CN118072908A - 服务提供方处理设备和用于提供定制的锻炼推荐的方法 - Google Patents

服务提供方处理设备和用于提供定制的锻炼推荐的方法 Download PDF

Info

Publication number
CN118072908A
CN118072908A CN202410188555.7A CN202410188555A CN118072908A CN 118072908 A CN118072908 A CN 118072908A CN 202410188555 A CN202410188555 A CN 202410188555A CN 118072908 A CN118072908 A CN 118072908A
Authority
CN
China
Prior art keywords
exercise
user
information
recommendation
customized
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
Application number
CN202410188555.7A
Other languages
English (en)
Inventor
王莹
R·皮奇福德
S·C·霍尔特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apple Inc
Original Assignee
Apple Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apple Inc filed Critical Apple Inc
Publication of CN118072908A publication Critical patent/CN118072908A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B22/00—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements
    • A63B22/06—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with support elements performing a rotating cycling movement, i.e. a closed path movement
    • A63B22/0605—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with support elements performing a rotating cycling movement, i.e. a closed path movement performing a circular movement, e.g. ergometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B21/00—Exercising apparatus for developing or strengthening the muscles or joints of the body by working against a counterforce, with or without measuring devices
    • A63B21/06—User-manipulated weights
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B22/00—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements
    • A63B22/0076—Rowing machines for conditioning the cardio-vascular system
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B22/00—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements
    • A63B22/06—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with support elements performing a rotating cycling movement, i.e. a closed path movement
    • A63B22/0664—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with support elements performing a rotating cycling movement, i.e. a closed path movement performing an elliptic movement
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A63B2024/0068—Comparison to target or threshold, previous performance or not real time comparison to other individuals
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • A63B2024/0081—Coaching or training aspects related to a group of users
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/40—Acceleration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/803—Motion sensors
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
    • A63B2220/833—Sensors arranged on the exercise apparatus or sports implement
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
    • A63B2225/20—Miscellaneous features of sport apparatus, devices or equipment with means for remote communication, e.g. internet or the like
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
    • A63B2230/06—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations heartbeat rate only

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本文的实施方案提供服务提供方处理设备和用于提供定制的锻炼推荐的方法。利用机器学习算法，可以以一组用户的健身相关信息来训练分类模型。分类模型可被配置为输出用于输入数据(例如，特定用户的健身相关信息)的分类。对应于分类的推荐可被标识并被提供给特定用户。可跟踪用户对所提供的推荐的遵从性和用户进度以确定推荐何时有效地带来所期望的结果(例如，使用户朝目标前进)。系统可确定分类何时已被不准确地确定和/或预期进度数据何时还没有提供用户可用以朝向目标前进的现实路径。因此，分类、推荐和进度路径准确性/有效性可随着时间而不断改进。

Description

服务提供方处理设备和用于提供定制的锻炼推荐的方法
相关专利申请的交叉引用
本申请是国际申请号为PCT/US2018/022206、国际申请日为2018年3月13日、进入中国国家阶段日期为2019年11月27日、中国国家申请号为201880035225.7、发明名称为“服务提供方处理设备和用于提供定制的锻炼推荐的方法”的发明专利申请的分案申请。
本专利申请要求提交于2017年6月16日的美国非临时专利申请序列号15/625,849的权益，该申请的全部公开内容以引用的方式并入本文以用于所有目的。
技术领域
本公开的实施例大体上涉及用于提供定制的锻炼推荐的方法。
背景技术
由于人们将越来越多的时间用于非体力活动，并且随着肥胖症和疾病的比率上升，对许多人而言，现实是需要更多量的体育锻炼。人们往往很难自己培养正确的锻炼，因为相互冲突的信息很普遍。对于那些有经济能力和期望的人，私人训练员或健康教练可以是实现健身目标的优秀资源。然而，与使用私人训练员或健康教练相关联的成本对于许多人来说可能是昂贵的。许多人正转向健康和健身设备来帮助跟踪他们的健康和健身进展。虽然健康和健身设备提供一些反馈，但这些设备不提供会从私人训练员接收到的定制的支持和建议的水平，因为此类设备常常限于处理特定类型的数据(例如，来自板载传感器的反馈、用户输入等)。类似地，锻炼机械诸如健身自行车、举重健身机、跑步机、椭圆机等常常在锻炼会话期间向用户提供锻炼反馈。然而，此类反馈常常是瞬态的或者在常规的健康和健身系统中未充分利用。
发明内容
本公开的实施方案可提供用于提供定制的锻炼相关推荐的系统、方法、和计算机可读介质。
在一些实施方案中，可提供一种用于提供定制的锻炼相关推荐的计算机实现的方法。该方法可包括由服务提供方处理设备标识与多个锻炼机械中的特定锻炼机械的用户交互，该用户交互与用户简档相关联，该多个锻炼机械中的每个锻炼机械包括与该服务提供方处理设备通信的计算设备。该方法可以还包括由服务提供方处理设备获取对应于多个用户简档的锻炼信息，该锻炼信息是从该多个锻炼机械获取的。该方法可以还包括由该服务提供方处理设备基于对应于该多个用户简档的锻炼信息来生成分类模型。该方法可以还包括由服务提供方处理设备接收跟与该特定锻炼机械的用户交互相关联的锻炼量度。该方法可以还包括由服务提供方处理设备基于锻炼量度和用户简档中的至少一者以及分类模型来确定用于该用户简档的锻炼类别。该方法可以还包括由该服务提供方处理设备基于该锻炼类别来标识多个锻炼推荐。该方法可以还包括由服务提供方处理设备基于将锻炼量度与预期进度数据进行比较来从多个锻炼推荐中标识定制的锻炼推荐。该方法可以还包括由服务提供方处理设备向与用户简档相关联的用户设备提供该定制的锻炼推荐。
在一些实施方案中，可提供一种用于提供定制的锻炼相关推荐的系统。该系统可包括各自配置有一个或多个传感器、一个或多个数据网络、一个或多个处理器、以及存储计算机可读指令的一个或多个存储器的多个锻炼机械。(由该一个或多个处理器)执行指令可导致该系统在锻炼机械处至少收集用于多个用户健身会话的锻炼信息，其中该锻炼信息包括健身持续时间、健身级别、或所执行重复的次数。执行该指令可以还导致该系统标识多个用户健身会话中的第一用户健身会话。执行该指令可以还导致该系统标识对应于第一用户健身会话的第一用户信息。执行该指令可以还导致该系统访问所收集的锻炼信息。执行该指令可以还导致该系统基于该第一用户信息和所收集的锻炼信息来标识多个锻炼推荐。执行该指令可以还导致该系统基于该第一用户信息以及所收集的锻炼信息和预期进度数据之间的比较来从多个推荐中确定定制的锻炼推荐。执行该指令可以还导致该系统呈现该定制的锻炼推荐。
在一些实施方案中，可提供一种计算机可读介质。该计算机可读介质可包括在被处理器执行时使处理器执行操作的计算机可执行指令。该操作可包括获取用于确定第一用户锻炼类别的分类模型，该分类模型是基于多个用户健身会话的所收集锻炼信息而预先生成的。该操作可以还包括标识第一用户简档信息。该操作可以还包括接收与锻炼机械相关的第一用户锻炼信息。该操作可以还包括基于该第一用户锻炼类别来标识多个锻炼推荐。该操作可以还包括基于该第一用户锻炼信息与预期进度数据的比较来从该多个锻炼推荐中确定定制的锻炼推荐。该操作可以还包括提供该定制的锻炼推荐。
以下具体实施方式连同附图将提供对本公开的实质和优点的更好的理解。
附图说明
将参考附图来描述根据本公开的各种实施方案，其中：
图1是示出根据至少一个实施方案的用于提供定制的锻炼相关推荐的示例流程的简化框图。
图2是示出根据至少一个实施方案的用于维护用于提供定制的锻炼相关推荐的机器学习模型的示例流程的简化框图。
图3是示出根据至少一个实施方案的用于提供多个定制的锻炼相关推荐的示例流程的简化框图。
图4是示出根据至少一个实施方案的用于实施锻炼推荐引擎的示例系统的简化框图。
图5是示出根据至少一个实施方案的用于实施本文所述锻炼推荐引擎的示例计算机架构的简化框图。
图6是示出根据至少一个示例的用于利用本文所述的锻炼推荐引擎提供定制的锻炼相关推荐的示例过程的简化流程图。
图7是示出根据至少一个示例的用于利用本文所述的锻炼推荐引擎提供定制的锻炼相关推荐的另一示例过程的另一简化流程图。
图8是示出根据至少一个示例的用于利用本文所述的锻炼推荐引擎提供定制的锻炼相关推荐的又一示例过程的又一简化流程图。
具体实施方式
本公开的某些实施方案涉及用于提供定制的锻炼相关推荐(例如，针对特定个体定制的推荐)的设备、计算机可读介质、系统和方法。虽然本文的示例可能具体地关注于锻炼相关推荐，但应当理解，类似的技术可被用于提供其他类型的定制推荐，包括但不限于健康和健身相关推荐(例如，“饮用更多水”、“摄取更多蛋白质”、“保证更多睡眠”、“降低糖摄取”等)或任何其他类型的推荐。“锻炼推荐”可包括与锻炼相关的任何合适的建议(例如，用户所使用锻炼机械类型的改变和/或用户使用特定锻炼机械的方式)。以举例的方式，锻炼推荐可建议改变锻炼机械的速度、重量、重复、形式、类型，或与用户对一个或多个锻炼机械的使用相关的任何合适的特性。锻炼机械可以是适于在锻炼中使用的任何合适的电子或非电子设备、设备组合、或器具。锻炼机械的示例包括固定机械、举重健身机、健身球、张力绳等。在至少一些示例中，锻炼机械可包括一个或多个传感器(例如，加速度计、陀螺仪、相机、血压传感器、氧传感器、心率传感器、温度计等)(或以其他方式与其通信)。
应当理解，本文所讨论的任何信息可以在用户已同意收集和/或利用此类信息的情况下被收集。可以为用户提供机会来决定加入和/或决定退出下文所讨论的服务。所收集和/或所利用的任何信息可被安全地保持，并且不可与其他方分享。用户可在任何合适的时间选择决定退出本文所讨论的服务。
一般来讲，通过利用本文所讨论的技术，锻炼推荐引擎可向用户提供定制的锻炼相关推荐。虽然常规系统可提供一般性推荐，但此类系统在确定要提供给特定用户的具体推荐时不收集和/或利用与其他用户相关的数据。本文所讨论的技术利用与一组用户/用户简档相关的特定输入(例如，包括锻炼信息、生命体征信息和/或用户简档信息的健身相关信息)来训练分类模型。一旦被训练，就可向分类模型提供输入数据(例如，单个用户的健身相关信息)。该分类模型可生成至少指示用于输入数据的分类的输出。对应于该分类的推荐可被标识并被提供给用户。通过对输入数据进行分类以及将所述分类匹配到推荐，所提供的推荐更可能适用于该用户和/或更有效地实现所期望的结果(例如，用户满足用户定义的、系统定义的和/或预定义的健身目标)。
此外，可跟踪对推荐的用户遵从性，使得随着时间，系统可学习以：1)更准确地对输入数据进行分类，2)提供越来越有效的推荐来使用户朝向用户定义的和/或系统定义的健身目标前进，和/或3)调节预期进度数据以提供用户预期用以朝向健身目标前进的越来越现实的进度路径。例如，系统可能确定先前提供的推荐还没有产生所期望的结果(例如，在阈值数量的时间上)。在一些实施方案中，系统可利用更新近的数据重新训练分类引擎、调节预期进度数据、和/或调节什么推荐被提供(例如，通过调节与推荐相关联的分类)、或以上各项的任意合适组合。因此，系统可随时间而调节，使得可改善分类、推荐和进度路径准确性/有效性。
以举例的方式，对应于一组用户的锻炼信息可被收集以及被用于提供针对特定用户定制的锻炼相关推荐。(例如，在用户的健身会话期间收集的)锻炼信息可包括能从附接到锻炼机械或用户设备(例如，身体佩戴的设备、手机等)或以其他方式与其通信的一个或多个传感器(例如，加速度计、陀螺仪、相机等)获取的任何合适的数据。除此之外或另选地，锻炼信息可包括机械标识数据(例如，机械标识符)、或与锻炼机械相关的任何合适的信息和/或对应于在锻炼机械处执行的锻炼的测量。用户的健身会话可包括在一段时间(例如，1小时、3小时、1天、2个月、5年等)期间来自一个或多个锻炼机械的锻炼信息。锻炼信息可用于确定多种量度，诸如速度、举提重量的量、与锻炼机械的一部分相关联的运动范围、与锻炼机械和/或用户的一个或多个部分相关联的抖动量、所执行重复的次数等。总体来讲，与一组用户相关联的锻炼信息可用于为已注册和未注册的用户提供定制的推荐，如将在下文更详细地讨论。
在一些实施方案中，可在注册过程期间或在任何合适的时间收集用户简档信息。用户简档信息可作为用户输入被接收，并且可包括与用户相关联的任何合适的信息，包括但不限于身体特征(体重、身高、体型、生理缺陷、膳食/营养考虑、一般活动水平(例如，不爱活动、活跃)等)、人口统计信息(例如，年龄、性别等)、医疗信息(例如、医学诊断、目前服用的药物、此类药物的剂量、对特定疾病/失调的基因素因等)、目标信息(例如，标识一个或多个健身目标诸如跑全程马拉松、构建特定肌肉组的强度、物理治疗目标、跑5K、能够连续跑30分钟、6分钟内跑一英里等)等等。
在一些实施方案中，健身目标可与和体重减轻(一般性地，或特定量)、强度训练(一般性地，或对于特定肌肉组和/或身体部位)、体能提升(一般性地，或如所期望的特定速度/持续时间/距离所指示)、一般和/或特定健康问题(诸如心血管改善、疾病预防、物理治疗等)相关的改善相关联。用户简档信息可以还包括用户设备(例如，计步器、加速度计)所收集的指示一般活动水平的量度。总体来讲，一组用户的用户简档信息可用于为已注册和未注册的用户提供定制的推荐，如将在下文更详细地讨论。
在另外的示例中，可接收和存储生命体征信息。该生命体征信息可由被配置为测量用户的生命体征(例如，心率、血氧水平、血压、体温等)的任何合适的传感器收集。在一些实施方案中，用于测量生命体征的一个或多个传感器可附接到用户设备和/或锻炼机械。总体来讲，与一组用户中的个体相关联的生命体征信息可用于为已注册和未注册的用户提供定制的推荐，如将在下文更详细地讨论。
在至少一个实施方案中，用户可以基于关于该用户已知的信息(例如，锻炼信息、用户简档信息、生命体征信息，在本文中统称为“健身相关信息”)的任何合适组合而被分类为特定类型的用户(例如，与锻炼类别和/或一个或多个子类别相关联)。作为非限制性示例，可通过将与用户相关联的健身相关信息与和其他已知用户相关联的健身相关信息进行比较来为用户确定锻炼类别/子类别。一旦用户与一个或多个锻炼类别/子类别相关联，定制的锻炼相关推荐就可被标识并提供给用户。可通过匹配或确定用户的锻炼类别/子类别与和先前存储的锻炼相关推荐相关联的锻炼类别/子类别之间的关系来标识所提供的锻炼相关推荐。因此，该系统可利用与其他用户相关联的健身相关信息以及与此类用户相关联的分类来对已知/未知用户进行分类，以便标识可能适用于该用户的特定推荐。
在一些实施方案中，可生成和维护用于对用户和/或与用户相关联的输入数据(例如，健身相关信息)进行分类的分类模型。“分类模型”可以是指基于类别成员已知的历史数据的训练集对输入数据进行分类的机器学习技术。分类模型可利用任何合适的监督式机器学习技术诸如逻辑回归算法来将实值输出(例如，一个或多个锻炼类别和/或子类别)分配给每个输入(例如，与用户相关联的健身相关信息)。该系统可被配置为保持训练数据，诸如分类(例如，锻炼类别和/或子类别)已知的历史健身相关信息。在一些情况下，此类分类可手动分配并被存储为与分类所属的健身相关信息的关联。
在至少一个实施方案中，分类模型可利用任何合适的无监督机器学习技术诸如聚类分析算法(例如，k平均等)来标识彼此相似的用户。执行聚类分析算法可导致一组对象(例如，用户、健身相关信息)以同一分组(被称为“群集”)的对象与其他分组(群集)的用户相比彼此之间更相似的方式被分组。在非限制性示例中，聚类分析可用于对先前未分类的历史数据进行分类，其中用户/健身相关信息被聚类到合适数量的群集中，并且每个群集被分配一个分类。然后，可将所分配的分类用作训练数据来以监督式机器学习算法训练分类模型。后续健身相关信息可被添加到训练数据集，并且分类模型可在任何合适的时间在新的训练数据集上重新训练。
在至少一个实施方案中，预期进度数据可由系统保持并用于提供定制的锻炼相关推荐。预期进度数据可标识任何合适数量的分类类别(例如，一个或多个锻炼类别)和/或子类别(例如，一个或多个锻炼级别)。以举例的方式，锻炼类别举例来说可指示用户是业余举重者、老年人、青少年、高级跑步者和/或超重人员。应当理解，锻炼类别/子类别可以不同，并且特定锻炼类别/子类别对于本领域的技术人员会是能辨识的。在一些实施方案中，用户可与不止一个锻炼类别相关联。此外，用户可与一个或多个子类别相关联。以举例的方式，“业余举重者”锻炼类别可与分类类别的子类别(例如，级别1、级别2、级别3等)相关联。在一些情况下，这些子类别可彼此不同，使得用户可一次仅与一个子类别相关联。
在一些实施方案中，预期进度数据可限定类别之间、子类别之间、和/或类别和子类别之间的关系。预期进度数据可以还与一个或多个健身目标相关联。例如，预期进度数据可限定进度路径，进度路径限定用户应当用以前进的类别和/或子类别的系列/序列。在一些实施方案中，进度路径可指定与进度路径中每个类别/子类别相关联的时间段(例如，级别1两周、级别3三周等等)或与整个进度路径相关联的时间段(例如，从设定目标到实现目标2个月)。
以举例的方式，用户可被分类为级别1的业余举重者。级别1的业余举重者可用于分类满足与业余举重者类别和业余举重者类别的级别1子类别相关联的某些特性的人。例如，被归类为级别1业余举重者的人可与指示与举重相关的健身目标的用户简档信息相关联。所述人员可与指示用户能举起高达一重量量(例如，5磅、或更少)、在一组中举起多达特定数量的举抬(例如，最多10次举抬、5次举抬等)、以及能重复组数多达特定数量组(例如，举抬分组)、或前述各项的任何合适组合的锻炼信息相关联。在一些示例中，预期进度数据可标识用户达到与特定目标相关联的类别和/或子类别的进度路径、或标识特定改进程度(例如，在特定时间段内级别和/或类别的提高)的进度路径。应当理解，健身目标不必由用户来标识，在一些实施方案中，可标识通常使用户在一个或多个特征(例如，用户体重、体能、强度、血氧水平、血压水平、睡眠模式、饮食变化、不健康行为(例如，吸烟)等)方面朝更好的健康/体质发展的进展路径。
推荐可根据用户的锻炼类别/子类别和各个推荐的类别/子类别来标识以及提供给用户(例如，呈现在用户设备或锻炼机械上)。在一些情况下，所标识的特定推荐可与在进度数据中被标识为适合与特定锻炼类别/子类别相关联的用户的类别/子类别相关联。
在至少一个实施方案中，可保持推荐(例如，锻炼相关推荐)的数据库。在一些示例中，可手动生成和存储推荐。除此之外或另选地，可根据预期进度数据生成推荐。如上所述，锻炼相关推荐可至少向用户指示用户所使用锻炼机械类型的改变和/或用户使用特定锻炼机械的方式。以举例的方式，推荐可建议用户在当前使用的锻炼机械上加快或减慢速度。另一推荐可建议用户使用与当前正在使用的锻炼机械不同的锻炼机械。再另一推荐可建议用户增加或减少重量和/或重复。本领域的技术人员可确定所提供的推荐的内容。在一些实施方案中，推荐可与类别、子类别、健身目标、或前述各项的任何合适组合相关联。
在一些实施方案中，可跟踪用户的进度和/或所提供推荐的有效性。一旦向用户提供了定制的锻炼相关推荐，就可跟踪用户的健身相关信息(例如，锻炼信息、用户简档信息、和生命体征信息)以确定用户是否执行了与所提供推荐相关联的动作。以举例的方式，如果向用户提供了建议在跑步机上加快速度的定制的锻炼相关推荐，则可分析与用户相关联的锻炼信息(例如，由附接到跑步机的传感器收集)以确定用户确实(或没有)如建议的那样加快跑步机的速度。根据用户是否执行所建议的动作，然后后续锻炼信息可被分析并归因于所提供的推荐。在一些情况下，如果用户被标识为已执行所建议的动作，则锻炼信息可仅归因于所提供的推荐。
在一些实施方案中，系统可分析与用户相关联的后续健身相关信息(例如，归因于推荐的健身相关信息)，以确定该推荐导致用户在所确定的进度路径的某个阈值内或在一些情况下一般性地朝向健身目标前进。以举例的方式，根据所标识的与用户相关联的进度路径，用户应当在下个月内能够以特定速度(例如，3.5英里/小时)跑特定持续时间(例如，30分钟)，用户的锻炼信息可被跟踪以确定用户正根据所确定的进度路径朝那个能力前进。基于确定用户正根据所标识的进度路径前进，系统可将该推荐标识为已有效的推荐。在一些实施方案中，可为推荐分配指示有效性程度的标签、分数等。因此，在向其他用户提供推荐时，可利用推荐分数/标签来为那些用户标识有效(或最有效)推荐。
图1是示出根据至少一个实施方案的用于提供定制的锻炼相关推荐(例如，定制的锻炼相关推荐102)的示例流程100的简化框图。在104处，可针对一组用户(例如，用户106)收集锻炼信息。在一些示例中，针对用户106收集的锻炼信息可被存储在锻炼信息数据存储库108中，该锻炼信息数据存储库108为被配置用于存储此类信息的数据存储库。在104处所收集的锻炼信息可包括由附接到锻炼机械、用户设备等的传感器收集的任何合适的信息。锻炼机械可包括任何健身相关机械，诸如但不限于跑步机、椭圆机、重量训练机械、划船机、健身自行车、或可供用户用于锻炼目的的任何合适的对象(电动或其他)。锻炼机械110(例如，图示健身自行车)是锻炼机械的示例。
在112处，可标识该组中的用户(例如，用户114)正在与锻炼机械110交互。在一些实施方案中，锻炼机械110可附接到一个或多个传感器(例如，加速度计、陀螺仪、心率监测器、氧传感器等)，诸如传感器116。传感器116或附接到锻炼机械110的任何传感器可用于标识用户何时正在与机械交互。在一些实施方案中，传感器116可被配置为经由任何合适的网络根据任何合适的通信协议发射和接收信息。以举例的方式，传感器116可被配置为经由互联网、经由蓝牙(低功耗)协议、经由文本消息协议等进行通信。
在至少一个实施方案中，锻炼机械110可被配置有可被用户用来在锻炼机械110处输入标识信息(例如，用户名或其他合适的用户标识符)的输入设备(例如，触摸板、键盘、鼠标等)。在其他实施方案中，用户可携带可被配置为与锻炼机械110(或附接到锻炼机械110的传感器)通信的用户设备(例如，手机、健身手表等)诸如用户设备118。锻炼机械110与用户设备118之间的通信可使得能够实现这两个设备之间的标识。因此，锻炼机械110可提供机械标识符给用户设备118，并且/或者用户设备118可提供用户标识符和/或设备标识符给锻炼机械110。
在一些实施方案中，标识用户114正在与锻炼机械110交互可包括标识在锻炼机械110使用时，与用户114相关联的设备在与锻炼机械112相距阈值距离(或相对于其他用户的其他设备最短的距离)内。在一些实施方案中，标识用户114正在与锻炼机械112交互可包括确定用户标识符已在锻炼机械112的输入设备处被输入。在另外的实施方案中，标识用户114正在与锻炼机械112交互可包括标识与用户114相关联的设备在阈值时间段上在与锻炼机械110相距阈值距离内。
在120处，可基于所收集的与用户106相关联的锻炼信息为用户114生成定制的锻炼相关推荐。以举例的方式，系统可确定用户114在某个方面与用户106(或某个子集的用户106)类似。在一些实施方案中，可标识提供给用户106的推荐。除此之外或另选地，可标识与对应于用户114(和用户106)的锻炼类别和/或子类别相关联的推荐。
在122处，定制的锻炼相关推荐102可被提供给用户114(例如，经由用户设备118的部件、经由锻炼机械110的部件等)。在一些实施方案中，定制的锻炼相关推荐102可选自所标识的与用户106和/或与用户106相关联的类别相关联的推荐。定制的锻炼相关推荐102可根据推荐分数(指示与推荐相关联的有效性程度)和/或基于与用户114相关联的锻炼信息和/或用户简档信息而从所标识的推荐中选择。
图2是示出根据至少一个实施方案的用于维持用于提供定制的锻炼相关推荐(例如，定制的锻炼相关推荐204)的机器学习模型202的示例流程200的简化框图。在206处，可从所收集的与一组用户(例如，图1的用户106)相关联的健身相关信息生成模型(例如，机器学习模型202，分类模型的示例)。所收集的信息可包括与用户106相关联的健身相关信息(例如，锻炼信息、生命体征信息和/或用户简档信息)的任何合适组合。在一些实施方案中，所收集的与用户106相关联的锻炼信息可被存储在锻炼信息数据存储库208(例如图1的锻炼信息数据存储库108)，即被配置用于存储此类信息的数据存储库中。类似地，所收集的与用户106相关联的生命体征信息和/或用户简档信息可被存储在用户简档数据存储库210中，可能被存储在用户简档记录内。在一些情况下，所有健身相关信息(包括锻炼信息)可被存储在用户简档数据存储库210内的用户简档中。
在一些实施方案中，机器学习模型202可用于将用户(例如，用户214)分类为与特定锻炼类别相关联。机器学习模型202可被生成以基于类别成员已知的历史数据(用户106的历史健身相关信息)的训练集对输入数据(所接收的健身相关信息，诸如锻炼信息)进行分类。
在212处，可(例如，从锻炼机械216)接收与用户214相关联的锻炼信息。在212处所接收的锻炼信息可包括由附接到锻炼机械216、用户设备(例如，用户设备220)等的传感器218收集的任何合适的锻炼信息。尽管被图示为跑步机，但是锻炼机械216可包括任何健身相关机械，诸如但不限于跑步机、椭圆机、重量训练机械、划船机、健身自行车、或可供用户用于锻炼目的的任何合适的机械(电动或其他)。
在222处，定制的锻炼相关推荐204可被提供给用户214(例如，经由用户设备220)。在一些实施方案中，定制的锻炼相关推荐204可利用机器学习模型202和在212处接收的锻炼信息来标识。以举例的方式，在212处接收的锻炼信息可用作机器学习模型202的输入数据。机器学习模型202可被配置为将锻炼信息分类为属于特定锻炼类别。然后，用户214可与该锻炼类别相关联。可标识与和输入数据相同的锻炼类别相关联的候选推荐，并且可从所标识的候选推荐中选择定制的锻炼相关推荐204。
在224处，可确定对定制的锻炼相关推荐的用户遵从性。以举例的方式，可接收与用户214相关联的后续锻炼信息。后续锻炼信息可与锻炼机械216相关，或者后续锻炼信息可与另一锻炼机械相关。可分析后续锻炼信息以确定用户214是否遵从定制的锻炼相关推荐204。如果确定用户214确实遵从定制的锻炼相关推荐204，则可调节与定制的锻炼相关推荐204相关联的分数(例如，提高以指示定制的锻炼相关推荐204已在至少一个用例中有效)。在一些实施方案中，后续锻炼信息可被存储在锻炼信息数据存储库208中。
在226处，可更新机器学习模型202。在一些实施方案中，所收集的健身相关信息(例如，包含在锻炼信息数据存储库208中的锻炼信息和/或包含在用户简档信息数据存储库210中的生命体征/用户简档信息)可用于重新训练机器学习模型202，以便提高模型在对未来用户和/或健身相关信息进行分类方面的准确性。
图3是示出根据至少一个实施方案的用于提供多个定制的锻炼相关推荐(例如，图1的定制的锻炼相关推荐102和/或图2的定制的锻炼相关推荐204)的示例流程300的简化框图。应当理解，流程300旨在仅用于说明目的并且不旨在限制本公开的范围。尽管在图3中图示了特定数量的事件，但可发生任何合适数量的事件。另外，图3中所示事件的任何合适的组合或不同事件的某种组合可在本文所讨论的任何示例中使用。下文描述的事件的顺序可以任何合适的顺序发生，但不一定在所描绘的时间和/或顺序发生。在图3的示例中，时间T1–T13是指按顺序次序发生的时间，其中时间T2发生在时间T1，之后，时间T3发生在时间T2，之后，以此类推。
在时间T1处，可针对一组用户(例如，用户106或另一组用户)收集健身相关信息(例如，锻炼信息、生命体征信息、用户简档信息等)。健身相关信息可与任何合适数量和/或类型的锻炼机械(例如，图1的锻炼机械110和/或图2的锻炼机械216)相关联。
在时间T2处，作为本文所讨论的锻炼推荐引擎所提供的注册过程的一部分，用户(例如，用户302)可向系统注册用户简档信息。在一些实施方案中，用户简档信息可由用户302利用用户设备304输入。用户设备304可被配置为执行或以其他方式管理用于收集和显示用户简档信息、生命体征信息、锻炼信息或与用户相关联的任何合适信息的应用程序和/或指令。用户设备304可在用户设备304的部件处提供的用户接口(例如，触摸显示器、麦克风、鼠标、或与用户设备304通信的任何合适的输入/输出(I/O)设备)处接收来自用户的输入。同样，可经由用户设备304(例如，在显示器上、听觉地，通过触觉反馈(例如，振动)等)向用户提供输出(例如，定制的锻炼相关推荐、反馈信息、锻炼信息、用户简档信息、生命体征信息等)。
在时间T3处，可利用先前生成的分类模型(例如，图2的机器学习模型202)对用户302和/或与用户302相关联的用户简档信息进行分类。以举例的方式，用户302在时间T2提供的用户简档信息可用作先前生成的分类模型中的输入数据，以便为该用户和/或输入数据标识特定类别(例如，锻炼类别，诸如“有氧运动用户”)。在一些示例中，先前生成的分类模型可被配置(例如，利用与其他用户相关联的历史用户简档信息和/或与其他用户相关联的锻炼信息进行训练)为标识用户简档信息的一个或多个子类别(例如，级别1、级别2、“业余”、“中间”等)。仅以举例的方式，用户302可提供指示用户已自标识其能够以每小时1英里的速度跑步最多1分钟的用户简档信息。先前生成的分类模型可利用此类信息作为输入来将用户和/或用户简档信息分类为指示特定锻炼类别(例如，有氧运动用户)，并且在一些情况下，指示特定子类别(例如，级别3)。
在时间T4处，用户302可与锻炼机械(例如，锻炼机械308)交互。系统可基于用户设备304(或另一用户设备诸如用户设备306，身体佩戴设备)和锻炼机械308之间的距离来检测所述交互。在一些实施方案中，用户设备304和/或用户设备306可与锻炼机械308交换和/或提供标识信息(例如，设备标识信息)。除此之外或另选地，用户设备304和/或用户设备306可提供用户标识信息(例如，用户名、姓名、或任何合适的用户标识符)给锻炼机械308。在至少一个实施方案中，用户设备304/306和/或锻炼机械308可被配置为提供所接收的标识信息(例如，设备和/或用户)给本文所述的锻炼推荐引擎。所接收的用户和/或设备标识信息可用于确定用户302正在与锻炼机械308交互。
在至少一个实施方案中，确定用户302正在与锻炼机械308交互可包括确定在锻炼机械308使用时，用户设备304/306在与锻炼机械308相距阈值距离(或相对于其他用户的其他设备最短的距离)内。在一些实施方案中，确定用户302正在与锻炼机械308交互可包括确定用户设备304/306的运动与操作锻炼机械308所需的运动或当前正以锻炼机械308执行的运动相似(在阈值相似程度内)。在一些实施方案中，标识用户302正在与锻炼机械308交互可包括确定用户标识符已在锻炼机械308的输入设备处被输入。在另外的实施方案中，标识用户302正在与锻炼机械308交互可包括标识与用户302相关联的设备(例如，用户设备304和/或用户设备306)在阈值时间段上在与锻炼机械308相距阈值距离内。
在时间T5，可接收健身相关信息。在一些示例中，健身相关信息可包括生命体征信息(例如，心率信息、血氧水平、血压、或任何合适的传感器数据，诸如由相机、心率监测器、氧气传感器、血压传感器等收集的数据)和/或与用户302相关联(或与用户302的用户简档相关联)的锻炼信息。在一些实施方案中，生命体征信息可由用户设备306收集和发射。除此之外或另选地，生命体征信息可由锻炼机械308收集和发射。此外，用户302的锻炼信息可由锻炼机械308和/或用户设备306收集和发射。
在至少一个示例中，所接收的健身相关信息(生命体征信息和/或锻炼信息)可用作机器学习模型的输入，以便提供用以对用户302进行分类的进一步输入。以举例的方式，尽管用户在时间T3与锻炼类别“有氧运动用户”和子类别“级别3”相关联，但(例如，从用户设备306接收的)生命体征信息连同(例如，从锻炼机械308接收的)锻炼信息可指示用户喘不上气和/或其心率超过在锻炼信息的给定特定特征的情况下的阈值(例如，指示用户在给定特定阻力的情况下以某种速度操纵锻炼机械308)。可能的情况是，在进行锻炼时，级别3用户通常不表现出此类生命体征信息。因此，用户的锻炼类别和/或子类别可根据机器学习模型所提供的输出来调节。以举例的方式，机器学习模型所提供的输出可指示用户相反应当以子类别“级别1”与锻炼类别“有氧运动用户”相关联。在该上下文中，级别1可指示与基于有氧运动的锻炼相关的能力的集合和/或程度，其可不同于与级别3用户可以能够执行的基于有氧运动的锻炼相关的能力的集合和/或程度。
在时间T6，可向用户302提供定制的锻炼相关推荐(例如，推荐1)。在一些示例中，推荐1可经由用户设备(例如，用户设备304和/或用户设备306)经由用于电子通信的任何合适方法(例如，推送通知、电子邮件、文本、音频警报、文本输出等)提供给用户302。
在一些实施方案中，预期进度数据可用于从一组候选推荐中标识推荐1。预期进度数据可标识限定类别和/或子类别的任何合适组合之间的关系的方案集(例如，规则)。以举例的方式，预期进度数据可确定(与锻炼类别“有氧运动用户”和子类别“级别1”相关联的)的用户302的进度路径。以举例的方式，可为用户302确定的进度路径可标识用户302具有指示用户具有特定心血管相关目标的用户简档信息。出于该示例的目的，心血管目标可指示用户最终希望能够在6分钟内跑1英里。心血管目标可对应于锻炼类别(例如，“有氧运动用户”)和子类别(例如，级别10)。因此，预期进度数据可用于标识指示用户302可实现的可最终导致实现其心血管目标的进展的进度路径(例如，子类别和/或类别的序列)。
应当理解，健身目标不必是用于标识进度路径的因素。即，在一些实施方案中，可标识一般性地使用户在一个或多个特征(例如，用户体重、体能、强度、血氧水平、血压水平、睡眠模式、饮食变化、不健康行为(例如，吸烟)等)方面朝更好的健康/体质、而不是向特定健身目标发展的进展路径。
应当理解，在一些实施方案中，用户302的进度路径可标识特定程度的改进(例如，在特定时间段内级别和/或类别的提升)。例如，进度路径可指示用户302应当在一周、一月、一年或任何合适的时间段内与下一子类别相关联。
在至少一个实施方案中，推荐1可以是作为推荐(例如，锻炼相关推荐)数据库的一部分被保持的一组候选推荐中的一个候选推荐。如上所述，推荐可向用户302指示用户所使用锻炼机械类型的改变和/或用户使用特定锻炼机械的方式。以举例的方式，推荐1可建议用户302加快锻炼机械308的速度。另一推荐可建议用户使用与当前正在使用的锻炼机械不同的锻炼机械。在另外的示例中，推荐1可建议用户继续当前正在执行的锻炼持续附加时间段(例如，十分钟)。
在至少一个实施方案中，推荐1(以及本文所述的推荐中的每一者)可与类别(例如，锻炼类别)、子类别(例如，初级、中级、高级、专家级等)和/或健身目标相关联。因此，在一些实施方案中，可基于确定进度路径指示应当为用户提供与特定类别和/或子类别相关联的推荐来为用户2标识推荐1。推荐1的类别和/或子类别可与用户302当前相关联的类别和/或子类别相同或不同。
在时间T7，可接收附加的健身相关信息(例如，与用户302相关联的生命体征信息、用户简档信息和/或锻炼信息)。时间T5和T7可在同一锻炼会话(例如健身会话)内发生，或者时间T7可在用户302的后续锻炼会话期间发生。附加的健身相关信息可用作机器学习模型的输入，以便提供用以对用户302进行分类的进一步输入。在时间T8，可基于在时间T7接收的信息来调节或保持锻炼类别和/或子类别。在一些实施方案中，可响应于确定该健身相关信息(和/或其他所收集的健身相关信息)指示进度数据(或从进度数据确定的进度路径)限定相对少数量和/或百分比的用户能够保持的进度而调节进度数据。因此，通过随时间推移跟踪和分析健身相关信息，系统可调节进度数据，使得可提供更现实地限定预期进展的进度路径。
在时间T9，推荐2(例如，作为推荐数据库的一部分被保持的一组候选推荐中的一者)可被提供给用户302(例如，经由用户设备306)。推荐2可建议用户302增大与锻炼机械308相关联的阻力。在一些实施方案中，用户302可接受该推荐并手动修改锻炼机械308的设置。在其他示例中，可经由用户设备306指示对推荐2的接受，并且可自动更新锻炼机械308的设置(例如，通过向锻炼机械302传输更新的设置信息(例如，速度、倾斜、阻力、重量))。除此之外或另选地，推荐2可建议用户使用与当前正在使用的锻炼机械不同的锻炼机械诸如锻炼机械310。在另外的示例中，推荐2可建议用户继续当前正在执行的锻炼持续附加时间段(例如，十分钟)。
在时间T10，用户302可与锻炼机械310交互。该交互可由系统以与上文所建议类似的方式进行检测。可接收对应于用户302和/或锻炼机械310的健身相关信息。该健身相关信息可用作机器学习模型的输入，以便提供用以对用户302进行分类的进一步输入。在时间T11，可基于在时间T10接收的信息来调节或保持锻炼类别和/或子类别。应当理解，以上所接收的合适信息中的任意者可用于更新(例如，重新训练)机器学习模型。
在时间T12，用户312可与锻炼机械(例如，锻炼机械314)交互。该交互可由系统以与上文针对检测用户与锻炼机械之间的交互所建议类似的方式来检测。可接收对应于用户312和/或锻炼机械314的健身相关信息。此类信息可用作更新机器学习模型的输入，以便提供用以对用户312进行分类的输入。因此，机器学习模型可利用与用户302相关联的健身相关信息来对用户312进行分类。
在时间T13，可经由与用户312相关联的用户设备(例如，用户设备316)向用户312提供推荐3。与上文针对标识用于用户302的推荐所述相比，可利用类似的技术以类似的方式来标识推荐3。
图4是示出根据至少一个实施方案的用于实施锻炼推荐引擎470的示例系统400的简化框图。应当理解，锻炼推荐引擎470可包括用于导致处理器实现本文所讨论的任何示例的可执行代码。在一些示例中，一个或多个用户设备404(1)-404(N)(例如，用户设备118、220、304、306和316)(统称为用户设备404)可各自被配置为执行或以其他方式管理用于收集和/或呈现信息的应用程序(例如，应用程序406)或指令。一个或多个用户设备404可在用户接口处(例如，经由I/O设备408)收集来自用户的输入。该一个或多个用户设备404可以还经由此类用户接口来提供输出。一个或多个I/O设备408可包括但不限于触摸输入设备、键盘、鼠标、笔、语音输入设备、显示器、扬声器、打印机等。
一个或多个用户设备404可为任何类型的计算设备，诸如但不限于移动电话(例如，智能电话)、平板电脑、个人数字助理(PDA)、膝上型计算机、台式计算机、瘦客户端设备、智能手表、无线耳机等。在一种例示性配置中，一个或多个用户设备404可包括至少一个存储器412和一个或多个处理单元(或一个或多个处理器)414。该一个或多个处理器414可视情况而在硬件、计算机可执行指令、或它们的组合中实现。该一个或多个处理器414的计算机可执行指令或固件具体实施可包括以任何合适的编程语言编写的用于执行所述的各种功能的计算机可执行指令或机器可执行指令。
存储器412可存储能够在该一个或多个处理器414上加载和执行的程序指令以及在执行这些程序过程中所生成的数据。根据一个或多个用户设备404的配置和类型不同，存储器412可为易失性存储器(诸如随机存取存储器(RAM))和/或非易失性存储器(诸如只读存储器(ROM)、闪存存储器等)。在一些具体实施中，存储器412可包括多种不同类型的存储器，诸如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)或ROM。虽然本文所述的易失性存储器可以被称为RAM，但是从主机和/或电源拔下后将不会保留其中所存储的数据的任何易失性存储器都是适当的。
存储器412可以是非暂态计算机可读存储介质的示例。例如，非暂态计算机可读存储介质可包括易失性或非易失性、可移除或不可移除介质，其通过任何方法或技术实现为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。存储器412可以是非暂态计算机存储介质的示例。可存在于一个或多个用户设备404中的其他类型的计算机存储介质可包括但不限于：相变RAM(PRAM)、SRAM、DRAM、RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪存存储器或其他存储器技术、光盘只读存储器(CD-ROM)、数字视频光盘(DVD)或其他光学存储装置、磁带盒、磁带、磁盘存储装置或其他磁性存储设备、或任何其他可用于存储所期望信息并可被一个或多个用户设备404访问的介质。上述任意组合也应该包括在非暂态计算机可读存储介质的范围内。
另选地，计算机可读通信介质可包括计算机可读指令、程序模块或在数据信号诸如载波或其他传输手段内传输的其他数据。然而，如本文所用，计算机可读存储介质不包括计算机可读通信介质。
该一个或多个用户设备404还可包含一个或多个通信连接件416，该通信连接允许该一个或多个用户设备404经由一个或多个网络(例如，一个或多个网络418)与数据存储库、另一计算设备或服务器、用户终端和/或其他设备进行通信。一个或多个网络418可包括许多不同类型的网络中的任一种或组合，诸如有线网络、互联网、无线网络、蜂窝网络、卫星网络、其他专用网络和/或公共网络、或者它们的任意组合。
更详细地转到存储器412的内容，存储器412可包括操作系统420和/或用于实现本文所公开的特征的一个或多个应用程序或服务。存储器412还可被配置为将数据(例如，用户简档信息)存储在数据存储库422内。一个或多个用户设备404可执行本文所述的所有操作，或者一个或多个用户设备404可执行本文所述的至少一些操作。
在至少一个实施方案中，一个或多个用户设备404可包含一个或多个传感器424。该一个或多个传感器424可被配置为收集指示任何合适量度的任何合适的传感器数据，包括但不限于一个或多个用户设备404的运动数据、用户的生命体征信息等。该一个或多个传感器446可为任何类型的感测设备，诸如但不限于加速度计、陀螺仪、相机(或其他图像捕获设备)、被配置为收集生命体征信息的传感器(例如，心率监测器、氧监测器、血压监测器等)等。
在一些示例中，一个或多个锻炼机械430(1)-430(N)(例如，锻炼机械110、216、308、310和314)(统称为锻炼机械430)可各自被配置为执行或以其他方式管理用于收集和/或呈现信息的应用程序(例如，应用程序432)或指令。一个或多个锻炼机械430可在用户接口处(例如，经由一个或多个I/O设备434)收集来自用户的输入。一个或多个锻炼机械430可以还经由此类用户接口来提供输出。一个或多个I/O设备434可包括但不限于触摸输入设备、键盘、鼠标、笔、语音输入设备、显示器、扬声器、打印机等。
一个或多个锻炼机械430可为任何类型的锻炼机械，诸如但不限于跑步机、椭圆机、健身自行车、举重健身机、踏步机、划船机等。在一种例示性配置中，一个或多个锻炼机械430可包括至少一个存储器436和一个或多个处理单元(或一个或多个处理器)438。一个或多个处理器438可视情况而在硬件、计算机可执行指令、或它们的组合中实现。该一个或多个处理器438的计算机可执行指令或固件具体实施可包括以任何合适的编程语言编写的用于执行所述的各种功能的计算机可执行指令或机器可执行指令。
存储器436可存储能够在一个或多个处理器438上加载和执行的程序指令以及在执行这些程序过程中所生成的数据。根据一个或多个锻炼机械430的配置和类型，存储器436可为易失性存储器(诸如随机存取存储器(RAM))和/或非易失性存储器(诸如只读存储器(ROM)、闪存存储器等)。在一些具体实施中，存储器436可包括多种不同类型的存储器，诸如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)或ROM。虽然本文所述的易失性存储器可以被称为RAM，但是从主机和/或电源拔下后将不会保留其中所存储的数据的任何易失性存储器都是适当的。
存储器436可以是非暂态计算机可读存储介质的示例。例如，非暂态计算机可读存储介质可包括易失性或非易失性、可移除或不可移除介质，其通过任何方法或技术实现为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。存储器436可以是非暂态计算机存储介质的示例。可存在于一个或多个锻炼机械430中的其他类型的计算机存储介质可包括但不限于：相变RAM(PRAM)、SRAM、DRAM、RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪存存储器或其他存储器技术、光盘只读存储器(CD-ROM)、数字视频光盘(DVD)或其他光学存储装置、磁带盒、磁带、磁盘存储装置或其他磁性存储设备、或任何其他可用于存储所期望信息并可被一个或多个锻炼机械430访问的介质。上述任意组合也应该包括在非暂态计算机可读存储介质的范围内。
另选地，计算机可读通信介质可包括计算机可读指令、程序模块或在数据信号诸如载波或其他传输手段内传输的其他数据。然而，如本文所用，计算机可读存储介质不包括计算机可读通信介质。
一个或多个锻炼机械430还可包含一个或多个通信连接件440，该通信连接件允许该一个或多个锻炼机械430经由网络418与数据存储库、另一计算设备或服务器、用户终端和/或其他设备进行通信。
更详细地转到存储器436的内容，存储器436可包括操作系统442和/或用于实现本文所公开的特征的一个或多个应用程序或服务。存储器436还可被配置为将数据(例如，用户简档信息)存储在数据存储库444内。一个或多个锻炼机械430可执行本文所述的所有操作，或者一个或多个锻炼机械430可执行本文所述的至少一些操作。
在至少一个实施方案中，锻炼机械430可包含一个或多个传感器446。一个或多个传感器446可被配置为收集任何合适的传感器数据，包括但不限于与一个或多个锻炼机械430相关联的锻炼信息(例如，任何合适的量度，诸如速度、举抬重量的量、与锻炼机械的一部分相关联的运动范围、用户的生命体征信息、所执行重复的次数等)。一个或多个传感器446可为任何类型的感测设备，诸如但不限于加速度计、陀螺仪、相机(或其他图像捕获设备)、被配置为收集生命体征信息的传感器(例如，心率监测器、氧监测器、血压监测器等)等。
服务提供方计算机450(可能被布置在服务器集群中或作为服务器场)可托管分别在一个或多个用户设备404或一个或多个锻炼机械430上操作的应用程序406和/或应用程序432。除此之外或另选地，服务提供方计算机450可托管基于云的软件服务。也可使用其他服务器架构来托管应用程序406、应用程序432和/或基于云的软件服务。
在一些方面中，服务提供方计算机450也可以是任何合适类型的计算设备，诸如但不限于移动电话、智能电话、个人数字助理(PDA)、膝上型计算机、台式计算机、服务器计算机、瘦客户端设备、平板电脑等，另外，应当指出的是，在一些实施方案中，服务提供方计算机450被执行为云计算环境的一部分。在一些示例中，服务提供方计算机450可经由一个或多个网络418或经由其他网络连接件与一个或多个用户设备404和/或一个或多个锻炼机械430进行通信。
在一种例示性配置中，服务提供方计算机450可包括至少一个存储器452和一个或多个处理单元(或一个或多个处理器)454。处理器454可视情况而在硬件、计算机可执行指令、固件、或它们的组合中实现。一个或多个处理器454的计算机可执行指令或固件具体实施可包括以任何合适的编程语言编写的用于执行所述的各种功能的计算机可执行指令或机器可执行指令。
存储器452可存储能够在一个或多个处理器454上加载和执行的程序指令以及在执行这些程序过程中所生成的数据。根据服务提供方计算机450的配置和类型不同，存储器452可为易失性存储器(诸如RAM)和/或非易失性存储器(诸如ROM、闪存存储器等)。服务提供方计算机450也可包括附加存储装置456，其可包括可移除存储装置和/或不可移除存储装置。附加存储装置456可包括但不限于磁性存储装置、光盘和/或磁带存储装置。磁盘驱动器及其相关联的计算机可读介质可为计算设备提供计算机可读指令、数据结构、程序模块及其他数据的非易失性存储装置。在一些具体实施中，存储器452可包括多种不同类型的存储器，诸如SRAM、DRAM或ROM。
存储器452、附加存储装置456(不管是可移除的还是不可移除的)均为计算机可读存储介质的示例。例如，计算机可读存储介质可包括易失性或非易失性、可移除或不可移除介质，其以任何方法或技术实现以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。存储器452和附加存储装置456均为计算机存储介质的示例。可存在于服务提供方计算机450中的其他类型的计算机存储介质可包括但不限于：PRAM、SRAM、DRAM、RAM、ROM、EEPROM、闪存存储器或其他存储器技术、CD-ROM、DVD或其他光学存储装置、磁带盒、磁带、磁盘存储装置或其他磁性存储设备、或任何其他可用于存储所期望信息并可被服务提供方计算机450访问的介质。上述任意者的组合也应该包括在计算机可读介质的范围内。
另选地，计算机可读通信介质可包括计算机可读指令、程序模块或在数据信号诸如载波或其他传输手段内传输的其他数据。然而，如本文所用，计算机可读存储介质不包括计算机可读通信介质。
服务提供方计算机450还可包含一个或多个通信连接件458，该通信连接件允许服务提供方计算机450在一个或多个网络418上与所存储的数据库、另一计算设备或服务器、用户终端和/或其他设备进行通信。服务提供方计算机450还可包括一个或多个I/O设备460，诸如键盘、鼠标、笔、语音输入设备、触摸输入设备、显示器、扬声器、打印机等。
更详细地转到存储器452的内容，存储器452可包括操作系统462、一个或多个数据存储库464、和/或用于实现本文所公开的特征的一个或多个应用程序、模块或服务，所述特征诸如是由锻炼推荐引擎470提供的特征。
图5是示出根据至少一个实施方案的用于本文所述锻炼推荐引擎(例如，图4的锻炼推荐引擎470)的示例计算机架构500的简化框图。锻炼推荐引擎470可包括可执行根据至少一个实施方案的功能的多个模块502。模块502可以是软件模块、硬件模块或它们的组合。如果模块502是软件模块，则模块502可具体实现在计算机可读介质上并由本文所述的任何计算机系统中的处理器处理。应当指出的是，在一些实施方案中，本文所述的任何模块或数据存储库可以是负责管理进行相应计算所需类型的数据的服务。模块502可作为在图4的一个或多个服务提供方计算机450上操作的锻炼推荐引擎470的一部分而存在，或者模块可作为在服务提供方计算机450外部的单独模块或服务而存在(例如，作为在图4的用户设备404上操作的图4的应用程序406的一部分和/或作为在图4的锻炼机械430上操作的图4的应用程序432的一部分)。
在图5所示的实施方案中，示出了用户简档数据存储库504、锻炼机械数据存储库506、锻炼信息数据存储库508、模型数据存储库510、推荐数据存储库512和进度信息数据存储库514，但数据可从各种数据存储库(不管相对于锻炼推荐引擎470是远程的还是本地的)维护、导出或以其他方式访问以实现本文所述的功能。在至少一个实施方案中，本文所述的数据存储库可物理地定位在用户设备404、锻炼机械430或服务提供方计算机450上，例如作为锻炼推荐服务的一部分。如图5所示，锻炼推荐引擎470包括各种模块，诸如应用编程接口520、注册管理器522、数据收集引擎524、模型管理器526、分类引擎528、进度数据分析引擎530和推荐引擎532。下面描述模块520-532的一些功能。然而，为了读者的利益，在以下段落中提供对这些模块中每一者的简短的非限制性描述。
在至少一个实施方案中，锻炼推荐引擎470包括应用编程接口520。一般来讲，应用编程接口520对于本文提供的任何示例可用于向和/或从锻炼推荐引擎470(或锻炼推荐引擎470的模块)接收和/或提供任何合适的信息。
在至少一个实施方案中，锻炼推荐引擎470包括注册管理器522。注册管理器522可被配置为具有用于实施各种注册收集活动的指令。例如，注册管理器522可被配置为托管与图4的应用程序406操作图4的用户设备404相关联的网站和/或网络页面(例如，注册界面)。注册管理器522可经由所提供的注册界面来接收用户输入。以举例的方式，用户可利用用户设备404和/或锻炼机械430中的一者来经由所提供的注册界面输入用户简档信息。注册管理器522可被配置为接收此类信息(例如，经由应用编程接口520)，并且在用户简档数据存储库504内将所接收的信息存储在与用户相关联的记录(例如，用户简档)内。在任何合适的时间，用户(例如，用户402)和/或传感器(例如，传感器424)可提供对用户简档信息的更新。注册管理器522可被配置为接收和处理所接收的用户简档信息，使得以所接收的用户简档信息更新用户简档。在一些实施方案中，注册管理器522可被配置为导致所存储的用户简档信息经由图4的I/O设备408和/或I/O设备434来呈现。
在至少一个实施方案中，注册管理器522可被配置为接收和处理锻炼机械注册信息。锻炼机械注册信息可包括但不限于锻炼机械标识符和锻炼机械的任何合适的特性(例如，品牌、型号、序列号、机械设置信息、机械能力信息等)。注册管理器522可经由所提供的注册界面接收锻炼机械注册信息和/或注册管理器522可通过其他手段(例如，诸如在锻炼机械启动时的自动传输，作为与锻炼机械相关联的配置过程的一部分，等等)接收锻炼机械注册信息。注册管理器522可被配置为接收此类信息(例如，经由应用编程接口520)，并且在锻炼机械数据存储库506内将所接收的信息存储在与锻炼机械相关联的记录(例如，锻炼机械配置文件)内。在任何合适的时间，注册管理器522可被配置为接收和处理对应于对锻炼机械配置文件的更新的锻炼机械信息。
在至少一个实施方案中，锻炼推荐引擎470包括数据收集引擎524。数据收集引擎524可被配置为具有用于实施各种数据收集活动的指令。例如，数据收集引擎524可被配置为接收和处理与用户和/或锻炼机械相关联的锻炼信息。可经由应用程序432和/或传感器434来提供锻炼信息。数据收集引擎524可被配置为接收和保持一个或多个用户的锻炼信息在锻炼信息数据存储库508(被配置为存储此类信息的数据存储库)内。除此之外或另选地，锻炼信息可由数据收集引擎524存储作为与收集锻炼信息所针对的用户相关联的用户简档的一部分。
在至少一个实施方案中，数据收集引擎524可被配置为接收和处理与用户相关联的生命体征信息。可经由应用程序406、传感器424、应用程序432、传感器434、或前述各者的任意合适组合来提供生命体征信息。数据收集引擎524可被配置为接收和存储与用户相关联的生命体征信息在该用户的用户简档内。
在至少一个实施方案中，锻炼推荐引擎470包括模型管理器526。模型管理器526可被配置为具有实施用于一个或多个机器学习模型(例如，分类模型)的生成、训练和维护过程的指令。在至少一个实施方案中，模型管理器526可被配置为执行一个或多个聚类算法以将输入数据(例如，生命体征信息、用户简档信息、锻炼信息等)分类为属于特定锻炼类别和/或子类别。
在一些实施方案中，模型管理器526可被配置为接收和存储与多个用户相关联的历史信息，包括历史锻炼信息、和/或用户简档信息、和/或历史生命体征信息。与用户相关联的历史信息可与预先确定的分类相关联(例如，一个或多个锻炼类别、一个或多个子类别等)。模型管理器526可被配置为将历史信息与一个或多个监督式学习算法结合使用，以便生成分类模型。所生成的分类模型可被配置为接收输入数据(例如，锻炼信息、生命体征信息、用户简档信息等)并将输入数据分类为属于一个或多个锻炼类别和/或一个或多个子类别。在一些实施方案中，模型管理器526可被配置为将一个或多个生成的模型(例如，分类模型)存储在模型数据存储库510内。
模型管理器526可接收附加的锻炼信息、生命体征信息和/或用户简档信息。在一些实施方案中，模型管理器526可被配置为接收此类信息(或从锻炼信息数据存储库508和/或用户简档数据存储库504获取此类信息)。在接收到时或在另一合适的时间，模型管理器526可被配置为利用所述附加信息来重新训练一个或多个所存储模型。在一些实施方案中，模型管理器526可被配置为通过利用训练数据确定哪个模型提供最准确的分类，来从一组先前生成的模型中标识特定模型。
在至少一个实施方案中，分类引擎528(锻炼推荐引擎470的模块)可被配置为接收与用户和/或锻炼机械相关的健身相关信息(例如，锻炼信息、生命体征信息和/或用户简档信息)。此类信息可在信息生成时实时或几乎实时地接收。在一些实施方案中，分类引擎528可被配置为利用由模型管理器526所标识的模型来提供最准确的分类。利用所标识的模型，分类引擎528可被配置为提供所接收的健身相关信息给模型作为输入。分类引擎528可被配置为从由模型所提供的输出接收和/或获取分类(例如，锻炼类别和/或子类别)。在一些示例中，分类引擎528可被配置为以与用户相关联的用户简档存储所述分类。
在至少一个实施方案中，进度数据分析引擎530(锻炼推荐引擎470的模块)可被配置为在进度信息数据存储库514内保持预期进度数据。预期进度数据可标识任何合适数量的分类类别(例如，一个或多个锻炼类别)和/或子类别(例如，一个或多个锻炼级别)。如上所述，预期进度数据可包括限定类别之间、子类别之间、和/或类别和子类别之间的关系的规则。预期进度数据可以还与一个或多个目标(例如，健身目标)相关联。在一些示例中，预期进度数据可限定标识可用以通过类别/子类别以便实现所期望类别/子类别/目标的序列(次序)的进度路径。在一些示例中，预期进度数据可标识用户达到类别和/或子类别(例如，与特定目标相关联的类别和/或子类别)的进度路径、或标识特定改进程度(例如，在特定时间内级别和/或类别的提升)的进度路径。
在至少一个实施方案中，推荐引擎532(锻炼推荐引擎470的模块)可被配置为维护推荐(例如，锻炼相关推荐、健康/健身相关推荐等)的数据库。如上所述，推荐可向用户指示用户所使用锻炼机械类型的改变和/或用户使用特定锻炼机械的方式。以举例的方式，推荐可建议用户在当前使用的锻炼机械上加快或减慢速度。另一推荐可建议用户使用与当前正在使用的锻炼机械不同的锻炼机械。再另一推荐可建议用户增加或减少重量和/或重复。本领域的技术人员可确定所提供的推荐的数量和广度。在一些实施方案中，推荐可与类别(例如，锻炼类别)、子类别(例如，初级、中级、高级、专家级等)和/或健身目标相关联。因此，在一些实施方案中，可基于将与用户(或用户的用户简档)相关联的类别和/或子类别、和/或与为用户/用户简档标识的进度路径相关联的类别/子类别与和推荐相关联的类别和/或子类别匹配来为用户标识推荐。
在一些示例中，预定义的推荐可由推荐引擎532接收/获取并存储在推荐数据存储库512内。除此之外或另选地，推荐可由推荐引擎532根据预期进度数据生成并存储在推荐数据存储库512内。
以举例的方式，进度数据可指示子类别2跟在子类别1之后。此外，进度数据可指示与子类别1相关联的用户可利用特定类型的锻炼机械举抬15磅，而与子类别2相关联的用户可在同一类型的锻炼机械上举抬30磅。在一些示例中，推荐引擎532可通过确定用于将用户从子类别1移动到子类别2的增量计划来生成推荐。作为非限制性示例，推荐引擎532可被配置为确定与每个子类别相关联的对应能力之间的差异。在当前示例中，所述差异可被确定为是15磅重量差。考虑到15磅的差异，推荐引擎532可标识预定义的时间段(例如，一个月)、或基于所述差异的时间段(例如，其中与用于30磅差异的时间段相比，更小的时间段被用于15磅差异)。推荐引擎532可基于该差异和所标识的时间段来计算举抬重量的递增增加。因此，推荐引擎532可生成并存储根据该递增增加建议重量增加的一个或多个推荐。在一些示例中，推荐引擎532可保持标识已提供给用户的推荐的记录，并且在一些情况下，保持提供所述推荐的日期和/或时间。该记录可作为与用户相关联的用户简档的一部分来存储。
在一些实施方案中，可跟踪用户的进度和/或所提供推荐的有效性。如上所述，数据收集引擎524可在用户简档数据存储库504内存储与用户相关联的更新的用户简档信息。因此，用户的身体外观(例如，体重、人体测量等)的变化可从用户的简档确定。另外，与用户相关联的锻炼信息可被保持在锻炼信息数据存储库508内。因此，保持与用户相关联的锻炼信息的历史记录。用户简档信息可经由用户输入来收集或由用户设备和/或锻炼机械以任何合适的方式自动收集。
在一些实施方案中，可向用户提供定制的推荐(例如，通过推荐引擎532)，并且可跟踪用户的后续锻炼信息以确定用户是否执行了与所提供推荐相关联的动作。以举例的方式，推荐引擎532可(例如，经由用户设备404和/或锻炼机械430)向用户提供建议加快跑步机上的速度的定制推荐，可分析(例如，通过数据收集引擎524)为用户收集的锻炼信息以确定用户确实(或没有)如所建议的那样加快跑步机的速度。如果用户确实执行了所建议的动作(例如，加快了跑步机速度)，则可分析后续锻炼信息并将其归因于所提供的推荐。
在一些实施方案中，推荐引擎532可被配置为分析后续锻炼信息(例如，用户能以给定速度在跑步机上跑步的持续时间)、用户简档信息(例如，体重、柔韧性等)的变化、用户的生命体征信息、或任何合适的信息以确定所述推荐导致用户在所确定的进度路径的某个阈值内前进。即，推荐引擎532可被配置为访问与用户相关联的进度数据和/或所标识的进度路径。如果进度数据/路径指示用户应当在下个月内能够以特定速度(例如，3.5英里/小时)跑步持续特定持续时间(例如，30分钟)，则可跟踪用户的锻炼信息以确定用户正在朝该能力前进。基于确定用户正在根据所标识的进度路径前进，推荐引擎532可被配置为将所述推荐关联为是有效的。在一些实施方案中，推荐引擎532可被配置为分配指示推荐的有效性程度的标签、分数等。因此，在向用户提供推荐时，推荐引擎532可利用推荐分数/标签来为那些用户标识有效(或最有效)推荐。
在一些实施方案中，推荐引擎532可被配置为利用(例如，从锻炼机械数据存储库获取的)锻炼机械信息来从推荐数据存储库512标识特定推荐。以举例的方式，推荐引擎532可获取对应于用户正在与其进行交互的锻炼机械的锻炼机械信息。在一些示例中，锻炼机械信息可指示锻炼机械的一个或多个设置和/或一个或多个机械能力。推荐引擎532可利用锻炼机械信息来标识可能不能以该锻炼机械执行的任何候选推荐。这些推荐可被推荐引擎532过滤，使得被提供给用户的推荐不建议不能以用户当前使用的锻炼机械执行的动作。
图6-8例示了示出用于利用本文所述的锻炼推荐引擎提供定制的锻炼相关推荐的相应过程600、700和800的示例流程图。这些过程600、700、和800被图示为逻辑流程图，其每个操作代表可在硬件、计算机指令或它们的组合中实现的一系列操作。在计算机指令的上下文中，操作表示存储在一种或多种计算机可读存储介质上的计算机可执行指令，这些计算机可执行指令由一种或多种处理器执行时执行所述操作。一般来讲，计算机可执行指令包括执行特定功能或实现特定数据类型的例程、程序、对象、部件、数据结构等。描述操作的顺序并非旨在被理解为限制，并且任意数量的所述操作可按照任意顺序和/或并行组合以实现本文所述的过程。
另外，这些过程中的一些、任意者或全部可在被配置为具有可执行指令的一个或多个计算机系统的控制下执行，并且可实现为在一个或多个处理器上、由硬件、或它们的组合共同执行的代码(例如，可执行指令、一个或多个计算机程序、或一个或多个应用程序)。如上所述，代码可存储在计算机可读存储介质上，例如以包括可由一个或多个处理器执行的多个指令的计算机程序的形式存储。计算机可读存储介质是非暂态的。
在一些示例中，过程600可由在图4的服务提供方计算机450(被称为服务提供方处理设备)上操作的锻炼推荐引擎470执行。过程600可始于602，在602，可由服务提供方处理设备标识与多个锻炼机械中的特定锻炼机械的用户交互。在一些实施方案中，用户交互可与用户简档相关联。在一些实施方案中，所述多个锻炼机械中的每一者可包括与服务提供方处理设备通信的计算设备。以举例的方式，用户交互可包括使用户设备进入与锻炼机械相距阈值距离内、保持在与锻炼机械相距阈值距离内、以锻炼机械执行动作、登录到锻炼机械等。
在框604，可由服务提供方处理设备获取对应于多个用户简档(例如，对应于用户106、用户402等)的锻炼信息(或其他健身相关信息)。在一些实施方案中，锻炼信息(或其他健身相关信息)可从所述多个锻炼机械获取。
在框606，可(例如，由服务提供方处理设备)生成分类模型。在一些实施方案中，可基于对应于所述多个用户简档的锻炼信息来生成分类模型。生成可如本文所述通过利用所收集的健身相关信息作为训练数据以及监督式机器学习算法来进行。
在框608，可(例如，由服务提供方处理设备)接收与用户与特定锻炼机械的交互相关联的锻炼量度(例如，锻炼信息)。
在框610，可(例如，由服务提供方处理设备)基于分类模型以及锻炼量度(锻炼信息)和用户简档(用户简档信息)中至少一者来确定用于用户简档的锻炼类别。
在框612，可(例如，由服务提供方处理设备)基于锻炼类别来标识多个锻炼推荐。如上所述，对应于用户/用户简档的类别/子类别可被匹配到与各个推荐相关联的类别/子类别。具有相同类别/子类别的推荐可用作候选推荐，可从所述候选推荐中标识/选择定制的推荐。
在框614，可(例如，由服务提供方处理设备)基于将锻炼量度(锻炼信息)与预期进度数据进行比较来从所述多个锻炼推荐中标识定制的锻炼推荐。以举例的方式，将锻炼量度与预期进度数据进行比较可指示需要特定区域(例如，速度、体能、重量训练等)中的改进。推荐可附加地与此类属性相关联，使得可选择与所述特定改进区域相关的定制的锻炼推荐。
在框616，可(例如，由服务提供方处理设备)向与用户简档相关联的用户设备提供定制的锻炼推荐。
在一些示例中，过程700可由(例如，全部或部分地在用户设备404、锻炼机械430和/或服务提供方计算机450的任何合适组合上操作的)锻炼推荐引擎470执行。过程700可由包括各自被配置有一个或多个传感器、一个或多个数据网络、一个或多个处理器、以及存储计算机可读指令的一个或多个存储器的系统执行，所述计算机可读指令在被所述一个或多个处理器执行时使得该系统执行过程700。过程700可始于702，在702，可(例如，在锻炼机械处)收集用于多个用户健身会话的锻炼信息(或其他健身相关信息)。在一些实施方案中，锻炼信息可包括健身的持续时间、健身的级别、或所执行重复的次数。
在框704，可标识所述多个用户健身会话中的第一用户健身会话。第一用户健身会话可与第一用户相关。第一用户可以是对应于所述多个用户健身会话的所述多个用户中的一者，或者第一用户可以与所述多个用户分开。
在框706，可标识对应于第一用户健身会话的第一用户信息。第一用户信息可包括健身相关信息，诸如用户简档信息、锻炼信息和/或生命体征信息。
在框708，可基于第一用户信息和所收集的锻炼信息来标识多个锻炼推荐。如上所述，可通过利用健身相关信息作为对分类模型的输入对用户/用户简档进行分类来标识多个锻炼推荐(候选推荐)。一旦输入被分类，就将输入的类别/子类别匹配到包含在推荐数据库中的推荐的类别/子类别。具有匹配的类别/子类别的推荐可用作候选推荐，可从所述候选推荐中标识定制的锻炼相关推荐。
在框710，可基于第一用户信息以及所收集的锻炼信息与预期进度数据之间的比较来从多个推荐中确定定制的锻炼推荐。如上所述，第一用户信息(例如，第一用户的健身相关信息，诸如第一用户的用户简档信息)与预期进度数据的比较可指示需要特定区域(例如，速度、体能、重量训练等)中的改进。推荐可附加地与此类属性相关联，使得可选择定制的锻炼推荐使得其与所标识改进的特定区域相关。
在框712，可呈现定制的锻炼推荐。在一些示例中，定制的锻炼推荐可呈现在用户设备、锻炼机械、或这两者的合适组合上。
在一些示例中，过程800可由(例如，全部或部分地在用户设备404、锻炼机械430和/或服务提供方计算机450的任何合适组合上操作的)锻炼推荐引擎470执行。在一些实施方案中，包括计算机可读指令的计算机可读存储介质可在被一个或多个处理器执行时使得所述一个或多个处理器执行过程800。过程800可始于802，在802处，可获取用于确定第一用户锻炼类别的分类模型。在一些实施方案中，可基于所收集的多个用户健身会话的锻炼信息来预先生成分类模型。
在框804处，可标识第一用户简档信息。第一用户简档信息(与第一用户相关联的用户简档信息)可作为用户输入被接收，并且可包括任何与用户相关联的合适信息，包括但不限于身体特征(体重、身高、体型、生理缺陷、膳食/营养考虑、一般活动水平(例如，不爱活动、活跃)等)、人口统计信息(例如，年龄、性别等)、医疗信息(例如、医学诊断、目前服用的药物、此类药物的剂量、对特定疾病/失调的基因素因等)、目标信息(例如，标识一个或多个健身目标诸如跑全程马拉松、构建特定肌肉组的强度、物理治疗目标、跑5K、能够连续跑30分钟、6分钟内跑一英里等)等等。
在框806，可接收与锻炼机械相关的第一用户锻炼信息。第一用户锻炼信息(与第一用户相关联的锻炼信息)可包括能从附接到锻炼机械或用户设备(例如，身体佩戴的设备、手机等)或以其它方式与其通信的一个或多个传感器(例如，加速度计、陀螺仪、相机等)获取的任何合适数据、机械标识数据(例如，机械标识符)、或与锻炼机械和/或对应于在锻炼机械上执行的锻炼的测量相关的任何合适信息。第一用户锻炼信息可用于确定多种量度，诸如速度、举抬重量的量、与锻炼机械的一部分相关联的运动范围、与锻炼机械和/或第一用户的一个或多个部分相关联的抖动量、所执行重复的次数等。
在框808，可基于第一用户锻炼类别来标识多个锻炼推荐。如上所述，第一用户锻炼类别(例如，与第一用户/第一用户的简档相关联的类别/子类别)可被匹配到包含在推荐数据库中的推荐的类别/子类别。具有匹配的类别/子类别的推荐(例如，所述多个锻炼推荐)可用作候选推荐，可从所述候选推荐中标识定制的锻炼相关推荐。
在框810，可基于第一用户锻炼信息与预期进度数据的比较来从所述多个锻炼推荐中确定定制的锻炼推荐。如上所述，第一用户锻炼信息(例如，第一用户的锻炼信息)与预期进度数据的比较可指示需要特定区域(例如，速度、体能、重量训练等)中的改进。推荐可附加地与此类属性相关联，使得可选择定制的锻炼推荐使得其与所标识改进的特定区域相关。在至少一个示例中，可根据与所标识改进的区域相关的相关性分数和/或改进程度对所述多个锻炼推荐进行评分/排序。
在框812，可呈现定制的锻炼推荐。在一些示例中，定制的锻炼推荐可呈现在用户设备、锻炼机械、或这两者的合适组合上。

Claims (43)

1.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被服务提供方处理设备的一个或多个处理器执行时使所述一个或多个处理器执行包括以下的操作：
至少部分地基于与多个用户简档相关联的多个用户健身会话的锻炼信息来生成分类模型；
标识与用户简档相关联的用户简档信息；
接收与所述用户简档相关联的用户锻炼信息；
使用所述分类模型将所述用户锻炼信息分类为多个用户锻炼类别中的用户锻炼类别；
至少部分地基于所述用户锻炼类别来标识多个锻炼推荐；
至少部分地基于所述用户锻炼信息与预期进度数据的比较来从所述多个锻炼推荐中确定定制的锻炼推荐，其中所述预期进度数据限定针对多个分类类别或多个分类子类别中的至少一者中的用户进度的进度路径；以及
向与所述用户简档相关联的用户设备提供所述定制的锻炼推荐。
2.根据权利要求1所述的计算机可读存储介质，其中所述锻炼信息包括从多个锻炼机械收集的传感器数据。
3.根据权利要求2所述的计算机可读存储介质，其中在所述多个用户健身会话期间，所述多个锻炼机械由与所述多个用户简档相关联的多个用户使用。
4.根据权利要求1所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：
接收不同的多个用户健身会话的后续用户锻炼信息；以及
至少部分地基于所述后续用户锻炼信息来重新训练所述分类模型。
5.根据权利要求4所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：至少部分地基于重新训练的所述分类模型，向与所述多个用户简档中的附加用户简档相关联的附加用户设备提供不同的定制的锻炼推荐。
6.根据权利要求1所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：至少部分地基于所述锻炼信息、与所述用户简档相关联的用户简档信息、所述用户锻炼类别和所述预期进度数据来生成定制的锻炼计划，其中所述定制的锻炼推荐对应于所述定制的锻炼计划。
7.根据权利要求1所述的计算机可读存储介质，其中所述用户锻炼信息包括第一用户锻炼信息，并且所述计算机可读存储介质包括使所述一个或多个处理执行包括以下操作的进一步指令：
至少部分地基于第二用户锻炼信息来检测所述第一用户锻炼信息不再与所述预期进度数据匹配的实例；和
响应于检测到所述实例，重新训练所述分类模型以至少部分地基于所述第二用户锻炼信息来限定更新的分类模型。
8.一种计算机实现的方法，包括：
至少部分地基于与多个用户简档相关联的多个用户健身会话的锻炼信息来生成分类模型；
标识与用户简档相关联的用户简档信息；
接收与所述用户简档相关联的用户锻炼信息；
使用所述分类模型将所述用户锻炼信息分类为多个用户锻炼类别中的用户锻炼类别；
至少部分地基于所述用户锻炼类别来标识多个锻炼推荐；
至少部分地基于所述用户锻炼信息与预期进度数据的比较来从所述多个锻炼推荐中确定定制的锻炼推荐，其中所述预期进度数据限定针对多个分类类别或多个分类子类别中的至少一者中的用户进度的进度路径；以及
向与所述用户简档相关联的用户设备提供所述定制的锻炼推荐。
9.根据权利要求8所述的计算机实现的方法，其中所述锻炼信息包括从多个锻炼机械收集的传感器数据。
10.根据权利要求9所述的计算机实现的方法，其中在所述多个用户健身会话期间，所述多个锻炼机械由与所述多个用户简档相关联的多个用户使用。
11.根据权利要求8所述的计算机实现的方法，还包括：
接收不同的多个用户健身会话的后续用户锻炼信息；以及
至少部分地基于所述后续用户锻炼信息来重新训练所述分类模型。
12.根据权利要求11所述的计算机实现的方法，还包括：至少部分地基于重新训练的所述分类模型，向与所述多个用户简档中的附加用户简档相关联的附加用户设备提供不同的定制的锻炼推荐。
13.根据权利要求8所述的计算机实现的方法，还包括使：至少部分地基于所述锻炼信息、与所述用户简档相关联的用户简档信息、所述用户锻炼类别和所述预期进度数据来生成定制的锻炼计划，其中所述定制的锻炼推荐对应于所述定制的锻炼计划。
14.根据权利要求8所述的计算机实现的方法，其中所述用户锻炼信息包括第一用户锻炼信息，并且所述方法还包括：
至少部分地基于第二用户锻炼信息来检测所述第一用户锻炼信息不再与所述预期进度数据匹配的实例；和
响应于检测到所述实例，重新训练所述分类模型以至少部分地基于所述第二用户锻炼信息来限定更新的分类模型。
15.一种系统，包括：
一个或多个处理器；和
一个或多个存储器，所述一个或多个存储器存储计算机可读指令，所述计算机可读指令在被所述一个或多个处理器执行时使所述系统至少：
至少部分地基于与多个用户简档相关联的多个用户健身会话的锻炼信息来生成分类模型；
标识与用户简档相关联的用户简档信息；
接收与所述用户简档相关联的用户锻炼信息；
使用所述分类模型将所述用户锻炼信息分类为多个用户锻炼类别中的用户锻炼类别；
至少部分地基于所述用户锻炼类别来标识多个锻炼推荐；
至少部分地基于所述用户锻炼信息与预期进度数据的比较来从所述多个锻炼推荐中确定定制的锻炼推荐，其中所述预期进度数据限定针对多个分类类别或多个分类子类别中的至少一者中的用户进度的进度路径；以及
向与所述用户简档相关联的用户设备提供所述定制的锻炼推荐。
16.根据权利要求15所述的系统，其中所述锻炼信息包括从多个锻炼机械收集的传感器数据。
17.根据权利要求16所述的系统，其中在所述多个用户健身会话期间，所述多个锻炼机械由与所述多个用户简档相关联的多个用户使用。
18.根据权利要求15所述的系统，其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述系统至少：
接收不同的多个用户健身会话的后续用户锻炼信息；以及
至少部分地基于所述后续用户锻炼信息来重新训练所述分类模型。
19.根据权利要求18所述的系统，其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述系统至少：至少部分地基于重新训练的所述分类模型，向与所述多个用户简档中的附加用户简档相关联的附加用户设备提供不同的定制的锻炼推荐。
20.根据权利要求15所述的系统，其中所述用户锻炼信息包括第一用户锻炼信息，并且其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述系统至少：
至少部分地基于第二用户锻炼信息来检测所述第一用户锻炼信息不再与所述预期进度数据匹配的实例；和
响应于检测到所述实例，重新训练所述分类模型以至少部分地基于所述第二用户锻炼信息来限定更新的分类模型。
21.一种提供定制的锻炼推荐的方法，包括：
接收与用户简档相关联的锻炼信息；
至少部分地基于所述锻炼信息标识多个锻炼类别中的锻炼类别，其中所述锻炼类别与所述用户简档相关联；
至少部分地基于所述锻炼类别来标识多个锻炼推荐；
至少部分地基于所述锻炼信息与预期进度数据的比较，从所述多个锻炼推荐中标识定制的锻炼推荐；以及
提供所述定制的锻炼推荐以用于在与所述用户简档相关联的用户设备处呈现。
22.根据权利要求21所述的方法，还包括：
响应于接收到所述锻炼信息，至少部分地基于所述锻炼信息来训练锻炼推荐机器学习模型，其中所述锻炼推荐机器学习模型被配置为从输入锻炼信息标识锻炼类别；以及
其中确定所述标识所述锻炼类别至少部分地基于将所述锻炼信息作为输入提交给所述锻炼推荐机器学习模型。
23.根据权利要求22所述的方法，还包括：
接收后续锻炼信息；以及
至少部分地基于所述后续锻炼信息来生成更新的锻炼推荐机器学习模型，所述更新的锻炼推荐机器学习模型被用来提供一个或多个后续的定制的锻炼推荐。
24.根据权利要求23所述的方法，还包括：至少部分地基于所述更新的锻炼推荐机器学习模型来向附加用户提供不同的定制的锻炼推荐。
25.根据权利要求22所述的方法，其中所述锻炼推荐机器学习模型是通过针对训练数据集执行监督式机器学习算法而被预先训练的，所述训练数据集包括各自与预先确定的对应锻炼类别相关联的历史锻炼信息的实例，所述锻炼推荐机器学习模型由所述训练配置以通过处理与所述用户简档相关联的后续锻炼信息来标识针对用户简档的锻炼类别。
26.根据权利要求25所述的方法，其中所述训练数据集和所述历史锻炼信息的实例是从所述用户简档的用户数据确定的。
27.根据权利要求25所述的方法，其中所述锻炼推荐机器学习模型是使用所述训练数据集而被预先训练的，所述训练数据集还包括与所述多个用户的多个用户简档相对应的用户简档信息，所述用户简档信息是利用注册过程而被收集的。
28.根据权利要求27所述的方法，还包括：
接收附加锻炼信息，所述附加锻炼信息对应于未注册用户；以及
至少部分地基于所述附加锻炼信息来更新所述锻炼推荐机器学习模型，其中后续的定制的锻炼推荐至少部分地基于更新的所述锻炼推荐机器学习模型。
29.一种计算设备，包括：
一个或多个处理器；和
一个或多个存储器，所述一个或多个存储器存储计算机可读指令，所述计算机可读指令在被所述一个或多个处理器执行时使所述计算设备至少：
接收与用户简档相关联的锻炼信息；
至少部分地基于所述锻炼信息标识多个锻炼类别中的锻炼类别，其中所述锻炼类别与所述用户简档相关联；
至少部分地基于所述锻炼类别来标识多个锻炼推荐；
至少部分地基于所述锻炼信息与预期进度数据的比较，从所述多个锻炼推荐中标识定制的锻炼推荐；以及
提供所述定制的锻炼推荐以用于呈现。
30.根据权利要求29所述的计算设备，其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述计算设备至少：
跟踪后续锻炼信息；以及
呈现后续锻炼推荐，所述后续锻炼推荐是至少部分地基于所述后续锻炼信息与所述预期进度数据之间的比较而从所述多个锻炼推荐中标识的。
31.根据权利要求29所述的计算设备，其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述计算设备至少：
接收与所述用户简档相关的后续锻炼信息；
至少部分地基于所述后续锻炼信息和预期进度数据之间的比较来确定对所提供的所述定制的锻炼推荐的用户遵从性；以及
至少部分地基于所确定的所述用户遵从性来对所述定制的锻炼推荐进行评分。
32.根据权利要求29所述的计算设备，其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述计算设备至少：
至少部分地基于所述锻炼信息来确定与所述锻炼信息相关联的锻炼机械的运动模式；
将所述运动模式与预先确定的运动模式进行比较以确定特定于机械的推荐；以及
提供所述特定于机械的推荐以用于呈现。
33.根据权利要求29所述的计算设备，其中所述一个或多个存储器存储附加指令，所述附加指令在被所述一个或多个处理器执行时使所述计算设备至少：
至少部分地基于所述锻炼信息来确定与所述锻炼信息相关联的锻炼机械的运动模式；
将所述运动模式与从存储在所述计算设备处的历史锻炼信息确定的附加运动模式进行比较；
至少部分地基于所述比较来确定特定于机械的推荐；以及
提供所述特定于机械的推荐以用于呈现。
34.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被计算设备的一个或多个处理器执行时使所述一个或多个处理器执行包括以下的操作：
接收与用户简档相关联的锻炼信息；
至少部分地基于所述锻炼信息标识多个锻炼类别中的锻炼类别，其中所述锻炼类别与所述用户简档相关联；
至少部分地基于所述锻炼类别来标识多个锻炼推荐；
至少部分地基于所述锻炼信息与预期进度数据的比较，从所述多个锻炼推荐中标识定制的锻炼推荐；以及
提供所述定制的锻炼推荐以用于在与所述用户简档相关联的用户设备处呈现。
35.根据权利要求34所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：
接收与所述用户简档相关联的用户的用户简档信息，其中所述用户简档信息是营养信息或医疗信息，并且其中所述定制的锻炼推荐是进一步至少部分地基于所述用户简档信息而确定的。
36.根据权利要求34所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：
接收与所述用户简档相关联的用户的生命体征信息，其中所述定制的锻炼推荐是进一步至少部分地基于所述生命体征信息而确定的。
37.根据权利要求34所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：至少部分地基于所述锻炼信息、与所述用户简档相关联的用户简档信息、所述锻炼类别和所述预期进度数据来生成定制的锻炼计划，其中所述定制的锻炼推荐对应于所述定制的锻炼计划。
38.根据权利要求37所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：
接收生命体征信息；以及
至少部分地基于接收到的所述生命体征信息来修改所述定制的锻炼计划。
39.根据权利要求34所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：将所述锻炼信息和与特定锻炼机械相关联的预定义的运动数据进行比较，其中所述定制的锻炼推荐是进一步基于所述比较的。
40.根据权利要求39所述的计算机可读存储介质，包括使所述一个或多个处理执行包括以下操作的进一步指令：
响应于接收到所述锻炼信息，至少部分地基于所述锻炼信息来训练锻炼推荐机器学习模型，其中所述锻炼推荐机器学习模型被配置为从输入锻炼信息中标识锻炼类别，其中所述锻炼推荐机器学习模型是通过针对训练数据集执行监督式机器学习算法而被预先训练的，所述训练数据集还包括对应于多个用户的历史生命体征信息和历史用户简档信息，其中所述生命体征信息的实例和所述历史用户简档信息的实例分别与相应的锻炼类别相关联；以及
其中标识所述锻炼类别至少部分地基于将所述锻炼信息作为输入提交给所述锻炼推荐机器学习模型。
41.一种用于训练锻炼推荐机器学习模型的方法，包括：
创建训练数据集，所述训练数据集包括分别与预先确定的对应锻炼类别或预先确定的对应用户类型类别相关联的历史锻炼信息的实例；以及
通过至少针对预先确定的训练数据集执行监督式机器学习算法来训练所述锻炼推荐机器学习模型，所述锻炼推荐机器学习模型通过所述训练被配置，以通过处理与用户简档相关联的后续锻炼信息来标识针对所述用户简档的锻炼类别或用户类型类别。
42.根据权利要求41所述的方法，其中所述训练数据集与多个用户简档相关联。
43.根据权利要求41所述的方法，其中所述训练数据集与多个锻炼机械相关联。
CN202410188555.7A 2017-06-16 2018-03-13 服务提供方处理设备和用于提供定制的锻炼推荐的方法 Pending CN118072908A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US15/625,849 US10814170B2 (en) 2017-06-16 2017-06-16 Techniques for providing customized exercise-related recommendations
US15/625,849 2017-06-16
PCT/US2018/022206 WO2018231302A1 (en) 2017-06-16 2018-03-13 Techniques for providing customized exercise-related recommendations
CN201880035225.7A CN110678932B (zh) 2017-06-16 2018-03-13 服务提供方处理设备和用于提供定制的锻炼推荐的方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201880035225.7A Division CN110678932B (zh) 2017-06-16 2018-03-13 服务提供方处理设备和用于提供定制的锻炼推荐的方法

Publications (1)

Publication Number Publication Date
CN118072908A true CN118072908A (zh) 2024-05-24

Family

ID=61873943

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880035225.7A Active CN110678932B (zh) 2017-06-16 2018-03-13 服务提供方处理设备和用于提供定制的锻炼推荐的方法
CN202410188555.7A Pending CN118072908A (zh) 2017-06-16 2018-03-13 服务提供方处理设备和用于提供定制的锻炼推荐的方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201880035225.7A Active CN110678932B (zh) 2017-06-16 2018-03-13 服务提供方处理设备和用于提供定制的锻炼推荐的方法

Country Status (3)

Country Link
US (2) US10814170B2 (zh)
CN (2) CN110678932B (zh)
WO (1) WO2018231302A1 (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902741B2 (en) * 2018-03-21 2021-01-26 Physera, Inc. Exercise feedback system for musculoskeletal exercises
US11183079B2 (en) * 2018-03-21 2021-11-23 Physera, Inc. Augmented reality guided musculoskeletal exercises
US10922997B2 (en) * 2018-03-21 2021-02-16 Physera, Inc. Customizing content for musculoskeletal exercise feedback
US20190314681A1 (en) * 2018-04-17 2019-10-17 Jie Yang Method, system and computer products for exercise program exchange
US20190385199A1 (en) * 2018-06-18 2019-12-19 International Business Machines Corporation Review and recommendation filtering based on user fitness metric
CN112805073B (zh) * 2018-08-07 2022-07-26 交互力量公司 带镜面显示器的交互式健身器系统
CN109769011B (zh) * 2018-12-06 2021-02-12 华为终端有限公司 一种运动数据处理方法和装置
AU2020209768A1 (en) * 2019-01-15 2021-09-09 Shane Yang Augmented cognition methods and apparatus for contemporaneous feedback in psychomotor learning
CN109829107A (zh) * 2019-01-23 2019-05-31 华为技术有限公司 一种基于用户运动状态的推荐方法及电子设备
US20200272914A1 (en) * 2019-02-25 2020-08-27 Microsoft Technology Licensing, Llc Context-based recommendations based on environment interactions
US11161011B2 (en) * 2019-04-29 2021-11-02 Kpn Innovations, Llc Methods and systems for an artificial intelligence fitness professional support network for vibrant constitutional guidance
US11392854B2 (en) * 2019-04-29 2022-07-19 Kpn Innovations, Llc. Systems and methods for implementing generated alimentary instruction sets based on vibrant constitutional guidance
US10960266B2 (en) * 2019-05-06 2021-03-30 Samuel Messinger System of an artificial intelligence (AI) powered wireless gym
CN110600125B (zh) * 2019-09-18 2022-05-24 山东浪潮科学研究院有限公司 一种基于人工智能的体态分析助手系统及传输方法
US11745058B2 (en) * 2019-09-30 2023-09-05 MyFitnessPal, Inc. Methods and apparatus for coaching based on workout history
US20230245750A1 (en) * 2019-10-03 2023-08-03 Rom Technologies, Inc. Systems and methods for using elliptical machine to perform cardiovascular rehabilitation
US10857426B1 (en) * 2019-11-29 2020-12-08 Kpn Innovations, Llc Methods and systems for generating fitness recommendations according to user activity profiles
US12073296B2 (en) * 2019-11-29 2024-08-27 Kpn Innovations, Llc. Methods and systems for generating physical activity sets for a human subject
US20210219874A1 (en) * 2020-01-22 2021-07-22 Timothy Coyle System and method for real-time fitness tracking and scheduling
US11545250B2 (en) 2020-03-20 2023-01-03 Kpn Innovations, Llc. Methods and systems for generating lifestyle change recommendations based on biological extractions
CN111787351B (zh) * 2020-07-01 2022-09-06 百度在线网络技术（北京）有限公司 信息查询方法、装置、设备和计算机存储介质
US11779811B2 (en) * 2020-07-01 2023-10-10 International Business Machines Corporation Cognitive based augmented reality workout
CN112289405A (zh) * 2020-11-10 2021-01-29 北京顺源开华科技有限公司 配速推荐方法、装置、电子设备和存储介质
CN112370746A (zh) * 2020-11-12 2021-02-19 浙大宁波理工学院 基于在线自适应预测神经网络的智能健身负载控制系统
CN112786141B (zh) * 2021-01-21 2023-07-14 北京晶泰科技有限公司 一种功能肽推荐方法、装置和计算设备
CN113440828B (zh) * 2021-03-29 2022-05-03 厦门市思芯微科技有限公司 一种基于云计算的跑步状态监测方法、系统及存储介质
US20220331658A1 (en) * 2021-04-16 2022-10-20 Fitbod, Inc. Machine-learned exercise capability prediction model
CN113762336A (zh) * 2021-07-28 2021-12-07 南京慕白科技有限公司 一种健身指导方法及系统
US20230075058A1 (en) * 2021-09-03 2023-03-09 North Pole Engineering Inc. Wireless fitness tracking integration
CN113782149A (zh) * 2021-11-12 2021-12-10 北京京东方技术开发有限公司 健身方案信息的推荐方法和装置
CN113936772A (zh) * 2021-12-17 2022-01-14 北京因数健康科技有限公司 一种运动推荐方法、装置、系统及计算机可读存储介质
US20230215473A1 (en) * 2021-12-30 2023-07-06 Ifit Inc. Systems and methods for synchronizing workout equipment with video files
WO2023158612A1 (en) * 2022-02-16 2023-08-24 Echelon Fitness Multimedia Llc Leveraging large-scale exercise device metrics to provide personalized experiences
CN115089938B (zh) * 2022-06-15 2023-05-12 珠海格力电器股份有限公司 一种运动模式推荐方法、装置、电子运动设备及存储介质
US11599592B1 (en) * 2022-07-25 2023-03-07 Gravystack, Inc. Apparatus for goal generation and a method for its use
US20240070693A1 (en) * 2022-08-31 2024-02-29 Kpn Innovations, Llc. Apparatus and method for analyzing a communication datum
CN115862807B (zh) * 2022-09-02 2024-02-02 深圳市智云医康医疗科技有限公司 基于机器学习的健身训练方法、系统、介质及电子设备
CN116994709B (zh) * 2023-06-01 2024-04-05 精准营养医学科技研究院(深圳)有限公司 一种个性化的饮食与运动推荐方法、系统及电子设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6601016B1 (en) 2000-04-28 2003-07-29 International Business Machines Corporation Monitoring fitness activity across diverse exercise machines utilizing a universally accessible server system
AU2003214613A1 (en) * 2002-03-19 2003-09-29 Yuval Regev System and method for the implementation of personal exercise programs using multi-functional apparatus managed and controlled by communications network-based computing devices
US8172724B2 (en) 2010-02-16 2012-05-08 Neal Solomon Computer automated physical fitness system
BR112013015089A2 (pt) * 2010-12-16 2016-08-09 Nike International Ltd métodos e sistemas para incentivar a atividade atlética
US20140363800A1 (en) * 2012-08-28 2014-12-11 HAI Logan Gym, LLC Personal training system and method
JP6352295B2 (ja) * 2012-12-13 2018-07-04 ナイキ イノベイト シーブイ モバイル・デバイスを使用したフィットネス・モニタリング
EP3005280B1 (en) * 2013-05-30 2019-05-08 Atlas Wearables, Inc. Portable computing device and analyses of personal data captured therefrom
US8900099B1 (en) 2013-08-05 2014-12-02 Robert B. Boyette Systems and methods for optimizing muscle development
WO2015108702A1 (en) 2014-01-14 2015-07-23 Zsolutionz, LLC Cloud-based initiation of customized exercise routine
CN116584928A (zh) * 2014-09-02 2023-08-15 苹果公司 身体活动和健身监视器
US20160325140A1 (en) 2015-05-04 2016-11-10 Yu Wu System and method for recording exercise data
US10204526B2 (en) 2015-07-07 2019-02-12 Private Workout, Inc. Adaptive exercise circuit training for health and fitness

Also Published As

Publication number Publication date
CN110678932A (zh) 2020-01-10
CN110678932B (zh) 2024-03-08
US20180361203A1 (en) 2018-12-20
US10814170B2 (en) 2020-10-27
WO2018231302A1 (en) 2018-12-20
US20210001180A1 (en) 2021-01-07

Similar Documents

Publication Publication Date Title
CN110678932B (zh) 服务提供方处理设备和用于提供定制的锻炼推荐的方法
Rajšp et al. A systematic literature review of intelligent data analysis methods for smart sport training
US11544591B2 (en) Framework for a computing system that alters user behavior
Ghanvatkar et al. User models for personalized physical activity interventions: scoping review
US20210008413A1 (en) Interactive Personal Training System
CN109416820B (zh) 对用户满意度进行自动确定和响应的方法和系统
US20210093919A1 (en) Methods and apparatus for coaching based on workout history
US10971262B2 (en) Personalized training based on planned course and personal assessment
US20220148699A1 (en) Systems and methods for hosting wellness programs
US20220374812A1 (en) Systems and methods for generation and traversal of a skill representation graph using machine learning
KR102304563B1 (ko) 사용자 맞춤형 비만 관리 서비스 제공 방법 및 장치
Rewane et al. Food recognition and health monitoring system for recommending daily calorie intake
Cao et al. Football players’ strength training method using image processing based on machine learning
US20220358357A1 (en) Utilizing a neural network model to predict content memorability based on external and biometric factors
KR20230015760A (ko) 인공 지능 기반 맞춤형 건강 증진 컨텐츠 서비스를 추천하는 방법 및 장치
Sathya et al. Fitness Guide: A Holistic Approach for Personalized Health and Wellness Recommendation System
Coppens et al. Connecting physical activity with context and motivation: a user study to define variables to integrate into mobile health recommenders
Fang et al. Enhancing digital health services: A machine learning approach to personalized exercise goal setting
US20240055096A1 (en) Method and apparatus for generating a circuit protocol for instituting a desired body mass index
US11951356B2 (en) Athletic activity tracking and personalized updates based thereon
WO2023158612A1 (en) Leveraging large-scale exercise device metrics to provide personalized experiences
Chen Artificial Intelligence-Based Exercise Prescription Recommendation System
An Fuzzy Decision Support Systems to Improve the Effectiveness of Training Programs in the Field of Sports Fitness
Jaffer et al. Deep Learning-Assisted Physical Education and Resource Allocation Management in Higher Education
Agapitos Online Learning and Concept Dri Adaptation in Self-tracking Data

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