学生体质健康促进个性化运动处方推荐方法

本发明涉及生命科学中的运动与健康促进技术，具体地，涉及一种学生体质健康促进个性化运动处方推荐方法。

背景技术：

1、当前，我国学生体质与健康状况亟待改善。已有大量研究表明，通过制定并实施运动处方，科学指导学生参加体育运动，提高身体活动量，可有效地促进群体体质健康水平，但学生个体的体质健康水平差异，导致传统面向群体的运动处方推荐及应用常会出现个体无有效应答现象，即未显示出有效的改善效果。因此，对学生个体采取个性化运动处方推荐是非常有必要的。

2、运动处方是根据每一个人的身体活动水平、健康状况进行运动风险评价，之后在体质测试的基础上制定的运动指导方案。随着信息技术的发展，运动处方推荐算法的研究与应用也逐渐兴起。精准、高效的个性化运动处方才能做到“运动药”的精准化，才能够更好地让学生进行自我健康的体质管理。当前运动处方推荐算法主要分为两类：1.基于产生式规则正向推理机制的运动推荐算法：即通过对大量运动专家咨询和运动处方文献资料的基础上，整理生成大量产生式规则，其原理是根据用户的原始数据，正向推理从第一条规则开始，逐步验证前提。若某一规则的所有前提均成立，则此条规则的结论即被证实。算法会根据此结点结论得到结果或跳转至下一条规则继续进行验证；若某一前提不成立，则会中断此条推理路径，转至下一条规则继续验证其前提，直至得到最后结果。其弊端在于在整个过程中，人机交互是必须的，效率较低。2.基于可穿戴设备和神经网络的运动处方推荐算法：即通过采集静息心率、运动时平均心率和最大心率、开始时间、总运动时间、有效运动时间、运动类型、年龄、身高、体重等大量运动数据和生命体征数据基础上，通过构建神经网络予以训练，从而形成运动处方推荐。虽然具有较高的精度和高效性，但其缺点是前期需要通过可穿戴设备采集大量的数据，不适用于学生人群，且推理过程缺乏可解释性。

3、2003年1月期刊文献“体育科学”第75页公开了“基于专家系统的体育运动处方网站的研究”，所述文献本质是基于产生式规则正向推理机制的算法，即通过对大量运动专家咨询和运动处方文献资料的基础上，整理生成大量产生式规则，其原理是根据用户的原始数据，正向推理从第一条规则开始至规则推理结束，逐步验证前提。

4、但是2003年1月期刊文献“体育科学”在整个过程中，人机交互是必须的，效率较低。

5、2021年2月期刊文献“applied science”公开了“an ai-based exerciseprescription recommendation system”所述文献本质是可穿戴设备和神经网络的算法：即通过采集静息心率、运动时平均心率和最大心率、开始时间、总运动时间、有效运动时间、运动类型、年龄、身高、体重等大量运动数据和生命体征数据基础上，通过构建神经网络予以训练，从而形成运动处方推荐。

6、但是2021年2月期刊文献“applied science”前期需要通过可穿戴设备采集大量的数据，不适用于学生人群，且推理过程缺乏可解释性。

7、专利文献cn111933249a公开一种基于改进协同过滤itemcf算法的运动处方生成方法，步骤为：步骤1，收集运动项目并划分为运动效果属性，作用对象属性，运动条件属性；对运动效果属性、作用对象属性进行量化建立运动项目量化数据库；步骤2，计算运动效果属性在数据库中的分布；步骤3，获取用户输入数据，根据运动数据建立理想运动量化模型；步骤4，根据理想运动量化模型，利用改进的协同过滤itemcf算法计算运动量化数据库中所有运动对用户输入的适应度；步骤5，筛选适应度最高的运动项目，设定运动强度，运动频率和运动时长，生成运动处方；步骤6，收集新的用户输入数据，从步骤3开始，重复步骤3到步骤5获得新的运动处方。

8、但是专利文献cn111933249a是针对物品推荐所常用的协同过滤算法予以改进，无法适用于例如人口体量巨大的学生人群。

9、专利文献cn110322947b公开了一种基于深度学习的高血压老年人运动处方推荐方法，收集健康数据；测试高血压老年人安静状态下的心功能状态，评估心率、血压和心率变异性；识别高血压老年人的日常动作；根据运动-血压风险等级与运动风险贡献度，结合由心率变异性、能量消耗、心率评估高血压老年人的心肺功能，以及bmi、年龄、临床诊断、运动喜好参照fitt规则制定个性化的老年人运动处方。

10、但是专利文献cn110322947b是针对高血压老年人群体的运动处方的推荐，不适用于青少年学生群体。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种学生体质健康促进个性化运动处方推荐方法。

2、根据本发明提供的一种学生体质健康促进个性化运动处方推荐方法，包括：

3、步骤s1：采集学生体质健康数据；

4、步骤s2：定义运动目标并根据所述学生体质健康数据，建立体质健康与运动目标映射矩阵r；

5、步骤s3：定义运动项目并采集学生体育行为数据sr；

6、步骤s4：根据所述运动项目和所述运动目标，建立运动项目与运动目标映射矩阵f；

7、步骤s5：对于学生为第一次体质健康测试的情况，根据学生体育行为数据sr和所述体质健康与运动目标映射矩阵r，计算各运动项目的贡献度，根据所述运动项目的贡献度更新所述运动项目与运动目标映射矩阵f；对于学生不是第一次体质健康测试的情况，不对所述运动项目与运动目标映射矩阵f进行更新；

8、步骤s6：基于所述运动项目与运动目标映射矩阵f，确定运动目标并计算对应的运动项目推荐度；

9、步骤s7：依据所述运动项目推荐度，制定面向学生个体的个性化运动处方。

10、优选地，所述学生体质健康数据包括：学生编号、性别、年级和体质健康指标对应的得分；

11、所述体质健康与运动目标映射矩阵是根据所述定义的运动目标结合所述体质健康指标对应的得分建立的。

12、优选地，步骤s5包括：

13、步骤s5.1：判断学生是否是第一次体质健康测试；

14、若是，则认为采集不到对应的体质健康数据和学生体育行为数据，不更新运动项目与运动目标映射矩阵，触发步骤s6；

15、若不是，则认为能够采集到对应的体质健康数据和学生体育行为数据，针对每个运动目标，在学生体育行为数据中统计选择所述运动目标的学生的人数；

16、步骤s5.2：统计总样本中选择特定运动目标的人数分布在m个运动项目的人数，满足：

17、

18、其中，n表示总样本人数，nj表示选择第j个运动目标的人数；其中下标j为序号，j＝1,2,...，e；e表示运动目标数量；mjk表示在第j个运动目标中选择第k个运动项目的人数；

19、步骤s5.3：计算在mjk人数中，以第j个运动目标tj进行第k运动项目sk后，根据建立体质健康与运动目标映射矩阵r，统计以第j个运动目标tj对应的pfi体质健康指标得分提升的人数满足：

20、

21、其中pfi代表第i个体质健康指标得分，下标i、上标i为序号，i＝1,2,...，n；n表示体质健康指标数量；

22、步骤s5.4：计算基于运动目标tj的运动项目sk的贡献度p(tj|sk)，计算公式如下：

23、

24、e表示运动目标的数量；

25、步骤s5.5：更新运动项目与运动目标映射矩阵f，满足如下：

26、fjk＝p(tj|sk),j＝1,2,...,e,k＝1,2,...,m。

27、优选地，步骤s6包括：

28、步骤s6.1：针对要推荐运动处方的t名目标学生，计算该学生群体的m个运动项目选择分布情况qk,k＝1,2,...,m，满足

29、

30、步骤s6.2：计算m个运动项目的概率分布，计算公式如下：

31、

32、步骤s6.3：根据基于所述运动项目与运动目标映射矩阵f中的元素作为的贡献度p(tj|sk)，计算t名目标学生群体中m个运动项目对运动目标tj的贡献度为

33、步骤s6.4：计算t名目标学生群体中m个运动项目对运动目标tj的总体贡献度计算公式如下：

34、

35、步骤s6.5：t名目标学生群体中某一学生选定运动目标tj后，计算相应的运动项目推荐度并通过top-k排序产生推荐的运动项目优先级，计算公式如下：

36、

37、优选地，所述学生体育行为数据包括：学生编号、运动项目、运动目的、动作次数和运动时长。

38、与现有技术相比，本发明具有如下的有益效果：

39、1、本发明将学生群体不同运动项目与不同运动目标的历史经验进行组合得到数据，有针对性地推荐个性化运动处方。

40、2、本发明增加了学生人群中应用运动处方推荐算法的可解释性和高效性问题，并有助于后期依据领域专家调优。

41、3、本发明在运动项目量化基础上，增加了动作次数的细粒度指标，更具有可解释性。