CN116350203A - 一种体质测试数据处理方法及系统 - Google Patents
一种体质测试数据处理方法及系统 Download PDFInfo
- Publication number
- CN116350203A CN116350203A CN202310638454.0A CN202310638454A CN116350203A CN 116350203 A CN116350203 A CN 116350203A CN 202310638454 A CN202310638454 A CN 202310638454A CN 116350203 A CN116350203 A CN 116350203A
- Authority
- CN
- China
- Prior art keywords
- test
- model
- data
- correction
- exertion
- 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
- 238000013031 physical testing Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 159
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims description 71
- 230000005477 standard model Effects 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 210000000577 adipose tissue Anatomy 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 210000003205 muscle Anatomy 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000000988 bone and bone Anatomy 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013102 re-test Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005067 remediation Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007586 pull-out test Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及智能体测技术领域,具体公开了一种体质测试数据处理方法及系统,所述方法包括基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;根据所述人体模型生成各测试项目的预测数据;接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正。本发明根据预设的设备预先获取待检人员的体征数据,根据所述体征数据生成一个预测成绩,由预测成绩判断测试成绩的发挥程度,根据所述发挥程度可以判断测试成绩的真实性以及有效性,进而组织复测,有效地扩充了补救空间。
Description
技术领域
本发明涉及智能体测技术领域,具体是一种体质测试数据处理方法及系统。
背景技术
体质顾名思义是指人体的质量,是人体健康状况和对外界的适应能力。它是在遗传性和获得性基础上表现出来的人体形态结构、生理功能和心理因素的综合的、相对稳定的特征。
在现有的很多场合,需要对相关人员进行体质测试,这些测试有的是选拔性测试,有的是非选拔性测试,现有的测试过程大都有一个共同特征,就是其决定性,一次测试就决定了测试成绩,很难有补救的机会。
实际上,对于非选拔性的体质测试场合,比如入职测试,可以存有一定的补救空间,提高测试成绩的真实性;如何提供合适的补救空间是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种体质测试数据处理方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种体质测试数据处理方法,所述方法包括:
基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;
根据所述人体模型生成各测试项目的预测数据;
接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;
根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正。
作为本发明进一步的方案:所述基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型的步骤包括:
基于预设的检测设备获取待检人员的性别、身高和体重;
根据所述性别、身高和体重选取标准模型;
基于预设的检测设备获取待检人员各部位的体脂率,根据所述体脂率对所述标准模型进行一级修正;
基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正;
其中,一级修正过程修正标准模型中的肌肉模型;二级修正过程修正标准模型中的骨骼模型。
作为本发明进一步的方案:所述基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正的步骤包括:
基于预设的检测设备实时获取待检人员的载荷信息;所述载荷信息为含有载荷点位的载荷参数;
根据预设的频率采集待检人员的人员图像,根据时间信息建立人员图像与载荷信息之间的连接关系;
对所述载荷信息进行筛选,在人员图像中选取目标图像;
对所述目标图像进行识别,得到轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正。
作为本发明进一步的方案:所述根据所述人体模型生成各测试项目的预测数据的步骤包括:
建立与历史测试数据库的连接通道,获取各人体模型对应的测试数据,建立训练集;所述测试数据以测试项目为索引;
根据所述训练集训练神经网络模型,得到以测试项目为索引的应用模型;
将人体模型输入各测试项目的应用模型中,得到预测数据。
作为本发明进一步的方案:所述接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度的步骤包括:
接收工作人员输入的各测试项目的测试成绩,计算所述测试成绩与所述预测数据的差异率;
统计所述差异率,根据各测试项目之间的相关度对所述差异率进行自修正;所述相关度为预设值;
统计自修正后的差异率,得到待检人员的发挥度;
其中,所述差异率含有符号;所述发挥度为百分比矩阵,用于表征用户的发挥程度。
作为本发明进一步的方案:所述根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正的步骤包括:
根据所述发挥度在预设的动态场景库中选取动态场景;
基于预设的采集设备实时采集用户的反应参数,根据所述反应参数判断所述测试成绩的异常值;
将所述异常值与预设的异常阈值进行比对,根据比对结果生成修正方案;
其中,所述修正方案至少包括含有环境参数的重测方案。
本发明技术方案还提供了一种体质测试数据处理系统,所述系统包括:
人体模型建立模块,用于基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;
预测数据生成模块,用于根据所述人体模型生成各测试项目的预测数据;
发挥度计算模块,用于接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;
测试成绩修正模块,用于根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正。
作为本发明进一步的方案:所述人体模型建立模块包括:
信息获取单元,用于基于预设的检测设备获取待检人员的性别、身高和体重;
标准模型选取单元,用于根据所述性别、身高和体重选取标准模型;
一级修正单元,用于基于预设的检测设备获取待检人员各部位的体脂率,根据所述体脂率对所述标准模型进行一级修正;
二级修正单元,用于基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正;
其中,一级修正过程修正标准模型中的肌肉模型;二级修正过程修正标准模型中的骨骼模型。
作为本发明进一步的方案:所述预测数据生成模块包括:
训练集建立单元,用于建立与历史测试数据库的连接通道,获取各人体模型对应的测试数据,建立训练集;所述测试数据以测试项目为索引;
模型训练单元,用于根据所述训练集训练神经网络模型,得到以测试项目为索引的应用模型;
模型应用单元,用于将人体模型输入各测试项目的应用模型中,得到预测数据。
作为本发明进一步的方案:所述发挥度计算模块包括:
差异率计算单元,用于接收工作人员输入的各测试项目的测试成绩,计算所述测试成绩与所述预测数据的差异率;
自修正单元,用于统计所述差异率,根据各测试项目之间的相关度对所述差异率进行自修正;所述相关度为预设值;
数据统计单元,用于统计自修正后的差异率,得到待检人员的发挥度;
其中,所述差异率含有符号;所述发挥度为百分比矩阵,用于表征用户的发挥程度。
与现有技术相比,本发明的有益效果是:本发明根据预设的设备预先获取待检人员的体征数据,根据所述体征数据生成一个预测成绩,由预测成绩判断测试成绩的发挥程度,根据所述发挥程度可以判断测试成绩的真实性以及有效性,进而组织复测,智能化的、有效地扩充了补救空间,可以适用于非选拔性测试过程。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的一些实施例。
图1为体质测试数据处理方法的流程框图。
图2为体质测试数据处理方法的第一子流程框图。
图3为体质测试数据处理方法的第二子流程框图。
图4为体质测试数据处理方法的第三子流程框图。
图5为体质测试数据处理方法的第四子流程框图。
图6为体质测试数据处理系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为体质测试数据处理方法的流程框图,本发明实施例中,一种体质测试数据处理方法,所述方法包括:
步骤S100:基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;
根据预设的检测设备获取待检人员的体征数据;所述检测设备采用现有的体质检测设备即可,这些体测设备常见于智能体检中心或者健身房等,可以获取待检人员的肌肉含量和体脂率,所述肌肉含量和体脂率分区域显示,比如手臂、肩、胸、背和腿等,数据准确率不做要求,现有的检测设备的准确率几乎都在95%以上;本方法执行主体根据获取到的体征数据,可以建立一个人体模型,所述人体模型是可以在计算机上显示的虚拟三维模型。
步骤S200:根据所述人体模型生成各测试项目的预测数据;
对所述人体模型进行识别,可以确定在各个测试项目下,该人体模型能够达到的成绩,称为预测数据;比如,手臂肌肉和背部肌肉影响着引体向上的个数;随着统计样本的增多,人体模型与预测数据之间的关系几乎是可以确定的。
步骤S300:接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;
接收工作人员输入的测试成绩,将测试成绩与预测数据相比,可以判断出待检人员属于超常发挥还是失常发挥及其超常发挥程度或失常发挥程度,所述超常发挥程度和所述失常发挥程度均由发挥度这一数值表示。
步骤S400:根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正;
根据所述发挥度建立动态场景,所述动态场景是一些视频,所述视频可以是VR视频,借助相应的VR设备才能显示,这样获取到的反应参数更加准确;由获取到的反应参数可以对测试成绩进行修正。
具体的,修正是一个上位概念,对修正过程进行具体的说明,如下:
获取到反应参数后,由反应参数先对预测数据的生成过程进行验证,在对预测数据进行验证时,可以判断预测过程是否准确,如果准确,那么对应的发挥度大概率是准确的;此时,如果发挥度过高,就说明真实性可能存疑,比如当肌肉含量较低,远低于支撑引体向上所需的最低肌肉含量要求时,待检人员的测试成绩是20个,此时的发挥度达到了2000%,修正过程就是进一步的组织测试;如果发挥度过低,比如10%以下,此时,需要根据实际情况判定是否组织重新测试,如果是待检人员处于生病状态,且体质测试是通过型测试(非选拔性测试,如公司入职体检等),那么可以依申请组织重新测试。
需要说明的是,如果是选拔性测试,比如入学考试、比赛等,由于发挥失常进而组织重新测试的可能性几乎为零。
图2为体质测试数据处理方法的第一子流程框图,所述基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型的步骤包括:
步骤S101:基于预设的检测设备获取待检人员的性别、身高和体重;
步骤S102:根据所述性别、身高和体重选取标准模型;
由性别、身高和体重这三个参数可以建立一个标准模型,所述标准模型为预存储数据,直接根据性别、身高和体重这三个参数进行读取即可。
步骤S103:基于预设的检测设备获取待检人员各部位的体脂率,根据所述体脂率对所述标准模型进行一级修正;
获取各部位的体脂率,根据体脂率可以对标准模型中各个部位的肌肉进行调整,提高人体模型与真实人员的契合度。
步骤S104:基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正;
获取待检人员的含有载荷信息的轮廓信息,所述载荷信息可以反映待检人员的站姿,当站姿满足预设的条件时,根据轮廓信息对人体模型中的骨骼进行调整,从而改变人体模型的体态。
总而言之,一级修正过程修正标准模型中的肌肉模型;二级修正过程修正标准模型中的骨骼模型。
作为本发明技术方案的一个优选实施例,所述基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正的步骤包括:
基于预设的检测设备实时获取待检人员的载荷信息;所述载荷信息为含有载荷点位的载荷参数;
根据预设的频率采集待检人员的人员图像,根据时间信息建立人员图像与载荷信息之间的连接关系;
对所述载荷信息进行筛选,在人员图像中选取目标图像;
对所述目标图像进行识别,得到轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正。
上述内容提供了一种具体的二级修正方案,首先,由载荷信息确定待检人员的站姿,所述载荷点为待检人员施加的压力点,载荷参数为施加了多大的压力;根据预设的频率采集待检人员的人员图像,将同一时刻的人员图像和载荷信息连接起来;然后,对载荷信息进行识别筛选,得到符合预设条件的站姿,获取对应的人员图像,对人员图像进行识别,即可得到轮廓信息;最后,基于轮廓信息对标准模型进行修正即可。
图3为体质测试数据处理方法的第二子流程框图,所述根据所述人体模型生成各测试项目的预测数据的步骤包括:
步骤S201:建立与历史测试数据库的连接通道,获取各人体模型对应的测试数据,建立训练集;所述测试数据以测试项目为索引;
步骤S202:根据所述训练集训练神经网络模型,得到以测试项目为索引的应用模型;
步骤S203:将人体模型输入各测试项目的应用模型中,得到预测数据。
根据人体模型生成各测试项目的预测数据的过程并不困难,其重点在于构建训练集,所述训练集由多个样本数据组成,所述样本数据由工作人员预先获取,样本数据越多,训练集越大,训练得到的神经网络模型的识别能力越强。
图4为体质测试数据处理方法的第三子流程框图,所述接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度的步骤包括:
步骤S301:接收工作人员输入的各测试项目的测试成绩,计算所述测试成绩与所述预测数据的差异率;
步骤S302:统计所述差异率,根据各测试项目之间的相关度对所述差异率进行自修正;所述相关度为预设值;
步骤S303:统计自修正后的差异率,得到待检人员的发挥度;
其中,所述差异率含有符号;所述发挥度为百分比矩阵,用于表征用户的发挥程度。
上述内容提供了一种具体的发挥度计算过程,其基本原理为,比对测试成绩和预测数据,根据测试成绩和预测数据的差异程度可以生成发挥度。
更进一步的,步骤S302引入了自修正过程,也即,根据各个测试项目之间的关系对差异率进行微调;举例来说,引体向上和硬拉都涉及到背部肌肉,两者的发挥度应该基本相同,如果这两项的差距过大,就可以将对应的差异率调节的更大,使得异常情况更加明显,对应的发挥度会更加具备针对性。
图5为体质测试数据处理方法的第四子流程框图,所述根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正的步骤包括:
步骤S401:根据所述发挥度在预设的动态场景库中选取动态场景;
步骤S402:基于预设的采集设备实时采集用户的反应参数,根据所述反应参数判断所述测试成绩的异常值;
步骤S403:将所述异常值与预设的异常阈值进行比对,根据比对结果生成修正方案;
其中,所述修正方案至少包括含有环境参数的重测方案。
上述内容对步骤S400进行了进一步的限定,其原理为,播放一些视频,获取待检人员的反应参数,这属于模拟测试过程,根据模拟测试过程可以提高预测数据的准确度,进而提高发挥度的准确度。
图6为体质测试数据处理系统的组成结构框图,本发明实施例中,一种体质测试数据处理系统,所述系统10包括:
人体模型建立模块11,用于基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;
预测数据生成模块12,用于根据所述人体模型生成各测试项目的预测数据;
发挥度计算模块13,用于接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;
测试成绩修正模块14,用于根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正。
所述人体模型建立模块11包括:
信息获取单元,用于基于预设的检测设备获取待检人员的性别、身高和体重;
标准模型选取单元,用于根据所述性别、身高和体重选取标准模型;
一级修正单元,用于基于预设的检测设备获取待检人员各部位的体脂率,根据所述体脂率对所述标准模型进行一级修正;
二级修正单元,用于基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正;
其中,一级修正过程修正标准模型中的肌肉模型;二级修正过程修正标准模型中的骨骼模型。
所述预测数据生成模块12包括:
训练集建立单元,用于建立与历史测试数据库的连接通道,获取各人体模型对应的测试数据,建立训练集;所述测试数据以测试项目为索引;
模型训练单元,用于根据所述训练集训练神经网络模型,得到以测试项目为索引的应用模型;
模型应用单元,用于将人体模型输入各测试项目的应用模型中,得到预测数据。
所述发挥度计算模块13包括:
差异率计算单元,用于接收工作人员输入的各测试项目的测试成绩,计算所述测试成绩与所述预测数据的差异率;
自修正单元,用于统计所述差异率,根据各测试项目之间的相关度对所述差异率进行自修正;所述相关度为预设值;
数据统计单元,用于统计自修正后的差异率,得到待检人员的发挥度;
其中,所述差异率含有符号;所述发挥度为百分比矩阵,用于表征用户的发挥程度。
上述体质测试数据处理方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述体质测试数据处理方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例系统中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个系统实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种体质测试数据处理方法,其特征在于,所述方法包括:
基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;
根据所述人体模型生成各测试项目的预测数据;
接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;
根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正。
2.根据权利要求1所述的体质测试数据处理方法,其特征在于,所述基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型的步骤包括:
基于预设的检测设备获取待检人员的性别、身高和体重;
根据所述性别、身高和体重选取标准模型;
基于预设的检测设备获取待检人员各部位的体脂率,根据所述体脂率对所述标准模型进行一级修正;
基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正;
其中,一级修正过程修正标准模型中的肌肉模型;二级修正过程修正标准模型中的骨骼模型。
3.根据权利要求2所述的体质测试数据处理方法,其特征在于,所述基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正的步骤包括:
基于预设的检测设备实时获取待检人员的载荷信息;所述载荷信息为含有载荷点位的载荷参数;
根据预设的频率采集待检人员的人员图像,根据时间信息建立人员图像与载荷信息之间的连接关系;
对所述载荷信息进行筛选,在人员图像中选取目标图像;
对所述目标图像进行识别,得到轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正。
4.根据权利要求1所述的体质测试数据处理方法,其特征在于,所述根据所述人体模型生成各测试项目的预测数据的步骤包括:
建立与历史测试数据库的连接通道,获取各人体模型对应的测试数据,建立训练集;所述测试数据以测试项目为索引;
根据所述训练集训练神经网络模型,得到以测试项目为索引的应用模型;
将人体模型输入各测试项目的应用模型中,得到预测数据。
5.根据权利要求1所述的体质测试数据处理方法,其特征在于,所述接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度的步骤包括:
接收工作人员输入的各测试项目的测试成绩,计算所述测试成绩与所述预测数据的差异率;
统计所述差异率,根据各测试项目之间的相关度对所述差异率进行自修正;所述相关度为预设值;
统计自修正后的差异率,得到待检人员的发挥度;
其中,所述差异率含有符号;所述发挥度为百分比矩阵,用于表征用户的发挥程度。
6.根据权利要求1所述的体质测试数据处理方法,其特征在于,所述根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正的步骤包括:
根据所述发挥度在预设的动态场景库中选取动态场景;
基于预设的采集设备实时采集用户的反应参数,根据所述反应参数判断所述测试成绩的异常值;
将所述异常值与预设的异常阈值进行比对,根据比对结果生成修正方案;
其中,所述修正方案至少包括含有环境参数的重测方案。
7.一种体质测试数据处理系统,其特征在于,所述系统包括:
人体模型建立模块,用于基于预设的检测设备获取待检人员的体征数据,根据所述体征数据建立人体模型;
预测数据生成模块,用于根据所述人体模型生成各测试项目的预测数据;
发挥度计算模块,用于接收工作人员输入的各测试项目的测试成绩,基于所述预测数据判断所述测试成绩的发挥度;
测试成绩修正模块,用于根据所述发挥度建立动态场景,基于所述动态场景采集待检人员的反应参数,根据所述反应参数对所述测试成绩进行修正。
8.根据权利要求7所述的体质测试数据处理系统,其特征在于,所述人体模型建立模块包括:
信息获取单元,用于基于预设的检测设备获取待检人员的性别、身高和体重;
标准模型选取单元,用于根据所述性别、身高和体重选取标准模型;
一级修正单元,用于基于预设的检测设备获取待检人员各部位的体脂率,根据所述体脂率对所述标准模型进行一级修正;
二级修正单元,用于基于预设的检测设备获取待检人员的含有载荷信息的轮廓信息,根据轮廓信息对一级修正后的标准模型进行二级修正;
其中,一级修正过程修正标准模型中的肌肉模型;二级修正过程修正标准模型中的骨骼模型。
9.根据权利要求7所述的体质测试数据处理系统,其特征在于,所述预测数据生成模块包括:
训练集建立单元,用于建立与历史测试数据库的连接通道,获取各人体模型对应的测试数据,建立训练集;所述测试数据以测试项目为索引;
模型训练单元,用于根据所述训练集训练神经网络模型,得到以测试项目为索引的应用模型;
模型应用单元,用于将人体模型输入各测试项目的应用模型中,得到预测数据。
10.根据权利要求7所述的体质测试数据处理系统,其特征在于,所述发挥度计算模块包括:
差异率计算单元,用于接收工作人员输入的各测试项目的测试成绩,计算所述测试成绩与所述预测数据的差异率;
自修正单元,用于统计所述差异率,根据各测试项目之间的相关度对所述差异率进行自修正;所述相关度为预设值;
数据统计单元,用于统计自修正后的差异率,得到待检人员的发挥度;
其中,所述差异率含有符号;所述发挥度为百分比矩阵,用于表征用户的发挥程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638454.0A CN116350203B (zh) | 2023-06-01 | 2023-06-01 | 一种体质测试数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638454.0A CN116350203B (zh) | 2023-06-01 | 2023-06-01 | 一种体质测试数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116350203A true CN116350203A (zh) | 2023-06-30 |
CN116350203B CN116350203B (zh) | 2023-08-18 |
Family
ID=86934957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310638454.0A Active CN116350203B (zh) | 2023-06-01 | 2023-06-01 | 一种体质测试数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116350203B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095472A (zh) * | 2023-10-18 | 2023-11-21 | 广州华夏汇海科技有限公司 | 基于ai的泳姿犯规动作判断方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109247946A (zh) * | 2018-10-23 | 2019-01-22 | 北京小汤山医院 | 虚拟现实体适能评估系统 |
CN109903832A (zh) * | 2019-02-21 | 2019-06-18 | 安徽工程大学 | 一种体质测试数据采集与检测系统及方法 |
CN110477897A (zh) * | 2019-08-15 | 2019-11-22 | 中国体育国际经济技术合作有限公司 | 一种体能测试方法及系统 |
CN110838179A (zh) * | 2019-09-27 | 2020-02-25 | 深圳市三维人工智能科技有限公司 | 基于体测数据的人体建模方法、装置及电子设备 |
JP2020035308A (ja) * | 2018-08-31 | 2020-03-05 | カシオ計算機株式会社 | 情報処理装置及びプログラム |
CN111403031A (zh) * | 2020-03-03 | 2020-07-10 | 淮安信息职业技术学院 | 一种体质测试数据采集与检测系统及方法 |
CN112150327A (zh) * | 2019-12-23 | 2020-12-29 | 淮安信息职业技术学院 | 一种用于学生体质检测的测试系统 |
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 |
CN115359558A (zh) * | 2022-08-17 | 2022-11-18 | 浙江禹晓电子科技有限公司 | 基于计算机视觉的自动体测评判方法、装置、系统及介质 |
CN115831371A (zh) * | 2023-02-16 | 2023-03-21 | 成都体育学院 | 一种儿童体质健康评估系统和设备 |
-
2023
- 2023-06-01 CN CN202310638454.0A patent/CN116350203B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020035308A (ja) * | 2018-08-31 | 2020-03-05 | カシオ計算機株式会社 | 情報処理装置及びプログラム |
CN109247946A (zh) * | 2018-10-23 | 2019-01-22 | 北京小汤山医院 | 虚拟现实体适能评估系统 |
CN109903832A (zh) * | 2019-02-21 | 2019-06-18 | 安徽工程大学 | 一种体质测试数据采集与检测系统及方法 |
CN110477897A (zh) * | 2019-08-15 | 2019-11-22 | 中国体育国际经济技术合作有限公司 | 一种体能测试方法及系统 |
CN110838179A (zh) * | 2019-09-27 | 2020-02-25 | 深圳市三维人工智能科技有限公司 | 基于体测数据的人体建模方法、装置及电子设备 |
CN112150327A (zh) * | 2019-12-23 | 2020-12-29 | 淮安信息职业技术学院 | 一种用于学生体质检测的测试系统 |
CN111403031A (zh) * | 2020-03-03 | 2020-07-10 | 淮安信息职业技术学院 | 一种体质测试数据采集与检测系统及方法 |
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 |
CN115359558A (zh) * | 2022-08-17 | 2022-11-18 | 浙江禹晓电子科技有限公司 | 基于计算机视觉的自动体测评判方法、装置、系统及介质 |
CN115831371A (zh) * | 2023-02-16 | 2023-03-21 | 成都体育学院 | 一种儿童体质健康评估系统和设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095472A (zh) * | 2023-10-18 | 2023-11-21 | 广州华夏汇海科技有限公司 | 基于ai的泳姿犯规动作判断方法及系统 |
CN117095472B (zh) * | 2023-10-18 | 2024-02-20 | 广州华夏汇海科技有限公司 | 基于ai的泳姿犯规动作判断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116350203B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
CN110781298A (zh) | 药品分类方法、装置、计算机设备及存储介质 | |
CN116350203B (zh) | 一种体质测试数据处理方法及系统 | |
CN110619332B (zh) | 基于视野检查报告的数据处理方法、装置及设备 | |
CN110264444A (zh) | 基于弱分割的损伤检测方法及装置 | |
CN109934723B (zh) | 一种医保欺诈行为识别方法、装置及设备 | |
Moosbrugger et al. | Factor analysis in personality research: Some artefacts and their consequences for psychological assessment | |
CN115050442B (zh) | 基于挖掘聚类算法的病种数据上报方法、装置及存储介质 | |
CN113192028B (zh) | 人脸图像的质量评价方法、装置、电子设备及存储介质 | |
CN111667457B (zh) | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN116052848B (zh) | 一种医学成像质控的数据编码方法及系统 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN111653348A (zh) | 手术数据的处理方法、装置及计算机可读存储介质 | |
CN116313086A (zh) | 一种亚健康预测模型构建方法、装置、设备及存储介质 | |
CN116469505A (zh) | 数据处理方法、装置、计算机设备及可读存储介质 | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
JP2012505453A5 (zh) | ||
Adalian | General considerations about data and selection of statistical approaches | |
CN111210910A (zh) | 猪只疾病诊断方法及系统 | |
CN111370095A (zh) | 一种基于ic卡中医体质辨别与调理测试系统及测试方法 | |
CN113436712B (zh) | 一种用于智慧医疗云服务平台的评价管理系统 | |
CN110338748A (zh) | 快速定位视力值的方法、存储介质、终端及视力检测仪 | |
Heller et al. | Validation of secondary triage algorithms for mass casualty incidents: A simulation-based study—English version | |
JP6828869B1 (ja) | 能力スコア変換方法、能力スコア変換プログラム、および能力スコア変換装置 |
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 |