一种基于物联网的运动数据智能监测评估系统及方法与流程

本发明涉及运动监测，具体为一种基于物联网的运动数据智能监测评估系统及方法。

背景技术：

1、随着科技的不断发展，智能穿戴设备的功能越来越强大，能够提供更加准确和实时的运动数据监测和反馈，帮助运动员更好地了解自己的身体状态和训练效果，从而更好地调整训练计划和提升运动表现；

2、现有技术中，在切换运动项目类型时候，需要提前切换智能穿戴设备对应的运动项目监测功能模块，再开始对应的运动项目训练，不够智能化。

技术实现思路

1、本发明的目的在于提供一种基于物联网的运动数据智能监测评估系统及方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：

3、一种基于物联网的运动数据智能监测评估系统，本系统包括：运动数据采集模块、运动数据处理模块、运动行为特征识别模块和运动表现评估模块；

4、所述运动数据采集模块，用于通过物联网技术，获取智能穿戴设备采集到的运动数据，所述运动数据包括距离数据和时间数据，其中，所述智能穿戴设备中集成有距离传感器和时间计数器；对运功数据附加数据标签，形成二维坐标点集；

5、所述运动数据处理模块，根据二维坐标点集，形成实时运动特征曲线函数；构建虚拟化训练场景，在虚拟化训练场景中记录模拟训练过程中的运动数据，并形成基准运动特征曲线函数；

6、所述运动行为特征识别模块，用于建立运动行为特征智能识别模型，所述运动行为特征智能识别模型中存储不同运动项目对应的基准运动特征曲线函数，构建关联规则，计算关联规则的信任度，在基准运动特征曲线函数参照下，分析判定实时运动特征曲线函数对应的运动项目类型；

7、所述运动表现评估模块，用于当确定出运动项目类型后，根据实时运动特征曲线函数，分析运动的表现水平，根据运动表现值，对运动进行评估，并输出至用户端。

8、进一步的，所述运动数据采集模块还包括物联网单元和数据标签单元；

9、所述物联网单元，用于通过物联网技术，在运动过程中，实时收集智能穿戴设备采集到的运动数据，所述运动数据包括距离数据和时间数据，所述距离数据基于距离传感器进行采集，且所述距离为手腕到脚腕之间的距离，所述时间数据基于时间计数器进行采集，所述距离传感器和所述时间计数器一体化集成于智能穿戴设备中；

10、所述数据标签单元，用于将时间数据和距离数据进行一一对应，对运动数据附加数据标签，记为(t，f)，建立二维坐标点集，将数据标签转化成二维坐标点集，记录在运动过程中的实时运动行为特征，其中，t表示二维坐标中横坐标对应的时间自变量，f表示二维坐标中纵坐标对应的距离自变量。

11、进一步的，所述运动数据处理模块还包括曲线函数单元和虚拟化场景单元；

12、所述曲线函数单元，用于对运动过程中产生的二维坐标点集中的全部坐标点进行平滑曲线形式的连续依次连接，并借助matlap软件将连接后的平滑曲线转换成自变量为t，应变量为f的实时运动特征曲线函数，记为f(t)；

13、所述虚拟化场景单元，用于架构虚拟化训练场景，所述虚拟化训练场景基于不同的运动项目进行架构，其中，一种运动项目对应架构一种虚拟化训练场景；在每一种虚拟化训练场景中，模拟运动项目实施的过程，并记录模拟过程中的运动数据，形成基准运动特征曲线函数，记为fi(t)，其中，fi(t)表示第i种运动项目在第i种虚拟化训练场景中，以时间为自变量，以距离为应变量形成的基准运动特征曲线函数。

14、进一步的，所述运动行为特征识别模块还包括关联规则单元和特征模型识别单元；

15、所述关联规则单元，用于存储不同运动项目对应的基准运动特征曲线函数，当运动项目训练结束后，上传运动项目训练过程中对应形成的实时运动特征曲线函数；将实时运动特征曲线函数划分成k个连续的分段曲线函数，将任意第x个分段曲线函数记为fx(t)，构建关联规则，记为f→f：fx(t)→fi(t)，计算关联规则的信任度，具体计算公式如下：

16、

17、其中，g(x，i)表示关联规则f→f：fx(t)→fi(t)的信任度，fi(t+t)表示基准运动特征曲线函数fi(t)平移时间t后得到的基准运动特征曲线函数，如果t为正值，则将基准运动特征曲线函数fi(t)向左平移，如果t为负值，则将基准运动特征曲线函数fi(t)向右平移，t1和t2分别为分段曲线函数的起始时间和终止时间，t的取值区间为[t1-t，t2-t]；

18、令t＝t+1，对关联规则的信任度进行迭代计算，直到关联规则的信任度最大时迭代停止，将最大时对应的关联规则的信任度记为g(x，i)max；

19、所述特征模型识别单元，用于判定实时运动特征曲线函数对应的运动项目类型；令i＝i+1，继续计算关联规则f→f：fx(t)→fi+1(t)的信任度，并将关联规则f→f：fx(t)→fi+1(t)的信任度最大时对应的信任度记为g(x，i+1)max，其中，fi+1(t)表示第i+1种运动项目在第i+1种虚拟化训练场景中，以时间为自变量，以距离为应变量形成的基准运动特征曲线函数；

20、比较g(x，i+1)max和g(x，i)max的大小，如果g(x，i+1)max>g(x，i)max，则判定第x个分段曲线函数对应的运动项目为第i+1种运动项目，如果g(x，i+1)max≤g(x，i)max，则判定第x个分段曲线函数对应的运动项目为第i种运动项目。

21、进一步的，所述运动表现评估模块还包括表现分分析单元和评估输出单元；

22、所述表现分分析单元，用于当确定出第x个分段曲线函数对应的第y种运动项目后，计算第x个分段曲线函数对应的运动项目训练期间，用户的运动表现值，具体计算公式如下：

23、

24、其中，eivx表示分段曲线函数fx(t)对应的第y种运动项目训练期间，用户的运动表现值，gy表示第y种运动项目的运动表现指标值；

25、所述评估输出单元，用于统计实时运动特征曲线函数中每一个分段曲线函数对应的运动表现值，并生成运动表现序列；预设运动表现阈值，在运动表现序列中统计出运动表现值大于等于运动表现阈值的个数评估占比，并输出至用户端。

26、一种基于物联网的运动数据智能监测评估方法，本方法包括以下步骤：

27、步骤s100：通过物联网技术，获取智能穿戴设备采集到的运动数据，所述运动数据包括距离数据和时间数据，其中，所述智能穿戴设备中集成有距离传感器和时间计数器；对运功数据附加数据标签，形成二维坐标点集；

28、步骤s200：根据二维坐标点集，形成实时运动特征曲线函数；构建虚拟化训练场景，在虚拟化训练场景中记录模拟训练过程中的运动数据，并形成基准运动特征曲线函数；

29、步骤s300：建立运动行为特征智能识别模型，所述运动行为特征智能识别模型中存储不同运动项目对应的基准运动特征曲线函数，构建关联规则，计算关联规则的信任度，在基准运动特征曲线函数参照下，分析判定实时运动特征曲线函数对应的运动项目类型；

30、步骤s400：当确定出运动项目类型后，根据实时运动特征曲线函数，分析运动的表现水平，根据运动表现值，对运动进行评估，并输出至用户端。

31、进一步的，所述步骤s100的具体实施过程包括：

32、步骤s101：通过物联网技术，在运动过程中，实时收集智能穿戴设备采集到的运动数据，所述运动数据包括距离数据和时间数据，所述距离数据基于距离传感器进行采集，且所述距离为手腕到脚腕之间的距离，所述时间数据基于时间计数器进行采集，所述距离传感器和所述时间计数器一体化集成于智能穿戴设备中；

33、步骤s102：将时间数据和距离数据进行一一对应，对运动数据附加数据标签，记为(t，f)，建立二维坐标点集，将数据标签转化成二维坐标点集，记录在运动过程中的实时运动行为特征，其中，t表示二维坐标中横坐标对应的时间自变量，f表示二维坐标中纵坐标对应的距离自变量。

34、根据上述方法，通过监测手腕到脚腕之间的距离，能够体现出大多数运动项目的特点，比如，游泳运动中的自由泳和蛙泳，手臂在头部前方摆动的幅度不同，脚步的踢脚动作不同，势必导致手和脚之间的距离，在运动过程中形成明显不同的动态变化特征，比如，跑步运动，手臂摆动的幅度，和脚步的踢脚的动作，明显均与游泳运动形成明显不同的动态变化特征；进而，本技术发明，借助物联网技术，在手腕和脚腕处安放智能穿戴设备，比如运动手环，能够实时获取到手腕到脚腕之间的距离。

35、进一步的，所述步骤s200的具体实施过程包括：

36、步骤s201：对运动过程中产生的二维坐标点集中的全部坐标点进行平滑曲线形式的连续依次连接，并借助matlap软件将连接后的平滑曲线转换成自变量为t，应变量为f的实时运动特征曲线函数，记为f(t)；

37、步骤s202：架构虚拟化训练场景，所述虚拟化训练场景基于不同的运动项目进行架构，其中，一种运动项目对应架构一种虚拟化训练场景；在每一种虚拟化训练场景中，模拟运动项目实施的过程，并记录模拟过程中的运动数据，形成基准运动特征曲线函数，记为fi(t)，其中，fi(t)表示第i种运动项目在第i种虚拟化训练场景中，以时间为自变量，以距离为应变量形成的基准运动特征曲线函数。

38、根据上述方法，借助虚拟现实技术，加以神经网络算法的模型训练，能够得到基准运动特征曲线函数，基准运动特征曲线函数代表的是运动项目的标准姿势下采集到的运动特征曲线函数，以基准运动特征曲线函数作为参照，具备一定的科学性。

39、进一步的，所述步骤s300的具体实施过程包括：

40、步骤s301：存储不同运动项目对应的基准运动特征曲线函数，当运动项目训练结束后，上传运动项目训练过程中对应形成的实时运动特征曲线函数；将实时运动特征曲线函数划分成k个连续的分段曲线函数，将任意第x个分段曲线函数记为fx(t)，构建关联规则，记为f→f：fx(t)→fi(t)，计算关联规则的信任度，具体计算公式如下：

41、

42、其中，g(x，i)表示关联规则f→f：fx(t)→fi(t)的信任度，fi(t+t)表示基准运动特征曲线函数fi(t)平移时间t后得到的基准运动特征曲线函数，如果t为正值，则将基准运动特征曲线函数fi(t)向左平移，如果t为负值，则将基准运动特征曲线函数fi(t)向右平移，t1和t2分别为分段曲线函数的起始时间和终止时间，t的取值区间为[t1-t，t2-t]；

43、令t＝t+1，对关联规则的信任度进行迭代计算，直到关联规则的信任度最大时迭代停止，将最大时对应的关联规则的信任度记为g(x，i)max；

44、步骤s302：令i＝i+1，继续计算关联规则f→f：fx(t)→fi+1(t)的信任度，并将关联规则f→f：fx(t)→fi+1(t)的信任度最大时对应的信任度记为g(x，i+1)max，其中，fi+1(t)表示第i+1种运动项目在第i+1种虚拟化训练场景中，以时间为自变量，以距离为应变量形成的基准运动特征曲线函数；

45、比较g(x，i+1)max和g(x，i)max的大小，如果g(x，i+1)max>g(x，i)max，则判定第x个分段曲线函数对应的运动项目为第i+1种运动项目，如果g(x，i+1)max≤g(x，i)max，则判定第x个分段曲线函数对应的运动项目为第i种运动项目。

46、根据上述方法，由于人体体型特征不同，导致基准运动特征曲线函数也存在不同，但是，本技术通过将基准运动特征曲线函数平移，再与实时运动特征曲线函数进行叠加，计算出关联规则的信任度，曲线平移的分析方法，能够很好的分析出实时运动特征曲线函数与基准运动特征曲线函数的相似度，即利用曲线的形状相似来模糊化分析判定运动项目类型，能够避免由于人体体型特征不同，导致基准运动特征曲线函数也存在不同的问题；关联规则的信任度越大，表示实时运动特征曲线函数与基准运动特征曲线函数的相似程度越大。

47、进一步的，所述步骤s400的具体实施过程包括：

48、步骤s401：当确定出第x个分段曲线函数对应的第y种运动项目后，计算第x个分段曲线函数对应的运动项目训练期间，用户的运动表现值，具体计算公式如下：

49、

50、其中，eivx表示分段曲线函数fx(t)对应的第y种运动项目训练期间，用户的运动表现值，gy表示第y种运动项目的运动表现指标值；

51、步骤s402：统计实时运动特征曲线函数中每一个分段曲线函数对应的运动表现值，并生成运动表现序列；预设运动表现阈值，在运动表现序列中统计出运动表现值大于等于运动表现阈值的个数评估占比，并输出至用户端；

52、根据上述方法，不同的运动项目，运动表现指标值也不同，运动表现指标值是标准训练运动下的动作幅度，可以通过标准训练运动特征来量化，运动表现值的计算本质是借助积分的思想，来分析实时运动过程中的动作幅度与运动表现指标值的差距特征，进而能够对实时运动进行不同分段曲线函数形式的微量化评估分析。

53、与现有技术相比，本发明所达到的有益效果是：本发明提供的一种基于物联网的运动数据智能监测评估系统及方法中，对智能穿戴设备采集到的运动数据附加数据标签，形成二维坐标点集；并转化成实时运动特征曲线函数，构建虚拟化训练场景，在虚拟化训练场景中记录模拟训练过程中的运动数据，形成基准运动特征曲线函数；建立运动行为特征智能识别模型，构建关联规则，分析判定实时运动特征曲线函数对应的运动项目类型；评估运动的表现水平；能够借助物联网和虚拟现实技术，使用户在运动过程中不需要反复切换运动项目类型以进行对应运动项目的训练，能够从开始运动到结束运动的整个过程中，实时记录运动数据，并进行运动项目的跟踪训练监测和评估，提高运动训练的智能化水平。