CN109011506B - 一种训练动作识别方法 - Google Patents

一种训练动作识别方法 Download PDF

Info

Publication number
CN109011506B
CN109011506B CN201810764602.2A CN201810764602A CN109011506B CN 109011506 B CN109011506 B CN 109011506B CN 201810764602 A CN201810764602 A CN 201810764602A CN 109011506 B CN109011506 B CN 109011506B
Authority
CN
China
Prior art keywords
motion
motion parameters
displacement
parameters
recognition method
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.)
Active
Application number
CN201810764602.2A
Other languages
English (en)
Other versions
CN109011506A (zh
Inventor
桂宝佳
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.)
Shenzhen Xushu Technology Co ltd
Original Assignee
Shenzhen Xushu Technology Co ltd
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 Shenzhen Xushu Technology Co ltd filed Critical Shenzhen Xushu Technology Co ltd
Priority to CN201810764602.2A priority Critical patent/CN109011506B/zh
Publication of CN109011506A publication Critical patent/CN109011506A/zh
Application granted granted Critical
Publication of CN109011506B publication Critical patent/CN109011506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/18—Inclination, slope or curvature
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/30—Speed
    • A63B2220/34—Angular speed
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/40—Acceleration

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种训练动作识别方法，包括测量运动的运动参数，运动参数包括加速度、角速度和旋转姿态角；根据预设的约束模型对运动参数去噪处理，得到优化的运动参数；采用分类算法对优化的运动参数进行分类，识别所做动作。由于根据肢体长度和肢体连接关系建立约束模型，用约束模型对实际测得的运动参数进行去噪，获得优化的运动参数，从而使得运动识别的鲁棒性更高。

Description

一种训练动作识别方法
技术领域
本申请涉及运动识别技术领域，具体涉及一种训练动作识别方法。
背景技术
体育训练过程中，需要根据运动参数(比如运动角速度、速度、周期)等对运动姿势和频率进行科学评估，以规范训练动作。
“CN201610423325.X一种面向智能哑铃的上肢运动识别方法”采用一个惯性传感器模块，通过对其加速度传感器和陀螺仪传感器原始数据进行采集处理，然后与特定动作对应的数据库里面数据进行对比分析，来实现对哑铃运动进行识别。
专利CN201610423325.X直接使用惯性传感器的原始数据与数据库中标准动作数据对比，具有如下缺点：1.采集标准动作过程中，由于传感器本身噪声，可能会导致标准数据库里对应的惯性原始数据不够准确；2.惯性传感器在实际运动中同样由于温度、安装位置误差、环境等干扰因素，传感器输出带大量噪声原始数据；3.单惯性传感器在理论上，非哑铃训练动作中更容易产生类似哑铃标准动作对应的传感器原始数据；上述缺点都会导致哑铃运动误识别或者漏识别。
发明内容
本申请提供一种训练动作识别方法，以提高运动识别的鲁棒性。
根据第一方面，一种实施例中提供一种训练动作识别方法，包括：测量运动的运动参数，运动参数包括加速度、角速度和旋转姿态角；根据预设的约束模型对运动参数去噪处理，得到优化的运动参数；采用分类算法对优化的运动参数进行分类，识别所做动作。
优选地，所述约束模型为：第一位置的约束位移cp1＝0，第一位置的约束速度cv1＝0；第二位置的约束位移
Figure BDA0001728720580000011
第二位置的约束速度
Figure BDA0001728720580000012
Figure BDA0001728720580000013
第三位置的约束位移
Figure BDA0001728720580000014
第三位置的约束速度
Figure BDA0001728720580000015
Figure BDA0001728720580000016
其中
Figure BDA0001728720580000017
为第二位置的旋转姿态角；
Figure BDA0001728720580000018
为第一位置相对于第二位置的空间直角坐标；
Figure BDA0001728720580000019
为
Figure BDA00017287205800000110
的反对称矩阵；2ω为第二位置的角速度；
Figure BDA00017287205800000111
为第三位置的旋转姿态角；
Figure BDA00017287205800000112
为第二位置相对于第三位置的空间直角坐标；
Figure BDA00017287205800000113
为
Figure BDA00017287205800000114
的反对称矩阵；3ω为第三位置的角速度。
优选地，还包括对加速度和旋转姿态角进行计算得到速度和位移，并根据约束位移和约束速度对速度和位移进行去噪处理。
优选地，所述约束模型为：第一位置的约束位移cp1＝0，第一位置的约束速度cv1＝0；第二位置的约束位移
Figure BDA0001728720580000021
第二位置的约束速度
Figure BDA0001728720580000022
Figure BDA0001728720580000023
其中
Figure BDA0001728720580000024
为第二位置的旋转姿态角；
Figure BDA0001728720580000025
为第一位置相对于第二位置的空间直角坐标；
Figure BDA0001728720580000026
为
Figure BDA0001728720580000027
的反对称矩阵；2ω为第二位置的角速度。
优选地，还包括对坐标进行校准。
优选地，还包括将分类后的运动参数与标准参数比较，得到评价结果。
依据上述实施例的训练动作识别方法，由于根据肢体长度和肢体连接关系建立约束模型，用约束模型对实际测得的运动参数进行去噪，获得优化的运动参数，从而使得运动识别的鲁棒性更高。
附图说明
图1为一种实施例训练动作识别方法流程图；
图2为各个坐标系关系图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
在实际测量过程中会受到外界诸多干扰，测量得到的参数并不准确，对动作的识别会产生干扰。本申请的基本思想是通过肢体的长度和连接关系构成约束模型，对实际测量得到的参数进行修正，过滤一些无效的参数，从而获得更为准确的运动参数，能够更加准确地被识别。
下面以哑铃训练的识别和评价为例对本发明的具体实施方式进行详细说明。
本申请对“哑铃-前臂-上臂运动”进行实时动作姿态捕捉，对特定训练项目运动模式进行识别，并对运动情况进行科学评价。
传感模块分别安装在哑铃上不影响手握的任意位置和上臂上。传感模块上设有加速度传感器、陀螺仪传感器、电子罗盘传感器，低功耗蓝牙芯片、电源管理芯片及锂离子电池。其中加速度传感器用于测量加速度、陀螺仪传感器用于测量角速度，电子罗盘传感器用于测量磁场向量，加速度传感器、陀螺仪传感器及电子罗盘传感器共同计算得到旋转姿态角，低功耗蓝牙芯片用于与主控模块通信以传输所测得的运动参数。传感模块用于测量上臂的运动参数和前臂的运动参数。
请参考图1，哑铃训练动作识别方法包括以下步骤：
101、在运动识别过程中，传感模块启动分别测量上臂和前臂的运动参数；
102、根据预设的约束模型对运动参数去噪处理，得到优化的运动参数；
其中预设的约束模型，由于骨骼连接不分离的约束，定义cp1，cv1，cp2，cv2，cp3，cv3等6个约束。由于哑铃运动识别只需要识别前臂，上臂相对肩部的运动，所以肩部是否固定刚体不会影响到哑铃运动的识别。
假定肩部刚体固定，则约束模型有：
第一位置(本实施例中为肩部关节)的约束位移cp1＝0，第一位置的约束速度cv1＝0；
第二位置(本实施例中为肘关节)的约束位移
Figure BDA0001728720580000031
第二位置的约束速度
Figure BDA0001728720580000032
第三位置(本实施例中为哑铃)的约束位移
Figure BDA0001728720580000033
第三位置的约束速度
Figure BDA0001728720580000034
其中
Figure BDA0001728720580000035
为传感模块所测得的第二位置的旋转姿态角；
Figure BDA0001728720580000036
为第一位置相对于第二位置的空间直角坐标，
Figure BDA0001728720580000037
受肩部关节到肘关节长度的约束；
Figure BDA0001728720580000038
为
Figure BDA0001728720580000039
的反对称矩阵；2ω为传感模块所测得的第二位置的角速度；
Figure BDA00017287205800000310
为传感模块所测得的第三位置的旋转姿态角；
Figure BDA00017287205800000311
为第二位置相对于第三位置的空间直角坐标，受肘关节到到手掌把握哑铃处长度约束；
Figure BDA00017287205800000312
为
Figure BDA00017287205800000313
的反对称矩阵；3ω为传感模块所测得的第三位置的角速度。
去噪时，可以根据精度要求不同可采用非线性优化、卡尔曼滤波器(kalmanfilter)等方式对传感模块测得的位移和速度进行修正，得到运动参数最优解。
103、采用决策树(decision tree)、人工神经网络(ANN)、支持向量机(SVM)等分类算法对优化的运动参数进行分类，将分类后的运动参数与哑铃训练所属的各种运动模式的标准参数进行比较，识别出所测得运动参数对应的动作。
104、还将分类后的运动参数与标准参数比较，得到评价结果。
上述方法中，采集了两个部位的运动参数，来对运动进行识别，不会将非哑铃训练动作识别成哑铃训练动作。
在步骤102中，传感模块所测的运动参数为上臂的加速度和旋转姿态角以及前臂的加速度和旋转姿态角，进一步对上臂的加速度和旋转姿态角根据上臂的长度进行积分求得肘关节的速度和位移，对前臂的加速度和旋转姿态角根据肘关节到手掌把握哑铃处长度进行积分求得哑铃的速度和位移。再采用约束位移cp2和约束速度cv2对肘关节的速度和位移进行去噪处理；采用约束位移cp3和约束速度cv3对哑铃的速度和位移进行去噪处理。
在一实施例中，还包括对坐标进行校准。因为上述约束模型涉及第一位置相对于第二位置的空间直角坐标和第二位置相对于第三位置的空间直角坐标，因此在识别测量参数之前，作为优选需要对坐标系进行校准。
请参考图2，建立如图坐标系：
坐标系1为第一位置肩关节坐标系
坐标系2为第二位置肘关节坐标系
坐标系3为第三位置哑铃-手腕关节坐标系
G坐标系为大地坐标系
校准坐标系分成2步骤：
第一步垂直校准：手握哑铃，手臂自然下垂，训练者站立状态，
第二步水平校准：手握哑铃，手臂水平横举，使上臂、前臂、哑铃在差不多一个水平上。
测量得到上臂长度L1和肘关节到手掌把握处长度L2，假设坐标1在垂直校准姿态下与大地坐标重合，由于垂直和水平校准姿态下，由于垂直和水平校准姿态下，已知了骨骼在大地坐标系下关系，坐标系2原点在G坐标系下的坐标P_2_G＝[0，L1，0]’，又已知坐标系2相对于G坐标系的姿态旋转角R_2_G，则可得坐标系1与坐标系2的关系P_1_2＝R_G_2*[0，L1，0]’，同样方法可得到坐标系2与坐标系3的关系P_2_3；类似，在垂直和水平校准姿态下已知了坐标系2和坐标系3相对于大地坐标下的姿态旋转角R_2_G，R_3_G，此时假设坐标系1在垂直校准姿态下与大地坐标重合，则可得到坐标系2和坐标系3相对于坐标系1的姿态旋转角；垂直校准步骤和水平校准步骤分别求得一组坐标系校准参数，求它们两两之间的均值可认为是坐标校准参数最优解。
定义状态向量x＝[P1,V1,P2,V2,P3,V3],其中Pi，Vi分别表示为i坐标系相对大地坐标系的位移和速度，i为1,2,3；状态方程为：
Figure BDA0001728720580000051
Figure BDA0001728720580000052
其中，Ri G为坐标系i相对坐标系G的姿态旋转角，ia为坐标系i原点传感模块测得的加速度，Gg重力加速度。
下面对本申请应用到的硬件系统进行说明：
硬件系统包括两部分：传感模块和智能手机。
传感模块安装在哑铃上不影响把握的任意位置，智能手机安装在上臂上，没有特殊位置要求；传感模块上关键器件包括：惯性传感器，电子罗盘传感器，低功耗蓝牙芯片、电源管理芯片及锂离子电池等。
智能手机：包括惯性传感器，电子罗盘传感器，支持低功耗蓝牙，基本上现有智能手机都能满足。
系统数据交互流程：
传感模块开机上电，通过蓝牙连接到手机之后，开始进行数据采集(加速度传感器、陀螺仪传感器及电子罗盘传感器)和计算相对姿态，并通过蓝牙传输到智能手机。
智能手机启动动作识别算法的应用程序，开始等待传感模块的蓝牙连接，一旦连接之后，开始进行数据采集(加速度传感器、陀螺仪传感器及电子罗盘传感器)和计算相对姿态。
本申请利用一个传感模块和一个安装上臂的智能手机通过骨骼关系约束，即可实现高鲁棒、高精确的哑铃运动识别；
另外，传感模块内部只需要实现简单的数据采集和空间姿态计算，无需运行复杂的运动识别算法，极大降低了处理器性能、主频及功耗等要求，具有成本低的优势；
传感模块与手机直接通过低功耗蓝牙进行数据传输，无需有线连接，方便安装与使用；
本申请还提供了另外一种约束模型，约束模型如下：
第一位置的约束位移cp1＝0，第一位置的约束速度cv1＝0；
第二位置的约束位移
Figure BDA0001728720580000061
第二位置的约束速度
Figure BDA0001728720580000062
Figure BDA0001728720580000063
其中
Figure BDA0001728720580000064
为第二位置的旋转姿态角；
Figure BDA0001728720580000065
为第一位置相对于第二位置的空间直角坐标；
Figure BDA0001728720580000066
为
Figure BDA0001728720580000067
的反对称矩阵；2ω为第二位置的角速度。
采用本该模型，还可以对仰卧起坐等训练项目的运动模式进行识别，并对运动是否符合标准情况进行科学评价。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (5)

1.一种训练动作识别方法，其特征在于包括以下步骤：
测量运动的运动参数，运动参数包括加速度、角速度和旋转姿态角；
根据预设的约束模型对运动参数去噪处理，得到优化的运动参数，其中，所述约束模型通过肢体的长度和连接关系构成，所述约束模型包括：
第一位置的约束位移cp1＝0，第一位置的约束速度cv1＝0；
第二位置的约束位移
Figure FDA0002439636520000011
第二位置的约束速度
Figure FDA0002439636520000012
其中第一位置和第二位置为肢体关节位置或器械位置，
Figure FDA0002439636520000013
为第二位置的旋转姿态角；
Figure FDA0002439636520000014
为第一位置相对于第二位置的空间直角坐标；
Figure FDA0002439636520000015
为
Figure FDA0002439636520000016
的反对称矩阵；2ω为第二位置的角速度；
采用分类算法对优化的运动参数进行分类，识别所做动作。
2.根据权利要求1所述的训练动作识别方法，其特征在于：所述约束模型还包括：
第三位置的约束位移
Figure FDA0002439636520000017
第三位置的约束速度
Figure FDA0002439636520000018
Figure FDA0002439636520000019
其中第三位置为肢体关节位置或器械位置，
Figure FDA00024396365200000110
为第三位置的旋转姿态角；
Figure FDA00024396365200000111
为第二位置相对于第三位置的空间直角坐标；
Figure FDA00024396365200000112
为
Figure FDA00024396365200000113
的反对称矩阵；3ω为第三位置的角速度。
3.根据权利要求2所述的训练动作识别方法，其特征在于：还包括对加速度和旋转姿态角进行计算得到速度和位移，并根据约束位移和约束速度对速度和位移进行去噪处理。
4.根据权利要求1或2所述的训练动作识别方法，其特征在于：还包括对坐标进行校准。
5.根据权利要求1所述的训练动作识别方法，其特征在于：还包括将分类后的运动参数与标准参数比较，得到评价结果。
CN201810764602.2A 2018-07-12 2018-07-12 一种训练动作识别方法 Active CN109011506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810764602.2A CN109011506B (zh) 2018-07-12 2018-07-12 一种训练动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810764602.2A CN109011506B (zh) 2018-07-12 2018-07-12 一种训练动作识别方法

Publications (2)

Publication Number Publication Date
CN109011506A CN109011506A (zh) 2018-12-18
CN109011506B true CN109011506B (zh) 2020-09-15

Family

ID=64642377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810764602.2A Active CN109011506B (zh) 2018-07-12 2018-07-12 一种训练动作识别方法

Country Status (1)

Country Link
CN (1) CN109011506B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723624B (zh) * 2019-03-22 2023-12-05 京东方科技集团股份有限公司 一种头部运动跟踪方法和系统
CN110047591B (zh) * 2019-04-23 2023-02-21 吉林大学 一种针对外科手术过程中医生姿态评估方法
CN111835916B (zh) * 2020-07-10 2022-02-11 北京字节跳动网络技术有限公司 姿态检测模型的训练方法及装置、终端姿态的检测方法及装置
CN112818927A (zh) * 2021-02-26 2021-05-18 上海交通大学 人体下肢运动模式实时分类方法及系统
CN113893515B (zh) * 2021-10-13 2022-12-27 恒鸿达科技有限公司 一种基于视觉技术的仰卧起坐测试计数方法、装置和介质
CN114330575A (zh) * 2021-12-31 2022-04-12 深圳千岸科技股份有限公司 一种基于孪生神经网络的健身动作判别方法及智能沙包
CN118503858A (zh) * 2024-07-11 2024-08-16 南京陆加壹智能科技有限公司 一种仰卧起坐智能测试方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021573A (zh) * 2014-06-13 2014-09-03 哈尔滨工程大学 一种基于关节姿态角的人体动作分类识别方法
EP3183687B1 (en) * 2014-08-21 2020-07-08 IdentiFlight International, LLC Avian detection system and method
US10854104B2 (en) * 2015-08-28 2020-12-01 Icuemotion Llc System for movement skill analysis and skill augmentation and cueing
CN107016342A (zh) * 2017-03-06 2017-08-04 武汉拓扑图智能科技有限公司 一种动作识别方法及系统
CN107203753B (zh) * 2017-05-25 2020-09-08 西安工业大学 一种基于模糊神经网络和图模型推理的动作识别方法

Also Published As

Publication number Publication date
CN109011506A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109011506B (zh) 一种训练动作识别方法
CN106527738B (zh) 一种用于虚拟现实系统的多信息体感交互手套系统及方法
CN105102928B (zh) 惯性装置、方法和程序
CN106821391A (zh) 基于惯性传感器信息融合的人体步态采集分析系统及方法
US20200206568A1 (en) Posture coaching system and method for weight training by motion pattern
US10126108B2 (en) Apparatus and method for classifying orientation of a body of a mammal
CN109211267B (zh) 一种惯性动作捕捉姿态快速校准方法及系统
CN108447225A (zh) 一种人体跌倒检测方法及装置
CN111895997B (zh) 一种无需标准矫正姿势的基于惯性传感器的人体动作采集方法
CN107923740A (zh) 传感器设备、传感器系统以及信息处理设备
WO2018132999A1 (zh) 一种用于可穿戴式设备的人体步长测量方法及其测量设备
Bonnet et al. Fast determination of the planar body segment inertial parameters using affordable sensors
JP2014054483A (ja) 手の動作計測装置
CN109737941A (zh) 一种人体动作捕捉方法
CN110974242A (zh) 一种用于可穿戴式设备的步态异常程度评价方法及该设备
CN110609621A (zh) 姿态标定方法及基于微传感器的人体运动捕获系统
US10424224B2 (en) Glove for use in collecting data for sign language recognition
Palani et al. Real-time joint angle estimation using mediapipe framework and inertial sensors
CN109388669A (zh) 物联网终端运动状态获取和分析系统及方法
CN108827290A (zh) 一种人体运动状态反演装置及方法
CN115919250A (zh) 一种人体动态关节角测量系统
JP7172733B2 (ja) 人等の姿勢推定装置
CN105575239B (zh) 一种骨折复位训练模型角度检测装置及其方法
KR102643876B1 (ko) 모션 패턴에 따른 근력 운동 자세 분석 시스템 및 방법
Xia et al. Real-time recognition of human daily motion with smartphone sensor

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
GR01 Patent grant
GR01 Patent grant