开云（中国体育）官方网站-KAIYUN SPORTS

　　1、在城市中，健身房已成为越来越多人追求健康、塑造身材的热门场所，健身房能够提供各种现代化的健身设备，健身房拥有舒适的环境，专业的教练团队提供私人指导、团体课程和营养建议等服务，帮助会员达到健康和健身目标。

　　2、在健身时，错误的姿势不仅会影响健身效果，还可能对身体健康造成潜在的危害，不仅会增加受伤风险，还会降低训练效果，在健身时需要注意姿势，可以通过收集健身时的运动数据来判断姿势是否正确，因此，需要一种健身房运动数据实时采集方法。

　　1、本发明的目的在于提供一种健身房运动数据实时采集方法，以解决上述背景技术中提出的问题。

　　2、为实现上述技术问题的解决，本发明提供了一种健身房运动数据实时采集方法，包括如下步骤：

　　5、s3、基于改进随机森林算法构建分类模型，使用正确的运动数据对分类模型进行训练；

　　9、作为本技术方案的进一步改进，所述s1中使用多种传感器获取身体数据，每个传感器获取数据均包含x、y和z三轴数据。

　　12、步骤2、数据采样，以时间作为横轴，处理后数据作为纵轴，使用固定滑动窗口对滤波后的数据采样，滑动窗口长度为t秒，相邻两个滑动窗口覆盖率为1/3至1/2；

　　13、步骤3、特征提取，计算每个窗口内的若干特征量，设计算的特征量种类为a，传感器种类为b，经过特征提取后的特征向量的维度为3ab，其中3代表包含x、y和z三轴数据；

　　16、s31、将收集的大量数据作为数据库，使用pearson相关系数去除高度相关的特征，将数据库数据分为训练集和验证集；

　　17、s32、设训练集共有m个数据，去除高度相关后的特征后每个样本数据有k个特征；

　　18、s33、基于粒子群算法优化随机森林中的参数，使用优化后的参数构建训练随机森林；

　　20、作为本技术方案的进一步改进，所述s32中使用pearson相关系数去除高度相关的特征的具体步骤包括：

　　25、其中，r(i,j)表示第i个特征和第j个特征之间的pearson相关系数，和分别为第i个特征和第j个特征的平均值；

　　26、设置阈值∈，遍历k个特征中每一对特征，将其中r(i,j)的绝对值大于阈值∈的一对特征去除其中一个。

　　28、s331、初始化粒子群：所有粒子默认为同一位置，为每个粒子分配一个随机速度，位置代表随机森林中决策树个数ntree、决策数的深度d和抽取特征数k0，速度表示参数搜索的方向的步长；

　　31、s334、更新个体最优和全局最优：记录每个粒子的历史最优位置和整个粒子群的全局最优位置；

　　33、s336、重复s332至s335，直至达到最大迭代次数或连续一定次数输出同一结果。

　　34、作为本技术方案的进一步改进，所述s332的具体步骤为：使用boostrap从训练集中抽取n个样本，随机抽取k0个特征构建决策树，根据基尼指数选择最优的划分属性，继续向下划分，直至达到决策树的深度d或该节点的所有样本都为同一个类别，构建ntree个决策树。

　　35、作为本技术方案的进一步改进，所述s332使用基尼指数的计算公式为：

　　37、其中，gs表示决策树上节点s的基尼系数，r表示类别总数，prs表示决策树上节点s上属于第r类的样本所占比例。

　　40、其中，a为分类准确度，p为精确度，r为召回率，f1为f分数，tp为正样本中被正确识别为正的样本数，tn为负样本中被正确识别为负的样本数，fp为负样本中被错误识别为正的样本数，fn为正样本中被错误识别为负的样本数。

　　46、其中，为粒子a在第q次迭代时的速度，为粒子a在第q次迭代时的位置，pad为粒子a的历史最佳位置，pgd为粒子群历史最佳位置，为第q次迭代时的个体学习因子，α为衰减因子，为第q次迭代时的群体学习因子，β为增长因子，r1和r2是介于0和1之间的随机数。

　　47、与现有技术相比，本发明的有益效果：该健身房运动数据实时采集方法中，通过使用随机森林构建分类模型，并通过粒子群算法优化随机森林的参数，对收集的运动数据进行分类，便于及时了解用户运动情况，有助于纠正错误的运动行为和制定运动计划。

　　2.根据权利要求1所述的健身房运动数据实时采集方法，其特征在于：所述s1中使用多种传感器获取身体数据，每个传感器获取数据均包含x、y和z三轴数据。

　　3.根据权利要求1所述的健身房运动数据实时采集方法，其特征在于：所述s2和所述s5的具体步骤包括：

　　4.根据权利要求1所述的健身房运动数据实时采集方法，其特征在于：所述s3的具体步骤包括：

　　5.根据权利要求4所述的健身房运动数据实时采集方法，其特征在于：所述s32中使用pearson相关系数去除高度相关的特征的具体步骤包括：

　　6.根据权利要求4所述的健身房运动数据实时采集方法，其特征在于：所述s33的具体步骤包括：

　　7.根据权利要求6所述的健身房运动数据实时采集方法，其特征在于：所述s332的具体步骤为：使用boostrap从训练集中抽取n个样本，随机抽取k0个特征构建决策树，根据基尼指数选择最优的划分属性，继续向下划分，直至达到决策树的深度d或该节点的所有样本都为同一个类别，构建ntree个决策树。

　　8.根据权利要求7所述的健身房运动数据实时采集方法，其特征在于：所述s332使用基尼指数的计算公式为：

　　9.根据权利要求6所述的健身房运动数据实时采集方法，其特征在于：所述s333中的适应度函数为：

　　10.根据权利要求4所述的健身房运动数据实时采集方法，其特征在于：所述s345中的对应公式为：

　　本发明涉及健身训练技术领域，具体地说，涉及一种健身房运动数据实时采集方法，包括如下步骤：S1、获取专业人员正确运动时多位置的身体数据；S2、数据预处理；S3、基于改进随机森林算法构建分类模型，使用正确的运动数据对分类模型进行训练；S4、获取用户运动时多位置的身体数据；S5、数据预处理；S6、使用分类模型分析识别用户运动数据。本发明中，通过使用随机森林构建分类模型，并通过粒子群算法优化随机森林的参数，对收集的运动数据进行分类，便于及时了解用户运动情况，有助于纠正错误的运动行为和制定运动计划。

　　1.计算机网络安全 2.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用