WO2024138311A1 - 一种运动数据处理方法及系统 - Google Patents

一种运动数据处理方法及系统 Download PDF

Info

Publication number
WO2024138311A1
WO2024138311A1 PCT/CN2022/141898 CN2022141898W WO2024138311A1 WO 2024138311 A1 WO2024138311 A1 WO 2024138311A1 CN 2022141898 W CN2022141898 W CN 2022141898W WO 2024138311 A1 WO2024138311 A1 WO 2024138311A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
motion data
cadence
recommended
step frequency
Prior art date
Application number
PCT/CN2022/141898
Other languages
English (en)
French (fr)
Inventor
周鑫
Original Assignee
深圳市韶音科技有限公司
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 深圳市韶音科技有限公司 filed Critical 深圳市韶音科技有限公司
Priority to PCT/CN2022/141898 priority Critical patent/WO2024138311A1/zh
Publication of WO2024138311A1 publication Critical patent/WO2024138311A1/zh

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities

Definitions

  • system further comprises a feedback module for providing feedback of the recommended step frequency to the user.
  • An embodiment of the present specification also provides a wearable device, comprising: a wearable body, on which is provided at least one sensor, the sensor being used to obtain motion data of a user; and a processor, configured to execute the motion data processing method described in any embodiment of the present specification.
  • FIG2 is an exemplary module diagram of a motion data processing device according to some embodiments of this specification.
  • FIG3 is an exemplary flow chart of a method for processing motion data according to some embodiments of the present specification
  • FIG. 6 is an exemplary flow chart of a method for providing feedback on recommended cadence according to some embodiments of this specification.
  • system means for distinguishing different components, elements, parts, portions or assemblies at different levels.
  • device means for distinguishing different components, elements, parts, portions or assemblies at different levels.
  • unit means for distinguishing different components, elements, parts, portions or assemblies at different levels.
  • the words can be replaced by other expressions.
  • FIG. 1 is an exemplary scenario diagram of a motion data processing system according to some embodiments of the present specification.
  • a motion data processing system 100 may include a processing device 110, a network 120, a storage device 130, a terminal device 140, and a data acquisition device 150.
  • the various components in the motion data processing system 100 may be connected in a variety of ways.
  • the data acquisition device 150 may be connected to the storage device 130 and/or the processing device 110 through the network 120, or may be directly connected to the storage device 130 and/or the processing device 110.
  • the storage device 130 may be directly connected to the processing device 110 or connected through the network 120.
  • the terminal device 140 may be connected to the storage device 130 and/or the processing device 110 through the network 120, or may be directly connected to the storage device 130 and/or the processing device 110.
  • the sports data processing system 100 may further include a wearable device 160, and the data acquisition device 150 is disposed on the wearable device 160 (e.g., a top 160-1, pants 160-2, and a belt 160-3).
  • the wearable device 160 is connected to various components in the sports data processing system 100 through the data acquisition device 150.
  • the processing device 110 may process data and/or information obtained from the data acquisition device 150, the storage device 130, the terminal device 140, and/or other components of the motion data processing system 100.
  • the processing device 110 may obtain the user's motion data from any one or more of the data acquisition device 150, the storage device 130, or the terminal device 140, and determine the user's recommended step frequency by processing the motion data.
  • the processing device 110 may obtain a pre-stored computer instruction from the storage device 130, and execute the computer instruction to implement the method for motion data processing described in this specification.
  • the processing device 110 may be a single server or a server group.
  • the server group may be centralized or distributed.
  • the processing device 110 may be local or remote.
  • the processing device 110 may access information and/or data from the data acquisition device 150, the storage device 130, and/or the terminal device 140 via the network 120.
  • the processing device 110 may be directly connected to the data acquisition device 150, the storage device 130, and/or the terminal device 140 to access information and/or data.
  • the processing device 110 may be implemented on a cloud platform.
  • a cloud platform may include a private cloud, a public cloud, a hybrid cloud, a community cloud, a distributed cloud, a cloud-to-cloud cloud, a multi-cloud, etc., or any combination thereof.
  • the network 120 can be any form of wired or wireless network, or any combination thereof.
  • the network 120 can include a cable network, a wired network, a fiber optic network, a telecommunications network, an intranet, the Internet, a local area network (LAN), a wide area network (WAN), a wireless local area network (WLAN), a metropolitan area network (MAN), a public switched telephone network (PSTN), a Bluetooth network, a ZigBee network, a near field communication (NFC) network, etc., or any combination thereof.
  • the network 120 can include one or more network entry and exit points.
  • the network 120 can include wired or wireless network entry and exit points, such as base stations and/or Internet exchange points 120-1, 120-2, ..., through which one or more components of the motion data processing system 100 can be connected to the network 120 to exchange data and/or information.
  • the network 120 can include wired or wireless network entry and exit points, such as base stations and/or Internet exchange points 120-1, 120-2, ..., through which one or more components of the motion data processing system 100 can be connected to the network 120 to exchange data and/or information.
  • motion data, the user's physiological state, and other data can be transmitted through the network 120.
  • the storage device 130 may be connected to the network 120 to communicate with at least one other component in the motion data processing system 100 (e.g., the data acquisition device 150, the processing device 110, the terminal device 140). At least one component in the motion data processing system 100 may access data, instructions, or other information stored in the storage device 130 through the network 120.
  • the storage device 130 may be directly connected or communicate with one or more components in the motion data processing system 100 (e.g., the data acquisition device 150, the terminal device 140). In some embodiments, the storage device 130 may be part of the data acquisition device 150 and/or the processing device 110.
  • the virtual reality device and/or the augmented reality device may include a virtual reality helmet, virtual reality glasses, a virtual reality goggles, an augmented reality helmet, augmented reality glasses, augmented reality goggles, etc., or any combination thereof.
  • the processing device 110 may be a part of the terminal device 140.
  • the electromyographic data acquisition device may include a plurality of electrodes, and the plurality of electrodes may be arranged at different positions of the wearable device 160 for fitting with different parts of the user (e.g., chest, back, elbow, leg, abdomen, wrist, etc.), so as to collect electromyographic signals of different parts of the user.
  • the posture data acquisition device may include a velocity sensor, an inertial sensor (e.g., an acceleration sensor, an angular velocity sensor (e.g., a gyroscope), etc.), an optical sensor (e.g., an optical distance sensor, a video/image collector), an acoustic distance sensor, a tension sensor, etc., or any combination thereof.
  • Wearable device 160 refers to clothing or equipment with wearable function.
  • wearable device 160 may include but is not limited to top device 160-1, pants device 160-2, belt device 160-3 and shoes 160-4, etc.
  • one or more data acquisition devices 150 may be set in wearable device 160 to collect motion data of different parts.
  • data acquisition device 150 may contact with the user's body parts to collect motion data.
  • the data acquisition device 150 e.g., electrode
  • wearable device 160 may contact with multiple parts of the human body, such as calf, thigh, buttocks, waist, chest, shoulder, etc., to obtain the electromyographic signal of the part.
  • FIG. 2 is an exemplary module diagram of a motion data processing device according to some embodiments of the present specification.
  • the motion data processing device 200 shown in FIG. 2 can be applied to the motion data processing system 100 shown in FIG. 1 in the form of software and/or hardware.
  • it can be configured to the processing device 130 and/or the terminal device 140 in the form of software and/or hardware to determine the user's recommended step frequency based on the user's motion data.
  • the motion data processing device 200 may include an acquisition module 210, a processing module 220, a recommendation module 230, and a feedback module 240.
  • the acquisition module 210 may be used to acquire the motion data of the user at different cadences.
  • the acquisition module 210 may acquire the motion data from any one or more of the signal acquisition device 150, the storage device 130, or the terminal device 140.
  • the motion data may include electromyographic signals, posture signals, electrocardiographic signals, breathing signals, sweat signals, mechanical signals, etc.
  • the processing module 220 can be used to determine the user's physiological state based on the motion data.
  • the physiological state may include muscle efficiency, muscle tension, muscle fatigue, sports injury risk, etc.
  • the processing module 220 can determine at least one of the user's muscle efficiency, muscle tension and muscle fatigue according to the electromyographic signal, thereby determining the user's physiological state.
  • the processing module 220 can determine the injury risk of the user's movement according to the electrocardiogram signal and/or the posture signal, thereby determining the user's physiological state.
  • the recommendation module 230 may be used to determine the recommended cadence of the user based on the physiological state. In some embodiments, the recommendation module 230 may determine the recommended cadence of the user based on the correspondence between the physiological state of the user and the cadence. For example, the recommendation module 230 may determine the recommended cadence based on the correspondence between muscle efficiency, muscle tension, and muscle fatigue and the cadence. For another example, the recommendation module 230 may determine the recommended cadence based on the correspondence between the risk of sports injury and the cadence.
  • the feedback module 240 can be used to feed back the recommended cadence to the user.
  • the feedback module 240 can feed back the user a beat with the same frequency as the recommended cadence based on a preset feedback method (e.g., voice feedback, vibration feedback, etc.).
  • the feedback module 240 can guide the user to adjust the cadence based on the user's real-time cadence until the user's cadence is the same as the recommended cadence.
  • the feedback mode of the feedback module 240 can be real-time feedback. The user can view or receive the feedback result in real time through a terminal device (e.g., a mobile phone, a watch).
  • the feedback mode of the feedback module 240 can also be non-real-time feedback.
  • the user can view the statistical results of the exercise situation generated after the exercise through a terminal device (e.g., a mobile phone, a watch, a computer).
  • the feedback module 240 is used to feed back the recommended cadence to the user, and the feedback module 240 can also be omitted, and the feedback function is performed by components of other modules (e.g., the acquisition module 210).
  • the various modules of the motion data processing device 200 reference can be made to Figures 3-6 of this specification and their related descriptions.
  • the above description of the motion data processing device 200 and its modules is only for convenience of description and does not limit this specification to the scope of the embodiments. It is understandable that for those skilled in the art, after understanding the principle of the device and/or module, it is possible to arbitrarily combine the modules or form submodules to connect with other modules without deviating from this principle.
  • the feedback module 240 can be omitted or replaced by other devices or modules, and such variations are all within the scope of protection of this specification.
  • Step 310 Acquire the user's motion data at different step frequencies, wherein the motion data at least includes electromyographic signals.
  • step 310 can be performed by acquisition module 210.
  • motion data can be data generated by the user during running. Motion data can be used to characterize the state (e.g., physiological state) of the user during running.
  • motion data can include electromyographic signals. Electromyographic signals can be bioelectric signals generated by muscles during exercise. Electromyographic signals can be used to determine the physiological state (e.g., muscle efficiency, muscle tension) of the user during running.
  • electromyographic signals can be collected by a data acquisition device (e.g., one or more electrodes) fitted to the user. For example, one or more electrodes can be fitted to muscles of different parts of the user (e.g., thigh, calf, waist, buttocks) to collect electromyographic signals of corresponding muscle parts.
  • the motion data may also include posture signals and electrocardiogram signals.
  • the posture signal may include information such as the angle, velocity, acceleration of each joint, or the Euler angle, angular velocity, angular acceleration, etc. of each body part.
  • the posture signal may be used to characterize the physiological state of the user's current motion (e.g., sports injury risk).
  • the posture signal may be collected by a data acquisition device (e.g., a posture signal acquisition device).
  • Exemplary posture signal acquisition devices may include velocity sensors, inertial sensors (e.g., acceleration sensors, angular velocity sensors (e.g., gyroscopes), etc.), optical sensors (e.g., optical distance sensors, video/image collectors), acoustic distance sensors, tension sensors, etc., or any combination thereof.
  • An electrocardiogram signal may refer to a signal used to represent the user's cardiac activity.
  • an electrocardiogram signal may be collected by an electrocardiogram signal acquisition device.
  • the electrocardiogram signal acquisition device may include a plurality of electrodes, which may be used to fit different parts of the user, such as the abdomen, to collect the electrocardiogram signal of the object to be evaluated.
  • the electrocardiogram signal acquisition device may include a plurality of electrodes, which may be used to fit different parts of the user, such as the abdomen, to collect the electrocardiogram signal of the object to be evaluated.
  • the motion data may also include a breathing signal, a mechanical signal, a sweat signal, etc., or any combination thereof.
  • a breathing signal may refer to a signal used to indicate the user's breathing condition.
  • the breathing signal may be collected by a breathing signal acquisition device.
  • the breathing signal acquisition device may include a breathing rate sensor, a flow sensor, etc., which are respectively used to detect the breathing rate, gas flow rate, and other data of the object to be evaluated during exercise.
  • a sweat signal may refer to a signal used to indicate the user's sweating condition.
  • a sweat signal may be collected by a sweat signal acquisition device.
  • the sweat signal acquisition device may include a plurality of electrodes in contact with the user's skin, which are used to detect the user's sweat flow or analyze the sweat composition, etc.
  • a mechanical signal may refer to the corresponding force at the user's joints, and the mechanical signal may be used to characterize the user's sports injury risk (for example, pressure at the ankle, pressure at the knee, etc.).
  • the mechanical signal may be obtained by a mechanical sensor.
  • the mechanical sensor may include a pressure sensor, and pressure signals at different parts of the user may be obtained based on the pressure sensor as the user's mechanical signal.
  • the mechanical signal may be calculated based on the posture signal and the electromyographic signal.
  • multiple groups of motion data of a user under multiple preset step frequencies can be obtained.
  • Each of the multiple preset step frequencies can be located in a specific frequency range (also called a step number range), and each group of the multiple groups of motion data corresponds to one of the multiple preset step frequencies.
  • the step frequency can be the number of steps of running per unit time (for example, per minute).
  • the step frequency of a professional runner can be approximately 180 steps per minute.
  • each preset step frequency can be a preset step frequency located in a specific frequency range. The frequency ranges corresponding to multiple preset step frequencies are different from each other.
  • the frequency range of the preset step frequency can be a default setting.
  • the frequency range of the preset step frequency can also be personalized according to the situation of different users.
  • the set preset step frequency and/or its corresponding frequency range can be stored in a storage device.
  • the multiple preset step frequencies can include a first preset step frequency, a second preset step frequency, ..., an Nth preset step frequency, and the first preset step frequency, the second preset step frequency, ..., the Nth preset step frequency corresponds to different frequency ranges.
  • the first preset step frequency may be located at or the corresponding frequency range may be 100 steps per minute to 110 steps per minute
  • the second preset step frequency may be located at or the corresponding frequency range may be 110 steps per minute to 120 steps per minute
  • the Nth preset step frequency may be located at or the corresponding frequency range may be 180 steps per minute to 190 steps per minute.
  • the motion data at each of the multiple preset step frequencies may be acquired respectively.
  • multiple sets of motion data at multiple preset step frequencies can be obtained while the user is running. For example, when the user is running at a first preset step frequency, the user's first motion data at the first preset step frequency can be obtained; then, the user adjusts the step frequency to a second preset step frequency, and obtains the second motion data at the second preset step frequency, ..., and similarly, the user's Nth motion data at the Nth preset step frequency can be obtained.
  • multiple sets of motion data at different preset step frequencies can also be obtained based on the user's historical motion records (e.g., step frequency records, motion data records corresponding to the step frequency records).
  • each of the multiple sets of motion data can characterize the user's physiological state at the corresponding preset step frequency.
  • exercise habits may include but are not limited to exercise frequency, exercise type, exercise duration, etc.
  • Physiological information corresponding to different users may be stored in a storage device.
  • physiological information of different users for example, testers for obtaining multiple sets of motion data
  • the physiological information of the user may be obtained from the storage device, and multiple sets of motion data of the user at multiple preset step frequencies may be determined based on the physiological information of the user.
  • the tester may include user 1, user 2, ..., user m, and the physiological information of the m users is stored in a storage device.
  • the relationship between the step frequency and the physiological state of the user under different conditions can be determined based on the physiological information of the user.
  • different physiological information e.g., different physiological information
  • the user's motion data at different cadences may also be obtained based on other methods.
  • the user's real-time motion data may be obtained based on the user's real-time cadence. For details, see FIG. 4 and its related description.
  • the user's movement speed is related to the cadence, and the cadence can be used as an indicator to evaluate the movement speed.
  • the movement speed can be approximately expressed as the product of the cadence and the stride. Therefore, when the user's movement speed remains stable (i.e., uniform motion or near uniform motion) or is within a certain range, the user's movement data is obtained within the current speed or speed range. In this case, the movement data obtained can be used as a relatively stable criterion to determine the cadence.
  • obtaining the user's movement data at different cadences may include: determining a target speed interval; and obtaining movement data at different cadences within the target speed interval based on the target speed interval.
  • the speed interval may be a range of values of the running speed of the user during the exercise process.
  • the target speed interval refers to a pre-set speed interval with a certain speed range.
  • the speed range defined by the target speed interval may be relatively small, that is, within the target speed interval, the running speed changes less.
  • the total force of the leg muscles in the fatigue state is greater than the total force of the leg muscles in the non-fatigue state.
  • the total force can be characterized by the sum of the amplitudes of the electromyographic signals (for example, the sum of the absolute values of the amplitudes, the sum of the multiple powers of the amplitudes, the sum of the multiple amplitudes, etc.) within a preset time period (for example, a running cycle, a time period when the foot touches the ground, a time period when the foot is vacant, etc.).
  • the sum of the amplitudes of the electromyographic signals as a characteristic parameter can be used to determine whether the user's muscles are in a fatigue state.
  • the electromyographic power of the leg muscles in the fatigue state is greater than the electromyographic power of the leg muscles in the non-fatigue state.
  • Electromyographic power can refer to the sum of the amplitudes of the electromyographic signals per unit time.
  • the electromyographic power of the electromyographic signals as a characteristic parameter can be used to determine whether the user's muscles are in a fatigue state.
  • part of the leg muscles relax when the legs are in the air, and the amplitude of the corresponding electromyographic signal can be the minimum value within a cycle; and when entering a fatigue state, the part of the leg muscles is in a tightened state when the legs are in the air, for example, it can be shown that the amplitude of the electromyographic signal of the muscles when the legs are in the air increases. At this time, the amplitude of the electromyographic signal of the leg muscles when the legs are in the air can be used as a characteristic parameter to determine whether the user's muscles are in a fatigue state.
  • part of the leg muscles tighten when the feet touch the ground, and the amplitude of the corresponding electromyographic signal can be the maximum value within a cycle; and when entering a fatigue state, the muscle strength of the part of the leg muscles when the feet touch the ground is abnormally increased, for example, it can be shown that the amplitude increase speed of the electromyographic signal is greater than the speed threshold.
  • the increase speed of the electromyographic signal amplitude of the leg muscles when the feet touch the ground can be used as a characteristic parameter to determine whether the user's muscles are in a fatigue state.
  • the average frequency, median frequency, etc. of the leg muscles decrease.
  • the average frequency can be the ratio of the amplitude of the finger electromyographic signal at each frequency after weighting (for example, the amplitude at each frequency multiplied by the corresponding frequency, the multiple power of the amplitude at each frequency, the multiple value of the amplitude at each frequency, etc.) and summing it to the sum of the amplitudes at each frequency.
  • the average frequency of the electromyographic signal can be used as a characteristic parameter to determine whether the user's muscles are in a fatigue state. For another example, when performing the same running action, the muscle strength of the leg muscles in a fatigue state is greater than the muscle strength in a non-fatigue state. And as the degree of fatigue increases, the muscle strength increases further.
  • the fatigue state of the muscle can be judged based on the intensity change of the electromyographic signal.
  • the electromyographic signal can be segmented according to multiple time windows divided by time periods, and the amplitude (for example, the absolute value of the amplitude) average value of each segment of the electromyographic signal is used as the characteristic value of each segment of the electromyographic signal, thereby determining multiple characteristic values in multiple time periods.
  • the amplitude average value can generally reflect the average strength of each electromyographic signal in each time period, so that the change in the average strength of the electromyographic signal during running can be determined based on multiple characteristic values, and the fatigue state of the muscle can be characterized thereby.
  • Muscle efficiency can refer to the muscle output required to maintain the same athletic ability. In certain embodiments, the higher the muscle output required to maintain the same athletic ability, the lower the muscle efficiency. In certain embodiments, muscle efficiency can be determined based on the integral value of the electromyographic signal within a certain interval (e.g., within a specific time period). In certain embodiments, muscle efficiency can also be determined based on the average value of the electromyographic signal amplitude within a certain interval.
  • the first corresponding relationship may include a corresponding relationship between muscle fatigue and step frequency.
  • the corresponding relationship between muscle fatigue and multiple preset step frequencies can be determined.
  • the electromyographic signal under the first preset step frequency can be analyzed and processed to obtain muscle fatigue under the first preset step frequency (recorded as the first muscle fatigue degree) to determine the corresponding relationship between the first preset step frequency and the first muscle fatigue. That is, the first muscle fatigue degree corresponds to the first preset step frequency.
  • the corresponding relationship between the second preset step frequency and the second muscle fatigue can be determined, ..., the corresponding relationship between the Nth preset step frequency and the Nth muscle fatigue.
  • the corresponding relationship between the user's step frequency and physiological state can be determined according to the relationship determination model.
  • the input of the relationship determination model may include but is not limited to the step frequency.
  • the output of the relationship model may be the corresponding relationship between the step frequency and the physiological state (for example, muscle fatigue, muscle tension, muscle efficiency, sports injury risk, etc.).
  • the relationship determination model may be a trained machine learning model.
  • the relationship determination model can be pre-trained by a processing device and stored in a storage device, and the processing device can access the storage device to obtain the relationship determination model.
  • FIG6 is an exemplary flow chart of a method for providing feedback and recommending a cadence according to some embodiments of the present specification.
  • process 600 may be performed by recommendation module 240.
  • Process 600 may include:
  • the step frequency recommendation model can be obtained by training based on sample information.
  • the sample information may include motion data of professionals (e.g., fitness coaches) and/or non-professionals during exercise.
  • the sample information may also include the user's own historical motion data. For example, after the user wears the wearable device, he performs multiple running exercises with different step frequencies, and uses a data acquisition device to obtain motion data, which can be used as historical motion data. When the motion data is used as sample information, the user's physiological state can be monitored while obtaining the motion data.
  • the motion data in the sample information can be a processed signal (e.g., segmented processing, burr processing, and conversion processing, etc.).

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本说明书的一个或多个实施例涉及一种运动数据处理方法和系统，所述方法包括获取用户在不同步频下的运动数据，所述运动数据至少包括肌电信号；基于所述运动数据确定所述用户的生理状态；以及基于所述生理状态确定所述用户的推荐步频。

Description

一种运动数据处理方法及系统 技术领域
本说明书涉及数据采集与处理技术领域，特别涉及一种运动数据处理方法及系统。
背景技术
随着人们对身体健康的关注，科学跑步变得越来越重要。跑步时的步频和步幅可以用来衡量人们的跑步是否科学。通常情况下，步幅与个人身高、腿长、关节灵活性以及核心力量等密切相关，相较而言，步频更容易通过训练进行改变，从而提高跑步时的锻炼效果。目前确定步频的方法通常是将跑步运动员的标准步频(例如，每分钟180步频)作为普通群体的推荐跑步步频，而考虑到普通群体与运动员之间的身体素质的差异以及普通群体之间的身体素质差异，跑步运动员的步频可能并不适用于每个普通群体。
因此，如何确定适合用户的步频以帮助用户更安全、更科学的进行跑步运动是尤为重要的。
发明内容
本说明书实施例提供一种运动数据处理方法，包括：获取用户在不同步频下的运动数据，所述运动数据至少包括肌电信号；基于所述运动数据确定所述用户的生理状态；以及基于所述生理状态确定所述用户的推荐步频。
在一些实施例中，所述获取用户在不同步频下的运动数据包括：确定目标速度区间；基于所述目标速度区间获取所述目标速度区间内不同步频下的运动数据。
在一些实施例中，所述生理状态包括肌肉效率、肌肉紧张和肌肉疲劳，所述基于所述生理状态确定所述用户的推荐步频，包括：基于所述肌肉效率、所述肌肉紧张和所述肌肉疲劳中的至少一种，确定所述用户的所述生理状态与步频之间的对应关系；以及基于所述对应关系确定所述用户的所述推荐步频。
在一些实施例中，所述基于所述运动数据确定所述用户的生理状态，包括：基于所述肌电信号确定所述用户的所述肌肉效率、所述肌肉紧张和所述肌肉疲劳中的至少一种。
在一些实施例中，所述运动数据包括心电信号和/或姿态信号，所述基于所述生理状态确定所述用户的推荐步频，包括：基于所述心电信号和/或所述姿态信号，确定所述用户的所述生理状态与步频之间的对应关系；以及基于所述对应关系确定所述用户的所述推荐步频。
在一些实施例中，所述基于所述运动数据确定所述用户的生理状态，包括：基于所述心电信号和/或姿态信号确定所述用户的生理状态，所述生理状态包括所述用户运动的损伤风险。
在一些实施例中，所述获取用户在不同步频下的运动数据，包括：获取所述用户的实时步频和实时运动数据；将所述实时步频划分为多个步频区间；基于所述步频区间，从所述实时运动数据中确定不同步频区间内的所述运动数据。
在一些实施例中，所述实时步频通过惯性传感器获得，或者所述实时步频从所述肌电信号中获得。
在一些实施例中，所述方法还包括：向所述用户反馈所述推荐步频。
在一些实施例中，所述向所述用户反馈所述推荐步频，包括：获取所述用户的实时步频；基于所述实时步频与所述推荐步频的频率差，确定所述用户的步频调整趋势；基于所述步频调整趋势引导所述用户直至所述用户的步频与所述推荐步频相同。
在一些实施例中，所述向所述用户反馈所述推荐步频，包括：基于预设反馈方式向所述用户反馈与所述推荐步频相同的节拍。
在一些实施例中，所述预设反馈方式包括语音反馈、震动反馈、灯光反馈、显示反馈中的至少一种。
在一些实施例中，所述向所述用户反馈所述推荐步频，包括：基于生物反馈方式对所述用户的身体部位进行刺激以向所述用户反馈所述推荐步频，其中，所述刺激具有刺激频率，所述刺激频率与所述推荐步频相同。
在一些实施例中，所述获取用户在不同步频下的运动数据，包括：获取所述用户在多个预设步频下的多组运动数据，所述多组运动数据中的每一组分别与所述多个预设步频中的其中一个对应。
在一些实施例中，所述获取所述用户在多个预设步频下的多组运动数据，包括：获取所述用户的生理信息，所述生理信息包括身体信息和运动信息；基于所述生理信息确定所述用户在所述多个预设步频下的所述多组运动数据。
本说明书实施例还提供一种运动数据处理系统，包括：获取模块，用于获取用户在不同步频下的运动数据，所述运动数据至少包括肌电信号；处理模块，用于基于所述运动数据确定所述用户的生理状态；推荐模块，用于基于所述生理状态确定所述用户的推荐步频。
在一些实施例中，所述系统还包括反馈模块：用于向所述用户反馈所述推荐步频。
本说明书实施例还提供一种可穿戴设备，包括：穿戴本体，所述穿戴本体上设有至少一个传感器，所述传感器用于获取用户的运动数据；以及处理器，被配置为执行本说明书任一实施例中所述的运动数据处理方法。
在一些实施例中，所述穿戴本体上还设有与所述用户皮肤接触的电极，所述电极用于向所述用户的身体部位进行刺激。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的运动数据处理系统的示例性场景图；
图2是根据本说明书一些实施例所示的运动数据处理装置的示例性模块图；
图3是根据本说明书一些实施例所示的运动数据处理方法的示例性流程图；
图4是根据本说明书一些实施例所示的获取运动数据方法的示例性流程图；
图5是根据本说明书一些实施例所示的确定推荐步频的示例性流程图；
图6是根据本说明书一些实施例所示的反馈推荐步频方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的运动数据处理系统的示例性场景图。如图1所示，运动数据处理系统100可以包括处理设备110、网络120、存储设备130、终端设备140以及数据采集装置150。运动数据处理系统100中的各个部件可以以多种方式相连接。例如，数据采集装置150可以与存储设备130和/或处理设备110通过网络120连接，也可以与存储设备130和/或处理设备110直接连接。又例如，存储设备130可以与处理设备110直接连接或通过网络120连接。又例如，终端设备140可以与存储设备130和/或处理设备110通过网络120连接，也可以与存储设备130和/或处理设备110直接连接。在一些实施例中，运动数据处理系统100还可以包括可穿戴设备160，数据采集装置150设置在可穿戴设备160(例如，上衣160-1、裤子160-2、腰带160-3)上。可穿戴设备160通过数据采集装置150与运动数据处理系统100中的各个部件相连接。
在一些实施例中，运动数据处理系统100可以通过实施本说明书中披露的方法和/或过程来确定用户跑步时的推荐步频。例如，用户穿戴可穿戴设备160跑步时，数据采集装置150能够贴合在人体皮肤上以采集用户跑步时的运动数据，处理设备110可以直接或间接地从数据采集装置150 处获取该运动数据(例如，肌电信号、姿态信号、心电信号等)，并根据运动数据确定用户的生理状态，从而确定用户跑步时的推荐步频。
处理设备110可以处理从数据采集装置150、存储设备130、终端设备140和/或运动数据处理系统100的其他组件获得数据和/或信息。在一些实施例中，处理设备110可以从数据采集装置150、存储设备130或终端设备140中任意一个或多个获得用户的运动数据，通过对运动数据进行处理以确定用户的推荐步频。在一些实施例中，处理设备110可以从存储设备130获取预先存储的计算机指令，并执行该计算机指令以实现本说明书所描述的运动数据处理的方法。
在一些实施例中，处理设备110可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备110可以是本地或远程的。例如，处理设备110可以通过网络120从数据采集装置150、存储设备130和/或终端设备140访问信息和/或数据。又例如，处理设备110可以直接连接到数据采集装置150、存储设备130和/或终端设备140以访问信息和/或数据。在一些实施例中，处理设备110可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
网络120可以连接运动数据处理系统100的各个组件和/或连接运动数据处理系统100与外部资源部分。网络120可以使运动数据处理系统100的各个组件之间、以及与运动数据处理系统100之外其他部分之间进行通讯，促进数据和/或信息的交换。例如，处理设备110可以通过网络120从数据采集装置150和/或存储设备130获得运动数据。又例如，处理设备110可以通过网络120控制终端设备140向用户反馈推荐步频。示例性的反馈方式可以包括语音反馈、振动反馈、灯光反馈、显示反馈等中的至少一种。
在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中，网络120可以包括一个或多个网络进出点。例如，网络120可以包含有线或无线网络进出点，如基站和/或网际网络交换点120-1、120-2、…，通过这些进出点，运动数据处理系统100的一个或多个组件可以连接到网络120上以交换数据和/或信息。例如，可以通过网络120传递运动数据、用户的生理状态等数据。
存储设备130可以储存数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从数据采集装置150、处理设备110和/或终端设备140获得的数据。例如，存储设备130可以存储数据采集装置150采集的运动数据。在一些实施例中，存储设备130可以存储处理设备110用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备130可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备130可以连接到网络120以与运动数据处理系统100中的至少一个其他组件(例如，数据采集装置150、处理设备110、终端设备140)通信。运动数据处理系统100中的至少一个组件可以通过网络120访问存储设备130中存储的数据、指令或其他信息。在一些实施例中，存储设备130可以与运动数据处理系统100中的一个或以上组件(例如，数据采集装置150、终端设备140)直接连接或通信。在一些实施例中，存储设备130可以是数据采集装置150和/或处理设备110的一部分。
终端设备140可以接收、发送和/或显示数据。终端设备140接收的数据可以包括数据采集装置150采集的数据、存储设备130存储的数据、处理设备110生成的推荐步频等。例如，终端设备140接收和/或显示的数据可以包括数据采集装置150采集的运动数据、处理设备110对运动数据进行处理得到的用户的生理状态数据、处理设备110基于生理状态确定的推荐步频等。终端设备140发送的数据可以包括用户的输入数据和指令等。例如，终端设备140可以将用户输入的操作指令通过网络120发送给数据采集装置150，以控制数据采集装置150进行相应的数据采集(如，肌电信号、心电信号、姿态信号等)。
在一些实施例中，终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等，或其任意组合。在一些实施例中，移动设备141可以包括手机、智能行动装置、虚拟实境装置、增强实境装置等，或其任意组合。在一些实施例中，智能行动装置可以包括智能电话、个人 数字助理(PDA)、游戏装置、导航装置、POS装置等，或其任意组合。在一些实施例中，虚拟实境装置和/或增强实境装置可以包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等，或其任意组合。在一些实施例中，处理设备110可以是终端设备140的一部分。
需要说明的是，运动数据处理系统100也可以不包括终端设备140，终端设备140的功能或部分功能可以由可穿戴设备160执行。例如，可以通过可穿戴设备160来控制数据采集装置150进行相应的数据采集。又例如，通过终端设备140显示给用户的数据(如推荐步频)可以由可穿戴设备160执行(如，可穿戴设备160以电刺激的方式向用户反馈推荐步频)。
数据采集装置150可以是对用户进行运动数据采集的装置。运动数据可以指用户在跑步过程中所产生的信号。示例性的运动数据可以包括肌电信号、姿态信号、心电信号、呼吸信号、汗液信号、力学信号等中的一种或多种。在一些实施例中，数据采集装置150可以包括肌电数据采集装置、姿态数据采集装置以及力学数据采集装置。在一些实施例中，肌电数据采集装置可以包括一个或多个电极。例如，肌电数据采集装置可以包括多个电极，所述多个电极可以设于可穿戴设备160的不同位置以用于与用户的不同部位(例如，胸部、背部、肘部、腿部、腹部、腕部等)贴合，从而采集用户不同部位的肌电信号。在一些实施例中，姿态数据采集装置可以包括速度传感器、惯性传感器(例如，加速度传感器、角速度传感器(例如陀螺仪)等)、光学传感器(例如，光学距离传感器、视频/图像采集器)、声学距离传感器、拉力传感器等或其任意组合。在一些实施例中，力学数据采集装置可以包括压力传感器。例如，可以在用户的不同部位设置压力传感器，从而采集不同部位的压力信号。在一些实施例中，数据采集装置150还可以包括心电数据采集装置、呼吸数据采集装置、汗液数据采集装置等。例如，心电数据采集装置可以包括多个电极，多个电极可以用于与用户的不同部位贴合(例如，通过腰带装置160-3与腹部贴合)，以采集用户的心电信号。再例如，呼吸数据采集装置可以包括呼吸频率传感器、流量传感器等，分别用于检测用户在运动过程中的呼吸频率、气体流量等信号。又例如，汗液数据采集装置可以包括与用户的皮肤接触的多个电极，用于检测用户的汗液流量、分析汗液成分等。在一些实施例中，数据采集装置150可以具有独立的电源，其可以通过有线或无线(例如蓝牙、WiFi等)的方式将采集的数据发送给其他部件(例如，处理设备110、存储设备130、终端设备140)。
可穿戴设备160是指具有穿戴功能的服装或设备。在一些实施例中，可穿戴设备160可以包括但不限于上衣装置160-1、裤子装置160-2、腰带装置160-3和鞋子160-4等。在一些实施例中，可穿戴设备160中可以设置一个或多个数据采集装置150，以采集不同部位的运动数据。用户穿戴可穿戴设备160运动时，数据采集装置150可以与用户的身体部位接触，从而采集运动数据。例如，可穿戴设备160上的数据采集装置150(例如，电极)可以与人体的多个部位接触，例如，小腿、大腿、臀部、腰部、胸部、肩部等，以获取该部位的肌电信号。又例如，可穿戴设备160上的数据采集装置150(例如，惯性传感器)可以与人体的多个肢体(如，大臂、小臂、大腿、小腿等)或关节部位(如，膝关节、踝关节、肘关节等)接触，以获取相应部位的姿态信号。在一些实施例中，上衣装置160-1、裤子装置160-2、腰带装置160-3和鞋子160-4等装置可以作为可穿戴设备160的穿戴本体，数据采集装置150设于穿戴本体上。
需要注意的是，可穿戴设备160的穿戴本体并不限于图1中所示的上衣装置160-1、裤子装置160-2、腰带装置160-3和鞋子装置160-4，还可以包括其他设备上，例如，腕环装置、手套装置等，在此不做具体限定。可以理解的是，穿戴可穿戴设备160进行跑步运动的用户可以是跑步人员、运动设备测试人员等。用户的数量可以为一个或多个。
关于运动数据处理系统100的描述旨在是说明性的，而不是限制本说明书的范围。许多替代、修改和变化对本领域普通技术人员将是显而易见的。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。本说明书描述的示例性实施方式的特征、结构、方法和其它特征可以以各种方式组合以获得另外的和/或替代的示例性实施例。这些改变均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的运动数据处理装置的示例性模块图。在一些实施例中，图2中所示的运动数据处理装置200可以以软件和/或硬件的方式应用到图1所示的运动数据处理系统100，例如，可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140，以用于基于用户的运动数据确定用户的推荐步频。在一些实施例中，运动数据处理装置200可以包括获取模块210，处理模块220、推荐模块230以及反馈模块240。
获取模块210可以用于获取用户在不同步频下的运动数据。例如，获取模块210可以从信 号采集装置150、存储设备130或终端设备140中的任意一者或多者处获取运动数据。在一些实施例中，运动数据可以包括肌电信号、姿态信号、心电信号、呼吸信号、汗液信号、力学信号等。
处理模块220可以用于基于运动数据确定用户的生理状态。在一些实施例中，生理状态可以包括肌肉效率、肌肉紧张、肌肉疲劳、运动损伤风险等。在一些实施例中，处理模块220可以根据肌电信号确定用户的肌肉效率、肌肉紧张和肌肉疲劳中的至少一种，从而确定用户的生理状态。在一些实施例中，处理模块220可以根据心电信号和/或姿态信号确定用户运动的损伤风险，从而确定用户的生理状态。
推荐模块230可以用于基于生理状态确定用户的推荐步频。在一些实施例中，推荐模块230可以基于用户的生理状态与步频之间的对应关系确定用户的推荐步频。例如，推荐模块230可以基于肌肉效率、肌肉紧张和肌肉疲劳与步频之间的对应关系确定推荐步频。又例如，推荐模块230可以基于运动损伤风险与步频之间的对应关系确定推荐步频。
反馈模块240可以用于向用户反馈推荐步频。在一些实施例中，反馈模块240可以基于预设反馈方式(例如，语音反馈、震动反馈等)向用户反馈与推荐步频的频率相同的节拍。在一些实施例中，反馈模块240可以基于用户的实时步频引导用户调节步频直至用户的步频与推荐步频相同。在一些实施例中，反馈模块240的反馈模式可以是实时反馈。用户可以通过终端设备(例如，手机、手表)实时查看或接收反馈结果。在一些实施例中，反馈模块240的反馈模式也可以是非实时反馈。用户可以通过终端设备(例如，手机、手表、电脑)查看运动后生成的运动情况的统计结果。在一些实施例中，反馈模块240用于向用户反馈推荐步频，反馈模块240也可以省略，由其他模块(例如，获取模块210)的组件执行反馈功能。关于运动数据处理装置200的各个模块的更多细节，可以参考本说明书图3-图6及其相关描述。
需要注意的是，以上对于运动数据处理装置200及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解装置和/或模块的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子模块与其他模块连接。例如，反馈模块240可以省略或用其他装置或模块进行替代，诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的运动数据处理方法的示例性流程图。在一些实施例中，流程300可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中，图3所示的运动数据处理方法的流程300中的一个或多个操作可以通过图1所示的处理设备110和/或终端设备140实现。例如，流程300可以以指令的形式存储在存储设备130中，并由处理设备110和/或终端设备140执行调用和/或执行。如图3所示，流程300可以包括：
步骤310，获取用户在不同步频下的运动数据，所述运动数据至少包括肌电信号。
在一些实施例中，步骤310可以由获取模块210执行。在一些实施例中，运动数据可以是用户在跑步过程中所产生的数据。运动数据可以用于表征用户跑步过程中的状态(例如，生理状态)。在一些实施例中，运动数据可以包括肌电信号。肌电信号可以是肌肉在运动过程中产生的生物电信号。肌电信号可以用于确定用户在跑步过程中的生理状态(例如，肌肉效率、肌肉紧张)。在一些实施例中，用户穿戴可穿戴设备时，可以通过与用户贴合的数据采集装置(例如，一个或多个电极)采集得到肌电信号。例如，可以将一个或多个电极与用户的不同部位(例如，大腿、小腿、腰部、臀部)的肌肉贴合，以采集对应肌肉部位的肌电信号。
在一些实施例中，运动数据还可以包括姿态信号和心电信号。姿态信号可以包括各关节角度、速度、加速度，或者各人体部位的欧拉角、角速度、角加速度等信息。在一些实施例中，姿态信号可以用于表征用户的当前运动的生理状态(例如，运动损伤风险)。在一些实施例中，可以通过数据采集装置(例如，姿态信号采集装置)采集姿态信号。示例性的姿态信号采集装置可以包括速度传感器、惯性传感器(例如，加速度传感器、角速度传感器(例如陀螺仪)等)、光学传感器(例如，光学距离传感器、视频/图像采集器)、声学距离传感器、拉力传感器等或其任意组合。心电信号可以指用于表示用户的心脏活动情况的信号。在一些实施例中，可以通过心电信号采集装置采集心电信号。例如，心电信号采集装置可以包括多个电极，所述多个电极可以用于与用户的不同部位，例如，腹部贴合，以采集待评估对象的心电信号。关于姿态信号和心电信号的更多内容可以参见本说明书实施例图5及其相关描述。
在其他实施例中，运动数据还可以包括呼吸信号、力学信号、汗液信号等或其任意组合。呼吸信号可以指用于表示用户的呼吸情况的信号。在一些实施例中，可以通过呼吸信号采集装置采 集呼吸信号。例如，呼吸信号采集装置可以包括呼吸频率传感器、流量传感器等，分别用于检测待评估对象在运动过程中的呼吸频率、气体流量等数据。汗液信号可以指用于表示用户的出汗情况的信号。在一些实施例中，可以通过汗液信号采集装置采集汗液信号。例如，汗液信号采集装置可以包括与用户的皮肤接触的多个电极，用于检测用户的汗液流量或分析汗液成分等。力学信号可以指用户关节部位处对应的受力，力学信号可以用于表征用户的运动损伤风险(例如，脚踝处压力、膝盖处压力等)。在一些实施例中，力学信号可以通过力学传感器得到。例如，所述力学传感器可以包括压力传感器，可以基于所述压力传感器获取用户不同部位的压力信号作为用户的力学信号。在一些实施例中，力学信号可以基于姿态信号和肌电信号计算得到。在一些实施例中，肌电信号、心电信号、姿态信号、呼吸信号、汗液信号等或其任意组合可以用于表征用户在跑步过程中的生理状态(例如，肌肉效率、肌肉疲劳状态、运动损伤风险等)。
在一些实施例中，处理设备110可以直接从数据采集装置(例如，数据采集装置150)获取运动数据。在一些实施例中，运动数据可以存储在存储设备(例如，存储设备130)中，处理设备110可以从存储设备获取运动数据。
在一些实施例中，可以获取用户在多个预设步频下的多组运动数据。多个预设步频中的每一个可以位于特定的频率范围(也叫步数范围)，多组运动数据中的每一组分别与多个预设步频中的其中一个对应。在一些实施例中，步频可以是单位时间内(例如，每分钟)跑步的步数。仅作为示例性说明，专业跑步运动员的步频可以大致为每分钟180步。在一些实施例中，每个预设步频可以是预先设置的位于特定频率范围的步频。多个预设步频对应的频率范围彼此不同。在一些实施例中，预设步频的频率范围可以是默认设置的。在一些实施例中，预设步频的频率范围也可以根据不同用户的情况进行个性化设置。设置好的预设步频和/或其对应的频率范围可以存储在存储设备中。在一些实施例中，多个预设步频可以包括第一预设步频、第二预设步频，……，第N预设步频，第一预设步频、第二预设步频，……，第N预设步频分对应不同的频率范围。仅作为示例，第一预设步频可以位于或对应频率范围可以是每分钟100步到每分钟110步，第二预设步频可以位于或对应的频率范围可以是每分钟110步到每分钟120步，…，第N预设步频可以位于或对应的频率范围可以是每分钟180步到每分钟190步。在一些实施例中，可以分别获取多个预设步频中的每一个预设步频下的运动数据。
在一些实施例中，可以在用户跑步过程中获取多个预设步频下的多组运动数据。例如，用户在第一预设步频下跑步时，可以获取用户在第一预设步频下的第一运动数据；然后，用户调整步频至第二预设步频，获取第二预设步频下的第二运动数据，……，类似地，可以获取用户在第N预设步频下的第N运动数据。在一些实施例中，也可以根据用户的历史运动记录(例如，步频记录、与步频记录对应的运动数据记录)获取不同预设步频下的多组运动数据。在一些实施例中，多组运动数据中的每一组可以表征对应的预设步频下用户的生理状态。
在一些实施例中，预设步频可以通过反馈方式(例如，语音方式、震动方式等)反馈给用户，以便用户跟随预设步频运动以产生预设步频下的运动数据。例如，预设步频可以通过语音方式反馈给用户，可穿戴设备或终端装置(如，手机)可以播放语音节奏，语音节奏的频率与预设步频相同，用户跟随语音节奏跑步，跑步过程中利用数据采集装置获取用户跑步时的运动数据。该运动数据即为所述预设步频下产生的运动数据。
在一些实施例中，获取用户在多个预设步频下的多组运动数据可以包括：获取用户的生理信息，基于生理信息确定用户在多个预设步频下的多组运动数据。在一些实施例中，用户的生理信息可以包括身体信息和运动信息。身体信息是指与用户的身体条件或身体特征有关的信息。在一些实施例中，身体信息可以包括但不限于性别、年龄、身高、体重、体成分信息等中的一种或多种。仅作为示例，体成分信息可以包括体脂率、肌肉量、骨骼肌率、骨量、皮下脂肪、体水分等。运动信息是指与用户的历史运动有关的信息。运动信息可以包括运动习惯、运动成绩等。仅作为示例，运动习惯可以包括但不限于运动频率、运动类型、运动时长等。不同用户所对应的生理信息可以储存在存储设备中。在一些实施例中，可以预先收集不同用户(例如，作为获取多组运动数据的测试人员)的生理信息并将其储存在存储设备中。获取用户在多个预设步频下的多组运动数据时，可以从存储设备中获取该用户的生理信息，并基于该用户的生理信息确定该用户在多个预设步频下的多组运动数据。例如，测试人员可以包括用户1、用户2、…，用户m，m个用户的生理信息均储存在存储设备中。获取用户1在多个预设步频下的多组运动数据时，可以从存储设备中先获取用户1的生理数据，并基于用户1的生理数据确定用户1在不同预设步频下的多组运动数据(例如，肌电信号、姿态信号、心电信号等)。按照类似的方式，可以分别确定不同用户(也就是具有不同生理信 息的用户)在不同预设步频下的多组运动数据。在一些实施例中，具有不同生理信息的用户在同一预设步频下的运动数据可能不同，用户的生理信息可以影响用户在运动过程中产生的运动数据，从而影响用户的生理状态。在一些实施例中，可以根据用户的生理信息确定不同条件下(例如，生理信息不同)用户的步频与生理状态之间的关系，具体可以参见本说明书其他地方的描述(例如，步骤330)。
在一些实施例中，也可以基于其他方式获取用户在不同步频下的运动数据，例如，可以基于用户的实时步频获取用户的实时运动数据，具体内容可以参见图4及其相关描述。
在一些实施例中，用户的运动速度与步频相关，步频可以作为评价运动速度的指标。一般而言，运动速度可以近似表示为步频与步幅的乘积。因此，当用户的运动速度保持稳定(即匀速运动或接近匀速运动)或位于一定的范围区间时，在该当前速度或速度范围内获取用户的运动数据，这种情况下获取的运动数据可以作为一个较为稳定的衡量标准来确定步频。在一些实施例中，获取用户在不同步频下的运动数据可以包括：确定目标速度区间；基于目标速度区间获取目标速度区间内不同步频下的运动数据。
速度区间可以是用户运动过程中的跑步速度的取值范围。目标速度区间是指预先设定的具有一定速度范围的速度区间。在一些实施例中，目标速度区间限定的速度范围可以较小，即在目标速度区间内，跑步速度的变化较小。当用户的运动速度保持在目标速度区间内时，基于该目标速度区间获取的运动数据可以作为一个较为稳定的衡量标准来确定步频。仅作为示例性描述，用户在目标速度区间内以第一预设步频运动，此时获取的运动数据为第一运动数据；用户在目标速度区间内以第二预设步频运动，此时获取的运动数据为第二运动数据；……；用户在目标速度区间内以第N预设步频运动，此时获取的运动数据为第N运动数据。其中，第一运动数据、第二运动数据、……，第N运动数据之间的差异的影响因素主要是步频，而运动速度可以忽略。在一些实施例中，用户的运动速度位于目标速度区间时，用户在预设步频下运动，数据采集装置获取的运动数据是有效的，且该运动数据与该预设步频是对应的并能够用于后续的分析处理(例如，用于确定用户的生理状态)。而当用户的运动速度超过目标速度区间时，无论用户是否在预设步频下运动，数据采集装置均不会采集运动数据，或者采集的运动数据无效，无效的运动数据不会用于后续的分析处理。在一些实施例中，可以根据实际情况(例如，不同用户、道路环境)以及应用场景设置合适的目标速度区间，本说明书对目标速度区间的取值范围不做具体限定。
通过合理设置目标速度区间的范围，可以降低不同步频下运动速度不同对获取的运动数据的影响，从而保证运动数据的准确性。
在一些实施例中，为了降低在不同步频下运动速度不同导致的运动数据的差异，可以获取用户在不同步频但相同运动速度下的运动数据。在一些实施例中，可以获取用户在不同步频及不同运动速度下的运动数据，这种情况下，可以通过监测用户的运动速度并在运动数据的结果中补偿运动速度不同所带来的影响。
步骤320，基于所述运动数据确定所述用户的生理状态。
在一些实施例中，步骤320可以由处理模块220执行。在一些实施例中，生理状态可以用于表征用户跑步过程中生理情况及其变化的状态。在一些实施例中，生理状态可以包括肌肉效率、肌肉疲劳(也叫肌肉疲劳状态)和肌肉紧张。在一些实施例中，用户在不同步频下跑步的过程中，肌肉效率、肌肉疲劳状态以及肌肉紧张会有所不同，从而使得用户的运动效率(例如，跑步成绩、健身效果等)不同。在一些实施例中，可以根据肌电信号确定用户的生理状态。例如，可以根据肌电信号的特征值确定用户的生理状态。肌电信号的特征值可以是肌电信号中体现用户的生理状态的特征参数。示例性的特征参数可以包括肌电信号的幅值、幅值绝对值、幅值(或绝对值)的平均值、最大值、最小值、中值频率、峰值频率、发力总值、肌电功率、脚部触地时间、平均频率等。
在一些实施例中，可以基于运动数据中的肌电信号确定用户的肌肉是否处于疲劳状态。例如，疲劳状态的腿部肌肉发力总值大于非疲劳状态时腿部肌肉的发力总值。发力总值可以用预设时间段(例如，一个跑步周期、脚部触地的时间段、脚部腾空的时间段等)内，肌电信号的幅值总和(例如，幅值绝对值的总和、幅值的多次方的总和、多倍幅值的总和等)表征。此时，将肌电信号的幅值总和作为特征参数可以用来确定用户的肌肉是否处于疲劳状态。再例如，疲劳状态的腿部肌肉的肌电功率大于非疲劳状态时腿部肌肉的肌电功率。肌电功率可以指单位时间内肌电信号的幅值总和。此时，将肌电信号的肌电功率作为特征参数可以用来确定用户的肌肉是否处于疲劳状态。再例如，非疲劳状态时，部分腿部肌肉在腿部腾空时放松，对应的肌电信号的幅值可以是一个周期内的最小值；而进入疲劳状态时，该部分腿部肌肉在腿部腾空时处于收紧状态，例如，可以表现为肌 肉在腿部腾空时的肌电信号幅值增大。此时，将腿部肌肉在腿部腾空时的肌电信号的幅值作为特征参数可以用来确定用户的肌肉是否处于疲劳状态。再例如，非疲劳状态时，部分腿部肌肉在脚部触地时收紧，对应的肌电信号的幅值可以是一个周期内的最大值；而进入疲劳状态时，该部分腿部肌肉在脚部触地时的肌肉强度异常提升，例如可以表现为肌电信号信号的幅值提升速度大于速度阈值。此时，将腿部肌肉在脚部触地时的肌电信号幅值的提升速度作为特征参数可以用来确定用户的肌肉是否处于疲劳状态。再例如，腿部肌肉由非疲劳状态进入疲劳状态时，腿部肌肉的平均频率、中值频率等下降。平均频率可以是对指肌电信号在各个频率处的幅值进行加权(例如，各个频率处的幅值与对应频率相乘、各个频率处的幅值的多次方、各个频率处的幅值的多倍值等)并求和后与各个频率处的幅值总和的比值。此时，将肌电信号的平均频率作为特征参数可以用来确定用户的肌肉是否处于疲劳状态。再例如，在进行相同跑步动作时，腿部肌肉在疲劳状态下的肌肉强度大于非疲劳状态下的肌肉强度。并且随着疲劳程度的增加，肌肉强度进一步增大。当肌肉强度过大时，腿部肌肉可能由于过度疲劳造成损伤。由此，可以基于肌电信号的强度变化判断肌肉的疲劳状态。具体来说，可以根据时间段划分的多个时间窗口对肌电信号进行分段，将每段肌电信号的幅值(例如，幅值绝对值)平均值作为每段肌电信号的特征值，由此确定多个时间段内的多个特征值。所述幅值平均值可以从总体上反映位于每个时间段的每段肌电信号的平均强度，从而可以基于多个特征值判断肌电信号在跑步过程中的平均强度的变化，并以此表征肌肉的疲劳状态。
随着跑步时间的增加，腿部肌肉逐渐进入疲劳状态，肌肉效率逐渐降低。肌肉效率可以是指维持同样的运动能力所需要的肌肉输出。在一些实施例中，维持同样的运动能力所需要的肌肉输出越高，肌肉效率越低。在一些实施例中，可以根据一定区间内(例如，特定时间段内)肌电信号的积分值来确定肌肉效率。在一些实施例中，也可以根据一定区间内肌电信号幅值的平均值来确定肌肉效率。
在一些实施例中，可以基于肌电信号确定用户肌肉的紧张程度。肌肉的紧张程度可以是指运动过程中肌肉放松的程度。用户跑步过程中，腿部肌肉可以呈周期性运动，其中，当腿部腾空时，部分腿部肌肉(例如，小腿肌肉)放松，对应的肌电信号的幅值可以是一个周期内的最小值；而当腿部(即脚部)触地时，部分腿部肌肉收紧，对应的肌电信号的幅值可以是一个周期内的最大值。由此，可以基于将肌电信号的幅值(例如，最小值、最大值)作为特征参数来判断腿部肌肉的发力情况，从而确定腿部肌肉的紧张状态。例如，可以根据时间段划分的多个时间窗口对肌电信号进行分段，将每段肌电信号的幅值(例如，幅值绝对值)最小值作为每段肌电信号的特征值，由此确定多个时间段内的多个特征值。所述幅值最小值可以反映位于每个时间段的每段肌电信号的最小强度，从而可以基于多个特征值判断肌电信号在跑步过程中的最小强度的变化，并以此表征肌肉紧张的程度。
步骤330，基于所述生理状态确定所述用户的推荐步频。
在一些实施例中，步骤330可以由推荐模块230执行。在一些实施例中，用户在不同步频下跑步时，用户肌肉的疲劳状态、肌肉效率以及肌肉紧张程度不同，这会使得用户的运动效率也有所不同。可以根据肌肉效率、肌肉紧张程度和疲劳状态中的至少一种，确定用户的生理状态与步频之间的对应关系，并基于该对应关系确定用户的推荐步频。在推荐步频下跑步时，可以提高用户的运动效率(例如，使得肌肉效率处于最优状态，肌肉疲劳状态、紧张程度处于目标区间内)，同时还能防止用户发生运动损伤，保证运动的科学性和安全性。
在一些实施例中，基于肌肉疲劳、肌肉效率和/或肌肉紧张程度确定的用户的生理状态与步频之间的对应关系，也可以称为第一对应关系。在一些实施例中，第一对应关系可以包括肌肉效率与步频之间的对应关系。在一些实施例中，可以确定肌肉效率与多个预设步频之间的对应关系。在一些实施例中，可以对第一预设步频下的肌电信号进行分析处理(如特征值计算处理)得到第一预设步频下的肌肉效率(记为第一肌肉效率)，从而确定第一预设步频与第一肌肉效率之间的对应关系。即，第一肌肉效率对应第一预设步频。同理，可以确定第二预设步频与第二肌肉效率之间的对应关系，第三预设步频与第三肌肉效率之间的对应关系，……，第N预设步频与第N肌肉效率之间的对应关系。在一些实施例中，也可以确定肌肉效率与实时步频之间的对应关系。在一些实施例中，可以获取用户的实时步频以及与实时步频对应的实时肌电信号，对实时肌电信号进行分析处理可以得到实时步频下的实时肌肉效率。
在一些实施例中，可以基于肌肉效率与步频之间的对应关系确定用户的推荐步频。在一些实施例中，可以基于肌肉效率与步频之间的对应关系，从不同步频中确定一个或多个步频作为推荐步频。例如，可以将肌肉效率较高(或肌肉疲劳状态等级较低)时所对应的不同步频(例如，多个 预设步频)中一个或多个步频确定为推荐步频。
在一些实施例中，第一对应关系可以包括肌肉紧张程度与步频之间的对应关系。在一些实施例中，可以确定肌肉紧张程度与多个预设步频之间的对应关系。仅作为示例性说明，可以对第一预设步频下的肌电信号进行分析处理得到第一预设步频下的肌肉紧张程度(记为第一肌肉紧张程度)，以确定第一预设步频与第一肌肉紧张程度之间的对应关系。即，第一肌肉紧张程度对应第一预设步频。同理，可以确定第二预设步频与第二肌肉紧张程度之间的对应关系，第三预设步频与第三肌肉紧张程度之间的对应关系，……，第N预设步频与第N肌肉紧张程度之间的对应关系。在一些实施例中，也可以确定肌肉紧张程度与实时步频之间的对应关系。在一些实施例中，可以获取用户的实时步频以及与实时步频对应的实时肌电信号，对实时肌电信号进行分析处理可以得到实时步频下的实时肌肉紧张程度。
在一些实施例中，可以基于肌肉紧张程度与步频之间的对应关系确定用户的推荐步频。在一些实施例中，可以基于肌肉紧张与步频之间的对应关系，从不同步频中确定一个或多个步频作为推荐步频。例如，可以将处于人体承受范围之内且肌肉紧张程度较高所对应的不同步频(例如，多个预设步频)中一个或多个步频确定为推荐步频。
在一些实施例中，第一对应关系可以包括肌肉疲劳与步频之间的对应关系。在一些实施例中，可以确定肌肉疲劳与多个预设步频之间的对应关系。仅作为示例性说明，可以对第一预设步频下的肌电信号进行分析处理得到第一预设步频下的肌肉疲劳(记为第一肌肉疲劳程度)，以确定第一预设步频与第一肌肉疲劳之间的对应关系。即，第一肌肉疲劳程度对应第一预设步频。同理，可以确定第二预设步频与第二肌肉疲劳之间的对应关系，……，第N预设步频与第N肌肉疲劳之间的对应关系。在一些实施例中，也可以确定肌肉疲劳与实时步频之间的对应关系。在一些实施例中，可以获取用户的实时步频以及与实时步频对应的实时肌电信号，对实时肌电信号进行分析处理可以得到实时步频下的实时肌肉疲劳。
在一些实施例中，可以基于肌肉疲劳与步频之间的对应关系确定用户的推荐步频。在一些实施例中，可以基于肌肉疲劳与步频之间的对应关系，从不同步频中确定一个或多个步频作为推荐步频。在一些实施例中，也可以综合考虑肌肉效率与步频之间的对应关系、肌肉紧张程度与步频之间的对应关系以及肌肉疲劳与步频之间的对应关系，来确定用户的推荐步频。
在一些实施例中，可以根据关系确定模型确定用户的步频与生理状态之间的对应关系。在一些实施例中，关系确定模型的输入可以包括但不限于步频。关系模型的输出可以是步频与生理状态(例如，肌肉疲劳、肌肉紧张程度、肌肉效率、运动损伤风险等)之间的对应关系。在一些实施例中，关系确定模型可以是训练好的机器学习模型。在一些实施例中，关系确定模型可以预先由处理设备训练，并存储在存储设备中，处理设备可以访问存储设备以获取关系确定模型。在一些实施例中，机器学习模型可以包括线性分类模型(LR)、支持向量机模型(SVM)、朴素贝叶斯模型(NB)、K近邻模型(KNN)、决策树模型(DT)、集成模型(RF/GDBT等)等中的一种或多种。
在一些实施例中，关系确定模型可以基于样本信息训练得到。样本信息可以包括不同用户的不同预设步频。在一些实施例中，将步频作为样本信息时，可以在获取步频的同时监测用户的生理状态。在一些实施例中，训练机器学习模型时，可以将样本信息进行打标签处理。例如，用户在第一预设步频下运动时的身体表现为第一生理状态，第一预设步频可以标记为“第一预设步频对应第一生理状态”；用户在第二步预设频下运动时身体表现为第二生理状态，第二预设步频可以标记为“第二预设步频对应第二生理状态”。不同预设步频对应的生理状态不同，将打标签的样本信息(即打标签的各个预设步频)作为机器学习模型的输入来对机器学习模型进行训练，可以得到关系确定模型。在该关系确定模型中输入相应步频(相应步频可以包括实时步频)时可以输出对应步频与生理状态之间的关系。
在一些实施例中，为了提高预设步频与生理状态之间的对应关系的准确性，可以将用户的生理信息也作为机器学习模型的输入来训练机器学习模型。由此，可以得到不同条件下(例如，生理信息不同)步频与生理状态之间的对应关系，进一步地，可以基于该对应关系确定用户的推荐步频，从而使得该推荐步频更为适合用户。在一些实施例中，可以根据用户实际输入的信息来估计目标训练任务下的推荐步频(也叫初始推荐步频)，用户先以初始推荐步频运动，在该运动过程中可以采集用户的实时运动数据，运动控制系统可以根据该实时运动数据对关系确定模型进行迭代更新，使得关系确定模型输出更贴合实际需求的对应关系，基于该对应关系可以重新确定更为精准贴合用户实时运动状态的推荐步频(也就是迭代后更新的推荐步频)。在一些实施例中，运动数据处理系统可以采集到更多的、用户长期运动过程中积累的运动数据，从而使得运动数据处理系统推荐的推 荐步频更为合理、更贴合用户本身运动习惯。
在一些实施例中，也可以通过其他方式或方法确定用户的生理状态以及推荐步频，例如，可以根据心电信号和/或姿态信号确定用户的生理状态以及推荐步频，具体内容可以参见图5及其相关描述。在一些实施例中，可以基于肌肉效率与步频之间的对应关系、肌肉紧张程度与步频之间的对应关系，以及其他生理状态(例如，运动损伤风险)与步频之间的对应关系中的一个或其任意组合的形式，确定用户的推荐步频。此时，可以综合考虑基于肌电信号、姿态信号、心电信号、呼吸信号等多种运动数据确定的生理状态与步频之间的对应关系，从而确定推荐步频。
在一些实施例中，可以基于用户运动的历史记录确定推荐步频。在一些实施例中，可以基于历史肌电信号确定推荐步频。例如，可以根据基于历史肌电信号确定肌肉过度疲劳时对应的历史步频确定当前用户的推荐步频。仅作为示例，推荐步频可以小于或略小于所述历史步频。再例如，还可以将历史推荐步频与当前肌电信号结合，确定当前用户的推荐步频。
在一些实施例中，可以结合道路环境(例如，上坡、下坡)以及用户的个人身体条件(例如，历史运动记录)确定推荐步频。例如，用户在有坡度的路段或跑步机上跑步时，为了防止膝盖损伤，坡度路段的推荐步频可以适当小于具有相同生理状态下的平缓路段的推荐步频。在一些实施例中，当系统未录入用户实时的身体状态或身处情况(例如，道路环境)时，可以先向用户推荐初始步频(根据用户的历史运动记录确定或者根据其它人群的跑步数据确定)，用户在初始步频下运动一段时间后，根据该段时间区间内的运动数据确定用户的生理状态，进而根据生理状态再来确定推荐步频。
步骤340，向所述用户反馈所述推荐步频。
在一些实施例中，步骤340可以由反馈模块240执行。在一些实施例中，基于前述步骤310、步骤320以及步骤330确定用户的推荐步频后，可以进一步向用户反馈推荐步频，用户可以根据推荐步频调整自己的步频直至与推荐步频相同，从而提升运动效率。
在一些实施例中，可以基于预设反馈方式向用户反馈与推荐步频相同的节拍。用户根据推荐步频调整自己的步频，以使该步频与推荐步频相同，此后，用户可以在推荐步频下进行跑步。在一些实施例中，预设反馈方式可以包括语音反馈、震动反馈、灯光反馈、显示反馈中的至少一种。在一些实施例中，可以基于语音反馈方式向用户反馈与推荐步频的频率相同的节拍。例如，运动数据处理系统中具有声音输出功能的设备(例如，手机、手表、耳机)可以播放与推荐步频相同的语音节拍，用户根据语音节拍调整自己的步频，使得步频与推荐步频相同或基本相同。在一些实施例中，可以基于震动反馈方式向用户反馈与推荐步频相同的节拍。例如，运动数据处理系统中能够产生震动的设备(例如，手机、手表)可以按照推荐步频进行震动。在一些实施例中，可以基于灯光反馈方式向用户反馈与推荐步频相同的节拍。例如，运动数据处理系统中的电子设备(例如，手机、手表)可以进行灯光闪烁，灯光闪烁的频率与推荐步频相同。在一些实施例中，可以基于显示反馈方式向用户反馈与推荐步频相同的节拍。例如，运动数据处理系统中的电子设备(例如，手机)可以将推荐步频进行显示。
在一些实施例中，可以通过虚拟实境装置和/或增强实境装置(例如，AR眼镜)，向用户反馈推荐步频。例如，用户在跑步过程中可以佩戴AR眼镜，推荐步频可以以数据的形式显示在AR眼镜中，用户根据推荐步频的数据调整自己的步频。通过AR眼镜向用户反馈推荐步频的方式，可以使得使用户更清晰明了的获悉推荐步频，同时还能降低用户对手机、手表、手环的依赖，减轻用户跑步时身体负担。
在一些实施例中，也可以基于生物反馈方式(例如，电刺激)向用户反馈推荐步频。在一些实施例中，可以基于生物反馈方式向用户的身体部位进行刺激以向用户反馈推荐步频，其中，向用户的身体部位进行的刺激可以具有刺激频率，刺激频率与推荐步频相同。在一些实施例中，可穿戴设备的穿戴本体(例如，上衣、裤子、腰带等)上可以设有电极，用户穿戴可穿戴设备时电极与人体皮肤接触。处理设备可以基于刺激频率(也就是推荐步频)控制电极向用户的身体部位进行刺激。
用户根据推荐步频调整自己的实时步频，使得实时步频与推荐步频保持一致并在推荐步频下进行跑步，可以以更加科学高效的方式进行运动，从而提高运动效率。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。例如，用户的运动数据不限于上述的肌电信号、姿态信号、心电信号，还可以是其他生理参数信号，如温度信号、湿度信号、血氧浓度、呼吸频率等，人体运动时所涉及的生理参数信号都可以视为本 说明书实施例中的运动数据。又例如，可以省略步骤340。然而，这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的获取运动数据方法的示例性流程图。在一些实施例中，流程400可以由获取模块210执行。流程400可以包括：
步骤410，获取所述用户的实时步频和实时运动数据。
在一些实施例中，用户穿戴可穿戴设备跑步时，获取模块210可以获取用户的实时步频以及实时运动数据。在一些实施例中，跑步过程中的不同时间段内，用户的实时步频可能发生变化。例如，实时步频可能具有逐渐升高或降低的趋势。仅作为示例性描述，刚开始跑步时，用户的实时步频可能较高；跑了一段时间后，实时步频会逐渐降低。又例如，用户的实时步频也可能是时高时低的。由此，用户在不同实时步频下跑步产生的运动数据，也就是与实时步频对应的实时运动数据也不同，此时，可以获取用户的实时步频和实时运动数据。
在一些实施例中，实时步频可以通过数据采集装置获得。在一些实施例中，实时步频可以通过惯性传感器获得。仅作为示例性说明，跑步运动为周期性运动，跑步运动由多个跑步动作周期性重复进行而构成，惯性传感器(例如，姿态传感器)采集的信号也对应为周期信号(或类似周期信号)，用户完成一个跑步动作可以视为完成一次周期性运动，由此可以实现基于惯性传感器获取实时步频。在一些实施例中，实时步频也可以从肌电信号中提取获得。例如，当用户跑步时，周期性的跑步动作会产生周期性变化的肌电信号。通过提取肌电信号的周期，可以获得实时步频。
步骤420，将所述实时步频划分为多个步频区间。
在一些实施例中，可以根据多个步频范围将实时步频划分为多个步频区间，每个步频区间对应一个步频范围。例如，多个步频范围可以包括150步/分钟-160步/分钟、160步/分钟-170步/分钟、170步/分钟-180步/分钟、180步/分钟-190步/分钟、200步/分钟-210步/分钟，按照这些步频范围将实时步频划分为相应的5个步频区间。每个步频区间具有相应的步频。即，第一步频区间的步频位于140步/分钟-150步/分钟，……，第五步频区间的步频位于200步/分钟-210步/分钟。在一些实施例中，为了保证单个步频区间内的实时运动数据的差异较小，以保证不同步频下的运动数据的准确性，步频范围可以设置的较小。在一些实施例中，步频范围的上限与下限之间的差值可以小于10(单位为步/分钟)。在一些实施例中，预设范围的上限与下限之间的差值可以小于8。在一些实施例中，预设范围的上限与下限之间的差值可以小于6。在一些实施例中，预设范围的上限与下限之间的差值可以小于5。在一些实施例中，预设范围的上限与下限之间的差值可以小于3。在一些实施例中，预设范围可以根据实际需求进行设定，本说明书实施例对此不做具体限定。
步骤430，基于所述步频区间，从实所述时运动数据中确定不同步频区间内的所述运动数据。
在一些实施例中，不同实时步频下的实时运动数据不同。例如，实时步频的变化较大时，实时运动数据的变化也较大；实时步频的变化较小时，实时运动数据的变化也较小。在一些实施例中，可以根据不同的步频区间确定与该步频区间对应的运动数据。例如，可以将与同一个步频区间对应的实时运动数据的至少一部分集中起来作为该步频区间对应的运动数据。仅作为示例，实时步频对应的运动速度可能在目标速度区间内，也可能不在目标速度区间内(即，数据采集装置采集实时步频时，用户的运动速度可能在目标速度区间内，也可能不在目标速度区间内)。当实时步频对应的运动速度都位于目标速度区间时，可以将同一个步频区间对应的实时运动数据都集中起来作为该步频区间对应的运动数据。当实时步频对应的运动速度部分位于目标速度区间时，可以先筛选出运动速度在目标速度区间内所对应的实时步频，然后再将筛选出的且位于同一个步频区间中的实时步频所对应的实时运动数据集中起来作为该步频区间对应的运动数据。
在一些实施例中，相对于基于预设步频获取运动数据，基于实时步频获取运动数据的方法可以具有更高的灵活性。这是由于基于预设步频获取运动数据时，需要用户将步频保持在预设步频区间内，若用户的步频超出预设步频区间则会影响运动数据的准确性；而基于实时步频获取运动数据则不需要控制用户的步频，用户可以自由地以不同步频进行运动。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图5是根据本说明书一些实施例所示的确定推荐步频的示例性流程图。在一些实施例中，流程500可以由确定模块220执行。流程500可以包括：
步骤510，基于所述心电信号和/或所述姿态信号，确定所述用户的所述生理状态与步频之 间的对应关系。
在一些实施例中，用户的生理状态还可以包括运动损伤风险。用户在跑步过程中，错误的运动，例如，错误的跑步姿势、不适当的跑步步频、心率过快等不仅达不到预期的运动效率，而且还可能对人体造成损伤。在一些实施例中，运动损伤风险可以包括姿态损伤风险。姿态损伤风险可以包括损伤错误、代偿错误、效率错误、对称性错误等或其任意组合。损伤错误可以指该运动错误可能会对人体造成损伤。代偿错误可以指使用非目标部位(例如，膝盖、脚踝)辅助发力的错误。效率错误可以指以跑步动作时，摆臂或步幅范围过大或过小，使目标部位处于非最佳激活程度。对称性错误可以指人体上两个对称(例如，两侧对称、前后对称)部位发力不平衡的情况。在一些实施例中，运动损伤风险可以包括损伤等级。仅作为示例，损伤风险等级可以包括重度、中度、轻度等。
在一些实施例中，可以基于姿态信号确定用户的运动损伤风险。姿态信号可以包括各关节角度、速度、加速度，或者各人体部位的欧拉角、角速度、角加速度等信息。在一些实施例中，姿态信号可以用于表征用户的当前运动的技术准确性(例如，关节角度、发力顺序等)，从而确定运动损伤风险(例如，膝盖损伤、脚踝损伤)。在一些实施例中，可以通过姿态信号采集装置采集姿态信号。示例性的姿态信号采集装置可以包括速度传感器、惯性传感器(例如，加速度传感器、角速度传感器(例如陀螺仪)等)、光学传感器(例如，光学距离传感器、视频/图像采集器)、声学距离传感器、拉力传感器等或其任意组合。
在一些实施例中，运动损伤风险可以包括心脏损伤风险。随着步频的增大，用户的心率会逐渐加快，当心率高于阈值心率时，可能会出现心脏损伤风险。在一些实施例中，可以基于心电信号确定用户的心脏损伤风险。心电信号可以指表示用户的心脏活动情况的信号。在一些实施例中，可以通过心电信号采集装置采集心电信号。例如，心电信号采集装置可以包括多个电极，所述多个电极可以用于与待评估对象的不同部位(例如，通过)贴合，以采集待评估对象的心电信号。
在一些实施例中，基于心电信号和/或姿态信号确定的生理状态与步频之间的对应关系，也可以称为第二对应关系。第二对应关系可以包括姿态损伤风险与步频之间的对应关系。在一些实施例中，可以确定姿态损伤风险与多个预设步频之间的对应关系。在一些实施例中，可以对第一预设步频下的姿态信号进行处理(例如，特征值处理)得到第一预设步频下的姿态损伤风险(记为第一姿态损伤风险)，从而确定第一预设步频与第一姿态损伤风险之间的对应关系。即，第一姿态损伤风险对应第一预设步频。同理，可以确定第二预设步频与第二姿态损伤风险之间的对应关系，第三预设步频与第三姿态损伤风险之间的对应关系，……，第N预设步频与第N姿态损伤风险之间的对应关系。在一些实施例中，也可以确定姿态损伤风险与实时步频之间的对应关系。
在一些实施例中，第二对应关系可以包括心脏损伤风险与步频之间的对应关系。在一些实施例中，可以基于心电信号确定用户的心脏损伤风险与步频之间的对应关系。在一些实施例中，可以确定心脏损伤风险与多个预设步频之间的对应关系。在一些实施例中，可以对第一预设步频下的心电信号进行处理得到第一预设步频下的心脏损伤风险(记为第一心脏损伤风险)，即，第一心率损伤风险对应第一预设步频。同理，可以确定第二预设步频与第二心脏损伤风险之间的对应关系，第三预设步频与第三心脏损伤风险之间的对应关系，……，第N预设步频与第N心脏损伤风险之间的对应关系。在一些实施例中，也可以确定心脏损伤风险与实时步频之间的对应关系。
步骤520，基于所述对应关系确定所述用户的所述推荐步频。
在一些实施例中，可以基于运动损伤风险与步频之间的对应关系确定用户的推荐步频。例如，可以将运动损伤风险程度最低的步频确定为推荐步频。在一些实施例中，可以基于姿态运动损伤风险与步频之间的对应关系，从不同步频中确定一个步频作为推荐步频。在一些实施例中，可以基于心脏损伤风险与步频之间的对应关系，从不同步频中确定一个步频作为推荐步频。
需要说明的是，在其他实施例中，也可以结合其他运动数据，例如，呼吸信号、压力信号、汗液信号等确定的生理状态与步频之间的对应关系确定用户的推荐步频。
在一些实施例中，用户跑步时会有一定的呼吸节奏，例如，几步一呼吸。用户的呼吸节奏也能够影响用户的生理状态。在一些实施例中，可以在可穿戴设备的腰带上设置应变传感器(或接触阻抗)，用户在呼吸时，腰腹部的维度大小会产生变化，应变传感器采集的信号值也会随之变化。在一些实施例中，可以通过应变传感器检测用户跑步时的呼吸频率，并根据呼吸频率调整呼吸节奏，帮助用户更科学的进行运动。
应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程500进行各种修正和改变。然 而，这些修正和改变仍在本说明书的范围之内。
图6是根据本说明书一些实施例所示的反馈推荐步频方法的示例性流程图。在一些实施例中，流程600可以由推荐模块240执行。流程600可以包括：
步骤610，获取所述用户的实时步频。
在一些实施例中，实时步频可以是指用户跑步过程中当前时刻的步频。在一些实施例中，实时步频可以通过数据采集装置获得。在一些实施例中，实时步频可以通过惯性传感器获得。关于利用数据采集装置获取步频的方式的更多内容可以参见本说明书的其他地方，例如，图4及其相关描述，在此不再赘述。
步骤620，基于所述实时步频与所述推荐步频的频率差，确定所述用户的步频调整趋势。
在一些实施例中，用户的实时步频与推荐步频之间通常具有频率差。例如，用户的实时步频较大，出现实时步频大于推荐步频的情况时，实时步频与推荐步频之间的频率差为正。又例如，用户的实时步频较小，出现实时步频小于推荐步频的情况时，实时步频与推荐步频之间的频率差为负。在一些实施例中，步频调整趋势可以包括频率减小趋势和频率增大趋势。当实时步频与推荐步频之间的频率差为正时，可以确定用户的步频调整趋势为频率减小趋势；当实时步频与推荐步频之间的频率差为负时，可以确定用户的步频调整趋势为频率增大趋势。在一些实施例中，步频调整趋势还可以包括频率不变，此时，实时步频与推荐步频相同。
步骤630，基于所述步频调整趋势引导所述用户直至所述用户的步频与所述推荐步频相同。
在一些实施例中，用户可以根据推荐步频调整自己的实时步频，以使实时步频与推荐步频相同。在一些实施例中，当步频调整趋势为频率减小趋势时，可以引导用户逐渐降低自己的实时步频直至实时步频与推荐步频相同；当步频调整趋势为频率增大趋势时，可以引导用户逐渐提高自己的实时步频直至实时步频与推荐步频相同。在一些实施例中，当步频调整趋势为频率不变，此时，实时步频与推荐步频相同，用户无需调整步频。
在一些实施例中，基于步频调整趋势引导用户调整步频时，可以基于反馈方式(例如，语音反馈、振动反馈、灯光反馈、显示反馈、生物反馈方式等)向用户反馈频率逐渐变化的动态节拍。动态节拍的频率变化趋势与步频调整趋势相同。例如，步频调整趋势为频率减小趋势时，动态节拍的起始频率为用户的实时步频，动态节拍的目标频率是推荐步频，动态节拍的频率从起始频率逐渐减小至目标频率。又例如，步频调整趋势为频率增大趋势时，动态节拍的起始频率为用户实时步频，动态节拍的目标频率是推荐步频，动态节拍的频率从起始频率逐渐增大至目标频率。在一些实施例中，动态节拍的频率调整过程可以是均匀变化的。在一些实施例中，动态节拍的频率调整过程也可以是非均匀变化的。
基于步频调整趋势引导用户调整步频的方式可以使用户调整步频的过程更加科学、健康。
应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
在一些实施例中，本说明书实施例中描述的推荐步频可以根据用户跑步过程中的状态来进行实时调整。在一些实施例中，用户根据推荐步频调整自身的步频，使得步频与推荐步频相同后，用户可以保持在推荐步频下进行跑步。在推荐步频下进行跑步时，数据采集装置可以继续采集用户的运动数据。当用户以推荐步频跑步一定时间后，数据采集装置采集的运动数据表明用户的生理状态可以继续进行改善时，可以根据用户的当前生理状态调整推荐步频或重新确定推荐步频。例如，用户的当前生理状态良好还有提升的空间时，如，肌肉未处于疲劳状态，肌肉效率可以提升，表明用户的步频可以在推荐步频的基础上提高，此时可以根据用户的当前生理状态重新确定或更新推荐步频。又例如，用户的当前生理状态较差，如，心率过快，肌肉长时间处于疲劳状态，表明用户的步频可以在推荐步频的基础上减小，此时可以根据用户的当前生理状态重新确定或更新推荐步频。通过对推荐步频进行实时调整可以进一步提高用户跑步运动过程中的运动效率。
根据上文描述可知，图3-图6中描述的运动数据处理方法是基于用户在不同步频下的运动数据先确定用户的生理状态，然后再基于生理状态确定用户的推荐步频。在一些实施例中，为了减少运动数据处理和计算的时间，以能够更快速的确定用户的推荐步频，可以省略确定生理状态这一步骤，直接根据运动数据确定用户的推荐步频，以使用户能够在更短的时间内获悉自己的推荐步频，从而进一步提高运动效率。
在一些实施例中，可以基于运动数据确定用户的推荐步频。在一些实施例中，可以基于步频推荐模型确定用户的推荐步频。在一些实施例中，步频推荐模型的输入可以包括但不限于预设步 频下的各类运动数据，例如，肌电信号、姿态信号、心电信号、呼吸信号、压力信号等其中的一种或其任意组合。步频推荐模型的输出可以是推荐步频。在一些实施例中，步频推荐模型可以是训练好的机器学习模型。在一些实施例中，步频推荐模型可以预先由处理设备训练，并存储在存储设备中，处理设备可以访问存储设备以获取步频推荐模型。
在一些实施例中，步频推荐模型可以基于样本信息训练得到。样本信息可以包括专业人员(例如，健身教练)和/或非专业人员运动时的运动数据。在一些实施例中，样本信息也可以包括用户自身的历史运动数据。例如，用户穿戴可穿戴设备后，进行多次步频不同的跑步运动，利用数据采集装置获取运动数据，该运动数据即可作为历史运动数据。将运动数据作为样本信息时，可以在获取运动数据的同时监测用户的生理状态。在一些实施例中，样本信息中的运动数据可以是经过处理(例如，分段处理、毛刺处理和转换处理等)的信号。在一些实施例中，运动数据可以作为机器学习模型的输入来对机器学习模型进行训练。在一些实施例中，运动数据对应的特征信息也可以作为机器学习模型的输入来对机器学习模型进行训练。例如，可以将肌电信号的频率信息和幅值信息作为机器学习模型的输入。又例如，可以将姿态信号的角速度、角速度方向/角速度的加速度值作为机器学习模型的输入。在一些实施例中，机器学习模型可以包括线性分类模型(LR)、支持向量机模型(SVM)、朴素贝叶斯模型(NB)、K近邻模型(KNN)、决策树模型(DT)、集成模型(RF/GDBT等)等中的一种或多种。在一些实施例中，训练机器学习模型时，可以将不同运动数据的样本信息进行打标签处理。以运动数据为肌电信号作为示例，用户在第一步频下运动产生的肌电信号可以标记为“第一步频”；用户在第二步频下运动产生的肌电信号可以标记为“第二步频”。不同肌电信号对应的生理状态不同，将打标签的样本信息(即打标签的各个肌电信号)作为机器学习模型的输入来对机器学习模型进行训练，可以得到用于确定推荐步频的步频推荐模型，在该机器学习模型中输入运动数据和/或对应的特征信息时可以输出对应的推荐步频。
在一些实施例中，获取训练机器学习模型所用的样本信息(即不同步频下的运动数据)时，用户的运动速度可以相同。在一些实施例中，获取训练机器学习模型所用的样本信息(即不同步频下的运动数据)时，用户的运动速度也可以不同。此时，可以在获取运动数据的同时对运动速度进行监测，并在后期数据处理过程中补偿运动速度不同带来的影响。
在一些实施例中，为了提高推荐步频的准确性，处理设备可以基于姿态信号、肌电信号、力学信号、心电信号、呼吸信号、汗液信号等中的两种或两种以上的信号确定用户的推荐步频。也就是，姿态信号、肌电信号、力学信号、心电信号、呼吸信号、汗液信号等，以及用户的运动速度等中的一种或多种都可以作为机器学习模型的输入来训练机器学习模型，使得机器学习模型输出的推荐步频更为适合用户。在一些实施例中，在实际应用中，可以根据用户输入的信息来估计目标训练任务下的推荐步频(也叫初始推荐步频)，用户先以初始推荐步频运动，在该运动过程中可以采集用户的实际运动数据，运动数据处理系统可以根据该实际运动数据对步频推荐模型进行迭代更新，使得步频推荐模型输出的推荐步频更为精准。在一些实施例中，在用户的长期使用过程中，运动数据处理系统可以采集到更多的运动数据，从而使得运动数据处理系统推荐的推荐步频更为合理。
在一些实施例中，本说明书实施例还提供一种可穿戴设备。可穿戴设备可以包括穿戴本体，穿戴本体上设有至少一个传感器，传感器用于获取用户的运动数据；以及处理器，处理器能够执行图3-图6中描述的运动数据处理方法。在一些实施例中，穿戴本体可以包括但不限于上衣、裤子、腰带、袜子、护膝、护腕等中的一种或多种。传感器可以包括肌电传感器(一个或多个电极)、姿态传感器(例如，速度传感器、惯性传感器、角速度传感器等)、压力传感器等中的一种或多种。用户穿戴可穿戴设备跑步时，传感器与用户的身体部位接触，从而可以采集用户运动时的运动数据。例如，肌电传感器可以包括一个或多个电极，一个或多个电极位于可穿戴设备对应于人体肌肉部位时，可以采集相应部位肌肉的肌电信号。又例如，一个或多个电极位于可穿戴设备对应于人体腹部时，可以采集用户运动时的心电信号(或呼吸信号)。再例如，位于可穿戴设备对应于人体关节部位，如膝关节、肘关节、踝关节位置的姿态传感器可以采集用户运动时的姿态信号。关于可穿戴设备以及处理器执行的运动数据处理方法的更多内容可以参见图1-图6的相关描述。
在一些实施例中，还可以利用穿戴本体上设置的与用户皮肤接触的电极向用户的身体部位进行刺激。在一些实施例中，可以利用电极向用户的身体部位进行刺激，以向用户反馈推荐步频。在一些实施例中，电极刺激身体部位的频率(即刺激频率)可以与推荐步频相同，用户根据身体收到的刺激调整实时步频，直至步频与刺激频率相同。在一些实施例中，电极也可以以动态的刺激频率向用户身体部位进行刺激，动态刺激频率的变化趋势与用户的步频调整趋势相同。例如，步频调整趋势为频率减小趋势时，动态刺激频率的起始频率可以为用户的实时步频，动态刺激频率的目标 频率是推荐步频，动态刺激频率从起始频率逐渐减小至目标频率，此过程中，用户的步频与动态刺激频率保持一致，用户步频跟随动态刺激频率将步频逐步调整至推荐步频。在一些实施例中，动态刺激频率的调整过程可以是均匀变化的。在一些实施例中，动态刺激频率的调整过程也可以是非均匀变化的。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说 明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (32)

  1. 一种运动数据处理方法，包括：
    获取用户在不同步频下的运动数据，所述运动数据至少包括肌电信号；
    基于所述运动数据确定所述用户的生理状态；以及
    基于所述生理状态确定所述用户的推荐步频。
  2. 根据权利要求1所述的方法，其中，所述获取用户在不同步频下的运动数据包括：
    确定目标速度区间；
    基于所述目标速度区间获取所述目标速度区间内不同步频下的运动数据。
  3. 根据权利要求1所述的方法，其中，所述生理状态包括肌肉效率、肌肉紧张和肌肉疲劳，所述基于所述生理状态确定所述用户的推荐步频，包括：
    基于所述肌肉效率、所述肌肉紧张和所述肌肉疲劳中的至少一种，确定所述用户的所述生理状态与步频之间的对应关系；以及
    基于所述对应关系确定所述用户的所述推荐步频。
  4. 根据权利要求3所述的方法，其中，所述基于所述运动数据确定所述用户的生理状态，包括：
    基于所述肌电信号确定所述用户的所述肌肉效率、所述肌肉紧张和所述肌肉疲劳中的至少一种。
  5. 根据权利要求1所述的方法，其中，所述运动数据包括心电信号和/或姿态信号，所述基于所述生理状态确定所述用户的推荐步频，包括：
    基于所述心电信号和/或所述姿态信号，确定所述用户的所述生理状态与步频之间的对应关系；以及
    基于所述对应关系确定所述用户的所述推荐步频。
  6. 根据权利要求5所述的方法，其中，所述基于所述运动数据确定所述用户的生理状态，包括：
    基于所述心电信号和/或姿态信号确定所述用户的生理状态，所述生理状态包括所述用户运动的损伤风险。
  7. 根据权利要求1所述的方法，其中，所述获取用户在不同步频下的运动数据，包括：
    获取所述用户的实时步频和实时运动数据；
    将所述实时步频划分为多个步频区间；
    基于所述步频区间，从所述实时运动数据中确定不同步频区间内的所述运动数据。
  8. 根据权利要求7所述的方法，其中，所述实时步频通过惯性传感器获得，或者所述实时步频从所述肌电信号中获得。
  9. 根据权利要求1所述的方法，其中，所述方法还包括：向所述用户反馈所述推荐步频。
  10. 根据权利要求9所述的方法，其中，所述向所述用户反馈所述推荐步频，包括：
    获取所述用户的实时步频；
    基于所述实时步频与所述推荐步频的频率差，确定所述用户的步频调整趋势；
    基于所述步频调整趋势引导所述用户直至所述用户的步频与所述推荐步频相同。
  11. 根据权利要求9所述的方法，其中，所述向所述用户反馈所述推荐步频，包括：
    基于预设反馈方式向所述用户反馈与所述推荐步频相同的节拍。
  12. 根据权利要求11所述的方法，其中，所述预设反馈方式包括语音反馈、震动反馈、灯光反馈、显示反馈中的至少一种。
  13. 根据权利要求9所述的方法，其中，所述向所述用户反馈所述推荐步频，包括：
    基于生物反馈方式对所述用户的身体部位进行刺激以向所述用户反馈所述推荐步频，其中，所述刺激具有刺激频率，所述刺激频率与所述推荐步频相同。
  14. 根据权利要求1所述的方法，其中，所述获取用户在不同步频下的运动数据，包括：
    获取所述用户在多个预设步频下的多组运动数据，所述多组运动数据中的每一组分别与所述多个预设步频中的其中一个对应。
  15. 根据权利要求14所述的方法，其中，所述获取所述用户在多个预设步频下的多组运动数据，包括：
    获取所述用户的生理信息，所述生理信息包括身体信息和运动信息；
    基于所述生理信息确定所述用户在所述多个预设步频下的所述多组运动数据。
  16. 一种运动数据处理系统，包括：
    获取模块，用于获取用户在不同步频下的运动数据，所述运动数据至少包括肌电信号；
    处理模块，用于基于所述运动数据确定所述用户的生理状态；
    推荐模块，用于基于所述生理状态确定所述用户的推荐步频。
  17. 根据权利要求16所述的系统，其中，所述获取用户在不同步频下的运动数据包括：
    确定目标速度区间；
    基于所述目标速度区间获取所述目标速度区间内不同步频下的运动数据。
  18. 根据权利要求16所述的系统，其中，所述生理状态包括肌肉效率、肌肉紧张和肌肉疲劳，所述基于所述生理状态确定所述用户的推荐步频，包括：
    基于所述肌肉效率、所述肌肉紧张和所述肌肉疲劳中的至少一种，确定所述用户的所述生理状态与步频之间的对应关系；以及
    基于所述对应关系确定所述用户的所述推荐步频。
  19. 根据权利要求18所述的系统，其中，所述基于所述运动数据确定所述用户的生理状态，包括：
    基于所述肌电信号确定所述用户的所述肌肉效率、所述肌肉紧张和所述肌肉疲劳中的至少一种。
  20. 根据权利要求16所述的系统，其中，所述运动数据包括心电信号和/或姿态信号，所述基于所述生理状态确定所述用户的推荐步频，包括：
    基于所述心电信号和/或所述姿态信号，确定所述用户的所述生理状态与步频之间的对应关系；以及
    基于所述对应关系确定所述用户的所述推荐步频。
  21. 根据权利要求20所述的系统，其中，所述基于所述运动数据确定所述用户的生理状态，包括：
    基于所述心电信号和/或姿态信号确定所述用户的生理状态，所述生理状态包括所述用户运动的损伤风险。
  22. 根据权利要求16所述的系统，其中，所述获取用户在不同步频下的运动数据，包括：
    获取所述用户的实时步频和实时运动数据；
    将所述实时步频划分为多个步频区间；
    基于所述步频区间，从所述实时运动数据中确定不同步频区间内的所述运动数据。
  23. 根据权利要求22所述的系统，其中，所述实时步频通过惯性传感器获得，或者所述实时步频从所述肌电信号中获得。
  24. 根据权利要求16所述的系统，其中，所述系统还包括反馈模块：用于向所述用户反馈所述推荐步频。
  25. 根据权利要求24所述的系统，其中，所述向所述用户反馈所述推荐步频，包括：
    获取所述用户的实时步频；
    基于所述实时步频与所述推荐步频的频率差，确定所述用户的步频调整趋势；
    基于所述步频调整趋势引导所述用户直至所述用户的步频与所述推荐步频相同。
  26. 根据权利要求24所述的系统，其中，所述向所述用户反馈所述推荐步频，包括：
    基于预设反馈方式向所述用户反馈与所述推荐步频相同的节拍。
  27. 根据权利要求26所述的系统，其中，所述预设反馈方式包括语音反馈、震动反馈、灯光反馈、显示反馈中的至少一种。
  28. 根据权利要求24所述的系统，其中，所述向所述用户反馈所述推荐步频，包括：
    基于生物反馈方式对所述用户的身体部位进行刺激以向所述用户反馈所述推荐步频，其中，所述刺激具有刺激频率，所述刺激频率与所述推荐步频相同。
  29. 根据权利要求16所述的系统，其中，所述获取用户在不同步频下的运动数据，包括：
    获取所述用户在多个预设步频下的多组运动数据，所述多组运动数据中的每一组分别与所述多个预设步频中的其中一个对应。
  30. 根据权利要求29所述的系统，其中，所述获取所述用户在多个预设步频下的多组运动数据，包括：
    获取所述用户的生理信息，所述生理信息包括身体信息和运动信息；
    基于所述生理信息确定所述用户在所述多个预设步频下的所述多组运动数据。
  31. 一种可穿戴设备，包括：
    穿戴本体，所述穿戴本体上设有至少一个传感器，所述传感器用于获取用户的运动数据；以及
    处理器，被配置为执行如权利要求1～15中任一项所述的方法。
  32. 根据权利要求31所述的可穿戴设备，其中，所述穿戴本体上还设有与所述用户皮肤接触的电极，所述电极用于向所述用户的身体部位进行刺激。
PCT/CN2022/141898 2022-12-26 2022-12-26 一种运动数据处理方法及系统 WO2024138311A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/141898 WO2024138311A1 (zh) 2022-12-26 2022-12-26 一种运动数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/141898 WO2024138311A1 (zh) 2022-12-26 2022-12-26 一种运动数据处理方法及系统

Publications (1)

Publication Number Publication Date
WO2024138311A1 true WO2024138311A1 (zh) 2024-07-04

Family

ID=91715951

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/141898 WO2024138311A1 (zh) 2022-12-26 2022-12-26 一种运动数据处理方法及系统

Country Status (1)

Country Link
WO (1) WO2024138311A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108211307A (zh) * 2017-05-25 2018-06-29 深圳市未来健身衣科技有限公司 一种运动训练预警方法及装置
CN111202955A (zh) * 2019-12-11 2020-05-29 华为技术有限公司 运动数据处理方法及电子设备
CN111854737A (zh) * 2019-04-28 2020-10-30 百应科技（北京）有限公司 一种运动类型的判断方法及系统
CN113761266A (zh) * 2020-06-01 2021-12-07 华为技术有限公司 一种预测稳定步频的方法及装置
US20220080261A1 (en) * 2019-01-23 2022-03-17 Huawei Technologies Co., Ltd. Recommendation Method Based on Exercise Status of User and Electronic Device
CN115105819A (zh) * 2021-03-19 2022-09-27 深圳市韶音科技有限公司 一种运动监控方法及其系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108211307A (zh) * 2017-05-25 2018-06-29 深圳市未来健身衣科技有限公司 一种运动训练预警方法及装置
US20220080261A1 (en) * 2019-01-23 2022-03-17 Huawei Technologies Co., Ltd. Recommendation Method Based on Exercise Status of User and Electronic Device
CN111854737A (zh) * 2019-04-28 2020-10-30 百应科技（北京）有限公司 一种运动类型的判断方法及系统
CN111202955A (zh) * 2019-12-11 2020-05-29 华为技术有限公司 运动数据处理方法及电子设备
CN113761266A (zh) * 2020-06-01 2021-12-07 华为技术有限公司 一种预测稳定步频的方法及装置
CN115105819A (zh) * 2021-03-19 2022-09-27 深圳市韶音科技有限公司 一种运动监控方法及其系统

Similar Documents

Publication Publication Date Title
US11375948B2 (en) Methods and systems for providing a preferred fitness state of a user
US10856813B2 (en) Method and apparatus for generating assessments using physical activity and biometric parameters
US20190282131A1 (en) Management of biomechanical achievements
CN109529304B (zh) 一种智能训练方法和系统
US8768489B2 (en) Detecting and using heart rate training zone
JP2021505336A (ja) 患者治療システム及び方法
US20140357960A1 (en) Methods and Systems for Synchronizing Repetitive Activity with Biological Factors
US20090204030A1 (en) Method and system for monitoring the functional use of limbs
US11763696B2 (en) Systems and methods for facilitating mind-body-emotion state self-adjustment and functional skills development by way of biofeedback and environmental monitoring
US20200367748A1 (en) Sensor System for Measuring Physiological Activity
CN108135537A (zh) 用于治疗骨关节炎的系统、装置和方法
US20150045693A1 (en) Measuring Device and Method for Indicating Level of Fatigue
Lin et al. A comparative study of smart insole on real-world step count
Gu et al. RunnerPal: A runner monitoring and advisory system based on smart devices
CN112842307B (zh) 一种热身程度检测方法及装置
WO2024138311A1 (zh) 一种运动数据处理方法及系统
CN115462767A (zh) 运动监测方法、指导方法、装置、可穿戴设备和终端设备
CN115920359A (zh) 基于传感器的训练计划调整
US20220142488A1 (en) Exertion-driven physiological monitoring and prediction method and system
US20210228942A1 (en) Method for optimizing stretching actions
CN213525108U (zh) 一种可穿戴设备
CN118253079A (zh) 一种运动数据处理方法及系统
KR20180041303A (ko) 사용자 운동능력을 고려한 운동프로그램 자동 조정방법
Perego et al. TWINMED T-SHIRT, a Smart Wearable System for ECG and EMG Monitoring for Rehabilitation with Exoskeletons
WO2024103547A1 (zh) 一种可穿戴设备