一种基于人工智能的律动机运动数据监测方法及系统与流程

摘要: 本申请涉及运动健康监测领域。更具体地,本申请涉及一种基于人工智能的律动机运动数据监测方法及系统。背景技术:1、律动机作为一种通过机械振动刺激肌肉收缩的训练设备,...
一种基于人工智能的律动机运动数据监测方法及系统与流程

本申请涉及运动健康监测领域。更具体地,本申请涉及一种基于人工智能的律动机运动数据监测方法及系统。

背景技术:

1、律动机作为一种通过机械振动刺激肌肉收缩的训练设备,被广泛应用于康复训练、体能锻炼和健身领域。在律动机训练过程中,实时、精准地监测用户的运动状态并识别潜在风险,对于保障训练安全、提升训练效果至关重要。

2、现有的律动机风险监测方法多基于设定固定的物理阈值(如压力上限)或采用单一时间窗口的时序模型。然而,不同运动风险因其内在生理机制不同,其演变模式存在于截然不同的时间尺度上。传统的固定时间窗口分析方法无法自适应这些多尺度特性,导致对某些风险的识别灵敏度不足或预警延迟,难以实现全面精准的安全保障。

技术实现思路

1、本申请实施例的主要目的在于提出一种基于人工智能的律动机运动数据监测方法及系统,旨在提高律动机运动数据风险监测的精确性。

2、为实现上述目的,本申请第一方面的实施例提出了一种基于人工智能的律动机运动数据监测方法,所述方法包括:对实时采集的运动时序数据等分得到多个实时数据段,构建每个实时数据段的运动特征向量,拼接所有运动特征向量得到实时特征序列;获取最优长度,根据最优长度设置采集窗口截取实时特征序列得到输入序列,将输入序列输入预设的风险预测模型得到风险概率,构建缩放因子,采用缩放因子对预设的风险阈值进行加权,响应于风险概率不小于加权后的风险阈值,执行报警;其中,所述最优长度的获取过程为:根据历史采集的运动时序数据构建历史特征序列,取预设的长度值集合中任一长度值为目标值,在历史特征序列上设置长度为目标值的滑动窗口,采用滑动窗口对历史特征序列进行分段得到多个子序列,获取每个子序列的风险类别标签以构建标签序列,计算每个子序列的波动程度以构建波动序列,计算标签序列与波动序列的关联程度,遍历获取长度值集合中每个长度值对应的关联程度,将关联程度的最大值对应的长度值作为最优长度。

3、在一些实施例中,所述运动时序数据包括每个采样点的设备振动频率、设备振动幅度、用户左足底压力和用户右足底压力。

4、在一些实施例中,构建每个实时数据段的运动特征向量包括:将任一实时数据段作为目标段,获取目标段的设备振动频率中位数、设备振动频率标准差、设备振动幅度中位数和设备振动幅度标准差,计算目标段中每个采样点的用户左足底压力与用户右足底压力的比值以构建比值序列,将比值序列的中位数作为目标段的对称性特征;计算目标段中每个采样点的用户左足底压力与用户右足底压力之和以构建负荷序列,将负荷序列的标准差作为目标段的压力波动特征,将负荷序列的最大值作为目标段的瞬时冲击特征,将负荷序列的平均数作为目标段的整体负荷特征;将设备振动频率中位数、设备振动频率标准差、设备振幅中位数、设备振幅标准差、对称性特征、压力波动特征、瞬时冲击特征以及整体负荷特征作为向量元素以构建目标段的运动特征向量;遍历获取每个实时数据段的运动特征向量。

5、在一些实施例中,构建缩放因子包括:获取用户体重,采用指数函数对用户体重与预设基础体重之比进行负相关映射,将映射结果作为缩放因子。

6、在一些实施例中,计算每个子序列的波动程度包括:将任一子序列作为目标序列,计算目标序列的一阶差分得到差分矩阵,计算差分矩阵的范数,并将归一化后的范数作为目标序列的变化幅度指标,计算差分矩阵的熵,并将归一化后的熵作为目标序列的变化分布指标,对所述变化幅度指标和所述变化分布指标加权求和得到所述目标序列的波动程度,遍历获取每个子序列的波动程度。

7、在一些实施例中,所述风险预测模型包括:关节过载风险预测模型、肌肉疲劳风险预测模型及平衡失调风险预测模型。

8、在一些实施例中,所述方法还包括:通过低通滤波和基线校正对实时采集的运动时序数据进行预处理。

9、本申请第二方面的实施例提出了一种基于人工智能的律动机运动数据监测系统,所述系统包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现上述的一种基于人工智能的律动机运动数据监测方法。

10、本申请的有益效果:

11、本申请在进行风险预测之前,对实时采集的运动时序数据先构建运动特征向量以此得到与特征强相关的实时特征序列,接着引入最优长度截取实时特征序列得到风险预测模型的输入序列,以此使风险预测模型输出的风险概率更加适配实时场景;在最优长度的选取过程中,本申请又引入了波动程度,根据风险类别标签构建量化标签序列,并通过该量化标签序列与波动序列关联程度确定最优长度,以匹配不同风险的多尺度演变规律,解决固定窗口适配性差的问题,提升风险识别灵敏度与及时性;因此,本申请可以提高律动机运动数据风险监测的精确性。

1.一种基于人工智能的律动机运动数据监测方法,其特征在于,包括:

2.根据权利要求1所述的一种基于人工智能的律动机运动数据监测方法,其特征在于,所述运动时序数据包括每个采样点的设备振动频率、设备振动幅度、用户左足底压力和用户右足底压力。

3.根据权利要求2所述的一种基于人工智能的律动机运动数据监测方法,其特征在于,构建每个实时数据段的运动特征向量包括:

4.根据权利要求1所述的一种基于人工智能的律动机运动数据监测方法,其特征在于,构建缩放因子包括:

5.根据权利要求1所述的一种基于人工智能的律动机运动数据监测方法,其特征在于,计算每个子序列的波动程度包括:

6.根据权利要求1所述的一种基于人工智能的律动机运动数据监测方法,其特征在于,所述风险预测模型包括关节过载风险预测模型、肌肉疲劳风险预测模型及平衡失调风险预测模型。

7.根据权利要求1所述的一种基于人工智能的律动机运动数据监测方法,其特征在于,所述方法还包括:

8.一种基于人工智能的律动机运动数据监测系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的一种基于人工智能的律动机运动数据监测方法。