青少体育运动与健康管理方法及系统技术方案

本发明专利技术公开了一种青少体育运动与健康管理方法及系统，属于数据管理技术领域，解决了青少体育运动数据的分析分类和预判问题，其技术方案要点是采用朴素贝叶斯模型进行数据处理，朴素贝叶斯模型是一种操作简单且性能较好的机器学习分类算法，达到了对数据的有效分类分析，提高学生体能的判断和导向预测，能够尽快，尽早的提醒和干预学生在体质方面的注意。尽早的提醒和干预学生在体质方面的注意。尽早的提醒和干预学生在体质方面的注意。

【技术实现步骤摘要】
青少体育运动与健康管理方法及系统


[0001]本专利技术涉及数据管理系统领域，特别地，涉及一种青少体育运动与健康管理方法及系统。

技术介绍

[0002]目前，基于大数据对青少体育运动可以进行收集和处理，有助于学校体育治理体系的建设，朴素贝叶斯模型是一种操作简单且性能较好的机器学习分类算法。
[0003]最近10年来，数据积累的急剧增加和针对数据的全链条技术整体成熟，催生了大数据以及接踵而来的人工智能的热潮。利用体质数据监测与人工智能分析技术。
[0004]朴素贝叶斯(NaiveBayes)是一种基于贝叶斯定理与特征条件独立假设的机器学习分类算法。它的思想基础是对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足之处，至少在一定程度上解决相关技术中的技术问题，提供一种青少体育运动与健康管理方法及系统，具有提高数据收集后的处理能力，使得数据有效分类，得到可靠的数据分类结果，能够帮助用户获得运动健康数据的体制判断，能够尽早的去预估学生体能水平，的优势。
[0006]为了解决上述技术问题，本专利技术的技术方案是：一种青少体育运动与健康管理方法，包括数据录入模块，数据分析处理模块，数据分析处理模块完成如下四个步骤：步骤一、确定特征属性与类别集合：设X(x1，x2，
……
，x
m
)为一个待分类处理项，而每个x
i
为X的一个特征属性向量，类别集合Y=(y1，y2，
……
，y
n
)，每个y
k
为一个分类项，该集合是预先已得到的；步骤二、获取训练集：收集并准备训练数据，对连续型变量要进行离散化或分布处理；步骤三、分类模型训练：输入特征属性和训练样本，计算P(y
k
)，P(x
i
|y
k
)，即计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，生成分类器。
[0007]步骤四、验证与应用：使用分类器对待分类项进行分类，对于待分类项X，如果存在P(y
k
|X)=max(P(y
k
)ΠP(x
i
|y
k
)，则X∈y
k
。
[0008]优选的，在步骤一种，进行属性定义，设定了12项体质特征：性别、年龄、年级、籍贯、身高、体质量、身体质量指数(BMI)、肺活量、速度素质、爆发力素质、柔韧性素质、耐力素质、力量素质；设定分类集合为：优秀、良好、及格、不及格。
[0009]优选的，进一步将体质特征中性别的“男/女”分别转换为数值1/2，将体质指数的“优秀/良好/及格/不及格”分别转换为数值1/2/3/4，将身高、体质量两个数据项换算合并为BMI一个数据项；除了年龄、年级和籍贯属性是不需进一步处理，其他属性需要进行离散
化处理。
[0010]优选的，对学生的真实体测数据作为源数据，形成有体质分类结果的完整数据集。
[0011]优选的，设置第一分类器，特征：性别，身高，体质量，肺活量；其中，性别[x1]有两个取值[男，女]；年级[x2]有两个取值[高二，高三]；用身高、体质量换算成BMI[x3]，分成4个取值区间[≤17.1，17.2~23.9，24.0~27.9，≥28.0]；肺活量[x4]，按以下值[3400，3350，3300，3150，3000，2900，2800，2700，2600，2500，2400，2300，2200，2100，2000，1960，1920，1880，1840，1800]分成20个取值区间；分类：体质级别(优秀y1，良好y2，及格y3，不及格y4)。
[0012]优选的，设置第二分类器，特征：性别，年级，身高，体质量，肺活量，速度，爆发力，体质等级；分类：耐力级别。
[0013]优选的，包括数据录入模块，数据分析处理模块，数据分析处理模块完成如上所述的青少体育运动与健康管理方法，还包括人体运动参数采集模块，人体运动参数采集模块包括温度传感器、加速度传感器、脉搏传感器、以及无线传感器，温度传感器、加速度传感器、脉搏传感器分别连接在无线传感器上通过无线传感器进行数据发送，无线传感器通过ZigBee协调器连接后台服务器，后台服务器收集运动数据进行数据处理和分析。
[0014]优选的，人体运动参数采集模块具有多个形成数据采集节点，多个数据采集节点配合一个ZigBee协调器构成数据网络，ZigBee协调器为网络中的每个数据采集节点分配网络地址，允许各个数据采集节点的加入和离开。
[0015]相比于
技术介绍
，本专利技术技术效果主要体现在以下方面：1、能够对学生体质数据进行有效分类，对体质存在隐患的学生给出报警或提示，从而能够提前对学生体质可能的发展情况进行预先判断，而后学生获得警示之后，就可以进行有效锻炼和自我干预，并由此进行数据反馈后进行监督，以提高学生体质发展，辅助提高学生的体能水平；2、可靠的判断结果，能够提高学生对体质的认知和自我警示。
附图说明
[0016]图1为实施例中系统结构示意图；图2为实施例中数据采集节点分布结构图。
[0017]附图标记：1、数据录入模块；2、数据分析处理模块；3、人体运动参数采集模块；31、温度传感器；32、加速度传感器；33、脉搏传感器；34、无线传感器；4、ZigBee协调器；5、后台服务器；6、数据采集节点。
具体实施方式
[0018]以下结合附图，对本专利技术的具体实施方式作进一步详述，以使本专利技术技术方案更易于理解和掌握。
[0019]实施例：一种青少体育运动与健康管理方法，包括数据录入模块1，数据分析处理模块2，数据分析处理模块2完成如下四个步骤：
步骤一、确定特征属性与类别集合：设X(x1，x2，
……
，x
m
)为一个待分类处理项，而每个x
i
为X的一个特征属性向量，类别集合Y=(y1，y2，
……
，y
n
)，每个y
k
为一个分类项，该集合是预先已得到的；步骤二、获取训练集：收集并准备训练数据，对连续型变量要进行离散化或分布处理；步骤三、分类模型训练：输入特征属性和训练样本，计算P(y
k
)，P(x
i
|y
k
)，即计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，生成分类器。
[0020]步骤四、验证与应用：使用分类器对待分类项进行分类，对于待分类项X，如果存在P(y
k
|X)=max(P(y
k
)ΠP(x
i
|y
k
)，则X∈y
k
。即计算每个类别在训练样本中的出现频率及每个特征属性划分对每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种青少体育运动与健康管理方法，包括数据录入模块（1），数据分析处理模块（2），其特征是：数据分析处理模块（2）完成如下四个步骤：步骤一、确定特征属性与类别集合：设X(x1，x2，
……
，x
m
)为一个待分类处理项，而每个x
i
为X的一个特征属性向量，类别集合Y=(y1，y2，
……
，y
n
)，每个y
k
为一个分类项，该集合是预先已得到的；步骤二、获取训练集：收集并准备训练数据，对连续型变量要进行离散化或分布处理；步骤三、分类模型训练：输入特征属性和训练样本，计算P(y
k
)，P(x
i
|y
k
)，即计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，生成分类器；步骤四、验证与应用：使用分类器对待分类项进行分类，对于待分类项X，如果存在P(y
k
|X)=max(P(y
k
)ΠP(x
i
|y
k
)，则X∈y
k
。2.根据权利要求1所述的青少体育运动与健康管理方法，其特征是：在步骤一种，进行属性定义，设定了12项体质特征：性别、年龄、年级、籍贯、身高、体质量、身体质量指数(BMI)、肺活量、速度素质、爆发力素质、柔韧性素质、耐力素质、力量素质；设定分类集合为：优秀、良好、及格、不及格。3.根据权利要求2所述的青少体育运动与健康管理方法，其特征是：进一步将体质特征中性别的“男/女”分别转换为数值1/2，将体质指数的“优秀/良好/及格/不及格”分别转换为数值1/2/3/4，将身高、体质量两个数据项换算合并为BMI一个数据项；除了年龄、年级和籍贯属性是不需进一步处理，其他属性需要进行离散化处理。4.根据权利要求1所述的青少体育运动与健康管理方法，其特征是：对学生的...

【专利技术属性】
技术研发人员：孙珏瑾，
申请(专利权)人：浙江运动家体育发展有限公司，
类型：发明
国别省市：