CN115346160A - 一种体育教学方法、***、设备及介质 - Google Patents
一种体育教学方法、***、设备及介质 Download PDFInfo
- Publication number
- CN115346160A CN115346160A CN202211070557.3A CN202211070557A CN115346160A CN 115346160 A CN115346160 A CN 115346160A CN 202211070557 A CN202211070557 A CN 202211070557A CN 115346160 A CN115346160 A CN 115346160A
- Authority
- CN
- China
- Prior art keywords
- index
- training
- student
- expression
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 115
- 230000014509 gene expression Effects 0.000 claims abstract description 74
- 230000009471 action Effects 0.000 claims description 20
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008921 facial expression Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000019771 cognition Effects 0.000 abstract description 5
- 230000008451 emotion Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 210000004709 eyebrow Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 230000036314 physical performance Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种体育教学方法,涉及教育技术领域,所述方法包括:获取体育课中各个时段的运动数据;根据所述视频数据分别计算每个学生的表情指数、技能指数和体能指数;根据所述表情指数、技能指数和体能指数计算每个学生的综合值;根据每个学生的所述综合值制定训练计划。本发明针对体育课理论时段、训练时段和辅助训练时段,从情感认知、技能水平和体能等方面分别对学生进行了评估,得到了每一个学生的综合值,通过综合值能够快速制定满足不同训练项目的训练计划,实现因材施教,从而更好地提升学生的学习效率和学习效果。本发明还提供了一种体育教学***、设备及介质。
Description
技术领域
本发明涉及教学技术领域,具体涉及一种体育教学方法、***、设备及介质。
背景技术
教学方法是指在一定的教育思想、教学理论和学习理论指导下,在一定环境中教学与学活动各要素之间的稳定关系和活动进程的方法。传统教学方法一般是利用传统的教学手段、完成特定教学内容的一种课堂教学形式。传统教学模式是一种填鸭式、被动式教学,仅靠学生的思维和记忆来获取知识,被动接收知识。而现代教学模式将多媒体引入到课堂中,教师通过多媒体将教学资料展示出来,虽然丰富和增强了课堂教学的表现力和感染力,但实际上仍是以被动式教学为主。
不管是传统教学方法,还是现代教学方法,都是以老师为教学活动的主体,老师单纯强调将所有知识灌输给学生,而不是因材施教。例如,对于体育学科,由于每个学生的对同一体育目标的情感认知、技能水平和体能等都不一致,他们在完成同一体育学习目标时,所需训练学习的侧重点也应有所不同,因此,只有根据学生的个体差异合理选择不同的体育教学计划,才能提升学生的学习效率和学习效果。
因此,本发明提出了一种能够针对学生的情感认知、技能水平和体能等方法的教学方法、***、设备及介质。
发明内容
针对现有技术中的缺陷,本发明提供一种体育教学方法、***、设备及介质。
第一方面,一种体育教学方法,包括:
获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;
根据所述视频数据分别计算各个时段的每个学生的表情指数;根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;根据所述心率数据计算训练时段每个学生的体能指数;
根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
根据每个学生的所述综合值制定训练计划。
优选地,根据所述视频数据分别计算各个时段的每个学生的表情指数包括:
构建初始表情模型,
获取含有表情分数标签的人脸表情分数数据集,并将所述人脸表情分数数据集分为测试集和验证集;
利用训练集训练初始表情模型,利用验证集验证初始表情模型,得到表情评估模型;
利用所述表情评估模型计算各个时段每个学生的表情值。
优选地,利用所述表情评估模型计算各个时段每个学生的表情值包括:
根据设定时间间隔从各个时段的视频数据中获取多个图片;
利用所述表情评估模型对各个时段所对应的多个图片进行识别,得到各个时段所对应的多个表情值;
对各个时段所对应的多个表情值进行平均值计算,得到每个时段的表情指数。
优选地,根据所述视频数据分别计算训练时段每个学生的技能指数:
根据设定时间间隔从训练时段的视频数据中获取每个训练动作所对应的多个图片;
根据每个训练动作所对应的多个图片计算每个训练动作与标准动作的相似度;
根据所述局部相似度和所述整体相似度计算每个训练动作的补偿相似度;
对所有训练动作的相似度进行平均值计算,得到训练时段的技能指数。
优选地,根据所述心率数据计算训练时段每个学生的体能指数包括:
根据训练时段每个学生的心率数据,确定每个学生的训练最大心率;
根据每个学生的训练最大心率和标准最大心率的差值,确定每个学生的运动强度;
根据每个学生的运动强度,确定每个学生的体能指数。
优选地,根据权利要求1所述的一种体育教学方法,其特征在于,根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
获取各个指数对应的影响指数,其中,所述影响指数包括第一影响指数和第二影响指数,所述第一影响指数根据时段确定,所述第二影响指数根据指数类型确定;
根据所述表情指数、技能指数和体能指数及其对应的影响指数,计算每个学生的综合值。
第二方面,一种体育教学***,包括:
数据获取模块,用于获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;
第一计算模块,用于根据所述视频数据分别计算各个时段的每个学生的表情指数;用于根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;还用于根据所述心率数据计算训练时段每个学生的体能指数;
第二计算模块,用于根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
计划制定模块,用于根据所述综合值制定训练计划。
第三方面,一种计算机设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任意一项所述的方法的步骤。
第四方面,一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述的方法的步骤。
本发明的有益效果体现在:本发明方法针对体育课理论时段、训练时段和辅助训练时段,从情感认知、技能水平和体能等方面分别对学生进行了评估,得到了每一个学生的综合值,通过综合值能够快速制定满足不同训练项目的训练计划,实现因材施教,从而更好地提升学生的学习效率和学习效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例所提供的一种体育教学方法的流程图;
图2为本发明实施例所提供的一种体育教学***的***框图;
图3为本发明实施例所提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,本发明实施例提供了一种体育教学方法,包括:
步骤一:获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;
在本发明实施例中,所述理论时段所对应的视频数据根据设置在理论教学区的摄像头获取,具体的,所述理论教学区可以是运动场,也可以是教室,这些地方均安装有摄像头,为了更好地获取学生的运动数据,在篮球场、羽毛球场、操场、乒乓球场等场地均设置摄像头,所述摄像头采用360°高清摄像头。
在本发明实施例中,所述心率数据根据穿戴设备获取,所述穿戴设备至少包括心率传感器,当然也可以包括其他运动传感器和生理传感器。
在本发明实施例中,所述辅助训练时长为开始训练前的热身和训练后的拉伸。
步骤二:根据所述视频数据分别计算各个时段的每个学生的表情指数;根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;根据所述心率数据计算训练时段每个学生的体能指数;
在本发明实施例中,根据所述视频数据分别计算各个时段的每个学生的表情指数包括:构建初始表情模型,获取含有表情分数标签的人脸表情分数数据集,并将所述人脸表情分数数据集分为测试集和验证集;利用训练集训练初始表情模型,利用验证集验证初始表情模型,得到表情评估模型;利用所述表情评估模型计算各个时段每个学生的表情值。
具体的,所标签为人工标签,所述人脸表情是根据微笑程度和眉毛间距确定的,总分为5分,微笑程度和眉毛间距各占2.5分,根据微笑程度越大,分值越高,眉毛间距越大,分值越低;随着微笑程度的增加或者眉毛间距的增大,具体的表情分值变化为由0.5、1、1.5、2、2.5。
在本发明实施例中,利用所述表情评估模型计算各个时段每个学生的表情值包括:根据设定时间间隔从各个时段的视频数据中获取多个图片;利用所述表情评估模型对各个时段所对应的多个图片进行识别,得到各个时段所对应的多个表情值;对各个时段所对应的多个表情值进行平均值计算,得到每个时段的表情指数。
本发明实施例提供了一种表情识别模型,能够为学生的表情进行打分,并且能够求取每个时段的多个表情分的平均值,从而确保表情分值的准确性,得到表情指数,通过每个学生的表情指数能够指征每个学生在体育课中的情感变化,进而描述每个学生的学习状态。
在本发明实施例中,根据所述视频数据分别计算训练时段每个学生的技能指数:根据设定时间间隔从训练时段的视频数据中获取每个训练动作所对应的多个图片;根据每个训练动作所对应的多个图片计算每个训练动作与标准动作的相似度,求取平均值,根据相似度均值得到训练时段的技能指数。
具体的,利用现有的动作识别模型识别训练动作,从而区别每个训练动作的时段,从每个训练动作的时段按照预设时间间隔抽取多个图片,进而计算其与标准动作的相似度,求多个图片的相似度的均值,根据均值确定得到训练时段的技能指数,相似度在95%以上,技能指数为5,相似度在85%-95%,技能指数为4分,相似度在75%-85%,技能指数为3,相似度在65%-75%,技能指数为2,相似度在65以下,技能指数为1。同理,辅助训练时段的技能指数的计算方法与本发明实施例所提供的训练时段计算方法相同,在此不做赘述。
在本发明实施例中,根据所述心率数据计算训练时段每个学生的体能指数包括:根据训练时段每个学生的心率数据,确定每个学生的训练最大心率;根据每个学生的训练最大心率和标准最大心率的差值,确定每个学生的运动强度;根据每个学生的运动强度,确定每个学生的体能指数。
具体的,训练最大心率为通过穿戴式设备采集的运动过程中的心率最大值,所述标准最大心率为根据现有的心率计算方法计算得到的心率,其中,所述心率计算方法包括Gellish公式、Tanaka公式、Fairburn公式,其中,Fairburn公式为:女性标准最大心率=201-0.63*年龄;男性标准最大心率=208-0.8*年龄。
具体的,当差值在0.5以上时,确定为低运动强度,体能指数为5;当差值在0.5-0.4时,确定为较低运动强度,体能指数为4;当差值在0.4-0.3时,确定为正常运动强度,体能指数为3,当差值在0.3-0.2时,确定为较高强度运动,体能指数为2;当差值在0.2以下时,确定为最高强度运动,体能指数为1。
步骤三:根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
在本发明实施例中,根据所述表情指数、技能指数和体能指数计算每个学生的综合值包括:获取各个指数对应的影响指数,其中,所述影响指数包括第一影响指数和第二影响指数,所述第一影响指数根据时段确定,所述第二影响指数根据指数类型确定;根据所述表情指数、技能指数和体能指数及其对应的影响指数,计算每个学生的综合值。
具体的,第一影响指数根据时段确定,理论时段、训练时段和辅助训练时段在体育课中所占时长分别为20%、50%、10%,还有20%为自由活动时段。根据各个时段的时长占比,分别确定各个时段的第一影响指数为0.25、0.625、0、125;
具体的,第二影响指数根据指数类型确定,通过调查问卷获取50个体育老师对表情、技能、体能进行重要性评分(满分10分),选用评分的平均分来确定各个指数的重要性,平均分分别为6.41、7.02、9.46,分别确定表情指数、技能指数和体能指数对应的第二影响指数为:0.28、0.3、0.42。
具体的,计算综合值的公式为:
D=0.25x1+0.625(0.28x2+0.3y2+0.42z2)+0.125(0.28x3+0.3y3)
其中,x1,x2,x3分别表示理论时段、训练时段、辅助训练时段的表情指数,y2,y3分别表示训练时段、辅助训练时段的技能指数,z2表示训练时段的体能指数。
步骤四:根据每个学生的所述综合值制定训练计划;
具体的,训练计划可以是对学生进行同质分组、异质分组等,也就是说根据每个学生的综合值,更好地完成小组训练,实现因材施教。其中,同质分组,是指分组后同一个小组内的学生在体能和运动技能上大致相同,异质分组是指分组后同一小组内的学生在体能和运动技能方面均存在差异。
在具体的实施例中,如进行接力跑步游戏时,计算全班的综合值平均值,根据综合值平均值,将综合值高的与综合值低的一一匹配,根据;体操的支撑跳跃教学中时,将综合值差值在预设差值(预设差值为2)内的学生分为一组,从而对不同的组别的学生进行分类教学;在短跑训练时,也时是将综合值在预设值的分为一。
综上,本发明实施例提供了教学方法,该方法包括:获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;根据所述视频数据分别计算各个时段的每个学生的表情指数;根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;根据所述心率数据计算训练时段每个学生的体能指数;根据所述表情指数、技能指数和体能指数计算每个学生的综合值;根据每个学生的所述综合值制定训练计划。本发明方法针对体育课理论时段、训练时段和辅助训练时段,从情感认知、技能水平和体能等方面分别对学生进行了评估,得到了每一个学生的综合值,通过综合值能够快速制定满足不同训练项目的训练计划,实现因材施教,从而更好地提升学生的学习效率和学习效果。
本发明实施例还提供了一种体育教学***,请参考图2,如图2所示,本发明实施例提供的***的结构示意图,该***100包括:
数据获取模块101,用于获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;
第一计算模块102,用于根据所述视频数据分别计算各个时段的每个学生的表情指数;用于根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;还用于根据所述心率数据计算训练时段每个学生的体能指数;
第二计算模块103,用于根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
计划制定模块04,用于根据所述综合值制定训练计划。
请参阅图3,图3为本申请实施例的计算机设备300的结构示意图,该设备300包括:至少一个处理器301,至少一个通信接口302,至少一个存储器303和至少一个总线304。其中,总线304用于实现这些组件直接的连接通信,通信接口302用于与其他节点设备进行信令或数据的通信,存储器303存储有处理器301可执行的机器可读指令。当计算机设备300运行时,处理器301与存储器303之间通过总线304通信,机器可读指令被处理器301调用时执行如上述体育教学方法。
处理器301可以是一种集成电路芯片,具有信号处理能力。上述处理器301可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器303可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
可以理解,图3所示的结构仅为示意,计算机设备300还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中,计算机设备300可以是,但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,计算机设备300也不一定是单台设备,还可以是多台设备的组合,例如服务器集群等等。
此外,本发明实施例还提供一种计算机存储介质,该计算机存储介质上存储有计算机程序,该计算机程序被计算机运行时,执行如上述实施例中心血管疾病诊断方法的步骤。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种体育教学方法,其特征在于,包括:
获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;
根据所述视频数据分别计算各个时段的每个学生的表情指数;根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;根据所述心率数据计算训练时段每个学生的体能指数;
根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
根据每个学生的所述综合值制定训练计划。
2.根据权利要求1所述的一种体育教学方法,其特征在于,根据所述视频数据分别计算各个时段的每个学生的表情指数包括:
构建初始表情模型,
获取含有表情分数标签的人脸表情分数数据集,并将所述人脸表情分数数据集分为测试集和验证集;
利用训练集训练初始表情模型,利用验证集验证初始表情模型,得到表情评估模型;
利用所述表情评估模型计算各个时段每个学生的表情值。
3.根据权利要求2所述的一种体育教学方法,其特征在于,利用所述表情评估模型计算各个时段每个学生的表情值包括:
根据设定时间间隔从各个时段的视频数据中获取多个图片;
利用所述表情评估模型对各个时段所对应的多个图片进行识别,得到各个时段所对应的多个表情值;
对各个时段所对应的多个表情值进行平均值计算,得到每个时段的表情指数。
4.根据权利要求1所述的一种体育教学方法,其特征在于,根据所述视频数据分别计算训练时段每个学生的技能指数:
根据设定时间间隔从训练时段的视频数据中获取每个训练动作所对应的多个图片;
根据每个训练动作所对应的多个图片计算每个训练动作与标准动作的相似度;
对所有训练动作的相似度进行平均值计算,得到训练时段的技能指数。
5.根据权利要求1所述的一种体育教学方法,其特征在于,根据所述心率数据计算训练时段每个学生的体能指数包括:
根据训练时段每个学生的心率数据,确定每个学生的训练最大心率;
根据每个学生的训练最大心率和标准最大心率的差值,确定每个学生的运动强度;
根据每个学生的运动强度,确定每个学生的体能指数。
6.根据权利要求1所述的一种体育教学方法,其特征在于,根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
获取各个指数对应的影响指数,其中,所述影响指数包括第一影响指数和第二影响指数,所述第一影响指数根据时段确定,所述第二影响指数根据指数类型确定;
根据所述表情指数、技能指数和体能指数及其对应的影响指数,计算每个学生的综合值。
7.根据权利要求1所述的一种体育教育方法,其特征在于,根据每个学生的综合值制定教学计划包括:按照综合值进行同质分组或者异质分组。
8.一种体育教学***,其特征在于,包括:
数据获取模块,用于获取体育课中各个时段的运动数据,其中,所述时段包括理论时段、训练时段和辅助训练时段,所述运动数据包括视频数据和心率数据;
第一计算模块,用于根据所述视频数据分别计算各个时段的每个学生的表情指数;用于根据所述视频数据分别计算训练时段和辅助训练时段每个学生的技能指数;还用于根据所述心率数据计算训练时段每个学生的体能指数;
第二计算模块,用于根据所述表情指数、技能指数和体能指数计算每个学生的综合值;
计划制定模块,用于根据所述综合值制定训练计划。
9.一种计算机设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任意一项所述的方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211070557.3A CN115346160A (zh) | 2022-09-02 | 2022-09-02 | 一种体育教学方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211070557.3A CN115346160A (zh) | 2022-09-02 | 2022-09-02 | 一种体育教学方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115346160A true CN115346160A (zh) | 2022-11-15 |
Family
ID=83956661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211070557.3A Pending CN115346160A (zh) | 2022-09-02 | 2022-09-02 | 一种体育教学方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346160A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809808A (zh) * | 2024-02-26 | 2024-04-02 | 青岛杨辉大数据科技有限公司 | 一种个性化推荐运动计划的方法、***、设备及存储介质 |
-
2022
- 2022-09-02 CN CN202211070557.3A patent/CN115346160A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809808A (zh) * | 2024-02-26 | 2024-04-02 | 青岛杨辉大数据科技有限公司 | 一种个性化推荐运动计划的方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
García-Bravo et al. | Virtual reality and video games in cardiac rehabilitation programs. A systematic review | |
CN108205684A (zh) | 图像消歧方法、装置、存储介质和电子设备 | |
CN109045664B (zh) | 基于深度学习的跳水打分方法、服务器及*** | |
CN110782482A (zh) | 运动评估方法、装置、计算机设备及存储介质 | |
Kamnardsiria et al. | Knowledge-based system framework for training long jump athletes using action recognition | |
Ae | The next steps for expanding and developing sport biomechanics: Winner of the 2019 ISBS Geoffrey Dyson Award | |
CN115346160A (zh) | 一种体育教学方法、***、设备及介质 | |
CN113010557A (zh) | 一种心理测评***量表随机答题方法及*** | |
Yang et al. | Research on face recognition sports intelligence training platform based on artificial intelligence | |
Musa et al. | Identification of high-performance volleyball players from anthropometric variables and psychological readiness: A machine-learning approach | |
Schons et al. | Comparisons and correlations between the anthropometric profile and physical performance of professional female and male soccer players: Individualities that should be considered in training | |
Ofoghi et al. | A machine learning approach to predicting winning patterns in track cycling omnium | |
CN111985853A (zh) | 交互式练习排名评价方法、***、终端及介质 | |
Mulas et al. | Everywhere race!: A social mobile platform for sport engagement and motivation | |
CN113299365B (zh) | 体能训练计划生成方法、装置及电子设备 | |
CN113641856A (zh) | 用于输出信息的方法和装置 | |
Hsu et al. | Exploring competitive sports technology development: using a MCDM model. | |
Shou et al. | [Retracted] Advanced Artificial Intelligence and Big Data Algorithm in Aerobics Formation Transformation Route Simulation Research | |
Kamnardsiri et al. | Requirement analysis to design the knowledge-based system for long jump coaching | |
Tao | Big data system for dragon boat rowing action training based on multidimensional stereo vision | |
Sun et al. | [Retracted] Biological Breakdown of Sports in Athletics Based on Multimedia Image Acquisition Techniques | |
Zhang | Application Analysis of Badminton Intelligence based on Knowledge Graphs | |
KR102687733B1 (ko) | 인공지능을 활용하여 골프클럽 인식을 통한 개인별 골프 통계 제공 시스템 | |
TWI818797B (zh) | 運動體能檢定系統 | |
Zhou et al. | Comparative Analysis of Volleyball Serve Action Based on Human Posture Estimation |
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 |