一种连续动态运动和生理数据处理分析系统及方法技术方案

本发明专利技术提供了一种连续动态运动和生理数据处理分析系统及方法，该系统包括：运动大数据预处理模块，搜集运动及生理数据，并进行预处理；连续动态数据特征获取模块，对运动数据提取分布特征；行为识别模块，用于基于所述分布特征，建立运动模型，并进行行为识别；行为评估模块，计算运动数据针对的运动行为的评估值；方案制定模块，设置运动数据目标方案；运动坚持监测模块，基于方案执行中的新数据，计算执行程度及执行程度的评估值；在线实时干预模块，基于执行程度的评估值，重新设置所述运动数据目标方案。本发明专利技术的技术方案设定了新的运动及生理数据的处理方法及衡量的关键量，适用于海量运动数据的实时处理及信息反馈，提高了用户的体验。

【技术实现步骤摘要】
一种连续动态运动和生理数据处理分析系统及方法
本专利技术涉及一种基于大数据的人体运动数据的处理分析方法及系统，尤其涉及一种基于具有一定持续性的连续动态运动数据以及生理数据的处理及分析。
技术介绍
糖尿病、高血压、冠心病、肿瘤等慢性疾病呈逐年递增之势，已严重威胁着人类的生命健康。2013年我国卫生总费用超过3万亿元，且近三年的平均增长速度达到13.2％，是同期GDP增长速度的1.62倍。虽然卫生部等部门投入了大量的人力和资金，但治疗效果并不理想。这种“被动医疗”的病后治疗理念只能导致病患越来越多，花费越来越高。因此跳出“被动医疗”的末端治理局限，转向“主动健康”的源头治理，才能从根本上破解医疗卫生体系的困境。慢性疾病多数是由长期过量饮食、运动量不足导致的营养失衡或吸烟、饮酒等不良的生活习惯所致。运动对健康的促进作用已经被越来越多的研究证实。但调查发现并不是所有形式的运动均具有积极效应，只有长期有规律的坚持运动才能对健康产生积极效应。此外，国内外相关研究证实，“体育锻炼参与容易，坚持难”是一种普遍存在的现象，例如，只有不到20％的北美成年人能够长期坚持体育锻炼，而约有50％的人在体育锻炼计划的前6个月就因坚持不下去而中途退出。要达到科学健身促进健康目标，涉及3个方面关键问题：(1)如何科学设定运动强度和运动量；(2)如何判定运动是否促进了健康；(3)如何保证健身方案执行下去。针对问题(1)，传统的做法是通过最大摄氧量的测定衡量人的最大运动功能能力。具体测试方法包括采用气体代谢、功率自行车、台阶试验、心率测定等方法。根据测定的最大摄氧量设定目标运动强度，目标运动强度常常用最大摄氧量的百分比表示，具体使用中往往采用靶心率，靶心率设定的精度取决于回归方程的拟合精度，以及当时所测定的数据的准确度和精度，并且，需要测定非常庞大大样本人群。因此，传统的方法是基于既往的静态数据建立的线性模型，无法对动态的、连续的数据进行很好处理。针对问题(2)，传统方法的原理是根据经过一段时间，比如：1～3个月，观察在设定的运动强度锻炼后，观察人体的一些间接生理生化方面指标是否发生了有益的变化，比如肌肉做功能力增加、心脏能力增强、肺功能加大等来判断该运动方法是否对人体有健康促进，进而间接证明运动对健康的良好作用。由此可见，首先，传统方法没有给出运动促进健康的基本规律和机理，而是通过间接证明；其次，对间接指标的判断的时间间隔往往比较长，大部分等不到下一次观察的时候就放弃了运动方案；当然，由于间接指标的变化比较缓慢，无法实时对健身行为做出快速反馈。针对问题(3)，传统健身科学体系中，运动坚持方法尚未有成熟的方法，大都停留于理论探讨阶段，描述问题阶段，缺乏运动行为量化的数据研究，更缺乏有效的技术方法实施。随着可穿戴、物联网、云计算和大数据等技术的快速发展，集成感知、计算和通信能力的普适智能系统已逐步融入到人类的日常生活中，可以实时不间断的连续获取健身健康数据的能力日益增强。比如运动手环、手表等可穿戴的设备，可以获得动作、心率、血压等连续动态变化的数据。因此，我们可以根据这些连续不间断的动态大数据中所涌现出来的特征，通过人体对外界刺激的适应能力评估人体行为对健康的影响程度，从结构决定功能的角度整体研究运动行为的变化，并通过连续不断的海量数据预测判断运动坚持及退出状态，从而实现在线监测个体运动行为。这种基于健身大数据的运动坚持模型和干预方法，在国内外尚属空白，具有重大的科学意义和社会价值。
技术实现思路
基于现有技术中存在的上述问题，以及市场需求，本专利技术提供了以下的技术方案：一方面，本专利技术实施例提供一种连续动态运动和生理数据处理分析方法，该方法包括：S1、获取健身行为产生的连续、动态数据，并对所述数据进行预处理；所述预处理后的数据至少包含强度参数、量参数、持续时间参数之一；以及依据所述强度参数、量参数、持续时间参数分别形成分布表；S2、对预处理后的数据进行特征提取，建立识别模型，对行为进行识别；并对识别后的数据进行目标数据集截取，获得关键数据集；所述关键数据集指影响数据系统性发展走向的数据集；S3、对所述关键数据集进行参数提取，获得运动行为的参数；所述运动行为的参数至少包含稳态强度参数、稳态节奏参数、绝对稳态强度参数之一；所述稳态强度参数代表运动强度；所述稳态节奏参数代表运动节奏；所述绝对稳态强度参数代表目标数据集中变化较小的运动强度；S4、依据所述运动行为的参数，对所述目标数据集进行判定；所述判定包含对所述目标数据集进行分级。优选地，所述步骤S1中，对数据进行预处理，包括：以预设的时间周期T1，截取所述数据；以及以每一所述时间周期内的相同时间点数据，作为比对分析依据；若所述相同时间点数据缺失，则以上一时间周期内的同一时间点数据作为填补。优选地，所述步骤S1中，对数据进行预处理，还包括：删除所述数据中的脏数据，并在删除脏数据之后，填补缺失的数据字段；所述数据字段指分析中必须的数据字段。优选地，所述步骤S1中，对数据进行预处理，还包括对异常数据的识别和处理，具体为：对前一完整时间周期内的对应的每天数据进行统计，求解所述每天数据的平均值和标准方差；并且获取最新数据，判断所述最新数据是否偏离所述平均值A倍标准方差的值；若是，则将所述最新数据替换为前一时间周期内的对应的数据。优选地，所述强度参数是指在测量过程中，单位时间内所获得的数据的量；所述量参数是指一时间段内测量的某参数的总量。优选地，所述S1中，所述预处理后的数据包含持续时间参数，所述持续时间参数是指一次数据记录中不间断连续的时间。优选地，形成强度参数分布表进一步包括：强度参数-频次分布，是指将数据中的某一强度参数，按照记录的出现次数进行累加统计，构造该数据中所有强度参数所对应的频次表；强度参数-时间贡献分布，是指将数据中的强度参数所占用的时间进行统计，按照预设顺序，累计强度参数对应的时间，构造强度参数所对应的时间贡献表；强度参数-总量贡献分布，是指将数据中的强度参数所贡献的总量进行统计，按照预设顺序，累计其对应的运动数据的总量，构造该强度参数所对应的总量贡献表。优选地，形成持续时间参数分布表进一步包括：持续时间参数-频次分布，是指将数据中的某一个持续时间参数按照记录的出现次数进行累加统计，构造数据中所有持续时间参数的频次表；持续时间参数-时间贡献分布，是指将数据中的持续时间参数按照预设顺序，累计其对应的时间，构造持续时间参数对应的时间贡献表；持续时间参数-总量贡献分布，是指将数据中的持续时间参数总量进行统计，累计其对应的时间总量，构造持续时间参数对应的总量贡献表。优选地，所述S2中，依据强度参数-频次分布、强度参数-时间贡献分布、强度参数-总量贡献分布、持续时间参数-频次分布、持续时间参数-时间贡献分布、持续时间参数-总量贡献分布，提取分布特征。优选地，所述S2中，进一步包括：采用支持向量机及马尔科夫模型，对运动行为进行识别；所述支持向量机依据预处理后的数据提取的特征，对数据进行分类，完成行为识别；所述马尔科夫模型把运动的每一种静态姿势定义为一个状态或者一个状态的集合，通过网络的方式将这些状态连接起来，状态和状态之间的切换采用概率来描述，完成运动行为的识别。优选地，所述目标数据集截取，进本文档来自技高网...

【技术保护点】
一种连续动态运动和生理数据处理分析方法，其特征在于，所述方法包括：S1、获取健身行为产生的连续、动态数据，并对所述数据进行预处理；所述预处理后的数据至少包含强度参数、量参数、持续时间参数之一；以及依据所述强度参数、量参数、持续时间参数分别形成分布表；S2、对预处理后的数据进行特征提取，建立识别模型，对行为进行识别；并对识别后的数据进行目标数据集截取，获得关键数据集；所述关键数据集指影响数据系统性发展走向的数据集；S3、对所述关键数据集进行参数提取，获得运动行为的参数；所述运动行为的参数至少包含稳态强度参数、稳态节奏参数、绝对稳态强度参数之一；所述稳态强度参数代表运动强度；所述稳态节奏参数代表运动节奏；所述绝对稳态强度参数代表目标数据集中变化较小的运动强度；S4、依据所述运动行为的参数，对所述目标数据集进行判定；所述判定包含对所述目标数据集进行分级。

【技术特征摘要】
1.一种连续动态运动和生理数据处理分析方法，其特征在于，所述方法包括：S1、获取健身行为产生的连续、动态数据，并对所述数据进行预处理；所述预处理后的数据至少包含强度参数、量参数、持续时间参数之一；以及依据所述强度参数、量参数、持续时间参数分别形成分布表；S2、对预处理后的数据进行特征提取，建立识别模型，对行为进行识别；并对识别后的数据进行目标数据集截取，获得关键数据集；所述关键数据集指影响数据系统性发展走向的数据集；S3、对所述关键数据集进行参数提取，获得运动行为的参数；所述运动行为的参数至少包含稳态强度参数、稳态节奏参数、绝对稳态强度参数之一；所述稳态强度参数代表运动强度；所述稳态节奏参数代表运动节奏；所述绝对稳态强度参数代表目标数据集中变化较小的运动强度；S4、依据所述运动行为的参数，对所述目标数据集进行判定；所述判定包含对所述目标数据集进行分级。2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对数据进行预处理，包括：以预设的时间周期T1，截取所述数据；以及以每一所述时间周期内的相同时间点数据，作为比对分析依据；若所述相同时间点数据缺失，则以上一时间周期内的同一时间点数据作为填补。3.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对数据进行预处理，还包括：删除所述数据中的脏数据，并在删除脏数据之后，填补缺失的数据字段；所述数据字段指分析中必须的数据字段。4.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对数据进行预处理，还包括对异常数据的识别和处理，具体为：对前一完整时间周期内的对应的每天数据进行统计，求解所述每天数据的平均值和标准方差；并且获取最新数据，判断所述最新数据是否偏离所述平均值A倍标准方差的值；若是，则将所述最新数据替换为前一时间周期内的对应的数据。5.根据权利要求1所述的方法，其特征在于，所述强度参数是指在测量过程中，单位时间内所获得的数据的量；所述量参数是指一时间段内测量的某参数的总量。6.根据权利要求1所述的方法，其特征在于，所述S1中，所述预处理后的数据包含持续时间参数，所述持续时间参数是指一次数据记录中不间断连续的时间。7.根据权利要求5所述的方法，其特征在于，形成强度参数分布表进一步包括：强度参数-频次分布，是指将数据中的某一强度参数，按照记录的出现次数进行累加统计，构造该数据中所有强度参数所对应的频次表；强度参数-时间贡献分布，是指将数据中的强度参数所占用的时间进行统计，按照预设顺序，累计强度参数对应的时间，构造强度参数所对应的时间贡献表；强度参数-总量贡献分布，是指将数据中的强度参数所贡献的总量进行统计，按照预设顺序，累计其对应的运动数据的总量，构造该强度参数所对应的总量贡献表。8.根据权利要求6所述的方法，其特征在于，形成持续时间参数分布表进一步包括：持续时间参数-频次分布，是指将数据中的某一个持续时间参数按照记录的出现次数进行累加统计，构造数据中所有持续时间参数的频次表；持续时间参数-时间贡献分布，是指将数据中的持续时间参数按照预设顺序，累计其对应的时间，构造持续时间参数对应的时间贡献表；持续时间参数-总量贡献分布，是指将数据中的持续时间参数总量进行统计，累计其对应的时间总量，构造持续时间参数对应的总量贡献表。9.根据权利要求7或8所述的方法，其特征在于，所述S2中，依据强度参数-频次分布、强度参数-时间贡献分布、强度参数-总量贡献分布、持续时间参数-频次分布、持续时间参数-时间贡献分布、持续时间参数-总量贡献分布，提取分布特征。10.根据权利要求1所述的方法，其特征在于，所述S2中，进一步包括：采用支持向量机及马尔科夫模型，对运动行为进行识别；所述支持向量机依据预处理后的数据提取的特征，对数据进行分类，完成行为识别；所述马尔科夫模型把运动的每一种静态姿势定义为一个状态或者一个状态的集合，通过网络的方式将这些状态连接起来，状态和状态之间的切换采用概率来描述，完成运动行为的识别。11.根据权利要求1所述的方法，其特征在于，所述目标数据集截取，进一步包括：在所述识别后的数据中，选取要分析的数据集，再基于所述数据集的分布表，获得分布特征，基于所述分布特征，进行聚类；以及将总量贡献占比超过预设阈值W1的数据作为目标数据，形成目标数据集。12.根据权利要求11所述的方法，其特征在于，获得目标数据集后，还包括对所述目标数据集进行评估，计算所述目标数据集的行为熵；所述行为熵计算方法如下：其中，r表示一类行为的出现概率，N表示行为事件数量，Xi表示第i个行为的概率。13.根据权利要求11所述的方法，其特征在于，将强度参数大于所述预设阈值W1的区间，设定为稳态强度区间；所述稳态强度区间中的强度参数设定为稳态强度参数；所述稳态强度参数代表运动强度。14.根据权利要求11所述的方法，其特征在于，将持续时间参数大于所述预设阈值W1的区间，设定为稳态节奏区间；所述稳态节奏区间中的持续时间参数设定为稳态节奏参数；所述稳态节奏参数代表运动节奏。15.根据权利要求12所述的方法，其特征在于，计算所述行为熵最小的目标数据集，该目标数据集所对应的强度参数定义为绝对稳态强度参数，所述绝对稳态强度参数所对应的取值区间设定为绝对稳态强度参数区间。16.根据权利要求1所述的方法，其特征在于，所述S4中，所述对目标数据集进行分级，包括：对目标数据集求取均值及标准方差，将均值±1个标准方差，作为基准级别；每增加一个标准方差增加1个级别，反之，减少1个级别。17.根据权利要求1所述的...

【专利技术属性】
技术研发人员：李祥臣，
申请(专利权)人：李祥臣，
类型：发明
国别省市：北京,11