模型在训练时需要学习重置门rt、更新门zt以及暂存态
三套参数,GRU模型总的参数数量公式为:总参数=3*隐藏层参数*(输入层参数+偏置参数+输出层参数)。而LSTM在训练时需要学习输入门it、输出门ot、遗忘门ft以及暂存态
四套参数,LSTM总的参数数量公式为:总参数=4*隐藏层参数*(输入层参数+偏置参数+输出层参数)。GRU模型训练时需要学习迭代的参数比LSTM少,因此GRU模型训练比LSTM快,收敛迭代次数比LSTM少。LSTM在预测时输入的肌电特征需要经过七次复杂的向量计算才能得出最终的估计角度,而GRU模型在线预测时只需要五次向量计算即可得到最终的估计角度,GRU模型在线预测的时效性也是优于LSTM模型的。因此无论是训练阶段还是预测阶段,GRU模型的时效性均优于LSTM模型,故本公开中热量消耗估算模型可以为门控循环单元模型即GRU模型。
本公开提供的热量消耗估算方法还可包括:
在目标用户结束运动后,根据目标用户本次运动的热量消耗量确定目标用户的当前基础代谢信息,并展示当前基础代谢信息,其中,当前基础代谢信息大于目标用户在本次运动前的基础代谢信息。
其中,基础代谢是指人体基础状态下的能量代谢,运动可以提高人体的基础代谢,运动强度越大,消耗的热量越高,基础代谢提高的水平也越高,在目标用户结束运动后,可根据目标用户本次运动的热量消耗量确定目标用户的当前基础代谢信息,并在可穿戴设备或终端上展示该当前基础代谢信息,计算基础代谢信息的方式可参照相关技术,例如根据目标用户本次运动的热量消耗量确定一个系数,将原基础代谢信息与该系数相乘得到当前基础代谢信息,由于运动可以提高人体的基础代谢水平,因此目标用户在本次运动结束后的当前基础代谢信息大于目标用户在本次运动前的基础代谢信息。
图7是热量消耗估算试验结果示意图。在试验中,采集运动类型为走跑(包含室内走路、室内跑步、室外走路、室外跑步)的运动数据100条,其中运动时间长度包含10分钟、30分钟、60分钟三个等级;采集运动类型为爬山的运动数据20条,包含五个不同高度的山峰,运动时间长度从20分钟至180分钟不等;采集运动类型为骑行的运动数 据40条,包含四种不同的骑行场地,涉及专业骑行场地以及非专业骑行道路(如户外马路)。上述试验中受试者的年龄跨度从18到43岁。
本公开中采用根据生理特征信息得到的热量消耗增量作为深度学习网络模型的先验信息,对模型进行优化训练,避免热量估算时个体差异性的问题,如图7所示,采用优化深度学习模型对热量消耗进行估算,误差可下降27%至43。
基于同一发明构思,本公开还提供一种热量消耗估算装置,图8是根据一示例性实施例示出的热量消耗估算装置的框图,如图8所示,该装置700可包括:
心率获取模块701,用于获取目标用户在当前时刻的心率,以及所述目标用户的生理特征信息;
第一确定模块702,用于根据所述当前时刻的心率和所述目标用户的生理特征信息,确定所述目标用户在当前时段内的第一热量消耗增量,其中,所述当前时段为从所述当前时刻的上一时刻至所述当前时刻之间的时段;
第二确定模块703,用于根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量;
总热量确定模块704,用于根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,其中,该运动过程包括从运动开始时刻至所述当前时刻的过程。
可选地,所述装置700还包括:
状态确定模块,用于根据所述当前时刻的心率,确定所述目标用户在所述当前时刻的运动状态特征信息,其中,所述运动状态特征信息用于表征所述目标用户在所述当前时刻是处于运动稳态阶段还是运动恢复阶段;
所述总热量确定模块704,包括:
第一确定子模块,用于根据所述运动状态特征信息和所述第二热量消耗增量,确定所述目标用户在所述当前时段内的目标热量消耗增量;
第二确定子模块,用于根据所述目标热量消耗增量,确定所述总热量消耗信息。
可选地,所述状态确定模块,包括:
时刻确定子模块,用于针对所述当前时刻对应的时间窗口中的每一时刻,若所述目标用户在该时刻的心率小于所述目标用户在该时刻的上一时刻的心率,则将该时刻作为心率下降时刻,其中,所述时间窗口包括从指定时刻至所述当前时刻之间的时段,所述指定时刻早于所述当前时刻;
状态确定子模块,用于根据所述心率下降时刻的数量,确定所述目标用户在所述当前时刻的运动状态特征信息。
可选地,所述状态确定子模块用于:若所述心率下降时刻的数量满足预设条件中的至少一者,则确定所述目标用户在所述当前时刻处于运动恢复阶段,其中,所述预设条件包括:所述心率下降时刻的数量大于预设数量阈值、所述心率下降时刻的数量与所述时间窗口中时刻数量之间的比值大于预设占比阈值。
可选地,所述第一确定子模块,包括:
第三确定子模块,用于若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动稳态阶段,则将所述第二热量消耗增量作为所述目标热量消耗增量;
第四确定子模块,用于若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动恢复阶段,则根据所述第二热量消耗增量、所述当前时刻的心率、运动过程中的最大心率、预设静息心率,确定所述目标热量消耗增量。
可选地,所述第四确定子模块,包括:
当前心率增量确定子模块,用于根据所述预设静息心率和所述当前时刻的心率,确定当前心率增量;
最大心率增量确定子模块,用于根据所述最大心率和所述预设静息心率,确定运动过程中的最大心率增量;
热量抑制因子确定子模块,用于将所述当前心率增量和所述最大心率增量之间的比值,作为热量抑制因子;
热量增量确定子模块,用于根据所述第二热量消耗增量和所述热量抑制因子,确定所述目标热量消耗增量。
可选地,所述目标用户的生理特征信息包括所述目标用户的体重和年龄;
所述第一确定模块702,包括:
获取子模块,用于获取所述目标用户当前进行的运动的类型信息,以及预先存储的所述类型信息对应的平均强度信息;
第五确定子模块,用于根据所述平均强度信息、所述目标用户的体重、预设基础体重、所述当前时刻的心率、预设静息心率、所述目标用户的年龄对应的年龄增益,确定所述第一热量消耗增量。
可选地,所述类型信息对应的平均强度信息是通过如下模块得到的:
第一信息获取模块,用于获取进行所述类型信息对应运动的第一用户的生理特征信息,以及所述第一用户处于运动稳态阶段时的第一心率和第一实际热量消耗增量,其中,所述第一用户的生理特征信息包括所述第一用户的体重和年龄;
拟合模块,用于根据所述第一实际热量消耗增量、所述第一心率、所述预设静息心率、所述第一用户的体重、所述预设基础体重、所述第一用户的年龄对应的年龄增益,拟合出所述平均强度信息。
可选地,所述第二确定模块703用于:
将所述目标用户的生理特征信息、所述当前时刻的心率和所述第一热量消耗增量输入至所述热量消耗估算模型中,得到所述热量消耗估算模型输出的所述第二热量消耗增量。
可选地,所述热量消耗估算模型是通过如下模块训练得到的:
第二信息获取模块,用于获取处于运动状态的第二用户的生理特征信息,以及所述第二用户处于运动状态时的第二心率和第二实际热量消耗增量;
先验信息确定模块,用于根据所述第二用户的生理特征信息和所述第二心率,确定所述第二用户的先验热量消耗;
训练模块,用于将所述第二用户的生理特征信息、所述第二心率、所述先验热量消耗、所述第二实际热量消耗增量输入至深度学习网络模型中,对所述深度学习网络模型进行训练,以得到所述热量消耗估算模型。
可选地,所述装置还包括:
基础代谢确定模块,用于在所述目标用户结束运动后,根据所述目标用户本次运动的热量消耗量确定所述目标用户的当前基础代谢信息,并展示所述当前基础代谢信息,其中,所述当前基础代谢信息大于所述目标用户在本次运动前的基础代谢信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的热量消耗估算方法的步骤。
图9是根据一示例性实施例示出的一种用于热量消耗估算的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图9,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电 力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的热量消耗估算方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块, 以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述热量消耗估算方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述热量消耗估算方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的热量消耗估算方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
- 一种热量消耗估算方法,其特征在于,包括:获取目标用户在当前时刻的心率,以及所述目标用户的生理特征信息;根据所述当前时刻的心率和所述目标用户的生理特征信息,确定所述目标用户在当前时段内的第一热量消耗增量,其中,所述当前时段为从所述当前时刻的上一时刻至所述当前时刻之间的时段;根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量;根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,其中,该运动过程包括从运动开始时刻至所述当前时刻的过程。
- 根据权利要求1所述的方法,其特征在于,所述方法还包括:根据所述当前时刻的心率,确定所述目标用户在所述当前时刻的运动状态特征信息,其中,所述运动状态特征信息用于表征所述目标用户在所述当前时刻是处于运动稳态阶段还是运动恢复阶段;所述根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,包括:根据所述运动状态特征信息和所述第二热量消耗增量,确定所述目标用户在所述当前时段内的目标热量消耗增量;根据所述目标热量消耗增量,确定所述总热量消耗信息。
- 根据权利要求2所述的方法,其特征在于,所述根据所述当前时刻的心率,确定所述目标用户在所述当前时刻的运动状态特征信息,包括:针对所述当前时刻对应的时间窗口中的每一时刻,若所述目标用户在该时刻的心率小于所述目标用户在该时刻的上一时刻的心率,则将该时刻作为心率下降时刻,其中,所述时间窗口包括从指定时刻至所述当前时刻之间的时段,所述指定时刻早于所述当前时刻;根据所述心率下降时刻的数量,确定所述目标用户在所述当前时刻的运动状态特征信息。
- 根据权利要求3所述的方法,其特征在于,所述根据所述心率下降时刻的数量,确定所述目标用户在所述当前时刻的运动状态特征信息,包括:若所述心率下降时刻的数量满足预设条件中的至少一者,则确定所述目标用户在所述当前时刻处于运动恢复阶段,其中,所述预设条件包括:所述心率下降时刻的数量大于预设数量阈值、所述心率下降时刻的数量与所述时间窗口中时刻数量之间的比值大于预设占比阈值。
- 根据权利要求2所述的方法,其特征在于,所述根据所述运动状态特征信息和所述第二热量消耗增量,确定所述目标用户在所述当前时段内的目标热量消耗增量,包括:若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动稳态阶段,则将所述第二热量消耗增量作为所述目标热量消耗增量;若所述运动状态特征信息表征所述目标用户在所述当前时刻处于运动恢复阶段,则根据所述第二热量消耗增量、所述当前时刻的心率、运动过程中的最大心率、预设静息心率,确定所述目标热量消耗增量。
- 根据权利要求5所述的方法,其特征在于,所述根据所述第二热量消耗增量、所述当前时刻的心率、运动过程中的最大心率、预设静息心率,确定所述目标热量消耗增量,包括:根据所述预设静息心率和所述当前时刻的心率,确定当前心率增量;根据所述最大心率和所述预设静息心率,确定运动过程中的最大心率增量;将所述当前心率增量和所述最大心率增量之间的比值,作为热量抑制因子;根据所述第二热量消耗增量和所述热量抑制因子,确定所述目标热量消耗增量。
- 根据权利要求1所述的方法,其特征在于,所述目标用户的生理特征信息包括所述目标用户的体重和年龄;所述根据所述当前时刻的心率和所述目标用户的生理特征信息,确定所述目标用户在当前时段内的第一热量消耗增量,包括:获取所述目标用户当前进行的运动的类型信息,以及预先存储的所述类型信息对应的平均强度信息;根据所述平均强度信息、所述目标用户的体重、预设基础体重、所述当前时刻的心率、预设静息心率、所述目标用户的年龄对应的年龄增益,确定所述第一热量消耗增量。
- 根据权利要求7所述的方法,其特征在于,所述类型信息对应的平均强度信息是通过如下方式得到的:获取进行所述类型信息对应运动的第一用户的生理特征信息,以及所述第一用户处于运动稳态阶段时的第一心率和第一实际热量消耗增量,其中,所述第一用户的生理特征信息包括所述第一用户的体重和年龄;根据所述第一实际热量消耗增量、所述第一心率、所述预设静息心率、所述第一用户的体重、所述预设基础体重、所述第一用户的年龄对应的年龄增益,拟合出所述平均强度信息。
- 根据权利要求1所述的方法,其特征在于,所述根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量,包括:将所述目标用户的生理特征信息、所述当前时刻的心率和所述第一热量消耗增量输入至所述热量消耗估算模型中,得到所述热量消耗估算模型输出的所述第二热量消耗增量。
- 根据权利要求1所述的方法,其特征在于,所述热量消耗估算模型是通过如下方式训练得到的:获取处于运动状态的第二用户的生理特征信息,以及所述第二用户处于运动状态时的第二心率和第二实际热量消耗增量;根据所述第二用户的生理特征信息和所述第二心率,确定所述第二用户的先验热量消耗;将所述第二用户的生理特征信息、所述第二心率、所述先验热量消耗、所述第二实际热量消耗增量输入至深度学习网络模型中,对所述深度学习网络模型进行训练,以得到所述热量消耗估算模型。
- 根据权利要求1-10中任一项所述的方法,其特征在于,所述热量消耗估算模型为门控循环单元模型。
- 根据权利要求1所述的方法,其特征在于,所述方法还包括:在所述目标用户结束运动后,根据所述目标用户本次运动的热量消耗量确定所述目标用户的当前基础代谢信息,并展示所述当前基础代谢信息,其中,所述当前基础代谢信息大于所述目标用户在本次运动前的基础代谢信息。
- 一种热量消耗估算装置,其特征在于,包括:心率获取模块,用于获取目标用户在当前时刻的心率,以及所述目标用户的生理特征信息;第一确定模块,用于根据所述当前时刻的心率和所述目标用户的生理特征信息,确 定所述目标用户在当前时段内的第一热量消耗增量,其中,所述当前时段为从所述当前时刻的上一时刻至所述当前时刻之间的时段;第二确定模块,用于根据热量消耗估算模型,对所述第一热量消耗增量进行修正,以得到所述目标用户在所述当前时段内的第二热量消耗增量;总热量确定模块,用于根据所述第二热量消耗增量,确定所述目标用户在运动过程中的总热量消耗信息,其中,该运动过程包括从运动开始时刻至所述当前时刻的过程。
- 一种热量消耗估算装置,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行权利要求1~12中任一项所述方法的步骤。
- 一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1~12中任一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/092877 WO2023216270A1 (zh) | 2022-05-13 | 2022-05-13 | 热量消耗估算方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117412704A true CN117412704A (zh) | 2024-01-16 |
Family
ID=88729500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280004302.9A Pending CN117412704A (zh) | 2022-05-13 | 2022-05-13 | 热量消耗估算方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117412704A (zh) |
WO (1) | WO2023216270A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4521040B2 (ja) * | 2008-02-28 | 2010-08-11 | 株式会社シマノ | 消費カロリ測定装置及び消費カロリ測定方法 |
US20160166195A1 (en) * | 2014-12-15 | 2016-06-16 | Katarzyna Radecka | Energy and Food Consumption Tracking for Weight and Blood Glucose Control |
CN107405110A (zh) * | 2015-12-22 | 2017-11-28 | 皇家飞利浦有限公司 | 用于估计人的能量消耗的设备、系统和方法 |
-
2022
- 2022-05-13 WO PCT/CN2022/092877 patent/WO2023216270A1/zh unknown
- 2022-05-13 CN CN202280004302.9A patent/CN117412704A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023216270A1 (zh) | 2023-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104436615A (zh) | 监视成果的装置和方法 | |
CN108633249B (zh) | 一种生理信号质量判断方法及装置 | |
CN107997767A (zh) | 用于识别用户活动的方法及其电子设备 | |
US10945674B2 (en) | Methods, systems, and media for predicting sensor measurement quality | |
CN105357425B (zh) | 图像拍摄方法及装置 | |
CN106581951B (zh) | 智能手表记录运动参数的方法和装置 | |
CN111178298A (zh) | 人体关键点检测方法、装置、电子设备及存储介质 | |
EP3933552B1 (en) | Method and device for determining gaze position of user, storage medium, and electronic apparatus | |
KR101913811B1 (ko) | 얼굴 표현 및 심리 상태 파악과 보상을 위한 얼굴 정보 분석 방법 및 얼굴 정보 분석 장치 | |
CN106310641A (zh) | 运动方案推荐方法及装置 | |
KR20190047648A (ko) | 행동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN111465949A (zh) | 信息处理设备、信息处理方法和程序 | |
CN107376304B (zh) | 等效步数检测方法与装置以及包含该装置的可穿戴设备与移动终端 | |
CN110706784A (zh) | 卡路里摄入量计算方法、装置、系统、设备以及存储介质 | |
Ni et al. | Deep multi-branch two-stage regression network for accurate energy expenditure estimation with ECG and IMU data | |
EP3917400A1 (en) | Mental state determination method and system | |
CN109783047A (zh) | 一种终端上的智能音量控制方法和装置 | |
CN117412704A (zh) | 热量消耗估算方法、装置及存储介质 | |
CN112767434A (zh) | 步长获取方法和电子设备 | |
CN113244565A (zh) | 跳绳手柄、跳绳、跳绳的计数确定方法 | |
CN110533006B (zh) | 一种目标跟踪方法、装置及介质 | |
CN117412700A (zh) | 热量消耗估算方法、装置及存储介质 | |
US11107568B2 (en) | Versatile data structure for workout session templates and workout sessions | |
CN117412699A (zh) | 热量消耗估算方法、装置及存储介质 |
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 |