【技术实现步骤摘要】
本专利技术属于智能监测，具体涉及一种体育训练智能监测方法及系统。
技术介绍
1、随着科技的发展，体育训练逐渐向科学化、个性化的方向发展。传统的体育训练监测方法主要依靠用户的经验来评估体育训练状态和效果，然而，这种方法人力成本投入大，受限于用户的主观判断，难以实现对体育训练状态的精确监测和科学评估。此外，现有的体育训练监测技术，功能简单，仅仅实现了对体育训练数据的简单记录，缺乏人机交互，难以分析大量复杂的体育训练数据，也无法实时调整训练计划以适应用户的实时状态，实用性低下。
技术实现思路
1、为了解决现有技术存在的人力成本投入大、功能简单、缺乏人机交互以及实用性低下的问题，本专利技术目的在于提供一种体育训练智能监测方法及系统。
2、本专利技术所采用的技术方案为：
3、一种体育训练智能监测方法，包括如下步骤：
4、根据若干历史用户的历史人脸图像数据、历史身体素质数据以及历史体育训练数据，构建对应的若干用户体育训练数据库；
5、根据若干历史身体素质数据和对应的若干历史体育训练数据，使用深度学习算法，构建对应的体育训练分析模型；
6、采集体育训练知识大数据，并根据体育训练知识大数据，构建对应的体育训练知识图谱；
7、采集当前用户的实时人脸图像数据，并根据实时人脸图像数据，进行检索匹配，得到对应的匹配用户体育训练数据库；
8、采集当前用户的实时身体素质数据和实时体育训练数据，并提取匹配用户体育训练数据库中存储
9、根据实时身体素质数据和邻近历史体育训练数据，使用体育训练知识图谱，生成并可视化对应的实时体育训练推荐数据；
10、将实时身体素质数据和实时体育训练数据输入体育训练分析模型，进行体育训练分析，得到并可视化对应的实时体育训练分析结果；
11、将实时身体素质数据、实时体育训练数据以及实时体育训练分析结果存储至对应的匹配用户体育训练数据库。
12、进一步地，根据若干历史用户的历史人脸图像数据、历史身体素质数据以及历史体育训练数据，构建对应的若干用户体育训练数据库，包括如下步骤：
13、采集历史用户在若干时序的历史身体素质数据和历史体育训练数据；
14、将若干历史身体素质数据和若干历史体育训练数据按照时序排序，并依次存储至预设的空白数据库，得到初始的用户体育训练数据库；
15、采集同一历史用户的历史人脸图像数据，并提取历史人脸图像数据的历史人脸图像特征；
16、将历史人脸图像特征作为初始的用户体育训练数据库的检索标签，得到设置有检索标签的最终的用户体育训练数据库；
17、重复上述步骤，构建若干历史用户对应的若干最终的用户体育训练数据库。
18、进一步地，根据若干历史身体素质数据和对应的若干历史体育训练数据，使用深度学习算法，构建对应的体育训练分析模型，包括如下步骤：
19、整合若干历史身体素质数据和对应的若干历史体育训练数据，得到对应的历史体育训练分析大数据；
20、对历史体育训练分析大数据进行预处理和标签添加，得到对应的设置有真实体育训练强度标签的预处理后历史体育训练分析数据集；
21、对预处理后历史体育训练分析数据集进行数据降维，得到对应的数据降维后历史体育训练分析数据集和体育训练关键指标集合；
22、根据设置有真实体育训练强度标签的数据降维后历史体育训练分析数据集，使用深度学习算法，构建对应的体育训练分析模型。
23、进一步地，对历史体育训练分析大数据进行预处理和标签添加，得到对应的设置有真实体育训练强度标签的预处理后历史体育训练分析数据集，包括如下步骤：
24、对历史体育训练分析大数据进行预处理，得到对应的预处理后历史体育训练分析数据集；
25、使用fcm聚类算法，对预处理后历史体育训练分析数据集进行聚类处理，得到若干聚类中心和对应的若干预处理后历史体育训练分析数据集群；
26、为每一聚类中心设置对应的真实体育训练强度标签，得到设置有真实体育训练强度标签的若干聚类中心；
27、将聚类中心的真实体育训练强度标签，扩散至对应的预处理后历史体育训练分析数据集群中每一预处理后历史体育训练分析数据，得到设置有真实体育训练强度标签的预处理后历史体育训练分析数据集。
28、进一步地，对预处理后历史体育训练分析数据集进行数据降维，得到对应的数据降维后历史体育训练分析数据集和体育训练关键指标集合，包括如下步骤：
29、使用pca方法，将预处理后历史体育训练分析数据集转换为历史体育训练分析数据矩阵；历史体育训练分析数据矩阵由若干预处理后历史体育训练分析数据行向量构成；
30、对历史体育训练分析数据矩阵进行标准化处理，得到对应的标准化处理后历史体育训练分析数据矩阵；
31、获取标准化处理后历史体育训练分析数据矩阵中的备选主成分矩阵；备选主成分矩阵由若干历史体育训练指标数据列向量构成；
32、将方差累计贡献率前90％的若干历史体育训练指标数据列向量作为对应的若干主成分列向量，得到由若干主成分列向量构成的数据降维后历史体育训练分析数据矩阵；
33、根据数据降维后历史体育训练分析数据矩阵，得到对应的数据降维后历史体育训练分析数据集；
34、将主成分列向量对应的体育训练指标作为对应的体育训练关键指标，得到由若干体育训练关键指标构成的体育训练关键指标集合。
35、进一步地，根据设置有真实体育训练强度标签的数据降维后历史体育训练分析数据集，使用深度学习算法，构建对应的体育训练分析模型，包括如下步骤：
36、将数据降维后历史体育训练分析数据集按照7：3的比例，划分为模型训练样本集和模型测试样本集；
37、将bilstm网络的初始网络参数作为ifwa寻优算法的寻优目标，并根据寻优目标，使用ifwa寻优算法进行寻优，得到bilstm网络的最优初始网络参数；
38、根据最优初始网络参数，构建初始的体育训练分析模型，并将模型训练样本集输入初始的体育训练分析模型，进行优化训练，得到优化的体育训练分析模型；
39、将模型测试样本集输入优化的体育训练分析模型，进行模型测试，得到对应的若干历史预测体育训练强度标签；
40、将若干历史预测体育训练强度标签与对应的若干真实体育训练强度标签进行对比分析，得到对应的模型测试准确率；
41、若模型测试准确率大于预设模型测试准确率阈值，则输出最优的体育训练分析模型，否则，继续进行优化训练。
42、进一步地，采集体育训练知识大数据，并根据体育训练知识大数据，构建对应的体育训练知识图谱，包括如下步骤：
43、采集体育训练知识大数据，并对体育训练知识大数据进行预处理，得到对应的预处理后体育训练知识数据集；
<本文档来自技高网...【技术保护点】
1.一种体育训练智能监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种体育训练智能监测方法，其特征在于：根据若干历史用户的历史人脸图像数据、历史身体素质数据以及历史体育训练数据，构建对应的若干用户体育训练数据库，包括如下步骤：
3.根据权利要求2所述的一种体育训练智能监测方法，其特征在于：根据若干历史身体素质数据和对应的若干历史体育训练数据，使用深度学习算法，构建对应的体育训练分析模型，包括如下步骤：
4.根据权利要求3所述的一种体育训练智能监测方法，其特征在于：对历史体育训练分析大数据进行预处理和标签添加，得到对应的设置有真实体育训练强度标签的预处理后历史体育训练分析数据集，包括如下步骤：
5.根据权利要求3所述的一种体育训练智能监测方法，其特征在于：对预处理后历史体育训练分析数据集进行数据降维，得到对应的数据降维后历史体育训练分析数据集和体育训练关键指标集合，包括如下步骤：
6.根据权利要求3所述的一种体育训练智能监测方法，其特征在于：根据设置有真实体育训练强度标签的数据降维后历史体育训练分析数据集，
7.根据权利要求1所述的一种体育训练智能监测方法，其特征在于：采集体育训练知识大数据，并根据体育训练知识大数据，构建对应的体育训练知识图谱，包括如下步骤：
8.根据权利要求2所述的一种体育训练智能监测方法，其特征在于：采集当前用户的实时人脸图像数据，并根据实时人脸图像数据，进行检索匹配，得到对应的匹配用户体育训练数据库，包括如下步骤：
9.根据权利要求2所述的一种体育训练智能监测方法，其特征在于：还包括可视化若干相邻时序的历史身体素质数据、历史体育训练数据以及历史体育训练分析结果，包括如下步骤：
10.一种体育训练智能监测系统，用于实现如权利要求1-9任一所述的体育训练智能监测方法，其特征在于：所述的系统包括云计算中心和若干体育训练智能监测子系统，所述的云计算中心分别与若干体育训练智能监测子系统通信连接；
...【技术特征摘要】
1.一种体育训练智能监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种体育训练智能监测方法，其特征在于：根据若干历史用户的历史人脸图像数据、历史身体素质数据以及历史体育训练数据，构建对应的若干用户体育训练数据库，包括如下步骤：
3.根据权利要求2所述的一种体育训练智能监测方法，其特征在于：根据若干历史身体素质数据和对应的若干历史体育训练数据，使用深度学习算法，构建对应的体育训练分析模型，包括如下步骤：
4.根据权利要求3所述的一种体育训练智能监测方法，其特征在于：对历史体育训练分析大数据进行预处理和标签添加，得到对应的设置有真实体育训练强度标签的预处理后历史体育训练分析数据集，包括如下步骤：
5.根据权利要求3所述的一种体育训练智能监测方法，其特征在于：对预处理后历史体育训练分析数据集进行数据降维，得到对应的数据降维后历史体育训练分析数据集和体育训练关键指标集合，包括如下步骤：
6.根据权利要求3所述的一种体育训练智能监测...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。