一种多功能跑步机

技术领域

本发明属于跑步机与视频游戏娱乐装备技术领域，具体涉及一种多功能跑步机。

背景技术

本发明背景技术中公开的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。

在健身设备领域，跑步机作为一种重要的健身工具，广泛应用于健身房、家庭和办公室等地方。然而，传统的跑步机只能提供物理运动，且跑步的过程通常是单调乏味的，用户体验并不理想。为了解决这一问题，一些现代跑步机已经开始尝试通过在跑步机上增加娱乐元素来提高用户体验，例如播放视频或音乐。

如现有专利CN 209612090 U，公开了一种多功能避震跑步机，包括支撑组件、用于跳舞的折叠板、用于控制跑步机运作的控制组件、跑带组件、避震组件和健身组件，所述支撑组件包括跑步机扶手、底架和跑板，所述跑步机扶手和跑板固定在底架上，所述健身组件固定在跑步机扶手上，通过设置折叠板，可节省空间，折叠板打开后可用来跳舞、瑜伽、平板支撑等，在跑步机扶手上设置的健身组件可方便用户进行扭腰、仰卧和俯卧的锻炼，还可以在锻炼完成后进行按摩，使跑步机的运动内容更加多元和丰富。然而，这些增强功能仍然无法改变跑步过程的单调乏味，无法提供沉浸式体验。

近年来，虚拟现实(VR)技术的发展为改善跑步机的用户体验提供了新的可能。虚拟现实(VR)技术可以创建一个三维的、沉浸式的环境，用户可以在这个环境中与虚拟的物体进行交互。通过使用VR技术，用户可以在虚拟环境中运动，例如山区、海滩或城市街道等，这无疑可以极大地增强用户的运动体验。然而，现有的基于VR技术的跑步机系统通常无法实现多用户间的交互，并且，无法提供多用户竞技的体验。

另外，现有的基于VR技术的跑步机系统通常只依赖于VR头盔来提供虚拟环境，这样的设计不仅可能导致用户感到眩晕，而且VR头盔的重量和热量也可能影响用户的跑步体验。

发明内容

针对现有技术中存在的上述不足之处，本发明提供了一种多功能跑步机。

为了解决上述技术问题，本发明采用了如下技术方案：

一种多功能跑步机，包括跑步机主体，所述跑步机主体包括跑带、马达、坡度调节装置；

还包括前端大屏幕、人机交互设备、多用户交互模块和深度学习模块；

其中：所述前端大屏幕用于展示3D虚拟现实游戏场景和参赛用户的虚拟角色，并用于生成用户运动数据；

所述人机交互设备包括VR装备，与所述跑步机主体通过无线连接；

所述多用户交互模块包括用户管理模块、社交交互模块、实时多人同步模块、实时竞赛模块以及实现跑步机主体和前端大屏幕与网络服务器通信的网络通信模块；

所述网络服务器用于管理和分发数据；

所述网络通信模块用于网络数据的传输；

所述用户管理模块用于管理用户的登录、注册、信息更新；

所述社交交互模块提供用户之间的交互窗口；

所述实时多人同步模块用于保证所有用户的3D虚拟角色能在同一个3D虚拟场景中实时同步进行跑步；

所述实时竞赛模块用于支持用户之间可以进行实时的比赛，并用于管理比赛的规则、得分和排名；

所述深度学习模块用于接收并处理用户运动数据，根据处理结果自动调节跑带速度。

作为优选，深度学习模块搭载有用户运动预测深度学习模型，用以预测用户跑步的速度、步频和步幅，从而进行跑步带速度的自适应调节，所述用户运动预测深度学习模型如下：

包括输入门(input gate)、遗忘门(forget gate)和输出门(output gate)；

遗忘门:f_t＝σ(W_f·[h_{t-1},x_t]+b_f)；

输入门:i_t＝σ(W_i·[h_{t-1},x_t]+b_i)；

输出门:o_t＝σ(W_o·[h_{t-1},x_t]+b_o)；

单元状态:C_t＝f_t*C_{t-1}+i_t*tanh(W_C·[h_{t-1},x_t]+b_C)；

隐藏状态:h_t＝o_t*tanh(C_t)；

其中σ表示sigmoid函数，*表示逐元素乘法，tanh是双曲正切函数；

其中，x_t是在时间t的输入，h_{t-1}是在时间t-1的隐藏状态，C_{t-1}是在时间t-1的单元状态，W是需要学习的权重矩阵，b是偏置参数。

作为优选，所述跑步机主体还包括测量跑带速度的第一速度传感器；

所述VR装备包括VR手套和VR头显，所述前端大屏幕是高清触摸屏。

所述VR装备上安装有用以检测用户跑步速度的加速度传感器和第二速度传感器。

作为优选，所述深度学习模型的训练包括如下步骤：

数据收集：首先，需要收集用于训练的用户运动数据；所述运动数据包括用户在跑步机上进行跑步时的跑带速度、步频、步幅，以及VR装备上的加速度传感器和第二速度传感器提供的相关数据；

数据预处理：收集到的原始数据可能需要进行预处理，包括数据清洗、标准化、归一化操作，以确保数据的质量和可用性；

构建训练数据集：将预处理后的数据划分为输入特征和目标标签；输入特征是用户在一定时间窗口内的历史数据，包括前几秒内的跑带速度、步频、步幅信息；目标标签是用户在下一时间步的预期跑带速度；

构建深度学习模型：根据所述用户运动预测深度学习模型，搭建LSTM模型，其中包括输入门、遗忘门和输出门，以及相应的权重参数和偏置参数；

定义损失函数：选择适当的损失函数来衡量预测值与真实值之间的差距，包括均方误差(MSE)或平均绝对误差(MAE)；

模型训练：使用构建的训练数据集对深度学习模型进行训练；通过反向传播算法和优化器来更新模型的权重和偏置，并最小化损失函数，使模型能够更准确地预测用户的跑步速度；

模型验证和调优：将训练好的模型用于验证集进行评估，根据模型在验证集上的表现，引入学习率以及LSTM单元数量和层数进行超参数调优或模型结构调整，以改进模型的性能；

模型部署：在验证集上满足预期性能后，将训练好的深度学习模型部署到多功能跑步机的深度学习模块中，以实现实时的用户运动预测和跑带速度调节；

实时预测和调节：在多功能跑步机使用过程中，深度学习模块会实时接收用户的运动数据，并根据用户运动预测深度学习模型进行预测，进而自动调节跑带速度，以满足用户的跑步需求。

作为优选，所述网络通信模块包括用以连接所述跑步机主体与所述前端大屏幕和网络服务器的WebSocket协议接口。

作为优选，所述跑带安装在带辊上，所述带辊可转动地安装在机架底部，所述坡度调节装置包括所述机架开设有弧形安装孔，所述带辊的中心轴配合安装述弧形安装孔内，所述中心轴端部固定有偏心驱动部，所述中心轴端部通过所述偏心驱动部偏心连接坡度调节电缸，所述偏心驱动部的偏心端与所述坡度调节电缸的输出端铰接连接，所述坡度调节电缸的安装端铰接安装在所述机架上，所述偏心驱动部在上侧远离坡度调节电缸并靠近中心轴的一侧的侧面上设置有自锁部。

本发明有益效果如下：

该跑步机方案将虚拟现实技术与跑步机结合，通过前端大屏幕展示3D虚拟现实游戏场景和用户的虚拟角色，为用户提供更加丰富和有趣的跑步体验。

通过多用户交互模块，用户可以进行社交交互、实时多人同步跑步以及实时竞赛；用户可以在虚拟场景中参与竞赛或与其他用户进行交互，增加了跑步的趣味性和挑战性；这样的交互功能可以鼓励用户之间相互竞争、分享跑步成果和互相激励，增强用户的参与度和黏性。

该方案的深度学习模块搭载了用户运动预测深度学习模型，可以预测用户跑步的速度、步频和步幅，并根据处理结果自动调节跑带的速度；使得用户无需手动调整跑带速度，更加专注于跑步，有利于进行跑步竞赛模式，提升了用户体验；

坡度调节装置可以根据用户的需求和预设规则，结合3D虚拟现实游戏场景，自动调整跑步机的坡度，同时，不影响跑带的张紧度，并在深度学习模块调节跑带速度的协同作用下，避免了对跑带速度的丢失，保证了跑步机赛的安全性和逼真感。

附图说明

图1为本发明的主要外部结构示意图；

图2为本发明中各个模块的主要连接关系示意图；

图3为坡度调节装置的内部主要结构示意图。

附图中涉及到的附图标记有：

1、跑步机主体；11、机架；12、跑带；13、带辊；14、中心轴；15、弧形安装孔；16、偏心驱动部；17、自锁部；18、坡度调节电缸；2、前端大屏幕。

具体实施方式

为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。

如图1至3出示了一种多功能跑步机，包括跑步机主体1，所述跑步机主体1包括跑带12、马达、坡度调节装置和控制面板；

还包括前端大屏幕2、人机交互设备、多用户交互模块和深度学习模块；

其中：所述前端大屏幕2用于展示3D虚拟现实游戏场景和参赛用户的虚拟角色，并用于生成用户运动数据；

所述人机交互设备包括VR装备，与所述跑步机主体1通过无线连接；

所述多用户交互模块包括用户管理模块、社交交互模块、实时多人同步模块、实时竞赛模块以及实现跑步机主体1和前端大屏幕2与网络服务器通信的网络通信模块；

所述网络服务器用于管理和分发数据；

所述网络通信模块用于网络数据的传输；

所述用户管理模块用于管理用户的登录、注册、信息更新；

所述社交交互模块提供用户之间的交互窗口；

所述实时多人同步模块用于保证所有用户的3D虚拟角色能在同一个3D虚拟场景中实时同步进行跑步；

所述实时竞赛模块用于支持用户之间可以进行实时的比赛，并用于管理比赛的规则、得分和排名；

所述深度学习模块用于接收并处理用户运动数据，根据处理结果自动调节跑带12速度。

深度学习模块搭载有用户运动预测深度学习模型，用以预测用户跑步的速度、步频和步幅，从而进行跑步带速度的自适应调节，所述用户运动预测深度学习模型如下：

包括输入门(input gate)、遗忘门(forget gate)和输出门(output gate)；

遗忘门:f_t＝σ(W_f·[h_{t-1},x_t]+b_f)；

输入门:i_t＝σ(W_i·[h_{t-1},x_t]+b_i)；

输出门:o_t＝σ(W_o·[h_{t-1},x_t]+b_o)；

单元状态:C_t＝f_t*C_{t-1}+i_t*tanh(W_C·[h_{t-1},x_t]+b_C)；

隐藏状态:h_t＝o_t*tanh(C_t)；

其中σ表示sigmoid函数，*表示逐元素乘法，tanh是双曲正切函数；

其中，x_t是在时间t的输入，h_{t-1}是在时间t-1的隐藏状态，C_{t-1}是在时间t-1的单元状态，W是需要学习的权重矩阵，b是偏置参数。

作为优选，所述跑步机主体1还包括测量跑带12速度的第一速度传感器；

所述VR装备包括VR手套和VR头显，所述前端大屏幕2是高清触摸屏。

所述VR装备上安装有用以检测用户跑步速度的加速度传感器和第二速度传感器。

所述深度学习模型的训练包括如下步骤：

数据收集：首先，需要收集用于训练的用户运动数据；所述运动数据包括用户在跑步机上进行跑步时的跑带12速度、步频、步幅，以及VR装备上的加速度传感器和第二速度传感器提供的相关数据；

数据预处理：收集到的原始数据可能需要进行预处理，包括数据清洗、标准化、归一化操作，以确保数据的质量和可用性；

构建训练数据集：将预处理后的数据划分为输入特征和目标标签；输入特征是用户在一定时间窗口内的历史数据，包括前几秒内的跑带12速度、步频、步幅信息；目标标签是用户在下一时间步的预期跑带12速度；

构建深度学习模型：根据所述用户运动预测深度学习模型，搭建LSTM模型，其中包括输入门、遗忘门和输出门，以及相应的权重参数和偏置参数；

定义损失函数：选择适当的损失函数来衡量预测值与真实值之间的差距，包括均方误差(MSE)或平均绝对误差(MAE)；

模型训练：使用构建的训练数据集对深度学习模型进行训练；通过反向传播算法和优化器来更新模型的权重和偏置，优化器可选用SGD，即随梯度下降，最小化损失函数，使模型能够更准确地预测用户的跑步速度；

模型验证和调优：将训练好的模型用于验证集进行评估，根据模型在验证集上的表现，引入学习率以及LSTM单元数量和层数进行超参数调优或模型结构调整，以改进模型的性能；

模型部署：在验证集上满足预期性能后，将训练好的深度学习模型部署到多功能跑步机的深度学习模块中，以实现实时的用户运动预测和跑带12速度调节；

实时预测和调节：在多功能跑步机使用过程中，深度学习模块会实时接收用户的运动数据，并根据用户运动预测深度学习模型进行预测，进而自动调节跑带12速度，以满足用户的跑步需求。

预测用户在下一时间步的预期跑带12速度是该模型的任务之一；在LSTM模型中，通过输入当前时间步的跑带12速度、步频、步幅等信息，以及前一时间步的隐藏状态h_{t-1}和单元状态C_{t-1}，通过门控机制和权重矩阵的运算，模型会输出当前时间步的隐藏状态h_t和单元状态C_t，同时预测用户在下一时间步的跑带12速度。

具体来说，预测下一时间步的跑带12速度的过程如下：

将当前时间步的输入特征x_t(包括跑带12速度、步频、步幅等信息)和前一时间步的隐藏状态h_{t-1}输入到LSTM模型中，计算遗忘门f_t、输入门i_t、输出门o_t和单元状态C_t；

使用计算得到的单元状态C_t和输出门o_t，计算当前时间步的隐藏状态h_t；

将当前时间步的隐藏状态h_t输入到全连接层或其他网络层，最终输出预测的下一时间步的跑带12速度。

当进行用户运动预测任务时，我们需要定义一个损失函数来衡量模型的预测值与真实值之间的差距。损失函数的选择对于模型的训练和性能非常重要，它指导着优化器如何调整模型的参数，使得预测值更接近真实值。

在这个多功能跑步机的用户运动预测深度学习模型中，我们可以选择以下两个常用的损失函数：均方误差(MSE)和平均绝对误差(MAE)。

均方误差(Mean Squared Error，MSE)：

MSE是最常用的损失函数之一，它衡量了预测值与真实值之间的平均二次误差。对于每个样本，计算预测值与真实值之间的差值，然后平方，最后取所有样本的平方差的平均值。

MSE的公式如下：

MSE＝(1/n)*Σ(y_true-y_pred)^2

其中，y_true表示真实值(目标标签)，y_pred表示模型的预测值，n是样本的数量。

使用MSE作为损失函数，可以对预测值与真实值之间的较大误差进行惩罚，促使模型更加关注那些差异较大的样本。在多功能跑步机的用户运动预测任务中，可以使用MSE来衡量模型对于用户跑步速度的预测效果。

平均绝对误差(Mean Absolute Error，MAE)：

MAE是另一种常用的损失函数，它衡量了预测值与真实值之间的平均绝对误差。对于每个样本，计算预测值与真实值之间的绝对值差，然后取所有样本的绝对值差的平均值。

MAE的公式如下：

MAE＝(1/n)*Σ|y_true-y_pred|

使用MAE作为损失函数，相较于MSE，它对异常值不敏感，因为它只考虑了预测值与真实值之间的绝对差异，而不是平方差异。所以选用均方误差的效果更佳。

所述网络通信模块包括用以连接所述跑步机主体1与所述前端大屏幕2和网络服务器的WebSocket协议接口。

所述跑带12安装在带辊13上，所述带辊13可转动地安装在机架11底部，所述坡度调节装置包括所述机架11开设有弧形安装孔15，所述带辊13的中心轴14配合安装述弧形安装孔15内，所述中心轴14端部固定有偏心驱动部16，所述中心轴14端部通过所述偏心驱动部16偏心连接坡度调节电缸18，所述偏心驱动部16的偏心端与所述坡度调节电缸18的输出端铰接连接，所述坡度调节电缸18的安装端铰接安装在所述机架11上，所述偏心驱动部16在上侧远离坡度调节电缸18并靠近中心轴14的一侧的侧面上设置有自锁部17。

该跑步机方案将虚拟现实技术与跑步机结合，通过前端大屏幕2展示3D虚拟现实游戏场景和用户的虚拟角色，为用户提供更加丰富和有趣的跑步体验。

通过多用户交互模块，用户可以进行社交交互、实时多人同步跑步以及实时竞赛；用户可以在虚拟场景中参与竞赛或与其他用户进行交互，增加了跑步的趣味性和挑战性；这样的交互功能可以鼓励用户之间相互竞争、分享跑步成果和互相激励，增强用户的参与度和黏性。

深度学习模块搭载了用户运动预测深度学习模型，通过学习用户的运动数据，包括速度、步频和步幅等，可以实时预测用户下一时间步的跑带12速度。这样，跑步机可以根据用户的运动行为，自动调节跑带12速度，以满足用户的跑步需求。这种自适应调节的功能可以提高跑步机的智能化水平，让用户在跑步过程中更加舒适和便捷。

坡度调节装置采用了弧形安装孔15的设计，这样的安装方式可以使得带辊13能够灵活地转动，实现坡度的调节。相较于传统的固定坡度调节装置，弧形安装孔15更加灵活，可以让用户根据自己的需要调整坡度，以便适应不同的训练目标和强度。用户可以根据个人情况选择合适的坡度，进行爬坡或者平地跑步，增加跑步的挑战和乐趣。

综上所述，本发明利用虚拟现实技术可支持多用户之间的实时比赛和竞争，跑带自适应调节，坡度调节带有自锁，有利于保证用户进行沉浸式跑步竞赛体验。

坡度调节装置中设有自锁部17，这是为了确保坡度调节时的稳定性和安全性。当用户调节坡度时，偏心驱动部16会锁定在合适的位置，防止在运动过程中由于坡度不稳导致跑带12速度的意外丢失。这个设计为用户提供了更好的使用体验，确保了跑步的安全性。

该方案中还包括多用户交互模块和实时竞赛模块，可以支持用户之间的实时比赛和竞争。在前端大屏幕2上展示虚拟现实游戏场景和参赛用户的虚拟角色，用户可以通过VR装备进行参赛。深度学习模块预测并自适应调节每位参赛用户的跑带12速度，以保证公平竞赛和真实的竞争体验。这样的竞赛功能为用户提供了更多的激励和互动，增加了跑步机的趣味性和吸引力。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同、相似部分互相参见即可。

本发明的说明书和权利要求书及上述附图中的术语“上”、“下”、“外侧”“内侧”等如果存在是用于区别位置上的相对关系，而不必给予定性。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。