【技术实现步骤摘要】
本申请涉及训练负荷确定，具体而言，涉及一种骑行训练负荷的确定方法、装置、存储介质及电子设备。
技术介绍
1、训练负荷是指导用户进行长期、有效锻炼的重要指标，能够反映身体在训练时产生的疲劳，帮助用户明确训练目标和调整训练计划，避免过度训练，防止运动损伤。
2、具体地，在骑行运动场景下，户外骑行活动的群体日益扩大，计算训练负荷有助于制定有效的骑行计划，防止运动损伤。然而，目前训练负荷的计算是以实时心率为核心依据，实时心率需要根据穿戴产品来采集，对于未使用穿戴产品的用户，则难以获取实时心率并计算训练负荷。
3、针对相关技术中难以获取未使用穿戴产品的用户的心率数据，从而难以计算用户运动时的训练负荷的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请提供一种骑行训练负荷的确定方法、装置、存储介质及电子设备，以解决相关技术中难以获取未使用穿戴产品的用户的心率数据，从而难以计算用户运动时的训练负荷的问题。
2、根据本申请的一个方面，提供了一种骑行训练负荷的确定方法。该方法包括：将目标用户的整段骑行记录划分为m个运动片段，其中，m为正整数；根据m个运动片段的数据确定n个特征矩阵，其中，n为小于等于m的正整数，每个特征矩阵中至少包括以下之一信息：用户属性信息、天气信息、坡度信息以及速度信息；将n个特征矩阵分别输入目标模型进行处理，得到n个运动片段的训练负荷，其中，目标模型由多组样本数据训练得到，每组样本数据包括样本特征矩阵以及根据样本心率数据计算得到的样
3、可选地，根据m个运动片段的数据确定n个特征矩阵包括：根据每个运动片段的数据确定一个初始特征矩阵，得到m个初始特征矩阵；获取初始特征数据中的每个元素的值匹配的数值范围，将存在至少一个元素的值超过匹配的数值范围的初始特征矩阵确定为异常特征矩阵，从m个初始特征矩阵中剔除异常特征矩阵，得到n个初始特征矩阵；对n个初始特征矩阵中的元素的值进行归一化处理，由每个初始特征矩阵中归一化处理后的元素组成一个特征矩阵，得到n个特征矩阵，其中，每个元素的值基于n个初始特征矩阵中同类元素的值进行归一化。
4、可选地，根据每个运动片段的数据确定一个初始特征矩阵包括：获取目标用户的属性信息，其中，属性信息至少包括以下之一：性别、年龄、身高和体重；获取目标用户的定位数据和骑行地的天气信息，其中，天气信息至少包括温度、风信息；从定位数据中获取一个运动片段的首端位置和尾端位置，并根据首端位置、尾端位置确定坡度信息和速度信息；将每条属性信息、每条天气信息、每条速度信息和坡度信息确定为元素，根据所有的元素确定运动片段的一个初始特征矩阵。
5、可选地，根据首端位置、尾端位置确定坡度信息和速度信息包括：计算首端位置和尾端位置之间的水平距离与海拔高度的比值，得到坡度信息；确定首端位置和尾端位置之间的相对位姿和骑行时长，根据相对位姿和骑行时长计算实时速度和速度航向角；从天气信息中的风信息中提取风向，并计算速度航向角和风向的夹角余弦值；根据整段骑行记录的总距离和总骑行时长计算全局均速，并计算实时速度和全局均速的速度比值；将夹角余弦值、速度比值、全局均速确定为速度信息。
6、可选地，获取目标用户的定位数据和骑行地的天气信息包括：获取目标用户携带的终端设备上的定位传感器采集得到数据，得到目标用户的定位数据；根据定位数据确定骑行地的区域信息，根据骑行地的区域信息调用天气应用程序的接口，获取骑行地的天气信息。
7、可选地，目标模型通过以下方式得到：从多个使用穿戴设备的骑行用户的骑行记录中提取多个样本运动片段，其中，穿戴设备用于检测用户心率；基于每个样本运动片段确定样本特征矩阵，并获取穿戴设备采集的每个样本运动片段的骑行用户的心率数据，得到样本心率数据；将每个样本运动片段的样本特征矩阵和样本心率数据确定为一组样本数据，得到多组样本数据；根据多组样本数据训练预设模型，得到目标模型。
8、可选地，目标模型为多层感知器回归模型，多层感知器回归模型包括输入层、隐藏层和输出层组成，其中，输入层和输出层均包含一个神经元和一个激活函数，隐藏层包括串联的第一隐藏层和第二隐藏层，第一隐藏层包含五个神经元和一个激活函数，第二隐藏层包括两个神经元和一个激活函数。
9、根据本申请的另一方面，提供了一种骑行训练负荷的确定装置。该装置包括：划分单元，用于将目标用户的整段骑行记录划分为m个运动片段，其中，m为正整数；确定单元，用于根据m个运动片段的数据确定n个特征矩阵，其中，n为小于等于m的正整数，每个特征矩阵中至少包括以下之一信息：用户属性信息、天气信息、坡度信息以及速度信息；处理单元，用于将n个特征矩阵分别输入目标模型进行处理，得到n个运动片段的训练负荷，其中，目标模型由多组样本数据训练得到，每组样本数据包括样本特征矩阵以及根据样本心率数据计算得到的样本训练负荷；累计单元，用于累计n个运动片段的训练负荷，得到目标用户骑行的总训练负荷。
10、根据本专利技术实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制非易失性存储介质所在的设备执行一种骑行训练负荷的确定方法。
11、根据本专利技术实施例的另一方面，还提供了一种电子设备，包含处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种骑行训练负荷的确定方法。
12、通过本申请，采用以下步骤：将目标用户的整段骑行记录划分为m个运动片段，其中，m为正整数；根据m个运动片段的数据确定n个特征矩阵，其中，n为小于等于m的正整数，每个特征矩阵中至少包括以下之一信息：用户属性信息、天气信息、坡度信息以及速度信息；将n个特征矩阵分别输入目标模型进行处理，得到n个运动片段的训练负荷，其中，目标模型由多组样本数据训练得到，每组样本数据包括样本特征矩阵以及根据样本心率数据计算得到的样本训练负荷；累计n个运动片段的训练负荷，得到目标用户骑行的总训练负荷，解决了相关技术中难以获取未使用穿戴产品的用户的心率数据，从而难以计算用户运动时的训练负荷的问题。根据整段骑行记录的多个运动片段确定特征矩阵，并通过模型确定每个特征矩阵对应运动片段的训练负荷，由所有运行片段的训练负荷累计得到总训练负荷，进而达到了准确确定未使用穿戴产品的用户的训练负荷效果。
本文档来自技高网...【技术保护点】
1.一种骑行训练负荷的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述M个运动片段的数据确定N个特征矩阵包括：
3.根据权利要求2所述的方法，其特征在于，根据每个运动片段的数据确定一个初始特征矩阵包括：
4.根据权利要求3所述的方法，其特征在于，根据所述首端位置、所述尾端位置确定坡度信息和速度信息包括：
5.根据权利要求3所述的方法，其特征在于，获取所述目标用户的定位数据和骑行地的天气信息包括：
6.根据权利要求1所述的方法，其特征在于，所述目标模型通过以下方式得到：
7.根据权利要求6所述的方法，其特征在于，所述目标模型为多层感知器回归模型，所述多层感知器回归模型包括输入层、隐藏层和输出层组成，其中，所述输入层和所述输出层均包含一个神经元和一个激活函数，所述隐藏层包括串联的第一隐藏层和第二隐藏层，所述第一隐藏层包含五个神经元和一个激活函数，所述第二隐藏层包括两个神经元和一个激活函数。
8.一种骑行训练负荷的确定装置，其特征在于，包括：
9.一种计算机存
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任意一项所述的骑行训练负荷的确定方法。
...【技术特征摘要】
1.一种骑行训练负荷的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述m个运动片段的数据确定n个特征矩阵包括：
3.根据权利要求2所述的方法，其特征在于，根据每个运动片段的数据确定一个初始特征矩阵包括：
4.根据权利要求3所述的方法，其特征在于，根据所述首端位置、所述尾端位置确定坡度信息和速度信息包括：
5.根据权利要求3所述的方法，其特征在于，获取所述目标用户的定位数据和骑行地的天气信息包括：
6.根据权利要求1所述的方法，其特征在于，所述目标模型通过以下方式得到：
7.根据权利要求6所述的方法，其特征在于，所述目标模型为多层感知器回归模型，所述多层感知器回归模...
【专利技术属性】
技术研发人员：张强，杨斌，王劲君，
申请(专利权)人：深圳卡路里体育技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。