[go: up one dir, main page]

CN109999435B - 一种基于ems的健身方法及系统 - Google Patents

一种基于ems的健身方法及系统 Download PDF

Info

Publication number
CN109999435B
CN109999435B CN201910215995.6A CN201910215995A CN109999435B CN 109999435 B CN109999435 B CN 109999435B CN 201910215995 A CN201910215995 A CN 201910215995A CN 109999435 B CN109999435 B CN 109999435B
Authority
CN
China
Prior art keywords
neural network
data
layer
input
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910215995.6A
Other languages
English (en)
Other versions
CN109999435A (zh
Inventor
金熙伟
马宁
史孝龙
赵运勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Kaden Medical Imaging Technology Co ltd
Original Assignee
Chongqing Yinglewei Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Yinglewei Technology Co ltd filed Critical Chongqing Yinglewei Technology Co ltd
Priority to CN201910215995.6A priority Critical patent/CN109999435B/zh
Publication of CN109999435A publication Critical patent/CN109999435A/zh
Application granted granted Critical
Publication of CN109999435B publication Critical patent/CN109999435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • A63B2024/0081—Coaching or training aspects related to a group of users
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/62—Time or time measurement used for time reference, time stamp, master time or clock signal
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/64—Frequency, e.g. of vibration oscillation
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/01—User's weight
    • A63B2230/015—User's weight used as a control parameter for the apparatus
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/70—Measuring physiological parameters of the user body fat
    • A63B2230/705—Measuring physiological parameters of the user body fat used as a control parameter for the apparatus

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Electrotherapy Devices (AREA)

Abstract

本发明提供一种基于EMS的健身方法，该健身方法包括：获取用户的生理参数数据；根据所述生理参数数据生成控制信号；响应所述控制信号输出脉冲信号；根据所述脉冲信号输出电刺激信号。本发明通过用户端设置运动参数，可以根据用户的个人身体情况以及期待的锻炼效果进行定制参数的输出，保证达到最好的运动的效果。

Description

一种基于EMS的健身方法及系统
技术领域
本发明属于可穿戴设备领域，具体涉及一种基于EMS的健身方法及系统。
背景技术
随着现代人生活水平的提高，大大促进了健康产业的发展，目前国内主流的健身场所大部分还是传统健身房占很大份额，调查发现基本上10个人有6个有健身减肥需求，可是他们没有一个人是每天都到健身房锻炼的，有人办了卡但是一个月也不去一次，有的人每天都到自己楼下晨跑，究其原因大概有这么几点：1、没时间；2、觉得有的健身房胡乱定价，连拉伸这种十分钟就可以解决的事儿，也被生生拉成40分钟的私教课等原因导致大都数人还是放弃了。同时，现代人越来越希望可以保持健美的身材，但是传统健身效果比较慢，很多人短期看不到效果便选择放弃。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于EMS的健身方法及系统，以解决传统健身效果慢的缺点。
为实现上述目的及其他相关目的，本发明提供一种基于EMS的健身方法，该健身方法包括：
获取用户的生理参数数据；
根据所述生理参数数据生成控制信号；
响应所述控制信号输出脉冲信号；
根据所述脉冲信号输出电刺激信号。
可选地，根据所述生理参数数据生成控制信号，具体包括：
根据所述生理参数数据确定运动参数；
根据所述运动参数生成控制信号。
可选地，根据所述生理参数数据确定运动参数，具体包括：
将所述生理参数数据作为一神经网络模型的输入，则所述运动参数为所述神经网络模型的输出。
可选地，所述神经网络模型通过以下方法获得：
采集用户的历史运动数据并作为样本集；
利用所述样本集进行神经网络训练得到神经网络模型。
为实现上述目的及其他相关目的，本发明还提供一种基于EMS的健身系统，该健身系统包括：
采集端，用于获取用户的生理参数数据；
用户端，用于根据所述生理参数数据生成控制信号；
控制端，用于响应所述控制信号输出脉冲信号；
刺激端，用于根据所述脉冲信号输出电刺激信号。
可选地，所述用户端包括：
运动参数确定单元，用于根据所述生理参数数据确定运动参数；
控制信号生成单元，用于根据所述运动参数生成控制信号。
可选地，根据所述生理参数数据确定运动参数，具体包括：
将所述生理参数数据作为一神经网络模型的输入，则所述运动参数为所述神经网络模型的输出。
可选地，所述神经网络模型通过以下方法获得：
采集用户的历史运动数据并作为样本集；
利用所述样本集进行神经网络训练得到神经网络模型。
可选地，还包括管理平台，与若干所述用户端连接。
为实现上述目的及其他相关目的，本发明还提供一种基于EMS的健身系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述健身系统执行所述的健身方法。
如上所述，本发明的一种基于EMS的健身方法及系统，具有以下有益效果：
1.通过用户端设置运动参数，可以根据用户的个人身体情况以及期待的锻炼效果进行定制参数的输出，保证达到最好的运动的效果。
2.通过神经网络算法，可以为用户定制最优的训练方案，达到最好的效果，避免了用户在训练过程中频繁的调整训练方案从而浪费训练时间。
3.在管理平台中，会记录每个用户每次操作的细节，随着样本数据的增加，可以更好的根据个体特征推荐更加合理的锻炼模式。
附图说明
图1为本发明所述的一种基于EMS的健身方法的流程图；
图2为本发明实施例中生成控制信号的流程图；
图3为本发明所述的一种基于EMS的健身系统的原理框图；
图4为本发明实施例中所述用户端的原理框图；
图5 为本发明所述的一种基于EMS的健身系统中的控制端的工作流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。
本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明提供一种基于EMS的健身方法，该健身方法包括：
S1获取用户的生理参数数据；
S2根据所述生理参数数据生成控制信号；
S3响应所述控制信号输出脉冲信号；
S4根据所述脉冲信号输出电刺激信号。
在步骤S1中，获取用户的生理参数数据。
具体地，所述生理参数数据可以包括体重、身高、体脂含量、肌肉量等各项参数中的一种或多种。
在步骤S2中，根据所述生理参数数据生成控制信号。
具体地，如图2所示，该步骤至少包括：
S21根据所述生理参数数据确定运动参数。这里所说的运动参数包括如频率、脉宽、强度、缓升时间、运动/休息时间。通过这些参数形成动作模式，通过几个动作模式的组合构成训练课程。
具体地，将所述生理参数数据作为一神经网络模型的输入，则所述运动参数为所述神经网络模型的输出。
所述神经网络模型通过以下方法获得：采集用户的历史运动数据并作为样本集；利用所述样本集进行神经网络训练得到神经网络模型。根据神经网络系统建立及参数选择原则，不同生理参数对应不同运动强度参数预测模型模型设计包含以下几个方面：在BP神经网络输入层的参数选择上,本专利遵循一下下两点进行提取:所选择的参数对模型的试验寿命影响大,提取的数据比较方便统计,且统计成本不应该过高。综合考虑,运动参数预测体系的输入层包含n个节点,生理参数数据可以包括体重、身高、体脂含量、肌肉量等各项参数中的一种或多种。输出层为m个节点即运动参数数据可以包括电刺激强度、训练时间等各项参数中得一种或多种。
因此,运动参数预测的通式表示为
N＝f(f1,···fn)
式中f1···fn为生理参数，N为运动参数。
在BP神经网络结构选择上,决定采用三层结构的BP模型,来预测运动参数,BP预测模型的输
入层为所选择提取的输入参数、为生理参数数据值,故设定其输入层的神经元个数为n 个；BP预测模型的期望输出为所预测的运动参数值,故设定其输出层的神经元个数为m,隐含层神经元个数可由如下几个经验公式确定：
S＝log2 n
S＝2m+1
Figure GDA0003119543110000041
式中，S表示隐含层神经元的个数，n表示输入层神经元个数，m表示输出层神经元得个数
然后在本运动参数预测中BP神经网络模型选用Levenberg-Marquardt算法,此算法在样本学习训练时收敛速度较快,算法内所需要确定的初始阈值数量少。
更加具体的，BP神经网络模型的训练过程如下：
首先对生理参数数据进行预处理，剔除严重畸变样本，然后将其归一化到[0,1]区间内，这里采用的是MATLAB中的mapminmax(p_u)归一化函数。
设定相关参数如下：
其中，样本学习速率设定为0.01,动置因子设定为0.9,目标误差设定为0.0001。
具体BP模型训练过程：
步骤一.BP神经网络初始化。设定连接权值wij，阈值θj与γj为区间(-1,1)内的任意值；
步骤二.选择任意一组样本中的生理参数数据作为输入数据,以运动参数数据作为输出数据的标签值,赋予运动参数,预测神经网络模型；
步骤三.利用BP神经网络模型的输入
Figure GDA0003119543110000051
和连接权值wij与阈值θj共同得出 BP神经网络模型中间层输入sj，然后用中间层输入sj通过传递函数计算BP神经网络中间层的各单元输入sj，然后用sj通过传递函数计算BP神经网络中间层各单元的输出
Figure GDA0003119543110000052
bj＝f(sj),j＝1,2···p
式中aj表示隐层的实际输出，f(sj)为sigmoid型函数：
Figure GDA0003119543110000053
步骤四.利用BP神经网络中间层的输出bj连接权vji和阈值γj，通过传递函数计算出BP 神经网络输出层个单元的响应Ct，
Figure GDA0003119543110000054
步骤五.运动参数预测模型的目标向量
Figure GDA0003119543110000055
计算输出层的一般化误差
Figure GDA0003119543110000056
Figure GDA0003119543110000057
然后，计算中间层各单元的一般化误差
Figure GDA0003119543110000058
Figure GDA0003119543110000059
步骤六.修正输入层和中间层的连接权与阈值
输入层：
Figure GDA00031195431100000510
Figure GDA00031195431100000511
Figure GDA00031195431100000512
表示一组样本中的生理参数数据,是输入层的输入数据。
输出层：
Figure GDA00031195431100000513
Figure GDA0003119543110000061
步骤七.从剩下的训练样本中随机选取一个并提供给BP神经网络,返回到步骤三,一直到m 个输入样本训练完毕。
步驟八.重新从m个学习样本中随机选取一组BP神经网络输入和目标样本,返回到步骤三, 直到网络全局误差E小于预化设定的一个极小值,即BP神经网络收敛。
本发明根据用户的锻炼历史数据，结合本次运动前通过人体成分分析仪采集到的身体数据，个性化推荐最优的运动方案和运动模式，运动模式包括增肌、塑形等。上述公式中的
Figure GDA0003119543110000062
即为本发明所需要求得的运动参数。
S22根据所述运动参数生成控制信号。
在步骤S3中，响应所述控制信号输出脉冲信号。
在步骤S4中，根据所述脉冲信号输出电刺激信号。
在本发明实施例中，电刺激信号由刺激电极发出，至少一个刺激电极贴附于可穿戴装置上，可穿戴装置是可穿戴式的智能健身衣。
智能健身衣其可以是由柔性面料制成的衣服或裤子，且在柔性面料贴近人体皮肤的一侧镶嵌有多个刺激电极。每个刺激电极固定于智能健身衣的不同位置点，以使得用户穿上该智能健身衣之后，各个刺激电极能够贴附于用户身体的各块肌肉。在智能健身衣中，还可以镶嵌一个控制模块，用于生成脉冲信号，每个刺激电极分别与该控制模块相连。
由于不同健身目的所主要锻炼到的肌肉群不尽相同。因此，针对不同的健身项目，所需激活的刺激电极也不相同。当需要锻炼手臂的肌肉群时，激活位于手臂的刺激电极，当需要锻炼腿部肌肉时，激活位于腿部的刺激电极。
前述的，智能健身衣具有多个刺激电极，每个刺激电极对应不同的肌肉群，因而需要对不同的电极进行单独的控制，保证多路输出的独立性，不会出现互相干扰的问题。
如图3所示，本发明还提供一种基于EMS的健身系统，该健身系统至少包括采集端1、用户端2、控制端3和刺激端4。
所述采集端，用于获取用户的生理参数数据。
于一实施例中，所述生理参数数据可以包括体重、身高、体脂含量、肌肉量等各项参数中的一种或多种。
所述用户端，用于根据所述生理参数数据生成控制信号。
于一实施例中，用户端为一安装有APP软件的终端，包括但不限于智能手机、平板、PC 等。
所述控制端，用于响应所述控制信号输出脉冲信号；
所述刺激端，用于根据所述脉冲信号输出电刺激信号。
于一实施例中，如图4所示，所述用户端包括：
运动参数确定单元21，用于根据所述生理参数数据确定运动参数；
控制信号生成单元22，用于根据所述运动参数生成控制信号。
于一实施例中，根据所述生理参数数据确定运动参数，具体包括：
将所述生理参数数据作为一神经网络模型的输入，则所述运动参数为所述神经网络模型的输出。
于一实施例中，具体地，所述神经网络模型通过以下方法获得：
采集用户的历史运动数据并作为样本集；
利用所述样本集进行神经网络训练得到神经网络模型。
更加具体地，神经网络的算法首先将一组输入x1,x2,...,xm来到输入层，然后通过与隐层的连接权重产生一组数据s1,s2,...,sn作为隐层的输入，然后通过隐层节点的θ(·)激活函数后变为θ(sj)，其中sj表示隐层的第j个节点产生的输出，然后用最小化均方根差定义损失函数：
Figure GDA0003119543110000071
再通过随机梯度下降法求L(e)对连接权重w的梯度。用
Figure GDA0003119543110000072
表示输入层第i个节点到隐层第j个节点的连接权重，
Figure GDA0003119543110000073
表示隐层第i个节点到输出层第j个节点的连接权重，
Figure GDA0003119543110000074
表示隐层第j个节点的输入，
Figure GDA0003119543110000075
表示输出层第j个几点的输入。
Figure GDA0003119543110000076
右上角标的1表示第一层连接权重，2表示第二层连接权重。那么有
Figure GDA0003119543110000077
最后通过前面得到权重把误差往回传播，得到输出层：
Figure GDA0003119543110000078
本发明根据用户的锻炼历史数据，结合本次运动前通过人体成分分析仪采集到的身体数据，个性化推荐最优的运动方案和运动模式。上述公式中的
Figure GDA0003119543110000079
即为本发明所需要求得的运动参数。
于一实施例中，还包括管理平台，与若干所述用户端连接，因此，所有用户端收集的数据或发出的指令都可以存储在管理平台上。在管理平台中，会记录每个用户每次操作的细节，随着样本数据的增加，可以更好的根据个体特征推荐更加合理的锻炼模式。不同的锻炼模式对应不同的电刺激参数。
图5为控制端的工作流程。
在使用时，通过用户端连接控制端，在用户端上输入用户信息和健身需求，通过采集端(本实施例采用人体成分分析仪)采集体脂数据，用户端向控制端下发运动参数，控制端根据神经网络算法输出相应的脉冲。
一方面，在健身过程中，可以根据用户的状态来改变输出的脉冲信号。
另一方面，控制端实时检测刺激电极的连接状态，如果电极断开则调整电极等调节完成后连接电极再输出相应的电刺激信号。
本发明还提供一种基于EMS的健身系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述健身系统执行所述的健身方法。
所述处理器可以是中央处理单元(Central Processing Unit,CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specifi。Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是内部存储单元或外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器还可以既包括内部存储单元，也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据。所述存储器还可以用于暂时地存储己经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的藕合或直接藕合或通讯连接可以是通过一些接口，装置或单元的间接藕合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (4)

1.一种基于EMS的健身方法，其特征在于，该健身方法包括：
获取用户的生理参数数据；
根据所述生理参数数据生成控制信号；
响应所述控制信号输出脉冲信号；
根据所述脉冲信号输出电刺激信号；
根据所述生理参数数据生成控制信号，具体包括：
根据所述生理参数数据确定运动参数；
根据所述运动参数生成控制信号；
根据所述生理参数数据确定运动参数，具体包括：
将所述生理参数数据作为一神经网络模型的输入，则所述运动参数为所述神经网络模型的输出；
所述神经网络模型通过以下方法获得：
采集用户的历史运动数据并作为样本集；
利用所述样本集进行神经网络训练得到神经网络模型，所述神经网络模型为BP神经网络模型；
BP神经网络模型训练过程：
步骤一.BP神经网络初始化；设定连接权值wij，阈值θj与γj，阈值θj与γj为区间(-1,1)内的任意值；
步骤二.选择任意一组样本中的生理参数数据作为输入数据,以运动参数数据作为输出数据的标签值,赋予运动参数,预测神经网络模型；
步骤三.利用BP神经网络模型的输入
Figure FDA0003151676130000011
和连接权值wij与阈值θj共同得出BP神经网络模型中间层输入sj，然后用中间层输入sj通过传递函数计算BP神经网络中间层的各单元输入sj，然后用sj通过传递函数计算BP神经网络中间层各单元的输出；
Figure FDA0003151676130000012
bj＝f(sj),j＝1,2…p
式中aj表示隐层的实际输出，f(sj)为sigmoid型函数：
Figure FDA0003151676130000021
步骤四.利用BP神经网络中间层的输出bj连接权vji和阈值γj，通过传递函数计算出BP神经网络输出层各单元的响应Ct，
Figure FDA0003151676130000022
步骤五.运动参数预测模型的目标向量
Figure FDA0003151676130000023
计算输出层的一般化误差
Figure FDA0003151676130000024
Figure FDA0003151676130000025
然后，计算中间层各单元的一般化误差
Figure FDA0003151676130000026
Figure FDA0003151676130000027
步骤六.修正输入层和中间层的连接权与阈值；
输入层：
Figure FDA0003151676130000028
Figure FDA0003151676130000029
Figure FDA00031516761300000210
表示一组样本中的生理参数数据,是输入层的输入数据；
输出层：
Figure FDA00031516761300000211
Figure FDA00031516761300000212
步骤七.从剩下的训练样本中随机选取一个并提供给BP神经网络,返回到步骤三,一直到m个输入样本训练完毕；
步骤八.重新从m个学习样本中随机选取一组BP神经网络输入和目标样本,返回到步骤三,直到网络全局误差E小于预化设定的一个极小值,即BP神经网络收敛。
2.一种基于EMS的健身系统，其特征在于，该健身系统包括：
采集端，用于获取用户的生理参数数据；
用户端，用于根据所述生理参数数据生成控制信号；
控制端，用于响应所述控制信号输出脉冲信号；
刺激端，用于根据所述脉冲信号输出电刺激信号；
所述用户端包括：
运动参数确定单元，用于根据所述生理参数数据确定运动参数；
控制信号生成单元，用于根据所述运动参数生成控制信号；
根据所述生理参数数据确定运动参数，具体包括：
将所述生理参数数据作为一神经网络模型的输入，则所述运动参数为所述神经网络模型的输出；
所述神经网络模型通过以下方法获得：
采集用户的历史运动数据并作为样本集；
利用所述样本集进行神经网络训练得到神经网络模型；
所述神经网络模型为BP神经网络模型；
BP神经网络模型训练过程：
步骤一.BP神经网络初始化；设定连接权值wij，阈值θj与γj，阈值θj与γj为区间(-1,1)内的任意值；
步骤二.选择任意一组样本中的生理参数数据作为输入数据,以运动参数数据作为输出数据的标签值,赋予运动参数,预测神经网络模型；
步骤三.利用BP神经网络模型的输入
Figure FDA0003151676130000031
和连接权值wij与阈值θj共同得出BP神经网络模型中间层输入sj，然后用中间层输入sj通过传递函数计算BP神经网络中间层的各单元输入sj，然后用sj通过传递函数计算BP神经网络中间层各单元的输出；
Figure FDA0003151676130000032
bj＝f(sj),j＝1,2…p
式中aj表示隐层的实际输出，f(sj)为sigmoid型函数：
Figure FDA0003151676130000033
步骤四.利用BP神经网络中间层的输出bj连接权vji和阈值γj，通过传递函数计算出BP神经网络输出层各单元的响应Ct，
Figure FDA0003151676130000041
步骤五.运动参数预测模型的目标向量
Figure FDA0003151676130000042
计算输出层的一般化误差
Figure FDA0003151676130000043
Figure FDA0003151676130000044
然后，计算中间层各单元的一般化误差
Figure FDA0003151676130000045
Figure FDA0003151676130000046
步骤六.修正输入层和中间层的连接权与阈值；
输入层：
Figure FDA0003151676130000047
Figure FDA0003151676130000048
Figure FDA0003151676130000049
表示一组样本中的生理参数数据,是输入层的输入数据；
输出层：
Figure FDA00031516761300000410
Figure FDA00031516761300000411
步骤七.从剩下的训练样本中随机选取一个并提供给BP神经网络,返回到步骤三,一直到m个输入样本训练完毕；
步骤八.重新从m个学习样本中随机选取一组BP神经网络输入和目标样本,返回到步骤三,直到网络全局误差E小于预化设定的一个极小值,即BP神经网络收敛。
3.根据权利要求2所述的一种基于EMS的健身系统，其特征在于，还包括管理平台，与若干所述用户端连接。
4.一种基于EMS的健身系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述健身系统执行如权利要求1所述的健身方法。
CN201910215995.6A 2019-03-21 2019-03-21 一种基于ems的健身方法及系统 Active CN109999435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910215995.6A CN109999435B (zh) 2019-03-21 2019-03-21 一种基于ems的健身方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910215995.6A CN109999435B (zh) 2019-03-21 2019-03-21 一种基于ems的健身方法及系统

Publications (2)

Publication Number Publication Date
CN109999435A CN109999435A (zh) 2019-07-12
CN109999435B true CN109999435B (zh) 2021-08-17

Family

ID=67167570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910215995.6A Active CN109999435B (zh) 2019-03-21 2019-03-21 一种基于ems的健身方法及系统

Country Status (1)

Country Link
CN (1) CN109999435B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110841262A (zh) * 2019-12-06 2020-02-28 郑州大学体育学院 一种基于可穿戴设备的足球训练系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4057558B2 (ja) * 2004-06-09 2008-03-05 伊藤超短波株式会社 筋肉トレーニング装置
US20180028810A1 (en) * 2015-02-18 2018-02-01 Wearable Life Science Gmbh System for controlling stimulation impulses
WO2016131936A2 (de) * 2015-02-18 2016-08-25 Wearable Life Science Gmbh Vorrichtung, system und verfahren zur übertragung von reizen
DE102016109568B4 (de) * 2016-05-24 2017-12-14 Wearable Life Science Gmbh Elektrode zur Elektromuskelstimulierung, Bekleidungsstück, Verfahren zur Herstellung eines Bekleidungsstücks sowie Verwendung einer Elektrode
KR20190014887A (ko) * 2017-08-04 2019-02-13 김진길 다중 주파수를 이용한 ems 트레이닝 장치

Also Published As

Publication number Publication date
CN109999435A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN108345846A (zh) 一种基于卷积神经网络的人体行为识别方法及识别系统
CN109784211A (zh) 一种基于深度学习的运动想象脑电信号分类方法
CN109145868A (zh) 一种辅助跑步训练的行为识别方法与装置
Tan et al. Short paper: Using BSN for tele-health application in upper limb rehabilitation
CN104705874B (zh) 一种具有生物电仿真推拿功能的智能腰带装置及其控制方法
CN109784412A (zh) 用于步态分类的基于深度学习的多传感器信号融合方法
CN106725376B (zh) 体征信号检测方法及装置
CN108434707B (zh) 一种自助健身器材使用系统及方法
CN106861012A (zh) Vr体验场景下基于智能手环的用户情绪调节方法
CN111026267B (zh) Vr脑电意念控制接口系统
CN109753868A (zh) 运动动作的评估方法及装置、智能手环
CN109978000A (zh) 一种基于图形化编程工具的分类ai实现方法及电子设备
CN114470719A (zh) 一种全自动姿态矫正训练方法及系统
CN109999435B (zh) 一种基于ems的健身方法及系统
CN110909621A (zh) 一种基于视觉的健身指导系统
CN109740418B (zh) 一种基于多加速度传感器的瑜伽动作识别方法
CN109886402A (zh) 深度学习模型训练方法、装置、计算机设备及存储介质
CN107273705A (zh) 人体植入式医疗装置参数确定、设置方法及设备
CN108229640A (zh) 情绪表达的方法、装置和机器人
CN111783669B (zh) 一种面向个人用户的表面肌电信号分类识别方法
CN116507280A (zh) 用于恢复感觉运动功能的神经假体系统及方法
CN106926258A (zh) 机器人情绪的控制方法和装置
CN114821115A (zh) 一种基于app多功能电子针灸系统
KR20210049697A (ko) 전기자극 기반의 재활 치료 장치 및 이를 이용한 재활 치료 방법
CN106815638A (zh) 输入权重拓展的神经元信息处理方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220606

Address after: No. 73-14-7, Keyuan 1st Road, Jiulongpo District, Chongqing 400039

Patentee after: CHONGQING RUANHUI TECHNOLOGY CO.,LTD.

Address before: No. 9-3, No. 25-3, Keyuan 1st Street, Jiulongpo District, Chongqing 400000

Patentee before: Chongqing Yinglewei Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230724

Address after: 519085 Zone D, 4th Floor, No. 1 Jinyuan 1st Road (Plant 1), Jinding Industrial Zone, High tech Zone, Zhuhai City, Guangdong Province

Patentee after: ZHUHAI KADEN MEDICAL IMAGING TECHNOLOGY Co.,Ltd.

Address before: No. 73-14-7, Keyuan 1st Road, Jiulongpo District, Chongqing 400039

Patentee before: CHONGQING RUANHUI TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right