一种健身监测方法及装置与流程

本发明涉及可穿戴设备技术领域，尤其涉及一种健身监测方法及装置。

背景技术：

由于时间、空间、费用等的限制，当前人们在选择健身方式时，很少会选择在健身房在教练的陪同下进行健身，而常常选择的健身方式为，基于视频类或图片类应用程序，模仿视频或图片中教练的动作并结合解说进行健身。

这时，由于人们对接收到信息的理解会出现偏差，所以当健身者在基于应用程序进行健身时，有时会出现以为自己的动作是标准的，但实际上并不标准的情况，导致健身效果不佳。并且，不标准的健身动作不仅达不到好的健身效果，还容易让健身者受伤。

在传统健身效果监测过程中，常使用可穿戴设备，例如前臂及后臂佩带的位移传感器、智能手环等粗略的监测健身者的运动状况，而对于健身动作是否标准没有全面可靠的监测。

技术实现要素：

本发明的目的在于提供一种健身监测方法及装置，以能够对用户在健身时的动作是否标准进行全面可靠的监测。

为了实现上述的目的，一方面，本发明提供一种健身监测方法，包括：

获取用户在健身时与一动作对应的生理指标数据和运动数据；

根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，所述动作类别与所述动作是否标准相关；

基于所述动作所属的动作类别，对所述用户进行提醒。

优选的，所述根据所述生理指标数据和运动数据，确定所述动作所属的动作类别的步骤，包括：

利用至少一个动作类别分类模型，对所述生理指标数据和运动数据进行处理，确定每一动作类别分类模型下，所述动作所属的可能动作类别；

对所述动作所属的可能动作类别进行统计，选取统计次数最多的可能动作类别作为所述动作所属的动作类别。

优选的，所述获取用户在健身时与一动作对应的生理指标数据和运动数据的步骤之前，所述健身监测方法还包括：

确定所述用户的至少一个动作类别训练数据集和基础分类模型，每一动作类别训练数据集中包括多组被划分为两类动作类别的数据，每组数据为一类动作类别下的所述用户的生理指标数据和运动数据，所述基础分类模型用于体现生理指标数据、运动数据及动作类别之间的关联关系；

利用所述至少一个动作类别训练数据集对所述基础分类模型进行训练，得到所述至少一个动作类别分类模型。

优选的，所述基于所述动作所属的动作类别，对所述用户进行提醒的步骤，包括：

基于所述动作所属的动作类别，确定与所述动作类别对应的提醒模式；

根据确定的所述提醒模式，对所述用户进行提醒。

优选的，所述动作所属的动作类别为动作幅度标准、动作幅度未达到标准或动作幅度超过标准。

优选的，所述生理指标数据包括如下数据中的至少一种：脉搏次数、心率变异性数值、体温数值和肌电数值。

优选的，所述运动数据包括如下数据中的至少一种：运动位移、运动角度和运动弧度。

另一方面，本发明还提供一种健身监测装置，包括：

获取模块，用于获取用户在健身时与一动作对应的生理指标数据和运动数据；

确定模块，用于根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，所述动作类别与所述动作是否标准相关；

提醒模块，用于基于所述动作所属的动作类别，对所述用户进行提醒。

优选的，所述确定模块包括：

处理单元，用于利用至少一个动作类别分类模型，对所述生理指标数据和运动数据进行处理，确定每一动作类别分类模型下，所述动作所属的可能动作类别；

统计单元，用于对所述动作所属的可能动作类别进行统计，选取统计次数最多的可能动作类别作为所述动作所属的动作类别。

优选的，所述健身监测装置还包括：

确定模块，用于确定所述用户的至少一个动作类别训练数据集和基础分类模型，每一动作类别训练数据集中包括多组被划分为两类动作类别的数据，每组数据为一类动作类别的所述用户的生理指标数据和运动数据，所述基础分类模型用于体现生理指标数据、运动数据及动作类别之间的关联关系；

训练模块，用于利用所述至少一个动作类别训练数据集对所述基础分类模型进行训练，得到所述至少一个动作类别分类模型。

优选的，所述提醒模块包括：

确定单元，用于基于所述动作所属的动作类别，确定与所述动作类别对应的提醒模式；

提醒单元，用于根据确定的所述提醒模式，对所述用户进行提醒。

优选的，所述动作所属的动作类别为动作幅度标准、动作幅度未达到标准或动作幅度超过标准。

优选的，所述生理指标数据包括如下数据中的至少一种：脉搏次数、心率变异性数值、体温数值和肌电数值。

优选的，所述运动数据包括如下数据中的至少一种：运动位移、运动角度和运动弧度。

本发明的健身监测方法，通过获取用户在健身时与一动作对应的生理指标数据和运动数据，根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，基于所述动作所属的动作类别，对所述用户进行提醒，能够基于用户的与健身动作对应的生理指标数据和运动数据，在不同动作类别下进行不同的提醒，实现对健身动作是否标准的全面可靠的监测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1表示本发明第一实施例的健身监测方法的流程图。

图2表示本发明第二实施例的健身监测方法的流程图。

图3表示本发明第三实施例的健身监测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一实施例

参见图1所示，本发明第一实施例提供一种健身监测方法，包括如下步骤101至步骤103，详述如下。

步骤101：获取用户在健身时与一动作对应的生理指标数据和运动数据。

本发明实施例中，该生理指标数据包括但不限于如下数据中的至少一种：脉搏次数、心率变异性数值、体温数值和肌电数值等。该运动数据包括但不限于如下数据中的至少一种：运动位移、运动角度和运动弧度等。

其中，在获取用户的生理指标数据时，可借助用户佩戴的运动型手环等获取。该运动型手环可实时监测相应用户的脉搏、心率变异性、体温和肌电数值等。在获取用户的运动数据时，可借助用户佩戴在身体关键部位的各个传感器等获取。通过用户佩戴的传感器，可实时监测相应用户的运动位移(例如身体关键部位之间的相对位移)、运动角度(例如身体关键部位之间的角度)和运动弧度等。

步骤102：根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，所述动作类别与所述动作是否标准相关。

本发明实施例中，该动作所属的动作类别是根据与该动作对应的生理指标数据和运动数据确定的。通常，该动作类别与相应动作是否标准相关，可体现相应动作是否达到预期的运动效果。只有在动作标准的情况下，运动效果才会最佳。若动作不标准，不仅达不到预期的运动效果，还有可能给用户带来危险，例如损伤肌肉等。

具体的，该动作所属的动作类别可以为动作幅度标准、动作幅度未达到标准或动作幅度超过标准，也可以为动作到位、动作不到位或动作过猛，本发明不对其进行限制。

步骤103：基于所述动作所属的动作类别，对所述用户进行提醒。

本发明实施例中，对用户进行提醒的方式可为振动、铃声等，本发明不对其进行限制。

而基于动作所属的动作类别，对用户进行提醒可具体为：

基于所述动作所属的动作类别，确定与所述动作类别对应的提醒模式；

根据确定的所述提醒模式，对所述用户进行提醒。

这样，不同的动作类别采用不同的提醒模式，可使用户及时了解当前动作的状态，并在动作不标准的情况下，做出正确的动作修正，实现对健身效果的监测和健身指导。

例如，预设的动作类型与提醒模式之间的对应关系为：

动作幅度标准～无振动；

动作幅度未达到标准～以第一振动强度振动；

动作幅度超过标准～以第二振动强度振动；其中，第二振动强度大于第一振动强度。

这种情况下，在确定动作类别为动作幅度标准时，无振动提醒，可使用户了解当前动作的动作幅度标准，无需修正；在确定动作类别为动作幅度未达到标准时，以第一振动强度进行振动提醒，可使用户了解当前动作的动作幅度未达到标准，要加大动作幅度；在确定动作类别为动作幅度超过标准时，以第二振动强度进行振动提醒，可使用户了解当前动作的动作幅度超过标准，要适当减小动作幅度。

本发明第一实施例的健身监测方法，通过获取用户在健身时与一动作对应的生理指标数据和运动数据，根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，基于所述动作所属的动作类别，对所述用户进行提醒，能够基于用户的与健身动作对应的生理指标数据和运动数据，在不同动作类别下进行不同的提醒，实现对健身动作是否标准的全面可靠的监测。

第二实施例

参见图2所示，本发明第二实施例提供一种健身监测方法，包括如下步骤201至步骤206，详述如下。

步骤201：确定用户的至少一个动作类别训练数据集和基础分类模型。

本发明实施例中，每一动作类别训练数据集中包括多组被划分为两类动作类别的数据，每组数据为一类动作类别下的所述用户的生理指标数据和运动数据。在确定动作类别训练数据集时，可通过健身教练的观察，记录该用户在每类动作类别下的生理指标数据和运动数据，从而形成用于训练基础分类模型的数据集。

该基础分类模型用于体现生理指标数据、运动数据及动作类别之间的关联关系，该基础分类模型可以基于已知的分类知识对输入的未知模式进行分析，以确定输入的类属。具体的，对于该基础分类模型，该生理指标数据和运动数据为输入，相应的动作类别为输出。该基础分类模型是预先建立好，可为使用rbf核函数的进行二类分类的支持向量机(supportvectormachine，简称svm)分类模型，当然本发明实施例也可以采用其他机器学习模型进行动作类别的识别。

在预先建立基础分类模型时，若该生理指标数据和运动数据包括的数据参数较多，为了减少数据冗余，可采用主成分分析(principalcomponentanalysis，简称pca)算法，对数据参数进行降维，并保存相应的协方差矩阵和维度，供后续的模型训练使用。

例如，该生理指标数据包括4个数据参数，即脉搏次数、心率变异性数值、体温数值和肌电数值，该运动数据包括3个数据参数，即运动位移、运动角度和运动弧度，那么，该基础分类模型会涉及7个数据参数即7维，因涉及的维度较多，可采用pca算法进行降维，例如降为6维。具体的降维过程可采用现有常用方法，在此不再赘述。

步骤202：利用所述至少一个动作类别训练数据集对所述基础分类模型进行训练，得到至少一个动作类别分类模型。

本发明实施例中，在利用动作类别训练数据集训练基础分类模型时，要参考预先建立基础分类模型时对数据参数的处理，例如降维过程，以保证训练出的分类模型的准确性。

步骤203：获取所述用户在健身时与一动作对应的生理指标数据和运动数据。

本发明实施例中，该生理指标数据包括但不限于如下数据中的至少一种：脉搏次数、心率变异性数值、体温数值和肌电数值等。该运动数据包括但不限于如下数据中的至少一种：运动位移、运动角度和运动弧度等。

步骤204：利用所述至少一个动作类别分类模型，对所述生理指标数据和运动数据进行处理，确定每一动作类别分类模型下，所述动作所属的可能动作类别。

本发明实施例中，该动作类别分类模型用于进行二类分类，通过对与一动作对应的生理指标数据和运动数据的处理，可确定该动作属于哪种动作类别。

其中，该动作所属的可能动作类别与该动作是否标准相关。该可能动作类别可以为动作幅度标准、动作幅度未达到标准或动作幅度超过标准，也可以为动作到位、动作不到位或动作过猛。

步骤205：对所述动作所属的可能动作类别进行统计，选取统计次数最多的可能动作类别作为所述动作所属的动作类别。

本发明实施例中，借助至少一个动作类别分类模型，采用投票统计的方式确定动作所属的动作类别，可提高判别动作类型的准确性，提升健身的监测效果。

例如，动作类别有3类，分别为类别1、类别2和类别3，动作类别分类模型有3个，分别为分类模型1、分类模型2和分类模型3；若利用分类模型1确定动作d所属的可能动作类别为类别1，利用分类模型2确定动作d所属的可能动作类别为类别2，利用分类模型3确定动作d所属的可能动作类别为类别1，则可选取“类别1”作为动作d所属的动作类别。

步骤206：基于所述动作所属的动作类别，对所述用户进行提醒。

本发明实施例中，对用户进行提醒的方式可为振动、铃声等，本发明不对其进行限制。

而基于动作所属的动作类别，对用户进行提醒可具体为：

基于所述动作所属的动作类别，确定与所述动作类别对应的提醒模式；

根据确定的所述提醒模式，对所述用户进行提醒。

这样，不同的动作类别采用不同的提醒模式，可使用户及时了解当前动作的状态，并在动作不标准的情况下，做出正确的动作修正，实现对健身效果的监测和健身指导。

下面，以举哑铃为例，对本发明具体实施例的健身监测方法进行说明。

其中，该具体实施例的健身监测方法主要分为三步骤，详述如下：

步骤一：建立基础分类模型

基于实验健身者的生理指标数据和运动数据，建立与动作类别的关联关系模型，即基础分类模型。该生理指标数据包括脉搏次数、心率变异性数值、体温数值和肌电数值，借助实验健身者在举哑铃时佩戴的运动型手环获取。该运动数据包括运动位移、运动角度和运动弧度，借助实验健身者在举哑铃时佩戴在关键部位的传感器获取。该动作类别有三类，分别为动作到位(动作类别1)、动作不到位(动作类别2)和动作过猛(动作类别3)。

在建立基础分类模型时，首先，通过健身教练的观察，记录实验健身者在举哑铃时的处于动作到位、动作不到位或动作过猛状态的生理指标数据和运动数据，得到3种数据样本，各数据样本对应的动作数相同。

然后，根据三类动作类别，建立3个svm分类模型即基础分类模型，输入为实验健身者在举哑铃时的脉搏次数(x1)、心率变异性数值(x2)、体温数值(x3)、肌电数值(x4)、运动位移(x5)、运动角度(x6)和运动弧度(x7)，输出为动作类别。该svm分类模型为二类分类模型。

在建立svm分类模型时，使用svm算法，确定分类模型参数。具体的，可先对每种数据样本中的生理指标数据和运动数据进行归一化处理，归一化方式为xi'＝(xi-ximin)/(ximax-ximin)，ximax为生理指标数据或运动数据xi的最大值，ximin为xi的最小值；再进行降维，因涉及7个数据参数即7维，为了减少数据冗余，采用pca算法，将7维数据参数映射为更小维度的数据参数，例如6维的数据参数，并保存涉及到的协方差矩阵c和维度6，供后续的模型训练使用；再进行分类参数的网格寻优，使用rbf核函数的svm分类模型中，涉及惩罚系数c和自带参数gamma，通过3种数据样本的交叉验证，确定最佳的c和gamma；最后，使用rbf核函数进行二类分类，代入最佳的c和gamma，同时设置需要概率估计，确定分类模型参数。

步骤二：训练动作类别分类模型

该具体实施例中，针对健身者a训练动作类别分类模型。在健身教练的监督下，记录n次健身者a在举哑铃时的脉搏次数(x1)、心率变异性数值(x2)、体温数值(x3)、肌电数值(x4)、运动位移(x5)、运动角度(x6)和运动弧度(x7)，且进行动作类别的分类，如下训练数据集所示。

对任意两类动作类别之间训练一个动作类别分类模型，即训练三个svm分类模型，分别对应动作类别1和动作类别2、动作类别1和动作类别3，及动作类别2和动作类别3。

这样，将上述训练数据集划分为三个动作类别训练数据集，分别为：

动作类别训练数据集1，对应svm1(动作类别1和动作类别2)

动作类别训练数据集2，对应svm2(动作类别1和动作类别3)

动作类别训练数据集3，对应svm3(动作类别2和动作类别3)

在训练动作类别分类模型时，首先参照基础分类模型的建立过程，分别对动作类别训练数据集1、动作类别训练数据集2和动作类别训练数据集3中的数据进行归一化处理和降维，然后利用处理后的动作类别训练数据集1训练svm1得到动作类别分类模型1，利用处理后的动作类别训练数据集2训练svm2得到动作类别分类模型2，利用处理后的动作类别训练数据集3训练svm3得到动作类别分类模型3。

步骤三：利用动作类别分类模型进行健身监测

在健身监测过程中，获取健身者a在举哑铃时与动作α对应的生理指标数据和运动数据，即监测数据(x1a、x2a、x3a、x4a、x5a、x6a、x7a)，对该监测数据进行归一化处理和降维，并分别利用动作类别分类模型1、2和3对处理后的监测数据进行分析，确定每一动作类别分类模型下，该动作α所属的可能动作类别。若在动作类别分类模型1下，该动作α所属的可能动作类别为动作类别1，在动作类别分类模型2下，该动作α所属的可能动作类别为动作类别2，在动作类别分类模型3下，该动作α所属的可能动作类别为动作类别2，则确定该动作α所属的动作类别为动作类别2。

若预先设置动作类别1下，无振动提醒，动作类别2下，较缓的振动提醒，动作类别3下，较急的振动提醒，则确定该动作α所属的动作类别为动作类别2后，要进行较急的振动提醒。

此外，需要说明的是，用户可在阶段性(半个月/一个月)健身后，测量健身部位的围度(例如手臂周长、肌肉硬度等)，以检测健身效果。若健身效果未达到目标，例如肌肉硬度不够，则可在健身教练的帮忙下，修正动作类别训练数据集，调整生理指标数据和/或运动数据与动作类别之间的关联关系，从而提升健身指导效果。例如，先前动作类别训练数据集中，心率变异性数值为s1时认为健身效果最佳，但健身效果未达到目标，则可调整心率变异性数值，例如调整为s2，再检测健身效果。最终，通过不断调整动作类别训练数据集，使利用其训练的svm模型进行健身监测时，达到预期健身效果。

本发明第二实施例的健身监测方法，通过训练好的至少一个动作类别分类模型，对与动作对应的生理指标数据和运动数据进行处理，确定每一动作类别分类模型下，该动作所属的可能动作类别，并对确定的可能动作类别进行统计，选取统计次数最多的可能动作类别作为该动作所属的动作类别，基于选取的动作类别，对用户进行提醒，不仅能够实现对健身动作是否标准的全面可靠的监测，还能够提高判别动作类型的准确性，提升健身的监测效果。

第三实施例

参见图3所示，本发明第三实施例提供一种健身监测装置，与图1所示的健身监测方法相对应，包括：

获取模块31，用于获取用户在健身时与一动作对应的生理指标数据和运动数据；

确定模块32，用于根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，所述动作类别与所述动作是否标准相关；

提醒模块33，用于基于所述动作所属的动作类别，对所述用户进行提醒。

本发明实施例中，所述确定模块32包括：

处理单元，用于利用至少一个动作类别分类模型，对所述生理指标数据和运动数据进行处理，确定每一动作类别分类模型下，所述动作所属的可能动作类别；

统计单元，用于对所述动作所属的可能动作类别进行统计，选取统计次数最多的可能动作类别作为所述动作所属的动作类别。

具体的，该健身监测装置还包括：

确定模块，用于确定所述用户的至少一个动作类别训练数据集和基础分类模型，每一动作类别训练数据集中包括多组被划分为两类动作类别的数据，每组数据为一类动作类别的所述用户的生理指标数据和运动数据，所述基础分类模型用于体现生理指标数据、运动数据及动作类别之间的关联关系；

训练模块，用于利用所述至少一个动作类别训练数据集对所述基础分类模型进行训练，得到所述至少一个动作类别分类模型。

具体的，所述提醒模块33包括：

确定单元，用于基于所述动作所属的动作类别，确定与所述动作类别对应的提醒模式；

提醒单元，用于根据确定的所述提醒模式，对所述用户进行提醒。

其中，所述动作所属的动作类别为动作幅度标准、动作幅度未达到标准或动作幅度超过标准。

其中，所述生理指标数据包括但不限于如下数据中的至少一种：脉搏次数、心率变异性数值、体温数值和肌电数值。

其中，所述运动数据包括但不限于如下数据中的至少一种：运动位移、运动角度和运动弧度。

本发明第三实施例的健身监测装置，通过获取用户在健身时与一动作对应的生理指标数据和运动数据，根据所述生理指标数据和运动数据，确定所述动作所属的动作类别，基于所述动作所属的动作类别，对所述用户进行提醒，能够基于用户的与健身动作对应的生理指标数据和运动数据，在不同动作类别下进行不同的提醒，实现对健身动作是否标准的全面可靠的监测。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。