基于微信小程序的運動數據分析與可視化研究

摘? 要：運動數據可視化技術在運動人員的運動表現和傷病預測管理方面的應用越來越受關注，文章對運動數據進行了分析和可視化研究。運動數據可視化通過記錄運動人員的運動表現，提高人們運動的滿足感，同時有利于實現對運動人員運動中損傷的預測管理。以微信小程序為載體，通過收集和分析用戶數據，實現基于ec-canvas組件的運動數據折線圖和柱狀圖的繪制，為用戶提供更為直觀和個性化的運動數據展示和管理服務。在運動人員運動表現可視化研究中，采用K-means聚類算法對運動人員的心率和運動時長數據進行分析，通過散點圖展示聚類結果。研究表明，運動數據的可視化分析可以幫助運動人員評估自身狀態和運動表現。

關鍵詞：運動數據；可視化；微信小程序；傷病預測管理；算法模型；風險指標

中圖分類號：TP311? ? 文獻標識碼：A? 文章編號：2096-4706（2023）18-0055-05

Motion Data Analysis and Visualization Research Based on WeChat Mini Programs

LI Hang

（College of Information Engineering， Xizang Minzu University， Xianyang? 712082， China）

Abstract： The application of motion data visualization technology in the management of sports performance and injury prediction for athletes is receiving increasing attention. This paper analyzes and visualizes motion data. Visualization of motion data improves people's satisfaction with exercise by recording their performance， while also facilitating the prediction and management of injuries during exercise. Using WeChat mini programs as the carrier， by collecting and analyzing user data， line and bar charts of motion data based on the ec-canvas component can be drew， providing users with more intuitive and personalized motion data display and management services. In the study of visualizing the performance of athletes， the K-means clustering algorithm is used to analyze the heart rate and exercise duration data of athletes， and the clustering results are displayed through scatter plots. Research has shown that visual analysis of motion data can help athletes evaluate their own state and sports performance.

Keywords： sports data; visualization; WeChat Mini Program; injury prediction management; algorithm model; risk indicator

0? 引? 言

運動是人類的本能，也是我們保持身心健康的一種方式。隨著科技的不斷進步和創新，越來越多的人開始使用各種設備和應用來監測和記錄他們的運動（例如跑步、騎行、游泳、健身等）數據。這些數據（包括運動時間、距離、速度、步頻、心率、卡路里消耗等）可以幫助他們更好地了解自己的身體狀況和運動表現，還可以用于科學訓練和競技水平分析。

這些運動數據通常是復雜且相互關聯的，如何有效地分析和可視化這些數據成為一個重要的挑戰。基于數據分析算法的聚合特征，通過可視化技術將這些數據轉化為較為簡單和抽象的圖形和圖表，使得數據更易于理解和分析，使我們可以輕松便捷地了解自己的身體狀況和運動表現。

本文旨在探討運動數據分析技術與可視化，基于微信小程序開發一個運動數據可視化應用，以便運動愛好者和運動員更好地了解自己的身體狀況和運動表現，可以很好地預測和預防運動傷病。

由于運動手環可以便捷地采集耐力性運動的關鍵數據，本研究使用運動手環采集了健身人群的有氧運動數據，以研究運動數據的可視化分析。運動手環采集的心率、速度、距離等數據，為運動數據的分析提供了重要的第一手資料。基于運動手環采集的數據，本研究通過可視化的方法分析運動數據，以便用戶更好地理解自己的運動狀態和表現。

1? 運動數據可視化技術概述

1.1? 可視化技術的分類

可視化技術是指將數據轉化為圖形和圖表，以便以更加直觀和易于理解的方式展現數據。可視化技術可以按照數據類型、應用領域和可視化形式等常見分類方式進行分類：

1）數據類型。定量數據和定性數據。

2）應用領域。商業、科學、工程、藝術等領域。

3）可視化形式。線圖、柱狀圖、餅圖、散點圖、熱力圖、地圖。

1.2? 運動數據可視化的特點和挑戰

運動數據可視化與其他數據可視化有一些不同之處。首先，運動數據通常具有時序性和空間性，需要考慮時間序列和空間關系的變化。其次，運動數據具有多樣性和復雜性，可能涉及多種運動類型、不同的設備和傳感器、多個數據指標。此外，運動數據的采集和處理還需要保護個人隱私和數據安全。因此，運動數據可視化面臨以下挑戰：

1）如何從用戶手中收集運動數據。

2）如何有效地處理和可視化海量且復雜的運動數據。

3）如何根據運動特點和需求設計和選擇合適的可視化形式和交互方式。

4）如何保護個人隱私和數據安全，防止數據泄露和濫用。

2? 基于微信小程序的運動數據可視化應用

2.1? 微信小程序簡介

微信小程序作為一種輕量級移動應用，可以快速地開發創建及發布應用。在運動數據可視化方面，微信小程序具有以下優勢：

1）方便快捷。可以在微信平臺上直接使用微信小程序，用戶無須下載和安裝額外的應用，可以輕松便捷地收集運動數據信息。

2）交互性強。小程序提供了豐富的交互組件和API，可以實現多種交互，如微信運動模塊、定位等。

3）安全可靠。微信小程序采用多重安全措施，可以很好地保護用戶隱私和數據安全。

在基于微信小程序的運動數據可視化應用中，可以根據用戶需求和數據類型選擇不同的可視化形式，如折線圖、散點圖、熱力圖、地圖等。

此外，基于微信小程序的運動數據可視化應用可以實現以下功能：

1）個人數據收集和管理。收集用戶運動信息進行相關的數據分析。

2）數據分析與評測。通過數據分析算法分析運動人員當前的運動狀態，評測運動人員的運動表現及運動質量。

3）傷病預測管理。通過分析運動人員的運動數據及其健康狀況等信息預測運動人員可能的傷病風險，并提供相應的預防和管理措施。

2.2? 微信小程序運動數據可視化實例

在微信小程序中，使用ec-canvas組件進行數據可視化是一種高效實用的方法。ec-canvas是專門為微信小程序設計的ECharts圖表庫封裝，它可以輕松地將ECharts圖表集成到微信小程序中。ECharts是一款由百度開源的數據可視化庫，提供豐富的圖表類型，如折線圖、柱狀圖、餅圖、散點圖等。以下是使用ec-canvas組件進行數據可視化的簡要描述和代碼示例。

為了能夠在微信小程序中使用ec-canvas組件，開發者需要將其添加到項目中。這通常包括將ec-canvas文件夾置于項目的components目錄下，并在app.json中注冊組件。以下是在app.json文件中注冊ec-canvas的代碼段：

{ "usingComponents"： {

"ec-canvas"： "/components/ec-canvas/ec-canvas"

}

}

接下來，在WXML文件中，開發者可以通過在頁面布局中添加ec-canvas標簽來創建圖表如。

在JavaScript文件中，開發者需要導入ECharts庫和初始化圖表。這通常包括編寫一個用于初始化圖表的函數，并在頁面加載完成后調用它。其代碼為：

import * as echarts from '../../components/ec-canvas/echarts';

如圖1所示為利用ec-canvas組件生成的可視化圖表。其中每一個線條表示一個運動人員當天的運動時間。

3? 運動人員個體表現可視化

3.1? 運動人員個人表現指標

在運動人員個體表現可視化方面，關鍵是確定適合運動人員的表現指標。這些指標應該基于特定運動人員的身體和技能水平，以及特定運動項目的需求和要求。可根據以下指標進行分析：

1）身體數據。體重、身高、BMI、腰臀比等。

2）生理數據。心率、血壓、血氧飽和度、體溫等。

3）技能數據。速度、力量、柔韌性、協調性等。

4）比賽數據。得分、擊球次數、失誤次數、盤數、時間等。

本研究使用運動手環采集研究對象的有氧運動數據。所有研究對象佩戴運動手環進行有氧運動，運動手環實時采集心率、速度、距離等運動數據。

3.2? 圖表和可視化工具

對于運動人員個體表現可視化，可使用的圖表和可視化工具與前一部分介紹的運動數據可視化相似：

1）折線圖。用于顯示連續的時間序列數據，例如心率、速度等。

2）柱狀圖。用于顯示離散的數據，例如擊球次數、得分等。

3）散點圖。用于顯示多個變量之間的關系，例如速度與力量之間的關系。

4）雷達圖。用于顯示多個指標的大小，例如速度、力量、柔韌性等。

如圖2所示，通過繪制折線圖使得運動中各項數據之間的關系清晰可見，有利于我們實時了解個人的運動情況，從而及時調整運動策略。

如圖3所示為三個運動人員的數據可視化柱狀圖，通過微信小程序可將這類圖展現出來。

圖4展現了力量與速度之間的關系，散點圖有利于我們發現大量數據中各個變量之間的關系。

3.3? 算法和模型簡介

除了基本的圖表和可視化工具外，還可以采用算法和模型對運動人員個體表現進行多方面的分析：

1）聚類算法。用于根據某些指標將運動人員聚合成不同的群組，例如根據體重、速度和力量等指標將運動人員分為不同的等級或類型。

2）預測模型。基于運動人員的歷史數據預測其未來表現，例如通過運動人員的歷史得分和其他指標預測他們在未來比賽中的表現。

3）評估模型。用于評估運動人員的運動表現和進步，例如通過得分和其他指標評估運動人員的運動表現，由此找出他們需要改進的地方。

3.4? 算法和模型應用

3.4.1? K-means算法的介紹

本文采用的算法模型是K-means，K-means算法是一種無監督學習的聚類分析方法，它可以將一組數據劃分為k個簇，使得每個數據點都屬于距離它最近簇中心對應的簇。K-means算法的基本思想是：首先隨機選擇k個數據點作為初始的簇中心，然后將每個數據點分配到最近簇中心所在的簇，接著重新計算每個簇新的簇中心，重復這個過程直至簇中心不再變化或者是達到最大迭代次數。

3.4.2? K-means算法在運動數據分析中的應用

運用K-means算法實現對運動人員身體狀況的預測。假設有一組運動人員的身體指標數據（如身高、體重、肺活量、血壓等），可以將這些數據作為特征向量輸入到K-means算法中，設定一個合適的k值，例如k = 3，表示我們想要將運動人員分為三類：優秀、良好和一般。通過運行K-means算法，可以得到每個運動人員所屬的簇以及每個簇的簇中心。然后根據每個簇中心的特征值來判斷該簇代表什么樣的身體狀況，并給出相應的評價和建議。

為了更加直觀地展示K-means算法對運動人員身體指標數據的聚類結果，我們使用一些可視化工具來繪制散點圖或雷達圖。例如，如果只考慮兩個特征——心率和運動時長，我們可以在二維平面上繪制所有運動人員的散點圖，并用不同顏色或形狀表示不同的簇，如圖5所示。同時，我們也可以在圖上標出每個簇的質心位置，并用虛線連接質心及其所屬簇內部的所有點。這樣就可以清楚地看出各個運動人員在身高和體重方面有什么異同以及他們之間有多大差距。

如圖6所示為基于心率和運動速度這兩個特征對每個運動人員進行K-means分析的散點圖。

總之，運動人員個體表現可視化可幫助運動人員更好地了解自己的表現和進步，從而量身定制更好的訓練和比賽策略。

4? 傷病預測管理可視化

傷病是影響運動人員表現的重要因素之一。在運動人員傷病預測管理可視化方面，需要確定適合運動人員的傷病風險指標、風險預測模型和可視化工具。

4.1? 傷病風險指標

傷病風險指標應基于特定運動人員的身體狀況、歷史傷病記錄以及運動項目的要求。可根據以下指標來分析：

1）傷病歷史記錄。例如過去的傷病種類、嚴重程度、持續時間等。

2）身體狀況。例如身體部位的靈活性、肌肉力量、骨骼穩定性等。

3）運動量和強度。例如訓練時間、訓練強度、比賽頻率等。

4）情感狀態。例如焦慮、壓力、疲勞等情感狀態也可能影響運動人員的傷病風險。

4.2? 風險預測模型

為了預測運動人員的傷病風險，可以使用基于歷史數據和機器學習算法的模型。具體的算法模型預測過程可以分為四個步驟：

1）收集運動人員的歷史數據，包括訓練強度、頻率、時長、類型等，以及傷病發生的時間、部位、程度等。

2）對歷史數據進行預處理，如缺失值填充、異常值剔除、特征選擇等，以提高數據質量和有效性。

3）選擇合適的機器學習算法，如邏輯回歸、支持向量機、隨機森林等，根據歷史數據訓練模型，并進行交叉驗證和參數調優。

4）利用訓練好的模型對新的運動人員數據進行預測，輸出傷病風險的概率或等級并給出相應的建議或干預措施。

這樣的算法模型可以幫助運動人員及時發現和預防潛在的傷病風險，提高運動效果和安全性。

4.3? 圖表和可視化工具

為了將傷病風險指標和預測模型可視化，可采用以下圖表和可視化工具：

1）熱力圖。用于顯示傷病風險指標和預測模型的權重和關系。

2）折線圖。用于顯示傷病歷史記錄和傷病風險指標的變化。

3）散點圖。用于顯示傷病風險指標之間的關系，例如身體狀況和訓練強度之間的關系。

5? 結? 論

在本文中，我們探討了運動數據可視化在運動人員個體表現和傷病預測管理方面的應用。運動人員個體表現可視化可以幫助教練和運動人員更好地理解和評估運動人員的表現，以及優化訓練計劃和戰術策略。而傷病預測管理可視化則可以幫助教練和運動人員更好地識別和預防運動中的傷病風險，采取相應的預防措施。通過微信小程序用戶可以更加便捷地享受運動數據可視化服務。

隨著可視化技術和機器學習算法的不斷發展，運動數據可視化在體育訓練和管理中的應用將會越來越廣泛。隨著基于神經網絡深度學習大模型的快速發展與應用，未來可能會出現基于個體數據的個人神經網絡模型，該模型通過個人數據可以更加準確地分析出當前運動人員的身體與心理問題，這相當于為我們每一個人提供一個了解自己的AI教練。

參考文獻：

[1] 辛華.人體三維運動可視化的研究與實現 [D].成都：電子科技大學，2023.

[2] 黃麗，韓利峰，劉文倩，等.基于MQTT的epics實時數據在微信小程序端的可視化監控系統 [J].儀器儀表用戶，2022，29（1）：10-14.

[3] 邵小青，賈鈺峰，章蓬偉，等.基于K-Means聚類算法的數據分析 [J].科學技術創新，2021（23）：85-86.

[4] 彭巖，馬鈴，張文靜，等.基于集成學習的風險預測模型研究與應用 [J].計算機工程與設計，2022，43（4）：956-961.

[5] 盧朝霞，李寧寧，于飛.一種基于本體模型和關聯規則的個性化運動處方推薦系統研究及設計 [C]//第十二屆全國體育科學大會.山東日照：[出版者不詳]，2022：65-67.

作者簡介：李行（2001.12—），男，漢族，湖南郴

州人，本科在讀，主要研究方向：前后端開發、深度學習。