CN117633480B - 一种运动训练效果的量化评估方法及系统 - Google Patents
一种运动训练效果的量化评估方法及系统 Download PDFInfo
- Publication number
- CN117633480B CN117633480B CN202410112337.5A CN202410112337A CN117633480B CN 117633480 B CN117633480 B CN 117633480B CN 202410112337 A CN202410112337 A CN 202410112337A CN 117633480 B CN117633480 B CN 117633480B
- Authority
- CN
- China
- Prior art keywords
- training
- data set
- training data
- index
- psychological
- 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 531
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000000694 effects Effects 0.000 title claims abstract description 33
- 238000011158 quantitative evaluation Methods 0.000 title abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000013139 quantization Methods 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 18
- 210000003205 muscle Anatomy 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 229940088597 hormone Drugs 0.000 claims description 8
- 239000005556 hormone Substances 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 230000003094 perturbing effect Effects 0.000 claims description 6
- 230000000386 athletic effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000003340 mental effect Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 4
- 230000036314 physical performance Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 1
- 229930182837 (R)-adrenaline Natural products 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229960005139 epinephrine Drugs 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开提供了一种运动训练效果的量化评估方法及系统，涉及智能评估技术领域，方法包括：将第一训练模式和第二训练模式的数据进行存储，得到练习和考核的训练数据集；得到上一训练数据组，每个训练数据组为练习训练数据集、第一训练模式的心理评估指标、考核训练数据集、第二训练模式的心理评估指标；利用双通道孪生网络对上一训练数据组和当前训练数据组进行识别，获取孪生训练数据组；以当前训练数据组和孪生训练数据组输出第一评估指标。能够解决由于未考虑运动者心理波动对训练评估结果造成的影响，导致训练评估结果准确性较低和评估稳定性较差的问题，可以提高训练评估的准确性和稳定性，从而可以帮助运动者制定更精准的训练计划。
Description
技术领域
本公开涉及智能评估技术领域，并且更具体地，涉及一种运动训练效果的量化评估方法及系统。
背景技术
运动训练效果评估是为了深入了解运动训练过程中的实际效果是否达到了预期训练目标，从而为运动者制定更加匹配的训练计划。现有的运动训练效果评估方法通常只是根据运动者的体能参数、动作完成度等可视因素来评估运动训练的质量，并未考虑到运动者心理波动对训练评估结果造成的影响，导致训练评估结果的准确性较低，同时也造成训练评估结果的起伏波动较大。
现有的运动训练效果评估方法存在的不足之处在于：由于未考虑运动者心理波动对训练评估结果造成的影响，导致训练评估结果准确性较低和评估稳定性较差。
发明内容
因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：
一种运动训练效果的量化评估方法，包括以下步骤：通过智能穿戴装置进行数据收集，所述智能穿戴装置包括第一训练模式和第二训练模式，所述智能穿戴装置佩戴于标识用户群，所述标识用户群为运动训练项目相同的同批次用户群体；将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；获取心理评估模块，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；得到上一训练数据组，每个训练数据组为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；利用双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；以当前训练数据组和所述孪生训练数据组，输出第一评估指标。
一种运动训练效果的量化评估系统，包括：数据收集模块，所述数据收集模块用于通过智能穿戴装置进行数据收集，所述智能穿戴装置包括第一训练模式和第二训练模式，所述智能穿戴装置佩戴于标识用户群，所述标识用户群为运动训练项目相同的同批次用户群体；训练数据集得到模块，所述训练数据集得到模块用于将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；心理评估指标得到模块，所述心理评估指标得到模块用于获取心理评估模块，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；上一训练数据组得到模块，所述上一训练数据组得到模块用于得到上一训练数据组，每个训练数据组为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；孪生训练数据组获取模块，所述孪生训练数据组获取模块用于利用双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；第一评估指标输出模块，所述第一评估指标输出模块用于以当前训练数据组和所述孪生训练数据组，输出第一评估指标。
由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：
可以解决传统的运动训练效果评估方法由于未考虑运动者心理波动对训练评估结果造成的影响，导致训练评估结果准确性较低和评估稳定性较差的技术问题。首先，在运动者进行运动训练时，通过智能穿戴设备对运动训练过程进行数据收集，其中所述智能穿戴装置包括第一训练模式和第二训练模式，且所述智能穿戴装置佩戴于标识用户群，其中所述标识用户群为运动训练项目相同的同批次用户群体；然后将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；获取心理评估模块，并根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；获得上一训练数据组，其中每个训练数据组中的训练数据为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；构建双通道孪生网络，并利用所述双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；最后将当前训练数据组和所述孪生训练数据组作为第一评估指标进行输出。通过上述方法可以提高运动训练效果评估的准确性和稳定性，从而可以帮助运动者制定更精准的训练计划，提高运动训练质量。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种运动训练效果的量化评估方法的流程示意图；
图2为本申请提供了一种运动训练效果的量化评估方法中得到孪生训练数据组的流程示意图；
图3为本申请提供了一种运动训练效果的量化评估系统的结构示意图。
附图标记说明：数据收集模块01、训练数据集得到模块02、心理评估指标得到模块03、上一训练数据组得到模块04、孪生训练数据组获取模块05、第一评估指标输出模块06。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
基于上述描述，如图1所示，本公开提供了一种运动训练效果的量化评估方法，包括：
运动训练可以增强人体的肌肉力量和耐力，使得人体更加健康，同时可以提高身体的抗病能力，减少患病风险。本申请提供的方法用于对运动训练效果进行精准量化评估，来达到提高运动训练效果评估准确性和稳定性的目的，所述方法具体实施于一种运动训练效果的量化评估系统。
通过智能穿戴装置进行数据收集，所述智能穿戴装置包括第一训练模式和第二训练模式，所述智能穿戴装置佩戴于标识用户群，所述标识用户群为运动训练项目相同的同批次用户群体；
在本申请实施例中，首先，在运动者进行运动训练时，通过运动者佩戴的智能穿戴装置对运动过程中的训练数据进行采集，得到运动训练数据，其中所述智能穿戴装置佩戴于标识用户群，所述标识用户群是指运动训练项目相同且处于同一训练周期内的用户群体，例如：在上午9时至11时的跆拳道训练班学员，其中所述智能穿戴装置是指具有多种训练数据采集功能的设备，例如：智能手表、运动手环等设备；且所述智能穿戴装置包括第一训练模式和第二训练模式，其中所述第一训练模式为练习模式，所述第二训练模式为考核模式。其中所述多种训练数据包括体能指标参数、训练完成度等，所述体能指标参数包括速度、力量、心率、激素分泌等；所述训练完成度包括完成训练时间、动作完成度、动作标准度等。
通过进行数据采集获得运动训练数据，为下一步进行运动训练效果评估提供了数据支持。
将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；
在本申请实施例中，将所述运动训练数据中所述第一训练模式下的训练数据进行存储，得到练习训练数据集；将所述运动训练数据中所述第二训练模式下的训练数据进行存储，得到考核训练数据集。通过将训练数据划分为练习训练数据集和考核训练数据集，为进行不同训练模式下的心理状态分析提供了支持。
获取心理评估模块，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；
在本申请实施例中，首先，构建心理评估模块，其中所述心理评估模块包括多个心理检测指标，然后根据所述心理评估模块分别对所述第一训练模式下的练习训练数据集和所述第二训练模式下的考核训练数据集进行数据采集，获得基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标。
在一个实施例中，所述方法还包括：
获取多个心理检测指标，所述多个心理检测指标至少包括心率检测指标、肌肉检测指标以及激素检测指标；
根据所述多个心理检测指标分别对所述第一训练模式和所述第二训练模式进行数据采集，并对采集得到的数据进行特征提取，以得到基于第一训练模式的心理评估指标和所述第二训练模式的心理评估指标。
在本申请实施例中，获取多个心理检测指标，其中所述心理检测指标至少包括心率检测指标、肌肉检测指标以及激素检测指标，本领域技术人员可根据实际运动训练类型对上述检测指标进行添加或删除，其中肌肉检测指标包括肌力、肌耐力、爆发力等；其中激素检测指标包括肾上腺素、皮质醇等。
然后根据所述多个心理检测指标对所述第一训练模式的练习训练数据集进行特征数据提取，得到基于所述第一训练模式的心理评估指标；根据所述多个心理检测指标对所述第二训练模式的练习训练数据集进行特征数据提取，得到基于所述第二训练模式的心理评估指标。
在一个实施例中，所述方法还包括：
获取第一扰动因子和第二扰动因子；
根据所述第一扰动因子对用户进行随机扰动，获取扰动后用户心理采集的第一扰动变化指标；
根据所述第二扰动因子对用户进行随机扰动，获取扰动后的第二扰动变化指标；
根据所述第一扰动变化指标和所述第二扰动变化指标进行融合，得到第一心理恢复指标和第二心理恢复指标；
基于所述第一心理恢复指标和所述第二心理恢复指标分别对第一训练模式的心理评估指标和所述第二训练模式的心理评估指标进行调整。
在本申请实施例中，首先，获取第一扰动因子和第二扰动因子，其中扰动因子是指会对用户心理造成扰动，从而影响训练动作或体能参数的外界因素，例如：温度、噪音等外界干扰。其中所述第一扰动因子和所述第二扰动因子的获取方法为：采集用户的历史训练数据，其中所述历史训练数据包括历史扰动因子和对应的扰动变化指标，获取扰动变化阈值，其中扰动变化阈值可根据实际情况进行设置，例如：设置扰动变化阈值为变化幅度2%。将扰动变化指标大于所述扰动变化阈值的历史扰动因子进行提取，得到历史扰动因子集合，并将所述历史扰动因子集合中出现频次最高的历史扰动因子作为第一扰动因子，将出现频次第二高的历史扰动因子作为第二扰动因子。
根据所述第一扰动因子对用户进行随机扰动，并对扰动后的用户进行心理检测指标数据采集，得到第一扰动变化指标，其中所述第一扰动变化指标包括第一变化心率、第一变化肌肉参数、第一变化激素参数。根据所述第二扰动因子对用户进行随机扰动，获取扰动后的第二扰动变化指标，其中所述第二扰动变化指标包括第二变化心率、第二变化肌肉参数、第二变化激素参数。
提取所述第一扰动变化指标和所述第二扰动变化指标中所述第一训练模式下的扰动变化指标，并将提取的扰动变化指标进行融合作为第一训练模式下的第一心理恢复指标；提取所述第一扰动变化指标和所述第二扰动变化指标中所述第二训练模式下的扰动变化指标，并将提取的扰动变化指标进行融合作为所述第二训练模式下的第二心理恢复指标。
根据所述第一心理恢复指标对所述第一训练模式的心理评估指标进行校正，即将所述第一心理恢复指标和所述心理评估指标进行相加，获得更新后的基于所述第一训练模式的心理评估指标，其中所述心理评估指标用于表征用户未受到扰动因子干扰时的心理检测指标；根据所述第二心理恢复指标对所述第二训练模式的心理评估指标进行校正，获得更新后的基于所述第二训练模式的心理评估指标。
通过生成心理恢复指标对心理评估指标进行调整，可以提高心理评估指标获得的准确性，从而间接提高训练效果评估的准确性。
得到上一训练数据组，每个训练数据组为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；
在本申请实施例中，获得上一训练数据组，所述上一训练数据组为用户上一训练周期内的训练数据，其中每个训练数据组中的训练数据包括练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标。通过获得上一训练数据组，为下一步进行当前训练数据组的相似识别提供了支持。
利用双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；
在本申请实施例中，获取当前训练数据组，其中所述当前训练数据组为当前训练周期内的用户训练数据，包括当前练习训练数据集、当前基于所述第一训练模式的心理评估指标、当前考核训练数据集、当前基于所述第二训练模式的心理评估指标。搭建双通道孪生网络，并通过所述双通道孪生网络对所述上一训练数据组和当前训练数据组中基于所述第一训练模式的心理评估指标和基于所述第二训练模式的心理评估指标进行相似性识别，根据相似性识别结果获得当前训练数据组的孪生训练数据组。
如图2所示，在一个实施例中，所述方法还包括：
搭建双通道孪生网络，所述双通道孪生网络包括基于所述第一训练模式的孪生识别通道以及所述第二训练模式的孪生识别通道，所述双通道孪生网络还包括一反馈输出模块；
其中，所述第一训练模式的孪生识别通道权重共享，第二训练模式的孪生识别通道权重共享；
获取当前训练数据组，将当前训练数据组和所述上一训练数据组输入所述双通道孪生网络中，根据所述第一训练模式的孪生识别通道，输出练习-心理评估指标的相似系数，根据所述第二训练模式的孪生识别通道，输出考核-心理评估指标的相似系数；
根据所述练习-心理评估指标的相似系数和所述考核-心理评估指标的相似系数，得到所述反馈输出模块输出的孪生训练数据组。
在本申请实施例中，首先，搭建双通道孪生网络，其中所述双通道孪生网络包括基于所述第一训练模式的孪生识别通道、基于所述第二训练模式的孪生识别通道和反馈输出模块。其中所述第一训练模式的孪生识别通道的输入数据为上一训练数据组中的基于所述第一训练模式的心理评估指标、当前训练数据组中的基于所述第一训练模式的心理评估指标，且所述第一训练模式的孪生识别通道权重共享，即所述第一训练模式的孪生识别通道的心理评估指标分析通道的权重参数相同；所述第二训练模式的孪生识别通道的输入数据为上一训练数据组中基于所述第二训练模式的心理评估指标、当前训练数据组中的基于所述第二训练模式的心理评估指标，且所述第二训练模式的孪生识别通道权重共享。
获取当前训练数据组，其中所述当前训练数据组为当前训练周期内的用户训练数据，并将所述当前训练数据组和所述上一训练数据组输入所述双通道孪生网络中，根据所述第一训练模式的孪生识别通道对所述当前训练数据组和所述上一训练数据组中基于所述第一训练模式的心理评估指标进行相似度分析，并将相似度分析结果作为练习-心理评估指标的相似系数，其中常见的相似度分析方法包括Jaccard相似系数分析法、余弦相似度分析法等，本领域技术人员可根据实际情况进行选择。根据所述第二训练模式的孪生识别通道对所述当前训练数据组和所述上一训练数据组中的基于所述第二训练模式的心理评估指标进行相似度分析，并将相似度分析结果作为考核-心理评估指标的相似系数。
将所述练习-心理评估指标的相似系数和所述考核-心理评估指标的相似系数输入所述反馈输出模块，获得所述反馈输出模块输出的孪生训练数据组。
在一个实施例中，所述方法还包括：
根据所述练习-心理评估指标的相似系数，获取第一反馈系数，所述第一反馈系数为与上一训练数据组的练习-心理评估指标相似系数对应的练习反馈系数；
根据所述第一反馈系数对当前训练数据组中的练习训练数据集进行反馈调节，得到练习-孪生训练数据集；
根据所述考核-心理评估指标的相似系数，获取第二反馈系数，所述第二反馈系数为与上一训练数据组的考核-心理评估指标相似系数对应的考核反馈系数；
根据所述第二反馈系数对当前训练数据组中的考核训练数据集进行反馈调节，得到考核-孪生训练数据集；
以所述练习-孪生训练数据集和所述考核-孪生训练数据集作为所述孪生训练数据组输出。
在本申请实施例中，首先，将所述练习-心理评估指标的相似系数与历史训练损失数据均值相乘获得第一反馈系数，其中所述第一反馈系数为与上一训练数据组的练习-心理评估指标相似系数对应的练习反馈系数，所述第一反馈系数用于表征由于用户训练时的心理波动对训练数据造成的损失，其中所述历史训练损失数据均值为练习-心理评估指标相似系数为100%情况下的训练损失数据，可通过多组历史训练损失数据进行均值计算获得。然后根据所述第一反馈系数对当前训练数据组中的练习训练数据集进行反馈调节，即将所述第一反馈系数中的训练损失数据与所述练习训练数据集进行相加求和，得到练习-孪生训练数据集。
将所述考核-心理评估指标的相似系数与历史考核损失数据均值相乘获得第二反馈系数，其中所述第二反馈系数为与上一训练数据组的考核-心理评估指标相似系数对应的考核反馈系数。然后根据所述第二反馈系数对当前训练数据组中的考核训练数据集进行反馈调节，得到考核-孪生训练数据集。最后将所述练习-孪生训练数据集和所述考核-孪生训练数据集作为孪生训练数据组进行输出，获取当前训练数据组的孪生训练数据组。
通过获得孪生训练数据组，可以提高训练数据组获得的准确性，从而可以输出客观性的体能提升效果。
以当前训练数据组和所述孪生训练数据组，输出第一评估指标。
在本申请实施例中，最后将当前训练数据组和所述孪生训练数据组作为训练评估数据进行输出，并对所述孪生训练数据组中的练习-孪生训练数据集进行练习训练效果评估，获得第一练习训练评估结果；对所述孪生训练数据组中的考核-孪生训练数据集进行考核训练效果评估，得到第一考核训练评估结果，并根据所述第一练习训练评估结果和所述第一考核训练评估结果得到第一评估指标。
通过上述方法可以解决传统的运动训练效果评估方法由于未考虑运动者心理波动对训练评估结果造成的影响，导致训练评估结果准确性较低和评估稳定性较差的技术问题，可以提高运动训练效果评估的准确性和稳定性，从而可以帮助运动者制定更精准的训练计划，提高运动训练质量。
在一个实施例中，所述方法还包括：
以所述练习训练数据集和所述考核训练数据集进行比对，获取第一用户的第一训练增益指标；
设置多级用户群量化指标，根据所述多级用户群量化指标对所述第一用户进行预测，得到M个预测增益指标；
基于所述第一训练增益指标对所述M个预测增益指标进行寻优，获取第一用户群量化指标；
在本申请实施例中，首先，将所述练习训练数据集和所述考核训练数据集进行比对，根据比对结果获取第一用户的第一训练增益指标，其中所述第一用户为所述标识用户群中的任意一个用户，其中所述第一训练增益指标为多个训练增益指标中的任意一个，例如：肌肉增益、力量增益、速度增益等。
设置多级用户群量化指标，其中所述多级用户群量化指标本领域技术人员可根据实际情况自行设置，例如：设置15人的用户训练群、18人的用户训练群等；然后根据所述多级用户群量化指标对所述第一用户进行预测，获得M个预测增益指标，其中M为用户群的个数。其中预测增益指标的预测方法可通过构建神经网络模型进行预测，例如：基于BP神经网络构建增益预测模型，其中所述增益预测模型为机器学习中可以进行迭代优化的神经网络模型，通过监督训练获得，其中所述增益预测模型的输入数据为用户群中用户数量、训练增益类型，输出数据为增益指标；基于大数据技术进行检索获得多个样本训练数据，其中所述样本训练数据包括样本用户数量、样本训练增益类型、样本增益指标；然后通过所述多个样本训练数据对所述增益预测模型进行监督训练，获得趋于收敛状态的增益预测模型。并将所述多级用户群量化指标和第一训练增益指标类型输入所述增益预测模型进行增益预测，输出M个预测增益指标。
根据所述第一训练增益指标对所述M个预测增益指标进行寻优，得到第一用户群量化指标。
在一个实施例中，所述方法还包括：
根据所述M个预测增益指标进行分区，得到多个寻优区块，每个寻优区块随机等分所述M个预测增益指标；
对所述多个寻优区块中的用户群量化指标进行最大化增益识别，得到所述多个寻优区块对应的多个标识增益指标；
以每个寻优区块中对应的标识增益指标为同化目标，对区块中未标识的增益指标进行优化调节，并判断是否满足标识替换条件，若满足更换对应区块的标识增益指标，以此类推，直至迭代预设轮次后，得到第一用户群量化指标。
在本申请实施例中，首先，对所述M个预测增益指标进行随机等分，获得多个寻优区块，其中寻优区块的数量可基于实际情况自行设置。然后将寻优区块中的最大预测增益指标对应的用户群量化指标作为所述寻优区块的标识增益指标，得到所述多个寻优区块对应的多个标识增益指标。
将每个寻优区块中对应的标识增益指标作为同化目标，根据预设寻优步长对区块中未标识的增益指标进行优化调节，其中所述预设寻优步长为用户群单位人数，可根据用户群中实际用户数量进行设置，例如：设置预设寻优步长为每次调整数量为1人。然后根据所述增益预测模型对每次完成寻优的寻优区块中未标识的增益指标进行增益预测，获得多个未标识增益指标的预测增益指标；然后将每个寻优区块中多个未标识增益指标和标识增益指标进行比对，当未标识增益指标大于标识增益指标时，则用该未标识增益指标替换所述标识增益指标成为更新后的标识增益指标。
不断进行迭代寻优，直到当前寻优次数等于预设寻优轮次后，则停止寻优，其中所述预设寻优轮次本领域技术人员可根据实际需求进行设置，其中寻优需求精度越高，则预设寻优轮次越大，例如：可设置预设寻优轮次为1000次，并将当前多个寻优区块中最大预测增益指标对应的用户群量化指标作为第一用户群量化指标进行输出，得到第一用户群量化指标。
根据所述第一用户群量化指标对所述第一用户的训练群人数进行优化调整。
在本申请实施例中，利用获得第一用户群量化指标的方法依次获得多个训练增益类型的用户群量化指标，然后对多个用户群量化指标进行加权求和，其中用户群量化指标的权重系数可基于训练增益类型对用户整体训练效果的增益影响性进行设置，其中增益影响性越大，则对应的权重系数越大，可通过现有的变异系数法进行权重系数计算，变异系数法为本领域技术人员常用的赋权方法，在此不进行展开说明，并将加权求和结果取整作为最优用户群量化指标，并根据最优用户群量化指标对所述第一用户的训练群人数进行优化调整。
通过利用寻优算法进行寻优获得最优用户群量化指标，由于该算法的全局搜索能力较强，因此可以提高最优用户群量化指标获得的准确性和合理性；并根据最优用户群量化指标进行训练人数调整，从而可以进一步提高用户的训练质量。
在一个实施例中，如图3所示提供了一种运动训练效果的量化评估系统，包括：数据收集模块01、训练数据集得到模块02、心理评估指标得到模块03、上一训练数据组得到模块04、孪生训练数据组获取模块05、第一评估指标输出模块06、其中：
数据收集模块01，所述数据收集模块01用于通过智能穿戴装置进行数据收集，所述智能穿戴装置包括第一训练模式和第二训练模式，所述智能穿戴装置佩戴于标识用户群，所述标识用户群为运动训练项目相同的同批次用户群体；
训练数据集得到模块02，所述训练数据集得到模块02用于将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；
心理评估指标得到模块03，所述心理评估指标得到模块03用于获取心理评估模块，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；
上一训练数据组得到模块04，所述上一训练数据组得到模块04用于得到上一训练数据组，每个训练数据组为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；
孪生训练数据组获取模块05，所述孪生训练数据组获取模块05用于利用双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；
第一评估指标输出模块06，所述第一评估指标输出模块06用于以当前训练数据组和所述孪生训练数据组，输出第一评估指标。
在一个实施例中，所述系统还包括：
双通道孪生网络搭建模块，所述双通道孪生网络搭建模块用于搭建双通道孪生网络，所述双通道孪生网络包括基于所述第一训练模式的孪生识别通道以及所述第二训练模式的孪生识别通道，所述双通道孪生网络还包括一反馈输出模块；
权重共享模块，所述权重共享模块是指其中，所述第一训练模式的孪生识别通道权重共享，第二训练模式的孪生识别通道权重共享；
相似系数输出模块，所述相似系数输出模块用于获取当前训练数据组，将当前训练数据组和所述上一训练数据组输入所述双通道孪生网络中，根据所述第一训练模式的孪生识别通道，输出练习-心理评估指标的相似系数，根据所述第二训练模式的孪生识别通道，输出考核-心理评估指标的相似系数；
孪生训练数据组得到模块，所述孪生训练数据组得到模块用于根据所述练习-心理评估指标的相似系数和所述考核-心理评估指标的相似系数，得到所述反馈输出模块输出的孪生训练数据组。
在一个实施例中，所述系统还包括：
第一反馈系数获取模块，所述第一反馈系数获取模块用于根据所述练习-心理评估指标的相似系数，获取第一反馈系数，所述第一反馈系数为与上一训练数据组的练习-心理评估指标相似系数对应的练习反馈系数；
练习-孪生训练数据集得到模块，所述练习-孪生训练数据集得到模块用于根据所述第一反馈系数对当前训练数据组中的练习训练数据集进行反馈调节，得到练习-孪生训练数据集；
第二反馈系数获取模块，所述第二反馈系数获取模块用于根据所述考核-心理评估指标的相似系数，获取第二反馈系数，所述第二反馈系数为与上一训练数据组的考核-心理评估指标相似系数对应的考核反馈系数；
考核-孪生训练数据集得到模块，所述考核-孪生训练数据集得到模块用于根据所述第二反馈系数对当前训练数据组中的考核训练数据集进行反馈调节，得到考核-孪生训练数据集；
孪生训练数据组输出模块，所述孪生训练数据组输出模块用于以所述练习-孪生训练数据集和所述考核-孪生训练数据集作为所述孪生训练数据组输出。
在一个实施例中，所述系统还包括：
心理检测指标获取模块，所述心理检测指标获取模块用于获取多个心理检测指标，所述多个心理检测指标至少包括心率检测指标、肌肉检测指标以及激素检测指标；
心理评估指标得到模块，所述心理评估指标得到模块用于根据所述多个心理检测指标分别对所述第一训练模式和所述第二训练模式进行数据采集，并对采集得到的数据进行特征提取，以得到基于第一训练模式的心理评估指标和所述第二训练模式的心理评估指标。
在一个实施例中，所述系统还包括：
扰动因子获取模块，所述扰动因子获取模块用于获取第一扰动因子和第二扰动因子；
第一扰动变化指标获取模块，所述第一扰动变化指标获取模块用于根据所述第一扰动因子对用户进行随机扰动，获取扰动后用户心理采集的第一扰动变化指标；
第二扰动变化指标获取模块，所述第二扰动变化指标获取模块用于根据所述第二扰动因子对用户进行随机扰动，获取扰动后的第二扰动变化指标；
心理恢复指标得到模块，所述心理恢复指标得到模块用于根据所述第一扰动变化指标和所述第二扰动变化指标进行融合，得到第一心理恢复指标和第二心理恢复指标；
心理评估指标调整模块，所述心理评估指标调整模块用于基于所述第一心理恢复指标和所述第二心理恢复指标分别对第一训练模式的心理评估指标和所述第二训练模式的心理评估指标进行调整。
在一个实施例中，所述系统还包括：
第一训练增益指标获取模块，所述第一训练增益指标获取模块用于以所述练习训练数据集和所述考核训练数据集进行比对，获取第一用户的第一训练增益指标；
预测增益指标得到模块，所述预测增益指标得到模块用于设置多级用户群量化指标，根据所述多级用户群量化指标对所述第一用户进行预测，得到M个预测增益指标；
第一用户群量化指标获取模块，所述第一用户群量化指标获取模块用于基于所述第一训练增益指标对所述M个预测增益指标进行寻优，获取第一用户群量化指标；
训练群人数优化调整模块，所述训练群人数优化调整模块用于根据所述第一用户群量化指标对所述第一用户的训练群人数进行优化调整。
在一个实施例中，所述系统还包括：
寻优区块得到模块，所述寻优区块得到模块用于根据所述M个预测增益指标进行分区，得到多个寻优区块，每个寻优区块随机等分所述M个预测增益指标；
标识增益指标得到模块，所述标识增益指标得到模块用于对所述多个寻优区块中的用户群量化指标进行最大化增益识别，得到所述多个寻优区块对应的多个标识增益指标；
第一用户群量化指标得到模块，所述第一用户群量化指标得到模块用于以每个寻优区块中对应的标识增益指标为同化目标，对区块中未标识的增益指标进行优化调节，并判断是否满足标识替换条件，若满足更换对应区块的标识增益指标，以此类推，直至迭代预设轮次后，得到第一用户群量化指标。
综上所述，与现有技术相比，本公开的实施例具有以下技术效果：
（1）通过根据心理评估指标对用户的训练数据集进行校正，可以提高训练数据集获得的准确性，同时由于去除了心理波动对训练数据造成的影响，使得训练数据集的波动幅度更小，从而可以提高运动训练效果评估的准确性和稳定性，进一步帮助运动者制定更精准的训练计划，提高运动训练质量。
（2）通过生成心理恢复指标对心理评估指标进行调整，可以提高心理评估指标获得的准确性，从而间接提高训练效果评估的准确性。
（3）通过搭建双通道孪生网络对训练数据组进行相似性分析，可以提高孪生训练数据组获得的效率和准确性，从而可以提高训练数据组获得的准确性，输出客观性的体能提升效果。
（4）通过利用寻优算法进行寻优获得最优用户群量化指标，由于该算法的全局搜索能力较强，因此可以提高最优用户群量化指标获得的准确性和合理性；并根据最优用户群量化指标进行训练人数调整，从而可以进一步提高用户的训练质量。
以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.一种运动训练效果的量化评估方法，其特征在于，所述方法包括：
通过智能穿戴装置进行数据收集，所述智能穿戴装置包括第一训练模式和第二训练模式，所述智能穿戴装置佩戴于标识用户群，所述标识用户群为运动训练项目相同的同批次用户群体；
将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；
获取心理评估模块，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；
得到上一训练数据组，每个训练数据组为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；
利用双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；
以当前训练数据组和所述孪生训练数据组，输出第一评估指标。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
搭建双通道孪生网络，所述双通道孪生网络包括基于所述第一训练模式的孪生识别通道以及所述第二训练模式的孪生识别通道，所述双通道孪生网络还包括一反馈输出模块；
其中，所述第一训练模式的孪生识别通道权重共享，第二训练模式的孪生识别通道权重共享；
获取当前训练数据组，将当前训练数据组和所述上一训练数据组输入所述双通道孪生网络中，根据所述第一训练模式的孪生识别通道，输出练习-心理评估指标的相似系数，根据所述第二训练模式的孪生识别通道，输出考核-心理评估指标的相似系数；
根据所述练习-心理评估指标的相似系数和所述考核-心理评估指标的相似系数，得到所述反馈输出模块输出的孪生训练数据组。
3.如权利要求2所述的方法，其特征在于，得到所述反馈输出模块输出的孪生训练数据组，方法包括：
根据所述练习-心理评估指标的相似系数，获取第一反馈系数，所述第一反馈系数为与上一训练数据组的练习-心理评估指标相似系数对应的练习反馈系数；
根据所述第一反馈系数对当前训练数据组中的练习训练数据集进行反馈调节，得到练习-孪生训练数据集；
根据所述考核-心理评估指标的相似系数，获取第二反馈系数，所述第二反馈系数为与上一训练数据组的考核-心理评估指标相似系数对应的考核反馈系数；
根据所述第二反馈系数对当前训练数据组中的考核训练数据集进行反馈调节，得到考核-孪生训练数据集；
以所述练习-孪生训练数据集和所述考核-孪生训练数据集作为所述孪生训练数据组输出。
4.如权利要求1所述的方法，其特征在于，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，方法还包括：
获取多个心理检测指标，所述多个心理检测指标至少包括心率检测指标、肌肉检测指标以及激素检测指标；
根据所述多个心理检测指标分别对所述第一训练模式和所述第二训练模式进行数据采集，并对采集得到的数据进行特征提取，以得到基于第一训练模式的心理评估指标和所述第二训练模式的心理评估指标。
5.如权利要求4所述的方法，其特征在于，得到基于第一训练模式的心理评估指标和所述第二训练模式的心理评估指标，方法还包括：
获取第一扰动因子和第二扰动因子；
根据所述第一扰动因子对用户进行随机扰动，获取扰动后用户心理采集的第一扰动变化指标；
根据所述第二扰动因子对用户进行随机扰动，获取扰动后的第二扰动变化指标；
根据所述第一扰动变化指标和所述第二扰动变化指标进行融合，得到第一心理恢复指标和第二心理恢复指标；
基于所述第一心理恢复指标和所述第二心理恢复指标分别对第一训练模式的心理评估指标和所述第二训练模式的心理评估指标进行调整。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
以所述练习训练数据集和所述考核训练数据集进行比对，获取第一用户的第一训练增益指标；
设置多级用户群量化指标，根据所述多级用户群量化指标对所述第一用户进行预测，得到M个预测增益指标；
基于所述第一训练增益指标对所述M个预测增益指标进行寻优，获取第一用户群量化指标；
根据所述第一用户群量化指标对所述第一用户的训练群人数进行优化调整。
7.如权利要求6所述的方法，其特征在于，基于所述第一训练增益指标对所述M个预测增益指标进行寻优，方法还包括：
根据所述M个预测增益指标进行分区，得到多个寻优区块，每个寻优区块随机等分所述M个预测增益指标；
对所述多个寻优区块中的用户群量化指标进行最大化增益识别，得到所述多个寻优区块对应的多个标识增益指标；
以每个寻优区块中对应的标识增益指标为同化目标，对区块中未标识的增益指标进行优化调节，并判断是否满足标识替换条件，若满足更换对应区块的标识增益指标，以此类推，直至迭代预设轮次后，得到第一用户群量化指标。
8.一种运动训练效果的量化评估系统，其特征在于，用于执行权利要求1-7中所述的一种运动训练效果的量化评估方法中任意一项方法的步骤，所述系统包括：
数据收集模块，所述数据收集模块用于通过智能穿戴装置进行数据收集，所述智能穿戴装置包括第一训练模式和第二训练模式，所述智能穿戴装置佩戴于标识用户群，所述标识用户群为运动训练项目相同的同批次用户群体；
训练数据集得到模块，所述训练数据集得到模块用于将所述第一训练模式和所述第二训练模式对应的数据进行存储，得到练习训练数据集和考核训练数据集；
心理评估指标得到模块，所述心理评估指标得到模块用于获取心理评估模块，根据所述心理评估模块分别对所述第一训练模式和所述第二训练模式进行数据采集，得到基于所述第一训练模式的心理评估指标和所述第二训练模式的心理评估指标；
上一训练数据组得到模块，所述上一训练数据组得到模块用于得到上一训练数据组，每个训练数据组为练习训练数据集、基于所述第一训练模式的心理评估指标、考核训练数据集、基于所述第二训练模式的心理评估指标；
孪生训练数据组获取模块，所述孪生训练数据组获取模块用于利用双通道孪生网络对所述上一训练数据组和当前训练数据组进行识别，获取当前训练数据组的孪生训练数据组；
第一评估指标输出模块，所述第一评估指标输出模块用于以当前训练数据组和所述孪生训练数据组，输出第一评估指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410112337.5A CN117633480B (zh) | 2024-01-26 | 2024-01-26 | 一种运动训练效果的量化评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410112337.5A CN117633480B (zh) | 2024-01-26 | 2024-01-26 | 一种运动训练效果的量化评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633480A CN117633480A (zh) | 2024-03-01 |
| CN117633480B true CN117633480B (zh) | 2024-04-05 |
Family
ID=90027323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410112337.5A Active CN117633480B (zh) | 2024-01-26 | 2024-01-26 | 一种运动训练效果的量化评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633480B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512222A (zh) * | 2022-09-26 | 2022-12-23 | 武汉大学 | 一种线下训练-线上学习的灾害场景地物损毁评估方法 |
| CN116741148A (zh) * | 2023-05-29 | 2023-09-12 | 杭州萧山国际机场有限公司 | 一种基于数字孪生的语音识别系统 |
| CN116829050A (zh) * | 2020-09-25 | 2023-09-29 | 莱纳斯健康公司 | 用于机器学习辅助的认知评估和治疗的系统和方法 |
-
2024
- 2024-01-26 CN CN202410112337.5A patent/CN117633480B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116829050A (zh) * | 2020-09-25 | 2023-09-29 | 莱纳斯健康公司 | 用于机器学习辅助的认知评估和治疗的系统和方法 |
| CN115512222A (zh) * | 2022-09-26 | 2022-12-23 | 武汉大学 | 一种线下训练-线上学习的灾害场景地物损毁评估方法 |
| CN116741148A (zh) * | 2023-05-29 | 2023-09-12 | 杭州萧山国际机场有限公司 | 一种基于数字孪生的语音识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633480A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573359B (zh) | 一种基于任务难度与标注者能力的众包标注数据整合方法 | |
| CN113080986B (zh) | 一种基于可穿戴设备的运动性疲劳检测方法和系统 | |
| CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
| CN115590505B (zh) | 一种智能运动监测装置数据异常分析方法 | |
| Lauguico et al. | Lettuce life stage classification from texture attributes using machine learning estimators and feature selection processes | |
| CN116561589B (zh) | 一种基于智能穿戴设备的考勤训练管理方法及系统 | |
| CN114822763A (zh) | 一种运动数据驱动的个性化运动处方推荐方法 | |
| CN114512239B (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
| 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 | |
| CN114049048A (zh) | 一种基于体能验估的体能课程优化方法 | |
| CN117633480B (zh) | 一种运动训练效果的量化评估方法及系统 | |
| CN115101203A (zh) | 心理健康指数评估方法及系统 | |
| CN113876337A (zh) | 一种基于多元递归网络的心脏疾病识别方法 | |
| CN107967455A (zh) | 一种智能人体多维自然特征大数据透明学习方法与系统 | |
| CN117064410A (zh) | 一种基于深度学习的军事体能训练风险评估方法及系统 | |
| CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
| CN115410267A (zh) | 一种基于人体骨骼与肌肉相互配合动作分析数据统计算法 | |
| Gang et al. | Prediction of physical load level by machine learning analysis of heart activity after exercises | |
| CN112071434B (zh) | 一种异常体温序列检测方法 | |
| Fister Jr et al. | SportyDataGen: an online generator of endurance sports activity collections | |
| CN115841367B (zh) | 一种基于用户睡眠行为的产品推荐方法 | |
| CN116746910B (zh) | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 | |
| CN117883076B (zh) | 一种基于大数据的人体运动能量消耗监测系统及方法 | |
| Li | Sports Effect Evaluation Technology based on Elastic Network | |
| CN117807531B (zh) | 一种基于智能戒指的血氧数据精确采集系统 |
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 |