具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例1

本发明一种模拟实战训练系统实施例基本如附图1所示：包括：

沙袋，沙袋表面设有气囊，气囊通过电磁阀连接有泵体；

压力检测装置，压力检测装置设置于沙袋上，用于实时检测沙袋上的压力，并将压力检测值发送至控制器；

肌电采集装置，肌电采集装置用于实时采集训练者手臂部位肌肉的肌电信号，并将肌电信号发送至控制器；

多个MEMS传感器，MEMS传感器用于实时采集训练者不同身体部位的动作数据，并将动作数据发送到控制器；

控制器，控制器用于实时接收肌电信号，根据肌电信号生成肌电图以得到肌电图的频率，并根据肌电图的频率对初始压力阈值进行修正，得到修正压力阈值；

控制器还用于实时接收压力检测值，根据压力检测值和修正压力阈值的大小判断训练者击打沙袋是否为有效击打；

控制器还用于实时接收动作数据，将动作数据输入到预设的概率计算模型中进行计算以得到强进攻概率；在强进攻概率小于预设概率阈值时，控制电磁阀对气囊进行充气，在强进攻概率不小于预设概率阈值时，控制电磁阀对气囊进行放气。也就是说，实现根据击打部位调整气囊气压，形成对应的反馈。

在本实施例中，以搏击训练为例进行说明，压力检测装置为压力传感器，压力传感器设置在沙袋的表面，沙袋的形状为人字形，沙袋的体积大小为成年人体积大小，比例为1:1，沙袋表面设有气囊，气囊通过电磁阀连接有泵体，泵体可以对气囊进行充气；肌电采集装置为肌电信号采集器，MEMS传感器均选用型号为InveSenseMPU-91509轴MENS运动跟踪传感器，肌电信号采集器佩戴在训练者的手臂上；多个MEMS传感器分别佩戴在训练者身体的不同部位上，比如手、头、颈、腰、腿，MEMS传感器可采集训练者指定部位在某个时刻的速度、加速度、角度、角速度等运动数据；控制器为服务器，压力检测装置、肌电采集装置、MEMS传感器均与控制器信号连接，控制器与电磁阀电连接或者信号连接。

具体实施过程如下：

在训练开始之前，气囊处于干瘪状态，气囊内部不存在气体。当训练开始后，训练者的身体各个部位开始运动，肌电采集装置就会实时采集训练者手臂部位肌肉的肌电信号，并将肌电信号发送至控制器；多个MEMS传感器也会实时采集训练者不同身体部位的动作数据，并将动作数据发送到控制器，比如说手、头、颈、腰、腿各个指定部位在各个时刻的速度、加速度、角度、角速度等数据。如果训练者击打沙袋，压力检测装置就会检测到沙袋上的压力，并将压力检测值发送至控制器，控制器会实时接收肌电信号、压力检测值以及动作数据。

首先，当控制器接收到肌电信号以后，根据肌电信号生成肌电图以得到肌电图的频率，并根据肌电图的频率对初始压力阈值进行修正，得到修正压力阈值。在本实施例中，初始压力阈值是预先人为进行设定好的，对于沙袋不同区域，初始压力阈值不同。比如说，对于沙袋的头部区域而言，初始压力阈值设定为20N；对于沙袋的手部区域而言，初始压力阈值设定为40N。随着肌肉疲劳程度的增加，使得对手产生明显位移所需要的力量就会减小，可以认为，初始压力阈值为使得对手产生明显位移所需要的最小力量，这样的话，初始压力阈值也会随着肌肉疲劳程度的增加而减小。考虑到肌肉疲劳程度又与肌电图的频率呈负相关，通过预先获得的各种比赛现场的数据，比如说肌电信号、肌电图、肌肉疲劳程度、初始压力阈值，然后通过统计分析软件得出初始压力阈值与肌电图的频率的回归方程，从而根据回归方程对初始压力阈值进行修正，得到修正压力阈值。

接着，当控制器接收到压力检测值以后，根据压力检测值和修正压力阈值的大小判断训练者击打沙袋是否为有效击打。在本实施例中，有效击打定义为：使得对手产生明显位移，也即压力检测值大于使得对手产生明显位移所需要的最小力量。当压力检测值大于修正压力阈值时，说明训练者的击打力量较大，能够使得对手产生明显位移，判定训练者击打沙袋为有效击打；当压力检测值小于、等于修正压力阈值时，说明训练者的击打力量较小，不能够使得对手产生明显位移，判定训练者击打沙袋为无效击打。通过这样的方式，在训练的过程中对压力阈值实时进行修正和更新，使得压力阈值在训练过程中能够根据肌肉疲劳程度进行调整，便于训练者及时、准确地监控击打动作，确保平时的训练过程较为真实地还原或者接近实战比赛。

最后，当控制器接收到动作数据以后，将动作数据输入到预设的概率计算模型中进行计算以得到强进攻概率。在本实施例中，考虑到在实战比赛中，当一方的进攻为强进攻时，另一方可能会用身体比较硬的部位进行抵抗，比如说双臂抱手；当一方的进攻为弱进攻时，另一方可能会用身体比较软的部位进行抵抗，比如说背部。对于强进攻与弱进攻而言，反映在动作数据上，出拳的速度越快、出拳的加速度越大，越有可能是强进攻；出拳的速度越慢、出拳的加速度越小，越有可能是弱进攻。根据以往的赛场数据，比如说，同一场比赛的第一回合、第二回合…第N回合的赛场数据，采用神经网络算法可以得到概率计算模型，通过概率计算模型，在手、头、颈、腰、腿各个指定部位在各个时刻的速度、加速度、角度、角速度等动作数据的基础上，可以计算得到某个时刻训练者为强进攻的概率。

在强进攻概率小于预设概率阈值时，表明训练者的进攻比较温和，实战比赛中另一方可能会用身体比较软的部位进行抵抗，故而控制电磁阀对气囊进行充气，以模拟用身体软的部位进行抵抗；反之，在强进攻概率不小于，也即大于、等于预设概率阈值时，表明训练者的进攻比较凶猛，实战比赛中另一方可能会用身体比较硬的部位进行抵抗，故而控制电磁阀对气囊进行放气，以模拟用身体硬的部位进行抵抗。通过这样的方式，可以近似模拟实战比赛中对方根据训练者的进攻情况进行抵抗的效果。

实施例2

与实施例1不同之处仅在于，

控制器还将动作数据输入到预设的动作识别模型进行计算，以得到动作纠正信息；并根据肌电数据识别训练者的运动动作，并将运动动作与预设的标准动作进行对比，以得到动作指导数据。在本实施例中，动作识别模型在以往赛场数据的基础上预先通过机器学习算法得到，在训练的过程中，通过手、头、颈、腰、腿各个指定部位在各个时刻的速度、加速度、角度、角速度等动作数据可对训练者的实时动作进行判别，比如说，计算用户动作数据与标准动作数据的差值，该差值即为动作指导数据；在动作指导数据的基础上，给出训练者的动作纠正信息，比如说，根据差值进行调整，以逐渐地缩小差值。通过这样的方式，训练者可以实时掌握自身动作的标准性，并依照动作纠正信息进行相应的调整，从而提高训练效果。

实施例3

与实施例2不同之处仅在于，

控制器还用于将肌电数据导入预设的疲劳预测模型进行计算，以得到训练者达到疲劳状态的预估时间。在本实施例中，疲劳预测模型在以往赛场数据的基础上预先通过机器学习算法得到，根据肌电数据即可计算得到训练者达到疲劳状态的预估时间，从而便于训练者合理掌握训练时间。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。