基于物聯網技術的體育運動訓練實時監測方法研究

摘 要：由于體育運動的場地涉及的環境復雜多樣，監測運動訓練的設備可能受到其他無線設備的干擾，影響數據的完整傳輸，導致丟包率較高。針對上述情況，提出基于物聯網技術的體育運動訓練實時監測方法。通過部署各種傳感器和設備，利用物聯網技術實時采集運動員在訓練過程中的數據，對采集的體育運動訓練數據進行深入的分析，并對其特征進行深入挖掘與提取，實現對體育運動訓練實時數據的優化輸出。實驗結果表明，該監測方法能夠減少外界環境的干擾，傳輸監測數據時丟包率較低，可以幫助運動員更好地提升運動水平。

關鍵詞：物聯網技術；體育運動訓練；運動訓練數據；實時監測方法；丟包率；體能負荷指標

中圖分類號：TP393 文獻標識碼：A 文章編號：2095-1302（2025）04-00-03

0 引 言

傳統的體育運動訓練監測方法往往依賴于教練員的直觀觀察和運動員的自我反饋，不僅受限于人的主觀性和經驗，而且難以對運動員的訓練狀態進行連續、全面的監測。此外，由于缺乏精確的數據支持，教練員很難對訓練計劃進行有針對性的調整和優化。物聯網技術將各種設備、傳感器和執行器連接到互聯網，實現對環境、設備狀態、人體生理參數等的實時監控和數據采集，從而增強了對訓練過程的深度洞察和優化。因此，本文研究了一種基于物聯網技術的體育運動訓練實時監測方法，通過集成傳感器等技術，實現對運動員訓練過程中數據的實時采集和分析，旨在能夠為教練員提供全面、準確的訓練數據支持，及時發現并解決訓練過程中的問題。

1 利用物聯網技術實時采集訓練數據

本文借助物聯網技術的優勢與無線傳感器網絡的自我組織能力，遵循IEEE 802.15.4標準，旨在構建一個集成了無線傳感器節點與Sink節點的軟硬件驗證監測方法[1]，實時獲取訓練數據，如圖1所示。

本文方法的核心組件包括：運動員佩戴的微型無線傳感前端、RFID識別器、物聯網網關節點及中央服務器。其中，微型無線傳感節點集成了生理監測傳感器、無線通信模塊及微型處理器，通過內置的生理信息傳感器，實時采集運動員的生理數據，并通過射頻模塊將數據傳輸至物聯網網關節點。物聯網網關節點將來自多個傳感器的數據匯總，并通過IEEE 802.15.4協議，利用多跳方式將數據可靠地傳輸至后端服務器。同時，每個運動員都配備有唯一的RFID標簽，使得系統能夠同時追蹤并監測多個個體的生理狀態。服務器端Sink節點接收并綜合處理來自無線傳感網絡的海量數據。隨后，通過RS 232串口控制芯片，數據被有序地傳輸到連接的計算機中[2]。

2 確定體育運動訓練數據的信息分布

本文研究的焦點集中在構建體育運動訓練負荷中約束變量與解釋變量的聯合概率分布模型上，旨在通過這一模型全面揭示訓練負荷的內在規律[3]。為了更全面地理解運動訓練負荷的特性，本文引入多個重要參量，包括靜息心率、心室肌收縮力以及管壁厚度等。體育運動訓練數據的特征分布如圖2所示。

基于圖2的數據特征分布情況，考慮攝氧量VO2、CO2排出量、氧脈搏O2P等因子對心肺機能的影響，通過綜合分析和數學建模，構建一個心肺機能的影響約束指標分布模型：

（1）

式中：SCO2為多元融合參數，用于實時監測體育運動訓練負荷的數據。借助主分量融合技術和線性相關決策策略，能夠迅速且精確地提煉出體育運動訓練負荷的關鍵成分信息指標，并進行特征匹配。通過這種方法，得到體育運動訓練特征匹配集：

（2）

式中：OC表示體育運動訓練負荷數據實時監測的聯合分布系數。為獲取更準確的OC值，本文根據最大脈搏輸出量進行輸出約束分析，確保輸出的體育運動訓練負荷數據既準確又可靠。

3 提取體育運動訓練數據特征

為了實現更精確的數據分析和處理，采用深度學習和特征分解的方法，對訓練負荷數據進行全面挖掘和解析，構建體育運動訓練負荷數據的數據融合模型：

（3）

式中：k（t）為離散樣本的特性。利用數據融合技術，將這些特性進行有效整合，形成一個全面準確的數據集，并對其進行回歸分析，結果如式（4）所示：

（4）

式中：ωi（t）為回歸系數。在數據整合的流程中，全面納入肺功能量化分析的成果，以建立針對體育運動訓練負荷數據的閾值管理模型：

（5）

基于數據整合后的深度剖析，進一步開發體育運動訓練負荷數據的相互關聯探測技術。為了更精確地評估運動員的訓練狀態，本文引入AT臨界值點無氧閾，通過結合這一指標，獲得一種融合規則的運動訓練負荷模型：

（6）

通過高效且精準的體育運動訓練監測模型，捕捉到體育運動訓練負荷數據的實時動態變化。

4 優化輸出體育運動訓練數據

為了從多個維度深入挖掘運動員在不同訓練負荷下生理反應數據的深層特征，采用多維度關聯分析方法。依據所提取的特征信息，構建了用于實時監測體育運動訓練負荷數據的統計特征檢測模型：

（7）

這些特征量能夠直觀地反映運動員在訓練過程中的負荷狀態和表現[5]。同時，構建線性映射組合特征分布矩陣，有效融合心率、呼吸、運動軌跡等多維度數據，從而更全面地反映運動員在訓練過程中的生理狀態和運動表現，以更全面地理解體育運動訓練負荷數據：

（8）

這種實時監測不僅能夠為教練提供寶貴的反饋，還能夠幫助他們調整訓練計劃和策略，提供個性化的訓練建議。運動員可以根據反饋結果，調整自己的訓練強度，以達到更好的訓練效果[6-7]。

5 實驗驗證

5.1 實驗準備

為了驗證本文方法的有效性，本文采用嵌入式技術作為基石，選用ATmega128L搭載AVR核心作為主控單元，配備一款具備128 KB程序閃存和4 KB E2PROM的低功耗COMS芯片。在無線通信方面，選用CC2420射頻芯片[8]。

圖3所示為前端生理數據采集節點結構。

在開發和構建數據采集節點與網關節點時，本文均選用TinyOS作為嵌入式操作系統[9]。

5.2 實驗結果及分析

為驗證本文方法的優越性，對本文所提體育運動訓練實時監測方法展開實驗研究。

首先，根據圖2的體育運動訓練數據的特征分布，建立體育運動訓練負荷數據相關參數，見表1。

基于動態信息檢測所得的結果，對不同年齡段體育運動訓練負荷的數據進行了深入剖析，并從中成功提煉出了各自獨特的特征分布模式[4]。通過對不同年齡段體育運動訓練負荷數據的特征提取和分析，得到了圖4所示的分布結果。

圖4 體育運動訓練負荷數據特征提取分布

從圖4可以看出，不同年齡段的運動員在體育運動訓練負荷數據的分布上表現出明顯的差異。為后續的應用實驗提供了關于運動員體育運動訓練情況的寶貴信息，進而為未來訓練計劃和策略的制定提供了重要的參考[10]。

最后，將本文所提的方法與可穿戴設備監測方法以及視頻分析技術進行對比，對體育運動訓練分別進行實時監測，得到了如圖5所示的實驗結果。

在所有實驗節點中，本文方法的平均丟包率最低，為1.33%，其中最大丟包率為2%，出現在節點標號為3、發送數據包為9 660個的情況下；可穿戴設備的平均丟包率為3.33%，高于本文方法，其中最大丟包率為6%，出現在節點標號為2、發送數據包為9 520個的情況下；視頻分析技術的平均丟包率最高，為6%，其中最大丟包率接近8%，出現在節點標號為2、發送數據包為9 520個的情況下。綜上可知，本文方法的丟包率都保持在較低水平，說明本文方法在準確性方面具有很大的優勢。

6 結 語

本文的監測方法能對體育運動訓練進行實時監測。為了滿足對不同運動項目和不同水平運動員的監測需求，筆者將致力于根據不同運動項目的特點，開發更具有針對性的監測模塊，以滿足更廣泛的體育訓練需求。

參考文獻

[1]張丹，石紅.基于物聯網和可穿戴傳感的新監測技術在體育訓練中的應用研究[J].文體用品與科技，2023（21）：196-198.

[2]袁晉文.基于物聯網技術的體育運動監測系統設計研究[J].文體用品與科技，2023（19）：190-192.

[3]房施龍.基于物聯網技術的高校體育拓展訓練移動終端實時監測研究[J].體育風尚，2022（12）：158-160.

[4]劉紅星，魏玉芳，張利芳，等.基于多傳感器的體育運動訓練體能指標自動監測系統[J].自動化與儀器儀表，2022（9）：120-123.

[5]陳宇，祝家東，王夢囡.基于物聯網技術的健身運動監測系統研究[J].當代體育科技，2021，11（21）：232-234.

[6]魏玉福，陳麗萍.基于注意力機制的深度學習體育運動姿態估計技術[J].電子設計工程，2023，31（2）：152-155.

[7]祁浩浩，吳瓊，李凱.基于“5G+智慧體育”的新型教學模式應用研究—以信息技術與體育教學深度融合實踐為例[C]//四川省體育科學學會，四川省學生體育藝術協會，四川省排球協會.第一屆四川省體育科學論文報告會論文集（1）.成都高新新城學校，2023：2.

[8]陳洪琪.基于物聯網技術的數字健身器材設計與應用研究[D].曲阜：曲阜師范大學，2014.

[9]陸勇，王憲.物聯網技術在高校體育教學身體機能反饋中的應用[J].體育科技文獻通報，2013，21（9）：132-133.

[10]韋玉，費青松.大數據與物聯網技術在青少年課外體育運動中的應用研究[J].運動，2018（12）：90-91.