一种下肢肌力的训练效果预测方法、系统、存储介质

1.本发明涉及体能训练预测技术领域，尤其涉及下肢肌力的训练效果预测方法、系统、存储介质。


背景技术：

2.下肢肌肉力量是下肢肌肉功能的决定因素，在维持人体健康和提高运动表现中发挥重要作用。
3.在评估下肢肌肉力量的指标中，等速肌力是下肢肌肉功能的力学体现，等速肌力测试被公认为肌肉力量评估的“金标准”。一方面，等速肌力可为评价肌肉力量提供可靠结果；另一方面，等速肌力可预测运动损伤风险。
4.然而，现有技术中缺乏对于人体下肢肌力训练效果的预测，如何通过分析受试者对不同训练方案的反应性和训练效果影响因素，建立等速肌力训练效果个体差异的预判模型，并根据预判模型对训练者的训练效果进行预测，是当前亟需解决的问题。


技术实现要素：

5.为解决上述技术问题，本发明提供了一种下肢肌力的训练效果预测方法、系统、存储介质。
6.本发明的一种下肢肌力的训练效果预测方法的技术方案如下：
7.获取并根据每个受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，构建二分类预判模型；
8.基于待训练者训练前的原始下肢肌力数据和所述二分类预判模型，对所述待训练者的下肢肌力训练效果进行预测，得到所述待训练者的目标预测效果。
9.本发明的下肢肌力的训练效果预测方法的有益效果如下：
10.本发明的方法通过分析训练前后下肢肌肉等速肌力的变化趋势以及个体差异，建立等速肌力训练效果个体差异的预判模型，为不同训练者训练后的下肢肌力训练效果评估，提供了精准的预测结果。
11.在上述方案的基础上，本发明的一种下肢肌力的训练效果预测方法还可以做如下改进。
12.进一步，所述原始下肢肌力数据包括：原始等速蹬踏屈峰值力和原始等速蹬踏伸峰值力；
13.所述训练下肢肌力数据包括：训练等速蹬踏屈峰值力和训练等速蹬踏伸峰值力；
14.所述目标预测效果包括：等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值。
15.进一步，所述二分类预判模型包括：第一预测公式和第二预测公式；
16.利用所述第一预测公式得到所述等速蹬踏屈峰值力的预测训练效果值，所述第一
预测公式为：其中，y1为所述等速蹬踏屈峰值力的预测训练效果值，p1为所述待训练者的原始等速蹬踏屈峰值力，logit(p1)＝-1.783+2.910
×
10-4
×
p1；
17.利用所述第二预测公式得到所述等速蹬踏伸峰值力的预测训练效果值，所述第二预测公式为：其中，y2为所述等速蹬踏伸峰值力的预测训练效果值，p2为所述待训练者的原始等速蹬踏伸峰值力，logit(p2)＝-1.721+3.182
×
10-4
×
p2。
18.进一步，还包括：
19.根据每个预设受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，得到所述每个预设受试者的实际训练效果值；
20.根据所述每个预设受试者训练前的实际训练效果值和预测训练效果值，对所述二分类预判模型进行验证。
21.进一步，所述对所述二分类预判模型进行验证，具体包括：
22.判断所述每个预设受试者的实际训练效果值和预测训练效果值是否通过卡方检验。
23.进一步，所述得到所述待训练者的目标预测效果，具体包括：
24.得到并根据所述待训练者的等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值，判定所述待训练者的目标预测效果。
25.进一步，所述根据所述待训练者的等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值，判定所述待训练者的目标预测效果，具体包括：
26.当所述等速蹬踏屈峰值力的预测训练效果值大于第一预设阈值时，且所述等速蹬踏伸峰值力的预测训练效果值大于第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力与所述待训练者的等速蹬踏屈峰值力均有训练效果；
27.当所述等速蹬踏屈峰值力的预测训练效果值大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值不大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力有训练效果，以及所述待训练者的等速蹬踏屈峰值力没有训练效果；
28.当所述等速蹬踏屈峰值力的预测训练效果值不大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力没有训练效果，以及所述待训练者的等速蹬踏屈峰值力有训练效果；
29.当所述等速蹬踏屈峰值力的预测训练效果值不大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值不大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力与所述待训练者的等速蹬踏屈峰值力均没有训练效果。
30.本发明的一种下肢肌力的训练效果预测系统的技术方案如下：
31.包括：构建模块和预测模块；
32.所述构建模块用于：获取并根据每个受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，构建二分类预判模型；
33.所述预测模块用于：基于待训练者训练前的原始下肢肌力数据和所述二分类预判模型，对所述待训练者的下肢肌力训练效果进行预测，得到所述待训练者的目标预测效果。
34.本发明的下肢肌力的训练效果预测系统的有益效果如下：
35.本发明的系统通过分析训练前后下肢肌肉等速肌力的变化趋势以及个体差异，建立等速肌力训练效果个体差异的预判模型，为不同训练者训练后的下肢肌力训练效果评估，提供了精准的预测结果。
36.在上述方案的基础上，本发明的下肢肌力的训练效果预测系统还可以做如下改进。
37.进一步，所述原始下肢肌力数据包括：原始等速蹬踏屈峰值力和原始等速蹬踏伸峰值力；
38.所述训练下肢肌力数据包括：训练等速蹬踏屈峰值力和训练等速蹬踏伸峰值力；
39.所述目标预测效果包括：等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值。
40.本发明的一种存储介质的技术方案如下：
41.存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的下肢肌力的训练效果预测方法的步骤。
附图说明
42.图1为本发明实施例的一种下肢肌力的训练效果预测方法的流程示意图；
43.图2为本发明实施例的一种下肢肌力的训练效果预测系统的结构示意图。
具体实施方式
44.如图1所示，本发明实施例的一种下肢肌力的训练效果预测方法，包括如下步骤：
45.s1、获取并根据每个受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，构建二分类预判模型。
46.其中，下肢肌力数据采用isomed 2000肌力测试仪进行数据采集，也可以由其他类似的肌力测试设备进行数据采集，在此不设限制。每个受试者在训练前后均需要进行下肢肌力数据的采集。测试过程中由同一测试人员采用同一品牌型号的仪器进行测试的原则进行。
47.其中，测试的过程为：1)测试开始，测试人员前校准仪器；受试者进行热身活动：200m慢跑，2组
×
10次自身体重深蹲练习，2组
×
10次弓箭步蹲练习，热身结束后休息2min开始测试。
48.2)测试时固定受试者，要求骨盆与后背紧贴于靠背，使用设备腰带固定腰部，脚底紧贴下肢蹬踏组件。受试者蹬伸最大伸展位置为小腿与大腿夹角呈130
°
，最大屈曲位置为躯干与大腿夹角呈90
°
、小腿与大腿夹角呈90
°
。
49.3)固定后记录靠背、伸膝组件位置。
50.4)开始测试程序前受试者有3次机会尝试练习双腿发力，练习后休息3min后开始等速肌力测试。
51.5)测试过程中要求受试者双腿发力，每次发力连续完成3次先离心后向心的等动
蹬伸，速度为10cm/s；记录等速蹬踏屈峰值力(peak torque flexor，ptf)，等速蹬踏伸峰值力(peak torque extensor，pte)。
52.其中，二分类预判模型是根据每个受试者训练前后的下肢肌力数据采用前进法logistic回归分析所得到的预判模型，并对二分类预判模型的拟合度采用似然比检验，并用回代检验评价此回归模型的预测能力。
53.s2、基于待训练者训练前的原始下肢肌力数据和所述二分类预判模型，对所述待训练者的下肢肌力训练效果进行预测，得到所述待训练者的目标预测效果。
54.具体地，将待训练者在训练前的原始下肢肌力数据代入二分类预判模型中，得到该待训练者的目标预测效果。
55.较优地，所述原始下肢肌力数据包括：原始等速蹬踏屈峰值力和原始等速蹬踏伸峰值力；
56.所述训练下肢肌力数据包括：训练等速蹬踏屈峰值力和训练等速蹬踏伸峰值力；
57.所述目标预测效果包括：等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值。
58.其中，不同情形下采集的下肢肌力数据均包括：等速蹬踏屈峰值力和等速蹬踏伸峰值力。在本发明中，下肢肌力数据包括：原始下肢肌力数据和训练下肢肌力数据等，目标预测效果包括：等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值。
59.较优地，所述二分类预判模型包括：第一预测公式和第二预测公式；
60.利用所述第一预测公式得到所述等速蹬踏屈峰值力的预测训练效果值，所述第一预测公式为：其中，y1为所述等速蹬踏屈峰值力的预测训练效果值，p1为所述待训练者的原始等速蹬踏屈峰值力，logit(p1)＝-1.783+2.910
×
10-4
×
p1；
61.利用所述第二预测公式得到所述等速蹬踏伸峰值力的预测训练效果值，所述第二预测公式为：其中，y2为所述等速蹬踏伸峰值力的预测训练效果值，p2为所述待训练者的原始等速蹬踏伸峰值力，logit(p2)＝-1.721+3.182
×
10-4
×
p2。
62.表1下肢肌力改善logistic回归分析表
[0063][0064]
较优地，还包括：
[0065]
根据每个预设受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，
得到所述每个预设受试者的实际训练效果值。
[0066]
其中，预设受试者可以是与前述建立二分类预判模型时的人群相同，也可以不同，具体的人数可多可少，可根据实际情况进行安排，在此不受限制。
[0067]
根据所述每个预设受试者训练前的实际训练效果值和预测训练效果值，对所述二分类预判模型进行验证。
[0068]
其中，预设受试者与前述的受试者的人群可以相同，也可以不同，在此不受限制。
[0069]
较优地，所述对所述二分类预判模型进行验证，具体包括：
[0070]
判断所述每个预设受试者的实际训练效果值和预测训练效果值是否通过卡方检验。
[0071]
其中，验证通过的条件为：所有预设受试者的实际训练效果值与预测训练效果值通过卡方检验，比较每个预设受试者的实际训练效果值与预测训练效果值之间是否存在差异(即p》0.05时无差异)。当验证通过后，二分类预判模型即可作为待训练者下肢肌力训练效果的预测模型。
[0072]
例如，如下表所示，根据预设受试者的实际训练效果值与预测训练效果值验证二分类预判模型。由表中的数据可知，每个预设受试者的实际训练效果值与预测训练效果值之间不存在差异。n表示经过模型判断之后被预测无效果的人数。以等速蹬踏屈峰值力为例，验证部分共计有23个人的数据，有11个人(47.83％)被预测是无效果的，真实值中是有13个人(56.52％)是无效果的，经验证后的p值均大于1，则实际训练效果值与预测训练效果值之间不存在差异。
[0073]
表2二分类预判模型的验证结果
[0074][0075]
当验证不通过时(即p《0.05)，重新选取更多的受试者进行训练，得到这部分受试者的肢肌力数据后对二分类预判模型进行二次训练，得到训练后的二分类预判模型，并重复上述验证过程，直至验证通过。
[0076]
或者，当验证不通过时(即p《0.05)，对二分类预判模型中的系数进行修正，利用修正后的二分类预判模型进行预测。
[0077]
较优地，所述得到所述待训练者的目标预测效果，具体包括：
[0078]
得到并根据所述待训练者的等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值，判定所述待训练者的目标预测效果。
[0079]
较优地，所述根据所述待训练者的等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值，判定所述待训练者的目标预测效果，具体包括：
[0080]
当所述等速蹬踏屈峰值力的预测训练效果值大于第一预设阈值时，且所述等速蹬踏伸峰值力的预测训练效果值大于第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力与所述待训练者的等速蹬踏屈峰值力均有训练效果；
[0081]
当所述等速蹬踏屈峰值力的预测训练效果值大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值不大于所述第二预设阈值时，则所述待训练者的目标
预测效果为：所述待训练者的等速蹬踏屈峰值力有训练效果，以及所述待训练者的等速蹬踏屈峰值力没有训练效果；
[0082]
当所述等速蹬踏屈峰值力的预测训练效果值不大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力没有训练效果，以及所述待训练者的等速蹬踏屈峰值力有训练效果；
[0083]
当所述等速蹬踏屈峰值力的预测训练效果值不大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值不大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力与所述待训练者的等速蹬踏屈峰值力均没有训练效果。
[0084]
其中，第一预设阈值和第二预设阈值的数值默认为0.3，也可以是其他任意值，在此不受限制。
[0085]
例如，当第一预设阈值和第二预设阈值设置为0.3时，根据二分类预测模型中的第一预测公式和第二预测公式，得到带训练者的等速蹬踏屈峰值力的预测训练效果值y1和等速蹬踏伸峰值力的预测训练效果值y2；
[0086]
当y1≥0.3，则对于该待训练者的等速蹬踏屈峰值力有训练效果，当y1＜0.3，则对于该待训练者的等速蹬踏伸峰值力没有训练效果。其余情况以此类推，在此不过多赘述。
[0087]
本实施例通过分析训练前后下肢肌肉等速肌力的变化趋势以及个体差异，建立等速肌力训练效果个体差异的预判模型，为不同训练者训练后的下肢肌力训练效果评估，提供了精准的预测结果。
[0088]
如图2所示，本发明实施例的一种下肢肌力的训练效果预测系统200，包括：构建模块210和预测模块220；
[0089]
所述构建模块210用于：获取并根据每个受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，构建二分类预判模型；
[0090]
所述预测模块220用于：基于待训练者训练前的原始下肢肌力数据和所述二分类预判模型，对所述待训练者的下肢肌力训练效果进行预测，得到所述待训练者的目标预测效果。
[0091]
较优地，所述原始下肢肌力数据包括：原始等速蹬踏屈峰值力和原始等速蹬踏伸峰值力；
[0092]
所述训练下肢肌力数据包括：训练等速蹬踏屈峰值力和训练等速蹬踏伸峰值力；
[0093]
所述目标预测效果包括：等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值。
[0094]
较优地，所述二分类预判模型包括：第一预测公式和第二预测公式；
[0095]
利用所述第一预测公式得到所述等速蹬踏屈峰值力的预测训练效果值，所述第一预测公式为：其中，y1为所述等速蹬踏屈峰值力的预测训练效果值，p1为所述待训练者的原始等速蹬踏屈峰值力，logit(p1)＝-1.783+2.910
×
10-4
×
p1；
[0096]
利用所述第二预测公式得到所述等速蹬踏伸峰值力的预测训练效果值，所述第二
预测公式为：其中，y2为所述等速蹬踏伸峰值力的预测训练效果值，p2为所述待训练者的原始等速蹬踏伸峰值力，logit(p2)＝-1.721+3.182
×
10-4
×
p2。
[0097]
较优地，还包括：验证模块；
[0098]
所述验证模块用于：根据每个预设受试者训练前的原始下肢肌力数据和训练后的训练下肢肌力数据，得到所述每个预设受试者的实际训练效果值；
[0099]
根据所述每个预设受试者训练前的实际训练效果值和预测训练效果值，对所述二分类预判模型进行验证。
[0100]
较优地，所述验证模块具体用于：
[0101]
判断所述每个预设受试者的实际训练效果值和预测训练效果值是否通过卡方检验。
[0102]
较优地，所述预测模块220具体用于：
[0103]
得到并根据所述待训练者的等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值，判定所述待训练者的目标预测效果。
[0104]
较优地，所述预测模块220具体还用于：
[0105]
所述根据所述待训练者的等速蹬踏屈峰值力的预测训练效果值和等速蹬踏伸峰值力的预测训练效果值，判定所述待训练者的目标预测效果，具体包括：
[0106]
当所述等速蹬踏屈峰值力的预测训练效果值大于第一预设阈值时，且所述等速蹬踏伸峰值力的预测训练效果值大于第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力与所述待训练者的等速蹬踏屈峰值力均有训练效果；
[0107]
当所述等速蹬踏屈峰值力的预测训练效果值大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值不大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力有训练效果，以及所述待训练者的等速蹬踏屈峰值力没有训练效果；
[0108]
当所述等速蹬踏屈峰值力的预测训练效果值不大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力没有训练效果，以及所述待训练者的等速蹬踏屈峰值力有训练效果；
[0109]
当所述等速蹬踏屈峰值力的预测训练效果值不大于所述第一预设阈值时，且当所述等速蹬踏伸峰值力的预测训练效果值不大于所述第二预设阈值时，则所述待训练者的目标预测效果为：所述待训练者的等速蹬踏屈峰值力与所述待训练者的等速蹬踏屈峰值力均没有训练效果。
[0110]
本实施例通过分析训练前后下肢肌肉等速肌力的变化趋势以及个体差异，建立等速肌力训练效果个体差异的预判模型，为不同训练者训练后的下肢肌力训练效果评估，提供了精准的预测结果。
[0111]
上述关于本实施例的下肢肌力的训练效果预测系统200中的各参数和各个模块实现相应功能的步骤，可参考上文中关于下肢肌力的训练效果预测方法的实施例中的各参数和步骤，在此不做赘述。
[0112]
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取
所述指令时，使所述计算机执行如下肢肌力的训练效果预测方法的步骤，具体可参考上文中下肢肌力的训练效果预测方法的实施例中的各参数和步骤，在此不做赘述。
[0113]
计算机存储介质例如：优盘、移动硬盘等。
[0114]
本发明实施例提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如下肢肌力的训练效果预测方法的步骤，具体可参考上文中下肢肌力的训练效果预测方法的实施例中的各参数和步骤，在此不做赘述。
[0115]
所属技术领域的技术人员知道，本发明可以实现为方法、系统、存储介质和电子设备。
[0116]
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。