评估运动强度的活动监测设备的制作方法
相关申请的交叉引用
本申请是2016年4月15日提交的国际申请pct/us2016/027771的续案申请，其要求于2015年4月15日提交的美国临时申请62/148,027、2015年5月29日提交的美国临时专利申请62/168,059、2015年5月29日提交的美国临时专利申请62/168,066、2015年5月29日提交的美国临时专利申请62/168,079、于2015年5月29日提交的美国临时专利申请62/168,095和于2015年5月29日提交的美国临时专利申请62/168,110的优先权。本申请要求于2015年5月29日提交的美国临时专利申请62/168,059、2015年5月29日提交的美国临时专利申请62/168,066、2015年5月29日提交的美国临时专利申请62/168,079、2015年5月29日提交的美国临时专利申请62/168,095和2015年5月29日提交的美国临时专利申请62/168,110，为了任何和所有非限制性的目的通过引用将其明示地整体并入本文。
背景技术：
尽管大多数人都认识到身体健康的重要性，但是许多人很难找到维持定期锻炼计划所需的动力。有些人认为保持不断重复的运动方式特别困难，如跑步、散步和骑自行车。在这方面，用于跟踪用户活动的设备可以提供动力，提供关于过去活动的反馈，并且鼓励继续常规锻炼以满足各种锻炼目标。
然而，运动员的某些运动指标是在正式的实验室环境下进行评估的，当个体在固定位置(例如在跑步机或固定自行车上)锻炼时，使用繁琐的设备来监测他/她。因此，这些运动指标可能并不适合普通人群。因此，需要改进的系统和方法来解决这些缺点中的至少一个或多个。
技术实现要素：
以下呈现本公开的简要概述以便提供对本发明的一些方面的基本理解。本概述不是本发明的拓展综述。这并不是为了确定本发明的关键或重要部分，也不是要限制本发明的范围。以下概述仅以简化形式呈现了本发明的一些概念，作为下文中更详细描述的序言。
附图说明
图1示出根据示例实施方式的可以被构造成提供个人训练和/或从用户的身体运动获得数据的示例系统；
图2示出了可以是图1的系统的一部分的或者与图1的系统通信的示例计算机设备。
图3示出了根据示例实施方式可由用户穿戴的示例性传感器组件；
图4示出了根据示例实施方式可由用户穿戴的另一示例传感器组件；
图5示出了用于感测输入的示意性位置，其可以包括位于用户的衣服上/内的物理传感器和/或其可以基于对用户的两个运动身体部分之间的关系的识别；
图6a-6c描绘了根据本文描述的一个或多个方面的与三个锻炼强度域相关联的锻炼数据的图；
图7示意性地描绘了根据本文描述的一个或多个方面的活动监测设备；
图8示意性地描绘了根据本文所述的一个或多个方面的用于从组织充氧传感器数据计算临界组织充氧百分比和/或无氧做功能力的流程图；
图9a-9b描绘了根据本文所述的一个或多个方面的来自多个锻炼阶段的肌肉充氧传感器数据的图；
图10描绘了根据本文描述的一个或多个方面的用于确定用户是否在剧烈运动强度域内以不可持续的做功速率锻炼的流程图；
图11描绘了根据本文描述的一个或多个方面的用于确定用户是否正在以不可持续的、可持续的或临界的做功速率进行锻炼的流程图；
图12描绘了根据本文描述的一个或多个方面的在锻炼时段生成的速度和肌肉充氧输出数据的图；
图13描绘了根据本文描述的一个或多个方面的用于确定用户是否在剧烈运动强度域内锻炼的流程图；
图14a-14b描绘了根据本文描述的一个或多个方面的来自两个锻炼时段的力量和肌肉充氧输出数据的图；
图15示出了根据本文所述的一个或多个方面的确定接收的组织充氧数据是否表示以临界强度运动的流程图。
图16描绘了根据本文所述的一个或多个方面的不同锻炼时段的肌肉充氧百分比图；
图17描绘了根据本文所述的一个或多个方面的在同一锻炼阶段期间生成的速度和肌肉充氧输出数据的图；
图18描绘了根据本文描述的一个或多个方面的来自锻炼时段的功率输出数据的图；
图19描绘了根据本文描述的一个或多个方面的用于计算与锻炼时段相关联的临界功率的流程图；
图20描绘了根据本文描述的一个或多个方面的锻炼时段的输出速度数据的图；
图21是根据本文所述的一个或多个方面的可用于基于速度传感器数据计算临界速度和无氧做功能力的流程图；
图22是根据本文所述的一个或多个方面的可用于计算用户的临界速度和/或无氧做功能力的流程图；
图23是根据本文描述的一个或多个方面绘制用户的多个锻炼时段的距离数据的图；
图24示意性地描绘了根据本文所述的一个或多个方面的用于预测跑步的临界速度分数的模型；
图25示意性地描绘了根据本文描述的一个或多个方面的用于预测跑步的临界速度分数的模型；
图26示意性地描绘了根据本文所述的一个或多个方面的用于预测循环的临界速度分数的模型；
图27示意性地描绘了根据本文所述的一个或多个方面的用于预测循环的临界速度分数的模型；
图28是根据本文所述的一个或多个方面的可用于基于单个输入数据点计算临界速度和无氧做功能力的流程图；
图29是根据本文所述的一个或多个方面的可用于响应于接收到的用户的感知的运动的速率来估计耗氧量的流程图；和
图30示意性地描绘了根据本文所述的一个或多个方面的无氧做功能力补给速率。
具体实施方式
本公开的各方面涉及获得、存储和/或处理与运动员的身体运动有关的运动数据。运动数据可被主动地或被动地感测和/或存储在一个或多个非瞬态存储介质中。更进一步的方面涉及使用运动数据来生成输出，例如计算的运动属性、提供引导的反馈信号和/或其他信息。这些和其他方面将在下面的个人培训系统的示例中进行讨论。
在以下对多种实施方式的描述中，参考作为本文的一部分的附图，并且其中通过对多种实施方式的阐释来展示附图，在多种实施方式中本公开的方面可以被实践。应该理解，可以在不脱离本公开的范围和精神的情况下使用其他实施方式以及进行结构和功能修改。此外，本公开内的标题不应被认为限制本公开的方面，并且示例实施方式不限于示例标题。
一、示例个人培训系统
a.说明性网络
本公开的各方面涉及可以跨多个网络使用的系统和方法。就这一点而言，某些实施方式可以被构造为适用于动态网络环境。另外的实施方式可以在不同的离散网络环境中操作。图1示出根据示例实施方式的个人训练系统100的示例。示例系统100可以包括一个或多个互连网络，例如说明性的体域网(ban)102、局域网(lan)104和广域网(wan)106。如图1所示(并在整个本公开中描述)，一个或多个网络(例如，ban102、lan104和/或wan106)可以重叠或以其他方式被彼此包括。本领域普通技术人员将认识到，说明性网络102-106是逻辑网络，可以每个都包括一个或多个不同的通信协议和/或网络架构，并且可以被构造为具有到彼此或其他网络的网关。例如，ban102、lan104和/或wan106中的每个可以可操作地连接到相同的物理网络架构，诸如蜂窝网络架构108和/或wan架构110。例如，便携式电子设备112，其可以是被认为是ban102和lan104的组件，并且可以包括网络适配器或网络接口卡(nic)，该网络适配器或网络接口卡(nic)被构造成根据一个或多个通信协议(例如传输控制协议(tcp))、网际协议(ip)和用户数据报协议(udp))以从网络并到网络转换数据和控制信号。这些协议在本领域中是众所周知的，因此这里将不再详细讨论。
网络架构108和110可以包括单独的或组合的任何类型或拓扑的一个或多个信息分布网络，诸如例如电缆、光纤、卫星、电话、蜂窝、无线等，并且这些可以被不同地构造成诸如具有一个或多个有线或无线通信通道(包括但不限于：
1.示例局域网
lan104可以包括一个或多个电子设备，例如计算机设备114。计算机设备114或系统100的任何其它组件可以包括移动终端，诸如电话、音乐播放器、平板电脑、上网本或任何便携式设备。在其他实施方式中，计算机设备114可以包括媒体播放器或记录器、台式计算机、服务器、游戏控制台(诸如
本领域普通技术人员将认识到，计算机设备114的设计和结构可以根据若干因素(例如其预期目的)而变化。计算机设备114的一个示例实施方式在图2中提供，其示出了计算设备200的框图。本领域普通技术人员将认识到，图2的公开可以适用于这里公开的任何设备。设备200可以包括一个或多个处理器，诸如处理器202-1和202-2(在此统称为“处理器202”)。处理器202可以经由互连网络或总线204与彼此或其他组件通信。处理器202可以包括一个或多个处理器核心，诸如核心206-1和206-2(在此统称为“核心206”)，其可以在单个集成电路(ic)芯片上实施。
核心206可以包括共享缓存208和/或私有缓存(例如，分别为缓存210-1和缓存210-2)。一个或多个缓存208/210可以本地缓存存储在系统存储器(诸如存储器212)中的数据，以便更快地被处理器202的组件访问。存储器212可以经由芯片组216与处理器202通信。缓存208可以在某些实施方式中是系统存储器212的一部分。存储器212可以包括但不限于随机存取存储器(ram)、只读存储器(rom)，并且包括一个或多个固态存储器、光存储器或磁存储器、和/或任何其它可以用于存储电子信息的介质。其他实施方式可以省略系统存储器212。
系统200可以包括一个或多个i/o设备(例如，i/o设备214-1至214-3，每个通常被称为i/o设备214)。来自一个或多个i/o设备214的i/o数据可以被存储在一个或多个缓存208、210和/或系统存储器212中。每个i/o设备214可以被永久或临时构造为使用任何物理或无线通信协议而与系统100的组件可操作地通信。
回到图1，四个示例i/o设备(示为元件116-122)被示出为与计算机设备114通信。本领域普通技术人员将认识到，设备116-122中的一个或多个可以是独立设备或可以除计算机设备114之外还与另一个设备相关联。例如，一个或多个i/o设备可以与ban102和/或wan106的组件相关联或相交互。i/o设备116-122可以包括不限于运动数据采集单元，例如传感器。一个或多个i/o设备可以被构造为感测、检测和/或测量来自用户(诸如用户124)的运动参数。示例包括但不限于：加速度计、陀螺仪、位置确定设备(例如gps)、光(包括不可见光)传感器、温度传感器(包括环境温度和/或体温)、睡眠模式传感器、心率监测器、图像捕捉传感器、湿度传感器、力传感器、指南针、角速率传感器和/或其组合等。
在进一步的实施方式中，i/o设备116-122可以用于提供输出(例如，听觉、视觉或触觉提示)和/或接收输入，诸如来自运动者124的用户输入。对于这些说明性i/o设备的示例使用将在下文中提供，然而，本领域普通技术人员将认识到，这样的讨论仅仅是对本公开范围内的许多选项中的一些的描述。此外，对任何数据采集单元、i/o设备或传感器的引用将被解释为本文公开的或本领域已知的一个或多个i/o设备、数据采集单元和/或传感器的实施方式(单独或组合)。
来自一个或多个设备(跨过一个或多个网络)的信息可用于提供(或用于形成)各种不同的参数、度量或生理特征，生理特征包括但不限于：运动参数诸如速度、加速度、距离、所经过的步数、方向、某些身体部分或物体相对于其他人的相对运动，或者其它运动参数，其可以表示为角速度、直线速度或其组合，生理参数例如卡路里、心率、汗水检测、运动量、消耗的氧气、氧气动力以及可能落入一个或多个类别中的其他度量，诸如：压力、冲击力、关于运动员的信息，诸如身高、体重、年龄、人口统计信息及其组合。
系统100可以被构造为发送和/或接收运动数据，包括在系统100内收集的或以其他方式提供给系统100的参数、度量或生理特征。作为一个示例，wan106可以包括服务器111。服务器111可具有图2的系统200的一个或多个组件。在一个实施方式中，服务器111至少包括处理器和存储器，诸如处理器206和存储器212。服务器111可以被构造为将计算机可执行指令存储在非瞬态计算机可读介质上。指令可以包括运动数据，诸如在系统100内收集的原始或处理的数据。系统100可以被构造为将数据(诸如能量消耗点)传输到社交网络网站或主机这样的站点。服务器111可以用来允许一个或多个用户访问和/或比较运动数据。如此，服务器111可以被构造为基于运动数据或其他信息来发送和/或接收通知。
回到lan104，计算机设备114被示出为与显示设备116、图像捕捉设备118、传感器120和锻炼设备122可操作地通信，这在下文中将参考示例实施方式进行讨论。在一个实施方式中，显示设备116可以向运动员124提供视听提示以执行特定的运动动作。响应于在计算机设备114或任何其他设备(包括ban102和/或wan的设备)上执行的计算机可执行指令可以提供视听提示。显示设备116可以是触摸屏设备或被构造为以其他方式接收用户输入。
在一个实施方式中，可以从图像捕捉设备118和/或其他传感器(诸如传感器120)获得数据，其可以被用于检测(和/或测量)运动参数，或单独地或与其他设备或存储的信息一起使用。图像捕捉设备118和/或传感器120可以包括收发器设备。在一个实施方式中，传感器128可以包括红外(ir)、电磁(em)或声学收发器。例如，图像捕捉设备118和/或传感器120可以将波形发送到环境中，包括朝向运动者124的方向，并接收“反射”或以其他方式检测那些释放的波形的改变。本领域普通技术人员将容易理解，根据各种实施方式可以使用对应于多个不同数据频谱的信号。就此而言，设备118和/或120可以检测从外部源(例如，不是系统100)发射的波形。例如，设备118和/或120可以检测从用户124和/或周围环境发出的热量。因此，图像捕捉设备126和/或传感器128可以包括一个或多个热成像设备。在一个实施方式中，图像捕捉设备126和/或传感器128可以包括被构造为执行范围现象学(rangephenomenology)的ir设备。
在一个实施方式中，锻炼设备122可以是可构造成允许或促进运动者124进行物理动作的任何设备，例如跑步机、踏步机等。不要求设备是静止的。在这方面，无线技术使便携式设备能够被使用，因此根据某些实施方式可以使用自行车或其他移动锻炼设备。本领域普通技术人员将认识到，设备122可以是或者包括用于接收包含从计算机设备114远程执行的运动数据的电子设备的接口。例如，用户可以使用运动设备(关于ban102将在下文中描述)并且在返回家中或返回设备122的位置时，将运动数据下载到元件122或系统100的任何其他设备中。本文公开的任何i/o设备可以被构造为接收活动数据。
2.体域网
ban102可以包括被构造为接收、发送或以其他方式促进运动数据(包括无源设备)的收集的两个或更多个设备。示例性设备可以包括一个或多个数据采集单元、传感器或者本领域已知或本文公开的设备，包括但不限于i/o设备116-122。ban102的两个或更多个组件可以直接通信，然而在其他实施方式中，通信可以经由第三设备来进行，其中第三设备可以是ban102、lan104和/或wan106的一部分。lan104或wan106的一个或多个组件可以形成ban102的一部分。在某些实施方式中，设备(诸如便携式设备112)是否是ban102、lan104和/或wan106的一部分可以取决于运动员与接入点的接近程度以允许与移动蜂窝网络架构108和/或wan架构110通信。用户活动和/或偏好还可以影响是否将一个或多个组件用作ban102的一部分。下面提供示例实施方式。
用户124可以与任何数量的设备相关联(例如，拥有、携带、穿戴和/或与之交互)，诸如便携式设备112、鞋上安装的设备126、手腕穿戴的设备128和/或感测位置，诸如感测位置130，其可以包括用于收集信息的物理设备或位置。一个或多个设备112、126、128和/或130可能不是为了健身或运动目的而特别设计的。事实上，本公开的各方面涉及利用来自多个设备(其中一些不是健身设备)的数据来收集、检测和/或测量运动数据。在某些实施方式中，ban102(或任何其他网络)的一个或多个设备可以包括为特定体育用途而特别设计的健身或运动设备。如本文所使用的，术语“运动设备”包括在特定运动或健身活动期间可以使用或涉及的任何物理对象。示例性的运动设备可以包括但不限于：高尔夫球、篮球、棒球、足球、橄榄球、强力球、冰球、哑铃(weights)、球棒、球杆、棒、桨、垫及其组合。在进一步的实施方式中，示例健身设备可以包括发生特定运动的运动环境内的物体，包括环境本身，诸如球门网、箍、背板、场的部分(诸如中线、外边界标记、基部)，及其组合。
就这一点而言，本领域普通技术人员将认识到，一个或多个运动设备也可以是结构的一部分(或形成结构)，反之亦然，结构可以包括一个或多个运动设备或被构造为与运动设备相交互。例如，第一结构可以包括篮球框和篮板，篮球框和篮板可以是可拆卸的并且可以用球门柱替换。就这一点而言，一个或多个运动设备可以包括一个或多个传感器，诸如上面关于图1-3讨论的一个或多个传感器，其可以独立地或者与其他传感器一起(例如与一个或多个结构相关联的一个或多个传感器)提供所利用的信息。例如，背板可以包括第一传感器，该第一传感器被构造成通过背板上的篮球来测量力和力的方向，并且篮球筐可以包括用于检测力的第二传感器。类似地，高尔夫球杆可以包括构造成检测杆身上的握把属性的第一传感器和构造成测量与高尔夫球的冲击的第二传感器。
看向说明性的便携式设备112，其可以是多用途的电子设备，例如包括电话或数字音乐播放器，包括可从加利福尼亚州库比蒂诺的苹果公司获得的
a.说明性的服装/配件传感器
在某些实施方式中，i/o设备可以形成在用户124的服装或配件内，或者与用户124的服装或配件相关联，配件包括手表、臂环、腕带、项链、衬衫、鞋等。这些设备可以被构造成监测用户的运动动作。应该理解，它们可以在用户124与计算机设备114交互期间检测运动动作和/或独立于计算机设备114(或本文公开的任何其他设备)进行操作。例如，ban102中的一个或多个设备可以被构造为充当测量活动的全天活动监测器，而无关于用户与计算机设备的接近程度或与计算机设备114的交互作用。还将理解的是，图3中的感测系统302和图4中所示的设备组件400，它们中的每个将在下面的段中描述，并且每一个都仅仅是说明性的示例。
i.鞋上安装的设备
在某些实施方式中，图1中所示的设备126，可以包括鞋类，其可以包括一个或多个传感器，包括但不限于本文公开的和/或本领域已知的那些传感器。图3示出了提供一个或多个传感器组件304的传感器系统302的一个示例实施方式。组件304可以包括一个或多个传感器，例如加速度计、陀螺仪、位置确定组件、力传感器和/或任何其他本文公开或本领域已知的传感器。在已说明的实施方式中，组件304结合了多个传感器，其可以包括力敏电阻器(fsr)传感器306；然而，可以使用其他传感器。端口308可以位于鞋的鞋底结构309内，并且通常被构造成用于与一个或多个电子设备进行通信。端口308可以可选地设置成与电子模块310通信，并且鞋底结构309可以可选地包括壳体311或其它结构以接收模块310。传感器系统302还可以包括多个引线312，引线312将fsr传感器306连接到端口308，以使得能够通过端口308与模块310和/或另一个电子设备通信。模块310可以包含在鞋的鞋底结构中的孔或空腔内，并且壳体311可以位于孔内或空腔内。在一个实施方式中，在单个外壳(诸如模块310和/或外壳311)内提供至少一个陀螺仪和至少一个加速度计。在至少进一步的实施方式中，一个或多个传感器被设置成当其可操作时被构造成提供方向信息和角速率数据。端口308和模块310包括用于连接和通信的互补接口314、316。
在某些实施方式中，图3所示的至少一个力敏电阻器306可以包括第一和第二电极或电触点318、320以及布置在电极318、320之间以将电极318、320电连接在一起的力敏电阻材料322。当压力施加到力敏材料322时，力敏材料322的电阻率和/或电导率改变，这改变了电极318、320之间的电势差。电阻的改变可以通过传感器系统302检测施加在传感器316上的力而检测。力敏电阻材料322可以以各种方式在压力下改变其电阻。例如，力敏材料322可以具有在材料被压缩时降低的内部电阻。进一步的实施方式可以利用“基于体积的电阻”，其可以通过“智能材料”来实现。作为另一个示例，材料322可以通过改变表面与表面接触的程度来改变电阻，例如在力敏材料322的两个部分之间或者在力敏材料322和一个或两个电极318、320之间。在一些情况下，这种类型的力敏电阻行为可以被描述为“基于接触的电阻”。
ii.手腕穿戴的设备
如图4所示，设备400(其可以类似于或包括图1中所示的传感设备128)可以被构造为由用户124穿戴，诸如围绕手腕、手臂、脚踝、颈部等。设备400可以包括输入机构，诸如被构造成在设备400的操作期间使用的可按压输入按钮402。输入按钮402可以可操作地连接到控制器404和/或任何其他电子组件，诸如关于图1所示的计算机设备114讨论的一个或多个元件。控制器404可以嵌入壳体406或者作为壳体406的一部分。壳体406可以由一种或多种材料(包括弹性体组件)形成，并且包括一个或多个显示器，例如显示器408。显示器可以被认为是设备400的可照明部分。显示器408可以包括一系列单独的发光元件或诸如led灯410的发光构件。灯可以形成为阵列并且可操作地连接到控制器404。设备400可以包括指示器系统412，指示器系统412也可以被认为是整个显示器408的一部分或组件。指示器系统412可以结合显示器408(其可以具有像素构件414)或与显示器408完全分离来操作和照明。指示器系统412还可以包括多个附加的发光元件或发光构件，在示例性实施方式中其也可以采取led灯的形式。在某些实施方式中，指示器系统可以提供目标的视觉指示，诸如通过照亮指示器系统412的发光构件的一部分以表示达成一个或多个目标。设备400可以被构造为通过显示器408和/或指示器系统412显示基于用户的活动以用户所获得的活动点或货币的形式表示的数据。
紧固机构416可以被分离，其中设备400可以位于用户124的手腕或部分周围，并且紧固机构416可以随后被置于接合位置。在一个实施方式中，紧固机构416可以包括接口，其包括但不限于usb端口，并用于与计算机设备114和/或设备(诸如设备120和/或112)可操作地交互。在某些实施方式中，紧固构件可以包括一个或多个磁体。在一个实施方式中，紧固构件可以没有移动部分并完全依靠磁力。
在某些实施方式中，设备400可以包括传感器组件(图4中未示出)。传感器组件可以包括多个不同的传感器，包括本文公开的和/或本领域中已知的那些传感器。在示例实施方式中，传感器组件可以包括或允许操作性连接到本文公开的或本领域已知的任何传感器。设备400和/或其传感器组件可以被构造为接收从一个或多个外部传感器获得的数据。
iii.服装和/或身体位置感应
图1的元件130示出了示例感应位置，其可以与物理设备相关联，诸如传感器、数据采集单元或其他设备。在其他实施方式中，其可以是被监测(诸如经由图像捕捉设备，例如图像捕捉设备118)的身体部分或区域的特定位置。在某些实施方式中，元件130可以包括传感器，以使得元件130a和130b可以是集成到服装(诸如运动衣/运动服)中的传感器。这样的传感器可以被放置在用户124的身体的任何期望的位置处。传感器130a/b可以与ban102、lan104和/或wan106的一个或多个设备(包括其他传感器)通信(例如，无线通信)。在某些实施方式中，被动感测表面可以反射由图像捕捉设备118和/或传感器120发射的波形(诸如红外光)。在一个实施方式中，位于用户124的服装上的被动传感器可以包括由玻璃或其它可能反射波形的透明或半透明的表面制成的大体为球形的结构。可以使用不同种类的服装，其中给定种类的服装具有特定的传感器，所述特定的传感器被构造为当服装被正确穿着时位于用户124的身体的特定部分附近。例如，高尔夫球服装可包括以第一构造位于服装上的一个或多个传感器，而足球服装可包括以第二构造位于服装上的一个或多个传感器。
图5示出感测输入的说明性位置(参见例如感测位置130a-130o)。就这一点而言，传感器可以是位于用户的衣服上/里的物理传感器，但是在其他实施方式中，传感器位置130a-130o可以基于对两个移动身体部分之间的关系的识别。例如，传感器位置130a可以通过用图像捕捉设备(诸如图像捕捉设备118)识别用户124的动作来确定。因此，在某些实施方式中，传感器可能不在物理上位于特定位置(例如传感器位置130a-130o中的一个或多个)，但是被构造为感测该位置的属性，例如利用图像捕捉设备118或从其他位置收集的其它传感器数据。在这方面，用户身体的整体形状或部分可以允许识别某些身体部分。无论是否使用图像捕捉设备和/或是否使用位于用户124上的物理传感器和/或使用来自其他设备(例如传感系统302)的数据的设备组件400和/或任何其他本文公开的或本领域已知的设备或传感器，传感器可以感测身体部分的当前位置和/或跟踪身体部分的移动。在一个实施方式中，与位置130m有关的传感数据可以用于确定用户的重心(也就是质量中心)。例如，位置130a和位置130f/130l之间关于位置130m-130o的一个或多个的关系可以被用来确定用户的重心是否已经沿着垂直轴线升高(例如，如在跳跃期间)或者用户是否试图通过弯曲和弯曲膝盖来“假”跳跃。在一个实施方式中，传感器位置1306n可以位于用户124的胸骨周围。同样，传感器位置130o可以位于用户124的肚脐附近。在某些实施方式中，来自传感器位置130m-130o的数据可以被(单独地结合其他数据)使用来确定用户124的重心。在进一步的实施方式中，可以使用多个传感器位置(诸如传感器130m-130o)之间的关系来确定用户124的方向和/或旋转力，如扭曲用户的躯干。此外，一个或多个位置可被用作(或近似)时刻位置(momentlocation)中心。例如，在一个实施方式中，一个或多个位置130m-130o可以用作用户124的时刻位置中心的点。在另一个实施方式中，一个或多个位置可以用作特定身体部分或区域的时刻中心。
运动可以分为多个强度域。在一个示例中，锻炼可以被分类为四个强度域，包括：基于运动员或用户的不同代谢概况定义的中度、重度、剧烈和极端。在一个示例中，可以使用功率度量来监测运动员的运动。图6a描述了三个图；606、608和610，对应于由用户进行的三次锻炼时段，并且使得运动被绘制为功率(y轴602)对时间(x轴604)的图。因此，图606、608和610可以对应于以近似恒定的做功速率进行的三个单独的锻炼阶段。如此，图6a中描绘了图606、608和610作为近似等级图。在一个具体示例中，与图606、608和610相关联的锻炼阶段可以对应于用户对抗近似恒定的阻力(近似恒定的速度、近似恒定的梯度、近似恒定的风阻力等)进行循环。在一个示例中，与图606、608和610相关联的每个锻炼阶段可以在诸如基于实验室环境的受控环境中执行，并且使得运动员可以在静止的运动自行车上骑自行车，而对抗近似恒定的阻力并以近似恒定的速度。这样，可以基于施加到运动自行车上的阻力以及被监测的人(被称为运动员或用户)骑自行车的速度来计算与运动期间相关联的功率。在另一个示例中，图606、608和610可以对应于对抗近似恒定的阻力(以近似恒定的速度和近似恒定的梯度)执行的三个监测的跑步锻炼阶段。如此，图606、608和610可对应于以近似恒定的速度和近似恒定的梯度在跑步机上跑步的用户。附加地或替代地，图606、608和610可对应于当用户在常规自行车上的基于非实验室的环境中以三个近似恒定的做功速率(近似恒定的功率)循环而监测的三个锻炼时段，或者当用户在非实验室环境中以三个近似恒定的做功速率跑步。此外，图606、608和610可对应于锻炼的替代形式(例如，越野滑雪、速滑等等)。
图606、608和610示意性地描绘了由相同的用户以与该用户的三个不同的锻炼强度域相对应的三个近似恒定的做功速率执行的相同的锻炼类型。特别地，图610可以对应于中等运动强度域，图608对应于重度运动强度域，并且图606对应于剧烈运动强度域。在一个示例中，中度运动强度域可以被定义为对应于在乳酸盐阈值(lt)以下的运动强度(功率水平)，其被示意性地描绘为图6a中的阈值线612，并且另外被称为气体交换阈值(get)、乳酸盐拐点(lip)或无氧阈值(at)。这样，乳酸盐阈值可以对应于乳酸盐(特别是乳酸)开始在运动用户的血液中累积的运动强度。在一个具体示例中，图610可以比被监测用户的乳酸盐阈值低大约10％。
在一个示例中，图608可以对应于重度运动强度域，并且使得重度运动强度域可以被定义为在与线612相关联的乳酸盐阈值和临界强度(ci)(另被称为临界功率(cp))之间执行的运动强度。在一个示例中，与图606、608和610相关联的用户的临界强度可由线614表示。这样，当运动强度低于临界强度时，血乳酸盐和氧消耗(vo2)的提高在大约10至15分钟后可以稳定。在临界强度下的做功速率可以被定义为持续时间最长而不会导致最大耗氧量的可持续做功速率。在一个示例中，图608可以比临界强度614低大约15％。
图606可以对应于剧烈运动强度域。剧烈运动强度域可对应于线614示意性描绘的临界强度以上的运动强度。这样，剧烈运动强度域内的做功速率可能不可阻挡地导致最大耗氧量，其可被称为急性疲劳。用户在临界强度以上能够做的做功量可能是能力(capacity)限制的，但是与速率无关。换句话说，给定用户能够在临界强度之上执行的做功量可以是固定的，而不管功完成的速率(即功率)如何。用户能够执行的这个做功量可以被称为有限预留能力，并且可以被表示为w’。在一个示例中，有限预留能力可以替代地被称为无氧能力或无氧做功能力。在一个示例中，在有限预留能力被表示为距离的情况下，其可以替代地由d’表示。在一个示例中，与图606相关联的剧烈锻炼时期可以比与线614相关联的临界强度高大约15％。
线616示意性地表示与图606、608和610相关联的用户的最大耗氧量(vo2max)。该最大耗氧量可以可选地称为最大用氧量(oxygenuptake)、峰值用氧量或最大有氧能力，并且可以是用户的最大耗氧率。在一个示例中，最大耗氧量可以以每分钟的氧气升数(l/min)或以人体质量的每千克每分钟的氧气毫升数(ml/(kg·min))表示。
图606、608和610中的每一个的长度对应于中度(图610)、重度(图608)和剧烈(图606)运动强度域内的三个锻炼时期的持续时间。因此，剧烈的运动强度期间606被执行了与时间618相对应的持续时间。类似地，重度运动强度期间608被执行了与时间620相对应的持续时间，并且中度运动强度会话610被执行了与时间622相对应的持续时间。在一个实施方式中，知晓与线614对应的临界强度、临界强度以上的强度(例如与对应于图606的锻炼时段相关联的强度)以及剧烈运动强度域(即临界强度以上)内的锻炼时段的持续时间618可被用来计算用户的有限预留能力。在一个示例中，有限预留能力可以被计算为高于临界功率的功率图的积分。对于图606(以恒定功率)的示例，图下方但高于临界功率的区域可以计算为：
有限预留能力，w’(j)＝临界强度(w)以上的强度×到达疲劳的时间(s)。
在一个示例中，一旦与给定的运动员相关联的临界强度和有限做功能力是已知的(即被识别和/或计算)，就通过活动监测设备(诸如设备112、114、128、200和/或400等中的一个或多个)实时监测运动员的运动表现，该实时监测可用于提供关于当前运动强度相对于运动员的临界强度的反馈。附加地或可选地，给定与运动员相关联的临界强度和有限做功能力，活动监测设备可以被用来预测当前运动期间的一个或多个结果。这样，可以利用活动监测设备来预测运动员的比赛时间等等。关于使用临界强度和有限做功能力信息向用户提供反馈的进一步的细节将在后面的各种公开中讨论。
肌肉充氧，即mo2，可以用作监测运动员的运动表现的度量。在一个示例中，可以监测肌肉充氧，以便识别与运动员相关的临界强度和/或无氧做功能力等。结合肌肉充氧传感器的活动监测设备将在图7中进一步详细讨论。图6b示意性地描绘了肌肉充氧百分比mo2(％)(y轴624)相对于时间(x轴626)的三个图628、630和632。三个图628、630和632对应于图6a中的三个图606、608和610(即，用于绘制图628、630和632的肌肉充氧百分比数据是从与图606、608和610相关联的锻炼测试中接收到的)。在一个示例中，图628、630和632可以各自描绘与运动员的四头肌相关联的肌肉充氧百分比，并且使得对于图628、630和632中的每一个，肌肉充氧百分比数据可以通过相同的传感器类型(如关于图7进一步详细描述的)，并且从运动员身体上的近似相同的位置(即，接近运动员的四头肌)检测。
图628示意性地描绘了在剧烈运动强度域内(即，以对应于图606的强度运动)运动的运动员的四头肌的肌肉充氧百分比的进展。如图6b所示，图628描绘了肌肉充氧百分比的稳定下降，而在时间618的运动结束之前(疲劳点)表现出肌肉充氧百分比的增加。图630示意性地描绘了运动员在重度运动强度域内(即，以对应于图608的强度运动)运动四头肌的肌肉充氧百分比的进展。如图6b所示，图630描绘了在第一时间段期间直到点634的肌肉充氧百分比的下降。在点634，图630在运动在时间620完成之前(在运动员疲劳之前)显示肌肉充氧百分比的恢复。图632示意性地描绘了在中度运动强度域内(即，以对应于图610的强度运动)锻炼的运动员的四头肌的肌肉充氧百分比的进展。如图6b中所描绘的，图632描绘了在第一时间段期间直到点636的肌肉充氧百分比的下降。在点636处，图632在运动在时间622完成之前表现出肌肉充氧百分比的恢复。
如先前所讨论的，可以从被构造成检测运动员的四头肌的肌肉充氧的传感器接收用于绘制图628、630和632的数据。此外，与图628、630和632相关联的锻炼阶段可以包括骑自行车或跑步阶段等等，并且使得运动员的腿部肌肉被认为是锻炼阶段的活动肌肉(即，与运动员的手臂肌肉等不同)。总之，图6b示意性地描绘了对于给定运动阶段，活动四头肌的肌肉充氧百分比可以表现为在中度(图632)或重度(图630)运动强度域内锻炼时从初始下降恢复，但是肌肉充氧百分比在剧烈运动强度域内锻炼不能恢复。
图6c示意性地描绘了肌肉充氧百分比(y轴640)相对于时间(x轴642)的三个图644、646和648。三个图644、646和648对应于图6a中的三个图606、608和610(即，用于绘制图644、646和648的肌肉充氧百分比数据可以从与图606、608和610相关联的锻炼测试中接收)。在一个示例中，图644、646和648各自可以描绘与运动员的前臂肌肉相关联的肌肉充氧百分比。如此，图644、646和648可以与集中在运动员的腿部肌肉(例如骑自行车或跑步等)的锻炼时段的非活动肌肉相关联。如此，图644、646和648可以根据由相同传感器类型(如关于图7进一步详细描述的)检测的数据以及从运动员身体上的近似相同的位置(即，靠近前臂运动员的肌肉)检测的数据来绘制。
在一个示例中，图644、646和648可以表现出与来自图6b的图628、630和632类似的趋势。特别地，图644描绘了肌肉充氧百分比的稳定下降，而不在运动结束之前(在点618处)表现出肌肉充氧百分比的增加。如此，图644可以与剧烈运动强度域相关联，并且与图6a的图606相关联。图646示意性地描绘了在重度运动强度域内(即，以对应于图608的强度锻炼)锻炼的运动员的前臂肌肉(即，以对应于图608的强度锻炼)的肌肉充氧百分比的进展。如图6c所描绘的，图646描绘了在第一时间段期间直到点650的肌肉充氧百分比的下降。在点650处，图646在时间620处完成锻炼之前表现出肌肉充氧百分比的恢复。图648示意性地描绘了中度运动强度域内(即，以与图610对应的强度运动)锻炼的运动员的前臂肌肉的肌肉充氧百分比的进展。如图6c中所描绘的，图648描绘了在第一时间段期间直到点652的肌肉充氧百分比的下降。在点652处，图648在时间622处完成锻炼之前表现出肌肉充氧百分比的恢复。
相应地，图6b和6c示意性地描绘了在中度、重度和剧烈运动强度域内锻炼时，肌肉充氧百分比的相似趋势可以由活动肌肉和非活动肌肉两者表现。以这种方式，肌肉充氧传感器，例如关于图7进一步详细描述的传感器，可以位于活动或不活动的肌肉上，以便检测用于运动员的有用活动数据。
图7示意性地描绘了活动监测设备700。在一个示例中，活动监测设备700可以包括与设备112、114、128、200和/或400等类似的一个或多个元件和/或功能。因此，活动监测设备700可以包括处理器702，处理器702可以类似于处理器202-1和202-2中的一个或多个。处理器702可以包括被构造为并行执行一个或多个计算指令的一个或多个处理核心。附加地或可选地，处理器702可以利用一个或多个处理核心来串行地执行计算指令，或者串行和并行处理的组合。此外，处理器702可以用本文公开的或本领域中通常已知的任何计算时钟速度(时钟速度可以与处理器702执行计算指令的速率相关)来实施。在一个示例中，处理器702可以被构造为执行存储在诸如存储器704的非瞬态计算机可读介质上的计算机可执行指令。这样，存储器704可以类似于存储器212，并且可以包括但不限于持久性或易失性存储器。如此，存储器704可以包括可用于存储电子信息的随机存取存储器(ram)、只读存储器(rom)、固态存储器、光学或磁性存储器和/或任何其它介质中的一个或多个。
在一个实施方式中，可以通过电源703将电能提供给活动监测设备700的一个或多个部件(即，部件702、704、706、708和/或710)。这样，电源703可以包括电池、光伏电池、热电发电机或来自外部源的有线电源中的一个或多个。此外，电源703可以被构造为向活动监测设备700的一个或多个部件供应具有任何电压和任何电流的电输出，而不脱离本公开的范围。
活动监测设备700可以包括传感器706。这样，传感器706可以包括加速度计、陀螺仪、位置确定装置(例如gps)、温度传感器(包括环境温度和/或体温)、睡眠模式传感器、心率监测器、图像捕获传感器、湿度传感器、力传感器、指南针、角速率传感器和/或其组合等。在一个实施方式中，活动监测设备700可以包括接口708。这样，接口708可以用硬件和/或固件和软件来实现，其被构造为促进活动监测设备700与外部设备或网络(未在图7中示出)之间的通信。在一个示例中，接口708可以促进活动监测设备700与外部设备或网络之间的无线和/或有线通信。在一个示例中，接口708可以使用wi-fi、蓝牙、以太网电缆、usb连接或本文公开的或本领域已知的任何其他连接类型中的一个或多个来促进通信。这样，接口708可以促进活动监测设备700和外部设备之间跨局域网(lan)、广域网(wan)或互联网等的通信。附加地或可选地，接口708可以促进活动监测设备708和用户接口之间的通信。这样，用户接口可以包括诸如显示设备116和/或一个或多个输入接口(例如，一个或多个按钮接口、触摸屏接口、麦克风接口等)的显示设备。
附加地或可选地，活动监测设备700可以包括肌肉充氧传感器710。在一个示例中，肌肉充氧传感器710可以被构造成发射近红外波长范围内的电磁辐射。如此，肌肉充氧传感器710可利用近红外光谱(mrs)。通过使肌肉充氧传感器710位于用户的皮肤716的区域附近，由箭头722示意性描绘的发射出的电磁辐射可以在一个示例中通过皮肤层716、脂肪层718和肌肉组织层720进入用户的身体中。在一个示例中，氧合血红蛋白和脱氧血红蛋白可以用作发色团(吸收不同波长的不同量的光)。此外，氧合血红蛋白和脱氧血红蛋白可以在一系列近红外电磁辐射的吸收特性上表现出相对较大的差异。如此，发射器712可以被构造为发射具有近似600至900nm的波长范围的近红外光谱中的电磁辐射。在另一个示例中，发射器712可以被构造为发射具有大约630至850nm的波长范围的红外光。在又一示例中，发射器712可以被构造为在另一范围上发射红外光，而不脱离本公开的范围。在一个示例中，发射器712可以包括一个或多个发光二极管(led)元件。在一个具体示例中，发射器712可以包括四个发光二极管。
因此，从发射器712发射的光的一部分可以被漫反射并且被检测器714检测到。在一个示例中，线724可以表示由检测器714检测到的后向散射光的一部分。因此，肌肉充氧传感器710可以被构造计算发射光和检测光之间的强度衰减。这种衰减可能与氧合血红蛋白和脱氧血红蛋白发色团等吸收的光的量有关。如此，通过检测发射的近红外光中的衰减，肌肉充氧传感器710可以确定氧合血红蛋白或脱氧血红蛋白的浓度。进而，基于确定的氧合血红蛋白或脱氧血红蛋白的浓度，肌肉充氧传感器710可以计算与肌肉720相关联的肌肉充氧百分比。
在一个实施方式中，肌肉充氧传感器710可以根据比尔-朗伯(beer-lambert)定律计算与肌肉组织720相关联的肌肉充氧百分比：
log(iout/iin)＝ε·l·c
其中iin是从发射器712发射的近红外辐射的强度，iout是由检测器714检测到的近红外辐射的强度，ε是发色团的摩尔衰减系数，c是发色团的量浓度，并且1是发射的近红外辐射穿过身体(即，皮肤716、脂肪718和肌肉720中的一个或多个)传播的路径长度。
可以理解的是，从发射器712发射的光由线722示意性地表示，并且由检测器714检测到的发射光的一部分由线724示意性地表示。实际上，从发射器712发射的光的路径进入用户的身体(即，通过皮肤716、脂肪718和肌肉720中的一个或多个)，并且由检测器714检测到的光可能是复杂的，并且包括多个不同的路径。
在一个示例中，活动监测设备700的肌肉充氧传感器710可以被构造成靠近用户的皮肤716的区域。这样，在一个示例中，发射器712和检测器714可以被放置成使得发射器712和皮肤716之间基本上不存在分离，并且类似地，检测器714和皮肤716之间基本上没有分离。在另一个示例中，活动监测设备700可以被构造为靠近用户的皮肤716的区域，使得发射器712与皮肤716之间的间隙和/或检测器714和皮肤716之间的间隙中不包括衣物层。在又一个示例中，活动监测设备700可以被构造成靠近用户的皮肤716的区域，使得一层或多层衣物可以位于发射器712和皮肤716之间，和/或检测器714和皮肤716之间。
在一个示例中，活动监测设备700，并且特别是肌肉充氧传感器710，可被用来确定(在一个示例中，计算)与用户相关联的临界强度和/或无氧做功能力。在一个具体示例中，肌肉充氧传感器710可以用于确定用户达到临界锻炼强度的临界肌肉充氧百分比。相应地，图8示意性地描绘了流程图800，其可以用于从组织充氧传感器(诸如传感器710)输出的数据来计算用户的临界组织充氧百分比和/或无氧做功能力中的一个或多个。这样，在一个示例中，临界组织充氧百分比可以是肌肉组织的临界组织充氧百分比等等。
在一个实施方式中，为了计算临界组织充氧百分比和/或无氧做功能力中的一个或多个，用户可以向活动监测设备(例如设备700)提供测试数据。在一个示例中，测试数据可以由锻炼时期的传感器(例如传感器710)产生，锻炼时期可以被另称为锻炼时段。在一个示例中，锻炼期可以包括规定的持续时间，在该期间内用户被指示在规定的时间限制内尽可能快地(即尽可能长距离地)跑步。在某些具体示例中，锻炼时期可以指示用户在例如一分钟、两分钟、三分钟、四分钟、五分钟、六分钟、七分钟、八分钟、九分钟、10分钟、12分钟、15分钟、20分钟或任何其他持续时间内尽可能长距离地跑步。因此，诸如传感器710的组织充氧传感器可以被构造为在锻炼时期期间每秒输出组织充氧百分比数据点。或者，诸如传感器710的组织充氧传感器可以被构造为以不同的频率输出组织充氧百分比数据点，所述不同的频率可以是0.25hz、0.5hz、2hz、3hz、4hz或任何其它频率。在一个示例中，为了生成测试数据而为用户规定的锻炼时期可以确保用户在锻炼时期的规定持续时间的至少一部分期间以高于临界强度的强度锻炼。因此，在一个示例中，可以执行一个或多个过程以指示用户在流程图800的块802处开始锻炼时期。
如前面所讨论的，诸如传感器710的组织充氧传感器可用于检测并输出指示组织充氧百分比的数据。在一个示例中，组织充氧传感器710可以输出指示锻炼时期的每一秒的当前组织充氧百分比的数据点。因此，在一个示例中，可以在例如流程图800的块804处通过处理器702接收输出的组织充氧数据以供进一步处理。
在一个实施方式中，可以存储规定的锻炼时期的每一秒的组织充氧百分比。因此，例如规定的锻炼时期的每一秒的组织充氧百分比可以被存储在例如存储器704中。完成给定的锻炼时期后，可以计算对应于所存储的规定的锻炼时期的每一秒的组织充氧百分比的总数的数字。这个数字可以被称为锻炼时段的组织充氧数据点的总数。组织充氧数据点的这个总数可以通过在一个示例中的处理器702以及在流程图800的块806处来计算。
用于产生数据以确定用户的临界肌肉充氧百分比和/或无氧做功能力的锻炼时间段可以被概括为包括两条信息的数据点。在一个示例中，除了锻炼时期/期间的总时间(即持续时间)之外，该锻炼时期概要数据点还可以包括在块806处确定的组织充氧数据点的总数。在一个示例中，两条信息(即，组织充氧数据点的总数和总时间)可以被表示为坐标点。在一个示例中，该坐标点p可以是p(x1，y1)形式，其中y1可以是组织充氧数据点的总数(肌肉充氧百分比(％)×时间(s))，并且x1可以是总时间(s)。以这种方式，可以绘制表示为坐标点的锻炼时期概要数据点，如图9中示意性描绘的。在一个示例中，锻炼时期概要数据点可以在流程图800的块808处被计算。
在一个实施方式中，为了计算用户的临界组织充氧百分比和/或无氧做功能力中的一个或多个，可以使用两个或更多个锻炼时期概要数据点。在一个示例中，用于生成两个或更多个锻炼时期概要数据点的锻炼时期的持续时间可以不同。因此，在一个示例中，可以执行一个或多个过程来确定用户是否已经完成阈值数量的锻炼时期，以便计算用于用户的临界组织充氧百分比和/或无氧做功能力中的一个或多个。如前所述，锻炼时期的这个阈值数量可以是至少两个、至少三个、至少四个或至少五个等等。在一个具体示例中，处理器702可以执行一个或多个过程，以在流程图800的决策块810处确定锻炼时期的阈值数量是否已经完成。因此，如果达到或超过锻炼时期的阈值数量，流程图800前进到块812。然而，如果锻炼时期的阈值数量未被达到，则流程图800从决策块810前进到块802。
在一个示例中，可以使用从两个或更多个规定的锻炼时期计算的两个或更多个锻炼时期概要数据点来计算回归。这种回归可能是线性回归或曲线回归。如此，本领域已知的用于计算线性或曲线回归的任何计算过程都可以用于本公开。在一个实施方式中，可以利用计算的回归的至少一部分来确定用户的临界组织充氧百分比和/或无氧做功能力中的一个或多个。在一个具体示例中，可以执行一个或多个过程以在流程图800的块812处计算回归。
可以利用使用两个或更多个锻炼时期概要数据点计算的回归的至少一部分来确定用户的临界组织充氧百分比。特别地，临界组织充氧百分比可对应于回归线的斜率(或曲线回归的线性部分的斜率)。在流程图800的块814处，可以执行一个或多个过程以输出通过两个或更多个锻炼时期概要数据点计算为回归线的斜率的临界组织充氧百分比。
可以利用使用两个或更多个锻炼时期概要数据点计算的回归的至少一部分来确定用户的无氧能力。特别地，无氧能力可以对应于回归线的截距(或者曲线回归的线性部分的截距)。在一个示例中，无氧能力可以表示为高于临界充氧百分比(％)的组织充氧数据点(组织充氧百分比(％)×时间(s))的总数。在一个实施方式中，可以在流程图800的块816处执行一个或多个过程以输出通过两个或更多个锻炼时期概要数据点计算为回归线的截距的无氧能力。
图9a是绘制给定用户来自多个锻炼时期或期间的测试数据的图。特别地，图9a是绘制总肌肉充氧点902相对于时间904的图900。点906、908和910各自是锻炼时期概要数据点，如关于图8所描述的。这样，锻炼时期概要数据点906、908、910可以针对同一用户进行计算，并且在这个示例中可以对三个单独的锻炼时段进行计算。因此，锻炼时期概要数据点906、908和910中的每一个可以表示单独的锻炼时段。特别地，与锻炼时期概要数据点906、908和910相关联的锻炼时期可分别具有大约300秒、720秒和900秒的持续时间。进一步地，在各个锻炼时段，为用户检测到的肌肉充氧百分比数据可以针对给定锻炼时段的总持续时间的每一秒进行积分，以使对于各锻炼时期概要数据点906、908和910，肌肉充氧点的总数分别等于大约6000、25,000和30,000。
在一个示例中，锻炼时期概要数据点906、908、910可以各自表示单独的锻炼时段，并且使得这些锻炼时段中的每一个的一部分在用户的剧烈锻炼强度域内执行。在一个实施方式中，锻炼时期概要数据点906、908、910可以各自表示以连续方式(没有休息的不间断锻炼，例如连续跑步和/或骑车)进行的单独的锻炼时段。然而，在另一实施方式中，锻炼时期概要数据点906、908、910中的一个或多个可以分别表示以间歇方式执行的单独的锻炼时段(具有一个或多个不活动/低活动时段的非连续锻炼时段和一个或多个高活动时段，例如参加团体运动，例如篮球、足球等)。
在一个实施方式中，可以使用三个锻炼时期概要数据点906、908和910来计算回归线912，如绘制在图900上。在一个示例中，该回归线912可以具有以下形式：
y＝max+ca
其中y是肌肉充氧点的总数(y轴)，x是时间(s)(x轴)，ma是回归线912的斜率，并且ca是回归线912在y轴上的截距。
对于用于生成锻炼时期概要数据点906、908和910的示例性实验数据，回归线912可以具有以下形式：y＝39.62x-5112.13，r2值为0.99999。要注意到的是，该回归线912公式仅作为一个示例结果被包括，并且可能不对应于以上针对锻炼时期概要数据点906、908和910所讨论的示例值。
在一个示例中，通过诸如锻炼时期概要数据点906、908和910之类的两个或更多个锻炼时期概要数据点，诸如回归线912之类的回归线可被用于计算临界肌肉充氧百分比和/或高于临界肌肉充氧百分比(其可能与无氧做功能力成比例)的肌肉充氧点的总数。在一个示例中，给定以下形式的回归线912：y＝mx+c，临界肌肉充氧百分比可以等于m，回归线912的斜率和高于临界肌肉充氧百分比的肌肉充氧点的总数可以等于c(或|c|，c的绝对值)，即y轴上的回归线912的截距。特别地，考虑到图900中描绘的实验数据，用户的临界肌肉充氧百分比可以是39.62％，并且在临界肌肉充氧百分比以上的肌肉充氧点的总数可以是5112.13。
在另一个示例中，回归线912可以通过多于图9a中描绘的三个锻炼时期概要数据点906、908、910的多个锻炼时期概要数据点来计算。进一步地，本领域已知的用于计算线性回归的任何方法可以与本公开一起用来计算回归线912。此外，虽然图9a图示了回归线912，但是活动监测设备700可以被构造为计算用户的临界肌肉充氧百分比和/或临界肌肉充氧百分比以上的肌肉充氧点的总数，而不需要绘制回归线。即活动监测设备700可以根据肌肉充氧传感器710输出的肌肉充氧数据来计算临界肌肉充氧百分比和/或临界肌肉充氧百分比以上的肌肉充氧点总数中的一个或多个，而不通过锻炼时期概要数据点计算和/或绘制回归线。这样，回归线912的描绘可以是由活动监测设备700使用的方法的图示描述；然而，活动监测设备700可利用替代的计算过程来计算同样结果的计算临界肌肉充氧百分比和/或临界肌肉充氧百分比以上的肌肉充氧点总数。
图9b描绘了绘制来自同一用户的多个锻炼时期的测试数据的图920。特别地，图9b描绘了图920绘制肌肉充氧百分比(％)922与反比时间(s-1)924的关系。在一个示例中，数据点926、928和930可以各自表示单独的锻炼时段。在一个实施方式中，来自数据点926、928、930的数据点可以具有(x2，y2)的形式，其中y2是在整个锻炼时段的平均肌肉充氧百分比，并且在一个示例中被计算为锻炼时期(以秒为单位)的每一秒的肌肉充氧百分比的总和，其除以锻炼时期(以秒为单位)的持续时间。本领域普通技术人员将认识到所利用的时间分辨率(或采样率)可以不同于在本文描述中的一秒分辨率，而不脱离本公开内容的范围。例如，在另一个示例中，y2可以被计算为每半秒期间的肌肉充氧百分比的总和，即锻炼时期除以在锻炼时期内的半秒的总数，还可以有其他许多分辨率。因此，x2可以被计算为1/(给定锻炼时期的总持续时间)，给出作为反比时间的结果，以1/秒为单位(s-1)。在一个具体实施方式中，数据点926可以包括与锻炼时期概要数据点910相同的信息。类似地，数据点928可以包括与锻炼时期概要数据点908相同的信息，并且数据点930可以包括与锻炼时期概要数据点906相同的信息。
在一个实施方式中，可以使用两个或更多个数据点(例如数据点926、928、930)来计算回归线932。在一个示例中，回归线932可以具有以下形式：
y＝mbx+cb
其中y是肌肉充氧百分比(％)(y轴)，x是反比时间(s-1)(x轴)，mb是回归线932的斜率，并且cb是回归线932在y轴上的截距。
在一个示例中，对于图920中描绘的具体数据，回归线932可以具有以下形式：y＝-5102.35x+39.6，r2值为0.99999。因此，回归线932的斜率mb(或绝对值|mb|)可以等于用户的临界肌肉充氧百分比之上的肌肉充氧点的数量。类似地，c，即截距，可以等于用户的临界肌肉充氧百分比。
图10是可用于确定用户是否在剧烈运动强度域内以不可持续的做功速率锻炼的流程图1000。在一个实施方式中，诸如设备700的活动监测设备可以在锻炼时接收指示用户的实时组织充氧百分比的组织充氧数据。因此，在一个示例中，该组织充氧数据可以由肌充氧传感器710产生。这样，在一个示例中，一个或多个过程可以由处理器702执行，以接收组织充氧数据。这些接收组织充氧数据的一个或多个过程可以在流程图1000的块1002处执行。
在一个实施方式中，接收的组织充氧数据可以与用户的临界组织充氧百分比进行比较。这样，用户的临界充氧百分比可以通过活动监测设备(诸如设备700的处理器702)和所存的存储器(诸如存储器704)来计算。此外，用户的临界肌肉充氧百分比可以使用关于图8描述的一个或多个过程来计算。在一个示例中，可以通过处理器702将所接收的组织充氧数据与用户的临界组织充氧百分比进行比较。因此，由处理器702执行的将所接收的组织充氧数据与用户的临界组织充氧百分比进行比较的一个或多个过程可以在流程图1000的块1004处执行。
接收的组织充氧数据与用户的临界组织充氧百分比的比较可以包括关于接收到的实时组织充氧百分比是高于还是等于临界组织充氧百分比的确定。该确定可以由流程图1000的决策块1006表示。因此，如果所接收的组织充氧数据表示等于或高于用户的临界组织充氧百分比的组织充氧百分比，则活动监测设备700可以输出指示用户正在以可持续的做功速率进行锻炼。在一个示例中，可以经由一个或多个指示灯、用户接口、可听信号或触觉反馈信号等将该输出信号传送给用户。这样，输出信号可以通过活动监测设备700的接口708传送。在一个示例中，一个或多个被执行以输出指示用户正在以可持续做功速率(即在剧烈运动强度域以外)锻炼的过程可在流程图1000的块1008处执行。在一个实施方式中，如果所接收的组织充氧数据表示低于用户的临界组织充氧百分比的组织充氧百分比，则活动监测设备700可输出信号表明用户正在以不可持续的做功速率进行锻炼。在一个示例中，该输出信号可以以与块1008相关描述的输出信号相似的方式被传送。此外，一个或多个过程被执行以输出指示用户以不可持续的做功速率(即，在剧烈运动强度域内)锻炼的过程可以在流程图1000的块1010处执行。
图11是可用于确定用户是否以不可持续的、可持续的或临界的做功速率进行锻炼的流程图1100。在一个实施方式中，诸如设备700的活动监测设备可以接收来自组织充氧传感器(例如传感器710)的周期性数据，其指示用户在锻炼时组织的实时充氧百分比。因此，在一个示例中，组织充氧百分比数据可以从传感器710由处理器702以每秒一个采样(1hz)的周期性来接收。在另一个实施方式中，传感器710可以每两秒(0.5hz)一次、每三秒(0.33hz)一次或者每四秒(0.25hz)一次等输出指示组织充氧百分比的数据点。此外，组织充氧数据可以由传感器710以任何速率生成并从传感器710接收，而不脱离本公开的范围。在一个示例中，可以由处理器(例如处理器702)执行一个或多个过程以在流程图1100的块1102处从组织充氧传感器接收指示组织充氧百分比的周期性数据。
在一个实施方式中，从诸如传感器710的组织充氧传感器接收的组织充氧数据可以被存储在诸如存储器704的存储器中。因此，在一个示例中，组织充氧数据中的趋势可以基于最近接收的组织充氧百分比数据点与一个或多个先前存储的组织充氧百分比数据点的比较来计算。在一个示例中，活动监测设备700的处理器702可以执行一个或多个过程，以计算在保存的组织充氧百分比数据点和最近接收的组织充氧百分比数据点之间的时间跨度的组织充氧百分比的变化。在一个实施方式中，该变化可以计算为正数，其可以指示组织充氧百分比的增加，该变化可以计算为负数，其可以指示组织充氧百分比的降低，或者该变化可以计算为零，其可以指示组织充氧百分比没有变化。在另一个实施方式中，活动监测设备700的处理器702可以执行一个或多个过程以计算组织充氧百分比中的趋势，即回归线的斜率，并且使用两个或更多个组织充氧百分比数据点来计算。如此，如果计算的线的斜率具有负值，则可能指示组织充氧百分比的降低。类似地，如果线的斜率被计算为具有正值，则其可以指示组织充氧百分比的增加，并且如果线的斜率被计算为零，则可以指示在组织充氧中没有变化。在一个示例中，可以在流程图1100的块1104处执行用于计算组织充氧趋势的一个或多个过程。
在附加的或替代的实施方式中，可以根据关于图15描述的一个或多个过程来计算组织充氧中的趋势，诸如在块1104处。
决策块1106可表示由处理器702执行的一个或多个过程，以确定来自块1104的所计算的组织充氧趋势是否表示负趋势。相应地，如果确定所计算的组织充氧趋势是负的，则流程图1100可以进行到块1108。在一个实施方式中，在确定从组织充氧传感器接收的数据代表负趋势时，一个或多个过程可以被执行以输出指示用户可能以不可持续的做功速率锻炼的信号。这样，一个或多个过程被构造成输出指示用户可能以不可持续的做功速率锻炼的信号可以在块1108处执行。在另一个实施方式中，如果确定从组织充氧传感器接收的数据不代表负趋势时，则流程图1100可以进行到决策块1110。因此，决策块1110可以与一个或多个过程相关联，该一个或多个过程被执行以确定计算出的组织充氧趋势是否为正。如果确定所计算的组织充氧趋势是正的，则流程图1100可以进行到块1112。因此，在一个示例中，如果确定所计算的组织充氧趋势是正的，则可以输出信号以指示用户正在以可持续的做功速率锻炼。在一个示例中，可以在流程图1100的块1112处执行指示用户正在以可持续做功速率进行锻炼的输出信号。在另一示例中，如果确定所计算的组织充氧趋势不是正的，则流程图1100可以进行到块1114。以这种方式，可以确定所计算的组织充氧趋势近似为水平(不变)。如此，水平的组织充氧趋势可以指示用户以临界做功速率锻炼。因此，响应于确定组织充氧趋势是近似水平，可以执行一个或多个过程以输出指示用户正在以临界做功速率锻炼的信号。在一个实施方式中，可以在流程图1100的块1114处执行一个或多个过程。
注意到的是，流程图1100可以根据指示两个或更多个数据点来计算组织充氧趋势，该两个或更多个数据点指示两个或更多个不同时间点处的肌肉充氧百分比。这样，可以使用本领域已知的任何数值方法来计算两个或更多个这样的点之间的趋势，其中包括计算连接两个点的线的斜率，或者使用多个点计算回归线的斜率，等等。
图12描述了在同一个锻炼时段生成的两个数据图。两个所描绘的图包括相对于共同时标1206绘制的肌肉充氧百分比数据1208和跑步速度数据1210。在一个实施方式中，肌肉充氧百分比数据1208可以由肌肉充氧传感器(诸如传感器710)生成。此外，可以基于由传感器706生成的传感器数据来计算跑步速度数据1210，传感器706可以包括加速度计或位置确定传感器等等。因此，跑步速度图1210可以与标尺1202相关联，并且肌肉充氧图1208可以与标尺1204相关联。在一个示例中，图1208和1210示意性地描绘肌肉充氧百分比与跑步速度之间的关系。在一个示例中，肌肉充氧百分比图1208上的点1218和1220之间的时期可以表示肌肉充氧百分比中的基本水平的趋势。相应地，速度图1210上的点1214和1216可以对应于点1218和1220，并且使得点1218和点1220之间的肌肉充氧百分比中的近似水平趋势对应于临界速度，如线1212所示意性地指示的。在另一个示例中，肌肉充氧图1208上的点1220和1224之间的肌肉充氧百分比的基本上负的趋势可对应于速度图1210上的点1216和1222之间的临界速度上的速度的增加。在又一示例中，肌肉充氧图1208上的点1226和1228之间的肌肉充氧正趋势可对应于速度图1210上的点1230和1232之间的临界速度下的速度下降。
图13是可用于确定用户是否在剧烈运动强度域内锻炼的流程图1300。在一个实施方式中，诸如设备700的活动监测设备可以接收来自组织充氧传感器(例如传感器710)的周期性数据，其指示用户在锻炼时组织的实时充氧百分比。因此，在一个示例中，组织充氧百分比数据可以从传感器710由处理器702以每秒一个采样(1hz)的周期性来接收。在另一个实施方式中，传感器710可以每两秒(0.5hz)、三秒一次(0.33hz)、四秒一次(0.25hz)等输出指示组织充氧百分比的数据点。此外，组织充氧数据可以由传感器710以任何速率生成并从传感器710接收，而不脱离本公开的范围。在一个示例中，可以由处理器(诸如处理器702)执行一个或多个过程以从组织充氧传感器在流程图1300的块1302处接收指示组织充氧百分比的周期性数据。
在一个实施方式中，从诸如传感器710的组织充氧传感器接收的组织充氧数据可以被存储在诸如存储器704的存储器中。因此，在一个示例中，组织充氧数据中的趋势可以基于最近接收的组织充氧百分比数据点与一个或多个先前存储的组织充氧百分比数据点的比较而计算。在一个示例中，活动监测设备700的处理器702可以执行一个或多个过程，以计算在保存的组织充氧百分比数据点和最近接收的组织充氧百分比之间时间跨度内组织充氧百分比的变化。在另一实施方式中，活动监测设备700的处理器702可以执行一个或多个过程，以计算组织充氧百分比中的趋势，即使用两个或更多个组织充氧百分比数据点计算的回归线的斜率。在一个示例中，可以在流程图1300的块1304处执行用于计算组织充氧趋势的一个或多个过程。
决策块1306可表示由处理器702执行的一个或多个过程，以确定来自块1304的计算的组织充氧趋势是否表示负趋势。相应地，如果确定所计算的组织充氧趋势是负的，则流程图1300可前进至决策块1308。在一个实施方式中，决策块1308可执行一个或多个过程以计算在决策块1306识别的负趋势(负斜率)的绝对值。另外，决策块1308可以表示被构造为将负趋势的绝对值与阈值进行比较的一个或多个过程。在一个示例中，如果绝对值高于阈值，则流程图1300可以进行到块1310。相应地，阈值可以包括任何值，而不脱离本公开的范围。在一个示例中，在确定绝对值高于阈值时，一个或多个过程可以被构造为输出指示用户正在剧烈强度域中锻炼的信号。这样，这些被构造为输出指示用户在剧烈强度域内锻炼的信号的一个或多个过程可以在块1310处执行。然而，如果绝对值低于阈值，则流程图1300可以进行到块1312。因此，块1312可以包括一个或多个过程，该一个或多个过程可以被执行以输出指示用户正在以不可持续的做功速率锻炼的信号。
在另一实施方式中，如果确定从组织充氧传感器接收的数据不表示负趋势，则流程图1300可前进至决策块1314。因此，决策块1314可与一个或多个过程相关联，该一个或多个过程被执行以确定是否计算的组织充氧趋势是正的。如果确定所计算的组织充氧趋势是正的，则流程图1300可以前进到块1316。相应地，在一个示例中，如果确定所计算的组织充氧趋势是正的，则可以输出信号以指示用户正在以可持续的做功速率锻炼。在一个示例中，可以在流程图1300的块1316处执行指示用户正在进行可持续做功的输出信号。在另一示例中，如果确定所计算的组织充氧趋势不是正的，则流程图1300可以进行到块1318。以这种方式，可以确定所计算的组织充氧趋势是大致水平的(不变的)。如此，水平的组织充氧趋势可以指示用户以临界做功速率锻炼。相应地，响应于确定组织充氧趋势是近似水平的，可以执行一个或多个过程以输出指示用户正在以临界做功速率锻炼的信号。在一个实施方式中，这些一个或多个过程可以在流程图1300的块1318处执行。
图14a描绘了使用来自同一用户参与的两个单独锻炼时段的数据绘制的两幅图。特别地，图1406包括来自斜坡做功速率锻炼时段的输出数据。在一个示例中，可以在y轴1402上描绘做功速率(w)。因此，可以根据锻炼时段期间输出的数据来生成与图1406相关联的数据，该锻炼时段规定了从低于用户临界强度的做功速率升高到高于用户临界强度的做功速率的线性增加的做功速率。图1408可以从规定恒定做功速率的锻炼时段时段输出的数据中生成。在一个示例中，与图1408相关联的恒定做功速率可以比用户的临界强度高出大约15％。因此，与图1408相关联的锻炼时段可能在用户的剧烈锻炼强度域内。在一个示例中，x轴1404表示到锻炼时期结束的时间百分比。此外，点1410表示斜坡功率锻炼时段达到用户的临界强度的大致时间。
图14b描绘了使用来自图14a的相同的两个单独的锻炼时段的数据绘制的两个图。特别地，图1424可以对应于与图1406相关联的斜坡功率锻炼时段。另外，图1426可以对应于与图1408相关联的恒定功率锻炼时段。在一个示例中，图1424和1426可以是绘制为在y轴1420上的组织充氧百分比相对于在x轴1422上结束锻炼时段的时间百分比。在一个示例中，图1406、1408、1424和1426可以共享共同的x轴标尺。
在一个实施方式中，使用来自在高于用户临界强度大约15％的恒定做功速率锻炼时段的数据绘制的图1426可以在锻炼时段开始时在点1432和1434之间呈现陡峭的斜率，所述数据具有在用户的临界强度的大约15％处的恒定做功速率在锻炼阶段开始时(即锻炼时段的前大约0％和20％之间)。然而，当恒定功率锻炼时段完成时，图1426可以转变到点1434和1430之间较平的斜率。
在一个示例中，可以以低于临界强度的做功速率开始的图1424可以在点1432和1428之间呈现更平的斜率。因此，点1428可以大致对应于与图1406关联的斜坡锻炼强度时段达到用户临界强度(即，从用户的重度到剧烈的运动强度域的转变)的点。这样，图1424的斜率可以在点1428和1430之间变陡。因此，在一个示例中，点1428和1430之间的图1424的斜率可以表示具有高于阈值的绝对值的斜率，所述阈值对应于对用户的临界强度。在一个示例中，点1428和1430之间的图1424的斜率可以近似等于点1432和1434之间的图1426的斜率。
图15是可以被执行为一个或多个过程(例如由设备700)以确定接收的组织充氧数据是否表示用户以临界强度进行锻炼的流程图1500。在一个示例中，组织充氧数据可以从传感器(例如与设备700相关联的传感器710)接收。这样，组织充氧数据可以对应于肌肉充氧，并且可以表示为肌肉充氧百分比。因此，可以执行一个或多个过程以在过程1500的块1502处接收来自传感器的组织充氧数据。此外，组织充氧数据可以从传感器(例如传感器710)以任何周期性或以非周期性间隔接收，而不脱离本公开的范围。在一个实施方式中，在块1502处从组织充氧传感器接收到的数据可以存储在存储器(例如存储器704)中。
在一个示例中，可以将组织充氧的变化计算为组织充氧的当前滚动(rolling)平均值和先前滚动平均值之间的差值。相应地，可以将当前滚动平均值计算为在第一持续时间内的组织充氧百分比的平均值，由此当前滚动平均值可以包括最近接收到的传感器数据点。在另一个实施方式中，可以将当前滚动平均值计算为预定数量的接收到的传感器数据点(可以周期性或非周期性地接收)的组织充氧百分比的平均值。在某些具体的示例中，可以将当前滚动平均值计算为过去五秒期间接收的那些肌肉充氧百分比数据点(包括最近接收的数据点)的平均肌肉充氧百分比。然而，可以使用第一持续时间的替代时间，而不背离本公开的范围。例如，第一持续时间可以是一秒、两秒、三秒、四秒以及六秒、七秒、八秒、九秒、十秒或任何其它持续时间。此外，可将先前滚动平均值计算为第二持续时间内的组织充氧百分比的平均值，由此先前滚动平均值不包括最近接收到的传感器数据点(即，可包括至少所有用于计算当前滚动平均值的数据点，除最近接收的传感器数据点外)。在一个示例中，可以计算等于第一持续时间的第二持续时间的先前滚动平均值。在一个实施方式中，当前滚动平均值和先前滚动平均值之间的差可以通过相减来计算，从而得到肌肉充氧百分比之差。在一个实施方式中，可以在过程1500的块1504处并且通过处理器702(在一个示例中)来执行用于计算组织充氧的变化的一个或多个过程。
为了确定计算的组织充氧变化是否对应于给定用户的临界组织充氧(临界强度)，计算的组织充氧变化可以与阈值进行比较。在一个示例中，组织充氧百分比变化的这个阈值可以包括任何充氧值。在一个具体示例中，组织充氧百分比变化的阈值可以小于0.1(即，所接收的组织充氧百分比可以不对应于临界组织充氧百分比，除非组织充氧百分比的当前滚动平均值与先前滚动平均值小于0.1(组织充氧百分比的单位))。在另一个示例中，除非组织充氧百分比的当前滚动平均值和先前滚动平均值之间的差值小于或等于0.1(组织充氧百分比的单位)，否则所接收的组织充氧百分比可能不对应于临界组织充氧百分比。附加的或替代的组织充氧阈值可以包括0.2、0.3、0.4、0.5、0.6等等。在一个示例中，在过程1500的决策块1506，可以执行一个或多个过程以确定组织充氧的变化是否小于阈值。
如果确定计算的组织充氧变化大于或等于阈值(或者在另一实施方式中，如果确定计算的组织充氧变化大于阈值)，则一个或多个过程被执行以输出指示用户没有在临界组织充氧下运动的信号。相应地，这些一个或多个过程可以在块1510并且由诸如处理器702之类的处理器执行。然而，如果确定计算出的组织充氧变化小于阈值(或者在另一个实施方式中，小于或等于阈值)，则流程图1500可前进至决策块1508。
因此，决策块1508可以表示被执行以确定组织充氧(其小于先前描述的阈值，或者在另一个实施方式中，小于或等于阈值)的变化是否是对于阈值持续时间(即，组织充氧百分比的变化小于阈值变化，并持续预定阈值持续时间)一致/稳定。因此，本公开可以使用任何阈值持续时间。在某些具体示例中，阈值持续时间可以等于至少一秒、至少两秒、至少三秒、至少四秒、至少五秒或至少10秒等等。如果确定所计算的组织充氧变化对于阈值持续时间不一致，则流程图1500可前进至块1510。然而，如果确定所计算的组织充氧变化对于阈值持续时间一致，则流程图1500可以进行到块1512。
如此，一旦确定所计算的组织充氧变化在阈值持续时间内一致，则可以执行一个或多个过程以输出指示用户正在以临界功率/临界组织充氧(可被表达为组织充氧百分比)锻炼。这些被构造为输出指示用户正在以临界做功速率锻炼的信号的一个或多个过程可以由处理器702执行。此外，可以在块1512执行一个或多个过程以输出对应于接收到的那些传感器值的组织充氧百分比，对于接收到的那些传感器值，当前滚动平均值与先前滚动平均值之间的差值小于阈值。该组织充氧百分比可以是用户的临界组织充氧百分比。
在一个示例中，在同一锻炼的不同时间内为用户计算的临界肌肉充氧百分比可能存在变化。因此，在一个示例中，在块1512处输出的临界组织充氧百分比可以在锻炼时段针对同一用户在多个单独计算的临界组织充氧百分比之间平均等。
在一个实施方式中，关于流程图1500以及贯穿本公开讨论的组织充氧可以包括用于用户身体内的任何肌肉的肌肉充氧。进一步地，该计算出的临界组织充氧百分比值可以用于为用户计算无氧做功能力(m’)(在一个示例中，该无氧做功能力可以表示为肌肉充氧点的总数)，并且计算为当前肌肉充氧百分比(mo2当前)(在临界肌肉充氧百分比以上)和临界肌肉充氧百分比(mo2临界)之间的差异，从运动时段到疲劳期间的求和：
图16描绘了在y轴1604上绘制的肌肉充氧百分比(％)对x轴1606上的持续时间(s)的图1602。在一个示例中，图1602包括数据点1608、1610、1612和1614，其中数据点1608、1610、1612和1614代表单独的锻炼时段。这样，来自数据点1608、1610、1612和1614的数据点可以与锻炼时段的总时间相关联，以及肌肉充氧百分比可以与该锻炼时段相关联。在一个示例中，该肌肉充氧百分比可以是在锻炼时期的总时间上的平均肌肉充氧。在另一个示例中，这种肌肉充氧百分比可以是在锻炼时段结束时的肌肉充氧百分比，等等。在一个实施方式中，图1602针对不同的运动时段持续时间显示肌肉充氧百分比的趋势。特别地，图1602可以指示相对较短的锻炼时段(例如与数据点1614相关联的锻炼时段)可以与较低的肌肉充氧百分比相关联。这种趋势可能是由于用户在相对较短的时间内以相对较高的做功速率进行锻炼。与数据点1614不同，数据点1608可以与相对较长的锻炼时段相关联，并且可以与作为用户锻炼相对较长时间的结果的较高肌肉充氧百分比相关联，并且在一个示例中为了在相对较长的运动时间时段保存能量而采用较不费力的步调策略。在一个示例中，图1602可以包括通过数据点1608、1610、1612和1614绘制的曲线回归。因此，可以利用本领域中已知的任何过程来构建图1610，而不背离本公开。
图17描述了在同一个锻炼时段生成的两个数据图。两个所描绘的图包括相对于共同时标1706绘制的肌肉充氧百分比数据1702和跑步速度数据1704。在一个实施方式中，肌肉充氧百分比数据1702可以由诸如传感器710的肌肉充氧传感器产生。此外，跑步速度数据1704可以基于由传感器706产生的传感器数据来计算，传感器706可以包括加速度计或位置确定传感器等等。相应地，跑步速度图1702可以与标尺1708相关联，并且肌肉充氧图1704可以与标尺1710相关联。在一个示例中，图1702和1704示意性地描绘了肌肉充氧百分比和跑步速度之间的关系。在一个实施方式中，给定由线1712表示的临界强度(临界跑步速度)和由线1714表示的临界强度(临界肌肉充氧百分比)，可以识别速度1702和肌肉充氧百分比1704之间的关系。特别地，当用户的速度低于临界速度时，例如在阴影区域1716内，用户的对应肌肉充氧百分比将高于临界肌肉充氧百分比1714，例如在阴影区域1718内，反之亦然。
图18描绘了用于锻炼时段的y轴1804上的功率相对于x轴1806上的时间的图1802。将容易理解的是，与图18相关联的数据可以来源于任何锻炼/运动类型，而不背离本公开的范围。例如，图1802可以包括在跑步期间、骑车期间、网球比赛、篮球比赛或足球比赛等期间从功率传感器输出的数据。在一个示例中，图1802可以包括由处理器(诸如活动监测设备700的处理器702)接收的功率数据。这样，活动监测设备700可以包括功率传感器，或者可以被构造成与功率传感器进行通信，功率传感器数据被直接输出，或者可以从功率传感器计算功率值。相应地，如这里所描述的，功率传感器可以包括加速度计，来自该加速度计的加速度数据输入可以被用来计算用户的速度，以及进一步的，用户的能量消耗率(功率)。在另一个示例中，功率传感器可以包括功率计，该功率计可以可操作地连接到用户正在锻炼的健身脚踏车等。
在一个示例中，数据点1808、1810和1812可以表示用户的计算的临界功率值。相应地，在一个示例中，这些临界功率值可以使用关于图19描述的一个或多个过程来计算。这样，图19描绘了可由活动监测设备700执行的流程图1900。在一个实施方式中，可使用流程图1900来计算与由用户进行的锻炼时段相关的临界功率。此外，该锻炼阶段可以包括在剧烈的锻炼强度域内进行的至少一部分。在一个示例中，流程图1900可以利用组织充氧传感器(诸如传感器710)以及功率传感器，功率传感器可以包括功率计或加速度计等中的一个或多个。在一个示例中，组织充氧传感器可以被构造成以周期性或者以非周期性的速率输出指示组织充氧百分比的数据。因此，组织充氧传感器输出指示组织充氧百分比的数据点的周期可具有任何值，而不背离本公开的范围。此外，活动监测设备700可以在流程图1900的块1902处执行一个或多个过程以接收组织充氧数据。在一个示例中，活动监测设备700可以执行一个或多个过程以在流程图1900的块1903处接收来自传感器的电力数据。
可以计算组织充氧中的变化，即当前组织充氧值与先前组织充氧值之间的差异。因此，在一个实施方式中，当前组织充氧值可以对应于滚动平均值，并且类似地，先前组织充氧值可以对应于组织充氧的先前滚动平均值。如此，可以将当前滚动平均值计算为在第一持续时间内的组织充氧百分比的平均值，由此当前滚动平均值可以包括最近接收到的传感器数据点。在另一个实施方式中，可以将当前滚动平均值计算为预定数量的接收到的传感器数据点(其可以以周期性或者以非周期性的速率被接收)上的组织充氧百分比的平均值。在某些具体的示例中，可以将当前滚动平均值计算为过去五秒期间接收的那些肌肉充氧百分比数据点(包括最近接收的数据点)的平均肌肉充氧百分比。然而，可以利用这个第一持续时间的替代时间，而不背离本公开的范围。例如，第一持续时间可以是至少一秒、二秒、三秒、四秒以及六秒、七秒、八秒、九秒、十秒。在另一个示例中，第一持续时间可以在0到1秒、1秒和3秒、2秒和6秒、或者5秒和10秒或者任何其他持续时间或时间范围之间变化。
在一个示例中，可以将先前滚动平均值计算为第二持续时间内的组织充氧百分比的平均值，由此先前滚动平均值可以不包括最近接收到的传感器数据点(即，可以包括至少全部用于计算当前滚动平均值的数据点，除了最近接收的传感器数据点)。在一个示例中，可以计算等于第一持续时间的第二持续时间的先前滚动平均值。在一个实施方式中，当前滚动平均值和先前滚动平均值之间的差值可以通过相减来计算，由此得到肌肉充氧百分比差异。在一个实施方式中，用于计算组织充氧的变化的一个或多个过程可以在过程1900的块1904处并且在一个示例中由处理器702执行。
在一个实施方式中，为了确定计算的组织充氧变化是否对应于给定用户的临界组织充氧(临界强度)，可以将所计算的组织充氧变化与阈值进行比较。在一个示例中，组织充氧百分比变化的这个阈值可以包括任何充氧值。在一个具体示例中，组织充氧百分比变化的阈值可以小于或等于0.1(即，所接收的组织充氧百分比可以不对应于临界组织充氧百分比，除非组织充氧百分比的当前滚动平均值和之前的滚动平均值的差值小于或等于0.1(组织充氧百分比的单位))。附加的或替代的组织充氧阈值可以包括0.2、0.3、0.4、0.5、0.6等等。在一个示例中，可以执行一个或多个过程以在过程1900的决策块1906处确定组织充氧的改变是否小于阈值。
如果确定计算出的组织充氧变化大于阈值，则可以执行一个或多个过程以输出信号(在一个示例中，输出到接口，诸如图形用户接口，或无线接口/收发器)，该信号指示用户没有在临界组织充氧下运动。因此，这些一个或多个过程可以在块1910处以及通过诸如处理器702的处理器执行。然而，如果确定计算的组织充氧变化小于或等于阈值，则流程图1900可以前进到决策块1908。
因此，决策块1908可以表示一个或多个过程，该一个或多个过程被执行以确定组织充氧中的变化(小于或等于先前描述的阈值)是否对阈值持续时间一致/稳定(即，组织充氧百分比的变化小于或等于阈值变化，并且持续预定的阈值持续时间)。因此，本公开可以使用任何阈值持续时间。在某些具体示例中，阈值持续时间可以等于至少一秒、至少两秒、至少三秒、至少四秒、至少五秒或至少10秒，或者在约1和10秒，或5和15秒之间的范围等等。如果确定所计算的组织充氧变化对于阈值持续时间不一致，则流程图1900可前进至块1910。然而，如果确定计算的组织充氧变化对于阈值持续时间一致，则流程图1900可以前进到块1912。
这样，一旦确定所计算的组织充氧变化对于阈值持续时间是一致的，则可以执行一个或多个过程以输出指示用户正在以临界功率/临界组织充氧锻炼的信号。具体地，在一个示例中，可以执行一个或多个过程，以在对应于所识别的临界组织充氧的时间，输出等于当前功率(其由功率传感器所指示)的用户临界功率。或者，临界功率可对应于平均功率，该平均功率由在与组织充氧中的计算的一致变化的计算对应的时间段内的功率传感器指示。这样，被构造为向接口输出临界功率的这一个或多个过程可以由处理器702执行。此外，可以在块1912处执行一个或多个过程以输出与那些接收到的传感器值相对应的临界功率，对于那些接收到的传感器值，当前滚动平均值和先前滚动平均值之间的差值小于或等于阈值。
在一个示例中，基于在同一锻炼的不同时间期间的临界肌肉充氧的多次计算，用户的计算/识别的临界功率可以存在一定程度的变化。相应地，在一个示例中，在块1912处输出的临界功率可以在锻炼时段针对同一用户在多个单独计算的临界组织充氧百分比之间进行平均，等等。因此，在一个示例中，数据点1808、1810和1812可以表示来自对应于用户的临界组织充氧的多个计算的多个临界功率结果的示例性数据点。这样，在一个示例中，可以对与数据点1808、1810和1812相关联的临界功率值进行平均。
在一个实施方式中，关于流程图1900以及贯穿本公开讨论的组织充氧可以包括用于用户身体内的任何肌肉的肌肉充氧。此外，可以利用在块1912计算的临界功率值来计算用户的无氧做功能力(w’)(在一个示例中，该无氧做功能力可以表示为功率(单位：w))，并且计算为当前的肌肉充氧百分比(功率当前)(临界肌肉充氧百分比以上)和临界功率(功率临界)之间的差值，在运动时段期间求和。如此，这些计算出的差值可以被称为正差值。在一个示例中，锻炼时段可能以用户疲劳结束。因此，在块1914处，可以由处理器702执行用于计算无氧做功能力的一个或多个过程：
在某些示例中，可基于指示用户的速度或用于计算用户的速度的传感器输出数据来计算用户的临界速度和无氧做功能力。这样，可以基于从加速计、位置确定传感器或自行车速度计等接收的传感器数据并且不使用如先前描述的组织充氧传感器的传感器数据来计算用户的临界速度和无氧做功能力。在一个实施方式中，本公开描述了用于验证用户的速度数据与临界强度之间的关系的多个验证测试的结果。因此，在一个示例中，可以计算结束速度以便估计用户的临界速度。
图20描绘了可用于在锻炼时段期间计算用户的结束速度的图2000，并且包括y轴2002上的速度相对于x轴2004上的时间。绘制的数据点(其中数据点2006、2008、2010是示例性子集，包括在相同锻炼时段期间给定时间的用户速度的测量。在一个示例中，由线2012表示的结束速度可以被计算为组成图2000的多个数据点的子集的平均值。特别地，结束速度2012可以被计算为平均值这些数据点在锻炼时段的最后30秒内的平均值(例如，线2014和2016之间的这些数据点的平均值)。然而，结束速度可以被计算，即不同持续时间的平均速度，例如运动时段的最后20秒、10秒或5秒，或者任何其他持续时间。在一个示例中，图2000可以表示与具有规定持续时间的锻炼时段相关联的数据点。因此，规定的持续时间可以在1分钟到10分钟的范围内。在一个具体示例中，与图2000相关联的锻炼时段可以是三分钟全试验，由此命令用户在规定的持续时间(三分钟)内作为最高的主观强度水平进行锻炼。可以使用附加的或替代的运动时段规定(时间和/或强度水平)，而不背离本公开的范围。
在一个示例中，基于比较在多个单独的锻炼时段的多个用户的计算出的结束速度的验证测试，可以识别对于给定用户的计算出的结束速度与临界速度之间的关系。特别地，对于多个验证测试，发现90％的用户样本群体在锻炼低于对于三分钟全试验的计算的结束速度5％至10％的情况下能够维持锻炼长达15分钟。此外，对于多个验证测试，发现85％的用户样本群体在锻炼低于对于三分钟全试验的计算的结束速度5％至10％的情况下能够维持锻炼长达20分钟。因此，在一个示例中，可以通过将计算出的结束速度减小5％到10％(例如，计算用户的结束速度的90％到95％)来估计用户的临界速度。在一个具体示例中，可以通过计算92.5％的结束速度等来为用户估计临界速度。
在一个实施方式中，表示为距离的无氧做功能力可以基于计算出的用户的结束速度来计算。相应地，从多个验证测试中比较给定用户的高于结束速度的距离和无氧做功能力，发现无氧做功能力可以通过将计算出的结束速度增加例如25％至35％来估计。在另一具体示例中，可以通过将计算出的结束速度增加30％来估计无氧做功能力。相应地，在一个示例中，高于结束速度的距离可以是来自图20的区域2018(例如，在与图2000相关的锻炼时段期间，速度数据点与计算出的结束速度2012之间的差异的积分)。
图21是可用于基于指示用户速度的传感器数据来计算用户的临界速度和无氧做功能力的流程图2100。因此，在一个示例中，与流程图2100相关联的一个或多个过程可以由诸如设备700的活动监测设备执行。要注意到的是，流程图可以使用传感器，诸如设备700的传感器706，但是不可以使用诸如传感器710的充氧传感器。在一个示例中，活动监测设备700可以从诸如传感器706的传感器接收传感器数据。所接收的传感器数据可以包括指示在各种锻炼时段的不同时间点用户的速度的数据点。在另一个示例中，所接收的传感器数据点可以包括指示用户的位置的数据，并且可以被用来计算速度。在一个示例中，数据点可以被周期性地接收，并且可以是任何周期，而不背离本公开的范围。所接收的数据点可以与具有规定持续时间和强度的锻炼时段相关联。特别地，锻炼时段可以包括指导用户在三分钟时间内以最高主观强度进行锻炼的三分钟全试验。在另一个示例中，可以使用2到5分钟的规定持续时间。在其他示例中，可以使用替代的持续时间，而不背离本公开的范围。在一个示例中，可以在流程图2100的块2102处执行一个或多个过程以接收传感器数据。
可以根据接收的传感器数据计算结束速度，即在锻炼时段接收到的多个传感器数据点的子集的平均速度。在一个具体示例中，可以将结束速度计算为锻炼时段的规定持续时间的最后30秒期间的平均速度。然而，可以利用锻炼时段的规定持续时间的替代子部分来计算结束速度，而不背离本公开范围。在一个示例中，可以执行一个或多个过程，诸如由处理器702在流程图2100的块2104处计算结束速度。
可以通过在锻炼时段的持续时间内(即，在时间t＝0和锻炼时段结束，即时间t＝时段结束之间)加和瞬时速度(速度当前)和计算出的结束速度(速度结束)之间的差来计算高于结束速度的距离。在一个实施方式中，在流程图2100的块2106处，可以执行一个或多个过程以计算高于结束速度的距离。
在一个示例中，可基于所计算的结束速度来计算/估计临界速度。在一个实施方式中，临界速度可以通过将计算的结束速度减小5％到10％来计算：
速度临界＝速度结束×(90-95％)。
在一个具体示例中，临界速度可以计算为计算出的结束速度的92.5％
速度临界＝速度结束×(92.5％)。
在一个实施方式中，在流程图2100的块2108，可以执行一个或多个过程以基于计算出的结束速度来计算临界速度。
在一个示例中，可以基于在结束速度之上的计算距离来计算无氧做功能力。因此，无氧做功能力可以计算为高于计算的结束速度的距离的125％至135％：
无氧做功能力＝(高于结束速度的距离)×(125-135％)。
在一个具体示例中，无氧做功能力可以计算为高于计算出的结束速度的距离的130％：
无氧做功能力＝(高于结束速度的距离)*(130％)。
在一个实施方式中，可基于计算的高于结束速度的距离在流程图2100的块2110处执行一个或多个过程以计算无氧做功能力。
在一个实施方式中，可以根据从传感器接收的数据来计算与用户相关联的临界速度和无氧做功能力，该传感器被构造为输出指示用户在锻炼时段期间行进的距离的数据(例如跑步、骑自行车等时的行进距离)。如此，传感器可以包括加速度计、位置确定传感器或自行车速度表等中的一个或多个。这样，传感器可以被构造为输出指示用户的位置的数据，该数据又可以被用于计算用户行进的距离以及确定行进记录的距离所花费的时间。相应地，图22示意性地描绘了流程图2200，其可以用来从传感器(例如传感器706)输出的数据计算用户的临界速度和/或无氧做功能力中的一个或多个。
在一个实施方式中，为了计算临界速度和/或无氧做功能力中的一个或多个，用户可以向活动监测设备(例如设备700)提供测试数据。在一个示例中，测试数据可以锻炼时期期间由传感器(例如传感器706)产生，锻炼时期可以被另称为锻炼时段。在一个示例中，锻炼时期可以包括规定的持续时间，在该持续时间内用户被指示在规定的时间限制内尽可能快地(即尽可能长距离地)跑步。在某些具体示例中，锻炼时期可以指示用户在例如一分钟、两分钟、三分钟、四分钟、五分钟、六分钟、七分钟、八分钟、九分钟、10分钟、12分钟、15分钟、20分钟或任何其他持续时间内尽可能长距离地跑步。相应地，诸如传感器706的传感器可以被构造为在锻炼时期期间每秒输出用户的位置。进而，该位置数据可以被用来计算在锻炼时期期间用户行进的总距离。或者，传感器706可以被构造为在不同频率下位于位置数据点，该不同的频率可以是0.25hz、0.5hz、2hz、3hz、4hz或任何其它频率。在一个示例中，为了生成测试数据而为用户规定的锻炼时期可以确保用户在锻炼时期的规定持续时间的至少一部分以高于临界强度的强度锻炼。因此，在一个示例中，可以执行一个或多个过程以在流程图2200的块2202处指示用户开始锻炼时期。
在一个示例中，传感器706可以输出表示由用户在锻炼时期的每一秒行进的当前位置和/或距离的数据点。因此，在一个示例中，输出的数据可以被接收用于进一步由例如处理器702在在流程图2200的块2204处处理。
在一个实施方式中，可以存储与规定的锻炼时期的每一秒相关联的数据点。如此，可以将规定的锻炼时期的每秒的位置数据存储在例如存储器704中。完成给定的锻炼时期后，可以计算在规定的锻炼时期内行进的总距离。在一个实施方式中，可以通过在一个示例处理器702中以及在流程图2200的块2206处计算所行进的总距离。
在一个示例中，用于生成数据以确定用户的临界速度和/或无氧做功能力的锻炼时期可以被概括为包括两条信息的数据点。在一个示例中，除了锻炼时期/时段的总时间(即持续时间)之外，该锻炼时期概要数据点还可以包括在块2206处确定的总行进距离。在一个示例中，两条信息(即，总距离和总时间)可以被表示为坐标点。在一个示例中，该坐标点p可以是p(x3，y3)的形式，其中y3可以是总距离(m)，并且x3可以是总时间(s)。以这种方式，可以绘制表示为坐标点的锻炼时期概要数据点，如图23中示意性描绘的。在一个示例中，锻炼时期概要数据点可以在流程图2200的块2208处被计算。
在一个实施方式中，为了计算用户的临界速度和/或无氧做功能力中的一个或多个，可以使用两个或更多个锻炼时期概要数据点。在一个示例中，用于生成两个或更多个锻炼时期概要数据点的锻炼时期的持续时间可以不同。因此，在一个示例中，可以执行一个或多个过程以确定用户是否已经完成阈值数量的锻炼时期，以计算用户的临界速度和/或无氧做功能力中的一个或多个。如前所述，锻炼时期的这个阈值数量可以是至少两个、至少三个、至少四个或至少五个等等。在一个具体示例中，处理器702可以执行一个或多个过程，以在流程图2200的决策块2210处确定锻炼时期的阈值数量是否已经完成。因此，如果达到或超过锻炼时期的阈值数量，流程图2200进行到块2212。然而，如果未达到锻炼时期的阈值数量，则流程图2200从决策块2210返回到块2202。
在一个示例中，可以使用从两个或更多个规定的锻炼时期计算的两个或更多个锻炼时期概要数据点来计算回归。在一个示例中，这种回归可能是线性回归或曲线回归。如此，本领域已知的用于计算线性或曲线回归的任何计算过程都可以用于本公开。在一个实施方式中，可以利用计算的回归的至少一部分来确定用户的临界组织充氧百分比和/或无氧做功能力中的一个或多个。在一个具体示例中，可以执行一个或多个过程以在流程图2200的块2212处计算回归。
在一个示例中，可以利用使用两个或更多个锻炼时期概要数据点计算的回归的至少一部分来确定用户的临界速度。特别地，临界速度可以对应于回归线的斜率(或者曲线回归的线性部分的斜率)。在一个实施方式中，可以执行一个或多个过程以在流程图2200的块2214处输出通过两个或更多个锻炼时期概要数据点计算为回归线的斜率的临界速度。
在另一个示例中，可以利用使用两个或更多个锻炼时期概要数据点计算的回归的至少一部分来确定用户的无氧能力。特别地，无氧能力可以对应于回归线的截距(或者曲线回归的线性部分的截距)。在一个示例中，无氧能力可以表示为高于临界速度(m/s)的总距离(m)。在一个实施方式中，在流程图2200的块2216处，可执行一个或多个过程以输出通过两个或更多个锻炼时期概要数据点计算为回归线的截距的无氧能力。
图23是绘制给定用户来自多个锻炼时段的测试数据的图。特别地，图23是相对于时间2304绘制距离2302的图2300。点2306、2308、2310和2312可以各自表示单独的锻炼时段，并且使得这些锻炼时段中的每一个的至少一部分在用户的剧烈锻炼强度域执行。在一个实施方式中，锻炼时期概要数据点2306、2308、2310和2312可以各自表示以连续方式执行的单独锻炼时段。然而，在另一个实施方式中，锻炼时期概要数据点2306、2308、2310和2312中的一个或多个可以表示以间歇方式执行的单独锻炼时段。
在一个实施方式中，可以使用如在图2300上绘制的四个锻炼时期概要数据点2306、2308、2310和2312来计算回归线2314。在一个示例中，该回归线2314可以是以下形式：
y＝mdx+cd
其中y是总距离(y轴)，x是时间(s)(x轴)，md是回归线2314的斜率，并且cd是在回归线2314在y轴上的截距。
对于用于生成运动时段汇总数据点2306、2308、2310和2312的示例性实验数据，回归线2314可以具有以下形式：y＝4.21x+181.96，其中r2值为0.99979。要注意到的是，这个回归线2314公式仅仅作为一个示例结果被包括。
在一个示例中，通过诸如锻炼时期概要数据点2306、2308、2310和2312的两个或更多个锻炼时期概要数据点，可以使用诸如回归线2314的回归线来计算临界速度和/或高于临界速度(d’)的总距离(其可能与无氧做功能力成比例)。在一个示例中，给定以下形式的回归线2314：y＝mx+c，临界速度可以等于m，回归线2314的斜率和高于临界速度的总距离可以等于c(或|c|，c的绝对值)，即回归线2314在y轴上的截距。特别地，给定图2300中描绘的实验数据，用户的临界速度可以是4.21m/s，并且高于临界速度的总距离可以是181.96m。
在某些示例中，可以基于单个输入数据点来计算临界速度、临界功率和/或无氧做功能力。在一个实施方式中，该单个输入数据点可以包括比赛时间(包括完成比赛距离所花费的距离和时间)。在一个示例中，可以基于以下假设来利用比赛时间：至少一部分比赛是在剧烈运动强度域内进行的。然而，包括完成距离的单个输入数据点和完成从除了比赛以外的锻炼时段(即，用户采取的非正式跑步时段)导致的距离所花费的时间可以与本文描述的系统和方法一起使用。在另一个实施方式中，可以利用单个输入数据点来计算临界功率和/或无氧做功能力，并且使得单个输入数据点可以包括所完成的总做功量和花费的总时间。
在一个实施方式中，可以利用单个输入数据点基于通过分析多个不同用户的多个锻炼时段而开发的关系(模型)来计算临界速度、临界功率和/或无氧做功能力中的一个或多个。特别地，图24描绘了可以用于基于用于跑步的总运动期间时间(x轴2406)的输入来预测临界速度的分数(y轴2404)的模型2402。数据点2408、2410和2412是来自可用于开发模型2402的多个数据点的示例性数据点。因此，数据点2408、2410和2412可以表示同一用户或不同用户的单独的锻炼时段(对于跑步锻炼时段)。在一个示例中，模型2402可以具有以下形式：y＝1.8677x-0.082，r2值为0.6816。在另一示例中，模型2402可以具有以下形式：y＝1.87x-0.1。
图25描绘了可用于基于跑步锻炼时段的总运动时段距离(x轴2506)的输入来预测临界速度(y轴2504)的分数的模型2502。数据点2508、2510和2512是来自可用于开发模型2502的多个数据点的示例性数据点。因此，数据点2508、2510和2512可以表示同一用户或不同用户的单独的锻炼时段(对于跑步锻炼时段)。在一个示例中，模型2502可以具有以下形式：y＝2.2398x-0.09，r2值为0.6779。在另一个示例中，模型2502可以具有以下形式：y＝2.2x-0.1
图26描绘了可用于基于用于骑车的总运动时段时间(x轴2606)的输入来预测临界速度的分数(y轴2604)的模型2602。数据点2608、2610和2612是来自可用于开发模型2602的多个数据点的示例性数据点。因此，数据点2608、2610和2612可以表示同一用户或不同用户的单独的锻炼时段(对于骑车锻炼时段)。在一个示例中，模型2602可以具有以下形式：y＝1.9199x-0.088，r2值为0.8053。在另一个示例中，模型2602可以具有以下形式：y＝1.9x-0.1
图27描绘了可用于基于在用于骑车的运动期间(x轴2706)时期花费的总能量的输入来预测临界速度的分数(y轴2704)的模型2702。数据点2708、2710和2712是来自可用于开发模型2702的多个数据点的示例性数据点。因此，数据点2708、2710和2712可以表示同一用户或不同用户的单独的锻炼时段(对于骑车锻炼时段)。在一个示例中，模型2702可以具有以下形式：y＝3.0889x-0.086，r2值为0.6769。在另一示例中，模型2702可以具有以下形式：y＝3.1x-0.1
在一个实施方式中，可以使用本领域已知的任何数学建模方法(例如回归建模方法等)来计算模型2402、2502、2602和/或2702。
图28是可用于基于单个输入数据点来计算临界速度(或临界功率)和无氧做功能力中的一个或多个的流程图2800。因此，与流程图2800相关联的一个或多个过程可以由诸如处理器702之类的处理器来执行。在一个示例中，单个输入数据点可以包括与用于锻炼时段的总距离相结合的总时间。在一个示例中，锻炼时段的至少一部分可以在剧烈的锻炼强度域内执行。在另一个示例中，单个输入数据点可以包括消耗的总功率和与锻炼时段相关联的总时间。因此，一个或多个过程可以在块2802处执行被执行以接收单个输入数据点。在一个具体示例中，数据点可以指示用户在1300秒内完成了5公里的比赛。
可以利用数学模型来计算临界速度分数或临界功率分数。因此，在一个示例中，到模型2402、2502、2602和/或2702中的模型的输入可以包括在锻炼时段期间行进的总距离、完成锻炼时段的总时间或者在锻炼时段消耗的总功率。此外，从一个示例中的模型2402、2502、2602和/或2702中选择模型可以基于活动类型(例如跑步或骑自行车等)。在一个实施方式中，可以执行一个或多个过程以在流程图2800的块2804处计算临界速度分数或临界功率分数。对于在1300秒内完成的5km跑步运行的具体示例，临界速度分数可以被计算为y＝1.8677×(1300)-0082(模型2402)，这意味着临界速度分数(y)＝1.045。
另外，可以将平均速度计算为总的运动时段距离除以完成距离所花费的总时间。在另一个实施方式中，可以将平均运动时段功率计算为总运动时段功率除以完成运动所花费的总时间。因此，可以执行一个或多个过程以在流程图2800的块2806处计算平均运动时段速度或平均运动时段功率。对于在1300秒内跑步5km的具体示例，平均运动时段速度可以是5000/1300＝3.85米/秒。
临界速度可以被计算为平均速度除以临界速度分数。或者，用户的临界功率可以被计算为平均功率除以临界功率分数。相应地，在流程图2800的块2808处，可执行一个或多个过程以计算临界速度或临界功率。对于在1300秒内跑步5km的具体示例，临界速度可计算为3.85/1.045＝3.68米/秒。
在临界速度以下行进的总距离可以被计算为平均速度乘以与锻炼时段相关联的总时间。或者，在临界功率以下消耗的总能量可以被计算为平均功率乘以与锻炼时段相关的总时间。相应地，在流程图2800的块2810处，可以执行一个或多个过程以计算在临界速度以下行进的总距离，或者在临界功率以下消耗的总能量。对于在1300秒内跑步5km的具体示例，低于临界速度的距离可以计算为3.68×1300＝4784米。
无氧做功能力可以计算为高于临界速度的距离，或者高于临界功率的总能量。因此，可以计算(例如用于跑步)无氧做功能力，即在锻炼时期期间行进的总距离与在块2810处计算的在临界速度以下行进的总距离之间的差异。或者，无氧做功能力可以被计算(例如，用于骑车)，即在锻炼时段期间消耗的总能量与在块2810处计算的在临界功率以下消耗的总能量之间的差异。因此，可以执行一个或多个过程来计算在流程图2800的块2812处的无氧做功能力。对于在1300秒内跑步5km的特定示例，在临界速度(即无氧做功能力d’)以上行进的距离可以等于5000-4784＝216米
在某些实施方式中，可以在不使用任何传感器的情况下估计与由用户参与的锻炼时段相关联的氧气消耗体积。特别地，可以基于使用用户回答的一个或多个问题构建的运动概况来估计用户的氧气消耗体积。该调查问卷可以以电子格式给予用户，并且可以包括一个或多个问题。在一个示例中，这些问题的答案可以基于标尺。在一个示例中，标尺可以包括从0到10的数字。然而，可以使用附加的或替代的标尺，而不背离本公开的范围。特别地，问题可以包括：骨尺寸的估计、用户的瘦肉的估计、肌肉尺寸的估计、睡眠质量的估计、放松习惯的估计、营养质量的估计、吸烟状况的估计、饮酒习惯的估计以及对用户活跃度的估计等。用于为用户构建运动概况的附加或替代的问卷问题可以包括：用户的年龄、性别、身高、腰围、体重以及关于用户是否怀孕的指示。更进一步的问卷问题可以包括5公里跑步步调(或与另一距离相关的步调)的估计，以及一周内活动天数的估计。
图29描绘了可用于响应于接收到的用户的感知的运动速率并且利用使用一个或多个问卷调查问题构建的运动概况来估计用户的氧气消耗体积的流程图2900。具体地，可以要求用户回答一个或多个问卷问题，问题可以包括上述的一个或多个问题。因此，处理器(例如处理器702)可以执行一个或多个过程以在流程图2900的块2902处接收一个或多个问卷响应。
基于一个或多个所接收的问卷响应，可以计算和存储(诸如在存储器704内)运动概况。相应地，该运动概况可以解释与用户相关联的一个或多个身体和/或行为属性，这可能影响用户的氧气消耗体积。在一个示例中，运动概况可以基于用户的一个或多个身体和/或行为属性来估计与用户相关联的氧气消耗的最大体积。相应地，在块2904处可以执行一个或多个过程来计算和存储运动概况。
在一个示例中，用户可以在锻炼时段之后输入感知的运动速率。该感知的运动速率可以由处理器(例如处理器702)经由诸如接口708之类的接口来接收。在一个示例中，感知的运动速率可以作为标尺上0到10的数字来接收。然而，本领域普通技术人员将认识到，可以利用附加的或替代的标尺与他感知的运动速率，而不背离本公开的范围。在一个示例中，在块2906处可以从用户接收感知的运动速率。
基于所构建的用户的运动概况，所接收的感知运动速率可被映射到用户的耗氧量标尺。在一个示例中，感知到的运动速率的标尺可以线性地映射到由基于所计算的用户的运动概况为用户估计的最大耗氧量限定的耗氧体积。在其他实施方式中，可以使用感知到的运动量标尺与氧气消耗量标尺的体积的非线性映射，不背离本公开的范围。因此，可以在块2908处执行将所接收的感知到的运动速率映射到氧气消耗标尺的一个或多个过程。另外，可以基于输入的用户感知的运动速率在块2910执行一个或多个过程以输出估计的氧气消耗体积。
在一个示例中，当用户以低于临界强度的强度(即，在中度或重度运动强度域内)锻炼时，用户的无氧做功能力可以被补充。如前所述，无氧做功能力可以表示为从肌肉充氧传感器数据(例如由充氧传感器710输出的数据)得出的肌肉充氧点的总数。这样，无氧做功能力可以表示为m’。在一个示例中，无氧做功能力的补给可以表示为m’_速率并且计算为当前肌肉充氧百分比和临界肌肉充氧百分比之间的差值：m’_速率＝％mo2-临界％mo2。在一个示例中，m’_速率可以在锻炼时期/试验的整个持续时间内连续相加，以便确定m’平衡(即，肌肉充氧点的总数)。因此，在当前的肌肉充氧百分比低于临界肌肉充氧百分比时，计算的m’_速率可能是负的，并且表示正在消耗有限的做功能力(无氧做功能力)。此外，在当前肌肉充氧百分比高于用户的临界肌肉充氧百分比时，m’_速率可能是正的，并且可以补充有限的做功能力。图30示意性地描绘了总肌肉充氧点的消耗和补充。特别地，图30针对四个不同的运动强度域(即，剧烈3004、重度3006、中等3008和休息3010)在y轴3002上绘制m’补充。如此，图30示意性地示出了与剧烈运动强度域相关联的m’_速率可能是负的，但是当用户转变为在重度运动强度域3006内锻炼、中等运动强度域3008内锻炼和休息3010时，可以补充用户的无氧做功能力。
本公开中描述了用于计算用户的临界强度(临界速度或临界功率)的各种系统和方法。另外，本公开中描述了用于计算与用户相关的无氧做功能力/有限做功能力(m’，d’)的各种系统和方法。这样，给定这些计算的临界强度和有限做功能力值，可以预测各种活动度量。这样，本领域普通技术人员将认识到可以使用的各种方法，使用临界强度和有限工作能力中的一个或多个预测运动指标，而不背离本公开的范围。在一个示例中，给定当前速度vp(m/s)，临界速度vcrit(m/s)和有限做功能力d’(m)，以预测运动事件(例如比赛)的完成时间t(s)可以由下式给出：t＝d’/(vp-vcrit)。
为了避免疑义，本申请扩展到以下编号段(称为“段”)中描述的主题：
1.一种装置，包括：
处理器；
用户接口；
充氧传感器，充氧传感器被构造为靠近用户的皮肤区域，充氧传感器还被构造为输出指示用户的身体组织的组织充氧的数据；和
包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
接收来自与至少两个锻炼时期相关联的充氧传感器的组织充氧数据，至少两个锻炼时期中的每一个的至少一部分与剧烈锻炼强度域相关联，并且至少两个锻炼时期具有不同的持续时间；
计算用于至少两个锻炼时期中的每一个的组织充氧点的总数；
针对至少两个锻炼时期中的每一个计算锻炼时期概要数据点以，即组织充氧点对锻炼持续时间的总数量；
通过至少两个锻炼时期的锻炼时期概要数据点计算回归；
输出等于回归的至少一部分的斜率的临界组织充氧百分比，和/或输出等于与至少一部分回归关联的截距的无氧做功能力。
2.根据段落1的装置，其中至少两个锻炼时期中的每一个的组织充氧点的总数被计算为来自两个锻炼时期的锻炼时期持续时间的每秒的组织充氧百分比的积分。
3.根据段落1或2的装置，其中计算机可读指令在由处理器执行时还使得装置：
从充氧传感器接收指示与附加的锻炼时期相关联的附加的组织充氧百分比的数据；和
比较附加的组织充氧百分比与临界组织充氧百分比，
其中：
如果附加的组织充氧百分比小于临界组织充氧，则向用户接口输出指示用户以不可持续的做功速率锻炼的信号，和/或
如果附加组织充氧百分比大于或等于临界组织充氧，则向用户接口输出指示用户正在以可持续做功速率锻炼的信号。
4.根据前述任一段落的装置，其中，计算机可读指令在由处理器执行时还使装置：
从充氧传感器接收指示与附加锻炼相关联的附加组织充氧百分比的数据；
接收与附加锻炼相关联的距离的指示；和
基于计算出的临界组织充氧来计算完成附加锻炼的预期时间。
5.根据前述任一段落的装置，其中充氧传感器利用近红外光谱学。
6.根据前述任一段落的装置，其中身体组织是肌肉。
7.根据段落6的装置，其中肌肉被分类为持续至少两个锻炼时期的由用户进行的锻炼的类型的不活动肌肉。
8.根据前述任一段落的装置，其中装置被构造成被穿戴在用户的肢体上。
9.根据前述任一段落的装置，其中回归是线性回归。
10.根据前述任一段落的装置，其中回归是曲线回归。
11.一种装置，包括：
处理器；
充氧传感器，充氧传感器被构造为靠近用户的皮肤区域，充氧传感器还被构造为输出指示用户的身体组织的组织充氧的数据；和
包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
从充氧传感器接收指示用户的身体组织的组织充氧百分比的周期性数据；
使用两个或更多个接收的组织充氧数据点来计算组织充氧趋势，
其中：
如果组织充氧趋势是负的，则输出表示用户正在以不可持续的做功速率锻炼的信号，
如果组织充氧趋势是正的，则输出指示用户正在以可持续做功速率锻炼的信号，和/或
如果组织充氧趋势是水平的，则输出指示用户正在以临界做功速率锻炼的信号。
12.根据段落11的装置，其中如果负组织充氧趋势具有高于阈值的绝对值，则输出指示用户正以高于用户的临界功率的剧烈强度锻炼的信号。
13.根据段落11或12的装置，其中如果组织充氧趋势是水平的，则输出等于对应于水平组织充氧趋势的组织充氧百分比的临界组织充氧百分比。
14.根据段落11至13中任一段落的装置，其中组织充氧趋势被计算为组织充氧百分比的变化，其等于当前滚动平均组织充氧与先前滚动平均组织充氧之间的差异。
15.根据段落11至14中任一段落的装置，其中当组织充氧百分比的变化小于阈值变化值达至少阈值时间时，组织充氧趋势为水平。
16.根据段落15的装置，其中，阈值变化值为0.1％，并且阈值时间为3秒。
17.根据段落11至16中任一段落的装置，其中身体组织是肌肉。
18.根据段落11至17中任一段落的装置，其中充氧传感器利用近红外光谱学。
19.根据段落11至18中任一段落的装置，其中装置被构造为被穿戴在用户的肢体上。
20.一种方法，包括：
由处理器接收来自充氧传感器的指示用户的身体组织的组织充氧百分比的传感器数据；
由处理器使用两个或更多个接收的组织充氧数据点来计算组织充氧趋势，
其中：
如果组织充氧趋势是负的，则输出表示用户正在以不可持续的做功速率锻炼的信号，
如果组织充氧趋势是正的，则输出指示用户正在以可持续做功速率锻炼的信号，和/或
如果组织充氧趋势是水平的，则输出指示用户正在以临界做功速率锻炼的信号。
21.根据段落20的方法，其中组织充氧趋势被计算为组织充氧百分比的变化，其等于当前滚动平均组织充氧与先前滚动平均组织充氧之间的差异。
22.如段落20或21的方法，其中如果负组织充氧趋势具有高于阈值的绝对值，则输出指示用户以高于用户临界功率的剧烈强度锻炼的信号。
本申请还延伸到以下编号段落(称为“段落”)中描述的主题：
1.一种装置，包括：
处理器；
接口；
充氧传感器，充氧传感器被构造为靠近用户的皮肤区域，充氧传感器还被构造为输出指示用户的身体组织的组织充氧的数据；
功率传感器，被构造为输出指示用户的功耗的数据；和
包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
在锻炼时段从充氧传感器接收组织充氧数据，锻炼时段包括在剧烈的锻炼强度域内锻炼的总锻炼时间的至少一部分；
计算组织充氧的变化，即当前组织充氧值和先前组织充氧值之间的差值；和
比较组织充氧的变化与阈值变化值和阈值持续时间，
其中：
如果组织充氧的变化小于或等于阈值变化值，并且组织充氧的变化持续大于或等于阈值持续时间的第一持续时间，则向接口输出指示临界功率值等于功率传感器指示的当前功率，和/或
如果组织充氧的变化大于阈值变化值或组织充氧变化持续小于阈值持续时间的第二持续时间，则向接口输出信号，指示由功率传感器指示的当前功率不等于用户的临界功率。
2.根据段落1的装置，其中当前组织充氧值和先前组织充氧值是在滚动平均持续时间期间从充氧传感器接收的组织充氧数据点的滚动平均值。
3.根据段落2的装置，其中滚动平均持续时间为至少两秒。
4.根据前述任一段落的装置，其中身体组织是肌肉。
5.根据前述任一段落的装置，其中充氧传感器利用近红外光谱。
6.如前述任何一个段落的装置，其中装置被构造为被穿戴在用户的肢体上。
7.根据前述任一段落的装置，其中计算机可读指令在由处理器执行时还使装置：
针对总锻炼时间计算等于多个正差值总和的用户的无氧做功能力，其中差值等于来自功率传感器的输出功率值与临界功率值之间的差值。
8.一种装置，包括：
处理器；
接口；
充氧传感器，充氧传感器被构造为靠近用户的皮肤区域，充氧传感器还被构造为输出指示用户的身体组织的组织充氧的数据；
功率传感器，被构造为输出指示用户的功耗的数据；和
包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
在锻炼时段从充氧传感器接收组织充氧数据，锻炼时段包括在剧烈的锻炼强度域内锻炼的总锻炼时间的至少一部分；
计算组织充氧的变化，即当前组织充氧值和先前组织充氧值之间的差值；和
比较组织充氧的变化与阈值变化值，
其中：
如果组织充氧的变化小于或等于阈值变化值，则向接口输出指示临界功率值等于由功率传感器指示的当前功率的信号，和/或
如果组织充氧的变化大于阈值变化值，则向接口输出指示功率传感器指示的当前功率不等于用户的临界功率的信号。
9.根据段落8的装置，其中功率传感器包括加速度计。
10.根据段落8或9的装置，其中功率传感器包括测力计。
11.根据方面8至10中任一段落的装置，其中，接口包括图形化用户接口。
12.根据段落8至11中任一段落的装置，其中接口包括收发器。
13.根据段落8至12中任一段落的装置，其中计算机可读指令在由处理器执行时还使装置：
针对总锻炼时间计算等于多个正差值总和的用户的无氧做功能力，其中差值等于来自功率传感器的输出功率值与临界功率值之间的差值。
14.根据方面8至13中任一段落的装置，其中身体组织对于锻炼时段是活动肌肉。
15.根据段落8至13中任一段落的装置，其中身体组织对于锻炼时段是不活动肌肉。
16.一种包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
从充氧传感器接收在锻炼时段期间的组织充氧数据，锻炼时段包括在剧烈运动强度域内锻炼的总锻炼时间的至少一部分；
计算组织充氧的变化，即当前组织充氧值和先前组织充氧值之间的差值；和
比较组织充氧的变化与阈值变化值，
其中：
如果组织充氧的变化小于或等于阈值变化值，则向接口输出指示临界功率值等于由功率传感器指示的当前功率的信号，和/或
如果组织充氧的变化大于阈值变化值，则向接口输出指示功率传感器指示的当前功率不等于用户的临界功率的信号。
17.根据段落16的非瞬态计算机可读介质，其中当前组织充氧值和先前组织充氧值是在滚动平均持续时间期间从充氧传感器接收的组织充氧数据点的滚动平均值。
18.根据段落17的非瞬态计算机可读介质，其中滚动平均持续时间是至少两秒。
19.根据段落16至18中任一段落的非瞬态计算机可读介质，其中充氧传感器利用近红外光谱学。
20.根据段落16至19中任一段落的非瞬态计算机可读介质，其中滚动平均持续时间在至少1秒和10秒之间的范围内。
本申请还延伸到以下编号段落(称为“段落”)中描述的主题：
1.一种装置，包括：
处理器；
传感器；和
包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
从传感器接收多个传感器数据点，多个传感器数据点中的每一个表示在锻炼时段期间用户的即时速度，锻炼时段具有在开始时间与结束时间之间的规定持续时间；
计算在锻炼时段的规定持续时间结束时用户的结束速度；
计算高于结束速度的距离，即用户在锻炼时段的规定的持续时间的开始时间与结束时间之间的高于所计算的结束速度的瞬时速度所行进的总距离；
基于计算出的结束速度输出用户的临界速度，和/或基于计算的超过结束速度的距离来输出无氧做功能力。
2.根据段落1的装置，其中，用户的结束速度被计算为在锻炼时段的结束部分期间所接收的多个周期性传感器数据点的子集的平均值。
3.根据段落2的装置，其中，锻炼时段的规定持续时间的结束部分包括规定持续时间的最后30秒。
4.根据前述任一段落的装置，其中临界速度由处理器计算为所计算的结束速度的90-95％。
5.根据前述任一段落的装置，其中无氧做功能力计算为计算超过结束速度的距离的125-135％。
6.根据前述任一段落的装置，其中多个传感器数据点是周期性的。
7.根据前述任一段落的装置，其中，锻炼时期包括2-5分钟的规定持续时间。
8.根据前述任一个段落的装置，其中锻炼时段包括约3分钟的规定持续时间。
9.根据前述任一个段落的装置，其中锻炼时段进一步规定：用户在规定的持续时间内以最高的主观强度水平进行锻炼。
10.根据前述任一段落的装置，其中传感器包括加速度计。
11.根据前述任一段落的装置，其中传感器包括位置确定传感器。
12.一种装置，包括：
处理器；
传感器；和
包括计算机可执行指令的非瞬态计算机可读介质，计算机可执行指令在由处理器执行时被构造为至少执行：
从与至少两个锻炼时期相关联的传感器接收数据，至少两个锻炼时期的至少一部分与剧烈锻炼强度域相关联并且具有不同的持续时间；
针对至少两个锻炼时期中的每一个计算锻炼时期概要数据点，即对锻炼持续时间的总行进距离；
通过至少两个锻炼时期的锻炼时期概要数据点计算回归；
为用户输出等于回归的至少一部分的斜率的临界速度，和/或输出等于与至少一部分回归相关联的截距的无氧做功能力。
13.根据段落12的装置，其中计算机可读指令在由处理器执行时还使得装置：
从传感器接收指示与附加的锻炼时期相关联的速度的数据；和
比较速度与临界速度，
其中：
如果速度大于临界速度，则输出表示用户正在以不可持续的做功速率进行锻炼的信号，和/或
如果速度小于或等于临界速度，则输出表示用户正在以可持续做功速率锻炼的信号。
14.根据段落12至13的装置，其中传感器是位置确定传感器。
15.根据段落12至14中任一段落的装置，其中传感器是加速度计。
16.根据段落12至15中任一段落的装置，其中装置被构造为被穿戴在用户的肢体上。
17.根据段落12至16中任一段落的装置，其中回归是线性回归。
18.根据段落12至17中任一段落的装置，其中回归是曲线回归。
19.一种方法，包括：
由处理器从传感器接收多个传感器数据点，多个传感器数据点指示在锻炼时段期间的多个时间段处的用户的速度，锻炼时段具有在开始时间和结束时间之间的规定持续时间；
由处理器计算在锻炼时段结束时用户的结束速度；
由处理器计算高于结束速度的距离，即用户以高于所计算的结束速度的速度在锻炼时段的开始时间和结束时间之间的规定持续时间内行进的总距离；
基于计算出的结束速度输出用户的临界速度，和/或基于计算的超过结束速度的距离来输出无氧做功能力。
20.如段落19的方法，其中，用户的结束速度被计算为在锻炼时段的结束部分期间所接收的多个周期性传感器数据点的子集的平均值。
21.根据段落20的方法，其中，锻炼时段的规定持续时间的结束部分包括规定时间的最后30秒。
22.根据段落19至21中任一段落的方法，其中，处理器将临界速度计算为所计算的结束速度的90-95％。
23.根据段落19至22中任一段落的方法，其中无氧做功能力被计算为计算的超过结束速度的距离的125-135％。
24.根据段落19至23中任一段落的方法，其中多个传感器数据点是周期性的。
25.根据段落19至24中任一段落的方法，其中锻炼包括2-5分钟的规定持续时间。
26.根据段落19至25中任一段落的方法，其中锻炼时段包括大约3分钟的规定持续时间。
27.根据段落19至26中任一段落的方法，其中锻炼时段进一步规定：用户在规定的持续时间内以最高的主观强度水平进行锻炼。
本申请还延伸到以下编号段落(称为“段落”)中描述的主题：
1.一种方法，包括：
从用户接收指示运动执行距离d和运动执行时间t的数据点；
基于运动执行时间和活动类型计算临界速度分数cv分数；
计算用户的平均速度，即运动执行距离除以时间；和
为用户计算等于平均速度除以临界速度分数的临界速度，
其中对于与跑步相对应的活动类型，cv分数近似等于2t-0.1。
2.根据段落1的方法，其中cv分数近似等于1.9t-0.08。
3.根据段落1的方法，其中cv分数近似等于1.87t-0.082。
4.根据段落1的方法，其中cv分数近似等于1.868t-0.082。
5.根据段落1的方法，其中cv分数近似等于1.8677t-0.082。
6.根据前述任一段落的方法，还包括：
计算在临界速度以下行进的距离，即平均速度乘以运动执行时间；和
计算等于运动执行距离减去在临界速度以下行进的距离的无氧做功能力。
7.一种方法，包括：
从用户接收指示运动执行距离d和运动执行时间t的数据点；
基于运动执行距离和活动类型来计算临界速度分数cv分数；
计算用户的平均速度，即运动执行距离除以时间；和
为用户计算等于平均速度除以临界速度分数的临界速度，
其中对于与跑步相对应的活动类型，cv分数＝2d-0.1。
8.根据段落7的方法，其中cv分数近似等于2.2d-0.09。
9.根据段落7的方法，其中cv分数近似等于2.24d-009。
10.根据段落7的方法，其中cv分数近似等于2.240d-009
11.根据段落7的方法，其中cv分数近似等于2.2398d-0.09。
12.一种方法，包括：
从用户接收指示运动执行功率p和运动执行时间t的数据点；
基于运动执行时间和活动类型计算临界功率分数cp分数；
计算用户的平均功率，即运动表现力除以时间；和
为用户计算等于平均功率除以临界功率分数的临界功率，
其中对于对应于骑车的活动类型，cp分数＝2t-0.1。
13.根据段落12的方法，其中cp分数近似等于1.9t-088。
14.根据段落12的方法，其中cp分数近似等于1.92t-088。
15.根据段落12的方法，其中cp分数近似等于1.920t-088。
16.根据段落12的方法，其中cp分数近似等于1.9199t-088。
17.一种方法，包括：
从用户接收指示运动执行功率p和运动执行时间t的数据点；
基于运动执行时间和活动类型计算临界功率分数cp分数；
计算用户的平均功率，即运动表现力除以时间；和
为用户计算等于平均功率除以临界功率分数的临界功率，
其中对于对应于骑车的活动类型，cp分数＝3t-0.1。
18.根据段落17的方法，其中cp分数近似等于3.1p-0.08。
19.如段落17的方法，其中cp分数大约等于3.09p-0.08。
20.根据段落17的方法，其中cp函数近似等于3.089p-0.08。
21.根据段落17的方法，其中cp函数近似等于3.0889p-0.08。
本申请还延伸至以下编号段落(称为“段落”)中的主题：
1.一种方法，包括：
接收来自用户的调查问卷相应；
基于问卷响应计算和存储用户运动概况；
在锻炼时段之后从用户接收感知的运动速率；
基于所存储的运动概况，将感知的运动速率映射到充氧消耗标尺；和
基于该映射输出估计的用户的氧气消耗体积。
2.根据段落1的方法，其中问卷要求用户估计从以下问题中选择的一个或多个属性：骨尺寸的估计、用户的瘦肉的估计、肌肉尺寸的估计、睡眠质量的估计、放松习惯的估计、营养质量的估计、吸烟状况的估计、饮酒习惯的估计、对用户活跃度的估计、用户的年龄、性别、身高、腰围、体重、关于用户是否怀孕的指示、5公里跑步步调的估计，以及一周内活动天数的估计。
为了避免不必要的重复工作和文本的重复，仅仅关于一个或多个方面，实施方式或段落描述某些特征。然而，应该理解的是，在技术上可能的情况下，关于任何方面、实施方式或段落描述的特征也可以与任何其它方面、实施方式或段落一起使用。
- 还没有人留言评论。精彩留言会获得点赞！