CN115779395B - 一种体育运动体能训练分析方法及系统 - Google Patents
一种体育运动体能训练分析方法及系统 Download PDFInfo
- Publication number
- CN115779395B CN115779395B CN202211539083.2A CN202211539083A CN115779395B CN 115779395 B CN115779395 B CN 115779395B CN 202211539083 A CN202211539083 A CN 202211539083A CN 115779395 B CN115779395 B CN 115779395B
- Authority
- CN
- China
- Prior art keywords
- physical
- data
- data set
- comprehensive
- model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 103
- 238000004458 analytical method Methods 0.000 title claims abstract description 74
- 230000036314 physical performance Effects 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013499 data model Methods 0.000 claims description 62
- 230000007105 physical stamina Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010050031 Muscle strain Diseases 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Abstract
本发明公开一种体育运动体能训练分析方法及系统。所述系统包括多个体能传感器、运动者设备和云平台;多个体能传感器用于采集体育运动过程中的体能指标数据;运动者设备用于采集反馈数据;云平台用于接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;根据采集的体能指标数据和反馈数据计算综合体能值;确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目。采用本发明提供的体育运动体能训练分析方法及系统,能够提高体能训练分析的精确度,为运动者提供出最适合的体能训练项目,提高体能训练安全性。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种体育运动体能训练分析方法及系统。
背景技术
体能是通过力量、速度、耐力、协调、柔韧、灵敏等运动素质表现出来的人体基本的运动能力,是运动员竞技能力的重要构成因素。体能水平的高低与人体的形态学特征以及人体的机能特征有着密切的相关。
体能训练分析是对运动者身体运动能力现实状态的评定,是体能训练的逻辑起点,通过体能测试获得运动者体能信息。体能评价作为对运动者体能基本状态的反映,不仅对教练员制定体能训练计划起着重要作用,而且是教练员确定运动员体能训练内容的重要依据。
然而现有的体能训练分析一般都是由教练员根据运动者的身体情况进行经验判断,而不同工作经验的教练员所具备的经验判断力是不同的,所以很难精确的为不同运动者提供最适合的训练项目,导致在训练中容易出现因项目不适合而出现肌肉拉伤等情况。基于此,本发明提出一种体育运动体能训练分析方法及系统。
发明内容
本发明提供了一种体育运动体能训练分析方法,包括:
接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;
根据采集的体能指标数据和反馈数据计算综合体能值;
确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目。
如上所述的一种体育运动体能训练分析方法,其中,在进行体能训练时,由运动者在身体不同位置佩戴体能传感器,每个部位的体能传感器采集运动者身体不同部位的体能指标数据。
如上所述的一种体育运动体能训练分析方法,其中,每个体能传感器通过物联网将对应采集的体能指标数据发送至云平台进行体能训练分析。
如上所述的一种体育运动体能训练分析方法,其中,接收运动者上传的反馈数据,填写体能训练过程中的反馈评分,反馈评分的项目与体能传感器采集项目相同。
如上所述的一种体育运动体能训练分析方法,其中,根据采集的体能指标数据集和反馈数据集计算综合体能值,具体包括:
将体能指标数据集和反馈数据集进行统一量纲处理;
将统一量纲后的体能指标数据集和反馈数据集进行综合,得到综合数据集;
计算综合数据集的综合体能值。
本发明还提供一种体育运动体能训练分析系统,包括多个体能传感器、运动者设备和云平台;
多个体能传感器用于采集体育运动过程中的体能指标数据;
运动者设备用于采集反馈数据;
云平台用于接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;根据采集的体能指标数据和反馈数据计算综合体能值;确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目。
如上所述的一种体育运动体能训练分析系统,其中,在进行体能训练时,由运动者在身体不同位置佩戴体能传感器,每个部位的体能传感器采集运动者身体不同部位的体能指标数据。
如上所述的一种体育运动体能训练分析系统,其中,每个体能传感器通过物联网将对应采集的体能指标数据发送至云平台进行体能训练分析。
如上所述的一种体育运动体能训练分析系统,其中,运动者设备接收运动者上传的反馈数据,填写体能训练过程中的反馈评分,反馈评分的项目与体能传感器采集项目相同。
如上所述的一种体育运动体能训练分析系统,其中,云平台根据采集的体能指标数据集和反馈数据集计算综合体能值,具体用于:将体能指标数据集和反馈数据集进行统一量纲处理;将统一量纲后的体能指标数据集和反馈数据集进行综合,得到综合数据集;计算综合数据集的综合体能值。
本发明实现的有益效果如下:采用本发明提供的体育运动体能训练分析方法及系统,能够提高体能训练分析的精确度,为运动者提供出最适合的体能训练项目,提高体能训练安全性。
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,下面将对实施例或现有技术描述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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种体育运动体能训练分析方法流程图;
图2是本发明实施例二提供的一种体育运动体能训练分析装置示意图。
具体实施方式
下面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。
实施例一
参见图1,本发明实施例一提供一种体育运动体能训练分析方法,包括:
步骤110、接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;
在为某一运动者提供最适合的体能项目推荐时,需要对该运动者进行体能训练分析,找到当前最适合该运动者的体能项目。在进行体能训练时,由运动者在身体不同位置佩戴体能传感器,包括但不限于在手部、腿部、腰部、头部等,每个部位的体能传感器采集运动者身体不同部位的体能指标数据。例如,手部体能传感器采集手臂力量、心率、血压等,腿部体能传感器采集腿部肌肉力量,腰部体能传感器采集腰部柔韧度,头部体能传感器采集运动中的脑电波等。每个体能传感器通过物联网将对应采集的体能指标数据发送至云平台进行体能训练分析。
同时,为了保证体能训练分析的准确性,除了通过体能传感器向云平台发送体能指标数据外,还包括接收运动者上传的反馈数据,例如填写体能训练过程中的反馈评分,反馈评分的项目与体能传感器采集项目相同,但按照五级评分标准1~5分,由运动者进行打分,例如反馈评分中对应手臂体能传感器的项目为腿部酸胀程度。
步骤120、根据采集的体能指标数据和反馈数据计算综合体能值;
具体地,在计时时间段T开始,体能传感器A1、A2、…Ai、…An采集的数据发送到云平台后,云平台汇总所有体能传感器体能指标数据,得到体能指标数据集A={(x11…x1m)…(xi1…xim)…(xn1…xnm)},其中,x11为计时时间段T内体能传感器A1采集的第1个体能指标,x1m为计时时间段T内体能传感器A1采集的第m个体能指标,xi1为计时时间段T内体能传感器Ai采集的第1个体能指标,xim为计时时间段T内体能传感器Ai采集的第m个体能指标,xn1为计时时间段T内体能传感器An采集的第1个体能指标,xnm为计时时间段T内体能传感器An采集的第m个体能指标,n为体能传感器的数量,m为采集的体能指标数量。
以及,云平台接收运动者设备上传的反馈数据,组成反馈数据集B={y1,y2,…yi,…ym},其中,y1为运动者上传的第1个反馈数据,y2为运动者上传的第2个反馈数据,yi为运动者上传的第i个反馈数据,ym为运动者上传的第m个反馈数据。
本申请实施例中,根据采集的体能指标数据集和反馈数据集计算综合体能值,具体包括:
步骤121、将体能指标数据集和反馈数据集进行统一量纲处理;
由于云平台接收到的体能指标数据集和反馈数据集的量纲不同,所以先要将体能指标数据集和反馈数据集统一量纲,例如采用归一化将体能指标数据集和反馈数据集都统一至0~1的数据。
步骤122、将统一量纲后的体能指标数据集和反馈数据集进行综合,得到综合数据集;
云平台采用公式将体能指标数据集和反馈数据集进行综合,得到综合数据集,其中,Si为综合数据集的第i个综合数据,λ1和λ2分别为体能指标数据集和反馈数据集对综合数据集的影响权重,xij为体能指标数据集中第i个体能传感器采集的第j个体能指标数据。
经上述步骤,得到综合数据集S={S1,S2,…Si,…Sn},其中,S1为第一个体能传感器对应的综合数据集,S2为第二个体能传感器对应的综合数据集,Si为第i个体能传感器对应的综合数据集,Sn为第n个体能传感器对应的综合数据集。
步骤123、计算综合数据集的综合体能值;
具体地,采用公式计算综合数据集的综合体能值,其中,T为综合体能值,Si为综合数据集中的第i个综合数据,τi为综合数据集中第i个综合数据的影响因子,/>为误差项,/> 为综合数据集的均值。
本申请实施例中,在每一次计算完综合体能值之后,将本次采集和处理得到的综合数据集进行存储,作为标准体能分析模型的训练数据,以提高该模型的精度。
步骤130、确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目;
由于不同属性的运动者所具备的体能标准值不同,所以需要对不同属性设定不同的模型来确定对应的体能标准值,对于不同体能标准值的范围设定相应的体能项目。
具体地,云平台预先根据历史体能数据构建标准体能分析模型,具体包括:
步骤131、获取存储的历史体能综合数据集;
在云平台中预先存储有大量历史体能综合数据集,这些数据集用于训练体能分析模型,原始数据的来源包括模型创建时提前输入的多组数据,如各运动馆上传的数据等,还包括测试运动者体能的采集数据,即上述步骤中所存储的数据,数据量越大,模型的精确度越高。
步骤132、将历史体能综合数据集进行分组,将每一组历史体能综合数据集输入多种数据模型进行训练,输出对应的模型最优解;
本申请实施例中,历史体能综合数据集中按照运动者体能进行分组,例如可以按照体能训练的时长进行分组,例如按0、1~2、3~6、7~10、11~15…个月的训练时长进行分组,0表示没有进行过体能训练的运动者,1~2为进行过1到2个月的体能训练运动者,依次类推,将每一组历史体能综合数据集分别输入不同的数据模型中进行训练,输出每组中全部模型的最优解。
对于标准体能分析模型的构建采用了多种数据模型ψK(S),包括但不限于机器学习模型、K-means模型、聚类模型、神经网络模型等。数据模型的选择可以根据需要自行设定,例如选择四种数据模型进行模型训练,将大量的历史体能综合数据集输入这四种数据模型中,每种模型输出其对应的最优解。
步骤133、根据模型最优解得到各数据模型的权重集合;
具体地,每个数据模型输出的最优解分别为γ1,γ2,…γk,…γK,γ1为第一个数据模型的最优解,γ2为第二个数据模型的最优解,γk为第k个数据模型的最优解,γK为第K个数据模型的最优解,k的取值为1到K,K为数据模型总数。计算所有模型最优解的均值根据模型最优解与均值的偏差/>确定各数据模型对应的权重集合{φ1,φ2,…φk,φK},/>
步骤134、根据多种数据模型与权重集合确定体能分析模型;
具体地,通过各个数据模型{ψ1(S)、ψ2(S)、ψk(S)......ψK(S)}和其对应的权重集合{φ1,φ2,…φk,φK}组合确定体能分析模型为
经上述计算得到不同组的体能分析模型,不同组的体能分析模型对应不同运动周期的体能标准值,为不同的体能标准值提供相对应的体能训练项目。每一次的体能分析之后,将对应的综合数据集经上述步骤131-134进行模型训练,用以更新数据模型,提高模型精确度。
实施例二
如图2所示,本发明实施例二提供一种体育运动体能训练分析系统2,包括:多个体能传感器21(包括体能传感器211、212…21n)、运动者设备22和云平台23。
多个体能传感器21用于采集体育运动过程中的体能指标数据;
在为某一运动者提供最适合的体能项目推荐时,需要对该运动者进行体能训练分析,找到当前最适合该运动者的体能项目。在进行体能训练时,由运动者在身体不同位置佩戴体能传感器,包括但不限于在手部、腿部、腰部、头部等,每个部位的体能传感器采集运动者身体不同部位的体能指标数据。例如,手部体能传感器采集手臂力量、心率、血压等,腿部体能传感器采集腿部肌肉力量,腰部体能传感器采集腰部柔韧度,头部体能传感器采集运动中的脑电波等。每个体能传感器通过物联网将对应采集的体能指标数据发送至云平台进行体能训练分析。
运动者设备22用于采集反馈数据;
为了保证体能训练分析的准确性,除了通过体能传感器向云平台发送体能指标数据外,还包括接收运动者上传的反馈数据,例如填写体能训练过程中的反馈评分,反馈评分的项目与体能传感器采集项目相同,但按照五级评分标准1~5分,由运动者进行打分,例如反馈评分中对应手臂体能传感器的项目为腿部酸胀程度。
云平台23用于接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;根据采集的体能指标数据和反馈数据计算综合体能值;确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目。
具体地,在计时时间段T开始,体能传感器A1、A2、…Ai、…An采集的数据发送到云平台后,云平台汇总所有体能传感器体能指标数据,得到体能指标数据集A={(x11…x1m)…(xi1…xim)…(xn1…xnm)},其中,x11为计时时间段T内体能传感器A1采集的第1个体能指标,x1m为计时时间段T内体能传感器A1采集的第m个体能指标,xi1为计时时间段T内体能传感器Ai采集的第1个体能指标,xim为计时时间段T内体能传感器Ai采集的第m个体能指标,xn1为计时时间段T内体能传感器An采集的第1个体能指标,xnm为计时时间段T内体能传感器An采集的第m个体能指标,n为体能传感器的数量,m为采集的体能指标数量。
以及,云平台接收运动者设备上传的反馈数据,组成反馈数据集B={y1,y2,…yi,…ym},其中,y1为运动者上传的第1个反馈数据,y2为运动者上传的第2个反馈数据,yi为运动者上传的第i个反馈数据,ym为运动者上传的第m个反馈数据。
本申请实施例中,云平台根据采集的体能指标数据集和反馈数据集计算综合体能值,具体用于将体能指标数据集和反馈数据集进行统一量纲处理;将统一量纲后的体能指标数据集和反馈数据集进行综合,得到综合数据集;计算综合数据集的综合体能值;
由于云平台接收到的体能指标数据集和反馈数据集的量纲不同,所以先要将体能指标数据集和反馈数据集统一量纲,例如采用归一化将体能指标数据集和反馈数据集都统一至0~1的数据。
云平台采用公式将体能指标数据集和反馈数据集进行综合,得到综合数据集,其中,Si为综合数据集的第i个综合数据,λ1和λ2分别为体能指标数据集和反馈数据集对综合数据集的影响权重,xij为体能指标数据集中第i个体能传感器采集的第j个体能指标数据。
经上述步骤,得到综合数据集S={S1,S2,…Si,…Sn},其中,S1为第一个体能传感器对应的综合数据集,S2为第二个体能传感器对应的综合数据集,Si为第i个体能传感器对应的综合数据集,Sn为第n个体能传感器对应的综合数据集。
采用公式计算综合数据集的综合体能值,其中,T为综合体能值,Si为综合数据集中的第i个综合数据,τi为综合数据集中第i个综合数据的影响因子,为误差项,/> 为综合数据集的均值。
本申请实施例中,在每一次计算完综合体能值之后,将本次采集和处理得到的综合数据集进行存储,作为标准体能分析模型的训练数据,以提高该模型的精度。
由于不同属性的运动者所具备的体能标准值不同,所以需要对不同属性设定不同的模型来确定对应的体能标准值,对于不同体能标准值的范围设定相应的体能项目。
具体地,云平台预先根据历史体能数据构建标准体能分析模型,具体用于:
获取存储的历史体能综合数据集;在云平台中预先存储有大量历史体能综合数据集,这些数据集用于训练体能分析模型,原始数据的来源包括模型创建时提前输入的多组数据,如各运动馆上传的数据等,还包括测试运动者体能的采集数据,即上述步骤中所存储的数据,数据量越大,模型的精确度越高。
将历史体能综合数据集进行分组,将每一组历史体能综合数据集输入多种数据模型进行训练,输出对应的模型最优解;本申请实施例中,历史体能综合数据集中按照运动者体能进行分组,例如可以按照体能训练的时长进行分组,例如按0、1~2、3~6、7~10、11~15…个月的训练时长进行分组,0表示没有进行过体能训练的运动者,1~2为进行过1到2个月的体能训练运动者,依次类推,将每一组历史体能综合数据集分别输入不同的数据模型中进行训练,输出每组中全部模型的最优解。
对于标准体能分析模型的构建采用了多种数据模型ψK(S),包括但不限于机器学习模型、K-means模型、聚类模型、神经网络模型等。数据模型的选择可以根据需要自行设定,例如选择四种数据模型进行模型训练,将大量的历史体能综合数据集输入这四种数据模型中,每种模型输出其对应的最优解。
根据模型最优解得到各数据模型的权重集合;具体地,每个数据模型输出的最优解分别为γ1,γ2,…γk,…γK,γ1为第一个数据模型的最优解,γ2为第二个数据模型的最优解,γk为第k个数据模型的最优解,γK为第K个数据模型的最优解,k的取值为1到K,K为数据模型总数。计算所有模型最优解的均值根据模型最优解与均值的偏差/>确定各数据模型对应的权重集合{φ1,φ2,…φk,φK},/>
根据多种数据模型与权重集合确定体能分析模型;具体地,通过各个数据模型{ψ1(S)、ψ2(S)、ψk(S)......ψK(S)}和其对应的权重集合{φ1,φ2,…φk,φK}组合确定体能分析模型为
经上述计算得到不同组的体能分析模型,不同组的体能分析模型对应不同运动周期的体能标准值,为不同的体能标准值提供相对应的体能训练项目。每一次的体能分析之后,将对应的综合数据集进行模型训练,用以更新数据模型,提高模型精确度。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种体育运动体能训练分析方法,其特征在于,包括:
接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;
根据采集的体能指标数据和反馈数据计算综合体能值;
确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目;
根据采集的体能指标数据集和反馈数据集计算综合体能值,具体包括:
步骤121、将体能指标数据集和反馈数据集进行统一量纲处理;
步骤122、将统一量纲后的体能指标数据集和反馈数据集进行综合,得到综合数据集;云平台采用公式将体能指标数据集和反馈数据集进行综合,得到综合数据集,其中,Si为综合数据集的第i个综合数据,λ1和λ2分别为体能指标数据集和反馈数据集对综合数据集的影响权重,xij为体能指标数据集中第i个体能传感器采集的第j个体能指标数据;经上述步骤,得到综合数据集S={S1,S2,…Si,…Sn},其中,S1为第一个体能传感器对应的综合数据集,S2为第二个体能传感器对应的综合数据集,Si为第i个体能传感器对应的综合数据集,Sn为第n个体能传感器对应的综合数据集;
步骤123、计算综合数据集的综合体能值;采用公式计算综合数据集的综合体能值,其中,T为综合体能值,Si为综合数据集中的第i个综合数据,τi为综合数据集中第i个综合数据的影响因子,/>为误差项,/> 为综合数据集的均值;
云平台预先根据历史体能数据构建标准体能分析模型,具体包括:
步骤131、获取存储的历史体能综合数据集;
步骤132、将历史体能综合数据集进行分组,将每一组历史体能综合数据集输入多种数据模型进行训练,输出对应的模型最优解;对于标准体能分析模型的构建采用了多种数据模型ψK(S),将大量的历史体能综合数据集输入数据模型中,每种模型输出其对应的最优解;
步骤133、根据模型最优解得到各数据模型的权重集合;每个数据模型输出的最优解分别为γ1,γ2,…γk,…γK,γ1为第一个数据模型的最优解,γ2为第二个数据模型的最优解,γk为第k个数据模型的最优解,γK为第K个数据模型的最优解,k的取值为1到K,K为数据模型总数;计算所有模型最优解的均值根据模型最优解与均值的偏差/>确定各数据模型对应的权重集合{φ1,φ2,…φk,φK},/>
步骤134、根据多种数据模型与权重集合确定体能分析模型;通过各个数据模型{ψ1(S)、ψ2(S)、ψk(S)......ψK(S)}和其对应的权重集合{φ1,φ2,…φk,φK}组合确定体能分析模型为
经上述计算得到不同组的体能分析模型,不同组的体能分析模型对应不同运动周期的体能标准值,为不同的体能标准值提供相对应的体能训练项目;每一次的体能分析之后,将对应的综合数据集经上述步骤131-134进行模型训练,用以更新数据模型,提高模型精确度。
2.如权利要求1所述的一种体育运动体能训练分析方法,其特征在于,在进行体能训练时,由运动者在身体不同位置佩戴体能传感器,每个部位的体能传感器采集运动者身体不同部位的体能指标数据。
3.如权利要求1所述的一种体育运动体能训练分析方法,其特征在于,每个体能传感器通过物联网将对应采集的体能指标数据发送至云平台进行体能训练分析。
4.如权利要求1所述的一种体育运动体能训练分析方法,其特征在于,接收运动者上传的反馈数据,填写体能训练过程中的反馈评分,反馈评分的项目与体能传感器采集项目相同。
5.一种体育运动体能训练分析系统,其特征在于,包括多个体能传感器、运动者设备和云平台;
多个体能传感器用于采集体育运动过程中的体能指标数据;
运动者设备用于采集反馈数据;
云平台用于接收体能传感器采集的体育运动过程中的体能指标数据和运动者设备上传的反馈数据;根据采集的体能指标数据和反馈数据计算综合体能值;确定综合体能值所在的体能标准值范围,查找该体能标准值所对应的体能训练项目;
根据采集的体能指标数据集和反馈数据集计算综合体能值,具体包括:
步骤121、将体能指标数据集和反馈数据集进行统一量纲处理;
步骤122、将统一量纲后的体能指标数据集和反馈数据集进行综合,得到综合数据集;云平台采用公式将体能指标数据集和反馈数据集进行综合,得到综合数据集,其中,Si为综合数据集的第i个综合数据,λ1和λ2分别为体能指标数据集和反馈数据集对综合数据集的影响权重,xij为体能指标数据集中第i个体能传感器采集的第j个体能指标数据;经上述步骤,得到综合数据集S={S1,S2,…Si,…Sn},其中,S1为第一个体能传感器对应的综合数据集,S2为第二个体能传感器对应的综合数据集,Si为第i个体能传感器对应的综合数据集,Sn为第n个体能传感器对应的综合数据集;
步骤123、计算综合数据集的综合体能值;采用公式计算综合数据集的综合体能值,其中,T为综合体能值,Si为综合数据集中的第i个综合数据,τi为综合数据集中第i个综合数据的影响因子,/>为误差项,/> 为综合数据集的均值;
云平台预先根据历史体能数据构建标准体能分析模型,具体包括:
步骤131、获取存储的历史体能综合数据集;
步骤132、将历史体能综合数据集进行分组,将每一组历史体能综合数据集输入多种数据模型进行训练,输出对应的模型最优解;对于标准体能分析模型的构建采用了多种数据模型ψK(S),将大量的历史体能综合数据集输入数据模型中,每种模型输出其对应的最优解;
步骤133、根据模型最优解得到各数据模型的权重集合;每个数据模型输出的最优解分别为γ1,γ2,…γk,…γK,γ1为第一个数据模型的最优解,γ2为第二个数据模型的最优解,γk为第k个数据模型的最优解,γK为第K个数据模型的最优解,k的取值为1到K,K为数据模型总数;计算所有模型最优解的均值根据模型最优解与均值的偏差/>确定各数据模型对应的权重集合{φ1,φ2,…φk,φK},/>
步骤134、根据多种数据模型与权重集合确定体能分析模型;通过各个数据模型{ψ1(S)、ψ2(S)、ψk(S)......ψK(S)}和其对应的权重集合{φ1,φ2,…φk,φK}组合确定体能分析模型为
经上述计算得到不同组的体能分析模型,不同组的体能分析模型对应不同运动周期的体能标准值,为不同的体能标准值提供相对应的体能训练项目;每一次的体能分析之后,将对应的综合数据集经上述步骤131-134进行模型训练,用以更新数据模型,提高模型精确度。
6.如权利要求5所述的一种体育运动体能训练分析系统,其特征在于,在进行体能训练时,由运动者在身体不同位置佩戴体能传感器,每个部位的体能传感器采集运动者身体不同部位的体能指标数据。
7.如权利要求5所述的一种体育运动体能训练分析系统,其特征在于,每个体能传感器通过物联网将对应采集的体能指标数据发送至云平台进行体能训练分析。
8.如权利要求5所述的一种体育运动体能训练分析系统,其特征在于,运动者设备接收运动者上传的反馈数据,填写体能训练过程中的反馈评分,反馈评分的项目与体能传感器采集项目相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211539083.2A CN115779395B (zh) | 2022-12-01 | 一种体育运动体能训练分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211539083.2A CN115779395B (zh) | 2022-12-01 | 一种体育运动体能训练分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115779395A CN115779395A (zh) | 2023-03-14 |
CN115779395B true CN115779395B (zh) | 2024-06-11 |
Family
ID=
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07285500A (ja) * | 1994-04-18 | 1995-10-31 | Natl Space Dev Agency Japan<Nasda> | 空間識適応の訓練方法及び訓練装置 |
CN102333574A (zh) * | 2009-01-29 | 2012-01-25 | 耐克国际有限公司 | 一种运动能力评级系统 |
JP2012178056A (ja) * | 2011-02-25 | 2012-09-13 | Toshiba Tec Corp | トレーニング装置、プログラムおよびトレーニングシステム |
CN106388766A (zh) * | 2015-07-30 | 2017-02-15 | 虹映科技股份有限公司 | 利用心率回复率量测体能状态的方法与装置 |
CN107737439A (zh) * | 2017-10-18 | 2018-02-27 | 徐�明 | 一种进阶式体能训练系统及方法 |
CN108805405A (zh) * | 2018-05-02 | 2018-11-13 | 浙江建设职业技术学院 | 一种教学评价系统及其构建方法 |
CN108888282A (zh) * | 2018-04-25 | 2018-11-27 | 杭州聚陆医疗器械有限公司 | 一种智能的呼吸肌功能评估反馈训练系统及其使用方法 |
CN109192269A (zh) * | 2018-09-04 | 2019-01-11 | 中科院合肥技术创新工程院 | 一种基于云平台的青少年运动健康管理系统 |
CN111191907A (zh) * | 2019-12-24 | 2020-05-22 | 嘉兴恒创电力设计研究院有限公司 | 一种基于层次分析法的综合能源站能效评估方法 |
CN111370089A (zh) * | 2020-03-03 | 2020-07-03 | 郑州铁路职业技术学院 | 一种体育训练系统 |
CN111554403A (zh) * | 2020-05-01 | 2020-08-18 | 上海健康医学院 | 一种基于体能评估的生活管理平台及管理方法 |
CN114049048A (zh) * | 2021-12-10 | 2022-02-15 | 汉朗科技(北京)有限责任公司 | 一种基于体能验估的体能课程优化方法 |
CN114225354A (zh) * | 2021-12-18 | 2022-03-25 | 郑州大学体育学院 | 一种武术训练智能分析方法、系统及存储介质 |
CN114495594A (zh) * | 2021-12-23 | 2022-05-13 | 中国科学院自动化研究所 | 线上体育项目自适应训练方法和装置 |
CN114642424A (zh) * | 2022-03-22 | 2022-06-21 | 北京蓝田医疗设备有限公司 | 一种基于体感交互技术的体能评估方法和装置 |
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07285500A (ja) * | 1994-04-18 | 1995-10-31 | Natl Space Dev Agency Japan<Nasda> | 空間識適応の訓練方法及び訓練装置 |
CN102333574A (zh) * | 2009-01-29 | 2012-01-25 | 耐克国际有限公司 | 一种运动能力评级系统 |
JP2012178056A (ja) * | 2011-02-25 | 2012-09-13 | Toshiba Tec Corp | トレーニング装置、プログラムおよびトレーニングシステム |
CN106388766A (zh) * | 2015-07-30 | 2017-02-15 | 虹映科技股份有限公司 | 利用心率回复率量测体能状态的方法与装置 |
CN107737439A (zh) * | 2017-10-18 | 2018-02-27 | 徐�明 | 一种进阶式体能训练系统及方法 |
CN108888282A (zh) * | 2018-04-25 | 2018-11-27 | 杭州聚陆医疗器械有限公司 | 一种智能的呼吸肌功能评估反馈训练系统及其使用方法 |
CN108805405A (zh) * | 2018-05-02 | 2018-11-13 | 浙江建设职业技术学院 | 一种教学评价系统及其构建方法 |
CN109192269A (zh) * | 2018-09-04 | 2019-01-11 | 中科院合肥技术创新工程院 | 一种基于云平台的青少年运动健康管理系统 |
CN111191907A (zh) * | 2019-12-24 | 2020-05-22 | 嘉兴恒创电力设计研究院有限公司 | 一种基于层次分析法的综合能源站能效评估方法 |
CN111370089A (zh) * | 2020-03-03 | 2020-07-03 | 郑州铁路职业技术学院 | 一种体育训练系统 |
CN111554403A (zh) * | 2020-05-01 | 2020-08-18 | 上海健康医学院 | 一种基于体能评估的生活管理平台及管理方法 |
CN114049048A (zh) * | 2021-12-10 | 2022-02-15 | 汉朗科技(北京)有限责任公司 | 一种基于体能验估的体能课程优化方法 |
CN114225354A (zh) * | 2021-12-18 | 2022-03-25 | 郑州大学体育学院 | 一种武术训练智能分析方法、系统及存储介质 |
CN114495594A (zh) * | 2021-12-23 | 2022-05-13 | 中国科学院自动化研究所 | 线上体育项目自适应训练方法和装置 |
CN114642424A (zh) * | 2022-03-22 | 2022-06-21 | 北京蓝田医疗设备有限公司 | 一种基于体感交互技术的体能评估方法和装置 |
Non-Patent Citations (1)
Title |
---|
田径短跑运动员体能训练方法的现状及对策研究;王磊;;大众标准化;20200722(14);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Camomilla et al. | Trends supporting the in-field use of wearable inertial sensors for sport performance evaluation: A systematic review | |
CN108665956A (zh) | 体能和肌肉能力的综合评估系统及方法 | |
CN107803013A (zh) | 智能运动健康数据采集系统 | |
CN108079554B (zh) | 一种运动测试型身体素质指标评价方法及系统 | |
US11413501B2 (en) | Method and system of planning fitness courses | |
AU2021202003B2 (en) | Methods and systems for bicycle fitting | |
CN114822763A (zh) | 一种运动数据驱动的个性化运动处方推荐方法 | |
CN105205765A (zh) | 老年人运动能力评估模型 | |
Hindle et al. | A systematic review of the biomechanical research methods used in strongman studies | |
WO2021217947A1 (zh) | 手柄类运动计数方法及终端 | |
CN109830279B (zh) | 动态调整式私人教练系统 | |
Nikulin et al. | Comparative characteristics of special strength fitness rates in armwrestlers of different weight categories and skill levels | |
CN207401111U (zh) | 智能运动健康数据采集系统 | |
CN115779395B (zh) | 一种体育运动体能训练分析方法及系统 | |
Song et al. | Pattern recognition characteristics and neural mechanism of basketball players’ dribbling tactics based on artificial intelligence and deep learning | |
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 | |
CN115779395A (zh) | 一种体育运动体能训练分析方法及系统 | |
CN114870364B (zh) | 健身器械控制方法、健身器械及存储介质 | |
Yen et al. | Feature Fusion-Based Deep Learning Network to Recognize Table Tennis Actions. | |
Perić et al. | Kinematic and dynamic stroke variables of elite and sub-elite rowers | |
Ryguła et al. | Diagnostic sources of information on sports result determinants in young powerlifting athletes | |
Beato et al. | Fitness assessment in football | |
Djuric et al. | Sensitivity of the novel two-point force-velocity model: An assessment of leg muscle mechanical capacities | |
CN108565022B (zh) | 一种建立儿童成长评估模型的方法 | |
CN114241603B (zh) | 基于可穿戴设备的毽球动作识别与水平等级评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |