一种运动员疲劳度的预测方法及系统与流程

本发明涉及一种疲劳度的预测方法及系统，尤其涉及一种运动员疲劳度的预测方法及系统。

背景技术：

运动员在训练过程中教练需要实时掌握运动员的疲劳情况，从而去了解运动员的身体状态，安排训练计划。目前，有经验的教练虽然可以通过辅助仪器来获取运动员在运动时身体的各项指标，然后经验判断运动员是否训练过量或者训练不足，但在判断时由于主观性较强，所以容易造成误判。

技术实现要素：

为解决以上技术问题，本发明实施例提供一种运动员疲劳度的预测方法及系统，可以通过获取运动员在运动时身体的各项指标，然后对各项指标进行数据化处理，并进行计算，从而得到一个较为准确的运动员在训练时的疲劳度数据。

为达上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供一种运动员疲劳度的预测方法，所述方法包括：

获取运动信息；

对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b；

根据公式：a*m+b*n＝疲劳度数据，计算得到疲劳度数据，其中，所述m和所述n均为百分数，且满足m+n＝100％。

在本发明实施例中，所述运动信息包括声音特征信息、心率、实时加速度、跌倒信息、卡路里的消耗量、缺水程度、运动轨迹中的一种或多种。

在本发明实施例中，所述对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b，包括：

基于卷积神经网络模型对所述运动信息进行所述第一计算处理，得到所述第一数据结果a；

基于lstm模型对所述运动信息进行所述第二计算处理，得到所述第二数据结果b。

在本发明实施例中，所述m为30％，所述n为70％。

本发明实施例还提供了一种运动员疲劳度的预测系统，所述系统包括：

获取模块，用于获取所述运动信息；

处理模块，用于对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b；

计算模块：用于根据公式：a*m+b*n＝疲劳度数据，计算得到疲劳度数据；

展示模块，用于发送所述疲劳度数据。

在本发明实施例中，所述获取模块包括：

用于获取声音特征信息的录音元件、用于实时加速度的加速度传感器、用于获取运动轨迹的定位元件、用于获取心率和卡路里的消耗量的心率检测元件、用于获取跌倒信息的跌倒检测元件和用于获取缺水程度的人体缺水程度检测元件中的一种或多种。

在本发明实施例中，所述计算模块包括：

第一计算处理元件，用于基于卷积神经网络模型对所述运动信息进行所述第一计算处理，得到所述第一数据结果a；

第二计算处理元件，用于基于lstm模型对所述运动信息进行所述第二计算处理，得到所述第二数据结果b。

本发明实施例提供了一种运动员疲劳度的预测方法，所述方法包括：获取运动信息；对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b；根据公式：a*m+b*n＝疲劳度数据，计算得到疲劳度数据，其中，所述m和所述n均为百分数，且所述m+所述n＝100％；本发明实施例还提供了一种运动员疲劳度的预测系统，所述系统包括：获取模块，用于获取所述运动信息；处理模块，用于对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b；计算模块：用于根据公式：a*m+b*n＝疲劳度数据，计算得到疲劳度数据；展示模块，用于发送所述疲劳度数据；这样，通过获取运动员在训练时身体的运动信息，然后对各运动信息进行数据化处理，最后通过加权计算，从而得到一个较为准确的运动员在训练时的疲劳度数据。

附图说明

图1为本发明实施例一提供的一种运动员疲劳度的预测方法的流程图；

图2为本发明实施例二提供的一种运动员疲劳度的预测系统的结构简图；

图3为本发明实施例二提供的一种运动员疲劳度的预测系统的模块示意图；

图4为本发明实施例一提供的一种lstm单元模型的结构示意图；

图5为本发明实施例一提供的一种lstm模型的结构示意图；

图6为本发明实施例一提供的一种dnn-lstm模型的结构示意图；

图7为本发明实施例一提供的另一种dnn-lstm模型的结构示意图。

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。

实施例一

本发明实施例提供一种运动员疲劳度的预测方法，如图1所示，所述方法包括步骤如下：

步骤s101：获取运动信息；

这里，所述运动信息是指运动员在训练时，运动员的身体对长时间的训练后的产生的反应变化以及训练量的数据。

具体地，所述运动信息包括声音特征信息、心率、实时加速度、跌倒信息、卡路里的消耗量、缺水程度和运动轨迹中的一种或多种。其中，所述声音特征信息是指运动员在训练时的呼吸变化，例如，运动员的体力消耗越剧烈，其呼吸越急促；所述心率是指运动员在训练时的心跳变化，例如，训练时的运动量越大，其心跳越快；所述实时加速度是指运动员的移动速度的变化，例如，在进行跑步训练时，跑步的速度是多少；所述跌倒信息是指运动员一般在体力耗尽后发生跌倒的情况；所述卡路里的消耗量为运动员在运动时消耗了多少卡路里；所述缺水程度是指运动员运动时，体内水分的流失量，从而判读运动员体内的缺水状况；而所述运动轨迹则是运动员移动的路径。

更具体地，在获取运动员的所述运动信息时，可以通过穿戴在运动员身上的传感设备，获取相关的数据。当获取到了相关的数据后，可以将获取到的数据发送至主机。

步骤s201：对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b；

这里，将获取到的所述运动信息分别进行计算处理，即根据各个得到的数据进行转化运算，得到运算后的第一数据结果a和第二数据结果b；

具体地，所述第一数据结果a是基于卷积神经网络模型对所述运动信息进行所述第一计算处理得到的，其中，所述卷积神经网络模型是包含卷积层和全连接层两个部分，卷积层的卷积计算实现深度神经网络(dnn)的训练，其深度网络结构有前向传播算法和反向传播算法。前向传播算法是用上一层的输出计算下一层的输出。深度神经网络反向传播算法是对损失函数用梯度下降法迭代求极小值的过程，可以解决各种监督学习的分类回归问题。

所述第二数据结果b基于lstm模型对所述运动信息进行所述第二计算处理得到，其中，所述长短期记忆模型模块12(lstm模型，long-shorttermmemory)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

所述卷积神经网络模型和所述长短期记忆模型模块12用于对获取到的数据进行单独的计算处理。卷积神经网络和lstm可采用有监督学习和无监督学习对数据分类，可以采用k-均值聚类算法、k-中心点聚类算法、clarans、birch、clique、dbscan等算法分类。

步骤s301：根据公式：a*m+b*n＝疲劳度数据，计算得到疲劳度数据，其中，所述m和所述n均为百分数，且所述m+所述n＝100％。

这里，基于卷积神经网络具有更强的非线性变换能力，更适用于特征参数与判决算，解决分类问题；另一方面，卷积神经网络具有对特征再学习的能力，可以充分挖掘数据中的潜在信息,由于一方面需要对每个信息进行判决；另一方面由于信息之间有很强的相关性，相邻帧的信息对当前帧的影响也应该被关注。而卷积神经网络具有一定的记忆功能，可以被用来解决很多问题，例如：语音识别、语言模型、机器翻译等。但是它并不能很好地处理长时依赖问题，可能会忽略信息特征在长时间上的相关性，每个信息长时特征的计算都综合了之前多个信息。lstm网络是对rnn的改进，它克服了rnn固有的梯度消失问题，实现了对序列中有用信息的长时记忆，在语音识别、机器翻译等领域显示了比传统方法更优异的性能。常规的递归神经网络并不能很好地解决长时依赖，但lstm可以很好地解决这个问题。

如图4所示出的，lstm模型包括记忆单元c和输入门i、输出门o、遗忘门f、x表示lstm网络的输入。

lstm模型的网络结构如图5、6、7所示，这是一个多层dnn加一层lstm的网络结构。输出层为一个具有2个神经元的softmax层。1t中的元素按时间顺序每个时刻通过dnn层参与第t时刻lstm网络的计算。每一时刻t的输出再通过预测层进行图像后验概率的输出。图6是一种dnn-lstm混合神经网络模型的实例，结合dnn与lstm长时特征参数的特点，dnn-lstm混合神经网络的算法。它结合了dnn善于对数据进行非线性变换与lstm善于对时间序列分析的能力。针对dnn-lstm结构网络训练。图7是在图6基础上增加的一种实例。在基于图6的dnn-lstm的混合神经网络算法中,网络的输入实际上为一段时间长度为t的时间序列。传统单一dnn神经网络以及lstm神经网络对每个时刻网络的输出计算代价,这种方式忽略了网络输出在时间上的相关性。图6的网络模型将t个时刻网络的输出也看作一段时间序列,进行基于序列的代价函数设计。对一时间序列[x]t,神经网络经过softmax层后输出的序列为[z]t,对应的标记序列为[y]t。图7对s与n采用与交叉熵相同的方式进行网络训练，从而对图6优化，通过混合神经网络和单一dnn神经网络以及lstm神经网络在训练时间和识别准确率方面的对比来验证改进的混合神经网络的性能。实例图6和图7只是一种可行的混合神经网络模型，不只局限于此。

结合dnn与lstm长时特征参数的特点，dnn-lstm混合神经网络的算法。它结合了dnn善于对数据进行非线性变换与lstm善于对时间序列分析的能力。针对dnn-lstm结构网络训练。

这里，通过对所述第一数据结果a和所述第二数据结果b的数据进行分配，从而得到一个较为准确的疲劳度数据。

具体地，所述m为30％，所述n为70％。这里需要注意的是，加权计算中的百分比是在实践中进行调整的，实践中m和n的准确性通过数据训练计算损失函数最小化来达到逼近真实值。损失函数(lossfunction)是用来估量模型的预测值f(x)与真实值y的不一致程度，它是一个非负实值函数,通常使用l(y，f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。常用损失函数包括：mse均方误差损失函数、svm合页损失函数、crossentropy交叉熵损失函数、smoothl1损失函数等等。

步骤s401：展示所述疲劳度数据。

这里，将得到的数据可以通过发送至教练组才，从而方便教练进行查看。

实施例二

本发明实施例还提供了一种运动员疲劳度的预测系统，如图2所示，所述系统包括：

获取模块1，用于获取所述运动信息；处理模块2，用于对所述运动信息分别进行第一计算处理和第二计算处理，得到第一数据结果a和第二数据结果b；计算模块3：用于根据公式：a*m+b*n＝疲劳度数据，计算得到疲劳度数据；展示模块4，用于发送所述疲劳度数据。

这里，所述获取模块1用于获取所述运动信息，所述运动信息包括声音特征信息、心率、实时加速度、跌倒信息、卡路里的消耗量、缺水程度和运动轨迹中的一种或多种。具体地，如图3所示，所述获取模块1可以为感应元件，具体可以是录音元件、加速度传感器、定位元件、心率检测元件、跌倒检测元件和人体缺水程度检测元件。

当所述获取模块1获取到数据后可以通过有线传输或者无线传输的方式将获取到的数据发送至主机，其中，所述主机既由所述处理模块2、所述计算模块3和所述展示模块4构成，所述处理模块2、所述计算模块3为所述主机中的运算处理器，其可以依据k-均值聚类算法、k-中心点聚类算法、clarans、birch、clique、dbscan等算法分类对获取到的数据进行处理，当计算处理后获取到的疲劳度预测数值可以通过所述主机上的显示器(即所述展示模块4)向教练员进行展示。

具体地，在实际使用时，如图3所示，所述获取模块中的录音元件和加速度传感器依次通过存储元件、预处理器和传输元件而与所述主机连接；所述获取模块中的定位元件、心率检测元件和人体缺水程度检测元件均依次通过存储元件和传输元件而与所述主机连接；所述获取模块中的跌倒检测元件通过传输元件而与所述主机连接。

进一步地，在本发明实施例中，所述计算模块3包括：

第一计算处理元件，用于基于卷积神经网络模型对所述运动信息进行所述第一计算处理，得到所述第一数据结果a；

第二计算处理元件，用于基于lstm模型对所述运动信息进行所述第二计算处理，得到所述第二数据结果b。

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。