CN108211268B - 基于运动训练数据的运动负荷监测与运动疲劳预警方法和*** - Google Patents

基于运动训练数据的运动负荷监测与运动疲劳预警方法和*** Download PDF

Info

Publication number
CN108211268B
CN108211268B CN201810074759.2A CN201810074759A CN108211268B CN 108211268 B CN108211268 B CN 108211268B CN 201810074759 A CN201810074759 A CN 201810074759A CN 108211268 B CN108211268 B CN 108211268B
Authority
CN
China
Prior art keywords
fatigue
exercise
weight
training
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810074759.2A
Other languages
English (en)
Other versions
CN108211268A (zh
Inventor
钟亚平
刘鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN GYMNASTIC COLLEGE
Wuhan Zhong Jing Mei Technology Co Ltd
Original Assignee
WUHAN GYMNASTIC COLLEGE
Wuhan Zhong Jing Mei Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WUHAN GYMNASTIC COLLEGE, Wuhan Zhong Jing Mei Technology Co Ltd filed Critical WUHAN GYMNASTIC COLLEGE
Priority to CN201810074759.2A priority Critical patent/CN108211268B/zh
Publication of CN108211268A publication Critical patent/CN108211268A/zh
Application granted granted Critical
Publication of CN108211268B publication Critical patent/CN108211268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A63B2024/0065—Evaluating the fitness, e.g. fitness level or fitness index

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于运动训练数据的运动负荷监测和与运动疲劳预警方法和***，包含两个阶段，运动负荷监测阶段和运动疲劳预警阶段。本发明运动负荷监测阶段所用的数据获取简单，采用基于大数据的神经网络并行优化算法，根据确定的运动模式和加速度数据进行运动负荷量和强度的高精度估算，实现运动训练的实时监测；运动疲劳预警阶段，根据不同运动项目特征，划分合理的运动疲劳时间计量单元，并根据疲劳积累的不同模式，即实时监测运动负荷量在单位时间单元内的下降模式，运用贝叶斯分类算法对运动疲劳进行预警，防止过度训练导致运动损伤，可以有效避免过度训练引起的运动损伤。

Description

基于运动训练数据的运动负荷监测与运动疲劳预警方法和 ***
技术领域
本发明属于运动数据分析领域，特别是涉及基于运动训练数据的运动负荷监测与运动疲劳预警方法和***。
背景技术
随着计算机软硬件技术和网络的飞速发展，利用摄像机、传感器和无线传感器网络等能够实时采集海量的体育运动训练数据。面对海量的体育运动训练数据，传统的数据处理方式面临着新的严峻挑战，运动训练大数据的大量化、多样化、快速化和价值密度低等数据特点让传统的数据处理方法和工具只能望“数据”兴叹。如何有效构建与运动数据相适应的数学模型和工具，真正将海量运动训练数据变化为有价值的信息是体育运动负荷分析领域亟待解决的问题。
运动负荷是指运动时机体对所施加的训练量和强度刺激引起的生理机能在应激状态下反映的量的大小，包括负荷量、负荷强度。目前评价运动负荷的指标主要有：心率、RPE、最大摄氧量、尿蛋白、血乳酸、卡路里和METS等。
国内外在运动负荷监测和运动疲劳预警上，目前主要还是依靠生理生化数据，主要通过检测运动员的心率、RPE、最大摄氧量、尿蛋白、血乳酸、卡路里和METS等指标监测训练强度是否合适，是否训练过度产生了运动疲劳。美国NFL采集运动员的加速度、垂直弹跳力及心率等数据，来辅助制定合理训练计划。北京体育大学的学者采用心率、RPE和能量消耗值的方法，对排球运动员训练强度进行监控。上海体育学院的研究者运用视频分析、心率监测和疲劳量表，综合分析足球裁判的运动负荷。
1.现有的运动负荷监测过度依赖生理生化数据，数据采集较为复杂；2.生理生化数据的采集存在时效性，如果采集不及时，所获取的数据将存在较大误差；3.现有运动训练监测方法存在滞后性，不能实时反映运动疲劳的产生和发展过程，无法及时进行过度疲劳和运动损伤预警。4.现有运动负荷计算方法应用于小规模的运动数据，不适用运动大数据的分析。
发明内容
本发明针对现有技术的不足，本发明方法针对体育运动训练中采集的运动学和动力学等数据，通过大数据管理和数据挖掘技术深度分析，应用于运动负荷监测，实现基于大数据的运动负荷实时计算和运动疲劳预警，达到科学指导运动训练的目标。
为了达到上述目的，本发明提供的技术方案是一种基于运动训练数据的运动负荷监测与运动疲劳预警方法，包括如下步骤：
步骤1，运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子步骤；
步骤1.1，依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；
步骤1.2，针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；
步骤1.3，输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；
步骤1.4，利用Map函数读入Hadoop分布式文件***中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；
步骤1.5，利用Reduce函数读入Hadoop分布式文件***上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新，同时计算更新后的网络权值与从Hadoop分布式文件***中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权重不再更新，则能耗估算BP神经网络算法训练结束；
步骤1.6，利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；
步骤2，运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子步骤；
步骤2.1，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；
步骤2.2，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；
步骤2.3，获取运动疲劳预警阶段的训练数据集，即疲劳类别已知的数据集；
步骤2.4，根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；
如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；
对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即
最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；
步骤2.5，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。
进一步的，步骤1.3所述Map节点的个数根据训练样本的个数确定。
本发明还提供一种基于运动训练数据的运动负荷监测与运动疲劳预警***，其特征在于，包括如下模块：
运动负荷监测模块，用于运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子模块；
能耗估算训练样本建立子模块，用于依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；
网络初始化子模块，用于针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；
训练样本分配子模块，用于输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；
Map节点权值输出子模块，用于利用Map函数读入Hadoop分布式文件***中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；
网络权值更新子模块，用于利用Reduce函数读入Hadoop分布式文件***上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新；同时计算更新后的网络权值与从Hadoop分布式文件***中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权重不再更新，则能耗估算BP神经网络算法训练结束；
能耗测试子模块，用于利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；
运动疲劳预警模块，用于运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子模块；
特征属性获取子模块，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；
疲劳分级子模块，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；
运动疲劳训练数据集获取子模块，用于根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；
如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；
对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即
最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；
疲劳等级判定子模块，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。
进一步的，训练样本分配子模块所述Map节点的个数根据训练样本的个数确定。
与现有技术相比，本发明的优点：运动负荷监测阶段所用的数据获取简单，采用基于大数据的神经网络并行优化算法，根据确定的运动模式和加速度数据进行运动负荷量和强度的高精度估算，实现运动训练的实时监测；运动疲劳预警阶段，根据不同运动项目特征，划分合理的运动疲劳时间计量单元，并根据疲劳积累的不同模式，即实时监测运动负荷量在单位时间单元内的下降模式，运用贝叶斯分类算法对运动疲劳进行预警，防止过度训练导致运动损伤，可以有效避免过度训练引起的运动损伤。
附图说明
图1为本发明实施例中基于神经网络的运动负荷算法流程图。
图2为本发明实施例中基于大数据的运动疲劳预警贝叶斯算法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
本发明实施例中一种基于运动训练数据的运动负荷监测和与运动疲劳预警方法包含两个阶段，运动负荷监测阶段和运动疲劳预警阶段：
1.基于大数据的运动负荷计算算法：根据确定的运动模式和加速度数据进行运动负荷量和强度的高精度估算方法，并在嵌入式***中实现该运动负荷计算。
根据神经网络结构较简单，但训练数据量较大且较为复杂的特点，采用基于训练数据集的并行化的策略，实现基于大数据的神经网络并行优化算法。数据的并行化，具体是每个计算节点中都有一个完整的网络，且网络初始状态是一致的。算法并行化体现在进行训练时,每个计算节点均是用部分样本数据进行训练，计算节点内到达了某个收敛要求后再进行汇总,由汇总结果决定是否进行下一次的迭代。算法流程见附图2，具体算法流程如下：
(1)依据不同类型的运动模式建立能耗估算训练样本数据库。为了对大量化、多样化的运动训练数据进行更好的管理，本发明对运动大数据进行了结构优化，提出了基于多维矩阵的运动训练数据组织结构，将每个运动训练数据属性定义为一个维度，其运动训练的N个属性将构成一个N维向量；再将其每个属性值用M维向量来表达，则每条记录的信息可以用一个M×N矩阵表示，而其在不同时间的训练信息则构成一个三维矩阵，多人的团队训练信息则可以用更高维的矩阵表示；通过构建高维数据集，提升提取出的关联规则的有效性。每个样本数据应包含运动人员的年龄、性别、身高、体重、(ax,ay,az)三维加速度，训练阶段，受试者对应的能耗信息已知，其中的能耗表示的是运动强度和运动量随时间的变化规律。
(2)针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率等。其中权值初始化为：随机赋予输入、隐含和输出层权值wmi,wij,wjn一组较小的非零数值。
(3)输入能耗估算训练样本X1,X2,……,Xk，并将其均匀的分布到每个Map节点中。(4)Map函数读入Hadoop分布式文件***中保存的网络权值记录，根据读取的网络权值实例化一个神经网络。提取出训练样本，输入量为Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度；输出量Dk为样本库中的能耗值，即期望得到的能耗值。对输入、输出并进行归一化处理，使用样本进行训练，根据给定的输入训练样本Xi，由神经网络计算出输出量Yi(n)；其中n表示n次迭代后的输出值，第一次计算时n＝1，并将Yi(n)与Di比较(i＝1,2,……,k)，如误差大于设定值，则根据k个训练样本的总误差准则函数，运用误差梯度下降法依次修正各层的层权值修正量和层阈值修正量，读入新的样本进行训练；如误差小于设定值，则获得本节点中的权值，并输出，具体流程如图1所示。
(5)Reduce函数读入Hadoop分布式文件***上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新。比较更新后的网络权值和从Hadoop分布式文件***中读入的网络权值，计算差值，根据差值判断是否需要下一次循环，该差值根据算法要求精度确定。如网络权重不再更新，则能耗估算BP神经网络算法训练结束。
(6)利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；
2.基于大数据的运动疲劳预警算法：根据不同运动项目特征，划分合理的运动疲劳时间计量单元，并根据疲劳积累的不同模式，即实时监测运动负荷量在单位时间单元内的下降模式，和比赛过程中决策水平的下降模式，运用贝叶斯分类算法对运动疲劳进行预警，防止过度训练导致运动损伤。
在训练周期内，根据RPE问卷，和运动负荷监测所得的运动强度和运动量随时间的变化规律(因训练疲劳引起的运动强度峰值和单位时间内运动量的下降)，由教练、队医和跟队科研人员来判别是否处于疲劳期和疲劳等级，并以此建立已知疲劳等级的数据集合。以下为采用贝叶斯分类算法预测疲劳的具体步骤，算法流程见附图2,：
(1)设x＝{a1,a2,..,am}为一个待分类的运动员数据，而每个ai为x的一个特征属性，这里的特征属性可以为疲劳问卷统计值，根据RPE问卷可以得到疲劳值，在6-20之间，数值越大代表越疲劳。
(2)已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级，不同疲劳期的应对措施不同，例如yi的取值可以为1,2,3,4，其中1对应微调训练计划，2对应缩减大强度运动训练，3对应大幅缩减运动训练的量和强度，4对应停止训练。
(3)获取训练数据集，即疲劳类别已知的数据集。
(4)根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|1),P(a2|1),...,P(am|1)；P(a1|2),P(a2|2),...,P(am|2)；P(a1|3),P(a2|3),...,P(am|3)；P(a1|4),P(a2|4),...,P(am|4)。
(5)如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；
对于某x来说，分母P(x)是固定的，所以只要找出分子最大的即为条件概率最大的。又因为各特征属性是条件独立的，所以有：P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)即
(6)计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；
(7)如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。
此外，本发明实施例还提供一种基于运动训练数据的运动负荷监测与运动疲劳预警***，包括如下模块：
运动负荷监测模块，用于运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子模块；
能耗估算训练样本建立子模块，用于依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；
网络初始化子模块，用于针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；
训练样本分配子模块，用于输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；
Map节点权值输出子模块，用于利用Map函数读入Hadoop分布式文件***中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；
网络权值更新子模块，用于利用Reduce函数读入Hadoop分布式文件***上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新；同时计算更新后的网络权值与从Hadoop分布式文件***中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权重不再更新，则能耗估算BP神经网络算法训练结束；
能耗测试子模块，用于利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；
运动疲劳预警模块，用于运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子模块；
特征属性获取子模块，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；
疲劳分级子模块，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；
运动疲劳训练数据集获取子模块，用于根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；
如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；
对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即
最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；
疲劳等级判定子模块，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。
其中训练样本分配子模块所述Map节点的个数根据训练样本的个数确定。
各模块具体实现和各步骤相应，本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.基于运动训练数据的运动负荷监测与运动疲劳预警方法，其特征在于，包括如下步骤：
步骤1，运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子步骤；
步骤1.1，依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax，ay，az)，共7个分量；
步骤1.2，针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；
步骤1.3，输入能耗估算训练样本X1，X2，……，Xk，Xk＝[xk1，xk2，xk3，xk4，xk5，xk6，xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；
步骤1.4，利用Map函数读入Hadoop分布式文件***中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；
步骤1.5，利用Reduce函数读入Hadoop分布式文件***上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新，同时计算更新后的网络权值与从Hadoop分布式文件***中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权值不再更新，则能耗估算BP神经网络算法训练结束；
步骤1.6，利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；
步骤2，运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子步骤；
步骤2.1，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；
步骤2.2，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；
步骤2.3，获取运动疲劳预警阶段的训练数据集，即疲劳类别已知的数据集；
步骤2.4，根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；
如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；
对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即
最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；
步骤2.5，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。
2.如权利要求1所述的基于运动训练数据的运动负荷监测与运动疲劳预警方法，其特征在于：步骤1.3中所述Map节点的个数根据训练样本的个数确定。
3.基于运动训练数据的运动负荷监测与运动疲劳预警***，其特征在于，包括如下模块：
运动负荷监测模块，用于运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子模块；
能耗估算训练样本建立子模块，用于依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax，ay，az)，共7个分量；
网络初始化子模块，用于针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；
训练样本分配子模块，用于输入能耗估算训练样本X1，X2，……，Xk，Xk＝[xk1，xk2，xk3，xk4，xk5，xk6，xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；
Map节点权值输出子模块，用于利用Map函数读入Hadoop分布式文件***中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；
网络权值更新子模块，用于利用Reduce函数读入Hadoop分布式文件***上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新；同时计算更新后的网络权值与从Hadoop分布式文件***中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权值不再更新，则能耗估算BP神经网络算法训练结束；
能耗测试子模块，用于利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；
运动疲劳预警模块，用于运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子模块；
特征属性获取子模块，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；
疲劳分级子模块，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；
运动疲劳训练数据集获取子模块，用于根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；
如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；
对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即
最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；
疲劳等级判定子模块，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。
4.如权利要求3所述的基于运动训练数据的运动负荷监测与运动疲劳预警***，其特征在于：训练样本分配子模块中所述Map节点的个数根据训练样本的个数确定。
CN201810074759.2A 2018-01-25 2018-01-25 基于运动训练数据的运动负荷监测与运动疲劳预警方法和*** Active CN108211268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810074759.2A CN108211268B (zh) 2018-01-25 2018-01-25 基于运动训练数据的运动负荷监测与运动疲劳预警方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810074759.2A CN108211268B (zh) 2018-01-25 2018-01-25 基于运动训练数据的运动负荷监测与运动疲劳预警方法和***

Publications (2)

Publication Number Publication Date
CN108211268A CN108211268A (zh) 2018-06-29
CN108211268B true CN108211268B (zh) 2019-12-10

Family

ID=62669000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810074759.2A Active CN108211268B (zh) 2018-01-25 2018-01-25 基于运动训练数据的运动负荷监测与运动疲劳预警方法和***

Country Status (1)

Country Link
CN (1) CN108211268B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109126101B (zh) * 2018-10-30 2020-08-14 重庆邮电大学 自行车运动能耗计算***的方法
CN111061952B (zh) * 2019-12-17 2020-07-28 广东工业大学 一种基于深度学习的智能自动配重方法、***及设备
US20220047222A1 (en) * 2020-08-11 2022-02-17 bOMDIC, Inc. Method for determining injury risk of user taking exercise
CN112037884B (zh) * 2020-09-14 2023-12-05 成都拟合未来科技有限公司 健身练习训练计划生成评价方法、***、终端及介质
CN113297898A (zh) * 2021-03-12 2021-08-24 李涛 一种基于贝叶斯分析法的精神状态自动识别方法
CN113082665A (zh) * 2021-05-06 2021-07-09 山东体育学院 一种幼儿早教用体育教学体验装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022521A (zh) * 2016-05-19 2016-10-12 四川大学 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN106650224A (zh) * 2016-10-31 2017-05-10 华南理工大学 可远程监控的仿生康复外骨骼***及控制方法
CN106897802A (zh) * 2017-04-07 2017-06-27 华为技术有限公司 数据处理方法、装置和健身机器人
CN107007291A (zh) * 2017-04-05 2017-08-04 天津大学 基于多生理参数的紧张情绪强度识别***及信息处理方法
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022521A (zh) * 2016-05-19 2016-10-12 四川大学 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN106650224A (zh) * 2016-10-31 2017-05-10 华南理工大学 可远程监控的仿生康复外骨骼***及控制方法
CN107007291A (zh) * 2017-04-05 2017-08-04 天津大学 基于多生理参数的紧张情绪强度识别***及信息处理方法
CN106897802A (zh) * 2017-04-07 2017-06-27 华为技术有限公司 数据处理方法、装置和健身机器人
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法

Also Published As

Publication number Publication date
CN108211268A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108211268B (zh) 基于运动训练数据的运动负荷监测与运动疲劳预警方法和***
Cheng et al. Remaining useful life prognosis based on ensemble long short-term memory neural network
CN111161879B (zh) 一种基于大数据的疾病预测***
Li et al. Medical data stream distribution pattern association rule mining algorithm based on density estimation
CN116110597B (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
Tryhuba et al. Prediction of the Duration of Inpatient Treatment of Diabetes in Children Based on Neural Networks.
Yan et al. A review of basketball shooting analysis based on artificial intelligence
Chu et al. [Retracted] Image Recognition of Badminton Swing Motion Based on Single Inertial Sensor
CN117437507A (zh) 一种用于评价图像识别模型的偏见性评估方法
CN107273262A (zh) 一种硬件事件的预测方法及***
CN115147768B (zh) 一种跌倒风险评估方法及***
CN116720038A (zh) 一种列车门滚珠丝杠的故障诊断方法、设备和存储介质
CN113792984B (zh) 基于云模型的防空反导指挥控制模型能力评估方法
CN112241811B (zh) “互联网+”环境下定制产品的分层混合性能预测方法
Liu et al. Application of Training Load Prediction Model based on Improved BP Neural Network in Sports Training of Athletes
CN112906634A (zh) 基于vss的视频段序列预测模型建立、序列预测方法及***
Bülbül Performance of different membership functions in stress classification with fuzzy logic
CN118230903B (zh) 一种基于图像识别的猪饲料精准营养饲喂方法及***
CN110420016A (zh) 一种运动员疲劳度的预测方法及***
He et al. A fuzzy control system for fitness service based on genetic algorithm during COVID-19 pandemic
CN112101814B (zh) 基于加权的模糊聚类算法的油气工程分类方法和***
Yu et al. (Retracted) Cross-spectral human behavior recognition based on deep convolutional networks for global temporal representation
Khuri et al. A Game-Theoretical Approach for Data Acquisition From Fitness Tracking Devices
Wang et al. Research on prediction and evaluation algorithm of sports athletes performance based on neural network
Tazetdinov et al. Check for updates Self-organization of the Table Tennis Market Information Bank Based on Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant