[发明专利]基于概率分布的运动处方有效性范围计算方法

权利要求书

1.基于概率分布的运动处方有效性范围计算方法，其特征在于，具体按照如下步骤实施：

步骤1，整理用户数据库中的数据，提取用户属性；

步骤2，根据步骤1中整理出来的用户数据，使用融合自编码器的K-means算法对用户进行聚类；

步骤3，选择某一个运动处方，根据步骤2中对用户的聚类结果，将所选择的运动处方进行归类；

步骤4，根据步骤3在对处方进行分类之后，整理出此类别中所有使用过此处方的用户数据；

步骤5，利用概率分布计算运动处方中强度、时长、频率以及对处方的满意度评分的分布区间；

步骤6，计算运动处方的有效范围。

2.根据权利要求1所述的基于概率分布的运动处方有效性范围计算方法，其特征在于，所述步骤1具体为：

步骤1.1，根据用户数据库中的数据整理用户属性，用户属性主要包括姓名、性别、年龄、身高、体重、身体各个组成成分比重、所使用运动处方名称、处方强度、处方频率、处方时长、处方满意度；

步骤1.2，对整理出来的用户数据存入数据表中，对每个属性都进行归一化处理，其中，姓名用整数类型的id值表示；姓别用0和1表示，0表示男，1表示女；年龄用整数表示；身高用整数表示；体重用浮点数表示；肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水用浮点数表示；运动处方名称用整数类型的id表示；处方强度用浮点数表示；处方频率用浮点数表示；处方时长用浮点数表示；处方满意度用浮点数表示；然后使用函数对每一个属性值进行归一化处理，其中x′是归一化之后在[0,1]范围之内的值，x为需要被归一化的值，min是数据表中同一列中的最小值，max为数据表中同一列中的最大值。

3.根据权利要求2所述的基于概率分布的运动处方有效性范围计算方法，其特征在于，所述步骤1.1中身体各个组成成分包括肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水。

4.根据权利要求3所述的基于概率分布的运动处方有效性范围计算方法，其特征在于，所述步骤2具体为：

步骤2.1，定义用户属性矩阵U∈R^m×n，其中，m表示用户的数量，n表示用户的属性个数；

步骤2.2，将用户属性矩阵输入到自编码器的编码器中，得到降维后的用户特征矩阵Y，其中，其中，K_t是自编码器第t个全连接层的输出，W_t是自编码器第t个全连接层的权重向量，Z_t是自编码器第t个全连接层的偏置向量，其中，φ(·)是激活函数，φ₁(x)＝Relu(x)＝max(0,x)，

步骤2.3，使用步骤2.2得到的降维后的用户特征矩阵Y输入到解码器进行重构用户的特征矩阵U′∈R^m×n，重构的用户特征矩阵U′具体为：U′＝φ₂(K₅·W₆+Z₆)，其中，K₅＝φ₁(K₄·W₅+Z₅)，K₄＝φ₁(Y·W₄+Z₄)，其中，K_t是自编码器第t个全连接层的输出，W_t是自编码器第t个全连接层的权重向量，Z_t是自编码器第t个全连接层的偏置向量；

步骤2.4，过损失函数计算重构误差，损失函数为：

其中Y为降维后的用户特征矩阵，U′为重构的用户特征矩阵，i表示第i行，j表示第j列；

当重构误差不超过0.5则得出降维后的用户特征矩阵Y，进入下一步，如果误差大于0.5则返回步骤2.2和步骤2.3中进行神经网络学习，然后再次计算重构误差，直到重构误差不超过0.5的要求进行下一步；

步骤2.5，将步骤2.4得出的降维后的用户特征矩阵Y∈R^m×n输入K-means模型中进行聚类，聚类的类别值为K，通过计算各用户距离质心点的距离来进行聚类各用户结点到其所属类的质心聚类公式如下：

其中，质心点是K-means算法本身随机选择K个用户作为质心点，L₂为用户i到质心c的距离，k_i(j)表示用户i的第j个属性，C_c(j)表示质心c的第j个属性。