【技术实现步骤摘要】
本专利技术涉及运动参数监测，更具体地说，它涉及基于mlp的个体最大摄氧量评估方法及系统。
技术介绍
1、有氧能力作为评定人体摄取氧、运输氧和利用氧的综合能力，与心肺功能密切相关，有氧能力越强，通常表明心肺功能越好，有氧能力的重要评定指标是最大摄氧量(maximal oxygen uptake，vo2max)，vo2max在制定运动计划和评定有氧运动能力和机能状态方面具有重要意义，通过对vo2max的评估，不仅可以指导运动训练，还可以评估心血管等疾病和运动风险，从而增强运动能力，提高生活质量。因此vo2max对运动科学和临床医学等领域都具有重要意义。
2、评定vo2max的方法通常分为直接和间接测试法，直接测试法需要在实验室利用实验设备进行力竭实验测得，测量结果准确，但是由于这种方法耗时耗力，对设备和专业人员依赖性较大，且具有潜在的危险性，所以并不适合所有人群。间接测量法是指受试者在20m往返跑法、跑台、台阶试验等亚极量负荷后，可以通过相应公式或查表来推算最大摄氧量，但许多研究者认为这些测试方法各有优缺点，这些方法虽然牺牲了小部分精度，但测试方便，适合大样本量测试。
3、随着机器学习技术的不断进步，研究者们广泛探索了借助神经网络来预测个体最大摄氧量(vo2max)的方法。其中，诸如bp(backpropagation)，mlp(multilayerperceptron)，svm(support vector machine)等模型已经在这一领域取得了一定的成果。
4、目前，基于机器学习方法的最大
5、有鉴于此，本专利技术提供基于mlp的个体最大摄氧量评估方法及系统，解决上述问题。
技术实现思路
1、本申请的目的是提供基于mlp的个体最大摄氧量评估方法及系统，解决现有的最大摄氧量预测方法没有考虑个体差异的问题；通过bmi划分结合mlp模型实现适应不同个体的最大摄氧量预测。
2、本申请首先提供基于mlp的个体最大摄氧量评估方法，包括：获取个体的静态数据和20米折返跑的运动数据；根据静态数据对个体进行bmi层次划分，并对静态数据和运动数据进行预处理；将所述预处理后的静态数据和运动数据输入到与bmi层次对应的mlp模型，得到最大摄氧量的预测结果；其中，所述mlp模型包括输入层、隐藏层和输出层，所述输入层用于接收预处理后的静态数据和运动数据，所述隐藏层用于学习数据的复杂模式和特征，所述输出层用于输出个体最大摄氧量的预测结果。
3、采用上述技术方案，首先根据个体的静态数据进行bmi层次划分，将个体划分到不同的bmi层次，其次将个体的静态数据和动态数据预处理后，输入与bmi层次对应的mlp模型进行预测，保证对不同层次bmi人群的精准学习，实现对各层次bmi个体最大摄氧量的精准预测。
4、在一种可能的实施方式中，所述静态数据包括：年龄、性别、身高和体重，所述运动数据包括：完成20米折返跑的次数、阶段和最大速度。
5、在一种可能的实施方式中，根据静态数据对个体进行bmi层次划分，划分函数如下：
6、
7、其中，n为个体样本，weight为个体样本的体重值，height为个体样本的身高值，s1为bmi偏瘦层次，s2为bmi正常层次，s3为bmi超重层次。
8、在一种可能的实施方式中，对静态数据和运动数据进行预处理，包括：将静态数据和运动数据通过转化函数映射到[0.1,0.9]区间，所述转化函数如下：
9、
10、其中，max为样本数据的最大值，min为样本数据的最小值，x为原始的样本数据，x*为归一化后的样本数据。
11、在一种可能的实施方式中，方法还包括：收集数据对各个mlp模型进行训练，并根据验证集的表现调整和优化各个mlp模型，直至各个mlp模型达到预设的准确率和泛化能力。
12、本申请还提供基于mlp的个体最大摄氧量评估系统，包括：数据采集模块，用于获取个体的静态数据和20米折返跑的运动数据；bmi划分及预处理模块，用于根据静态数据对个体进行bmi层次划分，并对静态数据和运动数据进行预处理；多层感知器模块，用于将所述预处理后的静态数据和运动数据输入到与bmi层次对应的mlp模型，得到最大摄氧量的预测结果，其中多层感知器模块包括多个不同bmi层次的mlp模型，所述mlp模型包括输入层、隐藏层和输出层，所述输入层用于接收预处理后的静态数据和运动数据，所述隐藏层用于学习数据的复杂模式和特征，所述输出层用于输出个体最大摄氧量的预测结果。
13、在一种可能的实施方式中，所述数据采集模块中，静态数据包括：年龄、性别、身高和体重，20米折返跑的运动数据包括：完成20米折返跑的次数、阶段和最大速度。
14、在一种可能的实施方式中，所述bmi划分及预处理模块包括：bmi划分模块，用于通过如下的划分函数对个体进行bmi层次划分：
15、
16、其中，n为个体样本，weight为个体样本的体重值，height为个体样本的身高值，s1为bmi偏瘦层次，s2为bmi正常层次，s3为bmi超重层次。
17、在一种可能的实施方式中，所述bmi划分及预处理模块包括：预处理模块，用于将静态数据和运动数据通过转化函数映射到[0.1,0.9]区间，所述转化函数如下：
18、
19、其中，max为样本数据的最大值，min为样本数据的最小值，x为原始的样本数据，x*为归一化后的样本数据。
20、在一种可能的实施方式中，系统还包括训练模块，用于收集数据对各个mlp模型进行训练，并根据验证集的表现调整和优化各个mlp模型，直至各个mlp模型达到预设的准确率和泛化能力。
21、与现有技术相比，本申请具有以下有益效果：结合bmi层次划分和对应的mlp模型，实现适用于不同个体的最大摄氧量预测，模型准确度较高，具有通用性和泛化能力；将个体的静态数据和动态数据输入mlp模型即可进行预测，解决了传统最大摄氧量测量方法时间和费用消耗大、专业人员要求高等问题。
本文档来自技高网...【技术保护点】
1.基于MLP的个体最大摄氧量评估方法，其特征在于，包括：
2.根据权利要求1所述的基于MLP的个体最大摄氧量评估方法，其特征在于，所述静态数据包括：年龄、性别、身高和体重，所述运动数据包括：完成20米折返跑的次数、阶段和最大速度。
3.根据权利要求2所述的基于MLP的个体最大摄氧量评估方法，其特征在于，根据静态数据对个体进行BMI层次划分，划分函数如下：
4.根据权利要求3所述的基于MLP的个体最大摄氧量评估方法，其特征在于，对静态数据和运动数据进行预处理，包括：将静态数据和运动数据通过转化函数映射到[0.1,0.9]区间，所述转化函数如下：
5.根据权利要求1所述的基于MLP的个体最大摄氧量评估方法，其特征在于，方法还包括：收集数据对各个MLP模型进行训练，并根据验证集的表现调整和优化各个MLP模型，直至各个MLP模型达到预设的准确率和泛化能力。
6.基于MLP的个体最大摄氧量评估系统，其特征在于，包括：
7.根据权利要求6所述的基于MLP的个体最大摄氧量评估系统，其特征在于，所述数据采集模块中，静态数据
8.根据权利要求7所述的基于MLP的个体最大摄氧量评估系统，其特征在于，所述BMI划分及预处理模块包括：BMI划分模块，用于通过如下的划分函数对个体进行BMI层次划分：
9.根据权利要求8所述的基于MLP的个体最大摄氧量评估系统，其特征在于，所述BMI划分及预处理模块包括：预处理模块，用于将静态数据和运动数据通过转化函数映射到[0.1,0.9]区间，所述转化函数如下：
10.根据权利要求6所述的基于MLP的个体最大摄氧量评估系统，其特征在于，系统还包括训练模块，用于收集数据对各个MLP模型进行训练，并根据验证集的表现调整和优化各个MLP模型，直至各个MLP模型达到预设的准确率和泛化能力。
...【技术特征摘要】
1.基于mlp的个体最大摄氧量评估方法，其特征在于，包括：
2.根据权利要求1所述的基于mlp的个体最大摄氧量评估方法，其特征在于，所述静态数据包括：年龄、性别、身高和体重，所述运动数据包括：完成20米折返跑的次数、阶段和最大速度。
3.根据权利要求2所述的基于mlp的个体最大摄氧量评估方法，其特征在于，根据静态数据对个体进行bmi层次划分，划分函数如下：
4.根据权利要求3所述的基于mlp的个体最大摄氧量评估方法，其特征在于，对静态数据和运动数据进行预处理，包括：将静态数据和运动数据通过转化函数映射到[0.1,0.9]区间，所述转化函数如下：
5.根据权利要求1所述的基于mlp的个体最大摄氧量评估方法，其特征在于，方法还包括：收集数据对各个mlp模型进行训练，并根据验证集的表现调整和优化各个mlp模型，直至各个mlp模型达到预设的准确率和泛化能力。
6.基于mlp的个体最大摄氧量评估系统，...
【专利技术属性】
技术研发人员：庞磊，王震，邱家刚，孙刚，李慧，
申请(专利权)人：首都体育学院，
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。