运动风险监测方法、装置以及电子设备与流程

1.本发明涉及数据处理的技术领域，特别涉及一种运动风险监测方法、装置以及电子设备。


背景技术：

2.在运动领域，人们越来越关注运动风险的监测和预警，以确保用户的安全和健康。为了满足这一需求，已经提出了各种方法和技术来监测运动风险。传统的方法主要依赖于人工判断或基于规则的系统，存在主观性高、准确性低的问题。或者一些检测方法中采用统一的标准规则进行运动风险的检测判断，但是其通常只是基于运动数据进行判断，没有考虑到环境对用户运动风险的影响，造成运动风险的检测不够准确。
3.因此，需要一种更先进的方法来实现准确的运动风险监测。


技术实现要素：

4.本发明的主要目的为提供一种运动风险监测方法、装置以及电子设备，旨在克服目前运动风险检测不够准确的缺陷。
5.为实现上述目的，本发明提供了一种运动风险监测方法，包括以下步骤：在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。
6.进一步地，所述方法，还包括：在所述用户运动风险值不高于阈值时，将所述实际运动数据和周围环境数据输入至预先训练得到的运动风险评估模型中进行分析，得到运动风险趋势信息；其中，所述运动风险趋势信息表征出用户运动风险的概率在时间上的变化情况。
7.进一步地，所述运动风险评估模型的训练过程，包括：接收云服务端下发的风险数据库；其中，所述风险数据库存储有用户运动数据、环境数据以及对应的风险结果；所述风险结果为对应的运动风险趋势结果；获取用户历史数据，并基于所述风险数据库，对用户历史数据进行标注，以生成训练样本；其中，所述用户历史数据包括用户运动数据以及对应的周围环境数据；接收云服务端下发的初始风险评估模型，并基于所述训练样本对所述初始风险评
估模型进行训练，获得所述初始风险评估模型的模型参数；将所述模型参数上传至所述云服务端；其中，所述云服务端接收多个终端发送的模型参数，并对接收到的所有模型参数进行聚合运算，得到聚合模型参数；接收所述云服务端返回的聚合模型参数，将所述聚合模型参数对应更新至所述初始风险评估模型中，得到所述运动风险评估模型。
8.进一步地，所述基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型的步骤，包括：基于所述周围环境数据获取解密密码，并基于所述解密密码从数据库中获取目标数据映射表；对所述实际运动数据进行分类，得到分类结果；其中，所述分类结果包括所述实际运动数据的类型；根据所述目标数据映射表，基于所述实际运动数据的类型，确定所述运动风险检测模型中需要进行调整的模型参数，作为目标模型参数；其中，目标数据映射表中存储有运动数据的类型与需要调整的模型参数的映射关系；在数据库中，获取对应所述目标模型参数的模型参数文件夹；其中，所述模型参数文件夹为加密文件夹；基于所述解密密码对所述模型参数文件夹进行解密，得到模型参数文件夹中存储的模型参数组合；其中，模型参数组合为多个模型参数的组合；基于所述模型参数组合对所述运动风险检测模型进行模型参数的更新，得到所述目标运动风险检测模型。
9.进一步地，所述获取对应所述目标模型参数的模型参数文件夹的步骤，包括：获取各个目标模型参数对应的代号；将各个目标模型参数对应的代号分别作为一个元素添加在第一集合中；获取数据库中的各个模型参数文件夹的文件名称；其中，文件名称为纯数字字符的组合，所述文件名称是基于预设的编码表编码得到，各个模型参数文件夹的文件名称互不相同；基于预设的编码表，对各个所述模型参数文件夹的文件名称进行解码，得到各个模型参数文件夹的文件名称对应的解码字符；其中，所述解码与所述编码为相逆过程；将各个文件名称对应的解码字符中的每个字符作为一个元素，添加在第二集合中；其中，不同文件名称对应的解码字符添加在不同的第二集合中；计算所述第一集合与各个第二集合的相同元素数量；从中获取出与所述第一集合的相同元素数量最多的第二集合，作为目标第二集合；获取目标第二集合对应的模型参数文件夹，作为对应所述目标模型参数的模型参数文件夹。
10.进一步地，所述基于所述周围环境数据获取解密密码，并基于所述解密密码从数据库中获取目标数据映射表的步骤，包括：基于周围环境数据的类型，对所述周围环境数据进行数据筛选，得到目标环境数据；其中，所述目标环境数据为符合预设类型的环境数据；基于目标环境数据对应的类型，在数据库中匹配对应的解密密码；其中，数据库中
存储有目标环境数据的类型与解密密码的映射关系；获取数据库中存储的各个数据映射表；其中，各个所述数据映射表为采用不同密码加密的映射表；基于所述解密密码逐一对各个数据映射表进行解密处理，若解密成功，将对应解密的数据映射表作为所述目标数据映射表。
11.本发明还提供了一种运动风险监测装置，包括：第一训练单元，用于在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；第二训练单元，用于在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；调整单元，用于获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；计算单元，用于将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；生成单元，用于在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。
12.本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
13.本发明提供的运动风险监测方法、装置以及电子设备，包括：在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。本发明中，通过基于用户的实际运动数据以及周围环境数据对运动风险检测模型进行调整，使得调整后得到的目标运动风险检测模型更加适用于用户当前的运动风险检测，提高检测的准确率。
附图说明
14.图1是本发明一实施例中运动风险监测方法步骤示意图；图2是本发明一实施例中运动风险监测装置结构框图；图3是本发明一实施例的电子设备的结构示意框图。
15.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
16.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
17.参照图1，本发明一实施例中提供了一种运动风险监测方法，包括以下步骤：步骤s1，在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；步骤s2，在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；步骤s3，获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；步骤s4，将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；步骤s5，在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。
18.在本实施例中，上述方案应用于对用户进行运动风险检测，通过基于用户的实际运动数据以及周围环境数据对运动风险检测模型进行调整，使得调整后得到的目标运动风险检测模型更加适用于用户当前的运动风险检测，提高检测的准确率。
19.具体地，如上述步骤s1所述的，在模拟环境中模拟用户的运动行为，并记录相关数据，如姿势、速度、加速度等。这些模拟训练数据可以通过传感器、模拟器或虚拟现实技术获得。在这一步骤中，通过模拟用户的运动行为和模式来生成训练数据。这包括生成虚拟的运动数据，例如模拟用户的姿势、速度、加速度以及周围环境信息等。通过模拟不同的运动情景，可以创建多样化的数据集，用于训练深度学习模型。利用所获取的模拟训练数据，建立一个初始的运动检测模型。这个模型可以是深度卷积神经网络（cnn）或循环神经网络（rnn），用于学习和捕捉运动模式中的特征和规律。
20.如上述步骤s2所述的，真实用户运动模式下获取真实训练数据：接下来，通过传感器、智能设备等收集真实用户的运动数据。这些数据包括用户在实际运动中的姿势、速度、加速度以及周围环境信息等。
21.基于真实训练数据训练运动检测模型：利用所获得的真实训练数据对初始运动检测模型进行进一步的训练和优化。通过迭代优化模型参数和结构，提高模型的准确性和泛化能力。在这一步骤中，收集真实用户的运动数据，并将其用于训练和调优模型。真实用户的运动模式包括实际的运动行为和习惯，例如姿势、速度、加速度以及周围环境信息等。通过使用真实数据，我们可以使模型更准确地反映出现实世界中的运动风险。
22.模拟用户运动模式和真实用户运动模式提供了两种不同的数据来源，被用于训练和优化运动风险检测模型。模拟数据可以帮助模型在初始阶段进行训练，然后通过真实数据进行进一步的调整以提高模型的性能和准确性。这些步骤旨在确保模型能够适应不同用户的运动行为和环境，从而更好地进行运动风险监测和预测。
23.如上述步骤s3所述的，获取待监测用户的实际运动数据和周围环境数据：当需要监测某个用户的运动风险时，获取该用户的实际运动数据和周围环境数据。这些数据可以通过传感器、智能设备或其他技术手段获取，并包括用户的运动状态、生理指标以及周围环境的温度、湿度、地形等信息。
24.调整运动风险检测模型：利用实际运动数据和周围环境数据，对运动风险检测模型进行调整和优化。这可能涉及到模型参数的微调、特征选择、模型融合等方法，以使模型更加适应待监测用户的运动情况。
25.如上述步骤s4所述的，输入数据并计算用户运动风险值：将实际运动数据和周围环境数据输入到目标运动风险检测模型中，并利用该模型计算用户的运动风险值。运动风险值是根据模型对用户的运动数据进行分析和评估得出的一个量化指标。判断用户运动风险值是否高于阈值：将计算得到的用户运动风险值与预设的阈值进行比较。
26.如上述步骤s5所述的，如果用户的运动风险值高于阈值，则表示存在潜在的风险情况，此时发出报警并生成风险地图：当用户的运动风险值高于阈值时，系统将触发报警机制，以提醒用户和相关人员注意安全。同时，基于用户运动风险值、实际运动数据和周围环境数据，可以生成风险地图，用于可视化分析和进一步的决策制定。上述风险地图可以反映出潜在的危险区域或情况，为用户提供有关风险所在位置的信息。
27.在本实施例中，通过上述步骤，该运动风险监测方法能够利用深度学习模型对用户的运动风险进行准确监测和预警，提高用户的安全性和健康保障水平。该方法具有实时性、精确性和自适应性等优势，可在各种运动场景中应用。通过基于用户的实际运动数据以及周围环境数据对运动风险检测模型进行调整，使得调整后得到的目标运动风险检测模型更加适用于用户当前的运动风险检测，提高检测的准确率。
28.在一实施例中，所述方法，还包括：在所述用户运动风险值不高于阈值时，将所述实际运动数据和周围环境数据输入至预先训练得到的运动风险评估模型中进行分析，得到运动风险趋势信息；其中，所述运动风险趋势信息表征出用户运动风险的概率在时间上的变化情况。
29.在本实施例中，当用户的运动风险值低于阈值时，将实际运动数据和周围环境数据输入到预先训练好的运动风险评估模型中进行分析，得到运动风险趋势信息。上述模型可以通过机器学习算法，比如深度学习，从大量的训练数据中学习到用户的运动风险特征和模式。
30.首先，需要获取模拟和真实的训练数据。模拟数据是通过建立虚拟场景来模拟用户的运动情况，以便生成具有各种风险程度的数据样本。真实数据则是从实际用户中收集的，包括他们的运动数据和周围环境数据。
31.接下来，使用这些训练数据来训练初始的运动风险评估模型。这个模型可以是一个深度神经网络，它能够通过学习输入数据的特征和模式来预测用户的运动风险。
32.然后，通过对实际用户的反馈和调整，来调整模型以适应实际用户的运动风险。这可以通过监测用户的运动行为和检查模型的预测结果来完成。如果模型的预测与实际风险不符，可以通过调整模型参数或增加更多的训练数据来改进模型的准确性。一旦模型被调整和优化，就可以将实际运动数据和周围环境数据输入到模型中进行分析。这样可以得到用户运动风险的概率趋势信息，即在不同时间点上用户运动风险的变化情况。这个趋势信息可以用于预测未来的运动风险，并采取相应的措施来保护用户的安全和健康。
33.综上所述，本实施例中的方法通过训练和调整深度学习模型来检测用户的运动风险，并利用模型分析实际运动数据和周围环境数据，生成运动风险趋势信息。这种方法能够提高运动监测的准确性和实时性，以保护用户的安全和健康。
34.在一实施例中，所述运动风险评估模型的训练过程，包括：接收云服务端下发的风险数据库；其中，所述风险数据库存储有用户运动数据、环境数据以及对应的风险结果；所述风险结果为对应的运动风险趋势结果；上述风险数据库存储了用户的运动数据、环境数据以及对应的风险结果，风险结果可以是对应的运动风险趋势结果，这个数据库可以作为训练模型的基础数据。
35.获取用户历史数据，并基于所述风险数据库，对用户历史数据进行标注，以生成训练样本；其中，所述用户历史数据包括用户运动数据以及对应的周围环境数据；历史数据可以用来训练模型，同时结合风险数据库的信息，将历史数据进行标注，即给每个数据点打上相应的风险标签。
36.接收云服务端下发的初始风险评估模型，并基于所述训练样本对所述初始风险评估模型进行训练，获得所述初始风险评估模型的模型参数；云服务端会下发一个初始的风险评估模型，该模型已经经过训练并具有一定的预测能力。使用训练样本来训练初始风险评估模型，目的是调整模型参数，使其能够更好地预测用户的运动风险。训练过程可以使用机器学习算法，如深度学习，通过迭代优化模型参数来最小化预测误差。
37.将所述模型参数上传至所述云服务端；其中，所述云服务端接收多个终端（可以包括多个运动风险的监测设备）发送的模型参数，并对接收到的所有模型参数进行聚合运算，得到聚合模型参数；云服务端接收到多个终端发送的模型参数后，会对这些参数进行聚合运算，得到一个聚合模型参数。这个聚合过程可以利用分布式计算和聚合算法，如fedavg等。
38.接收所述云服务端返回的聚合模型参数，将所述聚合模型参数对应更新至所述初始风险评估模型中，得到所述运动风险评估模型。接收到云服务端返回的聚合模型参数后，将这些参数应用于初始风险评估模型中，更新模型的参数。这样就得到了一个经过训练和聚合的运动风险评估模型，可以用于实时的运动风险检测和预测。
39.在一实施例中，所述基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型的步骤，包括：基于所述周围环境数据获取解密密码，并基于所述解密密码从数据库中获取目标数据映射表；通过分析周围环境数据，可以提取出解密密码。使用这个解密密码可以从数据库中获取目标数据映射表。目标数据映射表存储了运动数据的类型与需要调整的模型参数的映射关系。
40.对所述实际运动数据进行分类，得到分类结果；其中，所述分类结果包括所述实际运动数据的类型；将实际运动数据输入到分类器中，通过机器学习算法，如支持向量机或深度学习网络，对数据进行分类。分类结果包括实际运动数据的类型，用于确定需要调整的模型参数。
41.根据所述目标数据映射表，基于所述实际运动数据的类型，确定所述运动风险检测模型中需要进行调整的模型参数，作为目标模型参数；其中，目标数据映射表中存储有运动数据的类型与需要调整的模型参数的映射关系；根据实际运动数据的类型和目标数据映射表，确定运动风险检测模型中需要进行调整的模型参数，作为目标模型参数。目标数据映射表中存储了运动数据的类型与需要调整的模型参数的映射关系。
42.在数据库中，获取对应所述目标模型参数的模型参数文件夹；其中，所述模型参数
文件夹为加密文件夹；数据库中，找到存储有对应目标模型参数的模型参数文件夹。这些文件夹是加密的，需要解密后才能获取其中存储的模型参数组合。
43.基于所述解密密码对所述模型参数文件夹进行解密，得到模型参数文件夹中存储的模型参数组合；其中，模型参数组合为多个模型参数的组合；利用之前获取的解密密码，对模型参数文件夹进行解密操作，解密后可以得到模型参数文件夹中存储的模型参数组合。这些模型参数组合包括多个模型参数的组合。
44.基于所述模型参数组合对所述运动风险检测模型进行模型参数的更新，得到所述目标运动风险检测模型。使用获取的模型参数组合，将其应用于运动风险检测模型中，更新模型的参数。这样就得到了目标运动风险检测模型，它已经根据实际运动数据和周围环境数据进行了调整。通过获取解密密码、目标数据映射表，分类实际运动数据，确定目标模型参数，解密模型参数文件夹，并基于模型参数组合对运动风险检测模型进行参数更新，可以得到经过调整的目标运动风险检测模型。这个模型可以更好地适应实际用户的运动情况，并提高运动风险检测的准确性和可靠性。
45.在一实施例中，所述获取对应所述目标模型参数的模型参数文件夹的步骤，包括：获取各个目标模型参数对应的代号；需要确定每个目标模型参数的唯一代号，可以根据模型参数的名称或其他标识来设定代号。例如，假设有三个目标模型参数分别是f、
ɛ
和
£
，它们的代号可以分别为7、2和3。
46.将各个目标模型参数对应的代号分别作为一个元素添加在第一集合中；创建一个空集合，并将每个目标模型参数的代号依次添加到该集合中。这样，第一集合中的元素就是目标模型参数的代号。
47.获取数据库中的各个模型参数文件夹的文件名称；其中，文件名称为纯数字字符的组合，所述文件名称是基于预设的编码表编码得到，各个模型参数文件夹的文件名称互不相同；通过访问数据库，获取存储模型参数文件夹的信息，包括文件夹的名称。这些文件夹名称通常由纯数字字符组成，是基于预设的编码表编码得到的。每个模型参数文件夹的名称都应该是唯一的，不会与其他文件夹的名称相同。
48.基于预设的编码表，对各个所述模型参数文件夹的文件名称进行解码，得到各个模型参数文件夹的文件名称对应的解码字符；其中，所述解码与所述编码为相逆过程；根据预设的编码表，将每个模型参数文件夹的名称解码，得到对应的解码字符。解码过程是编码过程的相逆操作，通过查找编码表中对应的编码，将数字字符转换为解码字符。
49.将各个文件名称对应的解码字符中的每个字符作为一个元素，添加在第二集合中；其中，不同文件名称对应的解码字符添加在不同的第二集合中；创建一个空集合，并将每个模型参数文件夹的解码字符逐个添加到该集合中。不同模型参数文件夹的解码字符应分别添加在不同的集合中，以便后续计算相同元素数量时进行区分。
50.计算所述第一集合与各个第二集合的相同元素数量；从中获取出与所述第一集合的相同元素数量最多的第二集合，作为目标第二集合；遍历第二集合中的每个集合，与第一集合进行比较，计算两个集合中相同元素的数量。这可以通过比较集合的交集来实现，得到的相同元素数量中选择数量最多的那个集合，作为目标第二集合。
51.获取目标第二集合对应的模型参数文件夹，作为对应所述目标模型参数的模型参数文件夹。
52.在一实施例中，所述基于所述周围环境数据获取解密密码，并基于所述解密密码从数据库中获取目标数据映射表的步骤，包括：基于周围环境数据的类型，对所述周围环境数据进行数据筛选，得到目标环境数据；其中，所述目标环境数据为符合预设类型的环境数据；根据预设的环境数据类型，对收集到的周围环境数据进行筛选和匹配，找出符合预设类型的环境数据。例如，如果目标环境数据是温度数据，那么就需要从周围环境数据中筛选出温度数据。
53.基于目标环境数据对应的类型，在数据库中匹配对应的解密密码；其中，数据库中存储有目标环境数据的类型与解密密码的映射关系；在数据库中存储了目标环境数据的类型与解密密码的映射关系。根据目标环境数据的类型，从数据库中匹配对应的解密密码。这样可以确保只有拥有正确的解密密码才能解密相应的数据映射表。
54.获取数据库中存储的各个数据映射表；其中，各个所述数据映射表为采用不同密码加密的映射表；数据库中存储了多个数据映射表，每个映射表都采用不同的密码进行加密。这些数据映射表可能包含了运动风险评估模型所需的各种信息和参数。
55.基于所述解密密码逐一对各个数据映射表进行解密处理，若解密成功，将对应解密的数据映射表作为所述目标数据映射表。使用先前获取的解密密码，逐一对每个数据映射表进行解密处理。这个过程涉及到解密算法和密钥管理，确保只有正确的解密密码才能成功解密。如果解密成功，即可得到解密后的数据映射表。将这个解密后的数据映射表作为目标数据映射表，用于训练和调整运动风险检测模型。
56.在本实施例中，可以根据周围环境数据类型获取相应的解密密码，并从数据库中获取对应的目标数据映射表。如此就可以使用正确的数据映射表来调整运动风险检测模型，以提高准确性和实时性。
57.参照图2，本发明一实施例中还提供了一种运动风险监测装置，包括：第一训练单元，用于在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；第二训练单元，用于在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；调整单元，用于获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；计算单元，用于将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；生成单元，用于在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。
58.在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
59.参照图3，本发明实施例中还提供一种电子设备，该电子设备可以是服务器，其内部结构可以如图3所示。该电子设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计
算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储本实施例中对应的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
60.本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的电子设备的限定。
61.本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
62.综上所述，为本发明实施例中提供的运动风险监测方法、装置以及电子设备，包括：在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。本发明中，通过基于用户的实际运动数据以及周围环境数据对运动风险检测模型进行调整，使得调整后得到的目标运动风险检测模型更加适用于用户当前的运动风险检测，提高检测的准确率。
63.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双速据率sdram（ssrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram等。
64.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
65.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种运动风险监测方法，其特征在于，包括以下步骤：在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。2.根据权利要求1所述的运动风险监测方法，其特征在于，所述方法，还包括：在所述用户运动风险值不高于阈值时，将所述实际运动数据和周围环境数据输入至预先训练得到的运动风险评估模型中进行分析，得到运动风险趋势信息；其中，所述运动风险趋势信息表征出用户运动风险的概率在时间上的变化情况。3.根据权利要求2所述的运动风险监测方法，其特征在于，所述运动风险评估模型的训练过程，包括：接收云服务端下发的风险数据库；其中，所述风险数据库存储有用户运动数据、环境数据以及对应的风险结果；所述风险结果为对应的运动风险趋势结果；获取用户历史数据，并基于所述风险数据库，对用户历史数据进行标注，以生成训练样本；其中，所述用户历史数据包括用户运动数据以及对应的周围环境数据；接收云服务端下发的初始风险评估模型，并基于所述训练样本对所述初始风险评估模型进行训练，获得所述初始风险评估模型的模型参数；将所述模型参数上传至所述云服务端；其中，所述云服务端接收多个终端发送的模型参数，并对接收到的所有模型参数进行聚合运算，得到聚合模型参数；接收所述云服务端返回的聚合模型参数，将所述聚合模型参数对应更新至所述初始风险评估模型中，得到所述运动风险评估模型。4.根据权利要求1所述的运动风险监测方法，其特征在于，所述基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型的步骤，包括：基于所述周围环境数据获取解密密码，并基于所述解密密码从数据库中获取目标数据映射表；对所述实际运动数据进行分类，得到分类结果；其中，所述分类结果包括所述实际运动数据的类型；根据所述目标数据映射表，基于所述实际运动数据的类型，确定所述运动风险检测模型中需要进行调整的模型参数，作为目标模型参数；其中，目标数据映射表中存储有运动数据的类型与需要调整的模型参数的映射关系；在数据库中，获取对应所述目标模型参数的模型参数文件夹；其中，所述模型参数文件夹为加密文件夹；
基于所述解密密码对所述模型参数文件夹进行解密，得到模型参数文件夹中存储的模型参数组合；其中，模型参数组合为多个模型参数的组合；基于所述模型参数组合对所述运动风险检测模型进行模型参数的更新，得到所述目标运动风险检测模型。5.根据权利要求4所述的运动风险监测方法，其特征在于，所述获取对应所述目标模型参数的模型参数文件夹的步骤，包括：获取各个目标模型参数对应的代号；将各个目标模型参数对应的代号分别作为一个元素添加在第一集合中；获取数据库中的各个模型参数文件夹的文件名称；其中，文件名称为纯数字字符的组合，所述文件名称是基于预设的编码表编码得到，各个模型参数文件夹的文件名称互不相同；基于预设的编码表，对各个所述模型参数文件夹的文件名称进行解码，得到各个模型参数文件夹的文件名称对应的解码字符；其中，所述解码与所述编码为相逆过程；将各个文件名称对应的解码字符中的每个字符作为一个元素，添加在第二集合中；其中，不同文件名称对应的解码字符添加在不同的第二集合中；计算所述第一集合与各个第二集合的相同元素数量；从中获取出与所述第一集合的相同元素数量最多的第二集合，作为目标第二集合；获取目标第二集合对应的模型参数文件夹，作为对应所述目标模型参数的模型参数文件夹。6.根据权利要求4所述的运动风险监测方法，其特征在于，所述基于所述周围环境数据获取解密密码，并基于所述解密密码从数据库中获取目标数据映射表的步骤，包括：基于周围环境数据的类型，对所述周围环境数据进行数据筛选，得到目标环境数据；其中，所述目标环境数据为符合预设类型的环境数据；基于目标环境数据对应的类型，在数据库中匹配对应的解密密码；其中，数据库中存储有目标环境数据的类型与解密密码的映射关系；获取数据库中存储的各个数据映射表；其中，各个所述数据映射表为采用不同密码加密的映射表；基于所述解密密码逐一对各个数据映射表进行解密处理，若解密成功，将对应解密的数据映射表作为所述目标数据映射表。7.一种运动风险监测装置，其特征在于，包括：第一训练单元，用于在模拟用户运动模式下获取模拟训练数据，基于所述模拟训练数据训练深度学习模型，得到初始运动检测模型；第二训练单元，用于在真实用户运动模式下获取真实训练数据，基于所述真实训练数据训练初始运动检测模型，得到运动风险检测模型；调整单元，用于获取待监测用户的实际运动数据和周围环境数据，基于所述实际运动数据以及周围环境数据对所述运动风险检测模型进行调整，得到目标运动风险检测模型；计算单元，用于将所述实际运动数据和周围环境数据输入至目标运动风险检测模型中，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；生成单元，用于在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险
值、实际运动数据以及周围环境数据，生成风险地图。8.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

技术总结
本发明提供的运动风险监测方法、装置以及电子设备，包括：在模拟用户运动模式下获取模拟训练数据训练深度学习模型，得到初始运动检测模型；在真实用户运动模式下获取真实训练数据训练初始运动检测模型，得到运动风险检测模型；获取待监测用户的实际运动数据和周围环境数据，对运动风险检测模型进行调整，得到目标运动风险检测模型，计算用户运动风险值，并判断所述用户运动风险值是否高于阈值；在所述用户运动风险值高于阈值时，发出报警，并基于用户运动风险值、实际运动数据以及周围环境数据，生成风险地图。本发明中对运动风险检测模型进行调整，使得调整后的目标运动风险检测模型更加适用于用户当前的运动风险检测，提高检测的准确率。测的准确率。测的准确率。


技术研发人员：蔡巢 刘云堂 付政宏
受保护的技术使用者：深圳市则成电子股份有限公司
技术研发日：2023.08.18
技术公布日：2023/9/20