CN109830278B

CN109830278B - 无氧运动健身推荐方法、装置、无氧运动设备及存储介质

Info

Publication number: CN109830278B
Application number: CN201910035532.1A
Authority: CN
Inventors: 朱毅; 相春宝
Original assignee: Shenzhen H&T Intelligent Control Co Ltd
Current assignee: Shenzhen H&T Intelligent Control Co Ltd
Priority date: 2019-01-15
Filing date: 2019-01-15
Publication date: 2021-01-15
Anticipated expiration: 2039-01-15
Also published as: CN109830278A

Abstract

本发明涉及一种无氧运动健身推荐方法、装置、无氧运动设备及存储介质。该方法包括：获取用户使用无氧运动设备健身时无氧运动设备两侧的运动轨迹；将无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，预设的神经网络模型中包括人体两侧的运动轨迹和人体两侧的动作姿势之间的对应关系；根据人体两侧的动作姿势，计算人体两侧的动作姿势的相对误差，并将相对误差与对应的相对误差阈值进行比较；若相对误差大于相对误差阈值，则输出提示消息，提示消息用于提示用户矫正当前的错误动作姿势。利用该方法，可以及时让用户得知自己当前的动作姿势是否正确，提升了用户和无氧运动设备之间交互体验。

Description

无氧运动健身推荐方法、装置、无氧运动设备及存储介质

技术领域

本发明涉及物联网技术领域，特别是涉及一种无氧运动健身推荐方法、装置、无氧运动设备及存储介质。

背景技术

随着生活水平的提高，运动锻炼在人们日常生活中的重要性日益凸显。在健身运动中主要分为有氧运动和无氧运动，目前已有大量对有氧运动设备进行数据互联、智能分析等智能化的改造升级，而无氧运动作为健身运动中必不可少的一类运动，对其设备进行数据互联、记录并进行智能分析也是至关重要的。

传统技术中，在对无氧运动设备进行数据传输时，一般传输数据都是一维数据，包括设备的位移、环境温度、环境湿度等。通过对上述数据进行分析处理，从而可以计算出健身者的运动次数、运动量、消耗量等。

但是上述数据分析方法所传输的数据较为单一，用户和无氧运动设备之间的交互不够智能。

发明内容

基于此，有必要针对上述数据分析方法所传输的数据较为单一，用户和无氧运动设备之间的交互不够智能等问题，提供一种无氧运动健身推荐方法、装置、无氧运动设备及存储介质。

一种无氧运动健身推荐方法，所述方法包括：

获取用户使用无氧运动设备健身时所述无氧运动设备两侧的运动轨迹；其中，所述运动轨迹是在所述无氧运动设备运动过程中各个位置的三维数据得到的；

将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，所述预设的神经网络模型中包括人体两侧的运动轨迹和人体两侧的动作姿势之间的对应关系；

根据所述人体两侧的动作姿势，计算所述人体两侧的动作姿势的相对误差，并将所述相对误差与对应的相对误差阈值进行比较；

若所述相对误差大于所述相对误差阈值，则输出提示消息，所述提示消息用于提示用户矫正当前的错误动作姿势。

在其中一个实施例中，所述获取用户使用无氧运动设备健身时所述无氧运动设备两侧的运动轨迹，包括：

在所述无氧运动设备运动过程中，获取所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角加速度、角速度和位移；

根据所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角加速度、角速度，并利用预设的角度转换算法计算得到所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角度；

根据所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角度以及位移，得到所述无氧运动设备两侧的运动轨迹。

在其中一个实施例中，所述将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，包括：

采用所述神经网络模型识别所述无氧运动设备两侧的运动轨迹的类别；

根据所述无氧运动设备两侧的运动轨迹的类别和所述神经网络模型中人体两侧的动作姿势的对应关系，得到所述人体两侧的动作姿势。

在其中一个实施例中，所述计算所述人体两侧的动作姿势的相对误差，包括：

计算所述人体两侧的运动轨迹的相对误差；

将所述人体两侧的运动轨迹的相对误差确定为所述人体两侧的动作姿势的相对误差。

在其中一个实施例中，所述方法还包括：

将多个训练运动轨迹组作为初始神经网络模型的输入，将所述多个训练运动轨迹组对应的训练动作姿势组作为输出，对所述初始神经网络模型进行训练，得到所述神经网络模型；

其中，所述训练运动轨迹组包括无氧运动设备两侧的训练运动轨迹，所述训练动作姿势组包括人体两侧的训练动作姿势。

在其中一个实施例中，所述方法还包括：

获取用户信息以及环境的温湿度信息，其中，所述用户信息包括以下至少一项：用户的偏好运动类型、年龄、关节尺寸、既往病史、心率、血氧浓度、体温、历史运动数据；

确定与所述用户信息以及环境的温湿度信息匹配的健身推荐方案。

在其中一个实施例中，所述方法还包括：

获取用户当前的生理参数和选择的健身方案，所述生理参数包括心率、血氧浓度、体温中的至少一项，所述健身方案中包括标准的生理参数；

判断所述用户当前的生理参数与所述健身方案中标准的生理参数是否匹配；

若不匹配，则输出预警消息，所述预警消息用于指示用户修改当前的健身方案。

一种无氧运动健身推荐装置，所述装置包括：

轨迹获取模块，用于获取用户使用无氧运动设备健身时所述无氧运动设备两侧的运动轨迹；其中，所述运动轨迹是在所述无氧运动设备运动过程中各个位置的三维数据得到的；

确定模块，用于将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，所述预设的神经网络模型中包括人体两侧的运动轨迹和人体两侧的动作姿势之间的对应关系；

计算模块，用于根据所述人体两侧的动作姿势，计算所述人体两侧的动作姿势的相对误差，并将所述相对误差与对应的相对误差阈值进行比较；

输出模块，用于若所述相对误差大于所述相对误差阈值，则输出提示消息，所述提示消息用于提示用户矫正当前的错误动作姿势。

一种无氧运动设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

一种存储介质，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以下步骤：

上述无氧运动健身推荐方法、装置、无氧运动设备及存储介质，首先获取无氧运动设备在运动过程中两侧的运动轨迹，其中，该运动轨迹是由上述无氧运动设备运动到各个位置时采集的各个位置的三维数据来计算得到的，接着根据无氧运动设备两侧的运动轨迹，利用预设的神经网络模型得到人体两侧的动作姿势，并计算出人体两侧的动作姿势的相对误差，最后将该相对误差与预设的相对误差阈值进行对比，在该相对误差大于相对误差阈值时，给用户输出提示消息，提示用户矫正当前的错误动作姿势。在本实施例中，由于无氧运动设备得到的运动轨迹是基于三维数据得到的，所以本实施例中传输的数据比较多样化。进一步地，由于本实施例的方法不仅可以得到用户的运动次数，还可以根据神经网络模型和无氧运动设备两侧的运动轨迹，得到人体两侧的动作姿势，因此本实施例的方法得到的数据类型更为丰富。更进一步地，由于本实施例的方法还可以计算出人体两侧的动作姿势的相对误差，并在该相对误差较大时，提示用户矫正当前的错误动作姿势，因此，利用本实施例的方法，可以及时让用户得知自己当前的动作姿势是否正确，在不正确时可以进行校正，从而使得用户和无氧运动设备之间的交互更加智能化，提升了用户体验。

附图说明

图1为一个实施例中无氧运动健身推荐方法的应用环境示意图；

图2为一个实施例提供的无氧运动健身推荐方法的流程示意图；

图3为一个实施例提供的无氧运动健身推荐方法的流程示意图；

图4为一个实施例提供的无氧运动健身推荐方法的流程示意图；

图5为一个实施例提供的无氧运动健身推荐方法的流程示意图；

图6为另一个实施例提供的无氧运动健身推荐方法的流程示意图；

图7为另一个实施例提供的无氧运动健身推荐方法的流程示意图；

图8为一个实施例提供的无氧运动健身推荐装置的流程示意图；

图9为一个实施例提供的无氧运动健身推荐装置的流程示意图；

图10为另一个实施例提供的无氧运动健身推荐装置的流程示意图；

图11为另一个实施例提供的无氧运动健身推荐装置的流程示意图。

附图标记说明：

101：传感器； 102：处理器；

103：存储器； 104：存储介质；

105：无线传输装置； 106：语音装置；

107：显示装置； 108：输入装置。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本发明实施例提供的无氧运动健身推荐方法，可以适用于图1所示的无氧运动设备。可选的，本发明实施例中的无氧运动设备可以是图1所示的杠铃，也可以是哑铃，还可以是肩推机，还可以是其他无氧运动设备。如图1所示，该无氧运动设备包括传感器101、处理器102、存储器103、存储介质104、无线传输装置105、语音装置106、显示装置107。其中，该无氧运动设备的传感器101用于采集无氧运动设备在运动过程中的数据。可选的，该数据可以是无氧设备在运动过程中运动轨迹数据、位移数据等。可选的，该传感器101可以是三维重力传感器、六轴传感器、九轴传感器等。该无氧运动设备的处理器102用于提供计算和控制能力。该无氧运动设备的存储器103包括存储介质104、内存储器。该存储介质存储有操作***和计算机程序。该存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种无氧运动健身推荐方法。该无氧运动设备的无线传输装置105用于将无氧运动设备上存储的数据传输给云平台或者终端设备。该无氧运动设备的语音装置106用于向用户输出语音提示。该无氧运动设备的显示装置107用于显示无氧运动设备在运动过程中产生的运动数据。可选的，上述无氧运动设备还可以包括输入装置108。可选的，输入装置108可以是显示装置上覆盖的触摸层，也可以是无氧运动设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

需要说明的是，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的无氧运动设备的限定，具体的无氧运动设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

传统技术中，在对无氧运动设备进行数据传输时，一般传输数据都是一维数据，包括设备的位移、环境温度、环境湿度等，通过对上述数据进行分析处理，从而可以计算出健身者的运动次数、运动量、消耗量等。但是上述数据分析方法所传输的数据较为单一，用户和无氧运动设备之间的交互不够智能。本发明实施例提供的无氧运动健身推荐方法、装置、无氧运动设备及存储介质，旨在解决传统技术的如上技术问题。

需要说明的是，下述方法实施例的执行主体可以是无氧运动健身推荐装置，该无氧运动健身推荐装置可以通过软件、硬件或者软硬件结合的方式实现成为上述无氧运动设备的部分或者全部。下述方法实施例以执行主体是无氧运动设备为例进行说明。

图2为一个实施例提供的无氧运动健身推荐方法的流程示意图。本实施例涉及的是无氧运动设备如何根据无氧运动设备两侧在健身时的运动轨迹，得到人体两侧的动作姿势的相对误差，并在相对误差较大时提示用户矫正错误动作姿势的具体过程。如图2所示，该方法可以包括以下步骤：

S101，获取用户使用无氧运动设备健身时所述无氧运动设备两侧的运动轨迹；其中，所述运动轨迹是在所述无氧运动设备运动过程中各个位置的三维数据得到的。

在该步骤中，无氧运动设备指的是有两侧的无氧运动设备，例如可以是哑铃、杠铃、卧推举重等。

具体的，在无氧运动设备两侧的内部均可以设置传感器，利用两侧的传感器就可以测量出用户在使用无氧运动设备进行健身时，无氧运动设备两侧分别产生的运动轨迹。其中，无氧运动设备两侧的运动轨迹即为用户人体两侧的运动轨迹。可选的，上述传感器可以是陀螺仪、三维重力传感器、六轴传感器、九轴传感器、超声传感器中的任意一个，也可以是其中的多个传感器进行组合的传感器，本实施例对此不做限定。

接着，利用上述传感器测量得到的数据是无氧运动设备运动到各个位置时各个位置的三维数据，利用该各个位置的三维数据可以计算得到无氧运动设备的运动轨迹。可选的，上述三维数据可以是无氧运动设备在运动过程中的角速度、角加速度、重力加速度等。可选的，可以利用上述六轴传感器、九轴传感器来测量得到上述无氧运动设备在运行过程中在三维方向上的角速度、角加速度等三维数据，可以利用三维重力传感器测量得到无氧运动设备在运行过程中在三维方向上的重力加速度，还可以利用三个陀螺仪或者三个超声传感器，分别设置在三个维度上，来测量得到上述三维数据。

另外，除却三维数据之外，上述每个传感器还可以测量出用户在健身时无氧运动设备的位移、环境温度、环境湿度等一维数据，并可以根据上述数据计算得到用户的运动次数、运动量、消耗量等。

S102，将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，所述预设的神经网络模型中包括人体两侧的运动轨迹和人体两侧的动作姿势之间的对应关系。

在该步骤中，可选的，无氧运动设备可以将多个训练运动轨迹组作为初始神经网络模型的输入，将所述多个训练运动轨迹组对应的训练动作姿势组作为输出，对所述初始神经网络模型进行训练，得到所述神经网络模型；其中，所述训练运动轨迹组包括无氧运动设备两侧的训练运动轨迹，所述训练动作姿势组包括人体两侧的训练动作姿势。

具体的，无氧运动设备在得到人体两侧的运动轨迹之后，可以将该两侧的运动轨迹分别输入到预设的神经网络模型中进行匹配，在该神经网络模型中，人体两侧的运动轨迹和人体两侧的动作姿势之间是一一对应的，根据该对应关系，无氧运动设备就可以得到与上述人体两侧的运动轨迹匹配的人体两侧的动作姿势。可选的，上述得到的人体两侧的动作姿势可以是两个姿势矩阵。

S103，根据所述人体两侧的动作姿势，计算所述人体两侧的动作姿势的相对误差，并将所述相对误差与对应的相对误差阈值进行比较；若所述相对误差大于所述相对误差阈值，则输出提示消息，所述提示消息用于提示用户矫正当前的错误动作姿势。

具体的，无氧运动设备在得到人体两侧的动作姿势后，可以将其中一侧的动作姿势设为参考姿势，并将另一侧的动作姿势与该参考姿势作差值，该差值为人体两侧的动作姿势的误差，利用该误差与参考姿势作商值，就可以得到人体两侧的动作姿势的相对误差。

进一步的，无氧运动设备中可以包括不同的人体两侧的动作姿势及其相对误差阈值之间的对应关系，上述无氧运动设备在得到人体两侧的动作姿势的相对误差之后，首先可以根据上述对应关系找到人体两侧的动作姿势对应的相对误差阈值，然后将上述得到的相对误差与对应的相对误差阈值进行对比，得到对比结果。

在一种可能的实施方式中，若上述相对误差大于上述相对误差阈值，则需要输出提示消息，可选的，无氧运动设备内可以设置扬声器以及音频解码装置，在需要输出提示消息时，无氧运动设备可以将该提示消息通过音频解码装置进行解码，转换成用户可以接收的提示消息，并通过扬声器输出给用户，使用户可以听到。可选的，上述提示消息的内容可以只是指示用户动作姿势错误，后续具体矫正过程可以由用户自己决定，还可以是先指示用户动作姿势错误，然后再给用户提出具体的矫正过程。在另一种可能的实施方式中，若上述相对误差小于等于上述相对误差阈值，则无氧运动设备还可以仅记录人体两侧的运动轨迹以及对应的人体两侧的动作姿势，不进行语音提示。

本实施例提供的无氧运动健身推荐方法，首先获取无氧运动设备在运动过程中两侧的运动轨迹，其中，该运动轨迹是由上述无氧运动设备运动到各个点时采集的各个点的三维数据来计算得到的，接着根据无氧运动设备两侧的运动轨迹，利用预设的神经网络模型得到人体两侧的动作姿势，并计算出人体两侧的动作姿势的相对误差，最后将该相对误差与预设的相对误差阈值进行对比，在该相对误差大于相对误差阈值时，给用户输出提示消息，提示用户进行不标准动作姿势矫正。在本实施例中，由于无氧运动设备得到的运动轨迹是基于三维数据得到的，所以本实施例传输的数据比较多样化。进一步地，由于本实施例的方法不仅可以得到用户的运动次数，还可以根据神经网络模型和无氧运动设备两侧的运动轨迹，得到人体两侧的动作姿势，因此本实施例的方法得到的数据更为丰富。更进一步地，由于本实施例的方法还可以计算出人体两侧的动作姿势的相对误差，并在该相对误差较大时，提示用户矫正当前的错误动作姿势，因此，利用本实施例的方法，可以及时让用户得知自己当前的动作姿势是否正确，在不正确时可以进行校正，从而提升了用户和无氧运动设备之间交互体验。

图3为一个实施例提供的无氧运动健身推荐方法的流程示意图。本实施例涉及的是无氧运动设备如何获取用户使用无氧运动设备健身时，所述无氧运动设备两侧的运动轨迹的具体过程。如图3所示，上述步骤S101可以包括以下步骤：

S201，在所述无氧运动设备运动过程中，获取所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角加速度、角速度和位移。

具体的，无氧运动设备的运动轨迹是由运动过程中的各个位置组成的，利用上述传感器，无氧运动设备就可以测量得到其运动到各个点时的角加速度、角速度、位移。其中，上述三维指的是X、Y、Z三个轴，上述传感器测量的是X、Y、Z三个轴向上的无氧运动设备的角加速度、角速度、位移。

S202，根据所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角加速度、角速度，并利用预设的角度转换算法计算得到所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角度。

具体的，由于上述传感器测量得到的多个角加速度以及多个角速度存在一定的测量误差，因此，在计算无氧运动设备两侧的运动轨迹之前，首先可以利用卡尔曼滤波算法，将有误差的角加速度以及角速度滤掉，得到无氧运动设备运动到各个位置时的最优的角加速度、最优的角速度。之后无氧运动设备可以通过旋转矩阵、四元数姿态解算、欧拉角计算等角度转换算法，对上述多个最优的角加速度、多个最优的角速度进行计算，从而得到无氧运动设备运动到各个位置时无氧运动设备在三维方向上的角度。

S203，根据所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角度以及位移，得到所述无氧运动设备两侧的运动轨迹。

具体的，无氧运动设备根据上述得到的多个角度和多个位移，就可以确定出无氧运动设备运动到各个位置时的坐标，接着无氧运动设备可以对该多个坐标进行曲线拟合，就可以得到无氧运动设备的运动轨迹。

本实施例提供的无氧运动健身推荐方法，由于测量的是X、Y、Z三个轴向上的无氧运动设备的角加速度、角速度，并且根据该测量得到的三维方向上的多个角加速度以及多个角速度，计算出无氧运动设备运动到各个位置时在三维方向上的多个角度，最终根据该三维方向上的多个角度和位移拟合出无氧运动设备的运动轨迹，因此，本实施例传输的数据比较多样化，同时本实施例得到的无氧运动设备的运动轨迹也较为准确。

图4为一个实施例提供的无氧运动健身推荐方法的流程示意图。本实施例涉及的是无氧运动设备如何根据无氧运动设备两侧的运动轨迹，得到人体两侧的动作姿势的具体过程。如图4所示，上述步骤S102可以包括以下步骤：

S301，采用所述神经网络模型识别所述无氧运动设备两侧的运动轨迹的类别。

其中，无氧运动设备两侧的运动轨迹即为人体两侧的运动轨迹，上述神经网络模型中还可以包括多个人体两侧的运动轨迹与多个类别之间的对应关系。例如，类别可以是前推、后拉等。

具体的，无氧运动设备在将人体两侧的运动轨迹输入到预设的神经网络模型中之后，就可以根据上述对应关系，得到该人体两侧的运动轨迹所对应的类别。通过上述类别识别，可以确定出人体具体在做哪一类动作。

S302，根据所述无氧运动设备两侧的运动轨迹的类别和所述神经网络模型中人体两侧的动作姿势的对应关系，得到所述人体两侧的动作姿势。

具体的，上述神经网络模型中也可以包括多个人体两侧的运动轨迹的类别与多个人体两侧的动作姿势之间的对应关系，根据该对应关系，无氧运动设备就可以确定出上述人体两侧的运动轨迹所对应的人体两侧的动作姿势。

本实施例提供的无氧运动健身推荐方法，由于是先识别上述无氧运动设备两侧的运动轨迹的类别，然后再根据类别确定出人体两侧的动作姿势，因此，利用本实施例的方法，得到的人体两侧的动作姿势比较准确，为后续计算人体两侧的动作姿势的相对误差提供了一个保证。

图5为一个实施例提供的无氧运动健身推荐方法的流程示意图。本实施例涉及的是无氧运动设备如何计算所述人体两侧的动作姿势的相对误差的具体过程。如图5所示，上述步骤S103中计算人体两侧的动作姿势的相对误差可以包括以下步骤：

S401，计算所述人体两侧的运动轨迹的相对误差。

具体的，无氧运动设备在得到人体两侧的运动轨迹之后，可选的，可以直接计算两个运动轨迹的相对误差，还可以是选择将两个运动轨迹映射到同一个轴上，然后计算在该同一个轴上映射后两个运动轨迹的相对误差。可选的，上述计算两个运动轨迹的相对误差，可以是对两个运动轨迹的波峰进行相对误差计算，还可以是对两个运动轨迹的波谷进行相对误差计算，本实施例对此不做限定。

S402，将所述人体两侧的运动轨迹的相对误差确定为所述人体两侧的动作姿势的相对误差。

本实施例提供的无氧运动健身推荐方法，通过计算人体两侧的运动轨迹的相对误差，最终可以将该人体两侧的运动轨迹的相对误差确定为人体两侧的动作姿势的相对误差，由于计算人体两侧的运动轨迹的相对误差的过程比较简单，因此本实施例的方法可以较为简单地得到人体两侧的动作姿势的相对误差。

图6为另一个实施例提供的无氧运动健身推荐方法的流程示意图。本实施例涉及的是无氧运动设备如何根据用户输入的信息以及环境的温湿度信息，给用户生成个性化健身推荐信息的具体过程。如图6所示，该方法可以包括以下步骤：

S501，获取用户信息以及环境的温湿度信息，其中，所述用户信息包括以下至少一项：用户的偏好运动类型、年龄、关节尺寸、既往病史、心率、血氧浓度、体温、历史运动数据。

其中，用户信息包括用户生理参数，用户生理参数包括用户心率、血氧浓度、体温等。

在该步骤中，可选的，可以是无氧运动设备本身具有显示屏，用户可以在该显示屏上选择相关信息，还可以是无氧运动设备内部含有一个无线传输模块，该无线传输模块可以与APP(Application，设备应用程序)进行数据传输，用户在APP上选择相关信息之后，APP可以通过该无线传输模块，将用户选择的相关信息传输给无氧运动设备。

另外，无氧运动设备采集环境的温湿度信息时，可以是通过内置的一个温度传感器采集环境的温度以及通过内置的另一个湿度传感器采集环境的湿度，还可以是通过无氧运动设备内置的温湿度传感器，同时采集到环境的温湿度，本实施例对此不做限定。可选的，上述温度传感器可以是DS18B20温度传感器、红外温度检测传感器、热敏电阻等，上述湿度传感器可以是感湿元件、湿敏电阻、SHT20湿度传感器等，上述温湿度传感器可以是DHT11温湿度传感器等。

S502，确定与所述用户信息以及环境的温湿度信息匹配的健身推荐方案。

具体的，无氧运动设备可以将上述用户信息以及环境的温湿度信息输入至预设的健身方案生成模型，该预设的健身方案生成模型中包括多个用户信息以及环境的温湿度信息与多个健身推荐方案之间的对应关系，根据该对应关系，无氧运动设备就可以得到上述用户信息以及环境的温湿度信息对应的健身推荐方案。利用该健身推荐方案，用户可以有针对性地进行健身。

本实施例提供的无氧运动健身推荐方法，由于是根据用户信息以及环境的温湿度信息，生成属于用户个人的健身推荐方案的，因此，本实施例的方法可以使用户有针对性地进行健身，从而可以使用户的健身更加科学，同时可以提高用户的健身兴趣。

图7为另一个实施例提供的无氧运动健身推荐方法的流程示意图。本实施例涉及的是无氧运动设备如何根据用户当前的生理参数和选择的健身方案，判断当前的生理参数和标准生理参数是否匹配，并在两者不匹配时给用户输出预警消息的具体过程。如图7所示，该方法可以包括以下步骤：

S601，获取用户当前的生理参数和选择的健身方案，所述生理参数包括心率、血氧浓度、体温中的至少一项，所述健身方案中包括标准的生理参数。

其中，无氧运动设备可以内置心率检测传感器，用以对用户的心率进行采集，也可以内置血氧浓度传感器，用以对用户的血氧浓度进行采集，还可以内置温度检测传感器，用以对用户的体温进行检测。可选的，上述对用户的体温进行检测的温度检测传感器可以是与上述测量环境温度的温度传感器为同一个温度传感器，还可以是两个温度传感器，分别对用户的体温进行检测以及对环境的温度进行测量，本实施例对此不做限定。

具体的，无氧运动设备中可以包括多个健身方案，用户在需要健身时，可以选择其中的一个健身方案，该健身方案中包括标准的生理参数，该标准的生理参数指的是生成该健身方案时所采用的生理参数，可选的，该标准的生理参数可以是一个确定的值，还可以是一个范围，其中，范围指的是生成该健身方案时所采用的生理参数的最大值和最小值所组成的范围。

S602，判断所述用户当前的生理参数与所述健身方案中标准的生理参数是否匹配；若不匹配，则输出预警消息，所述预警消息用于指示用户修改当前的健身方案。

具体的，无氧运动设备在得到用户当前的生理参数以及标准的生理参数后，可以将用户当前的生理参数与标准的生理参数进行匹配，在一种可能的实施方式中，如果匹配成功，则用户可以利用该健身方案进行健身；需要说明的是，如果获取的用户的生理参数是多个时，则需要多个生理参数均与标准生理参数匹配成功，才可以算匹配成功。在另一种可能的实施方式中，如果匹配不成功，则用户不能使用当前的健身方案来进行健身，需要重新选择健身方案。可选的，无氧运动设备在给用户输出预警消息时，可以采用蜂鸣器和三极管组合的结构，三极管用来放大预警消息，蜂鸣器用来输出经三极管放大后的预警消息。

本实施例提供的无氧运动健身推荐方法，由于是根据用户当前的生理参数与用户选择的健身方案中的标准生理参数进行匹配，在匹配成功时，用户才可以利用选择的健身方案进行健身，在匹配不成功时，用户最好不选择该健身方案进行健身。这样，可以在一定程度上避免了用户盲目选择不适合自身的健身方案，导致运动损伤的问题。

应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图8为一个实施例提供的无氧运动健身推荐装置的结构示意图。如图8所示，该装置可以包括：轨迹获取模块10、确定模块11、计算模块12、输出模块13。

具体的，轨迹获取模块10，用于获取用户使用无氧运动设备健身时所述无氧运动设备两侧的运动轨迹；其中，所述运动轨迹是在所述无氧运动设备运动过程中各个位置的三维数据得到的；

确定模块11，用于将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，所述预设的神经网络模型中包括人体两侧的运动轨迹和人体两侧的动作姿势之间的对应关系；

计算模块12，用于根据所述人体两侧的动作姿势，计算所述人体两侧的动作姿势的相对误差，并将所述相对误差与对应的相对误差阈值进行比较；

输出模块13，用于若所述相对误差大于所述相对误差阈值，则输出提示消息，所述提示消息用于提示用户矫正当前的错误动作姿势。

本实施例提供的无氧运动健身推荐装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，在上述实施例的基础上，上述轨迹获取模块10具体用于在所述无氧运动设备运动过程中，获取所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角加速度、角速度和位移；根据所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角加速度、角速度，并利用预设的角度转换算法计算得到所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角度；根据所述无氧运动设备运动到各个位置时所述无氧运动设备在三维方向上的角度以及位移，得到所述无氧运动设备两侧的运动轨迹。

在一个实施例中，在上述实施例的基础上，上述确定模块11具体用于采用所述神经网络模型识别所述无氧运动设备两侧的运动轨迹的类别；根据所述无氧运动设备两侧的运动轨迹的类别和所述神经网络模型中人体两侧的动作姿势的对应关系，得到所述人体两侧的动作姿势。

在一个实施例中，在上述实施例的基础上，上述计算模块12具体用于计算所述人体两侧的运动轨迹的相对误差；将所述人体两侧的运动轨迹的相对误差确定为所述人体两侧的动作姿势的相对误差。

图9为一个实施例提供的无氧运动健身推荐装置的结构示意图。如图9所示，在上述实施例的基础上，上述装置还可以包括：模型训练模块14。

具体的，模型训练模块14，用于将多个训练运动轨迹组作为初始神经网络模型的输入，将所述多个训练运动轨迹组对应的训练动作姿势组作为输出，对所述初始神经网络模型进行训练，得到所述神经网络模型；其中，所述训练运动轨迹组包括无氧运动设备两侧的训练运动轨迹，所述训练动作姿势组包括人体两侧的训练动作姿势。

图10为另一个实施例提供的无氧运动健身推荐装置的结构示意图。如图10所示，在上述实施例的基础上，上述装置还可以包括：信息获取模块15、方案确定模块16。

具体的，信息获取模块15，用于获取用户信息以及环境的温湿度信息，其中，所述用户信息包括以下至少一项：用户的偏好运动类型、年龄、关节尺寸、既往病史、心率、血氧浓度、体温、历史运动数据；

方案确定模块16，用于确定与所述用户信息以及环境的温湿度信息匹配的健身推荐方案。

图11为另一个实施例提供的无氧运动健身推荐装置的结构示意图。如图11所示，在上述实施例的基础上，上述装置还可以包括：综合获取模块17、判断模块18、预警输出模块19。

具体的，综合获取模块17，用于获取用户当前的生理参数和选择的健身方案，所述生理参数包括心率、血氧浓度、体温中的至少一项，所述健身方案中包括标准的生理参数；

判断模块18，用于判断所述用户当前的生理参数与所述健身方案中标准的生理参数是否匹配；

预警输出模块19，用于若不匹配，则输出预警消息，所述预警消息用于指示用户修改当前的健身方案。

在一个实施例中，提供了一种无氧运动设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：

计算所述人体两侧的运动轨迹的相对误差；

在一个实施例中，提供了一种可读存储介质，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以下步骤：

在一个实施例中，所述计算机程序被处理器执行时还实现以下步骤：

计算所述人体两侧的运动轨迹的相对误差；

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种无氧运动健身推荐方法，其特征在于，所述方法包括：

将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，所述预设的神经网络模型包括人体两侧的运动轨迹和人体两侧的动作姿势之间的对应关系；

根据所述人体两侧的动作姿势，计算所述人体两侧的动作姿势的相对误差，并将所述相对误差与对应的相对误差阈值进行比较；所述相对误差的确定过程为将其中一侧的动作姿势设为参考姿势，并将另一侧的动作姿势与所述参考姿势作差值后，根据所述差值与所述参考姿势的商值确定的；

2.根据权利要求1所述的方法，其特征在于，所述获取用户使用无氧运动设备健身时所述无氧运动设备两侧的运动轨迹，包括：

3.根据权利要求1所述的方法，其特征在于，所述将所述无氧运动设备两侧的运动轨迹输入到预设的神经网络模型中，得到人体两侧的动作姿势，包括：

4.根据权利要求1所述的方法，其特征在于，所述计算所述人体两侧的动作姿势的相对误差，包括：

计算所述人体两侧的运动轨迹的相对误差；

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取用户当前的生理参数和选择的健身方案，所述生理参数包括心率、血氧浓度、体温中的至少一项，所述健身方案包括标准的生理参数；

8.一种无氧运动健身推荐装置，其特征在于，所述装置包括：

计算模块，用于根据所述人体两侧的动作姿势，计算所述人体两侧的动作姿势的相对误差，并将所述相对误差与对应的相对误差阈值进行比较；所述相对误差的确定过程为将其中一侧的动作姿势设为参考姿势，并将另一侧的动作姿势与所述参考姿势作差值后，根据所述差值与所述参考姿势的商值确定的；

9.一种无氧运动设备，包括：存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。