一种基于深度学习与相似度分析的个性化运动处方生成方法

本发明公开了一种融合深度学习、可学习相似度与多模态时序分析的个性化运动处方生成方法：首先综合用户的静态体征、健康风险标签及可穿戴设备实时采集的心率、HRV、步数等动态信号，经多模态编码器统一建模为个体状态向量；随后由BERT‑Transformer文本生成模型输出初步运动方案，同时利用对比学习网络将用户映射至以历史执行效果为监督的隐空间，通过近似最近邻检索与效果加权精准推断FITT核心参数；再经大语言模型对文本与参数进行一致性优化，并在医学规则库构建的安全屏障下完成风险校验，确保输出满足临床禁忌与个体耐受，最后结合离线强化学习策略在医学约束下持续优化长期健康收益，配合元学习冷启动和不确定性估计，实现对新老用户安全、精准、自适应且可解释的个性化运动处方生成，可广泛应用于智能健身、慢病运动干预及数字健康管理场景。