CN117438040B - 运动课程自适应配置方法、装置、设备及存储介质 - Google Patents
运动课程自适应配置方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117438040B CN117438040B CN202311784119.8A CN202311784119A CN117438040B CN 117438040 B CN117438040 B CN 117438040B CN 202311784119 A CN202311784119 A CN 202311784119A CN 117438040 B CN117438040 B CN 117438040B
- Authority
- CN
- China
- Prior art keywords
- action
- course
- motion
- image
- enhanced
- 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 57
- 230000009471 action Effects 0.000 claims abstract description 277
- 230000033001 locomotion Effects 0.000 claims abstract description 133
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000012797 qualification Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000386 athletic effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 208000008589 Obesity Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000020824 obesity Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036544 posture Effects 0.000 description 3
- 210000001364 upper extremity Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000000579 abdominal fat Anatomy 0.000 description 1
- 210000003489 abdominal muscle Anatomy 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Physical Education & Sports Medicine (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种运动课程自适应配置方法、装置、设备及存储介质。所述方法包括:当用户根据预构建的动作样板课程运动时,获取用户的动作图像集合及心率变化曲线;根据所述动作样板课程对所述动作图像集合进行动作合格性检验,得到不合格动作图像及所述不合格动作图像在动作样板课程中对应的不合格动作;利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;根据所述待增强指标系数集合对预构建的运动动作‑效果知识图谱进行动作组建操作,得到自适应运动课程。本发明可以通过图像识别,对用户进行针对性的健身建议,提高用户健身效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种运动课程自适应配置方法、装置、设备及计算机可读存储介质。
背景技术
智能体育锻炼可以允许人们不必去健身房就可以随时随地进行锻炼。当人们发现自己体重增加、身体走形或者精神面貌不佳时,通过智能设备和软件应用,可以为用户提供全方位、个性化的运动课程,以供用户进行针对性运动。
然而,目前的智能体育锻炼不能确定用户自己主观选择的运动课程的强度及效果是否对用户适合,导致运动效果不佳或者对用户的身体健康产生影响。
发明内容
本发明提供一种运动课程自适应配置方法、装置、设备及存储介质,其主要目的在于通过图像识别,对用户进行针对性的健身建议,提高用户健身效率。
为实现上述目的,本发明提供的一种运动课程自适应配置方法,包括:
当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程。
可选的,所述根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程,包括:
根据所述待增强指标系数集合中的各个待增强指标分别对预构建的运动动作-效果知识图谱进行基于强化功能的动作聚类操作,得到各个待增强指标对应的动作簇;
归一化各个待增强指标系数,得到各个待增强指标对应的权重系数,对各个所述动作簇配置对应的权重系数,得到各个强度配置运动簇;
对各个所述强度配置运动簇中的动作进行全连接操作,得到运动随机组建课程集合;
利用遗传算法对所述运动随机组建课程集合中的各个运动随机组建课程进行基于所述待增强指标系数集合的改善效果最优的课程筛选操作,得到自适应运动课程。
可选的,所述利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合,包括:
利用预训练的运动评估模型对所述动作样板课程进行基于课程动作名称的分词提取,得到动作序列;
对所述动作序列中的课程动作进行知识检索操作,得到各个课程动作对应的动作词条集合;
对所述不合格动作及不合格动作图像进行不合格偏移程度预估,得到偏移分数;
根据所述偏移分数,对不合格动作对应的动作词条集合中的动作词条进行初级加权量化,得到初级词条加权向量集合;
对所述心率变化曲线进行曲线特征提取,得到所述动作样板课程中各个课程动作的心率变化率向量;
根据所述心率变化率向量对各个课程动作对应的动作词条集合进行二次加权操作,得到各个课程动作对应的高级词条加权向量集合;
对各个课程动作对应的高级词条加权向量集合进行并集求和运算,得到总词条加权向量集合;
对所述总词条加权向量集合进行向量全连接分类判断,得到各个预设运动指标的待增强系数,并根据对所述待增强系数的排列顺序,得到待增强指标系数集合。
可选的,所述利用预训练的运动评估模型之前,所述方法还包括:
获取预构建的运动评估模型及专家对各指标评估样本;
依次从所述专家对各指标评估样本中提取一个目标样本,并利用所述运动评估模型对所述目标样本进行网络正向计算,得到预测指标集合;
利用排名损失算法,对所述目标样本的真实标签集合与所述预测指标集合进行基于标签类别与标签排名的综合损失计算,得到排名损失值;
最小化所述排名损失值,得到所述排名损失值最小时的网络模型参数,并对所述网络模型参数进行网络逆向参数更新,得到更新运动评估模型;
判断所述排名损失值的收敛性;
当所述排名损失值未收敛时,返回上述依次从所述专家对各指标评估样本中提取一个目标样本的操作步骤,对所述更新运动评估模型进行迭代优化;
当所述排名损失收敛时,停止训练过程,得到训练完成的运动评估模型。
可选的,所述根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,包括:
对所述动作图像集合进行基于稳定动作与极限动作的图像筛选操作,得到待评判动作图像集合;
获取所述待评判动作图像集合中各个待评判动作图像在所述动作样板课程中对应的标准动作图像,并对所述待评判动作图像与所述标准动作图像进行基于关键点的对比操作,得到各个待评判动作图像的对比偏差结果;
获取所述对比偏差结果大于预设的不合格阈值的各个待评判动作图像,作为不合格动作图像。
可选的,所述当用户根据预构建的动作样板课程进行运动之前,所述方法还包括:
获取预构建的运动动作-效果知识图谱,并根据预设的指标类型集合,对所述运动动作-效果知识图谱进行基于指标的效果最佳筛选操作,得到所述指标类型集合中各个指标对应的最佳运动动作;
对各个所述最佳运动动作进行随机排序,得到动作样板课程。
可选的,所述动作样板课程中包括静态伸展运动与常规锻炼运动。
为了解决上述问题,本发明还提供一种运动课程自适应配置装置,所述装置包括:
图像及心率获取模块,用于当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
不合格动作筛选模块,用于根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
待增强指标识别模块,用于利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
课程自动组建模块,用于根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的运动课程自适应配置方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的运动课程自适应配置方法。
本发明实施例首先根据一套预构建的动作样板课程对用户的运动过程进行监控,查询用户运动过程中的不合格动作图像及对应的不合格动作,然后通过预训练的运动评估模型进行评估,得到待增强指标系数;所述运动评估模型能够通过神经网络全连接将用户体型、力量、柔韧性等指标进行预估,从而快速得到待增强指标系数集合;最后通过知识图谱与遗传算法获取最符合所述待增强指标系数集合的运动课程。因此,本发明实施例提供的一种运动课程自适应配置方法、装置、设备及存储介质,能够在于通过图像识别,对用户进行针对性的健身建议,提高用户健身效率。
附图说明
图1为本发明一实施例提供的运动课程自适应配置方法的流程示意图;
图2为本发明一实施例提供的运动课程自适应配置方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的运动课程自适应配置方法中另一个步骤的详细流程示意图;
图4为本发明一实施例提供的运动课程自适应配置装置的功能模块图;
图5为本发明一实施例提供的实现所述运动课程自适应配置方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种运动课程自适应配置方法。本申请实施例中,所述运动课程自适应配置方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述运动课程自适应配置方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的运动课程自适应配置方法的流程示意图。在本实施例中,所述运动课程自适应配置方法包括:
S1、当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线。
本发明实施例中,所述动作样板课程是指根据网络知识获取得到的最能体现各项身体指标的运动动作。
详细的,本发明实施例中,所述当用户根据预构建的动作样板课程进行运动之前,所述方法还包括:获取预构建的运动动作-效果知识图谱,并根据预设的指标类型集合,对所述运动动作-效果知识图谱进行基于指标的效果最佳筛选,得到所述指标类型集合中各个指标对应的最佳运动动作;对各个所述最佳运动动作进行随机排序,得到动作样板课程。
其中,所述运动动作-效果知识图谱是一种知识图谱,包括各项运动的名称、运动部位及效果、运动强度等词条。
本发明实施例可以根据预设的指标类型集合,例如肥胖、骨形、腰部腿部上肢力量、柔韧性等,对运动动作-效果知识图谱进行聚类查询,得到较为有效的运动类型。例如深蹲可以检测下半身的力量和柔韧性,俯卧撑可以检测上半身的力量和肌肉耐力,仰卧起坐可以检测腹部肌肉的力量和耐力,通过侧面站立的姿势可以评估腰部和背部的曲度,以及腹部的凸起情况,从而判断是否存在腰部肥胖或腹部脂肪过多的情况等。
然后再将侧面站立、深蹲、俯卧撑及仰卧起坐等动作进行排序,得到动作样板课程。
其中,所述动作样板课程中包括静态伸展运动与常规锻炼运动,所述静态伸展运动常用于针对用户肥胖部位、骨型姿势与身体柔韧性进行检查,而所述常规锻炼运动用于对各项体力、上肢力量、下肢力量等指标进行检查。
当用户得到动作样板课程后,用户可以跟着所述动作样板课程进行运动,并通过墙上或者其他运动器材上面的摄像设备获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,并通过运动手环、智能戒指等便携设备获取用户的心率变化曲线。
其中,所述动作图像集合可以检测用户体型哪里肥胖、骨形是否需要调整、动作是否标准,而心率变化曲线,可以检测用户对哪些动作较为吃力,进而根据运动类型侧面体现身体那个部位的不足之处。
S2、根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作。
本发明实施例中,合格性检验为动作持续时间是否达到、身体弯曲程度是否达到、深蹲速度次数是否达到及动作伸展程度是否达到等。
详细的,本发明实施例中,所述根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,包括:
对所述动作图像集合进行基于稳定动作与极限动作的图像筛选操作,得到待评判动作图像集合;
获取所述待评判动作图像集合中各个待评判动作图像在所述动作样板课程中对应的标准动作图像,并对所述待评判动作图像与所述标准动作图像进行基于关键点的对比操作,得到各个待评判动作图像的对比偏差结果;
获取所述对比偏差结果大于预设的不合格阈值的各个待评判动作图像,作为不合格动作图像。
本发明实施例中运动动作大多为次数与伸展的结合,一般动作会在伸展极限或动作阶段结束时稳定一到两秒,这时就可以进行图像筛选,得到待评判动作图像集合。
本发明实施例可以根据待评判动作图像集合与标准动作图像进行关键点对比,从而得到对比偏差结果。其中,所述关键点对比是指,使用计算机视觉算法来检测用户和标准动作图像中的关键点,例如头部、肩膀、手肘、膝盖等关键部位的位置,然后通过比较两组关键点的位置和姿势来评判用户的动作是否标准。
本发明实施例中可以通过设置动作角度偏差与时间偏差,大约为动作幅度或持续时间的五分之一,此处五分之一可以根据具体运动经验或用户身体状况等情况进行修改。
当用户不合格动作图像得到后,可以查询所述动作样板课程中对应的课程动作,作为不合格动作。
S3、利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合。
本发明实施例中,所述运动评估模型是基于Transformer的神经网络模型,用于检测用户的动作图像与课程的标准图像之间的差距,并将差距结合动作对应的动作类型,识别用户身体指标在力量、柔韧性、体力、体形等方面指标,并将最弱的几个指标进行罗列出来,以便于用户着重改善、增强。
详细的,参考图2所示,本发明实施例中,所述利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合,包括:
S31、利用预训练的运动评估模型对所述动作样板课程进行基于课程动作名称的分词提取,得到动作序列;
S32、对所述动作序列中的课程动作进行知识检索操作,得到各个课程动作对应的动作词条集合;
S33、对所述不合格动作及不合格动作图像进行不合格偏移程度预估,得到偏移分数;
S34、根据所述偏移分数,对不合格动作对应的动作词条集合中的动作词条进行初级加权量化,得到初级词条加权向量集合;
S35、对所述心率变化曲线进行曲线特征提取,得到所述动作样板课程中各个课程动作的心率变化率向量;
S36、根据所述心率变化率向量对各个课程动作对应的动作词条集合进行二次加权操作,得到各个课程动作对应的高级词条加权向量集合;
S37、对各个课程动作对应的高级词条加权向量集合进行并集求和运算,得到总词条加权向量集合;
S38、对所述总词条加权向量集合进行向量全连接分类判断,得到各个预设运动指标的待增强系数,并根据对所述待增强系数的排列顺序,得到待增强指标系数集合。
本发明实施例中,通过两次特征向量加权,对不同课程运动进行权重调整,其中,本发明实施例对不合格动作对应的运动课程给予更高级别的权重配置,而心率随运动增多而会慢慢增强,不如心率变化了更能体现用户对运动的难易程度,因此采用心率变化了进行权重配置。而考虑到运动会导致疲劳累积,心率变化量的权重配置可以基于运动时间顺序而递减。
然后通过模型的全连接层对权重配置好的总词条加权向量集合进行全连接分类判断,得到各个指标的待增强系数,然后在输出层中进行顺序排列,将待增强系数最高的N个指标进行排列输出,得到待增强指标系数集合。
进一步的,本发明实施例中,所述利用预训练的运动评估模型之前,所述方法还包括:
获取预构建的运动评估模型及专家对各指标评估样本;
依次从所述专家对各指标评估样本中提取一个目标样本,并利用所述运动评估模型对所述目标样本进行网络正向计算,得到预测指标集合;
利用排名损失算法,对所述目标样本的真实标签集合与所述预测指标集合进行基于标签类别与标签排名的综合损失计算,得到排名损失值;
最小化所述排名损失值,得到所述排名损失值最小时的网络模型参数,并对所述网络模型参数进行网络逆向参数更新,得到更新运动评估模型;
判断所述排名损失值的收敛性;
当所述排名损失值未收敛时,返回上述依次从所述专家对各指标评估样本中提取一个目标样本的操作步骤,对所述更新运动评估模型进行迭代优化;
当所述排名损失收敛时,停止训练过程,得到训练完成的运动评估模型。
其中,本发明实施例中,所述专家对各指标评估样本是指,运动专家根据不同用户的动作图像进行经验加计算,并将评估结果与动作图像构建关联关系从而得到的可训练样本。
本发明实施例先通过网络正向计算,得到预测指标集合,然而所述预测指标集合是有类型有顺序的序列,因此需要通过排名损失值(Ranking Loss)算法对所述目标样本的真实标签集合与所述预测指标集合进行损失值计算,得到排名损失值。其中,所述RankingLoss是一种常用的用于排序任务的损失函数,它可以计算预测结果与真实排序之间的差异,并用于模型的训练和优化。
本发明实施例在计算出损失值之后,通常会使用梯度下降等优化算法来最小化损失值,并通过反向传播算法更新网络参数。
其中,本发明实施例还对所述排名损失值的收敛性进行模型训练进度把控,当未收敛时,表明模型训练进步明显,还可以继续训练;当收敛时,表明模型训练进步不明显,为避免模型过拟合现象可以停止训练过程,得到训练完成的运动评估模型。
S4、根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程。
详细的,参考图3所示,本发明实施例中,所述根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程,包括:
S41、根据所述待增强指标系数集合中的各个待增强指标分别对预构建的运动动作-效果知识图谱进行基于强化功能的动作聚类操作,得到各个待增强指标对应的动作簇;
S42、归一化各个待增强指标系数,得到各个待增强指标对应的权重系数,对各个所述动作簇配置对应的权重系数,得到各个强度配置运动簇;
S43、对各个所述强度配置运动簇中的动作进行全连接操作,得到运动随机组建课程集合;
S44、利用遗传算法对所述运动随机组建课程集合中的各个运动随机组建课程进行基于所述待增强指标系数集合的改善效果最优的课程筛选操作,得到自适应运动课程。
本发明实施例中聚类过程为对所述待增强指标系数集合中的每一个待增强指标进行一次运动动作-效果知识图谱聚类操作,例如对上肢力量、对下肢力量、对柔韧性、对体力、对肥胖部位分别进行聚类,分别得到各个动作簇。其中,每个动作簇中的动作的改善方位相近,但具体肌肉部位、改善强度不同。本发明实施例可以再根据待增强指标系数集合中各个待增强指标的权重进一步对改善强度等数值进行加权。
然后每个聚类簇中随机挑选一个运动,与其他聚类簇中的运动连接,从而实现全连接,得到运动随机组建课程集合。本发明实施例中任意一组运动随机组建课程都可以帮助用户对待增强指标进行锻炼、增强,但运动效果及针对性可能没有那么强,可能耗费较多的体力,及不科学的运动顺序将运动难度大大提高。
因此,本发明实施例通过利用遗传算法对所述运动随机组建课程集合中的各个运动随机组建课程进行基于所述待增强指标系数集合的改善效果最优的课程筛选操作,得到自适应运动课程。
其中,所述遗传算法是一类启发式优化算法,灵感来源于达尔文的进化论中的自然选择和遗传机制。可以模拟生物进化的过程,通过模拟种群的进化、变异和选择来寻找最优解。本发明在运动课程设计中,遗传算法可以用来寻找最佳的动作组合和课程内容,以达到最优的训练效果。
本发明实施例首先根据一套预构建的动作样板课程对用户的运动过程进行监控,查询用户运动过程中的不合格动作图像及对应的不合格动作,然后通过预训练的运动评估模型进行评估,得到待增强指标系数;所述运动评估模型能够通过神经网络全连接将用户体型、力量、柔韧性等指标进行预估,从而快速得到待增强指标系数集合;最后通过知识图谱与遗传算法获取最符合所述待增强指标系数集合的运动课程。因此,本发明实施例提供的一种运动课程自适应配置方法,能够在于通过图像识别,对用户进行针对性的健身建议,提高用户健身效率。
如图4所示,是本发明一实施例提供的运动课程自适应配置装置的功能模块图。
本发明所述运动课程自适应配置装置100可以安装于电子设备中。根据实现的功能,所述运动课程自适应配置装置100可以包括图像及心率获取模块101、不合格动作筛选模块102、待增强指标识别模块103及课程自动组建模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像及心率获取模块101,用于当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
所述不合格动作筛选模块102,用于根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
所述待增强指标识别模块103,用于利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
所述课程自动组建模块104,用于根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程。
详细地,本申请实施例中所述运动课程自适应配置装置100中所述的各模块在使用时采用与上述图1至图3中所述的运动课程自适应配置方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现运动课程自适应配置方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如运动课程自适应配置程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行运动课程自适应配置程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如运动课程自适应配置程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的运动课程自适应配置程序是多个指令的组合,在所述处理器10中运行时,可以实现:
当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
根据所述待增强指标系数集合,对预构建的运动动作-效果知识图谱进行动作组建操作,得到自适应运动课程。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种运动课程自适应配置方法,其特征在于,所述方法包括:
当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
根据所述待增强指标系数集合中的各个待增强指标分别对预构建的运动动作-效果知识图谱进行基于强化功能的动作聚类操作,得到各个待增强指标对应的动作簇;
归一化各个待增强指标系数,得到各个待增强指标对应的权重系数,对各个所述动作簇配置对应的权重系数,得到各个强度配置运动簇;
对各个所述强度配置运动簇中的动作进行全连接操作,得到运动随机组建课程集合;
利用遗传算法对所述运动随机组建课程集合中的各个运动随机组建课程进行基于所述待增强指标系数集合的改善效果最优的课程筛选操作,得到自适应运动课程。
2.如权利要求1所述的运动课程自适应配置方法,其特征在于,所述利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合,包括:
利用预训练的运动评估模型对所述动作样板课程进行基于课程动作名称的分词提取,得到动作序列;
对所述动作序列中的课程动作进行知识检索操作,得到各个课程动作对应的动作词条集合;
对所述不合格动作及不合格动作图像进行不合格偏移程度预估,得到偏移分数;
根据所述偏移分数,对不合格动作对应的动作词条集合中的动作词条进行初级加权量化,得到初级词条加权向量集合;
对所述心率变化曲线进行曲线特征提取,得到所述动作样板课程中各个课程动作的心率变化率向量;
根据所述心率变化率向量对各个课程动作对应的动作词条集合进行二次加权操作,得到各个课程动作对应的高级词条加权向量集合;
对各个课程动作对应的高级词条加权向量集合进行并集求和运算,得到总词条加权向量集合;
对所述总词条加权向量集合进行向量全连接分类判断,得到各个预设运动指标的待增强系数,并根据对所述待增强系数的排列顺序,得到待增强指标系数集合。
3.如权利要求1所述的运动课程自适应配置方法,其特征在于,所述利用预训练的运动评估模型之前,所述方法还包括:
获取预构建的运动评估模型及专家对各指标评估样本;
依次从所述专家对各指标评估样本中提取一个目标样本,并利用所述运动评估模型对所述目标样本进行网络正向计算,得到预测指标集合;
利用排名损失算法,对所述目标样本的真实标签集合与所述预测指标集合进行基于标签类别与标签排名的综合损失计算,得到排名损失值;
最小化所述排名损失值,得到所述排名损失值最小时的网络模型参数,并对所述网络模型参数进行网络逆向参数更新,得到更新运动评估模型;
判断所述排名损失值的收敛性;
当所述排名损失值未收敛时,返回上述依次从所述专家对各指标评估样本中提取一个目标样本的操作步骤,对所述更新运动评估模型进行迭代优化;
当所述排名损失收敛时,停止训练过程,得到训练完成的运动评估模型。
4.如权利要求1所述的运动课程自适应配置方法,其特征在于,所述根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,包括:
对所述动作图像集合进行基于稳定动作与极限动作的图像筛选操作,得到待评判动作图像集合;
获取所述待评判动作图像集合中各个待评判动作图像在所述动作样板课程中对应的标准动作图像,并对所述待评判动作图像与所述标准动作图像进行基于关键点的对比操作,得到各个待评判动作图像的对比偏差结果;
获取所述对比偏差结果大于预设的不合格阈值的各个待评判动作图像,作为不合格动作图像。
5.如权利要求1所述的运动课程自适应配置方法,其特征在于,所述当用户根据预构建的动作样板课程进行运动之前,所述方法还包括:
获取预构建的运动动作-效果知识图谱,并根据预设的指标类型集合,对所述运动动作-效果知识图谱进行基于指标的效果最佳筛选操作,得到所述指标类型集合中各个指标对应的最佳运动动作;
对各个所述最佳运动动作进行随机排序,得到动作样板课程。
6.如权利要求1所述的运动课程自适应配置方法,其特征在于,所述动作样板课程中包括静态伸展运动与常规锻炼运动。
7.一种运动课程自适应配置装置,其特征在于,所述装置包括:
图像及心率获取模块,用于当用户根据预构建的动作样板课程运动时,利用毫米波雷达获取用户的点云图像序列,并对所述点云图像序列进行躯干关键点识别,得到动作图像集合,及利用便携设备获取用户的心率变化曲线;
不合格动作筛选模块,用于根据所述动作样板课程,对所述动作图像集合进行动作合格性检验,得到不合格动作图像,及所述不合格动作图像在所述动作样板课程中对应的不合格动作;
待增强指标识别模块,用于利用预训练的运动评估模型,对所述动作样板课程、不合格动作、不合格动作图像及心率变化曲线进行运动评估操作,得到待增强指标系数集合;
课程自动组建模块,用于根据所述待增强指标系数集合中的各个待增强指标分别对预构建的运动动作-效果知识图谱进行基于强化功能的动作聚类操作,得到各个待增强指标对应的动作簇;归一化各个待增强指标系数,得到各个待增强指标对应的权重系数,对各个所述动作簇配置对应的权重系数,得到各个强度配置运动簇;对各个所述强度配置运动簇中的动作进行全连接操作,得到运动随机组建课程集合;利用遗传算法对所述运动随机组建课程集合中的各个运动随机组建课程进行基于所述待增强指标系数集合的改善效果最优的课程筛选操作,得到自适应运动课程。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的运动课程自适应配置方法。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的运动课程自适应配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311784119.8A CN117438040B (zh) | 2023-12-22 | 2023-12-22 | 运动课程自适应配置方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311784119.8A CN117438040B (zh) | 2023-12-22 | 2023-12-22 | 运动课程自适应配置方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117438040A CN117438040A (zh) | 2024-01-23 |
CN117438040B true CN117438040B (zh) | 2024-04-05 |
Family
ID=89550267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311784119.8A Active CN117438040B (zh) | 2023-12-22 | 2023-12-22 | 运动课程自适应配置方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438040B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013245927A (ja) * | 2012-05-29 | 2013-12-09 | Japan Radio Co Ltd | 訓練支援システム |
CN112057830A (zh) * | 2020-09-10 | 2020-12-11 | 成都拟合未来科技有限公司 | 基于多维度运动能力识别的训练方法、系统、终端及介质 |
WO2022053080A2 (zh) * | 2020-09-10 | 2022-03-17 | 成都拟合未来科技有限公司 | 基于多维度运动能力识别的训练方法、系统、终端及介质 |
CN115482580A (zh) * | 2022-07-28 | 2022-12-16 | 广州大学 | 一种基于机器视觉骨骼追踪术的多人评测系统 |
CN116266415A (zh) * | 2021-12-14 | 2023-06-20 | 成都拟合未来科技有限公司 | 基于健身教学训练的动作评价方法及系统及装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220203168A1 (en) * | 2020-12-29 | 2022-06-30 | Veki, Inc. | Systems and Methods for Enhancing Exercise Instruction, Tracking and Motivation |
-
2023
- 2023-12-22 CN CN202311784119.8A patent/CN117438040B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013245927A (ja) * | 2012-05-29 | 2013-12-09 | Japan Radio Co Ltd | 訓練支援システム |
CN112057830A (zh) * | 2020-09-10 | 2020-12-11 | 成都拟合未来科技有限公司 | 基于多维度运动能力识别的训练方法、系统、终端及介质 |
WO2022053080A2 (zh) * | 2020-09-10 | 2022-03-17 | 成都拟合未来科技有限公司 | 基于多维度运动能力识别的训练方法、系统、终端及介质 |
CN116266415A (zh) * | 2021-12-14 | 2023-06-20 | 成都拟合未来科技有限公司 | 基于健身教学训练的动作评价方法及系统及装置及介质 |
CN115482580A (zh) * | 2022-07-28 | 2022-12-16 | 广州大学 | 一种基于机器视觉骨骼追踪术的多人评测系统 |
Non-Patent Citations (1)
Title |
---|
信息技术辅助训练及参赛研究;戈俊;;体育科技;20200215(01);第9-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117438040A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20110281249A1 (en) | Method And System For Creating Personalized Workout Programs | |
US11351419B2 (en) | Smart gym | |
US11413501B2 (en) | Method and system of planning fitness courses | |
CN109155154A (zh) | 自适应运动性活动处方系统 | |
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 | |
Ehlert | The correlations between physical attributes and golf clubhead speed: A systematic review with quantitative analyses | |
US20220336077A1 (en) | Predicting exercises based on user-selected variance | |
CN116486998A (zh) | 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 | |
CN117438040B (zh) | 运动课程自适应配置方法、装置、设备及存储介质 | |
US20220249911A1 (en) | Physical training system with machine learning-based training programs | |
CN115837147B (zh) | 一种情景互动式的下肢肌肉加强训练方法及系统 | |
Cao et al. | Football players’ strength training method using image processing based on machine learning | |
CN113641856A (zh) | 用于输出信息的方法和装置 | |
KR101570984B1 (ko) | 온라인 운동치료정보 시스템 | |
Singh et al. | trAIner-An AI fitness coach solution | |
CN109308941A (zh) | 一种健身房管理系统 | |
JP7150970B2 (ja) | サプリメント供給支援装置及びサプリメント供給支援方法 | |
CN118098494A (zh) | 自适应用户的运动调节方法、装置、设备及存储介质 | |
KR102604544B1 (ko) | 체력시험 항목에 기반한 체력 관리 서비스 제공 방법, 장치 및 프로그램 | |
KR102667748B1 (ko) | 개인별 체형에 따른 맞춤형 건강 관리 서비스 제공 시스템, 방법, 프로그램, 컴퓨터 판독 가능한 기록매체 | |
KR102668498B1 (ko) | 운동 영상에 기반한 운동 관리 서비스 제공 방법, 장치 및 프로그램 | |
CN115888036A (zh) | 运动评估及处方产生系统及其方法 | |
CN114707073A (zh) | 基于用户线下行为的个性化健身信息推送方法及系统 |
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 |