CN113869594A - 用户体能成绩预测方法及装置、电子设备、存储介质 - Google Patents

用户体能成绩预测方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN113869594A
CN113869594A CN202111181050.0A CN202111181050A CN113869594A CN 113869594 A CN113869594 A CN 113869594A CN 202111181050 A CN202111181050 A CN 202111181050A CN 113869594 A CN113869594 A CN 113869594A
Authority
CN
China
Prior art keywords
user
sample
physical ability
physical
item
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
Application number
CN202111181050.0A
Other languages
English (en)
Inventor
王玮璐
陈天歌
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111181050.0A priority Critical patent/CN113869594A/zh
Publication of CN113869594A publication Critical patent/CN113869594A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Educational Technology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及人工智能领域，公开了一种用户体能成绩预测方法及装置、电子设备、存储介质，该方法包括：获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；利用所述用户样本集生成用户体能成绩预测模型；将目标用户的基本信息和所述目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入所述用户体能成绩预测模型进行特征学习，得到所述目标用户在未来评估周期内的体能成绩。通过本发明，解决了现有技术中无法根据用户的基本信息灵活选择用户体测方案，进而导致体测结果不准确的技术问题。

Description

用户体能成绩预测方法及装置、电子设备、存储介质
技术领域
本发明涉及数据存储领域，具体而言，涉及一种用户体能成绩预测方法及装置、电子设备、存储介质。
背景技术
目前的中考、高考及大学体育测评通常使用在规定的时间内对学生进行体测以及所有学生均选择指定的体育项目进行测评的方法，而在部分同学在测评当天因生病或其他突发原因会导致现有的测评方法得到的体测结果不准确，体测结果与自身的体质情况不匹配，无法得到学生准确的体测情况，进而无法准确地评估学生的体质状况，不能为学生提高体考成绩提供有效的建议。
发明内容
本发明实施例提供了一种用户体能成绩预测方法及装置、电子设备、存储介质，以至少解决了现有技术中无法根据用户的基本信息灵活选择用户体测方案，进而导致体测结果不准确的技术问题。
根据本发明的一个实施例，提供了一种用户体能预测方法，该方法包括：获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；利用所述用户样本集生成用户体能成绩预测模型；将目标用户的基本信息和所述目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入所述用户体能成绩预测模型进行特征学习，得到所述目标用户在未来评估周期内的体能成绩。
可选的，所述基本信息至少包括用户的年级信息和性别信息，在获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集之后，所述方法还包括：按照所述年级信息和所述性别信息将所述用户样本集划分为多个子样本集；选定所述多个子样本集中任一子样本集作为目标子样本集，根据预设的体能项目指标关键词库确定所述目标子样本集中每个用户对应的体能项目样本指标；基于所述目标子样本集中每个用户对应的体能项目样本指标生成所述目标子样本集对应的用户体能评估模型。
可选的，所述用户样本集还包括用户的运动习惯信息，所述基于所述目标子样本集中每个用户对应的体能项目样本指标生成所述目标子样本集对应的用户体能评估模型包括：基于所述目标子样本集中每个用户对应的体能项目样本指标确定每个用户对应的体能指标；根据所述体能指标以及每个体能指标对应的权重值生成用户体能评估模型，以评估用户的综合运动能力。
可选的，所述获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集包括：针对所述历史评估周期内的任一样本用户，根据所述样本用户的基本信息确定所述样本用户的年级信息和性别信息；根据所述样本用户的年级信息和性别信息确定所述样本用户对应的体能项目指标关键词库，其中，所述体能项目指标关键词库用于指定所述样本用户关联的体能项目样本指标；依据所述体能项目指标关键词库获取所述用户关联的体能项目样本指标成绩；通过将所述样本用户的基本信息、体能项目样本指标及每个体能项目样本指标对应的体能项目样本指标成绩进行关联，生成所述用户样本集。
可选的，在利用所述用户样本集生成用户体能成绩预测模型之前，所述方法还包括：将所述用户样本集输入预设的最近邻算法模型；根据所述最近邻算法模型预测所述用户样本集中的缺失数据；对所述缺失数据进行填补，得到填补后的用户样本集。
可选的，所述利用所述用户样本集生成用户体能成绩预测模型包括：步骤A，利用回归模型构建所述用户体能成绩预测模型的基础训练模型；步骤B，基于交叉验证将所述用户样本集划分为训练集和验证集；步骤C，利用所述训练集迭代训练基础训练模型，得到预训练模型；步骤D，利用所述验证集验证所述预训练模型是否收敛；循环执行上述步骤B、步骤C及步骤D，直到所述预训练模型达到收敛状态，训练结束，并将收敛状态时的预训练模型作为所述用户体能成绩预测模型。
可选的，所述利用回归模型构建所述用户体能成绩预测模型的基础训练模型包括：针对所述用户样本集中的任一用户对应的多个体能项目样本指标中的任一体能项目样本指标，创建预设值阶多项式；由与所述体能项目样本指标数量相同的预设值阶多项式组成多元多项式；对所述多元多项式进行拟合，并将拟合结果对应的回归损失最小时对应的回归模型作为所述基础训练模型。
根据本发明的一个实施例，提供了一种用户体能预测装置，包括：获取模块，用于获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；第一生成模块，用于利用所述用户样本集生成用户体能成绩预测模型；学习模块，用于将目标用户的基本信息和所述目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入所述用户体能成绩预测模型进行特征学习，得到所述目标用户在未来评估周期内的体能成绩。
可选的，所述基本信息至少包括用户的年级信息和性别信息，所述装置还包括：划分模块，用于在所述获取模块获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集之后，按照所述年级信息和所述性别信息将所述用户样本集划分为多个子样本集；确定模块，用于选定所述多个子样本集中任一子样本集作为目标子样本集，根据预设的体能项目指标关键词库确定所述目标子样本集中每个用户对应的体能项目样本指标；第二生成模块，用于基于所述目标子样本集中每个用户对应的体能项目样本指标生成所述目标子样本集对应的用户体能评估模型。
可选的，所述用户样本集还包括用户的运动习惯信息，所述第二生成模块包括：第一确定单元，用于基于所述目标子样本集中每个用户对应的体能项目样本指标确定每个用户对应的体能指标；第一生成单元，用于根据所述体能指标以及每个体能指标对应的权重值生成用户体能评估模型，以评估用户的综合运动能力。
可选的，所述获取模块包括：第二确定单元，用于针对所述历史评估周期内的任一样本用户，根据所述样本用户的基本信息确定所述样本用户的年级信息和性别信息；第三确定单元，用于根据所述样本用户的年级信息和性别信息确定所述样本用户对应的体能项目指标关键词库，其中，所述体能项目指标关键词库用于指定所述样本用户关联的体能项目样本指标；获取单元，用于依据所述体能项目指标关键词库获取所述用户关联的体能项目样本指标成绩；第二生成单元，用于通过将所述样本用户的基本信息、体能项目样本指标及每个体能项目样本指标对应的体能项目样本指标成绩进行关联，生成所述用户样本集。
可选的，所述装置还包括：输入模块，用于在所述生成模块利用所述用户样本集生成用户体能成绩预测模型之前，将所述用户样本集输入预设的最近邻算法模型；预测模块，用于根据所述最近邻算法模型预测所述用户样本集中的缺失数据；填补模块，用于对所述缺失数据进行填补，得到填补后的用户样本集。
可选的，所述生成模块包括：构建单元，用于利用回归模型构建所述用户体能成绩预测模型的基础训练模型；划分单元，用于基于交叉验证将所述用户样本集划分为训练集和验证集；第三生成单元，利用所述训练集迭代训练基础训练模型，得到预训练模型；验证单元，用于利用所述验证集验证所述预训练模型是否收敛；执行单元，用于循环执行上述步骤B、步骤C及步骤D，直到所述预训练模型达到收敛状态，训练结束，并将收敛状态时的预训练模型作为所述用户体能成绩预测模型。
可选的，所述构建单元包括：创建单元，用于针对所述用户样本集中的任一用户对应的多个体能项目样本指标中的任一体能项目样本指标，创建预设值阶多项式；组成单元，用于由与所述体能项目样本指标数量相同的预设值阶多项式组成多元多项式；拟合单元，用于对所述多元多项式进行拟合，并将拟合结果对应的回归损失最小时对应的回归模型作为所述基础训练模型。
根据本发明的又一个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项装置实施例中的步骤。
通过本发明，利用包含多个用户的基本信息、每个用户对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目成绩的用户样本集，训练模型得到用户体能成绩预测模型，然后输入目标用户的基本信息后，先根据目标用户的基本信息筛选输入用户体能成绩预测模型的体能项目指标，将目标用户对应的体能项目指标输入该体能成绩预测模型，即可准确的预测目标用户的体能成绩，实现了根据用户的基本信息灵活选择用户的体能项目指标来对用户进行体测，提高了体测结果的准确性，从而解决了现有技术中无法根据用户的基本信息灵活选择用户体测方案，进而导致体测结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的一种用户体能成绩预测方法应用于计算机终端的硬件结构框图；
图2是根据本发明实施例提供的一种用户体能成绩预测方法的流程图；
图3是根据本发明一具体实施例提供的4种筛选规则示意图；
图4是根据本发明一具体实施例提供的综合运动能力模型；
图5是根据本发明实施例提供的一种体能成绩预测模型示意图；
图6是根据本发明实施例提供的一种用户体能成绩预测装置的结构框图；
图7是根据本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在移动终端、服务器、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例提供的一种用户体能成绩预测方法应用于计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的用户体能成绩预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器，也可以包括易失性存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
图2是根据本发明实施例提供的一种用户体能成绩预测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；
在本实施例中，用户的基本信息可以包括用户的年龄、年级、性别、身高、体重等信息，但不限于此；体能项目指标可以包括：长跑、游泳、跳绳、跳远、篮球、俯卧撑、仰卧起坐、坐位体前屈、引体向上、立定跳远、肺活量等指标，但不限于此。
步骤S204，利用用户样本集生成用户体能成绩预测模型；
体能项目指标对应的多个体能项目指标数据，例如，50米跑对应8.7秒，立定跳远对应1.83米，引体向上对应9个等。
可选地，用户体能成绩预测模型是利用包含多个用户的基本信息、每个用户对应的多个体能项目样本指标、每个体能项目样本指标对应的体能项目成绩和每个用户的运动习惯信息的用户样本集训练回归树模型得到。
在本实施例的一个可选示例中，回归树树模型基于梯度提升决策树GBDT模型搭建；运动习惯信息，比如每天早晨什么时间段、运动多长时间、运动项目、运动频率等。
步骤S206，将目标用户的基本信息和目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入用户体能成绩预测模型进行特征学习，得到目标用户在未来评估周期内的体能成绩。
根据本发明实施例提供的用户体能预测方法，利用包含多个用户的基本信息、每个用户对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目成绩的用户样本集，训练模型得到用户体能成绩预测模型，然后输入目标用户的基本信息后，先根据目标用户的基本信息筛选输入用户体能成绩预测模型的体能项目指标，将目标用户对应的体能项目输入该体能成绩预测模型，即可准确的预测目标用户的体能成绩，实现了根据用户的基本信息灵活选择用户的体能项目指标来对用户进行体测，提高了体测结果的准确性，从而解决了现有技术中无法根据用户的基本信息灵活选择用户体测方案，进而导致体测结果不准确的技术问题。
在本案的一个可选的方案中，基本信息包括年级信息和性别信息；上述步骤S202之后，基本信息至少包括用户的年级信息和性别信息，其中，年级包括小学阶段和中学阶段，性别包括男生和女生，还包括：按照年级信息和性别信息将用户样本集划分为多个子样本集；选定多个子样本集中任一子样本集作为目标子样本集，根据预设的体能项目指标关键词库确定目标子样本集中每个用户对应的体能项目样本指标；基于目标子样本集中每个用户对应的体能项目样本指标生成目标子样本集对应的用户体能评估模型。
在上述实施例一个可选的示例中，用户样本集还包括用户的运动习惯信息，基本信息还包括身高信息和体重信息，基于目标子样本集中每个用户对应的体能项目样本指标生成目标子样本集对应的用户体能评估模型具体包括：基于目标子样本集中每个用户对应的体能项目样本指标确定每个用户对应的体能指标，其中，体能指标至少包括有氧运动能力、肌肉及韧性能力、平衡及反应能力、运动习惯及身体形态，身体形态是由用户的身高和体重确定；根据体能指标以及每个体能指标对应的权重值生成用户体能评估模型，以评估用户的综合运动能力。
在一个示例中，按照年级信息和性别信息将用户样本集划分为四个子样本集，然后生成4种用户体能评估模型。例如，若目标用户为小学男生(小学1-6年级)，则目标用户对应的多个体能项目指标至少包括50米跑和1分钟跳绳；以及，多个体能项目指标的选填项包括立定跳远、50米*8往返跑、坐位体前屈及肺活量；若目标用户为中学男生(中学1-3年级)，则目标用户对应的多个体能项目指标至少包括50米跑、引体向上和立定跳远；以及，多个体能项目指标的选填项包括1分钟跳绳、1000米跑、坐位体前屈及肺活量；若目标用户为小学女生，则目标用户对应的多个体能项目指标至少包括50米跑和1分钟跳绳；以及，多个体能项目指标的选填项包括立定跳远、50米*8往返跑、坐位体前屈、肺活量及1分钟仰卧起坐；若目标用户为中学女生，则目标用户对应的多个体能项目指标至少包括50米跑、1分钟仰卧起坐和立定跳远；以及，多个体能项目指标的选填项包括1分钟跳绳、800米跑、坐位体前屈及肺活量。
图3是根据本发明一具体实施例提供的四种用户体能评估模型的示意图，如图3所示，包括以下步骤：
步骤S31，必填数据包括：性别、年龄、身高、体重、每周运动情况；
步骤S32，判断输入条件(即上述筛选规范)，例如，输入的必填数据为：男生，13岁，初一，身高150厘米，体重45公斤；则该男生的身体质量指数BMI为20(其中，BMI的正常范围为18.5-23.9)。
在一个示例中，用户体能评估模型通过以下公式表示：综合运动能力＝a*有氧运动能力+b*肌肉及任性能力+c*平衡及反应能力+d*身体形态+e*运动习惯信息；其中，a、b、c、d及e分别表示有氧运动能力、肌肉及任性能力、平衡及反应能力、身体形态、运动习惯信息对应的权重，且a+b+c+d+e＝1。例如，如图4所示，图4是根据本发明一具体实施例提供的综合运动能力模型，根据目标用户对应的多个体能项目指标数据确定体能数据，其中，综合运动能力＝30％有氧运动能力+20％肌肉&任性能力+10％平衡&反应能力+20％身体形态+20％运动习惯。
在本实施例的一个示例中，可根据用户的长跑、游泳等衡量用户的有氧运动能力；可根据用户的跳绳、跳远、篮球等衡量用户的平衡能力及反应能力；可利用用户的俯卧撑、仰卧起坐、坐位体前屈、跳绳等来衡量用户的肌肉及柔韧能力；身体形态，依据用户的身高、体重；运动习惯信息可为每周锻炼次数，以及延长锻炼时长等。
例如，身体形态可用于基础代谢率BMR、身体质量指数BMI、体脂肪率BFP、肌肉量及体水分率来衡量；有氧运动能力用于反映心肺功能的有氧运动能力、反映骨骼肌收缩能力的肌力、反映关节活动范围的柔韧性以及平衡功能、协调功能等，多种摄氧量指标来衡量有氧运动能力，比如运动峰值摄氧量、每公斤体重摄氧量、无氧阈时的摄氧量等)；肌肉&柔韧能力，即肌肉力量&肌肉柔韧性；平衡&反应能力，平衡指标包括：闭眼单足站立、站立-行走测试、平衡木行走等；运动习惯，比如每天早晨什么时间段、运动多长时间、运动项目等。例如，必填项中每周运动情况：每周运动3～5次，50米跑：8.7秒，立定跳远：1.83米，引体向上：9个。选填项中1分钟跳绳：120个。
在本案在一个可选的实施例中，获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集包括：针对历史评估周期内的任一样本用户，根据样本用户的基本信息确定样本用户的年级信息和性别信息；根据样本用户的年级信息和性别信息确定样本用户对应的体能项目指标关键词库，其中，体能项目指标关键词库用于指定样本用户关联的体能项目样本指标；依据体能项目指标关键词库获取用户关联的体能项目样本指标成绩；通过将样本用户的基本信息、体能项目样本指标及每个体能项目样本指标对应的体能项目样本指标成绩进行关联，生成用户样本集。
基于图3所示中的规则1-4，针对历史评估周期内的任一样本用户，根据用户的基本信息判断该用户处于小学阶段还是中学阶段，是男生还是女生；例如，如果该用户是小学男生，则指定使用图3中的规则1中的体能项目样本指标，进而需要采集该用户关联的50米跑、1分钟跳绳，或者立定跳远、50米*8往返跑、坐位体前屈、肺活量中至少之一的体能项目样本指标。
进一步地，基于该用户关联的体能项目样本指标获取该用户对应的指标成绩，然后将该用户的体能项目样本指标、基本信息和指标成绩进行关联，从而得到训练用户体能成绩预测模型的训练样本(即上述用户样本集)，利用具有代表性的训练样本训练模型，得到的体能成绩预测模型更加精准，可以很好的代表体测。
可选的，根据上述实施例，利用用户样本集生成用户体能成绩预测模型之前，将用户样本集输入预设的最近邻算法模型；根据最近邻算法模型预测用户样本集中的缺失数据；对缺失数据进行填补，得到填补后的用户样本集。在本实施例中，如果用户样本集中的数值存在缺失值，可利用最近邻算法模型KNN使用k个最近的观察值(根据任一种距离度量的方法计算)来预测缺失值，换言之，就是根据其他特征找到与缺失值最相近的k个特征点，在进行平均求值，可以避免缺失值对用户体能成绩预测模型带来的影响。
本发明实施例可以基于人工智能技术对上述用户样本集进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
进一步地，在实施例的一个可选的方案中，利用用户样本集生成用户体能成绩预测模型包括：步骤A，利用回归模型构建用户体能成绩预测模型的基础训练模型；步骤B，基于交叉验证将用户样本集划分为训练集和验证集；步骤C，利用训练集迭代训练基础训练模型，得到预训练模型；步骤D，利用验证集验证预训练模型是否收敛；循环执行上述步骤B、步骤C及步骤D，直到预训练模型达到收敛状态，训练结束，并将收敛状态时的预训练模型作为用户体能成绩预测模型。
具体地，利用回归模型构建用户体能成绩预测模型的基础训练模型包括：针对用户样本集中的任一用户对应的多个体能项目样本指标中的任一体能项目样本指标，创建预设值阶多项式；由与体能项目样本指标数量相同的预设值阶多项式组成多元多项式；对多元多项式进行拟合，并将拟合结果对应的回归损失最小时对应的回归模型作为基础训练模型。
在本实施例中，通过创建多项式回归模型，比如，在阶数＝n的情况下，将每个体能项目样本指标对应的指标特征转换为一个n阶的多项式，这些多项式共同构建成一个矩阵，将这个矩阵看作是指标特征，然后将用户对应的所有指标特征进行拟合，当拟合后的回归模型对应的回归损失最小时对应的回归模型作为用户体能成绩预测模型的基础训练模型，然后针对用户样本集中的所有用户，对基础训练模型进行训练。
图5是根据本发明实施例提供的一种体能成绩预测模型示意图，如图5所示，针对男生，中考成绩预测模型(即上述用户体能成绩预测模型)＝0.25*[max(200米跑，1000米跑)+max(立定跳远、引体向上、投掷实心球、一分钟跳绳、篮球半场来回运球上篮、100米游泳)]；针对女生：中考成绩预测模型(即上述用户体能成绩预测模型)＝0.25*[max(200米跑，800米跑)+max(立定跳远、1分钟仰卧起坐、投掷实心球、一分钟跳绳、篮球半场来回运球上篮、100米游泳)]。
在一个示例中，针对男生预测中考必考项分数，其中输入该男生关联的多个体能项目指标成绩，比如200米跑80分，1000米跑83分；预测中考选考题分数，立定跳远94分，引体向上88分，投掷实心球88分，1分钟跳绳100分，半场来回运球上篮88分，100米游泳83分，将该男生的上述多个体能项目指标成绩输入用户体能成绩预测模型，即输出该用户的中考体测的总成绩，并根据多个体能项目指标成绩和中考体测的总成绩为该用户提供的建议至少包括：预测该生在中考必考项目中1000米跑步和选考1分钟跳绳这两个项目表现的更突出，建议选择这两项为中考的考试项目；距离拿到满分还差4分，建议未来多锻炼提升有氧运动能力。
在本案的一个实施例中，根据体测机构调研青少年在不同年龄阶段体测项目的成绩数据构建线性及权重模型预测孩子未来的中考体育成绩，并提供个性化的身体素质提升建议和中考体育提分建议。
根据本发明提供的上述实施例，对不同年龄阶段的青少年的基础身体指标，进行现阶段系统且科学的全身能力评估与考量，并以百分制来展现，学生与家长可以更直观的了解孩子现阶段的体质状况；后根据大量且连续的青少年每年阶段性体育测评数据，构建随着年龄变化以身体形态、有氧运动能力、肌肉&柔韧能力、平衡&反应能力、运动习惯等5大维度的用户体能成绩预测模型，用来预测青少年在面临中考及高考体测时的全身各部分身体能力，之后转化为每一项体育考试项目的具体数据；预测结果参照《国家学生体质健康标准》，于95％置信区间之中，最终参照当地体考的标准输出青少年体考的成绩，对他未来进行体育考试时给出指导性建议。进一步地，可以帮助家长和孩子对现在体能状况，包含身体形态、有氧运动能力、肌肉&柔韧能力、平衡&反应能力、运动习惯有更直观的了解，并以此为预测系统为工具弄清楚孩子不同年龄阶段各种身体能力的发展趋势；根据当地的体育中考、高考测试项目及成绩要求，可直接预测出体考项目的具体分数，从而给出指导性建议，以获得更高分；从体质状况到体育考试智能的提升策略，全方位辅助孩子体质健康成长。
基于上文各个实施例提供的用户体能预测方法，基于同一发明构思，在本实施例中还提供了一种用户体能预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例提供的一种用户体能预测装置的结构框图，如图6所示，该装置包括：获取模块60，用于获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；第一生成模块62，连接至上述获取模块60，用于利用用户样本集生成用户体能成绩预测模型；学习模块64，连接至上述第一生成模块62，用于将目标用户的基本信息和目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入用户体能成绩预测模型进行特征学习，得到目标用户在未来评估周期内的体能成绩。
可选的，基本信息至少包括用户的年级信息和性别信息，上述装置还包括：划分模块，用于在获取模块获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集之后，按照年级信息和性别信息将用户样本集划分为多个子样本集；确定模块，用于选定多个子样本集中任一子样本集作为目标子样本集，根据预设的体能项目指标关键词库确定目标子样本集中每个用户对应的体能项目样本指标；第二生成模块，用于基于目标子样本集中每个用户对应的体能项目样本指标生成目标子样本集对应的用户体能评估模型。
可选的，用户样本集还包括用户的运动习惯信息，第二生成模块包括：第一确定单元，用于基于目标子样本集中每个用户对应的体能项目样本指标确定每个用户对应的体能指标；第一生成单元，用于根据体能指标以及每个体能指标对应的权重值生成用户体能评估模型，以评估用户的综合运动能力。
可选的，获取模块60包括：第二确定单元，用于针对历史评估周期内的任一样本用户，根据样本用户的基本信息确定样本用户的年级信息和性别信息；第三确定单元，用于根据样本用户的年级信息和性别信息确定样本用户对应的体能项目指标关键词库，其中，体能项目指标关键词库用于指定样本用户关联的体能项目样本指标；获取单元，用于依据体能项目指标关键词库获取用户关联的体能项目样本指标成绩；第二生成单元，用于通过将样本用户的基本信息、体能项目样本指标及每个体能项目样本指标对应的体能项目样本指标成绩进行关联，生成用户样本集。
可选的，上述装置还包括：输入模块，用于在生成模块利用用户样本集生成用户体能成绩预测模型之前，将用户样本集输入预设的最近邻算法模型；预测模块，用于根据最近邻算法模型预测用户样本集中的缺失数据；填补模块，用于对缺失数据进行填补，得到填补后的用户样本集。
可选的，第一生成模块62包括：构建单元，用于利用回归模型构建用户体能成绩预测模型的基础训练模型；划分单元，用于基于交叉验证将用户样本集划分为训练集和验证集；第三生成单元，利用训练集迭代训练基础训练模型，得到预训练模型；验证单元，用于利用验证集验证预训练模型是否收敛；执行单元，用于循环执行上述步骤B、步骤C及步骤D，直到预训练模型达到收敛状态，训练结束，并将收敛状态时的预训练模型作为用户体能成绩预测模型。
可选的，构建单元包括：创建单元，用于针对用户样本集中的任一用户对应的多个体能项目样本指标中的任一体能项目样本指标，创建预设值阶多项式；组成单元，用于由与体能项目样本指标数量相同的预设值阶多项式组成多元多项式；拟合单元，用于对多元多项式进行拟合，并将拟合结果对应的回归损失最小时对应的回归模型作为基础训练模型。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；
S2，利用所述用户样本集生成用户体能成绩预测模型；
S3，将目标用户的基本信息和所述目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入所述用户体能成绩预测模型进行特征学习，得到所述目标用户在未来评估周期内的体能成绩。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
基于上述图2所示方法和图6所示装置的实施例，为了实现上述目的，本申请实施例还提供了一种电子设备，如图7所示，包括存储器72和处理器71，其中存储器72和处理器71均设置在总线73上存储器72存储有计算机程序，处理器71执行计算机程序时实现图2所示的用户体能预测方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个存储器(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台电子设备(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场景所述的方法。
可选地，该设备还可以连接用户接口、网络接口、摄像头、射频(Radio Frequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种电子设备的结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用户体能成绩预测方法，其特征在于，包括：
获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；
利用所述用户样本集生成用户体能成绩预测模型；
将目标用户的基本信息和所述目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入所述用户体能成绩预测模型进行特征学习，得到所述目标用户在未来评估周期内的体能成绩。
2.根据权利要求1所述的方法，其特征在于，所述基本信息至少包括用户的年级信息和性别信息，在获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集之后，所述方法还包括：
按照所述年级信息和所述性别信息将所述用户样本集划分为多个子样本集；
选定所述多个子样本集中任一子样本集作为目标子样本集，根据预设的体能项目指标关键词库确定所述目标子样本集中每个用户对应的体能项目样本指标；
基于所述目标子样本集中每个用户对应的体能项目样本指标生成所述目标子样本集对应的用户体能评估模型。
3.根据权利要求2所述的方法，其特征在于，所述用户样本集还包括用户的运动习惯信息，所述基于所述目标子样本集中每个用户对应的体能项目样本指标生成所述目标子样本集对应的用户体能评估模型包括：
基于所述目标子样本集中每个用户对应的体能项目样本指标确定每个用户对应的体能指标；
根据所述体能指标以及每个体能指标对应的权重值生成用户体能评估模型，以评估用户的综合运动能力。
4.根据权利要求1所述的方法，其特征在于，所述获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集包括：
针对所述历史评估周期内的任一样本用户，根据所述样本用户的基本信息确定所述样本用户的年级信息和性别信息；
根据所述样本用户的年级信息和性别信息确定所述样本用户对应的体能项目指标关键词库，其中，所述体能项目指标关键词库用于指定所述样本用户关联的体能项目样本指标；
依据所述体能项目指标关键词库获取所述用户关联的体能项目样本指标成绩；
通过将所述样本用户的基本信息、体能项目样本指标及每个体能项目样本指标对应的体能项目样本指标成绩进行关联，生成所述用户样本集。
5.根据权利要求1所述的方法，其特征在于，在利用所述用户样本集生成用户体能成绩预测模型之前，所述方法还包括：
将所述用户样本集输入预设的最近邻算法模型；
根据所述最近邻算法模型预测所述用户样本集中的缺失数据；
对所述缺失数据进行填补，得到填补后的用户样本集。
6.根据权利要求1所述的方法，其特征在于，所述利用所述用户样本集生成用户体能成绩预测模型包括：
步骤A，利用回归模型构建所述用户体能成绩预测模型的基础训练模型；
步骤B，基于交叉验证将所述用户样本集划分为训练集和验证集；
步骤C，利用所述训练集迭代训练基础训练模型，得到预训练模型；
步骤D，利用所述验证集验证所述预训练模型是否收敛；
循环执行上述步骤B、步骤C及步骤D，直到所述预训练模型达到收敛状态，训练结束，并将收敛状态时的预训练模型作为所述用户体能成绩预测模型。
7.根据权利要求6所述的方法，其特征在于，所述利用回归模型构建所述用户体能成绩预测模型的基础训练模型包括：
针对所述用户样本集中的任一用户对应的多个体能项目样本指标中的任一体能项目样本指标，创建预设值阶多项式；
由与所述体能项目样本指标数量相同的预设值阶多项式组成多元多项式；
对所述多元多项式进行拟合，并将拟合结果对应的回归损失最小时对应的回归模型作为所述基础训练模型。
8.一种用户体能成绩预测装置，其特征在于，包括：
获取模块，用于获取包含多个用户的基本信息、每个用户在历史评估周期内对应的多个体能项目样本指标以及每个体能项目样本指标对应的体能项目样本成绩的用户样本集；
第一生成模块，用于利用所述用户样本集生成用户体能成绩预测模型；
学习模块，用于将目标用户的基本信息和所述目标用户在当前评估周期内对应的多个体能项目指标以及每个体能项目指标对应的体能项目成绩输入所述用户体能成绩预测模型进行特征学习，得到所述目标用户在未来评估周期内的体能成绩。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111181050.0A 2021-10-11 2021-10-11 用户体能成绩预测方法及装置、电子设备、存储介质 Pending CN113869594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111181050.0A CN113869594A (zh) 2021-10-11 2021-10-11 用户体能成绩预测方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111181050.0A CN113869594A (zh) 2021-10-11 2021-10-11 用户体能成绩预测方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN113869594A true CN113869594A (zh) 2021-12-31

Family

ID=78998860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111181050.0A Pending CN113869594A (zh) 2021-10-11 2021-10-11 用户体能成绩预测方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN113869594A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115068920A (zh) * 2022-07-12 2022-09-20 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 运动训练方法、装置、设备及存储介质
CN115908069A (zh) * 2023-01-05 2023-04-04 中大体育产业集团股份有限公司 一种中小学生体测数据的智慧管理方法及系统
CN116416096A (zh) * 2023-03-14 2023-07-11 宁波浙鼎教育科技有限公司 一种运动协同管理方法、系统、智能终端及存储介质
CN118173223A (zh) * 2024-05-11 2024-06-11 宁波浙鼎教育科技有限公司 基于体测成绩的中小学生运动训练方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976288A (zh) * 2016-04-28 2016-09-28 南京师范大学 学生运动指导系统及指导方法
CN112214688A (zh) * 2020-10-12 2021-01-12 中国石油大学(北京) 选修课的推荐方法、装置和服务器
CN112884225A (zh) * 2021-02-22 2021-06-01 三峡大学 体测成绩预测方法、装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976288A (zh) * 2016-04-28 2016-09-28 南京师范大学 学生运动指导系统及指导方法
CN112214688A (zh) * 2020-10-12 2021-01-12 中国石油大学(北京) 选修课的推荐方法、装置和服务器
CN112884225A (zh) * 2021-02-22 2021-06-01 三峡大学 体测成绩预测方法、装置、电子设备和存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115068920A (zh) * 2022-07-12 2022-09-20 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 运动训练方法、装置、设备及存储介质
CN115068920B (zh) * 2022-07-12 2023-08-11 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 运动训练方法、装置、设备及存储介质
CN115908069A (zh) * 2023-01-05 2023-04-04 中大体育产业集团股份有限公司 一种中小学生体测数据的智慧管理方法及系统
CN115908069B (zh) * 2023-01-05 2023-09-08 中大体育产业集团股份有限公司 一种中小学生体测数据的智慧管理方法及系统
CN116416096A (zh) * 2023-03-14 2023-07-11 宁波浙鼎教育科技有限公司 一种运动协同管理方法、系统、智能终端及存储介质
CN116416096B (zh) * 2023-03-14 2023-09-01 宁波浙鼎教育科技有限公司 一种运动协同管理方法、系统、智能终端及存储介质
CN118173223A (zh) * 2024-05-11 2024-06-11 宁波浙鼎教育科技有限公司 基于体测成绩的中小学生运动训练方法

Similar Documents

Publication Publication Date Title
CN113869594A (zh) 用户体能成绩预测方法及装置、电子设备、存储介质
TWI650713B (zh) 客製化的訓練建議
KR102245338B1 (ko) 웨어러블 기반 셀프형 운동관리 시스템 및 그 방법
CN102213957A (zh) 一种提供虚拟私人运动教练的控制方法、控制装置及系统
CN105321135A (zh) 一种个性化运动处方设计方法和系统
US10660566B2 (en) Cardio-respiratory fitness assessment
CN115068920A (zh) 运动训练方法、装置、设备及存储介质
JP2022541648A (ja) 機械学習ベースのトレーニングプログラムを有する身体トレーニングシステム
KR20140035031A (ko) 유아 체육 영재지수화 및 레벨 분류 방법
CN113808704A (zh) 运动处方获取系统及方法
KR101532644B1 (ko) 스포츠 적합성 분석 방법
US20140207263A1 (en) Evaluating a fitness level
US11890507B2 (en) System and method for providing functionality to race other athletes asynchronously
CN113299365B (zh) 体能训练计划生成方法、装置及电子设备
KR102332319B1 (ko) 피트니스 데이터 측정을 통한 스마트 헬스케어 시스템
US20180249948A1 (en) Providing activity information in relation to interactive user behavior
CN115565639A (zh) 一种锻炼心率的预测方法、装置以及设备
CN114974508A (zh) 一种运动处方的生成方法及装置、存储介质及电子设备
CN113077870A (zh) 饮食计划的决策方法、装置、计算机设备及存储介质
Dziomdziora et al. Running Pace Adjustment and Training Distance Fitting with Fuzzy Logic and Machine Learning
CN117236729B (zh) 一种基于智慧体育的过程性综合测评方法及系统
JP7359247B1 (ja) 指導者支援装置、システム、方法、及び、プログラム
KR102526459B1 (ko) 개인 맞춤형 하이브리드 피트니스 코칭 시스템 및 방법
CN115779395B (zh) 一种体育运动体能训练分析方法及系统
Aithal Tracking and monitoring fitness of athletes using IoT enabled wearables for activity recognition and random forest algorithm for performance prediction

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