CN107754225A - 一种智能健身教练系统 - Google Patents

一种智能健身教练系统 Download PDF

Info

Publication number
CN107754225A
CN107754225A CN201711062386.9A CN201711062386A CN107754225A CN 107754225 A CN107754225 A CN 107754225A CN 201711062386 A CN201711062386 A CN 201711062386A CN 107754225 A CN107754225 A CN 107754225A
Authority
CN
China
Prior art keywords
user
information
image
data
fitness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711062386.9A
Other languages
English (en)
Inventor
徐晓龙
刘轶铭
庄新镇
黄渊博
吴宁馨
张学武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201711062386.9A priority Critical patent/CN107754225A/zh
Publication of CN107754225A publication Critical patent/CN107754225A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
    • A63B24/0006—Computerised comparison for qualitative assessment of motion sequences or the course of a movement
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72406—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by software upgrading or downloading
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
    • A63B24/0006—Computerised comparison for qualitative assessment of motion sequences or the course of a movement
    • A63B2024/0012—Comparing movements or motion sequences with a registered reference
    • A63B2024/0015—Comparing movements or motion sequences with computerised simulations of movements or motion sequences, e.g. for generating an ideal template as reference to be achieved by the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种智能健身教练系统，包括用于感知用户动作信息的体感摄影机，用于感知用户心率等生理信息的可穿戴设备，与客户关于其自身基础信息交互的手机APP客户端，用于信息处理与融合的嵌入式处理平台，用于存储健身相关数据的云端数据库，用于实时显示健身示范动作的显示器，用于实时播放健身动作指引的音频输出设备及无线收发模块。本发明基于多通道传感信息，设计姿态校正算法；既能有针对性的给出科学的健身计划及营养计划，也能够实时检测健身动作是否正确并实时进行语音、图像纠正，引导使用者做出正确的动作，在一定程度上完成私人教练的全部职责；另外，本系统也可用于减肥、康复等。

Description

一种智能健身教练系统
技术领域
本发明涉及一种智能健身教练系统，属于图像处理与信息融合技术领域。
背景技术
目前，室内健身是一部分人接受的健身方式。对于室内锻炼，健身俱乐部是都市人群的重要选项，但是相当一部分人因为健身地点与时间的固定难以长期坚持，据统计，大约40％的人在健身房办理会员卡却鲜少去运动。居家健身可解决场地、时间等问题，成本也较低，然而缺乏专业指导可能导致健身效果大打折扣，甚至出现反效果，如肌肉劳损、负伤等。
现有的智能健身教练系统，大多是绑定在健身器械上，通过传感器获取使用者身高、体重等信息，然后通过处理器等运算给出使用该种健身器材的训练建议，或者通过显示屏等输出方式播放一些示范动作。这些健身指引系统通常只能针对该种健身器械提供一些单一的建议和示范，不能与用户关于训练动作进行交互，也不能基于网络对用户提供科学的训练计划及饮食计划建议，起到“专业健身教练”的作用。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种智能健身教练系统。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种智能健身教练系统，包括用于感知用户动作信息的体感摄影机，用于感知用户生理信息的可穿戴设备，与客户关于其自身基础信息交互的手机APP客户端，用于信息处理与融合的嵌入式处理平台，用于存储健身相关数据的云端数据库，用于实时显示健身示范动作的显示器，用于实时播放健身动作指引的音频输出设备及无线收发模块；通过体感摄影机感知用户动作信息，通过可穿戴设备感知用户生理信息,嵌入式处理平台融合以上信息及云端数据，进行运动状态判断，在显示器及音频输出设备上给出实时的运动训练指导，及错误动作纠正提示；用户通过手机APP客户端访问云端，完成相关基础信息的操作，包括：用户注册、训练计划查询、饮食计划查询以及训练反馈；手机客户端会根据用户注册时输入的身体信息及训练意愿，推荐合适的训练计划，并生成科学的饮食计划；体感摄影机、显示器、音频输出设备、云端数据库、无线收发模块分别与嵌入式处理平台电性连接，可穿戴设备、手机客户端、云端分别与嵌入式处理平台无线数据传输连接，无线收发模块与可穿戴设备电性连接。
作为优选方案，所述感知用户动作信息采用光编码成像技术，包括如下步骤：
A1，标定：在目标区域的多个不同位置分别用CMOS感光元件采集散斑图案，然后存储这些不同位置的图案作为参考图像；
A2，取样：当不透明物体放入场景，或者物体在场景中运动时，在物体表面形成新的散斑，得到测试图像，此时的散斑图样发生变化，与所有参考图像均不同；
A3，定位：将测试图像与所有参考图像分别计算相关系数，选取产生相关系数最大的参考图像，即物体在该参考图像所在位置的可能性最大；
A4，重建：根据所选取的参考图像与光源间的标定关系，通过几何变换，计算得出物体到光源的距离，构建3D图像；并对距离数据归一化，转换成图像灰度值，最后将所生成的深度图像输出给外部处理设备；此时即完成对场景某一时刻的深度图像拍摄，向外部处理系统输出；然后返回执行A2，得到连续不断的深度图像数据流。
作为优选方案，所述感知用户生理信息采用4个六轴加速度计/陀螺仪作为姿态检测传感器及1个心率传感器，姿态检测传感器分别以可穿戴的形式部署在用户上肢的大臂和小臂上，心率传感器也以可穿戴的形式部署在用户的手腕上。
作为优选方案，所述错误动作纠正包括如下步骤：
C1，深度图像预处理：由于来自体感摄影机的深度图像不稳定，存在一些噪声和空洞，特别是在狭窄边缘处获取的深度值，直接对其进行骨骼信息提取会有一定的影响，需要对深度图像进行预处理；深度图像预处理分为以下步骤：
C11，中值滤波：
二维中值滤波输出为：
g(x,y)＝med{f(x-k,y-l),(k,l∈W)}
其中，f(x,y),g(x,y)分别为原始图像和处理后的图像；W为二维模板，通常为3×3或5×5的方形，或是其它形状，如线状，圆形，十字形，圆环形；
C12，分级估计：
先用分辨率55×55的内核模板进行粗糙估计，再用分辨率5×5的内核模板进行精确估计；这样既能得到大范围的像素点深度变化信息，也不会使深度图像过于平滑和块状化；
C2，骨骼数据提取与处理，分为以下步骤：
C21，骨骼数据提取：通过分割策略将人体从环境中区分出来，通过边缘检测、噪声阈值处理将人体目标特征点进行分类，分割后图像的每一个像素都输入辨别人体部位的机器学习系统中，随后该系统将输出了某个特定像素属于哪个身体部位的可能性；
C22，骨骼数据处理：采用限幅平均滤波法对骨骼数据进行处理，将每次采样的数据先进行限幅处理，再送入队列进行递推平均滤波；这样既保证了骨骼数据的实时性又可使其数据波动变小，滤除了一些偶然干扰；
C3，姿态纠正：姿态纠正分为以下步骤：
C31，坐标获取：
根据深度图和RGB图之间对应的坐标关系，由下式可得3D空间点p的原始值dr；
D＝K·tan(H·dr+L)-O
其中，D为点p的深度值，单位为cm，H＝3.5*10-4rad，K＝12.36cm，L＝1.18rad，O＝3.7cm；
由图像深度值可获得点p的实际坐标，设p的深度坐标为(xd,yd,zd)，则p的实际坐标(xw，yw，zw)为：
zw＝d
其中D＝-10，F＝0.0021，分辨率w*h为640*480；d代表图像深度值；
再通过数学方法将其映射到二维坐标轴上；
C32，角度获取：
假设X(x1,x2)，Y(y1,y2)为两个关节点的实际坐标，利用欧式距离
求出两关节之间的距离；求解人体关节连线之间的角度主要是利用三个关节点的距离，并利用余弦定理求出关节点连线之间的角度大小
三角形三边长分别为a＝D(B,C),b＝D(A,C),c＝D(A,B)
根据余弦定理可得出角度:
C33，比较纠正：
根据式得到的关节之间的信息，与动作库中预设动作信息进行比较；计算两者误差，当满足|θi+θs|<τ,|θj+θs|<τ时，表示此关节与其相邻关节的相对位置正确；其中θi,θj分别代表与目标关节相接关节与目标关节的夹角，τ代表误差阈值；
在完成对相对位置的判断之后，利用二维坐标系中的坐标点进行位置判断；
C4，运动指导交互：用户进行训练时，嵌入式系统融合体感摄影机与可穿戴设备获取的信息及用户注册的云端数据判断用户动作的标准程度并给予纠正提示，其中包括语音提示和图形界面提示。
作为优选方案，所述手机APP端包括三个模块：健身计划展示模块，用户管理模块和计划安排模块；健身计划展示模块为用户介绍不同的健身计划，根据不同的目的设计了多种健身计划，用户可以浏览计划的详细内容，包括动作的示范，注意事项以及科学依据；用户管理模块负责提供登陆注册以及输入更新个人生理信息功能；在计划安排模块中，用户可以浏览各式健身计划的内容，选择自己心仪的健身计划；系统会根据不同的运动类型以及用户的生理信息为用户生成合理的饮食计划，帮助用户提高健身质量。
作为优选方案，所述体感摄影机采用Kinect体感摄影机。
作为优选方案，所述可穿戴设备包括：4个作为人体姿态的辅助检测节点，分布于上肢的大臂与小臂，利用Genuino 101开发板板载的六轴加速度计/陀螺仪作为姿态辅助检测传感器，为本系统提供姿态检测数据；1个作为心率检测节点，分布于手腕处，采用HR-Wristband心率传感器，实时检测训练者的心率情况。
作为优选方案，所述无线收发模块采用NRF24L01无线模块。
有益效果：本发明提供的一种智能健身教练系统，基于多通道传感信息，设计了姿态校正算法，克服了单一图像传感器信息不完整的缺陷，保证了姿态校正的准确性；系统既能有针对性的给出科学的健身计划及营养计划，也能够实时检测健身动作是否正确并实时进行语音、图像纠正，引导使用者做出正确的动作，在一定程度上完成私人教练的全部职责；另外，本系统也可用于减肥、康复等。
附图说明
图1为系统结构图；
图2为系统信息流图。
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和图2所示，一种智能健身教练系统，其包括用于感知用户动作信息的Kinect体感摄影机，用于感知用户心率等生理信息的可穿戴设备(Genuino传感器节点)，与客户关于其自身基础信息交互的手机APP客户端，用于信息处理与融合的Minnow Board嵌入式处理平台，用于存储健身相关数据的云端数据库，用于实时显示健身示范动作的显示器，用于实时播放健身动作指引的音频输出设备及无线收发模块。通过体感摄影机感知用户动作信息，通过可穿戴设备感知用户生理信息,嵌入式处理平台融合以上信息及云端数据，进行运动状态判断，在显示器及音频输出设备上给出实时的运动训练指导，及错误动作纠正提示；用户通过手机APP客户端访问云端，完成相关基础信息的操作，如用户注册、训练计划查询、饮食计划查询以及训练反馈等；手机客户端会根据用户注册时输入的身体信息及训练意愿，推荐合适的训练计划，并生成科学的饮食计划。体感摄影机、显示器、音频输出设备、云端数据库、无线收发模块分别与嵌入式处理平台电性连接，可穿戴设备、手机客户端、云端分别与嵌入式处理平台无线数据传输连接，无线收发模块与可穿戴设备电性连接。
一种智能健身教练系统，使用时，包括如下运作环节：
A,通过体感摄影机感知用户动作信息；
B,通过可穿戴设备感知用户生理信息；
C,嵌入式处理平台融合A、B环节获取的信息及云端数据，进行运动状态判断，在音频输出设备上给出实时的运动训练指导，及错误动作纠正提示，在显示器上给出实时的健身示范动作；
D,手机APP客户端可访问云端，完成相关基础信息的操作，如用户注册、训练计划查询、饮食计划查询以及训练反馈等。
所述环节A中获取用户动作信息采用光编码成像技术，包括如下步骤：
A1，标定。在目标区域的多个不同位置分别用CMOS感光元件采集散斑图案，然后存储这些不同位置的图案作为参考图像。
A2，取样。当不透明物体放入场景，或者物体在场景中运动时，在物体表面形成新的散斑，得到测试图像，此时的散斑图样发生变化，与所有参考图像均不同。
A3，定位。将测试图像与所有参考图像分别计算相关系数，选取产生相关系数最大的参考图像，即物体在该参考图像所在位置的可能性最大。
A4，重建。根据所选取的参考图像与光源间的标定关系，通过几何变换，计算得出物体到光源的距离，构建3D图像。并对距离数据归一化，转换成图像灰度值，最后将所生成的深度图像输出给外部处理设备。此时即完成对场景某一时刻的深度图像拍摄，向外部处理系统输出。然后返回执行A2，得到连续不断的深度图像数据流。
所述环节B中获取用户生理信息采用4个六轴加速度计/陀螺仪作为姿态检测传感器及1个心率传感器，姿态检测传感器分别以可穿戴的形式部署在用户上肢的大臂和小臂上，心率传感器也以可穿戴的形式部署在用户的手腕上。
所述环节C中错误动作纠正包括如下步骤：
C1，深度图像预处理。由于来自体感摄影机的深度图像不稳定，存在一些噪声和空洞，特别是在狭窄边缘处获取的深度值，直接对其进行骨骼信息提取会有一定的影响，需要对深度图像进行预处理。深度图像预处理分为以下步骤：
C11，中值滤波。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。二维中值滤波输出为：
g(x,y)＝med{f(x-k,y-l),(k,l∈W)}
其中，f(x,y),g(x,y)分别为原始图像和处理后的图像。W为二维模板,通常为3×3或5×5，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。
C12，分级估计。
由于滤波时选择的内核通常为较小模板，对于深度图像中较大的空洞并不能够很好的滤除，所以采用了分级估计的方法。先用较大的内核模板进行粗糙估计，再用较小的内核模板进行精确估计。这样既能得到大范围的像素点深度变化信息，也不会使深度图像过于平滑和块状化。
C2，骨骼数据提取与处理。骨骼数据提取与处理分为以下步骤：
C21，骨骼数据提取。通过分割策略将人体从环境中区分出来，通过边缘检测、噪声阈值处理将人体目标特征点进行分类，分割后图像的每一个像素都被送进一个辨别人体部位的机器学习系统中，随后该系统将给出了某个特定像素属于哪个身体部位的可能性。
C22，骨骼数据处理。采用限幅平均滤波法对骨骼数据进行处理。将每次采样的数据先进行限幅处理，再送入队列进行递推平均滤波。这样既保证了骨骼数据的实时性又可使其数据波动变小，滤除了一些偶然干扰。
C3，姿态纠正。姿态纠正分为以下步骤：
C31，坐标获取。
根据深度图和RGB图之间对应的坐标关系，由下式可得3D空间点p的原始值dr。
D＝K·tan(H·dr+L)-O
其中D为点p的深度值，单位为cm，H＝3.5*10-4rad，K＝12.36cm,L＝1.18rad，O＝3.7cm
由图像深度值可获得点p的实际坐标，设p的深度坐标为(xd,yd,zd)，则p的实际坐标(xw，yw，zw)为：
zw＝d
其中D＝-10，F＝0.0021，分辨率w*h为640*480。
再通过数学方法将其映射到二维坐标轴上。
C32，角度获取。
假设X(x1,x2)，Y(y1,y2)为两个关节点的实际坐标，利用欧式距离
求出两关节之间的距离。求解人体关节连线之间的角度主要是利用三个关节点的距离，并利用余弦定理求出关节点连线之间的角度大小
三角形三边长分别为a＝D(B,C),b＝D(A,C),c＝D(A,B)
根据余弦定理可得出角度:
C33，比较纠正。
根据式得到的关节之间的信息，与动作库中预设动作信息进行比较。计算两者误差，当满足|θi+θs|<τ,|θj+θs|<τ时，表示此关节与其相邻关节的相对位置正确。其中θi,θj分别代表与目标关节相接关节与目标关节的夹角，τ代表误差阈值。
在完成对相对位置的判断之后，利用二维坐标系中的坐标点进行位置判断。
C4，运动指导交互。用户进行训练时，嵌入式系统融合体感摄影机与可穿戴设备获取的信息及用户注册的云端数据判断用户动作的标准程度并给予纠正提示，其中包括语音提示和图形界面提示。
所述环节D中的手机APP端包括三个模块：健身计划展示模块，用户管理模块和计划安排模块。健身计划展示模块为用户介绍不同的健身计划，根据不同的目的设计了多种健身计划，用户可以浏览计划的详细内容，包括动作的示范，注意事项以及科学依据等。用户管理模块负责提供登陆注册以及输入更新个人生理信息功能；在计划安排模块中，用户可以浏览各式健身计划的内容，选择自己心仪的健身计划；系统会根据不同的运动类型以及用户的生理信息为用户生成合理的饮食计划，帮助用户提高健身质量。
一种智能健身教练系统，主要包括以下几部分：
1.Minnow Board嵌入式处理平台、音频输出设备及显示器，主要完成对Kinect体感摄影机获取的运动数据、基于Genuino的传感器节点单元传回的数据及云端数据进行处理分析及人机交互。如图2所示，Minnow Board通过高速以太网接口连接Kinect运动数据采集单元，获取Kinect采集的运动信息及手势识别信息；通过SPI接口连接NRF24L01无线模块，能同时接收5个Genuino传感器节点单元传回的数据。为了使Minnow Board嵌入式平台能实现语音播报功能，通过USB接口接入3.5mm外置声卡，将USB信号转化为音频信号输出。同时，Minnow Board嵌入式平台通过HDMI接口接入液晶显示器，作为图形界面交互输出。
2.基于Kinect体感摄影机的运动数据获取单元，负责获取深度图像识别人体姿态，跟踪提取人体骨骼位置。Kinect采用光编码技术获取深度图像。
3.基于Genuino的传感器节点单元，系统共部署了5个Genuino传感器节点单元，均为可穿戴式节点。其中4个作为人体姿态的辅助检测节点，分布于上肢的大臂与小臂，利用Genuino 101开发板板载的六轴加速度计/陀螺仪作为姿态辅助检测传感器，为本系统提供姿态检测数据。另一个作为心率检测节点，分布于手腕处，采用HR-Wristband心率传感器，实时检测训练者的心率情况。每个Genuino 101开发板均通过SPI接口与NRF24L01无线模块连接，实现与Minnow Board嵌入式处理单元的通信，将所采集的数据实时传送给MinnowBoard嵌入式处理单元。考虑到节点为可穿戴式，因此Genuino传感器节点单元的供电模式为电池供电，电池选用3.7V500mah锂电池，足够满足节点单元的正常工作。
4.Genuino传感器节点管理模块，Genuino核心板是一款低功耗开发板，它基于CurieTM模组，模块包含一个x86的夸克核心和一个32bit的ARC架构核心(Zephyr)，时钟频率都是32MHz，intel的交叉工具链可以完成两个核心的开发。其板载的六轴加速度计/陀螺仪能有效监测姿态信息。具有丰富的通信接口资源，如Uart、I2C、SPI，便于开发。
5.NRF24L01无线数据传输模块，由于辅助传感器需要实现可穿戴式，传感器数据需要通过无线传输的方式回传到处理单元，并且要实现一对多传输，即多个节点同时采集同时传输给处理单元，使用NRF24L01无线模块作为辅助传感器信号的无线传输模块。NRF24L01是一款工作在2.4GHz-2.5GHz的ISM频段的单片无线收发器芯片，无线收发器包括：频率发生器、增强型“SchockBurst”模式控制器、功率放大器、晶体振荡器、调制器和解调器。芯片采用FSK调制，内部集成NORDIC的Enhanced Short Burst协议，可以实现点对点或是1对6的无线通信，无线通信速度可以达到2M(bps)。输出功率频道选择和协议的设置可以通过SPI接口进行设置。
6.HR-Wristband心率检测模块，HR–Wristband心率传感器是腕带式心率测量传感模块，利用皮肤反射式测量原理进行心率测量。心脏的每一次搏动都会导致手指皮肤和手腕内侧皮肤毛细血管产生一次充盈和收缩，该血脉变化信号可用于检测心率，动脉血以“脉冲”方式流动，导致薄弱皮肤皮下红外反射率的些微差别。由反射式光电传感器提取出手腕皮肤处微弱的红外反射率差异，并加以处理，最终转变为可供分析的心率信号。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种智能健身教练系统，其特征在于：包括用于感知用户动作信息的体感摄影机，用于感知用户生理信息的可穿戴设备，与客户关于其自身基础信息交互的手机APP客户端，用于信息处理与融合的嵌入式处理平台，用于存储健身相关数据的云端数据库，用于实时显示健身示范动作的显示器，用于实时播放健身动作指引的音频输出设备及无线收发模块；通过体感摄影机感知用户动作信息，通过可穿戴设备感知用户生理信息,嵌入式处理平台融合以上信息及云端数据，进行运动状态判断，在显示器及音频输出设备上给出实时的运动训练指导，及错误动作纠正提示；用户通过手机APP客户端访问云端，完成相关基础信息的操作，包括：用户注册、训练计划查询、饮食计划查询以及训练反馈；手机客户端会根据用户注册时输入的身体信息及训练意愿，推荐合适的训练计划，并生成科学的饮食计划；体感摄影机、显示器、音频输出设备、云端数据库、无线收发模块分别与嵌入式处理平台电性连接，可穿戴设备、手机客户端、云端分别与嵌入式处理平台无线数据传输连接，无线收发模块与可穿戴设备电性连接。
2.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述感知用户动作信息采用光编码成像技术，包括如下步骤：
A1，标定：在目标区域的多个不同位置分别用CMOS感光元件采集散斑图案，然后存储这些不同位置的图案作为参考图像；
A2，取样：当不透明物体放入场景，或者物体在场景中运动时，在物体表面形成新的散斑，得到测试图像，此时的散斑图样发生变化，与所有参考图像均不同；
A3，定位：将测试图像与所有参考图像分别计算相关系数，选取产生相关系数最大的参考图像，即物体在该参考图像所在位置的可能性最大；
A4，重建：根据所选取的参考图像与光源间的标定关系，通过几何变换，计算得出物体到光源的距离，构建3D图像；并对距离数据归一化，转换成图像灰度值，最后将所生成的深度图像输出给外部处理设备；此时即完成对场景某一时刻的深度图像拍摄，向外部处理系统输出；然后返回执行A2，得到连续不断的深度图像数据流。
3.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述感知用户生理信息采用4个六轴加速度计/陀螺仪作为姿态检测传感器及1个心率传感器，姿态检测传感器分别以可穿戴的形式部署在用户上肢的大臂和小臂上，心率传感器也以可穿戴的形式部署在用户的手腕上。
4.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述错误动作纠正包括如下步骤：
C1，深度图像预处理：由于来自体感摄影机的深度图像不稳定，存在一些噪声和空洞，特别是在狭窄边缘处获取的深度值，直接对其进行骨骼信息提取会有一定的影响，需要对深度图像进行预处理；深度图像预处理分为以下步骤：
C11，中值滤波：
二维中值滤波输出为：
g(x,y)＝med{f(x-k,y-l),(k,l∈W)}
其中，f(x,y),g(x,y)分别为原始图像和处理后的图像；W为二维模板，通常为3×3或5×5的方形，或是其它形状，如线状，圆形，十字形，圆环形；
C12，分级估计：
先用分辨率55×55的内核模板进行粗糙估计，再用分辨率5×5的内核模板进行精确估计；这样既能得到大范围的像素点深度变化信息，也不会使深度图像过于平滑和块状化；
C2，骨骼数据提取与处理，分为以下步骤：
C21，骨骼数据提取：通过分割策略将人体从环境中区分出来，通过边缘检测、噪声阈值处理将人体目标特征点进行分类，分割后图像的每一个像素都输入辨别人体部位的机器学习系统中，随后该系统将输出了某个特定像素属于哪个身体部位的可能性；
C22，骨骼数据处理：采用限幅平均滤波法对骨骼数据进行处理，将每次采样的数据先进行限幅处理，再送入队列进行递推平均滤波；这样既保证了骨骼数据的实时性又可使其数据波动变小，滤除了一些偶然干扰；
C3，姿态纠正：姿态纠正分为以下步骤：
C31，坐标获取：
根据深度图和RGB图之间对应的坐标关系，由下式可得3D空间点p的原始值dr；
D＝K·tan(H·dr+L)-O
其中，D为点p的深度值，单位为cm，H＝3.5*10-4rad，K＝12.36cm，L＝1.18rad，O＝3.7cm；
由图像深度值可获得点p的实际坐标，设p的深度坐标为(xd,yd,zd)，则p的实际坐标(xw，yw，zw)为：
<mrow> <msub> <mi>x</mi> <mi>w</mi> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>d</mi> </msub> <mo>-</mo> <mfrac> <mi>w</mi> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>w</mi> </msub> <mo>+</mo> <mi>D</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>F</mi> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mfrac> <mi>w</mi> <mi>h</mi> </mfrac> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>y</mi> <mi>w</mi> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>d</mi> </msub> <mo>-</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>w</mi> </msub> <mo>+</mo> <mi>D</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>F</mi> </mrow>
zw＝d
其中D＝-10，F＝0.0021，分辨率w*h为640*480；d代表图像深度值；
再通过数学方法将其映射到二维坐标轴上；
C32，角度获取：
假设X(x1,x2)，Y(y1,y2)为两个关节点的实际坐标，利用欧式距离
<mrow> <mi>D</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>,</mo> <mi>Y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>X</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>Y</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
求出两关节之间的距离；求解人体关节连线之间的角度主要是利用三个关节点的距离，并利用余弦定理求出关节点连线之间的角度大小
三角形三边长分别为a＝D(B,C),b＝D(A,C),c＝D(A,B)
根据余弦定理可得出角度:
<mrow> <mi>&amp;theta;</mi> <mo>=</mo> <msup> <mi>cos</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mfrac> <mrow> <mo>(</mo> <msup> <mi>a</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>b</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>c</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mrow> <mn>2</mn> <mi>a</mi> <mi>c</mi> </mrow> </mfrac> </mrow>
C33，比较纠正：
根据式得到的关节之间的信息，与动作库中预设动作信息进行比较；计算两者误差，当满足|θi+θs|<τ,|θj+θs|<τ时，表示此关节与其相邻关节的相对位置正确；其中θi,θj分别代表与目标关节相接关节与目标关节的夹角，τ代表误差阈值；
在完成对相对位置的判断之后，利用二维坐标系中的坐标点进行位置判断；
C4，运动指导交互：用户进行训练时，嵌入式系统融合体感摄影机与可穿戴设备获取的信息及用户注册的云端数据判断用户动作的标准程度并给予纠正提示，其中包括语音提示和图形界面提示。
5.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述手机APP端包括三个模块：健身计划展示模块，用户管理模块和计划安排模块；健身计划展示模块为用户介绍不同的健身计划，根据不同的目的设计了多种健身计划，用户可以浏览计划的详细内容，包括动作的示范，注意事项以及科学依据；用户管理模块负责提供登陆注册以及输入更新个人生理信息功能；在计划安排模块中，用户可以浏览各式健身计划的内容，选择自己心仪的健身计划；系统会根据不同的运动类型以及用户的生理信息为用户生成合理的饮食计划，帮助用户提高健身质量。
6.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述体感摄影机采用Kinect体感摄影机。
7.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述可穿戴设备包括：4个作为人体姿态的辅助检测节点，分布于上肢的大臂与小臂，利用Genuino 101开发板板载的六轴加速度计/陀螺仪作为姿态辅助检测传感器，为本系统提供姿态检测数据；1个作为心率检测节点，分布于手腕处，采用HR-Wristband心率传感器，实时检测训练者的心率情况。
8.根据权利要求1所述的一种智能健身教练系统，其特征在于：所述无线收发模块采用NRF24L01无线模块。
CN201711062386.9A 2017-11-01 2017-11-01 一种智能健身教练系统 Pending CN107754225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711062386.9A CN107754225A (zh) 2017-11-01 2017-11-01 一种智能健身教练系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711062386.9A CN107754225A (zh) 2017-11-01 2017-11-01 一种智能健身教练系统

Publications (1)

Publication Number Publication Date
CN107754225A true CN107754225A (zh) 2018-03-06

Family

ID=61272977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711062386.9A Pending CN107754225A (zh) 2017-11-01 2017-11-01 一种智能健身教练系统

Country Status (1)

Country Link
CN (1) CN107754225A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108499043A (zh) * 2018-03-22 2018-09-07 宁波史瑞迪信息科技有限公司 一种私人健身教练机器人系统及其控制方法
CN108853946A (zh) * 2018-07-10 2018-11-23 燕山大学 一种基于Kinect的健身指导训练系统及方法
CN108937952A (zh) * 2018-06-05 2018-12-07 上海东巍体育科技有限公司 一种基于热成像技术的老年人运动状态检测系统及方法
CN108970084A (zh) * 2018-06-29 2018-12-11 西安深睐信息科技有限公司 一种基于行为识别的运动场景模拟方法
CN109003654A (zh) * 2018-06-29 2018-12-14 上海东巍体育科技有限公司 一种基于可穿戴式设备的老年人健身动作纠正系统及方法
CN109199397A (zh) * 2018-09-29 2019-01-15 深圳市在田翊方科技有限公司 一种多人运动监测方法
CN109282695A (zh) * 2018-09-25 2019-01-29 杭州行开科技有限公司 一种射击训练裸眼3d系统
CN109389054A (zh) * 2018-09-21 2019-02-26 北京邮电大学 基于自动图像识别和动作模型对比的智能镜子设计方法
CN109407829A (zh) * 2018-09-18 2019-03-01 孔军民 一种应用于健身器材的人机交互系统及交互方法
CN109675264A (zh) * 2018-08-13 2019-04-26 淮海工学院 一种基于Kinect的通用肢体训练系统及方法
CN110364235A (zh) * 2019-06-13 2019-10-22 缤刻普达（北京）科技有限责任公司 用户运动计划定制方法、装置、计算机设备及存储介质
CN110624232A (zh) * 2018-06-22 2019-12-31 赵非 计算机实现的向远程用户提供实况和/或存档对抗性运动课程的方法
CN111013117A (zh) * 2019-05-09 2020-04-17 深圳市云康创新网络科技有限公司 一种健身训练计划管理系统及方法
CN111652078A (zh) * 2020-05-11 2020-09-11 浙江大学 一种基于计算机视觉的瑜伽动作指导系统和方法
CN112004159A (zh) * 2020-08-28 2020-11-27 深圳创维－Rgb电子有限公司 视频数据的处理方法以及设备、系统、存储介质
CN112546604A (zh) * 2020-12-22 2021-03-26 深圳泰山体育科技股份有限公司 基于力量型健身设备的实时交互系统及方法
CN112734799A (zh) * 2020-12-14 2021-04-30 中国科学院长春光学精密机械与物理研究所 健身运动姿态指导系统
CN113485560A (zh) * 2021-08-05 2021-10-08 北京百度网讯科技有限公司 显示信息的方法和装置
CN113940642A (zh) * 2021-05-27 2022-01-18 数智引力(厦门)运动科技有限公司 动作捕捉方法、系统、终端设备及存储介质
CN114100104A (zh) * 2021-11-12 2022-03-01 香港大学深圳医院 一种训练记录提醒装置及运动检测设备
CN114788952A (zh) * 2021-01-26 2022-07-26 华为技术有限公司 一种竞赛指导方法、装置、便携设备及服务器
CN115497596A (zh) * 2022-11-18 2022-12-20 深圳聚邦云天科技有限公司 一种基于物联网的人体运动过程姿态纠正方法及系统
CN117746305A (zh) * 2024-02-21 2024-03-22 四川大学华西医院 基于自动测评的医护操作训练方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102177513A (zh) * 2008-09-03 2011-09-07 奥布隆工业有限公司 用于在主要尺寸的数据空间中导航的控制系统
CN202387197U (zh) * 2011-12-21 2012-08-22 易智伟 健身教练系统
CN105999682A (zh) * 2016-06-14 2016-10-12 郑州华信学院 一种体育训练监控系统
CN106267734A (zh) * 2016-08-30 2017-01-04 石家庄铁路职业技术学院 一种数字化健身系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102177513A (zh) * 2008-09-03 2011-09-07 奥布隆工业有限公司 用于在主要尺寸的数据空间中导航的控制系统
CN202387197U (zh) * 2011-12-21 2012-08-22 易智伟 健身教练系统
CN105999682A (zh) * 2016-06-14 2016-10-12 郑州华信学院 一种体育训练监控系统
CN106267734A (zh) * 2016-08-30 2017-01-04 石家庄铁路职业技术学院 一种数字化健身系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏琳，黄鑫材: "Kinect深度信息的研究及其在检测中的应用", 《杭州电子科技大学学报》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108499043A (zh) * 2018-03-22 2018-09-07 宁波史瑞迪信息科技有限公司 一种私人健身教练机器人系统及其控制方法
CN108937952A (zh) * 2018-06-05 2018-12-07 上海东巍体育科技有限公司 一种基于热成像技术的老年人运动状态检测系统及方法
CN110624232A (zh) * 2018-06-22 2019-12-31 赵非 计算机实现的向远程用户提供实况和/或存档对抗性运动课程的方法
CN108970084A (zh) * 2018-06-29 2018-12-11 西安深睐信息科技有限公司 一种基于行为识别的运动场景模拟方法
CN109003654A (zh) * 2018-06-29 2018-12-14 上海东巍体育科技有限公司 一种基于可穿戴式设备的老年人健身动作纠正系统及方法
CN109003654B (zh) * 2018-06-29 2020-11-24 绍兴东巍体育科技有限公司 一种基于可穿戴式设备的老年人健身动作纠正系统及方法
CN108853946A (zh) * 2018-07-10 2018-11-23 燕山大学 一种基于Kinect的健身指导训练系统及方法
CN109675264A (zh) * 2018-08-13 2019-04-26 淮海工学院 一种基于Kinect的通用肢体训练系统及方法
CN109407829A (zh) * 2018-09-18 2019-03-01 孔军民 一种应用于健身器材的人机交互系统及交互方法
CN109389054A (zh) * 2018-09-21 2019-02-26 北京邮电大学 基于自动图像识别和动作模型对比的智能镜子设计方法
CN109282695A (zh) * 2018-09-25 2019-01-29 杭州行开科技有限公司 一种射击训练裸眼3d系统
CN109199397A (zh) * 2018-09-29 2019-01-15 深圳市在田翊方科技有限公司 一种多人运动监测方法
CN111013117A (zh) * 2019-05-09 2020-04-17 深圳市云康创新网络科技有限公司 一种健身训练计划管理系统及方法
CN110364235A (zh) * 2019-06-13 2019-10-22 缤刻普达（北京）科技有限责任公司 用户运动计划定制方法、装置、计算机设备及存储介质
CN111652078A (zh) * 2020-05-11 2020-09-11 浙江大学 一种基于计算机视觉的瑜伽动作指导系统和方法
CN112004159A (zh) * 2020-08-28 2020-11-27 深圳创维－Rgb电子有限公司 视频数据的处理方法以及设备、系统、存储介质
CN112734799A (zh) * 2020-12-14 2021-04-30 中国科学院长春光学精密机械与物理研究所 健身运动姿态指导系统
CN112546604A (zh) * 2020-12-22 2021-03-26 深圳泰山体育科技股份有限公司 基于力量型健身设备的实时交互系统及方法
CN114788952A (zh) * 2021-01-26 2022-07-26 华为技术有限公司 一种竞赛指导方法、装置、便携设备及服务器
CN113940642A (zh) * 2021-05-27 2022-01-18 数智引力(厦门)运动科技有限公司 动作捕捉方法、系统、终端设备及存储介质
CN113940642B (zh) * 2021-05-27 2023-08-29 数智引力(厦门)运动科技有限公司 动作捕捉方法、系统、终端设备及存储介质
CN113485560A (zh) * 2021-08-05 2021-10-08 北京百度网讯科技有限公司 显示信息的方法和装置
CN114100104A (zh) * 2021-11-12 2022-03-01 香港大学深圳医院 一种训练记录提醒装置及运动检测设备
CN115497596A (zh) * 2022-11-18 2022-12-20 深圳聚邦云天科技有限公司 一种基于物联网的人体运动过程姿态纠正方法及系统
CN115497596B (zh) * 2022-11-18 2023-04-07 深圳聚邦云天科技有限公司 一种基于物联网的人体运动过程姿态纠正方法及系统
CN117746305A (zh) * 2024-02-21 2024-03-22 四川大学华西医院 基于自动测评的医护操作训练方法和系统
CN117746305B (zh) * 2024-02-21 2024-04-19 四川大学华西医院 基于自动测评的医护操作训练方法和系统

Similar Documents

Publication Publication Date Title
CN107754225A (zh) 一种智能健身教练系统
CN109692003B (zh) 一种儿童跑步姿态纠正训练系统
AU2024200988A1 (en) Multi-joint Tracking Combining Embedded Sensors and an External
CN104035557B (zh) 一种基于关节活跃度的Kinect动作识别方法
CN106650687A (zh) 一种基于深度信息和骨骼信息的姿势矫正方法
CN106923839A (zh) 运动辅助装置、运动辅助方法以及记录介质
CN104274183A (zh) 动作信息处理装置
CN107281710A (zh) 一种矫正动作误差的方法
CN106256394A (zh) 混合动作捕捉的训练装置及系统
CN115568823B (zh) 一种人体平衡能力评估的方法、系统和装置
CN106970705A (zh) 动作捕捉方法、装置和电子设备
JP2020141806A (ja) 運動評価システム
WO2019183733A1 (en) Method and system for motion capture to enhance performance in an activity
JP6884306B1 (ja) システム、方法、情報処理装置
KR20220049271A (ko) 인공지능을 이용한 재활운동관리 시스템
KR20190047644A (ko) 운동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법
JP7482471B2 (ja) 学習モデルの生成方法
JP6774582B1 (ja) 測定システム、プログラム
JP6741892B1 (ja) 測定システム、方法、プログラム
JP2022187952A (ja) プログラム、方法、情報処理装置
Jeng Hierarchical linear model approach to explore interaction effects of swimmers’ characteristics and breathing patterns on swimming performance in butterfly stroke with self-developed inertial measurement unit
Li et al. Fitness coach: Design and implementation of a smart mirror based on automatic image recognition and action model comparison
Wang et al. Research on Multiperson Motion Capture System Combining Target Positioning and Inertial Attitude Sensing Technology
JP7150387B1 (ja) プログラム、方法、および電子機器
WO2022196059A1 (ja) 情報処理装置、情報処理方法およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180306