CN108830381A - 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 - Google Patents
一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 Download PDFInfo
- Publication number
- CN108830381A CN108830381A CN201811018160.3A CN201811018160A CN108830381A CN 108830381 A CN108830381 A CN 108830381A CN 201811018160 A CN201811018160 A CN 201811018160A CN 108830381 A CN108830381 A CN 108830381A
- Authority
- CN
- China
- Prior art keywords
- neural network
- elman
- medicine ball
- throwing gesture
- artificial neural
- 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
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 239000003814 drug Substances 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 210000000689 upper leg Anatomy 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 230000007812 deficiency Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,帮助学生掌握标准实心球投掷姿势,进而提高学生的运动成绩。包括如下步骤:S1:采集用户的身体模型参数以及对应的投掷姿势数据,构成输入矩阵X上传至云服务器,其中,身体模型参数为环境变量,投掷姿势数据为决策变量,并将多次投掷的成绩作为输出变量Y上传至云服务器;S2:云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型;S3:云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化,得到最佳投掷成绩对应的投掷姿势数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的投掷姿势进行矫正,提高投掷成绩。
Description
技术领域
本发明属于神经网络大数据领域,具体设计一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法。
背景技术
体育是中考必考项目的要求,陆续在全国各地实施,对于学校体育教学工作而言具有重要意义。通常,体育考试的科目因地域不同,会有所不同。综合来看,主要是实心球、中短跑、跳绳、仰卧起坐、引体向上等。其中,实心球和中短跑几乎是全国各地中考必考项目。这两项科目的练习枯燥又乏味,如何帮助学生掌握正确的方法,提高学生中考成绩是体育教学中亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,帮助学生掌握标准实心球投掷姿势,进而提高学生的运动成绩。
本发明的目的是这样实现的:
一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,包括如下步骤:
S1:采集用户的身体模型参数以及对应的投掷姿势数据,构成输入矩阵X上传至云服务器,其中,身体模型参数为环境变量,投掷姿势数据为决策变量,并将多次投掷的成绩作为输出变量Y上传至云服务器;
S2:云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型;
S3:云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化,得到最佳投掷成绩对应的投掷姿势数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的投掷姿势进行矫正,提高投掷成绩。
优选地,步骤S1中,通过传感器模块采集用户的投掷姿势数据;通过采样电路与传感器模块进行连接,将传感器模块采集到的投掷姿势数据转换成数字信号,并上传至云服务器。
优选地,步骤S1中,身体模型参数包括身高、体重、臂长、臂力,所述臂长为双臂展开的总长度,所述臂力通过臂力计测得,身体模型参数通过人工录入云服务器。
优选地,步骤S1中,采集用户投掷实心球时身体关键部位的投掷姿势数据。
优选地,所述投掷姿势数据包括投掷时背部、手腕、左右大腿的加速度、角度、速度、三维坐标、高度。
优选地,步骤S2中,建立的Elman神经网络模型中:Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,S为训练样本个数,WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量,Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出,dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
优选地,步骤S2中,建立Elman神经网络模型的方法包括以下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
优选地,步骤S3中,利用遗传算法对Elman神经网络模型进行优化,包括以下步骤:
S31根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值,获取综合性指标E;
S32预设决策参数的变化区间,以及遗传算法的种群数量Nint=100以及迭代次数Mite=100;
S33确定优化计算的趋势方向;其中,所确定的优化计算的趋势方向使得行为姿态最佳;
S34初始化种群,并将初始化后的种群作为父代种群,对所述父代种群中所有个体的适应度函数值进行计算,获取父代种群的最优个体;
S35采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作,获取子群,将所获取的子群作为新一代父代种群;
S36根据实际的迭代次数和预设的迭代次数判断迭代是否结束,若结束,将最后一次迭代所获取的父代种群的最优个体作为决策参数,否则继续迭代。
优选地,用户终端具有运动姿势数据界面,所述运动姿势数据界面显示用户实时的运动姿势数据以及由云服务器下发的推荐运动姿势数据。
优选地,用户终端具有投掷姿势评分系统,投掷姿势评分系统根据用户实时的投掷姿势数据与推荐投掷姿势数据的接近程度打分。
由于采用了上述技术方案,与传统体育教学相比,本发明利用物联网技术,采集学生的运动参数,并在云端建模,计算出最佳运动姿势,返回给学生指导学生锻炼,提高运动成绩,实现个性化推荐最佳体育锻炼方案的目的。本系统操作简单,使用方便,将枯燥的体育锻炼提升到了一个全新的高度。
附图说明
图1为投掷实心球步骤分解图。
具体实施方式
参见图1,一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,包括如下步骤:
S1:采集用户的身体模型参数以及对应的投掷姿势数据,构成输入矩阵X上传至云服务器,其中,身体模型参数为环境变量,投掷姿势数据为决策变量,并将多次投掷的成绩作为输出变量Y上传至云服务器;
身体模型参数包括身高A(cm)、体重B(kg)、臂长C(cm)、臂力D(lbs),所述臂长为双臂展开的总长度,所述臂力通过臂力计测得,身体模型参数通过人工录入云服务器。所述投掷姿势数据为投掷实心球时身体关键部位的投掷姿势数据。具体包括投掷时背部的传感器测得的加速度(a1)、角度(θ1)、速度(v1)、三维坐标(x1、y1、z1)、高度(H1),手腕的传感器测得的加速度(a2)、角度(θ2)、速度(v2)、三维坐标(x2、y2、z2)、高度(H2)、左右大腿的传感器测得的加速度(a左3、a右3)、角度(θ左3、θ右3)、速度(v左3、v右3)、三维坐标(x左3、y左3、z左3、x右3、y右3、z右3)、高度(H左3、H右3)处。
本实施例中,通过传感器模块采集用户的投掷姿势数据;所述传感器模块为十轴加速度蓝牙版传感器。通过采样电路与传感器模块进行连接,将传感器模块采集到的投掷姿势数据转换成数字信号,并上传至云服务器。
S2:云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型;建立的Elman神经网络模型中:Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,S为训练样本个数,WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量,Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出,dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
建立Elman神经网络模型的方法包括以下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
S3:云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化,得到最佳投掷成绩对应的投掷姿势数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的投掷姿势进行矫正,提高投掷成绩。
步骤S3中,利用遗传算法对Elman神经网络模型进行优化,包括以下步骤:
S31根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值,获取综合性指标E;
S32预设决策参数的变化区间,以及遗传算法的种群数量Nint=100以及迭代次数Mite=100;
S33确定优化计算的趋势方向;其中,所确定的优化计算的趋势方向使得行为姿态最佳;
S34初始化种群,并将初始化后的种群作为父代种群,对所述父代种群中所有个体的适应度函数值进行计算,获取父代种群的最优个体;
S35采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作,获取子群,将所获取的子群作为新一代父代种群;
S36根据实际的迭代次数和预设的迭代次数判断迭代是否结束,若结束,将最后一次迭代所获取的父代种群的最优个体作为决策参数,否则继续迭代。
用户终端具有运动姿势数据界面,所述运动姿势数据界面显示用户实时的运动姿势数据以及由云服务器下发的推荐运动姿势数据。用户终端具有投掷姿势评分系统,投掷姿势评分系统根据用户实时的投掷姿势数据与推荐投掷姿势数据的接近程度打分。姿态数据界面同时显示三维运动感知画面。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (10)
1.一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,包括如下步骤:
S1:采集用户的身体模型参数以及对应的投掷姿势数据,构成输入矩阵X上传至云服务器,其中,身体模型参数为环境变量,投掷姿势数据为决策变量,并将多次投掷的成绩作为输出变量Y上传至云服务器;
S2:云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型;
S3:云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化,得到最佳投掷成绩对应的投掷姿势数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的投掷姿势进行矫正,提高投掷成绩。
2.根据权利要求1所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,步骤S1中,通过传感器模块采集用户的投掷姿势数据;通过采样电路与传感器模块进行连接,将传感器模块采集到的投掷姿势数据转换成数字信号,并上传至云服务器。
3.根据权利要求1所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,步骤S1中,身体模型参数包括身高、体重、臂长、臂力,所述臂长为双臂展开的总长度,所述臂力通过臂力计测得,身体模型参数通过人工录入云服务器。
4.根据权利要求1所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,步骤S1中,采集用户投掷实心球时身体关键部位的投掷姿势数据。
5.根据权利要求4所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,所述投掷姿势数据包括投掷时背部、手腕、左右大腿的加速度、角度、速度、三维坐标、高度。
6.根据权利要求1所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,步骤S2中,建立的Elman神经网络模型中:Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,S为训练样本个数,WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量,Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出,dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出。
7.根据权利要求6所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,步骤S2中,建立Elman神经网络模型的方法包括以下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
8.根据权利要求1所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,步骤S3中,利用遗传算法对Elman神经网络模型进行优化,包括以下步骤:
S31根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值,获取综合性指标E;
S32预设决策参数的变化区间,以及遗传算法的种群数量Nint=100以及迭代次数Mite=100;
S33确定优化计算的趋势方向;其中,所确定的优化计算的趋势方向使得行为姿态最佳;
S34初始化种群,并将初始化后的种群作为父代种群,对所述父代种群中所有个体的适应度函数值进行计算,获取父代种群的最优个体;
S35采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作,获取子群,将所获取的子群作为新一代父代种群;
S36根据实际的迭代次数和预设的迭代次数判断迭代是否结束,若结束,将最后一次迭代所获取的父代种群的最优个体作为决策参数,否则继续迭代。
9.根据权利要求1所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,用户终端具有运动姿势数据界面,所述运动姿势数据界面显示用户实时的运动姿势数据以及由云服务器下发的推荐运动姿势数据。
10.根据权利要求9所述的一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法,其特征在于,用户终端具有投掷姿势评分系统,投掷姿势评分系统根据用户实时的投掷姿势数据与推荐投掷姿势数据的接近程度打分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018160.3A CN108830381A (zh) | 2018-09-03 | 2018-09-03 | 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018160.3A CN108830381A (zh) | 2018-09-03 | 2018-09-03 | 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830381A true CN108830381A (zh) | 2018-11-16 |
Family
ID=64151918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811018160.3A Pending CN108830381A (zh) | 2018-09-03 | 2018-09-03 | 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830381A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838963A (zh) * | 2014-02-21 | 2014-06-04 | 东华大学 | 一种文胸压力舒适性评价方法 |
CN105107178A (zh) * | 2015-08-03 | 2015-12-02 | 厦门市简极科技有限公司 | 一种投篮动作训练方法 |
CN106092635A (zh) * | 2016-08-23 | 2016-11-09 | 电子科技大学 | 一种床垫压力舒适性评价方法 |
CN205886157U (zh) * | 2016-06-25 | 2017-01-18 | 郑州动量科技有限公司 | 一种足球员速度练习监测与评估系统 |
CN106444379A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网推荐的智能烘干远程控制方法及系统 |
CN107485844A (zh) * | 2017-09-27 | 2017-12-19 | 广东工业大学 | 一种肢体康复训练方法、系统及嵌入式设备 |
US20180101681A1 (en) * | 2015-04-16 | 2018-04-12 | Cylance Inc. | Recurrent Neural Networks for Malware Analysis |
CN108198601A (zh) * | 2017-12-27 | 2018-06-22 | 广东欧珀移动通信有限公司 | 运动评分方法、装置、设备及存储介质 |
-
2018
- 2018-09-03 CN CN201811018160.3A patent/CN108830381A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838963A (zh) * | 2014-02-21 | 2014-06-04 | 东华大学 | 一种文胸压力舒适性评价方法 |
US20180101681A1 (en) * | 2015-04-16 | 2018-04-12 | Cylance Inc. | Recurrent Neural Networks for Malware Analysis |
CN105107178A (zh) * | 2015-08-03 | 2015-12-02 | 厦门市简极科技有限公司 | 一种投篮动作训练方法 |
CN205886157U (zh) * | 2016-06-25 | 2017-01-18 | 郑州动量科技有限公司 | 一种足球员速度练习监测与评估系统 |
CN106092635A (zh) * | 2016-08-23 | 2016-11-09 | 电子科技大学 | 一种床垫压力舒适性评价方法 |
CN106444379A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网推荐的智能烘干远程控制方法及系统 |
CN107485844A (zh) * | 2017-09-27 | 2017-12-19 | 广东工业大学 | 一种肢体康复训练方法、系统及嵌入式设备 |
CN108198601A (zh) * | 2017-12-27 | 2018-06-22 | 广东欧珀移动通信有限公司 | 运动评分方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王光旭: "基于表面肌电信号的下肢运动模式识别的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109248413A (zh) | 一种基于bp神经网络和遗传算法的掷实心球姿势矫正方法 | |
CN103678859B (zh) | 动作比对方法与动作比对系统 | |
Baca et al. | Ubiquitous computing in sports: A review and analysis | |
US6005548A (en) | Method for tracking and displaying user's spatial position and orientation, a method for representing virtual reality for a user, and systems of embodiment of such methods | |
CN105512621B (zh) | 一种基于Kinect的羽毛球动作指导系统 | |
KR101687252B1 (ko) | 맞춤형 개인 트레이닝 관리 시스템 및 방법 | |
CN107330967B (zh) | 基于惯性传感技术的骑师运动姿态捕捉及三维重建系统 | |
WO2012106978A1 (zh) | 一种人机互动的控制方法及其运用 | |
CN106880927A (zh) | 跑步积分商城兑换装置、系统及方法 | |
RU2107328C1 (ru) | Способ отслеживания и отображения положения и ориентации пользователя в пространстве и система для осуществления способа | |
KR101941698B1 (ko) | 훈련과 측정, 평가를 위한 스마트 운동봉 | |
CN112288766B (zh) | 运动评估方法、装置、系统及存储介质 | |
Felton et al. | Optimising the front foot contact phase of the cricket fast bowling action | |
CN101246601A (zh) | 基于关键帧和时空约束的三维虚拟人体运动生成方法 | |
CN109815930A (zh) | 一种动作模仿拟合度评价方法 | |
CN109243562A (zh) | 一种基于Elman神经网络和遗传算法的形象气质提升方法 | |
CN109675289A (zh) | 基于vr和动作捕捉的运动评估系统 | |
CN115964933A (zh) | 基于数字孪生的虚实训练装置构建方法 | |
Wu et al. | Research on college gymnastics teaching model based on multimedia image and image texture feature analysis | |
CN109646902A (zh) | 一种基于识别设备的健身运动计量方法 | |
JP7122090B2 (ja) | 熟練動作教示システム | |
CN109146960A (zh) | 一种基于智能数据采集的实心球投掷姿势矫正方法 | |
CN108830381A (zh) | 一种基于Elman神经网络和遗传算法的掷实心球姿势矫正方法 | |
CN109147891A (zh) | 一种基于bp神经网络和遗传算法的形象气质提升方法 | |
Li | Application of virtual environment in the teaching of basketball tactics |
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 |