CN105797319B - 一种羽毛球运动数据处理方法及装置 - Google Patents

Abstract

本发明公开了一种羽毛球运动数据处理方法，包括：接收由传感器设备传送的第一运动数据，该第一运动数据是基于羽毛球运动事件而得到的至少一个运动数据；基于第一运动数据和预设的运动事件类别对羽毛球运动事件进行分类，确定羽毛球运动事件的运动事件类别；以及根据运动事件的类别对羽毛球运动事件的第一运动数据进行处理，得到表明该羽毛球运动事件的特征的第二运动数据。

Description

一种羽毛球运动数据处理方法及装置

技术领域

本发明涉及可穿戴设备领域，尤其是一种羽毛球运动数据的处理方法及装置。

背景技术

近年来，人们越来越重视体育运动对强身健体的重要性，随之越来越多的体育运动受到人们的喜爱，例如，羽毛球等球类运动已成为日常生活中非常普及的体育运动。

随着智能手机的不断成熟和强大以及可穿戴智能设备的迅速发展，在各项体育运动中涌现出越来越多的智能设备，这使得人们在运动过程中，不仅能锻炼身体，还能监测自身的身体状态甚至评估自己的运动技能。

在传统的羽毛球等球类运动中，可以使用可穿戴设备等附加设备，例如智能手环，通过这些可穿戴设备粗略地知道运动人员的运动状况(例如走了多少步，消耗了多少热量等)以及一些身体状态(例如心率等)。这有助于运动人员了解自己在从事某种体育运动时的运动状况和身体状态，达到有效、合理、科学地进行运动的目的。

然而，这些可穿戴设备只能给出一些基本的运动数据和身体状态数据，针对羽毛球运动来说，并不能给出与羽毛球运动本身特色有关的运动数据，例如运动人员做了多少次发球、扣杀等动作。如果在羽毛球运动过程中，能够给出运动人员所做的具体动作的一些运动参考数据，一方面可以帮助运动人员评估其在此次运动中的运动状态和运动水平，有助于运动人员提高其运动技能，另一方面也可以大大提高运动人员从事羽毛球运动的趣味性。

发明内容

为此，本发明提供一种羽毛球运动数据的处理方法及装置，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种羽毛球运动数据处理方法，包括步骤：接收由传感器设备传送的第一运动数据，该第一运动数据是基于羽毛球运动事件而得到的至少一个运动数据；基于第一运动数据和预设的运动事件类别对羽毛球运动事件进行分类，确定羽毛球运动事件的运动事件类别；以及根据运动事件的类别对运动事件的第一运动数据进行处理，得到表明该羽毛球运动事件的特征的第二运动数据。

可选地，在根据本发明的羽毛球运动数据处理方法中，传感器设备包括安装于羽毛球球拍底部的第一传感器设备，羽毛球运动事件包括击球事件，第一传感器设备获得击球事件的第一运动数据。

可选地，在根据本发明的羽毛球运动数据处理方法中，传感器设备包括放置于用户腰部位置的第二传感器设备，羽毛球运动事件包括起跳事件，第二传感器设备获得起跳事件的第一运动数据。

可选地，在根据本发明的羽毛球运动数据处理方法中，第一运动数据包括每个羽毛球运动事件中各采样数据点的去重力加速度、三轴速度、和四元数。

可选地，在根据本发明的羽毛球运动数据处理方法中，当传感器设备包括放置于用户腰部位置的第二传感器设备时，第一运动数据还包括起跳速度、起跳距离、和水平累计跑动距离。

可选地，在根据本发明的羽毛球运动数据处理方法中，运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球。

可选地，在根据本发明的羽毛球运动数据处理方法中，对于每一运动事件类别还分别包括反手击球和正手击球。

可选地，在根据本发明的羽毛球运动数据处理方法中，还包括步骤：利用机器学习方法根据预设的运动事件类别的训练样本对羽毛球运动事件进行分类。

可选地，在根据本发明的羽毛球运动数据处理方法中，利用机器学习方法对羽毛球运动事件进行分类的步骤包括：根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数；根据预先获取的各个运动事件的训练样本的特征向量、利用机器学习方法对各个运动事件进行分类。

可选地，在根据本发明的羽毛球运动数据处理方法中，特征向量的参数包括：在击球事件的发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及该三个时间点的球拍姿态。

可选地，在根据本发明的羽毛球运动数据处理方法中，利用机器学习方法进行分类是采用SVM算法对羽毛球运动事件进行分类。

可选地，在根据本发明的羽毛球运动数据处理方法中，SVM算法采用的核函数为RBF函数。

可选地，在根据本发明的羽毛球运动数据处理方法中，对于击球事件，第二运动数据包括击球力度、出球角度、挥拍速度、挥拍次数。

可选地，在根据本发明的羽毛球运动数据处理方法中，击球力度为||a-g^b||，其中a表示去重力后在三轴加速度，g^b表示重力在载体坐标系的向量。

可选地，在根据本发明的羽毛球运动数据处理方法中，出球角度为：

其中，C_n ^b表示地球坐标系到载体坐标系的转换矩阵。

可选地，在根据本发明的羽毛球运动数据处理方法中，挥拍速度基于手臂与球拍的挥动模型、以及第一传感器设备的Y轴速度计算得出。

可选地，在根据本发明的羽毛球运动数据处理方法中，挥拍次数基于对击球事件的统计而得到。

根据本发明的另一方面，提供了一种羽毛球运动数据处理装置，包括：第二接收模块，适于接收由传感器设备传送的第一运动数据，该第一运动数据是基于羽毛球运动事件而得到的至少一个运动数据；分类模块，适于基于第一运动数据和预设的运动事件类别对羽毛球运动事件进行分类，确定羽毛球运动事件的运动事件类别；处理模块，适于根据运动事件的类别对运动事件的第一运动数据进行处理，得到表明该羽毛球运动事件的特征的第二运动数据。

可选地，在根据本发明的羽毛球运动数据处理装置中，传感器设备包括安装于羽毛球球拍底部的第一传感器设备，羽毛球运动事件包括击球事件，第一传感器设备获得击球事件的第一运动数据。

可选地，在根据本发明的羽毛球运动数据处理装置中，传感器设备包括放置于用户腰部位置的第二传感器设备，羽毛球运动事件包括起跳事件，第二传感器设备获得起跳事件的第一运动数据。

可选地，在根据本发明的羽毛球运动数据处理装置中，第一运动数据包括每个羽毛球运动事件中各采样数据点的去重力加速度、三轴速度、和四元数。

可选地，在根据本发明的羽毛球运动数据处理装置中，当传感器设备包括放置于用户腰部位置的第二传感器设备时，第一运动数据还包括起跳速度、起跳距离、和水平累计跑动距离。

可选地，在根据本发明的羽毛球运动数据处理装置中，运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球。

可选地，在根据本发明的羽毛球运动数据处理装置中，对于每一运动事件类别还分别包括反手击球和正手击球。

可选地，在根据本发明的羽毛球运动数据处理装置中，分类模块利用机器学习方法根据所述预设的运动事件类别的训练样本对羽毛球运动事件进行分类。

可选地，在根据本发明的羽毛球运动数据处理装置中，分类模块包括：存储单元，其适于存储通过机器学习方法得到的关于预设的运动事件类别的训练样本的特征向量；特征向量提取单元，其适于根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数；分类单元，其适于根据预先获取的各个运动事件的训练样本的特征向量、利用机器学习方法对各个运动事件进行分类。

可选地，在根据本发明的羽毛球运动数据处理装置中，特征向量提取单元提取的特征向量的参数包括：在击球事件的发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及三个时间点的球拍姿态。

可选地，在根据本发明的羽毛球运动数据处理装置中，分类模块利用SVM算法对羽毛球运动事件进行分类。

可选地，在根据本发明的羽毛球运动数据处理装置中，SVM算法采用的核函数为RBF函数。

可选地，在根据本发明的羽毛球运动数据处理装置中，对于击球事件，处理模块对第一运动数据进行处理而得到第二运动数据包括击球力度、出球角度、挥拍速度、挥拍次数。

可选地，在根据本发明的羽毛球运动数据处理装置中，击球力度为||a-g^b||，其中a表示去重力后在三轴加速度，g^b表示重力在载体坐标系的向量。

可选地，在根据本发明的羽毛球运动数据处理装置中，出球角度为：

其中，C_n ^b表示地球坐标系到载体坐标系的转换矩阵。

可选地，在根据本发明的羽毛球运动数据处理装置中，挥拍速度基于手臂与球拍的挥动模型、以及第一传感器设备的Y轴速度计算得出。

可选地，在根据本发明的羽毛球运动数据处理装置中，挥拍次数基于对击球事件的统计而得到。

根据本发明的羽毛球运动数据处理方案，通过对运动人员在羽毛球运动中所做的各项动作的运动数据进行运动事件的提取并分类，计算运动人员在各项运动事件中的运动数据，例如击球力度、挥拍速度、出球角度等等，进而将这些与羽毛球运动本身特色有关的运动数据显示给运动人员。一方面可以帮助运动人员评估其在此次运动中的运动状态和运动水平，有助于运动人员提高其运动技能，另一方面也大大提高运动人员从事羽毛球运动的趣味性，提高了用户体验。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的移动终端100的构造示意图；

图2示出了根据本发明一个实施例的羽毛球运动检测系统200；

图3示出了根据本发明一个实施例的羽毛球运动数据处理装置300的示意图；

图4示出了根据本发明的一个实施例的羽毛球运动数据处理方法400的流程图；以及

图5示出了根据本发明的一个实施例的手臂与球拍的挥动模型示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1为根据本发明的一个实施方式的移动终端构造示意图。参照图1，移动终端100包括：存储器接口102、一个或多个数据处理器、图像处理器和/或中央处理单元104，以及外围接口106。存储器接口102、一个或多个处理器104和/或外围接口106既可以是分立元件，也可以集成在一个或多个集成电路中。在移动终端100中，各种元件可以通过一条或多条通信总线或信号线来耦合。传感器、设备和子系统可以耦合到外围接口106，以便帮助实现多种功能。例如，运动传感器110、光传感器112和距离传感器114可以耦合到外围接口106，以方便定向、照明和测距等功能。其他传感器116同样可以与外围接口106相连，例如定位系统(例如GPS接收机)、温度传感器、生物测定传感器或其他感测设备，由此可以帮助实施相关的功能。

相机子系统120和光学传感器122可以用于方便诸如记录照片和视频剪辑的相机功能的实现，其中所述相机子系统和光学传感器例如可以是电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)光学传感器。可以通过一个或多个无线通信子系统124来帮助实现通信功能，其中无线通信子系统可以包括射频接收机和发射机和/或光(例如红外)接收机和发射机。无线通信子系统124的特定设计和实施方式可以取决于移动终端100所支持的一个或多个通信网络。例如，移动终端100可以包括被设计成支持GSM网络、GPRS网络、EDGE网络、Wi-Fi或WiMax网络以及BlueboothTM网络的通信子系统124。音频子系统126可以与扬声器128以及麦克风130相耦合，以便帮助实施启用语音的功能，例如语音识别、语音复制、数字记录和电话功能。

I/O子系统140可以包括触摸屏控制器142和/或一个或多个其他输入控制器144。触摸屏控制器142可以耦合到触摸屏146。举例来说，该触摸屏146和触摸屏控制器142可以使用多种触摸感测技术中的任何一种来检测与之进行的接触和移动或是暂停，其中感测技术包括但不局限于电容性、电阻性、红外和表面声波技术。一个或多个其他输入控制器144可以耦合到其他输入/控制设备148，例如一个或多个按钮、摇杆开关、拇指旋轮、红外端口、USB端口、和/或指示笔之类的指点设备。所述一个或多个按钮(未显示)可以包括用于控制扬声器128和/或麦克风130音量的向上/向下按钮。

存储器接口102可以与存储器150相耦合。该存储器150可以包括高速随机存取存储器和/或非易失性存储器，例如一个或多个磁盘存储设备，一个或多个光学存储设备，和/或闪存存储器(例如NAND，NOR)。存储器150可以存储操作系统152，例如Android、IOS或是Windows Phone之类的操作系统。该操作系统152可以包括用于处理基本系统服务以及执行依赖于硬件的任务的指令。存储器150还可以存储应用154。这些应用在操作时，会从存储器150加载到处理器104上，并在已经由处理器104运行的操作系统之上运行，并利用操作系统以及底层硬件提供的接口实现各种用户期望的功能，如即时通信、网页浏览、图片管理等。应用可以是独立于操作系统提供的，也可以是操作系统自带的。

根据本发明的一个实施例，提供了一种羽毛球运动数据处理装置300，其可以作为一种应用而存储于应用154中。

图2示出了根据本发明的一个实施例的羽毛球运动检测系统200。该系统200包括：传感器设备210、传输装置220、以及移动终端230或云端。取决于期望的配置，传感器设备210包括设置在羽毛球拍上的第一传感器设备212、以及佩戴在运动人员身上的第二传感器设备214。第一传感器设备212可以安装在羽毛球拍的拍柄底部、拍柄内靠近底部的位置或者中间的位置、拍柄与拍头的连接处等。优选地，考虑安装在羽毛球拍的拍柄底部，这样对球拍本身的功能、以及球拍本身结构影响较小。同样，第二传感器设备214可以佩戴在运动人员的腰部位置，例如挂附在运动裤的腰带上。传输装置220中包含蓝牙模块、或者其它无线或有线网络传输设备。

当击球事件发生时，球拍与羽毛球以较高的相对速度接触并产生振动。该振动会传递到球拍底部，引起第一传感器设备212中的传感器自身的小幅度振动，所以，第一传感器设备212可以采集击球事件的运动数据。当运动人员起跳时，会引起第二传感器设备214中传感器自身的小幅度振动，所以，第二传感器设备214可以采集起跳事件的运动数据。

第一传感器设备212包括第一采集装置2124(例如可以采用6轴传感器LSM9DS0来实现)和第一检测装置2122(例如可以采用微处理器或单片机，所述单片机可以为基于ARM公司M3内核的STM32F10)等。

其中，在本实施例中，第一采集装置2124按照预定采集频率(例如采样频率为476Hz)采集羽毛球拍的原始的运动数据，第一采集装置2124可以采用6轴传感器来实现。六轴传感器包括三轴加速度传感器以及三轴陀螺仪传感器，三轴加速度传感器用于采集横向加速度，具体地，三轴加速度传感器可感应XYZ(立体空间三个方向，前后左右上下)轴向上的加速度，即三轴加速度。例如，在羽毛球运动中，当运动人员挥拍时三轴加速度传感器感测到羽毛球拍在前后左右上下方向上的移动方向。三轴陀螺仪传感器用于采集角度旋转和平衡，具体地，可以感应左右倾斜(Roll)、前后倾斜(Pitch)、左右摇摆(Yaw)的全方位动态信息，即三轴角加速度。例如三轴陀螺仪传感器可以检测球拍在不同方向上的旋转。通过六轴传感器采集输出的第一运动数据为运动物体的三轴原始加速度和三轴原始角加速度，输出数据格式为六维向量(ax,ay,az,wx,wy,wz)，其中，ax，ay，az代表在载体坐标系(即运动物体本身所在的坐标系)下分别在x，y，z轴方向的三轴加速度，wx，wy，wz代表在载体坐标系中的三轴角加速度。

这里，第一采集装置2124并不限于六轴传感器，还可以采用九轴传感器，九轴传感器除了三轴加速度传感器和三轴陀螺仪传感器以外，还包括三轴磁场传感器，三轴磁场传感器适于采集地磁场在例如球拍运动时所处姿态下的三轴向分量。本发明对传感器种类不做限制，六轴传感器、九轴传感器、或其他的用于采集运动数据、输出三轴向分量的采集装置均在本发明的保护范围之内。

本发明的传感器设备210可以只包括设置在羽毛球拍上的第一传感器设备212，也可以只包括佩戴在运动人员身上的第二传感器设备214，也可以既包括设置在羽毛球拍上的第一传感器设备212，也包括佩戴在运动人员身上的第二传感器设备214。本发明对此并不限制。

下面以设置在羽毛球拍拍柄底部上的第一检测装置2122对击球事件的检测为例进行具体说明。第一检测装置2122可以包括第一接收模块、检测模块以及提取模块。其中，第一接收模块接收来自第一采集装置2124采集的运动数据，该第一采集装置2124采集的运动数据包括放置在羽毛球拍拍柄底部上的例如六轴传感器采集的羽毛球拍的原始三轴加速度以及原始三轴角加速度。设三轴原始加速度为(ax₁,ax₂,…,ax_k)，(ay₁,ay₂,…,ay_k)，(az₁,az₂,…,az_k)，其中(ax_k,ay_k,az_k)代表k时刻在载体坐标系的x,y,z轴的三轴原始加速度。

当击球事件发生时会引起第一采集装置2124中的传感器自身的小幅度振动。当传感器振动时，加速度数据会产生高频变化，在保持传感器的采样频率不变的情况下，上述三轴原始加速度的高频分量会增加。为了避免进行详细的频谱分析从而降低计算复杂度，将加速度数据的频率分量分为高频部分与低频部分，可以通过高频部分能量与低频部分能量的比值来判断高频分量是否足够多，即击球事件是否发生。具体地，可以通过设计低通滤波器来判断三轴原始加速度信号中的高频分量，当高频分量“足够多”时，即满足阈值，即将该事件定义为一次击球事件。

例如，设计一个窗口长度为20，截止频率为0.5的数字低通滤波器lpf，将三轴原始加速度输入到lpf()函数中，输出为三轴原始加速度中的低频分量lpf(ax₁,ax₂,…,ax_k)，lpf(ay₁,ay₂,…,ay_k)，lpf(az₁,az₂,…,az_k)。

运动事件的检测条件如下：

E(lpf(ax₁,ax₂,…,ax_k))/E((ax₁,ax₂,…,ax_k))＜th_x (1)

E(lpf(ay₁,ay₂,…,ay_k))/E((ay₁,ay₂,…,ay_k))＜th_y (2)

E(lpf(az₁,az₂,…,az_k))/E((az₁,az₂,…,az_k))＜th_z (3)

且

E((ax₁,ax₂,…,ax_k))-E(lpf(ax₁,ax₂,…,ax_k))＞Eth_x (4)

E((ay₁,ay₂,…,ay_k))-E(lpf(ay₁,ay₂,…,ay_k))＞Eth_y (5)

E((az₁,az₂,…,az_k))-E(lpf(az₁,az₂,…,az_k))＞Eth_z (6)

其中，E()为数字信号时域上的能量(即数据的平方和)，E((ax₁,ax₂,…,ax_k))、E((ay₁,ay₂,…,ay_k))、E((az₁,az₂,…,az_k))为原始没有经过滤波的数据的能量(即总能量)，E(lpf(ax₁,ax₂,…,ax_k))、E(lpf(ay₁,ay₂,…,ay_k))、E(lpf(az₁,az₂,…,az_k))为数据中低频分量的能量。

上述六个公式中的前三个公式表示低频部分能量占总能量的比值，后三个公式表示高频部分能量的绝对值，th_x、th_y、th_z为低频分量能量的占比阈值，Eth_x、Eth_y、Eth_z为高频分量能量的阈值，其中对高频分量的能量值设置阈值可有效地减小检测的误报概率。

上述提到的阈值的选取可根据实际测量数据确定。另外，当击球类的球类运动中第一采集装置2124位于球拍底部时，在载体坐标系中，Y轴垂直于球网，X轴平行于球网，Z轴沿着拍柄，因此，上面所述各阈值存在着如下的关系：

th_y＜th_x＜th_z (7)

Eth_y＞Eth_x＞Eth_z (8)

当在一段时间内的三轴原始加速度和三轴原始角加速度同时满足以上公式(1)～(6)所述的检测条件时，检测模块则确定在这段时间内击球事件发生。

同时，考虑到频谱分析需要一段时间内的加速度数据，因此检测模块对击球事件的确定会滞后于击球事件发生的事件发生点，因此检测模块需要进一步确定击球事件发生的事件发生点。

根据一个实施方式，击球点(即事件发生点)被定义如下：

其中k_s为击球点，是归一化的Y轴加速度，ay_k为Y轴加速度在时间点k的数据，归一化为将ay_k减去平均值。表示对归一化的Y轴加速度取绝对值。表示使得为最大值的这时时间点k即为击球点。

当击球事件发生时，球拍(例如羽毛球拍)会发生振动，Y轴加速度会有剧烈变化，加速度峰值很大概率会增加；同理，当球拍振动结束后，高频分量减少，加速度峰值会下降。因此通过上述公式(9)将在一段时间内Y轴加速度峰值所对应的时间点判断为击球点。

检测模块在判断出击球点后，由于需要用击球点前后一个时间段的数据来描述这次击球事件，所以提取模块可以提取该击球事件的事件发生点、以及事件发生点前后一个时间段的运动数据。容易想到的是，这个时间段的长度、采样数据点的个数是随着采样频率的变化而变化的。在本实施例中，根据实际经验，通常认为0.5秒可以完整描述一次击球事件过程(包括引拍、击球、收拍)，因此提取模块可以提取击球点前后各0.25s时间段的运动数据。当所述运动数据由第一采集装置2124例如按照476Hz的频率采集获得时，提取模块所提取的包括击球事件的事件发生点、以及事件发生点前后的0.25秒内的运动数据一共包含238个三轴原始加速度和三轴原始角加速度，从而筛除了运动过程中不太重要的数据，只提取核心数据，节省了存储空间。

第一检测装置2122在完成了击球事件检测和击球点判断后，还可以对采样得到的数据进一步进行预处理，这一方面可以减小误差，另一方面经过预处理后可以提供给用户相对更直观的数据、可以提供给对运动进行进一步分析的应用或服务器处理。因此，根据本发明的另一个实施方式，第一检测装置2122还可以包括预处理模块，其适于根据提取模块提取的运动数据获得与运动事件有关的第一运动数据。

预处理模块在进行预处理时计算出对应的采样数据点的四元数、去重力后的加速度、以及三轴速度。

首先，第一采集装置2124输出的加速度数据包含了地心方向的重力，为了计算击球力度等参数需要将重力分量去除，这可以利用四元数来实现。此处的四元数即为一个四元向量，其四个分量并没有明确的物理含义，只是为了在角度的计算上更方便一些。一般地，角加速度是对第一采集装置2124的姿态的一种测量，但其数值本身无法直观地理解。而利用四元数可以方便地通过三轴原始角加速度计算出采集装置的姿态信息(即，三轴的方位角)，能够更直观地表征姿态信息。

具体地，利用四元数判断第一采集装置2124的当前姿态，将重力分量投影到载体坐标系的三轴上，然后通过三轴原始加速度减去重力在载体坐标系中的相应分量而获得去重力后的三轴加速度

重力在地球坐标系表示为gⁿ＝(0,0,1)，地球坐标系到载体坐标系的转换矩阵为

其中，q＝(a,b,c,d)，代表四元数。

从而可以计算出重力在载体坐标系的向量g^b为：

得到g^b后，将其从原始加速度中减去就得到了去重力后的加速度。

其中，所述四元数是通过原始角加速度计算得出。具体地，用三轴原始角加速度计算四元数q时需要利用龙格-库塔法求解如下的微分方程：

其中，

上式中，ω_x，ω_y，ω_z分别代表三轴原始角加速度，获得的四元数q也与三轴原始角加速度一一对应。

由于原始数据(三轴角加速度、三轴加速度)有误差(因为含有噪声)，因此无法按照原始频率对每个采样数据点进行去重力处理，因此，在去重力过程中，对三轴加速度和角加速度数据进行了平滑处理(即对相邻的采样数据点取平均值)，使得去除重力后的加速度数据频率降为某一频率，例如100Hz，该频率可根据实际需要变化，本发明对此不做限制。经过平滑处理后，可以有效地减小原始数据中噪声的影响，提高计算的精确度。

由于去重力过程中数据的采样频率降为100Hz，所以采样数据点的时间间隔为1/100＝0.01。提取模块提取击球事件的事件发生点前后0.25秒时间的数据，所以，在去重力过程中，所提取的采样数据点的数量为0.5/0.01＝50，即，提取模块提取的击球事件的运动数据经过数据预处理后包含50个去重力后的加速度和四元数。

得到去重力后的三轴加速度后，对其在一定时间段上进行积分即可获得三轴速度。但是，在对加速度进行积分时会造成误差累计与传播，因此还需要根据需要对所得到的三轴速度进行校准。在本实施例中，校准方法可以通过对速度进行归零化处理来进行。其中归零的判断条件是第一采集装置2124是否处于“近似静止”状态，即去重力后的三轴加速度模长要小于一定门限，即：

||a-g^b||＜ath

其中，ath为门限值。当加速度模长小于门限值ath时，认为速度为零。

综上所述，通过第一检测装置2122得到的关于击球事件的运动数据包括：三轴去重力加速度、四元数、以及三轴速度。

对于第二传感器设备214，其电路与第一传感器设备212中的完全相同，其中的第二采集装置2144按照同样频率输出载体坐标系的三轴原始加速度和三轴原始角加速度数据，并传送给第二检测装置2142；第二检测装置2142利用这些原始数据进行起跳事件检测和累计跑动距离计算。其中，第二采集装置2144与前面描述的第一采集装置2124类似，例如可以用六轴传感器采集运动人员的三轴原始加速度和三轴原始角加速度。第二检测装置2142与前面描述的第一检测装置2122类似，用于检测起跳事件以及判断起跳点(起跳事件的事件发生点)。

由于运动人员在起跳过程中，第二采集装置2144处于失重状态。故而通过判断第二采集装置2144是否处于失重状态可以检测起跳事件是否发生。

当失重发生时，第二采集装置2144输出的原始三轴加速度模长远远小于重力加速度G，即：

‖a‖＜δG

考虑到在实际情况中，第二传感器设备214可能会受到人体产生的微小外力，在本发明中，例如可以设置δ＝0.3，其中δ根据经验而设置。

为了防止误报，还可以要求满足当失重状态持续发生一段时间时，即加速度模长持续远小于重力加速度第三预定时间段时，第二检测装置2142才判断为起跳事件发生。根据实际经验，认为起跳即人双脚离地的时间，一般为0.2秒以上。因此失重状态持续的时间段可以为自起跳事件的第一个时间点起0.2秒，其中，起跳事件的事件发生点为起跳事件的第一个时间点(当运动人员开始起跳时，放置在运动人员人身上的传感器设备会瞬间产生一个很大的加速度变化，即加速度从较大值变化为接近于0的值，由此可以将加速度开始发生变化的点记录为起跳事件的第一个时间点)。

第二检测装置2142在完成了起跳事件检测和起跳点判断后，还可以对采样得到的数据进一步进行预处理操作，以得到起跳事件的预处理运动数据。其预处理过程与前面所述的击球事件的预处理过程基本相同，也包括去重力处理和计算三轴速度，以得到三轴去重力加速度、四元数和三轴速度。

不同之处在于，第二检测装置2142还要完成对起跳距离和水平累计跑动距离的计算。对于起跳距离，只需失重时间乘以重力加速度即可得到。其中失重时间即为人体停留在空中做自由落体运动的时间，例如0.2秒左右。

对于水平累计跑动距离的计算，基于前面计算得到的三轴速度，对三轴速度在时间上求积分即可。同样地，为了避免误差的累计与传播，在计算前可以对计算进行校准：当三轴速度模长小于一定门限时，认为使用者处于静止状态而不计入跑动距离。

综上，通过第二检测装置2142计算得到的关于起跳事件的运动数据包括：起跳点的三轴去重力加速度、四元数、三轴速度、起跳距离、以及水平累计跑动距离。

应当注意的是，为了能够准确的描述一次击球事件，通过第一检测装置2122计算得到的运动数据，预处理后选取击球点、以及击球点10个采样数据点前(即击球点前的第10个采样数据点)、和击球点10个采样数据点后(即击球点后的第10个采样数据点)的时间点的运动数据，用以描述一次击球事件。在第一检测装置2122和第二检测装置2142中还可以设置缓存器flash，用来缓存经过其预处理后的运动数据。可选地，所述缓存器flash也可以单独设置，用于存储第一检测装置2122和第二检测装置2142预处理后所得到的运动数据。

在传输装置220中设置有蓝牙模块，当运动结束后，将第一检测装置2122和第二检测装置2142分别放入传输装置220中，第一检测装置2122和第二检测装置2142内部的触点与传输装置220的触点相接，可以读取并传输运动数据至移动终端或云端。应当注意，该传输设备不限于包括蓝牙模块，也可以包括WIFI设备、3G网络设备、或者这些传输设备的对外传输接口。本发明选取蓝牙模块主要是考虑到蓝牙模块低功耗低成本，当第一传感器设备212和/或第二传感器设备214与传输装置220中的蓝牙模块相接时，缓存在其中的运动数据就经蓝牙模块传输至移动终端230或云端。

移动终端230或云端接收到上述运动数据后，对其进行运动事件提取并分类，更进一步计算运动人员在各项运动事件中的运动数据，例如击球力度、挥拍速度、出球角度等等，而后显示在移动终端230中，供运动人员评估其在此次运动中的运动状态和运动水平。

图3示出了根据本发明的一个实施例的羽毛球运动数据处理装置300的框图，下面将结合图3，详细说明羽毛球运动数据处理装置300对运动数据的分类及处理。

该羽毛球运动数据处理装置300，驻留于移动终端230或者云端中，包括第二接收模块310、分类模块320、以及处理模块330。

第二接收模块310适于接收上述从第一检测装置2122和/或第二检测装置2142经过预处理得到的运动数据，为了说明的简便，下文将来自第一检测装置2122和/或第二检测装置2142的运动数据统称为第一运动数据，即包括击球事件中各采样数据点的去重力加速度、三轴速度、和四元数；以及起跳事件中各采样数据点的去重力加速度、三轴速度、四元数、起跳距离、和水平累计跑动距离。

第二接收模块310将第一运动数据传送给分类模块320，分类模块320基于所述第一运动数据对羽毛球运动事件进行分类，确定其所属的运动事件类别。这里，分类模块320例如可以采用机器学习技术对每个运动事件进行分类。数据分类是指在已有分类的训练数据的基础上，根据某种原理，经过训练形成一个分类器，然后使用分类器判断没有分类的数据的类别。其中数据都是以向量形式出现的。根据本发明的一个实施例，采用SVM(Supportvector machine，支持向量机)对运动事件进行分类。

SVM是机器学习技术的一种，是基于分类边界的方法。其中，每个数据样本需要用一个特征向量(feature vector)来表示，该特征向量的维度和特征向量中每个参数的内容根据不同的需要可以进行不同的选择。SVM是实际应用最多的分类器之一，其精确度较高，并且训练和测试过程的计算复杂度都不算高。

SVM理论上是一个二元分类器，但是可以被拓展成多元分类器。SVM中二元分类的测试过程如下。在训练结束之后，我们会得到如下的一些数据结构(假设我们的特征向量维度是d)：

{x_i}:N个d维特征向量，它们叫做support vectors，即经过训练得到的一组特征向量，i小于等于N。这些特征向量是所有训练数据的一个子集。一般来讲N低于维度d。特征向量是用数学方法来描述每个类别“独特”的特征。在本发明中，不同类别的击球会产生截然不同的传感器加速度与角加速度读数，因此特征向量由这些数值计算得出。

α＝(α₁,…,α_N):N维向量。

b:一个实数。

k():核函数，和训练的核函数一致，常见的核函数有dot product,polynomial等等，计算起来有较低的复杂度。

分类的过程只需要计算如下算式：

sign(∑_iα_ik(x_i,x)+b) (10)

其中，α和b是SVM训练过程中产生的参数。x表示待分类的数据对应的特征向量。分类的过程就是利用上述公式(10)通过训练得到的特征向量{x_i}对x进行分类。

如果我们用最简单的dot product做核函数，那么上式只需要计算N次两个d维向量的内积，一次两个N维向量的内积就可以了。

多元分类的过程如下。当有超过两个类别(class)的时候，我们可以用一系列的二元分类器来构建一个多元分类器。复杂度最低的一种方法是one vs all：假设有K个类(C₁，C₂，…，C_k)，我们构建K个二元分类器，其中第k个分类器的两个类分别是C_k和(C₁，…，C_k-1，C_k+1，…，C_k)。这样对于一个测试样本数据，我们把它送到这K个分类器里面，然后选出分类结果为正的所有C_k中margin最大的那个。margin的计算可以重复利用上面的式子。所以对于K个类的分类器，只需要重复K次上述公式(10)中的计算就可以了。

根据机器学习方法的特点，整个分类过程可以细分为训练阶段和测试阶段。通常，通过训练阶段，确定每个分类的特征向量所需的参数，并通过训练而获得各个分类的特征向量的各参数的取值范围。在本发明中，各个分类的特征向量的各参数的选择以及通过训练而得到的各参数的取值范围都是事先进行的，并事先存储在分类模块320中。

分类模块320主要是完成机器学习方法的测试阶段的工作。根据本发明的一个实施例，分类模块320可以包括存储单元322、特征向量提取单元324和分类单元326。其中，存储单元322适于事先存储基于SVM分类方法的训练而得到的各运动事件分类的一组特征向量{x_i}以及其他相应参数，例如前面公式中的α、b、k()等，对于每个运动事件分类的特征向量与对应参数会随着训练样本数量的增加而变化。

下面具体说明如何确定分类参数。

例如，对于羽毛球运动中的击球事件，在分类模块320的存储单元322中事先存储有击球事件类别，例如击球事件类别可以包括：发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球等等，而对于上述每一击球事件类别，又可以进一步分别包括反手击球和正手击球。

基于预先存储的击球事件类别，选取对于每一类别的运动事件的特征向量所包含的参数。由上面的描述可以知道，a-g^b为去重力加速度分量，其模长||a-g^b||表示击球力度；g^b是重力向量在载体坐标系中的向量表示，可以用来表示球拍姿态。因为不同类别的的击球事件的||a-g^b||和g^b在表征上有较大差异，故而每个击球事件可以用如下的特征向量来表示：

x＝(||a-g^b||_-10,||a-g^b||,||a-g^b||₊₁₀,g^b _-10,g^b,g^b ₊₁₀),

该12维特征向量由三个时间点的数据组成，这里的三个时间点包括事件发生点(即击球点)、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样采样数据点后的时间点，例如，当标记事件发生点为0时，三个时间点包括标记为0的该事件发生点、该事件发生点前面的第10个采样数据点以及该事件发生点后面的第10个采样数据点。在上述12维的特征向量中，对于每个时间点，包含了挥拍力度信息和球拍姿态信息，因此，通过上述12维的特征向量x就可以比较完整准确地描述击球类型。

特征向量提取单元324根据存储单元322中存储的对于每个运动事件类别所需的参数，从第二接收模块310接收到的运动数据中提取每个击球事件对应的特征向量中的参数，从而确定针对每一击球事件所对应的特征向量x。

随后，分类单元326通过公式(10)利用存储单元322中存储的各运动事件类别的训练样本的特征向量x_i和对应参数、以及特征向量提取单元324所得到的待分类数据的特征向量x，对羽毛球运动的击球事件进行分类。

在本发明中，选取RBF函数作为SVM算法的核函数，对于RBF函数，在本发明的计算过程中，RBF-sigma的值暂设为1。在选定特征向量和核函数等参数后，分类单元326利用SVM算法即可得到各个击球事件分别属于事先确定的击球事件类别之一。

其中，对于正反手击球事件的判断，是基于击球点前后的球拍姿态来进行的。可以直观的理解为：对于右手持拍选手，逆时针挥拍为正手，顺时针挥拍为反手；对于左手持拍选手，顺时针挥拍为正手，逆时针挥拍为反手。于是，通过两个向量的叉积来判断顺/逆时针，定义如下：

sⁿ＝zⁿ _-10×zⁿ ₊₁₀

其中为载体坐标系中的拍柄向量z^b＝(0,0,1)在地球坐标系中的表示。拍柄向量z^b＝(0,0,1)可以认为是代表了球拍的姿态。Zⁿ _-10表示击球点10个采样数据点前的采样点(即击球点之前的第10个采样数据点)的拍柄向量，代表击球点前的球拍姿态，Zⁿ ₊₁₀表示击球点10个采样数据点后的采样点(即击球点之后的第10个采样数据点)的拍柄向量，代表击球点后的球拍姿态，通过将二者进行叉积，即可得出对应的击球事件是正手还是反手。

上述关于击球事件是正手还是反手的判断，可以在对击球事件进行分类之前进行，也可以在对击球事件进行分类之后进行。

随后，处理模块330根据分类模块320所确定的击球事件类别，对每一击球事件的第一运动数据进行处理，得到表明该羽毛球击球事件的特征的第二运动数据。这里，第二运动数据可以包括击球力度、出球角度、挥拍速度、以及挥拍次数等等。其中，击球力度的计算在上文中已经描述了。对于出球角度，将其定义为羽毛球的飞出方向与水平面的夹角。在球拍击中羽毛球时，近似认为拍网平面与羽毛球的飞出方向垂直，因此羽毛球的飞出方向与第一传感器装置的Y轴平行，则羽毛球的飞出角度通过如下公式可以得到：

其中，C_b ⁿ表示载体坐标系到地球坐标系的转换矩阵。

对于挥拍速度，根据第一采集装置的Y轴速度计算得出。对于每种不同类型的击球事件，先建立手臂与球拍的挥动模型，然后将第一采集装置速度与该模型结合，可以得到挥拍速度的估计值。例如高远球，运动者在击球过程中，近似认为手臂连同球拍共同划过圆弧形轨迹。在该轨迹中，认为肩膀是转动的轴心，在击球的瞬间，球拍与前臂有一个特定夹角，前臂与上臂有一个特定夹角。通过这两个夹角与球拍长度、前臂长度、上臂长度、以及第一采集装置中的传感器速度即可估算出挥拍速度。如图5所示，以点S代表肩膀，H代表手，O代表肘关节，R代表球拍顶，具体计算过程如下所示：

假设第一采集装置的Y轴速度为V₁，挥拍速度为V₂，则挥拍速度V₂由V₁、肩膀与手之间的距离L_SH、以及肩膀与球拍之间的距离L_SR按照公式(11)计算得出：

对于一次击球事件，运动者的前臂、上臂、肩膀和手之间，可能构成了一个三角形，如图5所示。假设上臂长度为L_OS、前臂长度为L_OH、前臂与上臂之间的夹角(即L_OS与L_OH之间的夹角)为A₁、前臂与肩膀和手的连线的夹角(即L_OH与L_SH的夹角)为A₂，那么，

于是，在已知球拍长度L_HR、以及球拍与前臂的特定夹角A₃时，就可以利用上述参数计算出肩膀与球拍之间的距离L_SR：

L_SR＝L_HR ²+L_SH ²-2*L_HR*L_SH*COS(A₃-A₂)

最后，将上述计算得到的参数代入公式(11)，即得到挥拍速度。该计算过程可以通过相应的代码来实现，如下所示：

function vel_racket＝vel_calculate(vel_sensor)

％Input:/输入数据

％vel_sensor:speed of the sensor(m/s)/传感器速度

％Output:/输出数据

％vel_racket:speed of the racket(m/s)/挥拍速度

％We assume that during a stroke the trajectory of the racket is

％perpendicular to the X-Y plane of the sensor；For different types of

％strokes,we assume the player's shoulder is not moving but the angle

％between the player's forearm and upperarm varies/假设在击球过程中，球拍的轨迹垂直于传感器的X-Y平面。对于不同的击球类别，假设运动人员的肩膀不运动但是运动人员的前臂与上臂之间的夹角会改变。

％Distance between shoulder and hand/肩膀与手之间的直线距离

SHOULDER_HAND_L＝FOREARM_L^2+UPPERARM_L^2-2*FOREARM_L*UPPERARM_L*cos(FORE_UPPER_A)；

％Angle between SHOULDER_HAND and FOREARM/肩膀和手的连线与前臂之间的夹角

SHOULDER_HAND_FOREARM_A＝acos((SHOULDER_HAND_L^2+FOREARM_L^2-UPPERARM_L^2)/(2*SHOULDER_HAND_L*FOREARM_L))；

％Distance between shoulder and racket net/肩膀与球拍之间的直线距离

SHOULDER_RACKET_L＝RACKET_L^2+SHOULDER_HAND_L^2-2*RACKET_L*SHOULDER_HAND_L*cos(FORE_RACKET_A-SHOULDER_HAND_FOREARM_A)；

％Velocity of the racket/挥拍速度

％SHOULDER_HAND_L,/肩膀与手之间的距离

％SHOULDER_RACKET_L,/肩膀与球拍之间的直线距离

vel_racket＝vel_sensor*(SHOULDER_HAND_L+SHOULDER_RACKET_L)/SHOULDER_HAND_L；

end

对于挥拍次数，可以在运动数据处理装置300中添加一计数器，由其自动记录每次击球事件而得出统计结果。

当处理模块330计算得到第二运动数据后，可根据选择将其显示在移动终端230的显示屏幕上或者进行进一步的处理得到能更直观说明运动事件的运动数据，使运动人员可以直观地查看自己在本次运动事件中的运动状态，进而评估本次运动的运动水平，有助于运动人员提高其运动技能；另一方面也大大提高运动人员从事羽毛球运动的趣味性。

以上主要描述的是对击球事件的分类，实际上，对于起跳事件或者其它事件也可以采用类似的方式进行分类。这里就不再一一详细说明了。

另外，上面描述的实施例中，第二接收模块310接收的是第一检测装置2122和/或第二检测装置2142经过预处理的运动数据，实际上，本发明并不限于此，例如，第一检测装置2122和第二检测装置2142的全部功能或者部分功能也可以设置于移动终端或者云端侧，例如，可以将其中的预处理模块设置于移动终端或者云端侧。

另外，在本发明的上述实施例中，并不限定各个模块或单元划分方式，其中，有的模块或单元可以进一步分成多个模块或单元，也可以将几个模块或单元合成一个模块或单元，例如，可以将特征向量提取单元324与分类单元326合成在一起形成一个分类单元。

图4示出了根据本发明的一个实施例的羽毛球运动数据处理方法400的流程图。该方法适于步骤S410。在步骤S410中，接收由传感器设备传送的第一运动数据，该第一运动数据是基于羽毛球运动事件而得到的至少一个运动数据。此处提到的传感器设备可以包括安装用来采集运动数据的传感器，以及基于所述传感器采集的数据检测运动事件(例如前面提到的击球事件或起跳事件)的微处理器或单片机。根据本发明的一个实施例，这里所述的传感器可以采用如前面所述的六轴传感器，以检测到运动物体的三轴原始加速度以及三轴原始角加速度。当然，本发明并不限定传感器为六轴传感器，也可以为其它传感器，例如九轴传感器等。所述微处理器或单片机可以如前面所述对传感器采集的原始运动数据检测运动事件并对每个运动事件的数据进行预处理，获得例如包括击球事件中各采样数据点的去重力加速度、三轴速度、和四元数以及/或者起跳事件中各采样数据点的去重力加速度、三轴速度、四元数、起跳距离、和水平累计跑动距离等运动数据，这些运动数据统称为第一运动数据。

随后在步骤S420中，基于第一运动数据和预设的运动事件类别对羽毛球运动事件进行分类，确定本次羽毛球运动事件的运动事件类别。其中预设的运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球等，更进一步地，每一运动事件类别又可以分别包括反手击球和正手击球。根据本发明的一个实施例，利用机器学习方法根据所述预设的运动事件类别对羽毛球运动事件进行分类。该分类步骤包括：根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数。例如，对于每一次击球事件，所述击球事件的特征向量的参数包括：击球事件发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及在所述三个时间点的球拍姿态。而后根据预先获取的各个运动事件的特征向量的训练样本、利用机器学习方法对各个运动事件进行分类。根据本发明的一个实施例，采用SVM算法对运动事件进行分类，选取RBF函数作为SVM算法的核函数。在选定特征向量和核函数等参数后，利用SVM算法即可得到分类的结果。上面在结合图3对羽毛球运动数据处理装置300的描述中，已经详细说明了利用SVM算法对运动事件进行分类的过程，这里不再对重复内容进行赘述。

随后在步骤S430中，结合上述分类结果、以及第一运动数据，得到表明该羽毛球运动事件的特征的第二运动数据。例如，对于每一次击球事件，第二运动数据可以包括击球力度、出球角度、挥拍速度、挥拍次数等。对于第二运动数据的计算过程在上文中已经给出了详细的介绍，此处不再赘述。

在得到第二运动数据后，可根据选择将其显示在移动终端230的显示屏幕上，以便于运动人员查看自己在本次运动事件中的运动状态。

上面仅以对击球事件进行分类为例对本发明进行的说明，对于羽毛球运动中的起跳事件或者其它运动事件也可以采用类似的方式进行分类。这里就不再一一详细说明了。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

A6、根据A1-5中任何一项所述的方法，其中，运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球。A7、根据A6所述的方法，其中，对于每一运动事件类别还分别包括反手击球和正手击球。A8、根据A1-7中任何一项所述的方法，还包括步骤：利用机器学习方法根据预设的运动事件类别的训练样本对羽毛球运动事件进行分类。A9、根据A8所述的方法，其中利用机器学习方法对羽毛球运动事件进行分类的步骤包括：根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数；根据预先获取的各个运动事件的训练样本的特征向量、利用机器学习方法对各个运动事件进行分类。A10、根据A9所述的方法，其中，特征向量的参数包括：在击球事件的发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及在所述三个时间点的球拍姿态。A11、根据A8-10中任何一项所述的方法，其中，利用机器学习方法进行分类是采用SVM算法对羽毛球运动事件进行分类。A12、根据A11所述的方法，其中，SVM算法采用的核函数为RBF函数。A13、根据A1-12中任何一项所述的方法，其中，对于击球事件，所述第二运动数据包括击球力度、出球角度、挥拍速度、挥拍次数。A14、根据A13所述的方法，其中，击球力度为||a-g^b||，其中a表示去重力后在三轴加速度，g^b表示重力在载体坐标系的向量。A15、根据A13或14所述的方法，其中，出球角度为：

其中，C_n ^b表示地球坐标系到载体坐标系的转换矩阵。A16、根据A13-15中任何一项所述的方法，其中，挥拍速度基于手臂与球拍的挥动模型、以及第一传感器设备的Y轴速度计算得出。A17、根据A13-16中任何一项所述的方法，其中，挥拍次数基于对击球事件的统计而得到。

B23、根据B18-22中任何一项所述的装置，其特征在于，运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球。B24、根据B23所述的装置，其特征在于，对于每一运动事件类别还分别包括反手击球和正手击球。B25、根据B18-24中任何一项所述的装置，其特征在于，分类模块利用机器学习方法根据所述预设的运动事件类别的训练样本对羽毛球运动事件进行分类。B26、根据B25所述的装置，其特征在于，分类模块包括：存储单元，其适于存储通过机器学习方法得到的关于预设的运动事件类别的训练样本的特征向量；特征向量提取单元，其适于根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数；分类单元，其适于根据预先获取的各个运动事件的训练样本的特征向量、利用机器学习方法对所述各个运动事件进行分类。B27、根据B26所述的装置，其特征在于，特征向量提取单元提取的特征向量的参数包括：在击球事件的发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及三个时间点的球拍姿态。B28、根据B25-27中任何一项所述的装置，其特征在于，分类模块利用SVM算法对羽毛球运动事件进行分类。B29、根据B28所述的装置，其特征在于，SVM算法采用的核函数为RBF函数。B30、根据B18-29中任何一项所述的装置，其特征在于，对于击球事件，处理模块对第一运动数据进行处理而得到所述第二运动数据包括击球力度、出球角度、挥拍速度、挥拍次数。B31、根据B30所述的装置，其特征在于，击球力度为||a-g^b||，其中a表示去重力后在三轴加速度，g^b表示重力在载体坐标系的向量。B32、根据B30或31所述的装置，其特征在于，所述出球角度为：

其中，C_n ^b表示地球坐标系到载体坐标系的转换矩阵。B33、根据B30-32中任何一项所述的装置，其特征在于，挥拍速度基于手臂与球拍的挥动模型、以及第一传感器设备的Y轴速度计算得出。B34、根据B30-33中任何一项所述的装置，其特征在于，挥拍次数基于对击球事件的统计而得到。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (34)

1.一种羽毛球运动数据处理方法，包括：

接收由传感器设备传送的第一运动数据，该第一运动数据是基于羽毛球运动事件而得到的至少一个运动数据；

基于所述第一运动数据和预设的运动事件类别对所述羽毛球运动事件进行分类，确定所述羽毛球运动事件的运动事件类别；以及

根据所述运动事件的类别对所述运动事件的第一运动数据进行处理，得到表明该羽毛球运动事件的特征的第二运动数据，

其中，当传感器设备检测到本传感器设备上的三轴原始加速度中的低频部分能量占总能量的比值小于预设值、且高频部分能量的绝对值大于阈值时，确认发生羽毛球运动事件。

2.根据权利要求1所述的方法，其中，

所述传感器设备包括安装于羽毛球球拍底部的第一传感器设备，所述羽毛球运动事件包括击球事件，所述第一传感器设备获得击球事件的第一运动数据。

3.根据权利要求1或2所述的方法，其中，

所述传感器设备包括放置于用户腰部位置的第二传感器设备，所述羽毛球运动事件包括起跳事件，所述第二传感器设备获得起跳事件的第一运动数据。

4.根据权利要求3所述的方法，其中，

所述第一运动数据包括每个羽毛球运动事件中各采样数据点的去重力加速度、三轴速度、和四元数。

5.根据权利要求4所述的方法，其中，

当所述传感器设备包括放置于用户腰部位置的第二传感器设备时，所述第一运动数据还包括起跳速度、起跳距离、和水平累计跑动距离。

6.根据权利要求5所述的方法，其中，运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球。

7.根据权利要求6所述的方法，其中，对于每一运动事件类别还分别包括反手击球和正手击球。

8.根据权利要求7所述的方法，还包括步骤：

利用机器学习方法根据预设的运动事件类别的训练样本对羽毛球运动事件进行分类。

9.根据权利要求8所述的方法，其中利用机器学习方法对羽毛球运动事件进行分类的步骤包括：

根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数；

根据预先获取的各个运动事件的训练样本的特征向量、利用机器学习方法对各个运动事件进行分类。

10.根据权利要求9所述的方法，其中，特征向量的参数包括：在击球事件的发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及在所述三个时间点的球拍姿态。

11.根据权利要求10所述的方法，其中，利用机器学习方法进行分类是采用SVM算法对羽毛球运动事件进行分类。

12.根据权利要求11所述的方法，其中，SVM算法采用的核函数为RBF函数。

13.根据权利要求12所述的方法，其中，对于击球事件，所述第二运动数据包括击球力度、出球角度、挥拍速度、挥拍次数。

14.根据权利要求13所述的方法，其中，击球力度为||a-g^b||，其中a表示去重力后在三轴加速度，g^b表示重力在载体坐标系的向量。

15.根据权利要求14所述的方法，其中，出球角度为：

其中，C_n ^b表示地球坐标系到载体坐标系的转换矩阵。

16.根据权利要求15所述的方法，其中，挥拍速度基于手臂与球拍的挥动模型、以及第一传感器设备的Y轴速度计算得出。

17.根据权利要求16所述的方法，其中，挥拍次数基于对击球事件的统计而得到。

18.一种羽毛球运动数据处理装置，所述装置包括：

第二接收模块，适于接收由传感器设备传送的第一运动数据，该第一运动数据是基于羽毛球运动事件而得到的至少一个运动数据；

分类模块，适于基于所述第一运动数据和预设的运动事件类别对所述羽毛球运动事件进行分类，确定所述羽毛球运动事件的运动事件类别；

处理模块，适于根据所述运动事件的类别对所述运动事件的第一运动数据进行处理，得到表明该羽毛球运动事件的特征的第二运动数据，

其中，当传感器设备检测到本传感器设备上的三轴原始加速度中的低频部分能量占总能量的比值小于预设值、且高频部分能量的绝对值大于阈值时，确认发生羽毛球运动事件。

19.根据权利要求18所述的装置，其特征在于，

所述传感器设备包括安装于羽毛球球拍底部的第一传感器设备，所述羽毛球运动事件包括击球事件，所述第一传感器设备获得击球事件的第一运动数据。

20.根据权利要求18或19所述的装置，其特征在于，

所述传感器设备包括放置于用户腰部位置的第二传感器设备，所述羽毛球运动事件包括起跳事件，所述第二传感器设备获得起跳事件的第一运动数据。

21.根据权利要求20所述的装置，其特征在于，

所述第一运动数据包括每个羽毛球运动事件中各采样数据点的去重力加速度、三轴速度、和四元数。

22.根据权利要求21所述的装置，其特征在于，

当所述传感器设备包括放置于用户腰部位置的第二传感器设备时，所述第一运动数据还包括起跳速度、起跳距离、和水平累计跑动距离。

23.根据权利要求22所述的装置，其特征在于，

运动事件类别包括发大球、发小球、高远球、扣杀球、平抽球、轻吊球、挑高球、搓球。

24.根据权利要求23所述的装置，其特征在于，

对于每一运动事件类别还分别包括反手击球和正手击球。

25.根据权利要求24所述的装置，其特征在于，

分类模块利用机器学习方法根据所述预设的运动事件类别的训练样本对羽毛球运动事件进行分类。

26.根据权利要求25所述的装置，其特征在于，所述分类模块包括：

存储单元，其适于存储通过机器学习方法得到的关于预设的运动事件类别的训练样本的特征向量；

特征向量提取单元，其适于根据预先确定的表征各个运动事件的特征向量，从第一运动数据中提取表示各个运动事件的特征向量的各个参数；

分类单元，其适于根据预先获取的各个运动事件的训练样本的特征向量、利用机器学习方法对所述各个运动事件进行分类。

27.根据权利要求26所述的装置，其特征在于，所述特征向量提取单元提取的特征向量的参数包括：在击球事件的发生点、击球事件发生点10个采样数据点前的时间点、击球事件发生点10个采样数据点后的时间点的去重力加速度、以及三个时间点的球拍姿态。

28.根据权利要求27所述的装置，其特征在于，所述分类模块利用SVM算法对羽毛球运动事件进行分类。

29.根据权利要求28所述的装置，其特征在于，SVM算法采用的核函数为RBF函数。

30.根据权利要求29所述的装置，其特征在于，对于击球事件，处理模块对第一运动数据进行处理而得到所述第二运动数据包括击球力度、出球角度、挥拍速度、挥拍次数。

31.根据权利要求30所述的装置，其特征在于，击球力度为||a-g^b||，其中a表示去重力后在三轴加速度，g^b表示重力在载体坐标系的向量。

32.根据权利要求31所述的装置，其特征在于，所述出球角度为：

其中，C_n ^b表示地球坐标系到载体坐标系的转换矩阵。

33.根据权利要求32所述的装置，其特征在于，挥拍速度基于手臂与球拍的挥动模型、以及第一传感器设备的Y轴速度计算得出。

34.根据权利要求33所述的装置，其特征在于，挥拍次数基于对击球事件的统计而得到。