CN118349730A - 一种基于体能训练曲线的智能评估推荐系统 - Google Patents
一种基于体能训练曲线的智能评估推荐系统 Download PDFInfo
- Publication number
- CN118349730A CN118349730A CN202410266440.5A CN202410266440A CN118349730A CN 118349730 A CN118349730 A CN 118349730A CN 202410266440 A CN202410266440 A CN 202410266440A CN 118349730 A CN118349730 A CN 118349730A
- Authority
- CN
- China
- Prior art keywords
- training
- athlete
- preset
- actions
- system based
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 121
- 238000011156 evaluation Methods 0.000 title claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000000418 atomic force spectrum Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 7
- 230000009192 sprinting Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000005259 measurement Methods 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
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009183 running Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Abstract
本发明涉及训练计划推荐技术领域,公开了一种基于体能训练曲线的智能评估推荐系统,所述系统包括:采集模块,包括个人信息采集单元和能力参数采集单元,分别用于采集运动员的个人信息数据和能力参数数据;筛分模块,用于对个人信息数据进行预分析,并根据预分析生成人员分类策略;评价分析模块,用于对能力参数数据进行分析,并根据分析的结果确立训练任务变更策略。本发明能够合理根据各运动员的具体身体状况和运动能力形成训练计划的推荐流程,因此运动员能够根据自己体能的评估结果确立合适的训练计划,系统在提高训练效率的同时也可以保证运动员的安全健康。
Description
技术领域
本发明涉及训练计划推荐技术领域,具体涉及一种基于体能训练曲线的智能评估推荐系统。
背景技术
体能测试与评估在实际生活中的应用十分广泛,其中在运动员培养计划中定期的体能测试与评估是必不可少的环节,体能评估是对个体的身体素质和运动能力进行全面评估的过程,旨在了解个体在力量、耐力、速度、灵敏性和柔韧性等方面的水平。体能评估是制定科学合理的训练计划和运动计划的基础,有助于帮助个体了解自己的身体状况,发现潜在的健康问题,并采取有效的措施来改善身体素质和提高运动能力。
体能评估的方法包括各种体能测试项目和生理指标的测量。例如,耐力测试可以通过长跑、游泳或骑自行车等方式进行;肌肉力量测试可以通过举重、俯卧撑、仰卧起坐等方式进行;速度测试可以通过短跑、冲刺等方式进行;灵敏性和柔韧性测试可以通过各种敏捷训练、伸展训练等方式进行。同时,还可以通过测量心率、血压、肺活量、血氧饱和度等生理指标来评估个体的身体状况和运动能力。
现有技术中对运动员的体能进行评估多为定期性的测试,主要目的在于了解运动员的身体健康状况,而缺少一种系统化的评估反馈机制,难以根据各运动员的具体身体状况和运动能力形成训练计划的推荐策略,而这样的策略是十分有必要的,因为运动员能够根据自己体能的评估结果确立合适的训练计划,这样运动员便可以在训练和运动过程中保持合理的心态,同时避免受伤和过度的疲劳。
发明内容
本发明的目的在于提供一种基于体能训练曲线的智能评估推荐系统,其特征在于,所述系统,解决以上技术问题:
本发明的目的可以通过以下技术方案实现:
一种基于体能训练曲线的智能评估推荐系统,所述系统包括:
采集模块,包括个人信息采集单元和能力参数采集单元,分别用于采集运动员的个人信息数据和能力参数数据;
筛分模块,用于对个人信息数据进行预分析,并根据预分析生成人员分类策略;
评价分析模块,用于对能力参数数据进行分析,并根据分析的结果确立训练任务变更策略;
推荐模块,包括初始推荐单元和动态推荐单元,所述初始推荐单元用于根据人员分类策略初次向各运动员分配训练任务,所动态推荐单元用于根据任务变更策略向各运动员推进新的训练任务。
作为进一步的技术方案,所述个人信息数据包括个人的性别、年龄、伤病史和身体质量指数。
作为进一步的技术方案,对个人信息数据进行预分析,并生成人员分类策略的过程包括:
E={ky·[ω1·α+ω2·|B-β(α)|]}-1 (2)
联立公式(1)~(2)计算获取个人体质评价系数E;
其中,Mi为运动员伤病史所记录的第i种病的历史患病次数,xi为第i种病对应的关联性系数;n为运动员历史患病种类数;k为预设底数,且k>1;α为运动员的年龄值;B为运动员的身体质量指数;β为预设转化函数;ω1、ω2为预设调节系数;
将各运动员的个人体质评价系数E按照大小关系分配到若干个预设区间内,并对不同区间内对应的运动员分配不同等级的训练任务。
作为进一步的技术方案,所述能力参数包括:运动员完成训练任务的一套动作的时长,以及完成该套动作时各肢体的综合发力曲线,所述综合发力曲线的采集过程包括:
通过多个力觉传感器多次测量运动员各肢体的发力平均值,根据多次测得的发力平均值与测量时间点按对应关系绘制折线图;
对折线图进行平滑处理后生成综合发力曲线。
作为进一步的技术方案,不同等级的训练任务的划分规则包括:
对训练任务中的一套训练动作按照不同维度划分为多个阶段;
记录标准地完成一套训练动作各时,训练动作中各个阶段所占用的时间;
通过公式(3)计算获取训练动作的难度系数H;
其中,Ti为一套训练动作中第j阶段所占用的时间;σj为一套训练动作中第j阶段对应的第一预设权重系数;m为阶段的总数。
将难度系数H相同的训练动作划分到同一训练任务中。
作为进一步的技术方案,所述维度的种类包括:力量、耐力、灵敏度、速度和柔韧度。
作为进一步的技术方案,对能力参数数据进行分析,并确立训练任务变更策略的过程包括:
联立公式(4)~(5)计算获取个人能力评价系数Kcomp;
其中,Kj一套训练动作中第j阶段的完成度评价值;Δγ为预设参考值;Fj(t)为第j阶段的综合发力曲线;Fst,j(t)为第j阶段的预设标准曲线;ta、tb为预设研究时间段的左右区间端点;τj为一套训练动作中第j阶段对应的第二预设权重系数;
将个人能力评价系数Kcomp与预设阈值范围[Kcomp1,Kcomp2]进行比对:
若Kcomp<Kcomp1,则运动员保持原训练任务中的动作的练习;
若Kcomp∈[Kcomp1,Kcomp2],则运动员保持原训练任务,根据预设动作调整规则更换另一套训练动作;
若Kcomp>Kcomp2,则向运动员分配下一等级训练任务。
作为进一步的技术方案,所述预设动作调整规则包括:增加完成度评价值最低的阶段对应的维度动作在一套训练动作中的比重。
本发明的有益效果:
本发明能够合理根据各运动员的具体身体状况和运动能力形成训练计划的推荐流程,因此运动员能够根据自己体能的评估结果确立合适的训练计划,在提高训练效率的同时也可以保证运动员的安全健康。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中基于体能训练曲线的智能评估推荐系统的内容概要图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于体能训练曲线的智能评估推荐系统,所述系统包括:
采集模块,包括个人信息采集单元和能力参数采集单元,分别用于采集运动员的个人信息数据和能力参数数据;
筛分模块,用于对个人信息数据进行预分析,并根据预分析生成人员分类策略;
评价分析模块,用于对能力参数数据进行分析,并根据分析的结果确立训练任务变更策略;
推荐模块,包括初始推荐单元和动态推荐单元,所述初始推荐单元用于根据人员分类策略初次向各运动员分配训练任务,所动态推荐单元用于根据任务变更策略向各运动员推进新的训练任务。
通过上述技术方案,本实施例提供了基于体能训练曲线的智能评估推荐系统的主要内容,通过采集模块对运动员的个人信息进行采集,然后筛分模块对运动员的个人信息进行预分析,并根据预分析生成人员分类策略,能够为运动员提供合适的初始训练任务。而通过采集模块还能够采集运动员的能力参数,再通过评价分析模块,对能力参数数据进行分析,并根析的结果确立训练任务变更策略,最后由动态推荐单元根据任务变更策略向各运动员推进新的训练任务,本技术方案能够合理根据各运动员的具体身体状况和运动能力形成训练计划的推荐流程,因此运动员能够根据自己体能的评估结果确立合适的训练计划,在提高训练效率的同时也可以保证运动员的安全健康。
所述个人信息数据包括个人的性别、年龄、伤病史和身体质量指数。对个人信息数据进行预分析,并生成人员分类策略的过程包括:
E={ky·[ω1·α+ω2·|B-β(α)|]}-1 (2)
联立公式(1)~(2)计算获取个人体质评价系数E;
其中,Mi为运动员伤病史所记录的第i种病的历史患病次数,xi为第i种病对应的关联性系数;n为运动员历史患病种类数;k为预设底数,且k>1;α为运动员的年龄值;B为运动员的身体质量指数;β为预设转化函数;ω1、ω2为预设调节系数;
将各运动员的个人体质评价系数E按照大小关系分配到若干个预设区间内,并对不同区间内对应的运动员分配不同等级的训练任务。
通过上述技术方案,本实施例提供了个人信息的具体内容以及对个人信息数据进行预分析的具体过程,首先通过公式(1)~(2)计算获取个人体质评价系数E,然后将各运动员的个人体质评价系数E按照大小关系分配到若干个预设区间内,并对不同区间内对应的运动员分配不同等级的训练任务。说明的是该方案目的在于将个人体质评价系数低的运动员划分在对应训练任务等级低的范围内,而等级越低的训练任务对应的训练动作难度越低。此外,预设底数k、预设调节系数、预设转化函数均可根据实验数据或历史数据拟合获取,在此不做详述。
所述能力参数包括:运动员完成训练任务的一套动作的时长,以及完成该套动作时各肢体的综合发力曲线,所述综合发力曲线的采集过程包括:
通过多个力觉传感器多次测量运动员各肢体的发力平均值,根据多次测得的发力平均值与测量时间点按对应关系绘制折线图;
对折线图进行平滑处理后生成综合发力曲线。
通过上述技术方案,本实施例提供了能力参数的具体内容,以及能力参数中综合发力曲线的获取过程。
不同等级的训练任务的划分规则包括:
对训练任务中的一套训练动作按照不同维度划分为多个阶段;
记录标准地完成一套训练动作各时,训练动动作中各个阶段所占用的时间;
通过公式(3)计算获取训练动作的难度系数H;
其中,Ti为一套训练动作中第j阶段所占用的时间;σj为一套训练动作中第j阶段对应的第一预设权重系数;m为阶段的总数。
将难度系数H相同的训练动作划分到同一训练任务中。所述维度的种类包括:力量、耐力、灵敏度、速度和柔韧度。
通过上述技术方案,本实施例提供了不同等级的训练任务的划分规则的内容,具体地,首先通过公式(3)计算获取训练动作的难度系数H,然后将难度系数H相同的训练动作划分到同一训练任务中,需要说明的是,难度系数越大对应的训练动作难度也就越大,同一训练任务包括了多种难度相同的训练动作。
对能力参数数据进行分析,并确立训练任务变更策略的过程包括:
联立公式(4)~(5)计算获取个人能力评价系数Kcomp;
其中,Kj一套训练动作中第j阶段的完成度评价值;Δγ为预设参考值;Fj(t)为第j阶段的综合发力曲线;Fst,j(t)为第j阶段的预设标准曲线;ta、tb为预设研究时间段的左右区间端点;τj为一套训练动作中第j阶段对应的第二预设权重系数;
将个人能力评价系数Kcomp与预设阈值范围[Kcomp1,Kcomp2]进行比对:
若Kcomp<Kcomp1,则运动员保持原训练任务中的动作的练习;
若Kcomp∈[Kcomp1,Kcomp2],则运动员保持原训练任务,根据预设动作调整规则更换另一套训练动作;
若Kcomp>Kcomp2,则向运动员分配下一等级训练任务。
所述预设动作调整规则包括:增加完成度评价值最低的阶段对应的维度动作在一套训练动作中的比重。
通过上述技术方案,本实施例提供了对能力参数数据进行分析,并确立训练任务变更策略的过程,具体地,首先通过联立公式(4)~(5)计算获取个人能力评价系数Kcomp,然后将个人能力评价系数Kcomp与预设阈值范围[Kcomp1,Kcomp2]进行比对,当Kcomp<Kcomp1,说明运动员完成当前训练任务中的当前训练动作还存在一定的难度,因此运动员保持原训练任务中的动作的练习,当Kcomp∈[Kcomp1,Kcomp2],说明运动员当前训练动作练习有较好的水平,但是可能存在某些维度上的薄弱情况,因此根据预设动作调整规则更换另一套训练动作,而当Kcomp>Kcomp2,说明运动员的完成该项训练任务中的训练动作的发力水平已经超过要求标准,因此,向运动员分配下一等级训练任务。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于体能训练曲线的智能评估推荐系统,其特征在于,所述系统包括:
采集模块,包括个人信息采集单元和能力参数采集单元,分别用于采集运动员的个人信息数据和能力参数数据;
筛分模块,用于对个人信息数据进行预分析,并根据预分析生成人员分类策略;
评价分析模块,用于对能力参数数据进行分析,并根据分析的结果确立训练任务变更策略;
推荐模块,包括初始推荐单元和动态推荐单元,所述初始推荐单元用于根据人员分类策略初次向各运动员分配训练任务,所述动态推荐单元用于根据任务变更策略向各运动员推进新的训练任务。
2.根据权利要求1所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,所述个人信息数据包括个人的性别、年龄、伤病史和身体质量指数。
3.根据权利要求2所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,对个人信息数据进行预分析,并生成人员分类策略的过程包括:
E={ky·[ω1·α+ω2·|B-β(α)|]}-1 (2)
联立公式(1)~(2)计算获取个人体质评价系数E;
其中,Mi为运动员伤病史所记录的第i种病的历史患病次数,xi为第i种病对应的关联性系数;n为运动员历史患病种类数;k为预设底数,且k>1;α为运动员的年龄值;B为运动员的身体质量指数;β为预设转化函数;ω1、ω2为预设调节系数;
将各运动员的个人体质评价系数E按照大小关系分配到若干个预设区间内,并对不同区间内对应的运动员分配不同等级的训练任务。
4.根据权利要求3所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,所述能力参数包括:运动员完成训练任务的一套动作的时长,以及完成该套动作时各肢体的综合发力曲线,所述综合发力曲线的采集过程包括:
通过多个力觉传感器多次测量运动员各肢体的发力平均值,根据多次测得的发力平均值与测量时间点按对应关系绘制折线图;
对折线图进行平滑处理后生成综合发力曲线。
5.根据权利要求4所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,不同等级的训练任务的划分规则包括:
对训练任务中的一套训练动作按照不同维度划分为多个阶段;
记录标准地完成一套训练动作各时,训练动作中各个阶段所占用的时间;
通过公式(3)计算获取训练动作的难度系数H;
其中,Ti为一套训练动作中第j阶段所占用的时间;σj为一套训练动作中第j阶段对应的第一预设权重系数;m为阶段的总数;
将难度系数H相同的训练动作划分到同一训练任务中。
6.根据权利要求5所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,所述维度的种类包括:力量、耐力、灵敏度、速度和柔韧度。
7.根据权利要求6所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,对能力参数数据进行分析,并确立训练任务变更策略的过程包括:
联立公式(4)~(5)计算获取个人能力评价系数Kcomp;
其中,Kj一套训练动作中第j阶段的完成度评价值;Δγ为预设参考值;Fj(t)为第j阶段的综合发力曲线;Fst,j(t)为第j阶段的预设标准曲线;ta、tb为预设研究时间段的左右区间端点;τj为一套训练动作中第j阶段对应的第二预设权重系数;
将个人能力评价系数Kcomp与预设阈值范围[Kcomp1,Kcomp2]进行比对:
若Kcomp<Kcomp1,则运动员保持原训练任务中的动作的练习;
若Kcomp∈[Kcomp1,Kcomp2],则运动员保持原训练任务,根据预设动作调整规则更换另一套训练动作;
若Kcomp>Kcomp2,则向运动员分配下一等级训练任务。
8.根据权利要求7所述的一种基于体能训练曲线的智能评估推荐系统,其特征在于,所述预设动作调整规则包括:增加完成度评价值最低的阶段对应的维度动作在一套训练动作中的比重。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118349730A true CN118349730A (zh) | 2024-07-16 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sparling | A meta-analysis of studies comparing maximal oxygen uptake in men and women | |
CN114822763A (zh) | 一种运动数据驱动的个性化运动处方推荐方法 | |
Lombard et al. | Reliability of metrics associated with a counter-movement jump performed on a force plate | |
CN106295805A (zh) | 基于bp神经网络的人体最大摄氧量评价方法及其应用 | |
Perri et al. | Relationship between wellness index and internal training load in soccer: application of a machine learning model | |
CN116705238A (zh) | 基于体医结合的运动处方健康数据管理平台 | |
Wiecha et al. | VO2max prediction based on submaximal cardiorespiratory relationships and body composition in male runners and cyclists: a population study | |
Pivarnik et al. | Aerobic capacity in black adolescent girls | |
CN118349730A (zh) | 一种基于体能训练曲线的智能评估推荐系统 | |
CN116861252A (zh) | 一种基于平衡功能异常的跌倒评估模型的构建方法 | |
US8762168B2 (en) | Method of defining the physical condition level | |
CN114886433A (zh) | 一种具备环境适应能力的运动负荷评估方法 | |
Zhou et al. | Ensuring athlete physical fitness using Cyber-Physical Systems (CPS) in training environments | |
Guo et al. | Acquiring and processing movement information from various sources using intelligent AI cognitive model for sports activities | |
Coronato et al. | Functional data analysis for predicting pediatric failure to complete ten brief exercise bouts | |
Chuckravanen et al. | Management of metabolic resources for a 20-km cycling time-trial using different types of pacing | |
Parr | Growth and Maturation in Elite Youth Soccer Players | |
Zahari et al. | Fusion of anthropometric measurement and multi parameter trends for cardiorespiratory fitness assessment | |
Mousavi Sadati et al. | Designing of Advanced Physical Fitness Assessment Software (APFA) of Iranian People | |
Weedon | Physical activity in adolescents with respect to movement quality and quantity | |
CN117334293A (zh) | 基于动作矫正的运动训练系统及方法 | |
CN115797118A (zh) | 一种智能化体育跆拳道课程管理方法 | |
Kelly | An investigation of asymmetries in cycling: methods and performance implications | |
Reiner et al. | Using Wearables Data for Differentiating Between Injured and Non-Injured Athletes | |
CN116072256A (zh) | 学生体质健康促进个性化运动处方推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |