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技术方案

本发明专利技术提供基于运动训练数据的运动负荷监测和与运动疲劳预警方法和系统，包含两个阶段，运动负荷监测阶段和运动疲劳预警阶段。本发明专利技术运动负荷监测阶段所用的数据获取简单，采用基于大数据的神经网络并行优化算法，根据确定的运动模式和加速度数据进行运动负荷量和强度的高精度估算，实现运动训练的实时监测；运动疲劳预警阶段，根据不同运动项目特征，划分合理的运动疲劳时间计量单元，并根据疲劳积累的不同模式，即实时监测运动负荷量在单位时间单元内的下降模式，运用贝叶斯分类算法对运动疲劳进行预警，防止过度训练导致运动损伤，可以有效避免过度训练引起的运动损伤。

Exercise load monitoring and sports fatigue early warning method and system based on sports training data

The invention provides the motion load monitoring and motion fatigue early warning method and system based on the training data, including two stages, the monitoring stage of the motion load and the early warning stage of the movement fatigue. The data acquisition used in the movement load monitoring phase of the invention is simple, and the neural network parallel optimization algorithm based on large data is used. The high precision estimation of the load and strength is carried out according to the fixed motion mode and acceleration data to realize the real-time monitoring of the exercise training; the movement fatigue early warning stage is based on the different movements. The characteristic of the project is to divide the reasonable time measurement unit of sports fatigue, and according to the different modes of fatigue accumulation, that is, to monitor the falling mode of the load in the unit time unit in real time, the Bias classification algorithm is used to warn the movement fatigue, and the excessive training can prevent the movement damage, and the over training can be avoided effectively. Exercise injury caused by practice.

【技术实现步骤摘要】
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
本专利技术属于运动数据分析领域，特别是涉及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。
技术介绍
随着计算机软硬件技术和网络的飞速发展，利用摄像机、传感器和无线传感器网络等能够实时采集海量的体育运动训练数据。面对海量的体育运动训练数据，传统的数据处理方式面临着新的严峻挑战，运动训练大数据的大量化、多样化、快速化和价值密度低等数据特点让传统的数据处理方法和工具只能望“数据”兴叹。如何有效构建与运动数据相适应的数学模型和工具，真正将海量运动训练数据变化为有价值的信息是体育运动负荷分析领域亟待解决的问题。运动负荷是指运动时机体对所施加的训练量和强度刺激引起的生理机能在应激状态下反映的量的大小，包括负荷量、负荷强度。目前评价运动负荷的指标主要有：心率、RPE、最大摄氧量、尿蛋白、血乳酸、卡路里和METS等。国内外在运动负荷监测和运动疲劳预警上，目前主要还是依靠生理生化数据，主要通过检测运动员的心率、RPE、最大摄氧量、尿蛋白、血乳酸、卡路里和METS等指标监测训练强度是否合适，是否训练过度产生了运动疲劳。美国NFL采集运动员的加速度、垂直弹跳力及心率等数据，来辅助制定合理训练计划。北京体育大学的学者采用心率、RPE和能量消耗值的方法，对排球运动员训练强度进行监控。上海体育学院的研究者运用视频分析、心率监测和疲劳量表，综合分析足球裁判的运动负荷。1.现有的运动负荷监测过度依赖生理生化数据，数据采集较为复杂；2.生理生化数据的采集存在时效性，如果采集不及时，所获取的数据将存在较大误差；3.现有运动训练监测方法存在滞后性，不能实时反映运动疲劳的产生和发展过程，无法及时进行过度疲劳和运动损伤预警。4.现有运动负荷计算方法应用于小规模的运动数据，不适用运动大数据的分析。
技术实现思路
本专利技术针对现有技术的不足，本专利技术方法针对体育运动训练中采集的运动学和动力学等数据，通过大数据管理和数据挖掘技术深度分析，应用于运动负荷监测，实现基于大数据的运动负荷实时计算和运动疲劳预警，达到科学指导运动训练的目标。为了达到上述目的，本专利技术提供的技术方案是一种基于运动训练数据的运动负荷监测与运动疲劳预警方法，包括如下步骤：步骤1，运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子步骤；步骤1.1，依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；步骤1.2，针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；步骤1.3，输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；步骤1.4，利用Map函数读入Hadoop分布式文件系统中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；步骤1.5，利用Reduce函数读入Hadoop分布式文件系统上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新，同时计算更新后的网络权值与从Hadoop分布式文件系统中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权重不再更新，则能耗估算BP神经网络算法训练结束；步骤1.6，利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；步骤2，运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子步骤；步骤2.1，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；步骤2.2，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；步骤2.3，获取运动疲劳预警阶段的训练数据集，即疲劳类别已知的数据集；步骤2.4，根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；步骤2.5，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。进一步的，步骤1.3所述Map节点的个数根据训练样本的个数确定。本专利技术还提供一种基于运动训练数据的运动负荷监测与运动疲劳预警系统，其特征在于，包括如下模块：运动负荷监测模块，用于运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子模块；能耗估算训练样本建立子模块，用于依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；网络初始化子模块，用于针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；训练样本分配子模块，用于输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；Map节点权值输出子模块，用于利用Map函数读入Hadoop分布式文件系统中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；网络权值更新子模块，用于利用Reduce函数读入Hadoop分布式文件系统上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新；同时计算更新后的网络权值与从Hadoop分布式文件系统中读入的网络权值之间的差值，根据差值判本文档来自技高网...

【技术保护点】
1.基于运动训练数据的运动负荷监测与运动疲劳预警方法，其特征在于，包括如下步骤：步骤1，运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子步骤；步骤1.1，依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；步骤1.2，针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；步骤1.3，输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；步骤1.4，利用Map函数读入Hadoop分布式文件系统中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；步骤1.5，利用Reduce函数读入Hadoop分布式文件系统上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新，同时计算更新后的网络权值与从Hadoop分布式文件系统中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权重不再更新，则能耗估算BP神经网络算法训练结束；步骤1.6，利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；步骤2，运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子步骤；步骤2.1，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；步骤2.2，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；步骤2.3，获取运动疲劳预警阶段的训练数据集，即疲劳类别已知的数据集；步骤2.4，根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即...

【技术特征摘要】
1.基于运动训练数据的运动负荷监测与运动疲劳预警方法，其特征在于，包括如下步骤：步骤1，运动负荷监测阶段，采用神经网络并行优化方法计算受试者的能耗，所述能耗是指受试者运动强度和运动量随时间的变化规律，包括以下子步骤；步骤1.1，依据不同类型的运动模式建立能耗估算训练样本数据库，每个样本数据包含运动人员的年龄、性别、身高、体重、三个维度的加速度(ax,ay,az)，共7个分量；步骤1.2，针对每种运动模式建立能耗估算BP神经网络，并进行网络初始化，初始化包含最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率；步骤1.3，输入能耗估算训练样本X1,X2,……,Xk，Xk＝[xk1,xk2,xk3,xk4,xk5,xk6,xk7]，其中k代表训练样本个数，7个分量分别对应于年龄、性别、身高、体重和三个维度的加速度，并将训练样本均匀的分布到每个Map节点中；步骤1.4，利用Map函数读入Hadoop分布式文件系统中保存的网络权值记录，即初始权值，根据读取的网络权值实例化每个Map节点上的神经网络，并获得每个Map节点的权值并输出；步骤1.5，利用Reduce函数读入Hadoop分布式文件系统上保存的网络权值记录，并接收Map输出的权值，并根据各个Map节点的输出权值的算数平均值，作为新的网络权值进行更新，同时计算更新后的网络权值与从Hadoop分布式文件系统中读入的网络权值之间的差值，根据差值判断是否需要下一次循环；如果网络权重不再更新，则能耗估算BP神经网络算法训练结束；步骤1.6，利用训练好的能耗估算BP神经网络算法获得受试者的能耗信息；步骤2，运动疲劳预警阶段，采用贝叶斯分类算法对受试者进行运动疲劳预警，包括以下子步骤；步骤2.1，设x＝{a1,a2,..,am}为一个待分类的运动员数据，其中ai为x的第i个特征属性，共m个特征属性；特征属性的获取方式为：将运动负荷监测阶段中的时间序列划分为m个区间，获得各区间对应的疲劳值；步骤2.2，已知疲劳类别集合C＝{(x1,y1),(x2,y2),..,(xn,yn)}，其中x1,x2,..,xn为n个运动员的疲劳相关特性数据，y1,y2,..,yn为与之对应的疲劳分级；步骤2.3，获取运动疲劳预警阶段的训练数据集，即疲劳类别已知的数据集；步骤2.4，根据已知的疲劳类别集合，统计得到在各类别下各个特征属性的条件概率估计，即：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；...；P(a1|yn),P(a2|yn),...,P(am|yn)；如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：某个运动员的待分类数据x可能为yi疲劳等级的概率P(yi|x)＝P(x|yi)P(yi)/P(x)，其中P(yi)为疲劳等级出现的概率，可根据已知疲劳类别集合数据统计得出，P(x|yi)为yi疲劳等级的数据中x出现的概率；对于任意x，分母P(x)为固定值，P(x|yi)P(yi)＝P(a1|yi)P(a2|yi)...P(am|yi)P(yi)，即最后计算x为各个类别的概率：P(y1|x),P(y2|x),..,P(yn|x)；步骤2.5，如果P(yk|x)＝max{P(y1|x),P(y2|x),..,P(yn|x)}，则x的类别为yk即给定的疲劳等级。2.如权利要求1所述的基于运动训练数据的运动负荷监测与运动疲劳预警方法，其特征在于：步骤1.3所述Map节点的个数根据训练样本的个数确定。3.基于运动训练数据的运动负荷监测与运动疲劳...

【专利技术属性】
技术研发人员：钟亚平，刘鹏，
申请(专利权)人：武汉中体智美科技有限公司，武汉体育学院，
类型：发明
国别省市：湖北,42