[发明专利]一种基于可穿戴设备的运动风险评估方法与系统

权利要求书

1.一种基于可穿戴设备的运动风险评估方法，其特征在于，所述方法包括：

授权获取用户的初始数据集，包括用户的生理指标、环境指标，并存储至服务端，进行模型训练，得到训练好的XGBoost模型；

用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端；

所述客户端根据当前时间联网查询对应的所述初始数据集中的环境指标，将其与所述生理指标信息根据所述时间戳进行拼接，得到总的用户数据并传送至所述服务端；

所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征；

所述服务端使用所述训练好的XGBoost模型对所述多源融合特征进行运动风险的预估，得到风险预估结果，基于模型中的子树分裂使用的特征次数，计算不同特征的重要性；

所述客户端从所述服务端获取所述风险预估结果，结合所述总的用户数据进行可视化展示，基于所述不同特征的重要性生成规避运动风险的建议；

在用户收到所述风险预估结果和所述规避运动风险的建议后记录其反馈并上传至所述服务端，作为所述模型训练的补充数据，进行迭代更新。

2.如权利要求1所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述授权获取用户的初始数据集，包括用户的生理指标、环境指标并存储至服务端，进行模型训练，得到训练好的XGBoost模型，具体为：

通过医院授权获取患有不同程度运动损伤的用户的生理指标、环境指标与其对应的运动损伤信息，作为初始数据集；

初始数据集的生理指标为在给定的时间周期内，收集给定用户的生理指标随着时间戳的变化趋势，以及用户的运动损伤情况作为模型训练标签；

初始数据集的环境指标为在给定的时间周期内，收集给定用户的运动环境的指标信息，主要包含用户的地点位置、空气质量、空气湿度、天气情况等；

基于给定的数据集，作为用户初始数据集并储存至云端服务器，更新训练服务端的XGBoost模型，得到训练好的XGBoost模型。

3.如权利要求2所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述用户基于可穿戴设备完成各项生理指标信息采集，采集到的每个时间戳下的生理指标发送到客户端，具体为：

用户生理指标采集包括：心率、脉搏、体温、运动量、运动频率、脂肪量、血氧饱和度、皮肤电导、血红细胞量等；

建立蓝牙连接，将收集到的每个时间戳下的生理指标发送到客户端。

4.如权利要求3所述的一种基于可穿戴设备的运动风险评估方法，其特征在于，所述所述服务端对所述总的用户数据进行特征提取与优选，得到多源融合特征，具体为：

所述服务端根据得到的每一个所述可穿戴设备下的生理指标信息随着时间戳的变化，使用时间窗口加权的方式提取k个时间段的平滑特征，得到的层次特征为：

其中f_k为提取的层次特征，g_k为原始特征，w_k+i为设定好的时间权重，T为总的时间窗口大小；

基于每个可穿戴设备下的生理指标，提取的k个平滑特征分别结合所述初始数据集得到的历史数据进行标准化处理，得到标准特征为：

其中，为历史数据中第k项特征的均值，σ_k为历史数据中第k项特征的标准差；

对由此获得的各项生理指标进行分箱处理，将其按照特定的分布进行分段处理，在每一个所述可穿戴设备的源下的数据内使用皮尔森相关系数来进行优选，得到优选特征；

将得到每个源下优选特征进行拼接，得到多源融合特征，作为所述训练好的XGBoost模型的输入特征。