一种运动员赛前综合状态评估方法及系统技术方案

本发明专利技术公开了一种运动员赛前综合状态评估方法及系统，所述方法包括：采集运动员赛前的多模态数据；构建隐式分布预演化模型，用于进行运动员赛前综合状态推演；以时间轴上靠前的多模态数据为输入、以时间轴上靠后的多模态数据为监督信号，训练所述隐式分布预演化模型；获取运动员赛前的实时多模态数据输入隐式分布预演化模型，抽取出其中高斯分布；将高斯分布抽样结果与时间向量、隐状态向量特征融合后输入训练完成的解码器进行求解，得到运动员赛前综合状态评估结果。本发明专利技术通过构建隐式分布预演化模型，利用运动员综合状态分布进行运动员赛前综合状态推演，能够更加准确地对输入数据的未来时间内的演化结果进行表征，避免心理评测的滞后性。理评测的滞后性。理评测的滞后性。

【技术实现步骤摘要】
一种运动员赛前综合状态评估方法及系统


[0001]本专利技术属于大数据分析
，具体涉及一种运动员赛前综合状态评估方法及系统。

技术介绍

[0002]运动员心理评测一直是一项竞赛前期评估的重要手段。运动员在赛前通常面临较大的心理和生理压力。准确的心理评测结果能够为赛前决策提供更合适的参考依据。近几年，由于物联网技术的发展，各种移动健康设备能够监测的生理指标也越来越多，这也为运动员的新型心理评测过程带来了硬件支撑。通过设置问答测试与生理监测，海量的多源异构传感数据构成被采集，构成了典型的运动员大数据。
[0003]然而运动员心理评测产生的大数据模型与常规意义上的大数据驱动型模型有显著区别。常规的大数据模型系统具有确定性。在典型的机器学习范式中，训练数据用以训练出一个确定性的模型，当训练完成后，模型内的参数被固定下来，对每一个输入，都会给出一一对应的输出。这种范式非常适合工业场景中具有确定性工程结果的大数据应用。
[0004]现有技术中也有少量通过这种确定性的模型进行运动员心理压力评估的技术方案，比如公开号为CN114343637A的专利技术专利公开了一种基于卷积和循环神经网络运动员心理压力评估方法及系统，可以基于神经网络进行运动员心理压力评估，但是其实通过采集运动员在不同心理压力等级的场景下的心电信号来建立数据集并训练神经网络模型，只能根据确定的心电信号预测对应的压力等级。然而，在赛前心理评测领域，运动员未来的赛事表现相对于当前的心理评测具有不确定性，这种神经网络模型并未要充分考虑这种随机性质。另外，对运动员心理评测的主要目的是对未来赛事表现进行预估，而当前的评测数据相对于未来的竞赛表现具有时滞性，现有技术中建立的模型往往不能够应对这种时间滞性后带来的影响。
[0005]综上所述，运动员赛前心理评测是通过标准问答形式评估运动员赛前状态的一项科学手段，而现有的心理测评形式并不能有效反应出这种状态，其主要原因有如下三点：
[0006]1、运动员的答题行为是主观的，多种因素可能导致回答的失真。例如刻意隐瞒会对自己参赛资格造成不利影响的回答，审题理解错误或者对多个选项把握不准等。
[0007]2、赛前心理评测的时间滞后于参赛时间，因此这段时间内的心理状态积累或演化通常不会被考虑到。
[0008]3、以往基于深度学习的数据预测模型是端对端的，除了输入数据，没有其他接口可以注入先验信息，而运动员赛前心理评测是需要运动员和教练员共同参与决策和微调的过程，它需要一个可以根据具体任务注入先验知识的超参数接口。

技术实现思路

[0009]有鉴于此，本专利技术提出了一种运动员赛前综合状态评估方法及系统，用于解决现有的心理评测模型具有时滞性的问题。
[0010]本专利技术第一方面，公开一种运动员赛前综合状态评估方法，所述方法包括：
[0011]采集运动员赛前的答题数据、答题过程中的行为监测数据和生理监测数据并形成带时间轴的多模态数据；
[0012]构建隐式分布预演化模型，用于进行运动员赛前综合状态推演；
[0013]以时间轴上靠前的多模态数据为输入、以时间轴上靠后的多模态数据为监督信号，训练所述隐式分布预演化模型；
[0014]所述隐式分布预演化模型的推演过程为：
[0015]将输入的多模态数据转换成正向嵌入向量并扩增时间向量共同组成输入数据，通过编码器将输入数据编码到隐空间中，并通过语义融合得到输入数据的隐状态向量；
[0016]通过隐状态分量转移矩阵在隐空间中对隐状态向量进行m步隐状态分量转移，得到m步隐状态转移向量；
[0017]将m步隐状态转移向量经过神经网络映射，得到隐空间中的高斯分布，对高斯分布进行抽样，得到m步转移的抽样结果；
[0018]融合时间向量、输入数据的隐状态向量和m步转移的抽样结果并输入解码器解码，得到多模态数据的反向嵌入层；
[0019]构建损失函数，通过优化编码器中的参数和解码器参数来优化损失函数；
[0020]重复以上推演过程，完成隐式分布预演化模型训练；
[0021]获取运动员赛前的实时多模态数据输入隐式分布预演化模型，抽取出其中高斯分布作为运动员心理状态度量的概率分布；
[0022]将高斯分布抽样结果与时间向量、实时多模态数据的隐状态向量特征融合后输入训练完成的解码器进行求解，得到运动员赛前综合状态评估结果。
[0023]在以上技术方案的基础上，优选的，所述输入数据的表达式为：D＝(T
,
X)
[0024]其中，D∈R
n+2
表示输入数据，T∈R2表示扩增的时间向量，T的两个分量分别是当前反馈的开始时间和结束时间；X＝(x1,x2,...,x
n
)∈R
n
表示正向嵌入向量，其每个分量对应多模态数据中的每个题目、答题过程中被监测的每个行为或每个生理指标；
[0025]通过语义融合得到输入数据的隐状态向量的表达式为：
[0026][0027]其中，S表示构建在隐空间中的隐状态向量，
⊕
表示拼接运算；
[0028]ENN
h
(D)为多层神经网络编码器，其第h层的映射函数为：
[0029]ENN
h
(D)＝σ(w
h
·
ENN
h
‑1(D)+b
h
‑1)
[0030]其中，ENN1(D)＝σ(w1·
D+b1)，ENN1表示编码器的第一层的映射函数，ENN
h
‑1(D)表示编码器的第h
‑
1层的映射函数，σ表示一个非线性激活函数，w1、w
h
分别表示第一层、第h层的参数矩阵，b1、b
h
‑1分别表示第一层、第h
‑
1层的线性变换中的偏置参数。
[0031]在以上技术方案的基础上，优选的，所述通过隐状态分量转移矩阵在隐空间中对隐状态向量进行m步隐状态分量转移，得到m步隐状态转移向量具体为：
[0032]根据切普曼
‑
科尔莫戈诺夫方程，进行m步隐状态分量转移的表达式为：
[0033][0034]其中，S(t)表示t时刻下的隐状态向量，S(t+m)表示t+m时刻下的隐状态向量；C表示一个隐状态分量转移矩阵，其第i行第j列元素c
ij
表示1个时间单位后，隐状态向量第i分量的一部分转移到第j分量的概率；C
m
为C矩阵的m次幂，表示m个时间单位后的隐状态分量转移矩阵；
[0035]将1个时间单位后的隐状态分量转移作为一步预演化，隐状态分量的一步预演化的表达式为：
[0036][0037]则隐状态分量的m步预演化的表达式为：
[0038][0039]其中，S(t)[
i
]表示t时刻下隐状态向量的第i分量，S(t)[j]表示t时刻下隐状态向量的第j分量，S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动员赛前综合状态评估方法，其特征在于，所述方法包括：采集运动员赛前的答题数据、答题过程中的行为监测数据和生理监测数据并形成带时间轴的多模态数据；构建隐式分布预演化模型，用于进行运动员赛前综合状态推演；以时间轴上靠前的多模态数据为输入、以时间轴上靠后的多模态数据为监督信号，训练所述隐式分布预演化模型；所述隐式分布预演化模型的推演过程为：将输入的多模态数据转换成正向嵌入向量并扩增时间向量共同组成输入数据，通过编码器将输入数据编码到隐空间中，并通过语义融合得到输入数据的隐状态向量；通过隐状态分量转移矩阵在隐空间中对隐状态向量进行m步隐状态分量转移，得到m步隐状态转移向量；将m步隐状态转移向量经过神经网络映射，得到隐空间中的高斯分布，对高斯分布进行抽样，得到m步转移的抽样结果；融合时间向量、输入数据的隐状态向量和m步转移的抽样结果并输入解码器解码，得到多模态数据的反向嵌入层；构建损失函数，通过优化编码器中的参数和解码器参数来优化损失函数；重复以上推演过程，完成隐式分布预演化模型训练；获取运动员赛前的实时多模态数据输入隐式分布预演化模型，抽取出其中高斯分布作为运动员心理状态度量的概率分布；将高斯分布抽样结果与时间向量、实时多模态数据的隐状态向量特征融合后输入训练完成的解码器进行求解，得到运动员赛前综合状态评估结果。2.根据权利要求1所述的运动员赛前综合状态评估方法，其特征在于，所述输入数据的表达式为：D＝(T
,
X)其中，D∈R
n+2
表示输入数据，T∈R2表示扩增的时间向量，T的两个分量分别是当前反馈的开始时间和结束时间；X＝(x1,x2,...,x
n
)∈R
n
表示正向嵌入向量，其每个分量对应多模态数据中的每个题目、答题过程中被监测的每个行为或每个生理指标；通过语义融合得到输入数据的隐状态向量的表达式为：其中，S表示构建在隐空间中的隐状态向量，
⊕
表示拼接运算；ENN
h
(D)为多层神经网络编码器，其第h层的映射函数为：ENN
h
(D)＝σ(w
h
ENN
h
‑1(D)+b
h
‑1)其中，ENN1(D)＝σ(w1·
D+b1)，ENN1表示编码器的第一层的映射函数，ENN
h
‑1(D)表示编码器的第h
‑
1层的映射函数，σ表示一个非线性激活函数，w1、w
h
分别表示第一层、第h层的参数矩阵，b1、b
h
‑1分别表示第一层、第h
‑
1层的线性变换中的偏置参数。3.根据权利要求2所述的运动员赛前综合状态评估方法，其特征在于，所述通过隐状态分量转移矩阵在隐空间中对隐状态向量进行m步隐状态分量转移，得到m步隐状态转移向量具体为：根据切普曼
‑
科尔莫戈诺夫方程，进行m步隐状态分量转移的表达式为：
其中，S(t)表示t时刻下的隐状态向量，S(t+m)表示t+m时刻下的隐状态向量；C表示一个隐状态分量转移矩阵，其第i行第j列元素c
ij
表示1个时间单位后，隐状态向量第i分量的一部分转移到第j分量的概率；C
m
为C矩阵的m次幂，表示m个时间单位后的隐状态分量转移矩阵；将1个时间单位后的隐状态分量转移作为一步预演化，隐状态分量的一步预演化的表达式为：则隐状态分量的m步预演化的表达式为：其中，S(t)[i]...

【专利技术属性】
技术研发人员：孟强，
申请(专利权)人：郑州大学体育学院，
类型：发明
国别省市：