CN116564464A - 一种基于人工智能的运动训练过程控制方法及系统 - Google Patents
一种基于人工智能的运动训练过程控制方法及系统 Download PDFInfo
- Publication number
- CN116564464A CN116564464A CN202310223971.1A CN202310223971A CN116564464A CN 116564464 A CN116564464 A CN 116564464A CN 202310223971 A CN202310223971 A CN 202310223971A CN 116564464 A CN116564464 A CN 116564464A
- Authority
- CN
- China
- Prior art keywords
- training
- exercise
- personnel
- knowledge
- scheme
- 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
- 238000012549 training Methods 0.000 title claims abstract description 710
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000004886 process control Methods 0.000 title claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 34
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims description 47
- 230000000386 athletic effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 29
- 230000036541 health Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001684 chronic effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于人工智能的运动训练过程控制方法及系统,涉及人工智能技术领域,方法包括:将目标训练人员的生理状态信息与历史运动训练参数,输入运动训练管理模型进行运动分析,获得人员运动训练需求后运动训练专家组进行评估,并构建运动训练知识图谱,对人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合并对人员运动训练方案集合进行方案筛选,根据训练反馈指标对目标训练人员进行实时训练监测,对人员最优运动训练方案进行动态调整,解决了现有技术中对目标训练人员无法生成对应的最优运动训练方案,使得最终人员的训练效果不佳的技术问题,实现了运动训练的全流程、高效管理,提高训练人员的运动训练效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的运动训练过程控制方法及系统。
背景技术
国家“十四五”规划中明确提出要把人民健康放在优先发展战略地位,努力全方位全周期保障人民健康,要加强体医融合和非医疗健康干预,建立完善针对不同人群、不同环境、不同身体状况的运动处方库,推动形成体医结合的疾病管理与健康服务模式,以人民健康为中心,遵照可充分发挥数字疗法在促进慢病人群健康中的预防、治疗、康复、健康促进等全周期管理作用。
坚持全民参与、融合共享,加强沟通配合、统一思想,努力推进慢病人群的数字化健康管理服务。慢病远程居家康复数字疗法的研发响应国家政策号召,立足于预防为主,推动从以治病为中心向以健康为中心转变,不断总结经验,共享数据成果,以更好地为人民群众提供全方位、全周期的健康保障,力争探索出具有特色的远程居家数字化康复模式并加以推广。
目前,我国慢性病总体特征体现为患病人数多、患病时间长、医疗成本高、服务需求大,给我国人民健康和医疗资源带来了严重的威胁和压力,而远程居家康复则是目前国际认可的潜在解决策略之一。国内外多项研究表明,远程居家康复能够有效降低慢病患者的再入院率、死亡率和医疗成本,同时改善和提高慢病患者的生活质量和社会价值,远程居家康复已成为现代慢病预防、治疗和康复的重要组成部分。
现有技术中对目标训练人员无法生成对应的最优运动训练方案,使得最终人员的训练效果不佳。
发明内容
本申请提供了一种基于人工智能的运动训练过程控制方法及系统,用于针对解决现有技术中存在的对目标训练人员无法生成对应的最优运动训练方案,使得最终人员的训练效果不佳的技术问题。
鉴于上述问题,本申请提供了一种基于人工智能的运动训练过程控制方法及系统。
第一方面,本申请提供了一种基于人工智能的运动训练过程控制方法,所述方法包括:获得目标训练人员的生理状态信息和历史运动训练参数;通过运动训练管理模型对所述生理状态信息和所述历史运动训练参数进行运动分析,获得人员运动训练需求;基于运动训练专家组对所述人员运动训练需求进行评估,获得人员运动训练方案集合;构建运动训练知识图谱;通过所述运动训练知识图谱对所述人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合;基于所述训练方案评估特征值集合对所述人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;根据训练反馈指标对所述目标训练人员进行实时训练监测,获得实时训练监测结果;基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整。
第二方面,本申请提供了一种基于人工智能的运动训练过程控制系统,所述系统包括:人员信息获取模块,所述人员信息获取模块用于获得目标训练人员的生理状态信息和历史运动训练参数;训练需求获取模块,所述训练需求获取模块用于通过运动训练管理模型对所述生理状态信息和所述历史运动训练参数进行运动分析,获得人员运动训练需求;训练方案集合获取模块,所述训练方案集合获取模块用于基于运动训练专家组对所述人员运动训练需求进行评估,获得人员运动训练方案集合;图谱构建模块,所述图谱构建模块用于构建运动训练知识图谱;特征值集合获得模块,所述特征值集合获得模块用于通过所述运动训练知识图谱对所述人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合;最优运动训练方案获取模块,所述最优运动训练方案获取模块用于基于所述训练方案评估特征值集合对所述人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;实时训练监测结果获取模块,所述实时训练监测结果获取模块用于根据训练反馈指标对所述目标训练人员进行实时训练监测,获得实时训练监测结果;动态调整模块,所述动态调整模块用于基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种基于人工智能的运动训练过程控制方法,涉及人工智能技术领域,解决了现有技术中对目标训练人员无法生成对应的最优运动训练方案,使得最终人员的训练效果不佳的技术问题,实现了运动训练的全流程、高效管理,提高训练人员的运动训练效果。
附图说明
图1为本申请提供了一种基于人工智能的运动训练过程控制方法流程示意图;
图2为本申请提供了一种基于人工智能的运动训练过程控制方法中模型输出流程示意图;
图3为本申请提供了一种基于人工智能的运动训练过程控制方法中构建运动训练知识图谱流程示意图;
图4为本申请提供了一种基于人工智能的运动训练过程控制系统结构示意图。
附图标记说明:人员信息获取模块1,训练需求获取模块2,训练方案集合获取模块3,图谱构建模块4,特征值集合获得模块5,最优运动训练方案获取模块6,实时训练监测结果获取模块7,动态调整模块8。
具体实施方式
本申请通过提供一种基于人工智能的运动训练过程控制方法,用于解决现有技术中对目标训练人员无法生成对应的最优运动训练方案,使得最终人员的训练效果不佳的技术问题。
实施例一
如图1所示,本申请实施例提供了一种基于人工智能的运动训练过程控制方法,该方法包括:
步骤S100:获得目标训练人员的生理状态信息和历史运动训练参数;
具体而言,首先在确定目标训练人员的基础上,对该目标训练人员的生理状态信息以及其历史运动训练参数进行采集,其中目标训练人员的生理状态是指生物机体的机能和各个部分所表现的各种生命现象,所对应的生理状态信息包含但不仅限于体温、睡眠、肌肉、骨骼、控制摄食、新陈代谢以及情绪反应等,其中目标训练人员的历史运动训练参数是指在开始对目标训练人员进行训练之前,目标训练人员所做过的运动训练,其中该运动训练参数包含但不仅限于重复训练法,变换训练法,间歇训练法,竞赛法,综合训练法等,进而为后期实现人员最优运动训练方案作为重要参考依据。
步骤S200:通过运动训练管理模型对所述生理状态信息和所述历史运动训练参数进行运动分析,获得人员运动训练需求;
具体而言,在上述所获生理状态信息以及所获历史运动训练参数的基础上,将其输入至运动训练管理模型中,其中运动训练管理模型为机器学习中的,可以不断进行自我迭代优化的神经网络模型,所述运动训练管理模型通过训练数据集和监督数据集训练获得,其中,所述训练数据集中的每组训练数据均包括生理状态信息数据与历史运动训练参数数据;所述监督数据集为与所述训练数据集一一对应的运动训练监督数据。
进一步的,所述运动训练管理模型构建过程为:将训练数据集中每一组训练数据输入运动训练管理模型,通过这组训练数据对应的监督数据进行运动训练管理模型的输出监督调整,当运动训练管理模型的输出结果与监督数据一致,则当前组训练结束,将训练数据集中全部的训练数据均训练结束,则运动训练管理模型训练完成。
为了保证运动训练管理模型的准确性,可以通过测试数据集进行运动训练管理模型的测试处理,举例而言,测试准确率可以设定为80%,当测试数据集的测试准确率满足80%时,则运动训练管理模型构建完成。
将生理状态信息数据与历史运动训练参数数据输入运动训练管理模型,输出人员运动训练需求信息,进而为获得人员最优运动训练方案做保障。
步骤S300:基于运动训练专家组对所述人员运动训练需求进行评估,获得人员运动训练方案集合;
具体而言,在上述所获人员运动训练需求后,通过运动训练专家组对该人员运动训练进行评估,其中该运动训练专家组可以是教练员、医生、体育教师等,评估后获得多个人员运动训练方案,即训练形式、训练动作、训练时长、训练组数等,以此构成人员运动训练方案集合,后续人员最优运动训练方案的获得夯实基础。
步骤S400:构建运动训练知识图谱;
具体而言,运用共现分析、聚类分析等方法,借助信息可视化软件绘制出我国运动训练学研究的代表人物与机构分布、研究热点的知识图谱,从而直观展示当前运动训练学研究的热点及发展趋势,进一步在此基础上对运动训练知识图谱进行构建,对生成人员最优运动训练方案有着推进的作用。
步骤S500:通过所述运动训练知识图谱对所述人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合;
具体而言,在上述所构建的运动训练知识图谱中,对运动训练专家组对人员运动训练需求评估后,所得的人员运动训练方案集合中的各项训练方案进行对应评估,其中在进行对应评估时,将各项运动训练方案的特征进行提取、整合,从而获得训练方案评估特征值集合,并对后期人员最优运动训练方案有着深远的影响。
步骤S600:基于所述训练方案评估特征值集合对所述人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;
具体而言,根据上述所获训练方案评估特征值集合,对运动训练专家组对人员运动训练需求评估后,所得的人员运动训练方案集合中的各项训练方案进行筛选,其筛选方式是根据各项方案所对应的特征值的大小,由大到小进行对目标训练人员的最优方案进行筛选,根据所获人员最优运动方案更好的实现后期对该最优方案的动态调整。
步骤S700:根据训练反馈指标对所述目标训练人员进行实时训练监测,获得实时训练监测结果;
具体而言,在训练反馈指标的基础上,对目标训练人员进行实时训练监测,其中该训练反馈指标是基于RPE,即自觉感知用力程度计量表,用于评估当下训练对身体的压力程度,感知用力程度计量表(RPE)是一个简单的衡量运动中你的努力程度的工具,常用的计量表有10级和20级,每一级对应不同的运动努力程度以及身体状态,而通过RPE就可以知道当前的训练对于目标训练人员身体的压力,进而得到实时训练监测结果,进一步提高了对人员最优运动训练方案进行调整时的准确率。
步骤S800:基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整。
具体而言,通过上述所获实时训练监测结果,进而基于所获训练方案评特征值集合对所获人员运动训练方案集合进行方案筛选后,最终得到人员最优运动训练方案,并同时对人员最优运动训练方案进行动态调整,即在根据训练方案评估特征值的大小对人员最优运动训练方案进行初筛后,根据RPE所实时反馈的训练监测结果,进一步对人员最优运动训练方案进行与实时训练检测结果的变化进行实时的动态调整。
进一步的,本发明提供了一种基于人工智能的运动训练过程控制方法及系统,涉及人工智能技术领域,方法包括:将目标训练人员的生理状态信息与历史运动训练参数,输入运动训练管理模型进行运动分析,获得人员运动训练需求后运动训练专家组进行评估,并构建运动训练知识图谱;通过运动训练知识图谱对人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合并对人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;根据训练反馈指标对目标训练人员进行实时训练监测,获得实时训练监测结果,对人员最优运动训练方案进行动态调整,本发明解决了现有技术中对目标训练人员无法生成对应的最优运动训练方案,使得最终人员的训练效果不佳的技术问题,实现了运动训练的全流程、高效管理,提高训练人员的运动训练效果。
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:所述运动训练管理模型包括输入层、训练特征分析层、运动需求评估层、输出层
步骤S220:将所述生理状态信息和所述历史运动训练参数通过所述输入层,输入至所述训练特征分析层中进行多维度分析,获得运动训练特征分析信息;
步骤S230:基于所述运动需求评估层对所述运动训练特征分析信息进行评估,获得人员运动训练需求;
步骤S240:基于所述输出层对所述人员运动训练需求进行模型输出。
具体而言,其运动训练管理模型分别包含输入层、训练特征分析层、运动需求评估层、输出层,在此基础上,将所获目标训练人员的生理状态信息与目标训练人员的历史运动训练参数通过输入层后,输入至运动训练管理模型中的训练特征分析层中,对所获目标训练人员的生理状态信息与目标训练人员的历史运动训练参数进行多维度分析,从而获得运动训练特征分析信息。
进一步的,将在运动训练管理模型中的运动需求评估层的基础上,对从训练特征分析层中获取的运动训练特征分析信息进行评估,进而获得人员运动训练需求,最终在输出层中,对所获人员运动训练需求进行对应输出,达到为后期实现人员最优运动训练方案提供重要依据的技术效果。
进一步而言,本申请步骤S220包括:
步骤S221:所述训练特征分析层包括训练强度特征层、训练难度特征层、训练时长特征层;
步骤S222:将所述生理状态信息和所述历史运动训练参数输入至所述训练特征分析层中进行多维度分析,分别获得训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息;
步骤S223:基于所述训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息,获得所述运动训练特征分析信息。
具体而言,在运动训练管理模型中的训练特征分析层内,包含训练强度特征层、训练难度特征层、训练时长特征层,进而将所获目标训练人员的生理状态信息与所获目标人员的历史运动训练参数输入至训练特征分析层中,对其二者进行多维度分析,其中的分析维度分别以训练强度、训练难度以及训练时长的角度,对其进行特征提取,进一步获得与之对应的训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息,进而基于所获训练强度特征分析信息、所获训练难度特征分析信息、所获训练时长特征分析信息,最终生成运动训练特征分析信息,以保证在生成人员最优运动训练方案时的精准性。
进一步而言,如图3所示,本申请步骤S400还包括:
步骤S410:获得运动训练指标集合,所运动训练指标集合包括训练形式、训练动作、训练时长、训练组数;
步骤S420:对所述运动训练指标集合进行训练属性提取,获得运动训练属性集合;
步骤S430:根据所述运动训练属性集合,获得运动训练属性值集合;
步骤S440:基于所述运动训练属性集合和所述运动训练属性值集合,构建获得所述运动训练知识图谱。
具体而言,对所获运动训练指标集合进行训练属性提取,其中运动训练指标集合包含训练形式、训练动作、训练时长、训练组数,对训练形式、训练动作、训练时长、训练组数进行训练属性提取后,获得与之对应的运动训练属性,并将所有运动属性进行整合后生成运动训练属性集合,同时对运动训练属性进行对应的难易程度赋值后进行整合,生成运动训练属性值集合,进一步的,在所获运动训练属性集合与所获运动训练属性值集合的基础上,对运动训练知识图谱进行构建,最终达到对人员最优运动训练方案提供参考的技术效果。
进一步而言,本申请步骤S420包括:
步骤S421:对所述运动训练指标集合进行训练属性提取,获得训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息;
步骤S422:基于所述训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息进行属性抽取,分别获得训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性;
步骤S423:基于所述训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,获得所述运动训练属性集合。
具体而言,通过对运动训练指标的训练形式、训练动作、训练时长、训练组数的训练属性进行对应提取,获得训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息,从而对所获训练形式属性信息、所获训练动作属性信息、所获训练时长属性信息、所获训练组数属性信息分别进行属性抽取,其中每个训练属性中都包括多个知识属性,示例性的,训练形式可以是拉伸、抗阻等,运动训练动作可以是深蹲、卧推等,训练时长可以是30分钟、60分钟等,训练组数可以是一组、两组等,所抽取的多个知识属性分别对应为训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,进一步的将所获训练形式知识属性、所获训练动作知识属性、所获训练时长知识属性、所获训练组数知识属性进行汇总与整合后,生成运动训练属性集合,最终达到生成人员最优运动训练方案的技术效果。
进一步而言,本申请步骤S423还包括:
步骤S431:根据所述训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,分别获得训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息;
步骤S432:对所述训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息中的各节点信息进行特征值赋予,分别获得训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值;
步骤S433:基于所述训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值,获得所述运动训练属性值集合。
具体而言,将根据上述所获训练形式知识属性、所获训练动作知识属性、所获练时长知识属性、所获训练组数知识属性,进行知识属性内的对应知识节点的获取,其中该知识节点是根据属性内不同类型进行判别,进一步分别对应获得训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息,并从而根据所获训练形式知识节点信息、所获训练动作知识节点信息、所获训练时长知识节点信息、所获训练组数知识节点信息中的各节点信息进行特征值的赋予,其中对知识属性中各属性节点进行赋值,示例性的,对训练动作知识属性中的按照动作的难易程度,根据由难到易,由大到小,对不同动作类型节点进行对应的特征值赋予,从而进一步获得训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值,进而将所获训练形式知识节点特征值、所获训练动作知识节点特征值、所获训练时长知识节点特征值、所获训练组数知识节点特征值进行整合,最终得到运动训练属性值集合,进而用于与运动训练属性集合进行运动训练知识图谱的构建。
进一步而言,本申请步骤S800还包括:
步骤S810:对所述实时训练监测结果进行效果评价,获得人员训练效果系数;
步骤S820:根据所述人员训练效果系数和预设训练效果系数的差值,生成运动训练调控因子;
步骤S830:基于所述运动训练调控因子对所述人员最优运动训练方案进行动态调整。
具体而言,在根据训练反馈指标的基础上,对目标训练人员进行实时训练监测所获的实时训练监测结果进行效果评价,示例性的,对于与预设训练效果相符的为有效训练,对于与预设训练效果不相符的为无效训练,其中将用来表示运动训练性质的程度称为人员训练效果系数,且预设训练效果系数是由相关技术人员根据运动训练效果的数据量进行预设,最终将所获人员训练效果系数与预设训练效果系数进行作差,从而将人员训练效果系数和预设训练效果系数的差值作为运动训练调控因子进行对应输出,进一步的,在所获运动训练调控因子的基础上,对人员最优运动训练方案进行实时动态的调整,从而使得根据目标训练人员的情况实时进行人员最优运动训练方案的生成。
实施例二
基于与前述实施例中一种基于人工智能的运动训练过程控制方法相同的发明构思,如图4所示,本申请提供了一种基于人工智能的运动训练过程控制系统,系统包括:
人员信息获取模块1,所述人员信息获取模块1用于获得目标训练人员的生理状态信息和历史运动训练参数;
训练需求获取模块2,所述训练需求获取模块2用于通过运动训练管理模型对所述生理状态信息和所述历史运动训练参数进行运动分析,获得人员运动训练需求;
训练方案集合获取模块3,所述训练方案集合获取模块3用于基于运动训练专家组对所述人员运动训练需求进行评估,获得人员运动训练方案集合;
图谱构建模块4,所述图谱构建模块4用于构建运动训练知识图谱;
特征值集合获得模块5,所述特征值集合获得模块5用于通过所述运动训练知识图谱对所述人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合;
最优运动训练方案获取模块6,所述最优运动训练方案获取模块6用于基于所述训练方案评估特征值集合对所述人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;
实时训练监测结果获取模块7,所述实时训练监测结果获取模块7用于根据训练反馈指标对所述目标训练人员进行实时训练监测,获得实时训练监测结果;
动态调整模块8,所述动态调整模块8用于基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整。
进一步而言,系统还包括:
运动训练管理模块,运动训练管理模块用于所述运动训练管理模型包括输入层、训练特征分析层、运动需求评估层、输出层;
运动训练特征分析信息获得模块,运动训练特征分析信息获得模块用于将所述生理状态信息和所述历史运动训练参数通过所述输入层,输入至所述训练特征分析层中进行多维度分析,获得运动训练特征分析信息;
人员运动训练需求模块,人员运动训练需求模块用于基于所述运动需求评估层对所述运动训练特征分析信息进行评估,获得人员运动训练需求;
模型输出模块,模型输出模块用于基于所述输出层对所述人员运动训练需求进行模型输出。
进一步而言,系统还包括:
特征层模块,特征层模块用于所述训练特征分析层包括训练强度特征层、训练难度特征层、训练时长特征层;
特征分析信息模块,特征分析信息模块用于将所述生理状态信息和所述历史运动训练参数输入至所述训练特征分析层中进行多维度分析,分别获得训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息;
运动训练特征分析信息模块,运动训练特征分析信息模块用于基于所述训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息,获得所述运动训练特征分析信息。
进一步而言,系统还包括:
训练指标集合模块,训练指标集合模块用于获得运动训练指标集合,所运动训练指标集合包括训练形式、训练动作、训练时长、训练组数;
运动训练属性集合模块,运动训练属性集合模块用于对所述运动训练指标集合进行训练属性提取,获得运动训练属性集合;
运动训练属性值集合模块,运动训练属性值集合模块用于根据所述运动训练属性集合,获得运动训练属性值集合;
知识图谱模块,知识图谱模块用于基于所述运动训练属性集合和所述运动训练属性值集合,构建获得所述运动训练知识图谱。
进一步而言,系统还包括:
属性信息模块,属性信息模块用于对所述运动训练指标集合进行训练属性提取,获得训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息;
知识属性获得模块,知识属性获得模块用于基于所述训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息进行属性抽取,分别获得训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性;
属性集合获得模块,属性集合获得模块用于基于所述训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,获得所述运动训练属性集合。
进一步而言,系统还包括:
知识节点信息获得模块,知识节点信息获得模块用于根据所述训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,分别获得训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息
特征值获得模块,特征值获得模块用于对所述训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息中的各节点信息进行特征值赋予,分别获得训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值;
运动训练属性值集合获得模块,运动训练属性值集合获得模块用于基于所述训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值,获得所述运动训练属性值集合。
进一步而言,系统还包括:
人员训练效果系数获得模块,人员训练效果系数获得模块用于对所述实时训练监测结果进行效果评价,获得人员训练效果系数;
调控因子生成模块,调控因子生成模块用于根据所述人员训练效果系数和预设训练效果系数的差值,生成运动训练调控因子;
调整模块,调整模块用于基于所述运动训练调控因子对所述人员最优运动训练方案进行动态调整。
本说明书通过前述对一种基于人工智能的运动训练过程控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于人工智能的运动训练过程控制方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于人工智能的运动训练过程控制方法,其特征在于,所述方法包括:
获得目标训练人员的生理状态信息和历史运动训练参数;
通过运动训练管理模型对所述生理状态信息和所述历史运动训练参数进行运动分析,获得人员运动训练需求;
基于运动训练专家组对所述人员运动训练需求进行评估,获得人员运动训练方案集合;
构建运动训练知识图谱;
通过所述运动训练知识图谱对所述人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合;
基于所述训练方案评估特征值集合对所述人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;
根据训练反馈指标对所述目标训练人员进行实时训练监测,获得实时训练监测结果;
基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整。
2.如权利要求1所述的方法,其特征在于,所述获得人员运动训练需求,包括:
所述运动训练管理模型包括输入层、训练特征分析层、运动需求评估层、输出层;
将所述生理状态信息和所述历史运动训练参数通过所述输入层,输入至所述训练特征分析层中进行多维度分析,获得运动训练特征分析信息;
基于所述运动需求评估层对所述运动训练特征分析信息进行评估,获得人员运动训练需求;
基于所述输出层对所述人员运动训练需求进行模型输出。
3.如权利要求2所述的方法,其特征在于,所述获得运动训练特征分析信息,包括:
所述训练特征分析层包括训练强度特征层、训练难度特征层、训练时长特征层;
将所述生理状态信息和所述历史运动训练参数输入至所述训练特征分析层中进行多维度分析,分别获得训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息;
基于所述训练强度特征分析信息、训练难度特征分析信息、训练时长特征分析信息,获得所述运动训练特征分析信息。
4.如权利要求1所述的方法,其特征在于,所述构建运动训练知识图谱,包括:
获得运动训练指标集合,所运动训练指标集合包括训练形式、训练动作、训练时长、训练组数;
对所述运动训练指标集合进行训练属性提取,获得运动训练属性集合;
根据所述运动训练属性集合,获得运动训练属性值集合;
基于所述运动训练属性集合和所述运动训练属性值集合,构建获得所述运动训练知识图谱。
5.如权利要求4所述的方法,其特征在于,所述获得运动训练属性集合,包括:
对所述运动训练指标集合进行训练属性提取,获得训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息;
基于所述训练形式属性信息、训练动作属性信息、训练时长属性信息、训练组数属性信息进行属性抽取,分别获得训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性;
基于所述训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,获得所述运动训练属性集合。
6.如权利要求5所述的方法,其特征在于,所述根据所述运动训练属性集合,获得运动训练属性值集合,包括:
根据所述训练形式知识属性、训练动作知识属性、训练时长知识属性、训练组数知识属性,分别获得训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息;
对所述训练形式知识节点信息、训练动作知识节点信息、训练时长知识节点信息、训练组数知识节点信息中的各节点信息进行特征值赋予,分别获得训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值;
基于所述训练形式知识节点特征值、训练动作知识节点特征值、训练时长知识节点特征值、训练组数知识节点特征值,获得所述运动训练属性值集合。
7.如权利要求1所述的方法,其特征在于,所述基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整,包括:
对所述实时训练监测结果进行效果评价,获得人员训练效果系数;
根据所述人员训练效果系数和预设训练效果系数的差值,生成运动训练调控因子;
基于所述运动训练调控因子对所述人员最优运动训练方案进行动态调整。
8.一种基于人工智能的运动训练过程控制系统,其特征在于,所述系统包括:
人员信息获取模块,所述人员信息获取模块用于获得目标训练人员的生理状态信息和历史运动训练参数;
训练需求获取模块,所述训练需求获取模块用于通过运动训练管理模型对所述生理状态信息和所述历史运动训练参数进行运动分析,获得人员运动训练需求;
训练方案集合获取模块,所述训练方案集合获取模块用于基于运动训练专家组对所述人员运动训练需求进行评估,获得人员运动训练方案集合;
图谱构建模块,所述图谱构建模块用于构建运动训练知识图谱;
特征值集合获得模块,所述特征值集合获得模块用于通过所述运动训练知识图谱对所述人员运动训练方案集合中的各训练方案进行评估,获得训练方案评估特征值集合;
最优运动训练方案获取模块,所述最优运动训练方案获取模块用于基于所述训练方案评估特征值集合对所述人员运动训练方案集合进行方案筛选,获得人员最优运动训练方案;
实时训练监测结果获取模块,所述实时训练监测结果获取模块用于根据训练反馈指标对所述目标训练人员进行实时训练监测,获得实时训练监测结果;
动态调整模块,所述动态调整模块用于基于所述实时训练监测结果,对所述人员最优运动训练方案进行动态调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310223971.1A CN116564464B (zh) | 2023-03-09 | 2023-03-09 | 一种基于人工智能的运动训练过程控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310223971.1A CN116564464B (zh) | 2023-03-09 | 2023-03-09 | 一种基于人工智能的运动训练过程控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116564464A true CN116564464A (zh) | 2023-08-08 |
CN116564464B CN116564464B (zh) | 2024-05-28 |
Family
ID=87502611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310223971.1A Active CN116564464B (zh) | 2023-03-09 | 2023-03-09 | 一种基于人工智能的运动训练过程控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116564464B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100317489A1 (en) * | 2009-06-16 | 2010-12-16 | Flaction Patrick | Method and device for optimizing the training of athletes |
US20140322686A1 (en) * | 2013-04-30 | 2014-10-30 | Rehabtics LLC | Methods for providing telemedicine services |
CN113694502A (zh) * | 2021-09-16 | 2021-11-26 | 中国人民解放军海军特色医学中心 | 一种舰员体适能训练与测评系统 |
CN114187996A (zh) * | 2021-11-19 | 2022-03-15 | 逸群海豚信息科技(上海)有限公司 | 一种个性化运动处方管理系统 |
CN114242203A (zh) * | 2021-12-20 | 2022-03-25 | 广州医科大学附属第二医院 | 一种康复训练管理的方法及系统 |
CN114580418A (zh) * | 2022-03-04 | 2022-06-03 | 河北师范大学 | 一种警察体能训练知识图谱系统 |
CN114974508A (zh) * | 2022-05-20 | 2022-08-30 | 西南大学 | 一种运动处方的生成方法及装置、存储介质及电子设备 |
-
2023
- 2023-03-09 CN CN202310223971.1A patent/CN116564464B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100317489A1 (en) * | 2009-06-16 | 2010-12-16 | Flaction Patrick | Method and device for optimizing the training of athletes |
US20140322686A1 (en) * | 2013-04-30 | 2014-10-30 | Rehabtics LLC | Methods for providing telemedicine services |
CN113694502A (zh) * | 2021-09-16 | 2021-11-26 | 中国人民解放军海军特色医学中心 | 一种舰员体适能训练与测评系统 |
CN114187996A (zh) * | 2021-11-19 | 2022-03-15 | 逸群海豚信息科技(上海)有限公司 | 一种个性化运动处方管理系统 |
CN114242203A (zh) * | 2021-12-20 | 2022-03-25 | 广州医科大学附属第二医院 | 一种康复训练管理的方法及系统 |
CN114580418A (zh) * | 2022-03-04 | 2022-06-03 | 河北师范大学 | 一种警察体能训练知识图谱系统 |
CN114974508A (zh) * | 2022-05-20 | 2022-08-30 | 西南大学 | 一种运动处方的生成方法及装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116564464B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226665B (zh) | 基于saas平台的人脑健康锻炼系统 | |
CN107799165A (zh) | 一种基于虚拟现实技术的心理评估方法 | |
CN107451407A (zh) | 一种中医智能诊断方法、系统及中医医疗系统 | |
CN105975740B (zh) | 一种带有智能诊断的医疗系统 | |
CN107066814A (zh) | 一种基于望闻问切协同的中医智能辅助诊断系统 | |
CN101647696A (zh) | 健康诊疗智能系统 | |
WO2023155435A1 (zh) | 一种基于神经调控的认知提升训练方法及系统 | |
CN111724895A (zh) | 一种基于人工智能的个性化中医诊疗机器人系统 | |
CN109313937A (zh) | 基于云计算平台的中医脉象辅助诊断系统及方法 | |
CN109859570A (zh) | 一种大脑训练方法及系统 | |
CN109414177A (zh) | 基于云计算平台的中医热成像辅助诊断系统及方法 | |
CN113035353A (zh) | 一种数字孪生健康管理系统 | |
CN110473634A (zh) | 一种基于多域融合学习的遗传代谢病辅助筛查方法 | |
CN109313938A (zh) | 基于云计算平台的中医经络辅助诊断系统及方法 | |
CN116564464B (zh) | 一种基于人工智能的运动训练过程控制方法及系统 | |
CN117711611A (zh) | 一种基于场景融合和mr的MDT远程会诊系统及方法 | |
Zhang et al. | EEG-based spatial elements optimisation design method | |
CN112992312B (zh) | 一种脊髓损伤康复训练合格监测方法及系统 | |
CN113254458B (zh) | 一种水产病害智能化诊断方法 | |
CN115019933A (zh) | 一种融合gmf及cdae的弱视训练方案推荐方法 | |
Al-Naime et al. | IoT based pre-operative prehabilitation program monitoring model: Implementation and preliminary evaluation | |
CN114887169B (zh) | 一种呼吸机智能控制决策方法与系统 | |
CN113178239A (zh) | 一种牙龈萎缩患者日常保健的指导方法及系统 | |
EP4273873A1 (en) | Personalized exercise guidance system and method based on machine learning | |
Gao et al. | Nursing intervention based on smart medical care on the sleep quality of cardiology patients |
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 |