基于K-means聚类的运动处方推荐方法

2021-09-09李博胡世平贾年

现代计算机 2021年19期

李博，胡世平，贾年

(西华大学计算机与软件工程学院，成都 610039)

0 引言

快节奏、高强度的生活方式使人们出现神经衰弱、精神紧张等亚健康状态，长时间久坐不动又让人们有了颈腰椎疾病、肩周炎、肥胖等慢性疾病。如何通过科学有效的运动处方改善这些症状，是当下人们最关心的问题。但是大多数人对慢性疾病缺少正确的认识，同时对运动处方认识不够，造成尝试了很多处方却达不到预期效果的情况。因此，我们要通过科学、健康、合理的运动处方即通过科学的体育锻炼达到健身的目的，从而使自己的机能水平进一步提高。

运动处方可以理解为：由康复医师、体育教师、私人健身教练等，根据患者或者体育健身者年龄、性别、康复医学检查、运动试验、身体素质测试等结果，按其年龄、性别、健康状况、身体素质以及心血管、运动器官的功能状况，结合主客观条件，用处方的形式制定对患者或体育健身者适合的运动内容、运动强度、运动时间及频率，并指出运动中的注意事项，以达到科学地、有计划地进行康复治疗或预防健身的目的。

针对上述问题，本文提出一种基于K-means聚类的运动处方推荐方法，将个性化推荐技术应用于运动处方推荐，为用户提供个性化的运动处方。

1 理论基础

1.1 K-means聚类算法

K-means的中心思想是要确定常数k，常数k表示最终的类别数。首先随机选定初始点为簇心，并通过计算每一个样本与簇心之间的距离(一般为欧氏距离)，将样本点归到最相似的类中，接着，重新计算每个类的簇心，重复这样的过程，直到簇心不再改变，这样就确定了每个样本的类别以及每个类的簇心。

假设待聚类的数据集为:X={xi|xi∈Rp，i=1，2，3，…，m}，包含m个数据样本，K个聚类中心分别为：C1，C2，C3，…，Ck。用Wj(j=1，2，3，…，k)来表示聚类的类别[2]，具体算法步骤如下：

定义1：两个数据对象间的距离：

(1)

定义2：每个簇中对象的平均值：

(2)

定义3：准则函数：

(3)

(1)从m个数据对象中任意选择k个对象作为初始中心，每个对象代表一个聚类中心；

(2)利用公式(1)计算X中各个样本数据到聚类中心的距离，根据计算得出的最小距离，将样本归入到最相似的簇中；

(3)更新簇的平均值，即通过公式(2)重新计算聚类中心，作为新的簇心；

(4)重复步骤(2)-(3)，直到准则函数E取值不再变化为止。

1.2 相似度计算方法

假设有m个用户的集合U={U1，U2，…，Um}和n个项目的集合I={I1，I2，…，I3}，rij表示用户i对项目j的评分，则用户评分矩阵如下所示：

余弦相似度：

(4)

其中，计算的结果值越接近1，说明用户的相似度越高。

皮尔逊相关系数：

(5)

1.3 运动处方相关研究

运动处方内容主要包括运动目的、运动项目、运动强度、运动时间、运动频率、注意事项等。运动目的可以是减肥、健身、预防老年病、增强肌肉力量等，由于每个人的需求不一样，其目的因人而异。为了进行健身的安全、有效，运动项目的制定要经医学检查许可，运动方式、运动强度、运动量应符合本人的体力等。运动强度是衡量运动量的重要指标之一，是运动处方定量化的核心问题，通常情况下通过心率来确定和控制运动强度。对于运动时间，不能一概而定，可以根据运动强度、运动频率、年龄和身体条件具体制定。科学研究表明，每周锻炼3-4次是最适宜的频度，不仅效果可以充分蓄积，也不产生疲劳，如果频率增加到每周4次或者5次，效果也相应提高。