CN117350905A - 一种基于大数据的体育教学管理系统 - Google Patents

Abstract

本发明公开了一种基于大数据的体育教学管理系统，包括：获取模块、制定模块及测试模块，所述获取模块、制定模块及测试模块依次连接；通过所述获取模块基于大数据筛选获取参考运动数据；通过所述制定模块对参考运动数据进行相关性分析，并对相关性分析结果进行筛选，并获取学生数据，根据筛选结果及学生数据制定锻炼计划；通过所述测试模块构建测试学生架构，并根据锻炼计划获取学生的特征数据，将所述特征数据代入到测试学生架构中，并通过整合分析，生成学生测试整体特征数据，对学生整体特征数据进行分析评估，生成锻炼提升程度，通过上述技术方案，本发明能够根据大数据制定初始的锻炼计划，同时可对学生的锻炼提升能力进行评估。

Description

一种基于大数据的体育教学管理系统

技术领域

本发明涉及教学管理技术领域，特别涉及一种基于大数据的体育教学管理系统。

背景技术

体育教学是学生身心健康的重要组成部分，体育教学管理是促进学生体育锻炼的重要手段，在体育教学管理中，制定有效的体育教学管理锻炼计划属于必不可少的学生体育锻炼手段，但是现有的教学场景中，大部分相关教学人员在实际教学中对不同的学生人员一直进行固定化的锻炼计划实施，同时大部分教学人员无时间或无经验进行初始锻炼计划的制定，导致其学生体育教学中的锻炼能力不足，同时教学人员只会针对测试的结果对学生的身体锻炼状态进行查看，无法分析其对应的提升程度。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种基于大数据的体育教学管理系统，能够根据大数据制定初始的锻炼计划，同时可对学生的锻炼提升能力进行评估。

为了实现上述技术目的，本发明提供了如下技术方案：一种基于大数据的体育教学管理系统，包括：

获取模块、制定模块及测试模块，所述获取模块、制定模块及测试模块依次连接；

通过所述获取模块基于大数据筛选获取参考运动数据；

通过所述制定模块对参考运动数据进行相关性分析，并对相关性分析结果进行筛选，并获取学生数据，根据筛选结果及学生数据制定锻炼计划；

通过所述测试模块构建测试学生架构，并根据锻炼计划获取学生的特征数据，将所述特征数据代入到测试学生架构中，并通过整合分析，生成学生测试整体特征数据，对学生整体特征数据进行分析评估，得到锻炼提升程度。

可选的，所述参考运动数据包括身体数据、运动数据及测试数据，其中身体数据包括学生人员编号、身高体重、身体素质、日常活动及饮食习惯，运动数据包括运动类型、对应的运动时间及运动平均强度，测试数据包括测试项目及测试结果，其中日常活动、饮食习惯及身体素质通过专家打分法进行量化处理。

可选的，所述获取模块及制定模块之间还连接有存储模块，其中所述存储模块用于根据树形存储架构对参考运动数据进行存储。

可选的，在所述存储模块中，通过分析数据库对参考运动数据进行存储，其中分析数据库的数据架构为：将地区作为根元素，并在根元素下构建年龄的子元素，在年龄的子元素下，将学生人员编号作为对应的子元素，在学生人员编号的子元素下生成对应的详细描述，其中详细描述包括：身份信息、运动信息及测试信息，在获取参考运动数据后，将参考运动数据分别填写到分析数据库中的数据架构中，以实现参考运动数据的存储。

可选的，在所述制定模块中，对所述参考运动数据进行相关性分析的过程包括：

根据地区及年龄对参考运动数据进行筛选，根据筛选后的参考运动数据，分别生成身体参数、运动参数及影响参数；其中，将身体体重及身体素质进行加权和作为身体参数，将运动时间及运动平均强度的乘积作为运动参数饮食习惯及日常活动的加权和作为影响参数；

将身体参数、运动参数及影响参数作为自变量，将测试结果作为因变量，对自变量及因变量进行多元回归分析，并根据分析结果，对筛选后的参考运动数据进行再次筛选，生成参考数据。

可选的，在所述制定模块中，锻炼计划制定过程包括：

获取学生数据，并对学生数据中的身体信息进行均值计算，对所述参考数据中的身体数据进行均值计算，根据学生数据均值计算结果及参考数据均值计算结果进行差值计算，根据所述差值计算结果，获取初始运动类型，并根据初始运动类型对应的参考数据中的运动时间和运动强度进行均值计算，并根据运动时间和运动强度进行均值计算及初始运动类型，生成锻炼计划。

可选的，所述测试模块中，测试学生架构包括逐层级逐类别的学生节点，其中所述层级依次包括销售、正常及肥胖，所述类别包括男生及女生。

可选的，在所述测试模块中，对所述测试学生架构分别进行同类别、同层级及相邻层级之间的整合处理，其中针对同类别的学生节点对应特征数据进行同类别整合，生成同类别整合结果，在同类别整合后，对同类别整合结果进行层级整合作为层级整合处理结果，对层级整合处理结果拼接到下一层级中的学生节点对应特征数据中，作为相邻层级之间的整合处理结果；其中同类别整合采用均值计算，所述层级整合采用乘积计算；

通过同类别、同层级及相邻层级之间的整合处理对测试学生架构进行处理，生成学生测试整体特征数据。

可选的，在所述测试模块中，对整体数据进行分析的过程包括：

分别获取周期下锻炼计划执行前和执行后的整体特征数据，并通过深度学习网络对执行前和执行后的整体特征数据进行分析处理，生成锻炼提升程度。

本发明具有如下技术效果：

通过上述技术方案，本发明通过使用获取模块采集大数据中相关的学生人员的相关数据，并通过存储模块对相关数据进行有序存储，保证后需使用的有序性和简便性，在存储数据的过程中，通过大数据筛选存储的数据，对其数据进行去除影响因素并根据学生人员的现有条件和身体信息适应性的制定初始的锻炼计划，并在锻炼计划生成后，通过测试模块评价其锻炼计划对学生人员的锻炼提升程度，教学人员可根据锻炼提升程度选择继续执行该锻炼计划或这对锻炼计划进行调整，本发明通过上述的系统能够适应性对学生人员进行体育教学的身体锻炼提升，具有较强的实用性。

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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的系统示意图。

具体实施方式

下面将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，所描述的实施例仅仅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，本领域普通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。

为了解决在现有技术中存在的问题，本发明提供了如下方案：

如图1所述，本发明提供了一种基于大数据的体育教学管理系统，包括：

采集模块、存储模块、制定模块、测试模块、

首先通过采集模块基于大数据筛选对参考运动数据进行提取，其中参考运动数据包括和该处相关的地区时间下的运动相关数据，运动相关数据包括，学生年龄、身高、体重、身体素质、运动类型、运动时长、运动强度、运动测试数据等。

在收集完成上述参考数据后，通过存储模块对筛选的数据进行有序存储，存储过程中构建一定的结构时其数据产生一定的有序性和关联性，方便后续的运动数据分析，同时将运动的测试数据进行整合，生成适合域该地区的测试方式。

制定模块用于对所述参考数据进行分析，并根据分析结果制定对应的锻炼计划，以提升运动效率；

测试模块通过根据相对应的测试数据，其制定测试表格，对相关人员的测试锻炼提升程度进行量化处理，并相关教学人员可根据测试结果进行分析，以对其锻炼计划进行补充完善。

本发明可针对性的对不同地区，不同年龄的学生进行适应性的运动锻炼方法和能力进行适应性改进，为相关教师人员提供锻炼计划的参考和后期的测试锻炼提升的评价。

本发明上述技术方案中，采集模块采用计算机，通过采集模块首先在学校、教育机构、训练中心等数据库或者从互联网公开的数据中进行相关数据的获取，并对获取的数据进行筛选，其中将一定地区范围及年龄范围的相关学生人员的运动信息进行获取，其中一定地区范围可选择城市、同一经度下城市经济相似的城市等具有一定相似性地区范围，一定地区范围可根据相关教师人员的人工经验设置，防止较大的地区差异使锻炼计划出现较大的偏差，并根据其体育教学管理的相关学生年龄段进行年龄段的筛选，根据一定范围及年龄范围在大数据进行筛选，筛选出与地区年龄相关的学生人员的运动数据作为参考运动数据为后续的体育教学的锻炼计划进行初步的制定；其中参考运动数据主要包括地区信息、学生人员身体信息、运动信息及测试信息，其中学生人员身体信息包括，学生人员编号、身高体重、身体素质、日常活动及饮食习惯等信息，其中运动信息包括运动类型、对应的运动时间及运动强度，测试信息包括测试项目、测试结果等数据。

在对上述内容进行下载获取完成后，存储模块采用处理器和存储器，通过存储模块将上述数据进行有序处理，并根据排序的内容进行存储，其上述内容获取的多源数据数据量较大且类型较多，若将数据直接进行保存，后续对于数据的查找较为复杂后续的使用也较为繁琐，所以对上述数据进行有序处理，保证大数据所筛选的数据的易使用性，可采用对应的树形结构对其存储结构进行设计；

具体的，首先构建分析数据的数据架构，数据架构中将地区作为根元素，并在根元素下构建对应的年龄的子元素，在该子元素下，将学生人员编号作为其对应的子元素，在该学生人员编号下生成对应的详细描述，其中详细描述包括：身份信息、运动信息及测试信息，在获取对应的数据后，将获取的数据分别填写到上述不同元素及详细描述的位置，将其进行有效排序，方便相关人员的对其进行分析。在提取分析过程中，可根据需要分析的地区、年龄将不同的学生人员的相关信息进行导出，导出后，将上述信息进行同一类型的数据排列对应设置，可根据其排列后的结果进行相关学生人员的分析。

同时构建对应的测试内容的测试库的存储结构，测试内容主要为了后续的锻炼结果的测试，其中具体的将年龄段作为根元素，并将测试内容作为年龄段的子元素，并在能力测试内容中添加对应的详细描述，其中详细描述包括人员不同部位及能力测试，其中包括手臂、腿部、腰部、耐力等测试方式，并在对应的测试下构建对应的子元素，子元素为性别，并对性别对应的子元素生成对应的详细描述，该详细描述包括，针对不同部位及能力测试内容的对应的测试方式。整体结构构建完成后，根据获取的数据对上述架构进行填写，针对男生手臂存储数据的结构的填写内容如年龄段：14-15岁-能力测试内容：手臂测试-男：俯卧撑、引体向上、臂力器、握力器。该数据库中的填写的数据同样通过相关数据库或者互联网下载获取，通过构建测试内容的测试库对应的存储结构，在后续将对应年龄段、能力测试内容、性别、测试方式的测试数据进行导出，导出后生成对应的表格数据，在后期进行测试时，选择合适的测试方式对相关人员进行测试。

在制定模块中，制定模块采用计算机，在上述的数据库构建完成后，以学生身体信息、运动信息和测试信息为基础进行分析，其中思路为将饮食及日常活动进行去除，只针对运动信息、身体素质和测试的结果进行相关性分析。获取上述的数据后，将其作为参考数据进行锻炼计划的制定，其具体过程中，以地区和需要制定锻炼计划的对应年龄段，在分析数据库中对学生的信息进行提取，并提取完成后，以运动类型的不同，分别对其进行相关性分析，将身体体重及身体素质进行加权和作为身体参数，将运动时间及运动平均强度的乘积作为运动参数，并将饮食和日常活动进行相关人员评分的量化处理，饮食及日常活动的加权和作为影响参数，其中加权和中的权重和评分根据相关教学人员的人工经验进行设置和操作，将身体参数、运动参数及影响参数作为自变量，将运动类型对应的测试项目的测试结果作为因变量，如跑步，其跑步主要提升腿部能力及耐力能力，所以在跑步运动类型下将对应的腿部测试结果和耐力测试结果作为因变量，根据自变量和因变量进行多元回归分析，在多元回归分析后，在因变量中减去影响参数与多元回归分析生成对应的权重的乘积，来去除影响参数的影响，得到相关数据，使最终的结果只作为身体参数和运动参数的相关数据，对相关数据进行分级处理，运动类型中，首先对运动强度及运动时间进行阈值设置，当高于该阈值时，则将数据进行去除，阈值可根据相关人员的人工经验进行设置，防止较大的误差数据对于锻炼的制定产生影响，将去除相关数据中最大的40％对应的学生编号对应的身体信息、运动信息作为参考数据，用于后期的锻炼计划的制定。

在参考数据确定后，首先根据体育教学内部现有的条件，对运动类型进行筛选，筛选出该条件下能够进行相关运动的运动类型，在对运动类型进行筛选后，其为将筛选后的运动类型合适于学生，根据学生的身体素质对运动类型进行筛选。具体的，对学生单位的身体信息的均值数值，其中单位可选择班级或组作为单位，对运动类型进行再次筛选，具体的，统计学生相关人员的身高体重、身体素质和日常活动及饮食习惯等信息，日常活动和饮食习惯根据相关人员的人工经验进行分值评判，以此进行量化处理，并在统计过程中在不同信息下去除较高或者较低的数值，防止数值差异较大，并计算身高体重指数、身体素质和日常活动及饮食习惯的评分的均值作为第一均值，并计算不同运动类型下，参数数据对应的身体信息的均值数值作为第二均值，在第一均值与第二均值之间进行差值计算，并对差值进行加权和计算，权重根据教学人员的相关人工经验进行设置，将差值加权和计算结果最小的运动类型作为初始运动类型，在初始运动类型确定完成后，针对不同初始运动类型锻炼的身体部位或能力，对不同身体部位或能力对应的初始运动类型进行随机选取，不同的身体部位随机选择一种运动类型进行锻炼，生成计划运动类型。若某一身体部位或能力未对应有一种初始运动类型，则教学人员根据相关人工经验进行补充，同时对于不同身体部位或者能力对应的初始运动类型相关教学人员同样可进行自行选取。

锻炼计划中的计划运动类型进行补充后，根据教学的时间对运动类型进行运动时间进行初始的分配，其中将参考数据中的运动时间和运动强度进行均值计算，均值完成后，统计不同运动类型对应的运动时间的比值，根据不同运动类型对应的运动时间的比值对教学时间进行分配，同时计算运动强度均值，根据运动类型-运动时间-运动强度生成对应的体育教学过程中的锻炼计划，以提升学生的锻炼能力和身体素质，在锻炼计划生成后，若存在补充的运动类型，则相关教学人员根据运动类型对锻炼计划进行调整，同时锻炼计划生成后，相关人员可对锻炼计划进行查看并进行调整，生成最终的锻炼计划。

现在的教学场景中，大部分相关教学人员在实际教学中对不同的学生人员一直进行固定化的锻炼计划实施，同时大部分教学人员无时间或无经验进行初始锻炼计划的制定，而本发明通过对学生相关人员进行大数据分析，并通过大数据分析对该单位的学生人员进行运动相关数据的选择，帮助教学人员制定对应适用性的初始锻炼计划，相关教学人员在初始的锻炼计划上进行简单的适应性的改进即可生成最终的锻炼计划，本发明能够有效帮助教学人员的锻炼计划制定，同时保证锻炼的有效性和适用性。

在锻炼计划进行实施过程中，本发明还通过测试模块(载体为计算机)对学生人员对应的锻炼能力进行测试，具体的，通过测试库对生成对应的测试表，测试表包括年龄段、能力测试内容、性别及测试方式，上述数据导出后，教学人员根据现有条件及人工经验选择合适的测试方式，生成对应的测试表格对学生人员的锻炼能力进行确定，并通过该表格的内容，对学生进行测试，生成不同测试项目的对应测试结果。

在测试过程中，以单位为基础对学生人员的整体锻炼能力进行测试，具体的，根据学生人员的身高体重指数进行分级，划分为消瘦、正常及肥胖的不同层级，针对不同层级，对该单位下的学生人员进行对应的数据聚合处理，具体的，将不同层级下的学生作为该层级下的节点，并根据性别对应层级进行不同类别的分配，并根据身体信息、运动信息、不同测试项目对应的测试结果作为节点特征数据赋予学生节点；需要说明的是，本发明对于部分参数，如日常活动、饮食习惯、身体素质、教学人员可根据人工经验对其进行量化处理也可根据专家打分法进行量化处理，节点特征数据赋予过程中测试结果可选择单一项或全部的测试结果，后续处理对应生成的是单一项或全部的测试锻炼提升程度。

将同类别下的学生节点对应的特征数据进行同类别的数据整合，并将同一层级下的不同类别进行层级聚合，并在层级聚合后将，层级聚合的结果拼接到下一层级的学生节点中，将整合拼接后的学生节点特征数据替换之前该学生节点的初始节点特征数据，并将替换后的节点特征数据依次进行同类别的数据整合及层级整合及替换，直到完成所有学生节点上的所有层级，最终生成该单位学生的整体特征数据。

针对同类别的整合、层级整合及拼接处理，将同一类别下的所有学生节点对应的特征数据，对学生节点中特征数据的不同信息分别进行最大值、最小值或平均化计算，将上述不同信息的计算结果作为同一类别下的同类别的整合处理结果，处理完成后，在同一层级下，对不同的类别对应的同类别的整合处理结果进行乘积运算，将乘积运算结果作为层级的聚类整合结果，并将其拼接于下一层级的节点特征数据中，将拼接后的节点特征数据替换下一层级的节点特征数据，替换更新作为下一层级的节点特征数据。

以上述的消瘦、正常、肥胖的不同层级，不同层级下男女不同性别为例，首先对消瘦层级下的学生节点进行同类别整合和层级整合，首先分别对男女学生的不同类别进行同类别整合，其中对男类别中的全部学生节点特征数据分别对身高体重、身体素质、日常活动、饮食习惯、运动时间、运动强度及测试项目对应的测试结果进行平均化计算，生成同类别整合结果，并对同样女类别中的全部学生节点特征数据分别对身高体重、身体素质、日常活动、饮食习惯、运动时间、运动强度及测试项目对应的测试结果进行平均化计算，生成女类别的同类别整合结果，对男女类别同类别整合结果进行乘积计算，生成层级整合结果，将层级整合结果分别拼接于下一层级即正常层级下的学生节点的特征数据中，将拼接后的特征数据替换正常层级下节点原本的特征数据，并对正常层级下的男女类别分别进行同类别整合，对男女类别的同类别整合结果进行层级整合，层级整合后生成正常层级下的层级整合结果，并将正常层级下的层级整合结果分别拼接到分别拼接于下一层级即肥胖层级下的学生节点的特征数据中，将拼接后的特征数据替换肥胖层级下节点原本的特征数据，并对肥胖层级下的男女类别分别进行同类别整合，对男女类别的同类别整合结果进行层级整合，肥胖层级为最终的层级，所以将肥胖层级的层级整合结果作为最终的整体特征数据。

在锻炼计划制定前，对该单位的学生进行上述层级和类别的分配，在层级和类别分配完成后，不再对层级和类别中的学生节点结构进行调整，并分别将获取一定周期下锻炼计划执行前和执行后的学生的身体数据、运动信息及测试信息代入上述学生节点中，生成该单位学生节点的整体特征数据，将执行前和执行后的整体特征数据分别记为第一特征和第二特征，通过第一特征和第二特征去生成学生的锻炼提升程度；锻炼提升程度通过深度学习网络进行识别生成。

该内容中构建深度学习网络，其中深度学习网络模型采用全连接神经网络，全连接神经网络中的相邻层的各个隐藏节点均存在一定的连接关系，选择全连接神经网络能够更好的拟合不同参数之间的非线性相关性联系，借此希望通过全连接结构的深度学习网络去预测不同参数间的非线性关系进而预测该单位学生的锻炼提升程度。本实施例中全连接神经网络的结构例如为隐藏层数为5，每个隐藏层内的隐藏节点为700。

在使用深度学习网络之前需要进行训练，其中选择历史数据下的不同的学生的身体信息、运动信息及测试结果信息，并通过专家打分的方式基于不同时间下即一定周期下的上述信息对其锻炼提升程度的分值评价生成，并将历史数据下不同时间的身体信息、运动信息及测试结果信息及锻炼提升程度作为训练集和测试集，通过训练集和测试集对深度学习网络进行训练和测试，当达到一定精度时进行使用，否则继续采集样本进行训练。

在生成对应的锻炼提升程度分值后，教学人员可根据锻炼提升程度的分值选择对锻炼计划进行调整或者继续执行。

通过上述技术方案，本发明通过使用采集模块采集大数据中相关的学生人员的相关数据，并通过存储模块对相关数据进行有序存储，保证后需使用的有序性和简便性，在存储数据的过程中，通过大数据筛选存储的数据，对其数据进行去除影响因素并根据学生人员的现有条件和身体信息适应性的制定初始的锻炼计划，并在锻炼计划生成后，通过测试模块评价其锻炼计划对学生人员的锻炼提升程度，教学人员可根据锻炼提升程度选择继续执行该锻炼计划或这对锻炼计划进行调整，本发明通过上述的系统能够适应性对学生人员进行体育教学的身体锻炼提升，具有较强的实用性。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于大数据的体育教学管理系统，其特征在于，包括：

获取模块、制定模块及测试模块，所述获取模块、制定模块及测试模块依次连接；

通过所述获取模块基于大数据筛选获取参考运动数据；

通过所述制定模块对参考运动数据进行相关性分析，并对相关性分析结果进行筛选，并获取学生数据，根据筛选结果及学生数据制定锻炼计划；

通过所述测试模块构建测试学生架构，并根据锻炼计划获取学生的特征数据，将所述特征数据代入到测试学生架构中，并通过整合分析，生成学生测试整体特征数据，对学生整体特征数据进行分析评估，得到锻炼提升程度。

2.根据权利要求1所述的系统，其特征在于：

所述参考运动数据包括身体数据、运动数据及测试数据，其中身体数据包括学生人员编号、身高体重、身体素质、日常活动及饮食习惯，运动数据包括运动类型、对应的运动时间及运动平均强度，测试数据包括测试项目及测试结果，其中日常活动、饮食习惯及身体素质通过专家打分法进行量化处理。

3.根据权利要求1所述的系统，其特征在于：

所述获取模块及制定模块之间还连接有存储模块，其中所述存储模块用于根据树形存储架构对参考运动数据进行存储。

4.根据权利要求3所述的系统，其特征在于：

在所述存储模块中，通过分析数据库对参考运动数据进行存储，其中分析数据库的数据架构为：将地区作为根元素，并在根元素下构建年龄的子元素，在年龄的子元素下，将学生人员编号作为对应的子元素，在学生人员编号的子元素下生成对应的详细描述，其中详细描述包括：身份信息、运动信息及测试信息，在获取参考运动数据后，将参考运动数据分别填写到分析数据库中的数据架构中，以实现参考运动数据的存储。

5.根据权利要求2所述的系统，其特征在于：

在所述制定模块中，对所述参考运动数据进行相关性分析的过程包括：

根据地区及年龄对参考运动数据进行筛选，根据筛选后的参考运动数据，分别生成身体参数、运动参数及影响参数；其中，将身体体重及身体素质进行加权和作为身体参数，将运动时间及运动平均强度的乘积作为运动参数饮食习惯及日常活动的加权和作为影响参数；

将身体参数、运动参数及影响参数作为自变量，将测试结果作为因变量，对自变量及因变量进行多元回归分析，并根据分析结果，对筛选后的参考运动数据进行再次筛选，生成参考数据。

6.根据权利要求5所述的系统，其特征在于：

在所述制定模块中，锻炼计划制定过程包括：

获取学生数据，并对学生数据中的身体信息进行均值计算，对所述参考数据中的身体数据进行均值计算，根据学生数据均值计算结果及参考数据均值计算结果进行差值计算，根据所述差值计算结果，获取初始运动类型，并根据初始运动类型对应的参考数据中的运动时间和运动强度进行均值计算，并根据运动时间和运动强度进行均值计算及初始运动类型，生成锻炼计划。

7.根据权利要求1所述的系统，其特征在于：

所述测试模块中，测试学生架构包括逐层级逐类别的学生节点，其中所述层级依次包括销售、正常及肥胖，所述类别包括男生及女生。

8.根据权利要求7所述的系统，其特征在于：

在所述测试模块中，对所述测试学生架构分别进行同类别、同层级及相邻层级之间的整合处理，其中针对同类别的学生节点对应特征数据进行同类别整合，生成同类别整合结果，在同类别整合后，对同类别整合结果进行层级整合作为层级整合处理结果，对层级整合处理结果拼接到下一层级中的学生节点对应特征数据中，作为相邻层级之间的整合处理结果；其中同类别整合采用均值计算，所述层级整合采用乘积计算；

通过同类别、同层级及相邻层级之间的整合处理对测试学生架构进行处理，生成学生测试整体特征数据。

9.根据权利要求8所述的系统，其特征在于：

在所述测试模块中，对整体数据进行分析的过程包括：

分别获取周期下锻炼计划执行前和执行后的整体特征数据，并通过深度学习网络对执行前和执行后的整体特征数据进行分析处理，生成锻炼提升程度。