CN111467729A - 一种基于预测模型的跳绳计数方法 - Google Patents

Abstract

本发明公开一种基于预测模型的跳绳计数方法。所述方法包括：选取可能影响跳绳次数的因素；计算每个因素与跳绳次数的相关系数，删除相关系数小于阈值的因素；以剩余因素为自变量，以跳绳次数为因变量，建立多元线性回归模型即预测模型；实时获取自变量的数据，根据预测模型计算跳绳次数。本发明可以利用手机上的计步器测得的跳绳人的步数等数据，根据预测模型计算跳绳次数，不必专门设置加速度传感器获得加速度值，再对获得的加速度值进行复杂的数据处理才能得到跳绳次数；本发明通过删除与跳绳次数相关系数较小的因素后再建立预测模型，提高了跳绳计数精度。

Description

一种基于预测模型的跳绳计数方法

技术领域

本发明属于跳绳计数技术领域，具体涉及一种基于预测模型的跳绳计数方法。

背景技术

随着科技和经济水平的不断提高，人们越来越关注个人健康，热心体育运动。在校学生体育达标国家标准中，一分钟跳绳是必测项目，需要小学生在一分钟跳绳中达到指定的个数才算是达标。目前，市场上已有各种智能跳绳，可以帮助小学生完成跳绳训练。现有的跳绳计数方法，一般是通过对加速度传感器测得的数据进行处理后获得跳绳次数。申请号为201810330248.2、名称为基于手环的跳绳计数方法和系统的发明专利，公开了一种利用安装在手环上的加速度传感器获取跳绳次数的方法。其原理是根据跳绳时加速度传感器在X轴和Y轴方向测得的加速度数据周期性变化，通过数据处理得到跳绳次数。包括以下步骤：对所述跳绳数据在X轴和Y轴方向上分别进行分周期处理；将X轴上的当前周期与上一个周期进行比较，及将Y轴上的当前周期与上一个周期进行比较；根据X轴上的比较结果计算跳绳次数或根据Y轴上的比较结果计算跳绳次数。因而，在X轴上的比较结果出来后，可只根据X轴上的比较结果计算跳绳次数；同理，在Y轴上的比较结果出来后，可只根据Y轴上的比较结果计算跳绳次数，即通过将X轴及Y轴的数据进行分周期处理后，能够根据比较结果计算出跳绳次数。

现有跳绳计数方法存在的问题是：需要基于加速度传感器输出的加速度值，进行复杂的数据处理得到跳绳次数；而且跳绳计数精度还不高，比如跳绳计数精度一般低于步数测量精度。

发明内容

为了解决现有技术中存在的上述问题，本发明提出一种基于预测模型的跳绳计数方法。

为实现上述目的，本发明采用如下技术方案：

一种基于预测模型的跳绳计数方法，包括以下步骤：

步骤1，选取可能影响跳绳次数、与跳绳人运动量及身体状况有关的因素；

步骤2，计算每个因素与跳绳次数的相关系数，删除相关系数小于阈值的因素；

步骤3，以剩余因素为自变量，以跳绳次数为因变量，建立多元线性回归模型即预测模型；

步骤4，实时获取自变量的数据，根据预测模型计算跳绳次数。

与现有技术相比，本发明具有以下有益效果：

本发明通过选取可能影响跳绳次数、与跳绳人运动量及身体状况有关的因素，计算每个因素与跳绳次数的相关系数，删除相关系数小于设定阈值的因素，以剩余因素为自变量，以跳绳次数为因变量，建立多元线性回归模型即预测模型，实时获取自变量的数据，根据预测模型计算跳绳次数。本发明通过建立跳绳次数预测模型，根据所述模型实时计算跳绳次数，避免了现有技术利用加速度传感器输出的加速度数据进行复杂数据处理获得跳绳次数；由于本发明通过删除与跳绳次数相关系数较小的因素后再建立预测模型，提高了跳绳计数精度。

附图说明

图1为表示跳绳次数与步数相关性的散点图；

图2为表示跳绳次数与性别相关性的散点图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明实施例一种基于预测模型的跳绳计数方法，包括以下步骤：

S101、选取可能影响跳绳次数、与跳绳人运动量及身体状况有关的因素；

S102、计算每个因素与跳绳次数的相关系数，删除相关系数大小(绝对值)小于阈值的因素；

S103、以剩余因素为自变量，以跳绳次数为因变量，建立多元线性回归模型即预测模型；

S104、实时获取自变量的数据，根据预测模型计算跳绳次数。

在本实施例中，步骤S101主要用于选择可能影响跳绳次数的因素。影响跳绳次数的因素一般是指与跳绳人运动量及身体状况有关的一些参数，与运动量有关的因素如步数，与身体状况有关的因素如年龄、心率和性别等。此步骤主要是根据个人经验和初步猜想实现，为了不漏掉对跳绳次数影响比较大的因素，应尽量多地选择可能有影响的因素。

在本实施例中，步骤S102主要用于根据相关性对可能影响跳绳次数的因素进行筛选。根据统计数据分别计算每个因素与跳绳次数的相关系数，相关系数越大，对跳绳次数的影响越大；反之，影响越小。因此，可根据相关系数的大小对可能影响跳绳次数的因素进行筛选。具体地，可设定一个阈值，可认为相关系数小于阈值的因素对跳绳次数的影响不大。为了简化预测模型，即减少多元回归模型的元数，并提高预测模型的精度，删除这些对跳绳次数影响不大的因素。第一阈值的大小可根据经验确定。

计算两个随机变量x、y的相关系数r(x,y)的公式如下：

其中，n为样本数。

相关系数有正负之分，相关系数为正时为正相关，影响因素的值越大，跳绳次数越大；相关系数为负时为负相关，影响因素的值越大，跳绳次数越小。

另外，还可以以影响因素x_i为横轴、以跳绳次数y_i为纵轴绘制散点图。如图1、2所示。根据散点图的线性好坏直观定性地分析跳绳次数与影响因素的相关性。散点图的线性越好，对应的相关系数越大，相关性越好。根据散点图中跳绳次数大小随影响因素大小变化的趋势，还可以直观地看出是正相关还是负相关。

在本实施例中，步骤S103主要用于建立多元线性回归模型，也就是跳绳次数预测模型。模型的自变量是执行上一步后的剩余因素，因变量是跳绳次数。在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的组合共同预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。线性回归是最简单的一种回归模型，多元线性回归比一元线性回归的实用意义更大。多元线性回归模型可表示为：

y＝w₀+w₁x₁+…+w_mx_m (2)

其中，y为跳绳次数，x₁～x_m为自变量，w₀为常数项，w₁～w_m分别为x₁～x_m对应的回归系数，m为自变量个数即元数。

本实施例采用最小二乘法确定模型参数w₀～w_m，从而建立多元线性回归模型。为了简便，可以采用SPSS软件建立多元线性回归模型。

在本实施例中，步骤S104主要用于应用预测模型预测跳绳次数。具体方法是：实时获取预测模型中自变量的数据，将自变量的数据代入预测模型进行计算，即可得到跳绳次数。目前学生佩戴的智能手环一般可以输出很多与学生运动及身体状况有关的参数，如步数、心率等，而且设置了数据接口，因此可以利用手环实时获得自变量参数。也就是说，本实施例的应用场景可以是，佩戴手环的学生跳绳时，实时输出跳绳次数。由于预测模型的自变量与跳绳本身无关，因此本实施例甚至可以实时输出不使用跳绳的跳绳(空跳)次数。

作为一种可选实施例，所述S101选取的因素包括跳绳人的年龄、性别、身高、体重、心率和步数。

本实施例给出了可能影响跳绳次数的一组具体因素，包括年龄、性别、身高、体重、心率和步数。表1给出了一组上述因素与跳绳次数对应关系的样本数据，样本数为60。性别一栏中“1”表示男，“2”表示女。

表1样本数据列表

作为上一实施例的一种可选实施例，所述S103得到的预测模型为：

y＝-5.923+0.932x₁-0.010x₂-0.112x₃+0.033x₄+0.493x₅ (3)

其中，y为跳绳次数，x₁、x₂、x₃、x₄和x₅分别为年龄、性别、身高、体重、心率和步数。

本实施例给出了当可能影响跳绳次数的因素为年龄、性别、身高、体重、心率和步数时，执行步骤S103后得到的一种具体的预测模型。

利用表1中的数据，分别计算跳绳次数与每个因素的相关系数。跳绳次数与年龄、性别、身高、体重、心率和步数的相关系数分别为：0.798，0.313，0.788，0.800，-0.427，0.995。计算结果表明：跳绳次数与性别的相关系数最小，为0.313；跳绳次数与心率的相关系数较低，为-0.427，且为负相关；跳绳次数与年龄、体重、身高的相关系数较高，都在0.8左右；跳绳次数与步数的相关系数最高，为0.995。

也可以根据表1绘制跳绳次数与每个因素的散点图，由散点图定性直观地观察跳绳次数与每个因素的相关性。图1、图2分别是跳绳次数-步数和跳绳次数-性别的散点图。由图1可知，跳绳次数与步数有很好的线性相关性，且为正相关；由图2可知，跳绳次数与性别几乎无关，即不相关。

去掉相关系数最小的性别因素，以年龄、身高、体重、心率和步数为自变量，以跳绳次数为因变量，基于表1中的数据建立五元线性回归模型，如(3)式所示。

作为一种可选实施例，在S103之后还包括利用显著性F检验对预测模型进行优化的步骤，具体包括：

针对预测模型中的每个自变量计算概率P值；

删除概率P值大于设定的显著性水平的自变量，重新建立预测模型；

重复上述两个步骤，直到预测模型中所有自变量的概率P值均小于或等于显示性水平。

本实施例给出了一种利用显著性F检验对预测模型进行优化的技术方案。本实施例通过F检验来判断回归模型(即预测模型)的回归效果，即检验因变量与多个自变量之间的线性关系是否显著，用线性模型来描述它们之间的关系是否恰当。显著性水平一般选为0.01或0.05。若显著性水平为0.01，当某个自变量的概率P值小于或等于0.01时，可以认为回归模型在0.01显著性水平下，由所述自变量和因变量建立起来的线性关系具有极其显著的统计学意义。本实施例通过删除那些经显著性F检验不具有显著的统计学意义的自变量，对预测模型进行优化，可大大提高预测精度。

利用显著性F检验对(3)式的预测模型进行优化。设定显著性水平为0.01，采用SPSS计算年龄、身高、体重、心率和步数的概率P值，分别为0.232，0.888，0.351，0.595，0.000(<0.01)。只有步数满足条件，删除表示年龄、身高、体重和心率的自变量x₁、x₂、x₃自x₄，重新建立线性回归模型，得到：

y＝-0.772+0.498x (4)

其中，y为跳绳次数，x为步数。计算步数的概率P值，仍然小于0.01。因此，(4)式即为优化后的预测模型。

为了验证预测模型的精度，利用(4)式的预测模型对10个人进行了实验。预测结果如表2所示。

表2中，性别一栏中“1”仍表示男，“2”仍表示女。表2中的预测次数是对预测结果进行四舍五入处理后的值，相对误差则是按照四舍五入处理前计算的。由表2可知，预测结果的相对误差只有0.34％～2.59％，预测精度还是相当高的。

表2利用预测模型的预测跳绳次数的结果

Claims (4)

1.一种基于预测模型的跳绳计数方法，其特征在于，包括以下步骤：

步骤1，选取可能影响跳绳次数、与跳绳人运动量及身体状况有关的因素；

步骤2，计算每个因素与跳绳次数的相关系数，删除相关系数小于阈值的因素；

步骤3，以剩余因素为自变量，以跳绳次数为因变量，建立多元线性回归模型即预测模型；

步骤4，实时获取自变量的数据，根据预测模型计算跳绳次数。

2.根据权利要求1所述的基于预测模型的跳绳计数方法，其特征在于，所述步骤1选取的因素包括跳绳人的年龄、性别、身高、体重、心率和步数。

3.根据权利要求2所述的基于预测模型的跳绳计数方法，其特征在于，所述步骤3得到的预测模型为：

y＝-5.923+0.932x₁-0.010x₂-0.112x₃+0.033x₄+0.493x₅

其中，y为跳绳次数，x₁、x₂、x₃、x₄和x₅分别为年龄、性别、身高、体重、心率和步数。

4.根据权利要求1所述的基于预测模型的跳绳计数方法，其特征在于，在步骤3之后还包括利用显著性F检验对预测模型进行优化的步骤，具体包括：

针对预测模型中的每个自变量计算概率P值；

删除概率P值大于设定的显著性水平的自变量，重新建立预测模型；

重复上述两个步骤，直到预测模型中所有自变量的概率P值均小于或等于显示性水平。

Images