基于功率车的运动心率预测模型训练方法、心率预测方法与流程

1.本发明涉及生理信号监测技术领域，尤其涉及一种基于功率车的运动心率预测模型训练方法、心率预测方法。


背景技术：

2.运动心率预测，能够有效提高运动效率、防止运动损伤、评价运动能力，有助于更合理地设计运动计划。对于孕妇、慢病患者以及老年人而言，具有更为重要的积极意义。
3.相关技术中，基于经验进行用户心率预测，导致心率预测的准确性较低。因而，如何准确的进行用户心率预测是本领域技术人员亟需解决的技术问题。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种基于功率车的运动心率预测模型训练方法、心率预测方法。
5.具体地，本发明实施例提供了以下技术方案：
6.第一方面，本发明实施例提供了一种基于功率车的运动心率预测模型训练方法，包括：
7.根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；所述运动心率第一预测模型用于基于功率车的功率预测用户的心率；
8.根据心率响应拟合曲线和心率漂移拟合曲线，对所述第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；所述心率响应拟合曲线和所述心率漂移拟合曲线用于表示所述第一心率预测数据集与所述目标心率预测数据集的映射关系；
9.根据所述目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；所述心率测量数据集是对所述目标时段内各个时刻的用户心率进行测量得到的；
10.根据所述用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；所述目标运动心率预测模型用于预测用户的运动心率。
11.进一步地，所述运动心率第一预测模型基于如下方式确定：
12.确定功率车在第一功率下的用户稳定心率和功率车在第二功率下的用户稳定心率；
13.对所述第一功率下的用户稳定心率、第二功率下的用户稳定心率进行线性估计，得到所述运动心率第一预测模型。
14.进一步地，所述心率响应拟合曲线基于如下方式确定：
15.根据心率测量数据集中各个时刻用户心率数据和所述目标时间段内功率车的功率，确定目标时间段内功率车的功率变化后的用户心率响应区间；所述心率响应区间表示所述功率车的功率发生变化的情况下，用户的心率标准差大于阈值的时间段区间；
16.对用户心率响应区间所对应的心率测量数据集中的用户心率数据进行拟合，得到
所述心率响应拟合曲线。
17.进一步地，所述心率漂移拟合曲线基于如下方式确定：
18.在所述心率响应区间内，根据所述心率响应拟合曲线对所述第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；
19.对所述第二心率预测数据集和所述心率测量数据集进行拟合，得到心率漂移拟合曲线。
20.进一步地，所述根据心率响应拟合曲线和心率漂移拟合曲线，对所述第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，包括：
21.在所述心率响应区间内，根据心率响应拟合曲线对所述第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；
22.根据所述心率漂移拟合曲线对所述第二心率预测数据集中的用户心率数据进行更新，得到所述目标心率预测数据集。
23.进一步地，所述根据所述目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息，包括以下至少一项：
24.根据所述目标心率预测数据集和静息心率，得到目标心率预测数据集对应的储备心率百分比；
25.根据所述心率测量数据集和静息心率，得到心率测量数据集对应的储备心率百分比；
26.根据所述心率测量数据集和所述目标时间段对应的运动时间，确定用户运动量；
27.将所述目标心率预测数据集对应的储备心率百分比、心率测量数据集对应的储备心率百分比、用户运动量和心率漂移拟合曲线对应的心率漂移斜率，作为所述用户运动心率特征信息。
28.第二方面，本发明实施例还提供了一种基于功率车的运动心率预测方法，包括：
29.获取第一时间段内的功率车的功率；
30.根据所述第一时间段内的功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到心率预测数据集；所述运动心率第一预测模型用于基于功率车的功率预测用户的心率；
31.将所述心率预测数据集，输入至目标运动心率预测模型，得到在所述第一时间段内用户的心率信息，其中，所述目标运动心率预测模型为基于如第一方面所述的基于功率车的运动心率预测模型训练方法训练得到的。
32.第三方面，本发明实施例还提供了一种基于功率车的运动心率预测模型训练装置，包括：
33.第一处理模块，用于根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；所述运动心率第一预测模型用于基于功率车的功率预测用户的心率；
34.第二处理模块，用于根据心率响应拟合曲线和心率漂移拟合曲线，对所述第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；所述心率响应拟合曲线和所述心率漂移拟合曲线用于表示所述第一心率预测数据集与所述目标心率预测数据集的映射关系；
35.确定模块，用于根据所述目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；所述心率测量数据集是对所述目标时段内各个时刻的用户心率进行测量得到的；
36.训练模块，用于根据所述用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；所述目标运动心率预测模型用于预测用户的运动心率。
37.第四方面，本发明实施例还提供了一种电子设备，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程序时实现如第一方面所述基于功率车的运动心率预测模型训练方法或如第二方面所述的基于功率车的运动心率预测方法。
38.第五方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述基于功率车的运动心率预测模型训练方法或如第二方面所述的基于功率车的运动心率预测方法。
39.第六方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述基于功率车的运动心率预测模型训练方法或如第二方面所述的基于功率车的运动心率预测方法。
40.本发明实施例提供的基于功率车的运动心率预测模型训练方法、心率预测方法，根据目标时间段内功率车的功率和运动心率第一预测模型，得到第一心率预测数据集，也就是基于功率车的功率和用户运动心率的线性关系，从而可以简单快捷的预测用户的运动心率；进一步通过心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，也就克服了心率响应误差和心率漂移误差，从而使得预测得到的目标心率预测数据集更加的准确；最后建立起用户心率和用户运动心率特征信息的关联关系，将用户的运动心率特征信息通过用户心率进行表征，从而可以便捷的得到更多、更丰富的用户运动特征信息，进而基于更多、更丰富的用户运动特征信息对梯度提升树算法进行训练，也就使得训练后得到的目标运动心率预测模型可以更加准确的进行心率预测，也就可以得到更加准确的心率预测结果。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明实施例提供的基于功率车的运动心率预测模型训练方法的流程示意图；
43.图2是本发明实施例提供的基于功率车的运动心率预测模型训练装置的结构示意图；
44.图3是本发明实施例提供的电子设备的结构示意图。
具体实施方式
45.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本
发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
46.本发明实施例的方法可以应用于生理信号监测场景中，实现了用户心率的准确预测。
47.相关技术中，基于经验进行用户心率预测，导致心率预测的准确性较低。因而，如何准确的进行用户心率预测是本领域技术人员亟需解决的技术问题。
48.本发明实施例的基于功率车的运动心率预测模型训练方法，根据目标时间段内功率车的功率和运动心率第一预测模型，得到第一心率预测数据集，也就是基于功率车的功率和用户运动心率的线性关系，从而可以简单快捷的预测用户的运动心率；进一步通过心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，也就克服了心率响应误差和心率漂移误差，从而使得预测得到的目标心率预测数据集更加的准确；最后建立起用户心率和用户运动心率特征信息的关联关系，将用户的运动心率特征信息通过用户心率进行表征，从而可以便捷的得到更多、更丰富的用户运动特征信息，进而基于更多、更丰富的用户运动特征信息对梯度提升树算法进行训练，也就使得训练后得到的目标运动心率预测模型可以更加准确的进行心率预测，也就可以得到更加准确的心率预测结果。
49.下面结合图1-图3以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
50.图1是本发明实施例提供的基于功率车的运动心率预测模型训练方法一实施例的流程示意图。如图1所示，本实施例提供的方法，包括：
51.步骤101、根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；运动心率第一预测模型用于基于功率车的功率预测用户的心率；
52.具体地，现有技术中，基于经验进行用户心率预测，导致心率预测的准确性较低。
53.为了解决上述问题，本发明实施例中首先根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；其中，运动心率第一预测模型用于基于功率车的功率预测用户的心率。可选地，运动心率第一预测模型是基于功率车的功率为w2时用户的心率、功率车的功率为w1时用户的心率进行线性估计确定的：
54.hr
target
＝(hr
w2-hr
w1
)
×
(w
target-w1)
÷
(w
2-w1)+hr
w1
；
55.其中，hr
w2
表示功率车的功率为w2时用户的稳定心率，hr
w1
表示功率车的功率为w1时用户的稳定心率，可选地，用户以w1的功率进行运动5分钟，心率稳定后使用心率计记录30秒平均心率即为功率车的功率为w1时用户的稳定心率hr
w1
；w
target
表示目标时间段内功率车的任一功率，hr
target
表示目标时间段内功率车在任一功率下对应的用户的功率；可选地，在目标时间段内功率车的功率多次发生变化的情况下，例如，目标时间段内第一子时间段功率车的功率为功率1，则根据第一预测模型可以得到功率车的功率为功率1时用户的稳定心率，目标时间段内第二子时间段功率车的功率为功率2，则根据第一预测模型可以得到功
率车的功率为功率2时用户的稳定心率；可选地，由于运动心率第一预测模型是基于功率车的功率为w2时用户的心率、功率车的功率为w1时用户的心率进行线性估计确定的，因而基于运动心率第一预测模确定出的同一功率下的用户的心率相同，由于同一子时间段内功率车的功率相同，则同一子时间段内用户的心率相同；依此方式，可以得到目标时间段内各个子时间段内用户的稳定心率，进而也就可以建立用户心率-时间数据集，即第一心率预测数据集hr
target
{ti,hrti}。
56.例如，在目标时间段内，第一子时间段为0-5分钟，对应的功率为50w，根据运动心率第一预测模型得到该功率下用户的心率为x1；第二子时间段为5-10分钟，对应的功率为100w，根据运动心率第一预测模型得到该功率下用户的心率为x2，若用户心率时间数据集hr
target
中统计粒度为1秒，则目标时间段对应的第一心率预测数据集hr
targrt
{ti,hrti}＝{1,x1；2,x1；
………
；300,x1；301,x2；301,x2；
………
；600,x2}。
57.步骤102、根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；心率响应拟合曲线和心率漂移拟合曲线用于表示第一心率预测数据集与目标心率预测数据集的映射关系；
58.具体地，在根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集后，由于运动心率第一预测模型是基于功率车的功率为w2时用户的心率、功率车的功率为w1时用户的心率进行线性估计确定的，因而基于运动心率第一预测模确定出的同一功率下的用户的心率相同；但用户在实际运动过程中，用户的心率变化相对于功率车的功率变化存在着心率响应，也就是功率车的功率发生变化后，用户的心率并不是从功率变化前的第一稳定心率直接跳变至功率变化后的第二稳定心率，而是在功率车的功率发生变化后，存在着心率响应，用户的心率从功率变化前的第一稳定心率经过心率响应时间段后逐渐调整至功率变化后的第二稳定心率；其中，心率响应时间段也就是用户的心率从功率变化前的第一稳定心率逐渐调整至功率变化后的第二稳定心率所对应的时间段。在基于运动心率第一预测模型进行心率预测的过程中，并没有考虑心率响应对于用户心率预测准确性的影响，因而基于运动心率第一预测模型预测得到的第一心率预测数据集相较于用户的真实心率存在心率响应时间段内的误差。
59.例如，功率车的功率从80w调整至100w，用户在功率车80w时的稳定心率为m1，用户在功率车100w时的稳定心率为m2，但是在功率车功率从80w调整至100w后，心率并不会马上随着功率的变化从m1调整至m2，而是逐渐的经过心率响应时间段后心率才会稳定至m2。也就是功率车的功率可以是一个跳变的过程，而用户的心率是一个渐变的过程。
60.另一方面，用户在运动过程中，存在着心率漂移现象，也就是用户在长时间有氧耐力区间强度跑步时，维持相同的配速，但心率却会缓慢上升，即为心率漂移。在基于运动心率第一预测模型进行心率预测的过程中，并没有考虑心率漂移对于用户心率预测准确性的影响，因而基于运动心率第一预测模型预测得到的第一心率预测数据集相较于用户的真实心率存在心率漂移的误差。
61.为了克服基于运动心率第一预测模型预测得到的第一心率预测数据集中存在的心率响应误差和心率漂移误差，使得预测出的用户心率更加的准确，本发明实施例中根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；其中，心率响应拟合曲线和心率漂移拟合曲线用于表示第一心
率预测数据集与目标心率预测数据集的映射关系，从而在得到运动心率第一预测模型预测的第一心率预测数据集后，就可以基于第一心率预测数据集和第一心率预测数据集与目标心率预测数据集的映射关系，得到目标心率数据集。也就是根据心率响应拟合曲线和心率漂移拟合曲线对第一心率预测数据集中的用户心率进行更新，从而使得得到的目标心率预测数据集克服了心率响应误差和心率漂移误差，也就使得预测得到的目标心率预测数据集更加的准确。
62.步骤103、根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；心率测量数据集是对目标时段内各个时刻的用户心率进行测量得到的；
63.具体地，在根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集后，本发明实施例中根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；其中，心率测量数据集是对目标时段内各个时刻的用户心率通过心率计进行测量得到的；也就是通过已经克服了心率响应误差和心率漂移误差的目标心率数据集和使用心率计测量得到的反映用户真实运动心率的心率测量数据集，确定用户运动心率特征信息；可选地，用户运动息率特征信息包括用户的运动量、用户的储备心率百分比；也就是建立起用户运动心率特征信息和用户心率的关联关系，将用户的运动心率特征信息通过用户心率进行表征，把其他影响用户运动量、用户储备心率百分比的因素隔绝开来，从而基于用户的心率数据，可以简单快捷的表征和得到用户运动特征信息，从而也就可以基于用户的心率信息得到更多、更丰富的用户运动特征信息。可选地，可以基于心率测量数据集得到测量数据集对应的运动心率特征信息，也可以基于目标心率数据集，得到目标心率数据集对应的运动心率特征信息。
64.步骤104、根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；目标运动心率预测模型用于预测用户的运动心率。
65.具体地，在根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息，也就是将用户的运动心率特征信息通过用户心率进行表征后，就可以根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；可选地，本发明实施例中的梯度提升树算法可以为梯度提升树算法xgboost，为一种逼近离散函数值的方法，根据给定的训练数据集构建一个决策树模型，使它能够对实例进行正确的分类和预测；其中，决策树学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。
66.可选地，本发明实施例在根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息后，也就是选定特征值后，就可以基于用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；可选地，基于选定特征信息生成决策树的方法为本领域惯用手段，本技术实施例中对其重点过程进行描述，具体细节不再赘述。也就是将用户运动心率特征信息输入梯度提升树算法，并通过目标损失函数训练后，就可以得到训练后的目标运动心率预测模型；其中，基于目标训练函数，可以使得训练后的目标运动心率预测模型通过心率测量数据集得到的用户运动心率特征信息，对克服了心率响应误差和心率漂移误差的目标心率数据集进行纠偏和训练，从而基于训练后的目标运动心率预测模型可以得到更加准确的心率预测结果，也就使得基于目标运动心率预测模型可以更加准确的进行心率预测。
67.上述实施例的方法，根据目标时间段内功率车的功率和运动心率第一预测模型，
得到第一心率预测数据集，也就是基于功率车的功率和用户运动心率的线性关系，从而可以简单快捷的预测用户的运动心率；进一步通过心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，也就克服了心率响应误差和心率漂移误差，从而使得预测得到的目标心率预测数据集更加的准确；最后建立起用户心率和用户运动心率特征信息的关联关系，将用户的运动心率特征信息通过用户心率进行表征，从而可以便捷的得到更多、更丰富的用户运动特征信息，进而基于更多、更丰富的用户运动特征信息对梯度提升树算法进行训练，也就使得训练后得到的目标运动心率预测模型可以更加准确的进行心率预测，也就可以得到更加准确的心率预测结果。
68.在一实施例中，心率响应拟合曲线基于如下方式确定：
69.根据心率测量数据集中各个时刻用户心率数据和目标时间段内功率车的功率，确定目标时间段内功率车的功率变化后的用户心率响应区间；心率响应区间表示功率车的功率发生变化的情况下，用户的心率标准差大于阈值的时间段区间；
70.对用户心率响应区间所对应的心率测量数据集中的用户心率数据进行拟合，得到心率响应拟合曲线。
71.具体地，本发明实施例中根据目标时间段内功率车的功率和运动心率第一预测模型，得到第一心率预测数据集，也就是基于功率车的功率和用户运动心率的线性关系，从而可以简单快捷的预测用户的运动心率；但是在基于运动心率第一预测模型进行心率预测的过程中，并没有考虑心率响应对于用户心率预测准确性的影响，因而基于运动心率第一预测模型预测得到的第一心率预测数据集相较于用户的真实心率存在心率响应时间段内的误差。
72.为了克服基于运动心率第一预测模型预测得到的第一心率预测数据集中存在的心率响应误差，使得预测出的用户心率更加的准确，本发明实施例中根据心率响应拟合曲线，对第一心率预测数据集中的用户心率进行更新，从而使得预测出的用户心率更加的准确。可选地，心率响应拟合曲线基于如下方式确定：根据心率测量数据集中各个时刻用户心率数据和目标时间段内功率车的功率，确定目标时间段内功率车的功率变化后的用户心率响应区间；心率响应区间表示功率车的功率发生变化的情况下，用户的心率标准差大于阈值的时间段区间；对用户心率响应区间所对应的心率测量数据集中的用户心率数据进行拟合，从而就可以得到心率响应拟合曲线；也就是通过确定各个时刻用户心率相较于前一时刻用户心率的变化的标准差，来确定是否属于用户心率响应区间；可选地，若该时刻用户相较于前一时刻用户心率的变化的标准差小于第一阈值，则表示该用户心率处于稳定状态，该时刻不属于心率响应区间内；若该时刻用户相较于前一时刻用户心率的变化的标准差大于或等于第一阈值，则表示该用户心率不属于稳定状态，该时刻属于心率响应区间内。进一步，获取心率响应区间内用户的测量心率，将心率响应区间内用户的测量心率进行拟合，就可以准确地得到心率响应拟合曲线；可选地，可以通过最小二乘法对心率响应区间内用户的测量心率进行拟合，得到心率响应拟合曲线；进而通过心率响应拟合曲线对第一心率预测数据集中的用户心率进行更新，就可以得到克服了心率响应误差的心率预测结果，也就使得预测得到的用户心率更加的准确。
73.上述实施例的方法，根据心率测量数据集中各个时刻用户心率数据和目标时间段内功率车的功率，确定目标时间段内功率车的功率变化后的用户心率响应区间，对用户心
率响应区间所对应的心率测量数据集中的用户心率数据进行拟合，得到心率响应拟合曲线，进而通过心率响应拟合曲线对第一心率预测数据集中的用户心率进行更新，就可以得到克服了心率响应误差的心率预测结果，也就使得预测得到的用户心率更加的准确。
74.在一实施例中，心率漂移拟合曲线基于如下方式确定：
75.在心率响应区间内，根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；
76.对第二心率预测数据集和心率测量数据集进行拟合，得到心率漂移拟合曲线。
77.具体地，本发明实施例中根据目标时间段内功率车的功率和运动心率第一预测模型，得到第一心率预测数据集，也就是基于功率车的功率和用户运动心率的线性关系，从而可以简单快捷的预测用户的运动心率；但是在基于运动心率第一预测模型进行心率预测的过程中，并没有考虑心率漂移对于用户心率预测准确性的影响，因而基于运动心率第一预测模型预测得到的第一心率预测数据集相较于用户的真实心率存在心率漂移的误差。
78.为了克服基于运动心率第一预测模型预测得到的第一心率预测数据集中存在的心率漂移误差，使得预测出的用户心率更加的准确，本发明实施例中根据心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，从而使得预测出的用户心率更加的准确。可选地，心率漂移拟合曲线基于如下方式确定：在心率响应区间内，根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；对第二心率预测数据集和心率测量数据集进行拟合，得到心率漂移拟合曲线；也就是在根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到克服了心率响应误差的第二心率预测数据集后，将克服了心率响应误差的第二心率预测数据集和心率计测量得到的心率测量数据集进行拟合，得到心率漂移拟合曲线；可选地，可以通过最小二乘法对第二心率预测数据集和心率测量数据集进行拟合，得到心率漂移拟合曲线；进而通过心率漂移拟合曲线对预测的用户心率进行更新，就可以得到了克服了心率漂移误差的心率预测结果，也就使得预测得到的用户心率更加的准确。
79.上述实施例的方法，根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；对第二心率预测数据集和心率测量数据集进行拟合，得到心率漂移拟合曲线，进而通过心率漂移拟合曲线对预测的用户心率进行更新，就可以得到了克服了心率漂移误差的心率预测结果，也就使得预测得到的用户心率更加的准确。
80.在一实施例中，根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，包括：
81.在心率响应区间内，根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；
82.根据心率漂移拟合曲线对第二心率预测数据集中的用户心率数据进行更新，得到目标心率预测数据集。
83.具体地，本发明实施例中根据目标时间段内功率车的功率和运动心率第一预测模型，得到第一心率预测数据集，也就是基于功率车的功率和用户运动心率的线性关系，从而可以简单快捷的预测用户的运动心率；但是在基于运动心率第一预测模型进行心率预测的过程中，并没有考虑心率响应和心率漂移对于用户心率预测准确性的影响，因而基于运动
心率第一预测模型预测得到的第一心率预测数据集相较于用户的真实心率存在心率响应和心率漂移的误差。
84.为了克服基于运动心率第一预测模型预测得到的第一心率预测数据集中存在的心率响应误差和心率漂移误差，使得预测出的用户心率更加的准确，本发明实施例中根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，从而使得目标心率预测数据集克服了心率响应和心率漂移误差，也就使得预测得到的目标心率预测数据与测量得到的用户心率更加的贴合，也就使得预测得到的用户心率更加的准确。可选地，可以根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集，从而使得得到的第二心率预测数据集克服了心率响应误差；进而可以通过心率漂移拟合曲线对第二心率预测数据集中的用户心率数据进行更新，得到目标心率预测数据集，从而使得得到的目标心率预测数据集在克服了心率响应误差的基础上，进一步克服了心率漂移误差，从而也就使得预测得到的目标心率预测数据集更加的准确。
85.上述实施例的方法，根据心率响应拟合曲线对第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集，从而使得得到的第二心率预测数据集克服了心率响应误差；进而通过心率漂移拟合曲线对第二心率预测数据集中的用户心率数据进行更新，得到目标心率预测数据集，从而使得得到的目标心率预测数据集在克服了心率响应误差的基础上，进一步克服了心率漂移误差，也就使得预测得到的目标心率预测数据集更加的准确。
86.在一实施例中，根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息，包括以下至少一项：
87.根据目标心率预测数据集和静息心率，得到目标心率预测数据集对应的储备心率百分比；
88.根据心率测量数据集和静息心率，得到心率测量数据集对应的储备心率百分比；
89.根据心率测量数据集和目标时间段对应的运动时间，确定用户运动量；
90.将目标心率预测数据集对应的储备心率百分比、心率测量数据集对应的储备心率百分比、用户运动量和心率漂移拟合曲线对应的心率漂移斜率，作为用户运动心率特征信息。
91.具体地，本发明实施例中根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；可选地，将用户运动心率特征信息输入梯度提升树算法，并通过目标损失函数训练后，就可以得到训练后的目标运动心率预测模型；可选地，可以基于心率测量数据集得到测量数据集对应的运动心率特征信息，也可以基于目标心率数据集，得到目标心率数据集对应的运动心率特征信息，进而基于心率测量数据集得到的运动心率特征信息、目标心率数据集对应的运动心率特征信息和目标损失函数进行训练，就可以得到训练后的目标运动心率预测模型。可选地，训练后的目标运动心率预测模型通过心率测量数据集得到的用户运动心率特征信息，基于用户运动心率特征信息的维度，对克服了心率响应误差和心率漂移误差的目标心率数据集进行了进一步的纠偏和训练，从而使得训练后的目标运动心率预测模型可以得到更加准确的心率预测结果，也就使得基于目标运动心率预测模型也就可以更加准确的进行心率预测。
92.可选地，根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息包括：
93.根据目标心率预测数据集和静息心率，得到目标心率预测数据集对应的储备心率百分比；其中，储备心率百分比指当前运动时达到的心率与储备心率之间的比值；储备心率是最大心率与静息心率之间的差值；可选地，可以基于如下方式确定目标心率预测数据集对应的储备心率百分比：％hrr
target
＝(hr
target-hr
rest
)
÷
(hr
max-hr
rest
)；其中，％hrr
target
表示目标心率预测数据集中包括的预测的用户心率对应的储备心率百分比；hr
target
表示目标心率预测数据集中包括的预测的用户心率；hr
rest
表示用户的静息心率；hr
max
表示用户的最大心率。可选地，可以将％hrr
target
转化为
94.可选地，可以基于上述方法，根据心率测量数据集和静息心率，得到心率测量数据集对应的储备心率百分比；进而通过将心率测量数据集得到的用户运动心率特征信息和基于目标心率预测数据集得到的用户运动心率特征信息输入到梯度提升树算法进行训练，也就可以基于特征信息的维度，通过心率测量数据集得到的用户运动心率特征信息，对基于目标心率预测数据集得到的用户运动心率特征信息进行进一步的纠偏和训练，从而使得训练后的目标运动心率预测模型可以得到更加准确的心率预测结果，也就使得基于目标运动心率预测模型也就可以更加准确的进行心率预测。
95.可选地，根据心率测量数据集和目标时间段对应的运动时间，确定用户运动量；可选地，可以通过如下公式确定用户运动量：
[0096][0097]
其中，hrj表示用户心率测量数据集所包括的第j时刻的用户测量心率。
[0098]
可选地，本发明实施例中将拟合后得到拟合漂移曲线对应的心率漂移斜率也作为输入梯度提升树算法中的特征信息；可选地，可以将拟合漂移曲线中的系数值作为拟合漂移曲线斜率；也就是通过将用户运动量特征信息、用户心率漂移斜率特征信息与用户心率建立关联关系，将用户的运动量和心率漂移斜率通过用户心率进行表征，从而可以便捷的得到更多、更丰富的用户运动特征信息，进而基于更多、更丰富的用户运动特征信息对梯度提升树算法进行训练，也就使得训练后得到的目标运动心率预测模型可以更加准确的进行心率预测，也就可以得到更加准确的心率预测结果。
[0099]
上述实施例的方法，根据目标心率预测数据集和静息心率，得到目标心率预测数据集对应的储备心率百分比；根据心率测量数据集和静息心率，得到心率测量数据集对应的储备心率百分比；根据心率测量数据集和目标时间段对应的运动时间，确定用户运动量；将目标心率预测数据集对应的储备心率百分比、心率测量数据集对应的储备心率百分比、用户运动量和心率漂移拟合曲线对应的心率漂移斜率，作为用户运动心率特征信息；进而将用户运动心率特征信息输入到梯度提升树算法进行训练，也就可以基于特征信息的维度，通过心率测量数据集得到的用户运动心率特征信息对基于目标心率预测数据集得到的用户运动心率特征信息进行纠偏和训练，从而使得训练后的目标运动心率预测模型可以得到更加准确的心率预测结果，也就使得基于目标运动心率预测模型也就可以更加准确的进行心率预测；进一步地，通过将用户运动量特征信息、用户心率漂移斜率特征信息与用户心率建立关联关系，将用户的运动量和心率漂移斜率通过用户心率进行表征，从而可以便捷
的得到更多、更丰富的用户运动特征信息，进而基于更多、更丰富的用户运动特征信息对梯度提升树算法进行训练，也就使得训练后得到的目标运动心率预测模型可以更加准确的进行心率预测，也就可以得到更加准确的心率预测结果。
[0100]
在一实施例中，本发明实施例中也公开了一种基于功率车的运动心率预测方法，包括：
[0101]
获取第一时间段内的功率车的功率；
[0102]
根据第一时间段内的功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到心率预测数据集；运动心率第一预测模型用于基于功率车的功率预测用户的心率；
[0103]
将心率预测数据集，输入至目标运动心率预测模型，得到在第一时间段内用户的心率信息，其中，目标运动心率预测模型为基于如前所述的基于功率车的运动心率预测模型训练方法训练得到的。
[0104]
具体地，在根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型后，就可以获取第一时间段内的功率车的功率；可选地，第一时间段内的功率车的功率可以为任一时间段内的功率车的功率，进而将第一时间段内的功率车的功率输入至运动心率第一预测模型，就可以基于功率车功率和用户心率的线性关系，得到预测的用户的心率预测数据集，进而根据已确定的用户的心率响应拟合曲线和心率漂移曲线对心率预测数据集的用户心率的心率响应误差和心率偏移误差进行修正后输入至目标运动心率预测模型，目标心率预测模型根据修正后的心率预测数据集所对应的特征信息，也就可以准确的预测出用户的心率，实现了用户心率准确、高效的预测。
[0105]
示例性的，基于功率车的运动心率预测模型训练方法具体流程如下：
[0106]
(1)以运动载体为功率健身车，功率健身车采用恒功率模式，保证用户骑行过程中稳定的功率输出，同步输出为宽度5秒的平均功率数据；用户佩戴心率计，心率计提供实时心率数据；
[0107]
(2)运动前，采集用户年龄，计算用户最大心率hr
max
＝207-0.7
×
age；
[0108]
(3)运动开始先引导用户静息5分钟采集静息心率hr
rest
；
[0109]
(4)运动过程中，第一阶段以25w进行热身5分钟，心率稳定后记录30秒平均心率为hr
warmup
，第二阶段以w1的功率进行运动5分钟，心率稳定后记录30秒平均心率hr
w1
，第三阶段以w2的功率进行运动5分钟，心率稳定后记录30秒平均心率hr
w2
，第四阶段以w3的功率运动15分钟；运动过程记录心率-时间数据集hr{ti,hri}；
[0110]
(5)根据步骤4，其中w1＝25w
×
(120bmp-hr
rest
)
÷
(hr
warmup-hr
rest
)，w2＝25w
×
(135bmp-hr
rest
)
÷
(hr
warmup-hr
rest
)，w3＝(w
2-w1)
×
(hr
max-hr
rest
)
÷
(hr
w2-hr
w1
)
×
55％+w1；
[0111]
(6)根据步骤4，根据该用户运动功率计算目标心率方法为，
[0112]
hr
target
＝(hr
w2-hr
w1
)
×
(w
target-w1)
÷
(w
2-w1)+hr
w1
；根据4所述各阶段预设功率及时间，根据建立的功率-时间数据集计算出目标心率-时间数据集hr
target
{ti,hrti}；
[0113]
根据4所述，取心率稳定区间心率标准差最大值作为运动功率变化后心率跟随变化的边界阈值，滑动心率标准差，判断功率变化后的心率响应区间；
[0114]
(7)根据步骤4和5，对心率-时间数据集hr{ti,hri}的心率响应区间心率数据采用一阶最小二乘法拟合心率响应区间，目标心率-时间数据集hr
target
{ti,hrti}在心率响应区
间部分根据拟合数据替换为线性插值；
[0115]
(8)根据步骤4和7，用hr{ti,hri}和hr
target
{ti,hrti}数据集转换为
[0116]
(9)根据8所述，对(9)根据8所述，对进行一阶最小二乘法拟合z＝min∑(y
i-ax
i-b)2，求极值得到斜率a值；
[0117]
(10)根据步骤4和5，根据储备心率百分比公式％hrr
target
＝(hr
target-hr
rest
)
÷
(hr
max-hr
rest
)，对hr
target
{ti,hrti}转化为储备心率百分比
[0118]
(11)将数据集根据进行线性插值；
[0119]
(12)选定特征率漂移斜率a值、储备心率百分比％hrri、运动量作为特征信息，进而将特征信息对应的特征值输入至梯度提升树算法，就可以得到训练后的目标运动心率预测模型，进而基于训练后的目标运动心率预测模型也就可以准确地进行用户心率的预测。
[0120]
(13)在确定用户运动心率特征信息后，也就是选定特征值后，将其带入cart回归树模型，根据最小二乘回归树生成算法，生成回归树；对特征依次计算标准差，选择最优切分变量j与切分点s，遍历j，对固定切分变量j扫描切分点s，选择分变量j与切分点s，遍历j，对固定切分变量j扫描切分点s，选择最小值的(j,s)；用选定对(j,s)划分区域并决定输出值：
[0121]
r1(j,s)＝{x|x
(1)
≤s}，r2(j,s)＝{x|x
(j)
》s}
[0122][0123]
对子区域中依次调用，完成后将输入空间划分为m个区域r1、r2、r3、......、rm，生成决策树；
[0124][0125]
(14)目标损失函数如下：
[0126][0127]
其中，gj为叶结点j包含样本一阶偏导数之和，hj为叶结点j包含样本二阶偏导数之和，t为叶节点数，wj为节点权重值，λ、γ为调节参数。
[0128]
叶结点j的目标函数是：
[0129][0130]
则每个叶结点权重wj及此时达到最后的obj目标值：
[0131][0132]
也就是通过将特征信息对应的特征值输入至梯度提升树算法，就可以得到训练后的目标运动心率预测模型，进而基于训练后的目标运动心率预测模型也就可以准确地进行用户心率的预测。
[0133]
下面对本发明提供的基于功率车的运动心率预测装置进行描述，下文描述的基于功率车的运动心率预测装置与上文描述的基于功率车的运动心率预测方法可相互对应参照。
[0134]
图2是本发明提供的基于功率车的运动心率预测装置的结构示意图。本实施例提供的基于功率车的运动心率预测装置，包括：
[0135]
第一处理模块710，用于根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；运动心率第一预测模型用于基于功率车的功率预测用户的心率；
[0136]
第二处理模块720，用于根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；心率响应拟合曲线和心率漂移拟合曲线用于表示第一心率预测数据集与目标心率预测数据集的映射关系；
[0137]
确定模块730，用于根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；心率测量数据集是对目标时段内各个时刻的用户心率进行测量得到的；
[0138]
训练模块740，用于根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；目标运动心率预测模型用于预测用户的运动心率。
[0139]
本发明实施例的装置，其用于执行前述任一方法实施例中的方法，其实现原理和技术效果类似，此次不再赘述。
[0140]
图3示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于功率车的运动心率预测模型训练方法，该方法包括：根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；运动心率第一预测模型用于基于功率车的功率预测用户的心率；根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；心率响应拟合曲线和心率漂移拟合曲线用于表示第一心率预测数据集与目标心率预测数据集的映射关系；根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；心率测量数据集是对目标时段内各个时刻的用户心率进行测量得到的；根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；目标运动心率预测模型用于预测用户的运动心率。
[0141]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0142]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于功率车的运动心率预测模型训练方法，该方法包括：根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；运动心率第一预测模型用于基于功率车的功率预测用户的心率；根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；心率响应拟合曲线和心率漂移拟合曲线用于表示第一心率预测数据集与目标心率预测数据集的映射关系；根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；心率测量数据集是对目标时段内各个时刻的用户心率进行测量得到的；根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；目标运动心率预测模型用于预测用户的运动心率。
[0143]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于功率车的运动心率预测模型训练方法，该方法包括：根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；运动心率第一预测模型用于基于功率车的功率预测用户的心率；根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；心率响应拟合曲线和心率漂移拟合曲线用于表示第一心率预测数据集与目标心率预测数据集的映射关系；根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；心率测量数据集是对目标时段内各个时刻的用户心率进行测量得到的；根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；目标运动心率预测模型用于预测用户的运动心率。
[0144]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0145]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0146]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于功率车的运动心率预测模型训练方法，其特征在于，包括：根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；所述运动心率第一预测模型用于基于功率车的功率预测用户的心率；根据心率响应拟合曲线和心率漂移拟合曲线，对所述第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；所述心率响应拟合曲线和所述心率漂移拟合曲线用于表示所述第一心率预测数据集与所述目标心率预测数据集的映射关系；根据所述目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；所述心率测量数据集是对所述目标时段内各个时刻的用户心率进行测量得到的；根据所述用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；所述目标运动心率预测模型用于预测用户的运动心率。2.根据权利要求1所述的基于功率车的运动心率预测模型训练方法，其特征在于，所述运动心率第一预测模型基于如下方式确定：确定功率车在第一功率下的用户稳定心率和功率车在第二功率下的用户稳定心率；对所述第一功率下的用户稳定心率、第二功率下的用户稳定心率进行线性估计，得到所述运动心率第一预测模型。3.根据权利要求2所述的基于功率车的运动心率预测模型训练方法，其特征在于，所述心率响应拟合曲线基于如下方式确定：根据心率测量数据集中各个时刻用户心率数据和所述目标时间段内功率车的功率，确定目标时间段内功率车的功率变化后的用户心率响应区间；所述心率响应区间表示所述功率车的功率发生变化的情况下，用户的心率标准差大于阈值的时间段区间；对用户心率响应区间所对应的心率测量数据集中的用户心率数据进行拟合，得到所述心率响应拟合曲线。4.根据权利要求3所述的基于功率车的运动心率预测模型训练方法，其特征在于，所述心率漂移拟合曲线基于如下方式确定：在所述心率响应区间内，根据所述心率响应拟合曲线对所述第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；对所述第二心率预测数据集和所述心率测量数据集进行拟合，得到心率漂移拟合曲线。5.根据权利要求4所述的基于功率车的运动心率预测模型训练方法，其特征在于，所述根据心率响应拟合曲线和心率漂移拟合曲线，对所述第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集，包括：在所述心率响应区间内，根据心率响应拟合曲线对所述第一心率预测数据集中的用户心率数据进行更新，得到第二心率预测数据集；根据所述心率漂移拟合曲线对所述第二心率预测数据集中的用户心率数据进行更新，得到所述目标心率预测数据集。6.根据权利要求5所述的基于功率车的运动心率预测模型训练方法，其特征在于，所述根据所述目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息，包括以下至少一项：
根据所述目标心率预测数据集和静息心率，得到目标心率预测数据集对应的储备心率百分比；根据所述心率测量数据集和静息心率，得到心率测量数据集对应的储备心率百分比；根据所述心率测量数据集和所述目标时间段对应的运动时间，确定用户运动量；将所述目标心率预测数据集对应的储备心率百分比、心率测量数据集对应的储备心率百分比、用户运动量和心率漂移拟合曲线对应的心率漂移斜率，作为所述用户运动心率特征信息。7.一种基于功率车的运动心率预测方法，其特征在于，包括：获取第一时间段内的功率车的功率；根据所述第一时间段内的功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到心率预测数据集；所述运动心率第一预测模型用于基于功率车的功率预测用户的心率；将所述心率预测数据集，输入至目标运动心率预测模型，得到在所述第一时间段内用户的心率信息，其中，所述目标运动心率预测模型为基于如权利要求1-6任一项所述的基于功率车的运动心率预测模型训练方法训练得到的。8.一种基于功率车的运动心率预测模型训练装置，其特征在于，包括：第一处理模块，用于根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；所述运动心率第一预测模型用于基于功率车的功率预测用户的心率；第二处理模块，用于根据心率响应拟合曲线和心率漂移拟合曲线，对所述第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；所述心率响应拟合曲线和所述心率漂移拟合曲线用于表示所述第一心率预测数据集与所述目标心率预测数据集的映射关系；确定模块，用于根据所述目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；所述心率测量数据集是对所述目标时段内各个时刻的用户心率进行测量得到的；训练模块，用于根据所述用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型；所述目标运动心率预测模型用于预测用户的运动心率。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于功率车的运动心率预测模型训练方法或如权利要求7所述的基于功率车的运动心率预测方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于功率车的运动心率预测模型训练方法或如权利要求7所述的基于功率车的运动心率预测方法。

技术总结
本发明实施例提供一种基于功率车的运动心率预测模型训练方法、心率预测方法，该方法包括：根据目标时间段内功率车的功率和运动心率第一预测模型，预测在各个功率下的用户心率，得到第一心率预测数据集；根据心率响应拟合曲线和心率漂移拟合曲线，对第一心率预测数据集中的用户心率进行更新，得到目标心率预测数据集；根据目标心率预测数据集和心率测量数据集，确定用户运动心率特征信息；根据用户运动心率特征信息和梯度提升树算法，得到训练后的目标运动心率预测模型。本发明实施例的方法实现了用户心率的准确预测。实现了用户心率的准确预测。实现了用户心率的准确预测。


技术研发人员：张卫中 薄仕 武晓晋 王泽潞 白勃
受保护的技术使用者：山西美好蕴育生物科技有限责任公司
技术研发日：2023.03.01
技术公布日：2023/7/13