CN117653066A - 基于训练伤解析的训练质量预测方法及系统 - Google Patents
基于训练伤解析的训练质量预测方法及系统 Download PDFInfo
- Publication number
- CN117653066A CN117653066A CN202311449149.3A CN202311449149A CN117653066A CN 117653066 A CN117653066 A CN 117653066A CN 202311449149 A CN202311449149 A CN 202311449149A CN 117653066 A CN117653066 A CN 117653066A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- exercise
- data
- warning
- time
- 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 130
- 238000000034 method Methods 0.000 title claims abstract description 29
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 26
- 230000006378 damage Effects 0.000 title claims abstract description 26
- 208000014674 injury Diseases 0.000 title claims abstract description 26
- 230000000284 resting effect Effects 0.000 claims abstract description 115
- 238000012544 monitoring process Methods 0.000 claims abstract description 105
- 238000011084 recovery Methods 0.000 claims abstract description 58
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 32
- 230000006793 arrhythmia Effects 0.000 claims abstract description 32
- 238000009532 heart rate measurement Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 206010049418 Sudden Cardiac Death Diseases 0.000 abstract description 3
- 206010042434 Sudden death Diseases 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010019345 Heat stroke Diseases 0.000 description 2
- 230000009084 cardiovascular function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010049765 Bradyarrhythmia Diseases 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 230000009692 acute damage Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000009693 chronic damage Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002182 neurohumoral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- 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
- G06N3/09—Supervised learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
- A61B5/02455—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals provided with high/low alarm devices
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及质量预测技术领域,提供基于训练伤解析的训练质量预测方法及系统。所述方法包括:预设静息心率监测指令,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;根据所述运动心率数据集合进行心率失常预警;在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,进行运动风险预警;根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据获得训练质量预测结果。本申请解决了现有技术中造成训练伤导致参训者心源性猝死的技术问题,达到了实时监测心率变化,维护参训者生命安全的技术效果。
Description
技术领域
本申请涉及训练预测技术领域,特别是涉及基于训练伤解析的训练质量预测方法及系统。
背景技术
根据职业性质和专业化要求,消防员、警察等职业都需要进行高强度的体能训练。在训练过程中,普遍存在体能训练凭经验、训练计划不科学的问题,缺乏有效的监测预警手段,容易造成训练伤的发生,严重时会造成运动猝死,对参训人员身心健康、队伍稳定及战斗力造成严重影响。造成训练伤的主要原因包括热身不足、训练量过大、技术动作不规范等因素,造成运动猝死的主要原因是心源性猝死和中暑两个因素。目前,没有有效的技术手段对训练伤/猝死进行监测预警。
综上所述,现有技术中存在造成训练伤导致选手心源性猝死的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实时监测心率变化,维护人员生命安全的基于训练伤解析的训练质量预测方法及系统。
第一方面,本申请提供了基于训练伤解析的训练质量预测方法,所述方法包括:预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。
第二方面,本申请提供了基于训练伤解析的训练质量预测系统,所述系统包括:静息心率监测指令预设模块,所述静息心率监测指令预设模块用于预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;压力预警模块,所述压力预警模块用于实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;实时心率数据采集模块,所述实时心率数据采集模块用于采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;运动风险预警模块,所述运动风险预警模块用于当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;训练质量预测结果获得模块,所述训练质量预测结果获得模块用于根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。
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:
首先,预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;其次,实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;接下来,采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;然后,当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;再根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。本申请解决了现有技术中造成训练伤导致选手心源性猝死的技术问题,达到了实时监测心率变化,维护人员生命安全的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中基于训练伤解析的训练质量预测方法的流程示意图;
图2为一个实施例中基于训练伤解析的训练质量预测方法的运动风险预警的流程示意图;
图3为一个实施例中基于训练伤解析的训练质量预测系统的结构框图。
附图标记说明:静息心率监测指令预设模块11,压力预警模块12,实时心率数据采集模块13,运动风险预警模块14,训练质量预测结果获得模块15。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了基于训练伤解析的训练质量预测方法,所述方法包括:
预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;
训练伤是指接受军事训练的人员因训练导致肌肉骨骼系统的急慢性损伤,主要原因包括热身不足、训练量过大、技术动作不规范等因素,造成运动猝死的主要原因是心源性猝死和中暑两个因素;训练质量是指培训活动的效果和效益,它直接影响着参训者的知识、技能、态度和绩效水平的提升。训练质量预测的目的是确定训练活动是否达到了预期目标,并提供改进建议和措施,通过对训练伤进行分析,获得了训练质量的预测情况,达到了有效监测训练质量,监测训练人员的身体情况,维护了参训人员的安全的技术效果。
静息心率监测指令是指对佩戴人员的静息心率进行监测的命令;智能腕表是指介于传统手表和智能手机之间的创新型可穿戴设备,其既符合传统手表的技术要求,也具备一定的信息处理能力,佩戴人员是指佩戴所述智能腕表进行监测的人员;本申请中可以对佩戴人员的部分体征进行监测;静息心率是指在清醒、不活动的安静状态下,每分钟心跳次数;所述预设时间周期为工作人员自行设定的时间周期,例如,所述预设时间周期为两周;静息心率集合是由在所述预设时间周期内每天采集的静息心率进行整理组合获得;疲劳预警是指分析所述静息心率集合得到的结论;通过设置静息心率监测指令在预设时间周期内对佩戴人员进行静息心率监测,进行疲劳预警,判断训练伤是否有效恢复,为佩戴人员的安全提供了保障。
在所述智能腕表的心率传感器进入所述静息心率测量状态后,交互所述智能腕表的3D加速度传感器,判断所述静息心率测量状态是否满足预设静息心率测量条件;
若不满足所述预设静息心率测量条件,进行心率提醒;
若满足所述预设静息心率测量条件,采集获得静息心率集合。
心率传感器是智能穿戴设备中使用较为普及的传感器之一,主要运用于心率监测;加速度传感器是指能感受加速度并转换成可用输出信号的传感器,预设静息心率测量条件是指由工作人员自行设定的测量条件,判断所述静息心率测量状态是否满足预设静息心率测量条件;若不满足所述预设静息心率测量条件,进行心率提醒,例如在非清醒、活动等状态下,则不满足所述预设静息心率测量条件,发出提醒;若满足所述预设静息心率测量条件,采集获得静息心率集合。通过采集静息心率集合,为后续计算基准心率提供数据支持。
根据所述静息心率集合,计算静息心率平均值,获得基准心率;
获取实时静息心率数据,将所述实时静息心率数据与所述基准心率进行差值计算,判断差值结果是否高于预设差值阈值,对高于所述预设差值阈值的所述实时静息心率数据进行疲劳预警;
对小于或等于所述预设差值阈值的实时静息心率数据,添加至所述基准心率,并进行基准心率更新。
静息心率平均值是指在所述预设时间周期内的静息心率相加并除以所述预设时间周期内的天数,得到基准心率;实时静息心率数据是指与时间同步的当天重新测量的静息心率数据,将所述实时静息心率数据与所述基准心率进行差值计算,即用所述实时静息心率数据减去所述基准心率,得到差值;预设差值阈值,所述差值阈值是由工作人员自行设定的,当所述差值结果小于或等于所述预设差值阈值时,添加至所述基准心率,并进行基准心率更新。通过获取基准心率且对比所述实时静息心率数据,获得静息心率异常判别,若高于基准值5次/秒,则启动疲劳预警,建议降低训练强度和训练量。
实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;
心率变异性心率变异性(HRV)是指逐次心跳周期差异的变化情况,它含有神经体液因素对心血管系统调节的信息,从而判断其对心血管等疾病的病情及预防,通常来说HRV越高越好,高的HRV代表更好的心血管功能和抗压能力,低的HRV意味着更高的焦虑抑郁风险以及更高心血管疾病的死亡率;所述心率变异性数据集合是指在所述预设周期内心跳周期差异的变化情况,根据所述心率变异性的采集时间对其进行标识;压力预警是指若训练压力过大,未能有效恢复,应降低训练强度和训练量。通过研究心率变异性数据集合的变化情况,达到了维护人员安全的技术效果。
获取预设心率变异性阈值;
判断实时采集获得心率变异性数据是否低于所述预设心率变异性阈值,提取低于所述预设心率变异性阈值的心率变异性数据及对应的采集时间;
当提取的所述采集时间满足预设连续性时间阈值时,进行压力预警。
心率变异性阈值是指工作人员自行设定的数值,用来判断佩戴人员的压力情况;采集实时心率变异性数据,判断所述实时心率变异性数据是否低于所述预设心率变异性阈值,当所述实时心率变异性数据高于所述预设心率变异性阈值,高的HRV代表更好的心血管功能和抗压能力;当所述实时心率变异性数据低于所述预设心率变异性阈值时,采集所述低于所述预设心率变异性阈值的心率变异性数据的时间,计算所述采集时间;设置连续性时间阈值,所述连续性时间阈值由工作人员根据经验自行判断,当提取的所述采集时间满足预设连续性时间阈值时,证明HRV一直保持在低的水准,证明所述佩戴人员处于疲劳、情绪低落等状态,建议降低训练强度和训练量。
采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;
实时心率数据是指与时间同步的所述佩戴人员的心率数据;临时监测单元是指建立一个临时单元;运动心率监测启动阈值是指由工作人员自行设置的运动时心率超过一定阈值时,启动运动心率监测的数据;生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合;心律失常是指心跳得过快、过慢,或心跳不规则;正常的心率是60-100次/分,若心跳>100次/分,则称为快速性心律失常;若心跳<60次/分,则称为缓慢性心律失常。通过采集运动心率数据集合,若所述运动心率数据集合不在正常心率的范畴,则进行心率失常预警,建议降低运动强度。
设置心率采集与数据记录频率;
根据所述实时心率数据进行序列化处理,获得最高实时心率数据;
提取所述运动心率数据集合中高于所述最高实时心率数据的运动心率数据,当计算获得所述运动心率数据高于所述最高实时心率数据的预设百分比阈值时,进行心率失常预警。
设置心率采集与数据记录频率,即时隔多久进行一次心率采集并记录所述数据;根据所述实时心率数据进行大小排序的处理,获得最高实时心率数据;选取所述运动心率数据集合中高于所述最高实时心率数据的运动心率数据,预设百分比阈值是指由工作人员自行设定的数值,用来判断所述佩戴人员的心率是否失常;当获得所述运动心率数据高于所述最高实时心率数据的预设百分比阈值时,判断所述佩戴人员心率失常,进行心率失常预警。通过进行心率失常预警,有效防止所述佩戴人员发生意外。
当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;
运动心率监测结束阈值是指由工作人员自行设定的数值,例如当心率低于静息心率+90时,生成运动恢复心率监测指令;预设运动恢复心率监测时间同样为工作人员自行设定,进行运动恢复心率监测,采集所述一分钟内运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;例如监测从峰值运动水平至停止运动1分钟后心率下降数量,若低于25次/分钟,则标志着运动猝死的风险上升,应提出运动风险预警,并降低训练强度和训练量。
如图2所示,计算所述运动恢复心率数据集合与所述运动心率监测结束阈值的心率差值;
当所述心率差值低于预设差值阈值时,记录运动恢复心率数据;
当记录次数满足预设记录次数阈值时,进行运动风险预警。
计算所述运动恢复心率数据集合与所述运动心率监测结束阈值的心率差值;预设差值阈值为工作人员自行设定的,用来判断所述心率差值;当所述心率差值低于预设差值阈值时,记录运动恢复心率数据,即当所述心率差值低于预设差值阈值时,记录从峰值运动水平至停止运动1分钟后心率下降数量,得到运动恢复心率数据,当记录所述运动恢复心率数据满足预设记录次数阈值时,进行运动风险预警。通过获取运动风险预警,为后续获得训练质量预测结果提供了数据支持。
根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。
训练质量计算是判断所述训练的强度、压力是否符合要求,是否会对参加训练的人员造成负担,通过疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行计算,根据所述计算结果获得所述训练质量的预测结果。通过获取所述训练质量预测结果,为后续进行运动强度建议提供了铺垫。
对所述疲劳预警数据、所述压力预警数据、所述心率失常预警数据和所述运动风险预警数据进行监督训练、验证,获得训练质量预测模型;
根据所述训练质量预测模型,输入训练数据,获得训练质量预测结果,其中,所述训练数据包括静息心率数据、心率变异性数据、运动心率数据和运动恢复心率数据。
构建训练质量预测模型,所述训练质量预测模型为机器学习中可以不断进行迭代优化的神经网络模型,通过所述疲劳预警数据、所述压力预警数据、所述心率失常预警数据和所述运动风险预警数据进行监督训练获得。将所述疲劳预警数据、所述压力预警数据、所述心率失常预警数据和所述运动风险预警数据划分为样本训练集和样本验证集,通过所述样本训练集对所述训练质量预测模型进行监督训练,当模型输出结果趋于收敛状态时,通过所述样本验证集对所述训练质量预测模型的输出结果准确率进行验证,当训练质量预测模型输出结果准确率大于等于所述预设验证准确率指标时,获得所述训练质量预测模型。通过构建训练数据,可以提高训练质量预测结果获得的效率和准确率。本申请解决了现有技术中造成训练伤导致选手心源性猝死的技术问题,达到了实时监测心率变化,维护人员生命安全的技术效果。
如图3所示,本申请实施例提供了基于训练伤解析的训练质量预测系统,所述系统包括:
静息心率监测指令预设模块11,所述静息心率监测指令预设模块11用于预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;
压力预警模块12,所述压力预警模块12用于实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;
实时心率数据采集模块13,所述实时心率数据采集模块13用于采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;
运动风险预警模块14,所述运动风险预警模块14用于当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;
训练质量预测结果获得模块15,所述训练质量预测结果获得模块15用于根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。
进一步地,本申请实施例还包括:
静息心率测量状态判断模块,所述静息心率测量状态判断模块用于在所述智能腕表的心率传感器进入所述静息心率测量状态后,交互所述智能腕表的3D加速度传感器,判断所述静息心率测量状态是否满足预设静息心率测量条件;
心率提醒模块,所述心率提醒模块用于若不满足所述预设静息心率测量条件,进行心率提醒;
静息心率集合采集模块,所述静息心率集合采集模块用于若满足所述预设静息心率测量条件,采集获得静息心率集合。
进一步地,本申请实施例还包括:
基准心率获得模块,所述基准心率获得模块用于根据所述静息心率集合,计算静息心率平均值,获得基准心率;
实时静息心率数据获取模块,所述实时静息心率数据获取模块用于获取实时静息心率数据,将所述实时静息心率数据与所述基准心率进行差值计算,判断差值结果是否高于预设差值阈值,对高于所述预设差值阈值的所述实时静息心率数据进行疲劳预警;
基准心率更新模块,所述基准心率更新模块用于对小于或等于所述预设差值阈值的实时静息心率数据,添加至所述基准心率,并进行基准心率更新。
进一步地,本申请实施例还包括:
变异性阈值预设模块,所述变异性阈值预设模块用于获取预设心率变异性阈值;
变异性数据判断模块,所述变异性数据判断模块用于判断实时采集获得心率变异性数据是否低于所述预设心率变异性阈值,提取低于所述预设心率变异性阈值的心率变异性数据及对应的采集时间;
压力预警模块,所述压力预警模块用于当提取的所述采集时间满足预设连续性时间阈值时,进行压力预警。
进一步地,本申请实施例还包括:
数据记录频率设置模块,所述数据记录频率设置模块用于设置心率采集与数据记录频率;
最高实时心率数据获得模块,所述最高实时心率数据获得模块用于根据所述实时心率数据进行序列化处理,获得最高实时心率数据;
心率失常预警模块,所述心律失常预警模块用于提取所述运动心率数据集合中高于所述最高实时心率数据的运动心率数据,当计算获得所述运动心率数据高于所述最高实时心率数据的预设百分比阈值时,进行心率失常预警。
进一步地,本申请实施例还包括:
心率差值监测模块,所述心率差值监测模块用于计算所述运动恢复心率数据集合与所述运动心率监测结束阈值的心率差值;
运动恢复心率数据记录模块,所述运动恢复心理数据记录模块用于当所述心率差值低于预设差值阈值时,记录运动恢复心率数据;
运动风险预警模块,所述运动风险预警模块用于当记录次数满足预设记录次数阈值时,进行运动风险预警。
进一步地,本申请实施例还包括:
训练质量预测模型获得模块,所述训练质量预测模型获得模块用于对所述疲劳预警数据、所述压力预警数据、所述心率失常预警数据和所述运动风险预警数据进行监督训练、验证,获得训练质量预测模型;
训练质量预测结果获得模块,所述训练质量预测结果获得模块用于根据所述训练质量预测模型,输入训练数据,获得训练质量预测结果,其中,所述训练数据包括静息心率数据、心率变异性数据、运动心率数据和运动恢复心率数据。
关于基于训练伤解析的训练质量预测系统的具体实施例可以参见上文中对于基于训练伤解析的训练质量预测方法的实施例,在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.基于训练伤解析的训练质量预测方法,其特征在于,所述方法包括:
预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;
实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;
采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;
当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;
根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。
2.如权利要求1所述的方法,其特征在于,所述采集预设时间周期的静息心率集合之前,方法包括:
在所述智能腕表的心率传感器进入所述静息心率测量状态后,交互所述智能腕表的3D加速度传感器,判断所述静息心率测量状态是否满足预设静息心率测量条件;
若不满足所述预设静息心率测量条件,进行心率提醒;
若满足所述预设静息心率测量条件,采集获得静息心率集合。
3.如权利要求1所述的方法,其特征在于,所述根据所述静息心率集合进行疲劳预警,方法包括:
根据所述静息心率集合,计算静息心率平均值,获得基准心率;
获取实时静息心率数据,将所述实时静息心率数据与所述基准心率进行差值计算,判断差值结果是否高于预设差值阈值,对高于所述预设差值阈值的所述实时静息心率数据进行疲劳预警;
对小于或等于所述预设差值阈值的实时静息心率数据,添加至所述基准心率,并进行基准心率更新。
4.如权利要求1所述的方法,其特征在于,所述实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警,方法包括:
获取预设心率变异性阈值;
判断实时采集获得心率变异性数据是否低于所述预设心率变异性阈值,提取低于所述预设心率变异性阈值的心率变异性数据及对应的采集时间;
当提取的所述采集时间满足预设连续性时间阈值时,进行压力预警。
5.如权利要求1所述的方法,其特征在于,所述根据所述运动心率数据集合进行心率失常预警,方法包括:
设置心率采集与数据记录频率;
根据所述实时心率数据进行序列化处理,获得最高实时心率数据;
提取所述运动心率数据集合中高于所述最高实时心率数据的运动心率数据,当计算获得所述运动心率数据高于所述最高实时心率数据的预设百分比阈值时,进行心率失常预警。
6.如权利要求1所述的方法,其特征在于,所述根据所述运动恢复心率数据集合进行运动风险预警,方法包括:
计算所述运动恢复心率数据集合与所述运动心率监测结束阈值的心率差值;
当所述心率差值低于预设差值阈值时,记录运动恢复心率数据;
当记录次数满足预设记录次数阈值时,进行运动风险预警。
7.如权利要求1所述的方法,其特征在于,所述根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果,方法包括:
对所述疲劳预警数据、所述压力预警数据、所述心率失常预警数据和所述运动风险预警数据进行监督训练、验证,获得训练质量预测模型;
根据所述训练质量预测模型,输入训练数据,获得训练质量预测结果,其中,所述训练数据包括静息心率数据、心率变异性数据、运动心率数据和运动恢复心率数据。
8.基于训练伤解析的训练质量预测系统,其特征在于,所述系统包括:
静息心率监测指令预设模块,所述静息心率监测指令预设模块用于预设静息心率监测指令,其中,所述静息心率监测指令交互智能腕表的心率传感器进入静息心率测量状态,采集预设时间周期的静息心率集合,根据所述静息心率集合进行疲劳预警;
压力预警模块,所述压力预警模块用于实时采集获得心率变异性数据集合,记录采集时间,并进行压力预警;
实时心率数据采集模块,所述实时心率数据采集模块用于采集实时心率数据,存储至临时监测单元,当所述实时心率数据满足运动心率监测启动阈值时,生成运动心率监测指令,进入运动心率监测状态,采集获得运动心率数据集合,并根据所述运动心率数据集合进行心率失常预警;
运动风险预警模块,所述运动风险预警模块用于当所述运动心率数据集合满足运动心率监测结束阈值时,生成运动恢复心率监测指令,在预设运动恢复心率监测时间内,进行运动恢复心率监测,采集获得运动恢复心率数据集合,并根据所述运动恢复心率数据集合进行运动风险预警;
训练质量预测结果获得模块,所述训练质量预测结果获得模块用于根据疲劳预警数据、压力预警数据、心率失常预警数据和运动风险预警数据进行训练质量计算,根据计算结果获得训练质量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311449149.3A CN117653066B (zh) | 2023-11-02 | 2023-11-02 | 基于训练伤解析的训练质量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311449149.3A CN117653066B (zh) | 2023-11-02 | 2023-11-02 | 基于训练伤解析的训练质量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117653066A true CN117653066A (zh) | 2024-03-08 |
CN117653066B CN117653066B (zh) | 2024-09-17 |
Family
ID=90067162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311449149.3A Active CN117653066B (zh) | 2023-11-02 | 2023-11-02 | 基于训练伤解析的训练质量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117653066B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932696A (zh) * | 2014-04-18 | 2014-07-23 | 赵小英 | 一种健康状态多功能检测方法及其检测系统 |
CN104921713A (zh) * | 2015-05-28 | 2015-09-23 | 中国科学院合肥物质科学研究院 | 一种基于心率与脉搏的心肌血氧供需状况动态监测系统及预警方法 |
CN108209902A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 运动员竞技状态评估方法及系统 |
US20180296105A1 (en) * | 2015-06-19 | 2018-10-18 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
CN109529303A (zh) * | 2018-11-09 | 2019-03-29 | 深圳市量子智能科技有限公司 | 一种用户运动能力的确认方法和系统 |
RU2727864C1 (ru) * | 2019-09-20 | 2020-07-24 | Александр Борисович Мирошников | Способ реабилитации спортсмена силовых видов спорта тяжелых весовых категорий с артериальной гипертензией |
US20210212639A1 (en) * | 2018-02-11 | 2021-07-15 | Xi'an Jiaotong University | Early warning method, device and system of sudden death |
CN113232667A (zh) * | 2021-06-03 | 2021-08-10 | 张天缘 | 基于ippg技术的生理状态识别与驾驶安全预警系统 |
CN113842129A (zh) * | 2021-09-30 | 2021-12-28 | 川北医学院 | 一种用于监测人体状态异常的方法 |
CN115227213A (zh) * | 2022-06-17 | 2022-10-25 | 荣耀终端有限公司 | 心率测量方法、电子设备及计算机可读存储介质 |
WO2022233027A1 (zh) * | 2021-05-07 | 2022-11-10 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
CN115644820A (zh) * | 2022-11-08 | 2023-01-31 | 贵州省人民医院 | 一种心率睡眠监测系统 |
CN115721284A (zh) * | 2022-11-22 | 2023-03-03 | 泰康保险集团股份有限公司 | 健康监测系统、方法、电子设备和存储介质 |
CN116509359A (zh) * | 2023-02-01 | 2023-08-01 | 佛山科学技术学院 | 一种工地作业的多目标心率监测方法及装置 |
CN116563829A (zh) * | 2023-05-26 | 2023-08-08 | 北京好心情互联网医院有限公司 | 一种驾驶员情绪识别方法、装置、电子设备和存储介质 |
CN116784852A (zh) * | 2023-06-27 | 2023-09-22 | 慕思健康睡眠股份有限公司 | 一种疲劳状态确定方法、装置、智能床垫及介质 |
CN116919372A (zh) * | 2023-09-14 | 2023-10-24 | 北京觉心健康科技有限公司 | 一种基于心率变异性的压力高峰时间识别方法与系统 |
-
2023
- 2023-11-02 CN CN202311449149.3A patent/CN117653066B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932696A (zh) * | 2014-04-18 | 2014-07-23 | 赵小英 | 一种健康状态多功能检测方法及其检测系统 |
CN104921713A (zh) * | 2015-05-28 | 2015-09-23 | 中国科学院合肥物质科学研究院 | 一种基于心率与脉搏的心肌血氧供需状况动态监测系统及预警方法 |
US20180296105A1 (en) * | 2015-06-19 | 2018-10-18 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
CN108209902A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 运动员竞技状态评估方法及系统 |
US20210212639A1 (en) * | 2018-02-11 | 2021-07-15 | Xi'an Jiaotong University | Early warning method, device and system of sudden death |
CN109529303A (zh) * | 2018-11-09 | 2019-03-29 | 深圳市量子智能科技有限公司 | 一种用户运动能力的确认方法和系统 |
RU2727864C1 (ru) * | 2019-09-20 | 2020-07-24 | Александр Борисович Мирошников | Способ реабилитации спортсмена силовых видов спорта тяжелых весовых категорий с артериальной гипертензией |
WO2022233027A1 (zh) * | 2021-05-07 | 2022-11-10 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
CN113232667A (zh) * | 2021-06-03 | 2021-08-10 | 张天缘 | 基于ippg技术的生理状态识别与驾驶安全预警系统 |
CN113842129A (zh) * | 2021-09-30 | 2021-12-28 | 川北医学院 | 一种用于监测人体状态异常的方法 |
CN115227213A (zh) * | 2022-06-17 | 2022-10-25 | 荣耀终端有限公司 | 心率测量方法、电子设备及计算机可读存储介质 |
CN115644820A (zh) * | 2022-11-08 | 2023-01-31 | 贵州省人民医院 | 一种心率睡眠监测系统 |
CN115721284A (zh) * | 2022-11-22 | 2023-03-03 | 泰康保险集团股份有限公司 | 健康监测系统、方法、电子设备和存储介质 |
CN116509359A (zh) * | 2023-02-01 | 2023-08-01 | 佛山科学技术学院 | 一种工地作业的多目标心率监测方法及装置 |
CN116563829A (zh) * | 2023-05-26 | 2023-08-08 | 北京好心情互联网医院有限公司 | 一种驾驶员情绪识别方法、装置、电子设备和存储介质 |
CN116784852A (zh) * | 2023-06-27 | 2023-09-22 | 慕思健康睡眠股份有限公司 | 一种疲劳状态确定方法、装置、智能床垫及介质 |
CN116919372A (zh) * | 2023-09-14 | 2023-10-24 | 北京觉心健康科技有限公司 | 一种基于心率变异性的压力高峰时间识别方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117653066B (zh) | 2024-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10750960B2 (en) | Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology | |
US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
US20180122073A1 (en) | Method and device for determining vital parameters | |
CN108670261B (zh) | 运动状态检测方法、可佩戴设备以及装置 | |
Singh et al. | An approach for real-time stress-trend detection using physiological signals in wearable computing systems for automotive drivers | |
US20150088004A1 (en) | Method for monitoring an accurate heart rate | |
CN110801216B (zh) | 异常预警方法及相关设备 | |
CN105615852A (zh) | 一种血压检测系统及方法 | |
KR20190113552A (ko) | Ppg ibi 및 모폴로지를 기반으로 하는 수동 부정맥 감지 장치 및 방법 | |
EP3643227A1 (en) | Minimum heart rate value approximation | |
Begum et al. | Mental state monitoring system for the professional drivers based on Heart Rate Variability analysis and Case-Based Reasoning | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及系统 | |
CN114469022A (zh) | 报警事件的回顾方法、装置及可读存储介质 | |
CN115670444A (zh) | 运动监测方法、装置、可穿戴设备与存储介质 | |
CN107661092A (zh) | 生命体征状态监测方法及计算机可读存储介质 | |
CN113905664A (zh) | 一种用于检测生理状况的事件驱动脉冲神经网络系统 | |
CN117653066B (zh) | 基于训练伤解析的训练质量预测方法及系统 | |
CN113223713A (zh) | 基于风险评估的动态监护方法、系统以及存储介质 | |
CN117218698A (zh) | 一种心理压力识别方法、装置、计算机设备及存储介质 | |
CN113261924B (zh) | 一种脑卒中智能预警系统及方法 | |
JP2022516035A (ja) | 患者における脳卒中を検出する装置及び方法 | |
CN115721283A (zh) | 一种心率健康预警方法、系统、计算机设备及介质 | |
KR20220047187A (ko) | 피처 결합을 이용한 인지 기능 검사 방법 및 서버 | |
Yousefi et al. | Atrial fibrillation detection from wrist photoplethysmography data using artificial neural networks |
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 |