基于振动检测的数字孪生智能健康预测方法及装置.pdf

《基于振动检测的数字孪生智能健康预测方法及装置.pdf》由会员分享，可在线阅读，更多相关《基于振动检测的数字孪生智能健康预测方法及装置.pdf（20页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910819837.1 (22)申请日 2019.08.31 (71)申请人 深圳市广宁股份有限公司 地址 518000 广东省深圳市南山区粤海街 道软件园二期九栋七楼 申请人 深圳市豪视智能科技有限公司 (72)发明人 高风波 (74)专利代理机构 广州三环专利商标代理有限 公司 44202 代理人 郝传鑫熊永强 (51)Int.Cl. G16H 50/30(2018.01) G06K 9/00(2006.01) H04L 29/08(2006.01) (54)发明名称 。

2、基于振动检测的数字孪生智能健康预测方 法及装置 (57)摘要 本申请提供了一种基于振动检测的数字孪 生智能健康预测方法及装置。 一种基于振动检测 的数字孪生智能健康预测方法包括： 当接收到健 康预测指令时， 采集用户的运动视频； 基于用户 的运动视频识别出用户当前动作对应的受力部 位； 判断受力部位是否位于移动终端的拍摄范围 内； 若受力部位位于移动终端的拍摄范围内， 则 根据运动视频获取受力部位的振动视频； 根据受 力部位的振动视频确定受力部位的第一振动信 息； 根据第一振动信息从数字孪生智能健康预测 模型中获取受力部位的第一受力状况； 根据第一 受力状况， 确定用户当前动作的第一危险度评 。

3、分。 本申请实施例的技术方案， 实现了实时监测 用户在健身时当前动作的危险度。 权利要求书3页 说明书12页 附图4页 CN 110600132 A 2019.12.20 CN 110600132 A 1.一种基于振动检测的数字孪生智能健康预测方法， 其特征在于， 所述方法应用于移 动终端， 所述移动终端包括摄像头， 所述方法包括： 当接收到健康预测指令时， 采集用户的运动视频； 基于所述用户的运动视频识别出所述用户当前动作对应的受力部位； 判断所述受力部位是否位于所述移动终端的拍摄范围内； 若所述受力部位位于所述移动终端的拍摄范围内， 则根据所述运动视频获取所述受力 部位的振动视频； 根据所。

4、述受力部位的振动视频确定所述受力部位的第一振动信息； 根据所述第一振动信息从数字孪生智能健康预测模型中获取所述受力部位的第一受 力状况， 所述数字孪生智能健康预测模型存储了所述用户的不同身体部位在不同受力状况 下的模拟振动信息； 根据所述第一受力状况， 确定所述用户当前动作的第一危险度评分。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述受力部位的振动视频确定所 述受力部位的第一振动信息包括： 对所述受力部位的振动视频的图像帧进行校准， 以得到稳定的多个运动特征点； 对所述多个运动特征点进行跟踪， 以得到所述多个运动特征点的轨迹向量； 采用聚类算法对所述多个运动特征点的轨迹向量进行。

5、聚类， 以得到K类运动层； 从所述K类运动层中获得需要进行放大的目标运动层； 对所述目标运动层中运动特征点的偏移距离乘以一个放大倍数放大， 以得到放大的运 动层； 对所述放大的运动层进行渲染， 以得到所述第一振动放大视频； 获取所述第一振动放大视频对应的图像帧， 采用相位相关算法对所述图像帧进行计 算， 以得到图像帧间的第一交叉互功率谱； 对所述第一交叉互功率谱进行反傅立叶变换， 以得到所述第一振动信息。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述受力部位的振动视频的图像帧 进行校准， 以得到稳定的多个运动特征点， 包括： 选择所述受力部位的振动视频中的至少一帧图像； 根据所述至。

6、少一帧图像确定所述受力部位的振动视频中在视频采集过程中处于相对 静止状态的参考特征点； 将所述至少一帧图像包括的每一帧图像按照N个不同圆心进行圆形图像截取， 以得到N 个基础圆形分区， N为大于3的整数； 从所述N个基础圆形分区中选出目标圆形分区， 所述目标圆形分区包含相对运动特征 点， 所述相对运动特征点为针对所述参考特征点进行相对运动的运动特征点； 将所述目标圆形分区按照预设窗口进行截取， 以得到多个截取分区， 所述预设窗口的 大小和形状根据所述受力部位的肌肉形态确定； 依次从所述多个截取分区中获取运动距离处于预设范围的相对运动特征点， 并累计已 获取相对运动特征点的数值， 所述预设范围为。

7、所述受力部位在正常受力状态下的振动幅度 范围； 当累计的数值不小于预设数值时， 确定已获取的相对运动特征点为所述稳定的多个运 权利要求书 1/3 页 2 CN 110600132 A 2 动特征点。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述方法还包括： 若所述受力部位不位于所述移动终端的拍摄范围内， 则确定与所述受力部位关联且位 于所述移动终端的拍摄范围内的关联部位； 根据所述运动视频获取所述关联部位的振动视频； 根据所述关联部位的振动视频确定所述关联部位的振动信息； 根据所述关联部位的振动信息得到所述受力部位的第二振动信息； 根据所述第二振动信息从数字孪生智能健康预测模型。

8、中获取所述受力部位的第二受 力状况； 根据所述第二受力状况， 确定所述用户当前动作的第二危险度评分。 5.根据权利要求4所述的方法， 其特征在于， 所述确定与所述受力部位关联且位于所述 移动终端的拍摄范围内的关联部位包括： 确定与所述受力部位关联的至少一个关联部位； 判断所述至少一个关联部位中是否存在位于所述移动终端的拍摄范围内的第一关联 部位； 若存在， 则确定所述第一关联部位为与所述受力部位关联且位于所述移动终端的拍摄 范围内的关联部位； 若不存在， 则开启广角摄像模式以使得所述至少一个关联部位中存在位于所述移动终 端的拍摄范围内的第二关联部位； 确定所述第二关联部位为与所述受力部位关联且。

9、位于所述移动终端的拍摄范围内的 关联部位。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述第一振动信息从数字孪生智 能健康预测模型中获取所述受力部位的第一受力状况之前， 所述方法还包括： 获取所述用户的人体参数， 所述人体参数包括年龄、 性别、 身高、 体重、 体脂率、 心率、 血 压的任意一种组合； 根据所述人体参数构建与所述用户的M个身体部位对应的M个部位力学模型， 其中， M为 正整数， 所述M个身体部位与所述M个部位力学模型一一对应； 分别对所述M个部位力学模型中的M个指定位置施加径向力， 其中， 所述M个部位力学模 型与所述M个指定位置一一对应， 所述径向力为模拟所述M个。

10、身体部位的受力； 确定所述M个部位力学模型的M个移动距离， 其中， 所述M个部位力学模型与所述M个移 动距离一一对应； 将所述M个移动距离输入预设动力学算法进行计算， 以得到所述M个部位力学模型的M 条模拟振动信息。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述第一受力状况， 确定所述用 户当前动作的第一危险度评分之后， 所述方法还包括： 当所述第一危险度评分为肌肉拉伤可能性评分时， 判断所述肌肉拉伤可能性评分是否 超出预设可能性评分； 若所述肌肉拉伤可能性评分超出所述预设可能性评分， 则发出第一预警消息， 所述第 一预警消息用于提示所述用户调整运动姿势或者停止运动以避免所述受力。

11、部位拉伤； 权利要求书 2/3 页 3 CN 110600132 A 3 当所述第一危险度评分为身体机能评分时， 判断所述身体机能评分是否低于预设评 分； 若所述身体机能评分低于所述预设评分， 则发出第二预警消息， 所述第二预警消息用 于提示所述用户减缓运动频率或者停止运动以避免所述用户的身体损伤。 8.一种基于振动检测的数字孪生智能健康预测装置， 其特征在于， 所述装置包括： 采集单元， 用于当接收到健康预测指令时， 采集用户的运动视频； 识别单元， 用于基于所述用户的运动视频识别出所述用户当前动作对应的受力部位； 判断单元， 用于判断所述受力部位是否位于所述移动终端的拍摄范围内； 第一获取。

12、单元， 用于若所述受力部位位于所述移动终端的拍摄范围内， 则根据所述运 动视频获取所述受力部位的振动视频； 第一确定单元， 用于根据所述受力部位的振动视频确定所述受力部位的第一振动信 息； 第二获取单元， 根据所述第一振动信息从数字孪生智能健康预测模型中获取所述受力 部位的第一受力状况， 所述数字孪生智能健康预测模型存储了所述用户的不同身体部位在 不同受力状况下的模拟振动信息； 第二确定单元， 用于根据所述第一受力状况， 确定所述用户当前动作的第一危险度评 分。 9.一种移动终端， 其特征在于， 所述移动终端包括处理器、 存储器、 通信接口， 以及一个 或多个程序， 所述一个或多个程序被存储在。

13、所述存储器中， 并且被配置由所述处理器执行， 所述程序包括用于执行如权利要求1至7任一项所述的方法中的步骤的指令。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储用于电子数 据交换的计算机程序， 其中， 所述计算机程序使得计算机执行如权利要求1至7任一项所述 的方法。 权利要求书 3/3 页 4 CN 110600132 A 4 基于振动检测的数字孪生智能健康预测方法及装置 技术领域 0001 本申请涉及互联网技术领域， 尤其涉及一种基于振动检测的数字孪生智能健康预 测方法及装置。 背景技术 0002 随着互联网的不断发展，“互联网+” 是创新2.0下的互联网发展的新。

14、业态， 通俗的 说，“互联网+” 就是 “互联网+各个传统行业” ， 但这并不是简单的两者相加， 而是利用信息通 信技术以及互联网平台， 让互联网与传统行业进行深度融合， 创造新的发展生态。 它代表一 种新的社会形态， 即充分发挥互联网在社会资源配置中的优化和集成作用， 将互联网的创 新成果深度融合于经济、 社会各域之中， 提升全社会的创新力和生产力， 形成更广泛的以互 联网为基础设施和实现工具的经济发展新形态。 0003 传统的健康监测机制一般是采用本地化检测设备， 如用户在运动过程中佩带手 环， 手环可以采集运动过程中用户的身体数据， 通过手环进行本地化的振动检测， 以及健康 预测等， 但。

15、是这样需要购买具有振动检测功能的手环， 而且由于手环只能佩戴在手上， 无法 对身体其他部位进行检测， 检测区域小， 难以满足日益增多的用户在各种运动场景中的智 能化的健康预测需求。 发明内容 0004 本申请实施例提供基于振动检测的数字孪生智能健康预测方法及装置， 对用户的 健身动作进行振动检测， 通过数字孪生智能健康预测模型得到用户当前动作的危险度评 分， 从而实现实时监测用户在健身时当前动作的危险度。 0005 具体的， 本申请实施例所公开的振动检测方法中的数据传输流程可以基于互联网 +技术， 形成本地+云端或服务器的分布式智能化振动检测系统， 一方面本地可以通过采集 装置进行精确的原始影。

16、像采集和预处理， 另一方面云端或服务器可以基于获取到的分布式 数据， 结合通过大数据技术统计分析得到的各类专用健康预测模型， 预测被检测目标的健 康状况， 实现互联网与传统健康监测行业的深度融合， 提高健康监测的智能性和准确度， 满 足日益增多的各类运动场景中的智能化的健康预测需求。 0006 本申请第一方面提供一种基于振动检测的数字孪生智能健康预测方法， 所述方法 应用于移动终端， 所述移动终端包括摄像头， 所述方法包括： 0007 当接收到健康预测指令时， 采集用户的运动视频； 0008 基于所述用户的运动视频识别出所述用户当前动作对应的受力部位； 0009 判断所述受力部位是否位于所述移。

17、动终端的拍摄范围内； 0010 若所述受力部位位于所述移动终端的拍摄范围内， 则根据所述运动视频获取所述 受力部位的振动视频； 0011 根据所述受力部位的振动视频确定所述受力部位的第一振动信息； 0012 根据所述第一振动信息从数字孪生智能健康预测模型中获取所述受力部位的第 说明书 1/12 页 5 CN 110600132 A 5 一受力状况， 所述数字孪生智能健康预测模型存储了所述用户的不同身体部位在不同受力 状况下的模拟振动信息； 0013 根据所述第一受力状况， 确定所述用户当前动作的第一危险度评分。 0014 本申请第二方面提供了一种基于振动检测的数字孪生智能健康预测装置， 所述装。

18、 置包括： 0015 采集单元， 用于当接收到健康预测指令时， 采集用户的运动视频； 0016 识别单元， 用于基于所述用户的运动视频识别出所述用户当前动作对应的受力部 位； 0017 判断单元， 用于判断所述受力部位是否位于所述移动终端的拍摄范围内； 0018 第一获取单元， 用于若所述受力部位位于所述移动终端的拍摄范围内， 则根据所 述运动视频获取所述受力部位的振动视频； 0019 第一确定单元， 用于根据所述受力部位的振动视频确定所述受力部位的第一振动 信息； 0020 第二获取单元， 根据所述第一振动信息从数字孪生智能健康预测模型中获取所述 受力部位的第一受力状况， 所述数字孪生智能健。

19、康预测模型存储了所述用户的不同身体部 位在不同受力状况下的模拟振动信息； 0021 第二确定单元， 用于根据所述第一受力状况， 确定所述用户当前动作的第一危险 度评分。 0022 本申请第三方面提供了一种移动终端， 所述移动终端包括处理器、 存储器、 通信接 口， 以及一个或多个程序， 所述一个或多个程序被存储在所述存储器中， 并且被配置由所述 处理器执行， 所述程序包括用于执行上述任一方法中的步骤的指令。 0023 本申请第四方面提供了一种计算机可读存储介质， 所述计算机可读存储介质存储 用于电子数据交换的计算机程序， 其中， 所述计算机程序使得计算机执行上述任一方法中 所描述的部分或全部步。

20、骤。 0024 可以看到， 通过本申请提供的基于振动检测的数字孪生智能健康预测方法及装 置， 当接收到健康预测指令时， 采集用户的运动视频， 基于用户的运动视频识别出用户当前 动作对应的受力部位， 根据运动视频获取受力部位的振动视频， 根据受力部位的振动视频 确定受力部位的第一振动信息， 根据第一振动信息从数字孪生智能健康预测模型中获取受 力部位的第一受力状况， 根据第一受力状况， 确定用户当前动作的第一危险度评分。 这样， 用户在健身时， 可以通过移动终端实时获取用户的运动视频， 移动终端对用户的运动视频 进行处理得到用户当前动作的危险度评分， 实现了实时监测用户在健身时当前动作的危险 度，。

21、 并且， 通过移动终端对用户进行检测时， 检测区域大， 可以满足用户在各种运动场景中 的健康预测需求。 附图说明 0025 为了更清楚地说明本申请实施例中的技术方案， 下面将对实施例中所需使用的附 图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本申请的一些实施例， 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。 0026 图1a为本申请实施例提供的一种基于振动检测的数字孪生智能健康预测系统的 说明书 2/12 页 6 CN 110600132 A 6 示意图； 0027 图1b为本申请实施例提供的一种基于振动检测的数字孪生智能健康预测方。

22、法的 流程图； 0028 图2为本申请实施例提供的一种基于振动检测的数字孪生智能健康预测装置的示 意图； 0029 图3为本申请实施例提供的一种部位力学模型的示意图； 0030 图4为本申请实施例提供的一种移动终端的结构示意图； 0031 图5为本申请实施例提供的一种用户肘部运动的示意图。 具体实施方式 0032 本申请实施例提供基于振动检测的数字孪生智能健康预测方法及装置， 对用户的 健身动作进行振动检测， 通过数字孪生智能健康预测模型得到用户当前动作的危险度评 分， 从而实现实时监测用户在健身时当前动作的危险度。 0033 为了使本技术领域的人员更好地理解本申请方案， 下面将结合本申请实施。

23、例中的 附图， 对本申请实施例中的技术方案进行清楚、 完整地描述， 显然， 所描述的实施例仅仅是 本申请一部分的实施例， 而不是全部的实施例。 基于本申请中的实施例， 本领域普通技术人 员在没有做出创造性劳动前提下所获得的所有其他实施例， 都应当属于本申请保护的范 围。 0034 本申请的说明书和权利要求书及上述附图中的术语 “第一” 、“第二” 、“第三” 、“第 四” 等是用于区别不同对象， 而不是用于描述特定顺序。 此外， 术语 “包括” 和 “具有” 以及它 们任何变形， 意图在于覆盖不排他的包含。 例如包含了一系列步骤或单元的过程、 方法、 系 统、 产品或设备没有限定于已列出的步骤。

24、或单元， 而是可选地还包括没有列出的步骤或单 元， 或可选地还包括对于这些过程、 方法、 产品或设备固有的其它步骤或单元。 0035 下面对本申请实施例进行详细说明。 0036 本申请实施例提供的基于振动检测的数字孪生智能健康预测方法及装置， 用户在 健身时， 通过移动终端采集用户健身过程中的受力部位的振动视频， 对受力部位的振动视 频进行处理， 得到振动信息， 通过数字孪生智能健康预测模型得到用户当前动作的危险度 评分。 这样， 用户在健身时， 可以通过移动终端实时获取用户的运动视频， 移动终端对用户 的运动视频进行处理得到用户当前动作的危险度评分， 实现了实时监测用户在健身时当前 动作的危。

25、险度， 并且， 通过移动终端对用户进行检测时， 检测区域大， 可以满足用户在各种 运动场景中的健康预测需求。 0037 首先参见图1a， 图1a为本申请一个实施例提供的一种基于振动检测的数字孪生智 能健康预测系统的示意图， 该健康预测系统包括移动终端和用户， 移动终端可以是手机、 平 板电脑、 笔记本电脑、 移动互联网设备、 或其他类型带有摄像头的终端设备， 用户可以进行 各种健身动作， 移动终端包括摄像头， 移动终端可以通过摄像头拍摄用户的实时动作。 其 中， 如图1a所示的健康预测系统100中， 移动终端101为手机， 手机包括后置摄像头， 后置摄 像头有一定的拍摄范围， 用户102的健身。

26、动作为俯卧撑， 其中： 0038 移动终端101用于， 当接收到健康预测指令时， 采集用户102的运动视频； 基于所述 用户102的运动视频识别出所述用户102当前动作对应的受力部位； 判断所述受力部位是否 说明书 3/12 页 7 CN 110600132 A 7 位于所述移动终端101的拍摄范围内； 若所述受力部位位于所述移动终端101的拍摄范围 内， 则根据所述运动视频获取所述受力部位的振动视频； 根据所述受力部位的振动视频确 定所述受力部位的第一振动信息； 根据所述第一振动信息从数字孪生智能健康预测模型中 获取所述受力部位的第一受力状况， 所述数字孪生智能健康预测模型存储了所述用户10。

27、2 的不同身体部位在不同受力状况下的模拟振动信息； 根据所述第一受力状况， 确定所述用 户102当前动作的第一危险度评分。 0039 具体的， 如图1a所示， 移动终端101接收到健康预测指令时， 通过摄像头采集用户 102的运动视频， 即采集用户102进行俯卧撑的运动视频， 移动终端101基于用户102进行俯 卧撑的视频识别出用户102当前动作为俯卧撑， 进而判断出用户102当前动作对应的受力部 位为肘部关节， 移动终端101判断肘部关节位于拍摄范围内， 进而获取肘部关节的振动视 频， 由于用户102进行俯卧撑时涉及到双臂的肘部关节， 因此移动终端101分别获取双臂的 肘部关节的振动视频， 。

28、然后判断用户102当前俯卧撑动作的危险度评分， 如果用户102做俯 卧撑的频率过高， 那么肘部关节的振动频率也会过高， 因此得到的危险度评分较高， 移动终 端101可以及时向用户102发出告警或者提示， 提示用户102降低频率， 或者暂时停止运动。 这样， 用户在健身时， 可以通过移动终端实时获取用户的运动视频， 移动终端对用户的运动 视频进行处理得到用户当前动作的危险度评分， 实现了实时监测用户在健身时当前动作的 危险度， 并且， 通过移动终端对用户进行检测时， 检测区域大， 可以满足用户在各种运动场 景中的健康预测需求。 0040 参见图1b， 图1b为本申请一个实施例提供的一种基于振动检。

29、测的数字孪生智能健 康预测方法的流程图， 本申请实施例提供的基于振动检测的数字孪生智能健康预测方法应 用于移动终端， 移动终端包括摄像头。 其中， 如图1b所示， 本申请的一个实施例提供的一种 基于振动检测的数字孪生智能健康预测方法可以包括： 0041 101、 当接收到健康预测指令时， 采集用户的运动视频。 0042 具体的， 用户在健身时， 可以开启移动终端的健康预测功能， 移动终端接收到健康 预测指令时， 开启摄像头， 采集用户的运动视频。 0043 其中， 移动终端可以是手机、 平板电脑、 笔记本电脑、 移动互联网设备、 或其他类型 带有摄像头的终端设备。 0044 102、 基于所述。

30、用户的运动视频识别出所述用户当前动作对应的受力部位。 0045 用户在运动过程中， 通过移动终端对用户进行实时影像采集， 基于采集得到的用 户的运动视频， 识别出用户的当前动作， 从而确定用户当前动作对应的受力部位。 0046 具体地， 当移动终端为手机时， 手机界面显示健身拉伤预防功能入口， 用户点击进 入健身拉伤预防功能后， 手机开启摄像头对用户进行实时健身影像采集， 用户在健身过程 中， 手机会基于用户的当前动作， 识别出该动作对应的受力部位。 例如， 用户的当前动作为 俯卧撑时， 受力部位为手臂， 用户的当前动作为仰卧起坐时， 受力部位为腹部。 0047 103、 判断所述受力部位是否。

31、位于所述移动终端的拍摄范围内。 0048 具体的， 由于移动终端摆放的位置不同， 或者移动终端拍摄用户的角度不同， 存在 移动终端没有拍摄到用户的受力部位的情况， 所以需要判断受力部位是否位于移动终端的 拍摄范围内。 0049 在一种可能的示例中， 判断受力部位是否位于移动终端的拍摄范围内的方法可以 说明书 4/12 页 8 CN 110600132 A 8 是： 0050 将受力部位的特征点与运动视频的图像帧中用户各个身体部位的特征点进行对 比， 如果对比成功， 则说明受力部位位于移动终端的拍摄范围内， 如果对比失败， 则说明受 力部位不位于移动终端的拍摄范围内。 0051 104、 若所述。

32、受力部位位于所述移动终端的拍摄范围内， 则根据所述运动视频获取 所述受力部位的振动视频。 0052 具体的， 若受力部位位于移动终端的拍摄范围内， 则在运动视频中确定该受力部 位的位置， 然后从运动视频中选取该受力部位的振动视频。 0053 105、 根据所述受力部位的振动视频确定所述受力部位的第一振动信息。 0054 具体的， 采用拉格朗日运动放大方法对所述受力部位的振动视频进行处理， 以得 到振动放大视频， 对该振动放大视频进行处理， 得到受力部位的第一振动信息。 0055 106、 根据所述第一振动信息从数字孪生智能健康预测模型中获取所述受力部位 的第一受力状况， 所述数字孪生智能健康预。

33、测模型存储了所述用户的不同身体部位在不同 受力状况下的模拟振动信息。 0056 其中， 数字孪生技术作为实现制造的物理世界和信息世界之间的交互融合的核心 技术， 是除了人工智能、 机器学习、 AR/VR、 区块链之外的另外一个技术风向。 数字孪生技术 通过数字化的形式对某一物理实体过去和目前的行为或流程进行动态呈现。 作为一种充分 利用数据、 智能并集成多学科的技术， 数字孪生技术在实践智能制造理念和目标中提供更 加实时、 高效、 智能的服务。 0057 具体的， 数字孪生智能健康预测模型与移动终端同步运行,通过数字孪生智能健 康预测模型模拟人体的运动情况， 能及时的预测人体健身过程中运动部位。

34、是否容易拉伤 等， 通过本申请提供的基于振动检测的数字孪生智能健康预测方法， 将空间图形处理与数 字孪生技术结合， 实现了计算机视觉技术与人工智能的结合， 具体通过振动检测来判断人 体运动情况。 其中， 数字孪生智能健康预测模型需要预先构建， 由于对于不同用户而言， 用 户的身高、 体重、 性别、 年龄、 身体状况、 所处环境等可能不同， 所以在预先构建数字孪生智 能健康预测模型时， 首先需要通过移动终端获取用户的人体参数， 输入用户的人体参数生 成数字孪生智能健康预测模型， 构建完成后， 数字孪生智能健康预测模型模拟用户的不同 身体部位在不同受力状况下的振动信息， 并且将模拟出来的振动信息存。

35、储在数字孪生智能 健康预测模型中。 0058 107、 根据所述第一受力状况， 确定所述用户当前动作的第一危险度评分。 0059 具体的， 用户的不同受力部位有不同的受力范围和受力频率， 如果受力过大或者 受力频率过高， 很有可能造成用户的受力部位拉伤或者用户的身体损伤， 所以根据第一受 力状况， 可以确定用户当前动作的危险度评分。 0060 例如， 用户在做俯卧撑时， 如果手臂运动的频率过高， 容易造成手臂肌肉拉伤； 再 例如， 用户在做动态臀桥时， 如果臀部提起高度过高， 容易造成腰部肌肉损伤。 0061 可见， 通过本申请实施例提供的基于振动检测的数字孪生智能健康预测方法， 当 接收到健。

36、康预测指令时， 采集用户的运动视频， 基于用户的运动视频识别出用户当前动作 对应的受力部位， 根据运动视频获取受力部位的振动视频， 根据受力部位的振动视频确定 受力部位的第一振动信息， 根据第一振动信息从数字孪生智能健康预测模型中获取受力部 说明书 5/12 页 9 CN 110600132 A 9 位的第一受力状况， 根据第一受力状况， 确定用户当前动作的第一危险度评分。 这样， 用户 在健身时， 可以通过移动终端实时获取用户的运动视频， 移动终端对用户的运动视频进行 处理得到用户当前动作的危险度评分， 实现了实时监测用户在健身时当前动作的危险度， 并且， 通过移动终端对用户进行检测时， 检。

37、测区域大， 可以满足用户在各种运动场景中的健 康预测需求。 0062 本申请另一个实施例提供了另一种基于振动检测的数字孪生智能健康预测方法， 可以包括： 0063 201、 当接收到健康预测指令时， 采集用户的运动视频。 0064 具体的， 用户在健身时， 可以开启移动终端的健康预测功能， 移动终端接收到健康 预测指令时， 开启摄像头， 采集用户的运动视频。 0065 其中， 移动终端可以是手机、 平板电脑、 笔记本电脑、 移动互联网设备、 或其他类型 带有摄像头的终端设备。 0066 202、 基于用户的运动视频识别出用户当前动作对应的受力部位。 0067 用户在运动过程中， 通过移动终端对。

38、用户进行实时影像采集， 基于采集得到的用 户的运动视频， 识别出用户的当前动作， 从而确定用户当前动作对应的受力部位。 0068 具体地， 当移动终端为手机时， 手机界面显示健身拉伤预防功能入口， 用户点击进 入健身拉伤预防功能后， 手机开启摄像头对用户进行实时健身影像采集， 用户在健身过程 中， 手机会基于用户的当前动作， 识别出该动作对应的受力部位。 0069 203、 判断受力部位是否位于移动终端的拍摄范围内。 0070 具体的， 由于移动终端摆放的位置不同， 或者移动终端拍摄用户的角度不同， 存在 移动终端没有拍摄到用户的受力部位的情况， 所以需要判断受力部位是否位于移动终端的 拍摄范。

39、围内。 0071 在一种可能的示例中， 判断受力部位是否位于移动终端的拍摄范围内的方法可以 是： 将受力部位的特征点与运动视频的图像帧中用户各个身体部位的特征点进行对比， 如 果对比成功， 则说明受力部位位于移动终端的拍摄范围内， 如果对比失败， 则说明受力部位 不位于移动终端的拍摄范围内。 0072 204、 若受力部位位于移动终端的拍摄范围内， 则根据运动视频获取受力部位的振 动视频。 0073 具体的， 若受力部位位于移动终端的拍摄范围内， 则在运动视频中确定该受力部 位的位置， 然后从运动视频中选取该受力部位的振动视频。 0074 受力部位的振动视频中包含受力部位的运动过程， 这个运动。

40、过程非常微小， 需要 进行放大以便后续振动信息的提取。 采用拉格朗日运动放大方法， 可以通过对视频中目标 特征点进行跟踪运动轨迹和聚类实现对微小运动的放大。 0075 205、 对受力部位的振动视频的图像帧进行校准， 以得到稳定的多个运动特征点。 0076 在一种可能的示例中， 对受力部位的振动视频的图像帧进行校准， 以得到温度的 多个运动特征点的方法可以是： 选择受力部位的振动视频中的至少一帧图像； 根据该至少 一帧图像确定该受力部位的振动视频中在视频采集过程中处于相对静止状态的参考特征 点； 将该至少一帧图像包括的每一帧图像按照N个不同圆心进行圆形图像截取， 以得到N个 基础圆形分区， N。

41、为大于3的整数； 从该N个基础圆形分区中选出目标圆形分区， 该目标圆形 说明书 6/12 页 10 CN 110600132 A 10 分区包含相对运动特征点， 该相对运动特征点为针对该参考特征点进行相对运动的运动特 征点； 将该目标圆形分区按照预设窗口进行截取， 以得到多个截取分区， 该预设窗口的大小 和形状根据该受力部位的肌肉形态确定； 依次从该多个截取分区中获取运动距离处于预设 范围的相对运动特征点， 并累计已获取相对运动特征点的数值， 该预设范围为该受力部位 在正常受力状态下的振动幅度范围； 当累计的数值不小于预设数值时， 确定已获取的相对 运动特征点为该稳定的多个运动特征点。 007。

42、7 具体地， 采用拉格朗日放大方法对振动视频进行放大， 首先需要获得振动视频中 稳定的多个运动特征点， 即微小运动的点， 以便与振动视频中的静止点(背景点)和剧烈运 动的点进行区分， 对于振动视频来说， 除了拍摄到振动图像， 还包括一些相对静止的背景图 像， 例如， 用户在做引体向上时， 支撑的横杆就是相对静止的背景图像， 再例如， 用户在做俯 卧撑时， 地面就是相对静止的背景图像。 获取相对静止状态的物体上的点作为参考特征点， 然后根据预设的运动特征点提取策略， 提取振动视频中稳定的多个运动特征点。 0078 可以看出， 对于振动视频中的至少一帧图像来说， 并不是每个区域都包含运动的 点， 。

43、如果对图像帧中的每个区域进行一一排查， 获得稳定的运动特征点， 需要耗费大量的时 间。 那么， 可以采用适当的分区策略提取运动特征点以提升效率。 0079 206、 对稳定的多个运动特征点进行处理， 以得到第一振动放大视频。 0080 在一种可能的示例中， 对稳定的多个运动特征点进行处理， 以得到第一振动放大 视频的方法可以是： 对该多个运动特征点进行跟踪， 以得到该多个运动特征点的轨迹向量； 采用聚类算法对该多个运动特征点的轨迹向量进行聚类， 以得到K类运动层； 从该K类运动 层中获得需要进行放大的目标运动层； 对该目标运动层中运动特征点的偏移距离乘以一个 放大倍数放大， 以得到放大的运动层。

44、； 对该放大的运动层进行渲染， 以得到该第一振动放大 视频。 0081 具体的， 对多个运动特征点进行跟踪， 获得其对应的轨迹向量， 轨迹向量用数值来 描述运动特征点的运动方向、 运动距离和亮度变化等； 再采用聚类算法对多个运动特征点 的轨迹向量进行聚类， 获得K类运动层， 根据轨迹向量的相关性和相似度进行K类运动层的 划分， 可以使得不同运动层中包含不同类别的运动， 以便选择K类运动层中微小运动对应的 运动层进行放大处理， 获得放大的运动层。 最后， 因为对运动层的放大造成目标视频对应的 图像帧中包括一些空白区域， 需要进行渲染对图像帧进行填充。 0082 可以看出， 用户运动过程中， 有些。

45、振动是微小的， 如果直接提取振动信息会导致准 确率下降， 通过将振动进行放大， 可以提高振动信息提取的准确率， 以便于后续处理。 0083 207、 获取第一振动放大视频对应的图像帧， 采用相位相关算法对图像帧进行计 算， 以得到图像帧间的第一交叉互功率谱。 0084 其中， 采用相位相关算法对所述图像帧进行计算的公式为： 0085 0086其中， Fa为a帧图像的傅立叶变换，为b帧图像的傅里叶变换的共轭信号， 除式 的下边为两个傅里叶变换的信号的相关积的模。 R为本步骤的计算结果交叉互功率谱。 0087 获得交叉互功率谱后， 其中包含频域噪音， 因此可对其进行滤波处理， 提升信噪 说明书 7。

46、/12 页 11 CN 110600132 A 11 比， 以便提升后续提取的振动信息的准确度。 0088 可选的， 在采用相位相关算法对图像帧进行计算， 以得到图像帧间的交叉互功率 谱之后， 还包括： 0089 获取交叉互功率谱中的一个或多个相关峰， 相关峰为频域信号； 根据各相关峰在 振动视频中对应的位置及相关峰的频段确定各相关峰对应的滤波策略； 按照各相关峰对应 的滤波策略对各相关峰进行滤波处理。 0090 208、 对第一交叉互功率谱进行反傅立叶变换， 以得到第一振动信息。 0091 具体的， 交叉互功率谱反应的是频域上的振动信息， 而需要在时域对振动信息进 行分析， 则需要进行反傅里。

47、叶变换(或逆傅里叶变换)。 进行反傅里叶变换采用的公式为： 0092 0093其中，表示对交叉互功率谱进行反傅里叶变换， R 是滤波处理后得到的 交叉互功率谱， r是振动视频中像素的振动信息。 0094 209、 根据第一振动信息从数字孪生智能健康预测模型中获取受力部位的第一受 力状况。 0095 其中， 数字孪生智能健康预测模型存储了用户的不同身体部位在不同受力状况下 的模拟振动信息。 0096 在一种可能的示例中， 根据第一振动信息从数字孪生智能健康预测模型中获取受 力部位的第一受力状况之前， 还包括： 获取用户的人体参数， 人体参数包括年龄、 性别、 身 高、 体重、 体脂率、 心率、 。

48、血压的任意一种组合； 根据人体参数构建与用户的M个身体部位对 应的M个部位力学模型， 其中， M为正整数， M个身体部位与M个部位力学模型一一对应； 分别 对M个部位力学模型中的M个指定位置施加径向力， 其中， M个部位力学模型与M个指定位置 一一对应， 径向力为模拟M个身体部位的受力； 确定M个部位力学模型的M个移动距离， 其中， M个部位力学模型与M个移动距离一一对应； 将M个移动距离输入预设动力学算法进行计算， 以得到M个部位力学模型的M条模拟振动信息。 0097 具体的， 部位力学模型是虚拟的身体部位， 也就是说， 通过采用结构件力学模型来 实现对用户的身体部位的虚拟化。 进一步的， 。

49、通过三维扫描用户的身体部位构建部位力学 模型。 0098 其中， 在分别对M个部位力学模型中的M个指定位置施加径向力的步骤中， 径向力 即为径向运动的摩擦力， 径向力y沿径向均匀施加在部位力学模型的指定位置， 从而抵消了 来自这些径向力的振动， 所以假设摩擦力只沿径向运动。 0099 当对部位力学模型施加径向力后,需要对该径向力进行计算。 0100 举例来说， 参见图3， 图3为本申请一个实施例提供的一种部位力学模型示意图。 设 单位长度为h， 入口半径为R1， 出口半径是R2。 相应地， 其进口和出口地区设 t是一个作用于这个轴向元素的单位向量， n1和n2分别为入口和出口的法向单位向量。 。

50、假设 n1和n2之间的夹角足够小， 将该部力学模型看作圆锥或圆柱体。 设v1和v2分别为进出口速 度的平均值。 计算该部位力学模型所受的径向力的公式如下： 0101 说明书 8/12 页 12 CN 110600132 A 12 0102 其中， 0103 0104 0105 0106 在部位的每个细胞单元中计算出的这个力， 由于细胞运动， 形成了部位上的所有 力。 通过扫描来的计算机辅助设计(CAD)模型， 确定指定地方在部位相对于轴心点位置的相 对位置， 将摩擦力与振动模型联系起来。 0107 其中， 在将M个移动距离输入预设动力学算法进行计算的步骤中， 预设动力学算法 为： 0108 0。