自行车运动能耗计算系统及其方法与流程

本发明涉及运动能量消耗计算领域，具体地说，是一种自行车运动能耗计算系统及其方法。
背景技术：
：随着现代社会的飞速发展，人们在日常生活中的压力越来越大，那么释放压力就显得尤为重要。自行车运动就是一种很好的减压方式。随着我国共享单车的迅速崛起，自行车运动的健身价值也逐渐的体现出来了，越来越多的人加入到了自行车运动的队伍中。自行车运动属于户外运动，能提高人体的新陈代谢，对人体组织的锻炼大有裨益，同时对人体的血液循环系统、神经系统、呼吸系统、内分泌系统和免疫系统等，都可以产生良好的刺激作用。所以合理的进行自行车运动对个人的身心健康是很有帮助的，但是这个“合理”需要科学的指导。为了能够指导人们合理地进行健康运动，我们需要将运动强度和运动量表示出来，以便于人们能及时的了解自己在骑行时的身体状况，并根据这些信息调节自己的运动，以达到健康运动的效果。而最能表达运动强度和运动量的参数便是运动消耗量。目前，关于能量消耗的计算方法有很多，例如双标水技术(dlw)、间接测热法、心率记录法[3]和加速度传感器法以及两者联合的方法等。双标水技术和间接测热法由于操作比较复杂、成本高等原因，不适合用来实时检测人在自由生活状态下的能量消耗。心率记录法通过心率的大小反映运动强度，进而计算出能量消耗，但是心率的个体差异性较大，与年龄、体重、身体素质和性别等有密切的关系，所以对不同的人导致其结果误差较大[7]。加速度计法测量身体运动能量消耗的原理是根据牛顿力学定律，brouha于1960年就首先提出了人体运动加速度绝对值对时间的积分与人体运动的能量消耗之间具有较好的线性关系。但是对于自行车运动，保持相同的骑行状态不代表克服相同的力做功，例如在有风和无风的情况下保持相同的加速度人体消耗的能量肯定时不一样的。现有技术的缺点在于：现有的能量消耗计算方法都有一定的局限性，计算的能量消耗量存在较大的误差。技术实现要素：针对上述现有能量消耗的计算方法存在较大的误差的缺陷，本发明提出了一种自行车运动能耗计算系统及其方法，该系统能精准测量出测试者的身体指标，并结合身体特征得出能量消耗量。为了达到上述目的，本发明的技术方案如下：一种自行车运动能耗计算系统，其关键在于：包括心率采集装置，该心率采集装置的信号输出端连接有微处理器，所述微处理器的输出端连接有无线模块，该无线模块与终端的心率信号采集端无线连接；还包括力矩传感器，该力矩传感器的信号输出端连接蓝牙模块，所述蓝牙模块的输出端与所述终端蓝牙连接；所述终端上设有人机交互模块，所述人机交互模块用于对所述终端输入数据。采用上述方案，心率采集装置采集测试者的心率信号，传送到微处理器进行信号处理后传送给终端；力矩传感器采集获取腿部对自行车施加的力矩，终端结合心率、力矩以及测试者的年龄、身高和体重进行综合计算，得出运动消耗量。进一步地，所述心率采集装置固定安装在指夹上，所述指夹通过所述心率采集装置的数据线连接有腕带，所述微处理器和无线模块均安装在腕带中。更进一步的，所述心率采集装置为ppg信号采集装置，该ppg信号采集装置由双光源led和光强探测器组成，所述双光源led和光强探测器分别安装在指夹的两个夹块内侧。采用上述方案，双光源led可发射红外光与近红外光，红外光与近红外光透过指尖后，由所述光强探测器接收两种光线，将接收到的两种光线信号传输到微处理器进行计算和分析。更进一步地，所述腕带为双层防水布料构成，在所述两层防水布料之间设有器件安装位和数据线通道，所述微处理器和无线模块固定安装在所述器件安装位上，所述心率采集装置的数据线通过所述腕带的数据线通道与所述微处理器相连接。采用上述方案，心率采集装置安装在指夹上，指夹夹住指尖进行测试者的心率值采集。由于在测试者运动过程中会流汗，汗水一旦浸湿腕带，会影响微处理器和无线模块的寿命，故而腕带为防水材料制成。进一步地，所述力矩传感器安装在自行车五通处的中轴上，所述蓝牙模块也安装在自行车五通处的中轴上，所述力矩传感器通过数据线与所述蓝牙模块连接。采用上述方案，力矩传感器安装在自行车的中轴上，有利于直接并精准地获取腿部对自行车施加的力矩的大小。同时将蓝牙模块也安装在中轴上，使蓝牙模块和力矩传感器一起跟随中轴旋转，不会发生数据线缠绕的问题。在自行车骑行过程中，人踩脚踏时中轴会受力，中轴受力时会产生极为细微的扭力形变，力矩传感器通过测量中轴表面的一些细微的形变，可以得到人在踩踏时的力矩大小，且测量精度非常高。力矩传感器的具体结构和具体安装方式为现有技术，专利“一种中置电机电动自行车中轴力矩传感系统”中已公开得非常详细，故在此不做赘述。更进一步地，所述终端为智能手机，所述人机交互模块为触摸屏，用于输入数据以及显示数据信息。采用上述方案，触摸屏可用作输入模块和显示模块，能同时满足显示数据和输入信息的功能。一种自行车运动能耗计算系统的方法，其关键在于：包括以下步骤：s1：建立自行车运动能耗模型：ee＝β1h+β2w+β3a+β4hr+β5m其中，ee为测试者的人体运动能量消耗，h表示测试者的身高，β1表示运动能量消耗与身高之间的回归系数，w表示测试者的体重，β2表示运动能量消耗与体重之间的回归系数，a表示测试者的年龄，β3表示运动能量消耗与年龄之间的回归系数，hr表示测试者每分钟的平均心率，β4表示运动能量消耗与实时心率之间的回归系数，m表示每分钟的平均力矩，β5表示运动能量消耗与实时力矩之间的回归系数；s2：计算出自行车运动能耗模型的回归系数β1、β2、β3、β4和β5的值；s3：将自行车运动能耗模型保存在终端中；s4：终端通过人机交互界面获得测试者的身高、体重以及年龄；s5：通过心率采集装置获得测试者运动状态下的心率值；s6：通过力矩传感器获得测试者运动过程中每分钟的平均力矩；s7：根据自行车运动能耗模型计算出测试者运动的能量消耗量。采用上述方案，将测试者的身高、体重和年龄加入了能量消耗模型中，并结合力矩与心率数据，使该模型的计算结果更为准确。步骤s2中自行车运动能耗模型中的回归系数β1、β2、β3、β4和β5计算方法如下：s21：自行车运动能耗模型的平方损失函数为：s22：由于q的极值点是偏导为零的点，对平方损失函数中的每个回归系数求导，得到方程组：s23：通过进行n组实验，得到n组ee组成的矩阵n组人体个性化参数组成矩阵以及回归系数组成的矩阵s24：利用步骤s3中的矩阵对方程组简化得：x′xβ＝x′ee；s25：通过矩阵运算的特点分别在等式的两边同时乘x′x的逆矩阵，得β＝x-1ee；其中，ee和x的值在n组实验中获得，由此可得系数矩阵β的值。有益效果：本发明利用心率值和力矩值，再结合测试者的身高、体重和年龄这些人体特征参数，建立了自行车运动能量消耗模型，使该模型能非常精准地计算出测试者在自行车运动过程中消耗的卡路里量。附图说明图1为本发明的系统构成框图；图2为心率采集装置的装配示意图；图3为力矩传感器的装配示意图；图4为本发明的方法流程图；图5为回归分析残差图。具体实施方式下面结合实施例及附图对本发明作进一步说明：实施例：如图1所示，一种自行车运动能耗计算系统，其关键在于：包括心率采集装置1，用于采集测试者的心率值；该心率采集装置1的信号输出端连接有微处理器2，所述微处理器2的输出端连接有无线模块7，该无线模块7与终端5的心率信号采集端无线连接；还包括力矩传感器3，该力矩传感器3的信号输出端连接蓝牙模块4，所述蓝牙模块4的输出端与所述终端5蓝牙连接；所述终端5上设有人机交互模块6，所述人机交互模块6用于对所述终端5输入数据。如图2所示，所述心率采集装置1固定安装在指夹8上，所述指夹8通过所述心率采集装置1的数据线连接有腕带9，所述微处理器2和无线模块7均安装在腕带中；所述心率采集装置1为ppg信号采集装置，该ppg信号采集装置由双光源led和光强探测器组成，所述双光源led和光强探测器分别安装在指夹8的两个夹块内侧。双光源led可发射红外光与近红外光，红外光与近红外光透过指尖后，由所述光强探测器接收两种光线，将接收到的两种光线信号传输到微处理器进行计算和分析。本实施例中，所述腕带9为双层防水布料构成，在所述两层防水布料之间设有器件安装位和数据线通道，所述微处理器2和无线模块7固定安装在所述器件安装位上，所述心率采集装置1的数据线通过所述腕带9的数据线通道与所述微处理器2相连接。在所述腕带9中还设有电池，该电池为微处理器2、无线模块7、ppg信号采集装置供电，且该电池为充电锂电池。如图3所示，所述力矩传感器3安装在自行车五通处的中轴上，所述蓝牙模块4也安装在自行车五通处的中轴上，所述力矩传感器3通过数据线与所述蓝牙模块4连接。本实施例中，所述力矩传感器3的型号为semput4.3。作为优选，当所述终端为智能手机，所述人机交互模块6为触摸屏，用于输入数据以及显示数据信息。当所述终端为电脑时，所述人机交互模块6由显示器和键盘、鼠标组成。如图4所示，一种自行车运动能耗计算系统的方法，其关键在于：包括以下步骤：s1：建立自行车运动能耗模型：ee＝β1h+β2w+β3a+β4hr+β5m其中，ee为测试者的人体运动能量消耗，h表示测试者的身高，β1表示运动能量消耗与身高之间的回归系数，w表示测试者的体重，β2表示运动能量消耗与体重之间的回归系数，a表示测试者的年龄，β3表示运动能量消耗与年龄之间的回归系数，hr表示测试者每分钟的平均心率，β4表示运动能量消耗与实时心率之间的回归系数，m表示每分钟的平均力矩，β5表示运动能量消耗与实时力矩之间的回归系数；s2：计算出自行车运动能耗模型的回归系数β1、β2、β3、β4和β5的值；s3：将自行车运动能耗模型保存在终端5中；s4：终端5通过人机交互界面6获得测试者的身高、体重以及年龄；其中，身高、体重和年龄可以由测试者提前在终端5中建档，测试时调出档案即可，并且该档案可随时由建档者更新；s5：通过心率采集装置1获得测试者运动状态下的心率值；s6：通过力矩传感器3获得测试者运动过程中每分钟的平均力矩；s7：根据自行车运动能耗模型计算出测试者运动的能量消耗量。自行车运动能耗模型中的回归系数β1、β2、β3、β4和β5计算方法如下：s21：自行车运动能耗模型的平方损失函数为：s22：由于q的极值点是偏导为零的点，对平方损失函数中的每个回归系数求导，得到方程组：s23：通过进行n组实验，实验采集的n组数据如下表：得到n组ee组成的矩阵n组人体个性化参数组成矩阵以及回归系数组成的矩阵s24：利用步骤s3中的矩阵对方程组简化得：x′xβ＝x′ee；s25：通过矩阵运算的特点分别在等式的两边同时乘x′x的逆矩阵，得β＝x-1ee；其中，ee和x的值在n组实验中获得，由此可得系数矩阵β的值。进行了11组实验，获取的被试者的志愿者个性化参数和心率，将其中一组数据输入到matlab中对其进行回归分析，运行结果如下表所示：相关系数r2统计量f概率p估计误差方差stats0.9938233.80430.00000.2230表中第一列为该回归方程的相关系数r2，该值越接近于1表示回归方程越显著；第二个值为统计量f，f越大表明回归方程越显著；第三个值为统计量对应的p(概率)值，当p<α是拒绝h0，回归模型成立(α表示显著性水平，缺省时该值为0.05)；第四个值为估计误差方差。上表中的数据满足上述三个条件，表明人体运动能耗与身高、体重、年龄、心率和力矩之间存在线性关系。再对该数据和总体数据进行残差分析，残差值是实际观察值与回归预测值的差结果，运行结果如图5所示。残差图中每条线段的两端表示该点的置信区间，白线表示零点，圆点表示残差。从图可以看出数据的残差离零点的远近，如果残差与零点靠得近就表示由该模型计算的值与实际值的差就越小。当残差图中每个点的残差的置信区间均包含零点时，这说明该回归模型能比较好的拟合原始数据。由图5显然可以看出零点均包含在残差的置信区间中。当前第1页12