[发明专利]基于改进协同过滤ItemCF算法的运动处方生成方法

说明书

本发明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。本发明解决了现有技术中存在的运动处方生成结果不符合用户运动能力和运动条件的问题。

技术领域

本发明属于运动处方生成技术领域，涉及一种基于改进协同过滤ItemCF算法的运动处方生成方法。

背景技术

人们普遍喜欢通过体育运动增强体质保持身心健康，而今伴随物质文明的丰富，人们对体育运动有了更多的要求。运动处方是运动干预健康的有效手段，根据科学的方法设定运动方案能确保运动效力，避免运动损伤。计算机技术生成运动处方正是为了方便人们获取适合自身需求和条件的运动处方而兴起的研究领域，其主要采用相似度推荐、决策树、数据挖掘等方法实现运动处方的生成或推荐，而这些方法都忽视了用户的偏好和个性化差异，使得运动处方的推荐或生成结果不够准确。

发明内容

本发明的目的是提供一种基于改进协同过滤ItemCF算法的运动处方生成方法解决了现有技术中存在的运动处方生成结果不符合用户运动能力和运动条件的问题。

本发明所采用的技术方案是，

基于改进协同过滤ItemCF算法的运动处方生成方法，具体步骤为：

步骤1，收集运动项目，通过属性将运动项目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得到量化数据，从而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，根据运动数据利用步骤1的量化方法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。

步骤1的具体步骤为：

步骤1.1，收集运动项目，每个运动项目内容包含运动项目名称，运动处方类型，其值为有氧、力量、柔韧中的一种，运动效果，其值为减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺中的一种或多种，作用对象，其值为全身、背部、头部、颈部、肩部、胸部、腰部、臀部、手臂、手腕、手掌、腿部、大腿、小腿、脚踝、脚掌中的一种或多种，运动条件属性，其内容包含运动项目的运动强度，运动时长和运动频率；

其中运动强度以每分钟心率指标刻画，单位bmp，运动时长以分钟为单位，单位min，运动频率以每周运动次数刻画，单位次/周。

步骤1.2，对收集的所有运动项目的效果属性和作用对象属性进行量化，利用one-hot标签方法量化，其具体量化方法如下：

运动效果属性量化，针对运动项目i，建立十一位的效果属性向量E(i)，分别对应减脂瘦身、锻炼平衡、减压、缓解疼痛、增肌、塑形、增强力量、增强有氧能力、增强体质、增强耐力、强化心肺，对于所量化的运动项目i所具有的运动效果属性，在效果属性向量对应位置设定值为1，不具有的属性对应位置设定值为0；