一种基于大数据的运动数据监控方法及系统

本发明涉及大数据领域，尤其涉及一种基于大数据的运动数据监控方法及系统。

背景技术：

1、大数据技术在各个领域的应用越来越广泛，其中，在运动数据监控领域尤为突出。通过大数据技术，运动员和教练员可以从大量的运动数据中发现潜在的模式和规律，通过这些模式和规律，可以帮助教练员预测运动员未来的表现和潜力，有助于教练员制定个性化的训练计划，以最大程度地发挥运动员的潜力。传统的运动训练方式往往依赖于教练员的个人经验和运动员的自我感受，这样的方法虽然有其价值，但不可避免地会受到主观性和数据缺失的限制。虽然已经发明了一些运动数据监控方法，但是仍不能有效解决运动数据监控方法的不确定问题。

技术实现思路

1、本发明的目的是要提供一种基于大数据的运动数据监控方法及系统。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、本发明包括以下步骤：

4、a获取运动数据，对所述运动数据进行预处理

5、b构建所述运动数据的循环神经网络，将预处理后的所述运动数据输入所述循环神经网络，提取预处理后的所述运动数据的关键特征，根据所述关键特征获得运动数据参数；

6、c对所述运动数据参数分别进行聚类分析和相关性分析获得k个分类数据集和相关性数值数据集，将所述分类数据集和所述相关性数值数据集进行关联性分析获得评价数据集；

7、d将所述评价数据集按n:m的比例划分为训练集和测试集，使用svm构建预测模型，根据所述训练集训练所述预测模型，根据所述测试集评估所述预测模型，根据粒子群算法对所述预测模型进行优化；

8、e将设计的不同训练方案数据输入优化后的所述预测模型得到运动员在不同训练方案下的运动表现，输出结果。

9、进一步的，步骤a中所述预处理包括数据整合、数据清洗、处理缺失值和标准化数据。

10、进一步的，构建所述运动数据的循环神经网络的方法，包括：

11、将带有标签的标准运动数据作为数据集，将lstm作为循环神经网络架构，添加嵌入层、全连接层和softmax输出层，并堆叠两个rnn层，将交叉熵作为循环神经网络的损失函数：

12、l＝-[yilogyiλ+(1-yi)log(1-yiλ)],

13、其中，l为损失函数，yi为所述运动数据的第i个关键特征标签，yiλ为第i个关键特征标签对应的模型预测概率；

14、将数据集输入循环神经网络进行训练，将rmsprop作为优化器，通过反向传播算法更新循环神经网络的权重。

15、进一步的，步骤b中所述关键特征包括，包括：

16、所述运动数据的关键特征包括运动开始和结束时间、速度、加速度、训练使用的设备、平均心率、最大心率、血压变化范围、肌肉疲劳指数、睡眠开始和结束的时间、深度睡眠时间比例和比赛成绩；

17、将所述运动数据的关键特征参数化为训练时长、训练强度、训练类型、心率、血压、肌肉疲劳程度、睡眠时间、睡眠质量和比赛数据获得运动数据参数。

18、进一步的，对所述运动数据参数进行聚类分析获得k个分类数据集的方法，包括：

19、a、选择聚类簇数：

20、假设通过k-means聚类算法对所述运动数据参数进行了聚类，并最终得到了k个簇，对每个簇中的每个样本点i计算其轮廓系数：

21、

22、其中i为样本点，i＝1,2,......i；k为簇数，k＝1,2,......k，k_i为第k簇的第i个样本点，a(k_i)为样本点k_i到与其同属于一个簇的其他样本点的距离的平均值，b(k_i)为样本点k_i到其他簇c_j中所有样本点的平均距离b_ij的最小值，即b(k_i)＝min(b_i1,b_i2,......b_ij)；

23、根据每个簇的每个样本点的轮廓系数s(k_i)，计算该聚类结果总的轮廓系数:

24、

25、其中s为该聚类结果总的轮廓系数，i为样本点，i＝1,2,......i；k为簇数，k＝1,2,......k；

26、对于每个可能的簇数k，比较其聚类结果总的轮廓系数s，s越接近1，说明聚类效果越好，则选择该簇数进行聚类。

27、b、将所述运动数据参数划分到相应的簇中：

28、根据选择出的k个簇数，随机选择k个样本点作为k个簇类的初始中心点，计算剩下的每个样本点与每个初始中心点的亲近程度：

29、

30、其中clo(u_i，u_k)为剩下的每个样本点与每个初始中心点的亲近程度，u_i为第i个样本点，i＝1,2,......,i，u_k为第k个簇类的初始中心点，k＝1,2,......k，u_i(l)为第i个样本点的第l个特征，u_k(l)为第k个簇类的初始中心点的第l个特征；

31、比较每个样本点与每个初始中心点的亲近程度，将跟初始中心点的亲近程度最大的样本点划分到该初始中心点所属的簇类；

32、重新计算k个簇类的中心点：

33、

34、其中u_k为第k个簇类的中心点，u_j为划分到第k个簇类的样本点，j为样本点个数，其中j＝1,2,......j；

35、重复划分样本点和更新簇类中心点，直到簇类中心点不再发生变化，最终得到k个簇，每个簇由一个中心点和属于该簇的所有数据点组成，根据所述k个簇组成k个分类数据集，并为每个簇中的所述运动数据参数标注上相应的簇类标签。

36、进一步的，对所述运动数据参数进行相关性分析获得相关性数值数据集的方法，包括：

37、计算每两个所述运动数据参数的相关性：

38、

39、其中ρ为每两个所述运动数据参数之间的相关性数值，ui为第u个参数的第i个值，vi为第v个参数的第i个值，μu为第u个参数的均值，μv为第v个参数的均值，i＝1,2,......m，根据所述相关性数值组成相关性数值数据集。

40、进一步的，将所述分类数据集和所述相关性数值数据集进行关联性分析获得评价数据集的方法，包括：

41、根据所述相关性数值数据集构建相关性矩阵：

42、

43、其中a为上三角相关性矩阵，ρuv表示第u个参数和第v个参数之间的相关性数值，为每个参数创建索引：

44、b＝[0，1，2......，n]

45、其中b为参数索引，n为参数数量，根据所述簇类标签创建簇类标签矩阵：

46、

47、其中[ku]为第u个参数的簇类标签，[kv]为第v个参数的簇类标签，将每个参数的索引映射到其所属的簇类标签，遍历所述上三角相关性矩阵，检查每对参数的相关性，对于每一对参数，使用创建的映射来检查它们是否属于不同的簇类，对于属于不同簇类的参数对，检查它们的相关性是否小于设定的相关性阈值，所述相关性阈值设定为0.5，对于小于相关性阈值的参数对，将其提取出来组成评价数据集。

48、进一步的，使用svm构建预测模型，根据所述训练集训练所述预测模型的方法，包括：

49、将回归svm作为模型架构，将rbf核函数作为回归svm的核函数：

50、

51、其中核函数为r，ci为所述训练集中任意一点到训练集中心点的距离，为rbf核函数的宽度，ω为对训练数据的拟合度；

52、通过网格搜索法尝试不同的ω值和值，找到在训练集上表现最佳的ω值和值作为初始值，将训练集数据输入到所述预测模型进行训练。

53、进一步的，根据所述测试集评估所述预测模型的方法，包括：

54、根据交叉验证法，将测试集分割成n个子集，对于每一个子集，将其作为评估验证集，将其余的n-1个子集作为评估训练集，使用评估训练集训练所述预测模型，使用评估验证集评估所述预测模型的性能，记录下准确率、召回率、f1分数、mse和rmse获取性能指标，重复计算直到每个子集都被用作过评估验证集。

55、在完成所有交叉验证循环后，计算所有迭代的性能指标的平均值和标准差：

56、

57、其中μ是所有迭代的性能指标的平均值，n是迭代次数，index_i是第i个性能指标，是所有迭代的性能指标的标准差。

58、进一步的，根据粒子群算法对所述预测模型进行优化的方法，包括：

59、根据粒子群算法，设置粒子群的数量为n，将权利要求7中所述ω值和值作为每个粒子的位置参数，同时将权利要求7中所述ω值和值的初始值作为每个粒子的位置初始值，并初始化每个粒子的速度，将位置初始值设定为每个粒子的历史最优值，将粒子群中最大的历史最优值设定为全局最优值，将权利要求8中记录下的所述准确率作为适应度值返回，比较每个粒子的历史最优值是否小于适应度值，对于小于适应度值的粒子，将其历史最优值更新为当前位置，将其历史最优适应度值跟新为当前适应度值，比较更新后的历史最优值和全局最优值的大小，将更大的值更新为全局最优值，更新每个粒子的速度：

60、vi′＝γ×vi+c1×r1×(hbesti-xi)+c2×r2×(abest-xi)

61、其中vi′是第i个粒子更新后的速度，γ是惯性权重，vi是第i个粒子的速度，xi是第i个粒子的位置，c1和c2是加速函数，r1和r2是随机数，hbesti是第i个粒子的历史最优值，abest是粒子群的全局最优值；更新每个粒子的位置：

62、xi′＝vi′+xi

63、其中xi′是第i个粒子更新后的位置，vi′是第i个粒子更新后的速度，xi是第i个粒子的位置；

64、重复计算直到当前适应度值达到设定的适应度阈值，将当前适应度值对应的粒子的位置参数更新为所述预测模型的ω值和值，完成对所述预测模型的优化，设定的适应度阈值为0.98。

65、本发明的有益效果是：

66、本发明是一种基于大数据的运动数据监控方法及系统，与现有技术相比，本发明具有以下技术效果：

67、本发明通过预处理、聚类分析、相关性分析、数据集分割、构建预测模型、和优化预测模型步骤，可以提高运动数据监控的准确性，从而提高运动数据监控的精度，将运动数据监控智能化，可以大大节省资源和人力成本，提高工作效率，可以实现在不同训练方案下运动员潜力的自动预测，对运动训练方案进行差异分析，对预测运动员在不同训练方案下的潜力具有重要意义，可以适应不同特征的运动员在不同训练方案下的潜力评估，具有一定的普适性。