CN113797518B - 一种运动员选拔方法及系统 - Google Patents
一种运动员选拔方法及系统 Download PDFInfo
- Publication number
- CN113797518B CN113797518B CN202111168125.1A CN202111168125A CN113797518B CN 113797518 B CN113797518 B CN 113797518B CN 202111168125 A CN202111168125 A CN 202111168125A CN 113797518 B CN113797518 B CN 113797518B
- Authority
- CN
- China
- Prior art keywords
- curve
- curve set
- motion
- target
- determining
- 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
Links
Images
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
-
- 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
- A63B2071/0691—Maps, e.g. yardage maps or electronic maps
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/05—Image processing for measuring physical parameters
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/10—Positions
- A63B2220/14—Geo-tagging, e.g. for correlating route or track location data with specific information related to that specific location
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/30—Speed
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/40—Acceleration
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种运动员选拔方法及系统。所述方法包括:获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合;根据加速度曲线确定阶段曲线集合;将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果;所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔。本发明可以减少选拔过程中的人为因素,提高选拔的科学性和客观性。
Description
技术领域
本发明涉及人才选拔领域,特别是涉及一种运动员选拔方法及系统。
背景技术
运动心率是指在被测者运动过程中进行的一种心率值监测指标,其变化曲线和运动者运动能力、心脏和呼吸等器官功能具有高度相关性,运动心率可以反映被测者在运动过程中的即时心率状态,对评价个人运动技能和体能消耗的评估具有重要作用,一直以来被广泛应用于运动员及特殊人才的训练和培养活动,心率也可以帮助教练挑选优秀的运动员,实验表明在实施相同的负荷训练计划后,恢复心率可以代表运动员的身体水平,恢复心率较低的候选运动员具有更大的训练潜力,此外,心率变异性作为体育人才选拔的心理指标具备良好区分性,然而现有的运动员选拔方法都是教练依据个人经验对这些数据进行分析确定自认为合适的运动员,可能会使得选拔的运动员并不理想。
发明内容
本发明的目的是提供一种运动员选拔方法及系统,可以减少选拔过程中的人为因素,提高选拔的科学性和客观性。
为实现上述目的,本发明提供了如下方案:
一种运动员选拔方法,包括:
获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;所述运动曲线集合包括:心率曲线、速度曲线、加速度曲线和心率变异性曲线;
根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合;所述空间曲线集合由设定路程对应的运动曲线集合组成;
根据加速度曲线确定阶段曲线集合;所述阶段曲线集合由目标时间段对应的运动曲线集合组成;所述目标时间段的加速度为设定加速度;
将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果;所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔。
可选的,所述根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合,具体包括:
根据所述待选拔运动员在运动过程中的地理位置确定路程集合,所述路程集合包括所述待选拔运动员在运动过程中的路程;
确定所述路程集合中设定路程对应的时间段为路程时间段;
确定所述路程时间段对应的运动曲线集合为所述空间曲线集合。
可选的,所述根据加速度曲线确定阶段曲线集合,具体包括:
确定所述加速度曲线中设定加速度对应的时间段为速度时间段;
确定所述速度时间段对应的所述运动曲线集合为所述阶段曲线集合。
可选的,所述将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果,具体包括:
计算所述运动曲线集合与所述目标运动曲线集合的相对熵得到第一相似度;
计算所述空间曲线集合与所述目标空间曲线集合的相对熵得到第二相似度;
计算所述阶段曲线集合与所述目标阶段曲线集合的相对熵得到第三相似度;
根据所述第一相似度、所述第二相似度和所述第三相似度的加权和确定选拔结果。
可选的,在将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果之前还包括:
分别对所述运动曲线集合中各曲线和所述目标运动曲线集合中各曲线进行动态时间规整得到规整后的运动曲线集合和规整后的目标运动曲线集合;所述规整后的运动曲线集合中的曲线与所述规整后的目标运动曲线集合中对应的曲线时长相等;
分别对所述空间曲线集合中各曲线和所述目标空间曲线集合中各曲线进行动态时间规整得到规整后的空间曲线集合和规整后的目标空间曲线集合;所述规整后的空间曲线集合中的曲线与所述规整后的目标空间曲线集合中对应的曲线时长相等;
分别对所述阶段曲线集合中各曲线和所述目标阶段曲线集合中各曲线进行动态时间规整得到规整后的阶段曲线集合和规整后的目标阶段曲线集合;所述规整后的阶段曲线集合中的曲线与所述规整后的目标阶段曲线集合中对应的曲线时长相等。
一种运动员选拔系统,包括:
获取模块,用于获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;所述运动曲线集合包括:心率曲线、速度曲线、加速度曲线和心率变异性曲线;
空间曲线集合确定模块,用于根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合;所述空间曲线集合由设定路程对应的运动曲线集合组成;
阶段曲线集合确定模块,用于根据加速度曲线确定阶段曲线集合;所述阶段曲线集合由目标时间段对应的运动曲线集合组成;所述目标时间段的加速度为设定加速度;
选拔模块,用于将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果;所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔。
可选的,所述空间曲线集合确定模块,具体包括:
路程集确定单元,用于根据所述待选拔运动员在运动过程中的地理位置确定路程集合,所述路程集合包括所述待选拔运动员在运动过程中的路程;
路程时间段单元,用于确定所述路程集合中设定路程对应的时间段为路程时间段;
空间曲线集合确定单元,用于确定所述路程时间段对应的运动曲线集合为所述空间曲线集合。
可选的,所述阶段曲线集合确定模块,具体包括:
速度时间段确定单元,用于确定所述加速度曲线中设定加速度对应的时间段为速度时间段;
阶段曲线集合确定单元,用于确定所述速度时间段对应的所述运动曲线集合为所述阶段曲线集合。
可选的,所述选拔模块,具体包括:
第一相似度计算单元,用于计算所述运动曲线集合与所述目标运动曲线集合的相对熵得到第一相似度;
第二相似度计算单元,用于计算所述空间曲线集合与所述目标空间曲线集合的相对熵得到第二相似度;
第三相似度计算单元,用于计算所述阶段曲线集合与所述目标阶段曲线集合的相对熵得到第三相似度;
选拔单元,用于根据所述第一相似度、所述第二相似度和所述第三相似度的加权和确定选拔结果。
可选的,一种运动员选拔系统,还包括:
第一规整模块,用于分别对所述运动曲线集合中各曲线和所述目标运动曲线集合中各曲线进行动态时间规整得到规整后的运动曲线集合和规整后的目标运动曲线集合;所述规整后的运动曲线集合中的曲线与所述规整后的目标运动曲线集合中对应的曲线时长相等;
第二规整模块,用于分别对所述空间曲线集合中各曲线和所述目标空间曲线集合中各曲线进行动态时间规整得到规整后的空间曲线集合和规整后的目标空间曲线集合;所述规整后的空间曲线集合中的曲线与所述规整后的目标空间曲线集合中对应的曲线时长相等;
第三规整模块,用于分别对所述阶段曲线集合中各曲线和所述目标阶段曲线集合中各曲线进行动态时间规整得到规整后的阶段曲线集合和规整后的目标阶段曲线集合;所述规整后的阶段曲线集合中的曲线与所述规整后的目标阶段曲线集合中对应的曲线时长相等。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;根据待选拔运动员在运动过程中的地理位置和运动曲线集合确定空间曲线集合;根据加速度曲线确定阶段曲线集合;将运动曲线集合、空间曲线集合和阶段曲线集合与运动类型对应的冠军模型进行相似度比较得到选拔结果,根据冠军模型进行选拔得到选拔结果,不用依靠教练经验减少选拔过程中的人为因素,提高选拔的科学性和客观性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种运动员选拔方法的流程图;
图2为本发明实施例提供的一种运动员选拔系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本实施例提供了一种运动员选拔方法,所述方法包括:
步骤101:获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型。所述运动曲线集合包括:心率曲线、速度曲线、加速度曲线和心率变异性曲线,其中,心率变异性是根据心率采用现有公式计算得到的。
步骤102:根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合。所述空间曲线集合由设定路程对应的运动曲线集合组成。
步骤103:根据加速度曲线确定阶段曲线集合。所述阶段曲线集合由目标时间段对应的运动曲线集合组成;所述目标时间段的加速度为设定加速度。
步骤104:将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果。所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔,其中冠军模型是根据优秀运动员确定的,具体的目标运动曲线集合包括优秀运动员在运动过程中的运动曲线集合,目标空间曲线集合由根据设定路程对应的目标运动曲线集合组成,目标阶段曲线集合是目标时间段对应的目标运动曲线集合组成的。
在实际应用中,还可以根据冠军模型对运动员进行指导,例如当心率高于冠军模型时就降低心率。
在实际应用中,步骤102具体包括:
根据所述待选拔运动员在运动过程中的地理位置确定路程集合,所述路程集合包括所述待选拔运动员在运动过程中的路程。
确定所述路程集合中设定路程对应的时间段为路程时间段。
确定所述路程时间段对应的运动曲线集合为所述空间曲线集合。
在实际应用中,步骤103具体包括:
确定所述加速度曲线中设定加速度对应的时间段为速度时间段。
确定所述速度时间段对应的所述运动曲线集合为所述阶段曲线集合。
在实际应用中,步骤104具体包括:
计算所述运动曲线集合与所述目标运动曲线集合的相对熵得到第一相似度。
计算所述空间曲线集合与所述目标空间曲线集合的相对熵得到第二相似度。
计算所述阶段曲线集合与所述目标阶段曲线集合的相对熵得到第三相似度。
根据所述第一相似度、所述第二相似度和所述第三相似度的加权和确定选拔结果。
在实际应用中,步骤104之前还包括:
分别对所述运动曲线集合中各曲线和所述目标运动曲线集合中各曲线进行动态时间规整得到规整后的运动曲线集合和规整后的目标运动曲线集合;所述规整后的运动曲线集合中的曲线与所述规整后的目标运动曲线集合中对应的曲线时长相等,例如:规整前运动曲线集合中的心率曲线和规整前目标运动曲线集合中的心率曲线的时长不一样,那么此时就对两个曲线分别进行动态时间规整使两个曲线的时长相同,其他也同理。
分别对所述空间曲线集合中各曲线和所述目标空间曲线集合中各曲线进行动态时间规整得到规整后的空间曲线集合和规整后的目标空间曲线集合;所述规整后的空间曲线集合中的曲线与所述规整后的目标空间曲线集合中对应的曲线时长相等。
分别对所述阶段曲线集合中各曲线和所述目标阶段曲线集合中各曲线进行动态时间规整得到规整后的阶段曲线集合和规整后的目标阶段曲线集合;所述规整后的阶段曲线集合中的曲线与所述规整后的目标阶段曲线集合中对应的曲线时长相等。
本实施例还提供了一种与上述方法对应的运动员选拔系统,如图2所示,所述系统包括:
获取模块A1,用于获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;所述运动曲线集合包括:心率曲线、速度曲线、加速度曲线和心率变异性曲线,获取模块包括移动终端和可穿戴终端,移动终端,主要部署在各运动项目监测点,当被测人员经过时间戳会被立即采集记录,同时移动终端将定时(5分钟、10分钟或30分钟等等可以自己设定)上传环境气温、电池电量等信息。可穿戴终端,主要实现被测人员的心率数据、速度、加速度、GPS数据等数据的采集,并通过无线传输手段将数据上传云端。
空间曲线集合确定模块A2,用于根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合;所述空间曲线集合由设定路程对应的运动曲线集合组成。
阶段曲线集合确定模块A3,用于根据加速度曲线确定阶段曲线集合;所述阶段曲线集合由目标时间段对应的运动曲线集合组成;所述目标时间段的加速度为设定加速度。
选拔模块A4,用于将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果;所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔。
作为一种可选的实施方式,所述空间曲线集合确定模块,具体包括:
路程集确定单元,用于根据所述待选拔运动员在运动过程中的地理位置确定路程集合,所述路程集合包括所述待选拔运动员在运动过程中的路程。
路程时间段单元,用于确定所述路程集合中设定路程对应的时间段为路程时间段。
空间曲线集合确定单元,用于确定所述路程时间段对应的运动曲线集合为所述空间曲线集合。
作为一种可选的实施方式,所述阶段曲线集合确定模块,具体包括:
速度时间段确定单元,用于确定所述加速度曲线中设定加速度对应的时间段为速度时间段。
阶段曲线集合确定单元,用于确定所述速度时间段对应的所述运动曲线集合为所述阶段曲线集合。
作为一种可选的实施方式,所述选拔模块,具体包括:
第一相似度计算单元,用于计算所述运动曲线集合与所述目标运动曲线集合的相对熵得到第一相似度。
第二相似度计算单元,用于计算所述空间曲线集合与所述目标空间曲线集合的相对熵得到第二相似度。
第三相似度计算单元,用于计算所述阶段曲线集合与所述目标阶段曲线集合的相对熵得到第三相似度。
选拔单元,用于根据所述第一相似度、所述第二相似度和所述第三相似度的加权和确定选拔结果。
作为一种可选的实施方式,所述运动员选拔系统,还包括:
第一规整模块,用于分别对所述运动曲线集合中各曲线和所述目标运动曲线集合中各曲线进行动态时间规整得到规整后的运动曲线集合和规整后的目标运动曲线集合;所述规整后的运动曲线集合中的曲线与所述规整后的目标运动曲线集合中对应的曲线时长相等。
第二规整模块,用于分别对所述空间曲线集合中各曲线和所述目标空间曲线集合中各曲线进行动态时间规整得到规整后的空间曲线集合和规整后的目标空间曲线集合;所述规整后的空间曲线集合中的曲线与所述规整后的目标空间曲线集合中对应的曲线时长相等。
第三规整模块,用于分别对所述阶段曲线集合中各曲线和所述目标阶段曲线集合中各曲线进行动态时间规整得到规整后的阶段曲线集合和规整后的目标阶段曲线集合;所述规整后的阶段曲线集合中的曲线与所述规整后的目标阶段曲线集合中对应的曲线时长相等。
空间曲线集合确定模块、阶段曲线集合确定模块、选拔模块、第一规整模块、第二规整模块和第三规整模块设置在云端,主要工作流程为:数据汇集、数据归整和数据分析三个主要步骤:
1)数据汇集,完成对移动端和可穿戴端的数据汇集,将不同时间收到的数据,结合时间戳、个人信息、运动类型,存储到对应数据字段,形成原始运动心率数据表。
2)数据归整,包含时间归整、空间归整和运动事件归整:
a.第一规整模块中进行时间归整,在时间轴线上对不同运动事件区间内的数据开展统计分析,例如:跑步的前10秒、之后10秒等。
b.第二规整模块中进行空间归整,在空间距离轴线上对不同运动事件区间内的数据开展统计分析,例如:跑步的前100米、最后100米等。
c.第三规整模块中进行运动事件归整,在运动事件上对不同运动事件区间内的数据开展统计分析,例如:跑步的起步、加速阶段、冲刺阶段等;所处阶段由速度和加速度等信息确定。
3)选拔模块进行数据分析
本发明不仅可以根据冠军模型进行静态数据分析(心率曲线、速度曲线、加速度曲线)和动态数据分析(心率变异性曲线),还可以预测数据分析和竞赛数据分析,预测数据分析根据被测者的历史数据,利用线性和非线性预测算法对运动员的个性化成长曲线进行预测(运动的成绩表现在经过一定周期的训练后指标会呈现一定成长,体现在数据层面是一个曲线,根据这种运动员成绩成长曲线,与心率、心率变异性在训练周期中的表现,进行针对运动员的个性化成长曲线的预测,原先的成长曲线和预测模型只是线性的,经验的。而本发明的预测模型(Y=α(HR)X+b,或Y=α(HRV)X+b)是结合心率HR和心率变异性HRV监测的数据模型,可以使得训练更有规划性和针对性),实现预测性指导训练;竞赛数据分析对竞赛状态下的被测运动员进行数据采集后,基于心率和心率变异性指标进行心理精神状态分析,运动员的心理素质是一项非常重要的指标,但心理素质和专业素质不同,很难通过体育测试结果看出来。而有些运动员竞技心理素质强,面临大赛仍能保证良好的心理状态。体现在心率变异性指标较大。即在竞赛状态下的运动员心率变异性较大的心理素质较好,具有较高的潜力,在对运动员选拔时也可以根据心理精神状态分析。
作为一种可选的实施方式,所述运动员选拔系统,还包括:参考标签库,参考标签库包含地图库、自定义标签和冠军模型,分别为:
a.地图库:将结合运动项目,自由编辑,在地图上完成运动分阶段事件标注,例如,对每个跨栏位置、加速位置等运动阶段相关点进行设置,为运动数据的空间归整提供标签。
b.自定义标签:可根据潜在的运动事件生成运动心率分析区间标签,例如,根据被试者加速启动和加速结束设定运动事件标签,最高速度区间设定高速状态标签等。
c.冠军模型:根据优秀运动员进行该运动过程中的分项参数建立,被试者与冠军模型对比分析,并进而开展针对性分析指导。
本发明技术方案带来的有益效果如下:
1、基于运动心率数据融合方法,实现细分项运动数据的采集和监测,具体为:通过标签、加速度等数据完成运动事件标注,然后通过数据规整算法完成被测个体数据的各运动分项在时间、空间和运动事件上的归整。
2、结合优异运动员构建的冠军模型,实现运动细分项目中心率控制、心理精神状态评估和改进等,并且根据冠军模型进行选拔得到选拔结果,不用依靠教练经验减少选拔过程中的人为因素,提高选拔的科学性和客观性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种运动员选拔方法,其特征在于,包括:
获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;所述运动曲线集合包括:心率曲线、速度曲线、加速度曲线和心率变异性曲线;
根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合;所述空间曲线集合由设定路程对应的运动曲线集合组成;
根据加速度曲线确定阶段曲线集合;所述阶段曲线集合由目标时间段对应的运动曲线集合组成;所述目标时间段的加速度为设定加速度;
将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果;所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔;
在将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果之前还包括:
分别对所述运动曲线集合中各曲线和所述目标运动曲线集合中各曲线进行动态时间规整得到规整后的运动曲线集合和规整后的目标运动曲线集合;所述规整后的运动曲线集合中的曲线与所述规整后的目标运动曲线集合中对应的曲线时长相等;
分别对所述空间曲线集合中各曲线和所述目标空间曲线集合中各曲线进行动态时间规整得到规整后的空间曲线集合和规整后的目标空间曲线集合;所述规整后的空间曲线集合中的曲线与所述规整后的目标空间曲线集合中对应的曲线时长相等;
分别对所述阶段曲线集合中各曲线和所述目标阶段曲线集合中各曲线进行动态时间规整得到规整后的阶段曲线集合和规整后的目标阶段曲线集合;所述规整后的阶段曲线集合中的曲线与所述规整后的目标阶段曲线集合中对应的曲线时长相等。
2.根据权利要求1所述的一种运动员选拔方法,其特征在于,所述根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合,具体包括:
根据所述待选拔运动员在运动过程中的地理位置确定路程集合,所述路程集合包括所述待选拔运动员在运动过程中的路程;
确定所述路程集合中设定路程对应的时间段为路程时间段;
确定所述路程时间段对应的运动曲线集合为所述空间曲线集合。
3.根据权利要求1所述的一种运动员选拔方法,其特征在于,所述根据加速度曲线确定阶段曲线集合,具体包括:
确定所述加速度曲线中设定加速度对应的时间段为速度时间段;
确定所述速度时间段对应的所述运动曲线集合为所述阶段曲线集合。
4.根据权利要求1所述的一种运动员选拔方法,其特征在于,所述将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果,具体包括:
计算所述运动曲线集合与所述目标运动曲线集合的相对熵得到第一相似度;
计算所述空间曲线集合与所述目标空间曲线集合的相对熵得到第二相似度;
计算所述阶段曲线集合与所述目标阶段曲线集合的相对熵得到第三相似度;
根据所述第一相似度、所述第二相似度和所述第三相似度的加权和确定选拔结果。
5.一种运动员选拔系统,其特征在于,包括:
获取模块,用于获取待选拔运动员在运动过程中的运动曲线集合、地理位置和运动类型;所述运动曲线集合包括:心率曲线、速度曲线、加速度曲线和心率变异性曲线;
空间曲线集合确定模块,用于根据所述待选拔运动员在运动过程中的地理位置和所述运动曲线集合确定空间曲线集合;所述空间曲线集合由设定路程对应的运动曲线集合组成;
阶段曲线集合确定模块,用于根据加速度曲线确定阶段曲线集合;所述阶段曲线集合由目标时间段对应的运动曲线集合组成;所述目标时间段的加速度为设定加速度;
选拔模块,用于将所述运动曲线集合、所述空间曲线集合和所述阶段曲线集合与所述运动类型对应的冠军模型进行相似度比较得到选拔结果;所述冠军模型包括目标运动曲线集合、目标空间曲线集合和目标阶段曲线集合;所述选拔结果包括通过选拔和没有通过选拔;
第一规整模块,用于分别对所述运动曲线集合中各曲线和所述目标运动曲线集合中各曲线进行动态时间规整得到规整后的运动曲线集合和规整后的目标运动曲线集合;所述规整后的运动曲线集合中的曲线与所述规整后的目标运动曲线集合中对应的曲线时长相等;
第二规整模块,用于分别对所述空间曲线集合中各曲线和所述目标空间曲线集合中各曲线进行动态时间规整得到规整后的空间曲线集合和规整后的目标空间曲线集合;所述规整后的空间曲线集合中的曲线与所述规整后的目标空间曲线集合中对应的曲线时长相等;
第三规整模块,用于分别对所述阶段曲线集合中各曲线和所述目标阶段曲线集合中各曲线进行动态时间规整得到规整后的阶段曲线集合和规整后的目标阶段曲线集合;所述规整后的阶段曲线集合中的曲线与所述规整后的目标阶段曲线集合中对应的曲线时长相等。
6.根据权利要求5所述的一种运动员选拔系统,其特征在于,所述空间曲线集合确定模块,具体包括:
路程集确定单元,用于根据所述待选拔运动员在运动过程中的地理位置确定路程集合,所述路程集合包括所述待选拔运动员在运动过程中的路程;
路程时间段单元,用于确定所述路程集合中设定路程对应的时间段为路程时间段;
空间曲线集合确定单元,用于确定所述路程时间段对应的运动曲线集合为所述空间曲线集合。
7.根据权利要求5所述的一种运动员选拔系统,其特征在于,所述阶段曲线集合确定模块,具体包括:
速度时间段确定单元,用于确定所述加速度曲线中设定加速度对应的时间段为速度时间段;
阶段曲线集合确定单元,用于确定所述速度时间段对应的所述运动曲线集合为所述阶段曲线集合。
8.根据权利要求5所述的一种运动员选拔系统,其特征在于,所述选拔模块,具体包括:
第一相似度计算单元,用于计算所述运动曲线集合与所述目标运动曲线集合的相对熵得到第一相似度;
第二相似度计算单元,用于计算所述空间曲线集合与所述目标空间曲线集合的相对熵得到第二相似度;
第三相似度计算单元,用于计算所述阶段曲线集合与所述目标阶段曲线集合的相对熵得到第三相似度;
选拔单元,用于根据所述第一相似度、所述第二相似度和所述第三相似度的加权和确定选拔结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168125.1A CN113797518B (zh) | 2021-09-30 | 2021-09-30 | 一种运动员选拔方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168125.1A CN113797518B (zh) | 2021-09-30 | 2021-09-30 | 一种运动员选拔方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113797518A CN113797518A (zh) | 2021-12-17 |
CN113797518B true CN113797518B (zh) | 2022-08-05 |
Family
ID=78939309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111168125.1A Active CN113797518B (zh) | 2021-09-30 | 2021-09-30 | 一种运动员选拔方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113797518B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103028228B (zh) * | 2006-09-07 | 2015-08-12 | 耐克创新有限合伙公司 | 运动表现感测系统和方法 |
CN102231192A (zh) * | 2011-05-31 | 2011-11-02 | 福建物联天下信息科技有限公司 | 一种采集动作数据进行比对并得出比对相似度结果的系统 |
JP2015077351A (ja) * | 2013-10-18 | 2015-04-23 | セイコーエプソン株式会社 | 運動解析方法、運動解析装置および運動解析プログラム |
US9604100B2 (en) * | 2014-10-02 | 2017-03-28 | Robert Marc Goldberg | Sports training aid |
CN105183152A (zh) * | 2015-08-25 | 2015-12-23 | 小米科技有限责任公司 | 运动能力的分析方法、装置及终端 |
CN105536233B (zh) * | 2015-12-23 | 2018-09-21 | 安康学院 | 一种用于田径场上跑步速度的采集测量系统 |
CN107213619A (zh) * | 2017-07-04 | 2017-09-29 | 曲阜师范大学 | 体育运动训练评估系统 |
CN109395360A (zh) * | 2017-08-15 | 2019-03-01 | 何超平 | 一种运动能力数据智能采集中心系统 |
CN112617836B (zh) * | 2021-01-05 | 2023-06-06 | 悦动奇点(北京)健康科技有限公司 | 一种人体下肢爆发力的评估方法及装置 |
CN113140317A (zh) * | 2021-04-20 | 2021-07-20 | 李长青 | 大数据背景下青少年体育运动潜质发现方法 |
-
2021
- 2021-09-30 CN CN202111168125.1A patent/CN113797518B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113797518A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bastida Castillo et al. | Accuracy, intra-and inter-unit reliability, and comparison between GPS and UWB-based position-tracking systems used for time–motion analyses in soccer | |
Sarro et al. | Tracking of wheelchair rugby players in the 2008 Demolition Derby final | |
Barris et al. | A review of vision-based motion analysis in sport | |
US9978425B2 (en) | Method and device for associating frames in a video of an activity of a person with an event | |
Scanlan et al. | A comparison of the activity demands of elite and sub-elite Australian men's basketball competition | |
US10409831B2 (en) | Athletic intelligence system | |
Nelson et al. | Biomechanics of distance running: a longitudinal study | |
JP6505614B2 (ja) | トレーニング分類システム、トレーニング分類方法およびトレーニング分類サーバ | |
CN106407519B (zh) | 一种人群移动规律的建模方法 | |
CN103970271A (zh) | 融合运动和生理传感数据的日常活动识别方法 | |
JP6444813B2 (ja) | 分析システム、及び、分析方法 | |
Seeberg et al. | A multi-sensor system for automatic analysis of classical cross-country skiing techniques | |
CN105380613B (zh) | 一种体育活动监测系统 | |
Barros et al. | Measuring handball players trajectories using an automatically trained boosting algorithm | |
Therón et al. | Visual analysis of time-motion in basketball games | |
Krzeszowski et al. | Estimation of hurdle clearance parameters using a monocular human motion tracking method | |
van Dijk et al. | Machine learning to improve orientation estimation in sports situations challenging for inertial sensor use | |
CN113797518B (zh) | 一种运动员选拔方法及系统 | |
CN111513723A (zh) | 运动姿态监测方法、调整方法、装置和终端 | |
AU2020101986A4 (en) | AAM-Physical Fitness: ANALYSIS OF PHYSICAL FITNESS AND ACTIVITY LEVEL USING MACHINE LEARNING, DEEP LEARNING PROGRAMMING. | |
KR102050825B1 (ko) | 주행 특징 분석방법 및 그를 위한 장치 | |
Chua et al. | Activity identification and classification in wheelchair rugby using fractal dimensions | |
JP2012226584A (ja) | 軌跡検索装置、軌跡検索方法、および軌跡検索プログラム | |
Chen et al. | [Retracted] Sports Analysis and Action Optimization in Physical Education Teaching Practice Based on Internet of Things Sensor Perception | |
Jose et al. | Machine Learning Technique to Analyze the Health Condition of Athletes and Predict their Performance |
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 |