CN117789918A - 运动负荷预测方法及装置 - Google Patents
运动负荷预测方法及装置 Download PDFInfo
- Publication number
- CN117789918A CN117789918A CN202311871266.9A CN202311871266A CN117789918A CN 117789918 A CN117789918 A CN 117789918A CN 202311871266 A CN202311871266 A CN 202311871266A CN 117789918 A CN117789918 A CN 117789918A
- Authority
- CN
- China
- Prior art keywords
- motion
- load
- target
- motion load
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 806
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims description 83
- 238000005070 sampling Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 230000000386 athletic effect Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 239000008280 blood Substances 0.000 description 10
- 210000004369 blood Anatomy 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001684 chronic effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009182 swimming Effects 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本说明书实施例提供运动负荷预测方法及装置,其中运动负荷预测方法包括:获取目标用户的用户属性信息、目标用户的目标运动数据和目标用户的历史初始预测运动负荷;对目标运动数据进行特征提取,获得至少一项运动特征值;将用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得目标用户的初始预测运动负荷;根据初始预测运动负荷和历史初始预测运动负荷,构建预测运动负荷序列;将预测运动负荷序列输入第二运动负荷预测模型,获得目标用户的目标预测运动负荷。因为运动负荷在时间序列具有连续性,首先确定初始预测运动负荷,随后将其与获得的历史初始运动负荷结合进行第二次预测。准确地获得运动负荷,从而提高了运动负荷预测的准确性。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种运动负荷预测方法。
背景技术
随着健身热潮的兴起,越来越多的人加入健身的行列,在闲暇时间之余,人们会选择各种各样的健身活动,例如骑行、跑步等。
但目前大多数健身用户无法根据自身的实际运动能力去做合适的运动量,因为运动能力的量化需要通过一些测试方式获取,例如运动运动需要确定用户的运动负荷,运动负荷是指能在当前运动强度的情况下该用户身体所承担的负荷。运动负荷通常用于确定以及调整训练强度,无论是职业车手还是业余爱好者都可以使用运动负荷来规划训练以及衡量自己的进步。获取运动负荷通常需要用户佩戴血氧、心跳等监控设备,从而根据血氧、心跳等监控设备获取用户的血氧以及心率信息,再基于血氧以及心率信息进行测量并计算获得运动负荷,若没有血氧、心跳等监控设备则无法获取用户的运动负荷。因此,亟需一种方法来解决上述技术问题。
发明内容
有鉴于此,本说明书实施例提供了一种运动负荷预测方法。本说明书一个或者多个实施例同时涉及一种运动负荷预测装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种运动负荷预测方法,包括:
获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;
对所述目标运动数据进行特征提取,获得至少一项运动特征值;
将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;
根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;
将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
根据本说明书实施例的第二方面,提供了一种运动负荷预测装置,包括:
获取模块,被配置为获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;
提取模块,被配置为对所述目标运动数据进行特征提取,获得至少一项运动特征值;
第一输入模块,被配置为将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;
构建模块,被配置为根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;
第二输入模块,被配置为将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现上述运动负荷预测方法的步骤。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述运动负荷预测方法的步骤。
根据本说明书实施例的第五方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述运动负荷预测方法的步骤。
本说明书一个实施例实现了,在不获取用户的心率数据的情况下,对用户在运动场景下的运动负荷进行预测,并根据运动负荷在时序上具有连续性的特点,将当前预测出的初始预测运动负荷,结合已经获取到的历史初始运动负荷进行第二次预测,从而获得目标运动负荷,进一步提高运动负荷预测的准确性。
附图说明
图1是本说明书一个实施例提供的一种运动负荷预测方法的应用场景示意图;
图2是本说明书一个实施例提供的一种运动负荷预测方法的流程图;
图3是本说明书一个实施例提供的一种构建预测运动负荷序列的示意图;
图4是本说明书一个实施例提供的另一种构建预测运动负荷序列的示意图;
图5是本说明书一个实施例提供的一种运动负荷预测方法的处理过程流程图;
图6是本说明书一个实施例提供的一种运动负荷预测装置的结构示意图;
图7是本说明书一个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说明书。但是本说明书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说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书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,而非旨在限制本说明书一个或多个实施例。在本说明书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,本说明书一个或多个实施例中使用的术语“和/或”是指并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,尽管在本说明书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,在不脱离本说明书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”。
此外,需要说明的是,本说明书一个或多个实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
训练负荷:是一个衡量体育活动强度和持续时间的指标,它反映了运动对个体身体的影响程度。
ATL(Acute Training Load,急性训练负荷):是指短期内(通常是一周或更短时间)的训练负荷。它反映了运动员在较短时间内所承受的训练强度和体量,通常用来评估运动员的短期疲劳水平。
CTL(Chronic Training Load,慢性训练负荷):是指较长时间段内(如几周或几个月)的平均训练负荷。与ATL相比,CTL反映了运动员的长期训练状态,有助于评估他们的训练适应性和体能水平。CTL的计算通常基于一个更长的时间窗口,以提供一个对运动员的长期训练负荷的综合评估。
ACWR(Acute:Chronic Workload Ratio,急性:慢性工作量比):是一个用于比较短期训练负荷(ATL)与长期训练负荷(CTL)的指标。这个比率有助于评估运动员是否面临受伤风险。一个较高的ACWR表明一个运动员可能在短期内增加了训练量,而没有足够的时间来适应这种增加,这可能导致过度训练和受伤。理想的ACWR范围取决于个体和运动类型,但通常建议保持在一个相对稳定的范围内。
TSB(Training Stress Balance,训练压力平衡):是通过CTL(慢性训练负荷)和ATL(急性训练负荷)来计算的。TSB=CTL-ATL。这个指标用于评估运动员当前的疲劳水平和训练适应性。一个正的TSB值通常表示运动员已经从近期的训练中恢复并准备好高强度训练或比赛。相反,一个负的TSB值可能表示运动员正在经历较高的疲劳水平,可能需要更多的恢复时间。
随着健身热潮的兴起,越来越多的人加入健身的行列,在闲暇时间之余,人们会选择各种各样的健身活动,例如跑步、骑行、游泳等。但目前大多数健身用户无法根据自身的实际运动能力去做合适的运动量,因为运动能力的量化需要通过一些测试方式获取,例如运动运动需要确定用户的运动负荷,运动负荷是指能在当前运动强度的情况下该用户身体所承担的负荷。运动负荷通常用于确定以及调整训练强度,无论是职业车手还是业余爱好者都可以使用运动负荷来规划训练以及衡量自己的进步。获取运动负荷通常需要用户佩戴血氧、心跳等监控设备,从而根据血氧、心跳等监控设备获取用户的血氧以及心率信息,再基于血氧以及心率信息进行测量并计算获得运动负荷,若没有血氧、心跳等监控设备则无法获取用户的运动负荷。
在本说明书中,提供了一种运动负荷预测方法,本说明书同时涉及一种运动负荷预测装置,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示出了根据本说明书一个实施例提供的一种运动负荷预测方法的应用场景示意图。本说明书提供的运动负荷预测方法应用于终端,该终端可以是笔记本电脑、台式电脑、平板电脑、智能设备、服务器、云服务器、分布式服务器等。在本说明书提供的实施例中,对终端的具体形式不做限定。如图1所示,本说明书提供的运动负荷预测方法可以应用于运动场景,例如,室内游泳,户外跑步、跑步机跑步场景、椭圆机运动场景、户外骑行场景、动感单车骑行场景等。
首先,在室外场景下终端通过用户在户外运动过程中携带的GPS(GlobalPositioning System,全球定位系统)设备获取数据,在室内场景下终端通过用户在跑步机、动感单车、椭圆机等等运动设备获取数据,具体可以获取用户的用户属性信息以及当前运动中目标运动数据的运动状态特征值,以及该用户在运动过程中产生的目标运动数据中运动速度特征值。进而,终端将获取到的用户属性信息和目标运动数据输入第运动负荷预测模型,获得初始预测运动负荷。进一步地,获取由第一运动负荷预测模型输出的历史初始预测运动负荷,将历史初始预测运动负荷和当前的初始预测运动负荷一同输入第二运动负荷预测模型,获得第二运动负荷预测模型输出的目标预测运动负荷。
本说明书提供的运动负荷预测方法,可以在不获取用户的心率数据的情况下,对用户在运动场景下的运动负荷进行预测,并根据运动负荷在时序上具有连续性的特点,将当前预测出的初始预测运动负荷,结合已经获取到的历史初始运动负荷进行第二次预测,从而获得目标运动负荷,进一步提高运动负荷预测的准确性。
在本说明书中,提供了一种运动负荷预测方法,本说明书同时涉及一种运动负荷预测装置,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2,图2示出了根据本说明书一个实施例提供的一种运动负荷预测方法的流程图,具体包括以下步骤。
步骤202:获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷。
其中,目标用户,是指需要进行运动负荷预测的用户,且该用户正处于运动过程中或已经结束运动。用户属性信息,是指用户的自身信息,包括但不限于用户的身高、体重、年龄、性别等。
具体地,获取目标用户的用户属性信息,例如,目标用户的身高、体重、年龄和性别等,获取目标用户所选择的运动项目以及在该运动过程中所产生的运动数据,以及在此次运动前,目标用户的历史初始预测运动负荷。
由于用户在运动过程中或产生大量的运动数据,若对用户在运动过程中产生的全部运动数据进行计算,会耗费大量的资源,所需的算力较大。因此,可以通过设置采样频率和采样时长的获取方式来获取目标运动数据。
在本说明书提供的一具体实施方式中,获取所述目标用户的目标运动数据,包括:
获取预设采样频率和预设采样时间区间;
根据所述预设采样频率,采集所述预设采样时间区间内的目标运动数据。
其中,预设采样频率,是指预先设置的对目标运动数据进行采样的频率。例如,1Hz(赫兹)、2Hz(赫兹)等。当预设采样频率为1Hz时,即为1秒采集一次目标运动数据;当预设采样频率为2Hz时,即为1秒采集两次目标运动数据。
预设采样时间区间,是指预先设置的对目标运动数据进行采样的时间范围。例如,3秒、6秒等。
具体地,在获取目标用户的目标运动数据之前,首先获取预设采样频率和预设采样时间区间,根据预设采样频率,采集目标用户在预设采样时间区间内的目标运动数据。以采集目标用户的目标运动速度数据为例,预设采样频率为2Hz,预设采样时间区间为3秒,则在3秒时间内,以2Hz的采样频率采集目标用户的目标运动速度数据,从而可以获得目标用户在这3秒内的6个目标运动速度数据。
本说明书提供的运动负荷预测方法,通过设置预设采样频率和预设采样时间区间,对目标用户的目标运动数据进行采样,并获取目标用户的用户属性信息,将用户属性信息和用户的目标运动数据进行结合,以在后续过程中更有利于第一运动负荷预测模型对用户的运动负荷进行预测。
步骤204:对所述目标运动数据进行特征提取,获得至少一项运动特征值。
其中,运动特征值,用于表征目标运动数据的数据特征,包括但不限于目标运动数据的运动速度阈值、运动速度均值、运动速度标准差、运动速度信息熵和目标运动对应的运动状态特征值。运动状态特征值,用于表征用户在进行目标运动的场景下对应的运动状态,例如,在跑步的状态下,运动状态值包括步频、步幅等等;在游泳的状态下,运动状态值包括划水频率、手臂摆动幅度等等;在骑行的状态下,运动的状态值包括踏频、输出功率等等。
在实际应用中,对目标运动数据进行特征提取,即为计算目标运动数据的运动速度阈值、运动速度均值、运动速度标准差和运动速度信息熵等速度特征值,以及步频和步幅、划水频率和手臂摆动幅度等运动状态特征值。
在本说明书提供的一具体实施方式中,对所述目标运动数据进行特征提取,获得至少一项运动特征值,包括:
根据所述目标运动数据,确定所述目标运动对应的至少一项运动速度特征值和所述目标运动对应的运动类型;
根据各项运动速度特征值、所述目标用户的用户属性信息和所述目标运动对应的运动类型,确定运动状态特征值;
将所述运动状态特征值和各项运动速度特征值,确定为运动特征值。
其中,运动类型,是指目标运动的类型。例如,在目标运动为跑步的情况下,运动类型为跑步;在目标运动为游泳的情况下,运动类型为游泳;目标运动为骑行的情况下,运动类型为骑行。运动状态特征值,是指目标运动所特有的特征值。例如,在目标运动为跑步的情况下,运动状态特征值包括步幅、步频等等;在目标运动为游泳的情况下,运动状态特征值包括手臂摆动幅度、划水频率等等;目标运动为骑行的情况下,运动状态特征值包括踏频、输出功率等等。
具体的,首先获取目标运动数据中包含目标运动对应的运动类型,以及运动速度特征值,随后再集合用户的属性信息、运动速度特征值和运动类型,确定出目标运动对应的运动状态特征值。以用户处于跑步的场景下确定当前时间段的运动状态特征值为例,根据用户选择的处于跑步状态下,确定运动类型为跑步,再确定当前时间段的平均速度为5m/s、最大速度为6m/s,随后结合用户的身高180cm、体重90kg、性别:男,计算获得该用户在当前时间段的步幅为100cm、步频为5步/s。
在本说明书提供的一具体实施方式中,根据所述目标运动数据,确定所述目标运动对应的至少一项运动速度特征值,包括:
根据所述目标运动数据,确定所述目标运动数据的运动速度阈值;
根据所述目标运动数据,计算所述目标运动数据的运动速度均值、运动速度标准差和运动速度信息熵;
将所述运动速度阈值、所述运动速度均值、所述运动速度标准差和所述运动速度信息熵,确定为运动速度特征值。
其中,运动速度阈值,是指目标运动数据中目标用户运动速度的上限或下限。也即,目标运动数据中,目标用户的最大运动速度或最小运动速度。运动速度均值,是指目标运动数据中目标用户运动速度的平均值,也即,目标运动数据中目标用户的平均运动速度。
具体地,目标运动数据可以为目标用户的目标运动速度数据,根据获取的目标运动速度数据,在目标运动速度数据中,确定目标用户的最大运动速度或最小运动速度,也可以确定目标用户的最大运动速度和最小运动速度,即确定运动速度阈值。
在本说明书提供的一具体实施方式中,根据所述目标运动数据,确定所述目标运动数据的运动速度阈值,包括:
在所述目标运动数据中确定第一运动速度和第二运动速度,其中,所述第一运动速度大于所述第二运动速度;
将所述第一运动速度确定为第一运动速度阈值,将所述第二运动速度确定为第二运动速度阈值,其中,所述第一运动速度阈值大于所述目标运动数据中除所述第一运动速度之外的各运动数据,所述第二运动速度阈值小于所述目标运动数据中除所述第二运动速度之外的各运动数据。
其中,第一运动速度,是指目标运动数据中目标用户的最大运动速度;第二运动速度,是指目标运动数据中目标用户的最小运动速度。第一运动速度阈值,是指目标运动数据中目标用户运动速度的上限;第二运动速度阈值,是指目标运动数据中目标用户运动速度的下限。
具体地,在目标运动数据中,确定目标用户的最大运动速度和最小运动速度,并将目标用户的最大运动速度确定为目标运动数据中目标用户运动速度的上限,将目标用户的最小运动速度确定为目标运动数据中目标用户运动速度的下限。
进而,根据获取的目标运动速度数据,计算目标用户的平均运动速度,即计算运动速度均值,并计算目标用户的运动速度标准差和运动速度信息熵,将计算出的运动速度均值、运动速度标准差、运动速度信息熵和运动速度阈值确定为目标运动数据的运动特征值。
需要进行说明的是,在实际应用中,可以提取上述运动特征值中的一项或多项,具体可以根据实际应用情况进行确定。
本说明书提供的运动负荷预测方法,在获取到目标用户的目标运动数据的基础上,进一步提取目标运动数据的多项运动特征值,以根据运动特征值和用户属性信息,利用第一运动负荷预测模型进行预测,获得目标用户的初始预测运动负荷。
步骤206:将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷。
其中,第一运动负荷预测模型,用于预测目标用户在预设采样时间区间内的运动负荷。第一运动负荷预测模型为机器学习模型,例如XGboost模型等。初始预测运动负荷,是指目标用户在预设采样时间区间内的预测运动负荷。
具体地,将获取的用户属性信息和各项运动特征值输入第一运动负荷预测模型,由第一运动负荷预测模型处理后,即可获得第一运动负荷预测模型输出的初始预测运动负荷。
在本说明书提供的一具体实施方式中,所述第一运动负荷预测模型根据下述方法训练获得:
获取训练样本数据,其中,所述训练样本数据包括用户样本属性信息、样本运动数据对应的样本运动特征值和所述样本运动数据对应的样本初始运动负荷;
将所述用户样本属性信息和所述样本运动特征值输入第一运动负荷预测模型,获得预测初始运动负荷;
根据所述预测初始运动负荷和所述样本初始运动负荷,计算所述第一运动负荷预测模型的损失值;
根据所述损失值调整所述第一运动负荷预测模型的模型参数,并继续训练所述第一运动负荷预测模型,直至达到训练停止条件。
其中,训练样本数据是指在训练样本数据集合中获取的样本数据,是第一运动负荷预测模型的训练样本;训练样本数据集合是指通过采集用户属性信息、运动数据对应的运动特征值和运动数据对应的初始运动负荷,获得的训练样本数据组成的集合;样本初始运动负荷是指用户样本属性信息和样本运动特征值对应的实际初始运动负荷;预测初始运动负荷是指将用户样本属性信息和样本运动特征值输入至第一运动负荷预测模型所输出的初始运动负荷;损失值是指样本初始运动负荷与预测初始运动负荷之间的差异值,用于度量样本初始运动负荷与预测初始运动负荷之间的差异。
具体地,通过上述获取用户属性信息、目标运动数据的各项运动特征值和目标用户的历史初始预测运动负荷的获取方式获取训练样本数据,将用户样本属性信息和样本运动特征值输入至第一运动负荷预测模型中,第一运动负荷预测模型用于预测用户样本属性信息和样本运动特征值对应的初始运动负荷,此时的第一运动负荷预测模型是还未训练好的模型,预测出的预测初始运动负荷与实际的样本初始运动负荷之间会存在偏差,需要对第一运动负荷预测模型的模型参数进行相应的调整。具体地,根据输出的预测初始运动负荷和样本初始运动负荷计算第一运动负荷预测模型的损失值,计算损失值的损失函数在实际应用中可以为0-1损失函数、绝对值损失函数、平方损失函数、交叉熵损失函数等等,在本说明书中,优选的,选择交叉熵函数作为计算损失值的损失函数,并根据损失值调整第一运动负荷预测模型的模型参数,基于调整后的模型参数用于下一批次训练样本数据继续训练第一运动负荷预测模型,直至达到模型训练的停止条件。
具体地,模型训练停止条件包括损失值小于预设阈值和/或训练轮次达到预设的轮次。
在本说明书提供的一具体实施方式中,以通过损失值小于预设阈值为训练停止条件为例,预设阈值为0.6,当损失值小于0.6时,则认为第一运动负荷预测模型训练完成。
在本说明书提供的另一具体实施方式中,以预设的训练轮次作为训练停止条件为例,预设的训练轮次为70轮,当训练样本数据的训练轮次达到70轮后,则认为第一运动负荷预测模型训练完成。
在本说明书提供的又一具体实施方式中,设置预设阈值和预设训练轮次两个训练停止条件,同时监控损失值和训练轮次,当损失值或训练轮次中任意一项满足训练停止条件时,则认为第一运动负荷预测模型训练完成。
本说明书提供的运动负荷预测方法,根据用户属性信息和各项运动特征值,通过第一运动负荷预测模型,进行预测目标用户在预设采样时间区间内的初始运动负荷,实现在无心率数据的情况下,快速预测出运动负荷。
步骤208:根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列。
其中,预测运动负荷序列,是指初始预测运动负荷与其历史时间区间内的多个历史初始预测运动负荷构成的运动负荷序列。预测运动负荷序列中包括多个不同时间区间对应的初始运动负荷。
在本说明书提供的一具体实施方式中,根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列,包括:
创建预设运动负荷序列,其中,所述预设运动负荷序列为空序列;
确定所述初始预测运动负荷和所述历史初始预测运动负荷之间的时间顺序;
按照所述时间顺序,将所述初始预测运动负荷和所述历史初始预测运动负荷依次添加至所述预设运动负荷序列,获得预测运动负荷序列。
其中,预设运动负荷序列,是指用于存储初始预测运动负荷的空序列。
具体地,在获得第一运动负荷预测模型输出的初始预测运动负荷,以及目标用户的多个历史初始预测运动负荷后,创建用于存储多个初始预测运动负荷的空序列。确定初始预测运动负荷和各个历史初始预测运动负荷之间的时间顺序,并按照初始预测运动负荷和各历史初始预测运动负荷之间的时间顺序,将初始预测运动负荷和各历史初始预测运动负荷添加至预设运动负荷序列,从而获得预测运动负荷序列。
参见图3,图3示出了根据本说明书一个实施例提供的一种构建预测运动负荷序列的示意图。如图3所示,获取的初始预测运动负荷为t0,获取的历史初始预测运动负荷分别为t-1、t-2、t-3和t-4,其中,t0为预设采样时间区间内的当前初始预测运动负荷,t-1为t0前1时刻(即前一预设采样时间区间)的初始预测运动负荷,t-2为t0前2时刻(即前两个预设采样时间区间)的初始预测运动负荷,t-3为t0前3时刻(即前三个预设采样时间区间)的初始预测运动负荷,t-4为t0前4时刻(即前四个预设采样时间区间)的初始预测运动负荷。
在获取初始预测运动负荷和各历史初始预测运动负荷后,需要确定初始预测运动负荷和各历史初始预测运动负荷之间的时间顺序,也即,直接获取的初始预测运动负荷和各历史初始预测运动负荷是未按照时间顺序排序的,如图3中所示,其排序可能为t-1、t-4、t-2、t-3、t0,在确定初始预测运动负荷和各历史初始预测运动负荷之间的时间顺序后,其排序应该为t-4、t-3、t-2、t-1、t0,进而,按照确定的时间顺序,将初始预测运动负荷和各历史初始预测运动负荷按照顺序依次添加至预设运动负荷序列中,以获得如图3所示的预测运动负荷序列。
为提高生成预测运动负荷序列的效率,还可以提前创建预设运动负荷序列,并在第一运动负荷预测模型每输出一个初始预测运动负荷的情况下,将该初始预测运动负荷添加至预设运动负荷序列,从而无需确定初始预测运动负荷和各历史初始预测运动负荷之间的时间顺序,并按照时间顺序进行添加至预设运动负荷序列。
基于此,在本说明书提供的一具体实施方式中,在获取所述目标用户的历史初始预测运动负荷之前,所述方法还包括:
创建预设运动负荷序列,其中,所述预设运动负荷序列为空序列。
在获取目标用户的历史初始预测运动负荷之前,预先创建用于存储多个初始预测运动负荷的空序列。
进一步地,在本说明书提供的一具体实施方式中,获取所述目标用户的历史初始预测运动负荷,包括:
获取所述第一运动负荷预测模型输出的第一历史初始预测运动负荷,将所述第一历史初始预测运动负荷添加至所述预设运动负荷序列;
获取所述第一运动负荷预测模型输出的第二历史初始预测运动负荷,将所述第二历史初始预测运动负荷添加至所述预设运动负荷序列,直至将参考历史初始预测运动负荷添加至所述预设运动负荷序列,获得历史运动负荷序列,其中,所述参考历史初始预测运动负荷为所述初始预测运动负荷的前一预设采样时间区间对应的历史初始预测运动负荷。
其中,第一历史初始预测运动负荷和第二历史初始预测运动负荷,分别为历史时间区间内,不同预设采样时间区间对应的初始预测运动负荷,且第一历史初始预测运动负荷对应的预设采样时间区间早于第二历史初始预测运动负荷对应的预设采样时间区间。参考历史初始预测运动负荷,是指初始预测运动负荷的前一预设采样时间区间对应的历史初始预测运动负荷。
历史运动负荷序列,是指由初始预测运动负荷对应的多个历史初始预测运动负荷构成的运动负荷序列。
在实际应用中,在创建预设运动负荷序列后,获取第一运动负荷预测模型输出的第一历史初始预测运动负荷,并将第一历史初始预测运动负荷添加至预设运动负荷序列,在第一运动负荷预测模型输出第二历史初始预测运动负荷后,再将第二历史初始预测运动负荷添加至预设运动负荷序列,需要注意的是,此时的预设运动负荷序列不再是空序列,而是存储了第一历史初始预测运动负荷的运动负荷序列。直至将参考历史初始预测运动负荷添加至预设运动负荷序列,从而获得历史运动负荷序列。
进一步地,在本说明书提供的一具体实施方式中,根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列,包括:
获取所述历史运动负荷序列,其中,所述历史运动负荷序列包括各历史初始预测运动负荷;
将所述初始预测运动负荷添加至所述历史运动负荷序列,获得预测运动负荷序列。
具体地,在获得第一运动负荷预测模型输出的当前预设采样时间区间内的初始预测运动负荷后,将初始预测运动负荷添加至历史运动负荷序列,即可获得预测运动负荷序列。
参见图4,图4示出了根据本说明书一个实施例提供的另一种构建预测运动负荷序列的示意图。如图4所示,t-1、t-2、t-3和t-4均为历史初始预测运动负荷,t0为初始预测运动负荷,图4中1、2、3、4、5用于表示第一运动负荷预测模型输出t-4、t-3、t-2、t-1和t0的先后顺序。在图4中,获取第一运动负荷预测模型输出的历史初始预测运动负荷t-4后,将历史初始预测运动负荷t-4添加至预设运动负荷序列,获取第一运动负荷预测模型输出的历史初始预测运动负荷t-3后,将历史初始预测运动负荷t-3添加至预设运动负荷序列,直至将历史初始预测运动负荷t-1添加至预设运动负荷序列,获得历史运动负荷序列,进而,在获取第一运动负荷预测模型输出的初始预测运动负荷t0后,将初始预测运动负荷t0添加至历史运动负荷序列,获得预测运动负荷序列。
本说明书提供的运动负荷预测方法,在获取初始预测运动负荷的基础上,结合各个历史初始预测运动负荷,构建预测运动负荷序列,以使得在后续过程中基于预测运动负荷序列进行预测最终的运动负荷,提高预测准确性。
步骤210:将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
其中,第二运动负荷预测模型,用于预测目标用户在历史时间区间内的运动负荷。第二运动负荷预测模型为机器学习模型,例如MLP(Multi-Layer Perceptron)模型、RNN(Recurrent Neural Network)模型、TCN(Temporal Convolutional Network)模型等。目标预测运动负荷,即为目标用户在历史时间区间内的运动负荷。
具体地,将生成的预测运动负荷序列输入第二运动负荷预测模型中,由第二运动负荷预测模型进行处理后,即可获得第二运动负荷预测模型输出的目标预测运动负荷。
在本说明书提供的一具体实施方式中,在获得所述目标用户的目标预测运动负荷之后,所述方法还包括:
将所述目标预测运动负荷反馈至目标终端。
在预测出目标用户的目标预测运动负荷后,还可以将目标预测运动负荷反馈至目标用户的目标终端。
在本说明书提供的一具体实施方式中,在获得所述目标用户的目标预测运动负荷之后,所述方法还包括:
获取至少一个目标预测运动负荷,并根据各目标预测运动负荷生成至少一个训练负荷特征值,以便于根据各训练负荷特征值调整所述目标用户的训练计划。
其中,训练负荷特征值为由各个目标预测运动负荷计算获得的该目标预测运动负荷的特征值。例如,ATL(Acute Training Load,急性训练负荷),CTL(Chronic TrainingLoad,慢性训练负荷),ACWR(Acute:Chronic Workload Ratio,急性:慢性工作量比),TSB(Training Stress Balance,训练压力平衡)等等,本申请对此不作任何限制。
具体的,获取至少一个目标预测运动负荷可以理解为获取预设时间段内的运动负荷,根据一段时间内的遇到弄负荷可以计算运动负荷在该时间段内的特征,以用于评估用户在该时间段内的训练情况,从而可以根据该用户的训练情况调整后续的训练计划。例如,目标用户在过去一周里平均获得一个值为50的训练负荷,那么他的ATL将是50。如果在过去一个月里他每天平均获得一个值为40的训练负荷,那么他的CTL将是40。因此,ACWR将是50/40=1.25。同时,他的TSB将是40-50=-10。也就表示该用户在过去一周增大了运动量,并且增大的运动量使身体更加疲惫,从而需要更多的回复时间。所以,本周的训练计划则会相较于过去一周的训练计划下调部分。
本说明书提供的运动负荷预测方法,包括:获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;对所述目标运动数据进行特征提取,获得至少一项运动特征值;将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
本说明书一实施例,实现了在不获取用户的心率数据的情况下,对用户在运动场景下的运动负荷进行预测,并根据运动负荷在时序上具有连续性的特点,将当前预测出的初始预测运动负荷,结合已经获取到的历史初始运动负荷进行第二次预测,从而获得目标运动负荷,进一步提高运动负荷预测的准确性。
下述结合附图5,对所述运动负荷预测方法进行进一步说明。其中,图5示出了本说明书一个实施例提供的一种运动负荷预测方法的处理过程流程图。如图5所示,获取目标用户的身高、体重、年龄和性别,以及目标用户的目标运动数据,并根据目标运动数据,提取包括运动速度阈值、运动速度均值、运动速度标准差和运动速度信息熵在内的各项运动速度特征值,以及目标运动的运动状态特征值,并将目标用户的身高、体重、年龄和性别,以及由运动速度特征值和运动状态特征值组成的各项运动特征值输入第一运动负荷预测模型,获得初始预测运动负荷t0。获取t0前1时刻的初始预测运动负荷t-1,t0前2时刻的初始预测运动负荷t-2,t0前3时刻的初始预测运动负荷t-3,以及t0前4时刻的初始预测运动负荷t-4,将t-4、t-3、t-2、t-1和t0输入第二运动负荷预测模型,获得第二运动负荷预测模型输出的目标预测运动负荷v。
与上述方法实施例相对应,本说明书还提供了运动负荷预测装置实施例,图6示出了本说明书一个实施例提供的一种运动负荷预测装置的结构示意图。如图6所示,该装置包括:
获取模块602,被配置为获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;
提取模块604,被配置为对所述目标运动数据进行特征提取,获得至少一项运动特征值;
第一输入模块606,被配置为将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;
构建模块608,被配置为根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;
第二输入模块610,被配置为将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
可选的,所述获取模块602,进一步被配置为:
获取预设采样频率和预设采样时间区间;
根据所述预设采样频率,采集所述预设采样时间区间内的目标运动数据。
可选的,所述提取模块604,进一步被配置为:
根据所述目标运动数据,确定所述目标运动对应的至少一项运动速度特征值和所述目标运动对应的运动类型;
根据各项运动速度特征值、所述目标用户的用户属性信息和所述目标运动对应的运动类型,确定运动状态特征值;
将所述运动状态特征值和各项运动速度特征值,确定为运动特征值。
可选的,所述提取模块604,进一步被配置为:
根据所述目标运动数据,确定所述目标运动数据的运动速度阈值;
根据所述目标运动数据,计算所述目标运动数据的运动速度均值、运动速度标准差和运动速度信息熵;
将所述运动速度阈值、所述运动速度均值、所述运动速度标准差和所述运动速度信息熵,确定为运动速度特征值。
可选的,所述提取模块604,进一步被配置为:
在所述目标运动数据中确定第一运动速度和第二运动速度,其中,所述第一运动速度大于所述第二运动速度;
将所述第一运动速度确定为第一运动速度阈值,将所述第二运动速度确定为第二运动速度阈值,其中,所述第一运动速度阈值大于所述目标运动数据中除所述第一运动速度之外的各运动数据,所述第二运动速度阈值小于所述目标运动数据中除所述第二运动速度之外的各运动数据。
可选的,所述构建模块608,进一步被配置为:
创建预设运动负荷序列,其中,所述预设运动负荷序列为空序列;
确定所述初始预测运动负荷和所述历史初始预测运动负荷之间的时间顺序;
按照所述时间顺序,将所述初始预测运动负荷和所述历史初始预测运动负荷依次添加至所述预设运动负荷序列,获得预测运动负荷序列。
可选的,所述装置还包括:
创建模块,被配置为创建预设运动负荷序列,其中,所述预设运动负荷序列为空序列。
可选的,所述构建模块608,进一步被配置为:
获取所述第一运动负荷预测模型输出的第一历史初始预测运动负荷,将所述第一历史初始预测运动负荷添加至所述预设运动负荷序列;
获取所述第一运动负荷预测模型输出的第二历史初始预测运动负荷,将所述第二历史初始预测运动负荷添加至所述预设运动负荷序列,直至将参考历史初始预测运动负荷添加至所述预设运动负荷序列,获得历史运动负荷序列,其中,所述参考历史初始预测运动负荷为所述初始预测运动负荷的前一预设采样时间区间对应的历史初始预测运动负荷。
可选的,所述构建模块608,进一步被配置为:
获取所述历史运动负荷序列,其中,所述历史运动负荷序列包括各历史初始预测运动负荷;
将所述初始预测运动负荷添加至所述历史运动负荷序列,获得预测运动负荷序列。
可选的,所述装置还包括:
反馈模块,将所述目标预测运动负荷反馈至目标终端。
可选的,所述装置还包括:
训练计划调整模块,获取至少一个目标预测运动负荷,并根据各目标预测运动负荷生成至少一个训练负荷特征值,以便于根据各训练负荷特征值调整所述目标用户的训练计划。
可选的,所述装置还包括训练模块,被配置为:
获取训练样本数据,其中,所述训练样本数据包括用户样本属性信息、样本运动数据对应的样本运动特征值和所述样本运动数据对应的样本初始运动负荷;
将所述用户样本属性信息和所述样本运动特征值输入第一运动负荷预测模型,获得预测初始运动负荷;
根据所述预测初始运动负荷和所述样本初始运动负荷,计算所述第一运动负荷预测模型的损失值;
根据所述损失值调整所述第一运动负荷预测模型的模型参数,并继续训练所述第一运动负荷预测模型,直至达到训练停止条件。
本说明书提供的运动负荷预测装置,包括:获取模块,被配置为获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;提取模块,被配置为对所述目标运动数据进行特征提取,获得至少一项运动特征值;第一输入模块,被配置为将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;构建模块,被配置为根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;第二输入模块,被配置为将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
本说明书一实施例,实现了在不获取用户的心率数据的情况下,对用户在运动场景下的运动负荷进行预测,并根据运动负荷在时序上具有连续性的特点,将当前预测出的初始预测运动负荷,结合已经获取到的历史初始运动负荷进行第二次预测,从而获得目标运动负荷,进一步提高运动负荷预测的准确性。
上述为本实施例的一种运动负荷预测装置的示意性方案。需要说明的是,该运动负荷预测装置的技术方案与上述的运动负荷预测方法的技术方案属于同一构思,运动负荷预测装置的技术方案未详细描述的细节内容,均可以参见上述运动负荷预测方法的技术方案的描述。
图7示出了根据本说明书一个实施例提供的一种计算设备700的结构框图。该计算设备700的部件包括但不限于存储器710和处理器720。处理器720与存储器710通过总线730相连接,数据库750用于保存数据。
计算设备700还包括接入设备740,接入设备740使得计算设备700能够经由一个或多个网络760通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备740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,networkinterface controller))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,WirelessLocal Area Network)无线接口、全球微波互联接入(Wi-MAX,WorldwideInteroperability for Microwave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near FieldCommunication)。
在本说明书的一个实施例中,计算设备700的上述部件以及图7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7所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。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700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个人计算机(PC,Personal Computer)的静止计算设备。计算设备700还可以是移动式或静止式的服务器。
其中,处理器720用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述运动负荷预测方法的步骤。
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运动负荷预测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,均可以参见上述运动负荷预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述运动负荷预测方法的步骤。
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运动负荷预测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,均可以参见上述运动负荷预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述运动负荷预测方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的运动负荷预测方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述运动负荷预测方法的技术方案的描述。
上述对本说明书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,Random Access 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专利实践的要求进行适当的增减,例如在某些地区,根据专利实践,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,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,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说明书实施例所必须的。
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。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。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,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (16)
1.一种运动负荷预测方法,其特征在于,包括:
获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;
对所述目标运动数据进行特征提取,获得至少一项运动特征值;
将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;
根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;
将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
2.如权利要求1所述的方法,其特征在于,获取所述目标用户的目标运动数据,包括:
获取预设采样频率和预设采样时间区间;
根据所述预设采样频率,采集所述预设采样时间区间内的目标运动数据。
3.如权利要求1所述的方法,其特征在于,对所述目标运动数据进行特征提取,获得至少一项运动特征值,包括:
根据所述目标运动数据,确定所述目标运动对应的至少一项运动速度特征值和所述目标运动对应的运动类型;
根据各项运动速度特征值、所述目标用户的用户属性信息和所述目标运动对应的运动类型,确定运动状态特征值;
将所述运动状态特征值和各项运动速度特征值,确定为运动特征值。
4.如权利要求3所述的方法,其特征在于,根据所述目标运动数据,确定所述目标运动对应的至少一项运动速度特征值,包括:
根据所述目标运动数据,确定所述目标运动数据的运动速度阈值;
根据所述目标运动数据,计算所述目标运动数据的运动速度均值、运动速度标准差和运动速度信息熵;
将所述运动速度阈值、所述运动速度均值、所述运动速度标准差和所述运动速度信息熵,确定为运动速度特征值。
5.如权利要求3所述的方法,其特征在于,根据所述目标运动数据,确定所述目标运动数据的运动速度阈值,包括:
在所述目标运动数据中确定第一运动速度和第二运动速度,其中,所述第一运动速度大于所述第二运动速度;
将所述第一运动速度确定为第一运动速度阈值,将所述第二运动速度确定为第二运动速度阈值,其中,所述第一运动速度阈值大于所述目标运动数据中除所述第一运动速度之外的各运动数据,所述第二运动速度阈值小于所述目标运动数据中除所述第二运动速度之外的各运动数据。
6.如权利要求1所述的方法,其特征在于,根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列,包括:
创建预设运动负荷序列,其中,所述预设运动负荷序列为空序列;
确定所述初始预测运动负荷和所述历史初始预测运动负荷之间的时间顺序;
按照所述时间顺序,将所述初始预测运动负荷和所述历史初始预测运动负荷依次添加至所述预设运动负荷序列,获得预测运动负荷序列。
7.如权利要求1所述的方法,其特征在于,在获取所述目标用户的历史初始预测运动负荷之前,所述方法还包括:
创建预设运动负荷序列,其中,所述预设运动负荷序列为空序列。
8.如权利要求7所述的方法,其特征在于,获取所述目标用户的历史初始预测运动负荷,包括:
获取所述第一运动负荷预测模型输出的第一历史初始预测运动负荷,将所述第一历史初始预测运动负荷添加至所述预设运动负荷序列;
获取所述第一运动负荷预测模型输出的第二历史初始预测运动负荷,将所述第二历史初始预测运动负荷添加至所述预设运动负荷序列,直至将参考历史初始预测运动负荷添加至所述预设运动负荷序列,获得历史运动负荷序列,其中,所述参考历史初始预测运动负荷为所述初始预测运动负荷的前一预设采样时间区间对应的历史初始预测运动负荷。
9.如权利要求8所述的方法,其特征在于,根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列,包括:
获取所述历史运动负荷序列,其中,所述历史运动负荷序列包括各历史初始预测运动负荷;
将所述初始预测运动负荷添加至所述历史运动负荷序列,获得预测运动负荷序列。
10.如权利要求1所述的方法,其特征在于,在获得所述目标用户的目标预测运动负荷之后,所述方法还包括:
将所述目标预测运动负荷反馈至目标终端。
11.如权利要求1所述的方法,其特征在于,在获得所述目标用户的目标预测运动负荷之后,所述方法还包括:
获取至少一个目标预测运动负荷,并根据各目标预测运动负荷生成至少一个训练负荷特征值,以便于根据各训练负荷特征值调整所述目标用户的训练计划。
12.如权利要求1所述的方法,其特征在于,所述用户属性信息包括身高、体重、年龄和性别中的至少一项,所述目标运动数据包括目标运动速度数据和目标运动类型数据。
13.如权利要求1所述的方法,其特征在于,所述第一运动负荷预测模型根据下述方法训练获得:
获取训练样本数据,其中,所述训练样本数据包括用户样本属性信息、样本运动数据对应的样本运动特征值和所述样本运动数据对应的样本初始运动负荷;
将所述用户样本属性信息和所述样本运动特征值输入第一运动负荷预测模型,获得预测初始运动负荷;
根据所述预测初始运动负荷和所述样本初始运动负荷,计算所述第一运动负荷预测模型的损失值;
根据所述损失值调整所述第一运动负荷预测模型的模型参数,并继续训练所述第一运动负荷预测模型,直至达到训练停止条件。
14.一种运动负荷预测装置,其特征在于,包括:
获取模块,被配置为获取目标用户的用户属性信息、所述目标用户的目标运动数据和所述目标用户的历史初始预测运动负荷;
提取模块,被配置为对所述目标运动数据进行特征提取,获得至少一项运动特征值;
第一输入模块,被配置为将所述用户属性信息和各项运动特征值输入第一运动负荷预测模型,获得所述目标用户的初始预测运动负荷;
构建模块,被配置为根据所述初始预测运动负荷和所述历史初始预测运动负荷,构建预测运动负荷序列;
第二输入模块,被配置为将所述预测运动负荷序列输入第二运动负荷预测模型,获得所述目标用户的目标预测运动负荷。
15.一种计算设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至13任意一项所述运动负荷预测方法的步骤。
16.一种计算机可读存储介质,其特征在于,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至13任意一项所述运动负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311871266.9A CN117789918A (zh) | 2023-12-29 | 2023-12-29 | 运动负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311871266.9A CN117789918A (zh) | 2023-12-29 | 2023-12-29 | 运动负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789918A true CN117789918A (zh) | 2024-03-29 |
Family
ID=90381492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311871266.9A Pending CN117789918A (zh) | 2023-12-29 | 2023-12-29 | 运动负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789918A (zh) |
-
2023
- 2023-12-29 CN CN202311871266.9A patent/CN117789918A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210370136A1 (en) | Adaptive calibration for sensor-equipped athletic garments | |
US9526430B2 (en) | Method and system to estimate day-long calorie expenditure based on posture | |
CN108510099B (zh) | 一种路径规划的方法及穿戴设备 | |
US10918908B2 (en) | Method, an apparatus and a software product for providing a training program | |
CN102213957A (zh) | 一种提供虚拟私人运动教练的控制方法、控制装置及系统 | |
US10820810B2 (en) | Method and a system for determining the maximum heart rate of a user of in a freely performed physical exercise | |
US9924901B2 (en) | Methods, media, and apparatus for optimizing physical training based on real-time blood lactate monitoring | |
CN117789918A (zh) | 运动负荷预测方法及装置 | |
US10137329B2 (en) | Smart walking recommendation apparatus and method | |
Fister et al. | Towards automatic food prediction during endurance sport competitions | |
CN117786366A (zh) | 最大摄氧量预测方法及装置 | |
EP4202667A1 (en) | Motion monitoring method and device | |
EP3132745B1 (en) | A method and an apparatus to determine anaerobic threshold of a person non-invasively from freely performed exercise and to provide feedback on training intensity | |
Liu et al. | Predicting the heart rate response to outdoor running exercise | |
CN117786367A (zh) | 骑行功率预测方法及装置 | |
KR102668498B1 (ko) | 운동 영상에 기반한 운동 관리 서비스 제공 방법, 장치 및 프로그램 | |
KR102604544B1 (ko) | 체력시험 항목에 기반한 체력 관리 서비스 제공 방법, 장치 및 프로그램 | |
US20230226412A1 (en) | System and method for recommending physical routine | |
US20220080262A1 (en) | Method and apparatus to generate motion data of a barbell and to process the generated motion data | |
KR102526459B1 (ko) | 개인 맞춤형 하이브리드 피트니스 코칭 시스템 및 방법 | |
Przednowek et al. | Estimation of VO 2 max based on 20 m shuttle run test using statistical learning methods: An example of male physical education students | |
Fister Jr et al. | SportyDataGen: an online generator of endurance sports activity collections | |
CN117633480B (zh) | 一种运动训练效果的量化评估方法及系统 | |
Patrascu et al. | MOTION-AE: an intelligent mobile application for aerobic endurance training | |
RU2813471C1 (ru) | Способы и системы идентификации действия пользователя |
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 |