健身程序以消耗卡路里为目标，编写程序，记录运动之后的思维活跃指数，挑选最能激发灵感的运动方式，服务脑力创新。
用 Python 编写一套以“消耗卡路里 × 思维活跃指数”为核心的健身‑创新辅助程序。内容严格按给定的结构组织，去除营销化表达，保持中立、可复现、可扩展。
一、实际应用场景描述（Scene）
在心理健康与创新能力相关课程中，一个被反复验证的观点是：
适度有氧运动可以提升认知灵活性、记忆整合与创造性思维
典型场景包括：
- 程序员 / 设计师在长时间脑力劳动后，通过跑步、骑行、跳绳等方式“换脑”
- 学生在备考或创作瓶颈期，用运动打破思维僵局
- 企业在创新工作坊前安排轻度体能活动以提升产出质量
但现实中普遍存在两个问题：
1. 运动与思维状态之间缺乏量化记录
2. 无法判断哪种运动方式对“灵感激发”更有效
本程序的目标正是：
在 以消耗卡路里为目标 的健身过程中，记录并分析 运动后的思维活跃指数，从而 筛选最能激发灵感的运动方式。
二、引入痛点（Pain Points）
1️⃣ 运动记录 ≠ 脑力创新记录
多数健身程序只关注：
- 卡路里消耗
- 运动时长
- 心率区间
但 忽略了运动后的认知状态变化。
2️⃣ “灵感来了”无法追溯
创作者常感觉：
“刚跑完步思路特别清晰”
却无法回答：
- 是哪种运动带来的？
- 多大强度最有效？
- 是否存在个体差异？
3️⃣ 缺乏结构化数据支撑
即使手动记录，也存在：
- 主观偏差
- 数据散乱
- 无法横向对比
三、核心逻辑讲解（Core Logic）
1️⃣ 核心建模思想
我们将问题抽象为：
运动方式 ──▶ 卡路里消耗 ──▶ 思维活跃指数
并建立如下关系模型：
要素 说明
运动类型 跑步 / 骑行 / 跳绳 / 快走
持续时间 分钟
卡路里消耗 运动科学估算
思维活跃指数 主观 + 半结构化评分
灵感事件 是否产生新想法
2️⃣ 思维活跃指数（Mental Activity Index, MAI）
采用 1–10 主观评分法，结合心理学常用自陈式量表简化版：
1–3 ：思维迟钝
4–6 ：正常状态
7–8 ：明显活跃
9–10 ：高度灵感状态
3️⃣ 分析目标
程序将回答三类问题：
1. 不同运动方式的平均 MAI 是多少？
2. 是否存在“最佳卡路里区间”？
3. 哪些运动最有可能触发灵感事件？
四、程序设计与代码实现（Python）
1️⃣ 项目结构
mindfit/
│
├── README.md
├── requirements.txt
├── main.py
├── models.py
├── analyzer.py
├── data/
│ └── records.json
└── docs/
└── knowledge_cards.md
2️⃣ 数据模型（models.py）
# models.py
from dataclasses import dataclass
from datetime import datetime
@dataclass
class ExerciseRecord:
"""单次运动记录"""
exercise_type: str # 运动类型
duration_min: int # 持续时间（分钟）
calories_burned: float # 消耗卡路里
mental_activity_index: int # 思维活跃指数（1-10）
inspiration_occurred: bool # 是否产生灵感
timestamp: str = None # 时间戳
def __post_init__(self):
if self.timestamp is None:
self.timestamp = datetime.now().isoformat()
3️⃣ 分析模块（analyzer.py）
# analyzer.py
from collections import defaultdict
from models import ExerciseRecord
class ExerciseAnalyzer:
"""运动-思维数据分析器"""
def __init__(self, records: list[ExerciseRecord]):
self.records = records
def avg_mai_by_type(self) -> dict:
"""按运动类型计算平均思维活跃指数"""
data = defaultdict(list)
for r in self.records:
data[r.exercise_type].append(r.mental_activity_index)
return {
k: round(sum(v) / len(v), 2)
for k, v in data.items()
}
def inspiration_rate_by_type(self) -> dict:
"""计算灵感触发率"""
data = defaultdict(list)
for r in self.records:
data[r.exercise_type].append(r.inspiration_occurred)
return {
k: round(sum(v) / len(v), 2)
for k, v in data.items()
}
4️⃣ 主程序（main.py）
# main.py
import json
from models import ExerciseRecord
from analyzer import ExerciseAnalyzer
# 示例数据（可替换为真实输入）
records = [
ExerciseRecord("running", 30, 280, 8, True),
ExerciseRecord("cycling", 40, 320, 6, False),
ExerciseRecord("rope_jumping", 15, 180, 7, True),
ExerciseRecord("walking", 20, 100, 5, False),
]
analyzer = ExerciseAnalyzer(records)
mai_result = analyzer.avg_mai_by_type()
inspiration_result = analyzer.inspiration_rate_by_type()
print("📊 各运动类型平均思维活跃指数：")
print(json.dumps(mai_result, indent=2, ensure_ascii=False))
print("\n💡 灵感触发率：")
print(json.dumps(inspiration_result, indent=2, ensure_ascii=False))
五、README 文件与使用说明（README.md）
# MindFit
一个用于记录「运动后思维活跃状态」的 Python 工具。
## 功能
- 记录运动类型、时长、卡路里消耗
- 评估运动后的思维活跃指数（MAI）
- 统计不同运动对灵感触发的影响
## 使用方式
bash
python main.py
## 数据扩展
可手动修改 `main.py` 中的 `records` 列表，
未来可接入可穿戴设备 API。
## 适用人群
- 开发者
- 创意工作者
- 心理健康研究者
六、核心知识点卡片（Knowledge Cards）
## 知识点卡片
### 1️⃣ 心理健康 × 运动科学
- 有氧运动可促进 BDNF 分泌
- 与认知灵活性高度相关
### 2️⃣ 主观评分法（Self-Report）
- 简单、低成本
- 适合个人实验与迭代
### 3️⃣ Python 数据建模
- dataclass 提升可读性
- 模块化设计便于扩展
### 4️⃣ 数据分析思维
- 分组 → 聚合 → 比较
- 从描述性统计到决策依据
七、总结（Conclusion）
本程序以 卡路里消耗为约束条件，以 思维活跃指数为观察指标，构建了一个轻量级、可扩展的 运动‑创新分析工具。
它不是“灵感机器”，而是一个：
帮助创作者理解自己身体与大脑关系的结构化工具
未来可拓展方向包括：
- 接入 Apple Health / Garmin 数据
- 引入心率变异性（HRV）
- 建立个人长期趋势模型
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！