一种健身指导方法及系统与流程

1.本发明涉及计算机技术领域，尤其涉及一种健身指导方法及系统。


背景技术：

2.在健身领域，监测心率是公认的了解衡量健身者锻炼水平的手段，现在一些可穿戴设备(例如智能手环、手表以及某些通过监控心率分析佩戴者的心律状况从而达到心律异常预警的专用可穿戴设备，跑步机等健身设备已经配备了检测心率的传感器设备，有常用的手握式、比较少用的耳夹式和胸带式)都可以监测心率，非常在健身场合使用，在不使用专业医疗设备的情况想初步了解人的身体状态，监测心率是有效而且普遍实用的方式。
3.由于上述原因，心率是最常用于衡量健身锻炼的强度效果的指标，通常以锻炼者过去一两周内锻炼期间的最大心率(mhr)作为上限基准，将健身强度效果划分为5个心率区间(zone，参见下面的图2)：
4.1)最大心率的50％
‑
60％为适度活动区(moderate activity)；
5.2)最大心率的60％
‑
70％为体重控制区(weight control)；
6.3)最大心率的70％
‑
80％为有氧区(aerobic)；
7.4)最大心率的80％
‑
90％为无氧区(anaerobic)；
8.5)最大心率的90％
‑
100％为最大摄氧区(vo2 max)
9.跑步机之类的健身设备的难度级别的定义通常由设备上一定的对应参数数据的来决定，例如跑步机的难度级别通常由跑步机的跑步皮带的速度、跑步机的跑步板的倾角(坡度)的不同值的组合来定义的，不同类型的设备可能定义的难度总级别数不大一样。
10.在健身过程中要达到科学健身目的，需要有合理依据地解决在什么时间点该调整健身设备的难度设置、某个难度设置该持续多长时间、该设置哪些级别的难度才能让健身者的心率在规定的时间内提升或者降低到健身方案设计预期的心率区间内并持续指定的时间以达到科学健身的目的、以及对不同身体体质的人是否可以在适当的时间点自动调整这些难度设置到合理的级别以实现符合个人身体情况进行个性化科学健身的目的等问题。例如下面图3中黑色方框区域是按健身方案计划在对应的时间段健身者心率应该达到的心率区域,曲线是健身者心率变化的全过程，每隔5秒进行一次心率值的监控采样，五角星为没到达到预定心率区的，圆点为达到预定心率区的，最理想的效果应该是通过某种方法计算预测各应时间段对应的健身设备应设置的强度级别以让锻炼者的心率达到对应的预定心率区。
11.在制定每次锻炼的具体健身方案方面，目前多数并没有从分析健身者的健身历史记录数据的角度去科学地发现规律并制定科学合理的健身方案，主要是有这么几类做法：
12.一、由健身教练或者健身者自己在指定的时间点按固定死板的常用但并非科学的也可能不符合个人实际身体状况的健身方案的建议人工调整设置健身设备的难度，这种千篇一律对所有人采用固定难度设置流程的办法很显然是缺乏科学依据的，健身效果可能因不同的人的身体体质差异很大而有很大不同，而且还需要人工在不同时间点去调整健身设
备的难度，没有实现自动化，更谈不上智能化。
13.二、依据常用的健身方案在健身设备上固定地设置健身过程中的序列难度的自动变化流程，这种方案只是实现了在某些时间点自动化调整设备难度，但是显然并没有解决有依据地设置难度级别和持续时间以符合科学健身目标和个性化健身等问题。
14.三、基于监测健身者的心率值和记录对应时间健身设备的难度级别，结合常用但并不一定科学、更没有考虑健身者的个人身体体质差异的流行健身方案，采用自行实现的经验主义式的心率和难度对应调整算法来根据健身者的当前心率值以及当前的时间点自动增减健身设备难度来实现提升或者降低健身者心率值，以期望达到科学合理健身的目标。这种方案显然相当于前两种有了很大进步，不仅实现了自动化调整，还考虑了心率随健身难度和时间变化，试图在某时间点根据当前的心率和健身难度级别计算出下一次该调整到的难度级别以让健身者心率提升或者降低到目标范围，这种方案很显然有了一定的先进性，但是他本质仍然一种经验主义式的闭环控制，因为它的调整算法仍就是人为设计的逻辑判断，而不是依据健身者自身的心率变化随难度变化的潜在规律，所以这种方案的实际效果虽然比前两种方案有了很大进步，但是多数时候仍然是不准确的，也就是说根据它的算法调整健身难度后健身的心率经常并没有提升或者降低到预期和理想的心率区间范围内，从而离科学健身这一目标还有距离，这也是委托我们做研发的国外某大型健身连锁企业面对的现实难题。
15.综上所述，目前的健身连锁企业给来店里健身的购买有专门教练指导服务的锻炼者制定每次使用跑步机之类的健身设备进行锻炼的方案时，要么没有依据一定的科学合理的规律指导健身者进行设备难度级别(或者说强度级别，intensity level)的设置和每个难度的锻炼时间的设定，更没有根据健身者个人不同身体体质情况制定个性化的健身强度与时间设置方案，要么虽然根据健身强度效果区间制定了健身方案也设计了一定的根据健身方案进行随时间自动调整健身设备的难度的算法，但是这些算法都是基于经验公式的人为设定的逻辑判断，并不是基于健身者本人身体体质和锻炼历史来设计的，从而在控制健身者健身过程中的心率变化的准确性上和健身设备的难度设置的严谨性上都离科学合理健身有较大差距。


技术实现要素：

16.为了解决上述技术问题，本发明提出一种健身指导方法及系统。本发明实现了让健身者按健身方案计划的不同时段来调整控制健身者的心率达到对应的预定心率区，获得良好的锻炼效果。
17.为了达到上述目的，本发明的技术方案如下：
18.一种健身指导方法，包括如下步骤：
19.获取健身历史日志记录数据；
20.对健身历史日志记录数据进行预处理，从处理后的数据中提取特征数据，建立样本集；
21.采用样本集对极限梯度提升决策树进行训练，构建健身指导模型；
22.将目标用户的待测信息导入健身指导模型中，输出目标用户对应的健身指导信息，所述健身指导信息为各时间段健身设备应设置的强度级别以让锻炼者的心率达到对应
的预定心率区的调整值。
23.优选地，所述预处理包括先进行缺失数据填充，以及过滤无效、极端和噪声数据；然后采用区间量化、归一化、box
‑
cox变换将原始数据转换成规范的正太分布的数据。
24.优选地，所述特征数据至少包括健身者编号、年龄、健身设备类型、每个心率连续上升或连续下降区间的初始难度、初始心率、时间、心率连续上升/下降对应时区的起始时间、心率连续上升/下降对应时区的结束时间、心率连续提升/下降区间的心率变化量、心率连续提升/下降区间的难度变化量、连续提升/下降区间内健身设备调整难度级别的次数。
25.优选地，还包括如下步骤：采用k
‑
折交叉法，验证健身指导模型的精确度。
26.优选地，所述健身指导模型的损失函数为：
[0027][0028]
其中表示样本i的损失函数，ω(f
t
)是正则化项，
[0029]
根据泰勒完全展开式
[0030][0031]
对f(x δx)在点x处的泰勒二阶展开式约为
[0032][0033]
根据上式，损失函数l的右边的第t棵树的模型f
t
(x
i
)对应为δx，则对应为x，损失函数l的右边做近似展开化简并增加常量后为：
[0034][0035]
其中i为单棵树的损失函数，f(x)是单棵树的拟合函数。
[0036]
优选地，构建单棵树时采用的节点分裂算法为贪婪法。
[0037]
优选地，包括如下步骤：将健身指导模型封装为推理引擎提供web服务。
[0038]
优选地，包括如下步骤：
[0039]
接收应用程序发送的基于http协议的远程调用推理引擎请求；
[0040]
获取请求中的心率数据信息和健身设备状态；
[0041]
将用户的心率数据信息和健身设备状态运用推理引擎进行推理，并返回推理后的健身指导信息。
[0042]
一种健身指导系统，包括处理器以及用于存储处理器可执行指令的存储器，和至少一个健身设备，其中，
[0043]
所述处理器执行所述指令时实现上述任意一项所述的方法；
[0044]
所述健身设备内设有嵌入式应用程序，通过应用程序提供日志记录数据并与服务器进行交互，并根据交互结果调整健身设备难度级别设置，每两次健身设备调整的间隔时间范围为30
‑
60秒，所述日志记录数据中包括健身者编号、年龄、健身设备类型、每个心率连续上升或连续下降区间的初始难度、初始心率、时间、心率连续上升/下降对应时区的起始时间、心率连续上升/下降对应时区的结束时间、心率连续提升/下降区间的心率变化量、心
率连续提升/下降区间的难度变化量、连续提升/下降区间内健身设备调整难度级别的次数。
[0045]
优选地，还包括客户端，所述客户端用于远程与处理器进行交互，获取历史健身记录、健身指导信息和企业推广信息等。
[0046]
基于上述技术方案，本发明的有益效果是：采用数据挖掘和分析的技术手段去挖掘和分析一万八千多健身者使用设备健身的历史记录数据，抽取和合成出重要特征数据，用来训练极限机器学习梯度提升决策树分类模型，发现了健身过程中的时间、健身者的心率变化、难度变化次数和健身设备的难度变化之间的规律。使用全部健身者的健身数据训练的模型可以用来引导第一次来健身连锁店里使用设备健身的客户进行符合大多数人规律的正确锻炼，对于本身健身记录数据以及达到了万条以上的健身客户，也可以针对其个人的健身数据做个性化挖掘和模型训练，使模型能引导使用设备健身的健身者进行符合自身情况的正确锻炼。本发明根据已提供的健身历史记录数据训练出来的模型的推理准确率可以达到91.2％，远超经验算法，参与试用测试的用户反馈良好。后面随着更多的健身历史记录数据，模型的精度还可以进一步提升。
[0047]
只要健身设备能无线联网并能提供心率和对应的锻炼难度级别数据，支持程序调用方式调整锻炼难度级别，就可以应用本发明实现自动引导健身者科学合理地健身。本发明既可以应用到任何一家能提供会员健身历史记录数据做针对性数据挖掘和模型训练的健身连锁企业的健身设备上，也可以将采用多数人的健身历史记录数据训练的模型作为一种符合大多数人的基本情况的通用智能引导模型嵌入到健身设备内部，健身设备需要具备运行模型和封装软件的嵌入式软硬件环境，既然是单机使用，不存在并发调用，预计在功耗低、cpu和内存等硬件资源不充裕的低端嵌入式主板也可以运行。
附图说明
[0048]
下面结合附图对本发明的具体实施方式作进一步详细的说明。
[0049]
图1是一个实施例中一种健身指导方法流程图；
[0050]
图2是一个实施例中健身强度效果划分为5个心率区间图；
[0051]
图3是对应的时间段健身者心率应该达到的心率区域图；
[0052]
图4是健身过程中心率与难度级别的对应关系图；
[0053]
图5是健身过程中时间分别与心率和难度级别的对应关系图a；
[0054]
图6是健身过程中时间分别与心率和难度级别的对应关系图b；
[0055]
图7是健身过程中时间分别与心率和难度级别的对应关系图c；
[0056]
图8是健身过程中时间分别与心率和难度级别的对应关系图d；
[0057]
图9是健身过程中时间分别与心率和难度级别的对应关系图e；
[0058]
图10是健身过程中时间分别与心率和难度级别的对应关系图f；
[0059]
图11是健身过程中时间分别与心率和难度级别的对应关系图g。
具体实施方式
[0060]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0061]
如图1所示，本发明提供一种健身指导方法，以收集的健身会员使用跑步机等健身设备进行健身的历史记录数据进行挖掘和分析，抽取出最佳的特征数据的组合用来训练机器学习中用来处理分类问题的梯度提升决策树模型，然后将已训练完且测试精确率比较高的模型封装成可使用http协议调用的web服务(以下称为web推理服务端)供部署在健身设备上的嵌入式软件系统(以下称客户端)远程调用，健身设备的上的客户端在健身过程中当每个心率区对应的时间段即将开始时将当前的时间(健身者每开始一次锻炼时的时间定位为0，时间单位为秒，假如健身用户一次锻炼30分钟，那么完成整个锻炼时的时间值即为1800)、当前的难度级别(以跑步机为例，每个难度级别对应一定的皮带速度和平板坡度)、健身方案计划的难度变化调整的次数、当前的心率值、根据健身方案计划中下一个心率区对应的时间段的起始时间和结束时间、下一个心率区的心率中值(5个心率区的值按难度递增依次为:1,2,3,4,5，为了方便处理，将没有开始健身时的平常心率值的范围定位0，不属于上述5个心率区)以http请求参数形式发送给web推理服务作为web服务端推理模型的输入数据，web服务收到请求数据后实时调用用于分类的极限梯度提升决策树模型进行推理获得需要调整到的难度级别的最终值返回给健身设备上的客户端，客户端收到模型推荐的难度级别值后，按健身计划规定的难度级别变化次数调整多次，每两次调整的时间间隔不要超过一定时长(时长范围是30
‑
60秒，这个数据是挖掘分析多个健身者的健身历史记录数据发现的规律，如果每两次调整难度的间隔时长超过60秒，心率极容易往预期方向的相反方向波动，这样的话，最终心率极易不能提升或者降低到预期的心率区，从而影响锻炼效果)，最后调整达到模型推荐的难度级别,以让健身者的心率被提升或降低到预期的心率区，这样就实现了按健身方案计划的不同时段来调整控制健身者的心率到健身方案预期的心率区，达到良好的锻炼效果。具体包括如下步骤：
[0062]
步骤101，获取健身历史日志记录数据。
[0063]
本实施例中，获取健身者使用的跑步机等健身设备锻炼的历史记录数据，跑步机等健身设备具有定期(例如每隔5秒)记录每个心率连续上升或连续下降区间的初始难度、初始心率、时间、心率连续上升/下降对应时区的起始时间、心率连续上升/下降对应时区的结束时间、心率连续提升/下降区间的心率变化量、心率连续提升/下降区间的难度变化量、连续提升/下降区间内健身设备调整难度级别的次数等，不涉及到健身者的姓名、联系方式等方面的隐私信息。
[0064]
步骤102，对健身历史日志记录数据进行预处理，从处理后的数据中提取特征数据，建立样本集。
[0065]
本实施例中，由于提供的健身历史记录数据都是日志形式，从健身日志中提取出表格型数据(tabular data)并进行缺失数据填充和过滤无效数据等处理，从中随机挑选一些健身用户的数据，使用基于数据分析工具包和可视化工具包编写的数据分析和展示程序将数据可视化并做详细观察去检查随着健身设备难度的随时间变化时心率的变化情况，发现一些需要过滤的极端数据的或者是噪声数据具有的特点从而增加针对性处理程序对数据进行再次过滤，然后采用区间量化、归一化、box
‑
cox变换将原始数据转换成规范的正太分布的数据，再使用相关性分析热力图之类工具分析数据项之间的相关性，并根据数据相关性分析和特征交互等特征筛选和提升方法和跟据本技术方案应用的实际需求确的初步的特征数据项和目标数据项，使用嵌入式方法(将特征选择作为模型训练过程的一部分，并
通过模型训练的结果精度来反馈特征的最佳组合选择)选择特征，尝试性选定特征值(feature)和标签值(label/target)作为训练机器学习模型的自变量(x)向量数据和因变量(y)向量数据(m可以看做是机器学习模型需要通过训练来拟合的复杂函数或者函数组合):y＝m(x)
[0066]
经过使用特征选择的嵌入式方法多次尝试特征数据项的最佳组合选择，确定最佳特征值组合为时间、心率连续提升或下降区间的心率变化量(即最终值减去初始值)、在此区间内健身设备调整难度级别的次数，标签值为在此区间内的难度级别的变化量(即最终值减去初始值)，作为模型训练和测试的数据。这里特征组合选择的主要依据除了后面训练模型进行比较外，另外就是从检查多个不同健身者的不同健身日志数据后发现的如下信息：
[0067]
1)、健身者在健身过程中的心率值和难度级别没有直接的线性相关性，而是处于多对多的无对应规律状态，如图4所示:
[0068]
2)、心率并不会简单地随健身设备的难度增加/减小而对应提升/下降，也不可能通过一次将难度从较小的级别增加到较大的级别就能将心率从较低的区间提升到较高的区间，假若总的难度级别为10级，不可能通过一次将难度级别从1提升到10来让健身者的心率从适度活动区提升到最大摄氧区，而是需要连续多次增加难度，每前后两次增加难度之间的时间间隔不超过30
‑
60秒，这样才能将心率逐步提升，连续减少难度级别让心率下降方面没有这么有规律，有较大的滞后反应，但是在时区后半部分大致会按类似规律连续下降，如图5、图6、图7所示：
[0069]
步骤103，采用样本集对极限梯度提升决策树进行训练，构建健身指导模型。
[0070]
本实施例中，由于极限梯度提升决策树拟合能力比较强大能处理分类问题，本发明按照一定次序组合使用了多个决策树分类器基模型，基模型之间彼此存在依赖关系，每一个后续基模型加入集成时，以已有的决策树分类模型为基础采用梯度下降降低已集成模型在训练数据集上的拟合误差(具体体现就是损失函数的输出值越来越小)，实现对现有已集成模型的综合准确率提升，从而不断地提升更新后的集成模型的准确率，该集成模型的最终预测结果是综合了多个分类器的预测结果，使得整体分类能力更强。
[0071]
关于极限梯度提升决策树模型的几个关键算法方面，核心的集成算法思想如下：
[0072][0073][0074][0075]
…
[0076][0077]
其中表示对第i个样本的第t次迭代，是第t次迭代后第i个样本的预测结果，f
t
(x
i
)是第t棵树预测的结果，是第t
‑
1棵树的预测结果，依此类推。
[0078]
集成模型最初从预测常量开始，每加入一个新的基模型(单棵决策树)时，添加一个新的拟合函数f
(x)
拟合之前预测的残差，模型训练到t轮时，作为基模型的决策树增加到
了t个，预测一个样本(特征向量形式)的分数，根据样本的特征向量的值，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个得分，将每棵树对应的得分按照一定的权重加起来就是该样本的预测值(目标值)。
[0079]
根据上述算法，得出集成模型的损失函数(loss function)为：
[0080][0081]
其中表示样本i的损失函数，ω(f
t
)是正则化项。
[0082]
根据泰勒完全展开式
[0083][0084]
对f(x δx)在点x处的泰勒二阶展开式约为
[0085][0086]
根据上式，损失函数l的右边的第t棵树的模型f
t
(x
i
)对应为δx，则对应为x，损失函数的右边做近似展开化简并增加常量后为：
[0087][0088]
其中i为单棵树的损失函数，f(x)是单棵树的拟合函数。
[0089]
构建(生长)单棵决策树时本方案采用的节点分裂算法为贪婪法：
[0090][0091]
上述算法中，i是节点样本集，d是特征维度，输出为最优分裂，g为增益，h为梯度，下标l表示左子节点，下标r表示右子节点，sorted(i，b
y x
jk
)表示对改节点包含的所有样本在特征k下的取值进行排序，表示选取增益最大值。算法中的两个for循环，遍历k＝1，2，...，m每个特征，对每个特征下所有样本的取值做排序并分裂，计算分裂后的增益，选择分裂后增益最大的特征，以此特征作为分裂点将树分裂。
[0092]
将历史日志记录数据转换的csv格式数据使用pandas工具包读入并按5折交叉验证法划分成5组等分数据，每次迭代选取其中一组作为验证测试数据，其他四组作为训练数据集用来训练极限梯度提升决策树模型，以让模型预测精确率最优化。模型的主要超参数设置方面，之前训练模型时实验超参数搜索法表明，学习率为0.1、树的最大深度不超过10、分裂节点的权重阈值为1，训练轮数不超过80时模型获得最优的精确率。另外，根据实际健
身设备的难度级别数设置分类数目，假若健身设备的难度只有10个级别，那么把类别数设置为19(因为模型预测输出的直接结果是难度级别的变化量，值的范围在
‑
9到9之间，但是类别不能是负数，所以类别为0
‑
18)。
[0093]
模型训练和测试完毕确认精度是在现有数据上表现最优的后，将模型导出为模型数据文件(内含多颗树的结构以及权重等数据)，部署到已部署好web服务和模型推理封装程序的服务器上的指定位置即可。
[0094]
步骤104，将目标用户的待测信息导入健身指导模型中，输出目标用户对应的健身指导信息，所述健身指导信息为各时间段健身设备应设置的强度级别以让锻炼者的心率达到对应的预定心率区的调整值。
[0095]
本实施例中，健身设备内的嵌入式应用程序符合使用http协议与推理web服务交互的规范，根据预先设定健身过程中时间段和对应每个时间段内的预期心率区后，将目标用户的待测信息导入健身指导模型中，输出健身设备应设置的强度级别以让锻炼者的心率达到各时间段对应的预定心率区的调整值。
[0096]
在一个实施例中，所述预处理包括缺失数据填充和过滤无效数据。
[0097]
本实施例中，将日志数据中有用的数据解析出来，并使用程序进行填充、过滤等清洗处理后转换成csv格式数据，这里过滤数据的原则是：
[0098]
1)将由于检测心率的传感器不准确或者健身者没有正确佩戴，造成的心率(hr)和难度级别(intensity level)的变化方向不一致的数据，视为无效数据需要过滤掉，如图8所示：难度级别在发生变化后维持新的级别值不到30秒又再次发生变化的。这段时间内的难度级别变化对心率没有影响，需要过滤掉，如图9所示：
[0099]
2)将难度级别长时间保持不变时，心率会上下波动没有一定的维持上升或下降的趋势的数据过滤掉，对我们研究增加/减小难度级别与提升/降低心率的关系不但没有帮助反而增加了无效数据，如图10所示；
[0100]
3)将对健身方案里心率区的值超出范围[1
‑
5]的视为无效数据，需过滤掉，如下所示:
[0101][0102]
清洗后的时间与对应难度级别和心率变化趋势如图11所示，从经过清洗的数据中
抽取特征和目标数据并保存为csv格式数据:
[0103]
features＝(start_time,end_time,delta_hr,scale_times)
[0104]
target＝(delta_intensity)
[0105]
这里:
[0106]
start_time为心率连续上升/下降对应时区的起始时间,
[0107]
end_time为心率连续上升/下降对应时区的结束时间，
[0108]
delta_hr为心率连续提升/下降区间的心率变化量(即最终值减去初始值)，
[0109]
delta_intensity为心率连续提升/下降区间的难度变化量(即最终值减去初始值)，
[0110]
scale_times为在此区间内健身设备调整难度级别的次数。
[0111]
具体数据示例如下表所示:
[0112][0113]
在一个实施例中，包括如下步骤：将健身指导模型封装为推理引擎提供web服务。
[0114]
本实施例中，对模型进行训练并测试验证得到最好的精确率后，将模型数据(包含了全部决策树的组成结构，树上的各分叉阈值和权重参数)导出成模型数据文件保存，开发一个封装模型的推理引擎，并使用开发实现一个支持并发访问的web服务，web服务在启动时加载模型数据文件到推理引擎，每当接收到来自部署在跑步机等健身设备上的客户端软件的http请求调用后，解析出调用模型的输入数据(根据健身方案计划中下一个心率区对应的时间段的起始时间和结束时间、健身设备的当前难度级别、健身方案计划的难度变化调整的次数、当前的心率值、需要提升/降低到的目标心率值(即目标心率区心率的中值))并用以调用模型推理引擎获得需要调整到的难度级别的最终值以http响应数据形式返回给健身设备上的客户端，客户端收到模型推荐的难度级别值后，按健身计划规定的难度级别变化次数每隔30秒调整难度一次，这样连续调整健身方案计划的次数，最后调整达到模型推荐的难度级别。
[0115]
在一个实施例中，包括如下步骤：接收应用程序发送的基于http协议的远程调用推理引擎请求；获取请求中的心率数据信息和健身设备状态；将用户的心率数据信息和健身设备状态运用推理引擎进行推理，并返回推理后的健身指导信息。
[0116]
在一个实施例中，提供一种健身指导系统，记录健身日志数据的数据库服务器和部署有提供推理服务调用的web服务和运行健身指导模型的环境的推理服务器，也可以数
据库和推理服务器共用一台服务器，以节约成本。推理服务器包括处理器以及用于存储处理器可执行指令的存储器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得该处理器执行计算机程序时实现以下步骤：获取健身历史日志记录数据；对健身历史日志记录数据进行预处理，从处理后的数据中提取特征数据，建立样本集；采用样本集对极限梯度提升决策树进行训练，构建健身指导模型；将目标用户的待测信息导入健身指导模型中，输出目标用户对应的健身指导信息，所述健身指导信息为根据预先设定健身过程中时间段和对应每个时间段内的预期心率区后，健身设备应设置的强度级别以让锻炼者的心率达到各时间段对应的预定心率区的调整值。
[0117]
健身设备内设有嵌入式应用程序，具有使用无线网联网功能，在用户健身时定期(例如每隔5秒)将此数据以http请求调用的形式发送给部署在服务器上日志服务以记录健身用户的锻炼历史数据，后面继续供训练提升模型精度和测试模型使用。另外，当心率区需要变化前，健身设备上的应用程序将模型的前一小节中提到的输入数据以http请求调用的形式发给web推理服务，并根据返回的web推理服务调用模型推理引擎获得的推荐难度级别自动调整设备难度，每两次健身设备调整的间隔时间范围为30
‑
60秒。日志服务中的日志记录数据包括健身者编号、健身设备类型、每个心率连续上升或连续下降区间的初始难度、初始心率、时间、心率连续上升/下降对应时区的起始时间、心率连续上升/下降对应时区的结束时间、心率连续提升/下降区间的心率变化量、心率连续提升/下降区间的难度变化量、连续提升/下降区间内健身设备调整难度级别的次数。
[0118]
在一个实施例中，也可以将采用多数人的健身历史记录数据训练的模型作为一种符合大多数人的基本情况的通用健身指导模型嵌入到健身设备内部，健身设备需要具备运行模型和封装软件的嵌入式软硬件环境，因为是单机使用，不存在并发调用，预计在功耗低、cpu和内存等硬件资源不充裕的低端嵌入式主板也可以运行。
[0119]
在一个实施例中，还包括客户端，客户端用于远程与服务器进行交互，获取历史健身记录、健身指导信息和企业推广信息等，该客户端具体可以为个人计算机、pad、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0120]
以上所述仅为本发明所公开的一种健身指导方法及系统的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。
[0121]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0122]
本说明书实施例中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。