个人运动智能PAI指数的检测方法、装置、设备和介质与流程

个人运动智能pai指数的检测方法、装置、设备和介质
技术领域
1.本技术涉及终端技术领域，尤其涉及一种个人运动智能pai指数的检测方法、装置、设备和介质。


背景技术：

2.随着人们生活水平和健康意识的不断提高，越来越多的人们通过运动来锻炼自身的体力和耐力。并且，随着智能手机、智能手环等智能终端的兴起和广泛使用，越来越多的人们在运动时，选择携带具有定位、导航等功能的终端，作为辅助设备，以进行高质量的运动。
3.相关技术中，智能终端可以对用户进行运动效能评估，例如，智能终端可以记录用户每天行走的步数，根据当天行走的步数评估运动效能，或者，可以记录用户的心率，根据心率数据计算运动分数，根据运动分数评估运动效能。其中，常用的运动分数指标可以为个人运动智能(personal activity intelligence，简称pai)指数，在公开号为cn107077523a的发明专利中，已经存在pai的概念，pai是指个人活动指数。
4.然而，步数无法表征运动强度，比如步行6000步和跑步6000步的运动效果是有差别的，因此，上述根据步数评估运动效能的方式，准确率较低，并且，很多用户为了节省智能终端的功耗，并不会开启心率监测功能，在没有心率数据的情况下，无法计算pai值，从而无法评估运动效能。


技术实现要素：

5.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
6.本技术在于提出一种个人运动智能pai指数的检测方法、装置、设备和介质，以实现即使目标用户对象未开启心率监测功能，也能实现对pai指数进行预测，提升该方法的适应性。
7.本技术第一方面实施例提出了一种个人运动智能pai指数的检测方法，包括：
8.查询用户集合中的目标用户对象的心率监测记录；
9.若未查询到所述心率监测记录，则从所述用户集合划分出的多个类簇中，确定所述目标用户对象所属的目标类簇；
10.获取所述目标类簇对应的第一神经网络模型；其中，所述第一神经网络模型，已学习得到所述目标类簇中具有所述心率监测记录的参考用户对象的属性特征和运动数据，与采用所述心率监测记录确定出的个人运动智能指数之间的映射关系；
11.将所述目标用户对象的属性特征和所述目标用户对象本次运动过程的运动数据输入所述第一神经网络模型，以获得所述第一神经网络模型输出的所述目标用户对象本次运动过程的个人运动智能指数。
12.本技术实施例的个人运动智能pai指数的检测方法，通过查询用户集合中的目标用户对象的心率监测记录；若未查询到心率监测记录，则从用户集合划分出的多个类簇中，
确定目标用户对象所属的目标类簇，并获取目标类簇对应的第一神经网络模型；其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系，最后，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。由此，即使目标用户对象未开启心率监测功能，也能实现对pai指数进行预测，提升该方法的适应性。并且，采用经过训练的第一神经网络模型，对目标用户对象进行pai指数预测，根据预测的pai指数进行运动效能评估的方式，相对于现有的使用步数评估运动效能的方式，可以提升评估结果的准确性和可靠性。
13.本技术第二方面实施例提出了一种个人运动智能pai指数的检测装置，包括：
14.查询模块，用于查询用户集合中的目标用户对象的心率监测记录；
15.确定模块，用于若未查询到所述心率监测记录，则从所述用户集合划分出的多个类簇中，确定所述目标用户对象所属的目标类簇；
16.第一获取模块，用于获取所述目标类簇对应的第一神经网络模型；其中，所述第一神经网络模型，已学习得到所述目标类簇中具有所述心率监测记录的参考用户对象的属性特征和运动数据，与采用所述心率监测记录确定出的个人运动智能指数之间的映射关系；
17.处理模块，用于将所述目标用户对象的属性特征和所述目标用户对象本次运动过程的运动数据输入所述第一神经网络模型，以获得所述第一神经网络模型输出的所述目标用户对象本次运动过程的个人运动智能指数。
18.本技术实施例的个人运动智能pai指数的检测装置，通过查询用户集合中的目标用户对象的心率监测记录；若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇，并获取目标类簇对应的第一神经网络模型；其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系，最后，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。由此，即使目标用户对象未开启心率监测功能，也能实现对pai指数进行预测，提升该方法的适应性。并且，采用经过训练的第一神经网络模型，对目标用户对象进行pai指数预测，根据预测的pai指数进行运动效能评估的方式，相对于现有的使用步数评估运动效能的方式，可以提升评估结果的准确性和可靠性。
19.本技术第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本技术第一方面实施例提出的个人运动智能pai指数的检测方法。
20.本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术第一方面实施例提出的个人运动智能pai指数的检测方法。
21.本技术第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如本技术第一方面实施例提出的个人运动智能pai指数的检测方法。
22.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
23.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
24.图1为本技术实施例一所提供的个人运动智能pai指数的检测方法的流程示意图；
25.图2为本技术实施例二所提供的个人运动智能pai指数的检测方法的流程示意图；
26.图3为本技术实施例三所提供的个人运动智能pai指数的检测方法的流程示意图；
27.图4为本技术实施例四所提供的个人运动智能pai指数的检测方法的流程示意图；
28.图5为本技术实施例五所提供的个人运动智能pai指数的检测方法的流程示意图；
29.图6为本技术实施例中pai指数的预测误差示意图；
30.图7为本技术实施例六所提供的个人运动智能pai指数的检测装置的结构示意图；
31.图8为本技术实施例七所提供的个人运动智能pai指数的检测装置的结构示意图；
32.图9示出了适于用来实现本技术实施方式的示例性电子设备的框图。
具体实施方式
33.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
34.下面参考附图描述本技术实施例的个人运动智能pai指数的检测方法、装置、设备和介质。
35.图1为本技术实施例一所提供的个人运动智能pai指数的检测方法的流程示意图。
36.本技术实施例以该个人运动智能pai指数的检测方法被配置于个人运动智能pai指数的检测装置中来举例说明，该个人运动智能pai指数的检测装置可以应用于任一电子设备中，以使该电子设备可以执行个人运动智能pai指数的检测功能，或者，为了降低电子设备的资源消耗，该个人运动智能pai指数的检测装置还可以应用于与电子设备联网的服务器中，由服务器执行个人运动智能pai指数的检测功能，从而服务器可以将个人运动智能指数pai的检测结果发送给电子设备，或电子设备可以从服务器获取个人运动智能pai指数的检测结果，本技术对此并不做限制。
37.其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(personal computer，简称pc)、移动终端等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
38.如图1所示，该个人运动智能pai指数的检测方法可以包括以下步骤：
39.步骤101，查询用户集合中的目标用户对象的心率监测记录。
40.本技术实施例中，用户集合可以包括所有用户对象，其中，可以将该用户集合中的用户对象划分为三类，第一类为一直开启心率监测功能的用户对象，即该类用户对象始终具有心率监测记录，此时，服务器中保存有该类用户对象每次运动过程的心率监测记录，即服务器中保存的心率监测记录为连续的，第二类为从未开启心率监测功能的用户对象，即
该类用户对象未具有心率监测记录，此时，服务器中未保存有该类用户对象的心率监测记录，第三类为阶段性开启心率监测功能的用户对象，比如只在工作日期限开启电子设备的心率监测功能，此时，服务器中保存的心率监测记录为非连续的。
41.本技术实施例中，目标用户对象可以为当前使用电子设备的对象，比如，以电子设备为穿戴式设备进行示例，目标用户对象可以为当前使用穿戴式设备的用户对象。
42.本技术实施例中，服务器中可以保存有各用户对象与心率监测记录之间的对应关系，比如，服务器可以将各用户对象的标识与心率监测记录进行对应存储。
43.在本技术实施例的一种可能的实现方式中，当该个人运动智能指数的检测装置应用于服务器时，服务器可以根据目标用户对象的标识信息，查询上述对应关系，确定该目标用户对象是否具有对应的心率监测记录。
44.在本技术实施例的另一种可能的实现方式中，当该个人运动智能指数的检测装置应用于电子设备时，电子设备可以根据目标用户对象的标识信息，查询服务器，获取对应的心率监测记录。例如，电子设备可以向服务器发送心率监测记录查询请求，该查询请求中携带目标用户对象的标识信息，相应的，服务器在接收到该查询请求后，可以根据查询请求中的目标用户对象的标识信息，从存储的数据中，判断是否查询到该目标用户对象的标识信息对应的心率监测记录，并将查询结果返回给电子设备，其中，查询结果可以包括是否查询到目标用户对象的标识信息对应的心率监测记录的指示信息。
45.步骤102，若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇。
46.本技术实施例中，当未查询到目标用户对象对应的心率监测记录时，即该目标用户对象为用户集合中的第二类用户对象，此时，可以从用户集合划分出的多个类簇中，确定目标用户对象的目标类簇。
47.可以理解的是，不同用户对象之间的运动习惯差异较大，为了提升后续预测结果的准确性，可以将具有类似运动习惯的用户对象进行聚类，划分为同一类簇，即，可以对用户集合中的用户对象进行聚类，得到多个类簇，其中，属于同一类簇的各用户对象的运动习惯相似。
48.作为本技术实施例的一种可能的实现方式，为了提升后续预测结果的准确性以及缩短聚类周期，可以仅对用户集合中的第一类用户对象和第三类用户对象进行聚类，得到多个类簇，也就是说，各类簇中的所有用户对象，均具有对应的心率监测记录。
49.具体地，可以获取用户集合中的第一类用户对象和第三类用户对象的用户信息，其中，用户信息包括年龄、性别、身高、体重、体重指数(body mass index，简称bmi)或各运动类型的平均活动时长中的至少一个，根据用户集合中的第一类用户对象和第三类用户对象的用户信息，对上述第一类用户对象和第三类用户对象采用聚类算法进行聚类，以得到多个类簇。
50.例如，可以根据基于密度的聚类算法(density-based spatial clustering of applications with noise，简称dbscan)、平衡迭代削减聚类算法(balanced iterative reducing and clustering using hierarchies，简称birch)、层次聚类算法(clustering using representatives，简称cure)等聚类算法，对用户集合中的第一类用户对象和第三类用户对象进行聚类，得到多个类簇，本技术对此并不做限制。
51.作为一种示例，以聚类算法为dbscan算法进行示例，该dbscan算法可以适用于凸样本集和非凸样本集，并且无需人工设定类簇的个数，可以提升该检测方法的适用性。其中，假设用户集合中第一类用户对象和第三类用户对象的总个数为n个，上述n个第一类用户对象和第三类用户对象组成的样本集为d＝(x1，x2，
…
，xn)，每个样本的特征可以包括年龄、性别、身高、体重、体重指数、每种运动类型的平均活动时长中的一个或多个组合。参数(r，m)用于描述样本之间的紧密程度，r表示样本邻域距离，m表示样本邻域中包含的样本个数，dbscan算法对于密度的定义如下：
52.邻域集合：对于任意的xi∈d，其邻域集合dr(xi)＝{xj∈d|distance(xi,xj)≤r}；核心样本：对于任意的xi∈d，如果其邻域集合至少包含m个样本，则称其为核心样本；密度直达：如果xj属于xi的邻域集合，并且xi是核心样本，则称xj由xi密度直达；密度可达：如果存在样本序列x
t
，x
t 1
，
…
，x
t t
，并且x
t i 1
由x
t i
密度直达，则称x
t t
由x
t
密度可达；密度相连：存在核心样本xi，并且，xj和xk均由xi密度可达，则称xj和xk密度相连。
53.在利用dbscan算法对第一类用户对象和第三类用户对象进行聚类时，可以从d中选择任意一个没有类别的核心样本作为种子样本，确定该种子样本的密度可达样本，则该种子样本的密度可达样本集合即为一个聚类类簇，重复以上过程直到d中的所有核心样本均有类别，即可得到多个类簇。
54.本技术实施例中，可以根据目标用户对象的用户信息，从多个类簇中确定目标用户对象所属的目标类簇。其中，用户信息包括年龄、性别、身高、体重、体重指数或各运动类型的平均活动时长中的至少一个。例如，可以将目标用户对象的用户信息，分别与各个类簇中的用户对象的用户信息进行相似度计算，将相似度最大的用户对象所在的类簇，作为目标类簇。
55.作为本技术实施例的另一种可能的实现方式，还可以对用户集合中的所有用户对象进行聚类，得到多个类簇，之后，将目标用户对象所属的类簇，作为目标类簇。
56.具体地，可以获取用户集合中各用户对象的用户信息，根据用户集合中各用户对象的用户信息，对用户集合采用聚类算法进行聚类，以得到多个类簇，之后，将目标用户对象所属的类簇，作为目标类簇。
57.在本技术实施例的一种可能的实现方式中，当个人运动智能指数的检测装置应用于服务器时，服务器可以直接对用户集合进行划分，得到多个类簇，并确定目标用户对象所属的目标类簇。
58.作为一种示例，当仅对用户集合中的第一类用户对象和第三类用户对象进行聚类时，服务器可以根据存储数据中的第一类用户对象和第三类用户对象的用户信息进行聚类，得到多个类簇，并将电子设备发送的目标用户对象的用户信息，分别与各个类簇中的用户对象的用户信息进行相似度计算，将相似度最大的用户对象所在的类簇，作为目标类簇。
59.作为另一种示例，当对用户集合中所有用户对象进行聚类时，服务器可以根据存储数据中的所有用户对象的用户信息进行聚类，得到多个类簇，并将目标用户对象所在的类簇，作为目标类簇。
60.在本技术实施例的另一种可能的实现方式中，当个人运动智能指数的检测装置应用于电子设备时，电子设备可以从服务器侧获取用户集合，以及用户集合中各用户对象的用户信息，从而电子设备可以对用户集合进行划分，得到多个类簇，并确定目标用户对象所
属的目标类簇。
61.作为一种示例，当仅对用户集合中的第一类用户对象和第三类用户对象进行聚类时，电子设备可以根据从服务器侧获取的数据中的第一类用户对象和第三类用户对象的用户信息进行聚类，得到多个类簇，并将目标用户对象的用户信息，分别与各个类簇中的用户对象的用户信息进行相似度计算，将相似度最大的用户对象所在的类簇，作为目标类簇。
62.作为另一种示例，当对用户集合中所有用户对象进行聚类时，电子设备可以根据从服务器侧获取的数据中的所有用户对象的用户信息进行聚类，得到多个类簇，并将目标用户对象所在的类簇，作为目标类簇。
63.步骤103，获取目标类簇对应的第一神经网络模型；其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系。
64.本技术实施例中，将目标类簇中具有心率监测记录的各个用户对象称为参考用户对象，上述参考用户对象可以为用户集合中的第一类用户对象和/或第三类用户对象。
65.本技术实施例中，属性特征可以包括年龄、性别、身高、体重或bmi中的至少一个。
66.本技术实施例中，运动数据可以包括运动种类、运动类型、每种运动类型的运动时长或活动时长、每种运动类型消耗的热量(卡路里)、每种运动类型的活动量等运动数据。各参考用户对象的运动数据是与参考用户对象的心率监测记录同步监测到的。
67.其中，各参考用户对象的运动数据是各参考用户对象所使用的电子设备测量得到的，比如，当电子设备为穿戴式设备时，当各参考用户对象在运动过程中，可以通过各参考用户对象携带的穿戴式设备内置的运动传感器采集并记录运动数据。
68.本技术实施例中，目标类簇对应的第一神经网络模型为经过训练后的神经网络模型，该第一神经网络模型已学习得到目标类簇中，具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能(pai)指数之间的映射关系。
69.作为一种可能的实现方式，为了降低电子设备的资源占用，第一神经网络模型可以在服务器侧进行训练。
70.在本技术实施例的一种可能的实现方式中，当个人运动智能指数的检测装置应用于服务器时，服务器可以直接获取已训练的第一神经网络模型，以根据该第一神经网络模型对目标用户对象进行pai指数的预测。
71.在本技术实施例的另一种可能的实现方式中，当个人运动智能指数的检测装置应用于电子设备时，电子设备可以从服务器侧获取已训练的第一神经网络模型，以根据该第一神经网络模型对目标用户对象进行pai指数的预测。
72.步骤104，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
73.本技术实施例中，当目标用户对象未具有心率监测记录时，可以将目标用户对象的属性特征和目标用户对象的本次运动过程的运动数据，输入至第一神经网络模型，由第一神经网络模型预测得到目标用户对象本次运动过程的pai指数，从而可以根据pai指数，评估目标用户对象的运动效能。由此，即使目标用户对象未开启心率监测功能，也能实现对
pai指数进行预测，提升该方法的适应性。并且，采用经过训练的第一神经网络模型，对目标用户对象进行pai指数预测，根据预测的pai指数进行运动效能评估的方式，相对于现有的使用步数评估运动效能的方式，可以提升评估结果的准确性和可靠性。
74.本技术实施例的个人运动智能pai指数的检测方法，通过查询用户集合中的目标用户对象的心率监测记录；若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇，并获取目标类簇对应的第一神经网络模型；其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系，最后，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。由此，即使目标用户对象未开启心率监测功能，也能实现对pai指数进行预测，提升该方法的适应性。并且，采用经过训练的第一神经网络模型，对目标用户对象进行pai指数预测，根据预测的pai指数进行运动效能评估的方式，相对于现有的使用步数评估运动效能的方式，可以提升评估结果的准确性和可靠性。
75.在本技术实施例的一种可能的实现方式中，在模型训练之前，可以利用参考用户对象的心率监测记录，计算参考用户对象的pai指数，采用参考用户对象的属性特征和参考用户对象的运动数据生成训练样本，利用参考用户对象的pai指数对训练样本进行标注，并利用标注后的训练样本，对模型进行训练，得到第一神经网络模型。
76.下面结合实施二，对上述过程进行详细说明。
77.图2为本技术实施例二所提供的个人运动智能pai指数的检测方法的流程示意图。
78.如图2所示，该个人运动智能pai指数的检测方法可以包括以下步骤：
79.步骤201，查询用户集合中的目标用户对象的心率监测记录。
80.步骤202，若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇。
81.步骤201至202的执行过程可以参见上述实施例中步骤101至102的执行过程，在此不做赘述。
82.步骤203，根据参考用户对象的心率监测记录确定参考用户对象的个人运动智能指数，并查询与参考用户对象的心率监测记录同步监测到的参考用户对象的运动数据。
83.本技术实施例中，运动数据可以包括运动种类、运动类型、每种运动类型的运动时长或活动时长、每种运动类型消耗的热量(卡路里)、每种运动类型的活动量等运动数据。各参考用户对象的运动数据是与参考用户对象的心率监测记录同步监测到的。
84.本技术实施例中，参考用户对象具有心率监测记录，可根据心率监测记录，直接计算参考用户对象的pai指数，例如，可以根据下述公式计算pai指数：
[0085][0086]
其中，p表示根据心率确定的活动评分，可以根据公式(2)确定：
[0087][0088]
其中，积分时间t可根据pai指数的计算周期确定，当计算天级的pai指数时，t可以
为24*60＝1440，若计算周级的pai指数，则可以将前7天的pai指数进行累加，得到周级的pai指数，z(t)表示根据心率确定的强度评分，可由公式(3)确定：
[0089][0090]
其中，表示根据心率值转化得到的强度值函数，可由公式(4)确定：
[0091][0092]
其中，y(t)表示参考用户对象的分钟级心率，δy＝y
最大-y
静息
，y
静息
表示记录的参考用户对象的心率静息，y
最大
表示参考用户对象的最大心率，即δy表示记录的参考用户对象的心率静息和最大心率之间的差值，{ci|i＝1,2,3,4}以及v
阈值
是一组和参考用户对象性别关联的经验系数。
[0093]
本技术实施例中，服务器中可以保存有各用户对象，与心率监测记录和运动数据之间的对应关系，比如，服务器可以将各用户对象的标识，和心率监测记录以及与心率监测记录同步监测到的运动数据进行对应存储。
[0094]
在本技术实施例的一种可能的实现方式中，当该个人运动智能指数的检测装置应用于服务器时，服务器可以根据各参考用户对象的标识，查询上述对应关系，确定各参考用户对象的心率监测记录，并根据各参考用户对象的心率监测记录，计算各参考用户对象的pai指数，同时，还可以根据各参考用户对象的心率监测记录，查询上述对应关系，确定与各参考用户对象的心率监测记录同步监测到的各参考用户对象的运动数据。
[0095]
在本技术实施例的另一种可能的实现方式中，当该个人运动智能指数的检测装置应用于电子设备时，电子设备可以从服务器侧获取各用户对象，和心率监测记录以及与心率监测记录同步监测到的运动数据之间的对应关系，从而电子设备可以根据各参考用户对象的标识，查询上述对应关系，确定各参考用户对象的心率监测记录，并根据各参考用户对象的心率监测记录，计算各参考用户对象的pai指数，同时，还可以根据各参考用户对象的心率监测记录，查询上述对应关系，确定与各参考用户对象的心率监测记录同步监测到的各参考用户对象的运动数据。
[0096]
步骤204，根据参考用户对象的属性特征和参考用户对象的运动数据生成第一训练样本，并采用参考用户对象的个人运动智能指数标注第一训练样本。
[0097]
本技术实施例中，属性特征可以包括年龄、性别、身高、体重、bmi中的至少一个。
[0098]
本技术实施例中，可以根据各参考用户对象的属性特征和运动数据，生成第一训练样本，并采用相应参考用户对象的pai指数标注第一训练样本。
[0099]
步骤205，采用经过标注的第一训练样本，对初始神经网络模型进行训练，以得到第一神经网络模型。
[0100]
本技术实施例中，在训练时，初始神经网络模型(deep neural networks，简称dnn)的输入和输出可以如下述公式(5)所示：
[0101]
pai＝dnn(basic_info，stp，dis，{ti，cali，activei，i＝1,2，
…
，k})；(5)
[0102]
其中，表示第一训练样本的属性特征，stp表示步数，dis表示距离，k表示运动种类，ti表示第i种运动类型的活动时长，cali表示第i种运动类型消耗的热量(卡路里)，activei表示第i种运动类型的活动量。
[0103]
本技术实施例中，可以采用经过标注的第一训练样本，对初始神经网络模型进行训练，使得第一神经网络模型，学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系。
[0104]
步骤206，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0105]
本技术中，当目标用户对象所属的类簇不同时，针对每一目标用户对象所属的类簇，均可以训练对应的第一神经网络模型，以利用该第一神经网络模型，拟合目标用户对象本次运动过程的pai指数。
[0106]
步骤206的执行过程可以参见上述实施例中步骤104的执行过程，在此不做赘述。
[0107]
在本技术实施例的一种可能的实现方式中，为了避免属性特征和运动数据的取值不同带来的识别干扰，本技术中，可以将第一训练样本中的属性特征和运动数据进行标准化后，输入初始神经网络模型，并使用均方误差(mean squared error，简称msn)作为神经网络的损失函数，在训练阶段，可以采用采用自适应矩估计算法(adaptive moment estimation algorithm，简称adam)进行参数优化，以得到第一神经网络模型。
[0108]
下面结合实施三，对上述过程进行详细说明。
[0109]
图3为本技术实施例三所提供的个人运动智能pai指数的检测方法的流程示意图。
[0110]
如图3所示，该个人运动智能pai指数的检测方法可以包括以下步骤：
[0111]
步骤301，查询用户集合中的目标用户对象的心率监测记录。
[0112]
步骤302，若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇。
[0113]
步骤301至302的执行过程可以参见上述实施例中步骤101至102的执行过程，在此不做赘述。
[0114]
步骤303，根据参考用户对象的心率监测记录确定参考用户对象的个人运动智能指数，并查询与参考用户对象的心率监测记录同步监测到的参考用户对象的运动数据。
[0115]
步骤304，根据参考用户对象的属性特征和参考用户对象的运动数据生成第一训练样本，并采用参考用户对象的个人运动智能指数标注第一训练样本。
[0116]
步骤303至304的执行过程可以参见上述实施例中步骤203至204的执行过程，在此不做赘述。
[0117]
步骤305，将第一训练样本中的属性特征和运动数据进行第一标准化过程后，输入初始神经网络模型。
[0118]
需要说明的是，各属性特征的取值范围可能不同，并且，各运动数据的取值范围也可能不同，为了避免属性特征和运动数据的取值不同带来的识别干扰，本技术中，可以将第一训练样本中的属性特征和运动数据进行第一标准化过程后，输入初始神经网络模型。由此，可以避免神经网络在训练过程中受到特征取值范围的影响，从而提升后续模型识别结果的准确性。
[0119]
作为一种示例，针对属性特征和运动数据中的每个输入特征值x，进行第一标准化过程后的输入特征值可以为：(x-u)/s，其中，u表示所有输入特征值的均值，s是所有输入特征值的标准差。
[0120]
步骤306，根据第一训练样本标注的个人运动智能指数，与初始神经网络模型的输出之间的差异，确定均方误差损失函数的取值。
[0121]
本技术实施例中，均方误差(msn)损失函数的取值可以根据下述公式(6)计算得到：
[0122][0123]
其中，表示初始神经网络模型的输出的pai值，即初始神经网络模型的预测结果，paii表示第一训练样本标注的pai值，n表示第一训练样本的个数。
[0124]
步骤307，根据均方误差损失函数的取值，采用自适应矩估计算法，对初始神经网络模型进行参数调整，以得到第一神经网络模型。
[0125]
其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系。
[0126]
本技术实施例中，在初始神经网络模型的训练阶段，可以根据均方误差损失函数的取值，采用自适应矩估计算法(adam)，对初始神经网络模型进行参数调整，以得到第一神经网络模型。其中，adam相比于随机梯度下降算法的优势是可以自适应地调整参数学习率。
[0127]
adam算法可以计算得到初始神经网络模型的参数的梯度g
t
，在计算得到梯度g
t
后，可以计算梯度的指数加权平均和梯度平方的指数加权平均则参数w的更新公式可以如下述公式(7)所示：
[0128][0129]
其中，可以通过下述公式(8)计算得到：
[0130][0131]
可以通过下述公式(9)计算得到：
[0132][0133]
其中，α表示初始学习率，β1和β2表示移动平均衰减率，例如，本技术采用的取值可为α＝0.001，β1＝0.9，β2＝0.99，m0＝0，g0＝0。
[0134]
步骤308，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0135]
本技术实施例中，对于未开启心率监测功能的目标用户对象，可以将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以采用第一神经网络模型进行pai指数的预测，从而可以根据预测得到的pai指数，进行运动效能评估。
[0136]
进一步地，为了提升预测结果的准确性，在将目标用户对象的属性特征和目标用户对象的运动数据输入第一神经网络模型之前，还可以对目标用户对象的属性特征和目标用户对象的运动数据进行第二标准化过程。例如，可以根据步骤305中的标准化公式，对目标用户对象的属性特征和目标用户对象的运动数据进行标准化处理。
[0137]
在本技术实施例的一种可能的实现方式中，为了提升计算结果的准确性，当查询到目标用户对象本次运动过程的心率监测记录时，可以直接根据本次运动过程监测到的心率监测记录，确定目标用户对象本次运动过程的pai指数，而当未查询到目标用户对象本次运动过程的心率监测记录，且查询到目标用户对象至少一次历史运动过程的心率监测记录时，可以采用与步骤304至307类似的方式，为目标用户对象创建个性化的神经网路模型，以预测该目标用户对象本次运动过程的pai指数。
[0138]
下面结合实施例四，对上述过程进行详细说明。
[0139]
图4为本技术实施例四所提供的个人运动智能pai指数的检测方法的流程示意图。
[0140]
如图4所示，该个人运动智能pai指数的检测方法可以包括以下步骤：
[0141]
步骤401，查询用户集合中的目标用户对象的心率监测记录。
[0142]
步骤402，判断是否查询得到目标用户对象的心率监测记录，若是，执行步骤403，若否，执行步骤408。
[0143]
步骤403，判断是否查询到目标用户对象本次运动过程的心率监测记录，若否，执行步骤404，若是，执行步骤407。
[0144]
步骤404，根据目标用户对象的至少一次历史运动过程的运动数据和目标用户对象的属性特征，生成第二训练样本，并采用目标用户对象的个人运动智能指数均值标注第二训练样本。
[0145]
其中，个人运动机能指数均值是根据目标用户对象至少一次历史运动过程的心率监测记录确定的。
[0146]
本技术实施例中，当未查询到目标用户对象本次运动过程的心率监测记录时，则表明该目标用户对象为用户集合中的第三类用户对象，即阶段性开启心率监测功能的用户，此时，可以查询该目标用户对象至少一个历史运动过程的心率监测记录，根据目标用户对象至少一次历史运动过程的心率监测记录，确定至少一次历史运动过程的个人运动智能pai指数均值。
[0147]
例如，针对目标用户对象的每次历史运动过程的心率监测记录，可以采用公式(1)-(4)，计算得到各次历史运动过程的pai指数，从而可以将各次历史运动过程的pai指数进行加权求平均，得到pai指数均值。
[0148]
本技术实施例中，在确定目标对象的pai指数均值后，可以根据目标用户对象的至少一次历史运动过程的运动数据和目标用户对象的属性特征，生成第二训练样本，并采用目标用户对象的pai指数均值标注第二训练样本。
[0149]
步骤405，采用包含第二训练样本的样本集合，对第一神经网络模型进行训练，以得到第二神经网络模型。
[0150]
本技术实施例中，可以采用包含第二训练样本的样本集合，对第一神经网络模型进行训练，以得到第二神经网络模型。
[0151]
也就是说，可以根据目标用户对象的属性特征和运动数据，与真实的pai指数，训
练第一神经网络模型，使得训练得到的第二神经网络模型，可以拟合属性特征和运动数据，与pai指数的函数关系。由此，由于第一神经网络模型，已经学习得到具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系，利用该第一神经网络模型继续进行训练，得到第二神经网络模型，可以无需重复对模型进行训练，可以降低工作量。并且，模型训练过程中，采用参考用户对象的数据和目标用户对象的数据进行拟合，相较于仅采用目标用户对象的数据进行拟合的方式，还可以提升第二神经网络模型预测结果的客观性和准确性。
[0152]
具体地，针对样本集合中的每个训练样本，可以将该训练样本中的属性特征和运动数据进行标准化后，输入初始神经网络模型，根据该训练样本标注的pai指数，与第一神经网络模型的输出之间的差异，确定均方误差损失函数的取值，根据均方误差损失函数的取值，采用自适应矩估计算法，对第一神经网络模型进行参数调整，以得到第二神经网络模型，具体地执行过程可以参见上述实施例中步骤305至307的执行过程，在此不做赘述。
[0153]
步骤406，将目标用户对象本次运动过程监测到的运动数据和目标用户对象的属性特征输入第二神经网络模型，以获得第二神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0154]
本技术实施例中，针对阶段性开启心率监测功能的目标用户对象，可以将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第二神经网络模型，以采用第二神经网络模型进行pai指数的预测，从而可以根据预测得到的pai指数，进行运动效能评估。
[0155]
进一步地，为了提升预测结果的准确性，在将目标用户对象的属性特征和目标用户对象的运动数据输入第二神经网络模型之前，还可以对目标用户对象的属性特征和目标用户对象的运动数据进行标准化。例如，可以根据步骤305中的标准化公式，对目标用户对象的属性特征和目标用户对象的运动数据进行标准化处理。
[0156]
步骤407，根据本次运动过程监测到的心率监测记录，确定目标用户对象本次运动过程的个人运动智能指数。
[0157]
本技术实施例中，当查询到目标用户对象本次运动过程的心率监测记录时，则表明该目标用户对象当前开启了电子设备的心率监测功能，此时，该目标用户对象可以为用户集合中的第一类用户对象，当然也可以为当前开启心率监测功能的第三类用户对象，此时，可以直接根据本次运动过程监测到的心率监测记录，确定目标用户对象本次运动过程的pai指数。例如，可以采用公式(1)-(4)，计算得到目标用户对象本次运动过程的pai指数。
[0158]
步骤408，从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇。
[0159]
步骤409，获取目标类簇对应的第一神经网络模型。
[0160]
其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系。
[0161]
步骤409的执行过程可以参见上述实施例中步骤103的执行过程，或者，参见上述实施例中步骤203至205的执行过程，或者，参见上述实施例中步骤303至307的执行过程，在此不做赘述。
[0162]
步骤410，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据
输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0163]
步骤410的执行过程可以参见上述实施例中步骤104的执行过程，在此不做赘述。
[0164]
应当理解的是，如果仅根据第二训练样本，对神经网络模型进行训练，则样本集合的规模较小，很难保证第二神经网络模型的预测效果。因此，本技术中，为了提升神经网络模型预测结果的准确性，可以从用户集合中，查询该目标用户对象的相似用户，根据该相似用户，扩充样本集合。下面结合实施例五，对上述过程进行详细说明。
[0165]
图5为本技术实施例五所提供的个人运动智能pai指数的检测方法的流程示意图。
[0166]
如图5所示，该个人运动智能pai指数的检测方法可以包括以下步骤：
[0167]
步骤501，查询用户集合中的目标用户对象的心率监测记录。
[0168]
步骤502，判断是否查询得到目标用户对象的心率监测记录，若是，执行步骤503，若否，执行步骤511。
[0169]
步骤503，判断是否查询到目标用户对象本次运动过程的心率监测记录，若是，执行步骤504，若否，执行步骤510。
[0170]
步骤504，根据目标用户对象的至少一次历史运动过程的运动数据，生成第二训练样本，并采用目标用户对象的个人运动智能指数均值标注第二训练样本。
[0171]
其中，个人运动机能指数均值是根据目标用户对象至少一次历史运动过程的心率监测记录确定的。
[0172]
步骤504的执行过程可以参见上述实施例中步骤404的执行过程，在此不做赘述。
[0173]
步骤505，根据目标用户对象的个人运动智能指数均值和目标用户对象的用户信息，在用户集合中查询具有心率监测记录的相似用户对象。
[0174]
其中，用户信息包括年龄、性别、身高、体重、体重指数或各运动类型的平均活动时长中的至少一个。
[0175]
作为一种可能的实现方式，可以根据分布式版本的最近邻(knn)算法，计算目标用户对象和具有心率监测记录的用户对象的距离，将距离最小的k个用户对象作为相似用户对象。首先，可以将目标用户对象进行向量化表示，得到特征向量u，其中，u包括年龄、性别、身高、体重、体重指数、每种运动类型的平均活动时长、pai指数均值等特征字段，并标记具有心率监测记录的用户对象的特征向量为v，则目标用户对象和具有心率监测记录的用户对象的距离为：
[0176][0177]
其中，上述距离度量方法为欧式距离。
[0178]
步骤506，根据相似用户对象的心率监测记录确定相似用户对象的个人运动智能指数，并查询与相似用户对象的心率监测记录同步监测到的相似用户对象的运动数据。
[0179]
本技术实施例中，可以根据相似用户对象的心率监测记录，确定相似用户对象的pai指数。例如，可以采用公式(1)-(4)，计算得到相似用户对象的pai指数。
[0180]
本技术实施例中，服务器中可以保存有各用户对象，与心率监测记录和运动数据之间的对应关系，比如，服务器可以将各用户对象的标识，和心率监测记录以及与心率监测
记录同步监测到的运动数据进行对应存储。
[0181]
在本技术实施例的一种可能的实现方式中，当该个人运动智能指数的检测装置应用于服务器时，服务器可以根据各相似用户对象的标识，查询上述对应关系，确定各相似用户对象的心率监测记录，并根据各相似用户对象的心率监测记录，计算各相似用户对象的pai指数，同时，还可以根据各相似用户对象的心率监测记录，查询上述对应关系，确定与各相似用户对象的心率监测记录同步监测到的各相似用户对象的运动数据。
[0182]
在本技术实施例的另一种可能的实现方式中，当该个人运动智能指数的检测装置应用于电子设备时，电子设备可以从服务器侧获取各用户对象，和心率监测记录以及与心率监测记录同步监测到的运动数据之间的对应关系，从而电子设备可以根据各相似用户对象的标识，查询上述对应关系，确定各相似用户对象的心率监测记录，并根据各相似用户对象的心率监测记录，计算各相似用户对象的pai指数，同时，还可以根据各相似用户对象的心率监测记录，查询上述对应关系，确定与各相似用户对象的心率监测记录同步监测到的各相似用户对象的运动数据。
[0183]
步骤507，根据相似用户对象的属性特征和运动数据生成第三训练样本，并采用相似用户对象的个人运动智能指数标注第三训练样本。
[0184]
步骤508，采用包含第二训练样本和第三训练样本的样本集合，对初始神经网络模型进行训练，以得到第三神经网络模型。
[0185]
本技术实施例中，可以根据相似用户对象的属性特征和运动数据生成第三训练样本，并采用相似用户对象的pai指数标注第三训练样本，采用包含第二训练样本的第三训练样本的样本集合，对初始神经网络模型进行训练，以得到第三神经网络模型。
[0186]
也就是说，可以根据目标用户对象的属性特征和运动数据，与真实的pai指数，训练初始神经网络模型，并且，使用相似用户对象的属性特征和运动数据，与真实的pai指数，训练初始神经网络模型，使得训练得到的第三神经网络模型，可以拟合属性特征和运动数据，与pai指数的函数关系。
[0187]
具体地，针对样本集合中的每个训练样本(比如第二训练样本或第三训练样本)，可以将该训练样本中的属性特征和运动数据进行标准化后，输入初始神经网络模型，根据该训练样本标注的pai指数，与初始神经网络模型的输出之间的差异，确定均方误差损失函数的取值，根据均方误差损失函数的取值，采用自适应矩估计算法，对初始神经网络模型进行参数调整，以得到第三神经网络模型，具体地执行过程可以参见上述实施例中步骤305至307的执行过程，在此不做赘述。
[0188]
步骤509，将目标用户对象本次运动过程监测到的运动数据和目标用户对象的属性特征输入第三神经网络模型，以获得第三神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0189]
步骤510，根据本次运动过程监测到的心率监测记录，确定目标用户对象本次运动过程的个人运动智能指数。
[0190]
步骤511，从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇。
[0191]
步骤512，获取目标类簇对应的第一神经网络模型。
[0192]
其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射
关系。
[0193]
步骤513，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0194]
步骤509至步骤513的执行过程可以参见上述实施例中的执行过程，在此不做赘述。
[0195]
作为一种示例，以电子设备为穿戴式设备进行示例，本技术从穿戴式设备采集的运动大数据中采样了4万个用户对象，共620万条运动数据，经过大数据统计分析，620万条运动数据中，只有279万条运动数据包含30分钟及以上的心率监测记录(占比为45％)，采用本技术的个人运动智能指数的检测方法，可以对未包含心率监测记录以及包含较短时间的心率监测记录的55％的运动数据进行pai指数的预测，可以覆盖超过半数的应用场景，极大地提升该方法的可用性和用户体验。
[0196]
为了实现预测的pai指数与真实的pai指数的一致性，通过创建了32万条数据的测试集，该测试集的pai指数的均值为17.78，使用平均绝对误差(mean abosolute error，简称mae)指标来评估神经网络模型的预测效果，模型在测试集的mae＝5.73，神经网络模型预测的pai指数和真实pai指数的分布误差图如图6所示，两者高度一致。实验结果表明，以运动数据预测的pai指数与以实时心率数据计算的pai指数能同样有效地进行运动效能评估，提升评估结果的准确性。
[0197]
为了实现上述实施例，本技术还提出一种个人运动智能pai指数的检测装置。
[0198]
图7为本技术实施例六所提供的个人运动智能pai指数的检测装置的结构示意图。
[0199]
如图7所示，该个人运动智能pai指数的检测装置100可以包括：查询模块110、确定模块120、第一获取模块130以及处理模块140。
[0200]
其中，查询模块110，用于查询用户集合中的目标用户对象的心率监测记录。
[0201]
确定模块120，用于若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇。
[0202]
第一获取模块130，用于获取目标类簇对应的第一神经网络模型；其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系。
[0203]
处理模块140，用于将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。
[0204]
进一步地，在本技术实施例的一种可能的实现方式中，参见图8，在图7所示实施例的基础上，第一获取模块130，可以包括：
[0205]
确定查询单元131，用于根据参考用户对象的心率监测记录确定参考用户对象的个人运动智能指数，并查询与参考用户对象的心率监测记录同步监测到的参考用户对象的运动数据。
[0206]
生成标注单元132，用于根据参考用户对象的属性特征和参考用户对象的运动数据生成第一训练样本，并采用参考用户对象的个人运动智能指数标注第一训练样本。
[0207]
训练单元133，用于采用经过标注的第一训练样本，对初始神经网络模型进行训
练，以得到第一神经网络模型。
[0208]
在本技术实施例的一种可能的实现方式中，训练单元133，具体用于：将第一训练样本中的属性特征和运动数据进行第一标准化过程后，输入初始神经网络模型；根据第一训练样本标注的个人运动智能指数，与初始神经网络模型的输出之间的差异，确定均方误差损失函数的取值；根据均方误差损失函数的取值，采用自适应矩估计算法，对初始神经网络模型进行参数调整，以得到第一神经网络模型。
[0209]
在本技术实施例的一种可能的实现方式中，处理模块140，还用于：对目标用户对象的属性特征和目标用户对象的运动数据进行第二标准化过程。
[0210]
在本技术实施例的一种可能的实现方式中，属性特征包括年龄、性别、身高、体重或体重指数中的至少一个。
[0211]
在本技术实施例的一种可能的实现方式中，参见图8，在图7所示实施例的基础上，该个人运动智能pai指数的检测装置100，还可以包括：第二获取模块150和聚类模块160。
[0212]
其中，第二获取模块150，用于获取用户集合中各用户对象的用户信息；其中，用户信息包括年龄、性别、身高、体重、体重指数或各运动类型的平均活动时长中的至少一个。
[0213]
聚类模块160，用于根据用户集合中各用户对象的用户信息，对用户集合采用聚类算法进行聚类，以得到多个类簇。
[0214]
在本技术实施例的一种可能的实现方式中，确定模块120，还用于：若未查询到目标用户对象本次运动过程的心率监测记录，且查询到目标用户对象至少一次历史运动过程的心率监测记录，则根据目标用户对象的至少一次历史运动过程的运动数据和目标用户对象的属性特征，生成第二训练样本，并采用目标用户对象的个人运动智能指数均值标注第二训练样本；其中，个人运动机能指数均值是根据目标用户对象至少一次历史运动过程的心率监测记录确定的；采用包含第二训练样本的样本集合，对第一神经网络模型进行训练，以得到第二神经网络模型；将目标用户对象本次运动过程监测到的运动数据和目标用户对象的属性特征输入第二神经网络模型，以获得第二神经网络模型输出的目标用户本次运动过程的个人运动智能指数。
[0215]
在本技术实施例的一种可能的实现方式中，确定模块120，还用于：若未查询到目标用户对象本次运动过程的心率监测记录，且查询到目标用户对象至少一次历史运动过程的心率监测记录，则根据目标用户对象的至少一次历史运动过程的运动数据和目标用户对象的属性特征，生成第二训练样本，并采用目标用户对象的个人运动机能指数均值标注第二训练样本；其中，个人运动机能指数均值是根据目标用户对象至少一次历史运动过程的心率监测记录确定的；根据目标用户对象的个人运动智能指数均值和目标用户对象的用户信息，在用户集合中查询具有心率监测记录的相似用户对象；其中，用户信息包括年龄、性别、身高、体重、体重指数或各运动类型的平均活动时长中的至少一个；根据相似用户对象的心率监测记录确定相似用户对象的个人运动智能指数，并查询与相似用户对象的心率监测记录同步监测到的相似用户对象的运动数据；根据相似用户对象的属性特征和运动数据生成第三训练样本，并采用相似用户对象的个人运动智能指数标注第三训练样本；采用包含第二训练样本和第三训练样本的样本集合，对初始神经网络模型进行训练，以得到第三神经网络模型；将目标用户对象本次运动过程监测到的运动数据和目标用户对象的属性特征输入第三神经网络模型，以获得第三神经网络模型输出的目标用户对象本次运动过程的
个人运动机能指数。
[0216]
在本技术实施例的一种可能的实现方式中，确定模块120，还用于：若查询到本次运动过程监测到的心率监测记录，则根据本次运动过程监测到的心率监测记录，确定目标用户对象本次运动过程的个人运动智能指数。
[0217]
需要说明的是，前述对个人运动智能pai指数的检测方法实施例的解释说明也适用于该实施例的个人运动智能pai指数的检测装置100，此处不再赘述。
[0218]
本技术实施例的个人运动智能pai指数的检测装置，通过查询用户集合中的目标用户对象的心率监测记录；若未查询到心率监测记录，则从用户集合划分出的多个类簇中，确定目标用户对象所属的目标类簇，并获取目标类簇对应的第一神经网络模型；其中，第一神经网络模型，已学习得到目标类簇中具有心率监测记录的参考用户对象的属性特征和运动数据，与采用心率监测记录确定出的个人运动智能指数之间的映射关系，最后，将目标用户对象的属性特征和目标用户对象本次运动过程的运动数据输入第一神经网络模型，以获得第一神经网络模型输出的目标用户对象本次运动过程的个人运动智能指数。由此，即使目标用户对象未开启心率监测功能，也能实现对pai指数进行预测，提升该方法的适应性。并且，采用经过训练的第一神经网络模型，对目标用户对象进行pai指数预测，根据预测的pai指数进行运动效能评估的方式，相对于现有的使用步数评估运动效能的方式，可以提升评估结果的准确性和可靠性。
[0219]
为了实现上述实施例，本技术还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本技术上述实施例提出的个人运动智能pai指数的检测方法。
[0220]
为了实现上述实施例，本技术还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术上述实施例提出的个人运动智能pai指数的检测方法。
[0221]
为了实现上述实施例，本技术还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本技术上述实施例提出的个人运动智能pai指数的检测方法。
[0222]
图9示出了适于用来实现本技术实施方式的示例性电子设备的框图。图9显示的电子设备12仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0223]
如图9所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0224]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture；以下简称：isa)总线，微通道体系结构(micro channel architecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(video electronics standards association；以下简称：vesa)局域总线以及外围组件互连(peripheral component interconnection；以下简称：pci)总线。
[0225]
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0226]
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(random access memory；以下简称：ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compact disc read only memory；以下简称：cd-rom)、数字多功能只读光盘(digital video disc read only memory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
[0227]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本技术所描述的实施例中的功能和/或方法。
[0228]
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户对象能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(local area network；以下简称：lan)，广域网(wide area network；以下简称：wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0229]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
[0230]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0231]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0232]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部
分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0233]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0234]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0235]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0236]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0237]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。