一种基于大数据的体育训练用平衡辅助训练控制系统及方法与流程

本发明属于体育训练技术领域，尤其涉及一种基于大数据的体育训练用平衡辅助训练控制系统及方法。

背景技术：

体育(physicaleducation，缩写pe或p.e.)，是一种复杂的社会文化现象，它以身体与智力活动为基本手段，根据人体生长发育、技能形成和机能提高等规律，达到促进全面发育、提高身体素质与全面教育水平、增强体质与提高运动能力、改善生活方式与提高生活质量的一种有意识、有目的、有组织的社会活动。随着国际交往的扩大，体育事业发展的规模和水平已是衡量一个国家、社会发展进步的一项重要标志，也成为国家间外交及文化交流的重要手段。体育可分为大众体育、专业体育、学校体育等种类。包括体育文化、体育教育、体育活动、体育竞赛、体育设施、体育组织、体育科学技术等诸多要素。然而，现有体育训练用平衡辅助训练控制系统采集的运动员图像不清晰，影响对运动状态的监测；同时，现有对运动损伤风险评估，存在所选特征参数过多、神经网络规模过于庞大、学习训练时间超长等问题，严重影响到该模型的实际使用效果和实时性。

综上所述，现有技术存在的问题是：现有体育训练用平衡辅助训练控制系统采集的运动员图像不清晰，影响对运动状态的监测；同时，现有对运动损伤风险评估，存在所选特征参数过多、神经网络规模过于庞大、学习训练时间超长等问题，严重影响到该模型的实际使用效果和实时性。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于大数据的体育训练用平衡辅助训练控制系统及方法。

本发明是这样实现的，一种基于大数据的体育训练用平衡辅助训练控制系统包括：

图像采集模块、倾斜检测模块、压力检测模块、中央控制模块、图像增强模块、升降模块、大数据处理模块、损伤预警模块、显示模块；

图像采集模块，与中央控制模块连接，用于通过摄像器采集运动员体育平衡训练时图像数据；

倾斜检测模块，与中央控制模块连接，用于通过倾斜传感器检测运动员体育平衡训练时倾斜度数据；

压力检测模块，与中央控制模块连接，用于通过压力传感器检测运动员体育平衡训练时压力数据；

中央控制模块，与图像采集模块、倾斜检测模块、压力检测模块、图像增强模块、升降模块、大数据处理模块、损伤预警模块、显示模块连接，用于通过单片机控制各个模块正常工作；

图像增强模块，与中央控制模块连接，用于通过图像处理软件对采集的图像进行增强处理；

升降模块，与中央控制模块连接，用于通过升降器对平衡训练装置进行升高操作；

大数据处理模块，与中央控制模块连接，用于通过云服务器集中大数据资源对运动员体育平衡训练时检测的数据进行分析处理；

损伤预警模块，与中央控制模块连接，用于对运动员运动体育平衡训练时损伤风险进行预警；

显示模块，与中央控制模块连接，用于通过显示器显示检测的运动员体育平衡训练时图像、倾斜度、压力数据信息。

一种基于大数据的体育训练用平衡辅助训练控制方法包括以下步骤：

步骤一，通过图像采集模块利用摄像器采集运动员体育平衡训练时图像数据；通过倾斜检测模块利用倾斜传感器检测运动员体育平衡训练时倾斜度数据；通过压力检测模块利用压力传感器检测运动员体育平衡训练时压力数据；

步骤二，中央控制模块通过图像增强模块利用图像处理软件对采集的图像进行增强处理；

步骤三，通过升降模块利用升降器对平衡训练装置进行升高操作；

步骤四，通过大数据处理模块利用云服务器集中大数据资源对运动员体育平衡训练时检测的数据进行分析处理；

步骤五，通过损伤预警模块对运动员运动体育平衡训练时损伤风险进行预警；

步骤六，通过显示模块利用显示器显示检测的运动员体育平衡训练时图像、倾斜度、压力数据信息。

进一步，所述图像增强模块增强方法如下：

1)通过单片机接收摄像器采集的运动员体育平衡训练时图像的图像数据；

2)计算所获取的图像数据的直方图；

3)对计算出的直方图分别进行均衡处理和展宽处理；

4)将均衡处理后的直方图与展宽处理后直方图进行合成处理，得到增强后的图像；

所述对计算出的直方图分别进行均衡处理和展宽处理，具体为：通过引入均衡系数α和展宽系数β，并结合直方图均衡化的数学模式g(x，y)＝t(f(x，y))和灰度展宽处理的数学模式e(x,y)＝e(f(x,y)),进行直方图的均衡处理和展宽处理；所述均衡处理具体为：当进行均衡处理时，所述均衡系数α值的范围为[0，a]，根据公式g1(x,y)＝αf(x，y)/a+(1-α/a)g(x，y)，计算、合成得到均衡调节处理后的直方图；所述展宽处理具体为：

当进行展宽处理时，所述展宽系数β值的范围为[0，b]，根据公式g2(x，y)＝βf(x，y)/b+(1-β/b)e(x，y)，计算、合成得到线性展宽处理后的直方图。

进一步，所述均衡系数α和展宽系数β的取值范围为[0，1]。

进一步，所述的图像增强方法中的均衡系数α和展宽系数β的取值，既可通过人工干预来确定，也可根据直方图h的分布进行自动确定；

所述均衡系数α和展宽系数β的取值自动确定，具体为：当评价值h(α，β)取得最大值时的α和β值；

所述评价值h(α，β)为处理后图像质量q和处理后图像对比度增值c的函数；

所述均衡系数α和展宽系数β的取值自动确定，具体为：当处理图像的直方图为均匀分布时，α为0；当处理图像的直方图为绝对不均衡时，α为1；当处理图像的直方图的方差或尖度统计量最小，且为均匀分布时，β为1，随直方图的方差或尖度统计量增大而β值减小。

进一步，所述均衡系数α和展宽系数β的取值按照以下公式进行自动确定：

α＝∑(h(i)–1/l)²/(2×(1-1/l))；

β＝1–exp(-∑(h(i)–average(h))⁴)；

当h与均匀分布的直方图的差比较小时，即当图像有l个灰度级时，每个灰度出现频度为1/l，α取小值，否则取接近于1的值，也就是α的取值是随h与均匀分布的直方图的差值增大而增加；当h分布的尖度较大时，拓展范围大，也就是β的取值随h的尖度增加而增加。

进一步，所述损伤预警模块预警方法如下：

(1)获取运动员体育平衡训练时损伤数据，对运动损伤风险预警因子的分析；

(2)提出田径运动损伤风险预警致伤因子动态链模型；

(3)建立运动员风险预警数据库；

(4)运用层次分析法,建立田径运动损伤风险预警致伤因子动态链量化模型；

(5)根据运动项目选取运动员及风险预警因子，利用运动风险数据库中的相应数据，建立该项目的运动风险预警样本库和测试样本数据；

(6)判断运动风险预警样本库中的风险预警因子对应数据的离散性，若不离散，调用som神经网络离散方法对数据进行离散化处理；

(7)将利用som神经网络离散后的指标数据与初始就离散赋值的数据合成决策表；

(8)按照rs理论的约简过程对决策表进行属性约简和规则提取，得到一组约简结果；

(9)基于选择的其中一个简化的决策表构建rbf神经网络；

(10)根据简化后的决策表，选取运动风险预警样本库中的相应数据，训练rbf神经网络；

(11)判断约简结果是否收敛，是否满足精度要求，若不满足，修正rbf神经网络结构和连接权值，转步骤(10)；

(12)利用测试样本数据，判断训练好的rbf神经网络是否得到正确的诊断结果，若没有，从步骤(8)中选用其它的约简结果，转步骤(9)；

(13)保存训练好的rbf神经网络，利用训练好的rbf神经网络评估新检测的运动员风险评估指标。

本发明的优点及积极效果为：本发明通过图像增强模块引入均衡系数α和展宽系数β，在保持直方图均衡化下同时进行线性拓展灰度范围，达到灵活控制图像质量的目的，且增强效果好，图像更加清晰；同时，通过损伤预警模块利用som神经网络离散方法对指标数据进行离散化处理；采用基于粗糙集中的分明矩阵方法进行决策表约简；基于简化的决策表构建rbf神经网络；训练rbf神经网络，最终得到正确的诊断结果；能够对运动损伤的发生做出较为准确的预警有效预测运动员运动损伤风险等级，利于运动损伤的治疗和预防。

附图说明

图1是本发明实施例提供的基于大数据的体育训练用平衡辅助训练控制方法流程图。

图2是本发明实施例提供的基于大数据的体育训练用平衡辅助训练控制系统结构框图。

图2中：1、图像采集模块；2、倾斜检测模块；3、压力检测模块；4、中央控制模块；5、图像增强模块；6、升降模块；7、大数据处理模块；8、损伤预警模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明提供的基于大数据的体育训练用平衡辅助训练控制方法包括以下步骤：

步骤s101，通过图像采集模块利用摄像器采集运动员体育平衡训练时图像数据；通过倾斜检测模块利用倾斜传感器检测运动员体育平衡训练时倾斜度数据；通过压力检测模块利用压力传感器检测运动员体育平衡训练时压力数据；

步骤s102，中央控制模块通过图像增强模块利用图像处理软件对采集的图像进行增强处理；

步骤s103，通过升降模块利用升降器对平衡训练装置进行升高操作；

步骤s104，通过大数据处理模块利用云服务器集中大数据资源对运动员体育平衡训练时检测的数据进行分析处理；

步骤s105，通过损伤预警模块对运动员运动体育平衡训练时损伤风险进行预警；

步骤s106，通过显示模块利用显示器显示检测的运动员体育平衡训练时图像、倾斜度、压力数据信息。

如图2所示，本发明提供的基于大数据的体育训练用平衡辅助训练控制系统包括：图像采集模块1、倾斜检测模块2、压力检测模块3、中央控制模块4、图像增强模块5、升降模块6、大数据处理模块7、损伤预警模块8、显示模块9。

图像采集模块1，与中央控制模块4连接，用于通过摄像器采集运动员体育平衡训练时图像数据；

倾斜检测模块2，与中央控制模块4连接，用于通过倾斜传感器检测运动员体育平衡训练时倾斜度数据；

压力检测模块3，与中央控制模块4连接，用于通过压力传感器检测运动员体育平衡训练时压力数据；

中央控制模块4，与图像采集模块1、倾斜检测模块2、压力检测模块3、图像增强模块5、升降模块6、大数据处理模块7、损伤预警模块8、显示模块9连接，用于通过单片机控制各个模块正常工作；

图像增强模块5，与中央控制模块4连接，用于通过图像处理软件对采集的图像进行增强处理；

升降模块6，与中央控制模块4连接，用于通过升降器对平衡训练装置进行升高操作；

大数据处理模块7，与中央控制模块4连接，用于通过云服务器集中大数据资源对运动员体育平衡训练时检测的数据进行分析处理；

损伤预警模块8，与中央控制模块4连接，用于对运动员运动体育平衡训练时损伤风险进行预警；

显示模块9，与中央控制模块4连接，用于通过显示器显示检测的运动员体育平衡训练时图像、倾斜度、压力数据信息。

本发明提供的图像增强模块5增强方法如下：

1)通过单片机接收摄像器采集的运动员体育平衡训练时图像的图像数据；

2)计算所获取的图像数据的直方图；

3)对计算出的直方图分别进行均衡处理和展宽处理；

4)将均衡处理后的直方图与展宽处理后直方图进行合成处理，得到增强后的图像；

所述对计算出的直方图分别进行均衡处理和展宽处理，具体为：通过引入均衡系数α和展宽系数β，并结合直方图均衡化的数学模式g(x，y)＝t(f(x，y))和灰度展宽处理的数学模式e(x,y)＝e(f(x,y)),进行直方图的均衡处理和展宽处理；所述均衡处理具体为：当进行均衡处理时，所述均衡系数α值的范围为[0，a]，根据公式g1(x,y)＝αf(x，y)/a+(1-α/a)g(x，y)，计算、合成得到均衡调节处理后的直方图；所述展宽处理具体为：

当进行展宽处理时，所述展宽系数β值的范围为[0，b]，根据公式g2(x，y)＝βf(x，y)/b+(1-β/b)e(x，y)，计算、合成得到线性展宽处理后的直方图。

本发明提供的均衡系数α和展宽系数β的取值范围为[0，1]。

本发明提供的的图像增强方法中的均衡系数α和展宽系数β的取值，既可通过人工干预来确定，也可根据直方图h的分布进行自动确定；

所述均衡系数α和展宽系数β的取值自动确定，具体为：当评价值h(α，β)取得最大值时的α和β值；

所述评价值h(α，β)为处理后图像质量q和处理后图像对比度增值c的函数；

所述均衡系数α和展宽系数β的取值自动确定，具体为：当处理图像的直方图为均匀分布时，α为0；当处理图像的直方图为绝对不均衡时，α为1；当处理图像的直方图的方差或尖度统计量最小，且为均匀分布时，β为1，随直方图的方差或尖度统计量增大而β值减小。

本发明提供的均衡系数α和展宽系数β的取值按照以下公式进行自动确定：

α＝∑(h(i)–1/l)²/(2×(1-1/l))；

β＝1–exp(-∑(h(i)–average(h))⁴)；

当h与均匀分布的直方图的差比较小时，即当图像有l个灰度级时，每个灰度出现频度为1/l，α取小值，否则取接近于1的值，也就是α的取值是随h与均匀分布的直方图的差值增大而增加；当h分布的尖度较大时，拓展范围大，也就是β的取值随h的尖度增加而增加。

本发明提供的损伤预警模块8预警方法如下：

(1)获取运动员体育平衡训练时损伤数据，对运动损伤风险预警因子的分析；

(2)提出田径运动损伤风险预警致伤因子动态链模型；

(3)建立运动员风险预警数据库；

(4)运用层次分析法,建立田径运动损伤风险预警致伤因子动态链量化模型；

(5)根据运动项目选取运动员及风险预警因子，利用运动风险数据库中的相应数据，建立该项目的运动风险预警样本库和测试样本数据；

(6)判断运动风险预警样本库中的风险预警因子对应数据的离散性，若不离散，调用som神经网络离散方法对数据进行离散化处理；

(7)将利用som神经网络离散后的指标数据与初始就离散赋值的数据合成决策表；

(8)按照rs理论的约简过程对决策表进行属性约简和规则提取，得到一组约简结果；

(9)基于选择的其中一个简化的决策表构建rbf神经网络；

(10)根据简化后的决策表，选取运动风险预警样本库中的相应数据，训练rbf神经网络；

(11)判断约简结果是否收敛，是否满足精度要求，若不满足，修正rbf神经网络结构和连接权值，转步骤(10)；

(12)利用测试样本数据，判断训练好的rbf神经网络是否得到正确的诊断结果，若没有，从步骤(8)中选用其它的约简结果，转步骤(9)；

(13)保存训练好的rbf神经网络，利用训练好的rbf神经网络评估新检测的运动员风险评估指标。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。