CN107837499A - 一种基于嵌入式的健身器材智能训练支撑控制方法 - Google Patents

一种基于嵌入式的健身器材智能训练支撑控制方法 Download PDF

Info

Publication number
CN107837499A
CN107837499A CN201710997678.5A CN201710997678A CN107837499A CN 107837499 A CN107837499 A CN 107837499A CN 201710997678 A CN201710997678 A CN 201710997678A CN 107837499 A CN107837499 A CN 107837499A
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
node
mfrac
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710997678.5A
Other languages
English (en)
Other versions
CN107837499B (zh
Inventor
谭志刚
谭清文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of South China
Original Assignee
University of South China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of South China filed Critical University of South China
Priority to CN201710997678.5A priority Critical patent/CN107837499B/zh
Publication of CN107837499A publication Critical patent/CN107837499A/zh
Application granted granted Critical
Publication of CN107837499B publication Critical patent/CN107837499B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
    • A63B24/0006—Computerised comparison for qualitative assessment of motion sequences or the course of a movement
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/08—Measuring physiological parameters of the user other bio-electrical signals
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/30—Measuring physiological parameters of the user blood pressure
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/50—Measuring physiological parameters of the user temperature

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于健身器材控制技术领域，公开了一种基于嵌入式的健身器材智能训练支撑控制方法，对使用该类体育健身器材的体质健康进行长期观测、分析，并按照国家标准指导学生进行科学的体育锻炼，使体质达到健康标准；同时，所积累的数据可用于青少年体质与体育运动、健康与疾病等方面的科学研究。本发明可以让消费者不用追加费用而享受顶级的私人教练服务，使普通消费者从健身中得到实惠、获得乐趣。为消费者建立连贯和完整的健身档案，使消费者直观地看到自身体质的变化，增强了健身的信心。

Description

一种基于嵌入式的健身器材智能训练支撑控制方法
技术领域
本发明属于健身器材控制技术领域，尤其涉及一种基于嵌入式的健身器材智能训练支撑控制方法。
背景技术
健身是一种体育项目，如各种徒手健美操、韵律操、形体操以及各种自抗力动作，体操可以增强力量、柔韧性，增加耐力，提高协调，控制身体各部分的能力，从而使身体强健。然而，现有的健身器材，不能针对不同体质与运动数据进行智能分析***，无法信息采集、数据分析、科学指导等功能；如果在健身俱乐部健身效果差，健身费用高。
随着无线通信技术的飞速发展，频谱资源的稀缺已经成为提升现有各种通信***以及发明新型通信***的瓶颈，而认知无线电是解决这个问题的最佳方案，能够缓解频谱资源匮乏与授权频段利用率低下的矛盾。认知无线电作为一种智能无线电通信技术，通过感知外界环境，动态调整自身的无线电参数，从而使得内部状态和外部环境相适应，在不干扰特定频段上主用户的情况下，充分利用频谱资源，实现频谱利用率最大化。频谱感知是认知无线电的一项关键技术，具有检测、感知和学习各种无线电磁参数的能力，其主要功能是发现频谱空穴。可靠的频谱感知是实现认知无线电通信的重要前提，然而，由于多径、阴影衰落及噪声不确定性等因素的影响，通过单一频带用户感知很难获得准确的结果。而多个频带的协作频谱感知方案，充分利用协作带来的空间分集，有效改善了频谱检测的性能，因此多频带协作频谱感知技术被广泛提及和关注。多频带协作频谱感知是将一宽带***等分成若干个子带，每一个子带分别完成单一频带的协作频谱感知，最后将所有的检测结果进行最终判决。多频带协作频谱感知问题的优化往往呈现非凸非线性特性，很难直接求解其最优解。凸优化方法虽然能够很好地求解这类问题，但是需要将优化问题转换成具有凸特性的子优化问题,转换过程复杂且计算复杂度较高。进化算法能够提供一种求解非线性复杂***优化问题的通用框架，作为一种具有自适应调节功能的鲁棒寻优技术，近年来，进化算法已经被广泛应用于无线通信领域。目前比较常用的有基于遗传算法的协作频谱感知技术和基于粒子群算法的协作频谱感知技术，然而，基于遗传算法的协作频谱感知技术在搜索最优解的过程中容易陷入局部最优，基于粒子群算法的协作频谱感知技术虽然能够更有效的搜索到最优解，但其性能还有待于进一步提高。
综上，现有技术存在的问题是：现有的健身器材，不能针对不同体质与运动数据进行智能分析***，无法信息采集、数据分析、科学指导等功能。
发明内容
针对现有技术存在的问题，本发明提供了一种基于嵌入式的健身器材智能训练支撑控制方法。
本发明是这样实现的，一种基于嵌入式的健身器材智能训练支撑控制方法，所述基于嵌入式的健身器材智能训练支撑控制方法包括以下步骤：
步骤一，健身器材上嵌装的监测模块通过通信模块和应用服务器连接，通过调整模块调整负荷、速度、次数、组数；
所述监测模块的监测信号模型为：
s.t.cT(1-Pd(W,γ))≤ε；
1-Pd(W,γ)≤α；
1-Pf(W,γ)≥β；
其中，W＝[ω1,ω2,...,ωK]是权值因子，γ＝[γ1,γ2,...γK]是判决门限，K表示子带数目，rT＝[r1,r2,...,rK]是实现的吞吐率，cT＝[c1,c2,...,cK]是代价系数，ε代表***总的干扰，α＝[α1,α2,...,αK]T表示每个子带的干扰限制，β＝[β1,β2,...,βK]T是每个子带实现的最小机会频谱利用率
是虚警概率，其中第k个子带的虚警概率表示为
是检测概率，其中第k个子带的检测概率表示为
M是检测区间长度，是噪声功率，
Gk＝[|Hk(1)|2,|Hk(2)|2,...|Hk(N)|2]T是主发送用户和次级接收用户间的信道增益，N表示协作用户的数目；
步骤二，在健身时，压力传感器和位移传感器实时收集和记录健身者动作所牵引的重量、牵动的距离和有效次数，再把收集的模拟信息通过智能控制模块的模数转换器转换成微处理器识别的数字信息，经通讯接口上传存储模块进行存储；所述微处理器识别的方法包括：
1)参与合作感知的节点开始进行周期为τs的频谱检测过程，获得正常模拟信息频谱资源的特征；
2)正常感知节点和偏差感知节点通过正交的公共控制信道向数据融合中心进行感知信息的汇报；
3)数据融合中心对收集到的感知信息进行数据融合，并依据偏差感知节点的偏差模式计算全局的虚警概率；
4)微处理器如果检测到正常模拟信息处于闲状态，则将以大功率发射信号，否则将以小功率发射信号；
5)构建优化模型，确定有关发射功率和感知时间的约束条件，求解所建立的最优化问题；
6)重复循环1)至5)，对每次得到的最优解取平均，以平均值作为频谱感知模型的感知参数；得到微处理器识别的数字信息；
1)中参与合作感知的节点确定每条链路上多个服务质量度量参数的变化区间和分布函数，按如下过程进行；
第一步，根据正常模拟信息的特征和信道衰减系数，计算各本地感知节点CRi接受到的信号yi(n)；
第二步，根据能量检测原理，得到感知节点CRi处的信号能量的统计量Vi，当采样量足够大时，Vi近似服从高斯分布；
2)中正常感知节点和偏差感知节点通过正交的公共控制信道向数据融合中心进行感知信息的汇报，正常感知节点将如实地汇报自己的感知信息，偏差节点则采用虚警模式进行汇报：当信号能量统计量Vi大于阈值η，则如实地报告自己的感知结果；否则将以概率pa发动偏差攻击，向数据融合中心发送一个较高的能量值以达到偏差攻击的目的；
3)的具体方法包括：
第一，根据各个节点的信噪比γi为每一个参与合作感知的偏差节点CRi,i＝1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二，分析虚警偏差攻击模式对频谱感知造成的影响，得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下：
其中：
4)中如果检测到正常节点处于闲状态，则将以大功率P0发射信号；如果正常节点处于忙状态以功率Pp发射信号，偏差节点将以小功率P1发射信号；故在一个时间帧内偏差网络的平均吞吐量写成如下形式：
其中：hk,gss分别是正常节点到偏差节点、偏差节点的发射端到偏差节点的接收端的信道衰减系数，P(H0)和P(H1)分别表示主用户PU实际处于闲状态与忙状态的概率；其中，正常节点集成有发射机PU-Tx；偏差节点集成有发射机SU-Tx和接收机SU-Rx；常节点和偏差节点的信息传输分别通过发射机PU-Tx、发射机SU-Tx和接收机SU-Rx实现的；
5)中确定有关发射功率和感知时间的约束条件及对非凸优化问题的求解，按照如下过程进行：
一)，保证偏差网络能长时间工作，需对偏差的发射功率进行限制，保证偏差网络的平均发射功率低于限定值：
E{α0P0+α1P1+β0P0+β1P1}≤Pav；
式中Pav是偏差发射机SU-Tx的最大平均发射功率，这的平均是指信道衰减系数hi,gss,gsp随机变量的期望；
二)，根据基于合作感知的频谱共享网络模型，知道干扰只在正常节点处于忙状态时发生，所以平均干扰功率约束写成如下形式：
E{gsp(β0P0+β1P1)}≤Qav；
三)，确保各个节点处的检测概率和网络的整体检测概率分别不低于各自的目标检测概率，关于检测概率的限制条件如下：
Pd≥Pth,Pdi≥pth,i＝1,2…k；
四)，根据上述限制条件下，建立以最大化次级网络的平均吞吐量为目标函数的最优化问题：
五)，求解所建立的最优化问题，选择使得正常网络的吞吐量最大的合作感知的感知周期和正常的信号发射功率作为该频谱感知模型的感知参数；
步骤三，健身管理平台的管理模块接收和分析处理来自健身器械的实时传感测量数据，如果有操作错误，则从数据库中调出纠错信息，并传输给智能控制模块并显示在人机交互显示器上；
步骤四，人机交互显示器通过通信模块以有线或者无线的方式与外部智能终端连接；
步骤五，健身器材的智能控制模块的存储模块用于存储管理计算机下传的规范动作指导、健身计划安排和音频视频资料。
进一步，所述监测模块包括血压监测模块、心率监测模块、呼吸频率监测模块、记步监测模块和体温监测模块中的任意一种或多种；
所述通信模块通过Wifi与应用服务器连接。
进一步，所述智能控制模块嵌装在健身器材上，包括：外设接口、微处理器、模数转换器、存储模块、调整模块；
所述微处理器，用于对***进行控制及对信号进行处理；
所述存储模块，通过USB接口及键盘输入指令，可把健身统计数据下载到个人U盘或其它健身存储卡。数据存储器芯片通过总线和微处理器相连，微处理器可以把规范动作指导、健身计划安排和音频视频资料等存储在数据存储器芯片中；
所述调整模块，根据不同的体质的信息计算训练效果、更新训练方案，通过关键组件和***实时监测来采集、分析、存储训练时的配重负荷、速度、次数、组数指标，并根据个人需要来提高身体活动模式。
进一步，所述外部智能终端为移动手机，通过外部智能终端人了解运动强度，锻炼次数、重量、能量消耗、锻炼时间、锻炼效果数据，并将数据与其他用户分享。
进一步，外部智能终端的分享方法包括：获得分享请求；
根据所述分享请求，调用一流媒体服务，并确定一用于分享的第一数据；
基于所述流媒体服务，将所述第一数据转换为流媒体数据以及生成一通过流媒体协议能够获得所述流媒体数据的地址信息；
向人机交互显示器发送所述地址信息；其中，所述地址信息用于使所述人机交互显示器根据所述地址信息获得所述流媒体数据；
基于所述流媒体服务，当接收到所述人机交互显示器的确认信息后，向所述人机交互显示器输出所述流媒体数据。
本发明的优点及积极效果为：本发明可以实现对使用该类体育健身器材的体质健康进行长期观测、分析，并按照国家标准指导学生进行科学的体育锻炼，使体质达到健康标准。同时，所积累的数据可用于青少年体质与体育运动、健康与疾病等方面的科学研究；同时本发明可以让消费者不用追加费用而享受顶级的私人教练服务，使普通消费者从健身中得到实惠、获得乐趣。为消费者建立连贯和完整的健身档案，使消费者直观地看到自身体质的变化，增强了健身的信心。
本发明的监测模型作为优化问题最优解的搜索策略，能够快速高效地搜索到最优解；加快了算法的收敛性，故本发明能够以较大概率找到最优解；本发明不需要有先验的知识,结合随机性选择和概率规则进行最优解的搜索,具有鲁棒性和适应性。可快速得到要监测的数据，这是发明突出创新点所在。
本发明由于以实际频谱感知环境为基础，综合考虑网络的安全性，分析偏差攻击的攻击特点及偏差节点是如何对合作频谱感性能知造成影响，获得全局虚警概率与攻击阈值η、攻击概率pa、攻击强度Δ的具体数学表达式，因此合作频谱感知的性能与网络背景紧密相关，具有明显的针对性。
本发明不同以往大部分基于单点感知的功率分配问题，考虑了合作感知基础上的功率分配问题，实用性更广。
本发明由于最原始的出发点是以最大化次级网络的平均吞吐量为目标而优化合作感知模型，在频谱感知阶段考虑感知时间的最优化问题，实现感知时间、信号发射功率和平均吞吐量三者之间的平衡优化问题。计算得到最优的频谱感知时间和最好的信号发射功率，方法理论基础可靠、运行稳定。为准确获得精准数据提供了保证。
本发明的外部智能终端可实时获得数据共享。
附图说明
图1是本发明实施例提供的基于嵌入式的健身器材智能训练支撑控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示，本发明实施例提供的提供基于嵌入式的健身器材智能训练支撑控制方法包括以下步骤：
S101，健身器材上嵌装的监测模块通过通信模块和应用服务器连接，通过调整模块调整负荷、速度、次数、组数；
S102，在健身时，压力传感器和位移传感器会实时收集和记录健身者此组动作所牵引的重量、牵动的距离和有效次数，再把收集的模拟信息通过智能控制模块的模数转换器转换成微处理器可以识别的数字信息，经通讯接口上传存储模块进行存储；
S103，健身管理平台的管理模块接收和分析处理来自健身器械的实时传感测量数据，如果有操作错误，则从数据库中调出纠错信息，并传输给智能控制模块并显示在人机交互显示器上；
S104，人机交互显示器通过通信模块以有线或者无线的方式与外部智能终端连接；
S105，健身器材的智能控制模块的存储模块用于存储管理计算机下传的规范动作指导、健身计划安排和音频视频资料等。
本发明提供的监测模块包括血压监测模块、心率监测模块、呼吸频率监测模块、记步监测模块和体温监测模块中的任意一种或多种；
所述通信模块通过Wifi与应用服务器连接。
本发明提供的智能控制模块嵌装在健身器材上，包括：外设接口、微处理器、模数转换器、存储模块、调整模块；
所述微处理器，用于对***进行控制及对信号进行处理；
所述存储模块，通过USB接口及键盘输入指令，可把健身统计数据下载到个人U盘或其它健身存储卡。数据存储器芯片通过总线和微处理器相连，微处理器可以把规范动作指导、健身计划安排和音频视频资料等存储在数据存储器芯片中，即使断电也不会丢失；
所述调整模块，根据不同的体质的信息计算训练效果、更新训练方案，通过关键组件和***实时监测来采集、分析、存储训练时的配重负荷、速度、次数、组数等指标，帮助实现最佳运动水平和健康状态，并根据个人需要来提高身体活动模式；
本发明提供的外部智能终端为移动手机，通过外部智能终端人们可或者自己的运动强度，锻炼次数、重量、能量消耗、锻炼时间、锻炼效果等数据，并可以将数据与其他用户分享。
下面结合具体分析对本发明作进一步描述。
所述监测模块的监测信号模型为：
s.t.cT(1-Pd(W,γ))≤ε；
1-Pd(W,γ)≤α；
1-Pf(W,γ)≥β；
其中，W＝[ω1,ω2,...,ωK]是权值因子，γ＝[γ1,γ2,...γK]是判决门限，K表示子带数目，rT＝[r1,r2,...,rK]是实现的吞吐率，cT＝[c1,c2,...,cK]是代价系数，ε代表***总的干扰，α＝[α1,α2,...,αK]T表示每个子带的干扰限制，β＝[β1,β2,...,βK]T是每个子带实现的最小机会频谱利用率是虚警概率，其中第k个子带的虚警概率表示为
是检测概率，其中第k个子带的检测概率表示为
M是检测区间长度，是噪声功率，
Gk＝[|Hk(1)|2,|Hk(2)|2,...|Hk(N)|2]T是主发送用户和次级接收用户间的信道增益，N表示协作用户的数目；
在健身时，压力传感器和位移传感器实时收集和记录健身者动作所牵引的重量、牵动的距离和有效次数，再把收集的模拟信息通过智能控制模块的模数转换器转换成微处理器识别的数字信息，经通讯接口上传存储模块进行存储；所述微处理器识别的方法包括：
1)参与合作感知的节点开始进行周期为τs的频谱检测过程，获得正常模拟信息频谱资源的特征；
2)正常感知节点和偏差感知节点通过正交的公共控制信道向数据融合中心进行感知信息的汇报；
3)数据融合中心对收集到的感知信息进行数据融合，并依据偏差感知节点的偏差模式计算全局的虚警概率；
4)微处理器如果检测到正常模拟信息处于闲状态，则将以大功率发射信号，否则将以小功率发射信号；
5)构建优化模型，确定有关发射功率和感知时间的约束条件，求解所建立的最优化问题；
6)重复循环1)至5)，对每次得到的最优解取平均，以平均值作为频谱感知模型的感知参数；得到微处理器识别的数字信息；
1)中参与合作感知的节点确定每条链路上多个服务质量度量参数的变化区间和分布函数，按如下过程进行；
第一步，根据正常模拟信息的特征和信道衰减系数，计算各本地感知节点CRi接受到的信号yi(n)；
第二步，根据能量检测原理，得到感知节点CRi处的信号能量的统计量Vi，当采样量足够大时，Vi近似服从高斯分布；
2)中正常感知节点和偏差感知节点通过正交的公共控制信道向数据融合中心进行感知信息的汇报，正常感知节点将如实地汇报自己的感知信息，偏差节点则采用虚警模式进行汇报：当信号能量统计量Vi大于阈值η，则如实地报告自己的感知结果；否则将以概率pa发动偏差攻击，向数据融合中心发送一个较高的能量值以达到偏差攻击的目的；
3)的具体方法包括：
第一，根据各个节点的信噪比γi为每一个参与合作感知的偏差节点CRi,i＝1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二，分析虚警偏差攻击模式对频谱感知造成的影响，得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下：
其中：
4)中如果检测到正常节点处于闲状态，则将以大功率P0发射信号；如果正常节点处于忙状态以功率Pp发射信号，偏差节点将以小功率P1发射信号；故在一个时间帧内偏差网络的平均吞吐量写成如下形式：
其中：hk,gss分别是正常节点到偏差节点、偏差节点的发射端到偏差节点的接收端的信道衰减系数，P(H0)和P(H1)分别表示主用户PU实际处于闲状态与忙状态的概率；其中，正常节点集成有发射机PU-Tx；偏差节点集成有发射机SU-Tx和接收机SU-Rx；常节点和偏差节点的信息传输分别通过发射机PU-Tx、发射机SU-Tx和接收机SU-Rx实现的；
5)中确定有关发射功率和感知时间的约束条件及对非凸优化问题的求解，按照如下过程进行：
一)，保证偏差网络能长时间工作，需对偏差的发射功率进行限制，保证偏差网络的平均发射功率低于限定值：
E{α0P0+α1P1+β0P0+β1P1}≤Pav；
式中Pav是偏差发射机SU-Tx的最大平均发射功率，这的平均是指信道衰减系数hi,gss,gsp随机变量的期望；
二)，根据基于合作感知的频谱共享网络模型，知道干扰只在正常节点处于忙状态时发生，所以平均干扰功率约束写成如下形式：
E{gsp(β0P0+β1P1)}≤Qav；
三)，确保各个节点处的检测概率和网络的整体检测概率分别不低于各自的目标检测概率，关于检测概率的限制条件如下：
Pd≥Pth,Pdi≥pth,i＝1,2…k；
四)，根据上述限制条件下，建立以最大化次级网络的平均吞吐量为目标函数的最优化问题：
五)，求解所建立的最优化问题，选择使得正常网络的吞吐量最大的合作感知的感知周期和正常的信号发射功率作为该频谱感知模型的感知参数；
外部智能终端的分享方法包括：获得分享请求；
根据所述分享请求，调用一流媒体服务，并确定一用于分享的第一数据；
基于所述流媒体服务，将所述第一数据转换为流媒体数据以及生成一通过流媒体协议能够获得所述流媒体数据的地址信息；
向人机交互显示器发送所述地址信息；其中，所述地址信息用于使所述人机交互显示器根据所述地址信息获得所述流媒体数据；
基于所述流媒体服务，当接收到所述人机交互显示器的确认信息后，向所述人机交互显示器输出所述流媒体数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于嵌入式的健身器材智能训练支撑控制方法，其特征在于，所述基于嵌入式的健身器材智能训练支撑控制方法包括以下步骤：
步骤一，健身器材上嵌装的监测模块通过通信模块和应用服务器连接，通过调整模块调整负荷、速度、次数、组数；
所述监测模块的监测信号模型为：
<mrow> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <mi>W</mi> <mo>,</mo> <mi>&amp;gamma;</mi> </mrow> </munder> <mi>R</mi> <mrow> <mo>(</mo> <mi>W</mi> <mo>,</mo> <mi>&amp;gamma;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>r</mi> <mi>T</mi> </msup> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mi>f</mi> </msub> <mrow> <mo>(</mo> <mi>W</mi> <mo>,</mo> <mi>&amp;gamma;</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow>
s.t.cT(1-Pd(W,γ))≤ε；
1-Pd(W,γ)≤α；
1-Pf(W,γ)≥β；
其中，W＝[ω1,ω2,...,ωK]是权值因子，γ＝[γ1,γ2,...γK]是判决门限，K表示子带数目，rT＝[r1,r2,...,rK]是实现的吞吐率，cT＝[c1,c2,...,cK]是代价系数，ε代表***总的干扰，α＝[α1,α2,...,αK]T表示每个子带的干扰限制，β＝[β1,β2,...,βK]T是每个子带实现的最小机会频谱利用率是虚警概率，其中第k个子带的虚警概率表示为
<mrow> <msubsup> <mi>P</mi> <mi>f</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>M&amp;sigma;</mi> <mi>&amp;upsi;</mi> <mn>2</mn> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> <mn>1</mn> </mrow> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;upsi;</mi> <mn>2</mn> </msubsup> <msqrt> <mrow> <mn>2</mn> <msubsup> <mi>M&amp;omega;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> </mrow> </msqrt> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msub> <mi>P</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>W</mi> <mo>,</mo> <mi>&amp;gamma;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <msubsup> <mi>P</mi> <mi>d</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>&amp;gamma;</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msubsup> <mi>P</mi> <mi>d</mi> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>&amp;gamma;</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mo>...</mo> <msubsup> <mi>P</mi> <mi>d</mi> <mrow> <mo>(</mo> <mi>K</mi> <mo>)</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mi>K</mi> </msub> <mo>,</mo> <msub> <mi>&amp;gamma;</mi> <mi>K</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mi>T</mi> </msup> </mrow>
是检测概率，其中第k个子带的检测概率表示为
<mrow> <msubsup> <mi>P</mi> <mi>d</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>M&amp;omega;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;upsi;</mi> <mn>2</mn> </msubsup> <mn>1</mn> <mo>+</mo> <msub> <mi>G</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;sigma;</mi> <mi>v</mi> </msub> <msqrt> <mrow> <mn>2</mn> <msubsup> <mi>M&amp;omega;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msub> <mi>&amp;Sigma;</mi> <mi>h</mi> </msub> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> </mrow> </msqrt> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
M是检测区间长度，是噪声功率，
<mrow> <msub> <mi>&amp;Sigma;</mi> <mi>k</mi> </msub> <mo>=</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;upsi;</mi> <mn>2</mn> </msubsup> <mi>I</mi> <mo>+</mo> <mn>2</mn> <mi>d</mi> <mi>i</mi> <mi>a</mi> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>G</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
Gk＝[|Hk(1)|2,|Hk(2)|2,...|Hk(N)|2]T是主发送用户和次级接收用户间的信道增益，N表示协作用户的数目；
步骤二，在健身时，压力传感器和位移传感器实时收集和记录健身者动作所牵引的重量、牵动的距离和有效次数，再把收集的模拟信息通过智能控制模块的模数转换器转换成微处理器识别的数字信息，经通讯接口上传存储模块进行存储；所述微处理器识别的方法包括：
1)参与合作感知的节点开始进行周期为τs的频谱检测过程，获得正常模拟信息频谱资源的特征；
2)正常感知节点和偏差感知节点通过正交的公共控制信道向数据融合中心进行感知信息的汇报；
3)数据融合中心对收集到的感知信息进行数据融合，并依据偏差感知节点的偏差模式计算全局的虚警概率；
4)微处理器如果检测到正常模拟信息处于闲状态，则将以大功率发射信号，否则将以小功率发射信号；
5)构建优化模型，确定有关发射功率和感知时间的约束条件，求解所建立的最优化问题；
6)重复循环1)至5)，对每次得到的最优解取平均，以平均值作为频谱感知模型的感知参数；得到微处理器识别的数字信息；
1)中参与合作感知的节点确定每条链路上多个服务质量度量参数的变化区间和分布函数，按如下过程进行；
第一步，根据正常模拟信息的特征和信道衰减系数，计算各本地感知节点CRi接受到的信号yi(n)；
第二步，根据能量检测原理，得到感知节点CRi处的信号能量的统计量Vi，当采样量足够大时，Vi近似服从高斯分布；
2)中正常感知节点和偏差感知节点通过正交的公共控制信道向数据融合中心进行感知信息的汇报，正常感知节点将如实地汇报自己的感知信息，偏差节点则采用虚警模式进行汇报：当信号能量统计量Vi大于阈值η，则如实地报告自己的感知结果；否则将以概率pa发动偏差攻击，向数据融合中心发送一个较高的能量值以达到偏差攻击的目的；
3)的具体方法包括：
第一，根据各个节点的信噪比γi为每一个参与合作感知的偏差节点CRi,i＝1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二，分析虚警偏差攻击模式对频谱感知造成的影响，得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下：
<mrow> <msub> <mi>P</mi> <mi>f</mi> </msub> <mo>=</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <msqrt> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mn>2</mn> <msub> <mi>&amp;gamma;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> <mrow> <mi>Q</mi> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <msqrt> <mrow> <msub> <mi>&amp;pi;</mi> <mi>s</mi> </msub> <msub> <mi>f</mi> <mi>s</mi> </msub> </mrow> </msqrt> <mo>(</mo> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;gamma;</mi> <mi>i</mi> </msub> <mo>+</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>C</mi> <mn>0</mn> </msub> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mfrac> </mrow> <mo>)</mo> <mo>)</mo> </mrow>
其中：
4)中如果检测到正常节点处于闲状态，则将以大功率P0发射信号；如果正常节点处于忙状态以功率Pp发射信号，偏差节点将以小功率P1发射信号；故在一个时间帧内偏差网络的平均吞吐量写成如下形式：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>R</mi> <mo>=</mo> <mi>E</mi> <mo>{</mo> <mfrac> <mrow> <mi>T</mi> <mo>-</mo> <msub> <mi>&amp;tau;</mi> <mi>s</mi> </msub> </mrow> <mi>T</mi> </mfrac> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>log</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mrow> <msub> <mi>g</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> </msub> <msub> <mi>P</mi> <mn>0</mn> </msub> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mi>f</mi> </msub> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>log</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mrow> <msub> <mi>g</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> </msub> <msub> <mi>P</mi> <mn>1</mn> </msub> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>log</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mrow> <msub> <mi>g</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> </msub> <msub> <mi>P</mi> <mn>0</mn> </msub> </mrow> <mrow> <msub> <mi>h</mi> <mi>k</mi> </msub> <msub> <mi>P</mi> <mi>p</mi> </msub> <mo>+</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mi>d</mi> </msub> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>log</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mrow> <msub> <mi>g</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> </msub> <msub> <mi>P</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>h</mi> <mi>k</mi> </msub> <msub> <mi>P</mi> <mi>p</mi> </msub> <mo>+</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
其中：hk,gss分别是正常节点到偏差节点、偏差节点的发射端到偏差节点的接收端的信道衰减系数，P(H0)和P(H1)分别表示主用户PU实际处于闲状态与忙状态的概率；其中，正常节点集成有发射机PU-Tx；偏差节点集成有发射机SU-Tx和接收机SU-Rx；常节点和偏差节点的信息传输分别通过发射机PU-Tx、发射机SU-Tx和接收机SU-Rx实现的；
5)中确定有关发射功率和感知时间的约束条件及对非凸优化问题的求解，按照如下过程进行：
一)，保证偏差网络能长时间工作，需对偏差的发射功率进行限制，保证偏差网络的平均发射功率低于限定值：
E{α0P0+α1P1+β0P0+β1P1}≤Pav；
式中Pav是偏差发射机SU-Tx的最大平均发射功率，这的平均是指信道衰减系数hi,gss,gsp随机变量的期望；
二)，根据基于合作感知的频谱共享网络模型，知道干扰只在正常节点处于忙状态时发生，所以平均干扰功率约束写成如下形式：
E{gsp(β0P0+β1P1)}≤Qav；
三)，确保各个节点处的检测概率和网络的整体检测概率分别不低于各自的目标检测概率，关于检测概率的限制条件如下：
Pd≥Pth,Pdi≥pth,i＝1,2…k；
四)，根据上述限制条件下，建立以最大化次级网络的平均吞吐量为目标函数的最优化问题：
<mrow> <mtable> <mtr> <mtd> <munder> <mi>max</mi> <mrow> <mo>{</mo> <msub> <mi>&amp;tau;</mi> <mi>s</mi> </msub> <mo>,</mo> <mi>&amp;epsiv;</mi> <mo>,</mo> <mo>{</mo> <msub> <mi>&amp;epsiv;</mi> <mi>i</mi> </msub> <mo>}</mo> <mo>,</mo> <msub> <mi>P</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>P</mi> <mn>1</mn> </msub> <mo>}</mo> </mrow> </munder> </mtd> <mtd> <mi>R</mi> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mi>u</mi> <mi>b</mi> <mi>j</mi> <mi>e</mi> <mi>c</mi> <mi>t</mi> <mi> </mi> <mi>t</mi> <mi>o</mi> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> <mo>,</mo> <mo>(</mo> <mn>3</mn> <mo>)</mo> <mo>,</mo> <mo>(</mo> <mn>4</mn> <mo>)</mo> <mo>,</mo> <msub> <mi>P</mi> <mn>0</mn> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <msub> <mi>P</mi> <mn>1</mn> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>&amp;tau;</mi> <mi>s</mi> </msub> <mo>&amp;le;</mo> <mi>T</mi> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
五)，求解所建立的最优化问题，选择使得正常网络的吞吐量最大的合作感知的感知周期和正常的信号发射功率作为该频谱感知模型的感知参数；
步骤三，健身管理平台的管理模块接收和分析处理来自健身器械的实时传感测量数据，如果有操作错误，则从数据库中调出纠错信息，并传输给智能控制模块并显示在人机交互显示器上；
步骤四，人机交互显示器通过通信模块以有线或者无线的方式与外部智能终端连接；
步骤五，健身器材的智能控制模块的存储模块用于存储管理计算机下传的规范动作指导、健身计划安排和音频视频资料。
2.如权利要求1所述的基于嵌入式的健身器材智能训练支撑控制方法，其特征在于，所述监测模块包括血压监测模块、心率监测模块、呼吸频率监测模块、记步监测模块和体温监测模块中的任意一种或多种；
所述通信模块通过Wifi与应用服务器连接。
3.如权利要求1所述的基于嵌入式的健身器材智能训练支撑控制方法，其特征在于，所述智能控制模块嵌装在健身器材上，包括：外设接口、微处理器、模数转换器、存储模块、调整模块；
所述微处理器，用于对***进行控制及对信号进行处理；
所述存储模块，通过USB接口及键盘输入指令，可把健身统计数据下载到个人U盘或其它健身存储卡。数据存储器芯片通过总线和微处理器相连，微处理器可以把规范动作指导、健身计划安排和音频视频资料等存储在数据存储器芯片中；
所述调整模块，根据不同的体质的信息计算训练效果、更新训练方案，通过关键组件和***实时监测来采集、分析、存储训练时的配重负荷、速度、次数、组数指标，并根据个人需要来提高身体活动模式。
4.如权利要求1所述的基于嵌入式的健身器材智能训练支撑控制方法，其特征在于，所述外部智能终端为移动手机，通过外部智能终端人了解运动强度，锻炼次数、重量、能量消耗、锻炼时间、锻炼效果数据，并将数据与其他用户分享。
5.如权利要求4所述的基于嵌入式的健身器材智能训练支撑控制方法，其特征在于，外部智能终端的分享方法包括：获得分享请求；
根据所述分享请求，调用一流媒体服务，并确定一用于分享的第一数据；
基于所述流媒体服务，将所述第一数据转换为流媒体数据以及生成一通过流媒体协议能够获得所述流媒体数据的地址信息；
向人机交互显示器发送所述地址信息；其中，所述地址信息用于使所述人机交互显示器根据所述地址信息获得所述流媒体数据；
基于所述流媒体服务，当接收到所述人机交互显示器的确认信息后，向所述人机交互显示器输出所述流媒体数据。
CN201710997678.5A 2017-10-24 2017-10-24 一种基于嵌入式的健身器材智能训练支撑控制方法 Expired - Fee Related CN107837499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710997678.5A CN107837499B (zh) 2017-10-24 2017-10-24 一种基于嵌入式的健身器材智能训练支撑控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710997678.5A CN107837499B (zh) 2017-10-24 2017-10-24 一种基于嵌入式的健身器材智能训练支撑控制方法

Publications (2)

Publication Number Publication Date
CN107837499A true CN107837499A (zh) 2018-03-27
CN107837499B CN107837499B (zh) 2019-07-16

Family

ID=61662728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710997678.5A Expired - Fee Related CN107837499B (zh) 2017-10-24 2017-10-24 一种基于嵌入式的健身器材智能训练支撑控制方法

Country Status (1)

Country Link
CN (1) CN107837499B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019200685A1 (zh) * 2018-04-20 2019-10-24 深圳市科迈爱康科技有限公司 八段锦运动方法、装置及计算机可读存储介质
CN113160968A (zh) * 2021-04-13 2021-07-23 阜外华中心血管病医院 基于移动互联网的个性化诊断***与应用方法
CN113327663A (zh) * 2021-05-19 2021-08-31 郑州大学 移动终端辅助的脑卒中交互式锻炼控制***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004024738A (ja) * 2002-06-28 2004-01-29 Daikoku Denki Co Ltd 遊技機及び定置式運動器具付き遊技機ユニット
WO2010039674A3 (en) * 2008-10-01 2010-07-15 University Of Maryland, Baltimore Step trainer for enhanced performance using rhythmic cues
CN103100205A (zh) * 2012-12-12 2013-05-15 徐玉文 一种适用于中小学体育教学评测的辅助装置及其实现方法
CN103127665A (zh) * 2011-11-25 2013-06-05 索尼公司 电子健身训练器和操作电子健身训练器的方法
US20130267383A1 (en) * 2012-04-06 2013-10-10 Icon Health & Fitness, Inc. Integrated Exercise Device Environment Controller
CN104107134A (zh) * 2013-12-10 2014-10-22 中山大学 基于肌电反馈的上肢训练方法及***
CN205903583U (zh) * 2016-06-03 2017-01-25 世必爱南京健身器材科技发展有限公司 一种嵌入式健身器材智能训练支撑***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004024738A (ja) * 2002-06-28 2004-01-29 Daikoku Denki Co Ltd 遊技機及び定置式運動器具付き遊技機ユニット
WO2010039674A3 (en) * 2008-10-01 2010-07-15 University Of Maryland, Baltimore Step trainer for enhanced performance using rhythmic cues
CN103127665A (zh) * 2011-11-25 2013-06-05 索尼公司 电子健身训练器和操作电子健身训练器的方法
US20130267383A1 (en) * 2012-04-06 2013-10-10 Icon Health & Fitness, Inc. Integrated Exercise Device Environment Controller
CN103100205A (zh) * 2012-12-12 2013-05-15 徐玉文 一种适用于中小学体育教学评测的辅助装置及其实现方法
CN104107134A (zh) * 2013-12-10 2014-10-22 中山大学 基于肌电反馈的上肢训练方法及***
CN205903583U (zh) * 2016-06-03 2017-01-25 世必爱南京健身器材科技发展有限公司 一种嵌入式健身器材智能训练支撑***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘博: "一种基于移动端的运动员体能监控***", 《电子设计工程》 *
张弘，崔红跃: "计算机处理检测概率的一种数学模型", 《电子技术应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019200685A1 (zh) * 2018-04-20 2019-10-24 深圳市科迈爱康科技有限公司 八段锦运动方法、装置及计算机可读存储介质
CN113160968A (zh) * 2021-04-13 2021-07-23 阜外华中心血管病医院 基于移动互联网的个性化诊断***与应用方法
CN113160968B (zh) * 2021-04-13 2022-10-28 阜外华中心血管病医院 基于移动互联网的个性化诊断***与应用方法
CN113327663A (zh) * 2021-05-19 2021-08-31 郑州大学 移动终端辅助的脑卒中交互式锻炼控制***

Also Published As

Publication number Publication date
CN107837499B (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
CN104396188B (zh) 用于对移动网络性能问题进行根本原因分析的***和方法
CN107837499A (zh) 一种基于嵌入式的健身器材智能训练支撑控制方法
CN108540929B (zh) 基于rssi信号强度排序的室内指纹定位方法
CN107609708A (zh) 一种基于***商店的用户流失预测方法及***
CN110417607B (zh) 一种流量预测方法、装置及设备
CN101640570A (zh) 频谱感知方法、能量检测方法及装置
CN107807346A (zh) 基于ott与mr数据的自适应wknn室外定位方法
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
CN107370521A (zh) 一种认知无线电多用户协作频谱感知方法
CN103973383B (zh) 基于Cholesky分解与特征值的协作频谱检测方法
CN110798273B (zh) 一种基于次用户效用最优的协作频谱感知方法
CN105163344A (zh) 一种td-lte***内干扰的定位方法
CN108134979A (zh) 基于深度神经网络的小基站开关控制方法
CN114039870B (zh) 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法
CN106454857B (zh) 一种网络规划的评估方法及装置
CN106060838A (zh) 基站扩容方法及***
CN105813123B (zh) 基于预测呼叫阻塞率预筛选网络的异构网络接入选择方法
Feng et al. Proactive radio resource optimization with margin prediction: A data mining approach
CN104837155A (zh) 类bp神经网络的分簇传感网络数据收集方法
CN106648089A (zh) 智能可穿戴产品等级评价方法和***
CN113344464A (zh) 面向移动群智感知***的任务与用户潜在关系挖掘方法
CN104066149B (zh) 一种wlan频点的选择方法及装置
CN111083724B (zh) 一种雾计算网络下基于ocwg-topsis的用户关联方法
CN104079359B (zh) 一种认知无线网络中协作频谱感知门限优化方法
CN103428724B (zh) 基于地理位置信息的频谱资源协作接入方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190716

Termination date: 20201024

CF01 Termination of patent right due to non-payment of annual fee