TWI434224B - 體適能評估分析器、分析方法及其腳踏健身裝置 - Google Patents

Description

體適能評估分析器、分析方法及其腳踏健身裝置

本揭示內容是有關於體適能評估分析之方法，且特別是有關於一種應用於腳踏健身器之體適能評估分析方法。

體適能(Physical Fitness)定義為指個人能力除了足以勝任日常工作外，還有餘力享受休閒，及能夠應付突如其來的變化及壓力之身體適能力；體適體之字面解釋為身體適應外界環境，如溫度、氣候變化、病毒...等因素，的綜合能力。

在科技進步的文明社會中，人類身體活動的機會越來越少，營養攝取卻越來越高，工作與生活壓力相對增加；因此，適當的運動是改善現代人生活達至健康的主要途徑。體適能較好的人在日常生活或工作中，從事體力性活動或運動皆有較佳的活力及適應能力，而不會輕易產生疲勞或力不從心的感覺。

為了達到健康生活的目的，現代人常有使用健身器材來運動的習慣，習知已有腳踏健身器可初步量測使用者的心跳並呈現於螢幕上；然而，此項功能僅能忠實呈現使用者目前使用健身器材的狀態，無法更進一步針對各個使用者作客製化的評估及監控。

因此，本揭示內容之一技術態樣在於提供一種體適能評估分析方法，以克服上述無法針對各個腳踏健身器的使用者作客製化評估及監控的問題。

依據本技術態樣一實施方式，提出一種體適能評估分析方法，用於至少一使用者操作一腳踏健身器時，包含下列步驟：擷取多個生理特徵資料，前述生理特徵資料取自使用者之生理狀態；擷取多個機電特徵資料，前述機電特徵資料取自腳踏健身器之機電狀態；利用生理特徵資料及機電特徵資料建立至少一物元模型；利用物元模型訓練一可拓類神經網路以建立一可拓類神經處理系統；以及利用可拓類神經處理系統將至少一待測資料，歸類為至少一評估類別。

在本技術態樣其他實施方式中，生理特徵資料可為一心電訊號特徵，亦可為一肌電訊號特徵。此外，機電特徵資料可為一腳踩踏轉速特徵、一馬達輸出功率特徵或一馬達輸出電壓特徵及一馬達輸出電流特徵。另一方面，其可利用一遠端監控器收集評估類別。

本揭示內容之另一技術態樣在於提供一種體適能評估分析器，以踐行前述諸實施方式之體適能評估分析方法。

依據本技術態樣一實施方式，提出一種體適能評估分析器，其包含一偵測單元、一可拓類神經處理系統及一輸出單元。偵測單元用以擷取多個生理訊號及多個機電訊號，以建立一待測資料。可拓類神經處理系統是以前述之體適能評估分析方法訓練而成，用以將待測資料歸類為至少一評估類別。最後，輸出單元則用以輸出評估類別。在本技術態樣其他實施方式中，體適能評估分析器更可包含一遠端監控器，以收集前述之評估類別。

本揭示內容之又一技術態樣在於提供一種體適能評估分析腳踏健身裝置，以供使用者在操作腳踏健身器時，能順便評估身體狀況。

依據本技術態樣一實施方式，提出一種體適能評估分析腳踏健身裝置，其包含一腳踏健身器、多個生理訊號偵測器、多個機電訊號偵測器及一如前所述之體適能評估分析器。生理訊號偵測器用以擷取腳踏健身器之使用者的生理狀態，機電訊號偵測器用以擷取腳踏健身器之機電狀態，體適能評估分析器則用以根據生理訊號偵測器及機電訊號偵測器，將體適能評估分析器所收到的待測資料判斷出至少一評估類別。

因此，上述諸實施方式藉由輸入生理特徵資料及機電特徵資料來訓練可拓類神經網路，並利用可拓類神經網路建立可拓類神經處理系統，則前述可拓類神經處理系統即可針對各個健身器材的使用者做客製化的評估。此外，其亦可藉由遠端監控器收集各個健身器材使用者的評估類別，進行長期的監控，以達到長期體適能訓練的目的。

第1圖繪示本揭示內容一實施方式之體適能評估分析方法的步驟流程圖。如第1圖所示，本實施方式之體適能評估分析方法，至少包含下列步驟：首先，如步驟110所示，擷取多個生理特徵資料，前述生理特徵資料取自使用者之生理狀態。再者，如步驟120所示，擷取多個機電特徵資料，前述機電特徵資料取自腳踏健身器之機電狀態。然後，如步驟130所示，利用生理特徵資料及機電特徵資料建立至少一物元模型。接下來，如步驟140所示，利用物元模型訓練一可拓類神經網路以建立一可拓類神經處理系統。最後，如步驟150所示，利用可拓類神經處理系統將至少一待測資料，歸類為至少一評估類別。藉此，本實施方式可事先建立一可拓類神經處理系統，以迅速地辨識出健身器材使用者的評估類別。

具體的說，步驟110先量測出使用者的各種生理特徵資料，如心電訊號特徵、肌電訊號特徵...等；另一方面，步驟120再量測出腳踏健身器的各種機電特徵資料，如腳踩踏轉速特徵、馬達輸出功率特徵、馬達輸出電壓特徵及馬達輸出電流特徵...等。至於量測的方法可有多種選擇，在本實施方式中是利用生理檢測器來進行生理特徵資料的擷取，另如陶瓷感測器、電極貼片...等皆可用來擷取生理特徵資料；擷取機電特徵資料的方法更有其他多種選擇。

再者，步驟130利用生理特徵資料及機電特徵資料建立至少一物元模型，在本實施方式中的物元模型分別有心跳率強度、脫水程度、膝蓋肌肉肌電、轉換功率與效率及踩踏迴轉數。接下來，步驟140利用物元模型訓練一可拓類神經網路以建立一可拓類神經處理系統。最後，步驟150再利用可拓類神經處理系統將至少一待測資料，歸類為至少一評估類別。

一般來說，待測資料的評估類別可分為心臟年齡程度、補充水份提示、膝蓋肌肉疲勞程度、總消耗卡路里、可轉換出的能量以及騎乘技術。其中，心臟年齡程度又可細分為基本體力、減肥塑身、心肺功能、有氧界限以及競賽體能；騎乘技術又可細分為舒適、鍛鍊強身、競賽資格以及致勝條件。

為了計算待測資料與本實施方式之體適能評估分析方法基於各生理特徵資料及機電特徵資料所建立的物元模型的各類別關聯度，亦即此一待測資料應被歸類為哪一個評估類別，本實施方式引用可拓理論來進行待測資料的類別評估，其具體運作原理，茲解釋如下：

第2圖繪示可拓類神經網路的架構圖。如第2圖所示，可拓類神經網路擁有接受不同種類變數作為輸入之適應性，其包含了輸入層、演算層與輸出層。首先，將待測資料輸入並分類建構成物元模型後進入到可拓類神經網路中，輸入層的數量由物元模型之特徵數量決定，而輸出層則由資料的類別數決定並存放計算後的可拓距離，最後由屬於各類別之輸出層計算出可拓距離值的最小值決策出待測資料的評估類別。

可拓類神經網路的學習法可分為非監督式學習與監督式學習(Supervised learning)，非監督式學習是由目前擁有的特徵樣本值來進行學習，藉由學習找出資料的規律性與相關性，當有一個資料要輸入辨識時，是尋找最相似者作為辨識結果。而本實施方式使用的可拓類神經網路是使用監督式學習，監督式學習是透過學習來調整權重，藉由不斷地學習與訓練來進行調整修正權重與辨識，以此來降低可拓類神經網路的輸出值與目標輸出值之間的差距，由此來提升可拓類神經網路辨識的準確率。因此在學習前必須有學習樣本X={X₁ ,X₂ ,X₃ ,...X_Pm }，而每一個樣本包含著資料的特徵與類別X_im ={X_i1 ^m ,X_i2 ^m ,X_i3 ^m ,...X_in ^m }，學習樣本以符號P表示，P_M 則為樣本的總數，m則為特徵總數。總誤差設為P_N ，總誤差比率則設為E_T ，如式(1)所示。

而可拓類神經監督式學習之演算步驟如下：

步驟1：將學習資料利用物元模型來建立輸入與輸出之權重值，而物元之表示式如下所示：

式(2)中m代表資料的類別總數，c_j 為物元模型內第n個特徵，且j=1,2,3,...,n，V _kj =<W _kj ^L ,W _kj ^U >為關於特徵c_j 之經典域，而經典域範圍可由學習資料所決定如下：

其中，x_ij ^k 代表可拓類神經網路之輸入端學習資料。

步驟2：計算出每項特徵之權重中心值，以Z_k 表示，如下所式：

Z _k ={z _{k 1} ,z _{k 2} ,z _{k 3} ,...z _kn }　(5)

其中，若學習資料在同一種特徵中僅有同一組資料時，因為權重上限會與權重下限相等，所以利用式(7)及式(8)來進行調整，避免可拓距離產生無限大的值，其調整方式如下：

α為經典域範圍調整率，當α設定越大時，則代表經典域範圍也就跟著越大。

步驟3：讀取i-th訓練樣本資料與特徵數k，如下所示：

步驟4：利用x_i ^k 開始計算可拓距離(Extension distance,ED)，如下所示：

第3圖繪示可拓距離示意圖。如第3圖所示，可拓距離可用以表示點x與範圍<W ^L ,W ^U >之距離，當特徵值之經典域範圍越大時，學習資料之範圍也越大，此時計算可拓距離時則靈敏度越低；相反的，若特徵值之經典域範圍越小時，代表資料樣本越精確，而靈敏度越高。

步驟5：尋找所有類別的最小可拓距離，其最小可拓距離之類別即判斷為類別k*，此時若k*類別與資料類別k相同，即k*=k，則跳到步驟7；若資料類別不相等k*≠k，則繼續步驟6之動作。

步驟6：調整k類別與k*類別之權重值。

(1)更新權重上、下限值大小。

(2)更新權重中心值大小。

其中，η為學習率(Learning rate)，學習率的大小會影響收斂速度以及收斂之精準度，學習率如果越大則容易達至收斂，但收斂之精準度也可能會降低。相反的，如果學習率越小可讓收斂較精準，但是學習次數與時間將可能會增加。

第4圖繪示k類別與k*類別權重調整前的示意圖，第5圖繪示k類別與k*類別權重調整後的示意圖。如第4圖及第5圖所示，因ED_{k*_old} <ED_{k_old} ，代表所判斷之類別並非資料之類別，此時透過式(10)到式(16)作調整後，如第5圖中學習資料所計算之ED_{k*_new} >ED_{k_new} ，表示透過調整權重已改變其所歸屬的類別至正確類別。

步驟7：重複步驟3至步驟7之步驟，直到所有學習資料皆讀取並完成學習分類完畢。

步驟8：當所有資料之分類程序都已達到收斂狀態或總誤差率到達到目標值則停止，否之則返回步驟3繼續。

經過以上幾個步驟後，從中學習與調整權重值，由不斷學習及訓練下，所修正權重值與辨識率，可降低可拓類神經網路之輸出值與目標輸出值之間的差距，因此可提升可拓類神經網路辨識之準確率。

第6圖繪示可拓類神經網路的學習流程圖。如第6圖所示，可清楚的了解可拓類神經網路的學習方式以及如何結束學習，在本實施方式中只要達到欲評估類別的辨識率就可跳出迴圈，並進行可拓類神經評估人體生理訊號辨識。

當可拓類神經網路完成學習後，即可輸入一待測資料進行群集類別的辨識與分類。第7圖繪示可拓類神經網路的辨識流程圖。如第7圖所示，其辨識流程說明如下：

步驟1：讀取以達到辨識之目的之可拓類神經網路權重值矩陣。

步驟2：計算中間值大小。

步驟3：讀取待測資料。

步驟4：計算待測資料與各評估類別之可拓距離。

步驟5：尋找最小可拓距離，藉以判斷待測資料所屬評估類別。

步驟6：辨識完所有待測資料則停止運算，否則回步驟3讀取下一筆待測資料。

上述為本實施方式之體適能評估分析方法100具體的操作原理及方式。值得一提的是，藉由可拓類神經處理系統能建立每一個人獨一無二的物元模型，並精確掌握每一個使用者獨特的身體機能表現，進而評估其最精確的體適能。

第8圖繪示體適能評估分析器的功能方塊圖。如圖所示，若從技術面的角度來看，亦可將體適能評估分析方法100具體化成一種體適能評估分析器200，其包含一偵測單元210、一可拓類神經處理系統220及一輸出單元230。

偵測單元210用以擷取多個生理訊號211及多個機電訊號212，以建立一待測資料。此處的偵測單元210即對應前述的生理檢測器、陶瓷感測器、電極貼片...等。

其中，本實施方式利用一些生醫技術來量測人體在運動時所得到的一些生理訊號，並用這些生理訊號211來找取出生理特徵資料，為了要找出這些生理特徵資料，以下分別對心電訊號及肌電訊號介紹。

第9圖繪示心電訊號的擷取流程圖。如第9圖所示，心臟是由肌肉所組成的器官，組成心臟的肌肉稱為心肌，當心肌在活動時，也就是在心跳動的時會產生電流，在靜止狀態先利用一陶瓷感測器量測使用者心臟電流，然後在運動時的任何時間點上再量測使用者的心臟電流，經過一連串的導程選擇電路、高低通濾波放大器、隔離電路及濾波器，最後得到一心電訊號。接著利用這些心電訊號來判斷心臟年齡程度是基本體力、減肥塑身、心肺功能、有氧界限、競賽體能等情況。

第10圖繪示肌電訊號的擷取流程圖。如第10圖所示，人體在出力時，肌肉中的細胞因為受到刺激產生興奮，引發動作電位而產生收縮，利用表面電極量測到一肌電訊號，經過一連串的高低通濾波放大器、隔離電路、濾波器及整流器，最後可得到一肌力圖。其中，經過放大器的肌電訊號可繪製成一肌電圖。經由肌力圖呈現各體在進行動作表現時，相關肌肉的電位活動，並藉由動作時間、形態強度來分析肌肉為良好或是疲勞的情況。

請繼續參考第8圖，體適能評估分析器200之可拓類神經處理系統220以如前述之體適能評估分析方法100訓練而成，用以將待測資料歸類為至少一評估類別。

輸出單元230用以輸出評估類別，此處的輸出單元230可為筆記型電腦、PDA、手機、USB...任何可將資料輸出的介面。此外，本實施方式更包含一遠端監控器240，用以收集評估類別，是藉由Modbus、Zigbee無線傳輸器將各個使用者不同的評估類別傳輸至遠端監控器240進行控管。

第11圖至第13圖繪示圖控軟體LabVIEW的介面。如第11圖至第13圖所示，本實施方式是利用筆記型電腦作為資料儲存及資料輸出的介面，讓監控者可輕易從LabVIEW的介面上獲知使用者的各項參數數值及評估類別結果。如此一來，使用者亦可於運動結束後知道自己的身體狀況及運動過程中所轉換的各項數據。

本實施方式具有遠端監控器240的設計，另可應用於需做長期復健的患者身上，藉由遠端監控器240長期收集的評估類別，利用資料統計、圖表分析...等方式對復健患者的身體狀況及復健過程進行較嚴密的監控，避免復健過程的運動傷害，並確保復健運動對患者身體產生預期的效果。

此外，本實施方式可訊號連接多個輸出單元230，再將不同使用者的多筆評估類別集合管理，此種統一管理的方式可擴大應用在各健身中心、醫院或復健中心，不但可提升使用者健身或復健的品質外，亦可降低需監督使用者的人事成本。

更進一步的來說，上述體適能評估分析器200又可應用於腳踏健身器上，使其成為一種體適能評估分析腳踏健身裝置300。第14圖繪示體適能評估分析腳踏健身裝置的示意圖。如第14圖所示，體適能評估分析腳踏健身裝置300包含一腳踏健身器310、多個生理訊號偵測器320、多個機電訊號偵測器330及一如前述之體適能評估分析器200。

生理訊號偵測器320用以擷取腳踏健身器310之使用者的生理狀態。機電訊號偵測器330用以擷取腳踏健身器310之機電狀態。此處的生理訊號偵測器320及機電訊號偵測器330相當於前述體適能評估分析器200的偵測單元210。如前述之體適能評估分析器200用以根據生理訊號偵測器320及機電訊號偵測器330判斷出至少一評估類別。

值得一提的是，本實施方式之體適能評估分析腳踏健身裝置300另有一可反饋的發電機制，踩動腳踏健身器齒輪的力量帶動鏈條與變速器來啟動發電機，並將發電機的電能利用一直流充電器及一變頻轉換器儲存於蓄電池，再將此電池電壓用於生理訊號偵測器320、機電訊號偵測器330及體適能評估分析器200。

由上述實施方式可知，應用本揭示內容可針對各個健身器材的使用者做客製化的評估及監控，並藉由遠端監控器收集各使用者的評估類別，進行長期的監控，以達到長期體適能訓練或復健的目標。

雖然本揭示內容已以諸實施方式揭露如上，然其並非用以限定本揭示內容，任何熟習此技藝者，在不脫離本揭示內容之精神和範圍內，當可作各種之更動與潤飾，因此本揭示內容之保護範圍當視後附之申請專利範圍所界定者為準。

100．．．體適能評估分析方法

110-150．．．步驟

200．．．體適能評估分析器

210．．．偵測單元

211．．．生理訊號

212．．．機電訊號

220．．．可拓類神經處理系統

230．．．輸出單元

240．．．遠端監控器

300．．．體適能評估分析腳踏健身裝置

310．．．腳踏健身器

330．．．機電訊號偵測器

320．．．生理訊號偵測器

第1圖繪示本揭示內容一實施方式之體適能評估分析方法的步驟流程圖。

第2圖繪示可拓類神經網路的架構圖。

第3圖繪示可拓距離示意圖。

第4圖繪示k類別與k*類別權重調整前的示意圖。

第5圖繪示k類別與k*類別權重調整後的示意圖。

第6圖繪示可拓類神經網路的學習流程圖。

第7圖繪示可拓類神經網路的辨識流程圖。

第8圖繪示體適能評估分析器的功能方塊圖。

第9圖繪示心電訊號的擷取流程圖。

第10圖繪示肌電訊號的擷取流程圖。

第11圖至第13圖繪示圖控軟體LabVIEW的介面。

第14圖繪示體適能評估分析腳踏健身裝置的示意圖。

100．．．體適能評估分析方法

110-150．．．步驟

Claims (5)

1. 一種體適能評估分析方法，係用於至少一使用者操作一腳踏健身器時，包含下列步驟：擷取複數個生理特徵資料，該些生理特徵資料係取自該使用者之生理狀態，其中該些生理特徵資料至少包含一心電訊號特徵及一肌電訊號特徵；擷取複數個機電特徵資料，該些機電特徵資料係取自該腳踏健身器之機電狀態，其中該些機電特徵資料至少包含一腳踩踏轉速特徵、一馬達輸出功率特徵、一馬達輸出電壓特徵及一馬達輸出電流特徵；利用該些生理特徵資料及該些機電特徵資料建立至少一物元模型；利用該物元模型訓練一可拓類神經網路以建立一可拓類神經處理系統，該可拓類神經網路權重值經典域範圍由學習資料上下限所決定；以及利用該可拓類神經處理系統將至少一待測資料，歸類為至少一評估類別，其中該些評估類別至少包含心臟年齡程度、補充水份提示、膝蓋肌肉疲勞程度、總消耗卡路里、可轉換出的能量以及騎乘技術。
2. 如請求項1所述之體適能評估分析方法，更包含：利用一遠端監控器收集該評估類別。
3. 一種體適能評估分析器，包含： 一偵測單元，用以擷取複數個生理訊號及複數個機電訊號，以建立一待測資料；一可拓類神經處理系統，係以如請求項1所述之體適能評估分析方法訓練而成，用以將該待測資料歸類為至少一評估類別；以及一輸出單元，用以輸出該評估類別。
4. 如請求項3所述之體適能評估分析器，更包含：一遠端監控器，用以收集該評估類別。
5. 一種體適能評估分析腳踏健身裝置，包含：一腳踏健身器；複數個生理訊號偵測器，用以擷取該腳踏健身器之使用者的生理狀態；複數個機電訊號偵測器，用以擷取該腳踏健身器之機電狀態；以及一如請求項3所述之體適能評估分析器，用以根據該些生理訊號偵測器及該些機電訊號偵測器判斷出至少一評估類別。