CN107158684B - 一种用于大学生智能体育体能综合训练控制系统 - Google Patents

一种用于大学生智能体育体能综合训练控制系统 Download PDF

Info

Publication number
CN107158684B
CN107158684B CN201710231273.0A CN201710231273A CN107158684B CN 107158684 B CN107158684 B CN 107158684B CN 201710231273 A CN201710231273 A CN 201710231273A CN 107158684 B CN107158684 B CN 107158684B
Authority
CN
China
Prior art keywords
signal
training
matrix
iteration
processing unit
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.)
Expired - Fee Related
Application number
CN201710231273.0A
Other languages
English (en)
Other versions
CN107158684A (zh
Inventor
石磊
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710231273.0A priority Critical patent/CN107158684B/zh
Publication of CN107158684A publication Critical patent/CN107158684A/zh
Application granted granted Critical
Publication of CN107158684B publication Critical patent/CN107158684B/zh
Expired - Fee Related 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
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/30—Measuring physiological parameters of the user blood pressure
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/50—Measuring physiological parameters of the user temperature

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于体育训练用品技术领域，公开了一种用于大学生智能体育体能综合训练控制系统，包括训练平台，训练平台上安装有用于对运动员的血压、心跳、体温进行检测的生命体征探测仪，用于对信号进行分析和处理的中央处理器，用于对处理的视频信息进行展示的显示器，用于对处理的音频信息进行播放的扬声器，用于对环境温度进行检测的温度传感器，用于提醒运动员训练指标的目标信息检测器，安装在训练平台上，实现对训练平台产生震动的振动仪。通过生命体征探测仪对运动员训练过程中的身体变换情况进行检测，并将信号传输至中央处理器，通过中央处理器的分析处理后，通过显示器和扬声器输出，较好的反馈身体的反应情况，更好的实现体能的健康训练。

Description

一种用于大学生智能体育体能综合训练控制系统
技术领域
本发明属于体育训练用品技术领域，尤其涉及一种用于大学生智能体育体能综合训练控制系统
背景技术
传统的健身器材在使用上只是主观的依照训练者的意识进行设定工作。如无专业的健身教练的指导容易造成健身的误区及训练者的伤害。并且针对运动员体能训练的过程，多为参加跑步，举重等训练，而不能较好的了解运动员训练过程中身体的反应情况，智能化程度低。
综上所述，现有技术存在的问题是：针对运动员体能训练的过程，多为参加跑步，举重等训练，而不能较好的了解运动员训练过程中身体的反应情况，智能化程度低。
发明内容
针对现有技术存在的问题，本发明提供了一种用于大学生智能体育体能综合训练控制系统。
本发明是这样实现的，一种用于大学生智能体育体能综合训练控制系统，该用于大学生智能体育体能综合训练控制系统包括训练平台，训练平台上安装有用于对运动员的血压、心跳、体温进行检测的生命体征探测仪；
与生命体征探测仪电连接，用于对信号进行分析和处理的中央处理器；
所述中央处理器的信号处理过程包括：
(1)对接收到的信号y(t)进行预处理，即先经过采样得到y[n]，然后通过希尔伯特变换进行信号的复包络的恢复；
(2)计算信号的零中心归一化瞬时幅度的广义分数阶傅里叶变换的最大值即特征量r1：
r1＝max|GFRFT[acn(i),p]|2/Ns；
式中，Ns个采样点，为瞬时幅度a(i)的平均值；p为分数阶傅里叶变换的阶数；
(3)采用分类器1，设置信号集的判决门限为：
其中δlim为区分相邻信号或信号集Y1，Y2的门限值，max(rY1)为Y1的特征量均值的最大值，min(rY2)为Y2的特征值最小值的均值；将信号集合{2ASK、16QAM、2FSK、MSK、QPSK}分为{2ASK}、{16QAM}和{2FSK、MSK、QPSK}三类；
设置信号集的判决门限δ1＝0和判决门限δ2将信号集合{2ASK、16QAM、2FSK、MSK、QPSK}分为{2ASK}、{16QAM}和{2FSK、MSK、QPSK}三类，则门限δ2的设置为：
其中，max(γ16QAM)为16QAM信号的特征量均值γ16QAM的最大值，min(γ2ASK)为2ASK信号的特征值均值γ2ASK的最小值；
计算信号x(t)的分数阶傅立叶变换，其表达式为：
式中，Kθ(t,u)为分数阶傅立叶变换的核函数，其表达式为:
其中，k取整数，Fθ表示θ角度分数阶傅里叶变换算子，θ＝pπ/2为旋转角度，p为旋转因子，δ(·)为冲击函数；为了将Alpha稳定分布噪声的幅值合理映射到有限区间，同时使信号的相位保持不变，计算信号的广义分数阶傅里叶变换，其表达式为：
其中，为一非线性变换，H(·)为希尔伯特变换；
与中央处理器电连接，用于对处理的视频信息进行展示的显示器；
所述显示器的图像迭代模型表示为：
其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；所述将目标图像中灰度值小于0的像素点置零；
图像迭代的目标函数为：
其中，Ri∈RM×N，Δ表示所述第一非负图像或所述第二非负图像，RiΔ表示从Δ中提取的图像块，||||2表示2-范数，||||1表示1-范数，γ为正则化参数，D表示过完备字典，αi为第i个图像块RiΔ对应的稀疏系数，Γ为所有图像块的稀疏系数集合；
与中央处理器电连接，用于对处理的音频信息进行播放的扬声器；
与中央处理器电连接，用于对环境温度进行检测的温度传感器；
所述温度传感器的量测模型如下：
YA(tk-1)、YA(tk)、YA(tk+1)分别为温度传感器对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值，A代表温度传感器，分别为：
其中，Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置；CA(t)为误差的变换矩阵；ξA(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)；
与中央处理器电连接，用于提醒运动员训练指标的目标信息检测器；
与中央处理器电连接，安装在训练平台上，实现对训练平台产生震动的振动仪。
进一步，所述扬声器还设置有采用各种颜色透明的PA、PE、PET、PP、PU、PVC、PS、TPU、EVA或PC材料的防尘帽、振膜和纸盆。
进一步，所述震动器包括电源、微处理器、振动传感器、报警器；电源分别与微处理器、振动传感器、报警器连接，振动传感器与微处理器连接，微处理器与报警器连接；
所述微处理器接收信号的观测向量x的分数低阶快速独立成分分析按以下进行：
1)将观测向量x减去均值进行中心化，利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理，得到白化矩阵v，其中，PCA中用到的分数低阶相关矩阵定义为：
其中，xi(n)和xj(n)分别为第i路和第j路观测信号，且1≤i,j≤2，*代表取共轭，对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V，由特征值矩阵和特征向量矩阵可得预白化矩阵M＝D-1/2VT，利用预白化矩阵将观测数据x向信号子空间投影，得到白化矩阵v＝Mx；
2)对权向量w0进行随机初始化，同时初始化序列号k使k＝1；
3)进行权值向量迭代：
其中，和为一阶统计量，g(·)是对比函数，η＝E[wTxg(wTx)]，且在权值的迭代过程中参数λ是可变的，且λ＜1；
4)利用范数归一化权值向量wk，wk＝wk/||wk||；
5)若充分接近于1，算法得到收敛，wk就是最终的解混矩阵，执行6)，否则重复步骤3)与步骤4)；
6)Y＝wkx,其中x为观测信号，Y为分离后的二维信号。
本发明的优点及积极效果为：用于大学生智能体育体能综合训练控制系统通过生命体征探测仪对运动员训练过程中的身体变换情况进行检测，并将信号传输至中央处理器，通过中央处理器的分析处理后，通过显示器和扬声器输出，较好的反馈身体的反应情况，更好的实现体能的健康训练。
附图说明
图1是本发明实施例提供的用于大学生智能体育体能综合训练控制系统的结构示意图；
图中：1、中央处理器；2、显示器；3、扬声器；4、生命体征探测仪；5、温度传感器；6、目标信息检测器；7、振动仪；8、训练平台。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
该用于大学生智能体育体能综合训练控制系统，包括训练平台8，训练平台8上安装有用于对运动员的血压、心跳、体温进行检测的生命体征探测仪4；
与生命体征探测仪4电连接，用于对信号进行分析和处理的中央处理器1；
与中央处理器1电连接，用于对处理的视频信息进行展示的显示器2；
与中央处理器1电连接，用于对处理的音频信息进行播放的扬声器3；
与中央处理器1电连接，用于对环境温度进行检测的温度传感器5；
与中央处理器1电连接，用于提醒运动员训练指标的目标信息检测器6；
与中央处理器1电连接，安装在训练平台8上，实现对训练平台8产生震动的振动仪7。
进一步，所述显示器2的图像迭代模型表示为：
其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；所述将目标图像中灰度值小于0的像素点置零；
图像迭代的目标函数为：
其中，Ri∈RM×N，Δ表示所述第一非负图像或所述第二非负图像，RiΔ表示从Δ中提取的图像块，||||2表示2-范数，||||1表示1-范数，γ为正则化参数，D表示过完备字典，αi为第i个图像块RiΔ对应的稀疏系数，Γ为所有图像块的稀疏系数集合。
进一步，所述扬声器3还设置有采用各种颜色透明的PA、PE、PET、PP、PU、PVC、PS、TPU、EVA或PC材料的防尘帽、振膜和纸盆。
进一步，所述震动器包括电源、微处理器、振动传感器、报警器；电源分别与微处理器、振动传感器、报警器连接，振动传感器与微处理器连接，微处理器与报警器连接。
所述中央处理器的信号处理过程包括：
(1)对接收到的信号y(t)进行预处理，即先经过采样得到y[n]，然后通过希尔伯特变换进行信号的复包络的恢复；
(2)计算信号的零中心归一化瞬时幅度的广义分数阶傅里叶变换的最大值即特征量r1：
r1＝max|GFRFT[acn(i),p]|2/Ns；
式中，Ns个采样点，为瞬时幅度a(i)的平均值；p为分数阶傅里叶变换的阶数；
(3)采用分类器1，设置信号集的判决门限为：
其中δlim为区分相邻信号或信号集Y1，Y2的门限值，max(rY1)为Y1的特征量均值的最大值，min(rY2)为Y2的特征值最小值的均值；将信号集合{2ASK、16QAM、2FSK、MSK、QPSK}分为{2ASK}、{16QAM}和{2FSK、MSK、QPSK}三类；
设置信号集的判决门限δ1＝0和判决门限δ2将信号集合{2ASK、16QAM、2FSK、MSK、QPSK}分为{2ASK}、{16QAM}和{2FSK、MSK、QPSK}三类，则门限δ2的设置为：
其中，max(γ16QAM)为16QAM信号的特征量均值γ16QAM的最大值，min(γ2ASK)为2ASK信号的特征值均值γ2ASK的最小值；
计算信号x(t)的分数阶傅立叶变换，其表达式为：
式中，Kθ(t,u)为分数阶傅立叶变换的核函数，其表达式为:
其中，k取整数，Fθ表示θ角度分数阶傅里叶变换算子，θ＝pπ/2为旋转角度，p为旋转因子，δ(·)为冲击函数；为了将Alpha稳定分布噪声的幅值合理映射到有限区间，同时使信号的相位保持不变，计算信号的广义分数阶傅里叶变换，其表达式为：
其中，为一非线性变换，H(·)为希尔伯特变换。
所述温度传感器的量测模型如下：
YA(tk-1)、YA(tk)、YA(tk+1)分别为温度传感器对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值，A代表温度传感器，分别为：
其中，Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置；CA(t)为误差的变换矩阵；ξA(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)。
所述微处理器接收信号的观测向量x的分数低阶快速独立成分分析按以下进行：
1)将观测向量x减去均值进行中心化，利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理，得到白化矩阵v，其中，PCA中用到的分数低阶相关矩阵定义为：
其中，xi(n)和xj(n)分别为第i路和第j路观测信号，且1≤i,j≤2，*代表取共轭，对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V，由特征值矩阵和特征向量矩阵可得预白化矩阵M＝D-1/2VT，利用预白化矩阵将观测数据x向信号子空间投影，得到白化矩阵v＝Mx；
2)对权向量w0进行随机初始化，同时初始化序列号k使k＝1；
3)进行权值向量迭代：
其中，和为一阶统计量，g(·)是对比函数，η＝E[wTxg(wTx)]，且在权值的迭代过程中参数λ是可变的，且λ＜1；
4)利用范数归一化权值向量wk，wk＝wk/||wk||；
5)若充分接近于1，算法得到收敛，wk就是最终的解混矩阵，执行6)，否则重复步骤3)与步骤4)；
6)Y＝wkx,其中x为观测信号，Y为分离后的二维信号。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
通过生命体征探测仪4对运动员训练过程中的身体变换情况进行检测，并将信号传输至中央处理器1，同时中央处理器1采集周围的环境温度，通过中央处理器1的分析处理后，通过显示器2和扬声器3输出，可以使平面显示器2在左右水平方向上转动，或使其在上下方向上升降，或使其在前后方向上也倾斜动作，不仅如此，通过电动马达容易且可靠地来驱动这些运动。使用本发明可以有效的减少网络阻塞，缩短接入所需时间，并采用(传感器节点(BN)数量限制)控制两种模式之间的切换，可有效降低传感器节点(BN)的运算量，节省传感器节点(BN)资源；较好的反馈身体的反应情况，并通过振动仪7实现训练平台8的震动，更好的实现体能的健康训练。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种用于大学生智能体育体能综合训练控制系统，其特征在于，该用于大学生智能体育体能综合训练控制系统包括训练平台，训练平台上安装有用于对运动员的血压、心跳、体温进行检测的生命体征探测仪；
与生命体征探测仪电连接，用于对信号进行分析和处理的中央处理器；
所述中央处理器的信号处理过程包括：
(1)对接收到的信号y(t)进行预处理，即先经过采样得到y[n]，然后通过希尔伯特变换进行信号的复包络的恢复；
(2)计算信号的零中心归一化瞬时幅度的广义分数阶傅里叶变换的最大值即特征量r1：
r1＝max|GFRFT[acn(i),p] |2/Ns；
式中，Ns个采样点，为瞬时幅度a(i)的平均值；p为分数阶傅里叶变换的阶数；
(3)采用分类器1，设置信号集的判决门限为：
其中δlim为区分相邻信号或信号集Y1，Y2的门限值，max(rY1)为Y1的特征量均值的最大值，min(rY2)为Y2的特征值最小值的均值；将信号集合{2ASK、16QAM、2FSK、MSK、QPSK}分为{2ASK}、{16QAM}和{2FSK、MSK、QPSK}三类；
设置信号集的判决门限δ1＝0和判决门限δ2将信号集合{2ASK、16QAM、2FSK、MSK、QPSK}分为{2ASK}、{16QAM}和{2FSK、MSK、QPSK}三类，则门限δ2的设置为：
其中，max(γ16QAM)为16QAM信号的特征量均值γ16QAM的最大值，min(γ2ASK)为2ASK信号的特征值均值γ2ASK的最小值；
计算信号x(t)的分数阶傅立叶变换，其表达式为：
式中，Kθ(t,u)为分数阶傅立叶变换的核函数，其表达式为:
其中，k取整数，Fθ表示θ角度分数阶傅里叶变换算子，θ＝pπ/2为旋转角度，p为旋转因子，δ(·)为冲击函数；为了将Alpha稳定分布噪声的幅值合理映射到有限区间，同时使信号的相位保持不变，计算信号的广义分数阶傅里叶变换，其表达式为：
其中，为一非线性变换，H(·)为希尔伯特变换；
与中央处理器电连接，用于对处理的视频信息进行展示的显示器；
所述显示器的图像迭代模型表示为：
其中，X为目标图像，M为系统矩阵，G为投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，M T表示对矩阵M的转置；设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；将目标图像中灰度值小于0的像素点置零；
图像迭代的目标函数为：
其中，Ri∈RM×N，Δ表示第一非负图像或第二非负图像，R
iΔ表示从Δ中提取的图像块，||||2表示2-范数，||||1表示1-范数，γ为正则化参数，D表示过完备字典，αi为第i个图像块RiΔ对应的稀疏系数，Γ为所有图像块的稀疏系数集合；
与中央处理器电连接，用于对处理的音频信息进行播放的扬声器；
与中央处理器电连接，用于对环境温度进行检测的温度传感器；
所述温度传感器的量测模型如下：
YA(tk-1)、YA(tk)、YA(tk+1)分别为温度传感器对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值，A代表温度传感器，分别为：
其中，Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置；CA(t)为误差的变换矩阵；ξA(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)；
与中央处理器电连接，用于提醒运动员训练指标的目标信息检测器；
与中央处理器电连接，安装在训练平台上，实现对训练平台产生震动的振动仪。
2.根据权利要求1所述的用于大学生智能体育体能综合训练控制系统，其特征在于，所述扬声器还设置有采用各种颜色透明的PA、PE、PET、PP、PU、PVC、PS、TPU、EVA或PC材料的防尘帽、振膜和纸盆。
3.根据权利要求1所述的用于大学生智能体育体能综合训练控制系统，其特征在于，所述振动仪包括电源、微处理器、振动传感器、报警器；电源分别与微处理器、振动传感器、报警器连接，振动传感器与微处理器连接，微处理器与报警器连接；
所述微处理器接收信号的观测向量x的分数低阶快速独立成分分析按以下进行：
1)将观测向量x减去均值进行中心化，利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理，得到白化矩阵v，其中，PCA中用到的分数低阶相关矩阵定义为：
其中，xi(n)和xj(n)分别为第i路和第j路观测信号，且1≤i,j≤2，*代表取共轭，对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V，由特征值矩阵和特征向量矩阵可得预白化矩阵M＝D-1/2VT，利用预白化矩阵将观测数据x向信号子空间投影，得到白化矩阵v＝Mx；
2)对权向量w0进行随机初始化，同时初始化序列号k使k＝1；
3)进行权值向量迭代：
其中，和为一阶统计量，g(.)是对比函数，η＝E[wTxg(wTx)]，且在权值的迭代过程中参数λ是可变的，且λ＜1；
4)利用范数归一化权值向量wk，wk＝wk/||wk||；
5)若充分接近于1，算法得到收敛，wk就是最终的解混矩阵，执行6)，否则重复步骤3)与步骤4)；
6)Y＝wkx,其中x为观测信号，Y为分离后的二维信号。
CN201710231273.0A 2017-04-11 2017-04-11 一种用于大学生智能体育体能综合训练控制系统 Expired - Fee Related CN107158684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710231273.0A CN107158684B (zh) 2017-04-11 2017-04-11 一种用于大学生智能体育体能综合训练控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710231273.0A CN107158684B (zh) 2017-04-11 2017-04-11 一种用于大学生智能体育体能综合训练控制系统

Publications (2)

Publication Number Publication Date
CN107158684A CN107158684A (zh) 2017-09-15
CN107158684B true CN107158684B (zh) 2019-02-15

Family

ID=59849675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710231273.0A Expired - Fee Related CN107158684B (zh) 2017-04-11 2017-04-11 一种用于大学生智能体育体能综合训练控制系统

Country Status (1)

Country Link
CN (1) CN107158684B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108354620A (zh) * 2018-02-28 2018-08-03 罗兴梅 一种用于评估心理神经活动的生理指标检测系统
CN108492834A (zh) * 2018-02-28 2018-09-04 湖南城市学院 一种声乐教学演唱技能检测系统
CN108551099A (zh) * 2018-04-09 2018-09-18 湖北民族学院 一种高湿热条件下的系统供电隔离装置
CN110251927B (zh) * 2019-05-27 2020-11-20 安徽康岁健康科技有限公司 一种体质检测的防作弊方法
CN110251926B (zh) * 2019-05-27 2020-11-20 安徽康岁健康科技有限公司 一种体质检测方法
CN113332689A (zh) * 2021-05-24 2021-09-03 湖南师范大学 有益于大学生心理健康的体育舞蹈兴趣学习装置及控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102882819B (zh) * 2012-09-04 2015-02-04 西安电子科技大学 非高斯噪声下数字调制信号识别方法
CN104052702B (zh) * 2014-06-20 2017-12-08 西安电子科技大学 一种复杂噪声下数字调制信号的识别方法
CN105477822B (zh) * 2015-11-19 2018-01-12 江西工业贸易职业技术学院 一种带有监测系统的体育训练器械
CN105498188B (zh) * 2016-02-01 2018-09-07 郑州华信学院 一种体育活动监控装置
CN106028418A (zh) * 2016-07-27 2016-10-12 李冀 一种自动化仪表的显示器驱动装置
CN106302680A (zh) * 2016-08-06 2017-01-04 内蒙古大学 一种基于物联网的数据显示后台系统

Also Published As

Publication number Publication date
CN107158684A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107158684B (zh) 一种用于大学生智能体育体能综合训练控制系统
CN109271914B (zh) 检测视线落点的方法、装置、存储介质和终端设备
Ma et al. Practical device-free gesture recognition using WiFi signals based on metalearning
Nasiri et al. Energy-based model of least squares twin support vector machines for human action recognition
US8774499B2 (en) Embedded optical flow features
Lui et al. Tangent bundle for human action recognition
CN109141620A (zh) 声源分离信息检测装置、机器人、声源分离信息检测方法和存储介质
CN103400105B (zh) 一种姿态归一化的非正面人脸表情识别方法
CN105797350A (zh) 健身姿势识别、评估、预警和强度估算的智能方法及系统
US20140278208A1 (en) Feature extraction and classification to determine one or more activities from sensed motion signals
CN113762133A (zh) 基于人体姿态识别的自重健身辅助教练系统、方法、终端
CN104888444A (zh) 一种卡路里消耗和手部姿势识别的智慧手套、方法及系统
CN106228149A (zh) 一种视频异常行为检测方法
Guo Detection of Head Raising Rate of Students in Classroom Based on Head Posture Recognition.
Shang et al. LSTM-CNN network for human activity recognition using WiFi CSI data
Hachaj et al. Effectiveness comparison of Kinect and Kinect 2 for recognition of Oyama karate techniques
Yu et al. Real-time multiple gesture recognition: Application of a lightweight individualized 1D CNN model to an edge computing system
CN108229494A (zh) 网络训练方法、处理方法、装置、存储介质和电子设备
Koganti et al. Real-time estimation of human-cloth topological relationship using depth sensor for robotic clothing assistance
Bezobrazov et al. Artificial intelligence for sport activitity recognition
Ahmadian et al. Likelihood-free Out-of-Distribution Detection with Invertible Generative Models.
Lu et al. An IoT‐Based Motion Tracking System for Next‐Generation Foot‐Related Sports Training and Talent Selection
WO2022042200A1 (zh) 人体成分检测的方法、系统、电子设备及存储介质
Guo et al. Automatic analysis of neonatal video data to evaluate resuscitation performance
WO2022088290A1 (zh) 运动评估方法、装置、系统及存储介质

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190215

Termination date: 20200411

CF01 Termination of patent right due to non-payment of annual fee