本发明涉及数据处理，尤其涉及一种喷气式泳池运动训练调整方法、装置、设备及存储介质。
背景技术：
1、喷气式泳池(也称为水疗池或涡流池)是一种利用喷嘴将水流加速喷射到泳池中的设备，以此来创造不同的水流模式和水流强度，为用户提供按摩、锻炼或休闲体验的设施。喷气式泳池通常配备有一个闭合的水流循环系统，该系统包括水泵、过滤系统、加热系统(可选)和喷嘴。水泵从泳池中抽取水，经过过滤和加热(如果有的话)后，再通过喷嘴喷射回泳池。喷嘴用来调节水流的方向和强度，以提供不同的按摩效果。通过在不同位置和角度安装喷嘴，可以创造出各种水流模式，如喷射流、脉冲流、漩涡流等。这些水流模式可以针对不同的身体部位提供按摩，帮助缓解肌肉紧张和促进血液循环。目前的喷气式泳池通常配备有电子控制系统，用户可以通过这些系统来调节喷嘴的水流强度和开启/关闭喷嘴，以个性化自己的体验。
2、目前的喷气式泳池运动训练系统往往采用固定或预设的水流喷射模式和速度，缺乏对训练人员实时状态的感知和响应能力。在这些系统中，水流的控制主要依据预设程序或教练的主观判断，未能充分考虑到训练人员在训练过程中的个体差异和实时生理状态变化。例如，目前的喷气式泳池可能会根据一般训练计划设置水流强度，而忽视了训练人员当前的心率、疲劳程度和游动效率，这可能导致训练强度过高或过低，无法有效促进训练效果的提升。
3、因此，现有的喷气式泳池运动训练系统因缺乏对训练人员实时状态的精准感知和响应，无法提供个性化的训练条件，导致训练效率低下，无法有效提高训练人员的训练效果和训练体验。
技术实现思路
1、本发明实施例提供一种喷气式泳池运动训练调整方法、装置、设备及存储介质，能够对训练人员实时状态的精准感知和响应并提供个性化的训练条件，从而提高训练人员在喷气式泳池的训练效果和训练体验。
2、本发明一实施例提供了一种喷气式泳池运动训练调整方法，包括：
3、获取摄像头拍摄到的训练人员在喷气式泳池的游动姿态图像，并获取穿戴设备检测到的所述训练人员的游动速度和心率；
4、通过姿态特征提取算法对所述游动姿态图像进行游动姿态特征提取，得到训练人员的游动姿态特征，并通过时序特征提取算法对所述游动速度和所述心率进行特征提取，得到训练人员的游动速度特征和心率特征；
5、通过多模态特征融合算法对所述游动姿态特征、所述游动速度特征和所述心率特征进行多模态特征融合，得到融合特征；
6、基于奖励的强化学习算法对所述融合特征进行分析，得到当前适合训练人员训练的水流喷射模式和水流喷射速度；水流喷射模式包括喷射流、脉冲流和漩涡流水流；
7、根据所述水流喷射模式和水流喷射速度，控制所述喷气式泳池的水流喷射工作。
8、作为上述方案的改进，所述通过姿态特征提取算法对所述游动姿态图像进行游动姿态特征提取，包括：
9、将游动姿态图像输入到densenet-121密集连接网络的输入层；
10、通过densenet-121密集连接网络的初始卷积层进行一次卷积操作，输出特征图；
11、通过densenet-121密集连接网络的最大池化层对所述特征图进行处理；
12、通过densenet-121密集连接网络的dense block层对所述最大池化层的输出进行进一步处理；
13、通过densenet-121密集连接网络的全局平均池化层对最后一个dense block的输出进行全局平均池化；
14、将全局平均池化层的输出输入到densenet-121密集连接网络的全连接层，从而输出最终的游动姿态特征。
15、作为上述方案的改进，所述通过时序特征提取算法对所述游动速度和所述心率进行特征提取，得到训练人员的游动速度特征和心率特征，包括：
16、将游动速度的数据序列和心率的数据序列输入到bi-lstm双向的长短期记忆网络的输入层；
17、对于游动速度的数据序列和心率的数据序列，从各自序列的第一个元素开始，依次通过bi-lstm的前向lstm的各个单元；前向lstm包含输入门、遗忘门、输出门以及一个细胞状态；
18、从所述各自序列的最后一个元素开始，逆向通过bi-lstm的后向lstm的各个单元；后向lstm的各个单元与前向lstm的各个单元相同，但处理序列的方向相反；
19、将前向lstm和后向lstm的隐藏状态在每个时间步进行拼接，形成最终的特征向量；
20、通过bi-lstm的全连接层，分别输出游动速度特征向量和心率特征向量。
21、作为上述方案的改进，所述通过多模态特征融合算法对所述游动姿态特征、所述游动速度特征和所述心率特征进行多模态特征融合，得到融合特征，包括：
22、对所述游动姿态特征、所述游动速度特征和所述心率特征进行特征标准化；
23、对特征标准化后的所述游动姿态特征、所述游动速度特征和所述心率特征，通过以下多模态特征融合公式进行特征融合，得到融合特征向量ffused：
24、
25、其中，αi是第i个模态的注意力权重，fi是第i个模态的特征向量；
26、
27、其中，wi是对应模态的权重向量，用于学习特征向量fi的重要性和模态间的关系；bi是偏置项；j是一个索引变量，用于遍历所有的模态；意味着对每一个模态(j＝1，2，3)计算其未归一化的注意力得分然后将这些得分进行求和，该求和的结果用作分母，以确保最终计算出的注意力权重是归一化的，即所有模态的注意力权重之和为1。
28、作为上述方案的改进，所述基于奖励的强化学习算法对所述融合特征进行分析，得到当前适合训练人员训练的水流喷射模式，包括：
29、将融合特征作为基于奖励的强化学习算法的智能体的状态输入，识别训练人员的当前状态；当前状态包括游动效率、心率变化和疲劳程度；
30、基于当前状态，智能体选择一个动作，该动作包括水流喷射模式和速度，动作选择是基于智能体学习到的策略π，该策略能够根据当前状态预测最有可能带来最高累积奖励的水流模式和速度；
31、其中，基于奖励的强化学习算法的构建过程包括：
32、定义状态空间s和定义动作空间a；状态空间s由融合特征向量ffused构成；动作空间a包括喷射流、脉冲流和漩涡流水流三种水流喷射模式以及各个水流喷射模式的水流喷射速度范围；a＝{a|a∈喷射流,脉冲流，漩涡流}×[vmin,vmax]}；vmin和vmax分别是水流喷射速度的最小值和最大值；
33、设计基于奖励的强化学习算法的奖励函数为：
34、r(s，a)＝γ1·δhr+γ2·η+γ3·(1-τ)；其中，δhr表示心率变化；η表示游动效率；τ是游动距离与能量消耗的比例；表示疲劳程度，是心率恢复时间或主观疲劳评分；γ1、γ2和γ3是奖励函数中各项的权重系数，用于调整不同因素的影响程度；所述奖励函数用于反映训练人员在不同水流模式和速度下的训练效果和体验；
35、设计基于奖励的强化学习算法的损失函数为：
36、
37、其中，rt(θ)是策略πθ下的动作概率比；at是优势函数，衡量采取动作a相对于平均动作的价值；clip函数用于限制动作概率比的范围，以避免更新过程中策略的剧烈变化；lvf(θ)是价值函数的损失，用于预测状态s的期望回报；s[πθ]是策略熵，用于鼓励策略的探索；c1和c2是用于平衡策略损失、价值损失和策略熵的超参数；
38、在训练过程中，根据收集的状态、动作、奖励和下一个状态的经验数据进行迭代，在每一轮训练中，智能体根据当前状态和策略选取动作，执行动作后观察下一个状态和即时奖励，以此更新策略参数θ，直到达到预设的训练轮次。
39、本发明另一实施例对应提供了一种喷气式泳池运动训练调整装置，包括：
40、数据获取模块，用于获取摄像头拍摄到的训练人员在喷气式泳池的游动姿态图像，并获取穿戴设备检测到的所述训练人员的游动速度和心率；
41、特征提取模块，用于通过姿态特征提取算法对所述游动姿态图像进行游动姿态特征提取，得到训练人员的游动姿态特征，并通过时序特征提取算法对所述游动速度和所述心率进行特征提取，得到训练人员的游动速度特征和心率特征；
42、特征融合模块，用于通过多模态特征融合算法对所述游动姿态特征、所述游动速度特征和所述心率特征进行多模态特征融合，得到融合特征；
43、分析模块，用于基于奖励的强化学习算法对所述融合特征进行分析，得到当前适合训练人员训练的水流喷射模式和水流喷射速度；水流喷射模式包括喷射流、脉冲流和漩涡流水流；
44、控制模块，用于根据所述水流喷射模式和水流喷射速度，控制所述喷气式泳池的水流喷射工作。
45、作为上述方案的改进，所述特征融合模块具体用于：
46、对所述游动姿态特征、所述游动速度特征和所述心率特征进行特征标准化；
47、对特征标准化后的所述游动姿态特征、所述游动速度特征和所述心率特征，通过以下多模态特征融合公式进行特征融合，得到融合特征向量ffused：
48、
49、其中，αi是第i个模态的注意力权重，fi是第i个模态的特征向量；
50、
51、其中，wi是对应模态的权重向量，用于学习特征向量fi的重要性和模态间的关系；bi是偏置项；j是一个索引变量，用于遍历所有的模态；意味着对每一个模态(j＝1，2，3)计算其未归一化的注意力得分然后将这些得分进行求和，该求和的结果用作分母，以确保最终计算出的注意力权重是归一化的，即所有模态的注意力权重之和为1。
52、作为上述方案的改进，所述分析模块具体用于：
53、将融合特征作为基于奖励的强化学习算法的智能体的状态输入，识别训练人员的当前状态；当前状态包括游动效率、心率变化和疲劳程度；
54、基于当前状态，智能体选择一个动作，该动作包括水流喷射模式和速度，动作选择是基于智能体学习到的策略π，该策略能够根据当前状态预测最有可能带来最高累积奖励的水流模式和速度；
55、其中，基于奖励的强化学习算法的构建过程包括：
56、定义状态空间s和定义动作空间a；状态空间s由融合特征向量ffused构成；动作空间a包括喷射流、脉冲流和漩涡流水流三种水流喷射模式以及各个水流喷射模式的水流喷射速度范围；a＝{a|a∈{喷射流，脉冲流，旋涡流}×[vmin，vmax]}；vmin和vmax分别是水流喷射速度的最小值和最大值；
57、设计基于奖励的强化学习算法的奖励函数为：
58、r(s，a)＝γ1·δhr+γ2·η+γ3·(1-τ)；其中，δhr表示心率变化；η表示游动效率；τ是游动距离与能量消耗的比例；表示疲劳程度，是心率恢复时间或主观疲劳评分；γ1、γ2和γ3是奖励函数中各项的权重系数，用于调整不同因素的影响程度；所述奖励函数用于反映训练人员在不同水流模式和速度下的训练效果和体验；
59、设计基于奖励的强化学习算法的损失函数为：
60、
61、其中，rt(θ)是策略πθ下的动作概率比；at是优势函数，衡量采取动作a相对于平均动作的价值；clip函数用于限制动作概率比的范围，以避免更新过程中策略的剧烈变化；lvf(θ)是价值函数的损失，用于预测状态s的期望回报；s[πθ]是策略熵，用于鼓励策略的探索；c1和c2是用于平衡策略损失、价值损失和策略熵的超参数；
62、在训练过程中，根据收集的状态、动作、奖励和下一个状态的经验数据进行迭代，在每一轮训练中，智能体根据当前状态和策略选取动作，执行动作后观察下一个状态和即时奖励，以此更新策略参数θ，直到达到预设的训练轮次。
63、本发明另一实施例提供了一种喷气式泳池运动训练调整设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的喷气式泳池运动训练调整方法。
64、本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的喷气式泳池运动训练调整方法。
65、相比于现有技术，本发明实施例具有如下优点：
66、本发明实施例通过利用摄像头和穿戴设备实时获取训练人员的游动姿态图像、游动速度和心率数据，随后通过相关特征提取算法分别提取游动姿态特征、游动速度特征和心率特征。接着，采用多模态特征融合算法将这些特征整合为一个综合的融合特征向量，以全面反映训练人员的实时状态。最后，基于奖励的强化学习算法分析融合特征，智能决策出最适合当前训练人员的水流喷射模式和速度，包括喷射流、脉冲流和漩涡流等，从而优化训练环境，提升训练效果。由上分析可知，本发明实施例基于训练人员的实时生理和行为特征，通过动态调整喷气式泳池的水流喷射模式和速度，显著提升了训练人员在喷气式泳池的运动训练的个性化水平和效果，实现了对训练人员潜能的有效激发和训练质量的显著提升。
1.一种喷气式泳池运动训练调整方法，其特征在于，包括：
2.如权利要求1所述的喷气式泳池运动训练调整方法，其特征在于，所述通过姿态特征提取算法对所述游动姿态图像进行游动姿态特征提取，包括：
3.如权利要求1所述的喷气式泳池运动训练调整方法，其特征在于，所述通过时序特征提取算法对所述游动速度和所述心率进行特征提取，得到训练人员的游动速度特征和心率特征，包括：
4.如权利要求1所述的喷气式泳池运动训练调整方法，其特征在于，所述通过多模态特征融合算法对所述游动姿态特征、所述游动速度特征和所述心率特征进行多模态特征融合，得到融合特征，包括：
5.如权利要求1所述的喷气式泳池运动训练调整方法，其特征在于，所述基于奖励的强化学习算法对所述融合特征进行分析，得到当前适合训练人员训练的水流喷射模式，包括：
6.一种喷气式泳池运动训练调整装置，其特征在于，包括：
7.如权利要求6所述的喷气式泳池运动训练调整装置，其特征在于，所述特征融合模块具体用于：
8.如权利要求6所述的喷气式泳池运动训练调整装置，其特征在于，所述分析模块具体用于：
9.一种喷气式泳池运动训练调整设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的喷气式泳池运动训练调整方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的喷气式泳池运动训练调整方法。
