短距离游泳身体机能疲劳极限监控方法研究

刘夏瑜 牛哲斌

摘要：为了检测短距离游泳人体机能疲劳极限监控能力，提出基于身体机能特征大数据融合分析的短距离游泳身体机能疲劳极限监控方法.首先建立短距离游泳身体机能疲劳极限监控的生理指标体系，然后进行特征提取，以此构建短距离游泳身体机能疲劳极限监控的动态特征分析模型，最后根据身体生理指标的特征分析方法，进行短距离游泳身体机能疲劳极限监控.采用机器学习和模式识别方法，实现短距离游泳身体机能疲劳极限监控和大数据融合分析.仿真结果表明，采用该方法进行短距离游泳身体机能疲劳极限监控的有效性较好、准确性较高，对身体机能状态的实时分析能力较强.

关键词：短距离游泳;身体机能;疲劳;极限;监控

中图分类号：G861  文献标识码：A  文章编号：1673-260X（2019）08-0101-04

0 引言

短距离游泳对人体的爆发力要求很高，分析短距离游泳的生理指标，研究短距离游泳身体机能疲劳极限，在提高运动员的生理机能和游泳耐力方面具有重要意义.结合生理指标的动态监控和识别方法，进行短距离游泳身体机能疲劳极限监控识别，采用大数据分析和机器学习方法进行短距离游泳身体机能疲劳极限监控，构建短距离游泳身体机能疲劳极限监控的动态监测模型，提高短距离游泳身体机能的动态分析能力[1].

对短距离游泳身体机能疲劳极限监控是建立在生理指标的动态监测和信息融合基础上，进行短距离游泳身体机能疲劳极限评价[2]，建立短距离游泳身体机能疲劳极限监控模型，分析制约短距离游泳身体机能疲劳极限的相关性因素，建立短距离游泳身体机能疲劳极限监控的统计分析模型，提高短距离游泳身体机能疲劳极限，提出基于身体机能特征大数据融合分析的短距离游泳身体机能疲劳极限监控方法[3].采用生理指标监测方法进行短距离游泳身体机能疲劳特性分析，建立短距离游泳身体机能疲劳响应特征分析模型，提取短距离游泳身体机能疲劳极限状态特征量，根据特征分布状态进行短距离游泳身体机能疲劳极限监控.最后进行仿真实验分析，展示了该方法在优化短距离游泳身体机能疲劳极限监控能力方面的优越性能.

1 短距离游泳身体机能疲劳动态特征提取

1.1 身体机能疲劳极限监控的生理指标体系

结合运动员生理指标监测方法，构建短距离游泳身体机能疲劳极限的统计分析模型，采用大数据特征采样方法进行运动员生理指标监测和信息融合，构建短距离游泳身体机能疲劳极限监控的动态特征分析模型，采用运动员生理指标的特征分析方法，进行短距离游泳身体机能疲劳极限监控[4]，根据运动能力评价和身体机能的评定结果，进行运动员生理指标监控，制定科学的训练计划，进行评估训练，得到短距离游泳身体机能疲劳极限监控的总体结构图如图1所示.

根据运动员生理指标监测过程中的机能指标，以O2和CO2的在心肺中的演化状态，分析短距离游泳身体机能的极限[5]，短距离游泳身体机能中的最大摄氧量O2max的计算公式可以表达为：

其中，Hmax表示短距离游泳运动员生理指标的最大心率，MSV表示最大脉搏量，OPD表示短距离游泳运动员动静氧脉差.二氧化碳排出量P■的计算过程为：

其中，H表示短距离游泳运动员生理指标的正常心率.依据上述最大摄氧量和二氧化碳排出量的表达式，得出运动员短距离游泳身体机能疲劳极限监控的生理指标体系表达式，如公式（3）所示：

根据生理指标体系表达式，进行短距离游泳身体机能疲劳极限监控和识别，建立短距离游泳身体机能疲劳特性分析模型[6].根据生理指标的大数据融合结果，进行短距离游泳身体机能疲劳极限监控，构建短距离游泳身体机能疲劳极限监控的生理指标体系，如图2所示.

1.2 短距离游泳身体机能疲劳动態特征提取

建立短距离游泳身体机能疲劳响应特征分析模型，采用分布式的量化融合方法进行短距离游泳身体机能疲劳极限监控的空间规划，构建短距离游泳身体机能疲劳极限监控的特征采样模型[7]，采用模糊融合聚类分析方法，实现短距离游泳身体机能疲劳极限关联特征挖掘.

将短距离游泳身体机能疲劳极限监控描述为一个有m个自变量的统计分析模型身体机能疲劳极限监控的空间分布节点A1，A2…An，在约束范围（x，x（k））内，采用有向图分析方法进行短距离游泳身体机能疲劳极限关联特征检测，得到短距离游泳身体机能疲劳极限监控的优化控制的扰动分量二阶原点矩为：

其中，Ps表示短距离游泳身体机能运动负荷量，？啄（t，k）为短距离游泳身体机能疲劳极限监控的kronnecker函数，？滓n2表示身体机能生化指标，IM表示短距离游泳身体机能疲劳极限监控基数.在小扰动分量x（t）的约束下，得到短距离游泳身体机能疲劳极限状态分布的协方差矩阵：

其中N为短距离游泳身体机能疲劳极限监控控制的空间维数，构造短距离游泳身体机能疲劳极限分布多维联合估计矩阵RT：

以身体机能疲劳极限监控的认知概率？琢为约束参量，则有：

其中，xk、zk表示短距离游泳身体机能疲劳极限分布统计特征量，根据公式（8）、（9）完成动态特征提取短距离游泳身体机能疲劳响应，根据动态特征构建短距离游泳身体机能疲劳极限监控的大数据分析模型.

2 短距离游泳身体机能疲劳极限监控识别

2.1 身体机能疲劳响应特征分析模型构建

在上述监测指标选取及动态特征提取的基础上，建立短距离游泳身体机能疲劳响应特征分析模型，进行疲劳极限监控优化.提出基于身体机能特征大数据融合分析的短距离游泳身体机能疲劳极限监控方法.短距离游泳身体机能疲劳极限关联特征检测的机器学习预测函数为：

3 仿真实验与结果分析

为了测试所提方法在实现短距离游泳身体机能疲劳极限监控中的应用性能，进行仿真实验，实验采用分组检测方法，测试对象中男生为28人，女生为16人，对男女运动员分别进行短距离游泳的极限训练，测试相应的身体机能指标，建立短距离游泳身体机能疲劳响应特征分析模型，得到特征响应输入如图3所示.

以图3数据为研究对象，进行短距离游泳身体机能疲劳极限监控，用机器学习和模式识别方法，实现短距离游泳身体机能疲劳极限监控和大数据融合分析，进行身体机能疲劳极限监控的准确性对比分析，如图4所示.

分析图4得知，本文方法进行短距离游泳身体机能疲劳极限监控的准确性对比传统方法较高，在此基础上，监控短距离游泳身体机能疲劳极限值，得到监控结果如图5所示.

分析图5得知，采用该方法能有效实现短距离游泳身体机能疲劳极限监控，测试准确性稳定.

4 结语

提出基于身体机能特征大数据融合分析的短距离游泳身体机能疲劳极限监控方法，采用运动员生理指标的特征分析方法，进行短距离游泳身体机能疲劳极限监控，根据运动能力评价和身体机能的评定结果，进行运动员生理指标监控，制定科学的训练计划，进行评估训练，提高短距离游泳身体机能疲劳极限监控和自动分析能力.研究得知，该方法能有效实现短距离游泳身体机能疲劳极限监控，准确性较高，对运动后人体机能状态的实时分析能力较强，有利于疲劳极限状态下的监控.

——————————

参考文献：

〔1〕金成平，苏芸澐，何新中.优秀短距离游泳运动员余贺新多年训练安排的控制[J].北京体育大学学报，2018，41（11）：103-109.

〔2〕卓金源，吴赵昭，徐旻霄，等.高原体能训练对我国高水平优秀篮球运动员身体机能与形态的影响研究[J].北京体育大学学报，2017，40（3）：98-105.

〔3〕张腾，温宇红，沈宇鹏.儿童青少年时期游泳运动员长期发展理论模型研究[J].中国体育科技，2018，54（4）：45-52+91.

〔4〕王华，康荣杰，王兴坚，等.软体弯曲驱动器设计与建模[J].北京航空航天大学学报，2017，43（5）：1053-1060.

〔5〕兰亚红.三种HiLo模式对游泳运动员身体机能及运动成绩的影响[J].广州体育学院学报，2018，38（3）：109-114.

〔6〕孙吉成.关于游泳水的阻力与姿势动态建模优化仿真[J].计算机仿真，2016，33（9）：252-255+277.

〔7〕王莉莉，彭勃.基于特征航迹简化模型的中心航迹提取研究[J].计算機应用研究，2019，36（1）：49-52.

〔8〕马丽，马瑞楠.一类随机泛函微分方程带随机步长的EM逼近的渐近稳定[J].应用数学和力学，2019，40（1）：97-107.

〔9〕阚忠良，李建中.基于回归模型的Spark任务性能分析方法[J].哈尔滨工业大学学报，2018，50（03）：198-204.

〔10〕阮晓钢，陈岩，肖尧，等.基于参数寻优的自学习算法在两轮机器人控制上的应用[J].北京工业大学学报，2017，43（7）：1060-1067.