基于图卷积网络的体能训练负荷数据实时监测方法

冯文奎

摘 要：针对传统体能训练负荷数据实时监测方法存在检测精度低的问题，本文提出基于图卷积网络的体能训练负荷数据实时监测方法。构建体能训练负荷数据的约束变量和解释变量联合特征分布结构模型，采用心肺功能参数在线监测的方法，建立体能训练负荷数据交互的最大摄氧量系列参数融合跟踪检测模型，采用不同群体身体机能分析方法，对肺功能约束参数进行控制并实施自相关约束检测，建立体能训练负荷数据的图卷积网络结构模型，通过线性回归分析实现对体能训练负荷数据的有氧代谢特征分析，分析体能训练负荷数据的体内的糖分融合性，采用心血管功能以及肺通气功能交换的方法实现体能训练负荷数据的动态特征检测，根据负荷试验和代谢分析结果，实现对体能训练负荷数据的实时监测。采用SPSS统计分析软件实现对体能训练负荷数据实时监测的仿真实验。仿真结果表明，采用该方法进行体能训练负荷数据实时监测的准确性较高，动态交互能力较强，提高了体能训练负荷数据的检测和动态分析能力。

关键词：图卷积网络;体能训练;负荷数据;实时监测

中图分类号：TP391;G807.4  文献标识码：A  文章编号：1673-260X（2021）12-0023-04

随着体育教育关注度不断提高，体能训练和教育的科学性受到人们的日益关注，构建体能训练负荷数据实时监测，结合对体能训练负荷数据的量化分析结果，分析制约体育训练效果的相关性特征量，建立如何人体个体差异性特征的体能训练负荷数据实时监测模型，提高体能训练的针对性和实时分析能力，相关的体能训练负荷数据实时监测方法研究受到人们的极大关注[1]。

对体能训练负荷数据实时监测是建立在对体能训练负荷数据的动态分析和传感监测基础上，对体能训练负荷数据的传感信息采样和特征进行结果分析，结合相关性的特征分析方法，实现体能训练负荷数据实时监测[2]。体能训练负荷数据增多，需要结合优化的数据和信息处理方法，实现对体能训练负荷数据的检测和识别，结合动态数据实时监测方法进行体能训练负荷动态分析，实现体能训练负荷数据实时监测[3]。提出基于图卷积网络的体能训练负荷数据实时监测方法。构建体能训练负荷数据的约束变量和解释变量联合特征分布结构模型，采用心肺功能参数在線监测的方法，建立体能训练负荷数据交互的最大摄氧量系列参数融合跟踪检测模型，采用SPSS统计分析软件实现对体能训练负荷数据实时监测的仿真实验，得出有效性结论。

1 体能训练负荷数据信息分布和约束指标

1.1 体能训练负荷数据信息分布

为了实现基于图卷积网络的体能训练负荷数据实时监测，构建体能训练负荷数据的约束变量和解释变量联合特征分布结构模型，采用心肺功能参数在线监测的方法进行数据特征分析，构建体能训练负荷数据的特征分析模型[4]，引入静息心率、心室肌收缩力、动脉管壁等参数指标体系，结合最大摄氧量VO2max等负荷参数特征分析[5]，得到体能训练负荷数据的特征分布，如图1所示。

根据图1所示的体能训练负荷数据的特征分布，构建体能训练负荷数据的约束变量和解释变量[6]，如表1所示。

根据表1，以摄氧量VO2、CO2排出量、氧脉搏O2P、HR、SV、O2P、AT临界值点、呼吸熵RQ、心室肌收缩力为因标量，得到心肺机能的影响约束指标分布模型，表示为模型为：

式中，SCO2表示体能训练负荷数据实时监测的多样本融合参数，采用主成分融合和线性相关决策的方法，得到体能训练负荷数据的主成分信息索引的特征匹配集为：

其中，OC为体能训练负荷数据实时监测的联合分布系数，采用冗余信息滤波检测，得到体能训练负荷数据的欠采样解析控制参数，根据最大每搏输出量输出，实现体能训练负荷数据实时监测的输出可靠性约束分析[7]。

1.2 体能训练负荷数据实时采集

构建体能训练负荷数据实时采集模型，如图2所示。

通过临床心肺试验[8]，建立体能训练负荷数据的回归样本拟合模型，表示为：

HR=220-Age  （3）

其中Age为年龄参数，采用最大概率密度特征分析，进行体能训练负荷数据的最近邻特征点匹配，得到体能训练负荷数据检测和融合分析的统计特征量为：

fi（a，b，c）=[pc+（vi+ui）2]  （4）

其中，vi+ui表示加权，pc表示体能训练负荷数据的测试集，在稳态条件下，构建体能训练负荷数据的特征参数调度集，通过三阶自相关特征匹配的方法，进行体能训练负荷数据的分布式融合，提高体能训练负荷数据的检测识别能力[9]。

2 体能训练负荷数据实时监测优化

2.1 体能训练负荷数据特征提取

采用不同群体身体机能分析方法，实现对体能训练负荷数据的肺功能约束参数控制和自相关约束检测，进行体能训练负荷数据的深度学习和特征分解，构建体能训练负荷数据的数据融合模型[10]，得到体能训练负荷数据的多维参数检测模型为：

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

式中，k（t）为体能训练负荷数据的离散样本，基于深度学习的数据融合方法，得到体能训练负荷数据的回归分析结果为：

其中0≤？棕i（t）≤1;在数据融合中所参与的阶段，根据量化肺功能分析，得到体能训练负荷数据检测的阈值控制模型为：

gic=S（？茁1，？茁2，…，？茁n）  （7）

结合数据融合分析结果，采用体能训练负荷数据的关联检测方法，引入AT临界值点无氧阀，得到体能训练负荷数据实时监测的融合规则模型为：

E2=（gic+RQ）2   （8）

通过快速及时准确地记录训练监测结果[11]，得到体能训练负荷数据实时监测的动态数据分布，如见表2所示。

根据动态信息检测结果，得到不同年龄端体能训练负荷数据特征提取分布结果，如表3所示。

根据上述评价结果，进行体能训练负荷数据的特征提取。

2.2 体能训练负荷数据实时监测优化输出

分析体能训练负荷数据的体内的糖分融合性，采用心血管功能以及肺通气功能交换的方法实现体能训练负荷数据的动态特征检测[12]，根据负荷试验和代谢分析结果，得到体能训练负荷数据的特征提取结果，采用关联维检索的方法，建立体能训练负荷数据实时监测的检测统计特征量为：

Uog=（E2（gic+k（t））-Age）  （9）

建立体能训练负荷数据的线性映射组合特征分布矩，表示为：

根据体能训练负荷数据的动态特征分布式检测结果，进行体能训练负荷数据相干融合处理，得到体能训练负荷数据监测和评价的测试模型如图3所示。

通过模糊度检测和动态识别技术，实现对体能训练负荷数据的实时监测识别。

3 仿真实验与结果分析

为了验证本文方法在实现体能训练负荷数据实时监测的应用性，采用SPSS统计分析软件进行仿真测试，对体能训练负荷数据的特征采样样本长度为1300体能训练负荷数据融合的聚类样本序列为34，体能训练负荷数据的实时监测参数匹配系数为0.24，相关检测参数设定见表4。

根据表4的参数设定，信息熵分布均衡性较好，说明监测的准确性和关联度较高，在此基礎上，实现对体能训练负荷数据监测，得到监测准确性测试结果如图4所示。分析图4得知，本文方法进行能训练负荷数据监测的实时性和精度较高。

4 结论

结合动态数据实时监测方法进行体能训练负荷动态分析，实现体能训练负荷数据实时监测。本文提出基于图卷积网络的体能训练负荷数据实时监测方法。引入静息心率、心室肌收缩力、动脉管壁等参数指标体系，结合最大摄氧量VO2max等负荷参数特征分析，得到体能训练负荷数据的特征分布模型，实现训练负荷数据监测。本文方法进行训练负荷数据监测的实时性和准确性较高。

参考文献：

〔1〕张元元.基于MOOC模式下学校体育智慧平台的构建[J].自动化与仪器仪表，2018，38（08）：188-190.

〔2〕韦俊，应晨林，汪瀛.基于知识的动态智能化体育CAI系统设计与实现[J].自动化与仪器仪表，2018（08）：120-122.

〔3〕向玮.穿戴式学生体育运动体质监测系统的设计研究[J].电子设计工程，2018，26（15）：158-162.

〔4〕黄伟杰，李猛，徐秋，等.穿戴式学生体育运动体质监测系统的设计[J].电子技术与软件工程，2016， 23（04）：38.

〔5〕绍丽，夏利锋.基于心率监测大数据分析的体能训练监测系统研究[J].电子制作，2020，24（17）：47-49.

〔6〕戴丽，韩春华，孙耀华.基于经验小波变换的智能上肢力量训练器故障监测方法[J].自动化与仪器仪表，2020，40（05）：130-133.

〔7〕肖志文，常明.虚实结合的电磁频谱监测训练系统设计[J].电子设计工程，2020，28（03）：106-110.

〔8〕祝家东，陈宇.基于无线传感技术的健身苑所运动训练强度监测系统设计[J].科技经济导刊，2020， 28（03）：34.

〔9〕陈永浩.互联网+背景下体育多媒体网络平台的应用[J].自动化与仪器仪表，2018，38（04）：39-41.

〔10〕韦俊，应晨林，汪瀛.基于知识的动态智能化体育CAI系统设计与实现[J].自动化与仪器仪表，2018，38（08）：120-122.

〔11〕李斌.基础教育体育与健康课程改革实施困境与对策——从制度变迁中路径依赖的成因谈起[J].体育科学，2017，37（03）：13-20.

〔12〕田英之，吴史慧，任越.CPET平台下心肺机能特征提取方法研究[J].科技通报，2014，30（02）：16 -18.