基于PAI的体能年龄预测方法、装置、设备和存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于PAI(Personal ActivityIntelligence，个人运动智能指数)的体能年龄预测方法、装置、设备和存储介质。

背景技术

目前，个体的实际年龄可以反映出同年龄段下人群的基本生理状况，实际年龄是单调递增的，一般来说，实际年龄的增加会导致机体器官功能的退化。然而同样实际年龄的个体却可能由于诸多外在因素及生活习惯的不同造成器官功能状态的差异，进而导致不同个体的健康状况和预期寿命的区别。

例如，一个经常锻炼的个体可能比同年龄段没有运动习惯的个体拥有更健康的体适能状态和更长的预期寿命。体能年龄是对体适能状态的描述，对个体来说，体能年龄相比实际年龄对健康状态的表征更有参考意义，一个人的体能年龄小于实际年龄往往表示该个体的体能储备优于处于相同实际年龄段的群体。

相关技术中，通过最大耗氧量来描述体能年龄，其中，最大摄氧量是指人体进行最大强度的运动并出现无力继续支撑接下来的运动时，所能摄入的氧气含量。最大摄氧量与个体的体适能状况正相关，即最大摄氧量越高，体适能状态越佳，体能年龄越低。

然而，这种直接测量的方式较为复杂，且需要用户通过运动达到机体的极限状态，以及仅仅以最大摄氧量作为量化指标来评估体能年龄，在一定程度上比较单一、片面。

发明内容

本申请旨在至少在一定程度上解决上述提到的技术问题之一。

为此，本申请的第一个目的在于提出一种基于PAI的体能年龄预测方法，解决了现有技术中基于PAI的体能年龄预测方式效率低且精度差的技术问题，通过同时将静态数据、窗口动态数据和个人运动机能指数PAI值通过体能年龄预测模型进行预测体能年龄，提高基于PAI的体能年龄预测精度和效率。

本申请的第二个目的在于提出一种基于PAI的体能年龄预测装置。

本申请的第三个目的在于提出一种计算机设备。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种基于PAI的体能年龄预测方法，包括：

获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值；

对所述静态数据进行处理，获取静态嵌入特征向量；

对所述窗口动态数据进行处理，获取动态嵌入特征向量；

将所述PAI值、所述静态数据嵌入特征和所述动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。

在本申请的一个实施例中，所述对所述静态数据进行处理，获取静态嵌入特征向量，包括：

获取所述静态数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；

获取所述静态数据中的数值特征数据，通过归一化公式对所述数值特征数据进行归一化处理，获取数值特征向量；

将所述分类特征向量和所述数值特征向量组合成所述静态嵌入特征向量。

在本申请的一个实施例中，所述对所述窗口动态数据进行处理，获取动态嵌入特征向量，包括：

按照时间维度将所述窗口动态数据进行矩阵化处理，生成动态数据矩阵；

根据动态数据对应的有效信息，生成与动态数据矩阵对应的掩码矩阵；

将所述动态数据矩和所述掩码矩阵组合后输入残差网络，获取所述动态嵌入特征向量。

在本申请的一个实施例中，在所述将所述PAI值、所述静态数据嵌入特征和所述动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型之前，还包括：

获取多个时间周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本；

分别对所述静态数据样本和所述窗口动态数据样本进行处理，获取静态嵌入训练特征向量和动态嵌入训练特征向量；

将所述PAI值样本、所述静态嵌入训练特征向量和所述动态嵌入训练特征向量进行融合输入到神经网络进行训练，获取训练体能年龄；

通过损失函数根据所述训练体能年龄和真实体能年龄对所述神经网络参数进行调整，生成所述体能年龄预测模型。

在本申请的一个实施例中，所述的方法，还包括：

获取所述用户在所述目标时间周期的预期体能年龄；

根据所述预期体能年龄和所述预测体能年龄的差值，确定目标PAI值；

根据所述目标PAI值生成运动指导信息。

为达上述目的，本申请第二方面实施例提出了一种基于PAI的体能年龄预测装置，包括：

第一获取模块，用于获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值；

第一处理模块，用于对所述静态数据进行处理，获取静态嵌入特征向量；

第二处理模块，用于对所述窗口动态数据进行处理，获取动态嵌入特征向量；

第二获取模块，用于将所述PAI值、所述静态数据嵌入特征和所述动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。

在本申请的一个实施例中，所述第一处理模块，具体用于：

获取所述静态数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；

获取所述静态数据中的数值特征数据，通过归一化公式对所述数值特征数据进行归一化处理，获取数值特征向量；

将所述分类特征向量和所述数值特征向量组合成所述静态嵌入特征向量。

在本申请的一个实施例中，所述第二处理模块，具体用于：

按照时间维度将所述窗口动态数据进行矩阵化处理，生成动态数据矩阵；

根据动态数据对应的有效信息，生成与动态数据矩阵对应的掩码矩阵；

将所述动态数据矩和所述掩码矩阵组合后输入残差网络，获取所述动态嵌入特征向量。

在本申请的一个实施例中，所述的装置，还包括：

第三获取模块，用于获取多个时间周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本；

第三处理模块，用于分别对所述静态数据样本和所述窗口动态数据样本进行处理，获取静态嵌入训练特征向量和动态嵌入训练特征向量；

训练模块，用于将所述PAI值样本、所述静态嵌入训练特征向量和所述动态嵌入训练特征向量进行融合输入到神经网络进行训练，获取训练体能年龄；

第一生成模块，用于通过损失函数根据所述训练体能年龄和真实体能年龄对所述神经网络参数进行调整，生成所述体能年龄预测模型。

在本申请的一个实施例中，所述的装置，还包括：

第四获取模块，用于获取所述用户在所述目标时间周期的预期体能年龄；

确定模块，用于根据所述预期体能年龄和所述预测体能年龄的差值，确定目标PAI值；

第二生成模块，用于根据所述目标PAI值生成运动指导信息。

为达上述目的，本申请第三方面实施例提出了一种计算机设备，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计算机程序时，实现如上述实施例所描述的基于PAI的体能年龄预测方法。

为了实现上述目的，本申请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，当所述存储介质中的指令由处理器被执行时，使得处理器能够实现如上述实施例所描述的基于PAI的体能年龄预测方法。

本申请提供的技术方案，至少具有如下有益技术效果：

获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值；对静态数据进行处理，获取静态嵌入特征向量；对窗口动态数据进行处理，获取动态嵌入特征向量；将PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。由此，同时将静态数据、窗口动态数据和个人运动机能指数PAI值通过体能年龄预测模型进行预测体能年龄，提高基于PAI的体能年龄预测精度和效率。

本申请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，或通过本申请的实践了解到。

附图说明

本申请上述的和/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：

图1为本申请实施例所提供的一种基于PAI的体能年龄预测方法的流程示意图；

图2为本申请实施例所提供的另一种基于PAI的体能年龄预测方法的流程示意图；

图3为本申请实施例所提供的体能年龄预测模型训练的示意图；

图4为本申请实施例所提供的又一种基于PAI的体能年龄预测方法的流程示意图；

图5为本申请实施例所提供的再一种基于PAI的体能年龄预测方法的流程示意图；

图6为本申请实施例提供的一种基于PAI的体能年龄预测装置的结构示意图；

图7为本申请实施例提供的另一种基于PAI的体能年龄预测装置的结构示意图；

图8为本申请实施例提供的又一种基于PAI的体能年龄预测装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于PAI的体能年龄预测方法、装置、设备和存储介质。其中，本申请实施例的基于PAI的体能年龄预测方法的执行主体，可以是任意便携式终端设备，该终端设备可以是手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统的硬件设备，该穿戴式设备可以是智能手环、智能手表、智能眼镜等。

图1为本申请实施例所提供的一种基于PAI的体能年龄预测方法的流程示意图。如图1所示，该基于PAI的体能年龄预测方法包括：

步骤101，获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值。

在本申请实施例中，预设时间周期的选择设置可以根据实际应用场景确定，比如一周、一个月、三个月或者半年。

在本申请实施例中，个人运动机能指数PAI是一种将心率数据被转换为有意义的健康风险指标的方法，获取个人运动机能指数PAI的方式有很多种，可以根据实际应用场景选择设置，举例说明如下。

第一种示例，基于可穿戴设备记录的观测周期的连续心率值进行计算PAI，获取每观测周期的个人运动机能指数PAI。其中，PAI以心肺健康收益为基础，基于心率提升来量化评估运动强度和运动量。

第二种示例，根据性别、动态心率、最大心率和静息心率通过相关公式、模型计算获取个人运动机能指数PAI。

相关专利CN107077523A通过公式(1)-(8)根据年龄、性别、静息心率和实时心率进行计算个人运动机能指数PAI。

具体地：

V＝a

HRth＝RHR+HRR×0.2 (6)

HRR＝MHR-RHR (7)

MHR＝a

其中，HR(t)是实时心率；T是积分时间；RHR表示用户的静息心率；age表示用户的年龄；{a

在本申请实施例中，静态数据指的是在用户注册时填写的个人基本信息，主要包括用户实际年龄、身高、体重、性别信息等；窗口动态数据指的是时间窗口(比如一周、一个月)内可穿戴设备比如健康手环、手表中采集到的心率、活动量、步数、运动模式等动态数据信息。其中，对于用户的动态数据信息，可以以日为单位进行数据连续的跟踪和数据更新，进一步提高预测的准确性。

步骤102，对静态数据进行处理，获取静态嵌入特征向量。

在本申请实施例中，嵌入可以理解为将离散向量表示为连续向量，即本申请中的静态嵌入特征向量是一种静态连续向量表示。

在本申请实施例中，对静态数据进行处理，获取静态嵌入特征向量的方式有很多种，举例说明如下：

第一种示例，获取静态数据中的分类特征数据，对分类特征数据进行编码，获取分类特征向量；获取静态数据中的数值特征数据，通过归一化公式对数值特征数据进行归一化处理，获取数值特征向量；将分类特征向量和数值特征向量组合成静态嵌入特征向量。

第二种示例，通过神经网络对静态数据进行处理进行特征处理，获取静态嵌入特征向量。

步骤103，对窗口动态数据进行处理，获取动态嵌入特征向量。

在本申请实施例中，嵌入可以理解为将离散向量表示为连续向量，即本申请中的动态嵌入特征向量是一种动态连续向量表示。

在本申请实施例中，对窗口动态数据进行处理，获取动态嵌入特征向量的方式有很多种，可以根据应用场景需要选择设置，举例说明如下。

第一种示例，按照时间维度将窗口动态数据进行矩阵化处理，生成动态数据矩阵；根据动态数据对应的有效信息，生成与动态数据矩阵对应的掩码矩阵；将动态数据矩和掩码矩阵组合后输入残差网络，获取动态嵌入特征向量。

第二种示例，通过神经网络对动态数据进行处理进行特征处理，获取动态嵌入特征向量。

步骤104，将PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。

在本申请实施例中，预先训练体能年龄预测模型，可以基于多个周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本、真实体能年龄和神经网络进行训练预先生成体能年龄预测模型。

由此，通过已训练的体能年龄预测模型对PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合特征进行计算，获取目标时间周期的预测体能年龄。

综上，本实施例的基于PAI的体能年龄预测方法，通过获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值；对静态数据进行处理，获取静态嵌入特征向量；对窗口动态数据进行处理，获取动态嵌入特征向量；将PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。由此，同时将静态数据、窗口动态数据和个人运动机能指数PAI值通过体能年龄预测模型进行预测体能年龄，提高基于PAI的体能年龄预测精度和效率。

为了本领域人员更加清楚上述模型训练过程，下面结合图2进行详细说明。

图2为本申请实施例所提供的另一种基于PAI的体能年龄预测方法的流程示意图。如图2所示，该基于PAI的体能年龄预测方法包括：

步骤201，获取多个时间周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本。

步骤202，分别对静态数据样本和所述窗口动态数据样本进行处理，获取静态嵌入训练特征向量和动态嵌入训练特征向量。

步骤203，将PAI值样本、静态嵌入训练特征向量和动态嵌入训练特征向量进行融合输入到神经网络进行训练，获取训练体能年龄。

步骤204，通过损失函数根据训练体能年龄和真实体能年龄对神经网络参数进行调整，生成体能年龄预测模型。

在本申请实施例中，多个时间周期比如每七天为一个时间周期，获取多个时间周期；再比如每月为一个时间周期，获取多个时间周期，具体根据应用场景需要选择设置。

进一步地，获取多个时间周期的个人运动机能指数PAI样本、静态数据样本和窗口动态数据样本，个人运动机能指数PAI是一种将心率数据被转换为有意义的健康风险指标的方法，获取个人运动机能指数PAI样本可以直接从数据库中获取，或者从数据库中获取记录的基于可穿戴设备的观测周期的连续心率值进行计算PAI样本。

在本申请实施例中，静态数据样本和窗口动态数据样本通常为基于可穿戴设备记录的心率数据样本、活动量数据样本、睡眠数据样本和体脂称测量的体脂数据样本，其中，可穿戴设备可以接收输入的体脂数据样本。

更具体地，心率数据样本可以为静息心率、睡眠时平均心率、清醒时平均心率、全天平均心率或心率变异性中至少一种；活动量数据样本可以为消耗总卡路里、跑步总距离、步行总时长、总步数、跑动消耗总卡路里、总步行距离、高强度运动活动量、低强度运动活动量、跑步步数、跑步时间、快走步数、快走时间、慢走步数或慢走时间中至少一种。

更具体地，睡眠数据样本可以为浅睡时长、深睡时长、睡眠过程中醒来的时长、睡眠开始时间、睡眠结束时间、睡眠总时长、睡眠中醒来次数的得分、深睡眠占比、睡眠时间得分、入睡时间得分、睡眠质量得分或进入睡眠的时长中至少一种；体脂数据样本可以为体重、身体质量指数、体脂率、肌肉量、水分率、蛋白质率、内脏脂肪等级、基础代谢、骨量、身体年龄、理想体重、体型或健康评分中至少一种。

在本申请实施例中，获取静态数据样本中的分类特征数据样本，对分类特征数据样本进行编码，获取分类特征向量样本，获取静态数据样本中的数值特征数据样本，通过归一化公式对数值特征数据样本进行归一化处理，获取数值特征向量样本。

进一步地，PAI值样本、静态嵌入训练特征向量和动态嵌入训练特征向量进行融合输入到神经网络进行训练，获取训练体能年龄，通过损失函数根据训练预测体能年龄和真实体能年龄对神经网络参数进行调整，生成体能年龄预测模型。

举例而言，如图3所示，采用多层循环神经网络(如LSTM)，融合个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本，以预测体能年龄。

在本申请实施例中，将个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本按照上述特征处理及融合方式，处理成多组特征向量，输入多层循环神经网络，定义损失函数为真实体能年龄与模型预测体能年龄的差值平方，采用随机梯度下降法训练模型参数，训练好的体能年龄预测模型即可用于体能年龄预测，预测周期可以根据需求确定，短期如一周，长期如1个月、3个月、半年等。对于长期预测，可在体能年龄预测模型中引入注意力机制提高模型处理长时间序列的能力。

本申请实施例中，比如体能年龄预测模型采利用连续8周的PAI数据和动静态混合模态特征进行用户下个月的体能年龄的变化进行预测，即LSTM模型的预测步长为8周，预测提前量为一周，将PAI值、静态数据嵌入特征和动态数据嵌入特征融合后的特征作为LSTM每个时间点上的输入特征向量。

综上，本实施例的基于PAI的体能年龄预测方法，通过获取多个时间周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本，分别对静态数据样本和所述窗口动态数据样本进行处理，获取静态嵌入训练特征向量和动态嵌入训练特征向量，将PAI值样本、静态嵌入训练特征向量和动态嵌入训练特征向量进行融合输入到神经网络进行训练，获取训练体能年龄，通过损失函数根据训练体能年龄和真实体能年龄对神经网络参数进行调整，生成体能年龄预测模型。由此，同时将静态数据、窗口动态数据和个人运动机能指数PAI值通过体能年龄预测模型进行预测体能年龄，提高基于PAI的体能年龄预测精度和效率。

图4为本申请实施例所提供的又一种基于PAI的体能年龄预测方法的流程示意图。如图4所示，该基于PAI的体能年龄预测方法包括：

步骤301，获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值。

在本申请实施例中，预设时间周期的选择设置可以根据实际应用场景确定，比如一周、一个月、三个月或者半年。

在本申请实施例中，个人运动机能指数PAI是一种将心率数据被转换为有意义的健康风险指标的方法，获取个人运动机能指数PAI的方式有很多种，可以根据实际应用场景选择设置，举例说明如下。

第一种示例，基于可穿戴设备记录的观测周期的连续心率值进行计算PAI，获取每观测周期的个人运动机能指数PAI。其中，PAI以心肺健康收益为基础，基于心率提升来量化评估运动强度和运动量。

第二种示例，根据性别、动态心率、最大心率和静息心率通过相关公式、模型计算获取个人运动机能指数PAI。

在本申请实施例中，静态数据指的是在用户注册时填写的个人基本信息，主要包括用户实际年龄、身高、体重、性别信息等；窗口动态数据指的是时间窗口(比如一周、一个月)内可穿戴设备比如健康手环、手表中采集到的心率、活动量、步数、运动模式等动态数据信息。其中，对于用户的动态数据信息，可以以日为单位进行数据连续的跟踪和数据更新，进一步提高预测的准确性。

步骤302，获取静态数据中的分类特征数据，对分类特征数据进行编码，获取分类特征向量；获取静态数据中的数值特征数据，通过归一化公式对数值特征数据进行归一化处理，获取数值特征向量。

步骤303，将分类特征向量和数值特征向量组合成静态嵌入特征向量。

在本申请实施例中，对于分类特征数据(性别、阳历月份、阴历月份等)采用比如one-hot编码(独热编码)进行编码处理，对于个人基本信息(身高、年龄)等数值特征数据采用最大最小归一化。

由此，通过对数值特征数据进行归一化处理，进一步提高后续体能年龄预测的准确性。

步骤304，按照时间维度将窗口动态数据进行矩阵化处理，生成动态数据矩阵，根据动态数据对应的有效信息，生成与动态数据矩阵对应的掩码矩阵。

步骤305，将动态数据矩和掩码矩阵组合后输入残差网络，获取动态嵌入特征向量。

在本申请实施例中，对于用户的连续动态数据，比如按照周为时间窗口滑窗，滑窗要求窗口内至少存在4条以上含有有效数据的用户记录，且窗口数据满足PAI的计算条件，对于不满足上述要求的窗口，以1天为步长继续滑窗，而对于满足上述计算条件的窗口，除了计算窗口内的PAI值之外，统计出满足有效运动定义的运动模式和相应有效运动时长，若当前窗口满足PAI的计算条件则以7为步长继续滑窗直至覆盖用户全部动态数据为止。

在本申请实施例中，对静态数据和动态数据(比如分钟级心率，活动量，步数，以及运动模式数据等)，PAI值进行预处理。其中，数据的预处理包括异常值处理、缺失值/异常值填充、数据规范化等。

其中，异常值处理和缺失值填充主要针对动态数据，以心率数据为例，规定正常的心率范围是30bpm-220bpm，对于不在正常心率值范围内的数据定义为异常数据；而填充策略上，对于两侧心率数据在有效值范围内的缺失值或异常值按照对两侧有效值取均值的方式进行平均化填充；对于两侧心率无效的缺失值或异常值则不做处理；数据规范化方面，对于离散型数据，如性别，运动模式等，采用独热化的方法进行规范化，对于连续型数据，如心率，活动量等，按照最大最小值的方法进行规范化处理。

在本申请实施例中，静态嵌入特征向量，包括，BMI,体脂率等。BMI的计算公式为体重(公斤)/身高(米)

在本申请实施例中，举例而言，分钟级动态数据的长度为1440，主要的特征工程包括掩模(Mask)的添加及输入特征的矩阵化处理。掩模主要针对异常数据和无效数据，对于原先一维的动态数据，额外增加一个维度表示该时刻的动态数据是否是无效值，如果该时刻的动态数据是无效值则对应位置上的Mask取值为0，若该时刻的动态数据在正常范围内，则该时刻对应的Mask取值为1。

具体地，针对输入动态数据的矩阵化则是将原先一维的动态数据转换成二维矩阵的输入格式，对动态数据的矩阵化可以将一维时间序列信号转换成二维图像，进一步使用卷积神经网络算法可以充分提取分钟级数据各个时间点的关联特征。比如在本申请实施例中，考虑将分钟级数据转换成为24*60的二维矩阵形式。其中，24代表24小时，60代表60分钟。

举例而言，首先将每个窗口七天的分钟级心率数据、活动量数据、Mask数据都进行矩阵化处理，并在通道的维度堆叠。若滑窗中存在无有效动态数据的天，则先计算出所有有效动态数据的均值，然后利用均值对无效数据日进行填充。这样在每个窗口的动态数据组成了一个24*60*21(7天*3组(心率、活动量、Mask数据)动态数据输入矩阵，之后将动态数据矩阵输入到残差网络当中进行动态数据嵌入特征矩阵的学习，获取动态嵌入特征向量。

最后将动态嵌入特征向量和静态嵌入特征向量与窗口内计算出的PAI值进行拼接，获取每个窗口的特征向量输入体能年龄预测模型进行预测，获取预测体能年龄。

步骤306，将PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。

在本申请实施例中，预先训练体能年龄预测模型，可以基于多个周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本、真实体能年龄和神经网络进行训练预先生成体能年龄预测模型。

由此，通过已训练的体能年龄预测模型对PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合特征进行计算，获取目标时间周期的预测体能年龄。

综上，本实施例的基于PAI的体能年龄预测方法，通过获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值；对静态数据进行处理，获取静态嵌入特征向量；对窗口动态数据进行处理，获取动态嵌入特征向量；将PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。由此，同时将静态数据、窗口动态数据和个人运动机能指数PAI值通过体能年龄预测模型进行预测体能年龄，提高基于PAI的体能年龄预测精度和效率。

基于上述描述，除了利用当前数据去预估未来一段时间自身的体能年龄变化趋势之外，如何通过既定的体能年龄变化目标来定量地指导自身的运动行为和运动习惯的改变对于用户来说也同样具有重要意义。具体如图5所示，包括：

步骤401，获取用户在目标时间周期的预期体能年龄。

步骤402，根据预期体能年龄和预测体能年龄的差值，确定目标PAI值。

步骤403，根据目标PAI值生成运动指导信息。

本申请实施例中，假设用户在基本静态数据和动态数据不发生较大改变的情况下，通过增加PAI值来实现体能年龄变化的目标。

具体地，上述实施例中，体能年龄预测模型可以抽象为公式(1)。公式(1)中，第n周的输入特征：f

假设静态和动态嵌入特征变化不大的情况下，第九周的特征集合f

具体地，PAI的计算过程中记录了用户的有效运动模式(达到PAI值计算阈值的活动类型)、相应模式下的运动时长以及对应的PAI分值贡献度，比如根据用户的偏好，给用户提供三种不同的个性化运动指导信息。

另外，对于锻炼时间有限的用户，可以按照活动总时长不变的原则，增加对PAI分数贡献比高的运动模式的活动时长；对于体适能水平有限，无法进行长时间的高负荷运动的用户，可以采用只调整轻量运动活动时长的方式，不改变用户那些对PAI值贡献比较高的运动的活动时长，而仅仅增加那些对PAI值贡献比较低的运动的活动时长。若用户对运动方式的调整没有特殊要求则可以根据用户平常的运动喜好和各种运动模式的分配时间等比例的增加各个有效运动模式的运动时长。

由此，预测出一段时间后用户体能年龄的变化情况，时间上的提前量可以便于用户对自身当前的运动习惯进行评估，对于那些有体能年龄改善计划的用户，也可以根据预测结果及时对自己的运动方式进行调整，以及可以按照用户不同的运动需求为用户提供运动指导信息。本申请可以对每位用户保存其PAI值计算过程中的有效运动模式及各运动模式下的有效运动时长，针对不同的用户偏好，选择不同的方式对用户运动方式提供指导建议，这种个性化的运动指导方式可以为用户提供符合其运动习惯的更具体、更有效的指导，也便于达成既定的改变体能年龄的目标。

为了实现上述实施例，本申请还提出一种基于PAI的体能年龄预测装置。

图6为本申请实施例提供的一种基于PAI的体能年龄预测装置的结构示意图。

如图6所示，该基于PAI的体能年龄预测装置包括：第一获取模块601、第一处理模块602、第二处理模块603和第二获取模块604。其中，

第一获取模块601，用于获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值。

第一处理模块602，用于对所述静态数据进行处理，获取静态嵌入特征向量。

第二处理模块603，用于对所述窗口动态数据进行处理，获取动态嵌入特征向量。

第二获取模块604，用于将所述PAI值、所述静态数据嵌入特征和所述动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。

在本申请的一个实施例中，第一处理模块602，具体用于：获取所述静态数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；获取所述静态数据中的数值特征数据，通过归一化公式对所述数值特征数据进行归一化处理，获取数值特征向量；将所述分类特征向量和所述数值特征向量组合成所述静态嵌入特征向量。

在本申请的一个实施例中，第二处理模块603，具体用于：按照时间维度将所述窗口动态数据进行矩阵化处理，生成动态数据矩阵；根据动态数据对应的有效信息，生成与动态数据矩阵对应的掩码矩阵；将所述动态数据矩和所述掩码矩阵组合后输入残差网络，获取所述动态嵌入特征向量。

在本申请的一个实施例中，如图7所示，在如图6所示的基础上，该装置还包括：第三获取模块605、第三处理模块606、训练模块607和第一生成模块608。

第三获取模605，用于获取多个时间周期的个人运动机能指数PAI值样本、静态数据样本和窗口动态数据样本。

第三处理模块606，用于分别对所述静态数据样本和所述窗口动态数据样本进行处理，获取静态嵌入训练特征向量和动态嵌入训练特征向量。

训练模块607，用于将所述PAI值样本、所述静态嵌入训练特征向量和所述动态嵌入训练特征向量进行融合输入到神经网络进行训练，获取训练体能年龄。

第一生成模块608，用于通过损失函数根据所述训练体能年龄和真实体能年龄对所述神经网络参数进行调整，生成所述体能年龄预测模型。

在本申请的一个实施例中，如图8所示，在如图6所示的基础上，该装置还包括：第四获取模块609、确定模块610和第二生成模块611。

第四获取模块609，用于获取所述用户在所述目标时间周期的预期体能年龄。

确定模块610，用于根据所述预期体能年龄和所述预测体能年龄的差值，确定目标PAI值。

第二生成模块611，用于根据所述目标PAI值生成运动指导信息。

需要说明的是，前述对基于PAI的体能年龄预测方法实施例的解释说明也适用于该实施例的基于PAI的体能年龄预测装置，此处不再赘述。

综上，本实施例的基于PAI的体能年龄预测装置，通过获取用户在预设时间周期内的静态数据、窗口动态数据和个人运动机能指数PAI值；对静态数据进行处理，获取静态嵌入特征向量；对窗口动态数据进行处理，获取动态嵌入特征向量；将PAI值、静态数据嵌入特征和动态数据嵌入特征进行融合后输入已训练的体能年龄预测模型，获取目标时间周期的预测体能年龄。由此，同时将静态数据、窗口动态数据和个人运动机能指数PAI值通过体能年龄预测模型进行预测体能年龄，提高基于PAI的体能年龄预测精度和效率。

为了实现上述实施例，本申请还提出一种计算机设备，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计算机程序时，实现如上述实施例所述的基于PAI的体能年龄预测方法。

为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得能够执行上述实施例所述的基于PAI的体能年龄预测方法。

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申请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。

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。在本申请的描述中，“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。

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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。

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。

应当理解，本申请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。

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。

此外，在本申请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。

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申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。