基于电子测控技术的高校大学生体质健康自动监测_朱凯.pdf

自动化技术与应用2023 年第 42 卷第 6 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications基于电子测控技术的高校大学生体质健康自动监测朱 凯1,颜思玉2（1.桂林电子科技大学，广西 桂林 541004；2.桂林航天工业学院，广西 桂林 541004）摘要:通过对高校大学生体质健康的自动监测，提高大学生体质健康自动化管理水平，提出基于电子测控技术的高校大学生体质健康自动监测方法。建立高校大学生体质健康信息管理大数据库，采用模糊信息特征提取方法，提取体质健康信息的关联规则特征量，采用电子测控技术进行健康信息的安全管理，结合模糊相关性特征提取方法进行信息融合性调度。构建体质健康监测数据传输的信道均衡模型，结合电子测控和信号滤波检测技术传输监测数据，实现高校大学生体质健康自动监测。仿真结果表明，监测执行时间较短，输出的精度较高，高于78%，提高了高校大学生体质健康自动监测水平。关键词:电子测控技术；健康自动监测;特征提取中图分类号：TP274文献标识码:A文章编号:1003-7241(2023)06-0073-04Automatic Monitoring of College Students Physical HealthBased on Electronic Measurement and Control TechnologyZHU Kai1,YAN Si-yu2(1.Guilin Univerity of Electronic Technology,Guilin 541004 China;2.Guilin Univerity ofAerospace Technology,Guilin 541004 China)Abstract:Through the automatic monitoring of college students physical health and improving the automatic management level of collegestudents physical health,the automatic monitoring method of college students physical health based on electronic measurementand control technology is proposed.The establishment of university students physique health information management database.The fuzzy information feature extraction method is used to extract the association rule feature quantity of physical health informa-tion.The safety management of health information is carried out with electronic measurement and control technology,and the in-formation fusion scheduling is carried out with the method of fuzzy correlation feature extraction.It builds a channel equilibriummodel for the transmission of physical health monitoring data,combines with electronic measurement and control and signal fil-tering detection technology to transmit monitoring data,so as to realize the automatic monitoring of physical health of college stu-dents.The simulation results show that the implementation time of the method is relatively short,and the accuracy of the monitor-ing output is higher than 78%,which improves the automatic monitoring level of college students physical health.Keywords:electronic measurement and control technology;health automatic monitoring;feature extraction收稿日期:2020-07-21DOI:10.20033/j.1003-7241.（2023）06-0073-04.1引言素质教育的要求不断提升，需要构建高校大学生体质健康监测模型。结合高校大学生体质健康大数据分析，进行高校大学生体质健康监测系统的优化设计，提高大学生体质健康管理能力。通过信息化的管理系统，进行高校大学生体质健康管理和信息化监测，实现高校大学生体质健康的信息化管理和系统化分析。研究高校大学生体质健康监测数据监测分析和系统优化设计方法，在促进高校大学生体质健康的优化管理方面具有重要意义，相关的高校大学生体质健康监测系统设计方法研究受到人们的极大重视1-3，也出现了一些较好成果。传统方法主要有文献4数据实时监测法、文献5指标分级量化法等，这些监测方法都是先对高校大学生体质健康所包括的内容进行分析，建立相应监测指标体系，构建监测模型，但选择的监测指标均忽略了高校大学生心理健康状况，导致监测耗时较长，且结果准确性不高。对高校大学生体质健康自动监测是建立在对体质健康数据信息的大数据信息处理基础上，建立高校大学生体质健康自动监测的信息化融合模型，通过模糊状态参数识别方法，进行高校大学生体质健康自动监测的数据融合和特征聚类分析，通过自适应调度方法，进行高校大学生体质健康自动监测和优化评估，本文提出基于电子测控技术的高校73计算机与通信技术Computer and Communication Technology自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications大学生体质健康自动监测方法。建立高校大学生体质健康信息管理大数据库，结合电子测控和信号滤波检测技术进行高校大学生体质健康监测数据传输，实现高校大学生体质健康自动监测。最后进行仿真测试分析。2健康信息管理大数据库构造和特征挖掘2.1体质健康信息管理大数据库构造为了实现基于电子测控技术的高校大学生体质健康自动监测，首先构建高校大学生体质健康信息管理大数据库，采用模糊信息特征提取方法进行信息提取和特征挖掘，采用S3C640A作为主控制器，进行自动监测和构造，得到系统的总体设计构架如图1所示。图1高校大学生体质健康自动监测系统总体设计构架当高校大学生体质健康自动监测的信息采样样本分布满足cjTcTf，j0,Nf-1，得到高校大学生体质健康自动监测的标准量化特征分布集为C0=CN/2=0、CN-n=Cn*，n=0,1,2N/2-1，确定Source节点的个数为N，得到体质健康监测的模糊度开销为：(1)对接收信号作拷贝自相关，采用调制滤波方法对通信信道进行时延扩展，得到高校大学生体质健康监测数据输出的直接序列扩频码为：(2)高校大学生体质健康自动监测的相似度特征分布序列S0(t)=a0(t)，高校大学生体质健康监测数据的终端信息分布表示为：(3)式中，N为高校大学生体质健康监测数据传输信道的路径个数，和ai分别为第i条信息采样节点的传输时延和模糊度系数，wc为载波系数，分析高校大学生体质健康监测数据的相关性特征量，得到相似度特征分布序列为：(4)式中，为健康信息监测的关联维，通过分析高校大学生体质健康监测数据的时延特征，得到误差信息量为：(5)在离散多样本分布集中，通过先验知识估计6-8，得到高校大学生体质健康监测数据传输的信道模型描述为：(6)高校大学生体质健康自动监测的脉冲响应可描述为：(7)式（7）中，an(t)是第n条电子测控脉冲响应分布因子9，(t)为第n个采样路径的时延，fc为特征分布频率，sl(t)为模糊调制序列。通过提取高校大学生体质健康信息的关联规则特征量，采用电子测控技术进行高校大学生体质健康信息的安全管理。2.2体质健康信息特征提取结合时间隙的尺度分解方法，进行高校大学生体质健康自动监测的模糊度信息融合10-11，构建高校大学生体质健康监测数据传输信道优化方法，提取高校大学生体质健康自动监测的相似度系数=1,2，得到体质健康监测信息中心矢量满足y=*x，得到体质健康监测的相似度特征量描述为：(8)式（8）中，为体质健康监测的过程衰减因子，为模糊度特征分量。采用直接序列扩频方法进行高校大学生体质健康自动监测的统计分析，可将y=*x作为监控数据的健康信息测量值：y=x(9)式（9）中，X为x的向量量化特征集，即X=x|xz-1T。对相似度特征分布矩阵x进行奇异值分解，得到高校大学生体质健康监测数据的统计分布信息为：(10)构建关联信息特征分量进行信息融合，得到大学生体质健康监测数据特征提取结构模型表达为：(11)(12)根据上述分析，提取高校大学生体质健康信息的关联规则特征量，采用电子测控技术进行高校大学生体质健康信息的安全管理。74自动化技术与应用2023 年第 42 卷第 6 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications3高校大学生体质健康自动监测优化3.1大学生健康信息融合性调度采用电子测控技术进行高校大学生体质健康信息的安全管理，结合模糊相关性特征提取方法进行大学生健康信息融合性调度。采用频繁项集挖掘的方法，健康检测的模糊迭代式为：(13)采用局部稀疏特征挖掘，得到模糊挖掘模型为：(14)在节点优化部署模型下，得到高校大学生体质健康自动监测的多属性分析统计函数PC=(i,j)P(i,j)，模糊集特征聚类函数为C0=CN/2=0、CN-n=Cn*，n=0,1,2N/2-1，采用相似度特征融合方法，得到高校大学生体质健康自动监测的关联特征集为：(15)式（15）中，Dis(A)表示高校大学生体质健康自动监测的信息聚类中心，采用F检验分析方法，得到体质健康自动监测的关联分配权重为：(16)根据大数据分析和特征检验结果，采用联合信息聚类分析方法，构建体质健康自动监测模型，提高健康数据的信息化检测能力。3.2体质健康自动监测输出采用电子测控方法，进行高校大学生体质健康自动监测，得到电子测控信息检测结果为：(17)式（17）中，为信息测量的滤波系数，为统计分析特征量，Hi(z)为系统传递函数，结合电子测控和信号滤波检测技术进行高校大学生体质健康监测数据传输，得到模糊度度量值为：(18)(19)(20)式（18）（20）中，an为高校大学生体质健康自动监测的信任权重，Bl(n)为大学生体质健康自动监测的模板系数，根据上述分析，建立高校大学生体质健康自动监测模型。4仿真实验分析为了测试本文方法在实现高校大学生体质健康自动监测中的应用性能，结合电子测控技术在MATLAB平台进行仿真测试。实验的运行环境为：处理器：Intel(R)Core(TM)i5-2520M CPU 3.50 GHz(4 CPUs)内存：3 483 MB RAM操作系统：Microsoft Windows 2010 Professional(5.1，版本2600)数据来源于某高校某专业大二学生任意3个班级的全体学生，共计126人，1 000 Mb体质数据量。利用高校制定测试仪测量研究对象一个月时间内的体质数据，初始数据的隐私信息为匿名化保密状态，仅使用实验所用相关体质记录信息。此次实验以文献4、文献5方法作为对照组，对比不同方法的执行时间与监测精度。4.1执行时间测试为验证本文方法在监测健康数据方面的优势，以执行时间作为实验指标。基于上述实验环境，对1 000 Mb体质数据量进行检验，执行时间越短，说明检测效率越高。具体实验结果如图2所示。图2不同方法监测数据执行时间测试分析图2得知，本文方法能在较短的执行时间内完成75计算机与通信技术Computer and Communication Technology自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications全部数据的检测，说明该方法能有效实现对大学生健康数据监测。原因在于该方法对学生信息进行了融合性调度，缩短了监测数据的执行时间。4.2数据监测精度测试以实际测量数值作为参照，测试文献4、文献5与本文方法监测大学生健康数据的精度，精度越高，说明监测效果越好，得到对比结果如图3所示。图3数据监测的精度测试根据图3结果可知，对比其他两种方法，本文方法监测大学生健康数据的精度较高，高于78%。而其他两种对比方法的准确率略低于本文研究方法，说明本文方法的数据监测效果较好，可信度较高。5结束语研究高校大学生体质健康监测数据监测分析和系统优化设计方法，在促进高校大学生体质健康的优化管理方面具有重要意义，为此提出基于电子测控技术的高校大学生体质健康自动监测方法。结合时间隙的尺度分解的方法，进行高校大学生体质健康自动监测的模糊度信息融合，根据大数据分析和特征检验结果，采用联合信息聚类分析方法，构建体质健康自动监测模型，提高健康数据的信息化检测能力。通过对比实验可知，方法输出精度较高，测试结果可信度较高，执行时间较短。参考文献:1 樊剑剑.基于大数据的在线学习行为分析模型研究J.自动化与仪器仪表,2018(3):70-72.2 陈光.基于大数据的数据服务应用研究J.计算机技术与发展,2018,28(8):129-134.3 郭华平,董亚东,毛海涛,等.一种基于逻辑判别式的稀有类分类方法J.小型微型计算机系统,2016,37(1):140-145.4 李宝国,陈凤.青少年体质突变数据实时监测仿真J.计算机仿真,2018,35(4):184-187.5 黄斌.指标分级量化的体质健康监测效果评价模型J.科技通报,2018,34(3):271-274.6 田启华，黄超，于海东，等.基于AHP的耦合任务集资源分配权重确定方法J.计算机工程与应用,2018,54(21):25-30.7 Fercoq O,Richtrik P.Accelerated,parallel and pro-ximal coordinate descentJ.SIAM Journal on Optimization,2014,25(4):1997-2023.8 Low Y,Bickson D,Gonzalez J,et al.Distributed Grap-hLab:a framework for machine learning and data miningin the cloudJ.Proceedings of the VLDB Endowment,2012,5(8):716-727.9 王映龙,曾淇,钱文彬,舒文豪,黄锦涛.变精度下不完备混合数据的增量式属性约简方法J.计算机应用,2018,38(10):2764-2771.10 Wang T,Yang J,JI Z,et al.Probabilistic diffusion forinteractive image segmentationJ.IEEE Transactions on ImageProcessing,2019,28(1):330-342.11 Bampis C G,Maragos P,Bovik A C.Graph-drivendiffusion and random walk schemes for image segmentationJ.IEEE Transactions on Image Processing,2017,26(1):35-50.作者简介:朱凯（1988-），男，硕士，讲师，研究方向：运动训练和运动技能的学习与控制。通信作者：颜思玉（1992-），女，硕士，讲师，研究方向：运动训练。差校正方法J.上海交通大学学报,2005(6):945-949.3 姜志艳.西门子S7-1200在自动化线的运动控制及应用J.电子工业专用设备,2017,46(3):66-73.4 西门子（中国）有限公司.深入浅出西门子S7-1200M.北京：航空航天大学出版社，2009.5 李建阳.西门子PLC与上位机通讯的多种解决方案J.工业控制计算机,2018,31(1):151-152.6 陈雪娇,缪文南.基于C#的西门子PLC以太网通讯接口的实现J.微型电脑应用,2019,35(4):117-119.7 程意.基于机器视觉的跟踪测量技术研究D.合肥:合肥工业大学,2015.作者简介:李谨（1990-），男，硕士，研究方向：结构设计和机电设备。(上接第8页)76