一种基于机器学习的个性化运动指导系统及方法

技术领域

本发明涉及机器学习领域，特别是涉及一种基于机器学习的个性化运动指导系统及方法。

背景技术

随着时代的发展，近年来大众健身运动得到了极大的发展，广大群众意识到了运动对于身体健康的重要性。大众健身运动催生了各种运动软件，其主要功能主要局限于根据患者的性别、年龄、身高、体重等身体基本信息及训练目标，按照后台预设的模板化内容提供运动处方。

无论大众健康、慢病管理、疾病康复，运动指导都必不可少。普适性的运动指导不适于有疾病的人群，随着生活水平和健康意识的提高，即便是以大众健康为目的，也都有个性化运动指导的需求。

科学的个性化运动处方需要相关专业人士进行基本体征、生活习惯、疾病状态、运动功能、体适能的全方位评估，再根据评估结果制定个性化的运动康复课程并一对一指导。这要求专业人士需要具有大量的专业知识，并具有相应临床经验。因此制定科学的个性化运动处方门槛高，工作量大，从而带来了较高的成本，无法满足大量疾病人群的运动治疗及康复的需求。

发明内容

本发明的目的是提供一种基于机器学习的个性化运动指导系统及方法，能够提高运动指导的准确性与针对性。

为实现上述目的，本发明提供了如下方案：

一种基于机器学习的个性化运动指导系统，包括：服务器、医生终端和患者终端；

所述患者终端用于获取患者的基本数据、测评数据以及运动行为数据，并将基本数据、测评数据以及运动行为数据发送至服务器；所述基本数据包括：性别、年龄、体重、生活习惯、运动习惯、所患疾病、疼痛情况以及运动风险信息；所述测评数据包括：执行运动处方前后的静息心率、心肺耐力、上下肢肌力、核心肌力、上下肢灵活性、平衡性、协调性及肌肉骨骼能力；所述运动行为数据包括：运动时间、使用动作、运动过程中的心率以及运动前中后生理指标；

所述医生终端用于根据患者的基本数据以及病历数据确定运动处方，并将运动处方以及病历数据上传至服务器；所述病历数据包括：不同时间点的疾病症状、体征、关键指标以及检查报告；

所述服务器用于根据患者的测评数据以及运动行为数据确定运动效果；所述服务器还用于将患者的基本数据、初始的测评数据以及病历数据生成患者特征向量；并将对应的运动处方生成处方特征向量；进而根据患者特征向量、处方特征向量以及运动效果，采用机器学习的方法构建处方生成模型；所述处方生成模型用于以患者特征向量为输入，以运动处方为输出。

可选地，所述服务器还包括：数据预处理模块；

所述数据清洗模块用于对基本数据、测评数据、运动行为数据、病历数据以及运动处方进行数据预处理；所述数据预处理包括：数据清洗以及数据归一化。

可选地，所述服务器还包括：存储模块；

所述存储模块用于将患者的基本数据、测评数据、运动行为数据、病历数据、运动处方以及运动效果进行存储。

一种基于机器学习的个性化运动指导方法，应用于所述的一种基于机器学习的个性化运动指导系统，包括：

获取患者的基本数据、测评数据、运动行为数据以及根据患者的基本数据以及病历数据生成运动处方；

根据测评数据以及运动行为数据确定运动效果；

根据患者的基本数据、初始的测评数据以及病历数据生成患者特征向量；并根据对应的运动处方生成处方特征向量；

计算患者特征向量与处方特征向量的相似度；并确定相似度与运动效果的均方误差；进而以均方误差最小为目标，采用机器学习方法确定处方生成模型；

利用处方生成模型生成运动处方。

可选地，所述获取患者的基本数据、测评数据、运动行为数据以及根据患者的基本数据以及病历数据生成运动处方，之后还包括：

将患者的基本数据、测评数据、运动行为数据、病历数据、运动处方以及运动效果进行存储。

可选地，所述根据患者的基本数据、初始的测评数据以及病历数据生成患者特征向量；并根据对应的运动处方生成处方特征向量，之前还包括：

对基本数据、测评数据、运动行为数据、病历数据以及运动处方进行数据预处理；所述数据预处理包括：数据清洗以及数据归一化。

可选地，所述利用处方生成模型生成运动处方，之后还包括：

将生成的运动处方发送至医生终端；

医生终端将确认后的运动处方发送至服务器；

服务器将确认后的运动处方发送至患者终端。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种基于机器学习的个性化运动指导系统及方法，将患者的基本数据、初始的测评数据以及病历数据生成患者特征向量；并将对应的运动处方生成处方特征向量；进而根据患者特征向量、处方特征向量以及运动效果，采用机器学习的方法构建处方生成模型，进而根据患者自身的情况个性化确定运动处方，即为患者匹配当下最佳的运动处方基本原则及运动视频指导课程。进而节约人工分析时间和重复劳动，降低运动治疗与康复参与门槛。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种基于机器学习的个性化运动指导系统结构示意图；

图2为本发明所提供的整体流程示意图；

图3为本发明所提供的一种基于机器学习的个性化运动指导方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于机器学习的个性化运动指导系统及方法，能够提高运动指导的准确性与针对性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种基于机器学习的个性化运动指导系统结构示意图，如图1所示，一种基于机器学习的个性化运动指导系统，包括：服务器、医生终端和患者终端；所述患者终端用于获取患者的基本数据、测评数据以及运动行为数据，并将基本数据、测评数据以及运动行为数据发送至服务器；所述基本数据包括：性别、年龄、体重、生活习惯、运动习惯、所患疾病、疼痛情况以及运动风险信息；所述测评数据包括：执行运动处方前后的静息心率、心肺耐力、上下肢肌力、核心肌力、上下肢灵活性、平衡性、协调性及肌肉骨骼能力；所述运动行为数据包括：运动时间、使用动作、运动过程中的心率以及运动前中后生理指标；

所述医生终端用于根据患者的基本数据以及病历数据确定运动处方，并将运动处方以及病历数据上传至服务器；所述病历数据包括：不同时间点的疾病症状、体征、关键指标以及检查报告；

所述服务器用于根据患者的测评数据以及运动行为数据确定运动效果；所述服务器还用于将患者的基本数据、初始的测评数据以及病历数据生成患者特征向量；并将对应的运动处方生成处方特征向量；进而根据患者特征向量、处方特征向量以及运动效果，采用机器学习的方法构建处方生成模型；所述处方生成模型用于以患者特征向量为输入，以运动处方为输出。运动效果包括：5：高效、4：显效、3：有效、2：无效、1：负效；

其中，根据患者特征向量、处方特征向量以及运动效果，采用机器学习的方法构建处方生成模型，具体包括：

计算患者特征向量与处方特征向量的相似度；并确定相似度与运动效果的均方误差；

以均方误差为最小为目标，学习出模型的网格参数，从而得到原始特征集合到特征向量的计算方法。

在得到网格参数以后，再通过验证集进行效果验证，监控模型是否发生过拟合，并根据验证结果，进行人工调参差，再进行训练。

通过反复训练、验证调参，我们得到最佳效果的网格参数，从而得到原始特征集合到特征向量的最佳计算方法。

在得到了原始特征集合到特征向量的最佳计算方法后，对于新患者的处方定制，可以用机器训练结果，通过计算数据库中每一个处方的特征向量与这个新患者特征向量的余弦相似度，根据相似度排序处方库，为患者匹配当下最佳的运动处方基本原则及运动视频指导课程。通过风险过滤以后，选取效果最佳的处方，然后下发给患者使用。

为了确保患者处方的安全，通过机器学习生成推荐处方以后，系统再进行对处方进行安全风险验证，这些安全风险验证规则来源于医学指南。包括运动禁忌、各类值阈值范围。如果发现有安全风险，将生成风险提示信息，发送给医生，待医生确认并调整后，再下发给患者。如果未发现安全风险，可以按照医生的设置，选择自动下发或医生确认后手动下发给患者。

随着数据的不断增加，基于持续动态更新累积的数据库，不断进行机器学习，通过机器学习算法进行分析并对系统推荐的运动处方进行持续动态优化，学习针对不同患者康复效果更好的运动处方，系统推送的处方会越来越精准，让系统推送的运动处方建议无限接近针对个体康复效果更好的方案，降低运动康复门槛，让更多患者可以低成本的获益。

为了保证数据的一致性、有效性、完整性，所述服务器还包括：数据预处理模块；

所述数据清洗模块用于对基本数据、测评数据、运动行为数据、病历数据以及运动处方进行数据预处理；所述数据预处理包括：数据清洗以及数据归一化。

预处理过程为：

1、去除不完整的数据

对于同一个患者来讲，所述患者基本信息、患者测评数据、运动处方数据、运动行为数据、患者病历数据必须完整。对于有缺失、不完整的数据，则该患者打上相应数据标识。

2、去除包含异常值、无效值的数据

使用统计方法，识别出可能的错误值或异常值，建立相应的数据标识。比如，对于具有某些特征的患者的体重信息，在运动处方执行的前、中、后三个时间点，其波动应在一定的百分比阈值范围，超过该阈值范围的数据属于异常值。这些阈值范围的设定应符合医学逻辑，符合公开文献及医学指南的内容。

3、效果评级及数据归一化

数据清洗以后，将数据标准化。通过对患者运动过程中的行为数据以及患者运动前中后的病历数据比较，定量分析运动处方的执行效果，按照医学指南的要求，给到效果评级。效果评级拟考虑分成5级，分别为：5：高效、4：显效、3：有效、2：无效、1：负效。

为了降低机器学习的计算量，对其他数据进行数据归一化处理。

所述服务器还包括：存储模块；

所述存储模块用于将患者的基本数据、测评数据、运动行为数据、病历数据、运动处方以及运动效果进行存储。

图2为本发明所提供的整体流程示意图；图3为本发明所提供的一种基于机器学习的个性化运动指导方法流程示意图，如图2和图3所示，本发明所提供的一种基于机器学习的个性化运动指导方法，应用于所述的一种基于机器学习的个性化运动指导系统，所述方法包括：

S301，获取患者的基本数据、测评数据、运动行为数据以及根据患者的基本数据以及病历数据生成运动处方；

S301之后还包括：

将患者的基本数据、测评数据、运动行为数据、病历数据、运动处方以及运动效果进行存储。

S302，根据测评数据以及运动行为数据确定运动效果；

S303，根据患者的基本数据、初始的测评数据以及病历数据生成患者特征向量；并根据对应的运动处方生成处方特征向量；

S303之前还包括：

对基本数据、测评数据、运动行为数据、病历数据以及运动处方进行数据预处理；所述数据预处理包括：数据清洗以及数据归一化。

S304，计算患者特征向量与处方特征向量的相似度；并确定相似度与运动效果的均方误差；进而以均方误差最小为目标，采用机器学习方法确定处方生成模型；

S305，利用处方生成模型生成运动处方。

S305之后还包括：

将生成的运动处方发送至医生终端；

医生终端将确认后的运动处方发送至服务器；

服务器将确认后的运动处方发送至患者终端。

医生端及患者端既是运动康复管理及执行平台，也是患者数据采集工具，服务器既作为机器学习的数据存储环境，也是数据处理的平台。

通过患者客户端采集患者评估资料上传至服务器并同步至医生客户端，医生通过医生客户端制定运动方案后发送至服务器，信息通过服务器同步至患者客户端并构成可播放的运动康复指导课程，通过患者客户端采集患者运动康复中的实时反馈和定期复评结果并发送至服务器，服务器根据采集的所有信息进行评估-方案-效果之间的相关性分析，最终建立根据评估结果自动推送康复效果最优运动处方的系统。

开展运动治疗与运动康复工作，需要医生有运动科学背景及临床医疗背景，并具有相应的临床经验，运动处方效果的好坏与医生的经验有较大关系。本系统通过机器学习生成的智能运动处方融合了医生的经验，并结合了临床上被验证了的治疗与康复效果，可为临床提供运动治疗及康复指导建议，通帮助医生优化运动治疗及康复方案，降低开展运动治疗与康复的门槛。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。