CN104268511A - 一种基于三轴加速度传感器的网球运动模式识别系统及其方法 - Google Patents

Abstract

本发明公开了一种基于三轴加速度传感器的网球运动模式识别系统及其方法，包括信息采集单元、数据处理单元和识别与优化单元三部分。信息采集单元，由软件单元和硬件单元组成，软硬件结合采集正抽、反抽和扣杀三种动作信息；数据处理单元主要包括预处理、特征值提取、数据重组和主成分分析4个步骤，用于筛选出有效的特征值信息；识别与优化单元主要采用粒子群算法对支持向量机的参数进行优化，再用粒子群优化的支持向量机识别动作，从而提高了动作信息识别的准确率。本发明通过三轴加速度传感器采集用户在网球运动过程中的正抽、反抽和扣杀三种动作信息，经过处理和优化，能更好地识别用户的动作，增强人机交互，能够广泛应用虚拟现实领域，具有良好的应用前景。

Description

一种基于三轴加速度传感器的网球运动模式识别系统及其方法

技术领域

本发明涉及一种运动识别系统，特别是涉及三轴加速度传感器的运动识别系统及其方法，属于人机交互技术领域。

背景技术

早期，人们主要采用基于视觉方式的运动识别，即通过给定的一段图像序列或者一个视频片段，识别出人物的运动类型。但是这种方法在实际应用中也有一些局限性，如环境中的光照条件，人物在摄像机前的位置，场地的大小等。

三轴加速度传感器以其价格便宜，携带方便，不受场地限制等优点，补充了传统基于视觉的运动识别方法在实际应用中的不足，促使了运动识别在日常生活中的应用。在利用一些加速度传感器设备对人体动作识别进行研究的领域内，很多人都做出了巨大的贡献：Zhenyu He，Lianwen Jin在人的胯部安装一个加速度信息采集系统，对人的走路、跑步和跳跃等常见动作进行识别，然后利用支持向量机分类器进行分类；Juha Kela等人发明一种新型的电视机遥控器，利用控制器的三轴加速度传感器采集人的动作，来控制电视机的全部操作功能；JiahuiWu等人利用三轴加速度传感器采集手势的加速度信息，然后利用FDSVM作为分类器，对一些易于区分的字母手势进行了判断。王昌喜的基于加速度信息的上肢动作识别系统设计及动作质量评价方法的研究论文中采用的主要思路是采集动作的加速度信息、预处理、小波分析、支持向量机的处理流程。这些研究已取得了很好的成果，但如何进一步地提高效率，以达到更好的效果，还需有待于研究。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于三轴加速度传感器的网球运动模式识别系统及其方法，通过数据处理单元得到精简而有效的特征值，将所有样本的特征向量组成有效的特征矩阵，利用支持向量机分类器对特征矩阵进行判断和分析。最后，利用粒子群算法优化支持向量机，以提高对上肢动作识别的准确率。本文为提高动作识别的准确率，在目前研究基础上添加了主成分分析和粒子群优化算法。主成分分析是一种统计分析方法，也是一种降维技术，可以用少数几个新变量替代原来多个变量。采用主成分分析的原因是变量太多会增加分析问题的难度与复杂性。主成分分析对特征值的优化，不仅去掉了冗余的特征值，简化了复杂的数据，而且提高支持向量机的动作识别准确率。支持向量机的参数对识别结果有很大影响，直接关系到识别结果的准确率，但是靠经验修改其参数值，效率低，效果差，所以本发明运用粒子群算法优化了SVM参数(即惩罚因子C和核函数参数σ)，以提高SVM识别的准确率。

技术方案：一种基于三轴加速度传感器的网球运动模式识别系统，包括信息采集单元、数据处理单元和识别与优化单元。信息采集单元，由软件单元和硬件单元组成，软硬件结合采集正抽、反抽和扣杀三种动作信息；数据处理单元包括预处理、特征值提取、数据重组和主成分分析，用于筛选出有效的特征值信息；识别与优化单元包括粒子群优化算法以及支持向量机识别，采用粒子群优化算法对参数进行优化，再用支持向量机进行识别，从而提高动作信息识别的准确率。

所述采集单元包括硬件单元和软件单元，硬件单元包括三轴加速度传感器，单片机，串口通信线和电脑，依次连接。软件单元包括三轴加速度传感器寄存器的设置和初始化、通信协议I²C和单片机串口编程及上位机接受设计。

所述的三轴加速度传感器为Freescale公司的MMA7660FC，分辨率为6位。单片机为STC89C52，单片机最小系统的时钟频率为12MHz。串口通信线选用串口转USB接口线。

所述对三轴加速度传感器的设置是指对按照其Datasheet中各寄存器选项说明进行设置，先将芯片的模式设置为待机模式，在待机模式下设置其他寄存器的数值，其中设置的采样频率为128每秒。寄存器选项部分说明：XOUT(X轴输出数据)对应地址为16进制的00H；YOUT(Y轴输出数据)对应地址为16进制的01H；ZOUT(Z轴输出数据)对应地址为6进制的02H；SRST(采样速率状态)对应地址为16进制的04H；MODE模式寄存器对应地址为16进制的07H；SR(芯片的工作模式)对应地址为16进制的08H等。

所述串口设置是指波特率选为4800，一帧的数据传输位数为8位，有停止位并设置为1个，但无校验位符号，使用的时钟晶振频率为12MHz，需要进行串口编程初始化。

上述识别与优化单元先采用粒子群优化对支持向量机的参数进行优化，再采用支持向量机作为分类器，对玩家打球时基本运动模式进行识别判断。

上述支持向量机的动作识别判断的具体步骤是指：

(6a)：输入训练样本，将采集到的数据或者特征值输入到支持向量机的训练样本矩阵；

(6b)：支持向量机SVM初始化，对支持向量机参数的初始设置，支持向量机参数有惩罚因子C、核函数参数σ和核函数；

(6c)：训练样本矩阵利用核函数与特定空间建立一定关系；

(6d)：在特征空间内构造最优分类面；

(6e)：通过最优分类面进行分类；

(6f)：训练支持向量机SVM，通过训练样本数据，对支持向量机进行训练，建立可识别判断的模型；

(6g)：对测试数据进行识别判断，对未知的测试样本进行判断分析，识别出测试数据对应的动作。

上述粒子群优化算法实现的具体步骤为：

(7a)：初始化粒子群，包括粒子群群体粒子个数N，每个粒子的初始位置和速度；

(7b)：利用编写的适应度函数

Fit[i]＝train_result[i]-train_out[i]

其中,rain_result[i]为第i个粒子原输入值经支持向量机训练后所得预测值，train_out[i]为第i个粒子原输出值,，计算每个粒子的适应度值Fit[i]，对每个粒子进行评价；

(7c)：判断是否更新个体极值，对每一个粒子来说，如果其适应度值Fit[i]小于个体极值Pbest(i)，即Pbest(i)>Fit[i]，则用Fit[i]更新Pbest(i)；

(7d)：判断是否更新局部极值，对每一个粒子来说，如果该粒子的适应度值Fit[i]小于全局极值Nbest，即Nbest(i)Fit[i]，则用Fit[i]更新Nbest(i)；

(7e)：根据公式V_i＝w*V_i+c₁*r₁(Pbest_i—X_i)+c₂*r₂(Nbest_i—X_i)  (1)和X_i＝X_i+V_i(2)，调整每一个粒子的速度v_i和位置x_i，式中V_i为第i个粒子的速度，X_i为第i个粒子的位置，Pbest_i为第i个粒子个体极值，Nbest_i为整个粒子群的全局极值，w为惯性因子，c₁和c₂为学习因子，r₁和r₂代表0和1之间均匀分布的随机数；

(7f)：判断是否结束迭代，迭代结束条件为达到之前设定的最大迭代次数或者实验误差小于之前设定的最小误差值，如果不结束迭代，则返回步骤(7b)。

一种基于三轴加速度传感器的网球运动模式识别方法，数据处理单元主要如下步骤:

步骤(1)：信号预处理，完成对实验数据和加速度数据成正比、降噪和动作起始点判断；

步骤(2)：信号特征值提取，采用小波包分析技术对处理后的数据进行分析处理，为分类器判断识别提供特征样本数据；

步骤(3)：数据重组，将三维数据化为一维的数据；

步骤(4)：主成分分析，提取特征值中有效的、主要的特征值成分，去除冗余信息。

上述步骤(2)具体是指：

(9a)：将采样的输出信号采集后，进行三层小波包分解，小波包分解技术每层分解2个；

(9b)：对小波包分解系数进行重构，然后提取各频带范围内的信号；

(9c)：求各个频带信号的总能量；

(9d)：构造特征向量。

上述步骤(4)主成分分析的计算步骤具体是指：

(10a)：计算特征值矩阵的相关系数矩阵；

(10b)：计算相关系数矩阵的特征值和特征向量；

(10c)：计算主成分贡献率及累计贡献率；

(10d)：计算主成分载荷。

有益效果是：本发明提供的一种基于三轴加速度传感器的网球运动模式识别系统，主要采用了主成分分析法，得到精简而有效的特征值，将所有样本的特征向量组成有效的特征矩阵，然后，利用粒子群算法优化支持向量机，再利用优化的支持向量机分类器分别对特征矩阵进行判断和分析，从而大大提高了对动作识别的准确率，本系统的正确率在96.01％左右，克服了基于视觉方式的运动识别在实际应用中要考虑环境中的光照条件、人物在摄像机前的位置、场地的大小等局限性。本系统采用的三轴加速度传感器可穿戴、携带方便，不受场地限制，能够广泛应用到手语的识别、医学领域、手势遥控器和游戏控制领域。

附图说明

图1是本发明的系统框图。

图2是本发明的信息采集单元的硬件模块图。

图3是本发明的三轴加速度传感器的硬件连接图。

图4是本发明的支持向量机动作识别整体流程图。

图5是本发明的粒子群优化的支持向量机识别动作图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，本发明的一种基于三轴加速度传感器的网球运动模式识别系统，包括信息采集单元、数据处理单元和识别与优化单元。信息采集单元，由软件单元和硬件单元组成，软硬件结合采集正抽、反抽和扣杀三种动作信息；数据处理单元包括预处理、特征值提取、数据重组和主成分分析，用于筛选出有效的特征值信息；识别与优化单元包括粒子群优化算法以及支持向量机识别，采用粒子群算法对参数进行优化，从而提高动作信息识别的准确率。

如图2所示，信息采集单元的硬件单元包括三轴加速度传感器，单片机，USB通信接口和电脑。利用三轴加速度传感器采集玩家打网球时的手臂动作信息，主要指打网球时正抽、反抽和扣杀三种动作信息，然后将加速度信息传输到单片机，再通过串口传输到上位机(电脑)。所述的三轴加速度传感器为Freescale公司的MMA7660FC，分辨率为6位。单片机为STC89C52，单片机最小系统的时钟频率为12MHz。串口通信线选用串口转USB接口线。

本发明的三轴加速度传感器硬件部分的引脚连接图如图3所示，引脚1、4和8为输入引脚，常接地；引脚2和10为输入引脚，N/C表示悬空状态，不连接任何网络或者接地；引脚3和9为输入引脚，常接电源；引脚5为输出引脚，对该芯片起中断作用；引脚6为I2C传输协议的时钟信号；引脚7为I2C传输协议的数据信号。

识别与优化单元先采用粒子群优化对支持向量机的参数进行优化，再采用支持向量机作为分类器，对玩家打球时基本运动模式进行识别判断。

如图4所示，支持向量机的动作识别判断的具体步骤是指：

(6a)：输入训练样本，将采集到的数据或者特征值输入到支持向量机的训练样本矩阵；

(6b)：支持向量机SVM初始化，对支持向量机参数的初始设置，支持向量机参数有惩罚因子C、核函数参数σ和核函数；

(6c)：训练样本矩阵利用核函数与特定空间建立一定关系；

(6d)：在特征空间内构造最优分类面；

(6e)：通过最优分类面进行分类；

(6f)：训练支持向量机SVM，通过训练样本数据，对支持向量机进行训练，建立可识别判断的模型；

(6g)：对测试数据进行识别判断，对未知的测试样本进行判断分析，识别出测试数据对应的动作。

如图5所示，粒子群优化算法实现的具体步骤为：

(7a)：初始化粒子群，包括粒子群群体粒子个数N，每个粒子的初始位置和速度；

(7b)：利用编写的适应度函数

Fit[i]＝train_result[i]-train_out[i]

其中,rain_result[i]为第i个粒子原输入值经支持向量机训练后所得预测值，train_out[i]为第i个粒子原输出值,，计算每个粒子的适应度值Fit[i]，对每个粒子进行评价；

(7c)：判断是否更新个体极值，对每一个粒子来说，如果其适应度值Fit[i]小于个体极值Pbest(i)，即Pbest(i)>Fit[i]，则用Fit[i]更新Pbest(i)；

(7d)：判断是否更新局部极值，对每一个粒子来说，如果该粒子的适应度值Fit[i]小于全局极值Nbest，即Nbest(i)Fit[i]，则用Fit[i]更新Nbest(i)；

(7e)：根据公式V_i＝w*V_i+c₁*r₁(Pbest_i—X_i)+c₂*r₂(Nbest_i—X_i)  (1)和X_i＝X_i+V_i(2)，调整每一个粒子的速度v_i和位置x_i，式中V_i为第i个粒子的速度，X_i为第i个粒子的位置，Pbest_i为第i个粒子个体极值，Nbest_i为整个粒子群的全局极值，w为惯性因子，c₁和c₂为学习因子，r₁和r₂代表0和1之间均匀分布的随机数；

(7f)：判断是否结束迭代，迭代结束条件为达到之前设定的最大迭代次数或者实验误差小于之前设定的最小误差值，如果不结束迭代，则返回步骤(7b)。

一种基于三轴加速度传感器的网球运动模式识别方法，数据处理单元主要如下步骤:

步骤(1)：信号预处理，完成对实验数据和加速度数据成正比、降噪和动作起始点判断；

步骤(2)：信号特征值提取，采用小波包分析技术对处理后的数据进行分析处理，为分类器判断识别提供特征样本数据；

步骤(3)：数据重组，将三维数据化为一维的数据；

步骤(4)：主成分分析，提取特征值中有效的、主要的特征值成分，去除冗余信息。

上述步骤(2)具体是指：

(9a)：将采样的输出信号采集后，进行三层小波包分解，小波包分解技术每层分解2个；

(9b)：对小波包分解系数进行重构，然后提取各频带范围内的信号；

(9c)：求各个频带信号的总能量；

(9d)：构造特征向量。

主成分分析(PCA)方法的原理

假设一个样本数据矩阵为n×p阶的数据矩阵，其中，n表示实验的样本，p表示每个样本的变量或者特征值个数。

$X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right)---(4.1)$

为了抓住事物的内在规律性，并且保证使用较少的变量或特征值，需要对实验的原变量或特征值进行降维处理，在数学上，主要是通过线性组合实现变量的重组，降低变量的维数。并使新变量尽量保留原始信息。

假设，原始变量或特征值为x₁,x₂…x_p，而新变量为(z₁,z₂…z_m(m≤p))。则：

$\left\{\begin{array}{c}{z}_1=l_{11}{x}_1+l_{12}{x}_2+...+l_{1p}{x}_p\\ z_2=l_{21}{x}_1+l_{22}{x}_2+...+l_{2p}{x}_p\\ ..............................\\ z_m=l_{m1}{x}_1+l_{m2}{x}_2+...+l_{\mathrm{mp}}{x}_p\end{array}\right.---\left(4.2\right)$

在(4.2)式中，系数矩阵 $\left[\begin{array}{c}\begin{array}{cc}{l}_{11}& l_{12}...l_{1p}\end{array}\\ \begin{array}{cc}{l}_{21}& l_{22}...l_{2p}\end{array}\\ ...............\\ \begin{array}{cc}{l}_{m1}& l_{m2}...l_{\mathrm{mp}}\end{array}\end{array}\right]$ 满足以下关系：

①z_i与z_j变量间是相互无关，且协方差为0，即；

Cov(z_i,z_j)＝0(i≠j,i,j＝1,2…m)

②主成分变量前的系数平方和为1，即：

l_k1 ²+l_k2 ²+…+l_kp ²＝1(k＝1,2…m)

③主成分变量的方差按从大到小的方式排序，即：

Va(rz₁)≥Va(rz₂)≥…≥Va(rz_m)

主成分分析的计算步骤：

具体步骤如下：

1)计算特征值矩阵的相关系数矩阵R

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}& ...& r_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& ...& r_{\mathrm{pp}}\end{array}\right]---(4.3)$

在(4.2)式中，系数r_ij(i,j＝1,2,…p)表示原变量x_i与x_j之间的相关系数，其计算公式为：

$r_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ki}}-{\stackrel{\‾}{x}}_i)(x_{\mathrm{kj}}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ki}}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{kj}}-{\stackrel{\‾}{x}}_j)}^2}}---\left(4.4\right)$

由于此相关系数矩阵R是实对称矩阵，只需计算相关系统矩阵的上三角矩阵或下三角矩阵，便可得到整体的相关系数矩阵。

2)计算相关系数矩阵的特征值和特征向量

首先，解特征方程|λI-R|＝0，求出相关系数矩阵R的特征值λ_i(i＝1,2,…,p)，并按从大到小顺序排序，即λ₁≥λ₂≥…,≥λ_p≥0；

然后，按照线性代数的方法计算各个特征值λ_i相对应的的特征向量e_i(i＝1,2,…,p)。这里要求||e_i||＝1，即其中e_ij表示向量e_i的第j个分量。

3)计算主成分贡献率及累计贡献率

主成分z_i的贡献率为

$\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_k}(i=\mathrm{1,2},...,p)---\left(4.6\right)$

累计贡献率为

$\frac{\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_k}(i=\mathrm{1,2},...,p)---\left(4.7\right)$

一般情况下，累计贡献率常设定范围为85—95％，因而得到满足条件的特征值λ₁,λ₂,…,λ_m。

4)计算主成分载荷

其计算公式为

$l_{\mathrm{ij}}=p(z_i,x_j)=\sqrt{{\mathrm{\λ}}_i}{e}_{\mathrm{ij}}(i,j=\mathrm{1,2},...,p)---\left(4.8\right)$

由此，便可得到各个原变量对应的系数，在利用公式(4.2)计算各主成分，便可得到新变量矩阵。

$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1m}\\ z_{21}& z_{22}& ...& z_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ z_{n1}& z_{n2}& ...& z_{\mathrm{nm}}\end{array}\right]---\left(4.9\right)$

Claims (10)

1.一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：包括信息采集单元、数据处理单元和识别与优化单元；所述信息采集单元由软件单元和硬件单元组成，用于采集正抽、反抽和扣杀三种动作信息；所述数据处理单元包括预处理、特征值提取、数据重组和主成分分析；所述识别与优化单元包括粒子群优化算法以及支持向量机识别。

2.根据权利要求1所述的一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：所述硬件单元包括三轴加速度传感器，单片机，串口通信线和电脑，依次连接；所述软件单元包括三轴加速度传感器寄存器的设置和初始化、通信协议I²C和单片机串口编程及上位机接收软件。

3.根据权利要求2所述的一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：所述的三轴加速度传感器为Freescale公司的MMA7660FC；单片机为STC89C52；串口通信线选用串口转USB接口线。

4.根据权利要求2所述的一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：对三轴加速度传感器的设置即对按照其Datasheet 中各寄存器选项说明进行设置，先将芯片的模式设置为待机模式，在待机模式下设置其他寄存器的数值，其中设置的采样频率为128 每秒。

5.根据权利要求1所述的一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：所述识别与优化单元先采用粒子群优化对支持向量机的参数进行优化，再采用支持向量机作为分类器，对玩家打球时基本运动模式进行识别判断。

6.根据权利要求5所述的一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：所述支持向量机的动作识别判断的具体步骤是指：

（6a）：输入训练样本，将采集到的数据或者特征值输入到支持向量机的训练样本矩阵；

（6b）：支持向量机SVM 初始化，对支持向量机参数的初始设置，支持向量机参数有惩罚因子C、核函数参数σ和核函数；

（6c）：训练样本矩阵利用核函数与特定空间建立一定关系；

（6d）：在特征空间内构造最优分类面；

（6e）：通过最优分类面进行分类；

（6f）：训练支持向量机SVM，通过训练样本数据，对支持向量机进行训练，

建立可识别判断的模型；

（6g）：对测试数据进行识别判断，对未知的测试样本进行判断分析，识别出测试数据对应的动作。

7.根据权利要求5所述的一种基于三轴加速度传感器的网球运动模式识别系统，其特征在于：所述粒子群优化算法实现的具体步骤为：

（7a）：初始化粒子群，包括粒子群群体粒子个数N，每个粒子的初始位置和速度；

（7b）：利用编写的适应度函数

Fit[i]=train_result[i]-train_out[i]

其中, rain_result[i]为第i个粒子原输入值经支持向量机训练后所得预测值，train_out[i]为第i个粒子原输出值,计算每个粒子的适应度值Fit[i]，对每个粒子进行评价；

（7c）：判断是否更新个体极值，对每一个粒子来说，如果其适应度值Fit[i]小于个体极值Pbest(i)，即Pbest(i)> Fit[i]，则用Fit[i]更新Pbest(i)；

（7d）：判断是否更新局部极值，对每一个粒子来说，如果该粒子的适应度值Fit[i]小于全局极值Nbest，即Nbest(i) Fit[i]，则用Fit[i]更新Nbest(i)；

（7e）：根据公式V_i=w*V_i +c₁*r₁ (Pbest_i—X_i )+ c₂*r₂ (Nbest_i—X_i ) (1)和X_i =X_i +V_i(2)，调整每一个粒子的速度v _i和位置x _i，式中V_i为第i个粒子的速度，X_i为第i个粒子的位置，Pbest_i为第i个粒子个体极值，Nbest_i为整个粒子群的全局极值，w为惯性因子，c₁和c₂为学习因子，r₁和r₂代表0和1之间均匀分布的随机数；

（7f）：判断是否结束迭代，迭代结束条件为达到之前设定的最大迭代次数或者实验误差小于之前设定的最小误差值，如果不结束迭代，则返回步骤（7b）。

8.一种基于三轴加速度传感器的网球运动模式识别方法，其特征在于：数据处理单元主要如下步骤:

步骤(1)：信号预处理，完成对实验数据和加速度数据成正比、降噪和动作起始点判断；

步骤(2)：信号特征值提取，采用小波包分析技术对处理后的数据进行分析处理，为分类器判断识别提供特征样本数据;

步骤(3)：数据重组，将三维数据化为一维的数据；

步骤(4)：主成分分析，提取特征值中有效的、主要的特征值成分，去除冗余信息。

9.根据权利要求8所述的一种基于三轴加速度传感器的网球运动模式识别方法，其特征在于：所述步骤(2)具体是指：

（9a）：将采样的输出信号采集后，进行三层小波包分解，小波包分解技术每层分解2 个；

（9b）：对小波包分解系数进行重构，然后提取各频带范围内的信号；

（9c）：求各个频带信号的总能量；

（9d）：构造特征向量。

10.根据权利要求8所述的一种基于三轴加速度传感器的网球运动模式识别方法，其特征在于：所述步骤(4)主成分分析的计算步骤具体是指：

（10a）：计算特征值矩阵的相关系数矩阵；

（10b）：计算相关系数矩阵的特征值和特征向量；

（10c）：计算主成分贡献率及累计贡献率；

（10d）：计算主成分载荷。