運動健身測評移動App系統設計

肖利

摘要：科學健身是當前運動者的目標，如何根據運動者個體差異得到最佳的運動量是制定科學健身方案的依據。對此設計了一款運動健身測評系統，該系統采用MFC框架開發、C++語音編寫，SQLServer作為運動數據存儲數據庫，根據運動者各項生理指標，結合改進的神經網絡算法和模糊綜合評價方法，實現了個體最佳運動量預測。為健身愛好者科學健身方案的制定提供了參考。

關鍵詞：神經網絡算法;App客戶端;MFC框架;生理指標

中圖分類號：G643

文獻標志碼：A

DesignofMobileAppSystemforExerciseFitnessEvaluation

XIAOLi

（

JiangxiCollegeofApplicationScienceandTechnology，InstitutionofEducationand

PhysicalEducation，Nanchang330100，China

）

Abstract：Scientificfitnessisthegoalpursuedbycurrentathletes.Howtogetthebestamountofexercisebasedonindividualdifferencesisthebasisformakingscientificfitnessprogram.Thispaperdesignsasportsfitnessevaluationsystem.ThesystemusesMFCframeworkdevelopment，C++voiceprogramming，SQLserverasthesportsdatastoragedatabase，dependingonthephysiologicalindicatorsoftheathletes，combinedwiththeimprovedneuralnetworkalgorithmandfuzzycomprehensiveevaluationmethod，itrealizestheindividualoptimalexerciseprediction.Itprovidesareferencefortheestablishmentofscientificfitnessprogramforfitnessenthusiasts.

Keywords：neuralnetworkalgorithm;APPclient;MFCframework;physiologicalindexes

0引言

隨著人們生活水平的提高，運動健身成為日常生活的重要組成部分。科學健身方法能夠按照個體水平如身高、體重、肺活量、脂肪率、心率等，對運動量進行有效的評估和預測[1]。可穿戴設備的開發為科學健身提供了更加完善的評估平臺，如三星的GearFit、蘋果的iWatch等，但這些設備只具備路程、鍛煉時間、熱量消耗等預測功能，采集對象大多為運動者的心跳數據，評價方式單一，預測結果離實際情況還有一定的差距[23]。因此，本文利用改進的神經網絡結合個體體質水平建立最佳運動量預測模型，采用生理指標傳感器采集個體水平參數，并開發運動健身測評系統，為運動愛好者提供更加科學、全方位的運動測評。

1改進的神經網絡最佳運動量預測模型

1.1樣本過濾

為了更加精準的描述運動與個體體質的關系，神經網絡學習樣本要采用體質相近的不同個體數據，來提高神經網絡的預測精準度。與運動密切相關的體質指標為選擇反應時、脂肪率、心率、肺活量、身高及體重。為了使得神經網絡各個節點收斂至有效范圍內，將運動個體生理指標作為參考標準，過濾掉與生理指標差距過大的數據[4]。兩個體質差距的衡量公式為：

A=1n∑ni=1（ai-a0i）2

其中，a0i表示目標體質的第i相指標歸一化值，ai表示對比體質的第i相指標歸一化值，n為指標數量，A值越大即兩個評價體質的差異性越大，當A趨于0時說明被評價者體質相近。

1.2最佳運動量預測模型

運動量隨著個體體質的不同而呈現出不同階段的變化，因此找到一定周期內最佳運動量成為該預測模型的關鍵[5]。筆者針對上述相似體質數據，經過多次匹配來預測運動量，并對運動后各體質進行打分，即可得到不同體質在推薦運動量后的評分結果，并建立對應關系，最高評分即為最佳運動量。因此，通過對神經網絡學習算法的改進，得到如下體質評分預測流程，如圖1所示。

經過一階段運動測評戶，將結果擴展至最佳運動量預測模式，如圖2所示。

2系統設計

2.1總體設計

該系統建立網絡服務器，并構建數據庫存儲個體的大量

運動數據。通過運動個體佩戴的生理指標傳感器實施采集

運動數據，將數據上傳至服務器后，經過最佳運動量預測，將實時測評結果反饋給客戶端，如圖3所示。

系統終端會對運動數據進行收集，通過一段時間的運動數據采集后生成一條運動數據。運動周期結束后將運動數據傳輸至數據庫中，為神經網絡預測提供樣本數據，如圖4所示。

2.2功能設計

該系統功能結構分為服務端和App客戶端兩個部分，服務端包括篩選模塊、網絡模塊、數據庫操作模塊;客戶端包括網絡模塊、算法模塊、顯示模塊和數據采集模塊，如圖5所示。

（1）服務端

篩選模塊主要實現篩選符合條件的數據，篩選參考依據為客戶端輸入的個體參數和體質相似度規則。當客戶端向服務端發送最佳運動量預測請求時，該模塊會對數據進行帥選;網絡模塊實現每個客戶端與服務器通信的建立。該模塊可接收客戶端上傳的數據和個體體質參數，并將最佳運動量預測結果反饋至客戶端;數據操作模塊實現系統對數據庫的操作，包括客戶端數據保存、數據訪問等。

（2）App客戶端

客戶端的網絡模塊與服務端網絡模塊相連，并建立通信。可將個體運動數據上傳、提交最佳運動量預測請求、接受學習樣本;算法模塊集合了改進的神經網絡算法、運動強度模糊評價方法和階段運動數據記錄的構建方法;顯示模塊具有可視化界面，能夠實時顯示個體運動強度測評數據個下一個周期最佳運動量預測結果;數據采集模塊通過傳感器能夠實時采集個體運動數據，能夠按照個體設定將個體體質參數錄入系統。

3系統實現

本系統客戶端采用MFC框架開發，服務端采用C++語音編寫，數據庫為SQLServer。通過運動強度數據實時采集后，App客戶端顯示各指標實時數據，如主觀用力感、呼吸商、相對攝氧量、乳酸、心率。數據采集和基本參數設置后，可通過“上傳運動數據”將該階段運動數據上傳至服務器，來構建該階段運動記錄。系統可通過服務中的記錄輸出下一階段最佳運動量結果，如圖6所示。

此外，還能夠通過基本參數設置，如隸屬度參數、權重參數、運動量預測參數等屬于，以免系統預測結果超過人體的合理范圍，如圖7所示。

4總結

本文針對目前運動健身測評系統測評方式單一、預測結果不準確等問題，設計了一款基于改進神經網絡算法的運動測評系統。該系統采集個體生理指標，通過體質參數設定完成對未來運動量的預測。系統融合了模糊綜合評價方法、個體差距衡量算法，能夠根據不同類型體質運動者提供最佳運

動量數據，對健身愛好者運動方案的制定提供了參考。該系統的研發對普通大眾科學運動方案的制定提供了數據參考，使得健身愛好者能夠實時掌控自身的生理特征。該系統應用在健身房可讓健身愛好者數據得以快速的聚合并利用，健身教練能夠根據數據制定出更加符合個體的周期性運動方案。此外，在醫療康復訓練中，醫生也可以根據康復者生理指標進行康復運動計劃的制定。在今后的研究中，將針對不同運動項目開發出具有針對性的運動量測評功能，以期為專業運動員訓練方案的制定提供更加科學的指導。

參考文獻

[1]

朱吉鴿，李進飛，徐國政.運動姿態與肌電融合的腦卒中上肢運動功能評估系統的可行性研究[J].中國康復理論與實踐，2019，25（10）：11721176.

[2]王曉春，王俊華.運動反饋虛擬現實四肢康復系統評估模塊設計[J].中國康復理論與實踐，2019，25（5）：597601.

[3]韓麗婷，呼德，姚海霞.基于復雜網絡的運動能力在線評估系統設計[J].現代電子技術，2018，41（2）：116119.

[4]曹立，秦宇婷.游泳運動員選材評估系統的探究——基于模糊數學原理[J].中國學校體育（高等教育），2015，2（11）：6267.

[5]張曉瑩，王宏，趙軒立.競技健美操裁判員執裁評估系統的研制與應用[J].北京體育大學學報，2015，38（10）：120125.

（收稿日期：2020.05.18）