[发明专利]一种基于分布式个体多源运动数据的运动处方推荐方法

说明书

本发明专利提供了一种基于分布式个体多源运动数据的运动处方推荐方法。其特征在：(1)采用多种运动采集设备，包括运动手环、运动手表、跑步机、运动APP等，对同一人的过去一周所采用的所有运动进行采集，并依照各种运动采集设备自带的功能获取其运动统计数据，包括运动日期与时间、运动时长、运动热量消耗，并统一各数值的计量单位，对数据进行归一化处理；(2)用非极大值抑制算法清除运动时间重复度大于80％的统计内容，对剩余运动统计按照时间排序，并按照时间先后顺序输入长短时记忆模型，生成中间特征；(3)通过神经网络全连接层对中间特征进行特征提取，生成最终特征，并用回归模型生成运动处方的编码。

一、技术领域

运动处方推荐、递归神经网络、推荐算法、人工智能

二、背景技术

2.1通用技术方法介绍

长短时记忆模型(LSTM，Long Short-Term Memory)是一种递归神经网络模型[1]，其通过包元、忘记门、输入门、输出门实现对有效内容的保留，无效内容的丢失，从而对时间特征的变量提取有效特征。

回归模型公式为y＝ax+b，利用特征x和标签y之间的结果计算系数a和b。

非极大值抑制算法是一种对重叠区域达到一定比例的预测结果进行精简，仅保留最高置信度的预测结果的方法。

2.2相似方法介绍

专利CN110322947A是一个采用深度学习的高血压老年人运动处方推荐方法。其特征用卷积神经网络提取。

本方法和其区别在于：(1)数据内容不同，本方法只用不同设备的运动时长、运动热量消耗作为数据输入，专利CN110322947A则用心率、BMI等数据；(2)特征提取模型不同，本方法采用长短时记忆模型对时序数据提取特征。

三、发明内容

本发明专利提供了一种基于分布式个体多源运动数据的运动处方推荐方法。

首先，本方法搜集过去一周时间内，某人被多种运动采集设备所采集的数据，包括但不限于运动手环、运动手表、跑步机、运动APP等，这些设备的特点在于可以给出该人的运动日期与时间、运动时长、运动热量消耗的数值。

其次，用文献[2]中的非极大值抑制算法清除运动时间重复度大于80％的统计内容，对剩余运动统计按照时间排序，并将运动时长、运动热量消耗归一化，照时间先后顺序输入长短时记忆模型[1]，生成中间特征。

最后，通过神经网络全连接层对中间特征进行特征提取，生成最终特征，并用回归模型生成运动处方的编码。运动处方的编码与运动处方的内容是一一对应的。

四、附图说明

图1是本方法的算法架构图。

图包括3个步骤：(1)数据采集、清洗与归一化；(2)利用长短时记忆模型生成中间特征；(3)运动处方推荐。

五、具体实施方式

本申请通过3个步骤，本专利提供了一种基于分布式个体多源运动数据的运动处方推荐方法。

步骤一：数据采集、清洗与归一化

搜集过去一周时间内，某人被多种运动采集设备所采集的数据，包括但不限于运动手环、运动手表、跑步机、运动APP等，这些设备的特点在于可以给出该人的运动日期与时间、运动时长、运动热量消耗的数值。用文献[2]中的非极大值抑制算法清除运动时间重复度大于80％的统计内容，对剩余运动统计按照时间排序，并将运动时长、运动热量消耗归一化。

步骤二：中间特征生成

照时间先后顺序输入长短时记忆模型[1]，生成中间特征。

步骤三：运动处方推荐