一種運(yùn)動智能手表和最佳跑速獲取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能手表技術(shù)領(lǐng)域，具體地，涉及一種基于遺傳算法的運(yùn)動智能手表 和最佳跑速獲取方法。
【背景技術(shù)】
[0002] 近年來周邊開始跑步的用戶數(shù)量越來越多，網(wǎng)絡(luò)社交圈里經(jīng)常有人曬跑步照片， 還用軟件記錄自己跑步的路線和運(yùn)動量。跑步也逐漸成為朋友聚會時的熱門話題，馬拉松 比賽也在國內(nèi)風(fēng)行一時。但是隨著跑步參與群體的擴(kuò)散，各個年齡階層的人開始加入，很多 人卻不知道或不是清楚地知道適合自己的訓(xùn)練強(qiáng)度，時常會有運(yùn)動過度而引發(fā)的問題。一 般普遍認(rèn)知中，人們都認(rèn)為運(yùn)動時間越久越好，跑步速度越快越好，跑步長度越長運(yùn)動效果 越嘉，實(shí)際上在這樣的錯誤認(rèn)知下導(dǎo)致的運(yùn)動過度使得原本追求健康的運(yùn)動行為反而變成 了健康風(fēng)險的隱形殺手。運(yùn)動過度容易對心肺功能和肌肉造成傷害，增加心臟疾病和運(yùn)動 傷害的風(fēng)險。
[0003] 現(xiàn)在市面上用于監(jiān)測運(yùn)動狀態(tài)的智能手表雖然已經(jīng)存在，但很多產(chǎn)品僅僅是監(jiān)測 運(yùn)動員的心率、卡路里消耗等狀態(tài)，缺少對用戶的運(yùn)動強(qiáng)度建議的功能。因此，及時擁有智 能手表，用戶也只是知道自己的運(yùn)動量，卻不知道這樣的運(yùn)動量是否適合自己當(dāng)前的身體 狀態(tài)。
[0004] 因此，亟需提供一種集跑步狀態(tài)檢測、分析、反饋為一體的智能手表，能夠?yàn)閺V大 跑步愛好者提供最實(shí)時的跑步建議。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種運(yùn)動智能手表和最佳跑速獲取 方法，集跑步狀態(tài)檢測、分析、反饋為一體，能夠?yàn)閺V大跑步愛好者提供最實(shí)時的跑步建議。
[0006] 根據(jù)本發(fā)明提供的一種運(yùn)動智能手表，包括:傳感器模塊和中心處理器；
[0007] 所述傳感器模塊用于:感測獲取感測數(shù)據(jù)后傳輸給所述中心處理器；
[0008] 所述中心處理器用于：根據(jù)預(yù)設(shè)數(shù)據(jù)和所述感測數(shù)據(jù)以第一跑速計算模型匕((3， y)計算第一最優(yōu)跑速，根據(jù)預(yù)設(shè)數(shù)據(jù)和所述感測數(shù)據(jù)以第二跑速計算模型fb(c，y)計算第 二最優(yōu)跑速，對所述第一最優(yōu)跑速和第二最優(yōu)跑速加權(quán)處理獲取最佳跑速。
[0009] 作為一種優(yōu)化方案，所述中心處理器用于：
[0010] 根據(jù)所述第一跑速計算模型fa(c，y)和第二跑速計算模型fb(c，y)分別獲得一包含 有若干極值點(diǎn)的極值點(diǎn)集合；
[0011] 對兩個所述極值點(diǎn)集合中的極值點(diǎn)分別尋優(yōu)獲取第一最優(yōu)極值點(diǎn)（cabe3St，yabe3St) 和第二最優(yōu)極值點(diǎn)（Cbbestjbbest);
[001 2]所述取佳跑速為 Vrun - Qlfa(Cabest，yabest) +Q2fb ( Cbbest，ybbest ) + Vwind，所^i^Vwind犬/風(fēng)（ 速，所述感測數(shù)據(jù)包括所述風(fēng)速v_d，其中，所述Qi為第一跑速計算模型的權(quán)重，所述Q2為第 二跑速計算模型的權(quán)重。
[0013] 作為一種優(yōu)化方案，所述中心處理器對所述極值點(diǎn)集合中的極值點(diǎn)尋優(yōu)獲取最優(yōu) 極值點(diǎn)(Xabest，yabest)、（ Xbbest，ybbest )的過知具體包括：
[0014] 步驟1，種群初始化獲得兩個所述極值點(diǎn)集合(fa(cai，yai)，f a(ca2，ya2)，…，fa(can, yan))、（fb(cbi，ybi)，fb(cb2，yb2)，…，fb(cbn，ybn))，每個極值點(diǎn)為一個個體，根據(jù)適應(yīng)度函數(shù) fi' =fmax-fi計算個體適應(yīng)度值fi'，fi是第i個個體對應(yīng)的目標(biāo)函數(shù)值，fmaA當(dāng)前種群成員 的最大目標(biāo)函數(shù)值，i = l，2,…，n，n為預(yù)設(shè)種群規(guī)模；
[0015] 步驟2，按GOLDBERG線性比例變換將進(jìn)行拉伸后獲得fi" = sfi '+1，所述S和1為拉伸 常數(shù)；
[0016] 步驟3,根據(jù)預(yù)設(shè)比例選擇算子進(jìn)行遺傳算法中的選擇操作；
[0017] 步驟4,按照預(yù)設(shè)的交叉概率對步驟3獲得的種群進(jìn)行遺傳算法中的交叉操作；
[0018] 步驟5,按照預(yù)設(shè)的變異概率對步驟4獲得的種群進(jìn)行遺傳算法中的變異操作； [0019]步驟6,對步驟5獲得的每個個體按照預(yù)設(shè)的BFGS搜索概率進(jìn)行BFGS搜索獲得子 代，完成一次迭代；
[0020]步驟7,計算所述子代中個體的適應(yīng)度值，保存適應(yīng)度值最低的個體，
[0021 ]步驟8，判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)代數(shù)，
[0022]若未達(dá)到，則返回步驟3，
[0023]若已達(dá)到，則選出適應(yīng)度值最低的個體作為所述第一最優(yōu)極值點(diǎn)（cabest，yabest)和 弟-·取優(yōu)極值點(diǎn)（Cbbest，ybbest)。
[0024] 作為一種優(yōu)化方案，所述第一跑速計算模型和第二跑速計算模型分別為：
[0025]
[0026]
[0027] 其中，y表示能量消耗數(shù)據(jù)，X表示目標(biāo)心率(單位:次/min)，c =體重*運(yùn)動時間*指 數(shù)z，指數(shù)z = 30/跑速，a為運(yùn)動常數(shù)，i為爬坡角度或下坡角度；
[0028] 所述感測數(shù)據(jù)包括跑速、能量消耗數(shù)據(jù)、爬坡角度或下坡角度；
[0029] 所述預(yù)設(shè)數(shù)據(jù)包括目標(biāo)心率、體重、運(yùn)動時間。
[0030] 作為一種優(yōu)化方案，步驟6所述中心處理器對步驟5獲得的每個個體按照預(yù)設(shè)的 BFGS搜索概率進(jìn)行BFGS搜索獲得子代的過程具體包括：
[0031] 步驟61，初始化c°，變量維數(shù)2、BFGS方法精度ε = 0.5,構(gòu)造正定矩陣Bo = I，
《=〇，計算：?.（(3,7)在(3°處的梯度8。，其中，所述;^((3,7)表示;^((3,7)和;^((^) ;
[0032] 步驟62，取浐=-?\，按照預(yù)設(shè)搜索步長a%Sk作一維搜索，+W)， ..-. OC 獲得新點(diǎn)，其中Ck+1 = ck+aksk，本步驟中+##)為此處為BFGS方法求解無約束優(yōu)化 問題的表示方法，為表達(dá)式；
[0033]步驟63,計算ck+1處點(diǎn)的梯度gk+1，判斷是否滿足結(jié)束條件I |gk+i| I仝ε，
[0034] 若滿足則獲得子代c*B = ck+1，嚴(yán)=f (ck+1)，BFGS搜索結(jié)束，
[0035] 若不滿足則進(jìn)入步驟64;
[0036] 步驟64,計算
》其中，3k = xk+1-xk，γ k = gk +1-gk;
[0037] 步驟65，k增加1，返回步驟62。
[0038] 作為一種優(yōu)化方案，所述預(yù)設(shè)數(shù)據(jù)包括目標(biāo)心率X，所述目標(biāo)心率x=(常數(shù)Z1-年 齡-權(quán)重Q*靜止心率)*常數(shù)Z2;所述中心處理器用于:在處于體弱模式下，所述目標(biāo)心率x = (常數(shù)Z1-年齡-權(quán)重Q*靜止心率)*常數(shù)Z2,所述常數(shù)Zl = 200,所述權(quán)重Q為0,所述常數(shù)Z2為 60%-80% ；
[0039]在處于普通模式下，所述目標(biāo)心率x=(常數(shù)Z1-年齡-權(quán)重Q*靜止心率)*常數(shù)Z2， 所述常數(shù)Z1 = 220，所述權(quán)重Q為0，所述常數(shù)Z2為60 % -80 % ;
[0040]在處于健體模式下，所述目標(biāo)心率x=(常數(shù)Z1-年齡-權(quán)重Q*靜止心率)*常數(shù)Z2， 所述常數(shù)Z1 = 220，所述權(quán)重Q為1，所述常數(shù)Z2為65 % -85 %。
[0041 ]基于同一發(fā)明構(gòu)思，本發(fā)明還提供一種最佳跑速獲取方法，包括：
[0042] 根據(jù)預(yù)設(shè)數(shù)據(jù)和所述感測數(shù)據(jù)以第一跑速計算模型匕((3,7)計算第一最優(yōu)跑速，
[0043] 根據(jù)預(yù)設(shè)數(shù)據(jù)和所述感測數(shù)據(jù)以第二跑速計算模型fb(c，y)計算第二最優(yōu)跑速，
[0044] 對所述第一最優(yōu)跑速和第二最優(yōu)跑速加權(quán)處理獲取最佳跑速。
[0045] 作為一種優(yōu)化方案，所述第一最優(yōu)跑速和第二最優(yōu)跑速的計算方法包括：
[0046] 根據(jù)所述第一跑速計算模型fa(c，y)和第二跑速計算模型fb(c，y)分別獲得一包含 有若干極值點(diǎn)的極值點(diǎn)集合；
[0047] 對兩個所述極值點(diǎn)集合中的極值點(diǎn)分別尋優(yōu)獲取第一最優(yōu)極值點(diǎn)（Cabe3St，yabe3St) 和第二最優(yōu)極值點(diǎn)（Cbbest，ybbest);
[0048] 所述取佳跑速為 Vrun - Qlfa(Cabest，yabest) +Q2fb ( Cbbest，ybbest ) + Vwind，所^i^Vwind犬/風(fēng)（ 速，所述感測數(shù)據(jù)包括所述風(fēng)速^_<1，其中，所述Qi為第一跑速計算模型的權(quán)重，所述Q2為第 二跑速計算模型的權(quán)重。
[0049] 作為一種優(yōu)化方案，對所述極值點(diǎn)集合中的極值點(diǎn)尋優(yōu)獲取最優(yōu)極值點(diǎn)（Xabe3St， yabest )、（ Xbbest，ybbest)的過矛王具體包括：
[0050] 步驟1，種群初始化獲得兩個所述極值點(diǎn)集合(fa(cai，yai)，f a(ca2，ya2)，…，fa(can, y an))、（fb(cbi，ybi)，fb(cb2，yb2)，…，fb(cbn，ybn))，每個極值點(diǎn)為一個個體，根據(jù)適應(yīng)度函數(shù) fi' =fmax-fi計算個體適應(yīng)度值fi'，fi是第i個個體對應(yīng)的目標(biāo)函數(shù)值，fmaA當(dāng)前種群成員 的最大目標(biāo)函數(shù)值，i = l，2,…，n，n為預(yù)設(shè)種群規(guī)模；
[00511步驟2,按GOLDBERG線性比例變換將進(jìn)行拉伸后獲得fi" =sfi '+1，所述s和1為拉伸 常數(shù)；
[0052] 步驟3,根據(jù)預(yù)設(shè)比例選擇算子進(jìn)行遺傳算法中的選擇操作；
[0053] 步驟4,按照預(yù)設(shè)的交叉概率對步驟3獲得的種群進(jìn)行遺傳算法中的交叉操作；
[0054] 步驟5,按照預(yù)設(shè)的變異概率對步驟4獲得的種群進(jìn)行遺傳算法中的變異操作； [0055]步驟6,對步驟5獲得的每個個體按照預(yù)設(shè)的BFGS搜索概率進(jìn)行BFGS搜索獲得子 代，完成一次迭代；
[0056] 步驟7，計算所述子代中個