1.基于人工智能的运动状态量评估方法，其特征在于，首先建立运动状态量评估模型，其次，在模型中输入评估数据并对评估数据进行预处理，再将预处理后的数据输入到训练完成的特征提取模型中进行特征提取，然后将特征提取后的数据输入到分类模型中进行分类，分类结果为运动状态量评估等级，所述评估等级包括Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级，具体是：Ⅰ级为基础水平，代表运动状态量较低，表示非常基础的运动者或者是初学者；Ⅱ级为初级水平，代表运动者具有一定的基础，但还需要在部分方面进行改进；Ⅲ级为中级水平，代表运动者在多数或所有评估指标上都达到了中等水平；Ⅳ级为高级水平，代表运动者在多数或所有评估指标上都表现出较高水平；Ⅴ级为精英水平，最高的评估等级，代表运动者在所有评估的生理和心理指标上都表现出极高的水平。

2.如权利要求1所述的基于人工智能的运动状态量评估方法，其特征在于，所述运动状态量评估模型的建立包括以下步骤：步骤一：运动状态量评估数据采集与标注

通过穿戴设备传感器从运动者采集生理参数数据，穿戴设备传感器能够实时监测和记录运动者在运动过程中的生理参数数据，所述生理参数数据是特定运动时段或特定时间点的离散数据，或者是训练周期内的总结数据，所述生理参数数据的存储形式为json格式，在使用时通过Python语言进行读取；所述穿戴设备传感器包括心率监测仪、肌电传感器；

数据采集完成后，对所述生理参数数据进行标注，标注类别为运动状态量评估等级；对所述生理参数数据标注完成后，得到运动状态量评估训练数据集；

步骤二：数据预处理

S21，进行缺失值处理：设所述运动状态量评估训练数据集为数据矩阵 ,其中， 表示运动状态量评估训练数据集中第 个样本的第 个特征，若 有缺失，则填补缺失值的方式表示为： 其中， 是总样本数；

S22，进行数据标准化：设所述运动状态量评估训练数据集中的一个特征向量 ，其标准化定义如下： 其中， 是标准化之前的特征， 是特征 的均值，是特征 的标准差， 是标准化结果；

S23，进行异常值处理：利用IQR识别和处理异常值；对于一个特征 首先计算其Q1和Q3；然后，计算IQR，计算方式为：;

其中，Q1表示第一四分位数，指数据集中所有数值从小到大排列后的第25%的位置的数字；Q3表示第三四分位数，指数据集中所有数值从小到大排列后的第75%的位置的数字；IQR表示四分位数范围，指数据集的中间50%的范围，也可以理解为数据的离散程度或分布的幅度，即，在范围 之外的任何值都被认为是异常值，选择删除这些异常值；

S24，采用基于局部密度的异常值检测方法，为每个数据点定义一个局部密度值，然后与数据点的邻居的密度进行比较，表示为：;

其中， 为样本 的局部密度， 是 个样本的标准差；若 低于预设的阈值，则 被视为异常值进行删除； 是样本 的邻居样本，所述邻居的衡量标准以欧氏距离进行测算；

步骤三：训练数据扩充

在训练数据扩充中，提出一种基于域自适应学习的生成对抗网络进行样本的生成；利用量子编码的方式对随机噪声 进行编码，生成编码后的量子态；具体的，利用Hadamard门，在两个正交状态之间进行叠加，从而生成多种可能的输出，即，将随机噪声 编码到一个量子态 ，通过Hadamard门操作将其变换为一个新的量子态z，表示为：,

其中， 是Hadamard门量子编码操作；在样本生成过程中，生成对抗网络的生成器G负责生成数据，判别器D负责判断生成的数据是否来自真实分布，即：生成器G，尝试映射从隐空间中的样本z到数据空间中的样本x的函数，即 ，其中， 是生成器的参数，z为由Hadamard门量子编码得到的量子态；在生成器生成样本时，考虑到不同的数据源和不同的特征需要不同的网络结构进行优化，因此提出一种基于自适应机制的生成器网络动态拓扑结构调整方法，具体过程是：对于生成器G中的每一个节点node,为其分配一个权重；所述节点是指神经网络中的单一计算单位，在一个标准的前馈神经网络中，每个节点从输入层、隐藏层或前一个层的其他节点接收输入，然后经过一个激活函数处理这些输入，并将输出传递给下一层的节点；所述权重 决定了节点在网络中的激活程度，且权重 由预设的元网络M计算得到，表示为：;

其中， 是Sigmoid激活函数，将输出限制在0和1之间，代表节点的激活概率；如果一个节点的权重接近于0，那么这个节点在这次前向传播中是被关闭的；而如果权重接近于

1，那么这个节点是打开的，并会正常地处理并传递信息；

在GAN训练过程中，对于生成器G的拓扑结构调整，在前向传播时，根据 的值决定是否激活对应的节点；如果节点被激活，则输入数据会通过这个节点；否则，这个节点被跳过，数据直接流向下一个节点；生成器G的输出表示为：;

其中， 是拓扑结构调整之前的生成器， 是激活函数， 表示元素乘法，w是所有节点的权重集合；

判别器D，尝试判断输入样本x是真实数据还是生成器生成的数据；即 其中，是判别器的参数，x为判别器的输入；

在训练过程中，生成器和判别器的目标函数表示为：;

其中， 和 表示该任务是一个两层优化问题，即，判别器D尝试最大化函数，生成器G尝试最小化函数 ; 是目标函数，衡量生成器和判别器在对抗过程中的表现； 是数学期望的符号； 表示X是从真实数据分布 中随机采样的， 表示z是从某个先验分布 中随机采样的； 为自然对数函数； 是判别器D给出的一个样本x来自真实数据分布的概率； 是生成器G根据隐变量z生成的数据样本； 是判别器D对生成器G生成的样本 的评估，即， 是 来自真实数据分布的概率； 表示判别器D尝试最大化对真实数据x的正确识别概率；

表示判别器D尝试最大化识别出生成器G生成的伪样本 的能力； 表示原始样本所在的样本域与新生成样本所在的样本域的Wasserstein距离； 为Wasserstein距离的权重参数，由人为预设；生成器G在训练过程中逐渐学习如何生成越来越接近真实数据分布的样本，而判别器D逐渐变得越来越难以区分真实样本和生成样本；最终，当训练轮数达到预设的轮数时，训练完成，生成器G生成的数据分布 接近真实数据分布 ，即 ,则 为生成器在训练完成后产生的样本，即为扩充样本；将生成的样本与预处理后的运动状态量评估训练数据集进行混合，形成扩充后的运动状态量评估训练数据集；

步骤四：数据特征提取

采用基于量子隧道优化的神经网络参数优化方法对扩充后的运动状态量评估训练数据集进行特征提取，包括以下步骤：S41，初始化：给定权重初始化 和设定隧道决策参数 ，设定势垒的高度 、与势垒宽度相关的常数k、粒子质量m、约化普朗克常数h;模拟量子隧道的行为，定义一个量子势垒模型，设 是势垒，对于一维的简化情况为：,

其中， 是势垒的高度，k是一个与势垒宽度相关的常数，决定了势垒的宽度， 为交叉熵损失函数， 为有限势垒函数，表示为：,

处达到最大值1，并且当 变大时， 渐

渐趋于零；

参考量子力学，隧道概率T由以下公式表示：

,

其中，T为隧道概率，m是粒子质量， 是粒子能量，h是约化普朗克常数，a是势垒的宽度；

S42，计算损失和梯度：对于当前的权重W，计算交叉熵损失 和交叉熵损失的梯度；

S43，势垒建立：基于损失和梯度的关系来建立势垒，表示为：,

S44，计算隧道损失概率：

;

其中，E为隧道损失概率；a是势垒的宽度，与梯度的大小成反比，即：,

其中，c是人为预设的常数；

S45，概率隧道决策：

如果 则： 其中，p是隧道概率决策因子， 为在迭代过程中隧道损失概率的变化量，是一个接近1的系数，由人为预设；如果 ，则跳过本步骤；

S46，层间信息交换：本发明的特征提取神经网络为3层，其中，第1层的激活表示为 ；

为了让这3层网络在训练过程中相互交换信息，从而加速收敛并增强网络的表达能力，定义一个交换矩阵 ，其元素 表示从第i层到第j层的信息流量，表示为：,

其中， 为信息交换前的第1层的激活表示， 为信息交换后的第1层的激活表示，为交换矩阵，每一层的激活都会受到其他层的激活的加权影响；

S47，权重更新：如果 ，则使用梯度信息更新权重：,

其中，是学习率， 为能量守恒权重，由人为预设， 为偏差能量， 为当前迭代的时间动量， 为时间动量的权重，由人为预设，其决定对动量的依赖强度；在计算时间动量 时，在每次迭代时进行更新，更新方式为：,

其中， 为上一轮迭代的时间动量， 为当前迭代的权重， 为上一次迭代的权重，是一个接近1的系数，由人为预设；

在计算偏差能量 时，参考能量守恒公式：

 ,

其中， 为释放能量， 为行为发生前的能量， 为行为发生后的能量；

则，释放能量 为每次权重更新所释放的能量，由所有权重变化的梯度加和获得，偏差能量 的计算方式为： ,基于此，在每次更新过程中，不仅要考虑最小化损失，还要考虑网络能量的守恒；具体的，当更新网络权重时，需要确保释放的能量与隧道效应的能量相匹配；

如果 ，根据所述隧道概率决策因子P的大小决定是否穿越隧道，即，隧道概率决策因子P是否大于预设的阈值；如果隧道概率决策因子P大于预设的阈值，则决定穿越隧道，则随机更新权重：,

其中， 是从某种分布中抽取的小的随机值；

S48，迭代：重复步骤S42‑S47，直到达到最大迭代次数，所述最大迭代次数由人为预设；

迭代完成后，即表示所述特征提取神经网络训练完成，则用训练完成的神经网络进行特征提取；

步骤五：训练分类器

对于特征提取后得到的训练样本数据集，提出一种基于改进的蜜罐优化的核极限学习机算法进行分类，参考蜜蜂觅食行为，选择最优的核参数，具体步骤为：S51，初始化蜜源：定义蜜源为解的候选解，其位置代表KELM中的核参数，所述核参数为高斯核的宽度；初始化一组随机的蜜源位置：,

每一个蜜源 在KELM中的性能通过交叉验证得分来衡量，选择得分最高的蜜源作为当前最佳解；

S52，根据搜索策略进行参数搜索：引入局部搜索机制，每次迭代时，不仅考虑全局最佳蜜源，还考虑当前蜜源的邻居，具体的，对于每一个蜜源 ，随机选择一个邻居 ，并计算新位置：;

其中， 是当前最佳的蜜源， 和 是随机的权重因子；如果 的得分更高，则更新 的位置；

S53，动态调整KELM的学习率：传统的KELM算法中的学习率是一个固定的或手动调整的参数，本发明提出一种基于前馈网络的动态学习率调整策略，具体的，在每一次迭代中，计算出模型的误差 ，计算方式表示为： ,其中， 是目标输出的类别向量， 是模型在第t次迭代输出的类别向量；

根据误差的变化情况自动调整学习率，即，定义学习率的更新策略如下：,

更新学习率 为：

其中， 和 为人为预设的常数；如果误差开始增加，则说明当前的学习率可能太大，模型在超过最优点；反之，如果误差减少的很慢或几乎不变，学习率可能太小，故，通过反映误差的变化趋势，并自适应调整学习率；

S54，权重稀疏化：为了使KELM更为高效和可解释，本发明采用基于自信息的权重稀疏化策略，使得KELM模型减少不必要的连接并保留关键的权重，具体的，首先自信息计算，对于KELM的权重W，其自信息 表示为： ,其中， 代表权重W的概率；

在KELM中，设权重分布为高斯分布，均值为 ，方差为 ；则 的计算方式为：,代入自信息公式，得到： ;

为实现权重的稀疏化，根据每个权重的自信息值设定一个阈值；当权重的自信息低于这个阈值时被设为零，表示为： 其中， 是人为预设的自信息阈值；

S55，训练核极限学习机：对于核函数 ，定义为： ;核函数 的参数由蜜罐优化策略得出；对于输入层到隐藏层的映射，可得到隐藏层输出矩阵H，其组成元素 表示为： ;使用标准的KELM方法训练模型，根据极限学习机的原理，输出权重 的计算方式，表示为： ,其中，H是核矩阵，其元素 ;Ten是目标输出向量， 是正则化参数；对于新的输入样本x，其输出为：,

将上述输出与目标输出Ten进行比较，得到分类结果；基于此，得到一个更鲁棒、更少受过拟合影响的KELM分类器。

3.如权利要求2所述的基于人工智能的运动状态量评估方法，其特征在于，步骤一中，所述生理参数数据包括以下属性：运动类型：标识所进行的运动类型，包括跑步、跨栏、游泳；

运动强度：表示运动的强度水平，使用相对指标或绝对指标进行表示；

运动时间：记录运动的时长，以分钟为单位；

心率：在运动期间监测的平均心率，以bpm表示；

呼吸频率：运动期间的呼吸次数，每分钟呼吸次数；

肌肉耐力：评估肌肉的耐力水平，通过特定次数的重复动作表示；

脂肪燃烧：估计运动期间的脂肪燃烧情况，使用卡路里消耗衡量；

动作质量：对运动姿势和技巧的评估，以得分的形式表示；

体验满意度：运动后运动者对训练体验的主观评价，通过问卷调查获得；

运动频率：每周参与该类运动的频率，用于表示运动者的训练习惯。

4.如权利要求2所述的基于人工智能的运动状态量评估方法，其特征在于，步骤三中，所述Wasserstein距离的计算方式为，设原始运动状态量评估训练数据集为源域样本，新生成样本所在的样本域为目标域，则为了实现域适应，使用Wasserstein距离衡量生成的数据与原始运动状态量评估训练数据集中的数据之间的差异，Wasserstein距离的计算方式表示为：,

其中， 是 范数符号， 是一个1‑Lipschitz激活函数， 表示x服从于源域 样本的分布， 表示 服从于目标域 样本的分布， 是数学期望的符号表示源域， 表示目标域， 为人为预设的参数，用于平衡网络复杂度的惩罚。

5.如权利要求2所述的基于人工智能的运动状态量评估方法，其特征在于，步骤三中，在生成器生成样本的过程中，随机采样是指从某个先验分布 中随机采样一个点，并编码为量子态z，即： ,将随机采样得到的z通过生成器G，得到生成样本 ，即：,其中， 为生成器G的参数；

判别器D对生成的样本 进行判断，输出一个介于0和1之间的数值 ,表示 是真实样本的概率，即： ,其中， 为判别器D的参数。

6.如权利要求2所述的基于人工智能的运动状态量评估方法，其特征在于，步骤四中，为了保证网络的稳定性，交换矩阵 要求为稀疏矩阵，并满足以下约束：其目的为，确保信息流的总量不会过大； 其目的为，不允许层与自己交换信息；

在优化交换矩阵的过程中，目的是找到一个交换矩阵使得整体损失最小化；本发明采用梯度下降的方式来优化 ，表示为：;

其中， 是学习率，由人为预设； 为交换矩阵 从第 层到第k层的信息流，为交换矩阵 对于第 层自身层的信息流； 为交换矩阵 从第i层到第j层的信息流。