学生锻炼质量监测方法和装置

技术领域

本发明涉及人工智能及监测技术领域，尤其涉及一种学生锻炼质量监测方法和装置。

背景技术

大学生的身体素质一直是高校人才培养的一个重要指标，良好的身体素质对大学生的身心健康以及学习效率有重要的意义。现如今不少高校以跑步打卡的形式推动学生进行跑步锻炼以提升身体素质，但是部分同学可能由于种种原因未能认真对待，而出现找人替跑的情形。目前对于这种替跑现象还只能采取人工监督的方法进行防范，但这无疑会增加人力成本，因此一个良好的替跑数据检测系统能提升高校相关部门的管理效率，能让高校及时了解相关同学的具体状况，然后予以关怀和指导。

发明内容

有鉴于此，本发明提供一种学生锻炼质量监测方法和装置，以解决上述提及的至少一个问题。

为了实现上述目的，本发明采用以下方案：

根据本发明的第一方面，提供一种学生锻炼质量监测方法，方法包括：获取学生的原始锻炼数据；基于所述原始锻炼数据训练学生锻炼质量监测模型；将学生的待监测锻炼数据输入至训练好的所述学生锻炼质量监测模型；基于所述学生锻炼质量监测模型的输出判断学生是否有替练的情形。

作为本发明的一个实施例，上述方法中学生的原始锻炼数据包括：学生运动时的历史生理体征数据以及所述学生对应的最近一次运动的生理体征数据。

作为本发明的一个实施例，上述方法中基于所述原始锻炼数据训练学生锻炼质量监测模型包括：将原始锻炼数据划分为正常数据和非正常数据，所述正常数据包括学生运动时的历史生理体征数据，以及该学生最近一次运动的生理体征数据；所述非正常数据包括学生运动时的历史生理体征数据，以及其他学生最近一次运动时的生理体征数据；将划分好的原始锻炼数据分别输入第一Bi-LSTM网络和第二Bi-LSTM网络来提取第一特征和第二特征，所述第一特征为历史生理体征数据的特征，所述第二特征为最近一次运动的生理体征数据的特征；将所述第一特征和所述第二特征输入到一个FNN网络进行比对计算，所述FNN网络输出的二维向量代表了学生是否替练的概率。

作为本发明的一个实施例，上述方法还包括：将获取的原始锻炼数据划分出验证集，基于所述验证集验证训练出的学生锻炼质量监测模型，直至满足预设准确度。

作为本发明的一个实施例，上述方法还包括：基于可穿戴智能设备获取学生的生理体征数据作为待监测锻炼数据。

根据本发明的第二方面，提供一种学生锻炼质量监测装置，所述装置包括：数据获取单元，用于获取学生的原始锻炼数据；模型训练单元，用于基于所述原始锻炼数据训练学生锻炼质量监测模型；数据输入单元，用于将学生的待监测锻炼数据输入至训练好的所述学生锻炼质量监测模型；监测单元，用于基于所述学生锻炼质量监测模型的输出判断学生是否有替练的情形。

作为本发明的一个实施例，上述学生的原始锻炼数据包括：学生运动时的历史生理体征数据以及所述学生对应的最近一次运动的生理体征数据。

作为本发明的一个实施例，上述模型训练单元包括：数据划分模块，用于将原始锻炼数据划分为正常数据和非正常数据，所述正常数据包括学生运动时的历史生理体征数据，以及该学生最近一次运动的生理体征数据；所述非正常数据包括学生运动时的历史生理体征数据，以及其他学生最近一次运动时的生理体征数据；特征提取模块，用于将划分好的原始锻炼数据分别输入第一Bi-LSTM网络和第二Bi-LSTM网络来提取第一特征和第二特征，所述第一特征为历史生理体征数据的特征，所述第二特征为最近一次运动的生理体征数据的特征；比对计算模块，用于将所述第一特征和所述第二特征输入到一个FNN网络进行比对计算，所述FNN网络输出的二维向量代表了学生是否替练的概率。

作为本发明的一个实施例，上述装置还包括：模型验证单元，用于将获取的原始锻炼数据划分出验证集，基于所述验证集验证训练出的学生锻炼质量监测模型，直至满足预设准确度。

作为本发明的一个实施例，上述装置还包括：待检测数据获取单元，用于基于可穿戴智能设备获取学生的生理体征数据作为待监测锻炼数据。

根据本发明的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

由上述技术方案可知，本发明提供的学生锻炼质量监测方法和装置，可以通过原始的无替练数据构造出合适的含替练数据训练集，从而使的训练出的学生锻炼质量监测模型可以准确地识别出学生是否存在替练情形，无需人工进行监督，节省了人工成本，提高了监测识别的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本申请实施例提供的一种学生锻炼质量监测方法的流程示意图；

图2是本申请另一实施例提供的一种学生锻炼质量监测方法的流程示意图；

图3是本申请实施例提供的一种学生锻炼质量监测装置的结构示意图；

图4是本申请实施例提供的模型训练单元的结构示意图；

图5是本申请另一实施例提供的一种学生锻炼质量监测装置的结构示意图；

图6是本申请实施例提供的电子设备的系统构成示意框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

由于目前学校对于学生替跑替练现象还只能采取人工监督的方法进行防范，而这无形中增加了人力成本。因此本申请的目的在于提供一种学生锻炼质量监测方法和装置，可以准确地识别出学生是否存在替练情形，而无需人工进行监督，节省人工成本。

本申请下述各实施例的技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。

如图1所示为本申请实施例提供的一种学生锻炼质量监测方法的流程示意图，该方法包括如下步骤：

步骤S101：获取学生的原始锻炼数据。

在本实施例中，学生的锻炼数据是指学生在运动中所产生的生理特征数据，比如脉搏、心跳、血压等。这些数据可以通过学生在运动时佩戴专门用于提取生理特征数据的穿戴设备来完成，比如智能手环、智能指环等。

原始数据的积累可以通过多种方式，比如每当有新一届学生开始使用智能手环系统进行训练时，可以先在可信条件下取得其每位同学的运动心电数据，这里的可信条件比如可以是在体育课或集体锻炼中在老师或助教监督下使用该智能手环进行锻炼。如此，便可积累越来越多的原始锻炼数据。随着原始锻炼数据的积累，后续所训练的模型的准确度也会越来越高。

步骤S102：基于所述原始锻炼数据训练学生锻炼质量监测模型。

在本实施例中的学生锻炼质量监测模型是一个深度学习的二分类模型，即通过该模型，可以输出有替练或无替练两种情形的结果。

步骤S103：将学生的待监测锻炼数据输入至训练好的所述学生锻炼质量监测模型。

优选的，在本步骤之前，本实施例还可以包括如下步骤：基于可穿戴智能设备获取学生的生理体征数据作为待监测锻炼数据。即在学生进行锻炼前，必须带上用于获取锻炼时生理体征数据的智能设备，以此来获得学生此次锻炼的生理体征数据。

步骤S104：基于所述学生锻炼质量监测模型的输出判断学生是否有替练的情形。

由上述技术方案可知，本发明提供的学生锻炼质量监测方法，通过深度学习的学生锻炼质量监测模型来识别学生是否存在锻炼时有替练情形，因此无需人工进行监督，节省了人工成本，提高了监测识别的效率。

如图2所示为本申请另一实施例提供的一种学生锻炼质量监测方法的流程示意图，该方法包括如下步骤：

步骤S201：获取学生运动时的历史生理体征数据以及所述学生对应的最近一次运动的生理体征数据。

即本申请所获得的学生的原始锻炼数据中的每一条数据都包含两个部分，一部分是该学生以往运动时的历史生理体征数据，一部分是该学生对应的最近一次运动的生理体征数据。这样，后续训练的模型可以识别最近一次运动的生理特征数据是否与该学生以往的生理特征数据相同，从而可以判断出是否有替练现象。需要指出的是，该两部分数据在时间维度上需要是不重叠的，即不存在重合的数据。

步骤S202：将原始锻炼数据划分为正常数据和非正常数据，所述正常数据包括学生运动时的历史生理体征数据，以及该学生最近一次运动的生理体征数据；所述非正常数据包括学生运动时的历史生理体征数据，以及其他学生最近一次运动时的生理体征数据。

由上述可知，正常数据是取自同一个学生的数据，而非正常数据中的历史生理体征数据与最近一次运动时的生理体征数据则是取自两个不同的学生。对于正常数据来说，比如可以先从学生所有原始数据中截取长度为m的一段连续心电数据作为历史生理体征数据，然后再截取一段与该历史生理体征数据无重合的长度为k的数据作为最近一次运动数据。需要指出的是，最近一次运动数据在时间维度上，也可以在历史生理体征数据之前，但是为了能更好地表征学生最近的生理状态，优选的，最近一次运动数据的时间维度需要在历史生理体征数据之后。对于非正常数据来说，其数据构造过程与正常数据类似，不同的是，可以先从学生甲的数据中截取长度为m的连续心电数据作为历史生理体征数据，然后再从学生乙的数据中截取长度为k的数据作为最近一次运动数据，而非正常数据前后两部分数据在时间维度上并无限制。

步骤S203：将划分好的原始锻炼数据分别输入第一Bi-LSTM网络和第二Bi-LSTM网络来提取第一特征和第二特征，所述第一特征为历史生理体征数据的特征，所述第二特征为最近一次运动的生理体征数据的特征。

步骤S204：将所述第一特征和所述第二特征输入到一个FNN网络进行比对计算，所述FNN网络输出的二维向量代表了学生是否替练的概率。

上述步骤S202-S203是本申请对于一个二分类模型的训练过程，二分类模型的选择，总体的思路是先分别提取以往运动数据和最近运动数据的特征，然后针对这一特征判断两者是否相似。本模型采用对比学习的思想，亦即将不同学生的锻炼数据看作不同的类别，希望模型能够学习不同类别的特征，然后完成分类。虽然从这点来看学生的类别会非常多(等于学生的数量)，但是模型并不需要区分出每个类别，只用学习如何进行两个类别的对比，输出简单的二分类标签(即：对以往数据和最近数据，输出判断其属于同一类或是不属于同一类的判断结果)。利用这一点，就可以简化网络结构，减少网络参数和训练开销，并提升网络表现。

本申请在模型结构设计上，考虑到各学生生理体征数据是一个连续时间序列，故采用两个Bi-LSTM网络提取其特征，一个提取该学生历史生理体征数据的特征，一个提取最近一次运动的生理体征数据的特征(即本次待判定的数据特征)。具体提取方式是将该序列输入Bi-LSTM中，然后取各步隐层输出的均值作为其特征。提取特征后将两个序列的特征输入到一个FNN网络中，进行对比计算，随后FNN网络输出一个二维向量(a

例如：假设每个时间点的心电数据是一个长度为n的向量，那么以往运动数据应该是一个m×n(m为历史生理体征数据的长度)的张量，最近运动数据应该是一个k×n(k为最近一次运动数据的长度)的张量。将它们分别输入两个Bi-LSTM中，会分别得到长度为m×h和k×h的两个张量，其分别的均值应该都是个长度为h的向量，这就代表了模型从两组数据中提取得到的特征。最后，将这两个长度为h的向量拼接为一个长度为2h的向量，输入到一个2h到2的全连接网络中，最终的输出就应该是一个长度为2的二维向量。对其进行softmax变换，就能得到模型判断其属于一类或是不属于一类的概率。例如，如果最后的输出结果是[2.3,8.9]，且训练模型时将0号位定为相似数据标注位，那么由于其0号位的值(2.3)小于1号位的值(8.9)，因此最后应该判定为不相似，也就是认为该学生本次最近数据更有可能是他人替练的结果。

步骤S205：将获取的原始锻炼数据划分出验证集，基于所述验证集验证训练出的学生锻炼质量监测模型，直至满足预设准确度。

步骤S206：基于可穿戴智能设备获取学生的生理体征数据作为待监测锻炼数据。

步骤S207：将所述待监测锻炼数据输入至训练好的所述学生锻炼质量监测模型。

步骤S208：基于所述学生锻炼质量监测模型的输出判断学生是否有替练的情形。

由上述技术方案可知，本发明提供的学生锻炼质量监测方法，可以通过原始的无替练数据构造出合适的含替练数据训练集，从而使的训练出的学生锻炼质量监测模型可以准确地识别出学生是否存在替练情形，无需人工进行监督，节省了人工成本，提高了监测识别的效率。

如图3所示为本申请实施例提供的一种学生锻炼质量监测装置的结构示意图，该装置包括：数据获取单元310、模型训练单元320、数据输入单元330和监测单元340，它们之间依次相连。其中：

数据获取单元310用于获取学生的原始锻炼数据。

模型训练单元320用于基于所述原始锻炼数据训练学生锻炼质量监测模型。

数据输入单元330用于将学生的待监测锻炼数据输入至训练好的所述学生锻炼质量监测模型。

监测单元340用于基于所述学生锻炼质量监测模型的输出判断学生是否有替练的情形。

优选的，上述数据获取单元310所获取的学生的原始锻炼数据包括：学生运动时的历史生理体征数据以及所述学生对应的最近一次运动的生理体征数据。

优选的，如图4所示，上述模型训练单元320包括：数据划分模块321、特征提取模块322和比对计算模块323，它们之间依次相连。其中：

数据划分模块321用于将原始锻炼数据划分为正常数据和非正常数据，所述正常数据包括学生运动时的历史生理体征数据，以及该学生最近一次运动的生理体征数据；所述非正常数据包括学生运动时的历史生理体征数据，以及其他学生最近一次运动时的生理体征数据。

特征提取模块322用于将划分好的原始锻炼数据分别输入第一Bi-LSTM网络和第二Bi-LSTM网络来提取第一特征和第二特征，所述第一特征为历史生理体征数据的特征，所述第二特征为最近一次运动的生理体征数据的特征。

比对计算模块323用于将所述第一特征和所述第二特征输入到一个FNN网络进行比对计算，所述FNN网络输出的二维向量代表了学生是否替练的概率。

优选的，如图5所示，上述装置还包括：模型验证单元350，其分别和数据获取单元310及模型训练单元320相连，用于将获取的原始锻炼数据划分出验证集，基于所述验证集验证训练出的学生锻炼质量监测模型，直至满足预设准确度。

优选的，如图5所示，上述装置还包括：待检测数据获取单元360，其分别和模型训练单元320及数据输入单元330相连，用于基于可穿戴智能设备获取学生的生理体征数据作为待监测锻炼数据。

上述各个单元的详细描述可以参见前述方法实施例中对应描述，在此不再继续赘述。

由上述技术方案可知，本发明提供的学生锻炼质量监测装置，可以通过原始的无替练数据构造出合适的含替练数据训练集，从而使的训练出的学生锻炼质量监测模型可以准确地识别出学生是否存在替练情形，无需人工进行监督，节省了人工成本，提高了监测识别的效率。

本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

如图6所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。

如图6所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。