CN110478883B - 一种健身动作教学及矫正系统及方法 - Google Patents

一种健身动作教学及矫正系统及方法 Download PDF

Info

Publication number
CN110478883B
CN110478883B CN201910772413.4A CN201910772413A CN110478883B CN 110478883 B CN110478883 B CN 110478883B CN 201910772413 A CN201910772413 A CN 201910772413A CN 110478883 B CN110478883 B CN 110478883B
Authority
CN
China
Prior art keywords
action
building
video
feature
server
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
CN201910772413.4A
Other languages
English (en)
Other versions
CN110478883A (zh
Inventor
臧强
田浪
陈炜峰
胡凯
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.)
Nanjing efei Scientific Instrument Co.,Ltd.
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201910772413.4A priority Critical patent/CN110478883B/zh
Publication of CN110478883A publication Critical patent/CN110478883A/zh
Application granted granted Critical
Publication of CN110478883B publication Critical patent/CN110478883B/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
    • A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/806—Video cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种健身动作教学及矫正系统，包括服务器、摄像头、显示屏和音响，所述服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，所述服务器与摄像头连接来获取使用者的健身动作视频，所述服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，所述服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。本发明能够提供标准的健身动作，通过对比自身动作给予错误指出与修改的意见，用虚拟人物直观的体现自身动作与标准动作的差距，及时的规范自身动作，避免因错误健身造成的身体伤害，提高健身的效率。

Description

一种健身动作教学及矫正系统及方法
技术领域
本发明涉及人机交互技术领域，具体涉及一种健身动作教学及矫正系统及方法。
背景技术
随着时代与科技的快速发展，越来越多的便捷化工具在方便人们生活的同时，也使得人们日常的活动量减少。亚健康的人群不断的壮大，越来越多的人们为保证自身的身体健康投入到健身运动中。为锻炼身体的各方面，大部分人选择进入健身房中锻炼。为得到好的健身效果，人们不仅要了解健身器材的使用方法，还应该学习使用健身器材时的标准健身动作。
目前，对健身动作的学习常用的方法是通过教练当场进行现场教学，自我观看一些健身的教学视频或者请有健身经验的朋友进行简单的教学。大多数情况都是靠自己学习，使得健身的动作并不规范，健身带来的效果低下，这常常导致人们不能长期坚持健身的原因。此外，错误的健身动作不仅无法起到锻炼身体的作用，反而会造成身体的其他部位的损伤。有人提出采用穿戴一些设备，实时监测人体运动状况。虽然可以通过传感器获取大量人体信息进行事后分析，并根据分析提出建议。但传感器的使用会给健身的行为带来不便，而且无法给予使用者实时的指导意见，精准且及时的规范健身者的动作。
如果存在一种设备，能够实现以下的任务：1、无需过多的设备接触，仅通过视觉获取当前器材使用者的行为动作状况，识别出使用者的行为动作，从动作库中调出整套相关标准动作。2、根据循环神经网络(RNN)预测出当前使用者的下一步动作，并与动作库中的标准动作进行对比，实时输出对比结果，在显示屏上显示偏差。这样可以给使用者一个实时的反馈结果，用于及时的更正自身健身的动作。长期下来不仅能够规范自我的健身动作，避免因错误健身造成的身体伤害，也能减少健身教练过少，学员日渐增多的问题。对于普通健身者们也能减少聘请教练的消费，提高健身效率。
在现有技术中，公开号为CN201610806241.4的中国专利文献公布一种数字化健身系统，该文中采用各种传感器模块来获取人体当前的动作行为，过多的传感器穿戴给使用者的健身带来不便。此外，该文献中的指导也是通过系统自带投放功能反复观看教学视频与指导视频，没有实时的指出错误或给于更正的方法。
发明内容
本发明所要解决的技术问题是提供一种健身动作教学及矫正系统及方法来使得健身动作矫正方便快捷。
为解决以上技术问题，本发明的技术方案为：提供一种健身动作教学及矫正系统，其创新点在于：包括服务器、摄像头、显示屏和音响，服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，服务器与摄像头连接来获取使用者的健身动作视频，服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。
进一步的，述服务器为Dell服务器，所述服务器使用8核2.60Ghz CPU，内存为128G。
为解决以上技术问题，本发明还提供一种健身动作教学及矫正方法，其创新点在于：具体包括以下步骤：
(1)摄像头获取使用者的健身动作视频，将使用者的健身动作视频发送给服务器；
(2)收集所有健身动作的标准动作姿势，在服务器内建立一个完整的标准健身动作库；
(3)人体行为识别：服务器对接收到的使用者的健身动作视频，运用人体骨骼检测与循环神经网络RNN进行人体行为识别，并构建虚拟人物在显示屏上显示人体的行为动作；
(4)人体行为预测：根据步骤(3)构建的虚拟人物显示行为动作，运用循环神经网络RNN算法预测出使用者下一步的健身动作；
(5)人体行为矫正：从标准健身动作库中调出与预测动作相应的标准动作，将预测的使用者的健身动作与标准健身动作库调出的标准动作均通过两组虚拟人物显示在显示屏上，通过服务器对显示屏上的两个动作显示进行对比判断，在显示屏上输出差异值，提出修正意见。
进一步的，所述步骤(3)中人体行为识别的具体步骤如下：
①收集不同健身人群的各类健身动作视频，并将收集到的健身动作视频作为训练与测试视频集；
②对步骤①中收集的健身动作视频的视频帧进行密集采样，提取稠密轨迹构建特征描述子，采集方向梯度直方图HOG和轨迹形状作为形状描述符，利用光流直方图HOF和运动边界直方图MBH作为运动描述符，最终得到一个426维的描述符；
③视频帧的特征提取：提取视频帧的稠密轨迹，计算特征向量，使用特征编码VLAD对视频帧的稠密轨迹特征进行编码，取高斯聚类的个数K，得到视频每一帧维数为K*D特征向量，D为特征描述子的维度；
④利用余弦相似度分析获取有效视频帧序列；
⑤采用时间序池化利用排序函数按照时间相对顺序排序有效视频帧特征，通过参数向量u来获取视频序列动态信息；
⑥使视频帧特征序列学习RankSVM，并将学习得到的视频序列随时间变化的动态特征向量u*作为视频特征向量；用获取的视频特征向量u*训练SVM分类器实现最终的人体行为识别。
进一步的，所述步骤④中利用余弦相似度分析获取有效视频帧序列的具体步骤如下：
A.对获取的视频帧序列中的特征向量采用余弦相似度分析，设置阈值为T，将余弦相似度大于阈值的两个特征向量中的后者剔除，得到紧密的有效视频帧特征序列；
B.对获取的有效视频特征序列中的每一帧特征进行平滑处理操作，计算其时变均值向量。
进一步的，所述步骤(4)中的人体行为预测具体步骤包括：
①训练循环神经网络模型：用步骤(2)和(3)中的标准健身动作库和视频集作为训练与测试的数据集，设计随时间反向传播算法BPTT来更新权重参数V、W、U；
②动作预测：将步骤(3)识别的当前使用者的动作输入到循环网络中预测出下一步动作，并用虚拟人物显示在显示屏上。
进一步的，所述步骤①中设计随时间反向传播算法BPTT来更新权重参数V、W、U步骤包括：
A.前向计算每个神经元的输出值：计算公式为：
st＝f(Uxt+Wst-1)
公式中st、xt、st-1为向量，U、W为矩阵表示权重，f(x)为激活函数；
B.反向计算每个神经元的误差项δj的值：δj是误差函数E对神经元j的加权输入neti的偏导数，计算如下：
nett＝Uxt+Wst-1
Figure GDA0002703820240000051
Figure GDA0002703820240000052
上述公式中Diag[a]表示根据向量a创建一个对角矩阵，fl-1为第l-1层激活函数，
Figure GDA0002703820240000053
为第l-1层的t时刻的加权输入；
C.计算每个权重的梯度：先计算误差函数E对权重矩阵W的梯度
Figure GDA0002703820240000054
即权重W在t时刻的梯度
Figure GDA0002703820240000055
再计算权重矩阵在各个时刻的梯度和
Figure GDA0002703820240000056
与
Figure GDA0002703820240000057
Figure GDA0002703820240000058
Figure GDA0002703820240000061
D.随机梯度下降算法更新权重参数V、U、W。
进一步的，所述步骤(5)中在显示屏上输出差异值，提出修正意见包括：在显示屏上的预测的使用者的虚拟人物上标示出于标准动作的差异处，给使用者提出合理的建议。
本发明和现有技术相比，产生的有益效果为：
本发明基于现有的人工智能技术，提供一种虚拟健身动作教学及矫正系统和方法，能够提供标准的健身动作，通过对比自身动作给予错误指出与修改的意见，用虚拟人物直观的体现自身动作与标准动作的差距，及时的规范自身动作，避免因错误健身造成的身体伤害，提高健身的效率。
附图说明
为了更清晰地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种虚拟健身动作教学及矫正系统的系统框图。
图2为本发明的一种虚拟健身动作教学及矫正方法的流程图。
图3为本发明的一种虚拟健身动作教学及矫正方法中的人体行为识别流程图。
图4为本发明的一种虚拟健身动作教学及矫正方法中的人体行为预测和矫正流程图。
具体实施方式
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。
本发明提供的一种健身动作教学及矫正系统，系统框图如图1所示，包括服务器、摄像头、显示屏和音响，服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，服务器与摄像头连接来获取使用者的健身动作视频，服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。述服务器为Dell服务器，所述服务器使用8核2.60Ghz CPU，内存为128G。
本发明还提供一种健身动作教学及矫正方法，如图2所示，具体包括以下步骤：
(1)摄像头获取使用者的健身动作视频，将使用者的健身动作视频发送给服务器。
(2)收集所有健身动作的标准动作姿势，在服务器内建立一个完整的标准健身动作库。
(3)人体行为识别：如图3所示，服务器对接收到的使用者的健身动作视频，运用人体骨骼检测与循环神经网络RNN进行人体行为识别，并构建虚拟人物在显示屏上显示人体的行为动作，其中，人体行为识别的具体步骤如下：
①收集不同健身人群的各类健身动作视频，并将收集到的健身动作视频作为训练与测试视频集；本发明收集动作视频1000份，700份视频作为训练集，300份作为测试视频集；
②对步骤①中收集的健身动作视频的视频帧进行密集采样，提取稠密轨迹构建特征描述子，采集方向梯度直方图HOG和轨迹形状作为形状描述符，利用光流直方图HOF和运动边界直方图MBH作为运动描述符，最终得到一个426维的描述符；
③视频帧的特征提取：提取视频帧的稠密轨迹，计算特征向量，使用特征编码VLAD对视频帧的稠密轨迹特征进行编码，取高斯聚类的个数K，得到视频每一帧维数为K*D特征向量，D为特征描述子的维度，本发明的K取值为256；
④利用余弦相似度分析获取有效视频帧序列，步骤如下：
A.对获取的视频帧序列中的特征向量采用余弦相似度分析，设置阈值为T，将余弦相似度大于阈值的两个特征向量中的后者剔除，得到紧密的有效视频帧特征序列；本发明的T值取值为0.8；
B.对获取的有效视频特征序列中的每一帧特征进行平滑处理操作，计算其时变均值向量；
⑤采用时间序池化利用排序函数按照时间相对顺序排序有效视频帧特征，通过参数向量u来获取视频序列动态信息；
⑥使视频帧特征序列学习RankSVM，并将学习得到的视频序列随时间变化的动态特征向量u*作为视频特征向量；用获取的视频特征向量u*训练SVM分类器实现最终的人体行为识别。
(4)人体行为预测：根据步骤(3)构建的虚拟人物显示行为动作，运用循环神经网络RNN算法预测出使用者下一步的健身动作；其中，人体行为预测具体步骤包括：
①训练循环神经网络模型：用步骤(2)和(3)中的标准健身动作库和视频集作为训练与测试的数据集，设计随时间反向传播算法BPTT来更新权重参数V、W、U；本发明选择的循环神经网络有5个隐藏层，每个隐藏层256个记忆单元，其中，设计随时间反向传播算法BPTT来更新权重参数V、W、U步骤包括：
A.前向计算每个神经元的输出值：计算公式为：
st＝f(Uxt+Wst-1)
公式中st、xt、st-1为向量，U、W为矩阵表示权重，f(x)为激活函数；
B.反向计算每个神经元的误差项δj的值：δj是误差函数E对神经元j的加权输入neti的偏导数，计算如下：
nett＝Uxt+Wst-1
Figure GDA0002703820240000091
Figure GDA0002703820240000092
上述公式中Diag[a]表示根据向量a创建一个对角矩阵，fl-1为第l-1层激活函数，
Figure GDA0002703820240000093
为第l-1层的t时刻的加权输入；
C.计算每个权重的梯度：先计算误差函数E对权重矩阵W的梯度
Figure GDA0002703820240000094
即权重W在t时刻的梯度
Figure GDA0002703820240000095
再计算权重矩阵在各个时刻的梯度和
Figure GDA0002703820240000096
与
Figure GDA0002703820240000097
Figure GDA0002703820240000101
Figure GDA0002703820240000102
D.随机梯度下降算法更新权重参数V、U、W；
②动作预测：将步骤(3)识别的当前使用者的动作输入到循环网络中预测出下一步动作，并用虚拟人物显示在显示屏上。
(5)人体行为矫正：从标准健身动作库中调出与预测动作相应的标准动作，将预测的使用者的健身动作与标准健身动作库调出的标准动作均通过两组虚拟人物显示在显示屏上，通过服务器对显示屏上的两个动作显示进行对比判断，在显示屏上输出差异值，提出修正意见，即在显示屏上的预测的使用者的虚拟人物上标示出于标准动作的差异处，给使用者提出合理的建议。人体行为预测和矫正流程图如图4所示。
上面所述的实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计构思的前提下，本领域中普通工程技术人员对本发明的技术方案作出的各种变型和改进均应落入本发明的保护范围，本发明的请求保护的技术内容，已经全部记载在技术要求书中。

Claims (6)

1.一种健身动作教学及矫正方法，其特征在于：具体包括以下步骤：
(1)摄像头获取使用者的健身动作视频，将使用者的健身动作视频发送给服务器；
(2)收集所有健身动作的标准动作姿势，在服务器内建立一个完整的标准健身动作库；
(3)人体行为识别：服务器对接收到的使用者的健身动作视频，运用人体骨骼检测与循环神经网络RNN进行人体行为识别，并构建虚拟人物在显示屏上显示人体的行为动作；
(4)人体行为预测：根据步骤(3)构建的虚拟人物显示行为动作，运用循环神经网络RNN算法预测出使用者下一步的健身动作；
(5)人体行为矫正：从标准健身动作库中调出与预测动作相应的标准动作，将预测的使用者的健身动作与标准健身动作库调出的标准动作均通过两组虚拟人物显示在显示屏上，通过服务器对显示屏上的两个动作显示进行对比判断，在显示屏上输出差异值，提出修正意见。
2.根据权利要求1所述的一种健身动作教学及矫正方法，其特征在于：所述步骤(3)中人体行为识别的具体步骤如下：
①收集不同健身人群的各类健身动作视频，并将收集到的健身动作视频作为训练与测试视频集；
②对步骤①中收集的健身动作视频的视频帧进行密集采样，提取稠密轨迹构建特征描述子，采集方向梯度直方图HOG和轨迹形状作为形状描述符，利用光流直方图HOF和运动边界直方图MBH作为运动描述符，最终得到一个426维的描述符；
③视频帧的特征提取：提取视频帧的稠密轨迹，计算特征向量，使用特征编码VLAD对视频帧的稠密轨迹特征进行编码，取高斯聚类的个数K，得到视频每一帧维数为K*D特征向量，D为特征描述子的维度；
④利用余弦相似度分析获取有效视频帧序列；
⑤采用时间序池化利用排序函数按照时间相对顺序排序有效视频帧特征，通过参数向量u来获取视频序列动态信息；
⑥使视频帧特征序列学习RankSVM，并将学习得到的视频序列随时间变化的动态特征向量u*作为视频特征向量；用获取的视频特征向量u*训练SVM分类器实现最终的人体行为识别。
3.根据权利要求2所述的一种健身动作教学及矫正方法，其特征在于：所述步骤④中利用余弦相似度分析获取有效视频帧序列的具体步骤如下：
A.对获取的视频帧序列中的特征向量采用余弦相似度分析，设置阈值为T，将余弦相似度大于阈值的两个特征向量中的后者剔除，得到紧密的有效视频帧特征序列；
B.对获取的有效视频特征序列中的每一帧特征进行平滑处理操作，计算其时变均值向量。
4.根据权利要求1所述的一种健身动作教学及矫正方法，其特征在于：所述步骤(4)中的人体行为预测具体步骤包括：
①训练循环神经网络模型：用步骤(2)和(3)中的标准健身动作库和视频集作为训练与测试的数据集，设计随时间反向传播算法BPTT来更新权重参数V、W、U；
②动作预测：将步骤(3)识别的当前使用者的动作输入到循环网络中预测出下一步动作，并用虚拟人物显示在显示屏上。
5.根据权利要求4所述的一种健身动作教学及矫正方法，其特征在于：所述步骤①中设计随时间反向传播算法BPTT来更新权重参数V、W、U步骤包括：
A.前向计算每个神经元的输出值：计算公式为：
st＝f(Uxt+Wst-1)
公式中st、xt、st-1为向量，U、W为矩阵表示权重，f(x)为激活函数；
B.反向计算每个神经元的误差项δj的值：δj是误差函数E对神经元j的加权输入neti的偏导数，计算如下：
nett＝Uxt+Wst-1
Figure FDA0002836687710000031
Figure FDA0002836687710000032
上述公式中Diag[a]表示根据向量a创建一个对角矩阵，fl-1为第l-1层激活函数，
Figure FDA0002836687710000033
为第l-1层的t时刻的加权输入；
C.计算每个权重的梯度：先计算误差函数E对权重矩阵W的梯度
Figure FDA0002836687710000034
即权重W在t时刻的梯度
Figure FDA0002836687710000035
再计算权重矩阵在各个时刻的梯度和
Figure FDA0002836687710000036
与
Figure FDA0002836687710000037
Figure FDA0002836687710000038
Figure FDA0002836687710000039
D.随机梯度下降算法更新权重参数V、U、W。
6.根据权利要求1所述的一种健身动作教学及矫正方法，其特征在于：所述步骤(5)中在显示屏上输出差异值，提出修正意见包括：在显示屏上的预测的使用者的虚拟人物上标示出于标准动作的差异处，给使用者提出合理的建议。
CN201910772413.4A 2019-08-21 2019-08-21 一种健身动作教学及矫正系统及方法 Active CN110478883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910772413.4A CN110478883B (zh) 2019-08-21 2019-08-21 一种健身动作教学及矫正系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910772413.4A CN110478883B (zh) 2019-08-21 2019-08-21 一种健身动作教学及矫正系统及方法

Publications (2)

Publication Number Publication Date
CN110478883A CN110478883A (zh) 2019-11-22
CN110478883B true CN110478883B (zh) 2021-04-13

Family

ID=68551760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910772413.4A Active CN110478883B (zh) 2019-08-21 2019-08-21 一种健身动作教学及矫正系统及方法

Country Status (1)

Country Link
CN (1) CN110478883B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401330B (zh) * 2020-04-26 2023-10-17 四川自由健信息科技有限公司 教学系统及采用该教学系统的智能镜
CN112422918A (zh) * 2020-11-18 2021-02-26 阔飞科技(南京)有限公司 视觉盲区教学观看方法、系统、拍摄装置
WO2022193330A1 (zh) * 2021-03-19 2022-09-22 深圳市韶音科技有限公司 一种运动监控方法及其系统
CN113627409B (zh) * 2021-10-13 2022-03-15 南通力人健身器材有限公司 一种健身动作识别监控方法及系统
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
CN114827660A (zh) * 2022-03-11 2022-07-29 华数传媒网络有限公司 一种基于机顶盒的ai健身系统及实现方法
CN115212544B (zh) * 2022-07-18 2024-04-30 成都拟合未来科技有限公司 一种用于健身训练的显示系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103816654A (zh) * 2012-11-19 2014-05-28 大连鑫奇辉科技有限公司 一种舞蹈训练系统
CN103816656A (zh) * 2012-11-19 2014-05-28 大连鑫奇辉科技有限公司 一种体操训练系统
CN107491648A (zh) * 2017-08-24 2017-12-19 清华大学 基于Leap Motion体感控制器的手部康复训练方法
CN109701229A (zh) * 2019-01-28 2019-05-03 重庆勤鸟圈科技有限公司 用户健身运动完成度评估系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003210638A (ja) * 2002-01-22 2003-07-29 Mitsuo Takatani ゴルフクラブヘッドの運動測定装置
CN105999670B (zh) * 2016-05-31 2018-09-07 山东科技大学 基于kinect的太极拳动作判定和指导系统及其指导方法
CN107220608B (zh) * 2017-05-22 2021-06-08 华南理工大学 一种篮球动作模型重建和防守的指导系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103816654A (zh) * 2012-11-19 2014-05-28 大连鑫奇辉科技有限公司 一种舞蹈训练系统
CN103816656A (zh) * 2012-11-19 2014-05-28 大连鑫奇辉科技有限公司 一种体操训练系统
CN107491648A (zh) * 2017-08-24 2017-12-19 清华大学 基于Leap Motion体感控制器的手部康复训练方法
CN109701229A (zh) * 2019-01-28 2019-05-03 重庆勤鸟圈科技有限公司 用户健身运动完成度评估系统

Also Published As

Publication number Publication date
CN110478883A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110478883B (zh) 一种健身动作教学及矫正系统及方法
Parisi et al. Human motion assessment in real time using recurrent self-organization
CN110575663B (zh) 一种基于人工智能的体育辅助训练方法
CN107766447A (zh) 一种使用多层注意力网络机制解决视频问答的方法
CN109670576B (zh) 一种多尺度视觉关注图像描述方法
CN109299657B (zh) 基于语义注意力保留机制的群体行为识别方法及装置
CN107153812A (zh) 一种基于机器视觉的运动辅助方法及系统
Avola et al. Deep temporal analysis for non-acted body affect recognition
Koubâa et al. Activity monitoring of islamic prayer (salat) postures using deep learning
CN113408852B (zh) 基于在线学习行为和深度神经网络的元认知能力评估模型
Dhanke et al. Recurrent neural model to analyze the effect of physical training and treatment in relation to sports injuries
Takano et al. Bigram-based natural language model and statistical motion symbol model for scalable language of humanoid robots
Zhang et al. Teaching chinese sign language with a smartphone
CN113435335B (zh) 微观表情识别方法、装置、电子设备及存储介质
CN113283334A (zh) 一种课堂专注度分析方法、装置和存储介质
CN107133971B (zh) 一种基于网络节点能量传递的人物异常轨迹检测方法
Li et al. Human sports action and ideological and PoliticalEvaluation by lightweight deep learning model
Su et al. The effect of physical training of athletes based on parametric bayesian estimation in the context of big data
CN115188074A (zh) 一种互动式体育训练测评方法、装置、系统及计算机设备
US20210245005A1 (en) Implementation of machine learning for skill-improvement through cloud computing and method therefor
Yashaswini et al. Stress detection using deep learning and IoT
Wang et al. Design of Sports Training Simulation System for Children Based on Improved Deep Neural Network
Zhao et al. Research on the identification and evaluation of aerobics movements based on deep learning
Wang et al. Analysis and research on human movement in sports scene
Liu et al. Optimizing the Training Mode of Swimmers Based on Deep Learning and Data Mining Technology

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220627

Address after: 210000 room 4748, building F8, No. 9, Kechuang Avenue, Zhongshan Science Park, Jiangbei new district, Nanjing, Jiangsu Province

Patentee after: Nanjing efei Scientific Instrument Co.,Ltd.

Address before: No. 219, ningliu Road, Jiangbei new district, Nanjing, Jiangsu 210044

Patentee before: Nanjing University of Information Science and Technology