1.本发明有关于一种监控使用者运动的方法，特别是决定使用者在运动时的伤害风险的方法。


背景技术：

2.训练过度(overtraining)会增加在运动期间的伤害风险；因此，为了避免使用者受伤，监控训练负荷是非常重要的。近来，急慢性训练负荷比(acwr:acute chronic workload ratio)为一个用于估计运动的伤害风险的参数。此参数为短期所累积训练负荷和长期所累积训练负荷的比值。
3.然而，此参数并未考虑使用者的体能状况(例如体能表现水平(fitness performance level)；体能表现水平的参数最佳为最大摄氧量(vo
2max
))。举此案例为例子。文献指出：当急慢性训练负荷比减去1.5的正值越大，伤害风险越大。假设一种情况：使用者a和使用者b的年龄相同“即使用者a和使用者b的以年龄为基础的心率区间相同。以年龄为基础的心率区间决定如下：第一，依据公式计算最大心率(maximum heart rate)，例如220减去使用者的年龄(单位：下/分钟(bpm：beats per minute))；第二，个人化的心率区间(多个心率区间段)中各个心率区间段依据最大心率的比例范围来决定，且此比例范围基于运动领域中的通常知识来决定。”，但是使用者a的体能表现水平高于使用者b的体能表现水平。当使用者a和使用者b已执行相同的运动训练28天(即使用者a每天的训练冲量(trimp：training impulse)和使用者b每天的训练冲量相同)，使用者a的急慢性训练负荷比和使用者b的急慢性训练负荷比相同。此时，假如使用者a的急慢性训练负荷比和使用者b的急慢性训练负荷比皆为1.6，体能表现水平较低的使用者b可能感受到伤害风险，但是体能表现水平较高的使用者a可能感受到无伤害风险；进一步地，体能表现水平较高的使用者a仍然想要增加运动强度且持续地运动以进一步提升其体能表现水平；然而，在生理上，急慢性训练负荷比的暗示可能使体能表现水平较高的使用者a丧失训练的动力。
4.因此，本发明提出了一个决定使用者在运动时的伤害风险的方法来克服上述的缺点。


技术实现要素：

5.在本发明中，基于在呈现训练状况的指示模式和伤害风险的标准之间的比较决定已执行运动训练第一期间的使用者的伤害风险。伤害风险的标准基于根据使用者的体能状况而调整的高运动强度(high-exercise-intensity)的训练负荷(即在运动强度的临界值之上的训练负荷的第一部分)而决定。
6.在本发明中，根据使用者的体能状况而调整的运动强度的临界值为考虑使用者的体能状况(例如体能表现水平)的技术特征。换句话说，通过此技术特征，伤害风险的标准基于根据使用者体能状况而调整的高运动强度训练负荷(即在运动强度的临界值之上的训练
负荷的第一部分)而决定，对于具有不同体能状况的使用者而具有不同的伤害风险标准。一旦决定了使用者的体能状况，通过此技术特征，对于使用者来说，可准确地决定伤害风险的标准，并且准确地决定已执行运动训练第一期间的使用者的伤害风险。
7.在本发明较佳的实施例中，训练负荷基于多个运动强度区间段而决定，多个运动强度区间段基于使用者的体能状况(例如体能表现水平)而调整。除了考虑使用者体能状况(例如体能表现水平)的伤害风险标准(在前面段落决定)之外，由于训练负荷基于多个运动强度区间段而决定且多个运动强度区间段又基于使用者的体能状况(例如体能表现水平)而决定，基于与训练负荷相关的至少一第一参数而决定的指示模式也考虑了使用者体能状况(例如体能表现水平)。一旦决定了使用者的体能状况，基于在呈现训练状况的指示模式和伤害风险的标准之间的比较可准确地决定已执行运动训练第一期间的使用者的伤害风险。
8.通过在本发明的电脑/计算机中所架构的算法，本发明的电脑/计算机执行在权利要求中所描述的动作步骤或下方的描述来准确地决定已执行运动训练第一期间的使用者的伤害风险。
9.在一个实施例中，本发明公开一个用于决定一使用者的一伤害风险的方法，其中该使用者已执行一运动训练一第一期间。该方法包含步骤：将该第一期间分割成多个时间区段；通过一处理单元，在各个该时间区段中决定一训练负荷，其中该训练负荷的一第一部分在一运动强度的一临界值之上，其中该运动强度的该临界值为根据该使用者的一体能状况(fitness condition)而调整；通过该处理单元，执行一算法以基于与该训练负荷相关的至少一第一参数决定一指示模式，其中该指示模式呈现在该第一期间中该使用者的该运动训练的一训练状况；通过该处理单元，基于与该训练负荷的该第一部分相关的至少一第二参数和决定该指示模式的该算法来决定该伤害风险的一标准；以及通过该处理单元，基于在呈现该训练状况的该指示模式和该伤害风险的该标准之间的一比较决定已执行该运动训练该第一期间的该使用者的该伤害风险。
10.在一个实施例中，本发明公开一个用于决定一使用者的一伤害风险的方法，其中该使用者已执行一运动训练一第一期间。该方法包含步骤：将该第一期间分割成多个时间区段；通过一处理单元，在各个该时间区段中决定一训练负荷，其中该训练负荷为基于多个运动强度区间段而决定，其中各个该运动强度区间段具有该训练负荷的一第一部分，其中该训练负荷为该多个运动强度区间段的该多个第一部分的一总和，其中该训练负荷的一第二部分在一运动强度的一临界值之上，其中该多个运动强度区间段和该运动强度的该临界值为根据该使用者的一体能状况(fitness condition)而调整；通过该处理单元，执行一算法以基于与该训练负荷相关的至少一第一参数决定一指示模式，其中该指示模式呈现在该第一期间中该使用者的该运动训练的一训练状况；通过该处理单元，基于与该训练负荷的该第一部分相关的至少一第二参数和决定该指示模式的该算法来决定该伤害风险的一标准；以及通过该处理单元，基于在呈现该训练状况的该指示模式和该伤害风险的该标准之间的一比较决定已执行该运动训练该第一期间的该使用者的该伤害风险。
11.在参阅接下来的段落及所附图式所描述的本发明的实施例及详细技术之后，该技术领域具有通常知识者便可了解本发明的技术特征及实施态样。
附图说明
12.本发明的前面所述的态样及所伴随的优点将借着参阅以下的详细说明及结合图式更加被充分了解，其中：
13.图1说明在本发明中例示装置的概要区块图；
14.图2说明用于决定已执行运动训练第一期间的使用者的伤害风险的方法；
15.图3a说明在本发明的一个实施例中每天的训练负荷(tl)；
16.图3b说明在本发明的一个实施例中每天的高运动强度(higher exercise intensity)的训练负荷(tl)；
17.图3c说明在本发明的一个实施例中每天的低运动强度(lower exercise intensity)的训练负荷(tl)；
18.图4a表列说明在使用者的体能表现水平和运动强度的临界值之间的关系以调整；
19.图4b说明可对使用者的体能表现水平进行分级以使各个体能表现水平具有对应的运动强度的临界值；
20.图5a说明二维心率区间；
21.图5b说明衍生自在图5a中二维心率区间的一维心率区间；以及
22.图6说明伤害风险的标准随运动时间而变化。
23.附图标记说明：101-输入单元；102-处理单元；103-记忆单元；104-输出单元；200-方法；201-步骤；202-步骤；203-步骤；204-步骤；205-步骤；300-训练负荷分布；310-高运动强度的训练负荷的分布；320-低运动强度的训练负荷的分布；500-二维心率区间(多个二维心率区间段)；510-一维心率区间(多个一维心率区间段)；600-伤害风险的标准的分布。
具体实施方式
24.本发明的详细说明于随后描述，这里所描述的较佳实施例是作为说明和描述的用途，并非用来限定本发明的范围。
25.名称定义
26.体能状况(fitness condition)
27.体能状况可由体能表现水平(fitness performance level)定义。一使用者的体能表现水平和另一使用者的体能表现水平可能不同；假如两位使用者想要有相同的训练效果，体能表现水平较高的使用者比体能表现水平较低的使用者需要更激烈的运动指导和更高的运动强度。体能表现水平可包含通过参与身体活动或运动训练所增进的健康相关体适能或运动/技能相关体适能。举例来说，体能表现水平的参数可为最大摄氧量(vo
2max
)或最大代谢当量(met
max
)(最大摄氧量能力相较于休息氧气消耗：等于最大摄氧量(vo
2max
)/3.5)，较偏好最大摄氧量(vo
2max
)。一般来说，最大摄氧量(vo
2max
)的单位可以绝对的方式呈现，例如氧气摄取(毫升/分钟)，或以相对的方式呈现，例如以重量为基础的氧气摄取(毫升/公斤/分钟)。
28.运动强度(exercise intensity)
29.运动强度可参考运动时所消耗的能量。运动强度可定义为身体必须工作以胜任任务/运动的困难度。运动强度可以内部工作负荷(internal workload)的形式测量。与内部工作负荷相关的运动强度参数可与心率、摄氧量、博动(pulse)、吸吸速度或运动自觉强度
(rpe：rating perceived exertion)相关。运动强度可以外部工作负荷(external workload)的形式测量。与外部工作负荷相关的运动强度参数可与速度、功耗、力、移动强度(motion intensity)、移动节奏(motion cadence)或通过导致能量消耗的外部工作负荷所产生的其它动力数据相关。心率可常被使用为运动强度的一参数。
30.本发明的方法可适用于各式各样的装置上，例如运动测量系统、腕上型装置、移动式装置、服务器或运动测量系统、腕上型装置、移动式装置和服务器其中至少一个的组合。图1说明在本发明中例示装置100的概要区块图。装置100可包含输入单元101、处理单元102、记忆单元103和输出单元104。输入单元101可包含可测量与来自使用者身体的生理数据、心血管(cardiovascular)数据和内部工作负荷(internal workload)相关的运动强度的第一传感器。运动强度可通过施加自胸部、腕部或任何其它身体部位的皮肤接触而测量。较佳来说，运动强度为心率且传感器为心率传感器。输入单元101可包含可测量与外部工作负荷(external workload)相关的运动强度的第二传感器(例如运动传感器)。第二传感器可包含加速计(accelerometer)、磁力计(magnetometer)和陀螺仪(gyroscope)其中至少一个。输入单元101可进一步包含定位传感器(例如全球定位系统(gps：global positioning system))。在本发明中，运动相关参数(例如训练负荷(tl：training load))基于由传感器测量的运动强度而计算。处理单元102可为任何适合执行软件指令的处理装置，例如中央处理器(cpu)。记忆单元103可包含随机存取内存(ram)和只读存储器(rom)，但是记忆单元103并不局限于此例子。记忆单元103可包含任何适合的非瞬时计算机可读取媒体(non-transitory computer readable medium)，例如只读存储器(rom)、光盘只读存储器(cd-rom)、数字影音光盘只读存储器(dvd-rom)等等。再者，非瞬时计算机可读取媒体为有形媒体(tangible medium)。非瞬时计算机可读取媒体包含计算机程序码。当计算机程序码被装置100所执行时，计算机程序码使装置100执行想要的操作(例如如权利要求所示的操作)。输出单元104可为用于显示运动指导、运动方案或运动指数的显示器。显示模式可以文字、声音或影像的形式呈现。
31.图2说明用于决定已执行运动训练第一期间的使用者的伤害风险的方法200。在图2中的程序开始于步骤201：将该第一期间分割成多个时间区段(通过处理单元102)。各个时间区段可具有相同的时间长度或不同的时间长度。较佳来说，各个时间区段可具有相同的时间长度。为了方便描述，第一期间为28天；然而，本发明并不局限此案例。
32.步骤202：在各个该时间区段中决定一训练负荷(tl：training load)(通过处理单元102)。为了方便描述，在本发明中的各个时间区段的时间长度为1天；然而，本发明并不局限此案例。在本发明中，每天计算训练负荷。图3a说明在本发明的一个实施例中每天的训练负荷(tl)300。在下面的描述中，伤害风险的标准为基于高运动强度(higher exercise intensity)的训练负荷而计算；高运动强度的训练负荷(见黑色填入部分)定义为在运动强度的临界值之上的部分训练负荷。图3b说明在本发明的一个实施例中每天的高运动强度的训练负荷(tl)310。在图3b中，高运动强度的训练负荷在运动强度的临界值之上。图3c说明在本发明的一个实施例中每天的低运动强度(lower exercise intensity)的训练负荷(tl)320。在图3a中每天的训练负荷为在图3b中每天的高运动强度的训练负荷和在图3c中每天的低运动强度的训练负荷之和。
33.运动强度的临界值为根据使用者的体能状况(fitness condition)(例如体能表
现水平(fitness performance level)；体能表现水平的参数最佳为最大摄氧量(vo
2max
))而调整。换句话说，运动强度的临界值为基于不同的体能表现水平而调整成具有不同的值。图4a表列说明在使用者的体能表现水平和运动强度的临界值之间的关系以调整。在图4a中，体能表现水平的参数为最大摄氧量(vo
2max
)且运动强度的临界值的参数为心率。可通过大数据的统计分析来获取此关系。假如使用者的最大摄氧量(vo
2max
)不在表中，对应该使用者的最大摄氧量(vo
2max
)的运动强度的临界值可通过内插法或外插法决定。图4b说明可对使用者的体能表现水平进行分级以使各个体能表现水平具有对应的运动强度的临界值。在图4b中，对体能表现水平进行分级以使较高体能表现水平具有较大的级数，且运动强度的临界值的参数为心率。使用者的体能状况可参考美国专利申请号16/843,853而决定。举例来说，呈现体能状况的参数可为累积性的生理指数的梯度(gradient)。举例来说，参数为体力程度指数(fitness index)或体力指数(stamina index)的下降速率。呈现体能状况的参数可为生理指数的梯度(gradient)。举例来说，参数为生理数据(例如心率)的上升速率。多重参数的组合也可呈现体能状况。多重参数的组合可以合成指数的形式呈现(例如加权平均，e*p+f*q)。当通过监控生理数据、心血管(cardiovascular)数据或由运动测量系统(或传感器)所测量的内部工作负荷(internal workload)侦测到使用者的体能状况改变时，运动强度的临界值也会改变。一般来说，当使用者的体能状况提升时，运动强度的临界值向上调整。
34.训练负荷可基于多个运动强度区间段而决定。各个运动强度区间段具有部分训练负荷(例如运动强度和运动时间的乘积)，其中训练负荷为多个运动强度区间段的多个部分训练负荷的总和。多个运动强度区间段中至少一个运动强度区间段根据使用者的体能状况而调整或基于不同的体能表现水平而调整。多个运动强度区间段中全部运动强度区间段根据使用者的体能状况而调整或基于不同的体能表现水平而调整。在一个实施例中，训练负荷基于在此纳入参考的美国专利申请号16/733,180中的多个运动强度区间段而决定。明显地，美国专利申请号16/733,180公开多个运动强度区间段根据使用者的体能状况(例如体能表现水平)而调整或基于不同的体能表现水平而调整(见在图5a中的二维心率区间500和在图5b中的一维心率区间510)；细节可见于美国专利申请号16/733,180对应的描述。运动强度的临界值为在多个运动强度区间段中具有最高运动强度范围的一运动强度区间段的下界(假如运动强度的参数为心率的话，多个运动强度区间段中具有最高运动强度范围的一运动强度区间段的上界可为最大心率)。
35.在一个实施例中，训练负荷以训练冲量(trimp：training impulse)的形式呈现。然而，本发明并不局限此案例。
36.步骤203：执行一算法以基于与该训练负荷相关的至少一第一参数wi决定一指示模式，其中该指示模式呈现在该第一期间中该使用者的该运动训练的一训练状况(通过处理单元102)。为了了解在第一期间中使用者的运动训练的训练状况(例如训练时间或训练分布)，指示模式可通过执行算法而决定。在一个实施例中，至少一第一参数wi中一个第一参数wi可进一步与所累积的训练负荷(accumulated training load)相关。通过使用所累积的训练负荷作为参数wi的输入，参数wi可以相对方式或绝对方式呈现。算法可采取以绝对方式呈现的参数wi，例如在过去数天或28天之中所累积的训练负荷。算法可采取以相对方式呈现的参数wi，例如短期所累积训练负荷和长期所累积训练负荷的比值(例如急慢性训
练负荷比)；长期可为第一期间(例如28天)且短期可为第二期间(例如7天)。
37.在进一步的实施例中，指示模式可进一步基于与恢复状况(例如恢复时间或恢复分布)相关的至少一参数vi而决定。恢复状况可包含一连串的时间区段，各个时间区段不具有在其中的训练负荷(即训练负荷为0)。举例来说，算法可采取参数wi和参数vi的组合，例如参数wi和参数vi的加权综合指数(例如a*wi+b*vi，系数a、b中每一个系数可为定值或根据生理现象的观察而变化)；与恢复状况相关的参数vi可为参数v1：在目前的训练负荷之前不具有训练负荷的连续天数或参数v2：在目前的训练负荷之前的参考期间内不具有训练负荷的天数。举例来说，见图3a，假如目前的训练负荷发生在第8天，不具有训练负荷的连续天数为1(即第7天)；假如目前的训练负荷发生在第13天且在目前的训练负荷之前的参考期间的天数为10(即第3天到第12天)，不具有训练负荷的天数为4(即第3天、第7天、第10天、第12天)。
38.步骤204：基于与该训练负荷的该第一部分相关的至少一第二参数xi和决定该指示模式的该算法来决定该伤害风险的一标准(通过处理单元102)。伤害风险的标准可动态地决定。伤害风险的标准可相对于与算法相关的预定标准而决定。可固定预定标准。举例来说，文献指出：当急慢性训练负荷比的减去1.5的正值越大，伤害风险越大；当算法仅采取急慢性训练负荷比以呈现在步骤203中在第一期间中使用者的运动训练的训练状况时，预定标准为1.5。在另一个例子中，可变化预定标准。此外，预定标准可由使用者定义。
39.与训练负荷的第一部分相关的参数x1可以绝对方式呈现，例如目前训练负荷的第一部分。与训练负荷的第一部分相关的参数x2可以相对方式呈现，例如目前训练负荷的第一部分和目前整体训练负荷的比值。与训练负荷的第一部分相关的参数x3可为在目前训练负荷的第一部分之前的参考期间内具有训练负荷的第一部分的天数。举例来说，见图3b，假如目前训练负荷的第一部分发生在第18天且在目前训练负荷的第一部分之前的参考期间的天数为17(即第1天到第17天)，具有训练负荷的第一部分的天数为3(即第4天、第11天、第14天)。
40.在一个实施例中，当算法仅采取急慢性训练负荷比(acwr:acute chronic workload ratio)以呈现在步骤203中在第一期间中使用者的运动训练的训练状况时，伤害风险的标准的决定可使用：(1)伤害风险的标准＝函数f(x1)＝c1*x1；或(2)伤害风险的标准＝函数f(x2)＝c2*x2；或(3)伤害风险的标准(x2和x3的组合)＝函数f(x2,x3)＝c3*x2+c4*x3。系数c1、c2、c3、c4中每一个系数可为定值或根据生理现象的观察而变化。举案例(i)为例：伤害风险的标准(x2和x3的组合)＝函数f(x2,x3)＝c3*x2+c4*x3；系数c3、c4中每一个系数皆为正数。参数x2越大，伤害风险的标准调整地越小，伤害风险增加。参数x3越大，伤害风险的标准调整地越小，伤害风险增加。参数x2和参数x3同时越大，伤害风险的标准调整地越小，伤害风险增加。图6说明在此例中伤害风险的标准600随运动时间而变化。
41.在进一步的实施例中，伤害风险的标准可进一步基于与恢复状况相关的至少一参数yi而决定。恢复状况可包含一连串的时间区段，各个时间区段不具有在其中的训练负荷的第一部分(即训练负荷的第一部分为0)。与恢复状况相关的参数yi可为参数y1：在目前训练负荷的第一部分之前不具有训练负荷的第一部分的连续天数或参数y2：在目前训练负荷的第一部分之前的参考期间内不具有训练负荷的第一部分的天数。举例来说，见图3b，假如目前训练负荷的第一部分发生在第11天，不具有训练负荷的第一部分的连续天数为6(即第5天到第10天)；假如目前训练负荷的第一部分发生在第14天且在目前训练负荷的第一部分
之前的参考期间的天数为10(即第4天到第13天)，不具有训练负荷的第一部分的天数为8(即第5天到第10天、第12天到第13天)。
42.在一个实施例中，当算法仅采取急慢性训练负荷比(acwr:acute chronic workload ratio)以呈现在步骤203中在第一期间中使用者的运动训练的训练状况时，伤害风险的标准的决定可使用伤害风险的标准(x2和y1的组合)＝函数f(x2,y1)＝c5*x2+c6*y1；系数c5、c6中每一个系数可为定值或根据生理现象的观察而变化。举例来说，系数c5、c6中每一个系数皆为正数。参数x2越大，伤害风险的标准调整地越小，伤害风险增加。参数y1越大，伤害风险的标准调整地越大，伤害风险降低。当参数x2和参数y1同时增加时，伤害风险的标准视函数f(x2,y1)中的参数x2和参数y1的竞争而定。
43.最后，步骤205：基于在呈现该训练状况的该指示模式和该伤害风险的该标准之间的一比较决定已执行该运动训练该第一期间的该使用者的该伤害风险(通过处理单元102)。举案例(i)为例：伤害风险的标准(x2和x3的组合)＝函数f(x2,x3)＝c3*x2+c4*x3；系数c3、c4中每一个系数皆为正数。图6说明对于体能表现水平较高的使用者a而言，伤害风险的标准在2到2.5之间。即使使用者a的急慢性训练负荷比为1.6其大于文献中所定的1.5，由于使用者a具有较高的体能表现水平，使用者a的急慢性训练负荷比仍然小于在2到2.5之间的伤害风险标准。体能表现水平较高的使用者a仍然可以增加运动强度具持续地运动直到急慢性训练负荷比至少为2。因此，体能表现水平较高的使用者a仍保有训练的动力以进一步增加其体能表现水平。
44.在上面的描述中，指示模式和伤害风险的标准以值或指数的形式数字化地呈现。假设指示模式小于伤害风险的标准，不具伤害风险或低伤害风险；相反地，假设指示模式大于伤害风险的标准，具伤害风险或高伤害风险。指示模式和伤害风险的标准可以任何适合的形式呈现。举例来说，指示模式和伤害风险可分别以图案1和图案2的形式呈现；于是，在呈现训练状况的指示模式和伤害风险的标准之间的比较可基于图案1和图案2的偏移程度而决定。
45.虽然本发明以前述的较佳实施例公开如上，然而其并非用以限定本发明，任何熟习相像技艺者，在不脱离本发明的精神和范围内，当可作些许的更动与润饰。虽然在上述描述说明中并无完全公开这些可能的更动与替代，而接着本说明书所附的权利要求实质上已经涵盖所有这些态样。