一种基于多源异构数据的个性化运动负荷评估方法

本发明涉及评估领域，尤其涉及一种基于多源异构数据的个性化运动负荷评估方法。

背景技术：

1、合理的运动负荷对普通人和运动员的日常训练均具有重要意义。如何准确测量每次的运动负荷，并根据个人情况调整运动方案，达到运动目的至关重要。

2、传统的运动负荷评估方法往往依赖于主观评价。主观评价通常是通过向受训者发放问卷调查来进行的，旨在收集他们对自身运动状态的感知信息。比如，我们常常利用自觉疲劳程度量表(rating of perceived exertion，rpe)或疲劳性量表(fatiguescale-14，fs-14)等工具，来掌握受训者在运动过程中的运动负荷。

3、然而，这种主观评估方式存在一定的局限性。它往往是在运动后进行的，属于一种事后评估，这就导致了评估结果无法实时、动态地反映人体在运动过程中的负荷变化。此外，问卷调查的形式不仅耗时耗力，还可能受到受训者主观因素的影响，如记忆偏差、情绪状态等，从而影响评估结果的准确性和客观性。

技术实现思路

1、本发明的目的是要提供一种基于多源异构数据的个性化运动负荷评估方法。

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、采集个性化运动的多源异构数据和影响数据，对所述多源异构数据和所述影响数据进行预处理；

5、对所述多源异构数据和所述影响数据进行融合得到复融数据，按照动作调动的肌肉数量对所述复融数据进行划分，获得复合运动和孤立运动；

6、将所述复合运动输入复合动作强度感知模型获得复合运动强度，将所述孤立运动输入孤立动作强度感知模型获得孤立运动强度；

7、根据所述复合运动强度构建复合动作负荷递增数据集，根据所述复合动作负荷递增数据集构建第一负荷评估模型，根据所述孤立运动强度构建第二负荷评估模型；

8、将待评估数据输入所述第一负荷评估模型和所述第二负荷评估模型，输出评估结果。

9、进一步的，对所述多源异构数据和所述影响数据进行融合得到复融数据的方法，包括：

10、按照动作对多源异构数据和影响数据进行分类获得子数据集，采用决策树表示子数据集，表达式为：

11、

12、其中第w个动作的子数据集数据为uw，第w个动作的随机向量为φw，第w个动作的子数据集的决策树为

13、根据决策树构建多源异构数学融合模型，表达式为：

14、

15、其中多源异构数学融合模型为q，多源异构数据包含动作的数量为计算子数据集数据的评估概率值：

16、

17、其中第z个多源异构数据为uz，第w个动作的分类评估概率值为θ，第f个类型多源异构数据的分类评估概率为

18、获取子数据集中多源异构数据的互信息量，将互信息量小于0.394的多源异构数据删除；

19、更新分类评估概率，直到分类评估概率大于0.721，则将子数据集中的多源异构数据按照互信息量降序排序输出为复融数据。

20、进一步的，按照动作调动的肌肉数量对所述复融数据进行划分的方法，包括：

21、根据复融数据的传感器数据获得动作调动的肌肉数量和关节数量；

22、对复融数据进行二分类，将只有一个肌肉群或一个关节的复融数据划分为第一类别，将其余情况的复融数据划分为第二类别；

23、计算复融数据的信息量：

24、

25、其中第a个复融数据的类别为ca，第a个复融数据的信息量为数据集ca出现的概率为第a个复融数据的肌肉数量为na，第a个复融数据的关节数量为ma；

26、计算复融数据与类别中心的距平误差最小值：

27、

28、其中第a个复融数据与类别中心s的距平误差最小值为va,s，复融数据的数量为第i个复融数据为gi，第a个类别中心为sa；

29、计算复融数据的信息得分：

30、

31、其中第a个复融数据的贝叶斯信息评估得分为第a个分类sya的最大似然值为lmax(sa)，第a个参数值为第a个分类sya的贡献度为第a个复融数据的信息得分为

32、将删除信息得分小于0.238的复融数据，将调整后的第一分类输出为孤立运动，将将调整后的第二分类输出复合运动。

33、进一步的，获得所述复合运动强度的方法，包括：

34、将所述复合运动输入基于循环神经网络的复合动作强度感知模型，根据复合运动的速度生成比较速度序列；

35、根据生理指标变化程度和比较速度序列获取等级的复合感觉变化，利用概率估计分析用户的复合感觉变化，表达式为：

36、

37、其中第b个复合动作的测试次数为nb，第b个复合动作第j个测试的数量为nb,j，第b个复合动作第j个测试的概率估计为hb,j，以自然常数e为底的指数函数为exp(·)，第j个等级的复合感觉变化为体能影响常数为σ，第b个复合动作第j个测试的阻力为zlb,j；

38、对复合动作的概率估计进行降序排序，将最大概率估计的比较速度作为本级复合动作的复合阈值；

39、计算复合运动强度：

40、

41、其中第b个复合运动强度为χb，复合阈值为ho，第b个复合运动的体能偏好程度为ζb，第b个复合运动的误差量为δb，权重分别为ρ1、ρ2、ρ3、ρ4、ρ5，第b个复合运动的心率差值为第b个复合运动的的功率差值为δεb，第b个复合运动的的速度差值为第b个复合运动的持续时间为第b个复合运动的感知劳累程度差值为

42、进一步的，获得所述孤立运动强度的方法，包括：

43、将孤立运动输入基于时间序列分析的孤立动作强度感知模型，根据孤立运动的比较阻力以相同间隔生成比较阻力序列；

44、根据生理指标变化程度和比较阻力序列获取孤立感觉变化，利用概率估计分析用户孤立感觉变化，表达式为：

45、

46、其中第k个孤立动作的测试次数为nb，第k个孤立动作第y个测试的数量为nk,y，第k个孤立动作第y个测试的概率估计为uk,y，第y个等级的孤立感觉变化为第y个测试的关节影响因子为γy，第k个孤立动作第y个测试的阻力为zlk,y；

47、对孤立动作的概率估计进行降序排序，将最大概率估计的比较速度作为本级复合动作的孤立阈值；

48、计算孤立运动强度：

49、

50、其中第k个孤立运动强度为孤立阈值为uo，第k个孤立运动的体能偏好程度为权重分别为λ1、λ2、λ3、λ4、λ5，第k个孤立运动的心率差值为第k个孤立运动的的功率差值为δεk，第k个孤立运动的的速度差值为第k个孤立运动的持续时间为第k个孤立运动的感知劳累程度差值为

51、进一步的，根据所述复合运动强度构建复合动作负荷递增数据集的方法，包括：

52、根据梯度负荷目标通过逐步递增的运动速度和负荷功率，以及记录用户的感知、动作姿态和心电数据，构建复合动作负荷递增数据集

53、进一步的，根据所述复合动作负荷递增数据集构建第一负荷评估模型的方法，包括：

54、对复合动作负荷递增数据集进行分段，得到复合分段数据；

55、将复合分段数据和第一负荷评估模型采集的动作心电数据进行相似性分析，表达式为：

56、

57、其中第m个复合分段数据为τm，第m个动作心电数据为xm，复合分段数据的数量为l，调整系数为动作心电数据xm和复合分段数据τm的相似概率为p(τm,xm)，控制系数为h，复合分段数据τ和动作心电数据x的相似度为g(τ,x)，复合分段数据τ和动作心电数据x的距离为dτ,x；

58、计算复合动作负荷：

59、

60、其中第b个复合动作强度为χb，复合分段数据τm的心率为lτ，动作心电数据xm的心率为lx，第b个复合动作的负荷为

61、第一负荷评估模型根据时间序列分析算法和多层感知器；

62、时间序列分析算法通过识别输入数据随时间变化的模式和趋势，分析时间序列的结构特性；

63、多层感知器通过模拟人脑神经元的多层网络结构，使用加权和激活函数来学习结构特性与输出结果之间的复杂映射关系。

64、进一步的，根据所述孤立运动强度构建第二负荷评估模型的方法，包括：

65、将数字化抗阻训练设备的阻力设定由第二负荷评估模型模型的第ms级阻力值；

66、依次从第1级到第ms1级重复孤立运动强度感知测试，直至达到用户的极限；

67、专家利用根据摄像头拍摄的视频数据以及孤立动作as1的标准动作形式，对用户完成的动作质量进行人工打分；

68、将动作姿态传感器和心电带采集的数据进行分段，得到分段数据，对分段数据与孤立动作测试采集的动作数据和心电数据进行相似性分析，得到动作姿态数据；

69、根据人工打分结果和动作姿态数据，确立动作质量自动化评分模型；

70、计算得到孤立动作的孤立负荷：

71、

72、其中第k个孤立动作的孤立负荷为dk，第k个孤立动作的的心率为lk，动平常的心率为lo，第k个孤立动作的遗传控制为

73、第二负荷评估模型根据自编码器和循环网络神经算法；

74、自编码器和使用编码器网络将输入数据压缩成一个低维表示，通过解码器网络重构输入数据，学习数据的内在特征；

75、循环网络神经算法通过在网络中引入循环连接，使网络能够存储和处理时间序列数据中的内在特征，实现对输入数据中时间依赖性的建模。

76、第二方面，本技术实施例还提供一种电子设备，包括：

77、处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。

78、第三方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。

79、本发明的有益效果是：

80、本发明是一种基于多源异构数据的个性化运动负荷评估方法，与现有技术相比，本发明具有以下技术效果：

81、本发明通过预处理、数据融合、获取运动、获取运动负荷、构建第一负荷评估模型和构建第二负荷评估模型构建步骤，可以提高多源异构数据的个性化运动负荷评估的准确性，从而提高多源异构数据的个性化运动负荷评估的精度，将多源异构数据的个性化运动负荷评估优化，可以大大节省资源，提高工作效率，可以实现对多源异构数据的个性化运动负荷的智能评估，实时对多源异构数据的个性化运动负荷评估进行优化，对多源异构数据的个性化运动负荷评估具有重要意义，可以适应不同标准的多源异构数据的个性化运动负荷评估、不同多源异构数据的个性化运动负荷评估需求，具有一定的普适性。