一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于AI人脸情绪识别的辅助体能训练方法及系统


[0001]本专利技术属于体能训练
，具体涉及一种基于
AI
人脸情绪识别的辅助体能训练方法及系统
。

技术介绍

[0002]现代社会注重身体健康，体能训练成为重要课题
。
在这过程中，用户需要通过多次重复标准动作来强化身体，如连续5次标准动作为一组
。
然而，多组训练后肌肉力量可能下降，影响后续计划
。
现代医学指出，肌肉增长伴随肌肉纤维断裂和再生，最后一次冲击尝试中的肌肉纤维断裂与能量消耗有关
。
在训练过程中，如何在用户力竭时辅助用户完成冲击尝试是关键
。
常见辅助方法有教练辅助法和减重辅助法，在教练辅助法中，教练在用户达到力竭状态后提供帮助，降低难度，帮助用户完成剩余动作，虽然效果好但成本高；在减重辅助法中，用户在力竭后暂停，减轻器械重量，然后继续训练，但这种方法在切换重量时可能导致肌肉失去绷紧状态，效果较差
。
[0003]公开号为
CN107945848A
的中国专利，其公开了一种健身指导实现方法
、
装置
、
设备和介质，涉及健身器材和图像识别

。
该方法包括：在监测到用户的运动事件后，实时采集用户的人脸图像；对所述人脸图像进行识别；根据识别结果确定用户当前的运动状态；根据所述运动状态对所述用户进行建议
。
[0004]上述的专利技术方案存在着一些缺点，该方案主要依赖单一的识别技术，难以全面考虑用户的训练习惯
、
体力状态和个性化需求；同时，缺乏多维数据的综合分析，无法充分考虑诸如心率
、
训练强度
、
历史运动数据等多个参数对健身指导的影响
。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于
AI
人脸情绪识别的辅助体能训练方法及系统，解决了在训练过程中辅助用户进行一组冲击尝试的方法存在成本过高和情绪识别的局限性，以及因肌肉松弛和重新发力难度而影响训练效果的问题
。
[0006]为实现上述目的，可以通过以下技术方案实现：
[0007]本专利技术提供了一种基于
AI
人脸情绪识别的辅助体能训练方法，包括以下步骤：
[0008]S1、
通过
AI
神经网络学习算法，构建情绪识别模型，识别并分类用户的表情状态为轻松
、
坚定
、
困难和无法坚持四类；
[0009]S2、
当用户开始训练时，通过人脸识别验证用户
ID
，评估用户动作习惯并计算完成度，形成用户数据模板；
[0010]S3、
基于用户数据模板，在用户开始一组动作循环时根据完成度加权评估参数，提供个性化的辅助方案；
[0011]S4、
通过新的完成度来评估训练效果和可提升空间，将所有的相关数据保存并形成用户的自我练习提升曲线
。
[0012]作为本专利技术的进一步方案，所述步骤
S2
中，评估用户动作习惯并计算完成度，形成
用户数据模板的具体方式如下：
[0013]T1、
在每次训练中，通过情绪识别摄像机识别用户的表情并将其分为
B1、B2、B3、B4
四个级别，分别对应轻松
、
坚定
、
困难
、
无法坚持四种模式；
[0014]T2、
在一组连续循环
n
次的训练中，记录重量
、
做功行程以及循环时间，并计算用户的训练相关参数，其中相关参数包括理想训练状态
、
理想训练时间
、
实际训练状态
、
实际训练时间以及完成度；
[0015]T3、
继续进行下一组在重量为
w
下的
n
次运动循环，计算出新的一组用户的训练相关参数；
[0016]T4、
在完成所有循环动作后，获得用户在当前重量下的数据模板，并计算总完成度，其中计算方法为：在循环
m
组，每组
n
次的情况下，各组的完成度分别为
X1、X2、...、Xn
，总完成度＝
(X1+X2+...+Xn)/m(X1+X2+...+Xn)/m。
[0017]作为本专利技术的进一步方案，所述步骤
T2
中，计算用户的训练相关参数的具体方式如下：
[0018]在一组连续循环
n
次的过程中，记录重量
w、
每次做功行程
L0、L1、L2...Ln
以及每次动作循环的时间
Ct0、Ct1、...Ctn
；
[0019]从
B1
和
B2
阶段的做功行程和时间中获取众数，作为当前重量的标准行程
Lw
和标准时间
Ctw
；
[0020]对所有做功行程
Ln
和所有循环时间
Ctn
分别求和，得到总行程
Lsum
和总循环时间
Ctsum
；
[0021]根据上述已知参数，计算当前重量
w
下的用户理想训练状态
Epl、
理想训练时间
Twl、
实际训练状态
Eps、
实际训练时间
Tws
以及完成度
Wcw
，其中：
Epl
＝
(w
·
Lw)
·
n
，
Twl
＝
Ctw
·
n
，
Eps
＝
w
·
Lsum
，
Tws
＝
Ctsum
，
Wcw
＝
(Eps/Tws)/(Epl/Twl)。
[0022]作为本专利技术的进一步方案，所述步骤
S3
中，根据完成度加权评估参数的具体方式如下：
[0023]A1、
根据设定的阈值
Y1
和
Y2
将完成度分为进阶
、
保持和降级三个阶段，若完成度小于
Y1
，则处于降级阶段；若在
Y1
和
Y2
之间，则处于保持阶段；若大于
Y2
，则处于进阶阶段；一旦用户进入非保持阶段后，需要通过所述步骤
S2
进行重新评估；
[0024]A2、
用户设定提升目标，并根据数据模板计算出所需完成度，并划分为不同等级；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
人脸情绪识别的辅助体能训练方法，其特征在于，包括以下步骤：
S1、
通过
AI
神经网络学习算法，构建情绪识别模型，识别并分类用户的表情状态为轻松
、
坚定
、
困难和无法坚持四类；
S2、
当用户开始训练时，通过人脸识别验证用户
ID
，评估用户动作习惯并计算完成度，形成用户数据模板；
S3、
基于用户数据模板，在用户开始一组动作循环时根据完成度加权评估参数，提供个性化的辅助方案；
S4、
通过新的完成度来评估训练效果和可提升空间，将所有的相关数据保存并形成用户的自我练习提升曲线
。2.
根据权利要求1所述的一种基于
AI
人脸情绪识别的辅助体能训练方法，其特征在于，所述步骤
S2
中，评估用户动作习惯并计算完成度，形成用户数据模板的具体方式如下：
T1、
在每次训练中，通过情绪识别摄像机识别用户的表情并将其分为
B1、B2、B3、B4
四个级别，分别对应轻松
、
坚定
、
困难
、
无法坚持四种模式；
T2、
在一组连续循环
n
次的训练中，记录重量
、
做功行程以及循环时间，并计算用户的训练相关参数，其中相关参数包括理想训练状态
、
理想训练时间
、
实际训练状态
、
实际训练时间以及完成度；
T3、
继续进行下一组在重量为
w
下的
n
次运动循环，计算出新的一组用户的训练相关参数；
T4、
在完成所有循环动作后，获得用户在当前重量下的数据模板，并计算总完成度，其中计算方法为：在循环
m
组，每组
n
次的情况下，各组的完成度分别为
X1、X2、...、Xn
，总完成度＝
(X1+X2+...+Xn)/m(X1+X2+...+Xn)/m。3.
根据权利要求2所述的一种基于
AI
人脸情绪识别的辅助体能训练方法，其特征在于，所述步骤
T2
中，计算用户的训练相关参数的具体方式如下：在一组连续循环
n
次的过程中，记录重量
w、
每次做功行程
L0、L1、L2...Ln
以及每次动作循环的时间
Ct0、Ct1、...Ctn
；从
B1
和
B2
阶段的做功行程和时间中获取众数，作为当前重量的标准行程
Lw
和标准时间
Ctw
；对所有做功行程
Ln
和所有循环时间
Ctn
分别求和，得到总行程
Lsum
和总循环时间
Ctsum
；根据上述已知参数，计算当前重量
w
下的用户理想训练状态
Epl、
理想训练时间
Twl、
实际训练状态
Eps、
实际训练时间
Tws
以及完成度
Wcw
，其中：
Epl
＝
(w
·
Lw)
·
n
，
Twl
＝
Ctw
·
n
，
Eps
＝
w
·

【专利技术属性】
技术研发人员：夏东，
申请(专利权)人：湖南视觉伟业智能科技有限公司，
类型：发明
国别省市：