一种基于梯度策略决策算法的个性化运动推荐方法
阅读说明：本技术 一种基于梯度策略决策算法的个性化运动推荐方法 (Personalized motion recommendation method based on gradient strategy decision algorithm ) 是由 杨良怀 翁伟宁 于 2021-08-11 设计创作，主要内容包括：本发明旨在提供一种基于用户运动习惯的个性化动态运动推荐算法,该方法能有效挖掘用户个性化运动表征,在运动推荐中实现个性化运动的快速适配和动态调整。具体步骤如下:用户运动习惯表征,包括时间习惯表征,强度习惯表征、运动总体表征；构建运动习惯适配模型,主要由自训练运动配置决策体和快速推荐算法组成,自训练运动配置决策体根据少样本标签自训练,推荐算法根据决策体进行运动习惯、强度的个性化适配；实时调整决策目标,评价决策个性化运动推荐和用户实际运动量的适配情况,以运动实际完成量为优化目标实时更新决策结果；决策模型自适应机制,挖掘用户运动习惯的动态变化自适应调整决策体参数,以实现决策体对用户习惯的实时更新。(The invention aims to provide a personalized dynamic motion recommendation algorithm based on the motion habits of a user, which can effectively mine the personalized motion representation of the user and realize the rapid adaptation and dynamic adjustment of personalized motion in motion recommendation. The method comprises the following specific steps that the user movement habit characterization comprises a time habit characterization, an intensity habit characterization and a movement overall characterization; constructing a motion habit adaptation model, which mainly comprises a self-training motion configuration decision body and a quick recommendation algorithm, wherein the self-training motion configuration decision body is self-trained according to the few-sample label, and the recommendation algorithm carries out personalized adaptation on motion habits and intensity according to the decision body; adjusting a decision target in real time, evaluating the adaptation condition of decision-making personalized motion recommendation and the actual motion quantity of a user, and updating a decision result in real time by taking the actual motion completion quantity as an optimization target; and the decision model self-adaptive mechanism is used for mining the dynamic change of the motion habits of the user to self-adaptively adjust the parameters of the decision body so as to realize the real-time update of the user habits by the decision body.)
技术领域
本发明涉及强化学习领域和机器学习领域中的梯度策略算法，前馈网络分类器和马尔可夫决策过程，尤其涉及了一种自训练和自适应的动态个性化运动决策算法。
背景技术
运动是提高人体基础活动能力并提升人类生理健康水平的重要手段。人体针对不同运动的负荷量存在生理差异性，不同人体对不同运动具有差异的负荷情况。过量运动或不正当运动容易造成运动人群的生理损伤乃至造成运动性猝死。其中跑步运动作为日常生活中最常见的运动，其为造成运动者心脏骤停和猝死案例最多的运动项目。因此针对跑步运动中可能存在的健康风险以及不正当运动类型，如何实现高效、健康以及符合运动生理习惯的跑步运动变得尤为重要。
为了解决上文中提出的运动风险问题并实现健康运动，将普适性运动调整为个性化运动的形式开始变得越来越重要。普适性运动通过制订普适性运动标准或指导，为不同身体状况、不同运动能力的运动人群提供相同的运动指导。该方法忽略了运动人群之间存在的内部差异性，易导致运动风险。个性化运动运动放弃运动的普适性指导模式，以“一人一案”代替指定通用性运动指导方案。2016年国务院发布的《健康中国2030规划纲要》中明确提出，运动指导需要首先进行运动前安全性评估与运动能力测试评价，而后针对运动人群的差异性运动能力提供不同的运动处方以降低运动风险。个性化运动处方推荐的应用实现体医结合并，满足大众对运动健身不断增长的科学指导需求并以运动生理差异性驱动运动指导合理性，实现以可穿戴设备和运动人群个性化数据驱动的指导模式。
个性化运动处方推荐为当前研究热点，目前针对个性化运动处方的研究多在于以生理信息采集的运动模式推荐，运动时间推荐以及运动强度推荐。上述推荐方法适配用户的生理信息，以可穿戴设备采集的生理信号分析运动人群的运动能力，并针对不同目标，例如运动能力提升或运动能力保持提供了长短期结合的运动处方推荐，长期运动处方推荐规划长期目标，短期则将长期处方分配到具体实现模式。而个性化运动处方推荐以运动能力规划为主，忽略了基于运动人群运动习惯的细粒度处方分配。现代运动生理学研究表明，人体体力和针对运动的能力受机体生物钟的影响，即用户的最佳运动能力和运动状态随着与其日常运动习惯密切相关。对个性化运动和运动习惯之间的适配的研究仍然保持空白，对该方面的探究有助于提高运动处方推荐的精度，实现基于短时间运动习惯分配的细粒度运动推荐，提高运动处方的个性化程度并进一步降低运动风险。
个性化推荐算法中，基于强化学习的决策算法应用较为广泛。决策算法以决策体作为决策大脑，模仿群体的思考模式并且按照该模式做出决策或推荐。运动个性化推荐的早期研究中，其推荐模式死板的学习运动群体的习惯而不能动态变化和自适应更新导致处方推荐模型落后于运动群体的习惯更新。引入智能决策体的自适应算法实现决策的自采样学习并快速迭代更新，在适配和分配问题的推荐中具有极大的应用价值和研究价值。