CN117854725A - 用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备 - Google Patents
用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备 Download PDFInfo
- Publication number
- CN117854725A CN117854725A CN202311871230.0A CN202311871230A CN117854725A CN 117854725 A CN117854725 A CN 117854725A CN 202311871230 A CN202311871230 A CN 202311871230A CN 117854725 A CN117854725 A CN 117854725A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- motion
- fatigue
- historical
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000033001 locomotion Effects 0.000 claims abstract description 232
- 238000013136 deep learning model Methods 0.000 claims abstract description 75
- 230000008859 change Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009192 sprinting Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000012549 training Methods 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Dentistry (AREA)
- Computational Linguistics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备，涉及到智能设备控制领域、可穿戴设备技术领域或者其他相关技术领域，该疲劳度检测方法包括：接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，实时运动参数中包含至少一组定位数据与运动速度数据，将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度。本发明解决了相关技术中在无法测量用户心率数据的情况下，无法得到用户身体的体能状态，导致无法计算用户的疲劳度的技术问题。
Description
技术领域
本发明涉及可穿戴设备技术领域，具体而言，涉及一种用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备。
背景技术
通过智能可穿戴设备等设备可以获取定位信息(例如，使用已授权的GPS定位信息)，计算用户运动数据，例如，通过实时定位更新能够得到用户的跑步速度。相关技术中，通过调研可知，心率同配速有较强的相关性，因此，在确定用户的基础体征信息之后，可以根据获取到的心率参数、跑步配速以及跑步时长，能够计算出用户的疲劳程度。
但是相关技术中在计算用户疲劳程度时，需要通过佩戴心率传感器的可穿戴设备实时记录心率数据，其是主要的参考指标数据，而在现有场景里，能够记录心率数据的心率传感器价格较贵，导致配置心率传感器的可穿戴设备的价格也较为昂贵，无法实现设备普及，仅有少量的设备配置了心率传感器，在没有心率传感器的情况下，可穿戴设备无法计算用户的疲劳度，无法得到用户身体的体能状态，造成数据缺失。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备，以至少解决相关技术中在无法测量用户心率数据的情况下，无法得到用户身体的体能状态，导致无法计算用户的疲劳度的技术问题。
根据本发明实施例的一个方面，提供了一种用于智能可穿戴设备的疲劳度检测方法，包括：接收可穿戴设备对目标用户采集的实时运动参数，并提取所述实时运动参数中的时序变化特征，其中，所述实时运动参数中包含至少一组定位数据与运动速度数据；将所述实时运动参数以及所述时序变化特征输入至预设时序深度学习模型，由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，所述前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
可选地，所述预设时序深度学习模型中预先记录疲劳度分类标准，所述疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，所述映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
可选地，在由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，还包括：将所述当前时刻的疲劳度展示在所述可穿戴设备的显示界面上，并输出运动建议报告。
可选地，在接收可穿戴设备对目标用户采集的实时运动参数之前，还包括：采集所述目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，所述基础体征信息包括下述至少之一：身高、体重、年龄、性别，所述运动极限数据为预设历史时间段内所述目标用户在进行所述目标运动项目时中检测到的历史极限参数；将所述基础体征信息以及所述目标运动项目的运动极限数据输入至所述预设时序深度学习模型。
可选地，所述预设时序深度学习模型是预先构建的，在构建所述预设时序深度学习模型时，包括：获取N个用户的历史运动数据集以及基础体征信息，其中，所述历史运动数据集中包括：每类运动项目关联的历史定位数据、历史运动数据、历史心率数据以及录入的历史疲劳度，N为大于1的正整数；将所述历史运动数据集以及所述基础体征信息划分为测试集以及验证集；将所述测试集输入至初始网络模型，由所述初始网络模型中的多层感知机对所述测试集中的数据进行初步解析，得到解耦数据特征；将所述解耦数据特征输入至所述初始网络模型中的输入门，由所述输入门将所述解耦数据特征引导至记忆单元，通过所述记忆单元对所述解耦数据特征中的时序特征以及定位特征进行更新，由所述初始网络模型的输出门输出历史疲劳度；在所述测试集全部输入至所述初始网络模型后，将所述验证集中各用户的基础体征信息以及历史运动数据输入至所述初始网络模型，得到所述初始网络模型输出的疲劳度；在所述初始网络模型输出的疲劳度与所述验证集中的历史疲劳度一致的情况下，确认所述初始网络模型训练完毕，得到所述预设时序深度学习模型。
可选地，在获取N个用户的历史运动数据集以及基础体征信息之后，还包括：对历史运动数据集以及基础体征信息进行预处理，其中，所述预处理的策略包括：数据清洗、数据格式转换、异常特征筛选以及数据归一化，所述异常特征筛选包括：筛选定位数据出现突变，筛选缺失定位数据以及筛选异常心率数据，所述异常心率数据是指心率值高于预设心率阈值。
可选地，所述预设时序深度学习模型包括两层MLP多层感知机，每层的所述多层感知机MLP中引入嵌入策略，采用所述嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的所述多层感知机MLP至少包括：输入层，接收所述实时运动参数以及所述时序变化特征；隐藏层，与所述输入层通过神经元进行连接，用于对所述实时运动参数中定位数据与运动速度数据进行时序关联；输出层，与所述隐藏层通过神经元进行连接，用于输出解耦数据特征。
可选地，所述预设时序深度学习模型还包括长短期记忆模型LSTM，所述长短期记忆模型LSTM包括：输入门，接收所述多层感知机输出的解耦数据特征；记忆单元，对所述解耦数据特征中的时序特征以及定位特征进行时序更新，并在更新所述时序特征以及所述定位特征后，结合前一时序运动数据得到用户当前的运动变化数据；输出门，输出用户的运动变化数据。
可选地，所述预设时序深度学习模型还包括分类器，所述分类器基于所述用户的运动变化数据与所述疲劳度分类标准进行对比，得到所述用户在当前时刻的疲劳度。
根据本发明实施例的另一方面，还提供了一种用于智能可穿戴设备的疲劳度检测装置，包括：接收单元，用于接收可穿戴设备对目标用户采集的实时运动参数，并提取所述实时运动参数中的时序变化特征，其中，所述实时运动参数中包含至少一组定位数据与运动速度数据；模型处理单元，用于将所述实时运动参数以及所述时序变化特征输入至预设时序深度学习模型，由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，所述前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
可选地，所述预设时序深度学习模型中预先记录疲劳度分类标准，所述疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，所述映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
可选地，用于智能可穿戴设备的疲劳度检测装置还包括：疲劳度展示单元，用于在由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，将所述当前时刻的疲劳度展示在所述可穿戴设备的显示界面上，并输出运动建议报告。
可选地，用于智能可穿戴设备的疲劳度检测装置还包括：采集单元，用于在接收可穿戴设备对目标用户采集的实时运动参数之前，采集所述目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，所述基础体征信息包括下述至少之一：身高、体重、年龄、性别，所述运动极限数据为预设历史时间段内所述目标用户在进行所述目标运动项目时中检测到的历史极限参数；数据输入单元，用于将所述基础体征信息以及所述目标运动项目的运动极限数据输入至所述预设时序深度学习模型。
可选地，所述预设时序深度学习模型是预先构建的，在构建所述预设时序深度学习模型时，用于智能可穿戴设备的疲劳度检测装置包括：获取单元，用于获取N个用户的历史运动数据集以及基础体征信息，其中，所述历史运动数据集中包括：每类运动项目关联的历史定位数据、历史运动数据、历史心率数据以及录入的历史疲劳度，N为大于1的正整数；划分单元，用于将所述历史运动数据集以及所述基础体征信息划分为测试集以及验证集；第一输入模块，用于将所述测试集输入至初始网络模型，由所述初始网络模型中的多层感知机对所述测试集中的数据进行初步解析，得到解耦数据特征；第二输入模块，用于将所述解耦数据特征输入至所述初始网络模型中的输入门，由所述输入门将所述解耦数据特征引导至记忆单元，通过所述记忆单元对所述解耦数据特征中的时序特征以及定位特征进行更新，由所述初始网络模型的输出门输出历史疲劳度；第三输入模块，用于在所述测试集全部输入至所述初始网络模型后，将所述验证集中各用户的基础体征信息以及历史运动数据输入至所述初始网络模型，得到所述初始网络模型输出的疲劳度；确认模块，用于在所述初始网络模型输出的疲劳度与所述验证集中的历史疲劳度一致的情况下，确认所述初始网络模型训练完毕，得到所述预设时序深度学习模型。
可选地，用于智能可穿戴设备的疲劳度检测装置还包括：预处理单元，用于在获取N个用户的历史运动数据集以及基础体征信息之后，对历史运动数据集以及基础体征信息进行预处理，其中，所述预处理的策略包括：数据清洗、数据格式转换、异常特征筛选以及数据归一化，所述异常特征筛选包括：筛选定位数据出现突变，筛选缺失定位数据以及筛选异常心率数据，所述异常心率数据是指心率值高于预设心率阈值。
可选地，所述预设时序深度学习模型包括两层MLP多层感知机，每层的所述多层感知机MLP中引入嵌入策略，采用所述嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的所述多层感知机MLP至少包括：输入层，接收所述实时运动参数以及所述时序变化特征；隐藏层，与所述输入层通过神经元进行连接，用于对所述实时运动参数中定位数据与运动速度数据进行时序关联；输出层，与所述隐藏层通过神经元进行连接，用于输出解耦数据特征。
可选地，所述预设时序深度学习模型还包括长短期记忆模型LSTM，所述长短期记忆模型LSTM包括：输入门，接收所述多层感知机输出的解耦数据特征；记忆单元，对所述解耦数据特征中的时序特征以及定位特征进行时序更新，并在更新所述时序特征以及所述定位特征后，结合前一时序运动数据得到用户当前的运动变化数据；输出门，输出用户的运动变化数据。
可选地，所述预设时序深度学习模型还包括分类器，所述分类器基于所述用户的运动变化数据与所述疲劳度分类标准进行对比，得到所述用户在当前时刻的疲劳度。
根据本发明实施例的另一方面，还提供了一种智能可穿戴设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的用于智能可穿戴设备的疲劳度检测方法。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的用于智能可穿戴设备的疲劳度检测方法。
本发明中，实现接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据；将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
本发明中，无需监测用户心率数据，只需要考虑用户的定位参数以及运动速度参数，结合用户的跑动配速以及基础体征信息计算用户的疲劳程度，指导用户运动，从而解决相关技术中在无法测量用户心率数据的情况下，无法得到用户身体的体能状态，导致无法计算用户的疲劳度的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的用于智能可穿戴设备的疲劳度检测方法的流程图；
图2是根据本发明实施例的另一种可选的用于可穿戴设备的疲劳度检测方式的示意图；
图3是根据本发明实施例一种可选的用于智能可穿戴设备的疲劳度检测装置的示意图；
图4是根据本发明实施例的一种用于智能可穿戴设备的疲劳度检测方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于本领域技术人员理解本发明，下面对本发明各实施例中涉及的部分术语或者名词作出解释：
全球定位系统，Global Positioning System，简称GPS，是一种通过卫星定位和导航来确定地球上任意位置的系统，通过接收来自多颗卫星的信号，GPS接收器可以计算出自身的精确位置。
心率，HeartRate，简称HR，是指心脏每分钟跳动的次数，通常以每分钟的次数来计算。
多层感知机，简称MLP，是一种人工神经网络，由多个神经网络层组成，每一层都与下一层全连接。本申请中的MLP包括输入层、隐藏层和输出层，每个神经元与下一层的每个神经元都有连接，并且每个连接都有一个权重。
LSTM，Long Short-Term Memory，是一种用于处理序列数据的深度学习模型，可有效地捕捉序列数据中的长期依赖关系，并且不易受到梯度消失或梯度爆炸的影响。本申请中的LSTM模型包括：输入门、遗忘门、输出门和记忆单元，这些门控机制可以有效地学习序列数据中的长期依赖关系，从而提高模型的性能。
需要说明的是，本公开中的用于智能可穿戴设备的疲劳度检测方法及其装置可用于设备控制领域，在可穿戴设备中实现身体状态监测的情况下，也可用于除设备控制领域之外的任何领域在可穿戴设备中实现身体状态监测的情况下，本公开中对用于智能可穿戴设备的疲劳度检测方法及其装置的应用领域不做限定。
需要说明的是，本公开所涉及的相关信息(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地区的法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
本发明中，可以适用于以跑动类运动项目为主体，结合其他运动项目(例如，原地体操运动、跳舞运动、游泳运动等)的场景下，对于跑动类项目，适用于以长跑、短跑、马拉松赛事或者跑步机进行的匀速跑动运动，结合跑动类项目以及其他运动项目，对用户运动状态以及身体状态进行评估，评估用户的身体疲劳度，是否需要提醒用户休息。同时，本申请中在得到用户的疲劳度后，还可以结合实时的天气状态进行运动提醒，例如，在天气较为晴朗，空气质量较好，且用户当前疲劳度较低，可以鼓励用户多运动；而在雾霾较重或者天气寒冷，疲劳度较重时，提醒用户减少运动。
相比于现有技术需要通过心率传感器监测到心率数据才能够监测用户疲劳度存在的问题，本申请中，发现在跑动类场景下，配速和心率存在极强的相关性，另外考虑运动是会在时间维度上积累疲劳的。在没有心率设备的情况下，通过获取用户的跑步配速以及基础信息(身高、体重、年龄、性别)，用算法来计算用户的疲劳程度，用于指导用户进行跑动，在用户感知疲劳的情况下，及时激励用户提升用户的毅力，在过度疲劳的情况下，提示用户休息，避免过度运动。
下面结合各个实施例来详细说明本发明。
实施例一
根据本发明实施例，提供了一种用于智能可穿戴设备的疲劳度检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的用于智能可穿戴设备的疲劳度检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据；
步骤S104，将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
通过上述步骤，可以实现接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据；将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。在该实施例中，无需监测用户心率数据，只需要考虑用户的定位参数以及运动速度参数，结合用户的跑动配速以及基础体征信息计算用户的疲劳程度，指导用户运动，从而解决相关技术中在无法测量用户心率数据的情况下，无法得到用户身体的体能状态，导致无法计算用户的疲劳度的技术问题。
下面结合上述各实施步骤来详细说明本发明。
本发明实施例，可以应用于各种与可穿戴设备连接的服务器，或者可穿戴设备上安装的应用系统侧，例如，智能手表、智能眼镜、智能手环、智能耳机、智能鞋、智能眼罩、智能头盔、智能手套，本实施例中以智能手表为例进行示意说明，但同样适用于其他类型的可穿戴设备。当然，本实施例提供的用于智能可穿戴设备的疲劳度检测方法还可以应用于各种移动终端上，例如，手机。
在本实施例中提及的可穿戴设备中可以不配置心率传感器，无需监测用户心率数据；当然，可穿戴设备如果配置了心率传感器，通过监测到的心率数据辅助提升对用户疲劳度的监测准确度也可行。
在执行本实施例提及的用于智能可穿戴设备的疲劳度检测方法之前，需要对佩戴该可穿戴设备的用户基础体征数据以及相关运动极限数据进行采集。可选地，在接收可穿戴设备对目标用户采集的实时运动参数之前，还包括：采集目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，基础体征信息包括下述至少之一：身高、体重、年龄、性别，运动极限数据为预设历史时间段内目标用户在进行目标运动项目时中检测到的历史极限参数；将基础体征信息以及目标运动项目的运动极限数据输入至预设时序深度学习模型。
其中，基础体征信息除了上述的身高、体重、年龄、性别之外，还可以包含体温、脉搏、呼吸频率等，通过基础体征信息计算用户的身体运动体能。而运动极限数据可以是指用户的一些运动上限数据，在各类型运动项目中，用户能够达到的最高水平或最大能力，可以包括最快的速度、最高的跳跃高度、最大的力量输出等各种指标。同时，本申请还需要将用户在历史过程中进行各类型运动项目时的常规运动数据输入至预设时序深度学习模型，例如，对于跑步，采集用户的平均配速以及快跑配速，在不同配速下的运动时长，如以100米/分钟能够连续跑5分钟，而以80米/分钟能够连续跑10分钟。通过采集用户的基础体征信息、各类型运动项目的运动极限数据以及常规运动数据，能够辅助模型后续评估用户的疲劳度。
需要说明的是，本实施例中，将疲劳度定位为10进制数值，例如疲劳度1、疲劳度2、疲劳度3、疲劳度4和疲劳度5，此处，疲劳度1可以为较低等级的疲劳，此时用户可能是进行简单、短时间的运动了，此时可以继续进行运动或者走路、短跑等；而到了最高数字的疲劳度5，则表征用户已经处于过度疲劳，会有损身体健康，此是需要及时休息，每个疲劳度数值都可以通过时序深度学习模型进行估算。
同时，本实施例中预设时序深度学习模型是预先构建的，在构建预设时序深度学习模型时，包括：获取N个用户的历史运动数据集以及基础体征信息，其中，历史运动数据集中包括：每类运动项目关联的历史定位数据、历史运动数据、历史心率数据以及录入的历史疲劳度，N为大于1的正整数；将历史运动数据集以及基础体征信息划分为测试集以及验证集；将测试集输入至初始网络模型，由初始网络模型中的多层感知机对测试集中的数据进行初步解析，得到解耦数据特征；将解耦数据特征输入至初始网络模型中的输入门，由输入门将解耦数据特征引导至记忆单元，通过记忆单元对解耦数据特征中的时序特征以及定位特征进行更新，由初始网络模型的输出门输出历史疲劳度；在测试集全部输入至初始网络模型后，将验证集中各用户的基础体征信息以及历史运动数据输入至初始网络模型，得到初始网络模型输出的疲劳度；在初始网络模型输出的疲劳度与验证集中的历史疲劳度一致的情况下，确认初始网络模型训练完毕，得到预设时序深度学习模型。
本实施例中，需要收集线上佩戴可穿戴设备的用户户外跑步心率HR、实时定位数据(例如，使用GPS定位或者北斗导航定位数据)、疲劳度(1-5)估计值作为疲劳度分类标准(此处可以定义为金标)。
在采集到N个用户的历史运动数据集以及基础体征信息之后，需要先对数据进行预处理，可选地，在获取N个用户的历史运动数据集以及基础体征信息之后，还包括：对历史运动数据集以及基础体征信息进行预处理，其中，预处理的策略包括：数据清洗、数据格式转换、异常特征筛选以及数据归一化，异常特征筛选包括：筛选定位数据出现突变，筛选缺失定位数据以及筛选异常心率数据，异常心率数据是指心率值高于预设心率阈值。
其中，筛选定位数据出现异常突变时，先需要对定位数据进行分析，检查定位坐标点之间的距离变化情况，可以使用统计方法或者图形化方法来识别突变的定位数据点。例如，可以计算相邻定位点之间的距离变化，若某个定位点的距离变化与周围点相比明显偏离，则可以将其标记为异常突变数据。
而在筛选缺失定位数据时，可以通过检查定位数据的时间戳来识别。如果在某一时间段内未收到定位数据或者信号质量较差，可以将这段时间的数据标记为信号丢失数据。
筛选异常心率数据HR时，可以使用心率监测设备记录的数据进行分析。可以将心率数据与运动或活动的时间对比，若发现心率在相同活动下出现异常的波动或变化，可以将这部分数据标记为异常。
在对历史运动数据集以及基础体征信息进行预处理过程中，主要针对定位数据中的异常突变数据、信号丢失数据、HR变化异常等数据进行筛选，此处，异常突变数据可以是指定位突然改变位置，例如，人的位置突然移动5米，超出正常的人体运动速度，表征可能出现信号变化或者接收信号不良的问题。
在完成数据预处理之后，将数据输入至两层MLP中，通过两层MLP实现嵌入embedding功能，可选地，预设时序深度学习模型包括两层MLP多层感知机，每层的多层感知机MLP中引入嵌入策略，采用嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的多层感知机MLP至少包括：输入层，接收实时运动参数以及时序变化特征；隐藏层，与输入层通过神经元进行连接，用于对实时运动参数中定位数据与运动速度数据进行时序关联；输出层，与隐藏层通过神经元进行连接，用于输出解耦数据特征。
可选地，预设时序深度学习模型还包括长短期记忆模型LSTM，长短期记忆模型LSTM包括：输入门，接收多层感知机输出的解耦数据特征；记忆单元，对解耦数据特征中的时序特征以及定位特征进行时序更新，并在更新时序特征以及定位特征后，结合前一时序运动数据得到用户当前的运动变化数据；输出门，输出用户的运动变化数据。
将多层感知机MLP输出的特征输入至LSTM模型，在时序上进行建模，然后将LSTM的模型特征输入到分类器上进行分类。可选地，预设时序深度学习模型还包括分类器，分类器基于用户的运动变化数据与疲劳度分类标准进行对比，得到用户在当前时刻的疲劳度。
输出的分类结果同疲劳度分类标准/金标(通过线下设备采集或者心率估计得到，例如，通过解析用户读文字速度和时间采集心率数据)对比，用FOCAL loss作为目标函数，实现疲劳度评估。
在训练完毕时序深度学习模型之后，可以将其应用于各类型可穿戴设备中安装的应用软件/应用系统侧。
步骤S102，接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据。
需要说明的是，本实施例在通过可穿戴设备采集用户的实时运动参数并提取实时运动参数中的时序变化特征过程中，可以采用以下步骤：
1.选择合适的传感器：根据需要采集的实时运动参数，选择合适的传感器，比如加速度传感器、陀螺仪等。
2.数据传输，通过无线传输将采集到的数据传输到服务器或电脑上进行分析。
3.数据预处理：对采集到的原始数据进行预处理，包括去除噪声、数据滤波、数据校准等处理，以确保数据的准确性和可靠性。
4.特征提取：利用信号处理和机器学习等方法，从实时运动参数中提取时序变化特征，比如频率特征、时域特征、频域特征等。
步骤S104，将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度。其中，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
可选地，本实施例中预设时序深度学习模型中预先记录疲劳度分类标准，疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
本实施例中，可以叠加前期各时间点的用户的时序运动数据，实现对当前运动数据对应的疲劳度的更新。例如，每间隔30秒/1分钟/2分钟，上传一次实时运动参数以及时序变化特征至预设时序深度学习模型，预设时序深度学习模型可以在前一时序运动数据的基础上更新当前时刻的疲劳度，由于用户在运动过程中随着时间进度，其疲劳度是不断变化，因此，需要每间隔一段时间，调整一次用户疲劳度数值。
可选地，在由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，还可以将当前时刻的疲劳度展示在可穿戴设备的显示界面上，并输出运动建议报告。
本实施例可以通过可穿戴设备的显示界面实时显示监测到用户的疲劳度，并输出相应的运动建议报告，让用户实时了解到用户当前的身体疲劳程度以及身体状态，并根据运动建议报告确认是否继续进行相应的运动项目。
通过上述实施例，相对于现有技术大部分基于心率设备进行疲劳度估计，但有心率设备的用户在运动群体中还是少数。本实施例中的算法设计能基于可穿戴设备的定位数据就能计算用户的疲劳水平，指导用户控制合理运动强度。
图2是根据本发明实施例的另一种可选的用于可穿戴设备的疲劳度检测方式的示意图，如图2所示，该疲劳度检测方式包括：
第一模块，输入模块，用于输入用户的基本信息以及实时配速数据。
其中，本实施例中的用户的基本信息可以包括但不限于：身高、体重、年龄、性别；而实时配速数据可以包括：时序数据以及跑步速度数据。
收集线上佩戴设备用户户外跑步心率、HR(心率，HeartRate)、GPS、疲劳度(1-5)估计值作为金标，将线上用户数据划分测试集和验证集。
第二模块，异常数据处理模块。
对数据进行预处理，主要针对GPS中异常突变，GPS信号丢失，HR变化异常等。
第三模块，归一化模块。
在完成数据预处理之后，可以处理过程过得数据进行归一化处理。
第四模块，两层多层感知机MLP。
在模型设计上，用两层MLP实现类似embeding功能(一个简单的两层多层感知机(MLP)可以实现类似嵌入(embedding)功能。嵌入是将离散的类别特征映射到低维的连续空间中，以便进行更好的特征表示和学习。
第五模块，LSTM模型。
MLP输出的特征输入LSTM模型，在时序上进行建模，过LSTM的模型特征输入到分类器上进行分类。
第六模块，分类器。
输出的分类结果同金标(线下采集或者心率估计，通过读文字速度和时间采集标准参数)对比，用FOCAL loss作为目标函数，结果数据分布不均匀问题。
通过上述实施例，可以采用LSTM模型结合两层MLP，建立跑步速度以及跑步时长对身体疲劳程度的累积值模型。在没有心率数据的情况下，模拟出身体的疲劳程度和体能状态。
下面结合另一种可选的实施例来说明本发明。
实施例二
本实施例可以应用于各种以可穿戴设备连接的服务器或者各种移动终端中，本实施例提及的用于智能可穿戴设备的疲劳度检测装置包括的多个实施单元对应于上述实施例一中的各个实施步骤。
图3是根据本发明实施例一种可选的用于智能可穿戴设备的疲劳度检测装置的示意图，如图3所示，该用于智能可穿戴设备的疲劳度检测装置可以包括：接收单元31，模型处理单元32。
其中，接收单元31，用于接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据；
模型处理单元32，用于将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
上述用于智能可穿戴设备的疲劳度检测装置可以通过接收单元31实现接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据；通过模型处理单元32将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。在该实施例中，无需监测用户心率数据，只需要考虑用户的定位参数以及运动速度参数，结合用户的跑动配速以及基础体征信息计算用户的疲劳程度，指导用户运动，从而解决相关技术中在无法测量用户心率数据的情况下，无法得到用户身体的体能状态，导致无法计算用户的疲劳度的技术问题。
可选地，用于智能可穿戴设备的疲劳度检测装置还包括：采集单元，用于在接收可穿戴设备对目标用户采集的实时运动参数之前，采集目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，基础体征信息包括下述至少之一：身高、体重、年龄、性别，运动极限数据为预设历史时间段内目标用户在进行目标运动项目时中检测到的历史极限参数；数据输入单元，用于将基础体征信息以及目标运动项目的运动极限数据输入至预设时序深度学习模型。
可选地，预设时序深度学习模型中预先记录疲劳度分类标准，疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
可选地，用于智能可穿戴设备的疲劳度检测装置还包括：疲劳度展示单元，用于在由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，将当前时刻的疲劳度展示在可穿戴设备的显示界面上，并输出运动建议报告。
可选地，预设时序深度学习模型是预先构建的，在构建预设时序深度学习模型时，用于智能可穿戴设备的疲劳度检测装置包括：获取单元，用于获取N个用户的历史运动数据集以及基础体征信息，其中，历史运动数据集中包括：每类运动项目关联的历史定位数据、历史运动数据、历史心率数据以及录入的历史疲劳度，N为大于1的正整数；划分单元，用于将历史运动数据集以及基础体征信息划分为测试集以及验证集；第一输入模块，用于将测试集输入至初始网络模型，由初始网络模型中的多层感知机对测试集中的数据进行初步解析，得到解耦数据特征；第二输入模块，用于将解耦数据特征输入至初始网络模型中的输入门，由输入门将解耦数据特征引导至记忆单元，通过记忆单元对解耦数据特征中的时序特征以及定位特征进行更新，由初始网络模型的输出门输出历史疲劳度；第三输入模块，用于在测试集全部输入至初始网络模型后，将验证集中各用户的基础体征信息以及历史运动数据输入至初始网络模型，得到初始网络模型输出的疲劳度；确认模块，用于在初始网络模型输出的疲劳度与验证集中的历史疲劳度一致的情况下，确认初始网络模型训练完毕，得到预设时序深度学习模型。
可选地，用于智能可穿戴设备的疲劳度检测装置还包括：预处理单元，用于在获取N个用户的历史运动数据集以及基础体征信息之后，对历史运动数据集以及基础体征信息进行预处理，其中，预处理的策略包括：数据清洗、数据格式转换、异常特征筛选以及数据归一化，异常特征筛选包括：筛选定位数据出现突变，筛选缺失定位数据以及筛选异常心率数据，异常心率数据是指心率值高于预设心率阈值。
可选地，预设时序深度学习模型包括两层MLP多层感知机，每层的多层感知机MLP中引入嵌入策略，采用嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的多层感知机MLP至少包括：输入层，接收实时运动参数以及时序变化特征；隐藏层，与输入层通过神经元进行连接，用于对实时运动参数中定位数据与运动速度数据进行时序关联；输出层，与隐藏层通过神经元进行连接，用于输出解耦数据特征。
可选地，预设时序深度学习模型还包括长短期记忆模型LSTM，长短期记忆模型LSTM包括：输入门，接收多层感知机输出的解耦数据特征；记忆单元，对解耦数据特征中的时序特征以及定位特征进行时序更新，并在更新时序特征以及定位特征后，结合前一时序运动数据得到用户当前的运动变化数据；输出门，输出用户的运动变化数据。
可选地，预设时序深度学习模型还包括分类器，分类器基于用户的运动变化数据与疲劳度分类标准进行对比，得到用户在当前时刻的疲劳度。
所述预设时序深度学习模型包括处理器和存储器，上述接收单元31，模型处理单元32等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来监测用户在进行跑动类运动项目过程中身体的实时疲劳度。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。根据本发明实施例的另一方面，还提供了一种智能可穿戴设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的用于智能可穿戴设备的疲劳度检测方法。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的用于智能可穿戴设备的疲劳度检测方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：接收可穿戴设备对目标用户采集的实时运动参数，并提取实时运动参数中的时序变化特征，其中，实时运动参数中包含至少一组定位数据与运动速度数据；将实时运动参数以及时序变化特征输入至预设时序深度学习模型，由预设时序深度学习模型在前一时序运动数据基础上对时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
根据本发明实施例的另一方面，还提供了一种智能可穿戴设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行所述可执行指令来执行上述任意一项的用于智能可穿戴设备的疲劳度检测方法。
图4是根据本发明实施例的一种用于智能可穿戴设备的疲劳度检测方法的电子设备(或移动设备)的硬件结构框图。如图4所示，电子设备可以包括一个或多个(图中采用402a、402b，……，402n来示出)处理器402(处理器402可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器404。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，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，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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，也可以采用软件功能单元的形式实现。
所述集成的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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种用于智能可穿戴设备的疲劳度检测方法，其特征在于，包括：
接收可穿戴设备对目标用户采集的实时运动参数，并提取所述实时运动参数中的时序变化特征，其中，所述实时运动参数中包含至少一组定位数据与运动速度数据；
将所述实时运动参数以及所述时序变化特征输入至预设时序深度学习模型，由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，所述前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
2.根据权利要求1所述的疲劳度检测方法，其特征在于，在接收可穿戴设备对目标用户采集的实时运动参数之前，还包括：
采集所述目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，所述基础体征信息包括下述至少之一：身高、体重、年龄、性别，所述运动极限数据为预设历史时间段内所述目标用户在进行所述目标运动项目时中检测到的历史极限参数；
将所述基础体征信息以及所述目标运动项目的运动极限数据输入至所述预设时序深度学习模型。
3.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型是预先构建的，在构建所述预设时序深度学习模型时，包括：
获取N个用户的历史运动数据集以及基础体征信息，其中，所述历史运动数据集中包括：每类运动项目关联的历史定位数据、历史运动数据、历史心率数据以及录入的历史疲劳度，N为大于1的正整数；
将所述历史运动数据集以及所述基础体征信息划分为测试集以及验证集；
将所述测试集输入至初始网络模型，由所述初始网络模型中的多层感知机对所述测试集中的数据进行初步解析，得到解耦数据特征；
将所述解耦数据特征输入至所述初始网络模型中的输入门，由所述输入门将所述解耦数据特征引导至记忆单元，通过所述记忆单元对所述解耦数据特征中的时序特征以及定位特征进行更新，由所述初始网络模型的输出门输出历史疲劳度；
在所述测试集全部输入至所述初始网络模型后，将所述验证集中各用户的基础体征信息以及历史运动数据输入至所述初始网络模型，得到所述初始网络模型输出的疲劳度；
在所述初始网络模型输出的疲劳度与所述验证集中的历史疲劳度一致的情况下，确认所述初始网络模型训练完毕，得到所述预设时序深度学习模型。
4.根据权利要求3所述的疲劳度检测方法，其特征在于，在获取N个用户的历史运动数据集以及基础体征信息之后，还包括：
对历史运动数据集以及基础体征信息进行预处理，其中，所述预处理的策略包括：数据清洗、数据格式转换、异常特征筛选以及数据归一化，所述异常特征筛选包括：筛选定位数据出现突变，筛选缺失定位数据以及筛选异常心率数据，所述异常心率数据是指心率值高于预设心率阈值。
5.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型包括两层MLP多层感知机，每层的所述多层感知机MLP中引入嵌入策略，采用所述嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的所述多层感知机MLP至少包括：
输入层，接收所述实时运动参数以及所述时序变化特征；
隐藏层，与所述输入层通过神经元进行连接，用于对所述实时运动参数中定位数据与运动速度数据进行时序关联；
输出层，与所述隐藏层通过神经元进行连接，用于输出解耦数据特征。
6.根据权利要求4所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型还包括长短期记忆模型LSTM，所述长短期记忆模型LSTM包括：
输入门，接收所述多层感知机输出的解耦数据特征；
记忆单元，对所述解耦数据特征中的时序特征以及定位特征进行时序更新，并在更新所述时序特征以及所述定位特征后，结合前一时序运动数据得到用户当前的运动变化数据；
输出门，输出用户的运动变化数据。
7.根据权利要求6所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型还包括分类器，所述分类器基于所述用户的运动变化数据与所述疲劳度分类标准进行对比，得到所述用户在当前时刻的疲劳度。
8.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型中预先记录疲劳度分类标准，所述疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，所述映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
9.根据权利要求1至8中任意一项所述的疲劳度检测方法，其特征在于，在由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，还包括：
将所述当前时刻的疲劳度展示在所述可穿戴设备的显示界面上，并输出运动建议报告。
10.一种用于智能可穿戴设备的疲劳度检测装置，其特征在于，包括：
接收单元，用于接收可穿戴设备对目标用户采集的实时运动参数，并提取所述实时运动参数中的时序变化特征，其中，所述实时运动参数中包含至少一组定位数据与运动速度数据；
模型处理单元，用于将所述实时运动参数以及所述时序变化特征输入至预设时序深度学习模型，由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，所述前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
11.一种智能可穿戴设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至9中任意一项所述的用于智能可穿戴设备的疲劳度检测方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的用于智能可穿戴设备的疲劳度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311871230.0A CN117854725A (zh) | 2023-12-30 | 2023-12-30 | 用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311871230.0A CN117854725A (zh) | 2023-12-30 | 2023-12-30 | 用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117854725A true CN117854725A (zh) | 2024-04-09 |
Family
ID=90541587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311871230.0A Pending CN117854725A (zh) | 2023-12-30 | 2023-12-30 | 用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854725A (zh) |
-
2023
- 2023-12-30 CN CN202311871230.0A patent/CN117854725A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9978425B2 (en) | Method and device for associating frames in a video of an activity of a person with an event | |
| EP3058441B1 (en) | Calculating pace and energy expenditure from athletic movement attributes | |
| US11047706B2 (en) | Pedometer with accelerometer and foot motion distinguishing method | |
| US20230034337A1 (en) | Animal data prediction system | |
| US20170249821A1 (en) | Fall risk assessment device and method | |
| CN106923839A (zh) | 运动辅助装置、运动辅助方法以及记录介质 | |
| CN106445101A (zh) | 识别用户的方法和系统 | |
| EP3566231A1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
| CN110390565A (zh) | 通过ai边缘计算实现智能网关自适应管理的方法及系统 | |
| EP2624171B1 (en) | Method and node for analysing periodic movements | |
| CN116561589B (zh) | 一种基于智能穿戴设备的考勤训练管理方法及系统 | |
| CN108958482A (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| CN106663140A (zh) | 用于检测对象的健康状况的设备、系统和方法 | |
| CN114049048A (zh) | 一种基于体能验估的体能课程优化方法 | |
| US20220192561A1 (en) | Information processing system, information processing method, and information processing apparatus | |
| CN112786185B (zh) | 血压健康状态获取方法、装置和系统 | |
| CN117158955A (zh) | 基于可佩戴监测设备的用户安全智能监测方法 | |
| CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 | |
| CN117854725A (zh) | 用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备 | |
| JP2019109631A (ja) | 情報提供装置及び情報提供システム | |
| Qaisar et al. | A hidden markov model for detection and classification of arm action in cricket using wearable sensors | |
| CN112754457B (zh) | 体脂健康状态获取方法、装置和系统 | |
| Saponaro et al. | Estimating Physical Activity Intensity And Energy Expenditure Using Computer Vision On Videos | |
| US20230169531A1 (en) | Method and apparatus for motion data analysis | |
| US20230172490A1 (en) | System and method for unsupervised monitoring in mobility related disorders |
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 |