基于全基因组的运动提高心肺耐力效果预测方法及装置

技术领域

本发明涉及体育科学、运动健康技术领域，具体而言，本发明涉及基于全基因组的运动提高心肺耐力效果预测方法及装置。

背景技术

心肺功能(CRF)与心血管疾病、全因死亡率和癌症死亡率等相关，CRF的金指标最大摄氧量(VO

发明内容

本发明所要解决的技术问题是提供了基于全基因组的运动提高心肺耐力效果预测方法，旨在解决上述至少一个技术问题。

本发明解决上述技术问题的技术方案如下：基于全基因组的运动提高心肺耐力效果预测方法，该方法包括：

获取待检测用户的基本信息、运动前的初始心肺耐力值以及多个目标单核苷酸多态性位点；

根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，所述第一基因预测评分表征了所述待检测用户的与运动提高心肺耐力效果有关的先天遗传特征；

根据所述第一基因预测评分，通过预训练的第一预测模型，确定所述待检测用户的运动提高心肺耐力效果等级，所述第一预测模型是基于不同运动提高心肺耐力效果等级的第一基因预测评分训练得到的；

根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，确定所述待检测用户运动后的目标心肺耐力效果值，所述第二预测模型是基于不同用户的基本信息、初始心肺耐力值、基因预测评分和运动后的目标心肺耐力效果值训练得到的。

本发明的有益效果是：基于待检测用户的第一基因预测评分，通过预训练的第一预测模型，可以预测得到待检测用户的运动提高心肺耐力效果等级，通过所述运动提高心肺耐力效果等级可以反映出待检测用户运动后所提高的心肺耐力效果，还可基于待检测用户的基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，预测出待检测用户运动后的目标心肺耐力效果值，通过该目标心肺耐力效果值可以反映出运动提高待检测用户心肺耐力效果，通过本申请的两个预测模型，可满足不同的运动条件下，完成运动开始前运动提高心肺耐力效果的预测。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，上述根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，包括：

根据多个所述目标单核苷酸多态性位点和每个所述目标单核苷酸多态性位点的权重，确定所述待检测用户的第一基因预测评分。

采用上述进一步方案的有益效果是，考虑到不同的单核苷酸多态性位点对第一基因预测评分的影响程度不同，则基于多个所述目标单核苷酸多态性位点和每个所述目标单核苷酸多态性位点的权重，可更准确的确定所述待检测用户的第一基因预测评分。

进一步，上述第一预测模型是通过以下方式训练得到的：

获取多个样本用户中每个所述样本用户在运动前的第一心肺耐力值、运动后的第二心肺耐力值和多个单核苷酸多态性位点；

对于每个所述样本用户，根据所述第一心肺耐力值和所述第二心肺耐力值，确定第一心肺耐力差值；

根据各个所述第一心肺耐力差值，确定每个所述第一心肺耐力差值对应的效果量，所述效果量表征了心肺耐力的提高效果；

根据各个所述效果量，对各个所述样本用户进行分组，得到多组样本用户，每组所述样本用户对应一个运动提高心肺耐力效果等级；

对于每个所述样本用户，根据多个所述单核苷酸多态性位点，确定所述样本用户的第二基因预测评分；

根据各组所述样本用户中每个所述样本用户的第二基因预测评分，对第一初始模型进行训练，得到所述第一预测模型。

采用上述进一步方案的有益效果是，基于多个单核苷酸多态性位点(在无运动的情况下确定的)训练得到的第一预测模型，可以在无运动能力测试场景下，进行运动提高心肺耐力效果的预测。

进一步，上述多个样本用户中每个所述样本用户对应的多个所述单核苷酸多态性位点是通过以下方式获取的：

根据所述样本用户对应的第一心肺耐力差值，通过全基因组关联分析方法，确定所述样本用户的各基因位点的显著性水平和各所述基因位点的物理位置；

根据各所述基因位点的显著性水平和显著性水平阈值，从各所述基因位点筛选出候选基因位点；

根据各所述候选基因位点的物理位置，从所述各所述候选基因位点中筛选出目标基因位点作为多个所述单核苷酸多态性位点。

采用上述进一步方案的有益效果是，在确定多个所述单核苷酸多态性位点的过程中，结合全基因组关联法，可从各个基因点位中筛选出最具代表性，即显著性水平较高的目标基因位点作为多个所述单核苷酸多态性位点，使得基于多个所述单核苷酸多态性位点进行预测得到的结果更加准确，同时可提升数据处理效率。

进一步，上述第二预测模型是通过以下方式训练得到的：

获取多个样本用户中每个所述样本用户的基本信息；

对于每个所述样本用户，根据所述所述样本用户的第二基因预测评分、第一心肺耐力值和所述基本信息，确定所述样本用户的第二心肺耐力差值；

根据各个所述样本用户中每个所述样本用户的基本信息、第二心肺耐力差值、第二基因预测评分和第一心肺耐力值，对第二初始模型进行训练，得到所述第二预测模型。

采用上述进一步方案的有益效果是，基于各个所述样本用户中每个所述样本用户的基本信息、第二心肺耐力差值(在有运动测试的情况下确定的)、第二基因预测评分和第一心肺耐力值训练得到的第二预测模型，可以在有运动能力测试场景下，进行运动提高心肺耐力效果的预测。

进一步，对于每个所述样本用户，上述第一心肺耐力值和第二心肺耐力值通过以下方式确定的：

对于每个所述样本用户，获取所述样本用户在进行设定时长的高强度间歇训练前后中的多个训练参数，多个所述训练参数包括呼吸商、心率、摄氧量和RPE；

对于每个所述样本用户，在各所述训练参数中至少两项训练参数满足对应的预设条件时，将获取到的心肺耐力值作为所述第一心肺耐力值和所述第二心肺耐力值。

采用上述进一步方案的有益效果是，在对样本用户进行高强度间歇训练过程中，选择满足预设条件的训练参数确定第一心肺耐力值和第二心肺耐力值，可使得第一心肺耐力值和第二心肺耐力值更有实际参考价值。

进一步，对于每个所述样本用户，所述预设条件包括进行设定时长的高强度间歇训练前的最大摄氧量和进行设定时长的高强度间歇训练后的最大摄氧量；

所述在各所述训练参数中的至少两项训练参数满足对应的预设条件时，将获取到的心肺耐力值作为所述第一心肺耐力值和所述第二心肺耐力值，包括：

获取所述样本用户的体重；

根据各所述训练参数和所述预设条件，确定进行设定时长的高强度间歇训练前的最大摄氧量和进行设定时长的高强度间歇训练后的最大摄氧量；

根据所述进行设定时长的高强度间歇训练前的最大摄氧量和所述样本用户的体重，确定所述第一心肺耐力值；

根据所述进行设定时长的高强度间歇训练后的最大摄氧量和所述样本用户的体重，确定所述第二心肺耐力值。

采用上述进一步方案的有益效果是，考虑到每个样本用户的体重不同，体重直接影响一个人的运动前后的真实心肺耐力效果，因此，在确定第一心肺耐力值和第二心肺耐力值时，考虑到运动前后的最大摄氧量和体重两个因素，可使得确定的第一心肺耐力值和第二心肺耐力值更加准确。

第二方面，本发明为了解决上述技术问题还提供了基于全基因组的运动提高心肺耐力效果预测装置，该装置包括：

数据获取模块，用于获取待检测用户的基本信息、运动前的初始心肺耐力值以及多个目标单核苷酸多态性位点；

基因预测评分确定模块，用于根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，所述第一基因预测评分表征了所述待检测用户的与运动提高心肺耐力效果有关的先天遗传特征；

效果等级确定模块，用于根据所述第一基因预测评分，通过预训练的第一预测模型，确定所述待检测用户的运动提高心肺耐力效果等级，所述第一预测模型是基于不同运动提高心肺耐力效果等级的第一基因预测评分训练得到的；

目标心肺耐力效果值确定模块，用于根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，确定所述待检测用户运动后的目标心肺耐力效果值，所述第二预测模型是基于不同用户的基本信息、初始心肺耐力值、基因预测评分和运动后的目标心肺耐力效果值训练得到的。

第三方面，本发明为了解决上述技术问题还提供了一种电子设备，该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，处理器执行该计算机程序时实现本申请的基于全基因组的运动提高心肺耐力效果预测方法。

第四方面，本发明为了解决上述技术问题还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请的基于全基因组的运动提高心肺耐力效果预测方法。

本申请附加的方面和优点将在下面的描述中部分给出，这些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

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍。

图1为本发明一个实施例提供的一种基于全基因组的运动提高心肺耐力效果预测方法的流程示意图；

图2为本发明一个实施例提供的一种关联分析结果的示意图；

图3为本发明一个实施例提供的一种PPS模型与运动提高心肺耐力(VO

图4为本发明一个实施例提供的一种运动提高心肺耐力(VO

图5为本发明一个实施例提供的一种基于全基因组评分的预测运动提高心肺耐力(VO

图6为本发明一个实施例提供的一种电子设备的结构示意图。

具体实施方式

以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

本发明实施例所提供的方案可以适用于任何需要基于全基因组的运动提高心肺耐力效果预测应用场景中。本发明实施例所提供的方案可以由任一电子设备执行，比如，可以是用户的终端设备，包括以下至少一项：智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能电视、智能车载设备。

本发明实施例提供了一种可能的实现方式，如图1所示，提供了一种基于全基因组的运动提高心肺耐力效果预测方法流程图，该方案可以由任一电子设备执行，例如，可以是终端设备，或者由终端设备和服务器共同执行。为描述方便，下面将以终端设备作为执行主体为例对本发明实施例提供的方法进行说明，如图1中所示的流程图，该方法可以包括以下步骤：

步骤S110，获取待检测用户的基本信息、运动前的初始心肺耐力值以及多个目标单核苷酸多态性位点；

步骤S120，根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，所述第一基因预测评分表征了所述待检测用户的与运动提高心肺耐力效果有关的先天遗传特征；

步骤S130，根据所述第一基因预测评分，通过预训练的第一预测模型，确定所述待检测用户的运动提高心肺耐力效果等级，所述第一预测模型是基于不同运动提高心肺耐力效果等级的第一基因预测评分训练得到的；

步骤S140，根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，确定所述待检测用户运动后的目标心肺耐力效果值，所述第二预测模型是基于不同用户的基本信息、初始心肺耐力值、第一基因预测评分和运动后的目标心肺耐力效果值训练得到的。

通过本发明的方法，基于待检测用户的第一基因预测评分，通过预训练的第一预测模型，可以预测得到待检测用户的运动提高心肺耐力效果等级，通过所述运动提高心肺耐力效果等级可以反映出待检测用户运动后所提高的心肺耐力效果，还可基于待检测用户的基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，预测出待检测用户运动后的目标心肺耐力效果值，通过该目标心肺耐力效果值可以反映出运动提高待检测用户心肺耐力效果，通过本申请的两个预测模型，可满足不同的运动条件下，完成运动开始前运动提高心肺耐力效果的预测。

下面结合以下具体的实施例，对本发明的方案进行进一步的说明，在该实施例中，基于全基因组的运动提高心肺耐力效果预测方法可以包括以下步骤：

步骤S110，获取待检测用户的基本信息、运动前的初始心肺耐力值以及多个目标单核苷酸多态性位点。

其中，上述基本信息指的是用户的身体基本信息以及自身属性信息，包括体重、性别等，可以预先向待检测用户获取。可选的，每个人的目标单核苷酸多态性位点可通过基因分型测试获得。

步骤S120，根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，所述第一基因预测评分表征了所述待检测用户的与运动提高心肺耐力效果有关的先天遗传特征；

可选的，上述根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，包括：

根据多个所述目标单核苷酸多态性位点和每个所述目标单核苷酸多态性位点的权重，确定所述待检测用户的第一基因预测评分。

其中，每个所述目标单核苷酸多态性位点的权重可预先设定好，上述根据多个所述目标单核苷酸多态性位点和每个所述目标单核苷酸多态性位点的权重，确定所述待检测用户的第一基因预测评分，可通过以下公式实现：

PPS＝β

其中，PPS表示第一基因预测评分，n

步骤S130，根据所述第一基因预测评分，通过预训练的第一预测模型，确定所述待检测用户的运动提高心肺耐力效果等级，所述第一预测模型是基于不同运动提高心肺耐力效果等级的第一基因预测评分训练得到的；

步骤S140，根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，确定所述待检测用户运动后的目标心肺耐力效果值，所述第二预测模型是基于不同用户的基本信息、初始心肺耐力值、基因预测评分和目标心肺耐力效果值训练得到的。

可选的，第一预测模型是通过以下方式训练得到的：

获取多个样本用户中每个所述样本用户在运动前的第一心肺耐力值、运动后的第二心肺耐力值和多个单核苷酸多态性位点；

对于每个所述样本用户，根据所述第一心肺耐力值和所述第二心肺耐力值，确定第一心肺耐力差值；

根据各个所述第一心肺耐力差值，确定每个所述第一心肺耐力差值对应的效果量，所述效果量表征了心肺耐力的提高效果；

根据各个所述效果量，对各个所述样本用户进行分组，得到多组样本用户，每组所述样本用户对应一个运动提高心肺耐力效果等级；

对于每个所述样本用户，根据多个所述单核苷酸多态性位点，确定所述样本用户的第二基因预测评分；

根据各组所述样本用户中每个所述样本用户的第二基因预测评分，对第一初始模型进行训练，得到所述第一预测模型。

其中，可预先让多个样本用户进行相同的训练，得到每个所述样本用户在运动前的第一心肺耐力值、运动后的第二心肺耐力值，可选的，对于每个所述样本用户，上述所述第一心肺耐力值和第二心肺耐力值通过以下方式确定的：

对于每个所述样本用户，获取所述样本用户在进行设定时长的高强度间歇训练前后的多个训练参数，多个所述训练参数包括呼吸商、心率、摄氧量和RPE；

对于每个所述样本用户，在各所述训练参数中至少两项训练参数满足对应的预设条件时，将获取到的心肺耐力值作为第一心肺耐力值和第二心肺耐力值。

其中，可让每个样本用户进行设定时长(比如，12周)的高强度间歇训练(Highintensity intervaltraining，HIIT)，高强度间歇训练的具体训练课程可参见表1：

表1

在每个样本用户进行高强度间歇训练的过程中，通过CORTEX气体代谢仪(CortexMetaMax 3B)直接测试获得各个训练参数。运动中通过polar心率带采集受试者实时心率，每级负荷记录受试者疲劳指数。测试过程中监控动态心电图，排查运动风险。

不同的训练参数对应不同的预设条件，呼吸商对应的预设条件是呼吸商达到1.1，心率对应的预设条件是心率大于预计最大心率90％，摄氧量对应的预设条件是摄氧量出现平台，不再随负荷增加而上升，RPE对应的预设条件是RPE≥17，表示无法完成当前负荷。

对于每个所述样本用户，在各所述训练参数中至少两项训练参数满足对应的预设条件时，将获取到的心肺耐力值作为第一心肺耐力值和第二心肺耐力值。

可选的，对于每个所述样本用户，所述预设条件包括进行设定时长的高强度间歇训练前的最大摄氧量和进行设定时长的高强度间歇训练后的最大摄氧量；则上述在各所述训练参数中的至少两项训练参数满足对应的预设条件时，将获取到的心肺耐力值作为所述第一心肺耐力值和所述第二心肺耐力值，包括：

获取所述样本用户的体重；

根据各所述训练参数和所述预设条件，确定进行设定时长的高强度间歇训练前的最大摄氧量和进行设定时长的高强度间歇训练后的最大摄氧量；

根据所述进行设定时长的高强度间歇训练前的最大摄氧量和所述样本用户的体重，确定所述第一心肺耐力值，具体的可以是进行设定时长的高强度间歇训练前的最大摄氧量与体重的比值作为第一心肺耐力值；

根据所述进行设定时长的高强度间歇训练后的最大摄氧量和所述样本用户的体重，确定所述第二心肺耐力值，具体的可以是进行设定时长的高强度间歇训练后的最大摄氧量与体重的比值作为第二心肺耐力值。

可选的，上述多个样本用户中每个所述样本用户对应的多个所述单核苷酸多态性位点是通过以下方式获取的：

根据所述样本用户对应的第一心肺耐力差值，通过全基因组关联分析方法，确定所述样本用户的各基因位点的显著性水平和各所述基因位点的物理位置；

根据各所述基因位点的显著性水平和显著性水平阈值，从各所述基因位点筛选出候选基因位点；

根据各所述候选基因位点的物理位置，从所述各所述候选基因位点中筛选出目标基因位点作为多个所述单核苷酸多态性位点。

其中，第二心肺耐力值可以是长期运动锻炼后的预期心肺耐力值，上述第一心肺耐力差值可以通过以下公式确定：

△VO

其中，△VO

通过第一心肺耐力差值可以反映运动提高心肺耐力的效果。上述根据所述第一心肺耐力差值，通过全基因组关联分析方法，确定所述样本用户的各基因位点的显著性水平和各所述基因位点的物理位置的具体实现过程为：根据所述第一心肺耐力差值，通过全基因组关联分析方法进行关联分析，关联分析结果可参见图2，图2中各个基因位点的显著性水平，图2的横坐标表示了各个基因位点所在染色体号，纵坐标表征了显著性水平，在与横坐标平行的直线上端的基因位点，表示显著性水平较高，在直线下面的基因位点，表示显著性水平较低。先根据所述第一心肺耐力差值，通过全基因组关联分析方法进行关联分析，得到GWAS关联结果的膨胀系数λ，基于膨胀系数λ评价GWAS关联结果的偏倚情况以及是否受到群体分层的影响，然后通过R studio绘制的曼哈顿图表征GWAS关联结果，图2可以为通过Rstudio绘制的曼哈顿图。

可选的，基因预测评分包括的候选基因位点的显著性水平阈值可基于实际需求设置，在本申请方案中，可为1×10

可选的，上述根据各个所述第一心肺耐力差值，确定每个所述第一心肺耐力差值对应的效果量(Cohen’s d效果量，Effect Size，简称ES)可以基于现有技术实现，在此不再赘述。然后根据各个所述效果量，对各个所述样本用户进行分组，得到多组样本用户，每组所述样本用户对应一个运动提高心肺耐力效果等级；作为一个示例，根据各个所述效果量，将各个所述样本用户分成5组，每组对应的效果量分别为：ES≥0.8，0.5≤ES＜0.8，0.2≤ES＜0.5，0

需要说明的是，对于每个所述样本用户，根据多个所述单核苷酸多态性位点，确定所述样本用户的第二基因预测评分可以基于前文基于多个目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分相同的方式确定，在此不再赘述。

需要说明的是，上述根据各组所述样本用户中每个所述样本用户的第二基因预测评分，对第一初始模型进行训练，得到所述第一预测模型是根据各个样本用户的第二基因预测评分对第一初始模型进行训练，得到每个所述样本用户对应的预测运动提高心肺耐力效果等级；基于进行分组时的各个真实运动提高心肺耐力效果等级和各个预测运动提高心肺耐力效果等级，可以确定第一初始模型的第一损失值，在第一损失值满足预设的第一训练结束条件时，将满足第一训练结束条件时的第一初始模型作为第一预测模型，在第一损失值不满足预设的第一训练结束条件时，调整第一初始模型的模型参数，并基于调整后的模型参数重新对第一初始模型进行训练，直到第一损失值满足第一训练结束条件。

通过上述训练得到的第一预测模型可以有效区分不同训练效果的用户。如图3所示，基于PPS得分(基因预测评分)可以有效区分不同ES效果组，当PPS得分高于1.757(95％CI:1.030～2.485)，HIIT提高VO

可选的，上述第二预测模型是通过以下方式训练得到的：

获取多个样本用户中每个所述样本用户的基本信息，包括性别和身高；

对于每个所述样本用户，根据所述所述样本用户的第二基因预测评分、第一心肺耐力值和所述基本信息，确定所述样本用户的第二心肺耐力差值；

根据各个所述样本用户中每个所述样本用户的基本信息、第二心肺耐力差值、第二基因预测评分和第一心肺耐力值，对第二初始模型进行训练，得到所述第二预测模型。

其中，对于每个样本用户，第二心肺耐力差值表示了该样本用户的真实心肺耐力效果值，第二心肺耐力差值可通过下文的第三公式确定。同理，上述第二预测模型可通过第三公式表示，则上述根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，确定所述待检测用户运动后的目标心肺耐力效果值，具体为：

根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过所述第三公式，确定待检测用户运动后的目标心肺耐力效果值，其中，第三公式为：

ΔVO

VO

其中，ΔVO

为了更好的说明及理解本发明所提供的方法的原理，下面结合一个可选的具体实施例对本发明的方案进行说明。相同标准化的运动干预，健康成年人的肺功能效果具有个体差异，本方案的数据稳定性好、科学性高，且可复现。如图4所示，图4的左边图是运动提高心肺耐力效果个体差异图，横坐标就是每一位受试者，纵坐标表示心肺耐力效果值；图4的右边图的横坐标表示不同运的提高心肺耐力效果组，纵坐标表示心肺耐力效果值，通过图4中的两个图，可以说明运动之后心肺耐力提高效果存在个体差异，有人效果好，有人效果不好。

另外，运动提高VO

通过本申请的方案，相较于现有技术存在以下有益效果：

(1)本方法提供两种不同环境下的预测模型，并通过本专利可以在有运动能力测试和无运动能力测试两场景下，进行运动提高VO

(2)本专利是一种可以在运动干预开始前预测HIIT提高VO

基于与图1中所示的方法相同的原理，本发明实施例还提供了基于全基因组的运动提高心肺耐力效果预测装置20，如图5中所示，该基于全基因组的运动提高心肺耐力效果预测装置20可以包括数据获取模块210、基因预测评分确定模块220、效果等级确定模块230和目标心肺耐力效果值确定模块240，其中：

数据获取模块210，用于获取待检测用户的基本信息、运动前的初始心肺耐力值以及多个目标单核苷酸多态性位点；

基因预测评分确定模块220，用于根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分，所述第一基因预测评分表征了所述待检测用户的与运动提高心肺耐力效果有关的先天遗传特征；

效果等级确定模块230，用于根据所述第一基因预测评分，通过预训练的第一预测模型，确定所述待检测用户的运动提高心肺耐力效果等级，所述第一预测模型是基于不同运动提高心肺耐力效果等级的第一基因预测评分训练得到的；

目标心肺耐力效果值确定模块240，用于根据所述基本信息、所述初始心肺耐力值和所述第一基因预测评分，通过预训练的第二预测模型，确定所述待检测用户运动后的目标心肺耐力效果值，所述第二预测模型是基于不同用户的基本信息、初始心肺耐力值、基因预测评分和运动后的目标心肺耐力效果值训练得到的。

可选的，上述多个目标单核苷酸多态性位点是通过以下方式获取的：

获取所述待检测用户运动后的目标心肺耐力值；

根据所述初始心肺耐力值和所述目标心肺耐力值，确定第一心肺耐力差值；

根据所述第一心肺耐力差值，通过全基因组关联分析方法，确定所述待检测用户的各基因位点的显著性水平和各所述基因位点的物理位置；

根据各所述基因位点的显著性水平和显著性水平阈值，从各所述基因位点筛选出候选基因位点；

根据各所述候选基因位点的物理位置，从所述各所述候选基因位点中筛选出目标基因位点作为多个所述目标单核苷酸多态性位点。

可选的，上述基因预测评分确定模块220在根据多个所述目标单核苷酸多态性位点，确定所述待检测用户的第一基因预测评分时，具体用于：

根据多个所述目标单核苷酸多态性位点和每个所述目标单核苷酸多态性位点的权重，确定所述待检测用户的第一基因预测评分。

可选的，上述第一预测模型是通过以下方式训练得到的：

获取多个样本用户中每个所述样本用户在运动前的第一心肺耐力值、运动后的第二心肺耐力值和多个单核苷酸多态性位点；

对于每个所述样本用户，根据所述第一心肺耐力值和所述第二心肺耐力值，确定第一心肺耐力差值；

根据各个所述第一心肺耐力差值，确定每个所述第一心肺耐力差值对应的效果量，所述效果量表征了心肺耐力的提高效果；

根据各个所述效果量，对各个所述样本用户进行分组，得到多组样本用户，每组所述样本用户对应一个运动提高心肺耐力效果等级；

对于每个所述样本用户，根据多个所述单核苷酸多态性位点，确定所述样本用户的第二基因预测评分；

根据各组所述样本用户中每个所述样本用户的第二基因预测评分，对第一初始模型进行训练，得到所述第一预测模型。

可选的，上述第二预测模型是通过以下方式训练得到的：

获取多个样本用户中每个所述样本用户的基本信息；

对于每个所述样本用户，根据所述所述样本用户的第二基因预测评分、第一心肺耐力值和所述基本信息，确定所述样本用户的第二心肺耐力差值；

根据各个所述样本用户中每个所述样本用户的基本信息、第二心肺耐力差值、第二基因预测评分和第一心肺耐力值，对第二初始模型进行训练，得到所述第二预测模型。

可选的，对于每个所述样本用户，上述第一心肺耐力值和第二心肺耐力值通过心肺耐力值确定模块确定的：

对于每个所述样本用户，心肺耐力值确定模块，用于获取所述样本用户在进行设定时长的高强度间歇训练过程中的多个训练参数，多个所述训练参数包括呼吸商、心率、摄氧量和RPE；在各所述训练参数中至少两项训练参数满足对应的预设条件时，将获取到的心肺耐力值作为所述第一心肺耐力值和第二心肺耐力值。

可选的，对于每个所述样本用户，上述预设条件包括进行设定时长的高强度间歇训练前的最大摄氧量和进行设定时长的高强度间歇训练后的最大摄氧量；

上述心肺耐力值确定模块在各所述训练参数中的至少两项训练参数满足对应的预设条件，将获取到的心肺耐力值作为所述第一心肺耐力值和所述第二心肺耐力值时，具体用于：

获取所述样本用户的体重；

根据各所述训练参数和所述预设条件，确定进行设定时长的高强度间歇训练前的最大摄氧量和进行设定时长的高强度间歇训练后的最大摄氧量；

根据所述进行设定时长的高强度间歇训练前的最大摄氧量和所述样本用户的体重，确定所述第一心肺耐力值；

根据所述进行设定时长的高强度间歇训练后的最大摄氧量和所述样本用户的体重，确定所述第二心肺耐力值。

本发明实施例的基于全基因组的运动提高心肺耐力效果预测装置可执行本发明实施例所提供的基于全基因组的运动提高心肺耐力效果预测方法，其实现原理相类似，本发明各实施例中的基于全基因组的运动提高心肺耐力效果预测装置中的各模块、单元所执行的动作是与本发明各实施例中的基于全基因组的运动提高心肺耐力效果预测方法中的步骤相对应的，对于基于全基因组的运动提高心肺耐力效果预测装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于全基因组的运动提高心肺耐力效果预测方法中的描述，此处不再赘述。

其中，上述基于全基因组的运动提高心肺耐力效预测果的装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该基于全基因组的运动提高心肺耐力效果预测的装置为一个应用软件；该装置可以用于执行本发明实施例提供的方法中的相应步骤。

在一些实施例中，本发明实施例提供的基于全基因组的运动提高心肺耐力效果预测装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的基于全基因组的运动提高心肺耐力效果预测装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于全基因组的运动提高心肺耐力效果预测的方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable LogicDevice)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

在另一些实施例中，本发明实施例提供的基于全基因组的运动提高心肺耐力效果预测装置可以采用软件方式实现，图5示出了存储在存储器中的基于全基因组的运动提高心肺耐力效果预测装置，其可以是程序和插件等形式的软件，并包括一系列的模块，包括数据获取模块210、基因预测评分确定模块220、效果等级确定模块230和目标心肺耐力效果值确定模块240，用于实现本发明实施例提供的基于全基因组的运动提高心肺耐力效果预测方法。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本发明任一实施例所示的方法。

在一个可选实施例中提供了一种电子设备，如图6所示，图6所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本发明实施例的限定。

处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本发明方案的应用程序代码(计算机程序)，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备也可以是终端设备，图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

根据本发明的另一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种实施例实现方式中提供的基于全基因组的运动提高心肺耐力效果预测方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

应该理解的是，附图中的流程图和框图，图示了按照本发明各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。