【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种水下跑步机的水下运动风险识别方法、装置及设备。
技术介绍
1、在水下运动领域，尤其是水下跑步机的使用中，运动者面临着各种潜在的风险，如因不正确的姿势导致的肌肉拉伤、过度疲劳、水流过快引起的水下运动不适，甚至是溺水危险。目前，市场上已有的一些水下运动监测系统主要侧重于单一指标的监测，如通过心率带或内置传感器监测运动者的心率，以此判断运动强度是否过高，但缺乏对运动姿态和水流环境的考量。或者是测量水下跑步机周围的水流速度是否大于安全阈值来判断是否存在水下运动风险。这些做法虽然能够提供一定的运动数据，但在水下跑步机的水下运动风险识别方面存在局限性，无法综合多种因素进行全面的水下运动风险风险评估。
技术实现思路
1、本专利技术实施例提供一种水下跑步机的水下运动风险识别方法、装置及设备，能够提升水下跑步机的水下运动风险评估的准确性。
2、本专利技术一实施例提供一种水下跑步机的水下运动风险识别方法，包括：
3、获取训练者在水下跑步机上当前的运动状态数据和所述水下跑步机当前的水流速度数据；运动状态数据包括：所述训练者的运动姿态图像和心率；
4、对所述运动姿态图像和所述心率分别进行特征提取，对应得到所述训练者在水下的运动姿态特征和心率特征，并从所述水流速度数据提取水流速度特征；
5、基于所述运动姿态特征、所述心率特征和所述水流速度特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动
6、作为上述方案的改进，所述基于所述运动姿态特征、所述心率特征和所述水流速度特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型，包括：
7、引入时空注意力机制，分别对时间序列上的每一时刻的所述运动姿态特征、所述心率特征和所述水流速度特征三者进行时间注意力计算和对所述三者的相关性进行模态注意力计算；
8、对经过注意力计算和模态注意力计算的所述运动姿态特征、所述心率特征和所述水流速度特征进行特征融合，得到融合后的水下运动风险特征；
9、基于融合后的水下运动风险特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型。
10、作为上述方案的改进，所述引入时空注意力机制，分别对时间序列上的每一时刻的所述运动姿态特征、所述心率特征和所述水流速度特征三者进行时间注意力计算和对所述三者的相关性进行模态注意力计算，包括：
11、通过以下时间注意力计算公式，分别对时间序列上的每一时刻的所述运动姿态特征、所述心率特征和所述水流速度特征三者的相关性进行时间注意力计算：
12、其中，αt为在时间步上t的注意力权重，反映该时间步特征的重要性；wt为可学习的时间注意力权重向量，用于计算时间注意力权重；ht为在时间步t上的lstm隐藏状态，这是lstm单元在该时间点的内部状态，包含了之前所有时间步信息的累积效果；t′是一个索引变量，用于遍历整个时间序列的长度t；
13、通过以下模态注意力计算公式，分别对所述三者的相关性进行模态注意力计算：
14、其中，βi为所述三者中第i种模态的注意力权重，反映该模态在整个识别过程中的重要性；wm为可学习的模态注意力权重向量，用于计算模态注意力权重；ai为所述三者中第i种模态的注意力向量，这是所述三者的模态特征经过线性变换后得到的，用于计算模态注意力；i′是一个索引变量，用于遍历所述三者；所述所述运动姿态特征、所述心率特征和所述水流速度特征这三者模态的特征分别表示为xpose，xhr和xflow。
15、作为上述方案的改进，所述对经过注意力计算和模态注意力计算的所述运动姿态特征、所述心率特征和所述水流速度特征进行特征融合，得到融合后的水下运动风险特征，包括：
16、将经过注意力计算和模态注意力计算的所述运动姿态特征、所述心率特征和所述水流速度特征输入到以下特征融合公式中，得到融合后的水下运动风险特征：
17、其中，xatt为融合后的特征向量；xi，t为所述三者中第种模态在时间步t的特征向量；αt和βi分别是所述三者计算出的时间注意力权重和模态注意力权重。
18、作为上述方案的改进，所述基于融合后的水下运动风险特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型，包括：
19、通过预先训练好的且为深度学习模型的水下运动风险识别模型的全连接层对融合后的水下运动风险特征xatt进行线性变换，得到线性变换输出，所述全连接层的线性变换公式为：z＝w·xatt+b；其中，w是一个n×m的矩阵；n是输出节点的数量，即风险类别的数量；m是融合特征向量的维度；b是一个n维的偏置向量，每个元素对应一个输出节点的偏置值；z为线性变换输出，是一个n维的向量；
20、通过所述水下运动风险识别模型的softmax函数对所述线性变换输出进行计算，得到所述训练者在水下跑步机上的水下运动风险概率；softmax函数为：其中，pi是第i个类别的预测概率；zi是z向量中对应第i类别的元素；n指的是所有可能的风险类型数量；.j是一个索引变量，用于遍历所有的风险类别；
21、通过所述水下运动风险识别模型的输出层对所述水下运动风险概率进行风险类型预测，得到所述训练者在水下跑步机上的水下运动风险类型；其中，所述水下运动风险识别模型的输出层预测的风险类型是概率最大所对应的类别。
22、本专利技术另一实施例对应提供了一种水下跑步机的水下运动风险识别装置备，包括：
23、获取模块，用于获取训练者在水下跑步机上当前的运动状态数据和所述水下跑步机当前的水流速度数据；运动状态数据包括：所述训练者的运动姿态图像和心率；
24、特征提取模块，用于对所述运动姿态图像和所述心率分别进行特征提取，对应得到所述训练者在水下的运动姿态特征和心率特征，并从所述水流速度数据提取水流速度特征；
25、风险识别模块，用于基于所述运动姿态特征、所述心率特征和所述水流速度特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型。
26、作为上述方案的改进，所述风险识别模块包括：
27、计算子模块，用于引入时空注意力机制，分别对时间序列上的每一时刻的所述运动姿态特征、所述心率特征和所述水流速度特征三者进行时间注意力计算和对所述三者的相关性进行模态注意力计算；
28、融合子模块，用于对经过注意力计算和模态注意力计算的所述运动姿态特征、所述心率特征和所述水流速度特征进行特征融合，得到融合后的水下运动风险特征；
29、识别子模块，用于基于融合后的水下运动风险特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型。
30、本文档来自技高网...
【技术保护点】
1.一种水下跑步机的水下运动风险识别方法，其特征在于，包括：
2.如权利要求1所述的水下跑步机的水下运动风险识别方法，其特征在于，所述基于所述运动姿态特征、所述心率特征和所述水流速度特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型，包括：
3.如权利要求2所述的水下跑步机的水下运动风险识别方法，其特征在于，所述引入时空注意力机制，分别对时间序列上的每一时刻的所述运动姿态特征、所述心率特征和所述水流速度特征三者进行时间注意力计算和对所述三者的相关性进行模态注意力计算，包括：
4.如权利要求3所述的水下跑步机的水下运动风险识别方法，其特征在于，所述对经过注意力计算和模态注意力计算的所述运动姿态特征、所述心率特征和所述水流速度特征进行特征融合，得到融合后的水下运动风险特征，包括：
5.如权利要求4所述的水下跑步机的水下运动风险识别方法，其特征在于，所述基于融合后的水下运动风险特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型，包括：
7.如权利要求6所述的水下跑步机的水下运动风险识别装置，其特征在于，所述风险识别模块包括：
8.如权利要求7所述的水下跑步机的水下运动风险识别装置，其特征在于，所述计算子模块具体用于：
9.如权利要求8所述的水下跑步机的水下运动风险识别装置，其特征在于，所述融合子模块具体用于：
10.一种水下跑步机的水下运动风险识别设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的水下跑步机的水下运动风险识别方法。
...【技术特征摘要】
1.一种水下跑步机的水下运动风险识别方法，其特征在于，包括：
2.如权利要求1所述的水下跑步机的水下运动风险识别方法，其特征在于，所述基于所述运动姿态特征、所述心率特征和所述水流速度特征，并通过预先训练好的水下运动风险识别模型，识别得到所述训练者在水下跑步机上的水下运动风险类型，包括：
3.如权利要求2所述的水下跑步机的水下运动风险识别方法，其特征在于，所述引入时空注意力机制，分别对时间序列上的每一时刻的所述运动姿态特征、所述心率特征和所述水流速度特征三者进行时间注意力计算和对所述三者的相关性进行模态注意力计算，包括：
4.如权利要求3所述的水下跑步机的水下运动风险识别方法，其特征在于，所述对经过注意力计算和模态注意力计算的所述运动姿态特征、所述心率特征和所述水流速度特征进行特征融合，得到融合后的水下运动风险特征，包括：
5.如权利要求4所述的水下跑步机...
【专利技术属性】
技术研发人员：陈景裕，
申请(专利权)人：广州健之杰洁具有限公司，
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。