CN111415720B - 一种基于多数据采集的训练辅助方法和装置 - Google Patents

一种基于多数据采集的训练辅助方法和装置 Download PDF

Info

Publication number
CN111415720B
CN111415720B CN202010184271.2A CN202010184271A CN111415720B CN 111415720 B CN111415720 B CN 111415720B CN 202010184271 A CN202010184271 A CN 202010184271A CN 111415720 B CN111415720 B CN 111415720B
Authority
CN
China
Prior art keywords
data
training
motion
trainer
acceleration
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
CN202010184271.2A
Other languages
English (en)
Other versions
CN111415720A (zh
Inventor
江刚
徐路瑶
于海军
陈祖亮
何志华
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.)
Zhongshan Yougan Technology Co ltd
Original Assignee
Zhongshan Yougan 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 Zhongshan Yougan Technology Co ltd filed Critical Zhongshan Yougan Technology Co ltd
Priority to CN202010184271.2A priority Critical patent/CN111415720B/zh
Publication of CN111415720A publication Critical patent/CN111415720A/zh
Application granted granted Critical
Publication of CN111415720B publication Critical patent/CN111415720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

一种基于多数据采集的训练辅助方法和装置，其中，该方法包括如下步骤：从运动数据传感模块中获取训练者的运动数据，基于三轴方向的加速度，求出合加速度，确定合加速度的波动规律，当波动规律发生改变时，将波动规律发生改变之前的处于同一波动规律时间段内的原始数据提取出来；对所提取的数据进行特征值提取，通过K‑Means算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动规律时间段内的原始数据，直至所有时间段所对应的运动状态均已确定；将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。本发明用于辅助训练者进行训练，确定训练者在训练过程中的不足。

Description

一种基于多数据采集的训练辅助方法和装置
技术领域
本发明涉及数据采集技术领域，尤其是一种基于多数据采集的训练辅助方法和装置。
背景技术
伴随着5G等通信技术的商用，人类将逐步进入大数据时代，大数据技术也会得到进一步发展。在现有的一种应用场景中，大数据技术也应用到了体育训练中。训练者佩戴运动数据采集模块，实时监测训练者心率、移动速度、移动方位、血氧浓度、专注度等运动数据，后台再从运动数据采集模块中读取训练者的运动数据，通过对运动数据进行分析，可以辅助训练者进行后续训练。但是，现有方式一般都是依赖教练的观察和经验进行辅导，缺乏科学有效的辅助训练方式。
发明内容
本发明提供一种基于多数据采集的训练辅助方法和装置，用于辅助训练者进行训练，确定训练者在训练过程中的不足。
根据本发明的第一方面，本发明实施例提供一种基于多数据采集的训练辅助方法，包括如下步骤：
从运动数据传感模块中获取训练者的运动数据，所述运动数据包括血氧浓度、心率、运动位置以及三轴方向的加速度；
基于三轴方向的加速度，求出合加速度，确定各时刻合加速度的波动状态，当波动周期发生改变时，将波动周期发生改变之前的处于同一波动周期时间段内的原始数据提取出来；
对所提取的数据进行特征值提取，选取各轴加速度平均值、各轴加速度的方差，各轴加速度经过傅里叶变化后第1-6个最大能量点的频率位置以及合加速度的平均周期；
通过K最邻近算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动周期时间段内的原始数据并依据所提取的数据确定该同一波动周期时间段所对应的运动状态，直至所有时间段所对应的运动状态均已确定；
对所有运动状态的数据进行进一步解析，捕捉各运动状态内的运动数据，将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。
优选的，所述通过K最邻近算法识别所选取数据所处时段的运动状态，具体包括：将数据库中历史运动数据作为训练集，基于所提取的特征值通过K-Means聚类算法将训练集中的运动数据分成慢跑、快跑、游泳和自行车四种运动类别，同时找出最优贡献的特征参数；求取所选取数据中最优贡献的特征参数，计算所选取数据中最优贡献的特征参数与数据库中各段数据的最优贡献的特征参数的欧式距离，欧式距离最短的K段数据所对应的运动状态中，数量最多的运动状态即为所选取数据所处时段的运动状态。
优选的，还包括如下步骤：依据训练者的训练缺陷，制定训练计划，所述训练计划具有多个训练阶段，每个训练阶段设置有基于训练者的运动数据与数据库中预设的优秀运动员的运动数据的差值所对应的训练策略；监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差值，判断该实际差值是否符合该训练阶段所设置的差阈值，若符合该训练阶段所设置的差值，进入下一训练阶段，若不符合该训练阶段所设置的差值阈值，延长该训练阶段的时间。
根据本发明的第二方面，本发明实施例提供一种基于多数据采集的训练辅助装置，包括：
数据获取模块，用于从运动数据传感模块中获取训练者的运动数据，所述运动数据包括血氧浓度、心率、运动位置以及三轴方向的加速度；
数据提取模块，用于基于三轴方向的加速度，求出合加速度，确定各时刻合加速度的波动状态，当波动周期发生改变时，将波动周期发生改变之前的处于同一波动周期时间段内的原始数据提取出来；
特征提取模块，用于对所提取的数据进行特征值提取，选取各轴加速度平均值、各轴加速度的方差，各轴加速度经过傅里叶变化后第1-6个最大能量点的频率位置以及合加速度的平均周期；
状态确定模块，用于通过K最邻近算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动周期时间段内的原始数据并依据所提取的数据确定该同一波动周期时间段所对应的运动状态，直至所有时间段所对应的运动状态均已确定；
缺陷确定模块，用于对所有运动状态的数据进行进一步解析，捕捉各运动状态内的运动数据，将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。
优选的，所述状态确定模块用于所述通过K最邻近算法识别所选取数据所处时段的运动状态，具体包括：将数据库中历史运动数据作为训练集，基于所提取的特征值通过K-Means聚类算法将训练集中的运动数据分成慢跑、快跑、游泳和自行车四种运动类别，同时找出最优贡献的特征参数；求取所选取数据中最优贡献的特征参数，计算所选取数据中最优贡献的特征参数与数据库中各运动类别数据的最优贡献的特征参数的欧式距离，欧式距离最短的K段数据所对应的运动状态中，数量最多的运动状态即为所选取数据所处时段的运动状态。
优选的，还包括训练辅助模块，用于依据训练者的训练缺陷，制定训练计划，所述训练计划具有多个训练阶段，每个训练阶段设置有基于训练者的运动数据与数据库中预设的优秀运动员的运动数据的差值所对应的训练策略；监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差值，判断该实际差值是否符合该训练阶段所设置的差阈值，若符合该训练阶段所设置的差值，进入下一训练阶段，若不符合该训练阶段所设置的差值阈值，延长该训练阶段的时间。
本发明具有如下技术效果：本发明将从运动数据传感模块获取的运动数据分阶段提取出来，再通过K最邻近算法准确确定出获取的数据所对应的运动状态，进而将相应运动数据的优秀运动员的运动数据进行比对，确定出训练者的不足之处，便于训练者进行改进，以有效辅助训练者进行训练。
附图说明
图1为本发明一种实施例的便携式多数据采集装置的结构示意图；
图2为本发明一种实施例的便携式多数据采集装置的电路模块示意图；
图3为本发明一种实施例的基于多数据采集的训练辅助方法的流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
在对本发明的基于多数据采集的训练辅助方法进行说明前，有必要介绍该方法所应用的硬件环境，其应用于一种便携式多数据采集装置，如图1和2所示，该便携式多数据采集装置包括箱体1，在箱体1的顶部设置有可开合的箱盖11，箱盖11的一端可铰接固定在箱体1上，另一端则可以相对箱体1转动，打开箱盖11，可以使用充电等功能，关上箱盖11后，则方便携带整个箱体1。在箱盖11的内侧设置有显示屏5，显示屏5可以显示从运动数据采集模块100所获取的数据，并提供人机交互界面。在箱体1内设置有电源模块4、电路模块3和面板2，在面板2上设置有多个用于连接运动数据采集模块100的数据接口21，数据接口21可采用插拔式接口，方便与运动数据采集模块100连接。数据接口21、电源模块4和显示屏5均与电路模块3相连，电路模块3具体可以是一块电路板，电路板上设置有内部电路以从运动数据采集模块100中获取数据并控制显示屏5显示相应信息。电源模块4还与数据接口21相连，向数据接口21供电。当运动数据采集模块100连接到数据接口21之后，电路模块3读取运动数据采集模块100中的数据，同时，电源模块4通过数据接口21向运动数据采集模块100充电，具有数据采集和充电的双重功能。
在一种实施例中，电路模块3上设置有处理器31、存储器33和无线通讯单元34，处理器31可以是ARM处理器，存储器33可以是硬盘等，无线通讯单元34可以是wifi。存储器33、无线通讯单元34和显示屏5均与处理器31相连，由处理器31从运动数据采集模块100中获取数据，并可对数据进行运算处理，再通过无线通讯单元34将获取的数据无线发送至预设的服务器，处理器31也可将获取的数据存储到存储器33中。在显示屏5的交互界面中，提供数据查看功能，能够查看从从运动数据采集模块100中获取的历史数据。
进一步的，电源模块4包括电源管理单元42和电池41，电源管理单元42设置在电路模块3上。电源管理单元42包括滤波电路和稳压电路等常规的电源用电路，以将电池41的输出电压分别转化为与之相连的电路模块所需的电压。
进一步的，在电路模块3上还设置有充电管理单元32，箱体1的外侧壁上设置有电源接口10，电源接口10可连接电源线，通过电源线与市电连接，以获取市电的电能。电源接口10、充电管理单元32和电源模块4顺次相连，市电经过充电管理单元32向电池41充电。充电管理单元32除充电管理功能外，还可具有变压电路，将市电的电压转化为显示屏5所需的电压，变压电路的输出端与显示屏5相连，即在连接有市电时，可通过市电向显示屏5供电，节省电池41的电能。
上述实施例中，电池41可设置在箱体1的底部，电路模块3设置在电池41和面板2之间，节省数据接口21与电路模块3的接线距离。
上述实施例中，数据接口21可以是USB接口。显示屏5为触摸显示屏，方便人机交互操作，且显示屏5通过电源线51接收电能，通过数据线52接收处理器31发送的数据。当然，为了方便操作，也可以在箱体1上设置按键单元35，按键单元35提供多个按键，以进行输入操作，其中可包括电源开关按键。状态指示单元36则可以是状态指示灯，在整个便携式多数据采集装置工作时，可以进行显示，以表示工作状态。
本发明实施例提供一种基于多数据采集的训练辅助方法，其包括如下步骤：
S100：从运动数据传感模块中获取训练者的运动数据，所述运动数据包括血氧浓度、心率、运动位置以及三轴方向的加速度。
运动数据包括表征训练者生理状态的生理参数以及表征训练者训练状态的状态参数，生理参数包括心率、呼吸频率、血氧浓度等，状态参数包括训练者移动速度、在训练场地的位置、移动加速度等。运动数据采集模块100可以是多个传感器组合形成的模块，具体可以包括加速度传感器、心率传感器、血氧浓度传感器、位置传感器等，加速度传感器可以是三轴加速度传感器，检测训练者在横向、纵向和竖向这三个方向上的加速度以及瞬时速度，心率传感器用于检测训练者的心率，血氧浓度传感器用于检测训练者的血氧浓度，位置传感器用于确定训练者在训练场地的位置。上述传感器可实时或定时获取相应数据，存储在运动数据采集模块100中，在运动数据采集模块100与数据接口21连接后，便携式多数据采集装置即可从运动数据采集模块100中读取运动数据。
S200：基于三轴方向的加速度，求出合加速度，确定各时刻合加速度的波动状态，当波动周期发生改变时，将波动周期发生改变之前的处于同一波动周期时间段内的原始数据提取出来。
三轴方向的加速度带有方向，是矢量加速度，因此，求出的合加速度也具有方向性，也属于矢量加速度。随着训练者训练过程的进行，合加速度也会发生变化。可依据实时更新的合加速度，建立合加速度变化曲线，变化曲线可以是三维的，也可以用多个二维图进行展示。由于铁人三项运动包含固定的小项目，分别是天然水域游泳、公路自行车和公路长跑三项，在每个小项目中，合加速度的变化具有一定的规律性，往往呈具有规律的周期性，但不同项目的合加速度的周期具有较大差异，因此，具有同一波动周期的原始数据处于同一运动状态中，即波动周期发生改变之前的处于同一波动周期时间段内的原始数据即为同一运动状态内的原始数据，从而分阶段得将不同运动状态中的原始数据提取出来，便于后续的数据处理。
S300：对所提取的数据进行特征值提取，选取各轴加速度平均值、各轴加速度的方差，各轴加速度经过傅里叶变化后第1-6个最大能量点的频率位置以及合加速度的平均周期。
各轴加速度的平均值和各轴加速度的方差可以提前计算得到，对各轴的加速度进行傅里叶变化，从中查找第1-6个最大能量点的频率位置，同时依据合加速度的变化规律，确定合加速度的平均周期。
S400：通过K最邻近算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动周期时间段内的原始数据并依据所提取的数据确定该同一波动周期时间段所对应的运动状态，直至所有时间段所对应的运动状态均已确定。
K-Means算法能够对数据库中历史运动数据进行聚类分析，进而通过K最邻近算法确定出选取出来的数据所处时段的运动状态，也就是确定了部分数据所处的运动状态。运动状态具体可包括游泳、自行车、短跑和长跑。可继续提取下一个具有同一波动周期时间段内的原始数据，继续执行步骤S200和S300，进而下一时间段数据所对应的运动状态，直至所有时间段的数据所对应的运动状态均确定出来，即可知晓训练者的整个运动过程。
S500：对所有运动状态的数据进行进一步解析，捕捉各运动状态内的运动数据，将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。
所有的运动数据及其运动状态都确定之后，可分别对每个运动状态的数据进行解析，知晓训练者在每个运动状态的训练状况。具体可梳理出各运动状态内的运动数据，包括训练者的加速度、心率、血氧浓度、训练场中的位置和移动速度等。同时，系统预存有优秀运动员在不同运动状态中的可供参考的运动数据，这些运动数据体现为更为优秀的训练成绩，将训练者的运动数据与其进行对比，即可确定出训练者存在不足的地方。具体的，可建立多个训练评估模型，训练评估模型限定了存在差异的运动数据所对应的训练问题，例如，移动速度低于参考的移动速度，体现为移动速度慢的问题，心率参考的心率、血氧浓度低于参考的血氧浓度，则体现为身体素质差的问题。通过将存在差异的运动数据代入到训练评估模型中，即可确定出训练者存在不足的地方，便于训练者进行改进，以辅助训练者进行后续的训练。
在一种实施例中，所述通过K最邻近算法识别所选取数据所处时段的运动状态，具体包括：将数据库中历史运动数据作为训练集，基于所提取的特征值通过K-Means聚类算法将训练集中的运动数据分成慢跑、快跑、游泳和自行车四种运动类别，同时找出最优贡献的特征参数；求取所选取数据中最优贡献的特征参数，计算所选取数据中最优贡献的特征参数与数据库中各段数据的最优贡献的特征参数的欧式距离，欧式距离最短的K段数据所对应的运动状态中，数量最多的运动状态即为所选取数据所处时段的运动状态。
数据库中可记录训练者历史的运动数据，或者可采集多个训练者的运动数据达到一定值之后，将这些数据作为基础数据，通过K-Means聚类算法把基础数据分成慢跑、快跑、游泳和自行车四种运动类别，并且找出最优贡献的特征参数。数据库中的历史运动数据也通过合加速度的周期性进行分段并提取特征参数，通过K-Means算法进行分类并确定最优贡献的特征参数。计算所选取数据中最优贡献的特征参数，再计算特征参数到历史各段运动数据最优贡献的特征参数的欧式距离，对所求的欧式距离按照大小顺序排序，选取欧氏距离最小的K段历史数据，K段历史数据所对应的运动状态最多的状态即可所选取数据所处时段的运动状态。该方法能大大提高判断运动状态的准确性。
在一种实施例中，步骤S500之后，还包括如下步骤：依据训练者的训练缺陷，制定训练计划，所述训练计划具有多个训练阶段，每个训练阶段设置有基于训练者的运动数据与数据库中预设的优秀运动员的运动数据的差值所对应的训练策略；监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差阈值，判断该实际差值是否符合该训练阶段所设置的差值值阈值，若符合该训练阶段所设置的差值阈值，进入下一训练阶段，若不符合该训练阶段所设置的差值阈值，延长该训练阶段的时间。
训练者的运动数据与优秀运动员的运动数据的差异体现为训练成绩的不足，数据差异越大，训练成绩自然差距也越大，因此，不断减小训练者的运动数据与优秀运动员的运动数据之间的差异是较为合理的训练方法。训练计划可依据训练者的运动数据与优秀运动员的运动数据之间的差异制定，可预先设定训练计划模型，训练计划模型限定了存在差异的运动数据及其对应的训练计划，例如，当运动数据的差异体现为加速度方差的差异时，表征训练者的稳定性有待改进，则训练计划为提升身体协调性的训练计划，当运动数据的差异为心率和血氧浓度的差异时，则训练计划为提升身体素质的训练计划。
训练计划是具有阶段性的，每个阶段的训练项目、训练时间以及训练强度存在差异，具体限定了当运动数据的差异为多少时，适用哪个训练阶段，因此，当存在差异的运动数据的种类相同，则适用同一种训练计划，而运动数据的具体差值将限定其适用训练计划中的哪个训练阶段。
在训练计划确定后，训练者可依据训练计划进行训练，便携式多数据采集装置将监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差值，判断该实际差值是否符合该训练阶段所设置的差值，若符合该训练阶段所设置的差值，说明该阶段的训练已达到效果，可进入下一训练阶段继续训练。若不符合该训练阶段所设置的差值，则说明该阶段的训练未达到预设效果，需要延长该训练阶段。由此，可帮助训练者有效改善训练不足，提升训练者的训练效果。
本发明实施例还提供一种基于多数据采集的训练辅助装置，包括：
数据获取模块，用于从运动数据传感模块中获取训练者的运动数据，所述运动数据包括血氧浓度、心率、运动位置以及三轴方向的加速度；
数据提取模块，用于基于三轴方向的加速度，求出合加速度，确定各时刻合加速度的波动状态，当波动周期发生改变时，将波动周期发生改变之前的处于同一波动周期时间段内的原始数据提取出来；
特征提取模块，用于对所提取的数据进行特征值提取，选取各轴加速度平均值、各轴加速度的方差，各轴加速度经过傅里叶变化后第1-6个最大能量点的频率位置以及合加速度的平均周期；
状态确定模块，用于通过K最邻近算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动周期时间段内的原始数据并依据所提取的数据确定该同一波动周期时间段所对应的运动状态，直至所有时间段所对应的运动状态均已确定；
缺陷确定模块，用于对所有运动状态的数据进行进一步解析，捕捉各运动状态内的运动数据，将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。
在一种实施例中，所述状态确定模块用于所述通过K最邻近算法识别所选取数据所处时段的运动状态，具体包括：将数据库中历史运动数据作为训练集，基于所提取的特征值通过K-Means聚类算法将训练集中的运动数据分成慢跑、快跑、游泳和自行车四种运动类别，同时找出最优贡献的特征参数；求取所选取数据中最优贡献的特征参数，计算所选取数据中最优贡献的特征参数与数据库中各运动类别数据的最优贡献的特征参数的欧式距离，欧式距离最短的K段数据所对应的运动状态中，数量最多的运动状态即为所选取数据所处时段的运动状态。
在一种实施例中，还包括训练辅助模块，用于依据训练者的训练缺陷，制定训练计划，所述训练计划具有多个训练阶段，每个训练阶段设置有基于训练者的运动数据与数据库中预设的优秀运动员的运动数据的差值所对应的训练策略；监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差值，判断该实际差值是否符合该训练阶段所设置的差阈值，若符合该训练阶段所设置的差值，进入下一训练阶段，若不符合该训练阶段所设置的差值，延长该训练阶段的时间。
上述基于多数据采集的训练辅助装置的实施例的具体说明可参考基于多数据采集的训练辅助方法部分的实施例，具体不再赘述。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。

Claims (6)

1.一种基于多数据采集的训练辅助方法，其特征在于，包括如下步骤：
从运动数据传感模块中获取训练者的运动数据，所述运动数据包括血氧浓度、心率、运动位置以及三轴方向的加速度；
基于三轴方向的加速度，求出合加速度，确定各时刻合加速度的波动状态，当波动周期发生改变时，将波动周期发生改变之前的处于同一波动周期时间段内的原始数据提取出来；
对所提取的数据进行特征值提取，选取各轴加速度平均值、各轴加速度的方差，各轴加速度经过傅里叶变化后第1-6个最大能量点的频率位置以及合加速度的平均周期；
通过K最邻近算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动周期时间段内的原始数据并依据所提取的数据确定该同一波动周期时间段所对应的运动状态，直至所有时间段所对应的运动状态均已确定；
对所有运动状态的数据进行进一步解析，捕捉各运动状态内的运动数据，将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。
2.根据权利要求1所述的基于多数据采集的训练辅助方法，其特征在于，所述通过K最邻近算法识别所选取数据所处时段的运动状态，具体包括：将数据库中历史运动数据作为训练集，基于所提取的特征值通过K-Means聚类算法将训练集中的运动数据分成慢跑、快跑、游泳和自行车四种运动类别，同时找出最优贡献的特征参数；求取所选取数据中最优贡献的特征参数，计算所选取数据中最优贡献的特征参数与数据库中各段数据的最优贡献的特征参数的欧式距离，欧式距离最短的K段数据所对应的运动状态中，数量最多的运动状态即为所选取数据所处时段的运动状态。
3.根据权利要求1所述的基于多数据采集的训练辅助方法，其特征在于，还包括如下步骤：依据训练者的训练缺陷，制定训练计划，所述训练计划具有多个训练阶段，每个训练阶段设置有基于训练者的运动数据与数据库中预设的优秀运动员的运动数据的差值所对应的训练策略；监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差值，判断该实际差值是否符合该训练阶段所设置的差阈值，若符合该训练阶段所设置的差值，进入下一训练阶段，若不符合该训练阶段所设置的差值，延长该训练阶段的时间。
4.一种基于多数据采集的训练辅助装置，其特征在于，包括：
数据获取模块，用于从运动数据传感模块中获取训练者的运动数据，所述运动数据包括血氧浓度、心率、运动位置以及三轴方向的加速度；
数据提取模块，用于基于三轴方向的加速度，求出合加速度，确定各时刻合加速度的波动状态，当波动周期发生改变时，将波动周期发生改变之前的处于同一波动周期时间段内的原始数据提取出来；
特征提取模块，用于对所提取的数据进行特征值提取，选取各轴加速度平均值、各轴加速度的方差，各轴加速度经过傅里叶变化后第1-6个最大能量点的频率位置以及合加速度的平均周期；
状态确定模块，用于通过K最邻近算法识别所选取数据所处时段的运动状态，继续提取下一个具有同一波动周期时间段内的原始数据并依据所提取的数据确定该同一波动周期时间段所对应的运动状态，直至所有时间段所对应的运动状态均已确定；
缺陷确定模块，用于对所有运动状态的数据进行进一步解析，捕捉各运动状态内的运动数据，将各运动状态内的运动数据与数据库中预设的优秀运动员的运动数据进行比对，确定训练者的训练缺陷。
5.根据权利要求4所述的基于多数据采集的训练辅助装置，其特征在于：所述状态确定模块用于所述通过K最邻近算法识别所选取数据所处时段的运动状态，具体包括：将数据库中历史运动数据作为训练集，基于所提取的特征值通过K-Means聚类算法将训练集中的运动数据分成慢跑、快跑、游泳和自行车四种运动类别，同时找出最优贡献的特征参数；求取所选取数据中最优贡献的特征参数，计算所选取数据中最优贡献的特征参数与数据库中各运动类别数据的最优贡献的特征参数的欧式距离，欧式距离最短的K段数据所对应的运动状态中，数量最多的运动状态即为所选取数据所处时段的运动状态。
6.根据权利要求4所述的基于多数据采集的训练辅助装置，其特征在于：还包括训练辅助模块，用于依据训练者的训练缺陷，制定训练计划，所述训练计划具有多个训练阶段，每个训练阶段设置有基于训练者的运动数据与数据库中预设的优秀运动员的运动数据的差值所对应的训练策略；监测每个训练阶段内训练者的运动数据与数据库中预设的优秀运动员的运动数据的实际差值，判断该实际差值是否符合该训练阶段所设置的差阈值，若符合该训练阶段所设置的差值，进入下一训练阶段，若不符合该训练阶段所设置的差值，延长该训练阶段的时间。
CN202010184271.2A 2020-03-17 2020-03-17 一种基于多数据采集的训练辅助方法和装置 Active CN111415720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010184271.2A CN111415720B (zh) 2020-03-17 2020-03-17 一种基于多数据采集的训练辅助方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010184271.2A CN111415720B (zh) 2020-03-17 2020-03-17 一种基于多数据采集的训练辅助方法和装置

Publications (2)

Publication Number Publication Date
CN111415720A CN111415720A (zh) 2020-07-14
CN111415720B true CN111415720B (zh) 2023-04-21

Family

ID=71494442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010184271.2A Active CN111415720B (zh) 2020-03-17 2020-03-17 一种基于多数据采集的训练辅助方法和装置

Country Status (1)

Country Link
CN (1) CN111415720B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113457108B (zh) * 2021-07-07 2022-07-15 首都体育学院 一种基于认知表征的运动成绩提高方法和装置
CN113486798A (zh) * 2021-07-07 2021-10-08 首都体育学院 一种基于因果关系的训练计划制定处理方法及装置
CN115878868A (zh) * 2021-08-23 2023-03-31 华为技术有限公司 训练计划的生成方法、装置、电子设备及可读存储介质
CN117194927B (zh) * 2023-11-02 2024-03-22 深圳市微克科技股份有限公司 基于三轴加速度传感器的室内跳绳计数方法、系统及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104415524A (zh) * 2013-08-28 2015-03-18 无锡慧思顿科技有限公司 集成多组传感器的智能体育器材
CN105588577A (zh) * 2014-10-23 2016-05-18 中国移动通信集团公司 一种用于运动监测装置的异常计步的检测方法和装置
CN105999611A (zh) * 2016-05-16 2016-10-12 浙江工业大学 基于加速度计的虚拟电子呼啦圈的实现方法
CN106570479A (zh) * 2016-10-28 2017-04-19 华南理工大学 一种面向嵌入式平台的宠物运动识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0306734D0 (en) * 2003-03-24 2003-04-30 Hd Sports Ltd A computerised system fr devising a training scheme for a sports person

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104415524A (zh) * 2013-08-28 2015-03-18 无锡慧思顿科技有限公司 集成多组传感器的智能体育器材
CN105588577A (zh) * 2014-10-23 2016-05-18 中国移动通信集团公司 一种用于运动监测装置的异常计步的检测方法和装置
CN105999611A (zh) * 2016-05-16 2016-10-12 浙江工业大学 基于加速度计的虚拟电子呼啦圈的实现方法
CN106570479A (zh) * 2016-10-28 2017-04-19 华南理工大学 一种面向嵌入式平台的宠物运动识别方法

Also Published As

Publication number Publication date
CN111415720A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111415720B (zh) 一种基于多数据采集的训练辅助方法和装置
CN104436596B (zh) 运动支持装置及运动支持方法
EP2802255B1 (en) Activity classification in a multi-axis activity monitor device
CN103970271A (zh) 融合运动和生理传感数据的日常活动识别方法
CN105912142B (zh) 一种基于加速传感器的记步与行为识别方法
CN106123911A (zh) 一种基于加速传感器和角速度传感器的记步方法
CN105561567A (zh) 一种计步及运动状态评估装置
CN108831527A (zh) 一种用户运动状态检测方法、装置及可穿戴设备
CN104007822A (zh) 基于大数据库的运动识别方法及其装置
CN108764120A (zh) 一种人体规范动作评价方法
CN106778477A (zh) 网球拍动作识别方法及装置
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN106210269A (zh) 一种基于智能手机的人体动作识别系统及方法
CN107803843A (zh) 一种基于树莓派的人体健康监测机器人
CN110443309A (zh) 一种结合跨模态关联关系模型的肌电信号手势识别方法
WO2019047410A1 (zh) 一种步数的统计方法及装置
CN109603142A (zh) 一种哑铃运动的识别计数方法及其装置
CN111513723A (zh) 运动姿态监测方法、调整方法、装置和终端
AU2021100029A4 (en) Training Aid Method and Device Based on Multi-data Acquisition
CN117133057A (zh) 基于人体姿态识别的体育运动计数和违规动作判别方法
CN115644858B (zh) 基于多传感器数据融合技术的穿戴式智能化步态分析仪
CN113768471B (zh) 一种基于步态分析的帕金森疾病辅助诊断系统
CN211061944U (zh) 一种便携式多数据采集装置
Wang et al. Human motion phase segmentation based on three new features
Saponaro et al. Estimating Physical Activity Intensity And Energy Expenditure Using Computer Vision On Videos

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