本申请涉及数据处理技术领域，尤其涉及一种基于个人运动机能指数pai的体重预测方法、装置和设备。
背景技术：
通常，肥胖问题给健康带来前所未有的威胁，高血脂、糖尿病、高血压患病人数逐年上升，科学运动、预测并控制体重已经成为公众共识。
相关技术中，通过个人历史体重进行体重预测，具体地，基于用户过去一周或两周的体重数据，预测未来一周的体重变化，然而，该方法属于趋势预测，没有考虑运动量等因素对体重的影响，无法体现体重与运动的动态关联关系。
技术实现要素：
本申请旨在至少在一定程度上解决上述提到的技术问题之一。
为此，本申请的第一个目的在于提出一种基于个人运动机能指数的体重预测方法，解决了现有技术中单纯基于个人历史体重的体重预测方式精度差的技术问题，通过同时融合个人运动机能指数pai(personalactivityintelligence)以及心率、睡眠、体重等生理数据预测未来体重，提高了体重预测的准确性和效率。
本申请的第二个目的在于提出一种基于个人运动机能指数的体重预测装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种基于个人运动机能指数的体重预测方法，包括：获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；对所述历史生理数据和所述个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列；通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重。
在本申请的一个实施例中，所述对所述历史生理数据和所述个人运动机能指数pai进行处理，获取生理特征向量时间序列，包括：获取所述历史生理数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；获取所述历史生理数据中的数值特征数据，通过归一化公式对所述数值特征数据和所述个人运动机能指数pai进行归一化处理，获取数值特征向量；将所述分类特征向量和所述数值特征向量组合成所述生理特征向量时间序列。由此，通过历史生理数据和个人运动机能指数pai进行归一化处理，进一步提高后续体重预测的准确性。
在本申请的一个实施例中，在所述通过归一化公式对所述数值特征数据和所述个人运动机能指数pai进行归一化处理之前，还包括：获取所述历史生理数据中的活动量数据；通过变换公式对所述活动量数据和所述个人运动机能指数pai进行变换处理。由此，针对活动量数据和个人运动机能指数pai个性差异性比较大的特征，对其进行变换处理，减少个体差异，进一步提高后续体重预测的准确性。
在本申请的一个实施例中，所述的基于个人运动机能指数的体重预测方法，还包括：从所述历史生理数据中获取静息心率和最大心率；通过校正公式根据所述静息心率和所述和最大心率对所述个人运动机能指数pai进行计算。由此，通过静息心率和最大心率对运动心率进行校正实现对个人运动机能指数pai的计算。
在本申请的一个实施例中，在所述通过已训练的体重预测模型对所述生理特征向量时间序列进行处理，获取目标时间段的预测体重之前，还包括：获取多个周期的个人运动机能指数pai样本和生理数据样本；对所述生理数据样本和所述个人运动机能指数pai样本进行处理，获取多组特征向量时间序列；将所述多组特征向量时间序列输入到神经网络进行训练；采用随机梯度下降法用于通过损失函数根据所述训练预测体重和真实体重对所述神经网络参数进行调整，生成所述体重预测模型。由此，基于历史数据样本进行模型训练，获得体重预测模型。
为达上述目的，本申请第二方面实施例提出了一种基于个人运动机能指数的体重预测装置，包括：第一获取模块，用于获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；第一处理模块，用于对所述历史生理数据和所述个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列；第二处理模块，用于通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重。
在本申请的一个实施例中，所述第一处理模块，具体用于：获取所述历史生理数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；获取所述历史生理数据中的数值特征数据，通过归一化公式对所述数值特征数据和所述个人运动机能指数pai进行归一化处理，获取数值特征向量；将所述分类特征向量和所述数值特征向量组合成所述生理特征向量时间序列。
在本申请的一个实施例中，所述装置，还包括：第二获取模块，用于获取所述历史生理数据中的活动量数据；变换模块，用于通过变换公式对所述活动量数据和所述个人运动机能指数pai进行变换处理。
在本申请的一个实施例中，所述的装置，还包括：第三获取模块，用于从所述历史生理数据中获取静息心率和最大心率；校正模块，用于通过校正公式根据所述静息心率和所述和最大心率对所述个人运动机能指数pai进行计算。
在本申请的一个实施例中，所述装置，还包括：第四获取模块，用于获取多个周期的个人运动机能指数pai样本和生理数据样本；第三处理模块，用于对所述生理数据样本和所述个人运动机能指数pai样本进行处理，获取多组生理特征向量时间序列；训练模块，用于将所述多组生理特征向量时间序列输入到神经网络进行训练；生成模块，用于定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法通过损失函数根据所述训练预测体重和真实体重对所述神经网络参数进行调整，生成所述体重预测模型。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所描述的基于个人运动机能指数的体重预测方法。
为了实现上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得处理器能够实现如上述实施例所描述的基于个人运动机能指数的体重预测方法。
本申请提供的技术方案，至少具有如下有益技术效果：
获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；对历史生理数据和个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量序列；通过已训练的体重预测模型对生理特征向量序列进行计算，获取目标时间段的预测体重。由此，解决了现有技术中单纯基于个人历史体重及部分生活、遗传因素的体重预测方式效率低且精度差的技术问题，通过同时融合个人运动机能指数pai、以及心率、睡眠、体重等生理数据预测未来体重，提高了体重预测的准确性和效率。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种基于个人运动机能指数的体重预测方法的流程示意图；
图2为本申请实施例所提供的计算pai的示例图；
图3为本申请实施例所提供的另一种基于个人运动机能指数的体重预测方法的流程示意图；
图4为本申请实施例所提供的又一种基于个人运动机能指数的体重预测方法的流程示意图；
图5为本申请实施例所提供的基于个人运动机能指数的体重预测的示例图；
图6为本申请实施例所提供的pai值与体重变化关联曲线示例；
图7为本申请实施例提供的一种基于个人运动机能指数的体重预测装置的结构示意图；
图8为本申请实施例提供的另一种基于个人运动机能指数的体重预测装置的结构示意图；
图9为本申请实施例提供的又一种基于个人运动机能指数的体重预测装置的结构示意图；
图10为本申请实施例提供的再一种基于个人运动机能指数的体重预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于个人运动机能指数的体重预测方法、装置和电子设备。
其中，本申请实施例的基于个人运动机能指数的体重预测方法的执行主体，可以是任意便携式终端设备，该终端设备可以是手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统的硬件设备，该穿戴式设备可以是智能手环、智能手表、智能眼镜等。
图1为本申请实施例所提供的一种基于个人运动机能指数的体重预测方法的流程示意图。
如图1所示，该基于个人运动机能指数的体重预测方法包括：
步骤101，获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据。
在本申请实施例中，预设时间段的选择设置可以根据实际应用场景确定，比如一个月、三个月或者半年。
在本申请实施例中，个人运动机能指数pai是一种将心率数据被转换为有意义的健康风险指标的方法，获取个人运动机能指数pai的方式有很多种，可以根据实际应用场景选择设置，举例说明如下。
第一种示例，基于可穿戴设备记录的观测周期的连续心率值进行计算pai，获取每观测周期的个人运动机能指数pai。其中，pai以心肺健康收益为基础，基于心率提升来量化评估运动强度和运动量。比如图2所示，基于7天观测周期的连续心率值进行计算pai。
举例而言，相关专利cn107077523a中根据用户7天观测周期的连续心率值与性别、年龄、重量、身高等数据进行统计学拟合确定个人运动机能指数pai，比如获取连续心率值对应的连续函数和性别、年龄、重量、身高等常数确定活动评分，根据活动评分确定pai。
第二种示例，根据性别、动态心率、最大心率和静息心率通过相关公式、模型计算获取个人运动机能指数pai。
步骤102，对历史生理数据和个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列。
在本申请实施例中，历史生理数据通常为基于可穿戴设备记录的心率数据、活动量数据、睡眠数据和体脂称测量的体脂数据，其中，可穿戴设备可以接收输入的体脂数据。
更具体地，心率数据可以为静息心率、睡眠时平均心率、清醒时平均心率、全天平均心率或心率变异性中至少一种；活动量数据可以为消耗总卡路里、跑步总距离、步行总时长、总步数、跑动消耗总卡路里、总步行距离、高强度运动活动量、低强度运动活动量、跑步步数、跑步时间、快走步数、快走时间、慢走步数或慢走时间中至少一种。
更具体地，睡眠数据可以为浅睡时长、深睡时长、睡眠过程中醒来的时长、睡眠开始时间、睡眠结束时间、睡眠总时长、睡眠中醒来次数的得分、深睡眠占比、睡眠时间得分、入睡时间得分、睡眠质量得分或进入睡眠的时长中至少一种；体脂数据可以为体重、身体质量指数、体脂率、肌肉量、水分率、蛋白质率、内脏脂肪等级、基础代谢、骨量、身体年龄、理想体重、体型或健康评分中至少一种。
在本申请实施例中，获取历史生理数据中的分类特征数据，对分类特征数据进行编码，获取分类特征向量，获取历史生理数据中的数值特征数据，通过归一化公式对数值特征数据和个人运动机能指数pai进行归一化处理，获取数值特征向量；将分类特征向量和数值特征向量组合成生理特征向量时间序列。
举例而言，以周为周期计算该周期内的统计特征，如历史生理数据对应的最大最小值，均值，标准差，偏态，峰态等。
步骤103，通过已训练的体重预测模型对生理特征向量时间序列进行计算，获取目标时间段的预测体重。
在本申请实施例中，可以基于多个周期的个人运动机能指数pai样本、生理数据样本、真实体重和神经网络进行训练预先生成体重预测模型；还可以采用回归模型(如线性回归、梯度提升树回归、神经网络回归等)作为已训练的体重预测模型。
由此，通过已训练的体重预测模型对生理特征向量时间序列进行计算，获取目标时间段的预测体重，以及输入短期的个人运动机能指数pai、活动量、心率、睡眠、体重、基本信息等数据，采用回归模型直接对未来短期(一周内)的体重进行预测。
综上，本实施例的基于个人运动机能指数的体重预测方法，通过获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；对历史生理数据和个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列；通过已训练的体重预测模型对生理特征向量时间序列进行计算，获取目标时间段的预测体重。由此，解决了现有技术中单纯基于历史体重的体重预测方式精度差的技术问题，通过同时融合个人运动机能指数pai、以及心率、睡眠、体重等历史生理数据预测未来体重，提高了体重预测的准确性和效率。
为了本领域人员更加清楚上述过程，图3为本申请实施例所提供的另一种基于个人运动机能指数的体重预测方法的流程示意图。
如图2所示，该基于个人运动机能指数的体重预测方法包括：
步骤201，获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据。
需要说明的是，步骤201与步骤101相同，具体描述参见步骤101，此处不再详述。
步骤202，获取历史生理数据中的分类特征数据，对分类特征数据进行编码，获取分类特征向量。
步骤203，获取历史生理数据中的数值特征数据，通过归一化公式对数值特征数据和个人运动机能指数pai进行归一化处理，获取数值特征向量。
步骤204，将分类特征向量和数值特征向量组合成生理特征向量时间序列，通过已训练的体重预测模型对生理特征向量时间序列进行计算，获取目标时间段的预测体重。
在本申请实施例中，对于历史生理数据中分类特征数据(性别、阳历月份、阴历月份等)采用比如one-hot编码(独热编码)进行编码处理，对于个人基本信息(身高、年龄)、心率、睡眠、体脂数据等数值特征数据采用最大最小归一化(如公式1所示)。
由此，通过历史生理数据和个人运动机能指数pai进行归一化处理，进一步提高后续体重预测的准确性。
在本申请实施例中，在通过归一化公式对数值特征数据和个人运动机能指数pai进行归一化处理之前，获取历史生理数据中的活动量数据，通过变换公式对活动量数据和个人运动机能指数pai进行变换处理。
具体地，对于活动量数据及个人运动机能指数pai，由于个体差异太大，先比如采用log1p变换公式(如公式2所示)减少个体差异，再采用最大最小归一化。由此，针对活动量数据和个人运动机能指数pai个性差异性比较大的特征，对其进行变换处理，减少个体差异，进一步提高后续体重预测的准确性。
xlog1p＝log(x 1)(2)
在本申请实施例中，可以从历史生理数据中获取静息心率和最大心率，通过校正公式根据静息心率和和最大心率对个人运动机能指数pai进行计算。
由此，进行处理后的分类特征向量和数值特征向量以预设时间段比如周为周期合并为生理特征向量，多个周期的数据形成生理特征向量时间序列。
综上，本实施例的基于个人运动机能指数的体重预测方法，通过获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据，获取历史生理数据中的分类特征数据，对分类特征数据进行编码，获取分类特征向量，将分类特征向量和数值特征向量组合成生理特征向量时间序列，通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重。由此，解决了现有技术中单纯基于个人历史体重的体重预测方式精度差的技术问题，通过同时融合个人运动机能指数pai、以及心率、睡眠、体重等历史生理数据预测未来体重，提高了体重预测的准确性和效率。
基于上述描述，可以根据需要对体重预测模型进行训练，下面结合图4进行详细描述。
图4为本申请实施例所提供的又一种基于个人运动机能指数的体重预测方法的流程示意图。
如图4所示，该基于个人运动机能指数的体重预测方法包括：
步骤301，获取多个周期的个人运动机能指数pai样本和生理数据样本。
步骤302，对生理数据样本和个人运动机能指数pai样本进行处理，获取多组特征向量时间序列。
步骤303，将多组特征向量时间序列输入到神经网络进行训练。
步骤304，定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法用于通过损失函数根据训练预测体重和真实体重对神经网络参数进行调整，生成体重预测模型。
在本申请实施例中，多个周期比如每七天为一个周期，获取多个周期；再比如每月为一个周期，获取多个周期，具体根据应用场景需要选择设置。
进一步地，获取多个周期的个人运动机能指数pai样本和生理数据样本，个人运动机能指数pai是一种将心率数据被转换为有意义的健康风险指标的方法，获取个人运动机能指数pai样本可以直接从数据库中获取，或者从数据库中获取记录的基于可穿戴设备的观测周期的连续心率值进行计算pai样本。
在本申请实施例中，生理数据样本通常为基于可穿戴设备记录的心率数据样本、活动量数据样本、睡眠数据样本和体脂称测量的体脂数据样本，其中，可穿戴设备可以接收输入的体脂数据样本。
更具体地，心率数据样本可以为静息心率、睡眠时平均心率、清醒时平均心率、全天平均心率或心率变异性中至少一种；活动量数据样本可以为消耗总卡路里、跑步总距离、步行总时长、总步数、跑动消耗总卡路里、总步行距离、高强度运动活动量、低强度运动活动量、跑步步数、跑步时间、快走步数、快走时间、慢走步数或慢走时间中至少一种。
更具体地，睡眠数据样本可以为浅睡时长、深睡时长、睡眠过程中醒来的时长、睡眠开始时间、睡眠结束时间、睡眠总时长、睡眠中醒来次数的得分、深睡眠占比、睡眠时间得分、入睡时间得分、睡眠质量得分或进入睡眠的时长中至少一种；体脂数据样本可以为体重、身体质量指数、体脂率、肌肉量、水分率、蛋白质率、内脏脂肪等级、基础代谢、骨量、身体年龄、理想体重、体型或健康评分中至少一种。
在本申请实施例中，获取生理数据样本中的分类特征数据样本，对分类特征数据样本进行编码，获取分类特征向量样本，获取生理数据样本中的数值特征数据样本，通过归一化公式对数值特征数据样本和个人运动机能指数pai样本进行归一化处理，获取数值特征向量样本；将分类特征向量样本和数值特征向量样本组合成多组特征向量时间序列。
进一步地，将多组特征向量时间序列输入到神经网络进行训练，获取训练预测体重，通过损失函数根据训练预测体重和真实体重对神经网络参数进行调整，生成体重预测模型。
举例而言，如图5所示，采用多层循环神经网络(如lstm)，融合个人运动机能指数pai、活动量、心率、睡眠、体重等历史生理数据，以预测未来体重。
在本申请实施例中，将历史生理数据作为样本按照上述特征处理及融合方式，处理成多组特征向量时间序列，输入多层循环神经网络，定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法训练模型参数，训练好的体重预测模型即可用于体重预测，预测周期可以根据需求确定，短期如一周，长期如1个月、3个月、半年等。对于长期预测，可在体重预测模型中引入注意力机制提高模型处理长时间序列的能力。
作为一种示例，基于体重预测模型分析个人运动机能指数pai对未来体重变化的贡献值，计算出个人运动机能指数pai与未来体重变化值关联曲线(如图6所示)，从而指导用户科学运动，以达到控制体重的目标。
综上，本实施例的基于个人运动机能指数的体重预测方法，通过获取多个周期的个人运动机能指数pai样本和生理数据样本，对历史生理数据和个人运动机能指数pai进行处理，获取多组特征向量时间序列，将多组特征向量时间序列输入到神经网络进行训练，定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法用于通过损失函数根据训练预测体重和真实体重对神经网络参数进行调整，生成体重预测模型。由此，基于历史数据样本进行模型训练，以提高后续体重预测效率。
为了实现上述实施例，本申请还提出一种基于个人运动机能指数的体重预测装置。
图7为本申请实施例提供的一种基于个人运动机能指数的体重预测装置的结构示意图。
如图7所示，该基于个人运动机能指数的体重预测装置包括：第一获取模块701、第一处理模块702、第二处理模块703。其中，
第一获取模块701，用于获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据。
第一处理模块702，用于对历史生理数据和所述个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列。
第二处理模块703，用于通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重。
在本申请的一个实施例中，第一处理模块20，具体用于：获取历史生理数据中的分类特征数据，对分类特征数据进行编码，获取分类特征向量；获取历史生理数据中的数值特征数据，通过归一化公式对数值特征数据和个人运动机能指数pai进行归一化处理，获取数值特征向量；将分类特征向量和数值特征向量组合成生理特征向量时间序列。
在本申请的一个实施例中，如图8所示，在如图7所示的基础上，该装置还包括：第二获取模块704和变换模块705。
第二获取模块704，用于获取所述历史生理数据中的活动量数据。
变换模块705，用于通过变换公式对所述活动量数据和所述个人运动机能指数pai进行变换处理。
在本申请的一个实施例中，如图9所示，在如图7所示的基础上，该装置还包括：第三获取模块706和校正模块707。
第三获取模块706，用于从所述历史生理数据中获取静息心率和最大心率。
校正模块707，用于通过校正公式根据所述静息心率和所述和最大心率对所述个人运动机能指数pai进行计算。
在本申请的一个实施例中，如图10所示，在如图7所示的基础上，还包括：第四获取模块708、第三处理模块709、训练模块710和生成模块711。
第四获取模块708，用于获取多个周期的个人运动机能指数pai样本和生理数据样本。
第三处理模块709，用于对所述历史生理数据样本和所述个人运动机能指数pai样本进行处理，获取多组特征向量时间序列。
训练模块710，用于将所述多组特征向量时间序列输入到神经网络进行训练。
生成模块711，用于定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法用于通过损失函数根据所述训练预测体重和真实体重对所述神经网络参数进行调整，生成所述体重预测模型。
需要说明的是，前述对基于个人运动机能指数的体重预测方法实施例的解释说明也适用于该实施例的基于个人运动机能指数的体重预测装置，此处不再赘述。
综上，本实施例的基于个人运动机能指数的体重预测装置，通过获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；对历史生理数据和个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列；通过已训练的体重预测模型对生理特征向量时间序列进行处理，获取目标时间段的预测体重。由此，解决了现有技术中单纯基于历史体重的体重预测方式精度差的技术问题，通过同时融合个人运动机能指数pai、以及心率、睡眠、体重等历史生理数据预测未来体重，提高了体重预测的准确性和效率。
为了实现上述实施例，本申请还提出一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的基于个人运动机能指数的体重预测方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得能够执行上述实施例所述的基于个人运动机能指数的体重预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
1.一种基于个人运动机能指数的体重预测方法，其特征在于，包括：
获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；
对所述历史生理数据和所述个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列；
通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重。
2.如权利要求1所述的基于个人运动机能指数的体重预测方法，其特征在于，所述对所述历史生理数据和所述个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列，包括：
获取所述历史生理数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；
获取所述历史生理数据中的数值特征数据，通过归一化公式对所述数值特征数据和所述个人运动机能指数pai进行归一化处理，获取数值特征向量；
将所述分类特征向量和所述数值特征向量组合成所述生理特征向量时间序列。
3.如权利要求2所述的基于个人运动机能指数的体重预测方法，其特征在于，在所述通过归一化公式对所述数值特征数据和所述个人运动机能指数pai进行归一化处理之前，还包括：
获取所述历史生理数据中的活动量数据；
通过变换公式对所述活动量数据和所述个人运动机能指数pai进行变换处理。
4.如权利要求1所述的基于个人运动机能指数的体重预测方法，其特征在于，还包括：
从所述历史生理数据中获取静息心率和最大心率；
通过校正公式根据所述静息心率和所述和最大心率对所述个人运动机能指数pai进行计算。
5.如权利要求1所述的基于个人运动机能指数的体重预测方法，其特征在于，在所述通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重之前，还包括：
获取多个时间周期的个人运动机能指数pai样本和生理数据样本；
对所述生理数据和所述个人运动机能指数pai进行处理，获取多组特征向量时间序列；
将所述多组特征向量时间序列输入到神经网络进行训练，定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法用于通过所述损失函数根据所述训练预测体重和真实体重对所述神经网络参数进行调整，生成所述体重预测模型。
6.一种基于个人运动机能指数的体重预测装置，其特征在于，包括：
第一获取模块，用于获取预设时间段内的个人运动机能指数pai和智能佩戴设备采集的历史生理数据；
第一处理模块，用于对所述历史生理数据和所述个人运动机能指数pai进行标准化和序列化处理，获取生理特征向量时间序列；
第二处理模块，用于通过已训练的体重预测模型对所述生理特征向量时间序列进行计算，获取目标时间段的预测体重。
7.如权利要求6所述的基于个人运动机能指数的体重预测装置，其特征在于，所述第一处理模块，具体用于：
获取所述历史生理数据中的分类特征数据，对所述分类特征数据进行编码，获取分类特征向量；
获取所述历史生理数据中的数值特征数据，通过归一化公式对所述数值特征数据和所述个人运动机能指数pai进行归一化处理，获取数值特征向量；
将所述分类特征向量和所述数值特征向量组合成所述生理特征向量时间序列。
8.如权利要求7所述的基于个人运动机能指数的体重预测装置，其特征在于，还包括：
第二获取模块，用于获取所述历史生理数据中的活动量数据；
变换模块，用于通过变换公式对所述活动量数据和所述个人运动机能指数pai进行变换处理。
9.如权利要求6所述的基于个人运动机能指数的体重预测装置，其特征在于，还包括：
第三获取模块，用于从所述历史生理数据中获取静息心率和最大心率；
校正模块，用于通过校正公式根据所述静息心率和所述和最大心率对所述个人运动机能指数pai进行计算。
10.如权利要求1所述的基于个人运动机能指数的体重预测装置，其特征在于，还包括：
第四获取模块，用于获取多个周期的个人运动机能指数pai样本和生理数据样本；
第三处理模块，用于对所述生理数据样本和所述个人运动机能指数pai样本进行处理，获取多组生理特征向量时间序列；
训练模块，用于将所述多组生理特征向量时间序列输入到神经网络进行训练；
生成模块，定义损失函数为真实体重与模型预测体重的差值平方，采用随机梯度下降法用于通过所述损失函数根据所述训练预测体重和真实体重对所述神经网络参数进行调整，生成所述体重预测模型。
11.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一所述的基于个人运动机能指数的体重预测方法。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的基于个人运动机能指数的体重预测方法。
技术总结