دانلود مقاله بررسی و تصویر سازی شاخص های فیزیولوژیکی فعالیت فیزیکی
نکات برجسته
چکیده
1. مقدمه
2. کارهای مرتبط
3. تجزیه و تحلیل شاخص داده محور گسسته
4. نمایه فیزیولوژیکی تمرین بدنی
مدل نظارت و تجسم
ساختار داده های گسسته
5. کاربرد و تجزیه و تحلیل شاخص فیزیکی
مدل نظارت و تجسم
ورزش های هدایت شده توسط داده های گسسته
6. نتیجه گیری
در دسترس بودن داده ها
قدردانی ها
منابع
Highlights
Abstract
1.Introduction
2.Related Work
3.Discrete Data-Driven Indicator Analysis
4.Physical Exercise Physiological Index
Monitoring and Visualization Model
Construction Driven by Discrete Data
5.Application and Analysis of Physical Index
Monitoring and Visualization Model in
Sports Driven by Discrete Data
6.Conclusion
Data Availability
Conflicts of Interest
Acknowledgments
References
چکیده
پایش شاخص فیزیولوژیکی تمرینات بدنی دارای کاربردهای گسترده ای در زمینه های برنامه ریزی و طراحی شاخص فیزیولوژیکی و تکامل شبکه سازمانی است. در میان روش‌های تحلیل موجود برای پایش نقاط داده شاخص‌های فیزیولوژیکی تمرین بدنی، خطای تحلیل رویدادهای نقطه‌ای تحت محدودیت‌های خطی نسبتاً بزرگ است. این مقاله بر اساس مجموعه داده‌های مبتنی بر داده‌های گسسته، نظارت و تجسم شاخص‌های فیزیولوژیکی ورزشی را محقق می‌کند. ابتدا، تحلیل مؤلفه اصلی داده‌های گسسته چند متغیره برای کاهش ابعاد استفاده می‌شود. دوم، خوشه‌بندی داده‌های تمرین بدنی گسسته از معیار BIC برای از پیش تعیین کردن تعداد خوشه‌ها استفاده می‌کند و نرم‌افزار R برای درک بصری نتایج خوشه‌بندی شاخص‌های فیزیولوژیکی تمرین بدنی در هر منطقه در متن استفاده می‌شود. این آزمایش مشکل عدم تطابق ترکیبات پارامترهای مدل را زمانی که کمیت نظارت بر شاخص تمرین بدنی برای تجزیه و تحلیل کمکی نتایج خوشه‌بندی استفاده می‌شود، حل می‌کند. با پایش شاخص ARI، دقت نتایج تمرین بدنی خوشه‌بندی روش به 89.7 درصد افزایش یافته و میزان خطا در 4.3 درصد کنترل می‌شود. این برتری و اثربخشی روش‌های خوشه‌بندی مدل داده‌محور گسسته چند متغیره را ارتقا می‌دهد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Physical exercise physiological index monitoring has a wide range of applications in the fields of physiological index planning and design and organizational network evolution. Among the existing analysis methods for monitoring data points of physical exercise physiological indicators, the analysis error of point events under linear constraints is relatively large. Based on discrete data-driven datasets, this paper realizes the monitoring and visualization of sports physiological indicators. First, the principal component analysis of multivariate discrete data is used for dimensionality reduction. Second, the clustering of discrete physical exercise data uses the BIC criterion to preset the number of clusters, and the R software is used to visually realize the clustering results of physical exercise physiological indicators in each region in the text. The experiment solves the problem of mismatch of model parameter combinations when the physical exercise index monitoring quantity is used for the auxiliary analysis of the clustering results. Through the ARI index monitoring, the accuracy of the clustering physical exercise results of the method is increased to 89.7%, and the error rate is controlled within 4.3%. It promotes the superiority and effectiveness of multivariate discrete data-driven model clustering methods.
Introduction
In terms of discrete data processing, regression analysis uses mathematical statistics to reveal the interdependence (correlation) between two or more dimensions. If there is such a relationship, then when visualizing, all samples will be in a certain, and if this relationship does not exist, the visualization effect is a group of discrete points [1]. Cluster analysis is to divide the samples in the data set into several groups according to a certain relationship, the similarity in the same group is large, and the similarity between different groups is small [2–5], so this paper first adopts the principal component analysis (MFPCA) of multivariate functional data to reduce the dimension, and then uses the multivariate functional data clustering through. )e BIC criterion presets the number of clusters, and the EM algorithm estimates the Gaussian mixture model density function parameter R and then uses R software to visually realize the clustering results of physiological indicators in various regions of the country in the text, and obtain different changing laws in different regions, and add the amount of data to assist in the analysis of the clustering results [6–8].
Conclusion
In this paper, the discrete data dimension correlation matrix is first established by the physical exercise data correlation coefficient (each element in the matrix is the correlation coefficient between the physical exercise data discrete data dimensions), and then, the discrete data dimension correlation matrix is transformed into the physical exercise data dimension on the plane through the transformation function. For Euclidean distance matrix between physical exercise data dimension points (each element in the matrix is the Euclidean distance between discrete data dimension points on the plane), we use an algorithm to project the discrete data dimension onto a fixed-length line segment to become the physical exercise data dimension point and then map the line segment to the plane unit physical exercise index data set, so as to obtain the projection of the discrete data dimension of the data to the plane point and finally use an algorithm to adjust the position of the discrete data dimension point on the index data set to minimize the global physical exercise physiological index error.