一种基于深度学习的体能训练阶段分类识别方法技术

本发明专利技术提出一种体能训练阶段分类识别方法，所述方法包括以下步骤：利用自供能心率采样装置收集运动时的心率数据，利用对原始心率数据进行预处理，来获得待处理有效心率数据；将待处理有效心率数据输入到数据升维函数进行二维化处理得到二维特征图；使用分类算法对二维特征图进行分类判别，得到分类结果序列。本发明专利技术通过对传统卷积神经网络进行改进，根据体能训练心率数据的特点，并结合使用神经网络，softmax分类器和交叉熵损失函数，实现了高效准确的体能训练阶段识别分类。创新点在于通过构建后端处理算法库，通过对体能训练过程中心率数据的采集识别，实现对体能训练阶段的分类目的，并可以通过改变分类数量实现不同分类目的。目的。目的。

【技术实现步骤摘要】
一种基于深度学习的体能训练阶段分类识别方法


[0001]本专利技术涉及数据分类领域，尤其是一种体能训练阶段分类识别方法。

技术介绍

[0002]心率数据在体能训练过程中有着大量的应用，是评估身体健康状况直接有效的指标之一，对测试人员运动过程中静息心率以及运动心率的测量，直接反应了心脏的工作情况，对运动状况的评估有着重要作用，进而对体能测评以及体能训练计划提供参考。
[0003]传统体能训练方式依赖训练教练人员的个人经验，他们在长期训练过程中积累了大量数据，但难以找出数据与训练指标之间的关联性，抑或是一种项目成绩与其余项目间的关联性，因此难以针对训练指标，利用已有的训练数据进行针对性优化，鲁棒性较差。基于以上原因，需要提出一种体能训练数据分类识别方法，利用体能训练训练数据及深度学习技术，完成高效准确的体能数据识别，实现对体能训练阶段的分类。从而对体能训练工作提供准确的指导。

技术实现思路

[0004]本专利技术的目的在于，针对上述技术中存在的问题，提供一种体能训练阶段分类识别方法，可以通过卷积神经网络对心率数据进行特征提取得到特征图，将特征图通过算法识别后实现运动阶段的分类。实现了高效准确的体能训练阶段分类，创新点是通过构建后端处理算法库，可以根据运动心率数据进行体能训练阶段的分类识别，并通过改变目标分类数量实现不同分类目的。
[0005]本专利技术通过以下技术方案实现：S1：对训练心率数据进行预处理，获得待处理有效心率数据；S2：将待处理有效心率数据，输入数据二维化函数进行二维化处理，得到大小为 N*N*K的二维图像，即大小为N*N的K个通道的二维特征图，构成体能训练数据样本集； S3：将二维特征图输入卷积神经网络模型进行训练，所述卷积神经网络模型包含卷积层，激活函数层，瓶颈层，池化层，全连接层。通过输入的样本集在卷积神经网络模型中的迭代，实现对样本特征的提取；S4：将二维特征图样本集使用分类算法进行I个类别的分类判别。
[0006]进一步地，所述一种体能训练阶段分类识别方法，其特征在于，所述分类算法对一维心率时间序列进行I类的分类处理步骤具体为：将M个一维运动心率序列数据处理为有效心率数据，输入进数据二维化函数转换为M*(N*N*K)的二维特征图，构成体能数据样本集。将样本集输入卷积神经网络,卷积神经网络对M*(N*N*K)特征图进行分类识别得到M个分类结果序列，使用卷积神经网络及softmax分类器对二维特征图进行识别得到I个分类序列。
[0007]进一步地，所述I类分为多种情况：I>2，此时分类结果代表体能训练的I个阶段， I＝2,此时分类结果代表体能训练是否达标。
[0008]进一步地，所述有效数据为不定长的一维时间序列。
[0009]进一步地，所述K值为1。
[0010]进一步地，所述卷积神经网络，结构包括输入层，卷积层，池化层，所述输入层用于
接收二维特征图样本集，所述卷积层参与卷积计算，所述池化层参与池化计算。
[0011]本专利技术的有益效果是：
[0012]1.本专利技术中，利用体能数据输入卷积神经网络对模型进行训练，以提高现有卷积神经网络模型识别准确率，提高体能数据分类工作的效率。
[0013]2.本专利技术中对传统卷积神经网络结构进行优化，使用交叉熵损失函数，softmax分类器，全连接卷积神经网络，并使用数据二维化函数对有效数据进行二维化处理。实现了对体能训练阶段的分类，构建了了一种高效，准确的后端处理分类算法库。
[0014]3.本专利技术中，通过对传统卷积神经网络的优化，并将有效数据通过数据二维化函数进行二维化处理，实现了对心率数据的高效，准确的识别，得到体能训练阶段分类结果。
[0015]4.本专利技术中，创新点在于通过构建后端处理算法库，通过对运动心率数据进行识别，实现对体能训练阶段的分类目的，并通过改变分类数量实现不同分类目的。
附图说明
[0016]图1图像示出了体能阶段分类模块训练及识别过程；
[0017]图2图像示出了实例1的体能阶段分类识别方法的流程示意图；
[0018]图3图像示出了实例2的体能阶段分类识别方法的流程示意图；
[0019]图4图像示出了实例3的体能阶段分类识别方法的流程示意图。
[0020]具体实施案例
[0021]为了使本领域的人员更好地理解本专利技术的技术方案，下面结合本专利技术的附图，对本专利技术的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。
[0022]实施例1
[0023]实施例1为一种体能训练阶段分类识别方法，所述方法包含以下步骤：S1：对M个体能心率数据进行预处理，获得M个待处理有效心率数据；S2：将待处理有效心率数据，输入数据二维化函数进行二维化处理，得到大小为N*N*K的二维图像，即大小为N*N的K个通道的二维特征图，构成体能数据样本集；S3：将二维特征图输入CNN模型进行训练，所述 CNN模型包含卷积层，激活函数层，瓶颈层，池化层，全连接层。通过输入的样本集在卷积神经网络模型中的迭代，实现对样本特征的提取；S4：将M*(N*N*K)二维特征图样本集使用分类算法进行I个类别的分类判别，得到含有M个分类结果的序列；所述M个分类结果中每判别结果为I个类别中的一类。
[0024]进一步地，所述N为二维特征图的水平及竖直像素值，将M个一维有效心率数据输入数据二维化函数转换为M*(N*N*K)的二维特征图。
[0025]进一步地，所述使用分类算法对M*(N*N*K)的特征图进行I类的分类处理步骤具体为：将M个一维运动心率序列数据处理为有效心率数据，输入进数据二维化函数转换为 M*(N*N*K)的二维特征图，构成体能数据样本集。将样本集输入卷积神经网络,卷积神经网络对M*(N*N*K)特征图进行分类识别得到M个分类结果序列，使用卷积神经网络及softmax分类器对二维特征图进行识别得到I个分类序列。
[0026]进一步地，所述I类分为多种情况：I>2，此时分类结果代表体能训练的I个阶段， I＝2,此时分类结果代表体能训练是否达标。
[0027]进一步地，所述有效数据为不定长的一维时间序列。
[0028]进一步地，所述K值为1。
[0029]进一步地，所述卷积神经网络，结构包括输入层，卷积层，池化层，所述输入层用于接收二维特征图样本集，所述卷积层参与卷积计算，所述池化层参与池化计算。
[0030]实施例2
[0031]本实施例为，当原始数据为体能训练心率数据，使用体能训练数据分类识别方法训练得到识别模型。其系统框图参阅图一所示，本系统包含训练集采集模块、模型训练模块、分类模块。
[0032](1).训练数据采集模块：使用自供能心率采样装置收集运动时的心率数据，
[0033]并持续一定时长(如10
‑
15分钟)，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种体能训练阶段分类识别方法，其特征在于，所述方法包括以下步骤：S1：对体能心率数据进行预处理，获得待处理有效心率数据；S2：将待处理有效心率数据，使用数据升维函数进行二维化处理，得到大小为N*N*K的二维图像，即大小为N*N的K个通道的二维特征图，构成体能数据样本集；S3：将二维特征图输入CNN模型进行训练，所述CNN模型包含卷积层，激活函数层，瓶颈层，池化层，全连接层。通过输入的样本集在卷积神经网络模型中的迭代，实现对样本特征的提取；S4：将体能数据样本集使用分类算法进行I个类别的分类判别。2.如权利要求1所述的一种体能训练阶段分类识别方法，其特征在于，所述分类算法对一维心率时间序列进行I类的分类处理步骤具体为：将M个运动心率处理为有效心率数据，输入进数据升维函数转换为M*(N*N*K)...

【专利技术属性】
技术研发人员：张岩，邵以诚，周远恺，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：