WO2023111669A1 - 一种运动推荐方法、装置、系统及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种运动推荐方法、装置、系统及计算机可读存储介质。该方法的一实施例包括：通过获取用户数据；并根据用户数据，确定用户的病因类型、体能状态级别和健康风险；之后基于病因类型、体能状态级别、健康风险为用户生成推荐运动方案；并获取用户执行推荐运动方案所生成的运动行为数据；最后对运动行为数据进行强度分类处理，并基于强度分类结果对推荐运动方案进行调整，由此，能够自动生成符合用户身体情况的推荐运动方案，提高了用户运动的体验性，满足了用户通过运动改善慢性疾病的需求。

Description

一 种运动 推荐 方法 、 装置、 系统及计算 机可 读存 储介 质 相关 申请的交叉 引用 本申请基 于申请号为 202111545124. 4, 申请日为 2021 年 12月 17 日的中 国专 利申请提出， 并要求中国专利申请的优 先权， 该中国专利申请 的全部内容 在此 引入本申请作 为参考。 背景技 术 运动 是很好 的强身 健体的 方式， 研究表示 ， 当进行身体活 动时， 人体 的反 应包括 心跳、 呼吸加快 、 循环血量增 加、 代谢和产热 加速等 ， 都是身 体产 生健康 效益的 生理基础 。 运动可以治 疗和预 防包括 糖尿病 、 心脏病、 肥胖 、 高血压、 癌症等 40种以上 的慢性疾 病。 尤其对于 预防或 控制 2型 糖尿 病， 运动尤为 重要。

2 型糖尿病， 又名非胰岛素依赖型糖尿 病， 其特点是人体 自身能够产生胰 岛素 ， 但细胞无法对其作出反应 ， 使胰岛素的效果大打折 扣。 目前， 针对 2型糖尿病的 治疗通常是 以药物治疗为主 ， 并结合辅助治疗以 控制血 糖在正常的 范围内。 辅助治疗主要是 通过对患者生 活方式进行 干预， 以 改善 用户的糖尿病 指标。 辅助治疗包括合理 的运动和控制饮 食等。 现有技术可 能有针 对 2型糖尿病患 者定制的食 疗方案， 但是现有技术还很 少有结合患 者身 体状 况定制的运动 方案。 发明 内容 有鉴于此 ， 本发明实施例提供一种 运动推荐方 法、 装置、 系统及计算机可 读存储 介质， 能够结合用户 当前身体的用户 数据， 自动生成一种符合用户身体 情况 的推荐运动方 案， 并在用户运动过程中 自动调节用户 的推荐运动 方案， 从 而实现 了智能化定 制个性的推荐 运动方案。 为实现上 述目的， 根据本发明实施 例第一方面 ， 提供一种运动推荐方法 ， 包括 ： 狄取用户数据， 所述用户数据至少 包括基础 数据、 疾病数据、 体能数 据 、 健康指标数据 ； 根据所述用户 数据， 确定所述 用户的 病因类 型、 体能 状 态级别和 健康风 险； 基于所述病 因类型 、 体能状态级 别、 健康风险为 用 户生 成推荐 运动方 案， 所述推荐运动 方案至 少包括 运动类 型分配信 息、 运 动强 度信 息和运动 动作信 息； 获取用户执行所 述推荐运动 方案所生成的 运动 行为数 据； 对所述运动行为数据 进行强度分 类处理， 并基于强度分 类结果对所 述推 荐运动方案进行 调整。 可选的 ， 所述根据所述 用户数 据， 确定所述 用户的 病因类 型、 体能状 态级 别和健 康风险 ， 包括： 基于机器学习的 病因识 别模型 或者决 策树模型 或者 预设规 则， 对第一用户 数据进 行处理 ， 得到用户的病 因类型 ； 所述第 一 用户数据 包括疾 病数据 和/或基 础数据 ； 基于机器 学习的体 能识 别模型 或者 决策树 模型或 者预设 规则， 对第二用 户数据进 行处 理， 得到用户的体 能状 态级 别； 所述第二 用户数据 包括体 能数据 和/或 基础数据 ； 基于机器 学 习的健康 风险识 别模型 或者决 策树模型 或者预 设规则 ， 对第三用户数据 进行 处理， 得到用 户的健康 风险 ； 所述第三用户数 据包括 健康指 标数据和 /或基 础数据 。 可选的 ， 所述基于所述 病因类 型、 体能状态 级别、 健康风险为用 户生 成推 荐运动 方案， 包括： 基于所述病因类 型， 确定运动 类型分配 信息 ； 基于 所述体 能状态 级别， 确定运动 强度信 息； 基于所述健 康风险 ， 确定运 动建 议信息 ； 基于所述运动 类型分 配信息 、 运动强度信息 ， 以及运动建议 信 息， 确定运动动作 ； 基于所述运 动类型分 配信 息、 运动强度信 息， 以及 运动 动作信 息， 为用户生 成推荐运 动方案 。 可选的 ， 所述基于所述 运动类 型分配信 息、 运动强度信息 ， 以及运动 建议 信息， 确定运动动作信 息， 包括： 基于所述运 动类型 分配信 息、 运动 强度 信息 ， 以及运动建议 信息 ， 生成用户的个 人标 签； 基于所述个人标 签 在所 述动作标签库 中进行标签 匹配， 将匹配度最高的动 作标签对应 的运动动作 确定 为用户的运动动 作。 可选的， 所述对所 述运动行为数 据进行强度分 类处理， 并基于强度分 类结 果对所 述推荐运动 方案进行调整 ， 包括： 基于运动行为模型， 对所述运动行为 数据进 行强度分 类处理， 得到强度分类结果 ； 其中， 所述运动行为模型包括多 个子模 型和集成模 型， 集成模型根据多个子 模型的输 出确定最终的分 类结果； 若所 述强度分类 结果表征强 度适当， 则保持运动强 度； 若所述强度 分类结 果 表征 强度过 低， 则通过调整 所述推 荐运动 方案以提 升运动 强度； 若所述强 度分 类结 果表征 强度过 高， 则通过调整所 述推荐 运动 方案以 降低运 动强 度。 可选的， 所述的方法还 包括： 根据所述用户 数据确 定用户 运动前 的身体 状 态级别 ； 判断所述身体 状态级 别是否 满足第 一预设 条件， 若判断结果表 征所 述身体状态级 别不满足第 一预设条件 ， 则向所述用户发送针对运 动前的预 警提示 信息。 可选的， 所述的方法还 包括： 根据所述用户 数据和 所述运 动行为数 据确 定 用户运动 中的身 体状态 级别； 判断所述身体 状态级别是 否满足第二预 设条 件； 若判断结果表征所述身体 状态级别不满 足第二预设 条件， 则向所述用户发 送针对 运动中的预警 提示信息 。 可选的，所述运动行 为数据至少 包括具有运动 属性的数据和 运动环境数据 。 为 实现上述 目的， 根据本发明实施例 第二方面， 还提供一种运动推荐装置 ， 该装 置包括： 第一获取模块， 配置为获取用户数据， 所述用户数据 至少包括基 础数据 、 疾病数据、 体能数据、 健康指标数据； 确定模块， 配置为根据所述用 户数据 ， 确定所述用户的病因类型 、 体能状态级别和健康风 险； 生成模块， 配 置为 基于所 述病因 类型、 体能状态 级别、 健康风险 为用户 生成推 荐运动方 案， 所述推荐运动方 案至少 包括运动 类型分 配信息 、 运动强度信息 和运动 动作 信息 ； 第二获取模块， 配置为获取用户执行所述推 荐运动方案所 生成的运 动行 为数据； 调整模块， 配置为对所述运动 行为数据进行 强度分类处 理， 并基 于强度 分类结果对 所述推荐运动 方案进行调整 。 为实现上 述目的， 根据本发明实施例第三 方面， 还提供一种运动推荐 系统, 所述 系统包括客户 端、 服务器和数据库； 所述客户端配 置为获取用 户数据和运 动行 为数据； 并将所述用户数据 和运动行为 数据发送至服 务器； 所述服务器配 置为执 行如第一方 面所述的方 法； 所述数据库配置为存储 动作行为标 签。 为实现上 述目的， 根据本发明实施 例第四方面 ， 还提供一种计算机可读 存 储介质 ， 其上存储有计算机程 序， 该程序被处理器执行 时实现如第一 方面所述 的方 法。 为实现上 述目的， 根据本发明实施例 第五方面， 还提供一种电子 设备 ， 包 括 ： 处理器； 配置为存储 所述处 理器可执 行指令 的存储 器； 所述处理 器， 配置 为从所 述存储 器中读 取所述 可执行指 令， 并执行所述 指令以 实现如 第 一方 面所述 的方法 。 本发明实 施例通过获取 用户数据， 所述用户数据至 少包括基础 数据、 疾病 数据 、 体能数据、 健康指标 数据 ； 并根据所述用户 数据， 确定所述 用户的 病 因类型、 体能状态级别和 健康风 险； 之后基于所 述病 因类型、 体能状态 级别 、 健康风险为 用户生成 推荐运 动方案 ， 所述推荐运动方 案至少 包括运 动 类型分 配信息 、 运动强度信 息和运动 动作信 息； 并获取用户执行所述 推 荐运动 方案所生成 的运动行为数据 ； 最后对所述运动行为 数据进行强度 分类处 理， 并基于强度分类结果对所 述推荐运动方 案进行调整 ， 由此， 能够根据用户 的身体 情况自动生 成符合用户 的推荐运动方案 ，不仅提高了用户运动 的体验性, 而且 能够满足用户 通过运动改善 慢性疾病的 需求。 上述的非 惯用的可选 方式所具有的 进一步的效 果将在下文 结合具体实施 方 式加 以说明。 附图说 明 附图用于 更好地理解 本发明， 不构成对本发明的不 当限定。其中在附 图中， 相同 或对应的标号 表示相同或对 应的部分。 图 1 为本发明一实施例运动 推荐方法的流 程图; 图 2为本发 明一实施例中 生成推荐运动 方案的流程 图； 图 3为本发 明一实 施例中 调整推荐 运动方 案的流 程图； 图 4为本发 明一实施例中 生成运动前预 警的流程图 ； 图 5为本发 明一实施例运动 推荐方法应 用于 2型糖尿病的 流程图； 图 6为本发 明一实施例运动 推荐装置的示 意图； 图 7为本发 明实施例可以 应用于其中的 示例性系统 架构图； 图 8是适于 用来实现本 发明实施例的 终端设备或服 务器的计算 机系统的结 构示意 图。 具体 实施方式 以下结合 附图对本发 明的示范性实 施例做出说 明， 其中包括本发明实施 例 的各种 细节以助于 理解， 应当将它们认为仅 仅是示范性 的。 因此， 本领域普通 技术人 员应当认识 到， 可以对这里描述的实 施例做出各 种改变和修 改， 而不会 背离 本发明的范 围和精神。 同样， 为了清楚和简明， 以下的描述中省略了对公 知功 能和结构的描述 。 如图 1 所示， 为本发明一实施例运动推荐方法的流程 图， 该方法至少包括 如下操 作流程 ： S101 , 获取用户数据， 用户数据至少包括基础数据 、 疾病数 据、 体能数据、 健康指标 数据； S102, 根据用户数 据， 确定用户 的病因 类 型、 体能状态级别 和健康 风险； S103, 基于病因类 型、 体能状态 级别、 健 康风 险为 用户生成 推荐运动 方案 ， 推荐运动方案至 少包括运 动类型 分配信 息、 运动强度信息和 运动动 作信息 ； S104, 获取用户执行推荐运动方案 所生 成的运 动行为数据 ； S105, 对运动行为数据进行强度分 类处理， 并基于强度分 类结 果对推荐运动 方案进行调整 。 在 S101 中， 基础数据例如年龄、 性别、 体重等。 健康指标数据例如空腹血 糖、 随机血糖、 甘油三酯、 转氨酶、 血尿酸、 血压等。 体能数据例如每周剧烈 活动 时间， 每次剧烈活动时长 ， 每周适度活动天数， 每次适度活动时 长， 每周 步行 天数， 每天步行时长以及静 息心率等 。 疾病数据包括用药情况 、 合并症或 者并 发症等， 例如心血管病变 、 心衰、 严重心率失常、 严重心肌病、 严重先心 病、 脑血管病变、 肝炎活动期 、 糖尿病足、 糖尿病酮酸症中毒等。 在一个示例 中， 获取用户数据后， 该方法还包括 ： 对获取的 用户数据进行 预处理。 其中， 所述预处理包括 数据准确性检 查及缺失值 处理。 对获取的 用户数据进行 准确性检查 ， 对不准确的用户数据进 行修正或删除 该条不 准确的用户数 据。 例如： 将用户数据中的基础数据 、 疾病数据等指标数 据与各 指标数据对 应的有效范 围进行比较， 根据比较结果确定该用户 数据是否 准确。 若数据不准确， 再根据比较结果对错误 的用户数据进 行修正或删 除。 例如， 某成年用户的 身高为 120厘米， 该身高不符合本发明对该数 据的要 求， 则删除该条用户数据。 或者某用户的血 压为 200, 该血压数据不符合血压 有效 范围， 该用户的血压数据很 可能是测量 有问题的数据 ， 因此删除该条用户 数据 。 例如，血糖常用 的单位有 mg/dL与 mmo l /L,不同血糖单位的有效值域不同， 比如 ： 某用户的血糖数据是 120mmo l/L, 显然远超出血糖有效值域， 该数据很 可能是 错误的单位 导致， 例如将血糖单位修 改为 mg/dL或者根据两 种单位之间 的换算 关系进行换算 ， 该血糖数据修正为 120mg/d L或 6. 67mmo l /L_o 再例如某 男性 用户的体重数据 为 140（单位为 kg）, 但该用户的腰围数据正常， 此时很可 能是体 重数据的单位 为 “斤 ”， 因此将该体重数据修正为 70kg_o 对于用户数 据中存在缺 失值的情况 ， 对存在缺失值的用户数 据进行填充 ， 例如采 用均值或众 数对缺失的数 据进行填充 ， 若获取的用户数据足够 多， 则删 除该 条存在缺失值 的用户数据 。 在 S102中， 可以基于机器 学习的 识别模型 对用 户数据进 行处理 ， 得到 用户 的病 因类型、 体能状态 级别和 健康风 险； 还可以基于 决策树模 型对 用 户数 据进行 处理， 得到用户 的病 因类型、 体能状 态级别和 健康风 险； 还可 以基 于预设 规则， 对用户数 据进行 处理， 得到用户 的病 因类型、 体能状 态 级别 和健康 风险。 病因类型 例如腹 型肥胖 、 脂毒性和糖毒 性作用 引起胰 岛 功 能下降等 ； 体能状态级别 例如心 肺功能 分级、 体力活动 分级等 ； 健康风 险例 如不适 合运动 的高危疾 病风 险、 低血糖风险 、 关节损伤风 险等。 优选 地， 基于机器学 习的病 因识别 模型 或者决 策树模 型或者 预设 规 则 ， 对第一用户数据 进行处 理， 得到用户 的病因 类型， 以便根据病因类 型 确定 运动类 型分配 信息， 其中病因 识别模 型可以是 梯度提 升树模 型、 多类 别分 类模型 ， 且不限于此 ； 所述第一 用户数据 包括 疾病数 据和 /或基础数 据和 /或健康指标数据。 以糖尿病患者的 用户数 据为例 ， 输入用户的腰 围、 臀 围、 空腹血糖、 空腹胰岛素、 血糖均值 、 胰岛素均值 、 随机血糖、 内脏 脂肪 等级、 甘油三酯、 转氨酶、 肾小球滤过率、 血尿酸、 血压、 胰岛素、 C 肽、 糖化血红 蛋白等 指标数 据， 根据这些数 据， 病因识别 模型或 决策树 模型 输出 用户的病 因类型 ，例如病因 类型为 “肥胖导致胰 岛素抵抗" 或 “脂 毒性 伴糖毒 性引起 的胰岛 功能下 降" 或 "长期脂毒性伴 糖毒性 引起胰 岛功 能下 降及肌 肉流 失 ”。 上述三种病因类型 仅是 本发明 的举例说 明， 病因类 型不 局限于 上述三 种类型 ， 本发明对病因 类型的数 量和具 体病因 内容不做 限制 。 基于 机器学 习的体 能识别 模型或 者决策树 模型或 者预设 规则， 对第二 用户 数据进 行处理 ， 得到用户的体 能状态 级别， 以便根据体能状 态级别确 定运 动强度 信息， 其中体能 识别模 型可以 是梯度提 升树模 型、 多类别分 类 模型 ， 且不限于此 ； 所述第二用 户数据 包括体能 数据和 /或基础数据。 基于 机器学 习的健 康风险 识别模 型或者 决策树模 型或者 预设规 则， 对 第三 用户数 据进行 处理， 得到用户 的健康 风险， 以便根据健康风 险确定运 动建 议信息 ， 其中健康风险 模型可 以是梯 度提升树 模型 、 多类别分类模型 和单 类别分 类模型 ， 且不限于此 ； 所述第三用户数 据包括 健康指 标数据和 /或基 础数据 。 在 S103 中， 运动类型分配信 息例如 有氧运 动和抗 阻运动 比例。 运动 强度 信息例 如有氧 运动强度 、 建议时长以 及建议 心率， 抗阻运动 强度、 建 议 时长以及 建议心 率等。运动 动作信 息例如 动态抗阻 （如招财猫、椅子坐起） 每组连 续做 8-15个， 每个动作约 4秒完成 （控制速度， 不要过快）； 静态抗阻 （如贴墙站， 单足站立） 每组持续做 10-30秒或更久。 可 以基于机 器学习 的识别模 型对病 因类型 、 体能状态级 别、 健康风险 进行 处理， 为用户生成 推荐运动 方案。还可 以基于 决策树模 型对病 因类型 、 体能 状态级 别、 健康风险进 行处理 ， 为用户生成推 荐运动 方案。 还可以基 于预 设规则 ， 对病因类型 、 体能状态级别 、 健康风险进行 处理， 为用户生 成推 荐运动 方案。 在 S104中，运动行为数据至 少包括具有运动 属性的数据和 运动环境数 据。 在 S105 中， 具体地， 可以利用运动行为模型对运动行为数 据进行强度 分 类处理 ， 得到强度分类结果； 也可以基于运动行为数据确 定用户的心 率范围， 之后从 数据库中 已有的映射关 系中选取该心 率范围对应 的运动强度 ， 从而确定 与运动 行为数据对 应的强度分 类结果。 强度分类结果包括 强度适当、 强度过高 和强度 过低。 本发明实 施例基于 用户数据， 为用户生成 推荐运 动方案 ； 之后获取用户 执行推 荐运动方案所 生成的运动 行为数据， 并对运动行为数据进行强度 分类处 理， 最后基于强度分类结果对 所述推荐运动 方案进行调整 ； 由此， 能够根据用 户的 身体情况 自动生成符合用 户的推荐运动 方案， 不仅提高了用户运 动的体验 性， 而且能够满足用户通过运动 改善慢性疾病 的需求。 如 图 2所示， 为本发明一实施例 中生成推荐运 动方案的流程 图， 该方法至 少包括 如下操作流程 ： S201 , 基于病因类型， 确定运动类型分配信 息； S202, 基于 体能状 态级别 ， 确定运动强度 信息； 基于健康 风险， 确定运动 建议信 息 ； S203, 基于运动类型分 配信息 、 运动强度信息 ， 以及运动建议 信息， 确定 运动动 作信息 ； S204, 基于运动类型分 配信息 、 运动强度信息 ， 以及 运动 动作信 息， 为用户生成 推荐运 动方案 。 在 S201 和 S202中， 基于机器学习的病 因识别模 型或者 决策树 模型或 者预 设规则 ， 对病因类型进 行处理 ， 得到运动类型 分配信 息。 基于机器 学 习的 体能识 别模型 或者决 策树模 型或者预 设规则 ， 对体能状态级 别进行处 理， 得到运动强度信 息。 基于机器学 习的健 康风险 识别模 型或者 决策树模 型预 设规则 ， 对健康风险进 行处理 ， 得到运动建议 信息。 例如基于低血糖 健康 风险识 别模型 识别用 户是否 具有低血 糖风险 ， 如果是， 则得到的运动 建议 信息包 括以下 运动时段 一应在 饭后 1 h 运动。 如果识别出用户不具 有 低血 糖健康 风险， 得到的运动 建议信 息包括 以下运 动时段一 在早餐 前或其 他时 段运动 。 再例如， 基于关节损伤 健康风 险识别 模型识 别用户是 否具有 关节 损伤风 险；若是，则得 到的运动 建议信 息包括 优选运动 动作一 椭圆机 、 游泳 等运动 动作， 还包括禁 忌运动动 作一弹 跳类运动 或长距 离跑步 等运动 动作 。 在 S203和 S204中， 基于所述运 动类型 分配信 息、 运动强度信 息， 以 及运 动建议 信息， 生成用户 的个人 标签； 基于所述个人标 签在所述动 作标签 库中进 行标签匹配 ， 将匹配度最高的动作标 签对应的运动 动作确定为 用户的运 动动作 。 具体 地， 基于运动 类型分配 信息、 运动强度信息， 以及运动建议信 息 进行 实体识 别， 生成用户的 个人标 签。 从动作标签 库中选 取与个 人标签相 匹配 的多个 动作标 签； 基于用户的 触发， 从多个动 作标签 中选取 权重最 大 的动 作标签 ， 并将选取的 动作标 签对应的 运动动 作作为 用户的 运动动作 。 运动 动作例 如： 动态抗阻 （如招财猫、 椅子坐起） 每组连续做 8T5个， 每个 动作 约 4秒完成 （控制速度， 不要过快）； 静态抗阻 （如贴墙站， 单足站立） 每 组持 续做 10-30秒或更久。 由此， 能够基于用户数 据自动生成 推荐运动方 案， 提高了用户运动的体验 性和安 全性。 如 图 3所示， 为本发明一实 施例中 调整推荐 运动方 案的流程 图， 该方 法至 少包括如下操 作流程： S301 , 基于运动行为模型， 对运动行为数据进行强 度分 类处理， 得到强度分类结 果； 其中， 运动行为模型包括多个子模 型和集成 模型 ， 集成模型根据多个子模 型的输出确定 最终的强度分 类结果； S302, 若强 度分 类结果表征 强度适当， 则保持运动强度； S303, 若强度分类结 果表征 强 度过 低， 则通过调 整推荐运 动方案 以提升 运动强 度； S304, 若强度分类结 果表 征强度 过高， 则通过调整推荐 运动方 案以降低 运动强 度。 其中， 集成 模型 可以是 投票模 型、 线性回归模 型等 ， 本发明对此不 做限制 。 在 S301 中， 对运动行为数据进行预处理， 得到标准化运动行为数 据； 利用 第一模 型对标准化 运动行为数据 进行强度分 类处理， 得到第一强度分 类结果； 利用 第二模型对标 准化运动行 为数据进行强 度分类处理 ， 得到第二强度分类结 果； 利用第三模型对标准化运动 行为数据进 行强度分类 处理， 得到第三强度分 类结 果； 利用第四模型对标准 化运动行为数 据进行强度分 类处理， 得到第四强 度分 类结果； 利用第五模型 （即集成模型） 对第一强度分类结果、 第二强度分 类结 果、 第三强度分类结果和 第四强度分 类结果进行投 票处理， 得到最终强度 分类 结果。 为了提 高模型预测的 准确性， 需要对运动行为数 据进行预处 理。 具体地， 对运动 行为数据进 行修正处理 ， 得到修正数据； 将修正数据进行标 准化处理， 得到标 准化运动行 为数据。 修正处理包括数 据明显错误 的修正以及 明显缺失的 修正 。 常见的明显错误例如， 查看用户年龄、 身高、 体重、 血压、 血糖、 胰岛 素等 类似指标。 根据指标的有 效范围， 检查运动行为数据 是否有问题 ； 譬如， 身高 120厘米的成年人 ， 可能不是我们想要的 ； 或者血压 200, 很可能是测量 有问题 的数据； 再譬如， 血糖单位有 mg/d I 与 mmo l/ L之分； 两者常见的值域不 同， 当血糖值是 120mmo l /L, 很可能是错误的单位导致的。 再譬如， 某用户体 重 140 （收集单位为 kg）, 但腰围比较正常， 此时很可能是 140的单位为 “斤 ”, 即 70kg_o 常见的明显缺失例如 均值 （数值型） 或众数 （枚举型）； 若在数据量 充足 情况下， 建议丢弃。 第一模型 可以为逻辑 回归模型，第二模型可 以为提督提升 决策树（Grad i ent Boost i ng Dec i s i on Tree, 缩写 GBDT）模型， 第三模型可以为随机森林（Randon Forest, 缩写 RF）模型， 第四模型可以为浅层神经网络（Neura l Network, 缩写 NN）模型， 第五模型可以为基于 引导聚集算 法 （Bootstrap aggregat i ng, 缩写 baggi ng） 思想的投票模型。 其中第一模型、 第二模型、 第三模型、 第四模型以 及第五 模型均是预 先训练好的模 型。 第一模型、 第二模型、 第三模型和第四模 型的输 入均是相 同的； 并且各个模型在训练 过程中均是 以强度分类 结果为目标 进行训 练， 从而完成模型调优 。 本实施例 通过利用运动 行为模型对 运动行为数据 进行强度分 类处理， 不仅 提高 了强度分类处 理的速度， 而且由于综合考量了所有 运动行为数据 ， 因此能 够提 高强度分类结 果的准确性 ， 避免了采用单一因素人 为评估运动强 度导致分 类结 果不准确的问题 。 在 S302中， 判断强度分类结果是否 满足第三预设 条件， 若强度分类结果满 足第三 预设条件， 则对推荐运动方案进行调 整， 生成新推荐运动方案 ； 若强度 分类 结果不满足 第三预设条件 ， 则不需要对推荐运动方 案进行调整。 推荐运动 方案 包括但不限于 运动类型 分配信 息、运动强 度信息 和运动 动作信 息等。其 中运动 类型包括抗 阻运动和有氧运 动。 若强度分 类结果为强度 适当， 说明强度分类结 果不满足第三 预设条件， 则 不需要 对推荐运动 方案进行调整 ， 也就是推荐运动方案非 常适合用户 ； 若强度 分类 结果为强度过 低或强度过 高， 说明强度分类结果满 足第三预设 条件， 则对 推荐运 动方案进行逐 级调整， 得到新推荐运动 方案。 例如， 用户的个人标签包 括动作 强度、 动作难度以及动作 时长。 当得到的强度分 类结果为强度 过高时， 则将动 作强度和动 作难度调低 ， 动作时长调短， 从而更新用户个人标 签； 最后 基于 更新后的用户 个人标签在 动作标签库 中进行标签 匹配， 将匹配度最高的动 作标 签对应的运动动 作确定为用 户的运动动作 。 如图 4所示， 为本发明一实施例中生 成运动前预警 的流程图 ； 该方法至少 包括如 下操作流程 ： S401 , 根据用户数据确定用户运 动前的 身体状 态级别 ； S402, 判断身体 状态级 别是否 满足第 一预设 条件； S403, 若判断结果表征身 体状 态级别不满足 第一预设条件 ， 则向用户发送针对运动 前的预警提示 信息。 具体地， 若判断结果表征身体状 态级别满足第 一预设条件 ， 则说明用户能 够基 于推荐运动方 案进行运动， 且不发送预警提示信息。 用户数据可以是用户 未开启 运动的原始 用户数据， 也可以是用户 运动一段时 间后再次进行 运动前的 用户数 据。 身体状态级别包括 不同等级。 第一预设条件为符合运动 的身体状态 级别 ， 可以基于心率值的范围确 定符合运动 的身体状态级 别， 还可以结合其他 除心 率外的指标确 定符合运动的 身体状态级 别。 预警提示信息包括停 止运动的 提示信 息或者调整 推荐运动方案 的提示信息 。 由此， 能够基于用户 当前用户数据 ， 在运动前进行运动预警提 示， 不仅实 现了 自动化预警， 而且减少了运动损伤的发 生， 提高了用户运动的安全 性。 在优选的 实施例中， 生成运动中预警方法至少 包括如下操作 流程： S501 , 根据 所述 用户数据 和所述 运动行 为数据确 定用户 运动中 的身体状 态级别 ； S502, 判断所述身体状态级别 是否满足第二 预设条件 ； S503, 若判断结果表征 所述 身体状态级别 不满足第二 预设条件， 则向所述用户 发送针对运动 中的预警 提示信 息。 具体地， 第二预设条件为对应于推 荐运动方案 的身体状态级 别。 预警提示 信息 包括停止运动 的提示信息或 者调整推荐运 动方案的提示 信息。 由此， 能够基于用户数 据和实时生 成的运动行 为数据， 在运动过程中进行 预警提 示； 从而实现了对用户 运动过程的运 动情况实时监 测， 避免出现超负荷 运动 、 心脑血管意外或肌肉骨 关节损伤等情 况的发生， 提高了用户运 动过程中 的安 全性和体验性 。 应理解， 在本发明的各种实施例 中， 上述各过程的序号的 大小并不意味 着 执行顺 序的先后， 各过程的执行顺序应以其 功能和内在 的逻辑确定 ， 而不应对 本发 明实施例的实 施过程构成任 何限定。 本申请的 用户可以是普 通用户， 也可以患有慢性 疾病的患者 ， 例如 2型糖 尿病 患者， 或者高血压患者等 。 如图 5所示，为本发明一实施例运动 推荐方法应 用于 2型糖尿病的 流程图。 下面将 结合具体应 用对上述实施 例中运动推荐 方法进行详 细说明。 具有 2型糖尿病患者 A的用户数据包括基 础数据、 疾病数据、 体能数据以 及健康 指标数据。 利用机器学习的病因识别 模型对疾病 数据和基础数 据进行处 理， 得到用户的病 因类型， 例如腹型肥胖 、 脂毒性和糖毒性作用引起 胰岛功能 下降 ； 然后基于病因类型确定 有氧运动和抗 阻运动的比例 为 2 : 2。 利用机器学 习的体 能模型对体 能数据和基础 数据进行处 理， 得到用户的体能状 态级别， 例 如心肺 功能分级和体 力活动分级 ； 根据体力分级 可确定 抗阻运动 强度信 息， 根据 心肺分 级可确 定有氧强 度信 息。 利用机器学习的健康 风险模型对健 康指 标数据 和基础数据进 行处理， 得到用户的健 康风险， 例如低血糖风 险； 然后根 据健 康风险 确定运 动建议信 息， 例如运动时 段以及优 选运动 动作和 运动禁 忌等 。 基于运动类型 分配信 息、 运动强度信 息， 以及运动建议信 息， 确定 运动 动作信 息； 基于运动类 型分配 信息、 运动强度 信息， 以及运动动作信 息， 为用户生成推 荐运动 方案。 推荐运动 方案例如，运动强度为 中等级别；建议平均心率 122-136次/分钟， 建议运 动时长为 30m i n。 间隔执行每周 5天不高于中等强度的有氧运动方案和 每周 2天的抗阻训练 方案。 一周中， 第一天采用有氧运动方 案， 第二天采用有 氧运动 方案， 第三天采用抗阻运 动方案， 第四天采用有氧，运动方案， 第五天采 用有 氧运动方案， 第六天采用有氧运动方案， 第七天采用抗阻运动方案 。 有氧运动 ： 根据患者当前体能情况 ， 建议进行每周 5天中等强 度的有氧运 动， 每天运动 25-45mi n, 如无法连续运动， 可以分次进行， 但每次运动时间不 少于 10mi n, 运动中心率控制在 122-136次/分钟范围内， 运动中感受以 “微微 累， 可以说话， 但不能唱歌” 最为适宜。 具体地， 4 个有氧运动动作， 依次每 个动作 做 20秒为 1轮循环， 1次锻炼至 少连续做 2轮循环， 每轮循环之间休息 不超过 1 mi n, 每日需完成指定总论数并保证心率达标。 有氧运动动作例如侧向 开合走 、 原地高抬腿走、 原地慢跑、 原地开合跳等。 抗阻运动 ： 对全身的主要肌群 （腿、 臀、 胸、 背、 腹以及上肢） 进行锻炼。 每天做 动作每个连 续做 3组，每组间休息时 间不超过 30秒；抗阻运动方案指 导： 动态抗 阻（如招财猫、椅子坐起 ）每组连续做 8T 5个，每个动作约 4秒完成（控 制速度 ， 不要过快）； 静态抗阻 （如贴墙站， 单足站立） 每组持续做 10-30秒或 更久 。 具体地， 8个抗阻动作， 抗阻动作每个连续做 3组， 每组间休息时 间不 超过 30秒； 动态抗阻每组连续做 8-15个， 每个动作约 4s完成 （不要过快）； 静态抗 阻每组做 10-30s或更久。 抗阻动作例如推墙俯卧撑、 空手俯立平举、 举 手贴墙 站、 靠墙静蹲、 双足提踵、 哑铃肩上推举、 哑铃颈后臂屈伸 、 哑铃二头 弯举 等。 如果某个抗阻动作每组 可轻松完成上 限 （15或 30个）， 则可提高该类 动作 的难度 （如换动作、 加负重或加时长）； 若第 1组就无法完成下限 （8个或 10个 ）， 则降低难度 （换动作或减负重）。 其次， 获取患者 A在上述推荐运动方 案运动所生成 的运动行为数 据； 运动 行为数 据至少包括 具有运动属性 的数据和运 动环境数据 。 运动属性数据包括但 不限 于患者 A针对运 动的反馈数据 ， 以及运动过程中记录的 运动强度、 运动心 率、运动时 长以及疲惫程 度等。运动环境属 性数据包括 但不限于运动 场地数据、 运动 时间数据以及 运动季节数据 等。 之后， 对运动行为数据进行预处 理， 得到 标准化 运动行为数据 ； 例如对运动行为数据依 次进行修正 处理和标准 化处理。 最后 ， 利用运动行为模型对标 准化运动行为数 据进行分 类处理， 得到最终强度 分类 结果； 若最终强度分类结 果为强度过 高， 则最终强度分类结果 满足强度失 衡的 条件； 调整推荐运动方案， 生成新推荐运动方案。 新推荐运动方案 包括运 动类型 （抗阻或有我）、 运动强度、 建议平均心率、 建议运动时长、 运动动作。 新推荐 运动方案运动 指标要求例如 ： 运动强度要求为中低 级别， 建议运动时长 为 25mi n, 建议平均心率范围为 1 12-127次 /mi n ; 系统会将有莪运动和抗阻运 动分 别与运动指标要 求同步作相 应调整。 在这里不做赘述 。 运动前预 警：在未进行任何运动前 或者一轮运 动结束后启动 下一轮运动时, 对患者 A的用户数据进 行分析，基于分析结果 确定用户运动 前的身体状 态级别， 例如 身体状态级别 对应的心率 异常， 则向患者 A发送不适合 运动的预警信 息。 由此 实现了运动前预 警， 减少运动风险， 提高运动的安全性 。 运动中预 警： 在患者 A执行推荐运动方 案时， 基于患者 A生成的运动 行为 数据和 该运动前的 用户数据， 确定用户运动 时的身体状态 级别； 例如身体状态 级别对 应的心率异 常， 则向患者 A发送不适合 运动的预警信 息。 由此， 实现了 运动 中预警， 减少运动风险， 提高运动的安全 性。 由此， 采用本发明运动 推荐方法， 能够为 2型糖尿病患者提供 适应个体特 征的运 动方案， 并能够基于患者 的执行情况 对运动方案进 行动态调整 ， 从而找 到适合 患者的运动 方案， 进而有利于患者疾 病的康复。 另外增加了运动前的风 险预 警和运动过程 中的风险预警 ， 提高了用户的体验性和 安全性。 如图 6所示， 为本发明一实施例确定 推荐运动方案 装置的示意 图； 该装置 600 包括： 第一获取模块 601 , 配置为获取用户数据， 用户数据至少包括基础 数据 、 疾病数据、 体能数据、 健康指标数 据； 确定模块 602, 配置为根据 所述 用户数 据， 确定用户的 病因类 型、 体能状态级 别和健 康风险 ； 生成模 块 603, 配置为基于 病因类 型、 体能状态级 别、 健康风险 为用户 生成推 荐 运动 方案， 推荐运动 方案至 少包括运 动类型 分配信 息、 运动强度信 息和运 动动 作信息 ； 第二获取模块 604, 配置为获取用户执行 推荐运动方 案所生成的 运动行 为数据； 调整模块 605, 配置为对运动行为数据进 行强度分 类处理， 并 基于 强度分类结果 对推荐运动方 案进行调整 。 在可选的 实施例中， 确定模块包括 ： 第一处理单 元， 配置为基于机 器学 习的 病因识 别模型 或者决 策树模 型或者预 设规则 ， 对第一用户数 据进行处 理 ， 得到用户的病 因类型 ； 第一用户数 据包括 疾病数 据和 /或基础 数据； 第二 处理单 元， 配置为基于机 器学 习的体能 识别模 型或者 决策树模 型或者 预设 规则， 对第二用户数据 进行处 理， 得到用户 的体能状 态级别 ； 第二用 户数 据包括 体能数 据和 /或基础数据 ； 第三处理单元 ， 配置为基于机器学 习 的健 康风险 识别模 型或者 决策树模 型或者 预设规 则， 对第三用户 数据进行 处理 ， 得到用户的 健康风 险； 第三用户数据 包括健康 指标数 据和/ 或基础 数据 。 在可选的 实施例中，生成模块 包括：第一确定单 元，配置为基于病 因类型 ， 确定 运动类 型分配信 息； 第二确定单元， 配置为基于体能状 态级别 ， 确定 运动 强度信 息； 第三确定单元 ， 配置为基于健康 风险， 确定运动建 议信息 ； 第四 确定单 元， 配置为基于运 动类型 分配信 息、 运动强度信 息， 以及运动 建议 信息， 确定运动动 作信息 ； 生成单元， 配置为基于运动 类型分 配信息 、 运动 强度信 息， 以及运动动 作信 息， 为用户生成 推荐运动 方案。 在可 选的实 施例中 ， 第四确定单元 包括 ： 生成子单元， 配置为基于运 动 类型分配 信息、 运动强度 信息， 以及运动建议信 息， 生成用户 的个人标 签 ； 匹配子单元， 配置为基于个人标签 在所述动作 标签库中进行 标签匹配， 将 匹配度 最高的动作 标签对应的运 动动作确定 为用户的运动动 作。 在可选的 实施例中， 调整模块包括 ： 分类处理单元， 配置为基于运动行 为 模型 ， 对运动行为数据进行强度 分类处理， 得到强度分类结果； 其中， 运动行 为模型 包括多个子 模型和集成模 型， 集成模型根据多个 子模型的输 出确定最终 的强度 分类结果 ； 调整单元， 配置为若强度分类结果表 征强度适当 ， 则保持运 动强度 ； 若强度分类结 果表征 强度过 低， 则通过调 整所述 推荐运动 方案 以 提升 运动强 度； 若强度分类 结果表 征强度 过高， 则通过调 整推荐运 动方案 以降 低运动 强度。 在可选的 实施例中， 运动推荐装 置还 包括： 确定模块还 配置为， 根据用 户数 据确定 用户运 动前的 身体状 态级别 ； 判断模块， 配置为判断 身体状态 级别 是否满 足第一 预设条件 ； 发送模块， 配置为若判断结 果表征身体 状态级 别不 满足第一预设 条件， 则向用户发送针对 运动前的预警提 示信息。 在可选的 实施例中， 运动推荐装置还 包括： 确定模块还配置为， 根据用户 数据 和运动 行为数 据确定 用户运动 中的身 体状态 级别；判断模块 还配置 为， 判断 身体状态级别 是否满足第 二预设条件 ； 发送模块还配置为， 若判断结果表 征身体 状态级别不 满足第二预设 条件， 则向用户发送针 对运动中的预 警提示信 息。 在可选的 实施例中， 运动行为数据 至少包括具 有运动属性的 数据和运动环 境数据 。 上述装置 可执行本发 明实施例所提 供的运动推荐 方法， 具备执行运动推荐 方法相 应的功能模 块和有益效 果。 未在本实施例中详尽 描述的技术 细节， 可参 见本 发明实施例所提 供的运动推 荐方法。 如图 7所示， 为本发明实施例可以应 用于其中的示 例性系统架 构图， 该系 统架构 700可以包括终 端设备 701、 702、 703, 网络 704和服务器 705。 网络 704 用以在终端设备 701、 702、 703和服务器 705之间提供通信链路的介质。 网络 704可以包括各种连接 类型， 例如有线、无线通信链路或 者光纤电缆等 等。 用户可 以使用终端设备 701、 702、 703通过网络 704与服务器 705交互， 以接收 或发送消息 等。 终端设备 701、 702、 703上可以安装有各种通讯客户端 应用 ， 例如购物类应用、 网页浏览器应用、 搜索类应用、 即时通信工具、 邮箱 客户端 、 社交平台软件等 （仅为示例）。 终端设备 701、 702、 703可以是具有显示屏并且支持网页浏览的各 种电子 设备 ， 包括但不限于智能手机 、 平板电脑、 膝上型便携计算机和台 式计算机等 等。 服务器 705可以是提供各种服 务的服务器 ， 例如对用户利用终端设备 701、 702、 703 所产生的点击事件提供 支持的后 台管理服务器 （仅为示例）。 后台管 理服 务器可以对接 收到的点击数 据、 文本内容等数据进 行分析等处理 ， 并将处 理结果 （例如目标推送信息、 产品信息一仅 为示例） 反馈给终端设备 。 需要说明 的是， 本申请实施例所提供 的运动推荐 方法一般由服 务器 705执 行， 相应地， 运动推荐装置一般设 置于服务器 705中。 应该理解 ， 图 7中的终端设备、 网络和服务器的数 目仅仅是示 意性的。 根 据实现 需要， 可以具有任意数 目的终端设备 、 网络和服务器。 下面参考 图 8, 其示出了适于用来实现实施 例的终端设 备或服务器 的计算 机系 统的结构示意 图。 图 8示出的终端设备仅 仅是一个示例 ， 不应对本发明实 施例 的功能和使用 范围带来任何 限制。 如图 8所示， 计算机系统 800包括中央处理单 元 （CPU） 801 , 其可以根据 存储在 只读存储器 （ROM） 802中的程序或者从存储部分 808加载到随机访 问存 储器 （RAM） 803 中的程序而执行各种适当的动作和处理。 在 RAM803 中， 还存 储有 系统 800操作所需 的各种程序和 数据。 CPU801 . R0M802以及 RAM803通过 总线 804彼此相连。 输入 /输出 （I /O） 接口 805也连接至总线 804。 以下部件 连接至 I /O接口 805 : 包括键盘、 鼠标等的输入部分 806 ; 包括诸如阴极射线管 （CRT）、 液晶显示器 （LCD） 等以及扬声器等的输出部分 807; 包括硬盘等的存 储部分 808 ;以及包括诸如 LAN卡、调制解调器等的网络接口卡的通 信部分 809o 通信部 分 809经由诸如 因特网的网络执 行通信处理 。 驱动器 81 0也根据需要连 接至 I /O接口 805。 可拆卸介质 81 1 , 诸如磁盘、 光盘、 磁光盘、 半导体存储器 等等 ， 根据需要安装在驱动器 81 0上， 以便于从其上读出的计算机程序根据 需 要被安 装入存储部 分 808 o 特别地， 根据本发明公开的实施例 ， 上文参考流程图描述 的过程可以被 实 现为 计算机软件程 序。 例如， 本发明公开的实施例包括 一种计算机程 序产品， 其包括 承载在计算 机可读介质 上的计算机程 序， 该计算机程序包含 用于执行流 程图所 示的方法的 程序代码。 在这样的实施 例中， 该计算机程序可 以通过通信 部分 809从网络上被下载和 安装， 和/或从可拆卸介质 81 1被安装。在该计算机 程序被 中央处理单 元（CPU） 801执行时， 执行本发明的系统中限定的上述功能 。 需要说 明的是， 本发明所示的计算 机可读介质 可以是计算机 可读信号介 质 或者 计算机可读存 储介质或者 是上述两者的 任意组合。 计算机可读存储介质例 如可 以是 - 但不限于 - 电、 磁、 光、 电磁、 红外线、 或半导体的系统、 系 统或 器件， 或者任意以上的组 合。 计算机可读存储介质 的更具体的例 子可以包 括但 不限于： 具有一个或多个 导线的电连接 、 便携式计算机磁盘、 硬盘、 随机 访问 存储器 （RAM）、 只读存储器 （ROM）、 可擦式可编程只读存储器 （EPROM 或 闪存 ）、 光纤、 便携式紧凑磁盘只读存储器 （CD-ROM）、 光存储器件、 磁存储器 件、 或者上述的任意合适的组合 。 在本发明中， 计算机可读存储介质 可以是任 何包含 或存储序的 有形介质， 该程序可以被 指令执行 系统、 系统或者器件使用 或者 与其结合使 用。 而在本发明中， 计算机可读的信号 介质可以包括 在基带中 或者作 为载波一部 分传播的数据 信号其中承 载了计算机 可读的程序代 码。 这种 传播 的数据信号可 以采用多种 形式， 包括但不限于电磁 信号、 光信号或上述的 任意合 适的组合。 计算机可读的信号介质还 可以是计算机 可读存储介 质以外的 任何 计算机可读介 质， 该计算机可读介质可 以发送、 传播或者传输 用于由指令 执行 系统、 系统或者器件使用 或者与其结合 使用的程序 。 计算机可读介质上包 含的程 序代码可 以用任何适当的 介质传输， 包括但不限于 ： 无线、 电线、 光缆、 RF等 等， 或者上述的任意合适 的组合。 附图中的 流程图和框 图， 图示了按照本发明各种 实施例的 系统、 方法和计 算机程 序产品的可 能实现的体 系架构、 功能和操作。 在这点上， 流程图或框图 中的每 个方框可以代 表一个模块 、 程序段、 或代码的一部分， 上述模块、 程序 段、 或代码的一部 分包含一个 或多个用于实 现规定的逻辑 功能的可执 行指令。 也应 当注意， 在有些作为替换 的实现中， 方框中所标注 的功能也可 以以不同于 附图 中所标注的顺 序发生。 例如， 两个接连地表示的方框 实际上可 以基本并行 地执行 ， 它们有时也可以按相反 的顺序执行 ， 这依所涉及的功能而 定。 也要注 意的是 ， 框图或流程图中的每个 方框、 以及框图或流程 图中的方框的组 合， 可 以用执 行定的功能 或操作的专 用的基于硬件 的系统来实 现， 或者可以用专用硬 件与计 算机指令的 组合来实现 。 描述于本 发明实施例 中所涉及到的模 块可以通 过软件的方 式实现， 也可以 通过硬 件的方式来 实现。 所描述的模块也可 以设置在处 理器中， 例如， 可以描 述为 ： 一种处理器包括发送模块 、 获取模块、 确定模块和第一处理模块。 其中， 这些模 块的名称在 某种情况下 并不构成对该 单元本身的 限定， 例如， 发送模块 读介质 ， 该计算机可读介质可 以是上述实施 例中描述的设 备中所包含 的； 也可 以是单 独存在， 而未装配入该设 备中。 上述计算机可读介 质承载有一 个或者多 个程序 ，当上述一个或者多个程 序被一个该 设备执行时 ，使得该设备包括: S101 , 获取 用户数据， 用户数据至少 包括基础数 据、 疾病数据 、 体能数据、 健康指 标数 据； S102, 根据用户数据 ， 确定用户的 病因类 型、 体能状态 级别和健 康风 险； S103, 基于病因类型 、 体能状态级 别、 健康风险 为用户 生成推荐 运动 方案， 推荐运动 方案至 少包括运 动类型 分配信 息、 运动强度信 息和运 动动 作信息 ； S104,获取用户执行推荐运动方案 所生成的运动 行为数据 ； S105, 对运动 行为数据进行 强度分类处 理， 并基于强度分类结果 对推荐运动 方案进行 调整 。 在本说明 书的描述中 ， 参考术语 “一个实施例 ”、 “一些实施例”、 “示例 ”、 “具体示例” 、 或 “一些示例”等的描述意 指结合该实施 例或示例描 述的具体特 征、 结构、 材料或者特点包含于 本发明的至 少一个实施例 或示例中 。 而且， 描 述的具 体特征、 结构、 材料或者特点可以在任 一个或多个 实施例或示 例中以合 适的方 式结合。 此外， 在不相互矛盾的情况 下， 本领域的技术人员可 以将本说 明书 中描述的 不同实施例 或示例 以及不同 实施例或示 例的特征 进行结合 和组 合。 此外， 术语 “第一 "、 “第二 ” 仅用于描述目的， 而不能理解为指示或暗示 相对重 要性或者隐含 指明所指示 的技术特征 的数量。 由此， 限定有 “第一 "、 “第 二' '的特征可以明示或隐含地 包括至少一个 该特征。在本发明 的描述中，“多个" 的含 义是两个或两个 以上， 除非另有明确具体 的限定。 以上所述 ， 仅为本发明的具体实施 方式， 但本发明的保护 范围并不局限 于 此， 任何熟悉本技 术领域的技 术人员在本发 明揭露的技 术范围内， 可轻易想到 变化或 替换， 都应涵盖在本发 明的保护范 围之内。 因此， 本发明的保护范围应 以所述 权利要求的保 护范围为准 。

Claims

权 利 要 求 书

1 > 一种运动推荐方法， 包括： 获取用户数 据， 所述用户数据至少包括 基础数 据、 疾病数据、 体能数据 、 健康 指标数 据； 根据 所述用 户数据 ， 确定所述用户 的病因 类型、 体能状态 级别和健 康 风险 ； 基于 所述病 因类型 、 体能状态级别 、 健康风险为用 户生成 推荐运动 方 案， 所述推荐运动方 案至少 包括运动 类型分 配信息 、 运动强度信息 和运动 动作 信息 ； 获取用户执 行所述推荐 运动方案所生 成的运动行 为数据； 对所述运动 行为数据进 行强度分类 处理， 并基于强度分类结 果对所述推 荐 运动方 案进行调整 。

2、 根据权利 要求 1 所述的方法 ， 其中， 所述根据所述 用户数 据， 确 定所 述用户 的病因 类型、 体能状 态级别和 健康风 险， 包括： 基于 机器学 习的病 因识别模 型或者 决策树 模型或 者预设 规则， 对第一 用户 数据进 行处理 ， 得到用户的病 因类型 ； 所述第一用户 数据包括 疾病数 据和 /或基础数据； 基于 机器学 习的体 能识别模 型或者 决策树 模型或 者预设 规则， 对第二 用户 数据进 行处理 ， 得到用户的体 能状态 级别； 所述第二 用户数据 包括体 能数 据和 /或基础数 据； 基于 机器学 习的健 康风险识 别模型 或者决 策树模 型或者 预设规 则， 对 第三 用户数 据进行 处理， 得到用户 的健康 风险； 所述第三 用户数据 包括健 康指 标数据 和 /或基础数据 。

3、 根据权利 要求 1 所述的方法 ， 其中， 所述基于所述 病因类 型、 体 能状 态级别 、 健康风险为 用户生成 推荐运 动方案 ， 包括： 基于 所述病 因类型 ， 确定运动类型 分配信 息； 基于 所述体 能状态 级别， 确定运动 强度信 息； 基于 所述健 康风险 ， 确定运动建议 信息； 基于 所述运 动类型 分配信 息、 运动强度信 息， 以及运动建 议信息 ， 确 定运 动动作 信息； 基于 所述运 动类型 分配信 息、 运动强度信 息， 以及运动动作 信息 ， 为 用户 生成推 荐运动 方案。

4、 根据权利 要求 3 所述的方法 ， 其中， 所述基于所述 运动类 型分配 信息 、 运动强度信 息， 以及运动建 议信息 ， 确定运动动作 信息， 包括： 基于 所述运 动类型 分配信 息、 运动强度信 息， 以及运动建 议信息 ， 生 成 用户的个 人标签 ； 基于所述 个人标签在所 述动作标签 库中进行标 签匹配， 将匹配度最高的 动 作标签 对应的运动动 作确定为用 户的运动动作 。

5、 根据权利 要求 1 所述的方法， 其中， 所述对所述运 动行为数据进 行 强度分 类处理， 并基于强度分 类结果对所述推 荐运动方案进 行调整， 包括： 基于运动行 为模型， 对所述运动行 为数据进行强 度分类处理 ， 得到强度分 类结果 ； 其中， 所述运动行为模型包括多个 子模型和集成 模型， 集成模型根据 多个子 模型的输 出确定最终的强 度分类结果 ； 若所述强 度分类结果表 征强度适 当， 则保持运动强度；若所述强度 分类结 果表 征强度 过低， 则通过调 整所述 推荐运动 方案 以提升运 动强度 ； 若所述 强度 分类结 果表征 强度过 高， 则通过调整所 述推荐 运动方 案以降低 运动强 度 O

6、 根据权利 要求 1 所述的方法， 其中， 还包括： 根据 所述用 户数据确 定用 户运动前 的身体 状态级 别； 判断所述身体 状 态级 别是否 满足第 一预设 条件， 若判断结果表征所述身体 状态级别不 满足第 一预设 条件， 则向所述用户发送 针对运动前 的预警提示信 息。

7、 根据权利要求 1所述的 方法， 其中， 还包括： 根据 所述 用户数 据和所 述运动 行为 数据确 定用 户运动 中的身 体状态 级别 ； 判断所述身体状态级 别是否满足 第二预设条件 ； 若判断结果表征所述身 体状 态级别不满足 第二预设条件 ， 则向所述用户发送针 对运动中的预 警提示信 息。

8、 根据权利要求 1、 6或 7所述的方法， 其中， 所述运动行为数据至少包 括具 有运动属性的数 据和运动环 境数据。

9、 一种运动推荐装置， 包括： 第一获取模 块， 配置为获取用户数据 ， 所述用户数据至少包括 基础数 据、 疾病 数据、 体能数据、 健康指标数 据； 确定 模块， 配置为根据所述 用户数据 ， 确定所述用 户的病 因类型 、 体 能状 态级别 和健康 风险； 生成 模块， 配置为基于所述病 因类型 、 体能状态级 别、 健康风险 为用 户生 成推荐 运动方 案， 所述推荐运动 方案至 少包括 运动类 型分配信 息、 运 动强 度信息 和运动 动作信 息； 第二获取模 块， 配置为获取用户执 行所述推荐运 动方案所生 成的运动行 为 数据 ； 调整模块 ， 配置为对所述运动行为 数据进行强度 分类处理， 并基于强度分 类结 果对所述推荐运 动方案进行 调整。

10、 一种运动推荐系统， 其中， 包括客户端、 服务器和数据库； 所述客户 端配置为获取 用户数据和 运动行为数据 ； 并将所述用户数据和 运 动行 为数据发送至服 务器； 所述服务 器执行如权利 要求 1 至 7任一所述的方法； 所述数据 库配置为存储 动作行为标 签。

1 1 > 一种计算机可读存储介质， 其上存储有计算机程序 ， 其特征在于， 该 程序被 处理器执行 时实现如权利 要求 1-7中任一所述 的方法。

12、 一种电子设备 ， 包括： 处理器 ； 用于存储 所述处理器可 执行指令的 存储器; 所述处理 器， 配置为从所述存储器 中读取所述 可执行指令 ， 并执行所述指 令以 实现上述权利要 求 1 -7任一项所述的方法。