[发明专利]一种基于运动生理表征融合的大规模学生有氧能力分群方法

说明书

本发明旨在提供一种基于运动生理表征融合的大规模学生有氧能力分群方法，具体步骤如下：1)预处理时序数据，包含剔除异常值、多变量序列截取与插值、标准化处理、说明数据来源和运动记录切片；2)构建基于多模态和自监督学习的有氧能力模型，主要由人体泛化有氧能力模型、个性化长期有氧能力模型和个性化短期有氧能力模型组成。3)实施大规模学生有氧能力分群，通过有氧能力模型获得10个不同时段的运动生理表征向量，再将这些表征向量进行均值化来获得最终的有氧能力表征向量。最后构建基于single‑linkage的聚类器来对学生有氧能力表征向量进行分群聚类；4)评估分群效果，依据FMI指数对每一个学生有氧能力的分群结果进行评估。

技术领域

本发明涉及时间序列挖掘领域和机器学习领域中的多模态学习、自监督学习和表征学习，尤其涉及了一种基于运动生理表征融合的大规模学生有氧能力分群方法。

背景技术

合理的运动有利于健康，而不合理运动会带来伤害。2006年至2016年，全国高校内可查证的学生运动性猝死案例总计不超过300例，但国内外专家从未停止过关于运动性猝死的探讨与研究。在诸多运动种类中，最常见的青少年运动性猝死发生在跑步运动过程中。该情况下，学生大多会忽然晕厥而猝然倒地，若不能获得及时性急救就会失去生命。随着信息获取渠道越来越多样化，该类事件的频繁发生广泛地引起了社会各界对大学生体质下降问题的关注。同时，也提出了一个重要的问题：如何避免运动风险。

为了有效地降低学生运动风险，防止晕厥等事件的发生，个性化运动的概念逐渐受到人们的关注。个性化运动是解决运动风险问题以及促进体质健康的有效手段。同时，个性化运动是运动教练和体育课教师在运动类型、运动强度、持续时间、运动频度等方面依据个人身体素质状况开具运动处方进行合理运动的方法，其中个人体能状况的判定是关键。个人体能状况可采用有氧能力(Aerobic Capacity，AC)来指代。有氧能力是指在氧供充足的条件下，人体通过能源物质氧化分解提供能量进行运动的能力。美国心脏协会在《循环》杂志上发表了其对“有氧能力”作出的科学声明，美国医学界把有氧能力列为第五大临床生命体征。通过对人体有氧能力的分群来预测和评估其健康水平，以期为体医结合、科学化的风险防控、干预、体质健康管理与促进提供科学依据。

为了得到人体有氧能力的表征，以往会采用运动心肺功能仪进行测定一系列生理数据，然后对这些数据进行清洗与特征提取。但该数据采集方案存在着一系列问题，其成本非常高昂，往往需要一台大型设备和系统，比如跑步机及大型配套的生理数据采集平台。不仅如此，每一次采集需要有多名人员持不同检测设备进行辅助检测生理特征，耗费时间长且采集的对象有限。近些年，由于智能穿戴设备的普及，尤其是智能运动手环的出现，大大改变了数据采集的方式。智能运动手环可以实时检测热量消耗、心率等生理指标，再通过与手机应用软件连接可获得人体活动位置、速度等信号，从而实现身体生理活动的有效监控。由于采集对象几乎没有限制，在新的采集方案下所得到的数据规模非常庞大，且规模增速较大。无论何种数据采集方案，其数据特征都是无监督、多模态的时间序列数据，如何利用运动生理数据来表征人体有氧能力是目前的研究热点之一。

多模态的运动时序数据具有序列长、多变量和非等长等特点，因此人类专家难以从中发现有价值的信息，以致于有监督的时序特征提取方法无法适用于有氧能力特征提取。在早期的研究中，许多基于概率统计模型的方法被用于建模运动时序挖掘问题，但因其过于理想的假设和高时间复杂度而无法有效应对真实世界的大规模数据。近些年来，基于卷积神经网络、循环神经网络、注意力机制等神经网络模型的表征学习方法应用于时序建模中，它们可以从运动时序数据中获取更加抽象的特征，但所学习到的特征往往难以解释且与下游任务没有关联。

发明内容

为了克服难以有效地从运动生理时序数据中学习到有氧能力表征的不足，本发明提供了一种基于运动生理表征融合的大规模学生有氧能力分群方法。