【技术实现步骤摘要】
一种基于运动手环的山地越野跑运动状态异常检测方法
[0001]本专利技术属于运动状态分析领域，具体涉及一种基于运动手环的山地越野跑运动状态异常检测方法。
技术介绍
[0002]随着运动手环等硬件设备功能的不断发展和普及，目前硬件设备可获取的实时运动状态信息十分丰富，包括运动距离、海拔、血氧饱和度、心率等。运动员在户外运动，如山地越野跑运动的过程中，运动状态可能因为突发疾病、极端天气或迷路等不定因素而发生异常，会导致运动员实时行进距离、海拔、血氧饱和度、心率等发生突变，使得运动员的运动状态与一般运动状态相比有异常。各类运动状态数据在记录运动员规律运动状态的同时，也隐含了运动员的异常运动状态信息，记录了影响运动员正常运动状态的全过程。从轨迹偏移距离、海拔变化、血氧饱和度变化、心率变化四个维度对运动员的运动状态进行异常分析，可以有效防止这些风险发生。
[0003]传统的运动状态异常检测方法主要基于规则或多变量统计模型，但是这些方法往往需要大量的领域专家知识和人工标注数据，且准确率和鲁棒性较低。仅用传统方法难以处理复杂多维的运动状态数据，基于此，一种基于运动手环的山地越野跑运动状态检测方法被提出。随着近年来深度学习技术的发展，特别是生成对抗网络的出现，为运动轨迹异常检测提供了新的思路和方法。由于状态数据具有多维度、多变化、多场景的特性，目前没有统一适合所有模型的理论与技术出现，因实际应用背景不同只能采用不同的状态数据分析方法，导致现有的状态异常分析不精确。本方法通过引入多维度的模型数据，可以实现网络架构的多模态输入，
【技术保护点】
【技术特征摘要】
1.一种山地越野跑运动状态异常检测方法，包括如下步骤：S1.通过运动手环硬件设备获取历史运动轨迹、海拔、血氧饱和度、心率变化；通过历史运动轨迹建立运动轨迹模型、海拔高度变化模型、血氧饱和度变化模型、心率变化模型；通过定位设备获取当前运动轨迹、海拔高度、血氧饱和度、心率；S2.对运动员地理位置的变化进行特征提取，包括运动员行进距离特征和海拔高度特征；S2.1.采用行进距离对当前运动进行行进距离和海拔变化的特征提取，并获取距离异常。行进距离特征的提取方法为：对历史运动轨迹进行切片，设置滑动窗口大小和滑动窗口步长，并根据运动员求救数据对每一个轨迹切片加上对应的异常标签，然后将得到的轨迹切片和对应的异常标签作为行进距离特征，用于后续训练运动轨迹模型；行进距离的具体异常检测方法为：采用轨迹偏离距离对当前运动轨迹进行异常检测，包括对当前运动轨迹与赛道之间的距离进行检测，若超出距离阈值，则作为距离异常；S2.2.采用海拔变化偏离值对当前海拔高度进行异常检测的特征提取，并获取海拔异常。海拔高度特征的提取方法为：对历史海拔数据变化进行切片，设置滑动窗口大小和滑动窗口步长，并根据运动员求救数据对每一段数据切片加上对应的异常标签，然后将得到的数据切片和对应的异常标签作为海拔高度特征，用于后续训练海拔变化模型；海拔变化的具体异常检测方法为：采用海拔变化偏离值对当前海拔进行异常检测，包括对当前海拔与历史海拔数据之间的偏离进行检测，若超出偏离阈值，则作为海拔高度异常；S3.对运动员的身体健康指标进行特征提取，包括运动员血氧饱和度特征和心率特征；S3.1.采用血氧饱和度偏离值对当前血氧饱和度进行异常检测的特征提取，并获取血氧饱和度异常。血氧饱和度特征的提取方法为：对历史血氧饱和度变化进行切片，设置滑动窗口大小和滑动窗口步长，并根据运动员求救数据对每一段数据切片加上对应的异常标签，然后将到的数据切片和对应的异常标签作为血氧饱和度特征，用于后续训练血氧饱和度变化模型；血氧饱和度的具体异常检测方法为：采用血氧饱和度偏离值对当前海拔进行异常检测，包括对当前血氧饱和度与历史血氧饱和度数据之间的偏离进行检测，若超出偏离阈值，则作为血氧饱和度异常；采用心率偏离值对当前心率进行异常检测，包括对当前心率与历史心率数据之间的偏离进行检测，若超出偏离阈值，则作为心率异常；S3.2采用心率偏离值对当前海拔高度进行异常检测的特征提取，并获取心率异常；心率特征的提取方法为：对历史心率变化进行切片，设置滑动窗口大小和滑动窗口步长，并根据运动员求救数据对每一段数据切片加上对应的异常标签，然后将得到的数据切片和对应的异常标签作为心率特征，用于后续训练心率变化模型；心率的具体异常检测方法为：采用血氧饱和度偏离值对当前海拔进行异常检测，包括对当前血氧饱和度与历史血氧饱和度数据之间的偏离进行检测，若超出偏离阈值，则作为血氧饱和度异常；采用心率偏离值对当前心率进行异常检测，包括对当前心率与历史心率数据之间的偏离进行检测，若超出偏离阈值，则作为心率异常；S4.根据步骤S2、步骤S3提取到的特征构建模型；学习运动状态模型后，运动手环设备可对异常状况做出反应，当输出的预测结果显示运动状态异常时，设备将根据异常类型提示救援人员。2.根据权利要求1所述的所述的山地越野跑运动状态异常检测方法，其特征在于，所述
的步骤S4所述的运动状态模型包括：A1.分别按照步骤S2、S3、S4、S5生成运动员的行进距离变化序列、海拔变化序列、血氧饱和度序列、心率序列；对运动员的行进距离序列、海拔变化序列、血氧饱和度序列和心率序列进行插值，并进行归一化；并将处理后的数据存储到数据库；A2.将步骤A1获取的归一化后的行进距离序列、归一化后的海拔变化序列、归一化后的血氧饱和度变化序列和归一化后的心率变化序列分别输入到3个卷积层进行特征提取，并输出时序数据；A3.采用LSTM层处理步骤A2输出的时序数据；A4.将LSTM1、LSTM2、LSTM3和LSTM4的输出值进行合并；A5.将合并后得到的值作为输入值输入到全连接层，通过线性加权求和，得到全连接层的输出值；A6.采用步骤A1
‑
A5求得的运动状态模型获取异常分数，并将异常分数与异常阈值对比，若异常分数大于异常阈值，则输出为深度学习模型检测出的异常，否则，输出结果为正常。3.根据权利要求2所述的山地越野跑运动状态异常检测方法，其特征在于，步骤A1包括求解运动员从t时刻到t+1时刻的行进距离e
t
：其中，e
t
表示总距离，n表示采集的数据点数，x
i
和y
i
分别表示第i个点的经度和纬度，z
i
表示第i个点的海拔高度；该公式的计算原理是利用三维空间中的勾股定理，将每个数据点视为一个三维坐标系中的点，然后计算相邻两点之间的欧几里得距离，再将所有距离相加即可得到总距离；由于考虑了海拔高度的变化，因此该公式可以更准确地计算山地越野跑的行进距离；求解运动员t时刻到t+1时刻的海拔变化Δh：Δh
t+1
＝h
t+1
‑
h
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)运动员血氧饱和度和心率直接将绝对真值计入序列中，用血氧饱和度数值和心率数值作为运动状态异常的评判标准。4.根据权利要求3所述的山地越野跑运动状态异常检测方法，山地越野跑运动状态异常数据提取与处理，其特征在于对运动员轨迹坐标序列H、运动员海拔变化序列E、运动员血氧饱和度序列B、运动员心率序列T进行线性插值，包括：H
*
(x)＝H(x
k
)+(x
k+1
‑
x
k
)H[x
k
，x
k+1
]
ꢀꢀꢀ
(3
‑
1)E
*
(b)＝E(b
k
)+(b
k+1
‑
b
k
)E[b
k
，b
k+1
]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3
‑
2)B
*
(y)＝B(y
k
)+(y
k+1
‑
y
k
)B[y
k
，y
k+1
]
ꢀꢀꢀꢀꢀ
(3
‑
3)T
*
(z)＝T(z
k
)+(z
k+1
‑
z
k
)T[z
k
，z
k+1
]
ꢀꢀꢀꢀꢀꢀꢀ
(3
‑
4)其中，公式(3
‑
1)中x
k
表示前一时刻轨迹坐标，x
k+1
表示后一时刻轨迹坐标，H(x)表示轨迹坐标序列原拟合函数，H
*
(x)表示轨迹坐标序列插值函数；公式(3
‑
2)中b
k
表示前一时刻海拔变化，b
k+1
表示后一时刻海拔变化，E(x)表示海拔变化序列原拟合函数，E
*
(x)表示海拔变化序列插值函数；公式(3
‑
3)中y
k
表示前一时刻血氧饱和度数值，y
k+1
表示后一时刻血氧饱和度数值，B(x)表示血氧饱和度序列原拟合函数，B
*
(x)表示血氧饱和度序列插值函数；公式(3
‑
4)中z
k
表示前一时刻心率数值，z
k+1
表示后一时刻心率数值，T(x)表示心率序列原拟
合函数，T
*
(x)表示心率序列插值函数；由上述线性插值过程可得到插值后的运动员轨迹坐标序列H*、运动员海拔变化序列E*、运动员血氧饱和度序列B*、运动员心率序列T*。5.根据权利要求4中所述的山地越野跑运动状态异常数据处理，其特征在于采用min
‑
max标准化方法，包含对插值后的运动员轨迹坐标序列H*、运动员海拔变化序列E*、运动员血氧饱和度序列B*、运动员心率序列T*分别进行归一化：血氧饱和度序列B*、运动员心率序列T*分别进行归一化：血氧饱和度序列B*、运动员心率序列T*分别进行归一化：血氧饱和度序列B*、运动员心率序列T*分别进行归一化：最终得到归一化后的序列：归一化后运动员轨迹坐标序列H**、归一化后运动员海拔变化序列E**、归一化后运动员血氧饱和度序列B**、归一化后运动员心率序列T**。6.根据权利要求2所述的山地越野跑运...
【专利技术属性】
技术研发人员：李浩源，李一帆，周鸿超，陈朋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。