一种基于云计算的跑步状态监测方法、系统及存储介质与流程

1.本技术涉及跑步机智能化的领域，尤其是涉及一种基于云计算的跑步状态监测方法、系统及存储介质。


背景技术：

2.随着经济社会的发展，生活质量的提高，人们越来越多的关注自身健康，陪伴着室内健身行业的蓬勃发展，跑步机作为使用最多的一种有氧健身器械，广泛存在于健身场馆和家庭，使用者通过跑步机控制面板上的按键，启动或者停止跑步机，调整跑步机的速度和坡度等方式，来控制使用者的运动进程及运动强度，从而达到锻炼身体的目的。而如何科学、安全、有效地进行运动已成为全民健身中关注的核心问题，同时也是当前研究人员关注的重点和热点。
3.众所周知，运动过度不仅不能起到健身锻炼的效果，反而增加了人体的负荷，对人体安全造成了严重伤害。例如，运动过度的情况下，可能导致人体脱水、昏厥等现象。
4.然而，人们在使用跑步机进行锻炼时，由于长时间处于缺乏有效的指引或判断标准，往往不能及时确认自己的运动状况，从而难以达到最佳的锻炼效果，甚至存在运动过度的风险。


技术实现要素：

5.为了有助于提高人们的健身效果，减小运动过度的可能性，本技术提供一种。
6.第一方面，本技术提供一种基于云计算的跑步状态监测方法，采用如下的技术方案：一种基于云计算的跑步状态监测方法，包括：在接收到登录请求信号后，识别当前用户以及与所述当前用户对应的当前跑步机；获取所述当前用户的个人健康档案，所述个人健康档案包含所述当前用户的年龄、性别、身高；获取所述当前用户的静态身体状况信息，所述静态身体状况信息包含当前用户的体重、安静心率、静态血压和静态体温；根据所述当前用户的个人健康档案和静态身体状况信息，从当前存储有的人体运动能耗判别模型库中选取对应于所述当前用户的个人运动能耗判别模型；获取所述当前用户的实时动态运动状况信息；根据所述个人运动状态判别模型和所述实时动态运动状况信息，生成对应于当前用户的实时运动报告；反馈所述实时运动报告。
7.通过采用上述技术方案，在当前用户开始使用跑步机时，跑步机获取并向服务器反馈当前用户的静态身体状况信息，在当前用户运动过程中，跑步机实时获取并反馈实时
动态运动状况信息，服务器根据当前用户的个人健康档案和静态身体状况信息，选取合适的个人运动能耗判别模型，并在当前用户运动的过程中，持续将实时动态运动状况信息和个人运动能耗判别模型进行对比，从而生成实时运动报告，服务器实时将上述实时运动报告反馈至跑步机，方便了当前用户查看，并且当前用户可参照实时运动报告及时作出调整，从而有助于提高人们的健身效果，减小运动过度的可能性。
8.可选的，所述实时动态运动状况信息包括实时心率，所述获取所述当前用户的静态身体状况信息之后，还包括：获取所述当前用户的期望运动量；计算生成所述当前用户的人体最佳心率；在获取所述当前用户的实时动态运动状况信息之后，还包括：将所述当前用户的实时心率与人体最佳心率进行对比，若所述实时心率大于人体最佳心率，且差值大于预定的值，则生成语音告警信号；反馈所述语音告警信号至所述当前跑步机。
9.通过采用上述技术方案，服务器持续将当前用户的实时心率和人体最佳心率进行对比，并在实时心率较高时及时生成和反馈语音告警信号，使得跑步机向当前用户发出提示和警报，从而有助于减小运动过度的可能性。
10.可选的，所述人体运动能耗判别模型库中包含若干人体运动能耗判别模型，每个所述人体运动能耗判别模型均对应有多个特征标签，每个所述特征标签均对应于个人健康档案中或静态身体状况信息中的其中一项数据；所述从当前存储有的人体运动能耗判别模型库中选取对应于当前用户的个人运动能耗判别模型，具体包括：根据所述当前用户的个人健康档案以及静态身体状况信息，按照预设的筛选顺序对所有人体运动能耗判别模型进行筛选；将筛选出的唯一的所述人体运动能耗判别模型标记为对应于所述当前用户的个人运动能耗判别模型。
11.通过采用上述技术方案，服务器根据当前用户的实际情况，筛选出最适合于当前用户的人体运动能耗判别模型，有助于提高监测和预判效果。
12.可选的，所述反馈所述实时运动报告之后，还包括：判断是否接收到运动停止信号，若接收到所述运动停止信号，则生成最终运动报告；将所述最终运动报告反馈至所述当前用户的智能移动终端。
13.通过采用上述技术方案，当前用户在运动结束后，可通过智能移动终端查看最终运动报告，从而有助于当前用户了解自身的运动情况。
14.可选的，所述人体运动能耗判别模型库由以下方式生成：在预设的时间节点提取所有所述最终运动报告；将所有所述最终运动报告分为若干待处理数据组；对每个所述待处理数据组进行机器学习处理，生成人体运动能耗判别模型；统一存储所有所述人体运动能耗判别模型，生成所述人体运动能耗判别模型库。
15.通过采用上述技术方案，服务器定期生成或更新人体运动能耗判别模型库，从而方便了对用户的跑步状态的监测和预判。
16.可选的，所述实时状态信息包括所述当前用户的实时血压、实时体温、实时心率、实时运动时长和实时跑步速度，所述个人运动能耗判别模型中记录有通过机器学习的方式形成的理想血压、理想体温、理想心率、理想运动总能耗等各项数据各自与运动时长的映射关系；所述根据所述个人运动状态判别模型和所述实时动态运动状况信息，生成对应于当前用户的实时运动报告，具体包括：按照实时运动时长，将所述实时动态运动状况信息和所述个人运动能耗判别模型中对应的数据进行对比，根据对比结果生成对应于当前用户的实时运动报告。
17.通过采用上述技术方案，服务器通过将实时动态运动状况信息和个人运动能耗判别模型进行对比，能够实时生成实时运动报告，从而有助于实现提高人们的健身效果，减小运动过度的可能性的效果。
18.第二方面，本技术提供一种服务器，采用如下的技术方案：一种服务器，包括：接收模块，用于接收登录请求信号、静态身体状况信息、实时动态运动状况信息；存储模块，用于存储个人健康档案、人体运动能耗判别模型库；处理模块，用于从存储模块中调取数据，用于提取出对应于当前用户的个人运动能耗判别模型，用于生成实时运动报告；发送模块，用于反馈实时运动报告。
19.通过采用上述技术方案，有助于实现提高人们的健身效果，减小运动过度的可能性的效果。
20.第三方面，本技术提供一种跑步机终端，采用如下的技术方案：一种跑步机终端，包括：互联网连接模块，用于连接互联网；信息采集模块，用于采集当前用户的静态身体状况信息中的各项数据，和实时动态运动状况信息中的各项数据；数据传输模块，用于与信息采集模块建立连接，并获取由信息采集模块采集的数据；处理器模块，用于控制跑步机的运行；数据发送模块，用于发送获取到的各项数据；数据接收模块，用于接收服务器发出的各项数据，包括实时运动报告。
21.通过采用上述技术方案，有助于实现提高人们的健身效果，减小运动过度的可能性的效果。
22.第四方面，本技术提供一种基于云计算的跑步状态监测系统，采用如下的技术方案：种基于云计算的跑步状态监测系统，包括智能移动终端，如上述第二方面所述的服务器以及如上述第三方面所述的跑步机。
23.第五方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，包括存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
24.通过采用上述技术方案，当上述计算机可读存储介质被装入任一计算机后，该计
算机就能执行第一方面所述的基于云计算的跑步状态监测方法。
25.综上所述，本技术包括以下至少一种有益技术效果：1.通过实时向当前用户反馈实时运动报告，有助于提高人们的健身效果，减小运动过度的可能性；2.通过生成个人最佳心率，并将当前用户的实时心率与人体最佳心率进行对比，在实时心率较高时及时生成和反馈语音告警信号，有助于减小运动过度的可能性。
附图说明
26.图1是本技术实施例中基于云计算的跑步状态监测系统的结构框图。
27.图2是本技术实施例中跑步机终端的结构框图。
28.图3是本技术实施例中基于云计算的跑步状态监测方法的流程图。
29.图4是本技术实施例中语音体现人体运动能耗判别模型库生成过程的流程图。
30.附图标记说明：1、跑步机终端；101、互联网连接模块；102、数据接收模块；103、信息采集模块；104、数据传输模块；105、数据发送模块；106、语音采集模块；107、aec模块；108、语音处理模块；109、触屏显示模块；110、处理器模块；111、麦克风模块；2、服务器；21、接收模块；22、存储模块；23、处理模块；24、大数据处理模块；25、发送模块；3、智能移动终端。
具体实施方式
31.以下结合附图1
‑
4对本技术作进一步详细说明。
32.本技术实施例公开一种基于云计算的跑步状态监测系统，参照图1，基于云计算的跑步状态监测系统包括跑步机终端1、服务器2以及智能移动终端3。
33.结合图2，跑步机终端1包括：互联网连接模块101，用于与智能移动终端和服务器建立连接；数据接收模块102，用于接收服务器和智能移动终端发出的各项数据；信息采集模块103，包括速度传感器，重力传感器和用于佩带在用户手腕上以采集数据的智能手环；数据传输模块104，该数据传输模块可以是spp/ble数据传输模块，用于与信息采集模块建立连接，并获取由信息采集模块采集的数据；数据发送模块105，用于向服务器反馈自身获得的各项数据；语音采集模块106，用于采集用户发出的语音信息；aec模块107，用于对采集到的语音信息进行回声消除；语音处理模块108，用于对采集到的语音信息进行识别，并转化成能够被识别和处理的指令；触屏显示模块109，包括触屏显示屏，用于显示各项信息以供用户查看；处理器模块110，用于控制跑步机的运行；麦克风模块111，包括麦克风阵列，用于进行语音播报。
34.基于上述系统，本技术实施例还公开一种基于云计算的跑步状态监测方法。参照图3，基于云计算的跑步状态监测方法包括：
s100：获取登录请求信号。
35.其中，登录请求信号由以下方式发出：当前人员使用智能移动终端3与当前跑步机进行配网，从而建立连接，之后，通过智能移动终端3生成并发送登录请求信号，登录请求信号中携带有当前跑步机的地址编码和当前人员的身份信息，其中，身份信息包括姓名、性别、身高和年龄。服务器2识别当前人员是否为已注册用户，若不是，则进入s110，否则进入s120。
36.s110：注册新用户。
37.具体的，根据当前人员的身份信息建立与其对应的个人健康档案，并为当前人员分配与个人健康档案对应的用户编号，同时，将当前人员标记为当前用户，将当前用户与当前跑步机建立关联。其中，个人健康档案中包括当前用户的姓名、性别、年龄和身高信息。
38.s120：获取对应的个人健康档案。
39.具体的，当当前人员为已注册用户时，则对应的身份信息中还携带有对应的用户编号，服务器2识别该用户编号，并提取与其对应的个人健康档案，同时，将当前人员标记为当前用户，将当前用户与当前跑步机建立关联。
40.s200：获取当前用户的静态身体状况信息。
41.具体的，在当前用户佩戴好智能手环并站上当前跑步机后，当前跑步机处于未运行状态，此时，当前跑步机内的重力传感器获取当前用户的体重，佩戴在当前用户手腕上的智能手环采集用户的安静心率、静态血压和静态体温。之后，当前跑步机内整合所有上述数据，从而生成对应于当前用户的静态身体状况信息，并将其发送至服务器2。服务器2获取到当前用户的静态身体状况信息后，对其进行存储。其中，静态身体状况信息包括体重、安静心率、静态血压和静态体温。
42.s210：获取当前用户的期望运动量。
43.具体的，智能移动终端3提供期望运动量选择项供当前用户填写，并将用户的填写结果反馈至服务器2，从而获得当前用户的期望运动量。在本实施例中，期望运动量选择项中包括以下选择：大运动量、中运动量和小运动量，当前用户可根据自身的实际需求进行选取。
44.s220：计算得到当前用户的人体最佳心率。
45.具体的，人体最佳心率的计算公式为：人体最佳心率=（最大心率
‑
安静心率
‑
年龄）
×
q 安静心率，单位为次/秒。其中，最大心率取值220次/秒，代表人体心率的极限值；安静心率由s200测得，q代表运动量，由服务器2根据s210中当前用户对期望运动量选择项的填写结果生成。举例来说，当期望运动量为大运动量时，对应的q的取值为80%，当期望运动量为中运动量时，对应的q的取值为60%，当期望运动量为小运动量时，对应的q的取值为40%。
46.s300：获取个人运动能耗判别模型 。
47.具体的，根据获取到的当前用户的个人健康档案和静态身体状况信息，从当前存储有的人体运动能耗判别模型库中选取对应于当前客户的个人运动能耗判别模型，其中，人体运动能耗判别模型库是由服务器2定期对运动报告数据库中存储的历史数据进行处理形成的，具体步骤参见s10
‑
s13。人体运动能耗判别模型库中包含有若干个人体运动能耗判别模型。
48.具体的，每个人体运动能耗判别模型均对应有多个特征标签。特征标签包括一级
特征标签和二级特征标签，一级特征标签包括：年龄标签、性别标签等，每个一级特征标签均对应有一个确定的取值。二级特征标签包括：静态体温标签、静态血压标签、静态心率标签、体质指数标签等，每个二级特征标签均对应有一个取值区间。其中，体质指数标签中体质指数的值由如下公式计算得出：体质指数=体重（kg）
÷
身高（m^2）。
49.选取时，识别当前用户的个人健康档案以及静态身体状况信息中每一项的值，并对所有人体运动能耗判别模型进行筛选。筛选时，按照预设的筛选顺序进行依次筛选。举例来说，若预设的筛选顺序为：年龄、性别、体质指数
…
，则筛选过程如下：首先，识别当前用户的年龄为a，筛选出所有年龄标签的值为a的人体运动能耗判别模型，形成第一筛选组；之后，识别当前用户的性别为b，对第一筛选组中的所有人体运动能耗判别模型进行筛选，筛选出其中所有性别标签的值为b的人体运动能耗判别模型，形成第二筛选组；之后，识别当前用户的体质指数c，对第二筛选组中的所有人体运动能耗判别模型进行筛选，筛选出所有体重指数标签的取值区间覆盖c的人体运动能耗判别模型；以此类推，直至筛选出唯一的人体运动能耗判别模型，并将其标记为对应于当前用户的个人运动能耗判别模型。
50.s400：获取实时动态运动状况信息。
51.在当前用户开始进行跑步后，获取当前用户的实时动态运动状况信息。具体的，实时动态运动状况信息包括当前用户的实时状态信息和当前运动总能耗，实时状态信息包括当前用户的实时血压、实时体温、实时心率、实时运动时长和实时跑步速度。其中，实时血压、实时体温和实时心率由佩戴在当前用户手腕上的智能手环实时获取，实时运动时长由当前跑步机自动识别，实时跑步速度由当前跑步机上的速度传感器测得。服务器2获取到由当前跑步机上传的实时状况信息后，通过以下公式计算得出当前运动总能耗：当前运动总能耗（kcal）=体重（kg）
×
运动时长（h）
×
k，其中，k=30
÷
平均跑步速度（min/400m），其中，平均跑步速度是指由服务器2计算得出的，当前用户在实时运动时长内的平均跑步速度。
52.s500：生成实时运动报告并进行数据对比。
53.具体的，服务器2根据获取到的当前用户的实时动态运动状况信息与对应的个人运动能耗判别模型，处理生成实时运动报告。其中，个人运动能耗判别模型中记录有通过机器学习的方式形成的理想血压、理想体温、理想心率、理想运动总能耗等各项数据各自与运动时长的映射关系。
54.服务器2获取到实时动态运动状况信息后，首先识别当前运动时长，并从个人运动能耗判别模型中提取出与当前运动时长对应的理想血压、理想体温、理想心率、理想运动总能耗的值；之后，将实时血压与理想血压进行对比，将实时体温和理想体温进行对比、将实时心率和理想心率进行对比，将理想运动总能耗和当前运动总能耗进行对比，从而生成实时运动报告，实时运动报告中记录有实时运动时长、实时跑步速度以及如下数据：实时血压、实时体温、实时心率、当前运动总能耗以及上述各项与对应的理想数据之间的差值。当任一实时数据大于对应的理想数据，且差值大于对应的预设的阈值时，则同时进入s510和s600，否则只进入s600。其中，以实时心率和理想心率为例，对应的预设的阈值为10次/秒，当理想心率为108次/秒，实时心率为120次/秒时，同时进入s510和s600。
55.s510：将当前用户的实时心率与人体最佳心率进行对比。
56.其中，人体最佳心率由s220计算生成，当实时心率大于人体最佳心率，且差值大于
10次/秒时，进入s520，否则进入s530。
57.s520：生成并反馈语音告警信号。
58.具体的，服务器2生成语音告警信号，并将其反馈至当前跑步机，该语音告警信号可以是：“您的心率过快，本次运动即将自动停止，请注意休息。”等。当前跑步机在接收到上述语音告警信号后，通过麦克风阵列进行语音播报，同时当前跑步机自动逐步减速，直至停止。
59.s530：生成并反馈语音提示信号。
60.具体的，当任一实时数据大于对应的理想数据时，则说明当前用户的运动强度存在过大的风险，此时，服务器2生成语音提示信号，该语音提示信号可以是
ꢀ“
您当前运动强度较大，建议减慢速度，科学锻炼。”等具有提示性的语句。将语音提示信号发送至当前跑步机，当前跑步机在接收到上述语音提示信号后，通过麦克风阵列进行语音播报，从而对当前用户进行提醒。
61.s600：将实时运动报告反馈至当前跑步机。
62.具体的，服务器2将实时运动报告反馈至当前跑步机，当前跑步机获取到上述实时运动报告后，将其进行可视化处理并显示在触屏显示屏上，从而方便当前用户进行查看和确认，进而能够跟据实际情况调整自身的跑步速度。同时，由于人员处于跑步状态时，手指操作按键不便，因此当前用户也可以通过语音发出指令的方式控制当前跑步机，当前跑步机的语音采集模块采集到当前用户发出的语音信息后，由aec模块107进行回声消除处理，语音处理模块108对采集到的语音信息进行识别，并将其转化成能够被当前跑步机的处理器模块110识别和处理的指令，从而使得当前跑步机做出对应的操作,例如：开始、加速、减速、停止等。
63.s700：在接收到运动停止信号后，生成并反馈最终运动报告。
64.具体的，服务器2在接收到有当前跑步机发出的运动停止信号后，生成最终运动报告，最终运动报告中记录有本次运动的运动总时长、运动总能耗、以及当前用户的实时心率、实时血压、实时体温等各项数据随时间的变化趋势图。其中，变化趋势函数由服务器2对各个实时数据分别处理生成，举例来说，以时间为横坐标系，实时心率为纵坐标系建立坐标系，将本次运动中获取到的所有实时心率的值按照其被获取到的时间放入坐标系中，从而生成实时心率随时间的变化趋势图。服务器2将最终运动报告反馈至当前用户的智能移动终端3，从而方便当前用户进行查看。
65.s800：将最终运动报告对应存储。
66.将最终运动报告对应当前用户存储到运动报告数据库中。
67.另一方面，本实施例中还包括生成人体运动能耗判别模型库的过程，参照图4，该过程具体包括：s10：在预设的时间节点提取所有最终运动报告。
68.其中，最终运动报告按照其所属的已注册用户存储在服务器2中的运动报告数据库中。服务器2按照预设的生成周期，在该生成周期的每个时间节点，提取该时间节点前的所有最终运动报告。
69.s11：对最终运动报告进行分组。
70.具体的，每个已注册用户均对应有个人健康档案（由s110生成）以及平均静态体征
标签，平均静态体征标签包括平均静态心率、平均静态血压、平均静态体温和平均体重，平均静态体征由服务器2对当前时间节点和相邻时间节点之间该已注册用户历次运动的静态体征进行平均计算后生成。
71.将已注册用户按照其个人健康档案中的性别、年龄和身高进行分组，同时，按照平均静态体征中标签的每个项目的数据进行进一步分组，使得同组的已注册用户具有相同的性别、年龄和身高，同时，同组的已注册用户的平均静态心率的值、平均静态血压的值和平均静态体温的值均位于相同的取值区间内。将同组的所有已注册用户的所有最终运动报告分到一个待处理数据组。
72.s12：进行机器学习处理，生成人体运动能耗判别模型。
73.具体的，对于每个待处理数据组，服务器2对其中的所有数据进行机器学习处理，从而建立对应于该待处理数据组的人体运动特征判别模型，每个人体运动特征判别模型中均记录有通过机器学习的方式形成的理想血压、理想体温、理想心率、理想运动总能耗等各项数据各自与运动时长的映射关系。根据每个待处理数据组所对应的性别、年龄和身高，为对应于该待处理数据组的人体运动特征判别模型分配如s300所述的一级特征标签。同理，根据每个待处理数据组所对应的各平均静态体征的取值区间，为对应于该待处理数据组的人体运动特征判别模型分配如s300所述的二级特征标签。
74.s13：生成人体运动能耗判别模型库。
75.具体的，将所有人体运动能耗判别模型统一存储为人体运动能耗判别模型库。
76.基于上述方法，本技术实施例还公开一种服务器，参照图1，服务器包括：接收模块21，用于接收跑步机终端1和智能移动终端3反馈的各项信息和信号；存储模块22，用于存储个人健康档案、人体运动能耗判别模型库、运动报告数据库等，用于存储各类计算或处理规则；处理模块23，用于进行新用户的注册；用于从存储模块22中调取对应的信息、数据；用于进行人体最佳心率、体质指数等各项数据的计算；用于进行筛选处理以选取出个人运动能耗判别模型，用于处理生成实时运动报告；用于进行数据对比处理并生成语音告警信号或语音提示信号；大数据处理模块24，用于进行机器学习处理，并生成人体运动能耗判别模型库；发送模块25，用于反馈实时运动报告、最终运动报告，用于发送语音提示信号、语音告警信号等各类信号。
77.本技术实施例还公开一种计算机可读存储介质，其存储有能够被处理器加载并执行如上述的基于云计算的跑步状态监测方法的计算机程序，该计算机可读存储介质例如包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
78.以上实施例仅用以说明本技术的技术方案，而非对申请的保护范围进行限制。显然，所描述的实施例仅仅是本技术部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术所要保护的范围。