基于圖卷積網絡的體能訓練負荷數據實時監測方法

馮文奎

摘 要：針對傳統體能訓練負荷數據實時監測方法存在檢測精度低的問題，本文提出基于圖卷積網絡的體能訓練負荷數據實時監測方法。構建體能訓練負荷數據的約束變量和解釋變量聯合特征分布結構模型，采用心肺功能參數在線監測的方法，建立體能訓練負荷數據交互的最大攝氧量系列參數融合跟蹤檢測模型，采用不同群體身體機能分析方法，對肺功能約束參數進行控制并實施自相關約束檢測，建立體能訓練負荷數據的圖卷積網絡結構模型，通過線性回歸分析實現對體能訓練負荷數據的有氧代謝特征分析，分析體能訓練負荷數據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體能訓練負荷數據的動態特征檢測，根據負荷試驗和代謝分析結果，實現對體能訓練負荷數據的實時監測。采用SPSS統計分析軟件實現對體能訓練負荷數據實時監測的仿真實驗。仿真結果表明，采用該方法進行體能訓練負荷數據實時監測的準確性較高，動態交互能力較強，提高了體能訓練負荷數據的檢測和動態分析能力。

關鍵詞：圖卷積網絡;體能訓練;負荷數據;實時監測

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據實時監測，結合對體能訓練負荷數據的量化分析結果，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據實時監測模型，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據實時監測方法研究受到人們的極大關注[1]。

對體能訓練負荷數據實時監測是建立在對體能訓練負荷數據的動態分析和傳感監測基礎上，對體能訓練負荷數據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，實現體能訓練負荷數據實時監測[2]。體能訓練負荷數據增多，需要結合優化的數據和信息處理方法，實現對體能訓練負荷數據的檢測和識別，結合動態數據實時監測方法進行體能訓練負荷動態分析，實現體能訓練負荷數據實時監測[3]。提出基于圖卷積網絡的體能訓練負荷數據實時監測方法。構建體能訓練負荷數據的約束變量和解釋變量聯合特征分布結構模型，采用心肺功能參數在線監測的方法，建立體能訓練負荷數據交互的最大攝氧量系列參數融合跟蹤檢測模型，采用SPSS統計分析軟件實現對體能訓練負荷數據實時監測的仿真實驗，得出有效性結論。

1 體能訓練負荷數據信息分布和約束指標

1.1 體能訓練負荷數據信息分布

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

根據圖1所示的體能訓練負荷數據的特征分布，構建體能訓練負荷數據的約束變量和解釋變量[6]，如表1所示。

根據表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據實時監測的多樣本融合參數，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據的主成分信息索引的特征匹配集為：

其中，OC為體能訓練負荷數據實時監測的聯合分布系數，采用冗余信息濾波檢測，得到體能訓練負荷數據的欠采樣解析控制參數，根據最大每搏輸出量輸出，實現體能訓練負荷數據實時監測的輸出可靠性約束分析[7]。

1.2 體能訓練負荷數據實時采集

構建體能訓練負荷數據實時采集模型，如圖2所示。

通過臨床心肺試驗[8]，建立體能訓練負荷數據的回歸樣本擬合模型，表示為：

HR=220-Age ?（3）

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

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據的測試集，在穩態條件下，構建體能訓練負荷數據的特征參數調度集，通過三階自相關特征匹配的方法，進行體能訓練負荷數據的分布式融合，提高體能訓練負荷數據的檢測識別能力[9]。

2 體能訓練負荷數據實時監測優化

2.1 體能訓練負荷數據特征提取

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

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

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

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

gic=S（？茁1，？茁2，…，？茁n） ?（7）

結合數據融合分析結果，采用體能訓練負荷數據的關聯檢測方法，引入AT臨界值點無氧閥，得到體能訓練負荷數據實時監測的融合規則模型為：

E2=（gic+RQ）2 ? （8）

通過快速及時準確地記錄訓練監測結果[11]，得到體能訓練負荷數據實時監測的動態數據分布，如見表2所示。

根據動態信息檢測結果，得到不同年齡端體能訓練負荷數據特征提取分布結果，如表3所示。

根據上述評價結果，進行體能訓練負荷數據的特征提取。

2.2 體能訓練負荷數據實時監測優化輸出

分析體能訓練負荷數據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體能訓練負荷數據的動態特征檢測[12]，根據負荷試驗和代謝分析結果，得到體能訓練負荷數據的特征提取結果，采用關聯維檢索的方法，建立體能訓練負荷數據實時監測的檢測統計特征量為：

Uog=（E2（gic+k（t））-Age） ?（9）

建立體能訓練負荷數據的線性映射組合特征分布矩，表示為：

根據體能訓練負荷數據的動態特征分布式檢測結果，進行體能訓練負荷數據相干融合處理，得到體能訓練負荷數據監測和評價的測試模型如圖3所示。

通過模糊度檢測和動態識別技術，實現對體能訓練負荷數據的實時監測識別。

3 仿真實驗與結果分析

為了驗證本文方法在實現體能訓練負荷數據實時監測的應用性，采用SPSS統計分析軟件進行仿真測試，對體能訓練負荷數據的特征采樣樣本長度為1300體能訓練負荷數據融合的聚類樣本序列為34，體能訓練負荷數據的實時監測參數匹配系數為0.24，相關檢測參數設定見表4。

根據表4的參數設定，信息熵分布均衡性較好，說明監測的準確性和關聯度較高，在此基礎上，實現對體能訓練負荷數據監測，得到監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據監測的實時性和精度較高。

4 結論

結合動態數據實時監測方法進行體能訓練負荷動態分析，實現體能訓練負荷數據實時監測。本文提出基于圖卷積網絡的體能訓練負荷數據實時監測方法。引入靜息心率、心室肌收縮力、動脈管壁等參數指標體系，結合最大攝氧量VO2max等負荷參數特征分析，得到體能訓練負荷數據的特征分布模型，實現訓練負荷數據監測。本文方法進行訓練負荷數據監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.基于知識的動態智能化體育CAI系統設計與實現[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測系統的設計研究[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測系統的設計[J].電子技術與軟件工程，2016， 23（04）：38.

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

〔6〕戴麗，韓春華，孫耀華.基于經驗小波變換的智能上肢力量訓練器故障監測方法[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測訓練系統設計[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測系統設計[J].科技經濟導刊，2020， 28（03）：34.

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

〔10〕韋俊，應晨林，汪瀛.基于知識的動態智能化體育CAI系統設計與實現[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.