CN109248413A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109248413A
CN109248413A CN201811018103.5A CN201811018103A CN109248413A CN 109248413 A CN109248413 A CN 109248413A CN 201811018103 A CN201811018103 A CN 201811018103A CN 109248413 A CN109248413 A CN 109248413A
Authority
CN
China
Prior art keywords
neural network
throwing
posture
genetic algorithm
output
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
CN201811018103.5A
Other languages
English (en)
Inventor
秦怡静
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.)
Chongqing University of Science and Technology
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811018103.5A priority Critical patent/CN109248413A/zh
Publication of CN109248413A publication Critical patent/CN109248413A/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
    • A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于BP神经网络和遗传算法的掷实心球姿势矫正方法，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BP神经网络建立输入矩阵X到输出变量Y的BP神经网络模型；S3：云服务器利用遗传算法对S3中建立的BP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

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
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BP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BP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BP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BP神经网络建立输入矩阵X到输出变量Y的BP神经网络模型；
S3：云服务器利用遗传算法对S3中建立的BP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，构建三层的BP神经网络模型：设置BP神经网络模型的隐含层节点数为l，隐含层节点函数为S型函数tansig，输出层节点数与输出变量个数一致；设置输出层节点函数为线性函数purelin，输入层到隐含层的权值为w1，隐含层节点阈值为b1，隐含层至输出层的权值为w2，输出层节点阈值为b2。
优选地，步骤S2中，建立BP神经网络模型的方法包括以下步骤：
S21：初始化神经网络参数的权值w1、w2以及阈值b1、b2；
S22：初始化的网络参数采用如下公式计算此时的
其中，表示预测值；
w1、w2分别表示神经网络参数的权值；
b1、b2分别表示神经网络参数的阈值；
表示经归一化的输入样本；
S23：计算此时实际样本输出与预测值之间系统对N个训练样本的总误差，总误差e准则函数如下：
其中，e表示误差性能指标函数；
表示BP网络输出；
表示实际输出；
S24：修正神经网络参数的权值和阈值，具体公式如下：
其中，w1ij表示隐含层与输入层的连接权值；η表示学习速率；
表示隐含层输出；x(i)表示输入样本；
wjk表示输出层与隐含层权值；
其中，w2jk表示输出层与隐含层的连接权值；
其中，表示隐含层阈值；表示隐含层输出；wjk表输出层与隐含层权值；
b2＝b2+ηe
其中，i＝1,2,…,n，n为输入层节点数；j＝1,2,…,l，l为隐含层节点数；k＝1,2,…,N，N为输出层节点数；
S25：利用更新得到的神经网络参数的权值和阈值重新估计重复S22至S24，直至总误差小于设定值。
优选地，步骤S3中，利用遗传算法对BP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；
图2为BP神经网络建模示意图。
具体实施方式
参见图1、图2，一种基于BP神经网络和遗传算法的掷实心球姿势矫正方法，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BP神经网络建立输入矩阵X到输出变量Y的BP神经网络模型；构建三层的BP神经网络模型：设置BP神经网络模型的隐含层节点数为l，隐含层节点函数为S型函数tansig，输出层节点数与输出变量个数一致；设置输出层节点函数为线性函数purelin，输入层到隐含层的权值为w1，隐含层节点阈值为b1，隐含层至输出层的权值为w2，输出层节点阈值为b2。
建立BP神经网络模型的方法包括以下步骤：
S21：初始化神经网络参数的权值w1、w2以及阈值b1、b2；
S22：初始化的网络参数采用如下公式计算此时的
其中，表示预测值；
w1、w2分别表示神经网络参数的权值；
b1、b2分别表示神经网络参数的阈值；
表示经归一化的输入样本；
S23：计算此时实际样本输出与预测值之间系统对N个训练样本的总误差，总误差e准则函数如下：
其中，e表示误差性能指标函数；
表示BP网络输出；
表示实际输出；
S24：修正神经网络参数的权值和阈值，具体公式如下：
其中，w1ij表示隐含层与输入层的连接权值；η表示学习速率；
表示隐含层输出；x(i)表示输入样本；
wjk表示输出层与隐含层权值；
其中，w2jk表示输出层与隐含层的连接权值；
其中，表示隐含层阈值；表示隐含层输出；wjk表输出层与隐含层权值；
b2＝b2+ηe
其中，i＝1,2,…,n，n为输入层节点数；j＝1,2,…,l，l为隐含层节点数；k＝1,2,…,N，N为输出层节点数；
S25：利用更新得到的神经网络参数的权值和阈值重新估计重复S22至S24，直至总误差小于设定值。
S3：云服务器利用遗传算法对S3中建立的BP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BP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BP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BP神经网络建立输入矩阵X到输出变量Y的BP神经网络模型；
S3：云服务器利用遗传算法对S3中建立的BP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BP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BP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BP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BP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BP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，构建三层的BP神经网络模型：设置BP神经网络模型的隐含层节点数为l，隐含层节点函数为S型函数tansig，输出层节点数与输出变量个数一致；设置输出层节点函数为线性函数purelin，输入层到隐含层的权值为w1，隐含层节点阈值为b1，隐含层至输出层的权值为w2，输出层节点阈值为b2。
7.根据权利要求6所述的一种基于BP神经网络和遗传算法的掷实心球姿势矫正方法，其特征在于，步骤S2中，建立BP神经网络模型的方法包括以下步骤：
S21：初始化神经网络参数的权值w1、w2以及阈值b1、b2；
S22：初始化的网络参数采用如下公式计算此时的
其中，表示预测值；
w1、w2分别表示神经网络参数的权值；
b1、b2分别表示神经网络参数的阈值；
表示经归一化的输入样本；
S23：计算此时实际样本输出与预测值之间系统对N个训练样本的总误差，总误差e准则函数如下：
其中，e表示误差性能指标函数；
表示BP网络输出；
表示实际输出；
S24：修正神经网络参数的权值和阈值，具体公式如下：
其中，w1ij表示隐含层与输入层的连接权值；η表示学习速率；
表示隐含层输出；x(i)表示输入样本；
wjk表示输出层与隐含层权值；
其中，w2jk表示输出层与隐含层的连接权值；
其中，表示隐含层阈值；表示隐含层输出；wjk表输出层与隐含层权值；
b2＝b2+ηe
其中，i＝1,2,…,n，n为输入层节点数；j＝1,2,…,l，l为隐含层节点数；k＝1,2,…,N，N为输出层节点数；
S25：利用更新得到的神经网络参数的权值和阈值重新估计重复S22至S24，直至总误差小于设定值。
8.根据权利要求1所述的一种基于BP神经网络和遗传算法的掷实心球姿势矫正方法，其特征在于，步骤S3中，利用遗传算法对BP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BP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BP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。
CN201811018103.5A 2018-09-03 2018-09-03 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 Pending CN109248413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811018103.5A CN109248413A (zh) 2018-09-03 2018-09-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811018103.5A CN109248413A (zh) 2018-09-03 2018-09-03 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

Publications (1)

Publication Number Publication Date
CN109248413A true CN109248413A (zh) 2019-01-22

Family

ID=65050491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811018103.5A Pending CN109248413A (zh) 2018-09-03 2018-09-03 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

Country Status (1)

Country Link
CN (1) CN109248413A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902648A (zh) * 2019-03-11 2019-06-18 重庆科技学院 一种处于无意识、自由状态下的用户体验评价方法及系统
CN109919099A (zh) * 2019-03-11 2019-06-21 重庆科技学院 一种基于表情识别的用户体验评价方法及系统
CN109919101A (zh) * 2019-03-11 2019-06-21 重庆科技学院 一种基于手机客户端的用户体验评价方法及系统
CN109993456A (zh) * 2019-04-11 2019-07-09 陈建华 一种基于大数据与人工智能的人生综合能力打分方法
CN115702993A (zh) * 2021-08-12 2023-02-17 荣耀终端有限公司 跳绳状态的检测方法及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106119458A (zh) * 2016-06-21 2016-11-16 重庆科技学院 基于bp神经网络的转炉炼钢工艺成本控制方法及系统
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
CN106373022A (zh) * 2016-09-13 2017-02-01 重庆科技学院 基于bp‑ga的温室农作物种植效率条件优化方法及系统
US20170120107A1 (en) * 2015-10-30 2017-05-04 Logitech Europe, S.A Systems and methods for creating a neural network to provide personalized recommendations using activity monitoring devices with biometric sensors
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170120107A1 (en) * 2015-10-30 2017-05-04 Logitech Europe, S.A Systems and methods for creating a neural network to provide personalized recommendations using activity monitoring devices with biometric sensors
CN106119458A (zh) * 2016-06-21 2016-11-16 重庆科技学院 基于bp神经网络的转炉炼钢工艺成本控制方法及系统
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
CN106373022A (zh) * 2016-09-13 2017-02-01 重庆科技学院 基于bp‑ga的温室农作物种植效率条件优化方法及系统
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902648A (zh) * 2019-03-11 2019-06-18 重庆科技学院 一种处于无意识、自由状态下的用户体验评价方法及系统
CN109919099A (zh) * 2019-03-11 2019-06-21 重庆科技学院 一种基于表情识别的用户体验评价方法及系统
CN109919101A (zh) * 2019-03-11 2019-06-21 重庆科技学院 一种基于手机客户端的用户体验评价方法及系统
CN109993456A (zh) * 2019-04-11 2019-07-09 陈建华 一种基于大数据与人工智能的人生综合能力打分方法
CN115702993A (zh) * 2021-08-12 2023-02-17 荣耀终端有限公司 跳绳状态的检测方法及电子设备
CN115702993B (zh) * 2021-08-12 2023-10-31 荣耀终端有限公司 跳绳状态的检测方法及电子设备

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
CN109815907B (zh) 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法
CN108764120B (zh) 一种人体规范动作评价方法
CN108853946A (zh) 一种基于Kinect的健身指导训练系统及方法
CN103678859B (zh) 动作比对方法与动作比对系统
JP5248537B2 (ja) ゴルフシャフト設計装置及びゴルフシャフト設計プログラム
CN111318009A (zh) 基于可穿戴惯性感知的体感健康娱乐系统及其工作方法
CN112966597A (zh) 一种基于骨骼关键点的人体运动动作计数方法
CN113705540A (zh) 一种无器械训练动作识别与计数方法及系统
CN108038601A (zh) 体育教学方法、装置及计算机可读存储介质
CN111383735A (zh) 一种基于人工智能的无人化健身分析方法
CN110559639B (zh) 体操运动的机器人教学方法及机器人
CN115909839A (zh) 一种基于vr技术的医学教育培训考核系统及方法
CN116071827A (zh) 一种康复运动评估方法、装置、电子设备及存储介质
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
CN117078976B (zh) 动作评分方法、装置、计算机设备以及存储介质
CN111760261B (zh) 一种基于虚拟现实技术的体育优化训练系统及方法
CN109214650A (zh) 一种评价方法及装置
Wajdi et al. Iot architecture that supports the stimulation of gross motor development in children aged 5-6 years using drop box game
Li Application of virtual environment in the teaching of basketball tactics
CN108171623A (zh) 钢琴教学方法、装置及计算机可读存储介质
CN110227249A (zh) 一种上肢训练系统
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
Rozaliev et al. Methods and applications for controlling the correctness of physical exercises performance
CN116129529A (zh) 一种基于深度学习的乒乓球发球机发球系统及方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190213

Address after: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing

Applicant after: Chongqing University of Science & Technology

Address before: 400015 No. 18 Sixin Road, Yuzhong District, Chongqing

Applicant before: Qin Yijing

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190122