CN109740418B - 一种基于多加速度传感器的瑜伽动作识别方法 - Google Patents
一种基于多加速度传感器的瑜伽动作识别方法 Download PDFInfo
- Publication number
- CN109740418B CN109740418B CN201811394257.4A CN201811394257A CN109740418B CN 109740418 B CN109740418 B CN 109740418B CN 201811394257 A CN201811394257 A CN 201811394257A CN 109740418 B CN109740418 B CN 109740418B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- unidirectional
- vector
- feature
- 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
Links
Images
Abstract
本发明公开了一种基于多加速度传感器的瑜伽动作识别方法,步骤包括:通过设置在瑜伽运动者身上的加速度计采集加速度计的X、Y、Z三个方向的加速度数据;加速度数据发送至微处理器,微处理器将加速度数据打包通过无线传输技术发送至客户端;客户端收到数据后对数据进行对齐处理,将对齐后的所有数据排成样本数据矩阵,然后对样本数据矩阵进行预处理,提取表征动作的样本特征矩阵;将输入的样本特征矩阵与存储在数据库中动作标准特征矩阵进行匹配,实现瑜伽动作的识别。本发明采集三维加速度数据,构建标准特征序列,来进行动作的识别分析,参数可靠,简单可行,计算复杂度低,对相关硬件的要求较低,实现成本低。
Description
技术领域
本发明涉及人体动作识别领域,更具体地,涉及一种基于多加速度传感器的瑜伽动作识别方法。
背景技术
全民健身的时代已经来临,人们对自己的身心健康愈加关注,瑜伽动作运用古老而易于掌握的技巧,改善人们生理、心理、情感和精神方面的能力,是一种达到身体、心灵与精神和谐统一的运动方式,因此瑜伽受到越来越多人的青睐。但是,人们的生活节奏非常快,通常没有足够的时间找专业的瑜伽老师对瑜伽等技术性运动进行系统地学习,人们急需通过手机等智能设备进行学习。因此,在普通智能手机上开发出相关的动作识别及矫正系统是非常有必要的。
目前主流的基于视觉传感器的动作识别方法主要分为以下几类:第一类,基于时空特征的模式分析方法,这类方法计算复杂度低、实现简单,但是对于噪声和运动时间间隔的变换比较敏感,不同主体的瑜伽动作速度和幅度都可能不同,因此难以利用时空特征对瑜伽动作进行识别。第二类,基于2D或3D模型的方法,这类方法准确度高,但是计算量大,对设备要求高,需要价格昂贵的硬件支持,而且实时性能很差,不能满足瑜伽爱好者实时了解自身动作是否规范的需求。第三类,基于图像统计处理的方法,通常由于图像的数据量巨大导致计算量也相当大,一般的手机终端不具备大数据处理这种的硬件条件。
经过上千年的发展,现代瑜伽的理论已经发展地非常成熟。因为现代瑜伽具有动作姿态固定,动作速度平缓,动作停顿时间节点较多等特点,所以采用多个加速度传感器进行瑜伽动作的数据采集,可以获得可靠性高,实时性强的数据样本。另一方面,采用多个加速度传感器进行瑜伽动作的数据采集,并通过蓝牙等无线装置发送给手机终端进行数据分析并识别动作,便可以解决传统动作识别方法中计算复杂度高、实现成本大和数据实时处理能力差等问题。
发明内容
本发明的首要目的是提供一种基于多加速度传感器的瑜伽动作识别方法,解决传统动作识别方法中计算复杂度高、实现成本大和数据实时处理能力差的问题,本发明的技术方案如下:
一种基于多加速度传感器的瑜伽动作识别方法,所述方法包括如下步骤:
S1:首先在瑜伽运动者的双手手腕、双脚脚腕、胸前、额头佩戴内置加速度计的微型处理器的手环、脚环、胸带、头带,采集加速度计的X、Y、Z三个方向的加速度数据;
S2:瑜伽运动者运动时,加速度计感知运动者的加速度变化采集加速度数据发送至微处理器,微处理器将加速度数据打包通过无线传输技术发送至客户端;
S3:客户端收到来自不同的加速度计采集的数据,利用同步技术对数据进行对齐,将对齐后的所有数据排成样本数据矩阵,然后对样本数据矩阵进行预处理,提取表征动作的样本特征矩阵;
S4:手机客户端后台将样本特征矩阵与存储在数据库中动作标准特征矩阵进行匹配,实现瑜伽动作的识别;
所述样本数据矩阵的计算过程如下:采集m个加速度传感器的X-Y-Z三个方向的数据,把方向记为k,k∈{x,y,z},每一个传感器的数据进行时间同步后,用三个向量分别表示三个不同方向的数据,把这三个向量都统称为单向数据向量V,把第i个传感器中k方向的单向数据向量记为Vik,则矩阵Di=(Vix,Viy,Viz)(i∈ [1,m] )可以表示第i个传感器中三个方向的数据,把所有矩阵Di都统称为三向数据矩阵D, m个传感器总共形成的m个三向数据矩阵,把所有的三向数据矩阵组合起来,记为矩阵S=(D1,…,Dm),矩阵S称为样本数据矩阵,样本数据矩阵S代表了一个瑜伽者动作的所有加速度数据;
所述样本特征矩阵的计算过程如下:把第i个传感器中k方向的单向数据向量Vik进行处理和特征提取后,得到的向量记为Wik,并统称为单向特征向量W。三向特征矩阵E由单向特征向量W组成,第i个传感器的三向特征矩阵Ei=(Wix,Wiy,Wiz)(i∈ [1,m]),把m个三向特征矩阵全部组合起来,形成样本特征矩阵T=(E1,…,Em),样本特征矩阵T代表了瑜伽运动者动作的所有加速度特征。
进一步地,所述的标准特征矩阵T*计算过程如下:
1.采集一个固定瑜伽动作s*t个样本数据矩阵S,样本数据矩阵S包含有3m个单向数据向量,对单向数据向量进行特征提取,将单向数据向量V变成单向特征向量W ,步骤如下:
1. 1进行单向数据向量V滤波去噪、数据分组、数据补零填充处理以及数据拟合处理;
1.2获取初始单向特征向量V;
1.3对初始单向特征向量V消冗处理,去掉冗余数据;
2.使用步骤1.1-1.3方法将样本数据矩阵S的 3m个单向数据向量化为3m个单向特征向量,3m个单向特征向量组成样本特征矩阵T,定义获取第i个传感器第k方向的标准单向特征向量Wik*,以及获取用户单向数据向量转化成单向特征向量时,使用的最佳阈值Fik*、最佳窗口长度Nik*的具体方法;具体步骤如下:
2.1从样本数据矩阵S中取出第i个传感器中k方向的单向数据向量Vik,共取出s*t个单向数据向量,代表不同样本中同一个传感器同一个方向的单向数据矩阵;把第j个样本数据矩阵Sj中第i个传感器k方向的单向数据向量记为Vjik,则所有s*t个Vik组成的选优矩阵Uik =(V1ik,V2ik,…,V(s*t)ik);然后将选优Uik中的Vjik向量依次代入上面对瑜伽教练的单向数据向量V提取特征的步骤,每次Vjik向量代入都使用相同的相同窗口长度N和阈值F,最终获得s*t个关于i传感器k方向的特征序列向量{W1ik,W2ik,…,W(s*t)ik};
2.2在当前的窗口长度N和阈值F下,统计上一步获得的所有特征序列向量{W1ik,W2ik,…,W(s*t)ik}中相同的个数,记为C;
2.3改变窗口长度N和阈值F,重复步骤2.1)~步骤2.2),直到第n次结束;比较每一次迭代中C的大小,若第p次迭代C值最大,则将第p次的阈值F、窗口长度N和特征序列向量分别作为第i个传感器k方向的最佳阈值Fik*、最佳窗口长度Nik*及标准单向特征向量Wik*,存入数据库;
3.一个固定的瑜伽动作通过步骤2.3可以得到其第i个传感器k方向的标准单向特征向量Wik*,以及第i个传感器k方向的单向数据向量Vik要转换成单向特征向量Wik时对应的最佳阈值Fik*及最佳窗口长度Nik*的大小,
标准特征矩阵T*由3m个标准单向特征向量W*组成;因此,通过重复上面的2.1-2.3三个步骤,就可以获取所有的3m个最佳阈值Fik*、最佳窗口长度Nik*及标准特征序列Wik*,将最佳阈值Fik*、最佳窗口长度Nik*及标准特征序列Wik*组合到一起,便得到最终最佳阈值向量F*、最佳窗口长度向量N*及标准特征矩阵T*。
进一步地,步骤1.1所述滤波去噪、数据分组、数据补零填充处理以及数据拟合处理步骤包括:
初始化窗口长度N,将滤波以后的单向数据向量V划分成若干组长度为N的数据,若数据长度不是N的整数倍,则通过补零进行处理;初始化一个阈值F,取出每一组数据中的最大值和最小值,求二者的差值,若二者的差值大于事先设定好的阈值F,则用第一点和最后一点的连线来对原曲线进行拟合,若小于阈值F,则将组内所有的数据点都设置为第一点的值;
步骤1.2所述获取初始单向特征向量V,步骤包括:
计算处理后的每组数据中最后一点和第一点的差值为m,若m>0,则代表该组数据呈上升趋势,该特征值用1表示,若m=0,则代表该组数据基本保持不变,该特征值用0表示,若m<0,则代表该组数据呈下降趋势,该特征值用-1表示,从而获得一个初始的特征值序列;
步骤1.3所述对初始单向特征向量V消冗处理,去掉冗余数据,步骤包括:
判断初始单向特征向量每一个特征值,如果它的特征值为0且在序列中的位置既不是第一个也不是最后一个,则判断它的前一位特征值和后一位特征值是否相等,如果相等,则删除该特征值;从第二个特征值开始,若当前特征值与前一位特征值相等,则删除当前特征值。
进一步地,步骤S4所述的匹配过程如下:
将待测瑜伽运动者单向数据矩阵进行特征提取化为瑜伽运动者单向特征矩阵,将瑜伽运动者特征矩阵与标准单向特征序列W*进行比对,若所有单向数据向量均与数据库对应的标准单向特征序列一致,则瑜伽动作匹配成功。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过采集多个加速度传感器三维加速度数据,构建标准特征序列,最佳阈值,最佳窗口长度,来进行动作的识别分析,参数可靠,简单可行,计算复杂度低,对相关硬件的要求较低,实现成本低。
附图说明
图1为系统整体结构图。
图2为单向数据向量V的预处理流程图。
图3为初始单向特征向量W的获取流程图。
图4为初始特征向量W的消冗处理流程图。
图5为最佳参数F*、N*及标准特征向量W*的获取流程图。
图6为新样本输入评判流程图。
图7为A用户双手平举动作的特征向量提取过程图。
图8 为B用户双手平举动作的特征向量提取过程图。
图9 为C用户双手平举动作的特征向量提取过程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
参见图1,一种基于多个三维加速度传感器的瑜伽动作识别方法,方法流程如下:
图1为系统整体结构图,本发明采用多个加速度传感器,分别采集双手手腕处、双脚脚腕处、额头以及胸前这些特定位置X、Y、Z三个方向的加速度数据。当用户执行某个动作时,首先,三轴加速度计感知加速度的变化,将采集到的数据交到微型处理器;然后,微型处理器将三轴加速度计数据打包后,通过蓝牙等无线传输技术发送给手机客户端;接着,客户端收到自不同的传感器采集到的数据,利用时间同步技术对数据进行对齐,对齐后的所有数据排成一个样本数据矩阵S,然后进行数据预处理操作,提取出可以表征该动作的样本特征矩阵T;最后,手机后台将样本特征矩阵T与存储在数据库中该动作的标准特征矩阵T*进行匹配比对,对该用户动作作出判决。
图2为单向数据向量V的预处理流程图。原始数据由三轴加速度传感器采集经无线发送装置(蓝牙等)传送到微处理器,因此数据中会存在噪声。为了除掉一部分噪声,本发明先经过滤波操作。随后设定一个初始的窗口长度N,当数据长度不是窗口长度N的整数倍时,先补零成N的整数倍,然后切分成却干个数据组,对每个数据组进行如下操作:取出每一组数据中的最大值和最小值,求二者的差值Em,若二者的差值Em大于事先设定好的阈值F,则用第一点和最后一点的连线来对原数据进行拟合,若小于阈值F,则将组内所有的数据点都设置为第一点的值。这样对数据进行预处理,既保留原始数据总体的分布状况,又实现了对原始数据的噪声过滤。
图3是初始单向特征向量W的获取流程图。在计算处理后的每组数据中,第一点x1和最后一点xt的差值记为M。然后进行以下判断,若M>0,则代表该组数据呈上升趋势,该特征用1表示;若M=0,则代表该组数据基本保持不变,该特征用0表示;若M<0,则代表该组数据呈下降趋势,该特征用-1表示,从而获得一个特征值序列。用这种方法得到的特征,简单有效地把数据的波动趋势补捉到。
图4初始特征向量W的消冗处理流程图。上一步获得的特征值序列,可以表示数据样本的变化趋势,但是存在很多冗余,因此本发明为了获得最简特征序列,进行以下的去冗操作:对于每一个特征值,如果它的特征值为0,并且该特征在序列中的位置既不是第一个也不是最后一个,则判断它的前一位特征值和后一位特征值是否相等,如果相等,则删除该特征值。从第二个特征值开始,若当前特征值与前一位特征值相等,则删除当前特征值。
图5是最佳参数F*、N*及标准特征向量W*的获取流程图。对于一个瑜伽动作,一方面,加速度传感器采集数据得到样本数据矩阵S,则在对样本数据矩阵S进行特征提取时,需要对应的最佳阈值向量F*和最佳窗口长度向量N*的值。另一方面,为了对用户输入的样本特征矩阵进行判决,需要要数据库中存储标准样本特征矩阵T*。在本发明中,最佳阈值向量F*、最佳窗口长度向量N*以及标准样本特征矩阵T*都来源于对多个瑜伽教练动作数据的处理。对同一动作采集多组瑜伽教练数据,初始化多组阈值和窗口长度,进行特征向量提取的步骤,然后求统计在各组阈值和窗口长度下,不同的样本数据矩阵S提取出来的样本特征矩阵中相同的个数,记为C。最后选取C值最大情况下的那组阈值、窗口长度和样本特征矩阵,称为这个动作的最佳阈值、最佳窗口长度和标准特征向量。使将最终获得的最佳阈值、最佳窗口长度、标准特征向量存入数据库。
图6是新样本输入评判流程图。在用户使用智能手环时,将样本数据矩阵S中每一个单向数据向量V按照数据库中每一条记录相对应的阈值、窗口长度进行原始数据的预处理、初始特征序列的获取和初始特征序列的消冗处理等操作,得到一个样本特征向量。若此样本特征向量W与数据库对应的标准样本特征向量W*一致,则匹配成功。
图7是A用户双手平举动作的特征向量提取过程图。该瑜伽动作的实施背景为:用户双手穿戴智能手环,双手初始时垂直向下掌心朝内,然后尽量匀速向两侧平举至水平再尽量匀速放下。为了便于说明和理解,图中只展示了只展示了位于A用户右手手腕的传感器数据特征提取过程。在图7中,三个子图分别为原始数据分布图,滤波后的数据分布图和特征序列提取结果图。每个子图都包含三条曲线,分别代表加速度传感器X-Y-Z三个方向的数据变化。从图中可以看出,原始数据经过滤波后清除了一部分噪声,曲线变得平滑。滤波后的数据经过我们的特征序列提取算法,可以得到最后的特征序列分布图,从图中可以看出,提取出的特征序列如表1所示,与该动作的标准特征序列一致,说明该用户动作到位。
图8和图9分别是B用户和C用户双手平举动作的特征向量提取过程图。该瑜伽动作的实施背景与图7一致,同样地,为了便于说明和理解,图中只展示了位于右手手腕的传感器的数据特征提取过程,其特征序列如表1所示,
表1 双手平举动作的特征向量表
X | Y | Z | 备注 | |
标准特征向量 | —— | [-1,0,-1] | [0,1,0] | |
用户A | —— | [-1,0,-1] | [0,1,0] | 匹配成功 |
用户B | —— | [-1,0,-1] | [0,1,0] | 匹配成功 |
用户C | —— | [-1,0,-1] | [1,0,1,0] | 不匹配 |
可以看出虽然用户A和用户B在时间上加速度的变化趋势不一致,但是经特征提取和消冗后,得到的特征序列是一样的,B用户的动作匹配成功,而C用户与标准特征序列匹配不上,动作不标准。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于多加速度传感器的瑜伽动作识别方法,其特征在于,所述方法包括如下步骤:
S1:首先在瑜伽运动者的双手手腕、双脚脚腕、胸前、额头佩戴内置加速度计的微型处理器的手环、脚环、胸带、头带,采集加速度计的X、Y、Z三个方向的加速度数据;
S2:瑜伽运动者运动时,加速度计感知运动者的加速度变化采集加速度数据发送至微处理器,微处理器将加速度数据打包通过无线传输技术发送至客户端;
S3:客户端收到来自不同的加速度计采集的数据,利用同步技术对数据进行对齐,将对齐后的所有数据排成样本数据矩阵,然后对样本数据矩阵进行预处理,提取表征动作的样本特征矩阵;
S4:手机客户端后台将样本特征矩阵与存储在数据库中动作标准特征矩阵进行匹配,实现瑜伽动作的识别;
所述样本数据矩阵的计算过程如下:
采集m个加速度传感器的X-Y-Z三个方向的数据,把方向记为k,k∈{x,y,z},每一个传感器的数据进行时间同步后,用三个向量分别表示三个不同方向的数据,把这三个向量都统称为单向数据向量V,把第i个传感器中k方向的单向数据向量记为Vik,则矩阵Di=(Vix,Viy,Viz)(i∈ [1,m] )可以表示第i个传感器中三个方向的数据,把所有矩阵Di都统称为三向数据矩阵D, m个传感器总共形成的m个三向数据矩阵,把所有的三向数据矩阵组合起来,记为矩阵S=(D1,…,Dm),矩阵S称为样本数据矩阵,样本数据矩阵S代表了一个瑜伽者动作的所有加速度数据;
所述样本特征矩阵的计算过程如下:把第i个传感器中k方向的单向数据向量Vik进行处理和特征提取后,得到的向量记为Wik,并统称为单向特征向量W;三向特征矩阵E由单向特征向量W组成,第i个传感器的三向特征矩阵Ei=(Wix,Wiy,Wiz)(i∈ [1,m]),把m个三向特征矩阵全部组合起来,形成样本特征矩阵T=(E1,…,Em),样本特征矩阵T代表了瑜伽运动者动作的所有加速度特征;
所述的标准特征矩阵T*计算过程如下:
(1)采集一个固定瑜伽动作s*t个样本数据矩阵S,样本数据矩阵S包含有3m个单向数据向量,对单向数据向量进行特征提取,将单向数据向量V变成单向特征向量W ,步骤如下:
(1.1)进行单向数据向量V滤波去噪、数据分组、数据补零填充处理以及数据拟合处理;
(1.2)获取初始单向特征向量V;
(1.3)对初始单向特征向量V消冗处理,去掉冗余数据;
(2).使用步骤1.1-1.3方法将样本数据矩阵S的 3m个单向数据向量化为3m个单向特征向量,3m个单向特征向量组成样本特征矩阵T,定义获取第i个传感器第k方向的标准单向特征向量Wik*,以及获取用户单向数据向量转化成单向特征向量时,使用的最佳阈值Fik*、最佳窗口长度Nik*的具体方法;具体步骤如下:
(2.1)从样本数据矩阵S中取出第i个传感器中k方向的单向数据向量Vik,共取出s*t个单向数据向量,代表不同样本中同一个传感器同一个方向的单向数据矩阵;把第j个样本数据矩阵Sj中第i个传感器k方向的单向数据向量记为Vjik,则所有s*t个Vik组成的选优矩阵Uik =(V1ik,V2ik,…,V(s*t)ik);然后将选优Uik中的Vjik向量依次代入上面对瑜伽教练的单向数据向量V提取特征的步骤,每次Vjik向量代入都使用相同的相同窗口长度N和阈值F,最终获得s*t个关于i传感器k方向的特征序列向量{W1ik,W2ik,…,W(s*t)ik};
(2.2)在当前的窗口长度N和阈值F下,统计上一步获得的所有特征序列向量{W1ik,W2ik,…,W(s*t)ik}中相同的个数,记为C;
(2.3)改变窗口长度N和阈值F,重复步骤2.1)~步骤2.2),直到第n次结束;比较每一次迭代中C的大小,若第p次迭代C值最大,则将第p次的阈值F、窗口长度N和特征序列向量分别作为第i个传感器k方向的最佳阈值Fik*、最佳窗口长度Nik*及标准单向特征向量Wik*,存入数据库;
(3).一个固定的瑜伽动作通过步骤2.3可以得到其第i个传感器k方向的标准单向特征向量Wik*,以及第i个传感器k方向的单向数据向量Vik要转换成单向特征向量Wik时对应的最佳阈值Fik*及最佳窗口长度Nik*的大小,
标准特征矩阵T*由3m个标准单向特征向量W*组成;因此,通过重复上面的2.1-2.3三个步骤,就可以获取所有的3m个最佳阈值Fik*、最佳窗口长度Nik*及标准特征序列Wik*,将最佳阈值Fik*、最佳窗口长度Nik*及标准特征序列Wik*组合到一起,便得到最终最佳阈值向量F*、最佳窗口长度向量N*及标准特征矩阵T*。
2.根据权利要求1所述的一种基于多加速度传感器的瑜伽动作识别方法,其特征在于,
步骤1.1所述滤波去噪、数据分组、数据补零填充处理以及数据拟合处理步骤包括:
初始化窗口长度N,将滤波以后的单向数据向量V划分成若干组长度为N的数据,若数据长度不是N的整数倍,则通过补零进行处理;初始化一个阈值F,取出每一组数据中的最大值和最小值,求二者的差值,若二者的差值大于事先设定好的阈值F,则用第一点和最后一点的连线来对原曲线进行拟合,若小于阈值F,则将组内所有的数据点都设置为第一点的值;
步骤1.2所述获取初始单向特征向量V,步骤包括:
计算处理后的每组数据中最后一点和第一点的差值为m,若m>0,则代表该组数据呈上升趋势,其特征值用1表示,若m=0,则代表该组数据基本保持不变,其特征值用0表示,若m<0,则代表该组数据呈下降趋势,其特征值用-1表示,从而获得一个初始的特征值序列;
步骤1.3所述对初始单向特征向量V消冗处理,去掉冗余数据,步骤包括:
判断初始单向特征向量每一个特征值,如果它的特征值为0且在序列中的位置既不是第一个也不是最后一个,则判断它的前一位特征值和后一位特征值是否相等,如果相等,则删除该特征值;从第二个特征值开始,若当前特征值与前一位特征值相等,则删除当前特征值。
3.根据权利要求1-2任一项所述的一种基于多加速度传感器的瑜伽动作识别方法,其特征在于,步骤S4所述的匹配过程如下:
将待测瑜伽运动者单向数据矩阵进行特征提取化为瑜伽运动者单向特征矩阵,将瑜伽运动者特征矩阵与标准单向特征序列W*进行比对,若所有单向数据向量均与数据库对应的标准单向特征序列一致,则瑜伽动作匹配成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811394257.4A CN109740418B (zh) | 2018-11-21 | 2018-11-21 | 一种基于多加速度传感器的瑜伽动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811394257.4A CN109740418B (zh) | 2018-11-21 | 2018-11-21 | 一种基于多加速度传感器的瑜伽动作识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740418A CN109740418A (zh) | 2019-05-10 |
CN109740418B true CN109740418B (zh) | 2022-10-14 |
Family
ID=66357042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811394257.4A Active CN109740418B (zh) | 2018-11-21 | 2018-11-21 | 一种基于多加速度传感器的瑜伽动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740418B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823255B (zh) * | 2019-11-25 | 2023-04-14 | 西安爱生技术集团公司 | 一种基于比力观测无需调平引北的系统级自标定方法 |
WO2022088290A1 (zh) * | 2020-10-28 | 2022-05-05 | 中国科学院深圳先进技术研究院 | 运动评估方法、装置、系统及存储介质 |
CN113014725A (zh) * | 2021-02-19 | 2021-06-22 | 北京字节跳动网络技术有限公司 | 设备姿态确定的方法及装置、终端和非暂时性存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7657394B1 (en) * | 2007-03-12 | 2010-02-02 | Livermore Software Technology Corporation | Direct determination of rigid body motion using data collected from independent accelerometers |
CN104765453A (zh) * | 2015-03-29 | 2015-07-08 | 中国海洋大学 | 一种基于内嵌三维加速计的手持设备的身份认证方法 |
CN105488794A (zh) * | 2015-11-26 | 2016-04-13 | 中山大学 | 一种基于空间定位和聚类的动作预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6705972B2 (ja) * | 2016-05-20 | 2020-06-03 | サイトセンシング株式会社 | 姿勢推定装置、姿勢推定方法、制御プログラム、および記録媒体 |
-
2018
- 2018-11-21 CN CN201811394257.4A patent/CN109740418B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7657394B1 (en) * | 2007-03-12 | 2010-02-02 | Livermore Software Technology Corporation | Direct determination of rigid body motion using data collected from independent accelerometers |
CN104765453A (zh) * | 2015-03-29 | 2015-07-08 | 中国海洋大学 | 一种基于内嵌三维加速计的手持设备的身份认证方法 |
CN105488794A (zh) * | 2015-11-26 | 2016-04-13 | 中山大学 | 一种基于空间定位和聚类的动作预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
"Measurement of Velocity and Acceleration of Human Movement for Analysis of Body Dynamics";Manoj S Nadig et al.;《International Journal of Advanced Research in Computer Science & Technology》;20150930;第3卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740418A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027487B (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
CN109740418B (zh) | 一种基于多加速度传感器的瑜伽动作识别方法 | |
CN103679151B (zh) | 一种融合LBP、Gabor特征的人脸聚类方法 | |
US10061389B2 (en) | Gesture recognition system and gesture recognition method | |
CN110531861A (zh) | 运动想象脑电信号的处理方法和装置及存储介质 | |
CN110287825B (zh) | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 | |
CN110490109B (zh) | 一种基于单目视觉的在线人体康复动作识别方法 | |
CN107516127B (zh) | 服务机器人自主获取人穿携物品归属语义的方法及系统 | |
CN110658915A (zh) | 一种基于双流网络的肌电信号手势识别方法 | |
CN105868519A (zh) | 人体特征数据的处理方法及装置 | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN110464356B (zh) | 一种运动能力综合监测方法及系统 | |
CN110633624A (zh) | 一种基于多特征融合的机器视觉人体异常行为识别方法 | |
CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
CN113856132B (zh) | 一种跳绳动作识别系统、方法及跳绳 | |
CN111401435A (zh) | 一种基于运动手环的人体运动模式识别方法 | |
CN115227234A (zh) | 一种基于摄像头的心肺复苏按压动作评估方法与系统 | |
CN114241270A (zh) | 一种家庭护理智能监督方法、系统及装置 | |
CN112818942B (zh) | 一种车辆行驶过程中行人动作识别方法和系统 | |
CN115105056A (zh) | 识别用户动作的方法和系统 | |
CN110008847A (zh) | 一种基于卷积神经网络的泳姿识别方法 | |
CN110705599B (zh) | 一种基于在线迁移学习的人体动作识别方法 | |
CN111291804A (zh) | 基于注意力机制的多传感器时间序列分析模型 | |
CN114764580A (zh) | 一种基于无穿戴设备的实时人体手势识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |