CN117854678A - 一种基于可穿戴设备的运动健康管理方法、系统及介质 - Google Patents
一种基于可穿戴设备的运动健康管理方法、系统及介质 Download PDFInfo
- Publication number
- CN117854678A CN117854678A CN202410258435.XA CN202410258435A CN117854678A CN 117854678 A CN117854678 A CN 117854678A CN 202410258435 A CN202410258435 A CN 202410258435A CN 117854678 A CN117854678 A CN 117854678A
- Authority
- CN
- China
- Prior art keywords
- data
- sign
- motion
- value
- movement
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 28
- 238000007726 management method Methods 0.000 title claims description 17
- 230000033001 locomotion Effects 0.000 claims abstract description 190
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001960 triggered effect Effects 0.000 claims abstract description 5
- 230000035772 mutation Effects 0.000 claims description 27
- 230000004043 responsiveness Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000386 athletic effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 39
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种基于可穿戴设备的运动健康管理方法、系统及介质，方法包括：响应于用户在可穿戴设备触发的开始运动操作，触发可穿戴设备将采集的体征数据集和运动数据进行持续上报；提取可穿戴设备在当前运动时段内采集的体征数据集，确定各个类型的体征数据对应的响应度，基于响应度从体征数据集中选取至少一个体征数据作为特征数据；基于运动数据确定当前运动时段的持续度，基于特征数据对应的时间序列数据确定当前运动时段的趋势值，基于当前运动时段的趋势值和持续度确定运动指标；匹配运动指标对应的运动建议信息，并发送给可穿戴设备；本发明能够提供实时性强、个性化匹配程度高的运动建议推荐。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于可穿戴设备的运动健康管理方法、系统及介质。
背景技术
随着人们对运动健康的重视，各种可穿戴设备和运动健康管理应用不断涌现，为用户提供了方便的运动监测和健康管理工具。然而，相关技术中，运动健康管理应用的时效性、针对性不强，不能根据用户的身体状况提供实时性强、个性化匹配程度高的运动建议。
发明内容
本发明目的在于提供一种基于可穿戴设备的运动健康管理方法、系统及介质，旨在基于实时监测的体征数据提供实时性强、个性化匹配程度高的运动建议推荐。
为了实现上述目的，本发明提供以下技术方案：
第一方面，本发明实施例提供了一种基于可穿戴设备的运动健康管理方法，所述方法包括以下步骤：
响应于用户在可穿戴设备触发的开始运动操作，触发可穿戴设备将采集的体征数据集和运动数据进行持续上报；其中，所述体征数据集包含多个体征数据；
提取可穿戴设备在当前运动时段内采集的体征数据集，确定所述体征数据集中各个类型的体征数据对应的响应度，基于所述响应度从所述体征数据集中选取至少一个体征数据作为特征数据；其中，所述响应度表征所述体征数据的变化快慢；
基于所述运动数据确定当前运动时段的持续度，基于所述特征数据对应的时间序列数据确定当前运动时段的趋势值，基于所述当前运动时段的趋势值和持续度确定运动指标；其中，所述趋势值表征所述特征数据的变化趋势；
从预先建立的运动建议库中匹配所述运动指标对应的运动建议信息，将所述运动指标对应的运动建议信息发送给所述可穿戴设备；其中，所述运动建议库包括多个运动建议信息，多个所述运动建议信息和多个运动指标取值区间一一对应。
可选地，所述提取可穿戴设备在当前运动时段内采集的体征数据集，确定所述体征数据集中各个类型的体征数据对应的响应度，基于所述响应度从所述体征数据集中选取至少一个体征数据作为特征数据，包括：
按设定的时间间隔对当前运动时段内各个类型的体征数据进行均值化处理，得到各个类型的体征数据对应的时间序列数据；其中，所述时间序列数据包括多个按时间序列排序的体征均值；
对于每个类型的体征数据，确定该体征数据对应的时间序列数据中各个体征均值的斜率，将斜率最先大于第一斜率阈值的体征均值作为第一突变点，将斜率最后大于第一斜率阈值的体征均值作为第二突变点；
确定第一突变点到第二突变点的突变时长，将第一均值和第二均值之差与所述突变时长的比值作为该体征数据的响应度；其中，所述第二均值通过对第二突变点之后的若干个体征均值求平均得到，所述第一均值通过对第一突变点之前的若干个体征均值求平均得到；
获取各个体征数据对应的基准响应度，筛选响应度超过基准响应度的体征数据作为特征数据；其中，所述基准响应度基于多个过往运动时段的响应度确定。
可选地，所述获取各个体征数据对应的基准响应度，包括：
对于每个体征数据，获取该体征数据在最近多个过往运动时段的响应度；
将多个过往运动时段的响应度中的最小值作为该体征数据对应的基准响应度。
可选地，所述基于所述运动数据确定当前运动时段的持续度，包括：
获取最近多个过往运动时段内的运动数据，基于多个所述过往运动时段内的运动数据确定基准运动值和基准运动时长；
获取当前运动时段内的运动数据，将所述运动数据大于基准运动值的时长进行累计，得到累计时长；
采用公式计算得到当前运动时段的持续度；其中，k为调节系数，0＜k＜1，e为自然常数，t为累计时长，/>为基准运动时长。
可选地，所述基于所述特征数据对应的时间序列数据确定当前运动时段的趋势值，基于所述当前运动时段的趋势值和持续度确定运动指标，包括：
对于每个特征数据，获取所述特征数据在最近m个过往运动时段的时间序列数据，提取各个时间序列数据中第二突变点对应的体征均值到之后的n个体征均值，得到m个稳态序列数据；
将m个稳态序列数据按上报时间可穿戴设备的上报时间排序后，将m个稳态序列数据中的体征均值按时间序列划为n组，每组包含m个体征均值，m个体征均值在各自的稳态序列数据中具有相同的序列号；
将每组中的m个体征均值按稳态序列数据的排序依次进行波动率计算，得到m个波动率，对m个波动率进行均值计算，得到初始波动均值；其中，所述波动率为相邻两个体征均值的变化率；
从m个波动率中提取出最小波动率和最大波动率，将所述初始波动均值乘以所述最大波动率和最小波动率之差与所述最大波动率的比值，得到所述特征数据的基准波动均值，将每个所述特征数据的基准波动均值进行归一化处理，得到每个特征数据的权重值；
获取各个所述特征数据在当前运动时段的时间序列数据，基于各个所述特征数据的时间序列数据和权重值确定趋势值；
将所述当前运动时段的趋势值和持续度的乘积作为运动指标。
可选地，所述趋势值的计算公式为：
；
其中，Vt表示趋势值，M为特征数据的总数，ωj表示第j个特征数据的权重值，Nj为当前运动时段内第j个特征数据对应的时间序列数据中体征均值的总数，R(ij)表示第j个特征数据对应的时间序列数据中的第i个体征均值。
第二方面，本发明实施例提供了一种基于可穿戴设备的运动健康管理系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面任一项所述的基于可穿戴设备的运动健康管理方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面任一项所述的基于可穿戴设备的运动健康管理方法。
本发明的有益效果是：本发明公开一种基于可穿戴设备的运动健康管理方法、系统及介质，本发明通过实时采集用户的体征数据集和运动数据，并从体征数据集中提取出特征数据，基于特征数据确定趋势值，基于运动数据确定当前运动时段的持续度，从而快速分析出用户当前的运动指标，并基于运动指标提供个性化的运动建议。本发明基于实时监测的体征数据集和运动数据提供更精准有效的运动建议推荐，具有实时性强、个性化匹配程度高的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于可穿戴设备的运动健康管理方法的流程示意图；
图2是本发明实施例中心率-时间曲线的对照示意图；
图3是本发明实施例中基于可穿戴设备的运动健康管理系统的结构示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
相关技术中，针对背景技术中的问题，广泛使用的解决办法是使得模型在提供其识别的置信度的同时，还提供判断是否正确的依据。但上述方法只能提供数据或者模型存在的不确定性信息，却不能利用不确定性信息反馈于网络进行训练。
参阅图1，图1是本发明提供的一种基于可穿戴设备的运动健康管理方法的流程示意图，所述方法包括以下步骤：
S100，响应于用户在可穿戴设备触发的开始运动操作，触发可穿戴设备将采集的体征数据集和运动数据进行持续上报；其中，所述体征数据集包含多个体征数据；
需要说明的是，本实施例中，可穿戴设备作为数据采集主体，服务器作为执行主体，将服务器和可穿戴设备预先通过用户的账户进行关联，在征得用户同意的前提下，可穿戴设备检测到用户触发的开始运动操作时，将实时采集的体征数据集和运动数据持续上报给服务器；从而通过服务器对可穿戴设备将采集的体征数据集和运动数据进行实时处理；体征数据集包括心率、血压、血氧、体温、卡路里消耗等多个体征数据，所述运动数据包括运动速度、运动加速度、运动时间等。
S200，提取可穿戴设备在当前运动时段内采集的体征数据集，确定所述体征数据集中各个类型的体征数据对应的响应度，基于所述响应度从所述体征数据集中选取至少一个体征数据作为特征数据；其中，所述响应度表征所述体征数据的变化快慢；
S300，基于所述运动数据确定当前运动时段的持续度，基于所述特征数据对应的时间序列数据确定当前运动时段的趋势值，基于所述当前运动时段的趋势值和持续度确定运动指标；其中，所述趋势值表征所述特征数据的变化趋势；
具体地，当运动数据超过运动常态值时，说明运动量较平常增加，如果体征数据维持在体征常态范围内，说明身体机能可以承受运动量的增加，体征常态范围基于过往运动时段检测的体征数据确定出体征范围后适当扩展得到；如果体征数据超出体征常态范围，说明身体机能难以承受运动量的增加，为体现身体机能的承受能力，按体征数据的超出量和运动数据的增加量的比值，得出运动指标，体现运动数据的增加对体征数据造成的超额影响，从而基于运动指标匹配到对应的运动建议信息，适当调整运动量；例如，增加或减少运动量的建议、运动预警反馈等。
S400，从预先建立的运动建议库中匹配所述运动指标对应的运动建议信息，将所述运动指标对应的运动建议信息发送给所述可穿戴设备；其中，所述运动建议库包括多个运动建议信息，多个所述运动建议信息和多个运动指标取值区间一一对应。
具体地，在匹配到运动指标所在的运动指标取值区间后，从运动建议库中匹配运动指标取值区间对应的运动建议信息，将该运动建议信息发送给对应的可穿戴设备。
本发明基于服务器和可穿戴设备的实时交互，实时采集用户的体征数据和运动数据，并根据体征数据和运动数据快速分析出用户当前的运动指标，从而基于运动指标提供个性化的运动建议，本发明基于实时监测的体征数据提供更精准有效的运动建议推荐，具有实时性强、个性化匹配程度高的优点。
在一些优选的实施例中，S200中，所述提取可穿戴设备在当前运动时段内采集的体征数据集，确定所述体征数据集中各个类型的体征数据对应的响应度，基于所述响应度从所述体征数据集中选取至少一个体征数据作为特征数据，包括：
S210，按设定的时间间隔对当前运动时段内各个类型的体征数据进行均值化处理，得到各个类型的体征数据对应的时间序列数据；其中，所述时间序列数据包括多个按时间序列排序的体征均值；
具体地，按设定的时间间隔将当前运动时段进行时长分割，对于任一类型的体征数据，确定该体征数据在每个时长内的平均值，作为体征均值，按时间顺序将各个时长的平均值形成该体征数据对应的时间序列数据。需要说明的是，当前运动时段为从可穿戴设备将采集的体征数据集和运动数据进行上报之后到当前时刻的时间段，在一些实施例中，时间间隔设置为30至90秒，每个类型的体征数据对应的时间序列数据具有相同数量的体征均值。
S220，对于每个类型的体征数据，确定该体征数据对应的时间序列数据中各个体征均值的斜率，将斜率最先大于第一斜率阈值的体征均值作为第一突变点，将斜率最后大于第一斜率阈值的体征均值作为第二突变点；
在一些实施例中，第一斜率阈值能够反映体征均值变化的陡峭程度，当用户开始运动后，体征均值会发生急剧变化，体征均值的斜率也会快速变大，为粗略找出体征均值的斜率快速变化的起始点，设置第一斜率阈值进行判断，本实施例中，第一斜率阈值大于用户开始运动前的平均斜率，例如，设置第一斜率阈值的取值范围为0.2至3，具体数值根据实际情况设置。
S230，确定第一突变点到第二突变点的突变时长，将第一均值和第二均值之差与所述突变时长的比值作为该体征数据的响应度；其中，所述第二均值通过对第二突变点之后的若干个体征均值求平均得到，所述第一均值通过对第一突变点之前的若干个体征均值求平均得到；
需要说明的是，响应度的大小体现对运动量变化的灵敏程度，响应度越大，越能体现运动状态的变化，从而越容易检测出运动量的变化。
S240，获取各个体征数据对应的基准响应度，筛选响应度超过基准响应度的体征数据作为特征数据；其中，所述基准响应度基于多个过往运动时段的响应度确定。
具体地，对于每个类型的体征数据，基于可穿戴设备在多个过往运动时段内采集的体征数据分别确定多个响应度，将最小的响应度作为该体征数据的基准响应度。将该体征数据的响应度和对应的基准响应度比较，如果响应度大于对应的基准响应度，则将该体征数据作为特征数据。一般地，能较快反映运动量变化的体征数据包括心率、血压、血氧等，对于部分例如糖尿病、高血压等人群，会存在部分体征数据失效的可能，例如，参考图2中的心率-时间曲线，曲线1对应的响应度较大，能够将心率作为特征数据；曲线2对应的响应度较小，不宜将心率作为特征数据；本实施例能够筛选出与用户身体情况适配的特征数据。
在一些优选的实施例中，S240中，所述获取各个体征数据对应的基准响应度，包括：
S241，对于每个体征数据，获取该体征数据在最近多个过往运动时段的响应度；
S242，将多个过往运动时段的响应度中的最小值作为该体征数据对应的基准响应度。
需要说明的是，对于每个体征数据，分别确定是否记录有该体征数据在过往运动时段的响应度；对于任一体征数据，如果记录有至少2个过往运动时段的响应度，则执行本实施例提供的步骤，确定出对应的基准响应度；如果过往运动时段的响应度不足2个，则采用预先设置的基准响应度，一般地，预先设置的基准响应度不宜过大，以免后续筛选出的特征数据数量不够；例如，对于心率来说，预先设置的基准响应度应低于10次，在实际应用中，可以灵活调节，以保证后续筛选出至少一个体征数据作为特征数据。
在一些优选的实施例中，S300中，所述基于所述运动数据确定当前运动时段的持续度，包括：
S311，获取最近多个过往运动时段内的运动数据，基于多个所述过往运动时段内的运动数据确定基准运动值和基准运动时长；
需要说明的是，过往运动时段为过往运动的时间段，在过往运动时段内，可穿戴设备将采集的体征数据集和运动数据进行上报，在一些实施例中，获取至少2个过往运动时段内的运动数据，如果过往运动时段低于2个，则采用对基准运动值和基准运动时长预先设置的缺省值。
S312，获取当前运动时段内的运动数据，将所述运动数据大于基准运动值的时长进行累计，得到累计时长；
S313，采用公式计算得到当前运动时段的持续度；其中，k为调节系数，0＜k＜1，e为自然常数，t为累计时长，/>为基准运动时长。
需要说明的是，本实施例中采用指数函数对累计时长和基准运动时长进行处理，体现持续进行超出基准运动值的运动状态下，运动量对身体机能的增长负荷，科学反映人体生理机能的特征，通过调节系数便于进行数据处理，具体取值可根据实际情况调整。
在一些优选的实施例中，S300中，所述基于所述特征数据对应的时间序列数据确定当前运动时段的趋势值，基于所述当前运动时段的趋势值和持续度确定运动指标，包括：
S321，对于每个特征数据，获取所述特征数据在最近m个过往运动时段的时间序列数据，提取各个时间序列数据中第二突变点对应的体征均值到之后的n个体征均值，得到m个稳态序列数据；
在一些实施例中，获取至少2个过往运动时段的时间序列数据，如果过往运动时段低于2个，则采用对基准运动值和基准运动时长预先设置的缺省值。
S322，将m个稳态序列数据按上报时间可穿戴设备的上报时间排序后，将m个稳态序列数据中的体征均值按时间序列划为n组，每组包含m个体征均值，m个体征均值在各自的稳态序列数据中具有相同的序列号；
S323，将每组中的m个体征均值按稳态序列数据的排序依次进行波动率计算，得到m个波动率，对m个波动率进行均值计算，得到初始波动均值；其中，所述波动率为相邻两个体征均值的变化率；
S324，从m个波动率中提取出最小波动率和最大波动率，将所述初始波动均值乘以所述最大波动率和最小波动率之差与所述最大波动率的比值，得到所述特征数据的基准波动均值，将每个所述特征数据的基准波动均值进行归一化处理，得到每个特征数据的权重值；
需要说明的是，最小波动率反映特征数据的最小变化情况，能够体现特征数据的最低水平；最大波动率反映特征数据的极端变化情况，能够体现特征数据的峰值变化水平，结合最小波动率和最大波动率便于识别出最近运动量的变化情况。
S325，获取各个所述特征数据在当前运动时段的时间序列数据，基于各个所述特征数据的时间序列数据和权重值确定趋势值；
特征数据的趋势值可以衡量特征数据的瞬时值相对于均值的变化程度，用于反应特征数据的变化趋势，将各个特征数据的趋势值赋权后累加，能够全面反映用户体征数据的变化。
S326，将所述当前运动时段的趋势值和持续度的乘积作为运动指标。
需要说明的是，持续度与当前运动时段内的运动数据超出所述基准运动值的累计时长和基准运动时长的比例正相关；持续度影响特征数据的变化，持续度越大，特征数据的趋势值越大；本实施例中，将特征数据的趋势值和运动数据的持续度的乘积作为运动指标，能够综合反映用户在超出基准运动值下持续运动的身体承受能力，得出全面准确的指标类别，从而便于后续精准的匹配运动建议信息。
在一些优选的实施例中，S325中，所述趋势值的计算公式为：
；
其中，Vt表示趋势值，M为特征数据的总数，ωj表示第j个特征数据的权重值，Nj为当前运动时段内第j个特征数据对应的时间序列数据中体征均值的总数，R(ij)表示第j个特征数据对应的时间序列数据中的第i个体征均值。
需要说明的是，每个特征数据对应的时间序列数据中体征均值的总数相等，也就是说，N1＝N2＝N3＝...＝NM。以心率作为特征数据为例，心率的趋势值可以衡量瞬时心率对于心率均值的变化程度，用于反应心率达到稳态后的变化趋势，体现运动量的持续度对特征数据的影响。
另外，参照图3，本发明的一个实施例还提供了一种基于可穿戴设备的运动健康管理系统，该系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的方法。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于可穿戴设备的运动健康管理方法。
同样地，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本公开的较佳实施进行了具体说明，但本公开并不局限于上述实施方式，熟悉本领域的技术人员在不违背本公开精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本公开权利要求所限定的范围内。
Claims (8)
1.一种基于可穿戴设备的运动健康管理方法，其特征在于，所述方法包括以下步骤：
响应于用户在可穿戴设备触发的开始运动操作，触发可穿戴设备将采集的体征数据集和运动数据进行持续上报；其中，所述体征数据集包含多个体征数据；
提取可穿戴设备在当前运动时段内采集的体征数据集，确定所述体征数据集中各个类型的体征数据对应的响应度，基于所述响应度从所述体征数据集中选取至少一个体征数据作为特征数据；其中，所述响应度表征所述体征数据的变化快慢；
基于所述运动数据确定当前运动时段的持续度，基于所述特征数据对应的时间序列数据确定当前运动时段的趋势值，基于所述当前运动时段的趋势值和持续度确定运动指标；其中，所述趋势值表征所述特征数据的变化趋势；
从预先建立的运动建议库中匹配所述运动指标对应的运动建议信息，将所述运动指标对应的运动建议信息发送给所述可穿戴设备；其中，所述运动建议库包括多个运动建议信息，多个所述运动建议信息和多个运动指标取值区间一一对应。
2.根据权利要求1所述的一种基于可穿戴设备的运动健康管理方法，其特征在于，所述提取可穿戴设备在当前运动时段内采集的体征数据集，确定所述体征数据集中各个类型的体征数据对应的响应度，基于所述响应度从所述体征数据集中选取至少一个体征数据作为特征数据，包括：
按设定的时间间隔对当前运动时段内各个类型的体征数据进行均值化处理，得到各个类型的体征数据对应的时间序列数据；其中，所述时间序列数据包括多个按时间序列排序的体征均值；
对于每个类型的体征数据，确定该体征数据对应的时间序列数据中各个体征均值的斜率，将斜率最先大于第一斜率阈值的体征均值作为第一突变点，将斜率最后大于第一斜率阈值的体征均值作为第二突变点；
确定第一突变点到第二突变点的突变时长，将第一均值和第二均值之差与所述突变时长的比值作为该体征数据的响应度；其中，所述第二均值通过对第二突变点之后的若干个体征均值求平均得到，所述第一均值通过对第一突变点之前的若干个体征均值求平均得到；
获取各个体征数据对应的基准响应度，筛选响应度超过基准响应度的体征数据作为特征数据；其中，所述基准响应度基于多个过往运动时段的响应度确定。
3.根据权利要求2所述的一种基于可穿戴设备的运动健康管理方法，其特征在于，所述获取各个体征数据对应的基准响应度，包括：
对于每个体征数据，获取该体征数据在最近多个过往运动时段的响应度；
将多个过往运动时段的响应度中的最小值作为该体征数据对应的基准响应度。
4.根据权利要求1所述的一种基于可穿戴设备的运动健康管理方法，其特征在于，所述基于所述运动数据确定当前运动时段的持续度，包括：
获取最近多个过往运动时段内的运动数据，基于多个所述过往运动时段内的运动数据确定基准运动值和基准运动时长；
获取当前运动时段内的运动数据，将所述运动数据大于基准运动值的时长进行累计，得到累计时长；
采用公式计算得到当前运动时段的持续度；其中，k为调节系数，0＜k＜1，e为自然常数，t为累计时长，/>为基准运动时长。
5.根据权利要求1所述的一种基于可穿戴设备的运动健康管理方法，其特征在于，所述基于所述特征数据对应的时间序列数据确定当前运动时段的趋势值，基于所述当前运动时段的趋势值和持续度确定运动指标，包括：
对于每个特征数据，获取所述特征数据在最近m个过往运动时段的时间序列数据，提取各个时间序列数据中第二突变点对应的体征均值到之后的n个体征均值，得到m个稳态序列数据；
将m个稳态序列数据按上报时间可穿戴设备的上报时间排序后，将m个稳态序列数据中的体征均值按时间序列划为n组，每组包含m个体征均值，m个体征均值在各自的稳态序列数据中具有相同的序列号；
将每组中的m个体征均值按稳态序列数据的排序依次进行波动率计算，得到m个波动率，对m个波动率进行均值计算，得到初始波动均值；其中，所述波动率为相邻两个体征均值的变化率；
从m个波动率中提取出最小波动率和最大波动率，将所述初始波动均值乘以所述最大波动率和最小波动率之差与所述最大波动率的比值，得到所述特征数据的基准波动均值，将每个所述特征数据的基准波动均值进行归一化处理，得到每个特征数据的权重值；
获取各个所述特征数据在当前运动时段的时间序列数据，基于各个所述特征数据的时间序列数据和权重值确定趋势值；
将所述当前运动时段的趋势值和持续度的乘积作为运动指标。
6.根据权利要求5所述的一种基于可穿戴设备的运动健康管理方法，其特征在于，所述趋势值的计算公式为：
；
其中，Vt表示趋势值，M为特征数据的总数，ωj表示第j个特征数据的权重值，Nj为当前运动时段内第j个特征数据对应的时间序列数据中体征均值的总数，R(ij)表示第j个特征数据对应的时间序列数据中的第i个体征均值。
7.一种基于可穿戴设备的运动健康管理系统，其特征在于，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6中任意一项所述的基于可穿戴设备的运动健康管理方法。
8.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至6中任意一项所述的基于可穿戴设备的运动健康管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410258435.XA CN117854678B (zh) | 2024-03-07 | 2024-03-07 | 一种基于可穿戴设备的运动健康管理方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410258435.XA CN117854678B (zh) | 2024-03-07 | 2024-03-07 | 一种基于可穿戴设备的运动健康管理方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117854678A true CN117854678A (zh) | 2024-04-09 |
| CN117854678B CN117854678B (zh) | 2024-05-31 |
Family
ID=90536461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410258435.XA Active CN117854678B (zh) | 2024-03-07 | 2024-03-07 | 一种基于可穿戴设备的运动健康管理方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854678B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160296820A1 (en) * | 2015-04-13 | 2016-10-13 | Seiko Epson Corporation | Motion supporting device, motion supporting system, motion supporting method, and storage medium |
| CN107670262A (zh) * | 2017-11-18 | 2018-02-09 | 佛山市神风航空科技有限公司 | 一种运动监控系统及方法 |
| CN113113109A (zh) * | 2021-03-18 | 2021-07-13 | 北京雪扬科技有限公司 | 基于可穿戴设备体征数据分析的有氧运动管理方法及系统 |
| CN113626710A (zh) * | 2021-08-16 | 2021-11-09 | 百度在线网络技术（北京）有限公司 | 推送信息生成方法、相关装置及计算机程序产品 |
| CN114446439A (zh) * | 2021-12-16 | 2022-05-06 | 中山大学 | 一种基于可穿戴设备的运动风险评估方法与系统 |
| CN115691754A (zh) * | 2021-07-21 | 2023-02-03 | 华为技术有限公司 | 一种运动指导方法及相关装置 |
| CN115670444A (zh) * | 2022-11-07 | 2023-02-03 | 安克创新科技股份有限公司 | 运动监测方法、装置、可穿戴设备与存储介质 |
| CN116244660A (zh) * | 2022-12-27 | 2023-06-09 | 北京微芯区块链与边缘计算研究院 | 一种可穿戴设备的多源数据融合方法、装置及电子设备 |
-
2024
- 2024-03-07 CN CN202410258435.XA patent/CN117854678B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160296820A1 (en) * | 2015-04-13 | 2016-10-13 | Seiko Epson Corporation | Motion supporting device, motion supporting system, motion supporting method, and storage medium |
| CN107670262A (zh) * | 2017-11-18 | 2018-02-09 | 佛山市神风航空科技有限公司 | 一种运动监控系统及方法 |
| CN113113109A (zh) * | 2021-03-18 | 2021-07-13 | 北京雪扬科技有限公司 | 基于可穿戴设备体征数据分析的有氧运动管理方法及系统 |
| CN115691754A (zh) * | 2021-07-21 | 2023-02-03 | 华为技术有限公司 | 一种运动指导方法及相关装置 |
| CN113626710A (zh) * | 2021-08-16 | 2021-11-09 | 百度在线网络技术（北京）有限公司 | 推送信息生成方法、相关装置及计算机程序产品 |
| CN114446439A (zh) * | 2021-12-16 | 2022-05-06 | 中山大学 | 一种基于可穿戴设备的运动风险评估方法与系统 |
| CN115670444A (zh) * | 2022-11-07 | 2023-02-03 | 安克创新科技股份有限公司 | 运动监测方法、装置、可穿戴设备与存储介质 |
| CN116244660A (zh) * | 2022-12-27 | 2023-06-09 | 北京微芯区块链与边缘计算研究院 | 一种可穿戴设备的多源数据融合方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117854678B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110851338B (zh) | 异常检测方法、电子设备及存储介质 | |
| JP6849106B2 (ja) | 生体信号を用いるストレス推定装置およびストレス推定方法 | |
| US8456295B2 (en) | Alarm generation method for patient monitoring, physiological monitoring apparatus and computer program product for a physiological monitoring apparatus | |
| US20050096866A1 (en) | Techniques for monitoring a data stream | |
| CN106104539B (zh) | 使用警报再生的针对警报咨询的警报设置的优化 | |
| WO2023115751A1 (zh) | 血糖预测方法和装置、监测血糖水平的系统 | |
| CN113114530A (zh) | 一种网元健康状态的检测方法及设备 | |
| US20180003547A1 (en) | Apparatus and method for monitoring changes in user weight | |
| CN116861798B (zh) | 基于XGBoost算法的真空干泵在线实时剩余寿命预测方法 | |
| CN110731766A (zh) | 健康监测方法和系统 | |
| CN117111858B (zh) | 计算机文件数据匹配系统 | |
| CN117854678B (zh) | 一种基于可穿戴设备的运动健康管理方法、系统及介质 | |
| EP3053066A1 (en) | Patient health state compound score distribution and/or representative compound score based thereon | |
| CN110289090A (zh) | 事件发现方法及装置、存储介质、终端 | |
| CN112994960A (zh) | 业务数据异常检测方法、装置及计算设备 | |
| CN108377270B (zh) | 一种设备使用数据的上报管理方法及系统 | |
| CN112168188B (zh) | 一种用于压力检测数据的处理方法和装置 | |
| CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
| CN109427177B (zh) | 一种监控报警方法及装置 | |
| CN116784839B (zh) | 一种活动强度检测方法、装置及可穿戴设备 | |
| CN115967827B (zh) | 一种数据指标监测告警方法、装置、设备及存储介质 | |
| CN113971547A (zh) | 一种运动提醒信息的生成、推送方法及装置 | |
| US11847903B2 (en) | Personalized fall detector | |
| CN113407742B (zh) | 媒体内容搜索方法、装置、存储介质及电子设备 | |
| CN109948536B (zh) | 一种发呆识别方法及装置 |
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 |