TWI847436B - 訓練課程推薦裝置及訓練課程推薦方法 - Google Patents

Abstract

本案提出一種訓練課程推薦裝置及訓練課程推薦方法。訓練課程推薦裝置包括課程資料庫、騎行者資料庫及課程推薦處理模組。課程資料庫經配置以儲存複數個騎行訓練課程。騎行者資料庫經配置以儲存一騎行者特徵資料及一騎行感測資料。課程推薦處理模組經配置以分析該騎行者特徵資料及該騎行感測資料以獲得一個人騎行特徵向量，比對該個人騎行特徵向量及各該騎行訓練課程的一課程特徵向量以獲得該些騎行訓練課程的複數個匹配值，以及根據大於一門檻值的該些匹配值於該些騎行訓練課程中的至少一者設定至少一推薦課程。

Description

訓練課程推薦裝置及訓練課程推薦方法

本案有關於一種推薦裝置及推薦方法，且特別是有關於一種訓練課程推薦裝置及訓練課程推薦方法。

隨著健康意識的提升，人們逐漸重視運動帶來的好處，因此業者開始提倡各式各樣的運動。在諸多的運動選項當中，騎乘腳踏車成為近年來熱門的運動。騎乘腳踏車的運動可以提供使用者一邊欣賞風景一邊運動的良好享受，並選擇適當的環境條件來調整自己的運動強度，例如選擇山路可以進行高強度的運動，或者選擇平路可以進行緩和的運動。然而，戶外運動仍有諸多不便，例如天氣狀態不佳，則使用者可能會放棄運動。

為克服戶外運動的不便，在設置於訓練台上的腳踏車進行騎乘為其中一項優良的室內運動選項，使用者可以在室內騎乘腳踏車並透過模擬騎行服務來達成來享受如同戶外般的騎乘體驗。然而，由於缺少了真實的地理環境特徵，使用者在室內騎乘無法自由選擇運動強度，因此也無法進行中長期的運動規劃，導致室內騎乘腳踏車的運動無法有效發揮運動效益。

本案之主要目的，係在於提供一種訓練課程推薦裝置，可以提供使用者有效率地進行運動訓練。

根據本案的一實施例揭示一種訓練課程推薦裝置，包括一課程資料庫、一騎行者資料庫及一課程推薦處理模組。課程資料庫經配置以儲存複數個騎行訓練課程。騎行者資料庫經配置以儲存一騎行者特徵資料及一騎行感測資料。課程推薦處理模組連接於該課程資料庫及該騎行者資料庫。課程推薦處理模組經配置以分析該騎行者特徵資料及該騎行感測資料以獲得一個人騎行特徵向量，比對該個人騎行特徵向量及各該騎行訓練課程的一課程特徵向量以獲得該些騎行訓練課程的複數個匹配值，以及根據大於一門檻值的該些匹配值於該些騎行訓練課程中的至少一者設定至少一推薦課程。

根據本案的一實施例揭示訓練課程推薦方法，適用於一訓練課程推薦裝置，該訓練課程推薦裝置包括用以儲存一騎行者特徵資料及一騎行感測資料的一騎行者資料庫、用以儲存複數個騎行訓練課程的一課程資料庫及一課程推薦處理模組。該訓練課程推薦方法包括：透過該課程推薦處理模組分析該騎行者特徵資料及該騎行感測資料以獲得一個人騎行特徵向量；透過該課程推薦處理模組比對該個人騎行特徵向量及各該騎行訓練課程的一課程特徵向量以獲得該些騎行訓練課程的複數個匹配值；以及透過該課程推薦處理模組根據大於一門檻值的該些匹配值於該些騎行訓練課程中的至少一者設定至少一推薦課程。

茲就本案之一實施例，配合圖式，詳細說明如後。

為了提供使用者管理每一次的運動效果，腳踏車訓練台上可設置用來接收感測資料的電子裝置，例如，該電子裝置會接收心律感測器(可以設置於腳踏車的握把或者穿戴於使用者身上)的心律資料及設置於訓練台的踏頻感測器的踏頻資料。

現有的訓練台僅單純蒐集使用者的感測資料並提供給使用者參考，並無法基於感測資料提供真正適合使用者的訓練課程給使用者來進行騎行訓練。本案的訓練課程推薦裝置及訓練課程推薦方法可以針對使用者的模擬騎行服務，綜合分析使用者的體能或運動能力、歷史騎行資料(例如曾經挑戰過的賽道種類)、即時的騎行感測資料及課程資訊特徵等資料來推薦最適合使用者運動的騎行訓練課程，讓使用者體驗更符合個人化需求的模擬騎行服務的騎行訓練。

本案的主要技術方案是在與腳踏車訓練台電性連接或通訊連接的電子裝置上安裝軟體程式，藉由軟體程式的執行，與腳踏車訓練台連接的電子裝置可運算出最適合使用者的騎行訓練課程，並透過顯示螢幕(例如電子裝置的顯示器或與電子裝置連接的顯示器)顯示課程清單給使用者來選取或訂閱。如此，使用者可以依據所訂閱的訓練課程來進行模擬騎行服務的騎行訓練。

請參照圖1，其為本案根據一實施例所繪示的訓練課程推薦裝置的方塊圖。訓練課程推薦裝置100包括課程推薦處理模組110、課程資料庫120及騎行者資料庫130。課程推薦處理模組110分別與課程資料庫120及騎行者資料庫130連接。

於一實施例中，訓練課程推薦裝置100可以為可攜式電子裝置、平板電腦(tablet computer)、筆記型電腦等具備處理器及/或儲存裝置，而可執行安裝在其上及/或雲端的應用程式之電子裝置。於使用者騎乘放置在腳踏車訓練台上的腳踏車時，訓練課程推薦裝置100與腳踏車訓練台連接，以執行上述的運算。於另一實施例中，訓練課程推薦裝置100可以為腳踏車訓練台內建的電子裝置。

於一實施例中，課程推薦處理模組110可以為中央處理器(central processing unit，CPU)、系統單晶片(System on Chip，SoC)、應用處理器、數位訊號處理器(digital signal processor)或特定功能的處理晶片或控制器。

於一實施例中，課程資料庫120用以儲存複數個騎行訓練課程122。本案所稱的騎行訓練課程122的內容包括多個訓練區段以及每一個訓練區段所需的時間長度、騎乘迴轉速(RPM, Revolution per Minute)及功能性閥值功率區間(FTP, Functional Threshold Power)。騎乘迴轉速是踏板被踩踏一圈的速度(或者踏板每分鐘被踩動的圈數)。功能性閥值功率區間是指在60分鐘內使用者可以維持穩定騎乘的平均功率，為目前常用的自行車訓練指標。

由於每一個騎行訓練課程122可以反映出使用者所需的體能強度或鍛鍊強度，騎行訓練課程122可以被分類為入門課程、一般課程、高強度課程、發展隊課程、專業課程或菁英課程等不同強度的課程種類。於一實施例中，訓練課程推薦裝置100會以騎行訓練課程122的文字內容來作為關鍵字，以使用此些關鍵字來尋找適合使用者的課程。騎行訓練課程122的文字內容可以為「入門型」、「一般型」、「高強度型」、「發展型」、「專業型」或「菁英型」等文字。

舉例而言，表一所示的騎行訓練課程122的菜單為一般課程，對應的課程文字為「入門型」，包括一個熱身的訓練區段及兩個強弱交錯的訓練區段。專業教練可以根據訓練需求來設計騎行訓練課程的菜單。

表一：騎行訓練課程 (課程文字為「入門型」)

訓練區段	時間長度(分鐘)	騎乘迴轉速(RPM)	功能性閥值功率區間(FTP)
熱身	10	大於85	40~73%
強	2	大於85	73%
弱	5	大於85	53%
強	2	大於85	73%
弱	5	大於85	53%

於一實施例中，騎行者資料庫130用以儲存騎行者特徵資料132及騎行感測資料134。

於一實施例中，騎行者特徵資料132可以為但不限於使用者的姓名、生日、身高或體重等任何包括使用者個人資訊或體能資訊的資料。

於一實施例中，訓練課程推薦裝置100用來提供模擬騎行服務，即訓練課程推薦裝置100可模擬使用者騎乘的道路狀況，讓使用者透過模擬騎行服務來感受不同路線或路況的變化所帶來的騎行體驗。模擬騎行服務例如是使用者騎乘架設在訓練台上的腳踏車、觀看畫面中的模擬風景及地形並隨著模擬風景及地形感受到腳踏車對應到實際地形的阻力的模擬騎行。

於一實施例中，騎行感測資料134可以為提供用來模擬騎行服務的資料。模擬騎行服務的資料可以為使用者當下騎乘腳踏車的即時騎行資料，包括騎乘的即時道路資訊(例如在模擬騎行服務中的道路總長度、道路位置、道路坡度)、使用者的踏頻感測資料或心律資料等。其中，踏頻感測資料可從設置於訓練台上的踏頻感測器(圖未標示)來獲得，心律資料可從設置於腳踏車的握把或使用者身上的穿載式裝置(圖未標示)的心律感測器來獲得。

於一實施例中，課程推薦處理模組110用以分析騎行者特徵資料132及騎行感測資料134來獲得個人騎行特徵向量。個人騎行特徵向量為使用者在騎乘運動方面的代表資訊，將於後詳細說明。

於一實施例中，課程推薦處理模組110會分析騎行訓練課程122的內容來得到每一個騎行訓練課程122的課程特徵向量。課程特徵向量為騎行訓練課程122的代表資訊，將於後詳細說明。

於一實施例中，課程推薦處理模組110可以基於個人騎行特徵向量及課程特徵向量計算出使用者適合的騎行訓練課程122並提供給使用者進行訂閱，將於後詳細說明。

於一實施例中，課程推薦處理模組110用以分析騎行者特徵資料132及騎行感測資料134來獲得個人騎行特徵向量，再以個人騎行特徵向量來比對每一個騎行訓練課程122的課程特徵向量，以針對每一個騎行訓練課程122獲得對應的匹配值。本發明中，騎行訓練課程122的匹配值代表這個騎行訓練課程122的菜單適合使用者進行騎行鍛鍊的程度。一個騎行訓練課程122的匹配值越高，代表這個騎行訓練課程122越適合使用者以當前的狀態進行騎行鍛鍊。

於一實施例中，訓練課程推薦裝置100可自動或由使用者手段設定一個門檻值，並且課程推薦處理模組110會根據大於門檻值的匹配值來從複數個騎行訓練課程122中的至少一者設定至少一推薦課程，其中所述的推薦課程是適用於騎行者特徵資料所屬的使用者。

為更清楚地理解本案內容，以下關於圖2的說明請一併參照圖1。請參照圖2，其為本案根據一實施例所繪示的訓練課程推薦方法的流程圖。訓練課程推薦方法適用於圖1的訓練課程推薦裝置100。

於步驟S210中，課程推薦處理模組110會分析騎行者特徵資料132及騎行感測資料134以獲得個人騎行特徵向量。

於一實施例中，課程推薦處理模組110輸入騎行者特徵資料132及騎行感測資料134至已訓練好的深度學習模型。經過深度學習模型的運算之後，課程推薦處理模組110會輸出使用者的個人騎行特徵向量。舉例而言，個人騎行特徵向量是一串“01011000”的向量。

於一實施例中，個人騎行特徵向量是關聯於一騎行者特質(attribute)。個人騎行特徵向量關聯的騎行者特質例如使用者是入門型、一般型、高強度型、發展型、專業型或菁英型等不同能力類型。

於一實施例中，課程推薦處理模組110會預先定義個人騎行特徵向量的向量數值的意涵(即，個人騎行特徵向量所關聯的騎行者特質)。例如前述的個人騎行特徵向量的數值“01011000”是代表該使用者屬於「專業型」。

於一實施例中，深度學習模型可以為類神經網路模型、殘差類神經網路模型(Residual Network)或其他人工智慧演算法等，本案不限於此。

於步驟S220中，課程推薦處理模組110逐一比對個人騎行特徵向量與各個騎行訓練課程122的課程特徵向量，以獲得每一個騎行訓練課程122對於使用者的匹配值。

於一實施例中，課程推薦處理模組110會預先對騎行訓練課程122的文字內容(如上述的「入門型」、「一般型」等文字)進行自然語言處理，以產生每一個騎行訓練課程122的課程特徵向量。舉例而言，課程特徵向量是一串“01011000”的向量。

於一實施例中，課程特徵向量也會關聯於騎行者特質。騎行者特質例如使用者是入門型、一般型、高強度型、發展型、專業型或菁英型等不同訓練強度類型。換言之，騎行訓練課程122具有文字內容(供自然語言處理)，並且此文字內容關聯於騎行者特質(供設計不同的騎行訓練課程的菜單)。

於一實施例中，課程推薦處理模組110會預先定義課程特徵向量的向量數值的意涵(即，課程特徵向量所關聯的騎行者特質)。例如前述的課程特徵向量，其數值“01011000”是代表騎行訓練課程122屬於「專業型」。

於一實施例中，課程推薦處理模組110分別計算個人騎行特徵向量與課程特徵向量之間的向量距離，來獲得騎行訓練課程122的匹配值。若向量距離越近(即數值越小)，則代表個人騎行特徵向量與課程特徵向量兩者越相似。換言之，該課程特徵向量對應的騎行訓練課程122適合使用者。反之，若向量距離越遠(即數值越大)，則代表個人騎行特徵向量與課程特徵向量兩者越不同。換言之，此課程特徵向量對應的騎行訓練課程122不適合使用者。

於一實施例中，個人騎行特徵向量與課程特徵向量之間的向量距離與匹配值成反比。舉例而言，若向量距離越小，則匹配值越大(推薦給使用者的優先值越大)。

於步驟S230中，課程推薦處理模組110逐一判斷各個騎行訓練課程122的匹配值是否大於預設的門檻值，來篩選出適合使用者的騎行訓練課程122。若一個騎行訓練課程122的匹配值大於門檻值，代表這個騎行訓練課程122適合使用者，則流程進行至步驟S240。若一個騎行訓練課程122的匹配值不大於門檻值，代表這個騎行訓練課程122不適合使用者，則結束流程。

於步驟S240中，課程推薦處理模組110設定匹配值大於門檻值的騎行訓練課程122為推薦課程。

於一實施例中，推薦課程為適用於騎行者特徵資料所屬的使用者的訓練課程。舉例而言，課程推薦處理模組110會根據每一個使用者的騎行者特徵資料132及騎行感測資料134來逐一分析比對來從複數個騎行訓練課程122當中獲得適合使用者的至少一推薦課程。因此，推薦課程的內容會隨著使用者不同而有所差異。

請參閱圖3，其為本案根據一實施例所繪示的訓練課程推薦裝置的方塊圖。訓練課程推薦裝置300包括課程資料庫120、騎行者資料庫150及推薦訂閱資料庫140。相較於圖1，圖3的訓練課程推薦裝置300更包括推薦訂閱資料庫140，並且騎行者資料庫150中儲存有歷史騎行資料136。歷史騎行資料136記錄使用者過往在模擬騎行服務中曾經騎乘過的道路資訊(例如道路總長度、道路位置、道路坡度)。例如，訓練課程推薦裝置300可獲取使用者在模擬騎行服務中曾經挑戰過的賽道種類，並基於這些賽道來獲得對應的道路資訊。

於一實施例中，推薦訂閱資料庫140連接於課程推薦處理模組110。推薦訂閱資料庫140用以儲存訂閱課程142及至少一推薦課程146。

於一實施例中，課程推薦處理模組110於從騎行訓練課程122當中篩選出適合使用者的至少一推薦課程146之後，會儲存至少一推薦課程146於推薦訂閱資料庫140。

於一實施例中，課程推薦處理模組110會輸出至少一推薦課程146至一顯示裝置(未繪示)上進行顯示，以供使用者於該至少一推薦課程146中進行選取或訂閱。

舉例而言，使用者可以藉由推薦課程146的內容來決定要選取或訂閱哪一(些)推薦課程146。於一實施例中，每一個推薦課程146的內容包括複數個訓練區段，其中每一個訓練區段分別具有對應的時間長度(分鐘)，以及在這個訓練區段內要求的騎乘迴轉速(RPM)及功能性閥值功率區間(FTP)。推薦課程146的內容相似於前述表一的騎行訓練課程122的內容，故於此不再重述。使用者可以從顯示裝置上顯示的至少一推薦課程146的騎乘迴轉速的數值及功能性閥值功率區間的數值來決定是否要選取或訂閱這個推薦課程146。

於一實施例中，課程推薦處理模組110接收使用者所選取或訂閱的推薦課程146，並將推薦課程146標記為一訂閱課程142。此外，課程推薦處理模組110會安排好訓練日期或週期，使用者依據安排好的日期或週期使用訂閱課程142進行騎乘訓練。

於一實施例中，當使用者實際進行騎乘訓練時，騎行者資料庫150會透過訓練課程推薦裝置300的通訊模組(未繪示)接收並儲存使用者在一實際訓練時間進行訓練的一實際騎乘迴轉速及一實際功能性閥值功率區間。具體地，使用者騎乘的腳踏車上可設置有對應的至少一感測器(圖未標示)(例如速度感測器及踏頻感測器)，至少一感測器在使用者實際進行騎乘訓練時感測所述實際騎乘迴轉速及實際功能性閥值功率區間，並且訓練課程推薦裝置300透過通訊模組將實際騎乘迴轉速及實際功能性閥值功率區間暫存於騎行者資料庫150。

於一實施例中，課程推薦處理模組110會以實際訓練時間、實際騎乘迴轉速及實際功能性閥值功率區間來分別比對訂閱課程142中規劃的每一個訓練區段的時間長度、騎乘迴轉速及功能性閥值功率區間。舉例而言，若訂閱課程142的第一訓練區段的時間長度為10分鐘，騎乘迴轉速為大於85RPM且功能性閥值功率區間為53%，則使用者在第0~10分鐘的騎乘迴轉速需盡量符合大於85RPM且功能性閥值功率區間為53%的數值。

於一實施例中，課程推薦處理模組110會根據前述比對的結果發出供使用者調整實際訓練強度的提示訊息。舉例而言，若使用者在第0~10分鐘的實際騎乘迴轉速為90RPM(大於訂閱課程142的85RPM)且功能性閥值功率區間為73%(大於訂閱課程142的53%)，則代表使用者訓練強度過強，故課程推薦處理模組110會發出提示訊息來提醒使用者需要緩和並放鬆動作。

於一實施例中，提示訊息可以在顯示裝置(未繪示)上顯示。

於一實施例中，課程推薦處理模組110會將使用者實際訓練的踏頻感測資料或心律資料儲存為騎行者資料庫150的騎行感測資料134，並記錄使用者每一次在模擬騎行服務中所使用的道路資訊(例如道路總長度、道路位置、道路坡度)於騎行者資料庫150的歷史騎行資料136。

為了使下一次推薦的推薦課程146更適合使用者，於使用者完成每一次的訓練課程之後，課程推薦處理模組110會再次執行圖2的訓練課程推薦方法來更新推薦訂閱資料庫140中的推薦課程146的內容。如此一來，訓練課程推薦裝置100、300於使用者每一次使用時都可以依據使用者實際的運動能力、道路資訊、踏頻感測資料及心律資料來提供更適合使用者的推薦課程146。

綜上所述，本案的訓練課程推薦裝置及訓練課程推薦方法應用了深度學習模型及自然語言處理技術，綜合解析使用者的運動能力狀態及課程資訊特徵，以達成精準地推薦適合的課程給使用者而讓使用者可以進行有效率的騎行訓練。

以上所述僅為本案的具體實例，非因此即侷限本案的申請專利範圍，故舉凡運用本案內容所為的等效變化，均同理皆包含於本案的範圍內，合予陳明。

100、300：訓練課程推薦裝置 110：課程推薦處理模組 120：課程資料庫 122：訓練課程 130、150：騎行者資料庫 132：騎行者特徵資料 134：騎行感測資料 136：歷史騎行資料 140：推薦訂閱資料庫 142：訂閱課程 146：推薦課程 S210~S240：步驟

圖1為本案根據一實施例所繪示的訓練課程推薦裝置的方塊圖。

圖2為本案根據一實施例所繪示的訓練課程推薦方法的流程圖。

圖3為本案根據一實施例所繪示的訓練課程推薦裝置的方塊圖。

100：訓練課程推薦裝置 110：課程推薦處理模組 120：課程資料庫 122：訓練課程 130：騎行者資料庫 132：騎行者特徵資料 134：騎行感測資料

Claims (10)

1. 一種訓練課程推薦裝置，包括：一課程資料庫，經配置以儲存複數個騎行訓練課程；一騎行者資料庫，經配置以儲存一騎行者特徵資料及一騎行感測資料，其中該騎行者特徵資料包括一使用者個人資訊及一體能資訊，以及該騎行感測資料包括一即時道路資訊、一使用者的一踏頻感測資料及一心律資料；及一課程推薦處理模組，連接於該課程資料庫及該騎行者資料庫，經配置以分析該騎行者特徵資料的該使用者個人資訊及該體能資訊及該騎行感測資料的該即時道路資訊、該使用者的該踏頻感測資料及該心律資料，以獲得關聯於一騎行者特質的一個人騎行特徵向量，比對該個人騎行特徵向量的向量值及各該騎行訓練課程的一課程特徵向量的向量值以獲得該些騎行訓練課程的複數個匹配值，以及根據大於一門檻值的該些匹配值於該些騎行訓練課程中的至少一者設定至少一推薦課程。
2. 如請求項1所述的訓練課程推薦裝置，其中該課程推薦處理模組經配置以輸入該騎行者特徵資料及該騎行感測資料至一深度學習模型以輸出該個人騎行特徵向量的向量值。
3. 如請求項2所述的訓練課程推薦裝置，其中該課程推薦處理模組經配置以對該些騎行訓練課程進行一自然語言處理以產生該些騎行訓練課程的該課程特徵向量的向量值，其中該課程特徵向量關聯於該騎行者特質。
4. 如請求項1所述的訓練課程推薦裝置，更包括： 一推薦訂閱資料庫，連接該課程推薦處理模組，經配置以儲存該至少一推薦課程；其中該至少一推薦課程的每一者包括複數個訓練區段，各該訓練區段包括一時間長度、一騎乘迴轉速及一功能性閥值功率區間；其中該課程推薦處理模組經配置以輸出該至少一推薦課程的該些訓練區段至一顯示裝置上進行顯示，以供使用者於該至少一推薦課程中進行選取。
5. 如請求項4所述的訓練課程推薦裝置，其中該騎行者資料庫經配置以接收並儲存一實際訓練時間、一實際騎乘迴轉速及一實際功能性閥值功率區間；其中該課程推薦處理模組經配置以將經選取的該至少一推薦課程標記為一訂閱課程，並以該實際訓練時間、該實際騎乘迴轉速及該實際功能性閥值功率區間分別比對該訂閱課程於各該訓練區段的該時間長度、該騎乘迴轉速及該功能性閥值功率區間，以根據比對的結果發出供使用者調整實際訓練強度的提示訊息。
6. 一種訓練課程推薦方法，適用於一訓練課程推薦裝置，該訓練課程推薦裝置包括用以儲存一騎行者特徵資料及一騎行感測資料的一騎行者資料庫、用以儲存複數個騎行訓練課程的一課程資料庫及一課程推薦處理模組，其中該騎行者特徵資料包括一使用者個人資訊及一體能資訊，以及該騎行感測資料包括一即時道路資訊、一使用者的一踏頻感測資料及一心律資料，該訓練課程推薦方法包括： 透過該課程推薦處理模組分析該騎行者特徵資料的該使用者個人資訊及該體能資訊及該騎行感測資料的該即時道路資訊、該使用者的該踏頻感測資料及該心律資料，以獲得關聯於一騎行者特質的一個人騎行特徵向量；透過該課程推薦處理模組比對該個人騎行特徵向量的向量值及各該騎行訓練課程的一課程特徵向量的向量值以獲得該些騎行訓練課程的複數個匹配值；以及透過該課程推薦處理模組根據大於一門檻值的該些匹配值於該些騎行訓練課程中的至少一者設定至少一推薦課程。
7. 如請求項6所述的訓練課程推薦方法，更包括：透過該課程推薦處理模組輸入該騎行者特徵資料及該騎行感測資料至一深度學習模型以輸出該個人騎行特徵向量的向量值。
8. 如請求項7所述的訓練課程推薦方法，更包括：透過該課程推薦處理模組對該些騎行訓練課程進行一自然語言處理以產生該些騎行訓練課程的該課程特徵向量的向量值，其中該課程特徵向量關聯於該騎行者特質。
9. 如請求項6所述的訓練課程推薦方法，其中該至少一推薦課程的每一者包括複數個訓練區段，各該訓練區段包括一時間長度、一騎乘迴轉速及一功能性閥值功率區間，該訓練課程推薦方法更包括：透過該課程推薦處理模組輸出該至少一推薦課程的該些訓練區段至一顯示裝置上進行顯示，以供使用者於該至少一推薦課程中進行選取。
10. 如請求項9所述的訓練課程推薦方法，更包括：由該騎行者資料庫接收並儲存一實際訓練時間、一實際騎乘迴轉速及一實際功能性閥值功率區間；透過該課程推薦處理模組將經選取的該至少一推薦課程標記為一訂閱課程，並以該實際訓練時間、該實際騎乘迴轉速及該實際功能性閥值功率區間分別比對該訂閱課程於各該訓練區段的該時間長度、該騎乘迴轉速及該功能性閥值功率區間，以根據比對的結果發出供使用者調整實際訓練強度的一提示訊息。

Images