CN109289188A - 一种基于数据挖掘的实心球投掷姿势矫正方法 - Google Patents

一种基于数据挖掘的实心球投掷姿势矫正方法 Download PDF

Info

Publication number
CN109289188A
CN109289188A CN201811017858.3A CN201811017858A CN109289188A CN 109289188 A CN109289188 A CN 109289188A CN 201811017858 A CN201811017858 A CN 201811017858A CN 109289188 A CN109289188 A CN 109289188A
Authority
CN
China
Prior art keywords
throwing gesture
data
medicine ball
throwing
neural network
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
CN201811017858.3A
Other languages
English (en)
Inventor
李乐进
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.)
Individual
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 CN201811017858.3A priority Critical patent/CN109289188A/zh
Publication of CN109289188A publication Critical patent/CN109289188A/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
    • 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
    • A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
    • 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
    • A63B71/0669—Score-keepers or score display devices
    • 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
    • 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
    • A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
    • A63B2071/0636—3D visualisation
    • 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
    • A63B2071/0647—Visualisation of executed movements
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2208/00—Characteristics or parameters related to the user or player
    • A63B2208/02—Characteristics or parameters related to the user or player posture
    • 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
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
    • A63B2220/836—Sensors arranged on the body of the user
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2244/00—Sports without balls
    • A63B2244/14—Shot putting

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于数据挖掘的实心球投掷姿势矫正方法，包括如下步骤：S1：采集一批中考体育投掷实心球项目达到满分的学生的身体模型参数以及对应的投掷姿势数据，并上传至云服务器作为标准投掷姿势数据，身体模型参数、投掷姿势数据构成影响因素矩阵X，身体模型参数为环境变量，投掷姿势数据为决策变量；S2：采集用户投掷姿势的数据样本构成指标矩阵Y，利用BP神经网络对指标矩阵Y进行学习、训练、检验，并针对用户的身体模型参数建立投掷姿势的BP神经网络模型；S3：利用BP神经网络模型对数据进行预测，得到推荐决策变量X*，并将推荐决策变量X*下发至用户终端，用户根据推荐决策变量X*对自己的投掷姿势进行矫正。

Description

一种基于数据挖掘的实心球投掷姿势矫正方法
技术领域
本发明属于神经网络大数据领域，具体设计一种基于数据挖掘的实心球投掷姿势矫正方法。
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，提供一种基于数据挖掘的实心球投掷姿势矫正方法，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：
一种基于数据挖掘的实心球投掷姿势矫正方法，包括如下步骤：
S1：采集一批中考体育投掷实心球项目达到满分的学生的身体模型参数以及对应的投掷姿势数据，并上传至云服务器作为标准投掷姿势数据，身体模型参数、投掷姿势数据构成影响因素矩阵X，其中，身体模型参数为环境变量，投掷姿势数据为决策变量；
S2：综合中考体育投掷实心球项目达到满分的学生的投掷姿势，采集用户对应投掷姿势的数据样本构成指标矩阵Y，利用BP神经网络对指标矩阵Y进行学习、训练、检验，并针对用户的身体模型参数建立投掷姿势的BP神经网络模型；
S3：利用S2中建立的BP神经网络模型对投掷姿势数据进行预测，得到推荐决策变量X*，并将推荐决策变量X*下发至用户终端，用户根据推荐决策变量X*对自己的投掷姿势进行矫正。
优选地，步骤S1中，通过传感器模块采集中考体育投掷实心球项目达到满分的学生的投掷姿势数据；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，所述传感器模块为十轴加速度蓝牙版传感器。
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，采集一批中考体育投掷实心球项目达到满分的学生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，用户终端具有姿态数据界面，所述姿态数据界面显示用户实时的投掷姿势数据以及由云服务器下发的推荐投掷姿势数据。
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2，一种基于数据挖掘的实心球投掷姿势矫正方法，包括如下步骤：
S1：采集一批中考体育投掷实心球项目达到满分的学生的身体模型参数以及对应的投掷姿势数据，并上传至云服务器作为标准投掷姿势数据，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。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，身体模型参数、投掷姿势数据构成影响因素矩阵X，其中，身体模型参数为环境变量，投掷姿势数据为决策变量；
本实施例中，通过传感器模块采集中考体育投掷实心球项目达到满分的学生的投掷姿势数据；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：综合中考体育投掷实心球项目达到满分的学生的投掷姿势，采集用户对应投掷姿势的数据样本构成指标矩阵Y，利用BP神经网络对指标矩阵Y进行学习、训练、检验，并针对用户的身体模型参数建立投掷姿势的BP神经网络模型；本实施例中，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。
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：利用S2中建立的BP神经网络模型对投掷姿势数据进行预测，得到推荐决策变量X*，并将推荐决策变量X*下发至用户终端，用户根据推荐决策变量X*对自己的投掷姿势进行矫正。用户终端具有姿态数据界面，所述姿态数据界面显示用户实时的投掷姿势数据以及由云服务器下发的推荐投掷姿势数据。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。用户实时的投掷姿态数据通过佩戴对应的传感器获取，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)

1.一种基于数据挖掘的实心球投掷姿势矫正方法，其特征在于，包括如下步骤：
S1：采集一批中考体育投掷实心球项目达到满分的学生的身体模型参数以及对应的投掷姿势数据，并上传至云服务器作为标准投掷姿势数据，身体模型参数、投掷姿势数据构成影响因素矩阵X，其中，身体模型参数为环境变量，投掷姿势数据为决策变量；
S2：综合中考体育投掷实心球项目达到满分的学生的投掷姿势，采集用户对应投掷姿势的数据样本构成指标矩阵Y，利用BP神经网络对指标矩阵Y进行学习、训练、检验，并针对用户的身体模型参数建立投掷姿势的BP神经网络模型；
S3：利用S2中建立的BP神经网络模型对投掷姿势数据进行预测，得到推荐决策变量X*，并将推荐决策变量X*下发至用户终端，用户根据推荐决策变量X*对自己的投掷姿势进行矫正。
2.根据权利要求1所述的一种基于数据挖掘的实心球投掷姿势矫正方法，其特征在于，步骤S1中，通过传感器模块采集中考体育投掷实心球项目达到满分的学生的投掷姿势数据；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2所述的一种基于数据挖掘的实心球投掷姿势矫正方法，其特征在于，所述传感器模块为十轴加速度蓝牙版传感器。
4.根据权利要求1所述的一种基于数据挖掘的实心球投掷姿势矫正方法，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。
5.根据权利要求1所述的一种基于数据挖掘的实心球投掷姿势矫正方法，其特征在于，步骤S1中，采集一批中考体育投掷实心球项目达到满分的学生投掷实心球时身体关键部位的投掷姿势数据。
6.根据权利要求5所述的一种基于数据挖掘的实心球投掷姿势矫正方法，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。
7.根据权利要求1所述的一种基于数据挖掘的实心球投掷姿势矫正方法，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。
8.根据权利要求7所述的一种基于数据挖掘的实心球投掷姿势矫正方法，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。
9.根据权利要求1所述的一种基于数据挖掘的实心球投掷姿势矫正方法，其特征在于，步骤S3中，用户终端具有姿态数据界面，所述姿态数据界面显示用户实时的投掷姿势数据以及由云服务器下发的推荐投掷姿势数据。
10.根据权利要求9所述的一种基于数据挖掘的实心球投掷姿势矫正方法，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。
CN201811017858.3A 2018-09-03 2018-09-03 一种基于数据挖掘的实心球投掷姿势矫正方法 Pending CN109289188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811017858.3A CN109289188A (zh) 2018-09-03 2018-09-03 一种基于数据挖掘的实心球投掷姿势矫正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811017858.3A CN109289188A (zh) 2018-09-03 2018-09-03 一种基于数据挖掘的实心球投掷姿势矫正方法

Publications (1)

Publication Number Publication Date
CN109289188A true CN109289188A (zh) 2019-02-01

Family

ID=65165918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811017858.3A Pending CN109289188A (zh) 2018-09-03 2018-09-03 一种基于数据挖掘的实心球投掷姿势矫正方法

Country Status (1)

Country Link
CN (1) CN109289188A (zh)

Citations (4)

* 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
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 (4)

* 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
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

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
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
CN103678859B (zh) 动作比对方法与动作比对系统
US11872468B2 (en) Sport training method and system and head-mounted VR device
KR20180063948A (ko) 사용자 맞춤형 트레이닝 시스템 및 이의 트레이닝 서비스 제공 방법
RU2107328C1 (ru) Способ отслеживания и отображения положения и ориентации пользователя в пространстве и система для осуществления способа
CN111383735A (zh) 一种基于人工智能的无人化健身分析方法
CN107240049A (zh) 一种沉浸式环境中远程动作教学质量的自动评价方法和系统
CN110477924B (zh) 适应性运动姿态感测系统与方法
CN113705540A (zh) 一种无器械训练动作识别与计数方法及系统
Felton et al. Optimising the front foot contact phase of the cricket fast bowling action
CN110559639B (zh) 体操运动的机器人教学方法及机器人
Wu et al. Research on college gymnastics teaching model based on multimedia image and image texture feature analysis
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
TWM582409U (zh) Virtual reality underwater training device
CN109146960A (zh) 一种基于智能数据采集的实心球投掷姿势矫正方法
CN109289188A (zh) 一种基于数据挖掘的实心球投掷姿势矫正方法
CN111760261B (zh) 一种基于虚拟现实技术的体育优化训练系统及方法
Parvinpour et al. Effects of developmental task constraints on kinematic synergies during catching in children with developmental delays
CN210229095U (zh) 一种智能化体操训练系统
CN111589100A (zh) 用于体态追踪及改善、体感游戏远程互联互动的可穿戴系统
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
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
CN114998803A (zh) 一种基于视频的健身运动分类与计数方法

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