CN111530036A - 跑步运动成绩预测方法及电子设备 - Google Patents
跑步运动成绩预测方法及电子设备 Download PDFInfo
- Publication number
- CN111530036A CN111530036A CN202010405190.0A CN202010405190A CN111530036A CN 111530036 A CN111530036 A CN 111530036A CN 202010405190 A CN202010405190 A CN 202010405190A CN 111530036 A CN111530036 A CN 111530036A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- time
- user
- real
- course
- 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
Links
Images
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
- A63B24/0003—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- A63B2024/0009—Computerised real time comparison with previous movements or motion sequences of the user
-
- 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
- A63B2024/0065—Evaluating the fitness, e.g. fitness level or fitness index
-
- 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
- A63B2024/0071—Distinction between different activities, movements, or kind of sports performed
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/30—Speed
-
- 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
- A63B2230/06—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations heartbeat rate only
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开了一种跑步运动成绩预测方法及电子设备,该预测方法包括:建立反映用户心率和配速关系的第一模型方程;对体力值的大小进行量化;分别建立与若干不同赛程对应的若干第二模型方程,第二模型方程反映在某一赛程下体力值和配速的关系;从若干不同赛程中,任选一赛程作为标准赛程,获取反映用户在标准赛程下的储备心率比;根据储备心率比的计算公式、第一模型方程和第二模型方程得到反映用户运动表现的体力值;将体力值代入与所要预测的赛程对应的第二模型方程中,得到预测配速,进而得到预测时间;上述预测方法,可反映出用户当前的体能水平和各个赛程的成绩潜力,预测结果相对准确,而且可支持用户对多种赛程的跑步成绩的预测,使用方便。
Description
技术领域
本发明涉及跑步运动比赛成绩预测技术领域,尤其涉及一种跑步运动成绩预测方法及电子设备。
背景技术
由于跑步运动不受场地、器材等因素的制约,跑步爱好者越来越多,在这种环境下,马拉松已逐渐成为最受欢迎、最具影响力的群众性体育赛事。随着赛事数量的剧增,大量的业余跑者参与到马拉松的训练和比赛中来。业余跑者的运动能力参差不齐,训练的随意性和比赛的盲目性不但增加了业余跑者在比赛中的风险系数,更对该项运动的可持续发展非常不利。如何准确预测用户的马拉松成绩对于合理安排马拉松的训练和参与的赛程至关重要。目前,对用户的马拉松成绩预测的方法,一般是根据平时的训练成绩进行预测,需要用户跑完全程马拉松,对于运动能力差的业余跑者很难完成,预测难度大,普适性差,预测效率低,而且有些业余或专业运动员仅仅想跑半马、5KM、10KM等赛程,很难相对准确地预测用户在任一赛程上的跑步成绩。
发明内容
本发明的其中一目的是为解决上述技术问题的不足而提供一种跑步运动成绩预测方法,以根据用户体力水平相对准确地预测出用户对于不同赛程的跑步成绩。
本发明的另一目的是,提供一种跑步运动成绩预测的电子设备,以根据用户体力水平相对准确地预测出用户对于不同赛程的跑步成绩。
为了实现上述目的,本发明公开了一种跑步运动成绩预测方法,其包括:
采集当前用户最近N天运动过程中的实时心率和实时运动速度数据,建立反映用户心率和配速关系的第一模型方程;
自定义一封闭的数值区间D1,采用数值区间D1中的数值对体力值的大小进行量化;
分别建立与若干不同赛程对应的若干第二模型方程,所述第二模型方程反映在某一赛程下体力值和配速的关系;
从若干不同赛程中,任选一赛程作为标准赛程,获取反映用户在所述标准赛程下的适宜运动强度的储备心率比;
获得用户的最大心率和静息心率,根据所述储备心率比的计算公式,得出用户相对于所述标准赛程的运动心率;
将所述运动心率代入所述第一模型方程获得用户相对于所述标准赛程的标准配速;
将所述标准配速代入与所述标准赛程对应的第二模型方程,得到反映用户运动表现的体力值;
将所述体力值代入与所要预测的赛程对应的第二模型方程中,得到预测配速,从而得到用户跑完所要预测的赛程的预测时间。
与现有技术相比,本发明跑步运动成绩预测方法,建立有第一模型方程和第二模型方程,第一模型方程反映用户最近的运动表现状态,第二模型方程反映用户在某一赛程下下体力值和配速的关系;根据适合当前用户的储备心率比和第一模型方程计算出用户在已知的标准赛程下的运动配速,然后再根据第二模型方程,可计算出用户的体力值;体力值得到后,再将其代入将要预测的某一赛程对应的第二模型方程中,即可得出用户的预测配速,从而得到预测时间,也即用户的跑步成绩;由此可知,上述预测方法是根据用户最近一段时间的运动表现数据和用户所具备的运动强度计算出用户的体力值,然后根据体力值再进行成绩预测的,预测结果相对准确,而且可支持用户对多种赛程的跑步成绩的预测,使用方便。
较佳地,所述实时心率和所述实时运动速度的采集方法包括:
S10:判断用户单次连续运动时长T1是否大于设定时长T2,如果是,则进入S11;如果否,则返回;
S11:以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段内的实时心率和实时运动速度是否符合下述三个条件,
第一条件:实时心率波动是在设定值B1以内;
第二条件:实时运动速度波动在设定值V1以内;
第三条件:储备心率比在一预设区间D2范围内;
如果是,将所述单位时间段内的实时心率和实时运动速度作为采集数据。
较佳地,所述第二模型方法的建立方法包括:
分别采集与若干不同赛程对应的不同水平运动员的跑步配速,根据体力值与跑步配速的正相关性,分别将不同赛程下的不同跑步配速与不同大小的体力值配成数据对,对不同赛程下的数据对进行处理,建立体力值-配速回归模型,以得到与各赛程对应的所述第二模型方程。
较佳地,所述储备心率比的获取方法包括:
获取用户的生理特征数据和所具备的最大摄氧量数据;
制作与所述标准赛程相对应的储备心率比查询表,所述储备心率比查询表记录相对于所述标准赛程具有不同生理特征和最大摄氧量的用户所对应的储备心率比;
根据用户的生理特征数据和最大摄氧量数据查询所述储备心率比查询表,获得用户相对于所述标准赛程的储备心率比。
较佳地,所述最大摄氧量的获取方法包括:
获取用户的年龄、性别、体重、静息心率和最大心率;
采集用户运动过程中的实时心率和实时运动速度;
从用户当前的运动时长中选取一预设时间长度的特征时间段,以所述实时心率和所述实时运动速度为基础数据,计算出所述特征时间段内的特征平均心率和特征平均速度;
其中,A为40~50的常数,P1为7至~8的常数,S为性别常数,男性为1,女性为0;P2为0.1~0.2的常数,G为用户体重;P3为4~5的常数,V为特征平均速度,P4为3~4的常数,B为1~2的常数;C为15~20的常数,HR特征为特征平均心率,HR静息为用户在清醒、安静状态下的静息心率,HRmax为最大心率;a为用户年龄。
较佳地,采集当前用户最近7天的所述实时心率和所述实时运动速度数据,建立所述第一模型方程。
较佳地,当所要预测的赛程为全程马拉松距离时,如果得到的所述预测时间大于设定时间T3,且当前用户最近连续M个月每个月的跑步距离小于设定距离S1时,则当前用户的运动成绩为在原来的预测时间的基础上增加设定时间T4。
本发明还公开一种用于跑步运动成绩预测的电子设备,其包括基体,所述基体上设置有心率检测模块、速度检测模块、输入模块、处理模块和输出模块;
所述心率检测模块,用于检测用户的实时心率;
所述速度检测模块,用于检测用户的实时运动速度;
所述输入模块,用于接收外部的输入数据;
所述处理模块包括第一模型生成模块、体力值量化模块、第二模型生成模块、储备心率比获取模块以及计算模块;
所述第一模型生成模块,用于通过采集到的当前用户最近N天运动过程中的实时心率和实时运动速度数据,建立反映用户心率和配速关系的第一模型方程;
所述体力值量化模块,用于通过一自定义的封闭数值区间D1内的数值对体力值的大小进行量化;
所述第二模型生成模块,用于分别建立与若干不同赛程对应的若干第二模型方程,所述第二模型方程反映在某一赛程下体力值和配速的关系;
所述储备心率比获取模块,用于从若干不同赛程中任选一赛程作为标准赛程,并获取反映用户在所述标准赛程下的适宜运动强度的储备心率比;
所述计算模块,包括第一计算模块、第二计算模块、第三计算模块和第四计算模块;
所述第一计算模块,用于根据所述储备心率比的计算公式,计算出用户相对于所述标准赛程的运动心率;
所述第二计算模块,用于将所述运动心率代入所述第一模型方程获得用户相对于所述标准赛程的标准配速;
所述第三计算模块,用于将所述标准配速代入与所述标准赛程对应的第二模型方程,得到反映用户运动表现的体力值;
所述第四计算模块,用于将所述体力值代入与所要预测的赛程对应的第二模型方程中,计算得到预测配速,从而得到用户跑完所要预测的赛程的预测时间;
所述输出模块,用于输出所述预测时间。
较佳地,所述第一模型生成模块包括用于采集实时心率和实时运动速度的数据采集模块,所述数据采集模块通过下述方式采集数据:
S10:判断用户单次连续运动时长T1是否大于设定时长T2,如果是,则进入S11;如果否,则返回;
S11:以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段内的实时心率和实时运动速度是否符合下述三个条件,
第一条件:实时心率波动是在设定值B1以内;
第二条件:实时运动速度波动在设定值V1以内;
第三条件:储备心率比在一预设区间D2范围内;
如果是,将所述单位时间段内的实时心率和实时运动速度作为采集数据。
较佳地,所述第二模型生成模块采用下述方法生成第二模型方程:
分别采集与若干不同赛程对应的不同水平运动员的跑步配速,根据体力值与跑步配速的正相关性,分别将不同赛程下的不同跑步配速与不同大小的体力值配成数据对,对不同赛程下的数据对进行处理,建立体力值-配速回归模型,以得到与各赛程对应的所述第二模型方程。
较佳地,所述储备心率比获取模块通过下述方法获取储备心率比:
获取用户的生理特征数据和所具备的最大摄氧量数据;
制作与所述标准赛程相对应的储备心率比查询表,所述储备心率比查询表记录相对于所述标准赛程具有不同生理特征和最大摄氧量的用户所对应的储备心率比;
根据用户的生理特征数据和最大摄氧量数据查询所述储备心率比查询表,获得用户相对于所述标准赛程的储备心率比。
较佳地,所述最大摄氧量的获取方法包括:
获取用户的年龄、性别、体重、静息心率和最大心率;
采集用户运动过程中的实时心率和实时运动速度;
从用户当前的运动时长中选取一预设时间长度的特征时间段,以所述实时心率和所述实时运动速度为基础数据,计算出所述特征时间段内的特征平均心率和特征平均速度;
其中,A为40~50的常数,P1为7至~8的常数,S为性别常数,男性为1,女性为0;P2为0.1~0.2的常数,G为用户体重;P3为4~5的常数,V为特征平均速度,P4为3~4的常数,B为1~2的常数;C为15~20的常数,HR特征为特征平均心率,HR静息为用户在清醒、安静状态下的静息心率,HRmax为最大心率;a为用户年龄。
较佳地,所述处理模块还包括成绩修正模块;当所要预测的赛程为全程马拉松距离时,如果得到的所述预测时间大于设定时间T3,且当前用户最近连续M个月每个月的跑步距离小于设定距离S1时,所述修正模块用于将当前用户的运动成绩在原来的预测时间的基础上增加设定时间T4,以对预测时间进行修正。
本发明还公开一种用于跑步运动成绩预测的电子设备,其包括:
一个或多个处理器;
存储器:
及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的跑步运动成绩预测方法的指令。
本发明还公开一种算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的跑步运动成绩预测方法。
附图说明
图1为本发明实施例跑步运动成绩预测方法的执行流程示意图。
图2为本发明实施例中运动状态数据的采集方法流程示意图。
图3为本发明实施例中储备心率比的动态获取方法流程示意图。
图4为本发明实施例中电子设备的原理结构示意图。
图5为电子设备中的处理模块的逻辑结构示意图。
图6为本发明实施例中第一模型方程的拟合示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
如图1所示,本发明公开了一种跑步运动成绩预测方法,其包括如下步骤(下述步骤不限制先后顺序):
S1:采集当前用户最近N天运动过程中的运动状态数据,该运动状态数据包括实时心率和实时运动速度,建立反映用户心率和配速关系的第一模型方程;根据人体肌肉锻炼恢复的机理,本实施例中,优选用户最近7天的运动状态数据。
S2:自定义一封闭的数值区间D1,采用数值区间D1中的数值对体力值的大小进行量化。由于目前对体力值没有一个统一的量化标准,因此,为便于对这一参考变量进行统计计算,本实施例中采用自定义的数值区间D1对其进行量化,具体的,该数值区间D1为[0,100],也即将最小的体力值定义为0,最大的体力值定义为100。
S3:分别建立与若干不同赛程对应的若干第二模型方程,第二模型方程反映在某一赛程下体力值和配速的关系。具体地,如果欲通过本实施例中的预测方法预测全马(全程马拉松)、半马(半程马拉松)、5KM和10KM的赛程成绩,需要建立分别与全马、半马、5KM和10KM的赛程对应的四个第二模型方程。另外,关于第二模型方程的建立方法,可通过理论数据验算获得,也可通过对历届马拉松比赛的统计数据进行拟合获得。
S4:从若干不同赛程中,任选一赛程作为标准赛程(以下均以半马为标准赛程进行距离说明),获取反映用户在半马下的适宜运动强度的储备心率比ρ;储备心率比ρ反映用户的运动强度,其计算公式为:
其中,HR运动为用户的运动心率,HRmax为用户的最大心率,HR静息为用户在清醒、安静状态下的静息心率;最大心率和静息心率可通过便携式检测设备检测得到,在用户知道自己的最大心率和静息心率数值的情况下,也可由用户手动设置,另外,最大心率还可通过用户年龄计算获得,即HRmax=208-0.7*a,a为用户年龄。同样地,对于储备心率比ρ,在用户知道自己相对于半马可适应的运动强度的情况下也可以手动设置。
S5:获得用户的最大心率和静息心率,当储备心率比ρ确定下来后,根据储备心率比ρ的计算公式,得出用户以储备心率比ρ(也称运动强度或训练强度)运动的相对于半马的运动心率。
S6:将运动心率代入第一模型方程获得用户相对于半马的标准配速。
S7:将标准配速代入与半马对应的第二模型方程,得到反映用户运动表现的体力值,也即用户当前可展现出来的体力状态值。
S8:将体力值代入与所要预测的赛程对应的第二模型方程中,得到预测配速,从而得到用户跑完所要预测的赛程的预测时间。如,将通过半马计算出的体力值代入与全马对应的第二模型方程中,即可得到用户相对于全马的预测配速,进而得到预测时间。
在上述步骤1中,采集运动状态数据时,为最大程度过滤掉一些与运动无关的数据,从而提高预测准确性,如图2,运动状态数据的采集方法包括:
S10:判断用户单次连续运动时长T1是否大于设定时长T2,如果是,则进入S11;如果否,则返回;
S11:以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段内的实时心率和实时运动速度是否符合下述三个条件:
第一条件:实时心率波动是在设定值B1以内;
第二条件:实时运动速度波动在设定值V1以内;
第三条件:根据实时心率值计算出的实时的储备心率比在一预设区间D2范围内;
如果是,将单位时间段内的实时心率和实时运动速度作为采集数据,如果否,返回,放弃对该单位时间段内的数据的采集。
具体地,T2为15分钟,B1为10bpm,V1为0.5m/s,D2为[50%,90%],那么在通过电子设备采集运动状态数据时,首先判断用户连续运动时长是否大于15分钟,如果否,不对该运动时间段内的数据进行采集,如果是,以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段内的实时心率和实时运动速度进行分析,这里的单位时间段以2分钟为例,移动提取是指提取第1秒~第120秒、第2秒~第121秒、第3秒~第122秒……等时间段内的数据,对于任一2分钟内的运动状态数据来说,只有在实时心率的波动不超过10bpm、实时运动速度的波动不超过0.5m/s、根据实时心率值计算出的实时的储备心率比在50%~90%之间时,该2分钟内的运动状态数据才被采集,否则,被丢弃。
当采集到符合要求的运动状态数据后,通过算术平均算法,分别对每个2分钟时间段内的实时心率和实时运动速度进行平均运算,得到单位平均心率和单位平均运动速度,然后将得到的若干组单位平均心率和单位平均速度描绘在一直角坐标系中,如图6所示,通过拟合方法,拟合出第一模型方程:y1=k1*x1+b1,其中,k1和b1为常数,y1表示用户可表现出的运动心率,x1表示用户可表现出跑步配速。
进一步地,第二模型方法的建立方法包括:
分别采集与若干不同赛程对应的不同水平运动员的跑步配速,根据体力值与跑步配速的正相关性,分别将不同赛程下的不同跑步配速与不同大小的体力值配成数据对,对不同赛程下的数据对进行处理,建立体力值-配速回归模型,以得到与各赛程对应的第二模型方程。
具体地,本实施例中,采集历届马拉松比赛中不同水平运动员的全马配速、半马配速、5KM配速和10KM配速,并且将最高配速2:50(目前马拉松最高纪录)与最高体力值100对应,下面依次分别对应其他配速和体力值,形成的数据对如下表1所示:
表1
根据表1中的数据,将各个体力值与分别对应的全马配速描绘在一直角坐标系中,通过数据拟合的方法,得到与全马配合的第二模型方程:
y2=k2*x2+b2,其中,k2和b2为常数,y2表示用户可表现出的体力值,x2表示用户可表现出的全马配速;
同理,将各个体力值与分别对应的半马配速描绘在一直角坐标系中,通过数据拟合的方法,得到与半马配合的第二模型方程:
y3=k3*x3+b3,其中,k3和b3为常数,y3表示用户可表现出的体力值,x3表示用户可表现出的半马配速,其他赛程以此类推。
进一步,在上述步骤4中,如图3,储备心率比的动态获取方法包括:
S40:获取用户的生理特征数据和所具备的最大摄氧量数据,该生理特征数据包括用户的年龄、性别等数据,最大摄氧量可根据生理特征数据直接生成,也可由用户手动设置;
S41:制作与半马相对应的储备心率比查询表,储备心率比查询表记录相对于半马具有不同生理特征和最大摄氧量的用户所对应的储备心率比,如下表2和表3所示;
S42:根据用户的生理特征数据和最大摄氧量数据查询储备心率比查询表,获得用户相对于半马的储备心率比。
表2
表3
因此,当用户为男性时,根据用户的年龄和最大摄氧量数据查询表2,获得用户相对于半马的储备心率比,当用户为女性时,根据用户的年龄和最大摄氧量数据查询表3,获得用户相对于半马的储备心率比。
关于最大摄氧量的获取方法,优选为:
获取用户的年龄、性别、体重、静息心率和最大心率;
采集用户运动过程中的实时心率和实时运动速度;
从用户当前的运动时长中选取一预设时间长度的特征时间段,以实时心率和实时运动速度为基础数据,计算出特征时间段内的特征平均心率和特征平均速度;
其中,A为40~50的常数,P1为7至~8的常数,S为性别常数,男性为1,女性为0;P2为0.1~0.2的常数,G为用户体重;P3为4~5的常数,V为特征平均速度,P4为3~4的常数,B为1~2的常数;C为15~20的常数,HR特征为特征平均心率,HR静息为用户在清醒、安静状态下的静息心率,HRmax为最大心率;a为用户年龄。
较佳地,在上述最大摄氧量获取的实施例中,为使得计算出的最大摄氧量最大程度接近实际水平,可通过如下步骤对实时心率和实时运动速度进行筛选:
S400:判断用户单次连续运动时长T3是否大于设定时长T4,如果是,则进入S401;如果否,则返回;本实施例中,T4为20分钟;
S401:以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段(1分钟)内的所有实时心率是否在设定的最大心率的一段数值区间D3内,如果是,则将当前单位时间段内的实时心率和实时运动速度纳入数据采集范围内,如果否,放弃对当前单位时间段内的实时心率和实时运动的采集。本实施例中,数值区间D3优选为:[70%*HRmax,95%*HRmax]。
对于特征时间段的选取,较佳地,当用户的连续运动时长T3大于30分钟时,特征时间段为运动时间在10~30分钟的一段时间,当用户的连续运动时长T3小于或等于30分钟时,特征时间段为运动时间在10~T3的一段时间。
综上,采用上述实施例中的预测方法进行跑步成绩预测的过程为:首先,通过当前用户最近7天的运动状态数据,建立第一模型方程;然后,通过表1建立分别与全马、半马、5KM和10KM对应的四个第二模型方程;然后,根据最大摄氧量的计算公式计算出用户当前的最大摄氧量,然后根据用户的年龄、性别、和最大摄氧量,查询表2(男性)或表3(女性)得到用户的储备心率比;根据储备心率比的计算公式,计算出用户的运动心率,再将运动心率代入第一模型方程y1得到用户相对半马的半马配速,接着将计算出的半马配速代入第二模型方程y3,得到用户的体力值,然后将计算出的体力值再代入第二模型方程y2中,即可得到用户相对于全马的全马配速,然后用全马的路程除以全马配速得到全马的预测时间,即用户相对于全马的跑步成绩。同样地,将计算出的体力值代入与其他赛程对应的第二模型方程中可分别得到相对应的配速,最终得到相应的跑步成绩。由此可知,上述预测方法是根据用户最近一段时间的运动表现数据和用户所具备的运动强度计算出用户的体力值,然后根据体力值再进行成绩预测的,反映出用户当前的体能水平和各个赛程的成绩潜力,预测结果相对准确,而且可支持用户对多种赛程的跑步成绩的预测,使用方便。
进一步地,当所要预测的赛程为全马时,如果得到的预测时间大于设定时间T1,且当前用户最近连续M个月每个月的跑步距离小于设定距离S1时,则当前用户的运动成绩为在原来的预测时间的基础上增加设定时间T2。如,当某一用户相对于全马的预测时间大于4.5h时,如果用户最近连续3个月每个月的跑步总距离都小于100KM,那么该用户的运动成绩为计算出的预测时间再增加40分钟,以提高预测准确性。
本发明还公开一种用于跑步运动成绩预测的电子设备,如图4和图5,其包括一便携式基体,基体上设置有心率检测模块、速度检测模块、输入模块、处理模块和输出模块。心率检测模块,包括心率传感器,用于检测用户的实时心率。速度检测模块优选为GPS定位***,用于检测用户的实时运动速度。输入模块用于接收外部的输入数据,如可通过输入模块输入用户的年龄、性别、体重、静息心率、最大心率等数据。
处理模块包括第一模型生成模块、体力值量化模块、第二模型生成模块、储备心率比获取模块以及计算模块。
第一模型生成模块,用于通过采集到的当前用户最近N天运动过程中的实时心率和实时运动速度数据,建立反映用户心率和配速关系的第一模型方程。
体力值量化模块,用于通过一自定义的封闭数值区间D1内的数值对体力值的大小进行量化。
第二模型生成模块,用于分别建立与若干不同赛程对应的若干第二模型方程,第二模型方程反映在某一赛程下体力值和配速的关系。
储备心率比获取模块,用于从若干不同赛程中任选一赛程作为标准赛程,并获取反映用户在标准赛程下的适宜运动强度的储备心率比。
计算模块,包括第一计算模块、第二计算模块、第三计算模块和第四计算模块。
第一计算模块,用于根据储备心率比的计算公式,计算出用户相对于标准赛程的运动心率。
第二计算模块,用于将运动心率代入第一模型方程获得用户相对于标准赛程的标准配速。
第三计算模块,用于将标准配速代入与标准赛程对应的第二模型方程,得到反映用户运动表现的体力值。
第四计算模块,用于将体力值代入与所要预测的赛程对应的第二模型方程中,计算得到预测配速,从而得到用户跑完所要预测的赛程的预测时间。
输出模块,用于输出预测时间。
较佳地,处理模块还包括成绩修正模块,当所要预测的赛程为全程马拉松距离时,如果得到的预测时间大于设定时间T3,且当前用户最近连续M个月每个月的跑步距离小于设定距离S1时,修正模块用于将当前用户的运动成绩在原来的预测时间的基础上增加设定时间T4,以对预测时间进行修正。
关于上述电子设备的工作原理和工作过程,详见上述跑步运动成绩预测方法,在此不再赘述。
本发明还公开另一种用于跑步运动成绩预测的电子设备,其包括一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的跑步运动成绩预测方法的指令。
本发明还公开一种一计算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的跑步运动成绩预测方法。
以上所揭露的仅为本发明的优选实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种跑步运动成绩预测方法,其特征在于,包括:
采集当前用户最近N天运动过程中的实时心率和实时运动速度数据,建立反映用户心率和配速关系的第一模型方程;
自定义一封闭的数值区间D1,采用数值区间D1中的数值对体力值的大小进行量化;
分别建立与若干不同赛程对应的若干第二模型方程,所述第二模型方程反映在某一赛程下体力值和配速的关系;
从若干不同赛程中,任选一赛程作为标准赛程,获取反映用户在所述标准赛程下的适宜运动强度的储备心率比;
获得用户的最大心率和静息心率,根据所述储备心率比的计算公式,得出用户相对于所述标准赛程的运动心率;
将所述运动心率代入所述第一模型方程获得用户相对于所述标准赛程的标准配速;
将所述标准配速代入与所述标准赛程对应的第二模型方程,得到反映用户运动表现的体力值;
将所述体力值代入与所要预测的赛程对应的第二模型方程中,得到预测配速,从而得到用户跑完所要预测的赛程的预测时间。
2.根据权利要求1所述的跑步运动成绩预测方法,其特征在于,所述实时心率和所述实时运动速度的采集方法包括:
S10:判断用户单次连续运动时长T1是否大于设定时长T2,如果是,则进入S11;如果否,则返回;
S11:以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段内的实时心率和实时运动速度是否符合下述三个条件,
第一条件:实时心率波动是在设定值B1以内;
第二条件:实时运动速度波动在设定值V1以内;
第三条件:储备心率比在一预设区间D2范围内;
如果是,将所述单位时间段内的实时心率和实时运动速度作为采集数据。
3.根据权利要求1所述的跑步运动成绩预测方法,其特征在于,所述第二模型方法的建立方法包括:
分别采集与若干不同赛程对应的不同水平运动员的跑步配速,根据体力值与跑步配速的正相关性,分别将不同赛程下的不同跑步配速与不同大小的体力值配成数据对,对不同赛程下的数据对进行处理,建立体力值-配速回归模型,以得到与各赛程对应的所述第二模型方程。
4.根据权利要求1所述的跑步运动成绩预测方法,其特征在于,所述储备心率比的获取方法包括:
获取用户的生理特征数据和所具备的最大摄氧量数据;
制作与所述标准赛程相对应的储备心率比查询表,所述储备心率比查询表记录相对于所述标准赛程具有不同生理特征和最大摄氧量的用户所对应的储备心率比;
根据用户的生理特征数据和最大摄氧量数据查询所述储备心率比查询表,获得用户相对于所述标准赛程的储备心率比。
5.根据权利要求4所述的跑步运动成绩预测方法,其特征在于,所述最大摄氧量的获取方法包括:
获取用户的年龄、性别、体重、静息心率和最大心率;
采集用户运动过程中的实时心率和实时运动速度;
从用户当前的运动时长中选取一预设时间长度的特征时间段,以所述实时心率和所述实时运动速度为基础数据,计算出所述特征时间段内的特征平均心率和特征平均速度;
其中,A为40~50的常数,P1为7至~8的常数,S为性别常数,男性为1,女性为0;P2为0.1~0.2的常数,G为用户体重;P3为4~5的常数,V为特征平均速度,P4为3~4的常数,B为1~2的常数;C为15~20的常数,HR特征为特征平均心率,HR静息为用户在清醒、安静状态下的静息心率,HRmax为最大心率;a为用户年龄。
6.根据权利要求1所述的跑步运动成绩预测方法,其特征在于,采集当前用户最近7天的所述实时心率和所述实时运动速度数据,建立所述第一模型方程。
7.根据权利要求1所述的跑步运动成绩预测方法,其特征在于,当所要预测的赛程为全程马拉松距离时,如果得到的所述预测时间大于设定时间T3,且当前用户最近连续M个月每个月的跑步距离小于设定距离S1时,则当前用户的运动成绩为在原来的预测时间的基础上增加设定时间T4。
8.一种用于跑步运动成绩预测的电子设备,其特征在于,包括基体,所述基体上设置有心率检测模块、速度检测模块、输入模块、处理模块和输出模块;
所述心率检测模块,用于检测用户的实时心率;
所述速度检测模块,用于检测用户的实时运动速度;
所述输入模块,用于接收外部的输入数据;
所述处理模块包括第一模型生成模块、体力值量化模块、第二模型生成模块、储备心率比获取模块以及计算模块;
所述第一模型生成模块,用于通过采集到的当前用户最近N天运动过程中的实时心率和实时运动速度数据,建立反映用户心率和配速关系的第一模型方程;
所述体力值量化模块,用于通过一自定义的封闭数值区间D1内的数值对体力值的大小进行量化;
所述第二模型生成模块,用于分别建立与若干不同赛程对应的若干第二模型方程,所述第二模型方程反映在某一赛程下体力值和配速的关系;
所述储备心率比获取模块,用于从若干不同赛程中任选一赛程作为标准赛程,并获取反映用户在所述标准赛程下的适宜运动强度的储备心率比;
所述计算模块,包括第一计算模块、第二计算模块、第三计算模块和第四计算模块;
所述第一计算模块,用于根据所述储备心率比的计算公式,计算出用户相对于所述标准赛程的运动心率;
所述第二计算模块,用于将所述运动心率代入所述第一模型方程获得用户相对于所述标准赛程的标准配速;
所述第三计算模块,用于将所述标准配速代入与所述标准赛程对应的第二模型方程,得到反映用户运动表现的体力值;
所述第四计算模块,用于将所述体力值代入与所要预测的赛程对应的第二模型方程中,计算得到预测配速,从而得到用户跑完所要预测的赛程的预测时间;
所述输出模块,用于输出所述预测时间。
9.根据权利要求8所述的用于跑步运动成绩预测的电子设备,其特征在于,所述第一模型生成模块包括用于采集实时心率和实时运动速度的数据采集模块,所述数据采集模块通过下述方式采集数据:
S10:判断用户单次连续运动时长T1是否大于设定时长T2,如果是,则进入S11;如果否,则返回;
S11:以一定的移动周期,按照时间顺序,移动提取并判断每个连续的单位时间段内的实时心率和实时运动速度是否符合下述三个条件,
第一条件:实时心率波动是在设定值B1以内;
第二条件:实时运动速度波动在设定值V1以内;
第三条件:储备心率比在一预设区间D2范围内;
如果是,将所述单位时间段内的实时心率和实时运动速度作为采集数据。
10.根据权利要求8所述的用于跑步运动成绩预测的电子设备,其特征在于,所述第二模型生成模块采用下述方法生成第二模型方程:
分别采集与若干不同赛程对应的不同水平运动员的跑步配速,根据体力值与跑步配速的正相关性,分别将不同赛程下的不同跑步配速与不同大小的体力值配成数据对,对不同赛程下的数据对进行处理,建立体力值-配速回归模型,以得到与各赛程对应的所述第二模型方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405190.0A CN111530036B (zh) | 2020-05-13 | 2020-05-13 | 跑步运动成绩预测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405190.0A CN111530036B (zh) | 2020-05-13 | 2020-05-13 | 跑步运动成绩预测方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111530036A true CN111530036A (zh) | 2020-08-14 |
CN111530036B CN111530036B (zh) | 2021-08-10 |
Family
ID=71973741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010405190.0A Active CN111530036B (zh) | 2020-05-13 | 2020-05-13 | 跑步运动成绩预测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111530036B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192654A (zh) * | 2021-05-12 | 2021-07-30 | 广东高驰运动科技有限公司 | 一种运动心率的追踪方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106166063A (zh) * | 2015-05-21 | 2016-11-30 | 博晶医电股份有限公司 | 体力监测方法和装置 |
CN107595273A (zh) * | 2017-09-12 | 2018-01-19 | 广东远峰电子科技股份有限公司 | 一种心率估算方法和装置 |
WO2018065937A1 (en) * | 2016-10-06 | 2018-04-12 | Myotest Sa | A method and apparatus for predicting a race time |
CN110084434A (zh) * | 2019-05-06 | 2019-08-02 | 上海海济斯健康管理咨询有限公司 | 马拉松成绩预测方法、装置、终端及存储介质 |
-
2020
- 2020-05-13 CN CN202010405190.0A patent/CN111530036B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106166063A (zh) * | 2015-05-21 | 2016-11-30 | 博晶医电股份有限公司 | 体力监测方法和装置 |
WO2018065937A1 (en) * | 2016-10-06 | 2018-04-12 | Myotest Sa | A method and apparatus for predicting a race time |
CN107595273A (zh) * | 2017-09-12 | 2018-01-19 | 广东远峰电子科技股份有限公司 | 一种心率估算方法和装置 |
CN110084434A (zh) * | 2019-05-06 | 2019-08-02 | 上海海济斯健康管理咨询有限公司 | 马拉松成绩预测方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
徐国峰: "《你可以跑得更快:跑者都应该懂的跑步关键数据》", 31 May 2017 * |
超级俱乐部: "最新2019跑步等级标准,最全马拉松配速表!你在哪一级?", 《搜狐》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192654A (zh) * | 2021-05-12 | 2021-07-30 | 广东高驰运动科技有限公司 | 一种运动心率的追踪方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111530036B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230072873A1 (en) | Stamina monitoring method and device | |
US10694994B2 (en) | Techniques for jointly calibrating load and aerobic capacity | |
CN106166063B (zh) | 体力监测方法和装置 | |
US10098549B2 (en) | Local model for calorimetry | |
US8533001B2 (en) | System and method for computing athletic performance | |
US10507358B2 (en) | Analyzing physiological state for fitness exercise | |
US10580532B2 (en) | Method and an apparatus for determining training status | |
US20160223580A1 (en) | Calculating Pace and Energy Expenditure from Athletic Movement Attributes | |
US20150051721A1 (en) | Exercise assistive device | |
EP3509071B1 (en) | A method for determining injury risk of a person based on physiological data | |
CN108970089B (zh) | 基于心率检测的人体训练和智能健身*** | |
CN111544853A (zh) | 跑步运动中体力指标评估方法和设备 | |
CN105435438A (zh) | 运动解析装置以及运动解析方法 | |
CN111530036B (zh) | 跑步运动成绩预测方法及电子设备 | |
CN111599471A (zh) | 动态获取最大摄氧量的方法及电子设备 | |
US11571144B2 (en) | System and method for estimating cardiorespiratory fitness | |
US20210316184A1 (en) | Method for monitoring exercise session with multiple schemes | |
EP4247250A1 (en) | Estimation of individual's maximum oxygen uptake, vo2max | |
TW202207151A (zh) | 決定使用者在運動時的傷害風險之方法 | |
CN111564217A (zh) | 运动负荷评估方法及设备 | |
WO2023198961A1 (en) | Apparatus, method, and computer program product for providing training guidance | |
Cassini | A data-driven analysis of training habits in amateur endurance runners | |
Sampaio | Indirect assessment of young swimmers anaerobic performance |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 130, room 234, room 318, room 5002, building 1, No. 18, Industrial Road East, Songshanhu Park, Dongguan City, Guangdong Province, 523000 Patentee after: Guangdong gaochi Sports Technology Co.,Ltd. Address before: Room 130, room 234, room 318, room 5002, building 1, No. 18, Industrial Road East, Songshanhu Park, Dongguan City, Guangdong Province, 523000 Patentee before: Guangdong gaochi Sports Technology Co.,Ltd. |