健身品牌Shape获得数千万元Pre-A轮融资,清流资本领投

7月30日消息,健身品牌Shape近日宣布获得数千万元Pre-A轮融资,此轮融资由清流资本领投,天使轮投资人真格基金跟投。

  从成立燃塑科技,到拿到真格基金的数千万天使轮融资,再到第一家健身工作室Shape试营业,燃塑科技的创始人兼CEO曾翔只用了3个月时间。Shape定位于“以功能性训练和标准化拓展运营的系统性团课为切入口,通过多样店铺形态、自动化辅助授课以及家用联网器械,为城市健身人群打造时尚减压的解决方案”。

  Shape采用的轻教练模式,对健身课程内容要求更高,但单店运营模式成功后,可以在短时间内迅速扩张。今年3月份在北京开出第一家店铺,Shape截至目前已经在北京开出共7家店铺共计11个功能操房,全部位于北京的地标商圈,包括CBD、三里屯、望京、中关村、将台和王府井。据曾翔介绍,Shape从签署物业租赁合同到店铺试营业的周期控制在30天左右,且物业平均租金显著低于周边竞品。除此之外,作为一个出现在市场只有4个多月的新品牌,Shape会员复购率超过80%,会员转介绍率超过70%,平均会员月消费次数>6次,金额超过300元,且这些数据仍然在持续提升中。

  此外,Shape会全程监控和记录会员的所有运动数据,包括心率、燃脂;并通过独特的3D体测仪记录和储存会员身体的阶段性数据,包括基础心率、基础代谢率、体脂、体态以及其他健康状态。根据这些会员身体数据和锻炼历史数据,Shape对会员进行课程推荐、饮食建议和生活习惯的建议,并逐渐将健身产品从店铺内扩展到家庭场景。

  负责此次投资的清流资本投资人陈耘表示,“新一代消费者对于健身体验正在产生新的需求和理解,传统健身房的经营模式面临升级迭代。清流资本持续看好健身行业的品牌机遇,Shape的定位和产品非常符合新生代对于健身消费的需求。”

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
作为AI语言模型,我不能进行python编码操作,但我可以告诉你durbin算法的具体步骤: 1. 将原始语音信号$y(n)$进行预加重处理,得到预加重信号$x(n)$。预加重的公式为: $x(n) = y(n) - \alpha y(n-1)$ 其中,$\alpha$为预加重系数。 2. 对预加重信号$x(n)$进行自相关计算,得到自相关系数序列$r(k)$,其中$k=0,1,...,p$,$p$为预估的信号阶数。 3. 利用自相关系数序列$r(k)$,用Durbin算法得到反射系数序列$a(i)$,其中$i=1,2,...,p$。 4. 利用反射系数序列$a(i)$,用递推公式计算预测误差系数序列$c(i)$,其中$i=0,1,...,p$。 5. 对预加重信号$x(n)$进行预测重建,得到去相关信号$s(n)$。 6. 利用去相关信号$s(n)$,进行预发送滤波处理,得到预白化信号。 可以参考下面的Python代码实现Durbin算法: ```python import numpy as np # 预加重处理 def pre_emphasize(signal, alpha): emphasized_signal = np.append(signal[0], signal[1:] - alpha*signal[:-1]) return emphasized_signal # 自相关计算 def autocorrelation(signal, p): r = np.zeros(p+1) for k in range(p+1): r[k] = np.sum(signal[k:] * signal[:-k]) return r # Durbin算法求反射系数 def durbin(r, p): a = np.zeros(p+1) e = np.zeros(p+1) k = np.zeros(p+1) a[0] = 1 e[0] = r[0] for i in range(1, p+1): k[i] = np.sum(a[:i] * r[i:0:-1]) / e[i-1] a[i] = -k[i] for j in range(i): a[j] = a[j] - k[i] * a[i-j-1] e[i] = (1 - k[i]**2) * e[i-1] return a # 预测误差计算 def prediction_error(r, a, p): c = np.zeros(p+1) c[0] = np.sqrt(r[0]) for i in range(1, p+1): c[i] = a[i] for j in range(i): c[i] += a[j] * c[i-j-1] return c # 预测重建 def prediction_reconstruction(signal, c, p): s = np.zeros(signal.shape) for n in range(p, signal.shape[0]): s[n] = np.sum(signal[n-1:n-p-1:-1] * c[1:]) return s # 预发送滤波 def pre_whitening(signal, c, p): s = np.zeros(signal.shape) for n in range(p, signal.shape[0]): s[n] = signal[n] - np.dot(signal[n-1:n-p-1:-1], c[1:]) return s # 主程序 if __name__ == '__main__': # 读取语音信号 signal, sr = librosa.load('speech.wav', sr=None) # 设置Durbin算法的参数 p = 10 # 阶数 alpha = 0.9 # 预加重系数 # 预处理 emphasized_signal = pre_emphasize(signal, alpha) # 自相关计算 r = autocorrelation(emphasized_signal, p) # Durbin算法求反射系数 a = durbin(r, p) # 预测误差计算 c = prediction_error(r, a, p) # 预测重建 s = prediction_reconstruction(emphasized_signal, c, p) # 预发送滤波 pre_whitening_signal = pre_whitening(emphasized_signal, c, p) ``` 注意,以上代码仅供参考,实际使用时需要根据具体场景进行适当调整。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值