CN113486798A - 一种基于因果关系的训练计划制定处理方法及装置 - Google Patents
一种基于因果关系的训练计划制定处理方法及装置 Download PDFInfo
- Publication number
- CN113486798A CN113486798A CN202110764535.6A CN202110764535A CN113486798A CN 113486798 A CN113486798 A CN 113486798A CN 202110764535 A CN202110764535 A CN 202110764535A CN 113486798 A CN113486798 A CN 113486798A
- Authority
- CN
- China
- Prior art keywords
- data
- athlete
- sports
- performance
- athletic
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 43
- 230000001364 causal effect Effects 0.000 title claims abstract description 23
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000000386 athletic effect Effects 0.000 claims description 47
- 230000037147 athletic performance Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 description 38
- 230000015654 memory Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 14
- 230000019771 cognition Effects 0.000 description 12
- 241000282414 Homo sapiens Species 0.000 description 10
- 230000008447 perception Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009192 sprinting Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000037149 energy metabolism Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000008448 thought Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种基于因果关系的训练计划制定处理方法及装置,该方法包括:获取第一运动数据,将第一运动数据与第二运动数据进行比较;将第一运动数据中与第二运动数据有差距的数据项的值依次更换为第二运动数据中对应的数据项的值,确定每更换第一运动数据中的一项数据之后第一运动员的成绩;确定每更换一项数据后得到的成绩与第二运动员的成绩的差距;根据差距确定对第一运动员成绩产生影响的数据项;以确定针对第一运动员的训练计划。通过本申请解决了现有技术制定新的训练计划依赖教练的个人经验所导致的问题,从而提高了训练计划的针对性和科学性,在一定程度上为运动员成绩的提高提供了帮助。
Description
技术领域
本申请涉及到体育领域,具体而言,涉及一种基于因果关系的训练计划制定处理方法及装置。
背景技术
近年来,由于数据收集和处理能力的进步,统计特别是深度学习的进步,计算资源的增加以及经济活动的不断增长,体育大大受益于人工智能的应用。然而,除了检测、识别和统计分析之外,运动人工智能还有更多基础性问题需要解决。
以运动训练为例,这是运动员(运动员、学生或业余爱好者)与其教练(教练、教师或组织者)之间的持续过程,以指导运动员的活动并组织他们的训练课程。虽然现在出现了两智能运动训练(1ST)***,可以为运动员在不同的训练阶段提供帮助,但是,训练的成绩如何还是取决于教练的经验和个人能力。
尤其是,运动员在训练到一定程度之后,会出现成绩提高缓慢的现象,此时需要为运动员制定新的训练计划。在现有技术中为运动员制定新的训练计划依赖教练的个人经验。这依赖于教练的能力,可能会影响运动员成绩的提高。
发明内容
本申请实施例提供了一种基于因果关系的训练计划制定处理方法及装置,以至少解决现有技术制定新的训练计划依赖教练的个人经验所导致的问题。
根据本申请的一个方面,提供了一种基于因果关系的训练计划制定处理方法,其特征在于,包括:获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;根据所述差距确定对所述第一运动员成绩产生影响的数据项;根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。
进一步地,运动数据包括以下至少之一:运动员的运动姿态、运动员进行所述运动时的运动参数,其中,所述运动数据包括所述第一运动数据和/或所述第二运动数据,所述运动参数包括运动员在从事该运动时身体的物理运动数值和/或身体产生的能量。
进一步地,所述运动参数包括以下至少之一:速度、加速度、旋转速度、身体部位运动频率、身体部位产生的力量。
进一步地,根据所述差距确定对所述第一运动员成绩产生影响的数据项包括:根据所述差距确定对所述第一运动员成绩产生影响最大的数据项,其中,所述影响最大的数据项为:在所述第一运动数据中的该数据项被所述第二运动数据中的对应数据项更换之后,所述第一运动员和所述第二运动员的运动成绩的差距最小。
进一步地,根据所述差距确定对所述第一运动员成绩产生影响的数据项包括:根据所述差距的大小将对所述第一运动员成绩产生影响的数据项进行排列得到队列;根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划包括:根据所述队列中前部预定数量个数据项确定针对所述第一运动员的训练计划。
根据本申请的另一个方面,还提供了一种基于因果关系的训练计划制定处理装置,包括:获取模块,用于获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;比较模块,用于将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;更换模块,将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;第一确定模块,用于确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;第二确定模块,用于根据所述差距确定对所述第一运动员成绩产生影响的数据项;第三确定模块,用于根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。
进一步地,运动数据包括以下至少之一:运动员的运动姿态、运动员进行所述运动时的运动参数,其中,所述运动数据包括所述第一运动数据和/或所述第二运动数据,所述运动参数包括运动员在从事该运动时身体的物理运动数值和/或身体产生的能量。
进一步地,所述运动参数包括以下至少之一:速度、加速度、旋转速度、身体部位运动频率、身体部位产生的力量。
进一步地,所述第二确定模块用于:根据所述差距确定对所述第一运动员成绩产生影响最大的数据项,其中,所述影响最大的数据项为:在所述第一运动数据中的该数据项被所述第二运动数据中的对应数据项更换之后,所述第一运动员和所述第二运动员的运动成绩的差距最小。
进一步地,所述第二确定模块用于根据所述差距的大小将对所述第一运动员成绩产生影响的数据项进行排列得到队列;所述第三确定模块用于根据所述队列中前部预定数量个数据项确定针对所述第一运动员的训练计划。
在本申请实施例中,采用了获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;根据所述差距确定对所述第一运动员成绩产生影响的数据项;根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。通过本申请解决了现有技术制定新的训练计划依赖教练的个人经验所导致的问题,从而提高了训练计划的针对性和科学性,在一定程度上为运动员成绩的提高提供了帮助。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于因果关系的训练计划制定处理方法的流程图。
图2是根据本申请实施例的用于运动的因果认知计算框架的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于因果关系的训练计划制定处理方法,图1是根据本申请实施例的的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;
在该步骤中,运动数据可以包括以下至少之一:运动员的运动姿态、运动员进行所述运动时的运动参数,其中,所述运动数据包括所述第一运动数据和/或所述第二运动数据,所述运动参数包括运动员在从事该运动时身体的物理运动数值和/或身体产生的能量。所述运动参数可以包括以下至少之一:速度、加速度、旋转速度、身体部位运动频率、身体部位产生的力量。
步骤S104,将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;
步骤S106,将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;
步骤S108,确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;
步骤S110,根据所述差距确定对所述第一运动员成绩产生影响的数据项;
步骤S112,根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。
在步骤S110和S112中确定训练计划的方式有多种,例如,可以根据所述差距确定对所述第一运动员成绩产生影响最大的数据项,其中,所述影响最大的数据项为:在所述第一运动数据中的该数据项被所述第二运动数据中的对应数据项更换之后,所述第一运动员和所述第二运动员的运动成绩的差距最小。又例如,还可以根据所述差距的大小将对所述第一运动员成绩产生影响的数据项进行排列得到队列;然后,根据所述队列中前部预定数量个数据项确定针对所述第一运动员的训练计划。
通过上述步骤,解决了现有技术制定新的训练计划依赖教练的个人经验所导致的问题,从而提高了训练计划的针对性和科学性,在一定程度上为运动员成绩的提高提供了帮助。
在本实施例中,还可以采取如下步骤来匹配第二运动员:
步骤S202,获取第一运动员的生理参数,其中,所述生理参数用于指示所述第一运动员的生理特征,其中,所述差距作为提高所述第一运动员成绩的依据;
在本步骤中,生理参数可以有很多种,只要是跟所述第一运动员所从事的运动相关的生理参数均可以用来进行判断,例如,所述生理参数可以包括以下至少之一:性别、身高、体重、年龄、体脂率。
步骤S204,获取与所述第一运动员的生理参数相匹配的第二运动员,其中,所述第一运动员和所述第二运动员从事的运动相同;
生理参数匹配的方式有很多种,例如,获取预先保存的至少一个运动员的生理参数;从所述至少一个运动员的生理参数中找到与所述第一运动员的生理参数相同数量最多或者差别最小的运动员作为所述第二运动员。在该可选实施方式中,还可以将一个运动员的多项生理参数换算成相对值,然后根据每项生理参数对应的权值和相对值计算该运动员对应的数值,与该第一运动员相匹配的第二运动员的数值与第一运动员对应的数值在预定范围之内。如果在预定范围之内的存在多个第二运动员的情况下,可以选择身高和体重差距最小的运动员作为所述第二运动员。
步骤S206,获取所述第一运动员在进行所述运动时得到的第一运动数据;
步骤S208,将所述第一运动数据与预先配置的所述第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩;
上述步骤S206和步骤S208中的第一运动数据和第二运动数据可以统称为运动数据,运动数据可以包括以下至少之一:运动员的运动姿态、运动员进行所述运动时的运动参数。这里的运动参数可以是运动员在从事该运动时身体的物理运动数值和/或身体产生的能量。例如,跑步时的速度和加速度,游泳是的摆臂速率,投掷链球时的旋转速度,举重是产生的肌肉力量等。
步骤S210,根据比较结果确定所述第一运动员与所述第二运动员在进行所述运动时的差距。
在该步骤中,作为一个可选的实施方式,可以直接比较运动参数的差距。或者,在另一个可选的实施方式中,在所述运动数据包括所述运动员的运动姿态的情况下,可以获取所述第一运动员和/或所述第二运动员在运动时得到的运动姿态包括:通过摄像机对所述第一运动员和/或所述第二运动员在进行所述运动时进行拍摄得到视频文件;从所述视频文件中提取所述第一运动员和/或所述第二运动员的运动姿态。
下面的实施例中结合短跑进行说明,在本实施例中,第一运动员为运动员,第二运动员为冠军。在本实施例中,提出了一个因果认知计算框架(或者可以称为***或者平台)来模仿人类教练在运动训练中的认知过程。
本实施例中的***可以由4个计算模块组成:感知、认知表征、知识回忆和计划诊断(在本实施例的***中将实现这四个功能的部分称为“模块”或者“部”)。在这四个第一个模块用来获取运动数据,而其他3个模块用来根据运动员的运动数据进行比较和处理,最后2个模块通过因果关系进行推理。
在本实施例中,将精英运动员的数据作为知识而不是预设规则,称为“冠军模型”。为了做出判断,将用户(例如,运动员)身体的运动特征参数与知识进行比较,然后获得该用户需要改进的部分。基于此框架,在本实施例中通过一个IST短跑***,该***中精英运动员在100m比赛过程中的运动特征参数,该***模拟了教练的思维认知信息处理方式,无需使用者手动设置参数或预先设计的规则。下面对本实施例进行说明。
在本实施例中运动训练可以被划分为4个阶段,包括计划、实施、控制和评估。
计划是训练所要达到的目标,其中,该目标可以为在一定时间内完成训练之后所达到的运动成绩。在一个训练***中,一般情况下是由用户手动设置目标,然后由远程教练进行判断之后给出训练计划表,或者由***给出训练计划表。
训练的实施阶段是将准备好的训练在运动员身上进行执行的阶段。教练在此阶段的主要作用是监控练习和收集数据。例如可以使用传感器或相机,在本实施例的***中可以根据需要引入更多监控设备来获取数据。
控制是将运动员实际进行的练习与计划的练习的比较。这个阶段包括广泛的分析,例如,可以通过计算机进行运动动作的分析和识别,然后将计划中的运动信息和运动员的实际运动进行比较。这个阶段在本实施例中通过认知表征来进行改进。
评价用来衡量对运动员的表现。该阶段的输出将成为下一个从计划开始的培训周期的基础。评价可以使用大数据训练出的机器学习评估模型来分析评价运动员的表现以及输出下一阶段的训练计划。
在控制阶段涉及到了认知计算,该认知表征可以使用认知模型来进行处理。应用认知模型对真实世界进行认知,可分为对物的认知和事的认知两个部分。物是客观存的的实体,可以看得见、摸得着、感觉得到,事较为抽象,相对于物的认知来讲要困难许多。
在认知模型中,“WHAT”是人类对一切事、物,思维认知代名词,是对真实世界最的认识,是终极的真理、规律、原则,具有唯一性。为了实现某一个预期的结果,人类要能借用前人总结出来的规则通过创新完成不同的事务处理,从而实现预期的结果,这在认知模型中被称为“HOW”,它是具体实现的手段、方法等,具有多样性。基于已经发生的真实情况,为了改善或解决问题,需要借用已知的经验、规则进行分析,找出产生该情况的可能的原因,这在认知模型中被称为“WHY”,它是对通过假设而总结出来的规则的一种验证。
认知模型专注于海量数据智能处理:感知,表达,记忆,判断,行动。目前认知模型有很多中,例如,ACT-R***和Soar***。
ACT-R(Adaptive Character of Thought-Rational)是一种认知行为的体系结构,是关于人类认知机制的理论模型,其研究目的在于最终揭示人类组织知识、产生智能行为的思维运动规律,其研究进展基于神经生物学研究成果并从中得以验证。从表面看来,ACT-R类似编程语言平台,平台的构建基于许多心理学研究的成果,但基于ACT-R构造的模型反映的是人类的认知行为。ACT-R通过编程实现特定任务的认知模型构建,研究人员利用ACT-R内建的认知理论再加上特定任务的必要性假设和知识描述构造特定任务的认知模型,通过对模型结果和实验结果的比较来验证模型的有效性,目前ACT-R已经发布6.0版本,并且实现对不同***操作平台的支持。ACT-R是一种认知架构,用以仿真并理解人的认知的理论。ACT-R试图理解人类如何组织知识和产生智能行为。ACT-R的目标是使***能够执行人类的各种认知任务,如捕获人的感知、思想和行为。ACT-R的基本框架由一系列模块组成,每一个模块专门处理一种信息。例如,视觉模块在视觉区识别物体,手运动控制模块和陈述模块从记忆中检索信息,目标模块跟踪当前的目标和意图。这些模块是通过一个中央产生式***协同作用产生出行为的。中心产生式***是不被其他活动模块感知的,而只对存放在这些模块的缓存的信息做出反应。
SOAR是由纽威尔等人于1986年开发的称之为“通用智能的一种框架”,SOAR的字母意思为状态、算子和结果,简单来说就是应用算子改变状态和产生结果。SOAR主要讨论知识、思考、智力和记忆等问题,是一个应用范围非常广的认知结构。SOAR模型是通用的问题求解程序,以知识块理论为基础,利用基于规则的记忆,获取搜索控制知识和操作符,即能从经验中学习,能记住自己是如何解决问题的,并把这种经验和知识用于以后的问题求解过程之中,实现通用问题求解。SOAR仅由被编码为产生式规则的单一的长期记忆,以及编码为符号图结构的工作记忆组成。基于符号的工作记忆存储了智能体对当前环境及情况的评估,利用长期记忆里回忆相关知识,经过输入、状态描述、提议算子、比较算子、选择算子、算子应用、输出这样的决策循环选择下一步操作,直到达到目标状态。
上述两个***Soar和ACT-R专门用于计算机视觉和自然语言处理。
在本实施例的***中,认知计算有两个方面:教练员和运动员。教练员的认知结果由运动员付诸行动,这是Soar和ACT-R难以涵盖的。
另一种Perception,Memory,and Judgment的计算认知模型(简称PMJ模型)是2014年较晚提出的,该模型将认知机制和可计算性方面整合在一个统一的框架中,由三个阶段和三个途径组成。认知计算模型将认知过程归纳为感知(perception)、记忆(memory)和判断(judgment),对应于计算流程的分析、建模和决策,明确了认知与计算结合的三阶段、多通路的处理框架。
传统的情感计算方法通常是经典参数计算,其主要研究思路可以概况为“物理特征->目标语义”两层结构。在物理特征层面,研究者主要关注特征筛选以及特征提取的准确性和有效性。在此基础上,机器学习算法帮助实现从提取的特征到目标语义的关联映射,进而实现建模。当建立的模型在数据集上对目标语义的预测结果不尽理想时,通常采用的方法是不断更换特征提取或关联建模的算法,直至得到较理想的预测结果。为了改进这一个过程,其中一个重要的环节是将接收的信息进行表征(representation)。表征是大脑与客观世界沟通交流的基础,当外部世界的状态与大脑内的表征符号具有相同结构的映射时,大脑才能进一步输出信息加工计算的结果。人类大脑通过可计算的方式从瞬间信号中抽取出表征,进而根据表征进行语义判断,这一过程为改进经典的两层结构的参数计算框架提供了一个重要启示。
大脑认知的全过程可以归纳为感知、记忆和判断三个阶段。在感知阶段,大脑基于获取到的视觉、听觉等信息抽取表征的符号;在记忆阶段,将这些表征符号与大脑内存储的表征符号进行结构映射或比对;在判断阶段,根据映射或比对的结果输出主观语义。PMJ认知计算模型的核心思想是将感知、记忆和判断三个阶段对应于计算流程的分析、建模和决策。借助PMJ模型,可以定义融合主观认知元素改进的逻辑计算框架,即“物理特性一>认知表征一>目标语义”三层框架结构。在机器的感知阶段,对于输入的文本、视频、音频等不同模态信息,基于认知心理学原理研究认知表征的抽取方法;在记忆阶段,建立认知表征与语义描述之间的关联映射;在判断阶段,根据关联映射输出最终的目标结果。与传统的两层结构相比,经过改进的框架结构的研究难点在于如何界定与目标语义直接相关的认知表征,以及如何实现认知表征的自动抽取。
本实施例通过PMJ模型的感知阶段进行基础分析,提取远动员速度、运动姿态等特征;记忆阶段基于认知表征和抽象知识评估表现;判断阶段制定训练计划时间表。PMJ模型的快速处理路径可以模仿训练中的直觉;精细加工路径(即图1中的加工路径)是教练员的主要思维模式;并且反馈处理路径可以更新知识。
本实施例可以应用到短跑项目中,同理也可以应用到其他项目中。以下以短跑项目为例进行说明。
在短跑项目中由于运动速度快且对精度要求高,无法像在大众运动或长跑项目中那样通过可穿戴传感器跟踪运动员的运动。
在本实施例中,可以使用传感器***记录跑步的分割时间,其精度在0.01秒的量级或使用每秒高帧数的相机在相对较小的范围内进行切片姿态估计。
虽然不同的传感器或动作捕捉算法输出不同的数据形式,但运动员和教练员对连续短跑过程的感受是一样的:首先加速,然后保持最大速度一段时间,最后不可避免地减速。这样的“速度节奏”也是短跑训练的主要关注点之一。因此,对速度的模态独立认知感受进行建模将有助于***更接近人类教练的认知处理。短跑运动员的速度-时间曲线是通过使用单指数函数在整个短跑加速阶段建模的。因此,短跑运动员的表现由2个参数决定:最大速度和加速时间常数。
在本实施例中,还使用冠军模型(或者称为冠军模式)。下面对冠军模型进行说明。冠军模型的理念是寻找一个与运动员身高、体重、年龄或其他身体条件相近的精英运动员,并模仿他的训练计划或技术。
在本实施例中,得出计划的过程中使用了因果推理来进行智能决策,因果推理结合了“因果关系”和“推理”的数学工具。在本实施例中将“因果推理”引入运动训练中的智能决策。在三个因果关系水平中,干预可以指定训练和表现之间的真实因果关系,而不是统计相关性。法事实可以量化一个从未完成的训练计划的潜在治疗效果,这对运动训练更有吸引力。
本实施例中还涉及到记忆网络,在体育运动中,大多数决策研究遵循这样的假设,即决策和知觉判断基于作为推理引擎运行的内化知识结构,以考虑“最佳”决策或“最适合”任务的决策。记忆网络以其外部记忆命名,其中包括神经图灵机。神经图灵机的算法结合了基于内容和基于位置的寻址。
下面结合附图2对本实施例中的***进行说明。
图2是根据本申请实施例的用于运动的因果认知计算框架的示意图,如图2所示,该框架包括如下模块:
感知部,用于感知从传感器、相机、kinects中读取信号......以不同的方式计算物理速度、骨骼等。
认知表征部,用于将物理信号转换为认知表征。
知识回忆不,用于根据关键特征和性能之间的因果关系,从“记忆”中选择一个“有界”的最优“知识”。
计划诊断部,用于根据知识通过反事实评估不同的培训计划。
不同模块之间也有两种传递信息的通路,第一种为以上所有过程构成了精细加工路径(即加工路径),这是教练员的主要思维模式。该快速处理途径模仿训练直觉,该反馈处理路径可以更新知识。
认知表征的提取
短跑运动员的速度-时间曲线在整个短跑加速阶段使用如下单指数函数建模:
此函数需要2个输入参数:短跑运动员的最大水平速度Vmax和加速常数T1。该单调递增的单指数函数只能模拟短跑的加速阶段。要对100米短跑的所有3个阶段进行建模,在本实施例中提供了一个新的函数,在该函数中速度相对损失的趋势可用式(2)表示,其中t2为减速时间常数,其值越大,速度下降越慢,减速过程越长:
从运动能量代谢来看,加速趋势和减速趋势不是单独作用于比赛的不同阶段,而是贯穿整个比赛的不同阶段。那么整个时间-速度函数的原型应该如(3)所示:
时间变量、加减速时间常数的单位为秒,速度变量和速度的单位为米/秒。Videal是理想的限值,该值可以持续无限长的时间也没有减速条件,在以往的文献被称为“最高速度”,这是不恰当的,在本实施例中由理想最高速度Videal表示。因此提取了速度的模态独立的认知特征。
因果记忆网络
冠军模型作为知识存储在外部存储器中,存储结构如下:
·位置:由于只能向跑得快的运动员学习,所以冠军模型是根据被记录到记忆网络中的表现来定位的。
·关键(Key):在本实施例中性别、身高、年龄等不可更改的特征用作选择冠军模型的关键。
·价值(Value):可以通过训练改变的特征被用作反事实诊断的Value。
反事实诊断
以简化的方式,诊断中的DAG包含冠军模型和性能中的内存值,即理想速度Videal、加速常数T1和减速常数T2。然后再进行反事实诊断,例如,找到运动员和冠军之间的理想最大速度、加速时间参数和减速时间常数之间的差距,假定其中一个数值是没有差距的,然后计算成绩是否跟冠军一致。通过这样的方式可以得到哪个参数导致的运动员的成绩低于冠军的成绩,然后再根据该参数的提高制定训练计划。
在本实施例中,提供一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行以上实施例中的方法。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。在本实施例就提供了这样的一个装置,该装置包括至少一个模块,其中,所述至少一个模块用于执行上述的方法中的步骤。该装置被称为基于因果关系的训练计划制定处理装置,包括:获取模块,用于获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;比较模块,用于将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;更换模块,将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;第一确定模块,用于确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;第二确定模块,用于根据所述差距确定对所述第一运动员成绩产生影响的数据项;第三确定模块,用于根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。
由于该装置中的模块与上述方法中的步骤是对应的,已经在方法实施例中进行过说明的,在此不再赘述。
例如,所述第二确定模块用于:根据所述差距确定对所述第一运动员成绩产生影响最大的数据项,其中,所述影响最大的数据项为:在所述第一运动数据中的该数据项被所述第二运动数据中的对应数据项更换之后,所述第一运动员和所述第二运动员的运动成绩的差距最小。又例如,所述第二确定模块用于根据所述差距的大小将对所述第一运动员成绩产生影响的数据项进行排列得到队列;所述第三确定模块用于根据所述队列中前部预定数量个数据项确定针对所述第一运动员的训练计划。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于因果关系的训练计划制定处理方法,其特征在于,包括:
获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;
将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;
将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;
确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;
根据所述差距确定对所述第一运动员成绩产生影响的数据项;
根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。
2.根据权利要求1所述的方法,其特征在于,运动数据包括以下至少之一:运动员的运动姿态、运动员进行所述运动时的运动参数,其中,所述运动数据包括所述第一运动数据和/或所述第二运动数据,所述运动参数包括运动员在从事该运动时身体的物理运动数值和/或身体产生的能量。
3.根据权利要求2所述的方法,其特征在于,所述运动参数包括以下至少之一:速度、加速度、旋转速度、身体部位运动频率、身体部位产生的力量。
4.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述差距确定对所述第一运动员成绩产生影响的数据项包括:
根据所述差距确定对所述第一运动员成绩产生影响最大的数据项,其中,所述影响最大的数据项为:在所述第一运动数据中的该数据项被所述第二运动数据中的对应数据项更换之后,所述第一运动员和所述第二运动员的运动成绩的差距最小。
5.根据权利要求1至3中任一项所述的方法,其特征在于,
根据所述差距确定对所述第一运动员成绩产生影响的数据项包括:根据所述差距的大小将对所述第一运动员成绩产生影响的数据项进行排列得到队列;
根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划包括:根据所述队列中前部预定数量个数据项确定针对所述第一运动员的训练计划。
6.一种基于因果关系的训练计划制定处理装置,其特征在于,包括:
获取模块,用于获取第一运动员在进行运动时得到的第一运动数据,其中,所述第一运动数据包括至少一个数据项;
比较模块,用于将所述第一运动数据与预先配置的第二运动员在进行所述运动时得到的第二运动数据进行比较,其中,所述第二运动员在所述运动中的成绩优于所述第一运动员在所述运动中的成绩,所述第二运动数据包括的数据项与所述第一运动数据相同;
更换模块,将所述第一运动数据中与所述第二运动数据有差距的数据项的值依次更换为所述第二运动数据中对应的数据项的值,确定每更换所述第一运动数据中的一项数据之后所述第一运动员的成绩;
第一确定模块,用于确定每更换所述第一运动数据中的一项数据后得到的成绩与所述第二运动员的成绩的差距;
第二确定模块,用于根据所述差距确定对所述第一运动员成绩产生影响的数据项;
第三确定模块,用于根据对所述第一运动员成绩产生影响的数据项确定针对所述第一运动员的训练计划。
7.根据权利要求6所述的装置,其特征在于,运动数据包括以下至少之一:运动员的运动姿态、运动员进行所述运动时的运动参数,其中,所述运动数据包括所述第一运动数据和/或所述第二运动数据,所述运动参数包括运动员在从事该运动时身体的物理运动数值和/或身体产生的能量。
8.根据权利要求7所述的装置,其特征在于,所述运动参数包括以下至少之一:速度、加速度、旋转速度、身体部位运动频率、身体部位产生的力量。
9.根据权利要求6至8中任一项所述的装置,其特征在于,所述第二确定模块用于:
根据所述差距确定对所述第一运动员成绩产生影响最大的数据项,其中,所述影响最大的数据项为:在所述第一运动数据中的该数据项被所述第二运动数据中的对应数据项更换之后,所述第一运动员和所述第二运动员的运动成绩的差距最小。
10.根据权利要求6至8中任一项所述的装置,其特征在于,
所述第二确定模块用于根据所述差距的大小将对所述第一运动员成绩产生影响的数据项进行排列得到队列;
所述第三确定模块用于根据所述队列中前部预定数量个数据项确定针对所述第一运动员的训练计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764535.6A CN113486798A (zh) | 2021-07-07 | 2021-07-07 | 一种基于因果关系的训练计划制定处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764535.6A CN113486798A (zh) | 2021-07-07 | 2021-07-07 | 一种基于因果关系的训练计划制定处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486798A true CN113486798A (zh) | 2021-10-08 |
Family
ID=77941363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764535.6A Pending CN113486798A (zh) | 2021-07-07 | 2021-07-07 | 一种基于因果关系的训练计划制定处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486798A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1560758A (zh) * | 2004-02-25 | 2005-01-05 | 炜 蒋 | 用计算机提高中长跑成绩的训练方法 |
US20130040272A1 (en) * | 2011-05-19 | 2013-02-14 | Trilife Eternal, Llc | System and method for producing customized training plans for multi-discipline endurance athletic competitions |
EP2824614A1 (en) * | 2013-07-12 | 2015-01-14 | IQO2 bvba | Platform for planning and analyzing sports training for one or more athletes |
US20160260340A1 (en) * | 2015-02-07 | 2016-09-08 | Alan Discount | Automated sports training workflow, delivery and tracking system |
JP2017006192A (ja) * | 2015-06-17 | 2017-01-12 | セイコーエプソン株式会社 | アドバイス生成方法、アドバイス生成プログラムおよびアドバイス生成システム |
CN106377892A (zh) * | 2016-09-27 | 2017-02-08 | 深圳市宏电技术股份有限公司 | 一种基于可穿戴设备的飞镖运动识别及训练的方法和*** |
CN111415720A (zh) * | 2020-03-17 | 2020-07-14 | 中山优感科技有限公司 | 一种基于多数据采集的训练辅助方法和装置 |
WO2021016426A1 (en) * | 2019-07-23 | 2021-01-28 | Monster Smart Solutions, Llc | Physical training system with machine learning-based training programs |
CN112364785A (zh) * | 2020-11-13 | 2021-02-12 | 中移雄安信息通信科技有限公司 | 一种运动训练指导方法、装置、设备及计算机存储介质 |
-
2021
- 2021-07-07 CN CN202110764535.6A patent/CN113486798A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1560758A (zh) * | 2004-02-25 | 2005-01-05 | 炜 蒋 | 用计算机提高中长跑成绩的训练方法 |
US20130040272A1 (en) * | 2011-05-19 | 2013-02-14 | Trilife Eternal, Llc | System and method for producing customized training plans for multi-discipline endurance athletic competitions |
EP2824614A1 (en) * | 2013-07-12 | 2015-01-14 | IQO2 bvba | Platform for planning and analyzing sports training for one or more athletes |
US20160260340A1 (en) * | 2015-02-07 | 2016-09-08 | Alan Discount | Automated sports training workflow, delivery and tracking system |
JP2017006192A (ja) * | 2015-06-17 | 2017-01-12 | セイコーエプソン株式会社 | アドバイス生成方法、アドバイス生成プログラムおよびアドバイス生成システム |
CN106377892A (zh) * | 2016-09-27 | 2017-02-08 | 深圳市宏电技术股份有限公司 | 一种基于可穿戴设备的飞镖运动识别及训练的方法和*** |
WO2021016426A1 (en) * | 2019-07-23 | 2021-01-28 | Monster Smart Solutions, Llc | Physical training system with machine learning-based training programs |
CN111415720A (zh) * | 2020-03-17 | 2020-07-14 | 中山优感科技有限公司 | 一种基于多数据采集的训练辅助方法和装置 |
CN112364785A (zh) * | 2020-11-13 | 2021-02-12 | 中移雄安信息通信科技有限公司 | 一种运动训练指导方法、装置、设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
张峰;: "科学的训练计划对提高运动成绩的研究", 科技风, no. 21 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11367364B2 (en) | Systems and methods for movement skill analysis and skill augmentation | |
CN106956271B (zh) | 预测情感状态的方法和机器人 | |
Novatchkov et al. | Fuzzy logic in sports: a review and an illustrative case study in the field of strength training | |
US20230082953A1 (en) | System and Method for Real-Time Interaction and Coaching | |
Bačić | Predicting golf ball trajectories from swing plane: An artificial neural networks approach | |
Shaker et al. | Towards player-driven procedural content generation | |
CN113457108B (zh) | 一种基于认知表征的运动成绩提高方法和装置 | |
Ma et al. | [Retracted] Recognition of Badminton Shot Action Based on the Improved Hidden Markov Model | |
US20210245005A1 (en) | Implementation of machine learning for skill-improvement through cloud computing and method therefor | |
Yan et al. | A review of basketball shooting analysis based on artificial intelligence | |
Zhang et al. | Transforming sports training through the integration of internet technology and artificial intelligence | |
CN113486798A (zh) | 一种基于因果关系的训练计划制定处理方法及装置 | |
CN113343774B (zh) | 一种细粒度的工程力学跳水动作模拟与评估方法 | |
Wen et al. | Modern technology, artificial intelligence, machine learning and internet of things based revolution in sports by employing graph theory matrix approach | |
Yamagiwa et al. | Skill grouping method: Mining and clustering skill differences from body movement BigData | |
Olsen | Detecting Human Emotions Using Smartphone Accelerometer Data | |
Zielinski | Live Perception and Real Time Motion Prediction with Deep Neural Networks and Machine Learning | |
Ralev et al. | Application of OpenCV in serious games | |
Han et al. | Artificial Intelligence Technologies and Their Application for Reform and Development of Table Tennis Training in Complex Environments | |
Acikmese et al. | Artificially intelligent assistant for basketball coaching | |
Hao | Research on the Applications of Artificial Intelligence in Golf | |
KR102637528B1 (ko) | 경기력 향상 방법 및 서비스 플랫폼 | |
Ferreira | Classification of table tennis strokes using a wearable device and deep learning | |
Jiang et al. | Discrete Dynamic Modeling Analysis of Badminton Games Based on Viterbi Algorithm in College Badminton Physical Education | |
Zahra | Effects of Emotions in Cognitive Based Game |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211008 |