健康是人们对美好生活的基本诉求,越来越多的人们开始注重运动习惯的养成,因此运动处方的应用受到人们的关注。针对现有运动处方生成方法存在个性化不足、针对性不强、运动计划安排不合理等问题,本文结合运动处方的相关理论,研究并设计出一种个性化运动处方生成方法,并在此基础上,针对运动处方在实施过程中的安全性问题,构建出一种基于胶囊神经网络的运动风险监测模型,进一步降低运动过程中的风险。具体研究内容如下:首先,基于运动需求与运动项目的关系,本文对运动项目的功能属性进行量化。在此基础上,一方面将聚焦系数矩阵融入协同过滤计算中,获得针对特定需求的运动项目适应度值,并以此为依据筛选符合预期的运动项目;另一方面,利用非支配排序遗传算法计算运动处方参数,保证运动处方的针对性和合理性。其次,面向运动过程中的风险构建出一种基于胶囊神经网络模型。该模型通过向量神经元提取可穿戴设备采集的心律数据特征,并基于此特征对运动风险进行预估,从而避免运动过程中危险状况的发生。此外,基于向量神经元的胶囊神经网络可以提取特征之间的关联信息,使其对数据中的噪声干扰具有较强的抵抗力。最后,针对上述模型在实践应用中的可行性和有效性,本文设计出一种基于反馈调节机制的运动处方管理流程,通过测试数据集的仿真实验,一方面,验证了融合聚焦系数矩阵的协同过滤算法在运动项目筛选过程中,具有更好的准确度和稀疏性;另一方面,验证了基于胶囊神经网络的运动风险监测模型在噪声干扰环境下,对心律失常的检测具有较高的正确率和可靠性。