S102中，可以单不限于使用Apr1ri算法来建立运动数据与健康状态数据之间的关联关系。为了更好的理解本发明，本发明实施例中以Apr1ri算法对建立运动数据与健康状态数据之间的关联关系的具体实施流程进行说明。
[0040]如图2所示，其为建立运动数据与健康状态数据之间的关联关系的实施流程示意图，可以包括以下步骤:
[0041]S201、确定获得的健康相关数据集中满足预设的支持度阈值的健康相关数据集为频繁项集；
[0042]较佳的，为了便于对获得原始数据进行处理，在确定频繁项集之前，可以对获得的运动数据进行预处理，具体的，分别将运动步数、运动时长的取值离散化至多个区间内，本发明实施例中以将运动步数、运动时长离散化至5个区间为例进行说明。
[0043]用户A在最近三个月中，每天通过计步器、心电节点和移动终端上传运动数据、睡眠状态数据和情绪状态数据，经数据分析过程，获得运动步数、运动时长、运动剧烈程度、睡眠状态数据和情绪状态数据共5个参数。
[0044]在数据预处理过程中，汇总用户A上述5个参数的90条记录，并进行运动步数和运动时长的离散化。假设用户A运动步数的取值范围是5000步至20000步，运动时长的取值范围是30min至2h，因此针对该用户，运动步数的五个离散化区间分别为5000-8000、8000-11000、11000-14000、14000-17000 和 17000-20000，运动时长的五个离散化区间分别为 0.5h-0.8h、0.8h-l.lh、l.lh-1.4h、l.4h_l.7h 和 1.7h_2h。
[0045]进一步的，根据预先设定的支持度阈值和获得的健康相关数据集，采用Apr1ri算法生成满足支持度阈值的频繁项集。
[0046]S202、选择包括至少一项运动数据和至少一项健康状态数据的频繁项集；
[0047]延续上例，假设预先设定的支持度阈值为10%,采用Apr1ri算法生成频繁项集，并删除其中不包含运动数据的频繁项集和只包含运动数据的频繁项集，最终得到满足条件的频繁项集，例如:“步数5000-8000、睡眠质量一般”、“步数5000-8000、情绪状态一般”、“运动时长0.8h-l.lh、睡眠质量一般”、步数17000-20000、睡眠质量良好”、“步数17000-20000、情绪状态良好”、“步数17000-20000、睡眠质量良好、情绪状态良好”等。
[0048]S203、分别以运动数据和健康状态数据作为关联规则条件和结论，根据选择出的频繁项集生成满足预设的置信度阈值的关联规则；
[0049]以预先设定的置信度阈值为60%为例，分别以运动数据和健康状态数据作为关联规则条件和结论生成满足置信度阈值的关联规则，如:
[0050]IF步数=5000-8000，THEN睡眠质量=一般(支持度=20%，置信度=89%)；
[0051 ] IF步数=5000-8000，THEN情绪状态=一般(支持度=30%，置信度=67%)；
[0052]IF运动时长=0.8h-l.lh, THEN睡眠质量=一般(支持度=12%，置信度=83%)；
[0053]IF步数=17000-20000，THEN睡眠质量=良好，情绪状态=良好(支持度=14%，置信度=77%)。
[0054]S204、确定满足预设条件的关联规则为运动数据与健康状态数据之间的关联关系O
[0055]具体实施时，步骤S204中，可以包括以下步骤:
[0056]S2041、将步骤S203中得到的关联规则进行分类；
[0057]具体的，可以按照以下原则将关联规则划分为三类:若关联规则的结论中包括睡眠状态数据和情绪状态数据，确定该关联规则为第一类关联规则；若关联规则的结论中包括睡眠状态数据，确定该关联规则为第二类关联规则；若关联规则的结论中包括情绪状态数据，确定该关联规则为第三类关联规则；
[0058]S2042、针对每一类关联规则，确定置信度最高的关联规则为运动数据与健康状态数据之间的关联关系。
[0059]继续沿用上例，通过上述两个步骤，可以将得到如下规则:
[0060]第一类关联规则:1) IF步数=17000-20000，THEN睡眠质量=良好，情绪状态=良好(支持度=14%，置信度=77%) ；2) IF步数=5000-8000，THEN睡眠质量=一般，情绪状态=一般(支持度=30%，置信度=85%) ；3) IF步数=11000-14000，THEN睡眠质量=一般，情绪状态=良好(支持度=17%，置信度=75%)等；根据运动数据(包括运动步数和运动时长)、睡眠状态数据和情绪状态数据，本发明实施例中最多能够得到第一类关联规则共32个；
[0061]第二类关联规则:1) IF步数=5000-8000，THEN睡眠质量=一般(支持度=20%，置信度=89%) ；2) IF步数=17000-20000, THEN睡眠质量=良好(支持度=23%,置信度=74%)等；根据运动数据(包括运动步数和运动时长)、睡眠状态数据，本发明实施例中最多能够得到第二类关联规则共16个；
[0062]第三类关联规则为:IF步数=5000-8000，THEN情绪状态=一般(支持度=30%，置信度=67%)等。根据运动数据(包括运动步数和运动时长)、情绪状态数据，本发明实施例中最多能够得到第三类关联规则共16个。
[0063]将上述三类规则分别按照置信度进行排序，并选取置信度最高的关联规则作为运动数据与健康状态数据之间的关联关系，据此，本发明实施例中可以得到运动数据与健康状态数据之间的关联关系如下:
[0064]IF步数=17000-20000，THEN睡眠质量=良好，情绪状态=良好(支持度=14%，置信度=77%)；
[0065]IF步数=5000-8000，THEN睡眠质量=一般(支持度=20%，置信度=89%)；
[0066]IF步数=5000-8000，THEN情绪状态=一般(支持度=30%，置信度=67%)。
[0067]根据建立的运动数据与健康状态数据之间的关联关系，根据用户A当前的情绪和睡眠状况，向用户A推送运动指导方案。假设用户A当前睡眠质量=较差，情绪状态=较差，期望达到的睡眠质量=一般，情绪状态=一般。由于第一类规则中不存在匹配的方案，则在第二、三类规则中选择并合并，得到运动指导方案为“步数=5000-8000”，并将其推送至用户绑定的移动终端。假设用户A当前睡眠质量=一般，情绪状态=一般，期望达到的睡眠质量=良好，情绪状态=良好。将第一类规则中匹配的运动指导方案为“步数=17000-20000”推送至用户绑定的移动终端即可。更佳的，具体实施时，用户还可以预先设定睡眠状态和情绪状态的提升等级，例如，用户设定提升等级为1，即表示用户期望健康状态数据比用户当前健康状态数据提升一个等级，例如用户当前健康状态数据分别为睡眠状态数据为差，情绪状态数据为一般，则用户期望健康状态数据即为睡眠状态数据为较差，情绪状态数据为良好。需要说明的是，用户当前将抗状态数据已达到最高值(即睡眠状态数据为较良好，情绪状态数据为良好)时，期望健康状态数据将保持不变。
[0068]较佳的，基于上述建立的运动数据与健康状态数据之间的关联关系，步骤S103中，可以按照以下步骤查找期望健康状态数据对应的运动数据:
[0069]S1031、根据获取的期望健康状态数据信息，从第一类关联规则中查找期望健康状态数据对应的运动数据；
[0070]S1032、若第一类关联规则中未查找到期望健康状态数据对应的运动数据，则分别在第二类关联规则和第三类关联规则中分别查找期望健康状态数据对应的运动数据；
[0071]S1033、合并从第二类关联规则和第三类关联规则中分别查找到的期望健康状态数据对应的运动数据。
[0072]较佳的，在执行步骤S1033之前，还可以确定在第二类关联规则和第三类关联规则中查找到的期望健康