CN114049048A - 一种基于体能验估的体能课程优化方法 - Google Patents

一种基于体能验估的体能课程优化方法 Download PDF

Info

Publication number
CN114049048A
CN114049048A CN202111514466.XA CN202111514466A CN114049048A CN 114049048 A CN114049048 A CN 114049048A CN 202111514466 A CN202111514466 A CN 202111514466A CN 114049048 A CN114049048 A CN 114049048A
Authority
CN
China
Prior art keywords
physical ability
user
data
physical
behavior
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.)
Granted
Application number
CN202111514466.XA
Other languages
English (en)
Other versions
CN114049048B (zh
Inventor
孙刚
唐秋艳
周志雄
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.)
Hanlang Technology Beijing Co ltd
Capital University of Physical Education and Sports
Original Assignee
Hanlang Technology Beijing Co ltd
Capital University of Physical Education and Sports
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 Hanlang Technology Beijing Co ltd, Capital University of Physical Education and Sports filed Critical Hanlang Technology Beijing Co ltd
Priority to CN202111514466.XA priority Critical patent/CN114049048B/zh
Publication of CN114049048A publication Critical patent/CN114049048A/zh
Application granted granted Critical
Publication of CN114049048B publication Critical patent/CN114049048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Abstract

本发明公开了一种基于体能验估的体能课程优化方法，包括：构建体能课程指标体系；采集用户体能评估数据；对用户体能进行初步评估；验证评估结果；融合修正；根据修正结果，生成并输出最终体能评估结果；根据用户的最终体能评估结果，对用户的体能课程进行优化。本发明能够有效融合不同数据源对用户的体能指标进行评估，评估结果具有可靠性高、误判率小、全面性高等显著优点；在此基础上，对体能课程进行指标分析，从单人和群体两个角度对体能课程进行优化。

Description

一种基于体能验估的体能课程优化方法
技术领域
本发明涉及技术领域，具体而言涉及一种基于体能验估的体能课程优化方法。
背景技术
健身已经成为人们生活的一部分内容，而全民健身距离人们越来越近也是不争的事实。全民健身旨在全面提高国民体质和健康水平，以青少年和儿童为重点，倡导全民做到每天参加一次以上的体育健身活动，学会两种以上健身方法，每年进行一次体质测定。同时，体能测查也是青少年健康教育的一部分，测评内容为制定青少年健康活动的目的、方法、内容提供了科学依据，对促进青少年体质发展有积极的指导作用。
公开日为2019年1月11日的中国专利CN109192269A公开了一种基于云平台的青少年运动健康管理系统，体能要素管理云平台根据客户端发送的用户体能要素信息和用户身份信息制定用户的训练处方；体能要素管理云平台的输出端与客户端连接以向客户端推送所述相应用户的训练处方，并对训练处方的执行情况进行管理和追踪。但该发明并没有涉及具体的体能要素信息的获取方式和跟踪方法，并且需要用户对体能要素等信息具有一定的专业理解能力。
公开日为2021年09月14日的中国专利CN113395672A公开了一种基于手机的体育课时监测系统及方法，通过学生佩戴手环对课堂运动情况进行实时监测，系统部署简单、功能齐全、方便快捷进行体育课时监测与评价，对体育课运动安排合理性，学生运动强度是否达标提供依据。但是并没有提供一种针对数据的有效分析方法，且单数据源必然导致评估结果的片面性和误判率高。
公开日为2020年02月07日的中国专利CN110755806A公开了一种青少年肌肉力量和协调能力综合训练系统，根据采集的各项参数制定最佳的科学训练方案，指导青少年按规定完成训练。根据方案设定划船器械的功率、强度等参数，动态调节训练强度，以达到最佳的训练效果。该方案也存在单数据源的问题，且不适用于团体分析。
发明内容
本发明针对现有技术中的不足，提供一种基于体能验估的体能课程优化方法，能够有效融合不同数据源对用户的体能指标进行评估，评估结果具有可靠性高、误判率小、全面性高等显著优点；在此基础上，对体能课程进行指标分析，从单人和群体两个角度对体能课程进行优化。
为实现上述目的，本发明采用以下技术方案：
一种基于体能验估的体能课程优化方法，所述体能课程优化方法包括以下步骤：
S1，构建体能课程指标体系：根据体能课程特性，分析得到每个体能课程的体能指标，构建体能课程指标体系；所述体能指标包括三类：身体机能参数、运动机能参数和有效运动参数；
S2，采集用户体能评估数据：采用佩戴在用户身上的第一传感装置采集得到用户的体感数据fg(T)和第一行为数据x1(T)；采用分布安装在体能训练环境内部的第二传感装置采集得到用户的第二行为数据x2(T)；采用录入装置录入训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)；
S3，对用户体能进行初步评估：对用户的体感数据fg(T)和第一行为数据x1(T)进行处理，得到第一体能评估结果：
G1(T)＝Y1[fg(T)，x1(T)]＝{{ai(T)}，{bj(T)}，{ck(T)}}；
对用户的第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行处理，得到第二体能评估结果：
G2(T)＝Y2[x2(T)，Px(T)，Pg(T)]＝{{αi(T)}，{βj(T)}，{γk(T)}}；
式中，ai(T)和αi(T)分别是第i个身体机能参数的第一评估值和第二评估值，bj(T)和βj(T)分别是第j个运动机能参数的第一评估值和第二评估值，ck(T)和γk(T)分别是第k个有效运动参数的第一评估值和第二评估值，i＝1，2，...，I，j＝1，2，...，J，k＝1，2，...，K；
S4，验证评估结果：对第一体能评估结果G1(T)和第二体能评估结果G2(T)进行验证，如果两者的任意一个参数的评估值差值均在相应的允许差值范围内，结合第一体能评估结果G1(T)和第二体能评估结果G2(T)，生成并输出最终体能评估结果，转入步骤S7；否则，转入步骤S5；
S5，融合修正：采用融合修正模型，对体感数据fg(T)、第一行为数据x1(T)、第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行融合修正；该融合修正模型用于融合用户的第一行为数据x1(T)和第二行为数据x2(T)，得到融合后的行为数据xz(T)，再结合当前用户的体感评估数据Pg(T)和同一体能训练环境下所有用户的行为评估数据分别对当前用户的体感数据fg(T)和融合后的行为数据xz(T)进行修正；
S6，根据修正结果，生成并输出最终体能评估结果；
S7，根据用户的最终体能评估结果，对用户的体能课程进行优化。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S2中，所述体感数据fg(T)包括用户的体温数据、血压数据、心率数据和皮肤湿度数据；所述第一行为数据x1(T)包括用户的位移数据、姿态数据，以及根据用户的位移数据和姿态数据识别得到的以时间为横轴、行为数据为纵轴的第一行为时间序列。
进一步地，步骤S2中，所述第二行为数据x2(T)包括用户的位置数据、用户的行为图像序列，以及根据用户的位置信息和行为图像序列识别得到的以时间为横轴、行为数据为纵轴的第二行为时间序列。
进一步地，步骤S4中，对体感数据fg(T)、第一行为数据x1(T)、第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行融合修正的过程包括以下步骤：
S41，根据行为类型和行为持续时间，提取第二行为时间序列中的有效体能行为序列段；
S42，以时间为基准，对齐第一行为时间序列和第二行为时间序列；
S43，采用提取到的第二行为时间序列中的有效体能行为序列段替换第一行为时间序列中相应的行为序列段，得到融合后的行为数据xz(T)；
S44，对当前用户在体能课程过程中的所有行为时间序列进行分析，判断是否与相应的行为评估数据相匹配；
S45，针对每个不匹配的体能运动时段，获取同一体能课程同一体能运动时段中具有相同行为评估数据和有效第二行为时间序列段的其他用户的第一行为时间序列段，筛选得到与当前用户在该体能运动时段的第一行为时间序列段相似度最高的参考用户的第二行为时间序列段；
S46，采用参考用户的第二行为时间序列段对当前用户的行为数据xz进行修正，得到修正后的行为数据
Figure BDA0003403788410000031
S47，根据录入的包括用户衣着变化在内的体感评估数据，生成相应的修正因子，对体感数据fg(T)进行修正，得到修正后的体感数据
Figure BDA0003403788410000032
进一步地，步骤S6中，根据修正结果，生成并输出最终体能评估结果的过程包括以下步骤：
根据修正后的体感数据
Figure BDA0003403788410000033
和修正后的行为数据
Figure BDA0003403788410000034
，计算得到第一修正体能评估结果
Figure BDA0003403788410000035
进一步地，步骤S7中，根据用户的最终体能评估结果，对用户的体能课程进行优化的过程包括以下步骤：
S71，根据用户的最终体能评估结果
Figure BDA0003403788410000036
，根据下述公式计算用户体能指标与当前体能课程的适配值
Figure BDA0003403788410000037
Figure BDA0003403788410000038
式中，P0是当前体能课程对应的体能指标标准值集合；适配值用于反映用户从体能课程中获取的体能增益；R(·)是适配值计算函数，用户的最终体能评估结果
Figure BDA0003403788410000039
中包含的各项体能指标越偏离相应的体能指标标准值，该用户的体能指标与当前体能课程的适配值越低；
S72，对计算得到的适配值
Figure BDA00034037884100000310
进行判断，如果适配值满足最小允许适配值Rmin，维持当前体能课程，结束流程，否则，转入步骤S73；
S73，根据各个体能课程的最小体能指标阈值，筛选得到与用户体能指标相适配的体能课程，再计算得到用户体能指标与筛选出的体能课程的适配值，根据适配值对筛选出的体能课程进行排序，将排序结果推送给用户。
进一步地，步骤S7中，根据用户的最终体能评估结果，对用户的体能课程进行优化的过程包括以下步骤：
计算得到团体体能课程中每个用户的用户体能指标与当前体能课程的适配值
Figure BDA0003403788410000041
Figure BDA0003403788410000042
式中，q＝1，2，...，Q，Q是团体体能课程中的用户总数，P0是当前体能课程对应的体能指标标准值集合；适配值用于反映用户从体能课程中获取的体能增益；R(·)是适配值计算函数，
Figure BDA0003403788410000043
是第q个用户的最终体能评估结果，用户的最终体能评估结果
Figure BDA0003403788410000044
中包含的各项体能指标越偏离相应的体能指标标准值，该用户的体能指标与当前体能课程的适配值越低；
统计团体体能课程中所有用户的用户体能指标与当前体能课程的总适配值
Figure BDA0003403788410000045
Figure BDA0003403788410000046
对计算得到的总适配值
Figure BDA0003403788410000047
进行判断，如果适配值满足最小允许总适配值Rzmin，维持当前体能课程，结束流程，否则，根据各个体能课程的最小体能指标阈值，筛选得到与所有用户的用户体能指标相适配的体能课程，再计算得到所有用户的用户体能指标与筛选出的体能课程的总适配值，根据适配值对筛选出的体能课程进行排序，将排序结果推送给训练指导者。
进一步地，所述体能指标标准值根据所属体能课程的历史用户体能指标变化数据分析得到。
进一步地，根据所属体能课程的历史用户体能指标变化数据分析得到体能指标标准值的过程包括以下步骤：
S81，根据体能课程属性分析得到体能指标之间的相关性；
S82，选择其中一个体能指标
Figure BDA0003403788410000048
作为变量，根据相关性将未选择的其他体能指标的允许范围划分成M个参考组，得到标准矩阵
Figure BDA00034037884100000414
Figure BDA0003403788410000049
式中，n＝1，2，...，N，N是体能课程对应的体能指标总数；
Figure BDA00034037884100000410
是第m个参考组第n个体能指标的取值范围，m＝1，2，...，M；如果体能指标
Figure BDA00034037884100000411
与体能指标
Figure BDA00034037884100000412
的相关性小于预设相关性阈值，
Figure BDA00034037884100000413
取所属体能课程的该体能指标的最小体能指标阈值；
S83，结合所属体能课程的历史用户体能指标数据，以体能指标
Figure BDA0003403788410000051
为横轴、以单位训练时间该体能指标
Figure BDA0003403788410000052
的增长量作为纵轴，绘制M根选择变量的体能指标变化曲线，每根体能指标变化曲线对应一种参考组；
S84，将体能指标变化曲线的最高点的体能指标
Figure BDA0003403788410000053
的取值作为选择的体能指标相对于所属体能课程的体能指标标准值；
S85，重复步骤S82至步骤S84，直至分析得到所有体能指标的标准值。
本发明的有益效果是：
第一，本发明的基于体能验估的体能课程优化方法，集传感监控、自我校验和自我修复功能于一体，能够有效融合不同数据源对用户的体能指标进行评估，评估结果具有可靠性高、误判率小、全面性高等显著优点。
第二，本发明的基于体能验估的体能课程优化方法，提出了一种对体能课程的指标分析方法，在此基础上，能够结合用户的体能评估结果，从单人和群体两个角度对体能课程进行优化。
附图说明
图1是本发明的基于体能验估的体能课程优化方法流程图。
图2是本发明的融合修正流程示意图。
图3是本发明的课程优化流程示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
图1是本发明的基于体能验估的体能课程优化方法流程图。参见图1，该体能课程优化方法包括以下步骤：
S1，构建体能课程指标体系：根据体能课程特性，分析得到每个体能课程的体能指标，构建体能课程指标体系；所述体能指标包括三类：身体机能参数、运动机能参数和有效运动参数。
S2，采集用户体能评估数据：采用佩戴在用户身上的第一传感装置采集得到用户的体感数据fg(T)和第一行为数据x1(T)；采用分布安装在体能训练环境内部的第二传感装置采集得到用户的第二行为数据x2(T)；采用录入装置录入训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)。
S3，对用户体能进行初步评估：对用户的体感数据fg(T)和第一行为数据x1(T)进行处理，得到第一体能评估结果：
G1(T)＝Y1[fg(T)，x1(T)]＝{{ai(T)}，{bj(T)}，{ck(T)}}；
对用户的第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行处理，得到第二体能评估结果：
G2(T)＝Y2[x2(T)，Px(T)，Pg(T)]＝{{αi(T)}，{βj(T)}，{γk(T)}}；
式中，ai(T)和αi(T)分别是第i个身体机能参数的第一评估值和第二评估值，bj(T)和βj(T)分别是第j个运动机能参数的第一评估值和第二评估值，ck(T)和γk(T)分别是第k个有效运动参数的第一评估值和第二评估值，i＝1，2，...，I，j＝1，2，...，J，k＝1，2，...，K。
S4，验证评估结果：对第一体能评估结果G1(T)和第二体能评估结果G2(T)进行验证，如果两者的任意一个参数的评估值差值均在相应的允许差值范围内，结合第一体能评估结果G1(T)和第二体能评估结果G2(T)，生成并输出最终体能评估结果，转入步骤S7；否则，转入步骤S5。
S5，融合修正：采用融合修正模型，对体感数据fg(T)、第一行为数据x1(T)、第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行融合修正；该融合修正模型用于融合用户的第一行为数据x1(T)和第二行为数据x2(T)，得到融合后的行为数据xz(T)，再结合当前用户的体感评估数据Pg(T)和同一体能训练环境下所有用户的行为评估数据分别对当前用户的体感数据fg(T)和融合后的行为数据xz(T)进行修正。
S6，根据修正结果，生成并输出最终体能评估结果。
S7，根据用户的最终体能评估结果，对用户的体能课程进行优化。
为了便于说明，本实施例以在校学生作为用户对象，对上述实施例公开的一种基于体能验估的体能课程优化方法流程图的优选方案进行详细阐述。事实上，本实施例的体能课程优化方法也适用于健身中心等场所的健身群体，这类场所的共性是，一个训练指导者通常会对应数个或者数十个用户对象。
一、体能评估
体能是人体有效完成体力活动的身体能力，是心肺功能、肌肉力量、肌肉爆发力、肌肉耐力、平衡能力、柔韧性、敏捷性和身体组成等基本活动能力的综合表现。在此基础上，本实施例从以下三个方面对用户的体能进行评估：用于评估心肺功能、肌肉力量、肌肉爆发力和肌肉耐力等的身体机能相关参数，用于评估平衡能力、柔韧性和敏捷性等运动机能相关参数，以及只用于评估用户体能运动本身特性的有效运动相关参数(如动作完成度、动作完成成功率等)。在实际应用中，有效运动相关参数还会作为源数据之一计算得到部分身体机能相关参数和运动机能相关参数，例如，在一次篮球课程上，结合投篮动作的完成度可以更精确地计算得到用户对象的肌肉爆发力，结合心率数据还可以进一步得到心肺功能。因此，为了实现对用户体能的精确评价，有必要评估并存储相应的有效运动相关参数。需要说明的是，在本实施例中，不限定体能评估项目的具体类型以及体能评估途径，这部分内容并不是本发明所请求保护的技术内容。
为了实现基于不同数据源的体能评估结果之间的相互校验功能，本实施例中的第一体能评估结果和第二体能评估结果所包含的评估项是相同的。例如，第一体能评估结果为：
G1(T)＝[a1(T)，...，ai(T)，...，aI(T)，b1(T)，...，bj(T)，...，bJ(T)，c1(T)，...，ck(T)，...，cK(T)]。
第二体能评估结果为：
G2(T)＝[α1(T)，…，αi(T)，…，αI(T)，β1(T)，…，βj(T)，…，βJ(T)，γ1(T)，…，γk(T)，…，γK(T)]
式中，ai(T)和αi(T)分别是第i个身体机能参数的第一评估值和第二评估值，bj(T)和βj(T)分别是第j个运动机能参数的第一评估值和第二评估值，ck(T)和γk(T)分别是第k个有效运动参数的第一评估值和第二评估值。
本实施例的体能评估结果的参数可以根据实际需求自行调整，例如根据应用场景更加侧重于运动本身或者身体机能等等，或者根据能够采集到的数据源自行调整，但不会超出前述三个范围。
示例性地，体感数据fg(T)包括用户的体温数据、血压数据、心率数据和皮肤湿度数据；第一行为数据x1(T)包括用户的位移数据、姿态数据，以及根据用户的位移数据和姿态数据识别得到的以时间为横轴、行为数据为纵轴的第一行为时间序列。第二行为数据x2(T)包括用户的位置数据、用户的行为图像序列，以及根据用户的位置信息和行为图像序列识别得到的以时间为横轴、行为数据为纵轴的第二行为时间序列。
体感数据fg(T)可以由体温采集模块、血压采集模块、心率采集模块和湿度采集模块等传感设备采集得到。
第一行为数据x1(T)可以由位移传感器、六轴陀螺仪等采集得到；第一行为时间序列可以借由位移传感器发送的用户对象的位移数据、以及六轴陀螺仪发送的用户对象的姿态数据计算得到。第一行为时间序列能够直观反应用户对象的体能动作，如某时段用户对象持续跑动动作，结合位移数据还可以计算得到跑动速度和跑动距离；或者某时段用户对象持续跳绳，频率为60下/分等等。结合体感数据采集单元还可以得到用户在运动过程中的体温、出汗情况以及心率数据等等体感数据。通过对前述行为数据和体感数据进行处理，计算得到用户的身体机能相关参数、运动机能相关参数和有效运动相关参数。在本实施例中，可以综合采用现有技术中的各项体能评估算法得到第一体能评估结果。
第二行为数据x2(T)可以由定位设备、第一拍摄设备采集得到，具体的，定位设备用于跟踪用户的位置信息，第一拍摄设备用于拍摄用户的行为图像；第二行为时间序列可以借由定位设备发送的位置信息和第一拍摄设备发送的行为图像识别得到。用于采集第二行为数据x2(T)的定位设备、第一拍摄设备(统称为第二行为数据采集单元)与用于采集第一行为数据x1(T)的位移传感器、六轴陀螺仪(统称为第一行为数据采集单元)的安装方式存在着极大的差别，位移传感器、六轴陀螺仪是内置在可穿戴装备(如智能手环等)并且直接穿戴在用户身上的，而定位设备、第一拍摄设备是通过布设在体能训练环境下，直接获取更加直观的用户对象运动图像，再对用户对象运动图像进行识别，得到用户对象的行为序列。相对于第一行为数据采集单元，第二行为数据采集单元的识别结果更加精准，但容易出现盲区，例如用户被遮挡时无法采集图像等。
训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)可以通过输入外设直接输入，部分数据还可以借由指定拍摄设备等采集得到。行为评估数据Px(T)是训练指导者(如体育科目教师等)对用户的主观评估数据，训练指导者从综合角度给出的主观评估数据具有更强的专业性，但目前的体能训练环境，训练指导者只能断续(偶尔)给出综合性或者阶段性的主观评估数据，不可能做到持续输出。优选的，体感录入设备可以辅助采用指定拍摄设备、体温计或者输入外设等设备，通过拍摄用户的前后穿着，来判断用户是否增减衣物，实现对用户衣着变化在内的体感评估数据的快速录入。同样的，在本实施例中，也可以综合采用现有技术中的各项体能评估算法得到第二体能评估结果。
当第一体能评估结果G1(T)和第二体能评估结果G2(T)之间差异不大时，说明虽然采用了两种数据源，但是得到的结果一致，第一体能评估结果G1(T)和第二体能评估结果G2(T)的可信度很高，此时可以直接输出第一体能评估结果G1(T)或者第二体能评估结果G2(T)，也可以针对每种结果参数设置可信度评判条件，从第一体能评估结果G1(T)和第二体能评估结果G2(T)中逐一选择可信度更高的结果参数，生成最终体能评估结果。由于只需要分别处理其中一部分待评估数据，因此可以减轻运算负担，实现更好的实时性需求和轻量级需求。
当第一体能评估结果G1(T)和第二体能评估结果G2(T)之间差异较大且超出允许范围时，说明第一体能评估结果G1(T)和第二体能评估结果G2(T)中至少有一个可信度较低，需要继续再处理。而这种差异出现的最大原因就是数据源出现了偏差，因此需要对数据源进行修正融合，以生成更加精准的待评估数据。
二、融合修正过程
参见图2，步骤S4中，对体感数据fg(T)、第一行为数据x1(T)、第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行融合修正的过程包括以下步骤：
S41，根据行为类型和行为持续时间，提取第二行为时间序列中的有效体能行为序列段。
S42，以时间为基准，对齐第一行为时间序列和第二行为时间序列。
S43，采用提取到的第二行为时间序列中的有效体能行为序列段替换第一行为时间序列中相应的行为序列段，得到融合后的行为数据xz(T)。
S44，对当前用户在体能课程过程中的所有行为时间序列进行分析，判断是否与相应的行为评估数据相匹配。
S45，针对每个不匹配的体能运动时段，获取同一体能课程同一体能运动时段中具有相同行为评估数据和有效第二行为时间序列段的其他用户的第一行为时间序列段，筛选得到与当前用户在该体能运动时段的第一行为时间序列段相似度最高的参考用户的第二行为时间序列段。
S46，采用参考用户的第二行为时间序列段对当前用户的行为数据xz进行修正，得到修正后的行为数据
Figure BDA0003403788410000091
S47，根据录入的包括用户衣着变化在内的体感评估数据，生成相应的修正因子，对体感数据fg(T)进行修正，得到修正后的体感数据
Figure BDA0003403788410000092
第二行为数据采集单元是对用户对象运动图像进行识别，容易因被遮挡等原因出现盲区，但只要采集到有效运动数据(由图像能够识别到幅度明显的运动数据)，较之根据姿态和位移推算到的第一行为数据，其精确度更高。因此，能够体现有效运动数据的第二行为时间序列段相对于同一时间段的第一行为时间序列段更加精准。融合之后的行为时间序列的准确性可以由行为评估数据来判断，在此基础上再判断是否需要对融合之后的行为时间序列做进一步的修正，具体的，采用融合后的行为数据xz，对所有指定体能运动时段的行为时间序列进行分析，判断是否与相应的行为评估数据相匹配。
用户的训练过程具有明显的时段性，以学校为例，会在文化类课程中穿插多次运动环节以实现学习过程的动静结合，而对用户体能影响最大的就是体能运动环节(如体育课)，训练指导者通常会针对用户的体能运动过程给出专业性的行为评估数据，如一节体育课或者体能课后给出本节课中每个用户对象的训练效果。因此，本实施例借由训练指导者给出的行为评估数据来对融合后的行为时间序列的准确性做进一步的判断。例如，针对某用户对象，行为时间序列显示其在10:00～11:00的篮球课上表现一般，然而训练指导者却给出了较高的评价，这说明在数据采集过程中可以出现了部分数据的丢失(比如说部分运动过程因被遮挡拍摄不全，或者可穿戴装置松脱导致记录不完全等)。针对这一情况，就需要对融合后的行为数据进行修正。
行为数据的修正过程包括：针对每个不匹配的指定体能运动时段，获取同一指定体能运动时段具有相同行为评估数据和有效第二行为时间序列段的其他用户对象的第一行为时间序列段，筛选得到与当前用户对象在该指定体能运动时段的第一行为时间序列段相似度最高的参考用户对象的第二行为时间序列段。再采用参考用户对象的第二行为时间序列段对当前用户对象的行为数据xz进行修正，得到修正后的行为数据
Figure BDA0003403788410000093
。体能训练环境下的用户的行为具有集体性的特征，因此，可以借由同一场合下的其他用户对象的数据来修补缺失或者采集错误的行为时序段。
体感数据的修正过程包括：根据录入的包括用户衣着变化在内的体感评估数据，生成相应的修正因子，对体感数据fg(T)进行修正，得到修正后的体感数据
Figure BDA0003403788410000094
。例如，针对用户穿脱前后设置温度修正因子和湿度修正因子，对体感数据中的体温和湿度进行修正等。
在获取到修正数据之后，根据修正数据进行再处理，以获取更准确的体能评估结果。
示例性地，再处理过程可以采用以下两种方式：
第一种方式，直接对修正后的用户对象的体感数据
Figure BDA0003403788410000101
和行为数据
Figure BDA0003403788410000102
进行运算，将得到的第一修正体能评估结果
Figure BDA0003403788410000103
作为最终体能评估结果。
第二种方式，对修正后的用户对象的体感数据
Figure BDA0003403788410000104
和行为数据
Figure BDA0003403788410000105
进行运算，得到第一修正体能评估结果
Figure BDA0003403788410000106
再对行为评估数据Px(T)、体感评估数据Pg(T)和修正后的行为数据
Figure BDA0003403788410000107
进行运算，得到第二修正体能评估结果
Figure BDA0003403788410000108
再对生成的第一修正体能评估结果
Figure BDA0003403788410000109
和第二修正体能评估结果
Figure BDA00034037884100001010
进行比对，做补充验证。
第二种方式的精确性会更高，可以对修正后的体能评估结果再做验证。理论上还可以对采用的体能评估算法进行可靠性验证。
三、体能课程优化
示例性地，参见图3，针对单个用户，根据用户的最终体能评估结果，对用户的体能课程进行优化的过程包括以下步骤：
S71，根据用户的最终体能评估结果
Figure BDA00034037884100001011
根据下述公式计算用户体能指标与当前体能课程的适配值
Figure BDA00034037884100001012
Figure BDA00034037884100001013
式中，P0是当前体能课程对应的体能指标标准值集合；适配值用于反映用户从体能课程中获取的体能增益；R(·)是适配值计算函数，用户的最终体能评估结果
Figure BDA00034037884100001014
中包含的各项体能指标越偏离相应的体能指标标准值，该用户的体能指标与当前体能课程的适配值越低。
S72，对计算得到的适配值
Figure BDA00034037884100001015
进行判断，如果适配值满足最小允许适配值Rmin，维持当前体能课程，结束流程，否则，转入步骤S73。
S73，根据各个体能课程的最小体能指标阈值，筛选得到与用户体能指标相适配的体能课程，再计算得到用户体能指标与筛选出的体能课程的适配值，根据适配值对筛选出的体能课程进行排序，将排序结果推送给用户。
假设用户A参加了跑步俱乐部，通过跑步来锻炼自身心率和肌肉耐力。用户A在当前阶段适配的体能课程分为了三个等级，相应的体能指标包括心率、肌肉耐力等。在此情况下，可以通过评估用户A的心率、肌肉耐力，计算用户A的心率、肌肉耐力与当前等级的跑步课程的适配值，来判断用户A是否能够从当前等级的跑步课程中获得足够大的体能增益，如果不能，则再次计算用户A的心率、肌肉耐力与其他等级的跑步课程的适配值，将适配值更高的跑步课程推送给用户A，使用户A可以根据自身兴趣自由选择。
针对群体用户，根据用户的最终体能评估结果，对用户的体能课程进行优化的过程包括以下步骤：
计算得到团体体能课程中每个用户的用户体能指标与当前体能课程的适配值
Figure BDA0003403788410000111
Figure BDA0003403788410000112
式中，q＝1，2，...，Q，Q是团体体能课程中的用户总数，P0是当前体能课程对应的体能指标标准值集合；适配值用于反映用户从体能课程中获取的体能增益；R(·)是适配值计算函数，
Figure BDA0003403788410000113
是第q个用户的最终体能评估结果，用户的最终体能评估结果
Figure BDA0003403788410000114
中包含的各项体能指标越偏离相应的体能指标标准值，该用户的体能指标与当前体能课程的适配值越低。
统计团体体能课程中所有用户的用户体能指标与当前体能课程的总适配值
Figure BDA0003403788410000115
Figure BDA0003403788410000116
对计算得到的总适配值
Figure BDA0003403788410000117
进行判断，如果适配值满足最小允许总适配值Rzmin，维持当前体能课程，结束流程，否则，根据各个体能课程的最小体能指标阈值，筛选得到与所有用户的用户体能指标相适配的体能课程，再计算得到所有用户的用户体能指标与筛选出的体能课程的总适配值，根据适配值对筛选出的体能课程进行排序，将排序结果推送给训练指导者。
区别于单个用户，群体课程要考虑的是群体体能收益，而我们可以通过计算群体中的单个用户的体能收益来计算得到群体收益。在本实施例提供了更加精确的用户体能评估结果的基础上，训练指导者可以同时结合单个用户的体能收益和群体的总体能收益来优化体能课程选择。
优选的，前述体能指标标准值根据所属体能课程的历史用户体能指标变化数据分析得到。例如，根据所属体能课程的历史用户体能指标变化数据分析得到体能指标标准值的过程包括以下步骤：
S81，根据体能课程属性分析得到体能指标之间的相关性。
S82，选择其中一个体能指标
Figure BDA0003403788410000118
作为变量，根据相关性将未选择的其他体能指标的允许范围划分成M个参考组，得到标准矩阵
Figure BDA00034037884100001115
：
Figure BDA0003403788410000119
式中，n＝1，2，...，N，N是体能课程对应的体能指标总数；
Figure BDA00034037884100001110
是第m个参考组第n个体能指标的取值范围，m＝1，2，...，M；如果体能指标
Figure BDA00034037884100001111
与体能指标
Figure BDA00034037884100001112
的相关性小于预设相关性阈值，
Figure BDA00034037884100001113
取所属体能课程的该体能指标的最小体能指标阈值。
S83，结合所属体能课程的历史用户体能指标数据，以体能指标
Figure BDA00034037884100001114
为横轴、以单位训练时间该体能指标
Figure BDA0003403788410000121
的增长量作为纵轴，绘制M根选择变量的体能指标变化曲线，每根体能指标变化曲线对应一种参考组。
S84，将体能指标变化曲线的最高点的体能指标
Figure BDA0003403788410000122
的取值作为选择的体能指标相对于所属体能课程的体能指标标准值。
S85，重复步骤S82至步骤S84，直至分析得到所有体能指标的标准值。
同样以某跑步课程为例，假设该跑步课程涉及到心肺功能、肌肉耐力、动作完成度等多个体能指标，其中心率、动作完成度存在相关性，例如，动作完成度越高的用户，心率的单位增益越高。前述相关性可以结合课程特性和历史训练数据分析得到。
选择心率作为变量，假设根据相关性可以将动作完成度划分成30％-50％，50％-70％，70％-100％三个参考组，再根据划分好的参考组对该跑步课程的历史用户体能指标数据进行划分，分成三个历史数据组。以心率作为横轴，以单位训练时间内心率的增长量为纵轴，对三个历史数据组中的心率数据进行处理，得到三组心率变化曲线，三组心率变化曲线最高点的心率值就是该跑步课程心率指标的标准值，即该跑步课程的心率指标实际上包括三个标准值，在计算适配值时可以根据用户的动作完成度的取值选择相应的标准值。
前述跑步课程只是其中的一个例子，对于很多课程，可能会存在多个其他指标存在相关性或者不存在具有相关性的其他指标，对于前者，考虑到一个体能课程只会针对主要的有限个体能指标，仍然可以选择其中一个作为变量来逐个分析，对于后者，将其视为只有一个参考组即可。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于体能验估的体能课程优化方法，其特征在于，所述体能课程优化方法包括以下步骤：
S1，构建体能课程指标体系：根据体能课程特性，分析得到每个体能课程的体能指标，构建体能课程指标体系；所述体能指标包括三类：身体机能参数、运动机能参数和有效运动参数；
S2，采集用户体能评估数据：采用佩戴在用户身上的第一传感装置采集得到用户的体感数据fg(T)和第一行为数据x1(T)；采用分布安装在体能训练环境内部的第二传感装置采集得到用户的第二行为数据x2(T)；采用录入装置录入训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)；
S3，对用户体能进行初步评估：对用户的体感数据fg(T)和第一行为数据x1(T)进行处理，得到第一体能评估结果：
G1(T)＝Y1[fg(T)，x1(T)]＝{{ai(T)}，{bj(T)}，{ck(T)}}；
对用户的第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行处理，得到第二体能评估结果：
G2(T)＝Y2[x2(T)，Px(T)，Pg(T)]＝{{αi(T)}，{βj(T)}，{γk(T)}}；
式中，ai(T)和αi(T)分别是第i个身体机能参数的第一评估值和第二评估值，bj(T)和βj(T)分别是第j个运动机能参数的第一评估值和第二评估值，ck(T)和γk(T)分别是第k个有效运动参数的第一评估值和第二评估值，i＝1，2，...，I，j＝1，2，...，J，k＝1，2，...，K；
S4，验证评估结果：对第一体能评估结果G1(T)和第二体能评估结果G2(T)进行验证，如果两者的任意一个参数的评估值差值均在相应的允许差值范围内，结合第一体能评估结果G1(T)和第二体能评估结果G2(T)，生成并输出最终体能评估结果，转入步骤S7；否则，转入步骤S5；
S5，融合修正：采用融合修正模型，对体感数据fg(T)、第一行为数据x1(T)、第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行融合修正；该融合修正模型用于融合用户的第一行为数据x1(T)和第二行为数据x2(T)，得到融合后的行为数据xz(T)，再结合当前用户的体感评估数据Pg(T)和同一体能训练环境下所有用户的行为评估数据分别对当前用户的体感数据fg(T)和融合后的行为数据xz(T)进行修正；
S6，根据修正结果，生成并输出最终体能评估结果；
S7，根据用户的最终体能评估结果，对用户的体能课程进行优化。
2.根据权利要求1所述的基于体能验估的体能课程优化方法，其特征在于，步骤S2中，所述体感数据fg(T)包括用户的体温数据、血压数据、心率数据和皮肤湿度数据；所述第一行为数据x1(T)包括用户的位移数据、姿态数据，以及根据用户的位移数据和姿态数据识别得到的以时间为横轴、行为数据为纵轴的第一行为时间序列。
3.根据权利要求2所述的基于体能验估的体能课程优化方法，其特征在于，步骤S2中，所述第二行为数据x2(T)包括用户的位置数据、用户的行为图像序列，以及根据用户的位置信息和行为图像序列识别得到的以时间为横轴、行为数据为纵轴的第二行为时间序列。
4.根据权利要求3所述的基于体能验估的体能课程优化方法，其特征在于，步骤S4中，对体感数据fg(T)、第一行为数据x1(T)、第二行为数据x2(T)、训练指导者对用户的行为评估数据Px(T)和体感评估数据Pg(T)进行融合修正的过程包括以下步骤：
S41，根据行为类型和行为持续时间，提取第二行为时间序列中的有效体能行为序列段；
S42，以时间为基准，对齐第一行为时间序列和第二行为时间序列；
S43，采用提取到的第二行为时间序列中的有效体能行为序列段替换第一行为时间序列中相应的行为序列段，得到融合后的行为数据xz(T)；
S44，对当前用户在体能课程过程中的所有行为时间序列进行分析，判断是否与相应的行为评估数据相匹配；
S45，针对每个不匹配的体能运动时段，获取同一体能课程同一体能运动时段中具有相同行为评估数据和有效第二行为时间序列段的其他用户的第一行为时间序列段，筛选得到与当前用户在该体能运动时段的第一行为时间序列段相似度最高的参考用户的第二行为时间序列段；
S46，采用参考用户的第二行为时间序列段对当前用户的行为数据xz进行修正，得到修正后的行为数据
Figure FDA0003403788400000021
S47，根据录入的包括用户衣着变化在内的体感评估数据，生成相应的修正因子，对体感数据fg(T)进行修正，得到修正后的体感数据
Figure FDA0003403788400000022
5.根据权利要求4所述的基于体能验估的体能课程优化方法，其特征在于，步骤S6中，根据修正结果，生成并输出最终体能评估结果的过程包括以下步骤：
根据修正后的体感数据
Figure FDA0003403788400000023
和修正后的行为数据
Figure FDA0003403788400000024
计算得到第一修正体能评估结果
Figure FDA0003403788400000025
6.根据权利要求1所述的基于体能验估的体能课程优化方法，其特征在于，步骤S7中，根据用户的最终体能评估结果，对用户的体能课程进行优化的过程包括以下步骤：
S71，根据用户的最终体能评估结果
Figure FDA0003403788400000026
根据下述公式计算用户体能指标与当前体能课程的适配值
Figure FDA0003403788400000027
Figure FDA0003403788400000031
式中，P0是当前体能课程对应的体能指标标准值集合；适配值用于反映用户从体能课程中获取的体能增益；R(·)是适配值计算函数，用户的最终体能评估结果
Figure FDA0003403788400000032
中包含的各项体能指标越偏离相应的体能指标标准值，该用户的体能指标与当前体能课程的适配值越低；
S72，对计算得到的适配值
Figure FDA0003403788400000033
进行判断，如果适配值满足最小允许适配值Rmin，维持当前体能课程，结束流程，否则，转入步骤S73；
S73，根据各个体能课程的最小体能指标阈值，筛选得到与用户体能指标相适配的体能课程，再计算得到用户体能指标与筛选出的体能课程的适配值，根据适配值对筛选出的体能课程进行排序，将排序结果推送给用户。
7.根据权利要求1所述的基于体能验估的体能课程优化方法，其特征在于，步骤S7中，根据用户的最终体能评估结果，对用户的体能课程进行优化的过程包括以下步骤：
计算得到团体体能课程中每个用户的用户体能指标与当前体能课程的适配值
Figure FDA0003403788400000034
Figure FDA0003403788400000035
式中，q＝1，2，...，Q，Q是团体体能课程中的用户总数，P0是当前体能课程对应的体能指标标准值集合；适配值用于反映用户从体能课程中获取的体能增益；R(·)是适配值计算函数，
Figure FDA0003403788400000036
是第q个用户的最终体能评估结果，用户的最终体能评估结果
Figure FDA0003403788400000037
中包含的各项体能指标越偏离相应的体能指标标准值，该用户的体能指标与当前体能课程的适配值越低；
统计团体体能课程中所有用户的用户体能指标与当前体能课程的总适配值
Figure FDA0003403788400000038
Figure FDA0003403788400000039
对计算得到的总适配值
Figure FDA00034037884000000310
进行判断，如果适配值满足最小允许总适配值Rzmin，维持当前体能课程，结束流程，否则，根据各个体能课程的最小体能指标阈值，筛选得到与所有用户的用户体能指标相适配的体能课程，再计算得到所有用户的用户体能指标与筛选出的体能课程的总适配值，根据适配值对筛选出的体能课程进行排序，将排序结果推送给训练指导者。
8.根据权利要求6或者7所述的基于体能验估的体能课程优化方法，其特征在于，所述体能指标标准值根据所属体能课程的历史用户体能指标变化数据分析得到。
9.根据权利要求8所述的基于体能验估的体能课程优化方法，其特征在于，根据所属体能课程的历史用户体能指标变化数据分析得到体能指标标准值的过程包括以下步骤：
S81，根据体能课程属性分析得到体能指标之间的相关性；
S82，选择其中一个体能指标
Figure FDA00034037884000000311
作为变量，根据相关性将未选择的其他体能指标的允许范围划分成M个参考组，得到标准矩降
Figure FDA00034037884000000312
Figure FDA0003403788400000041
式中，n＝1，2，...，N，N是体能课程对应的体能指标总数；
Figure FDA0003403788400000042
是第m个参考组第n个体能指标的取值范围，m＝1，2，...，M；如果体能指标
Figure FDA0003403788400000043
与体能指标
Figure FDA0003403788400000044
的相关性小于预设相关性阈值，
Figure FDA0003403788400000045
取所属体能课程的该体能指标的最小体能指标阈值；
S83，结合所属体能课程的历史用户体能指标数据，以体能指标
Figure FDA0003403788400000046
为横轴、以单位训练时间该体能指标
Figure FDA0003403788400000047
的增长量作为纵轴，绘制M根选择变量的体能指标变化曲线，每根体能指标变化曲线对应一种参考组；
S84，将体能指标变化曲线的最高点的体能指标
Figure FDA0003403788400000048
的取值作为选择的体能指标相对于所属体能课程的体能指标标准值；
S85，重复步骤S82至步骤S84，直至分析得到所有体能指标的标准值。
CN202111514466.XA 2021-12-10 2021-12-10 一种基于体能验估的体能课程优化方法 Active CN114049048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111514466.XA CN114049048B (zh) 2021-12-10 2021-12-10 一种基于体能验估的体能课程优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111514466.XA CN114049048B (zh) 2021-12-10 2021-12-10 一种基于体能验估的体能课程优化方法

Publications (2)

Publication Number Publication Date
CN114049048A true CN114049048A (zh) 2022-02-15
CN114049048B CN114049048B (zh) 2023-04-18

Family

ID=80212563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111514466.XA Active CN114049048B (zh) 2021-12-10 2021-12-10 一种基于体能验估的体能课程优化方法

Country Status (1)

Country Link
CN (1) CN114049048B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114098677A (zh) * 2021-12-10 2022-03-01 汉朗科技(北京)有限责任公司 一种基于双数据源的青少年体能验控系统
CN114822143A (zh) * 2022-06-29 2022-07-29 深圳前海壹路科技有限公司 军事训练智能考核管理系统和方法
CN115779395A (zh) * 2022-12-01 2023-03-14 西南医科大学 一种体育运动体能训练分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197784A (zh) * 2017-12-20 2018-06-22 广州创显科教股份有限公司 一种基于多源异构数据融合的走班制排课算法
US20190192912A1 (en) * 2017-12-27 2019-06-27 J-Mex Inc. Method and system of planning fitness course parameters
CN110598770A (zh) * 2019-08-30 2019-12-20 华中师范大学 一种多空间融合学习环境构建方法和装置
WO2021237345A1 (en) * 2020-05-25 2021-12-02 Luc Bessette Human-centric health record system and related methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197784A (zh) * 2017-12-20 2018-06-22 广州创显科教股份有限公司 一种基于多源异构数据融合的走班制排课算法
US20190192912A1 (en) * 2017-12-27 2019-06-27 J-Mex Inc. Method and system of planning fitness course parameters
CN110598770A (zh) * 2019-08-30 2019-12-20 华中师范大学 一种多空间融合学习环境构建方法和装置
WO2021036117A1 (zh) * 2019-08-30 2021-03-04 华中师范大学 一种多空间融合学习环境构建方法和装置
WO2021237345A1 (en) * 2020-05-25 2021-12-02 Luc Bessette Human-centric health record system and related methods

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴朱艳等: ""互联网+体育"大数据研究热点演进及趋势分析", 《体育科学研究》 *
张魏磊: "中国女子职业高尔夫球员体能训练体系的构建研究", 《中国优秀硕士学位论文全文数据库（电子期刊）社会科学Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114098677A (zh) * 2021-12-10 2022-03-01 汉朗科技(北京)有限责任公司 一种基于双数据源的青少年体能验控系统
CN114822143A (zh) * 2022-06-29 2022-07-29 深圳前海壹路科技有限公司 军事训练智能考核管理系统和方法
CN115779395A (zh) * 2022-12-01 2023-03-14 西南医科大学 一种体育运动体能训练分析方法及系统

Also Published As

Publication number Publication date
CN114049048B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN114049048B (zh) 一种基于体能验估的体能课程优化方法
US11699523B2 (en) Adaptive athletic activity prescription systems
Hughes et al. Essentials of performance analysis in sport
O'Donoghue An introduction to performance analysis of sport
CN105453128A (zh) 便携式计算设备以及对从其捕捉的个人数据的分析
US20110276153A1 (en) Method and system for facilitating golf swing instruction
CN116561589B (zh) 一种基于智能穿戴设备的考勤训练管理方法及系统
CN114822763A (zh) 一种运动数据驱动的个性化运动处方推荐方法
CN102548470B (zh) 通过分类分析感知测试数据
Su et al. The effect of physical training of athletes based on parametric bayesian estimation in the context of big data
CN114098677B (zh) 一种基于双数据源的青少年体能验控系统
CN115147768A (zh) 一种跌倒风险评估方法及系统
Hande et al. Correction and Estimation of Workout Postures with Pose Estimation using AI
CN114973048A (zh) 康复动作的纠正方法、装置、电子设备及可读介质
CN117390401B (zh) 一种基于云平台的校园体育数字化管理系统和方法
US20220080262A1 (en) Method and apparatus to generate motion data of a barbell and to process the generated motion data
Fister Jr et al. SportyDataGen: an online generator of endurance sports activity collections
Op De BeÊck Data Science Approaches for the Analysis and Interpretation of Training Load Data of Athletes
Shepherd et al. Smart Measurement Technology for Quantifying Performance in Sport
CN111863190A (zh) 定制化运动装备及运动方案生成系统
Guarnieri et al. Enhancing Load Evaluation in Intelligent Tutoring Systems Through Velocity-Based Training
CN117854725A (zh) 用于可穿戴设备的疲劳度检测方法及装置、可穿戴设备
KR20230024470A (ko) 경기력 향상 방법 및 서비스 플랫폼
Ding et al. Deep Learning Based Rope Skipping Evaluation and Training System
Mayerhofer Wearable sensors, artificial neural networks, and feedback control in sports and health technology

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