跨个体的运动强度判定方法及装置

技术领域

本发明涉及运动数据分析技术领域，尤其涉及一种跨个体的运动强度判定方法及装置。

背景技术

随着生活水平的不断升高，便利化程度的发达，不断增加的久坐行为时长，导致人们体力活动严重缺乏，各种疾病的发生几率也在不断上升，对人们的健康造成了巨大威胁。身体活动不仅能有效改善身体体质，还能促进心理健康，减少久坐行为，给大众人群的生活注入活力，减小人们因日常体力活动不足而造成的疾病发生几率。

日常生活中人们常常进行不同速度的走、跑等全身性运动，这些活动对机体的刺激能力不同，并且进行一定时间的身体活动能有效促进身体的健康发展。但由于个体差异性导致不同机体对这些活动的承受能力不同，因此在进行这些身体活动时需要根据实际情况进行调整。运动强度是运动处方正常实施的重要衡量指标，它是运动处方是否继续进行或调整的重要因素之一。在运动过程中，一些运动人员由于无法直观了解进行的运动强度，从而导致无效运动或运动损伤及猝死等情况。研究发现不同运动强度的活动会对抑郁和焦虑两种症状的发生率不同，长时间的低强度运动(如静坐、躺)会提高抑郁和焦虑发生的概率。因此实时监控运动强度就显的尤为重要，它是保障生命安全，促进体质健康的有效保障。

由于个体差异性的影响，每人的身体指标各不相同，导致不同机体在做相同运动时，其运动强度也有一定差别，采集的数据在面对跨个体时将会导致算法识别的准确性大大降低。因此，通常会面向研究对象采集大量的数据用于训练模型，以追求模型的泛化能力。尽管这种方法可以提高识别率，但需要采集众多用户群体的数据并对其进行处理，将耗费巨额的时间和金钱成本。

发明内容

本发明提供一种跨个体的运动强度判定方法及装置，用以解决现有技术中跨个体运动强度识别准确率低且数据采集成本高的缺陷，实现跨个体运动强度识别的高准确率和低成本。

本发明提供一种跨个体的运动强度判定方法，包括：

获取个体运动信息；

将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度等级；

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

根据本发明提供的一种跨个体的运动强度判定方法，所述个体运动强度判定模型的训练包括：

获取个体运动信息样本，所述个体运动信息样本分别对应个体运动强度等级；

划分所述个体运动信息样本为有监督的源域样本和无监督的目标域样本，所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级；

基于所述源域样本的个体运动信息样本训练集及其对应的个体运动强度等级作为标签训练个体运动强度判定模型；

将所述目标域样本的个体运动信息样本测试集输入所述个体运动强度判定模型，得到个体运动强度等级测试结果；

根据所述个体运动信息样本测试集对应的个体运动强度等级比较所述个体运动强度等级测试结果，以测试所述个体运动强度判定模型的性能。

根据本发明提供的一种跨个体的运动强度判定方法，所述个体运动信息样本包括：人体基础数据和运动数据，所述人体基础数据包括：身高、年龄、性别、体重和静息心率，所述运动数据包括三轴加速度、三轴角速度和运动心率。

根据本发明提供的一种跨个体的运动强度判定方法，所述划分所述个体运动信息样本为训练集和测试集之前，还包括：

滤除所述个体运动信息样本中三轴加速度和三轴角速度的高频噪声，并提取三轴加速度和三轴角速度的特征。

根据本发明提供的一种跨个体的运动强度判定方法，所述个体运动强度等级通过测量最大摄氧量的百分比划分。

根据本发明提供的一种跨个体的运动强度判定方法，所述个体运动强度判定模型通过DSAN算法训练。

根据本发明提供的一种跨个体的运动强度判定方法，所述个体运动强度判定模型的损失函数为BCELoss，优化器为AdamW，batch_size设置为32，激活函数设置为leaky_relu，epoch设置为50，所述个体运动强度判定模型通过自适应学习率方法调整学习率，通过自适应衰减权重方法调整权重。

本发明还提供一种跨个体的运动强度判定装置，包括：

信息获取模块，用于获取个体运动信息；

强度判定模块，用于将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度；

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

本发明还通过一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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上述任一项所述的跨个体的运动强度判定方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的跨个体的运动强度判定方法。

本发明提供的一种跨个体的运动强度判定方法及装置，通过获取个体运动信息，并将其输入个体运动强度判定模型，以得到个体运动强度等级，以判定当前个体的运动强度。其中，个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能，源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。本发明以个体运动信息样本训练集及其对应的个体运动强度等级标签作为有监督的源域建立个体运动强度判定模型，直接以个体为单位建立判定模型用于识别，解决了个体差异性导致的跨个体运动强度识别率较低的问题，提高了跨个体运动强度识别的准确率。同时以个体运动信息样本测试集及其对应的个体运动强度等级作为无监督的目标域测试个体运动强度判定模型，即通过个体运动强度判定模型输出个体运动信息样本测试集的测试结果，然后通过个体运动信息样本测试集对应的个体运动强度等级比较测试结果，以测试个体运动信息样本测试集的性能，通过以上方式，本发明在模型构建的过程中不需要再进行大量的数据标注，极大降低了数据采集的成本。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的跨个体的运动强度判定方法的流程示意图；

图2是本发明提供的跨个体的运动强度判定装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

下面结合图1描述本发明第一实施例的跨个体的运动强度判定方法。

如图1所示，本实施例的一种跨个体的运动强度判定方法，具体包括以下步骤(本发明对各步骤的编号仅做步骤区分作用，不限制各步骤的具体执行顺序)：

步骤S1：获取个体运动信息。

获取个体运动信息的各项数据，并将其作为个体运动强度判定模型的输入。

步骤S2：将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度等级。

将获取的个体运动信息的各项数据输入个体运动强度判定模型，到个体运动强度等级，以判定当前个体的运动强度，个体运动强度等级指受试者运动时对身体生理刺激的程度大小。

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

以个体运动信息样本训练集及其对应的个体运动强度等级标签作为有监督的源域建立个体运动强度判定模型。同时以个体运动信息样本测试集及其对应的个体运动强度等级作为无监督的目标域测试个体运动强度判定模型，即通过个体运动强度判定模型输出个体运动信息样本测试集的测试结果，然后通过个体运动信息样本测试集对应的个体运动强度等级比较测试结果，以测试个体运动信息样本测试集的性能。

本发明第一实施例提供的一种跨个体的运动强度判定方法，通过获取个体运动信息，并将其输入个体运动强度判定模型，以得到个体运动强度等级，以判定当前个体的运动强度。其中，个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能，源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。本发明以个体运动信息样本训练集及其对应的个体运动强度等级标签作为有监督的源域建立个体运动强度判定模型，直接以个体为单位建立判定模型用于识别，解决了个体差异性导致的跨个体运动强度识别率较低的问题，提高了跨个体运动强度识别的准确率。同时以个体运动信息样本测试集及其对应的个体运动强度等级作为无监督的目标域测试个体运动强度判定模型，即通过个体运动强度判定模型输出个体运动信息样本测试集的测试结果，然后通过个体运动信息样本测试集对应的个体运动强度等级比较测试结果，以测试个体运动信息样本测试集的性能，通过以上方式，本发明在模型构建的过程中不需要再进行大量的数据标注，极大降低了数据采集的成本。

本实施例中，所述个体运动强度判定模型的训练包括：

获取个体运动信息样本，所述个体运动信息样本分别对应个体运动强度等级；

划分所述个体运动信息样本为有监督的源域样本和无监督的目标域样本，所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级；

基于所述源域样本的个体运动信息样本训练集及其对应的个体运动强度等级作为标签训练个体运动强度判定模型；

将所述目标域样本的个体运动信息样本测试集输入所述个体运动强度判定模型，得到个体运动强度等级测试结果；

根据所述个体运动信息样本测试集对应的个体运动强度等级比较所述个体运动强度等级测试结果，以测试所述个体运动强度判定模型的性能。

首先获取模型建立所需的个体运动信息样本，各项个体运动信息样本存在对应的个体运动强度等级，即个体运动信息样本作为模型输入，及其对应的个体运动强度等级作为模型输出。然后对个体运动信息样本根据功能用途划分为有监督的源域样本和无监督的目标域样本，源域样本包括个体运动信息样本训练集及其对应的个体运动强度等级，目标域样本包括个体运动信息样本测试集及其对应的个体运动强度等级。将源域样本用于模型训练，基于源域样本的个体运动信息样本训练集及其对应的个体运动强度等级作为标签训练个体运动强度判定模型。得到个体运动强度判定模型后，将目标域样本用于模型测试，将目标域样本的个体运动信息样本测试集输入个体运动强度判定模型，得到个体运动强度等级测试结果，然后根据个体运动信息样本测试集对应的个体运动强度等级比较个体运动强度等级测试结果，以测试个体运动强度判定模型的性能，在测试结果达到预设标准后，模型构建完成。以上过程构建的个体运动强度判定模型，直接以个体为单位建立判定模型用于识别，解决了个体差异性导致的跨个体运动强度识别率较低的问题，提高了跨个体运动强度识别的准确率。通过结合有监督的源域样本和无监督的目标域使用，在模型构建的过程中不需要再进行大量的数据标注，降低了数据采集的成本。

本实施例中，所述个体运动信息样本包括：人体基础数据和运动数据，所述人体基础数据包括：身高、年龄、性别、体重和静息心率，所述运动数据包括三轴加速度、三轴角速度和运动心率。

个体运动信息样本包括个体自身的人体基础数据和个体运动时的运动数据，并且人体基础数据包括：身高、年龄、性别、体重和静息心率，运动数据包括三轴加速度、三轴角速度和运动心率。以上数据测试方式便利，成本低，均可无创获取，并能实现实时监测，例如通过一些可穿戴设备等即可获取，不会增加被监测者的不适感。通过以上多维度数据的分析，能够保证跨个体的运动强度判定的准确性。

本实施例中，所述划分所述个体运动信息样本为训练集和测试集之前，还包括：

滤除所述个体运动信息样本中三轴加速度和三轴角速度的高频噪声，并提取三轴加速度和三轴角速度的特征。

在将个体运动信息样本划分为训练集和测试集以构建模型之前，需要滤除个体运动信息样本中三轴加速度和三轴角速度的高频噪声，并提取三轴加速度和三轴角速度的特征，以确保数据的准确性。研究表明，人体在运动过程中的频率为0-20Hz，因此本实施例中进行低通滤波，设置截止频率为20Hz，滤除三轴加速度与三轴角速度的高频噪声。然后通过设置合适大小的滑动窗口从时域和频域中提取三轴加速度与三轴角速度的特征，把提取的特征、人体基础信息以及对应的标签进行组合，以进行后续的模型构建。

本实施例中，所述个体运动强度等级通过测量最大摄氧量的百分比划分。

在确定个体运动等级的过程中，通过测量人员的最大摄氧量的步伐，并根据运动医学行业协会以最大摄氧量的百分比划分标准的五个等级，由于最低等级为正常生活就可达到，而最高等级对于普通人而言难以达到，因此重新划分为低(最大摄氧量的37-45％)、中(最大摄氧量的46-63％)、高(最大摄氧量的64-90％)三个运动强度等级，最后通过传感器采集三个运动强度等级的数据以确定个体运动强度等级，使其更符合本实施例中的应用场景。

本实施例中，所述个体运动强度判定模型通过DSAN算法训练。

DSAN(Deep Subdomain Adaption Network，深度子领域自适应网络)算法，不同于传统领域自适应的算法，它是一种更为细粒的算法，把不同类别划分为子领域，把目标域和源域中的子领域进行对齐，从而进行判别。DSAN算法简单高效，不需要对抗性训练，收敛速度快，能够实现本实施例中高准确率和低成本的效果。

本实施例中，所述个体运动强度判定模型的损失函数为BCELoss，优化器为AdamW，batch_size设置为32，激活函数设置为leaky_relu，epoch设置为50，所述个体运动强度判定模型通过自适应学习率方法调整学习率，通过自适应衰减权重方法调整权重。

在设置模型参数的过程中，个体运动强度判定模型的损失函数为BCELoss(BinaryCross Entropy Loss，二分类交叉熵损失)，优化器为AdamW(Adam Weight Decay)，以解决训练深度神经网络时可能出现的过拟合问题。batch_size即一次训练所抓取的数据样本数量，将其参数设置为32，确保训练速度和模型优化。激活函数设置为leaky_relu(渗漏整流线性单元)，以解决负输入情况下的零梯度问题的基础上，缓解dead rule问题。epoch(轮次)次数为50，个体运动强度判定模型通过自适应学习率方法调整学习率，通过自适应衰减权重方法调整权重，确保模型训练效果。

下面对本发明提供的跨个体的运动强度判定装置进行描述，下文描述的跨个体的运动强度判定装置与上文描述的跨个体的运动强度判定方法可相互对应参照。

如图2所示，本发明第二实施例还提供一种多跨个体的运动强度判定装置，包括：

信息获取模块210，用于获取个体运动信息。

强度判定模块220，用于将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度。

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

本发明第二实施例提供的一种跨个体的运动强度判定装置，通过获取个体运动信息，并将其输入个体运动强度判定模型，以得到个体运动强度等级，以判定当前个体的运动强度。其中，个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能，源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。本发明以个体运动信息样本训练集及其对应的个体运动强度等级标签作为有监督的源域建立个体运动强度判定模型，直接以个体为单位建立判定模型用于识别，解决了个体差异性导致的跨个体运动强度识别率较低的问题，提高了跨个体运动强度识别的准确率。同时以个体运动信息样本测试集及其对应的个体运动强度等级作为无监督的目标域测试个体运动强度判定模型，即通过个体运动强度判定模型输出个体运动信息样本测试集的测试结果，然后通过个体运动信息样本测试集对应的个体运动强度等级比较测试结果，以测试个体运动信息样本测试集的性能，通过以上方式，本发明在模型构建的过程中不需要再进行大量的数据标注，极大降低了数据采集的成本。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行跨个体的运动强度判定方法，该方法包括：

获取个体运动信息。

将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度等级。

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的跨个体的运动强度判定方法，该方法包括：

获取个体运动信息。

将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度等级。

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的跨个体的运动强度判定方法，该方法包括：

获取个体运动信息。

将所述个体运动信息输入个体运动强度判定模型，得到个体运动强度等级。

其中，所述个体运动强度判定模型基于有监督的源域样本训练得到，并通过无监督的目标域样本测试性能；所述源域样本包括：个体运动信息样本训练集及其对应的个体运动强度等级，所述目标域样本包括：个体运动信息样本测试集及其对应的个体运动强度等级。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。