一种激励决策模型的运动引导方法、装置和电子设备制造方法及图纸

本说明书实施例提供一种激励决策模型的运动引导方法，训练健康状态预测模型，预测用户的健康状态上升空间，并确定当前阶段的健康状态上升空间，获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型，在动作空间中进行搜索生成动作策略，计算其激励函数值，并进行迭代，直至计算出的激励函数值满足预设条件，输出动作策略，持续更新引导用户运动并进行动作识别，通过利用激励函数值进行迭代的方式可得到全局最优的动作策略，提高了与用户的匹配度。用户的匹配度。用户的匹配度。

【技术实现步骤摘要】
一种激励决策模型的运动引导方法、装置和电子设备
[0001][0002][0003]

[0004]本申请涉及计算机领域，尤其涉及一种激励决策模型的运动引导方法、装置和电子设备。

技术介绍

[0005]随着生活水平的提高，越来越多的人开始重视身体健康，有些人通过饮食调节来保持身体健康状态，有些人通过运动的方式保持身体健康，目前，市面上出现了许多体操app，通过视频演示的方式引导用户进行动作训练，从而达到锻炼身体保持身体健康的目的。
[0006]然而，目前引导用户运动的方式，多是设置的固定的运动方案，即便对用户进行定制，也是根据设置的规则进行定制，这就导致，定制的规则实际上未必是最符合用户实际情况的，这种引导用户运动的方式的用户匹配度有待提高。

技术实现思路

[0007]本说明书实施例提供一种激励决策模型的运动引导方法、装置和电子设备，用以提高用户匹配度。
[0008]本说明书实施例提供一种激励决策模型的运动引导方法，包括：
[0009]训练健康状态预测模型，利用所述健康状态模型为用户预测用户的健康状态上升空间，并确定当前阶段的健康状态上升空间；
[0010]获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用所述样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型；
[0011]所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，直至计算出的激励函数值满足预设条件，输出动作策略；
[0012]利用所述动作策略引导用户运动并进行动作识别，调用所述动作决策模型结合识别出的动作和所述用户当前阶段的健康状态上升空间持续更新输出动作策略实时引导用户运动。
[0013]可选地，所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，包括：
[0014]在所述动作空间中生成粒子群，以各粒子为初始点进行并发搜索，比较所述粒子群搜索到的动作策略，计算各动作策略的激励函数值并比较，得到局部最优的动作策略，进行迭代后，得到全局最优的动作策略。
[0015]可选地，所述调用所述动作决策模型结合识别出的动作和所述用户当前阶段的健康状态上升空间持续更新输出动作策略，包括：
[0016]比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户当前阶段的健康状态上升空间输出动作策略。
[0017]可选地，所述第二输入项信息包括:医院体检项目信息，所述第一输入项信息包括：应用程序采集的全天运动步数信息、通过配餐冰箱采集的摄入食物信息、皮肤状态信息和体温体重信息。
[0018]可选地，所述训练健康状态预测模型，利用所述健康状态预测为用户预测用户的健康状态上升空间，包括：
[0019]搭建具有第一输入项通道的健康状态预测模型、具有第一输入项通道和第二输入项通道的辅助矫正模型，所述辅助矫正模型的中间层和输出层与健康状态预测模型相同；
[0020]采集样本用户的多种生理属性信息，并根据所述生理属性信息的采集频率分为第一输入项信息集合和第二输入项信息集合，其中所述第二输入项信息集合的采集频率低于所述第一输入项信息集合；
[0021]将所述第一输入项信息集合和第二输入项信息集合输入到所述辅助矫正模型，得到第一函数值，并根据输出的第一函数值对所述辅助矫正模型进行迭代训练；
[0022]将所述第一输入项信息集合输入到健康状态预测模型，得到第二函数值，根据所述第一函数值相比于所述第二函数值的偏差对所述健康状态预测模型进行训练；
[0023]获取对用户采集的第一输入项信息，利用所述健康状态预测模型对所述用户的健康状态进行预测，得到用户的健康状态上升空间。
[0024]可选地，所述实时引导用户运动，包括：根据实时调整输出的动作策略进行动作展示。
[0025]可选地，所述动作执行偏差，包括：力度、速度和持久性偏差。
[0026]可选地，所述动作执行偏差，包括：
[0027]根据能量消耗、肌肉锻炼程度和筋的拉伸程度计算的动作效果偏差。
[0028]本说明书实施例还提供一种电子设备，其中，该电子设备包括：
[0029]处理器；以及，
[0030]存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行上述任一项方法。
[0031]本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
[0032]本说明书实施例提供的各种技术方案通过训练健康状态预测模型，预测用户的健康状态上升空间，并确定当前阶段的健康状态上升空间，获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型，在动作空间中进行搜索生成动作策略，计算其激励函数值，并进行迭代，直至计算出的激励函数值满足预设条件，输出动作策略，持续更新引导用户运动并进行动作识别，通过利用激励函数值进行迭代的方式可得到全局最优的动作策略，提高了与用户的匹配度。
附图说明
[0033]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0034]图1为本说明书实施例提供的一种激励决策模型的运动引导方法的原理示意图；
[0035]图2为本说明书实施例提供的一种激励决策模型的运动引导装置的结构示意图；
[0036]图3为本说明书实施例提供的一种电子设备的结构示意图；
[0037]图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
[0038]现在将参考附图更全面地描述本专利技术的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本专利技术仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本专利技术更加全面和完整，更加便于将专利技术构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
[0039]在符合本专利技术的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
[0040]在对于具体实施例的描述中，本专利技术描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本专利技术的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
[0041]附图中所示的流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激励决策模型的运动引导方法，其特征在于，包括：训练健康状态预测模型，利用所述健康状态模型为用户预测用户的健康状态上升空间，并确定当前阶段的健康状态上升空间；获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用所述样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型；所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代直至满足预设条件，输出动作策略；利用所述动作策略引导用户运动并进行动作识别，调用所述动作决策模型结合识别出的动作和所述用户当前阶段的健康状态上升空间持续更新输出动作策略实时引导用户运动。2.根据权利要求1所述的方法，其特征在于，所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，包括：在所述动作空间中生成粒子群，以各粒子为初始点进行并发搜索，比较所述粒子群搜索到的动作策略，计算各动作策略的激励函数值并比较，得到局部最优的动作策略，进行迭代后，得到全局最优的动作策略。3.根据权利要求2所述的方法，其特征在于，所述调用所述动作决策模型结合识别出的动作和所述用户当前阶段的健康状态上升空间持续更新输出动作策略，包括：比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户当前阶段的健康状态上升空间输出动作策略。4.根据权利要求2所述的方法，其特征在于，所述第二输入项信息包括:医院体检项目信息，所述第一输入项信息包括：应用程序采集的全天运动步数信息、通过配餐冰箱采集的摄入食物信息、皮肤状态信息和体温体重信息。5.根据权利要求2所述...

【专利技术属性】
技术研发人员：梁付合，
申请(专利权)人：梁付合，
类型：发明
国别省市：