【技术实现步骤摘要】
本专利技术涉及可穿戴设备，具体而言，涉及一种用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备。
技术介绍
1、通过智能可穿戴设备等设备可以获取定位信息(例如，使用已授权的gps定位信息)，计算用户运动数据，例如，通过实时定位更新能够得到用户的跑步速度。相关技术中，通过调研可知，心率同配速有较强的相关性，因此，在确定用户的基础体征信息之后，可以根据获取到的心率参数、跑步配速以及跑步时长，能够计算出用户的疲劳程度。
2、但是相关技术中在计算用户疲劳程度时，需要通过佩戴心率传感器的可穿戴设备实时记录心率数据，其是主要的参考指标数据，而在现有场景里，能够记录心率数据的心率传感器价格较贵，导致配置心率传感器的可穿戴设备的价格也较为昂贵，无法实现设备普及，仅有少量的设备配置了心率传感器，在没有心率传感器的情况下，可穿戴设备无法计算用户的疲劳度，无法得到用户身体的体能状态，造成数据缺失。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备，以至少解决相关技术中在无法测量用户心率数据的情况下，无法得到用户身体的体能状态，导致无法计算用户的疲劳度的技术问题。
2、根据本专利技术实施例的一个方面，提供了一种用于智能可穿戴设备的疲劳度检测方法，包括：接收可穿戴设备对目标用户采集的实时运动参数，并提取所述实时运动参数中的时序变化特征，其中，所述实时运动参数中包含至少一组定位数据与
3、可选地，所述预设时序深度学习模型中预先记录疲劳度分类标准，所述疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，所述映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
4、可选地，在由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，还包括：将所述当前时刻的疲劳度展示在所述可穿戴设备的显示界面上，并输出运动建议报告。
5、可选地，在接收可穿戴设备对目标用户采集的实时运动参数之前，还包括：采集所述目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，所述基础体征信息包括下述至少之一：身高、体重、年龄、性别，所述运动极限数据为预设历史时间段内所述目标用户在进行所述目标运动项目时中检测到的历史极限参数；将所述基础体征信息以及所述目标运动项目的运动极限数据输入至所述预设时序深度学习模型。
6、可选地，所述预设时序深度学习模型是预先构建的，在构建所述预设时序深度学习模型时，包括：获取n个用户的历史运动数据集以及基础体征信息，其中，所述历史运动数据集中包括：每类运动项目关联的历史定位数据、历史运动数据、历史心率数据以及录入的历史疲劳度，n为大于1的正整数；将所述历史运动数据集以及所述基础体征信息划分为测试集以及验证集；将所述测试集输入至初始网络模型，由所述初始网络模型中的多层感知机对所述测试集中的数据进行初步解析，得到解耦数据特征；将所述解耦数据特征输入至所述初始网络模型中的输入门，由所述输入门将所述解耦数据特征引导至记忆单元，通过所述记忆单元对所述解耦数据特征中的时序特征以及定位特征进行更新，由所述初始网络模型的输出门输出历史疲劳度；在所述测试集全部输入至所述初始网络模型后，将所述验证集中各用户的基础体征信息以及历史运动数据输入至所述初始网络模型，得到所述初始网络模型输出的疲劳度；在所述初始网络模型输出的疲劳度与所述验证集中的历史疲劳度一致的情况下，确认所述初始网络模型训练完毕，得到所述预设时序深度学习模型。
7、可选地，在获取n个用户的历史运动数据集以及基础体征信息之后，还包括：对历史运动数据集以及基础体征信息进行预处理，其中，所述预处理的策略包括：数据清洗、数据格式转换、异常特征筛选以及数据归一化，所述异常特征筛选包括：筛选定位数据出现突变，筛选缺失定位数据以及筛选异常心率数据，所述异常心率数据是指心率值高于预设心率阈值。
8、可选地，所述预设时序深度学习模型包括两层mlp多层感知机，每层的所述多层感知机mlp中引入嵌入策略，采用所述嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的所述多层感知机mlp至少包括：输入层，接收所述实时运动参数以及所述时序变化特征；隐藏层，与所述输入层通过神经元进行连接，用于对所述实时运动参数中定位数据与运动速度数据进行时序关联；输出层，与所述隐藏层通过神经元进行连接，用于输出解耦数据特征。
9、可选地，所述预设时序深度学习模型还包括长短期记忆模型lstm，所述长短期记忆模型lstm包括：输入门，接收所述多层感知机输出的解耦数据特征；记忆单元，对所述解耦数据特征中的时序特征以及定位特征进行时序更新，并在更新所述时序特征以及所述定位特征后，结合前一时序运动数据得到用户当前的运动变化数据；输出门，输出用户的运动变化数据。
10、可选地，所述预设时序深度学习模型还包括分类器，所述分类器基于所述用户的运动变化数据与所述疲劳度分类标准进行对比，得到所述用户在当前时刻的疲劳度。
11、根据本专利技术实施例的另一方面，还提供了一种用于智能可穿戴设备的疲劳度检测装置，包括：接收单元，用于接收可穿戴设备对目标用户采集的实时运动参数，并提取所述实时运动参数中的时序变化特征，其中，所述实时运动参数中包含至少一组定位数据与运动速度数据；模型处理单元，用于将所述实时运动参数以及所述时序变化特征输入至预设时序深度学习模型，由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度，其中，所述前一时序运动数据包括：前一检测时刻的运动参数以及疲劳度。
12、可选地，所述预设时序深度学习模型中预先记录疲劳度分类标准，所述疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，所述映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
13、可选地，用于智能可穿戴设备的疲劳度检测装置还包括：疲劳度展示单元，用于在由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，将所述当前时刻的疲劳度展示在所述可穿戴设备的显示界面上，并输出运动建议报告。
14、可选地，用于智能可穿戴设备的疲劳度检测装置还包括：采集单元，用于在接收可穿戴设备对目标用户采集的实时运动参数之前，采集所述目标用户的基础体征信息以及关联目标运动项目的运动极限数据，其中，所述基础体征信息包括下述至少之一：身高、体重、年龄、性别，所述运动极限数据为预设历史本文档来自技高网...
【技术保护点】
1.一种用于智能可穿戴设备的疲劳度检测方法，其特征在于，包括：
2.根据权利要求1所述的疲劳度检测方法，其特征在于，在接收可穿戴设备对目标用户采集的实时运动参数之前，还包括：
3.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型是预先构建的，在构建所述预设时序深度学习模型时，包括：
4.根据权利要求3所述的疲劳度检测方法，其特征在于，在获取N个用户的历史运动数据集以及基础体征信息之后，还包括：
5.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型包括两层MLP多层感知机，每层的所述多层感知机MLP中引入嵌入策略，采用所述嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的所述多层感知机MLP至少包括：
6.根据权利要求4所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型还包括长短期记忆模型LSTM，所述长短期记忆模型LSTM包括：
7.根据权利要求6所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型
8.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型中预先记录疲劳度分类标准，所述疲劳度分类标准中包含：运动参数与疲劳度各等级的映射关系，所述映射关系是采用历史定位数据、历史运动数据以及历史心率数据建立的。
9.根据权利要求1至8中任意一项所述的疲劳度检测方法，其特征在于，在由所述预设时序深度学习模型在前一时序运动数据基础上对所述时序变化特征进行滑窗调整，输出对应当前时刻的疲劳度之后，还包括：
10.一种用于智能可穿戴设备的疲劳度检测装置，其特征在于，包括：
11.一种智能可穿戴设备，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的用于智能可穿戴设备的疲劳度检测方法。
...【技术特征摘要】
1.一种用于智能可穿戴设备的疲劳度检测方法，其特征在于，包括：
2.根据权利要求1所述的疲劳度检测方法，其特征在于，在接收可穿戴设备对目标用户采集的实时运动参数之前，还包括：
3.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型是预先构建的，在构建所述预设时序深度学习模型时，包括：
4.根据权利要求3所述的疲劳度检测方法，其特征在于，在获取n个用户的历史运动数据集以及基础体征信息之后，还包括：
5.根据权利要求1所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型包括两层mlp多层感知机，每层的所述多层感知机mlp中引入嵌入策略，采用所述嵌入策略将每类运动项目关联的历史定位数据、历史运动数据以及历史心率数据映射至低维的连续空间中，每层的所述多层感知机mlp至少包括：
6.根据权利要求4所述的疲劳度检测方法，其特征在于，所述预设时序深度学习模型还包括长短期记忆模型lstm，所述长短期记忆模型lstm包括：
7.根据权利要求6所述的疲劳度检测方法，其...
【专利技术属性】
技术研发人员：王劲君，杨斌，张强，迟新一，
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。