本文是一篇计算机论文范文，本文的具体研究工作如下：（1）对运动处方制定过程及运动者需求进行分析并构建运动者模型。运动者模型数据是个性化运动处方推荐的基础，本研究以体育领域制定运动处方的过程为参考，将运动者模型信息分为基本信息、体质状况、运动能力、运动目标、运动条件与运动偏好六类。然后利用电子表单填写、电子问卷调查、系统辅助自测试程序等采集模型所需数据，其中电子表单填写主要采集运动者能精准确定的信息，电子问卷调查主要采集运动者其存在相对性的模糊信息，辅助自测试程序主要采集运动者较难确定的体质、运动能力方面信息。最后，将采集到的各类数据进行分析并转化成运动者模型数据，以满足运动处方推荐对运动者数据的要求。
1 绪论
1.1 研究背景与意义
随着我国社会经济的进步和生活水平的不断提高，体育健身越来越受到人们的关注。原因在于，当前社会条件下人们的生活方式已经发生较大改变，体力劳动的不断减少、室内脑力工作时间的不断加长，导致亚健康人数不断增多，慢性病也呈“井喷式”发展态势[1]。在“健康生活”、“乐活主义”等全新理念的倡导下，健身已逐步成为日常生活中除工作与居住之外的第三空间场景入口。据统计，我国经常性参加体育运动的人数在 2020年已达到 4.35 亿人，预计到 2030 年人数将达到 5.3 亿人，如图 1-1 所示。同时运动场地的人均拥有面积在 2030 年也将达到 2.3 平方米。
全民健身是关系每一位公民健康与幸福生活的基础工程，是全面实现建成小康社会的重要内容。2016 年 8 月，习近平总书记在全国卫生与健康大会上坚持人民健康发展优先，坚持以人民为主，推进健康中国建设，并发布了《关于全民健身计划（2016-2020 年）的通知》，它是国务院为实施全民健身国家战略，提高全民族身体素质和健康水平而制定的国家计划。其中，强化全民健身科技创新成为新的保障措施，并呼吁提升全民健身方法与健身手段的科技含量，鼓励更多的人参与到科学健身指导平台的建设中来。全民健身是社会主义现代化建设中的一个重大决策，是促进全民发展与构建和谐社会的重要力量。
1.2 国内外研究现状
1.2.1 运动处方国内外研究现状
运动处方这一概念在 1954 年由美国运动生理学家 Karpvich 提出[3]，它的提出是建立在自然体育发展[4]与运动康复治疗基础之上[5]。在 1969 年 WHO 正式采纳运动处方后，运动处方这一概念逐渐被国际研究者所认可 [6 ,7 ]，运动处方也开始迈入快速发展阶段。Smutok [8]首先在运动处方中加入疲劳等级评价，并在此基础上依据心率波动的差异提出了运动靶心率[9]概念，为运动处方的可靠性实施提供了指导依据。1980 年之后，开始结合运动的康复性实验对运动处方进行研究，最大摄氧量、梅脱与体能评价等方式逐渐被引入到运动处方研究中。到了 1990 年，运动处方开始围绕运动与健康的量效关系进行研究，美国运动医学协会前主席 William Haskell[10]在 1994 年通过对运动效量的阐述，为运动处方设定了科学、完整的研究体系。
直到 2010 年左右，才开始了运动处方信息化智能化研究，2010 年 Redmann W G 利用计算机技术不断记录分析锻炼效果，并据此提出下步锻炼计划和建议，运动处方开始与计算机学科融合；2011 年 Beng F[11]基于粗糙集数据分析算法提出一种用于治疗肥胖人群的运动处方智能决策支持系统（IDSS），推动了运动处方的智能化进程；2014 年李甘霖[12 ]设计并构建了基于云存储的健身运动处方系统，以帮助运动者随时随地进行运动处方的获取；Abut F 等人[13]于 2015 年利用机器学习算法构建最大摄氧量预测模型，运动处方制定开始向精细化方向发展；2016 年昂凤平[14]通过设计运动者的健身跑模型，将健身跑的运动参数推荐抽象成为优化问题，在合理的运动强度、运动时间等参数区间内通过遗传算法求解最优运动参数，以此完成健身跑参数的推荐；Albarracin D 等人于 2017 年通过建立运动处方大数据系统为健身者实施运动干预，智能化运动处方开始全面发展；2018 年罗先权[15 ]通过对运动处方案例进行关联规则挖掘获得运动处方各参数与多病症的关系，并依据此关系设计了运动处方关联规则推理系统；2020 年祝莉等人[3]对健康中国视域下国家运动处方数据库的目标任务、系统架构及应用路径进行了系统阐述，为建立运动处方的标准和应用体系提供了理论支撑。
2 相关理论与技术分析
2.1 个性化推荐算法
个性化推荐是指以用户自身需求、偏好等条件为基础，为用户筛选或制定符合其个性化条件的内容。寻找与用户模型相匹配的信息是实现个性化推荐的关键。通常根据条件或偏好的相似性，寻找与目标用户相近的用户群，利用群数据进行资源的推荐。同时也可以利用资源的相似性进行推荐。
2.1.1 基于内容的推荐
基于内容的推荐方法是通过相应的技术将用户与资源进行关联。资源通常存在很多的属性，而用户与相关资源的交互会产生用户行为记录。通过分析这些行为记录就可以衡量用户对资源属性的偏好，然后通过这些偏好属性为用户推荐其他的相关资源。
如图 2-1 为基于内容推荐的原理示意图，在对电影资源数据进行特征表述后，通过求解电影属性的相似度来衡量电影属性与用户行为数据的相关性。如电影 a 与电影 c 的标签都具有“喜剧、爱情”，因此判断电影 a 与电影 c 具有较高的相似性，且用户 A 产生了一条喜欢电影 a 的行为数据，因此将电影 c 推荐给用户 A。
基于内容的推荐算法从实现角度来说主要分为三个基本步骤：第一步是资源的内容表征，即为每一个资源抽取一些特征来表示此资源，也就是对资源描述的结构化操作，常用的方式一般包括：词转向量、数值类型数据的归一化与二值化、词频-逆文档频率等。第二步是用户的特征学习，即通过对当前用户以往的行为记录进行分析，来确定此用户的偏好特征，常用的方式一般包括：决策树算法、最近邻算法、线性分类算法以及朴素贝叶斯算法等。
2.2 Jena 规则推理
Jena 是惠普实验室提供的一个用于构建语义应用的 Java 开源框架，包含了基于本体规则推理引擎的编程环境以及有关本体操作的方法接口。
同时 Jena 框架所提供的推理引擎除包含基本的推理功能以外，使用者还可以根据自己的实际需求自定义规则实现推理，Jena 推理框架[69 ]如图 2-4 所示，Jena 主要使用ModelFactory 实现规则推理，过程由 4 个步骤完成：（1）创建并读入 OWL 描述的信息资源；（2）根据 OWL 描述信息及本体模型信息选择通用规则或自定义规则利用推理机注册方法创建推理机；（3）将想要进行查询的数据实例或本体模型与推理机进行绑定，从而对所需模型对象进行推理；（4）利用 Model API 与 Ontology API 对当前已经生成的模型对象进行操作。
在基于规则的推理机中，本文采用 Jena 规则对自定规则进行描述。Jena 规则能够有效增强本体的表达能力，且可以非常灵活的使用正向链接、反向链接与二者混合的方式进行规则定义。同时，在 Jena 规则项中还能利用添加内置方法来完成各种相关计算与字符串操作。
每条 Jena 规则都包含一个主体项列表（即 if 子句）和一个头部项列表（即 then 子句）。为了便于管理，每条 Jena 规则都有一个具体的规则名称，并且混合规则还可以进行处理方向的选定。Jena 规则需要使用 Jena 规定的格式进行表述，主要以文本的方式进行表述。如表 2-3 中的 Jena 规则规定，某人的运动目标是“减脂瘦身”，体格为“较弱”，心肺能力为“较弱”，肌肉耐力为“良好”，运动类型为“有氧运动”，可以得出这个人适宜的运动强度为“中低强度”，适宜的运动时间为“中等时间”，适宜的运动频率为“中等频率”。其中，规则名称是可以进行自定义的。规则共包含 5 个主体项，各主体项之间采用逗号进行分离。与 SWRL[70]规则相类似，规则变量仍采取问号开头的方式。在推理过程中，如果当前规则的主体项都为真，则当前规则的头部项都将被推理机作为下次推理的依据。
3 个性化运动处方推荐模型与关键算法研究 ················· 13
3.1 运动者模型构建方法································ 14
3.1.1 运动者建模 ························· 14
3.1.2 运动者信息采集方式 ························ 15
4 个性化运动处方推荐系统设计 ··························· 37
4.1 系统需求分析 ··························· 37
4.2 系统整体架构设计 ································ 42
4.3 系统主要功能模块设计 ························· 43
5 个性化运动处方推荐系统实现及测试 ······················· 51
5.1 系统开发环境 ···························· 51
5.2 系统功能实现 ······································ 51
5.3 系统功能测试 ····························· 57
5&n
