TWI777140B

TWI777140B - 運動課程產生方法與系統

Info

Publication number: TWI777140B
Application number: TW109107317A
Authority: TW
Inventors: 郭立杰; 連震杰; 蘇芳慶; 林摯鈞; 黃健峻; 林育昇; 陳侲富
Original assignee: 國立成功大學
Priority date: 2020-03-05
Filing date: 2020-03-05
Publication date: 2022-09-11
Also published as: TW202134994A

Abstract

本發明提出一種運動課程產生方法，包括：取得關於使用者的個人資料；在運動課程開始以後，取得即時的運動生理資料，並將運動生理資料與個人資料輸入至一機器學習模型以預測對應使用者的自我評量；根據運動生理資料與自我評量判斷是否發生主客觀衝突事件；以及若發生主客觀衝突事件，根據個人化曲線調整運動課程的負荷度。

Description

運動課程產生方法與系統

本發明是有關於一種運動課程產生方法與系統，可以輔助使用者調整運動課程的負荷度。

依照美國運動醫學會(American College of Sports Medicine,ACSM)的建議，對於健康體能發展與維持所需運動訓練的課程處方需要考慮四個主要條件：(一)訓練強度(達到健康的改善與維持，介於中度到重度的運動強度)；(二)運動持續時間(適當強度下至少持續20~60分鐘)；(三)訓練次數；(四)活動方式。圖1是根據先前技術繪示運動課程的設計流程。請參照圖1，在步驟101中，開始一個運動課程(編號n)。在運動課程結束以後，在步驟102中進行訓練後自我評量，也就是由使用者依照自己的感受評量運動的強度或者是盡力的程度。在步驟103中，依據自我評量對應增加或減少運動強度，如果使用者覺得運動強度很低或游刃有餘則可以對應地增加運動強度；相反地如果使用者覺得已經太強或很勉強才可完成運動課程，則可以減少運動強度。在進行運動課程n的同時也可以量測使用者的每分鐘心率，並判斷這個心率是否達到最大心率的x%，其中x為實數，例如為80，此數值可由運動教練設定。在步驟105中，由運動教練設計下一個運動課程(編號n+1)，接下來進行重複流程(步驟106)，目的是要讓心率提升為(x+y)%，其中y也可由運動教練設定(步驟107)，並藉此設計下一個運動課程(步驟108)。換言之，步驟102、103、105會形成一個重複程序110，每次運動後會依照自我評量與心率來設計下一個運動課程。然而，圖1的設計流程需要運動教練的介入，如何建置一個自動的運動課程產生方法，為此領域技術人員所關心的議題。

本發明的實施例提出一種運動課程的產生方法，適用於一處理器，此產生方法包括：取得關於使用者的個人資料；開始運動課程，取得即時的運動生理資料，並將運動生理資料與個人資料輸入至一機器學習模型以預測對應使用者的自我評量；根據運動生理資料與自我評量判斷是否發生主客觀衝突事件；以及若發生主客觀衝突事件，根據個人化曲線調整運動課程的負荷度。

在一些實施例中，上述的運動生理資料包括生理資料與運動資料，生理資料包括心率的統計值，運動資料包括阻力的統計值與轉速的統計值，個人資料包括身高、體重、年齡、性別與身體狀態，自我評量為運動自覺評量(Rating of Perceived Exertion，RPE)，負荷度包括轉速或阻力。

在一些實施例中，上述根據運動生理資料與自我評量判斷是否發生主客觀衝突事件的步驟包括：判斷運動生理資料是否在預設運動生理區間且自我評量是否在預設自我評量區間，若否則判斷發生主客觀衝突事件。

在一些實施例中，根據個人化曲線調整運動課程的負荷度包括：取得對應使用者的最大心率，並計算即時心率相對於最大心率的心率比值；計算心率比值與自我評量之間的比率；若此比率大於第一預設值，降低負荷度；以及若此比率小於第二預設值，增加負荷度，其中第二預設值小於等於第一預設值。

在一些實施例中，上述的產生方法更包括：以運動課程的預設負荷度的預設比例來調整負荷度；若比率大於第一預設值，降低預設比例；以及若比率小於第二預設值，增加預設比例。

以另一個角度來說，本發明的實施例提出一種運動課程產生系統，包括運動器材、感測器、資料庫與處理器。處理器用以通訊連接至運動器材、感測器與資料庫，處理器從資料庫取得關於使用者的個人資料。運動器材開始一運動課程以後，處理器透過運動器材與感測器取得即時的一運動生理資料，並將運動生理資料與個人資料輸入至機器學習模型以預測對應使用者的自我評量。處理器根據運動生理資料與自我評量判斷是否發生主客觀衝突事件，若發生主客觀衝突事件，則根據個人化曲線調整運動課程的負荷度。

在一些實施例中，處理器更用以判斷運動生理資料是否在預設運動生理區間且自我評量是否在預設自我評量區間，若否則判斷發生主客觀衝突事件。

在一些實施例中，處理器更用以：取得對應使用者的最大心率，並計算即時心率相對於最大心率的心率比值；計算心率比值與自我評量之間的比率；若此比率大於第一預設值，降低負荷度；以及若此比率小於第二預設值，增加負荷度，其中第二預設值小於等於第一預設值。

在一些實施例中，處理器更用以：以運動課程的預設負荷度的預設比例來調整負荷度；若上述的比率大於第一預設值，降低預設比例；以及若比率小於第二預設值，增加預設比例。

在上述的方法與系統中，可以透過人工智慧(機器學習模型)來輔助使用者進行運動課程，並適應性地調整運動課程的負荷度。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

101~108:步驟

110:重複程序

210:使用者

220:運動器材

230:感測器

232:穿戴式裝置

310:處理器

330:感測器

340:伺服器

350:資料庫

401:歷史量測資料

402:歷史主觀資料

403:訓練之歷史資料

404:機器學習模型

411~416,421:步驟

T1~T4:時間點

710:區域

720~722:直線

810:極座標

901~905:步驟

圖1是根據先前技術繪示運動課程的設計流程。

圖2是根據一實施例繪示使用者進行運動課程的示意圖。

圖3是根據一實施例繪示運動課程產生系統的示意圖。

圖4是根據一實施例繪示產生運動課程的示意流程圖。

圖5是根據一實施例繪示訓練資料的示意圖。

圖6是根據一實施例繪示測試資料的示意圖。

圖7是根據一實施例繪示個人化曲線的示意圖。

圖8是根據一實施例繪示將一維訊號轉換為極座標的示意圖。

圖9是根據一實施例繪示運動課程的產生方法的流程圖。

關於本文中所使用之『第一』、『第二』、...等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。

圖2是根據一實施例繪示使用者進行運動課程的示意圖。請參照圖2，在此實施例中使用者210是在運動器材220(圖2所示為飛輪，但也可以是跑步機、腳踏車或其他合適的運動設備)上進行運動課程。運動器材220上可設置有感測器230來量測使用者的生理資料，例如心率。在一些實施例中也可以透過穿戴式裝置232來量測使用者的心率，此穿戴式裝置232例如為手錶或手環，其中設置有所需要的感測器、處理器等。本揭露提出一種系統，可具備機器學習能力以分析使用者的客觀資料(個人資料、常模資料、生理資料、運動資料)及主觀資料(專家意見、異質資料、自覺量表)來進行預測回饋產生可適應性的運動課程。在一些實施例中，此系統可透過穿戴式裝置232取得每一位使用者的即時生理資料，透過運動器材220可取得即時的運動資料，再結合健康管理資料庫的個人性別、年齡、各項體適能等次級資料與主觀資料(例如身體活動準備問卷(PAR-Q)、專家調整課程記錄)，利用機器學習演算法可預測主觀的自我評量，此自我評量例如為運動自覺評量(Rating of Perceived Exertion，RPE)或其他可以用來表示運動效果的數值。上述的自我評量可用來調整運動課程的負荷度，然而客觀(生理)資料與主觀(心理)資料可能發生衝突，為了抑制主觀意識過度影響訓練，避免造成訓練過適或低於標準的異常事件，若發生主客觀衝突事件則依據個人化曲線逐步調整運動課程，藉此建立人工智慧運動教練，提供一套可適應使用者的健康促進系統。

圖3是根據一實施例繪示運動課程產生系統的示意圖。請參照圖3，運動課程產生系統300包括了處理器310、運動器材220、感測器330、伺服器340與資料庫350。

運動器材220可為飛輪、跑步機、腳踏車或其他任意合適的運動設備，運動器材220上設置一或多個感測器來取得運動資料，此運動資料可包括在一段時間內的跑速、轉速、阻力、斜度等等。此外，運動器材220可以調整負荷度，此負荷度例如為轉速、跑速、阻力、斜度、運動持續時間等等。

感測器330可為心率感測器、血壓感測器、呼吸次數感測器等，用以量測心率、血壓、呼吸次數等生理資料。此感測器330可設置在運動器材220上，也可以設置在圖2的穿戴式裝置232上，在一些實施例中也可以設置在使用者穿戴的帽子、衣服、褲子、鞋子、束帶之上。在一些實施例中感測器330也可以是遠距離的影像感測器，用以感測可見光、紅外線或任意頻段的光線，並透過影像處理的方式來取得心率、血壓、呼吸次數等生理資料。

伺服器340用以提供一使用者介面(例如網頁、手機應用程式等)，讓使用者登入並輸入關於使用者的個人資料。此個人資料包括了主觀資料與客觀資料，主觀資料包括身高、體重、年齡、性別與體適能資料等等，客觀資料包括了身體狀態、身體活動準備問卷(PAR-Q)、專家調整課程記錄等，其中身體狀態是由使用者自己回答在進行運動課程之前的精神狀況/身體狀況如何，此身體狀態可以用合適的數值、文字、選項、符號、圖案來表示，本發明並不在此限。上述的個人資料會儲存在資料庫350當中。在一些實施例中，資料庫350也記錄了使用者的歷史運動資料(包括上述的運動資料與生理資料)。在一些實施例中，資料庫350也可以設置在運動器材220、穿戴式裝置232、智慧型手機(未繪示)、或電腦(未繪示)當中。

處理器310可為中央處理器、微處理器、微控制器、數位信號處理器、特殊應用積體電路等。處理器310可以設置在運動器材220、穿戴式裝置232、或任意的電子裝置(例如智慧型手機或電腦，未繪示)上，處理器310可透過有線或無線的通訊手段與運動器材220、感測器330、資料庫350通訊連接，此通訊手段例如為互聯網、區域網路、廣域網路、蜂窩電話網路、近場通訊、紅外線通訊、藍芽、無線保真(WiFi)、任意的有線連接等等。

首先使用者會透過運動器材220進行一個運動課程，在運動課程開始以後運動器材220會收集運動資料，感測器330會收集生理資料，這些運動資料與生理資料會傳送至處理器310，另外處理器310會從伺服器340取得個人資料。根據這些運動資料、生理資料與個人資料，處理器310會執行一個運動課程的產生方法，以下將詳細說明此方法。在一些實施例中，處理器310的個數也可以是多個，分散在不同的裝置當中，這些處理器透過彼此通訊來完成運動課程產生方法。舉例來說，其中一個處理器與感測器330設置在穿戴式裝置232，一個處理器設置在伺服器340，另一個處理器設置在運動器材220上。

圖4是根據一實施例繪示產生運動課程的示意流程圖。請參照圖4，在此實施例中是透過機器學習模型來預測使用者的自我評量，在此分訓練階段與測試階段來說明。在訓練階段中，首先取得歷史量測資料401與歷史主觀資料402，歷史量測資料401包括歷史的運動資料、生理資料與個人資料，而歷史主觀資料402包括了歷史的自我評量。舉例來說，圖5是根據一實施例繪示訓練資料的示意圖。當使用者進行運動課程的期間需要收集對應的運動資料與生理資料，此外可以在時間點T₁~T₄都詢問使用者目前的自我評量為何。舉例來說，在開始運動課程之前的生理資料以及時間點0至時間點T₁的運動資料可以用來形成特徵向量，而時間點T₁的自我評量可以當作事實 (ground truth)，藉此形成一個訓練樣本(training sample)。此外，時間點0至時間點T₁的生理資料與時間點T₁至時間點T₂的運動資料可以用來形成特徵向量，而時間點T₂的自我評量可以當作事實，藉此形成另一個訓練樣本，以此類推。在一些實施例中，從時間點0至時間點T₁之間的資料是用來暖身，因此不作為訓練資料，同樣的從時間點T₃至時間點T₄之間的資料是用來作為放鬆，也不會納入訓練資料。在一些實施例中，也可以採用時間點0至時間點T₁的生理資料與時間點0至時間點T₂的運動資料(一部分是已發生的運動資料，另一部分是運動課程中規劃的運動資料)來形成特徵向量，而時間點T₂的自我評量可以當作事實，藉此形成一個訓練樣本。在一些實施例中，時間點T₁至時間點T₂的生理資料與運動資料可以形成特徵向量，時間點T₂的自我評量可以當作事實，藉此形成一個訓練樣本，之後再依照相同的做法產生時間點T₂至時間點T₃的訓練樣本，以此類推。在一些實施例中，生理資料與運動資料等時序性資料可於資料點上進行標註，倘若發生心率變異高或是超出設定範圍時即標註為異常，進而配合機器學習模型進行異常監控警訊通知。本領域具有通常知識者當可以根據上述揭示內容調整、潤飾訓練樣本的產生方式。

在一些實施例中，可以對歷史量測資料401進行特徵萃取，例如計算心率的統計值，此統計值可包括最大值、最小值、平均值、變異數、相對於最大心率的百分比等等，另外也可以計算阻力的統計值與轉速的統計值，這些統計值可包括最大值、最小值、平均值、變異數等等，本發明並不在此限。此外，由於歷史量測資料401有些資料為主觀且離散的(例如身體狀態)，因此必須先把這些離散狀態數值化，例如用1~5來表示身體狀態如何，用0和1來分別表示性別，用1~5來表示自我評量等等，然而這些數值僅是範例，本發明並不在此限。在一些實施例中，可以對這些收集到的資料進行主成分分析(principle component analysis，PCA)來降低資料的維度。在一些實施例中，也可對歷史量測資料401進行去雜訊、類別轉換、二值化、補值、正規化等處理，本發明並不在此限。經過上述處理以後便形成訓練之歷史資料403，藉此可以用來訓練一個機器學習模型404，例如為決策樹、隨機森林、多層次神經網路、卷積神經網路、支持向量機等等，本發明並不在此限。

接下來說明測試階段，首先使用者在進行運動課程前可在步驟411輸入主觀資料，例如用1~5分來表示目前的身體狀況如何。如果使用者是第一次進行運動課程，也需要輸入使用者的個人資料(已詳細說明如上)。如果使用者曾經使用過本系統，則伺服器340已經儲存有相關的個人資料，這些儲存的個人資料會與使用者所輸入的主觀資料合併。

接下來在步驟412中開始一個預設的運動課程(編號n)，此運動課程可以根據上一次運動的結果來決定，也可以由使用者自行決定，本發明並不在此限。接下來在步驟413中，透過運動器材220取得運動資料，透過感測器330取得生理資料，在此將運動資料與生理資料合稱為運動生理資料，然後對運動生理資料進行上述的特徵萃取，並將萃取後的運動生理資料與個人資料輸入至機器學習模型404以預測對應至使用者的自我評量(步驟414)。舉例來說，請參照圖6，當使用者進行運動課程到時間點T₁時已收集了從時間點0到時間點T₁之間的生理資料與運動資料，加上從運動課程(編號n)中可以取得時間點T₁到時間點T₂之間的運動資料(尚未發生但希望使用者達到的轉速、阻力等等)，將這些生理資料、運動資料與個人資料輸入至機器學習模型404以後可以預測在時間點T₂的自我評量，藉此可以調整時間點T₁到時間點T₂之間的負荷度。例如，如果自我評量小於等於第一級分(例如2分)則增加負荷度，如果自我評量大於等於第二級分(例如5分)則降低負荷度。

然而，在一些情況下主觀的自我評量與客觀的生理資料可能發生衝突。例如，使用者的心率並沒有很高但自我評量卻很高，這可能是因為使用者今天感覺比較怠慢；如果使用者的心率很高但自我評量卻很低，可能是因為使用者力求表現想要逞強。在此實施例中會根據收集到的運動生理資料與預測出的自我評量判斷是否發生主客觀衝突事件(步驟415)，若沒有的話則不需要改變運動課程或只根據自我評量來調整複合度(已說明如上)，若有的話則需要根據個人化曲線調整運動課程的負荷度。

在一些實施例中，可判斷運動生理資料是否在一預設運動生理區間且預測的自我評量是否在一預設自我評量區間，若是的話則沒有發生主客觀衝突事件，若否的話則判斷發生了主客觀衝突事件。舉例來說，此步驟採用的運動生理資料包括了轉速與心率，上述的預設運動生理區間則包括了預設轉速區間以及理想心率。其中預設轉速區間是先從運動課程(編號n)中取得轉速，此轉速表示希望使用者能到達到的轉速，例如60RPM(rotation per minute)，接著將此轉速加上/減去一比率(例如5%)則形成預設轉速區間，即57~63RPM。此外，根據使用者的年齡可以計算出一最大心率，計算方式例如為以下方程式(1)所示。

最大心率=208-(0.7×年齡)...(1)

運動課程(編號n)中則設定了一比率(例如80%)，將此比率乘上最大心率便可以得到希望使用者達到的理想心率。在此討論三種主客觀衝突事件。第一，如果使用者目前的心率大於等於理想心率，且目前的轉速小於等於預設轉速區間的下限(例如57RPM)，則表示過度負荷。第二，如果使用者目前的心率沒有達到理想心率，且目前的轉速小於等於預設轉速區間的下限，則表示阻力過大。第三，如果使用者目前的心率沒有達到理想心率，且目前的轉速大於等於預設轉速區間的上限(例如63RPM)，則表示阻力過輕。在一些實施例中，如果目前量測的轉速是在預設轉速區間之內且目前量測到的心率已經提到理想心率，則判斷運動生理資料是在預設運動生理區間之內。

在其他實施例中，步驟415中所採用的運動生理資料也可以包括跑速，本領域具有通常知識者當可以根據上述揭露的內容設計出對應的預設跑速區間，本發明並不在此限。

在此實施例中，自我評量為運動自覺評量(RPE)，上述的預設自我評量區間例如為3~4分，如果預測出的自我評量是在3~4分的範圍內則表示是在預設自我評量區間之內。或者，在一些實施例中只要不是4分便判斷不在預設自我評量區間之內。

如果發生主客觀衝突事件(步驟415的判斷結果為是)，表示運動生理資料與自我評量的至少其中之一不在理想的範圍內，接下來進行步驟416，根據個人化曲線調整運動課程的負荷度。具體來說，圖7是根據一實施例繪示個人化曲線的示意圖。首先根據使用者的年齡計算出使用者的最大心率，此計算可參照上述方程式(1)。接下來透過感測器330取得即時心率(即目前的每分心率)，將即時心率除以最大心率以取得即時心率相對於最大心率的一心率比值，此心率比值用來決定圖7的Y軸，例如為60%、80%等。另一方面，圖7的X軸則是所預測的自我評量，例如為3分、4分等。根據座標點(自我評量、心率比值)可以用來判斷使用者的主觀與客觀因素。具體來說，如果座標點(自我評量、心率比值)落在區域710之內，則表示心率與自我評量都是理想的區間。如果座標點(自我評量、心率比值)落在直線721的上方則表示代表身體(客觀)可進行當次運動課程，但是心理上可能因為勞累或心煩(mental fatigue)造成當次運動課程分心而降低維持在目前負荷度的控制能力與順從性。另一方面，如果座標點(自我評量、心率比值)落在直線722的下方，則代表心理上(主觀)可進行當次運動課程，但是身體上可能因為肌肉酸痛(muscle fatigue)或疾病等因素降低維持在目標負荷度的控制能力與順從性。因此，可計算心率比值與自我評量之間的比率，若此比率大於一第一預設值(對應至直線721的斜率)，則降低負荷度；如果心率比值與自我評量之間的比率小於第二預設值(對應至直線722的斜率)，則增加負荷度；如果心率比值與自我評量之間的比率介於第一預設值與第二預設值之間(直線720周圍)，則不需要調整負荷度或只根據自我評量來調整負荷度。值得注意的是，這樣的判斷會根據使用者的年齡適應性的調整，具體來說，如果使用者的年齡比較小，則最大心率會比較大，因此即時心率除以最大心率的心率比值(Y軸)會比較小而容易落在直線722下方，因此系統會傾向於增加負荷度；相反地如果使用者的年齡比較大則容易落在直線721的上方，系統會傾向於降低負荷度。如此一來，上述做法可以同時考量客觀因素、主觀因素以及使用者的負荷能力來適應性地調整運動課程的負荷度。

上述的第一預設值與第二預設值可以根據自我評量的尺度做任意的調整。在圖7的例子中根據直線721、722的斜率可以設定第一預設值為80/3，第二預設值可以設定為15，然而這些數值僅是範例，本發明並不在此限。在一些實施例中第一預設值也可以相同於第二預設值。

在一些實施例中，當調整負荷度時是根據預設負荷度的預設比例來調整。舉例來說，預設負荷度是轉速，例如60RPM，而預設比例為5%，也就是說每次增加/減少負荷度時都調整60x5%=3RPM。特別的是，此預設比例也可以動態調整，如果心率比值與自我評量之間的比率大於第一預設值(直線721上方)，則可以降低此預設比例，例如改變為4%，這是因為考量到此時使用者的自我評量較低，為了讓使用者專注於運動課程進行，因此縮小預設比例讓使用者逐步專注於運動課程。另一方面，如果心率比值與自我評量之間的比率小於第二預設值(直線722下方)，則可以增加預設比例，例如改變為6%，這是因為此時使用者身體有足夠的負荷能力，因此可以大幅度的調整負荷度。

請參照回圖4，在步驟416調整運動課程的負荷度以後會重複執行步驟413~415，一直到運動課程結束為止。在運動課程結束以後，在步驟421讓使用者進行自我評量，這個自我評量可以加入訓練之歷史資料406來重新訓練機器學習模型414。此外，根據自我評量可以調整負荷度以產生運動課程(編號n+1)。

在上述的實施例是從生理資料與運動資料中取得統計值來訓練機器學習模型404，但在其他的實施例中也可以將一維的訊號轉換為二維影像，並採用卷積神經網路。具體來說，假設一維的運動訊號或生理訊號表示為向量X={x₁,x₂,...,x_N}，N為正整數，x₁代表第1個取樣點的數值，以此類推。根據以下方程式(2)可進行正規化。

然後，將正規化後的訊號

轉為極座標，如以下方程式(3)、(4)所示。

其中φ_i為角度，r_i為徑長，t_i為

所對應的時間。此效果如圖8所示，一維訊號可以轉換為極座標810，其中訊號從極座標810中心開始向外展開，因此可以保留時間的特性。接下來，產生二維影像，其中第i列第j行的像素的灰階值I_i,j可根據以下方程式(5)來決定。

I_i,j=cos(φ _i+φ _j)...(5)

此二維影像可以輸入至卷積神經網路當中以訓練出機器學習模型404。

圖9是根據一實施例繪示運動課程的產生方法的流程圖。請參照圖9，在步驟901中，取得關於一使用者的個人資料。在步驟902中，在運動課程開始以後，取得即時的運動生理資料，並將運動生理資料與個人資料輸入至機器學習模型以預測對應使用者的自我評量。在步驟903中，根據運動生理資料與自我評量判斷是否發生一主客觀衝突事件。若發生主客觀衝突事件，在步驟904中，根據個人化曲線調整運動課程的負荷度。若沒有發生主客觀衝突事件，在步驟905中，不改變運動課程或只根據自我評量調整運動課程的負荷度。然而，圖9中各步驟已詳細說明如上，在此便不再贅述。值得注意的是，圖9中各步驟可以實作為多個程式碼或是電路，本發明並不在此限。此外，圖9的方法可以搭配以上實施例使用，也可以單獨使用。換言之，圖9的各步驟之間也可以加入其他的步驟。以另外一個角度來說，本發明也提出了一電腦程式產品，此產品可由任意的程式語言及/或平台所撰寫，當此電腦程式產品被載入至電腦系統並執行時，可執行上述的方法。

在上述的方法與系統中，同時考量了主觀的自我評量與客觀的運動生理資料來產生運動課程，其中還判斷主客觀發生衝突時該如何處理，如此一來可以適應性地設計出更適合使用者的運動課程。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

401:歷史量測資料

402:歷史主觀資料

403:訓練之歷史資料

404:機器學習模型

411~416,421:步驟

Claims

一種運動課程產生方法，適用於一處理器，該運動課程產生方法包括：取得關於一使用者的個人資料；在一運動課程開始以後，取得即時的一運動生理資料，該運動生理資料表示為向量X={x₁,x₂,...,x_N}，i、N為正整數，x_i代表該運動生理資料中第i個取樣點的數值；執行以下方程式：

,0
1 I_i,j=cos(φ _i+φ _j)其中φ_i為角度，I_i,j是二維影像中第i列第j行的像素的灰階值，j為正整數，
為正規化後的訊號；將該二維影像輸入至一機器學習模型以預測對應該使用者的一自我評量，其中該機器學習模型為卷積神經網路，該自我評量為運動自覺評量(Rating of Perceived Exertion，RPE)；判斷該運動生理資料是否在一預設運動生理區間且該自我評量是否在一預設自我評量區間，若否則判斷發生一主客觀衝突事件；以及若發生該主客觀衝突事件：取得對應該使用者的一最大心率，並計算一即時心率相對於該最大心率的一心率比值；計算該心率比值與該自我評量之間的一比率；若該比率大於一第一預設值，降低該運動課程的一負荷度；以及若該比率小於一第二預設值，增加該負荷度，其中該第二預設值小於等於該第一預設值。
如申請專利範圍第1項所述之運動課程產生方法，其中該運動生理資料包括生理資料與運動資料，該生理資料包括心率的一統計值，該運動資料包括阻力的一統計值與轉速的一統計值，該個人資料包括身高、體重、年齡、性別與一身體狀態，該負荷度包括該轉速或該阻力。
如申請專利範圍第1項所述之運動課程產生方法，更包括：以該運動課程的一預設負荷度的一預設比例來調整該負荷度；若該比率大於該第一預設值，降低該預設比例；以及若該比率小於該第二預設值，增加該預設比例。
一種運動課程產生系統，包括：一運動器材；一感測器；一資料庫；以及一處理器，用以通訊連接至該運動器材、該感測器與該資料庫，該處理器從該資料庫取得關於一使用者的個人資料，其中該運動器材開始一運動課程以後，該處理器透過該運動器材與該感測器取得即時的一運動生理資料，該運動生理資料表示為向量X={x₁,x₂,...,x_N}，i、N為正整數，x_i代表該運動生理資料中第i個取樣點的數值，該處理器執行以下方程式：

,0
1 I_i,j=cos(φ _i+φ _j)其中φ_i為角度，I_i,j是二維影像中第i列第j行的像素的灰階值，j為正整數，
為正規化後的訊號，該處理器將該二維影像輸入至一機器學習模型以預測對應該使用者的一自我評量，其中該機器學習模型為卷積神經網路，該自我評量為運動自覺評量(Rating of Perceived Exertion，RPE)，其中該處理器判斷該運動生理資料是否在一預設運動生理區間且該自我評量是否在一預設自我評量區間，若否則判斷發生一主客觀衝突事件，若發生該主客觀衝突事件，該處理器用以：取得對應該使用者的一最大心率，並計算一即時心率相對於該最大心率的一心率比值；計算該心率比值與該自我評量之間的一比率；若該比率大於一第一預設值，降低該運動課程的一負荷度；以及若該比率小於一第二預設值，增加該負荷度，其中該第二預設值小於等於該第一預設值。
如申請專利範圍第4項所述之運動課程產生系統，其中該運動生理資料包括生理資料與運動資料，該生理資料包括心率的一統計值，該運動資料包括阻力的一統計值與轉速的一統計值，該個人資料包括身高、體重、年齡、性別與一身體狀態，該負荷度包括該轉速或該阻力。
如申請專利範圍第4項所述之運動課程產生系統，其中該處理器更用以：以該運動課程的一預設負荷度的一預設比例來調整該負荷度；若該比率大於該第一預設值，降低該預設比例；以及若該比率小於該第二預設值，增加該預設比例。