CN115708949A - 一种校园蹦床智能化监测装置及监测方法 - Google Patents
一种校园蹦床智能化监测装置及监测方法 Download PDFInfo
- Publication number
- CN115708949A CN115708949A CN202211488002.0A CN202211488002A CN115708949A CN 115708949 A CN115708949 A CN 115708949A CN 202211488002 A CN202211488002 A CN 202211488002A CN 115708949 A CN115708949 A CN 115708949A
- Authority
- CN
- China
- Prior art keywords
- module
- node
- motion data
- trampoline
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000012806 monitoring device Methods 0.000 title claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims abstract description 71
- 238000007405 data analysis Methods 0.000 claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000036541 health Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 21
- 238000005295 random walk Methods 0.000 claims description 20
- 238000010295 mobile communication Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种校园蹦床智能化监测装置及监测方法，该装置包括运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块、电源模块数据、计算机数据分析模块，运动数据采集模块将信号输送给运动数据处理模块，运动数据处理模块将信号输送给与无线数据传输模块、显示模块，电源模块分别给上述模块供电，无线数据传输模块将信号传输给计算机数据分析模块；该方法包括实时采集运动数据并进行信号处理，并显示蹦床课堂训练情况，计算机数据分析模块对接收的信号进行数据分析，评估运动人员的健康状况，并根据健康状况推荐健身指导课程。本发明解决了现有技术中蹦床不能监测运动人员运动数据及根据健康状况进行健身指导课程推荐的问题。
Description
技术领域
本发明涉及智能监测技术领域，特别是涉及一种校园蹦床智能化监测装置及监测方法。
背景技术
国家一直重视青少年的学习和体育锻炼协调发展，在这种体教融合背景下，陆续有学校引进蹦床运动项目，把“蹦床”作为体育育人的重要手段。现有技术中的蹦床缺少智能化监测设备，不能监测运动人员的运动数据，进一步对运动人员健康状况做出评价，并可视化评价结果，在大数据时代，采用知识图谱和人工智能算法可以充分挖掘项目之间的关系，对蹦床运动人员根据自身健康状况进行个性化运动项目和课程的精准推荐，提升校园蹦床的智能化水平。
发明内容
发明目的：本发明的目的是提供一种能对蹦床运动人员运动数据提取并监测，根据健康状况进行健身指导课程推荐的校园蹦床智能化监测装置及监测方法。
技术方案：为实现上述目的，本发明所述的校园蹦床智能化监测装置，包括运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块、电源模块数据、计算机数据分析模块，所述的运动数据采集模块将信号输送给运动数据处理模块，运动数据处理模块将信号输送给与无线数据传输模块、显示模块，电源模块分别给运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块供电，无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信，将信号传输到计算机数据分析模块。
使用该装置的校园蹦床智能化监测方法，包括以下步骤：
S1：运动数据采集模块实时采集运动数据，包括运动速度、力度、轨迹、心率、次数，数据处理模块对采集的运动数据进行信号调理、模数转换，转换成显示模块和无线传输模块能够接收的信号，同时显示模块显示蹦床课堂、训练情况；
S2：无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信，将运动数据传输到计算机数据分析模块进行数据分析，评估运动人员的健康状况；
S3：计算机数据分析模块根据数据分析结果，个性化推荐健身指导课程。
所述步骤S2无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信，将运动数据传输到计算机数据分析模块进行数据分析，评估运动人员的健康状况，包括以下子步骤：
S201：对采集到的运动数据进行数据清洗、转换和集成处理；
S202：对运动数据进行特征提取和识别，比对设定的运动人员健康状况数据标准值；
S203：对运动人员健康状况做出评价，并可视化评价结果。
所述步骤S3计算机数据分析模块根据数据分析结果，个性化推荐健身指导课程，采用的是基于随机游走和知识图谱的个性化推荐算法，包括以下步骤：
S301：采集到的运动数据包括运动速度、力度、轨迹、心率、次数的特征进行提取；
S302：对提取的特征进行初始化随机游走序列并置空；
S303：更新随机游走次数；
S304：计算从一个节点跳转到另一个节点的最优转移概率；
S305：使用随机梯度下降算法输出重构知识图谱序列向量；
S306：构建邻接矩阵，对运动人员健康状况做出评估。
S307：使用欧几里得距离计算节点之间的相似度，进行推荐健身指导课程。
所述步骤S303更新随机游走次数，具体为：当节点度小于k时候，根据公式更新随机游走次数：
其中N为统一的游走次数，Dmax为节点度的最大值，当前节点k的度数为Dk，影响力阈值为ε。
所述步骤S304计算从一个节点跳转到另一个节点的最优转移概率，包括：给出最优化目标函数和约束条件；进一步计算每一个节点的访问率，最终计算出最优转移概率。
所述的最优化目标函数和约束条件，具体为：
先给出最优化目标函数和约束条件：
其中，
表示离散概率质量
表示路径概率，pi(t)表示路径集合概率分布，
表示路径
的代价率，J0表示相对熵率，
表示使用参考路径随机游走的转移概率
时，路径
的似然估计值，
利用拉格朗日乘数法可以求得：
定义图的分配函数为：
计算出图中路径的最小自由能量率为：
所述的进一步计算每一个节点的访问率，最终计算出最优转移概率，具体为：
每一个节点的访问率为：
其中
表示经过边(k,l)所期望的通过率，
其中
Succ(k)表示节点k后续节点的集合，根据最优转移概率选择随机游走的下一跳节点。
有益效果：本发明具有如下优点：1、本发明将智能化监测装置应用到校园蹦床上，克服了传统蹦床缺乏智能化监测设备的弊端，为青少年运动人员提供了一款智能化蹦床设备；
2、本发明所述的校园蹦床智能化监测方法，采用最优概率的随机游走和知识图谱技术进行课程精准推荐，提升了课程推荐的准确率，使用游走序列进行图结构额邻接矩阵的构建，最大程度的保留了知识图谱的拓扑信息，使得模型更具有普适性，且游走策略采用最优化的概率选择下一跳节点，提升推荐结果的准确性和精准度；
3、本发明的无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信与方法进行无线数据传输，提高了监测装置的传输效率，提升了蹦床的智能化水平。
附图说明
图1是本发明的装置结构示意图；
图2是本发明的方法流程图；
图3是本发明的基于随机游走和知识图谱的个性化推荐算法流程图。
具体实施方式
下面结合实施例和附图对本发明的技术方案作详细说明。
如图1所示，校园蹦床智能化监测装置，包括运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块、电源模块数据、计算机数据分析模块，所述的运动数据采集模块将信号输送给运动数据处理模块，运动数据处理模块将信号输送给与无线数据传输模块、显示模块，电源模块分别给运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块供电，无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信，将信号传输到计算机数据分析模块。
如图2所示，使用该装置的校园蹦床智能化监测方法，包括以下步骤：
S1：运动数据采集模块实时采集运动数据，包括运动速度、力度、轨迹、心率、次数，数据处理模块对采集的运动数据进行信号调理、模数转换，转换成显示模块和无线传输模块能够接收的信号，同时显示模块显示蹦床课堂、训练情况；
S2：无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信，将运动数据传输到计算机数据分析模块进行数据分析，评估运动人员的健康状况；
S3：计算机数据分析模块根据数据分析结果，个性化推荐健身指导课程。
所述步骤S2无线数据传输模块通过NB-IoT(NarrowedBand-InternetofThings，NB-IoT)、WiFi与5G移动通信，将运动数据传输到计算机数据分析模块进行数据分析，评估运动人员的健康状况，包括以下子步骤：
S201：对采集到的运动数据进行数据清洗、转换和集成处理；
S202：对运动数据进行特征提取和识别，比对设定的运动人员健康状况数据标准值；
S203：对运动人员健康状况做出评价，并可视化评价结果。
如图3所示，所述步骤S3计算机数据分析模块根据数据分析结果，个性化推荐健身指导课程，采用的是基于随机游走和知识图谱的个性化推荐算法，包括以下步骤：
S301：采集到的运动数据包括运动速度、力度、轨迹、心率、次数的特征进行提取；
S302：对提取的特征进行初始化随机游走序列并置空；
S303：更新随机游走次数；
S304：计算从一个节点跳转到另一个节点的最优转移概率；
S305：使用随机梯度下降算法输出重构知识图谱序列向量；
S306：构建邻接矩阵，对运动人员健康状况做出评估。
S307：使用欧几里得距离计算节点之间的相似度，进行推荐健身指导课程。
所述步骤S303更新随机游走次数，具体为：当节点度小于k时候，根据公式更新随机游走次数：
其中N为统一的游走次数，Dmax为节点度的最大值，当前节点k的度数为Dk，影响力阈值为ε。
所述步骤S304计算从一个节点跳转到另一个节点的最优转移概率，包括：给出最优化目标函数和约束条件；进一步计算每一个节点的访问率，最终计算出最优转移概率。
所述的最优化目标函数和约束条件，具体为：
先给出最优化目标函数和约束条件：
其中，
表示离散概率质量，
表示路径概率，pi(t)表示路径集合概率分布，
表示路径
的代价率，J0表示相对熵率，
表示使用参考路径随机游走的转移概率
时，路径
的似然估计值，
利用拉格朗日乘数法可以求得：
定义图的分配函数为：
计算出图中路径的最小自由能量率为：
所述的进一步计算每一个节点的访问率，最终计算出最优转移概率，具体为：
每一个节点的访问率为：
其中
表示经过边(k,l)所期望的通过率，
其中
Succ(k)表示节点k后续节点的集合，根据最优转移概率选择随机游走的下一跳节点。
具体工作流程为：运动数据采集模块采集运动人员的运动速度、力度、运动轨迹、心率和次数运动参数；数据处理模块对采集的数据进行信号调理、模数转换，转换成显示模块和无线传输模块能够接收的信号；运动人员的运动速度、力度、运动轨迹、心率和次数运动参数可以实时在显示模块显示；运动参数也可以通过无线传输模块在NB-IoT、WiFi或5G无线通信技术的支撑下，实现远程信息传输给计算机数据分析模块。在该方法中，可以实时显示蹦床课堂、训练情况，也可以根据运动人员的运动参数评估他们的健康状况，根据评估结果，最终实现个性化健身课程指导项目的精准推荐，为运动人员制定一套更全面、更精准的体育运动方案提供了科学依据。
Claims (8)
1.一种校园蹦床智能化监测装置，其特征在于：包括运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块、电源模块数据、计算机数据分析模块，所述的运动数据采集模块将信号输送给运动数据处理模块，运动数据处理模块将信号输送给与无线数据传输模块、显示模块，电源模块分别给运动数据采集模块、运动数据处理模块、无线数据传输模块、显示模块供电，无线数据传输模块通过NB-IoT、WiFi与5G移动通信，将信号传输到计算机数据分析模块。
2.一种使用权利要求1所述装置的校园蹦床智能化监测方法，其特征在于：包括以下步骤：
S1：运动数据采集模块实时采集运动数据，包括运动速度、力度、轨迹、心率、次数，数据处理模块对采集的运动数据进行信号调理、模数转换，转换成显示模块和无线传输模块能够接收的信号，同时显示模块显示蹦床课堂、训练情况；
S2：无线数据传输模块通过NB-IoT-、WiFi与5G移动通信，将运动数据传输到计算机数据分析模块进行数据分析，评估运动人员的健康状况；
S3：计算机数据分析模块根据数据分析结果，个性化推荐健身指导课程。
3.根据权利要求2所述的校园蹦床智能化监测方法，其特征在于：所述步骤S2无线数据传输模块通过NB-IoT、WiFi与5G移动通信，将运动数据传输到计算机数据分析模块进行数据分析，评估运动人员的健康状况，包括以下子步骤：
S201：对采集到的运动数据进行数据清洗、转换和集成处理；
S202：对运动数据进行特征提取和识别，比对设定的运动人员健康状况数据标准值；
S203：对运动人员健康状况做出评价，并可视化评价结果。
4.根据权利要求2所述的校园蹦床智能化监测方法，其特征在于：所述步骤S3计算机数据分析模块根据数据分析结果，个性化推荐健身指导课程，采用的是基于随机游走和知识图谱的个性化推荐算法，包括以下步骤：
S301：采集到的运动数据包括运动速度、力度、轨迹、心率、次数的特征进行提取；
S302：对提取的特征进行初始化随机游走序列并置空；
S303：更新随机游走次数；
S304：计算从一个节点跳转到另一个节点的最优转移概率；
S305：使用随机梯度下降算法输出重构知识图谱序列向量；
S306：构建邻接矩阵，对运动人员健康状况做出评估。
S307：使用欧几里得距离计算节点之间的相似度，进行推荐健身指导课程。
5.根据权利要求4所述的校园蹦床智能化监测方法，其特征在于：所述步骤S303更新随机游走次数，具体为：当节点度小于k时候，根据公式更新随机游走次数：
其中N为统一的游走次数，Dmax为节点度的最大值，当前节点k的度数为Dk，影响力阈值为ε。
6.根据权利要求5所述的校园蹦床智能化监测方法，其特征在于：所述步骤S304计算从一个节点跳转到另一个节点的最优转移概率，包括：给出最优化目标函数和约束条件；进一步计算每一个节点的访问率，最终计算出最优转移概率。
7.根据权利要求6所述的校园蹦床智能化监测方法，其特征在于：所述的最优化目标函数和约束条件，具体为：
先给出最优化目标函数和约束条件：
其中，
表示离散概率质量，
表示路径概率，pi(t)表示路径集合概率分布，
表示路径
的代价率，J0表示相对熵率，
表示使用参考路径随机游走的转移概率
时，路径
的似然估计值，
并且满足以下关系：
利用拉格朗日乘数法求得：
定义图的分配函数为：
计算出图中路径的最小自由能量率为：
8.根据权利要求6所述的校园蹦床智能化监测方法，其特征在于：所述的进一步计算每一个节点的访问率，最终计算出最优转移概率，具体为：
每一个节点的访问率为：
其中
表示经过边(k,l)所期望的通过率，
表示每个节点的访问率，其中
表示边(k,l)出现在路径
中的次数，
表示节点k沿着路径
访问次数，Pred(l)表示节点l的前任节点集合，δil/t表示在t＝0时刻初始节点i初始访问不计入同一表达式的第一项，最终计算出最优转移概率为：
其中
Succ(k)表示节点k后续节点的集合，根据最优转移概率选择随机游走的下一跳节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211488002.0A CN115708949B (zh) | 2022-11-25 | 2022-11-25 | 一种校园蹦床智能化监测装置及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211488002.0A CN115708949B (zh) | 2022-11-25 | 2022-11-25 | 一种校园蹦床智能化监测装置及监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115708949A true CN115708949A (zh) | 2023-02-24 |
| CN115708949B CN115708949B (zh) | 2024-08-16 |
Family
ID=85234727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211488002.0A Active CN115708949B (zh) | 2022-11-25 | 2022-11-25 | 一种校园蹦床智能化监测装置及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115708949B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110105859A1 (en) * | 2009-04-24 | 2011-05-05 | Advanced Brain Monitoring, Inc. | Adaptive Performance Trainer |
| CN202410090U (zh) * | 2011-11-28 | 2012-09-05 | 宋雅伟 | 蹦床运动动态监测系统 |
| CN205923078U (zh) * | 2016-07-15 | 2017-02-08 | 浙江鞋泰乐健康科技有限公司 | 一种智能广场舞鞋 |
| CN106683380A (zh) * | 2017-01-12 | 2017-05-17 | 牡丹江师范学院 | 一种体育活动监测系统 |
| CN108014457A (zh) * | 2017-12-26 | 2018-05-11 | 苏州英派斯健康管理有限公司 | 一种基于数据监测的健身训练指导系统 |
| CN111643877A (zh) * | 2020-07-10 | 2020-09-11 | 安阳师范学院 | 一种用于竞技体操跳步辅助训练的装置 |
| KR20210002933A (ko) * | 2019-07-01 | 2021-01-11 | 남기호 | 스마트 트램폴린 및 스마트 트램폴린을 이용한 건강관리 시스템 |
| KR102202803B1 (ko) * | 2019-07-09 | 2021-01-14 | 이응곤 | 스마트 트램펄린을 이용한 인공지능 운동 서비스 시스템 |
| CN113144540A (zh) * | 2021-03-12 | 2021-07-23 | 华南理工大学 | 一种智能安全健身指导装置、系统及方法 |
-
2022
- 2022-11-25 CN CN202211488002.0A patent/CN115708949B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110105859A1 (en) * | 2009-04-24 | 2011-05-05 | Advanced Brain Monitoring, Inc. | Adaptive Performance Trainer |
| CN202410090U (zh) * | 2011-11-28 | 2012-09-05 | 宋雅伟 | 蹦床运动动态监测系统 |
| CN205923078U (zh) * | 2016-07-15 | 2017-02-08 | 浙江鞋泰乐健康科技有限公司 | 一种智能广场舞鞋 |
| CN106683380A (zh) * | 2017-01-12 | 2017-05-17 | 牡丹江师范学院 | 一种体育活动监测系统 |
| CN108014457A (zh) * | 2017-12-26 | 2018-05-11 | 苏州英派斯健康管理有限公司 | 一种基于数据监测的健身训练指导系统 |
| KR20210002933A (ko) * | 2019-07-01 | 2021-01-11 | 남기호 | 스마트 트램폴린 및 스마트 트램폴린을 이용한 건강관리 시스템 |
| KR102202803B1 (ko) * | 2019-07-09 | 2021-01-14 | 이응곤 | 스마트 트램펄린을 이용한 인공지능 운동 서비스 시스템 |
| CN111643877A (zh) * | 2020-07-10 | 2020-09-11 | 安阳师范学院 | 一种用于竞技体操跳步辅助训练的装置 |
| CN113144540A (zh) * | 2021-03-12 | 2021-07-23 | 华南理工大学 | 一种智能安全健身指导装置、系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115708949B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110478883B (zh) | 一种健身动作教学及矫正系统及方法 | |
| CN103116893B (zh) | 基于多示例多标记学习的数字图像标注方法 | |
| CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| CN111210111B (zh) | 一种基于在线学习与众包数据分析的城市环境评估方法和系统 | |
| CN106267774A (zh) | 运动状态识别方法和装置 | |
| CN113537040A (zh) | 一种基于半监督学习的时序行为检测方法及系统 | |
| CN105629198A (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
| CN117056452B (zh) | 知识点学习路径构建方法、装置、设备以及存储介质 | |
| CN108211268A (zh) | 基于运动训练数据的运动负荷监测与运动疲劳预警方法和系统 | |
| CN106250712A (zh) | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 | |
| CN112365708A (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
| CN111513723A (zh) | 运动姿态监测方法、调整方法、装置和终端 | |
| CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
| CN106611153A (zh) | 一种智能球训练动作识别系统及方法 | |
| CN113704373B (zh) | 基于移动轨迹数据的用户识别方法、装置及存储介质 | |
| CN114861917A (zh) | 贝叶斯小样本学习的知识图谱推理模型、系统及推理方法 | |
| CN114741614A (zh) | 一种基于位置编码器和时空嵌入的位置推荐方法 | |
| CN110263250A (zh) | 一种推荐模型的生成方法及装置 | |
| CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
| CN109543893A (zh) | 异构信息网络关系预测方法、可读存储介质和终端 | |
| CN115708949A (zh) | 一种校园蹦床智能化监测装置及监测方法 | |
| CN117058756A (zh) | 老年人群膝关节动作识别方法 | |
| Zhuang et al. | TAU: Trajectory Data Augmentation with Uncertainty for Next POI Recommendation | |
| CN116186561A (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 |
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 |