基于群组画像的体育教学智能系统的制作方法

本发明涉及的是一种物联网领域的技术，具体是一种基于群组画像的体育教学智能系统。

背景技术：

为了提高大学生体质健康水平，体育课堂是重要一环。有效的有氧运动需要学生在体育课上心率达到一定范围，因而心率变化是评价运动质量的重要参考，而目前，体育课程教学仍停留在经验教学模式，缺乏对体育课堂上学生表现的分布情况进行挖掘，缺乏对教师优化课程结构的决策支持。

现有技术中有通过监测手环将学生数据发送到信号接收转换装置并发送预警并分析数据的方案，但这些现有技术的网络连接方式缺乏灵活性，心率预警的判断标准不够灵活，数据处理不够细致，孤立地处理个人数据，缺乏对课堂中学生类型的分析，对于教学课程设计指导缺乏指向性，且目前此类基于运动手环的体育课教学系统的应用，还存在比较大的局限性，这种局限性，主要在于：1)运动过程往往有大量学生同时进行，分布密集，且生理指标采集频率较高，但是数据量较小，而一对一的数据传输较低效，没有充分利用与外部网络数据传输的带宽，难以适应不同网络连接数量、连接范围限制。2)同时对于生理指标的处理停留在个体层次，没有区分不同体质水平的学生，预警判断方式孤立地考虑个人心率数据变化，没有参考群体数据从而识别异常。同时对于群体数据的处理停留在计算平均数、总和等简单的统计，没有展示人群的体质分布、运动效果分布情况，没有挖掘运动量变化与课程结构的对应关系，缺乏对教学质量改进的决策支持。3)同时在体育课的应用场景，需要考虑手环的重复利用，而手环设备与学生的个人信息绑定过程较为复杂。

技术实现要素：

本发明针对现有技术存在的上述不足，提出一种基于群组画像的体育教学智能系统。

本发明是通过以下技术方案实现的：

本系统包括：位于手环端的数据感知模块和自组网模块以及位于云平台端的群组优化模块、监控报警模块以及分组支持模块，其中：数据感知模块通过手环传感器采集相应生理指标信息、设备匹配信息并通过自组网模块发送至云平台端；自组网模块通过分组传输算法划分不同群组并组建不同内网，由内网的主传输设备与外部通信；群组优化模块进行体质分组、个人运动强度分组、课堂运动效果分组，将分组结果反馈到分组支持模块，优化群组画像；分组支持模块提供分组策略，通过构建三个语义关联的群组画像共同构成群组画像模型，提升分组结果的可解释性，为教师优化课程提供决策支持；分组支持模块的模型预设单元为群组画像模型提供预设初始值，解决冷启动问题；监控报警模块基于体质分组结果，在每个群组内部采用历史数据构建心率阈值模型，监控数据感知模块采集的数据，识别异常进行预警。

技术效果

与现有技术相比，本发明采用基于群组的模式对组网、监测、数据处理过程进行优化，通过在手环端进行数据采集并分组传输，将个体的通信抽象为群组通信，在传输过程添加了一个集中节点，增强网络传输结构的灵活性，适应不同网络连接方式的数量、范围限制；在与学生信息匹配的过程，采用nfc技术读取校园卡，简化手环信息匹配流程，实现准确高效匹配；在监控报警模块，通过群组内历史数据构建概率模型识别异常，通过体质分组结果划分不同监控报警标准，提升监测模块抗干扰性、准确性；在分组支持模块，分别构建体质群组画像、运动量群组画像，课程群组画像，三个群组画像在语义上相互关联，层层递进，共同构成系统角色的群组画像模型，增加群组优化模块分组结果的可解释性。在群组优化模块根据体质分组、个人运动强度分组、课堂运动效果分组结果对群组画像模型再进行反馈优化，为教师划分教学关注人群，细化教学内容，优化课堂结构，度量课堂运动效果提供决策支持。

附图说明

图1为本发明信息流程示意图；

图2为实施例系统结构图。

具体实施方式

如图1和图2所示，为本实施例涉及的一种基于群组画像的体育教学智能系统，其中包含：位于手环端的数据感知模块和自组网模块以及位于云平台端的群组优化模块、监控报警模块以及分组支持模块，其中：数据感知模块通过手环传感器采集相应生理指标信息、设备匹配信息并通过自组网模块发送至云平台端；自组网模块通过分组传输算法划分不同群组并组建不同内网，由内网中主传输设备与外部通信；群组优化模块进行体质分组、个人运动强度分组、课堂运动效果分组，将分组结果反馈到分组支持模块，优化群组画像模型；分组支持模块包括群组画像模型、模型预设单元与自组网模块的分组算法，为数据传输、处理过程提供分组策略的支持，其中群组画像模型由三个语义关联的群组画像共同构成，提升分组结果的可解释性，为教师优化课程提供决策支持，其中模型预设单元为群组画像模型提供预设初始值，解决冷启动问题。监控报警模块基于体质分组结果，在每个群组内部采用历史数据构建心率阈值模型，对数据感知模块采集的数据时尚监控，识别异常进行报警。

所述的数据感知模块包括：数据感知单元和设备匹配单元，其中：数据感知单元通过手环传感器采集心率数据并发送采集数据至自组网模块；设备匹配单元用于匹配手环与学生信息，通过手环中的nfc功能读取学生校园卡，发送学生信息，实现手环获取的心率数据与云平台中学生个人信息双向绑定，简化数据与个体匹配过程，实现手环设备的重复利用。

所述的自组网模块包括：分组传输单元和通信单元，其中：分组传输单元设置于手环端，通过分组传输算法构建群组，通过设备搜索、建立关联，动态设定主传输设备组成内网，由内网中的主传输设备与外部通信，以有效隔离了单一设备与云平台的通信，实现分组通信过程；通信单元为通信基站，负责接收手环主传输设备信号和与外部云平台的网络连接。

所述的网络连接采用但不限于nb-iot、wi-fi、蓝牙、2g、4g等方式，具有灵活性。

所述的分组传输算法包括：基于地理位置的分组，基于学号的分组，自定义分组，其中：基于地理位置的分组在主传输设备的网络覆盖范围内对所有设备构建群组，如蓝牙连接范围在10-50米，wi-fi覆盖范围在50米-300米，适用于覆盖范围有限的网络连接方式；基于用户信息的分组对于已完成与学生信息双向绑定的手环可按照学生信息中的学号顺序将设备划分为数量相近的不同群组，适用于连接数量受限、设备分布密集的网络连接方式。

所述的群组优化模块包括：体质分组单元、个人运动强度分组单元和课堂运动效果分组单元，其中：体质分组单元根据体质群组画像、个人生理信息进行体质分组，得到不同体质群组，并反馈结果优化体质群组画像模型；个人运动强度分组单元根据体质群组划分结果计算有效心率强度，基于运动量画像进行个人运动强度分组，反馈结果优化运动量群组画像模型；课堂运动效果分组单元基于心率曲线匹配算法计算课程运动效果相似度，基于课程画像对不同类型课程划分为不同课程群组，反馈结果优化课程群组画像。

所述的体质分组是指：在单个班级内基于bmi、性别、静态心率、历史数据中的最高心率通过聚类算法k-均值算法对学生进行聚类，基于体质画像模型划分不同群组。具体算法过程为：为每个学生构建向量x＝(v1；v2；v3；v4)，其中：v1为bmi，v2为性别，v3为静态心率，v4为历史数据中的最高心率，组成数据集d＝{x1,x2,…,xm}，并选取k个向量作为均值向量，所有离第i个向量(0≤i≤k)最近的数据划分为同一组，并重新计算组内的均值向量，根据计算得到的新均值向量重复划分、计算步骤，直到群组成员不再改变。

所述的个人运动强度分组通过计算有效心率强度，基于运动量画像模型划分不同群组。

所述的有效运动强度计算方式为：

1)计算心率强度心率强度为在持续时间t内平均心率变化比例。

2)计算群组贡献度：其中n为群组人数。

3)计算运动强度为：给定k为0-1的常数，k越小则与群组贡献度关联度较小，运动强度受绝对数值影响；k越大则运动强度与学生在体质群组内表现水平关联越大。

所述的心率曲线匹配算法是指，构建2个心率曲线h1＝f1(t)，h2＝f1(t)，h1为心率曲线1以一一映射的方式f1随时间t变化，h2为心率曲线2以一一映射的方式f2随时间t变化，计算两个曲线差值d＝d1+d2，其中：d1表示心率曲线1超过心率曲线2部分在时间维度上构成的面积，即其中：t2>t1，h1>h2，d2表示心率曲线2超过心率曲线1的部分在时间维度上构成的面积，即其中：t2>t1，h2>h1)。d越小则曲线相似度越高，运动量差异越小；d越大则曲线相似度越低，总运动量差异越大。对心率曲线进行求导构建变化曲线，如上心率曲线匹配算法计算曲线差值，曲线差值越大则课程结构越不相似，曲线差异越小则课程结构越相似。

所述的分组支持模块包括群组画像模型、模型预设单元与自组网模块的分组算法。

所述的群组画像包括：体质群组画像、运动量群组画像、课程群组画像。

所述的体质群组画像是指：符合一系列共同体质特征的人群集合。模型预设单元预设体质群组画像分为强体质群组、普通体质群组、弱体质群组、高危体质群组，其中：强体质群组画像为体脂率合适，不超重不过瘦，心肺功能良好，较常锻炼，能够忍受较高心率变化范围的人群集合。体质群组画像能为教师授课时因材施教提供支持，通过重点关注危险人群，能够高效应对意外发生情况，防患于未然。

所述的运动量群组画像是指：通过学生课堂运动强度的一系列特征集合构造的群组特征模型。模型预设单元预设运动量群组画像分为低运动量群组、中等运动量群组、高运动量群组，其中：高运动量群组画像为，课堂参与度高，运动时间长，运动强度高，长时间保持在身体承受范围内有效强度的人群集合。教师可根据学生运动量群组画像评价学生运动效果，根据群组比例变化度量课程进展。

所述的课程群组画像是指：课程运动量、课程结构特征相近的课程群体集合。如可分为高强度课程、低强度课程。高强度课程画像为：如篮球、足球等心率变化速度较快，持续保持有效心率时间较短但是心率水平较高，最高心率高的课程；低强度课程画像为：如瑜伽课、舞蹈课等注重技巧训练，心率升高过程较慢，最高心率偏低的课程但持续保持低水平的有效心率的课程。通过构建课程群组画像，区分不同类型课程，划分不同评价标准，避免课程运动效果度量单一标准。也可根据课程结构划分，根据心率变化、持续时间划分为准备部分，基础部分，结束部分，为优化教学过程提供支持。

所述的监控报警模块通过体质分组结果，基于不同体质群组历史心率数据构建心率阈值模型，实时监控数据感知模块获取的数据，进行预警。

所述的心率阈值模型是指：根据群组历史数据构建心率、心率变化速度概率分布模型，基于群组数据标记异常学生。通过滑动窗口模型减少数据噪音干扰，计算每次心率变化速率v＝(k*60/t2-k*60/t1)/(t2-t1)，其中给定超参数k为心跳次数，t为k次心跳持续时间。对心率及变化速度数据分别拟合正态分布概率模型。模型接收新数据并不断更新模型参数，通过群组数据分布情况计算概率，对小概率心率标记异常，进行预警。

本实施例涉及上述系统的具体工作流程如下。

1)设备匹配单元在学生课程开始时通过手环中的nfc功能将学生信息和设备信息进行匹配。

2)数据感知单元在课程开始后采集学生心率信息。

3)自组网模块在手环端划分分组传输单元，进行自组网实现分组上传数据，并连接到云平台。

4)群组支持模块的模型预设单元为用户画像预设初始值。

5)群组优化模块根据群组画像模型进行体质分组、个人运动强度分组、课堂运动效果分组，分组结果进一步优化群组画像模型。

6)监控报警模块的监控单元基于体质群组结果，在群组内构建心率阈值模型识别异常，进行预警。

本实施例的工作技术指标与国内外同类产品的技术参数的比较如表1所示。

表1技术对照表

与现有技术相比，本发明在自组网模块，监控报警模块，群组优化模块，加入了分组模式，对网络结构提升灵活性，通过群体数据监控个人健康异常情况，增加模型的准确度；通过分三个侧面：体质、运动量、课程构建群组画像，挖掘群组画像特征，对数据多层次利用分析，为细化教学内容，优化课堂结构，区分教学人群，度量课堂运动效果提供决策支持。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。