馮文奎

摘 要：針對傳統(tǒng)體能訓練負荷數(shù)據(jù)實時監(jiān)測方法存在檢測精度低的問題，本文提出基于圖卷積網(wǎng)絡的體能訓練負荷數(shù)據(jù)實時監(jiān)測方法。構建體能訓練負荷數(shù)據(jù)的約束變量和解釋變量聯(lián)合特征分布結構模型，采用心肺功能參數(shù)在線監(jiān)測的方法，建立體能訓練負荷數(shù)據(jù)交互的最大攝氧量系列參數(shù)融合跟蹤檢測模型，采用不同群體身體機能分析方法，對肺功能約束參數(shù)進行控制并實施自相關約束檢測，建立體能訓練負荷數(shù)據(jù)的圖卷積網(wǎng)絡結構模型，通過線性回歸分析實現(xiàn)對體能訓練負荷數(shù)據(jù)的有氧代謝特征分析，分析體能訓練負荷數(shù)據(jù)的體內的糖分融合性，采用心血管功能以及肺通氣功能交換的方法實現(xiàn)體能訓練負荷數(shù)據(jù)的動態(tài)特征檢測，根據(jù)負荷試驗和代謝分析結果，實現(xiàn)對體能訓練負荷數(shù)據(jù)的實時監(jiān)測。采用SPSS統(tǒng)計分析軟件實現(xiàn)對體能訓練負荷數(shù)據(jù)實時監(jiān)測的仿真實驗。仿真結果表明，采用該方法進行體能訓練負荷數(shù)據(jù)實時監(jiān)測的準確性較高，動態(tài)交互能力較強，提高了體能訓練負荷數(shù)據(jù)的檢測和動態(tài)分析能力。

關鍵詞：圖卷積網(wǎng)絡;體能訓練;負荷數(shù)據(jù);實時監(jiān)測

中圖分類號：TP391;G807.4 ?文獻標識碼：A ?文章編號：1673-260X（2021）12-0023-04

隨著體育教育關注度不斷提高，體能訓練和教育的科學性受到人們的日益關注，構建體能訓練負荷數(shù)據(jù)實時監(jiān)測，結合對體能訓練負荷數(shù)據(jù)的量化分析結果，分析制約體育訓練效果的相關性特征量，建立如何人體個體差異性特征的體能訓練負荷數(shù)據(jù)實時監(jiān)測模型，提高體能訓練的針對性和實時分析能力，相關的體能訓練負荷數(shù)據(jù)實時監(jiān)測方法研究受到人們的極大關注[1]。

對體能訓練負荷數(shù)據(jù)實時監(jiān)測是建立在對體能訓練負荷數(shù)據(jù)的動態(tài)分析和傳感監(jiān)測基礎上，對體能訓練負荷數(shù)據(jù)的傳感信息采樣和特征進行結果分析，結合相關性的特征分析方法，實現(xiàn)體能訓練負荷數(shù)據(jù)實時監(jiān)測[2]。體能訓練負荷數(shù)據(jù)增多，需要結合優(yōu)化的數(shù)據(jù)和信息處理方法，實現(xiàn)對體能訓練負荷數(shù)據(jù)的檢測和識別，結合動態(tài)數(shù)據(jù)實時監(jiān)測方法進行體能訓練負荷動態(tài)分析，實現(xiàn)體能訓練負荷數(shù)據(jù)實時監(jiān)測[3]。提出基于圖卷積網(wǎng)絡的體能訓練負荷數(shù)據(jù)實時監(jiān)測方法。構建體能訓練負荷數(shù)據(jù)的約束變量和解釋變量聯(lián)合特征分布結構模型，采用心肺功能參數(shù)在線監(jiān)測的方法，建立體能訓練負荷數(shù)據(jù)交互的最大攝氧量系列參數(shù)融合跟蹤檢測模型，采用SPSS統(tǒng)計分析軟件實現(xiàn)對體能訓練負荷數(shù)據(jù)實時監(jiān)測的仿真實驗，得出有效性結論。

1 體能訓練負荷數(shù)據(jù)信息分布和約束指標

1.1 體能訓練負荷數(shù)據(jù)信息分布

為了實現(xiàn)基于圖卷積網(wǎng)絡的體能訓練負荷數(shù)據(jù)實時監(jiān)測，構建體能訓練負荷數(shù)據(jù)的約束變量和解釋變量聯(lián)合特征分布結構模型，采用心肺功能參數(shù)在線監(jiān)測的方法進行數(shù)據(jù)特征分析，構建體能訓練負荷數(shù)據(jù)的特征分析模型[4]，引入靜息心率、心室肌收縮力、動脈管壁等參數(shù)指標體系，結合最大攝氧量VO2max等負荷參數(shù)特征分析[5]，得到體能訓練負荷數(shù)據(jù)的特征分布，如圖1所示。

根據(jù)圖1所示的體能訓練負荷數(shù)據(jù)的特征分布，構建體能訓練負荷數(shù)據(jù)的約束變量和解釋變量[6]，如表1所示。

根據(jù)表1，以攝氧量VO2、CO2排出量、氧脈搏O2P、HR、SV、O2P、AT臨界值點、呼吸熵RQ、心室肌收縮力為因標量，得到心肺機能的影響約束指標分布模型，表示為模型為：

式中，SCO2表示體能訓練負荷數(shù)據(jù)實時監(jiān)測的多樣本融合參數(shù)，采用主成分融合和線性相關決策的方法，得到體能訓練負荷數(shù)據(jù)的主成分信息索引的特征匹配集為：

其中，OC為體能訓練負荷數(shù)據(jù)實時監(jiān)測的聯(lián)合分布系數(shù)，采用冗余信息濾波檢測，得到體能訓練負荷數(shù)據(jù)的欠采樣解析控制參數(shù)，根據(jù)最大每搏輸出量輸出，實現(xiàn)體能訓練負荷數(shù)據(jù)實時監(jiān)測的輸出可靠性約束分析[7]。

1.2 體能訓練負荷數(shù)據(jù)實時采集

構建體能訓練負荷數(shù)據(jù)實時采集模型，如圖2所示。

通過臨床心肺試驗[8]，建立體能訓練負荷數(shù)據(jù)的回歸樣本擬合模型，表示為：

HR=220-Age ?（3）

其中Age為年齡參數(shù)，采用最大概率密度特征分析，進行體能訓練負荷數(shù)據(jù)的最近鄰特征點匹配，得到體能訓練負荷數(shù)據(jù)檢測和融合分析的統(tǒng)計特征量為：

fi（a，b，c）=[pc+（vi+ui）2] ?（4）

其中，vi+ui表示加權，pc表示體能訓練負荷數(shù)據(jù)的測試集，在穩(wěn)態(tài)條件下，構建體能訓練負荷數(shù)據(jù)的特征參數(shù)調度集，通過三階自相關特征匹配的方法，進行體能訓練負荷數(shù)據(jù)的分布式融合，提高體能訓練負荷數(shù)據(jù)的檢測識別能力[9]。

2 體能訓練負荷數(shù)據(jù)實時監(jiān)測優(yōu)化

2.1 體能訓練負荷數(shù)據(jù)特征提取

采用不同群體身體機能分析方法，實現(xiàn)對體能訓練負荷數(shù)據(jù)的肺功能約束參數(shù)控制和自相關約束檢測，進行體能訓練負荷數(shù)據(jù)的深度學習和特征分解，構建體能訓練負荷數(shù)據(jù)的數(shù)據(jù)融合模型[10]，得到體能訓練負荷數(shù)據(jù)的多維參數(shù)檢測模型為：

Bj=[（k（t）+1），（k（t）+2），…，（k（t）+n）] ?（5）

式中，k（t）為體能訓練負荷數(shù)據(jù)的離散樣本，基于深度學習的數(shù)據(jù)融合方法，得到體能訓練負荷數(shù)據(jù)的回歸分析結果為：

其中0≤？棕i（t）≤1;在數(shù)據(jù)融合中所參與的階段，根據(jù)量化肺功能分析，得到體能訓練負荷數(shù)據(jù)檢測的閾值控制模型為：

gic=S（？茁1，？茁2，…，？茁n） ?（7）

結合數(shù)據(jù)融合分析結果，采用體能訓練負荷數(shù)據(jù)的關聯(lián)檢測方法，引入AT臨界值點無氧閥，得到體能訓練負荷數(shù)據(jù)實時監(jiān)測的融合規(guī)則模型為：

E2=（gic+RQ）2 ? （8）

通過快速及時準確地記錄訓練監(jiān)測結果[11]，得到體能訓練負荷數(shù)據(jù)實時監(jiān)測的動態(tài)數(shù)據(jù)分布，如見表2所示。

根據(jù)動態(tài)信息檢測結果，得到不同年齡端體能訓練負荷數(shù)據(jù)特征提取分布結果，如表3所示。

根據(jù)上述評價結果，進行體能訓練負荷數(shù)據(jù)的特征提取。

2.2 體能訓練負荷數(shù)據(jù)實時監(jiān)測優(yōu)化輸出

分析體能訓練負荷數(shù)據(jù)的體內的糖分融合性，采用心血管功能以及肺通氣功能交換的方法實現(xiàn)體能訓練負荷數(shù)據(jù)的動態(tài)特征檢測[12]，根據(jù)負荷試驗和代謝分析結果，得到體能訓練負荷數(shù)據(jù)的特征提取結果，采用關聯(lián)維檢索的方法，建立體能訓練負荷數(shù)據(jù)實時監(jiān)測的檢測統(tǒng)計特征量為：

Uog=（E2（gic+k（t））-Age） ?（9）

建立體能訓練負荷數(shù)據(jù)的線性映射組合特征分布矩，表示為：

根據(jù)體能訓練負荷數(shù)據(jù)的動態(tài)特征分布式檢測結果，進行體能訓練負荷數(shù)據(jù)相干融合處理，得到體能訓練負荷數(shù)據(jù)監(jiān)測和評價的測試模型如圖3所示。

通過模糊度檢測和動態(tài)識別技術，實現(xiàn)對體能訓練負荷數(shù)據(jù)的實時監(jiān)測識別。

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)體能訓練負荷數(shù)據(jù)實時監(jiān)測的應用性，采用SPSS統(tǒng)計分析軟件進行仿真測試，對體能訓練負荷數(shù)據(jù)的特征采樣樣本長度為1300體能訓練負荷數(shù)據(jù)融合的聚類樣本序列為34，體能訓練負荷數(shù)據(jù)的實時監(jiān)測參數(shù)匹配系數(shù)為0.24，相關檢測參數(shù)設定見表4。

根據(jù)表4的參數(shù)設定，信息熵分布均衡性較好，說明監(jiān)測的準確性和關聯(lián)度較高，在此基礎上，實現(xiàn)對體能訓練負荷數(shù)據(jù)監(jiān)測，得到監(jiān)測準確性測試結果如圖4所示。分析圖4得知，本文方法進行能訓練負荷數(shù)據(jù)監(jiān)測的實時性和精度較高。

4 結論

結合動態(tài)數(shù)據(jù)實時監(jiān)測方法進行體能訓練負荷動態(tài)分析，實現(xiàn)體能訓練負荷數(shù)據(jù)實時監(jiān)測。本文提出基于圖卷積網(wǎng)絡的體能訓練負荷數(shù)據(jù)實時監(jiān)測方法。引入靜息心率、心室肌收縮力、動脈管壁等參數(shù)指標體系，結合最大攝氧量VO2max等負荷參數(shù)特征分析，得到體能訓練負荷數(shù)據(jù)的特征分布模型，實現(xiàn)訓練負荷數(shù)據(jù)監(jiān)測。本文方法進行訓練負荷數(shù)據(jù)監(jiān)測的實時性和準確性較高。

參考文獻：

〔1〕張元元.基于MOOC模式下學校體育智慧平臺的構建[J].自動化與儀器儀表，2018，38（08）：188-190.

〔2〕韋俊，應晨林，汪瀛.基于知識的動態(tài)智能化體育CAI系統(tǒng)設計與實現(xiàn)[J].自動化與儀器儀表，2018（08）：120-122.

〔3〕向瑋.穿戴式學生體育運動體質監(jiān)測系統(tǒng)的設計研究[J].電子設計工程，2018，26（15）：158-162.

〔4〕黃偉杰，李猛，徐秋，等.穿戴式學生體育運動體質監(jiān)測系統(tǒng)的設計[J].電子技術與軟件工程，2016， 23（04）：38.

〔5〕紹麗，夏利鋒.基于心率監(jiān)測大數(shù)據(jù)分析的體能訓練監(jiān)測系統(tǒng)研究[J].電子制作，2020，24（17）：47-49.

〔6〕戴麗，韓春華，孫耀華.基于經(jīng)驗小波變換的智能上肢力量訓練器故障監(jiān)測方法[J].自動化與儀器儀表，2020，40（05）：130-133.

〔7〕肖志文，常明.虛實結合的電磁頻譜監(jiān)測訓練系統(tǒng)設計[J].電子設計工程，2020，28（03）：106-110.

〔8〕祝家東，陳宇.基于無線傳感技術的健身苑所運動訓練強度監(jiān)測系統(tǒng)設計[J].科技經(jīng)濟導刊，2020， 28（03）：34.

〔9〕陳永浩.互聯(lián)網(wǎng)+背景下體育多媒體網(wǎng)絡平臺的應用[J].自動化與儀器儀表，2018，38（04）：39-41.

〔10〕韋俊，應晨林，汪瀛.基于知識的動態(tài)智能化體育CAI系統(tǒng)設計與實現(xiàn)[J].自動化與儀器儀表，2018，38（08）：120-122.

〔11〕李斌.基礎教育體育與健康課程改革實施困境與對策——從制度變遷中路徑依賴的成因談起[J].體育科學，2017，37（03）：13-20.

〔12〕田英之，吳史慧，任越.CPET平臺下心肺機能特征提取方法研究[J].科技通報，2014，30（02）：16 -18.