CN110575663B - 一种基于人工智能的体育辅助训练方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的体育辅助训练方法，根据训练者的个人档案数据和训练策略数据构建用户模型，并通过协同过滤推荐算法建立推荐模型，为后续的训练人员提供训练策略的推荐，训练过程中，采集训练者的运动时长、图像数据、运动视频数据、交互数据，分析运动训练过程中的视频数据和图像数据，并根据锻炼结果评估训练者的体能与运动强度，将运动训练过程中的视频数据和图像数据得到的结果和训练过程中的其它数据作为运动记录加入到个人档案中，更新用户模型提高推荐算法的质量和精度，解决了运动训练过程中的动作分析和动作质量评估问题。

Description

一种基于人工智能的体育辅助训练方法

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于人工智能的体育辅助训练方法。

背景技术

近年来随着计算机技术与人工智能的发展和应用，基于人工智能的人体动作分析技术迅速兴起并得到了广泛的关注。当前基于人工智能的人体动作分析仍是一个极具挑战性的课题，涉及图像处理、模式识别、信号处理、人工智能等多个学科，在智能监控、人机交互、康复运动、体育训练等领域有着广泛的应用前景；

人体动作分析是人体行为分析研究的一种，而目前人体动作分析中多数研究的方向是动作识别，动作识别的目的主要是行为的分类，而动作分析研究关注的重点是动作的评估，即该动作是否符合规范以及哪里需要改进。由于人体是具有单独思维能力的个体生物，人体动作就会受到主观因素的影响，不同人体的动作就会产生速度快慢不同，力度不同等问题，如此诸多因素就造成了动作时间上的不同步问题，同时动作序列也属于高维度数据序列，这些都增加了动作比对分析研究的难度。

目前在动作对比分析和运动质量评估方面的研究工作较少，专业的人体运动动作分析人员缺乏，无法进行合理的指导。所以发明一种鲁棒性高，时间开销稳定的人体动作对比分析方法，对于运动过程中的动作分析和动作质量评估具有重要的意义。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供一种基于人工智能的体育辅助训练方法，具有构思巧妙、人性化设计的特性，解决了运动训练过程中的动作分析和动作质量评估问题。

其解决的技术方案是，一种基于人工智能的体育辅助训练方法,包括如下步骤：

步骤1：根据训练者的个人档案数据和训练策略数据构建用户模型，并通过协同过滤推荐算法建立推荐模型，为后续的训练人员提供训练策略的推荐，随着训练人员的增多能够进一步提升推荐算法的准确度；

步骤2：训练过程中，采集训练者的运动时长、图像数据、运动视频数据、交互数据；

步骤3：分析运动训练过程中的视频数据和图像数据，通过人工智能的方法即时回馈告诉训练者动作是否标准，并根据锻炼结果评估训练者的体能与运动强度，发掘可改善之处，进而提出更有效的训练方式，通过不断的交互为训练者提供更精准的推荐服务；

步骤4：将运动训练过程中的视频数据和图像数据得到的结果和训练过程中的其它数据作为运动记录加入到个人档案中，更新用户模型提高推荐算法的质量和精度。

由于以上技术方案的采用，本发明与现有技术相比具有如下优点；

1.解决了运动训练过程中的实时动作分析和动作质量评估问题，为整个运动过程中的动作分析提供了参考依据，在远程体育教学和体育训练追踪方面都有很大价值，本发明的结果准确性高、适应性强、健壮性高、可扩展性好，完全能够满足体育训练场景下的各种需求。

附图说明

图1人工智能体育辅助训练总体流程图；

图2推荐系统模型图；

图3是跳绳过程中的14个点的人体姿态估计图；

图4人体关键点在直角坐标系中呈现图；

图5人体关键点在极坐标系中呈现图；

图6视频分析网络结构图。

具体实施方式

有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至图6对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。

实施例一，参看图1，体育辅助训练主要包含六个部分：对用户进行建模，对数据进行预处理，提供原始推荐算法，对交互信息进行处理，丰富用户档案数据提高推荐质量；

其中所述的用户建模过程为收集训练者的姓名、性别、年龄、体重、身高、关于单摇双脚跳的项目问卷；

其中所述的对数据进行预处理包括利用键值对{k,i}将字符串k转换成数值i，包括对性别进行数值化处理{“女“，0}，{”男“，1}，提取问卷内容进行预处理；

其中所述的推荐算法为根据个人档案数据，为每个人制定一套训练策略，并利用个人档案数据和训练策略数据构建用户模型，并通过协同过滤推荐算法建立推荐模型，为后续的训练人员提供训练策略的推荐，随着训练人员的增多进一步提升推荐算法的准确度；

参看图2在本发明中选择基于用户的协同过滤推荐算法，其构建过程为：

步骤M1：将个人档案数据和训练策略相结合，并对数据进行数值化操作，构建用户特征矩阵M和训练策略矩阵N；

步骤M2：寻找近邻，在得到用户特征矩阵M和训练策略矩阵N后，根据相似性方法计算出目标用户和其他用户的相似度；

余弦相似度：

和

是用户u和v的特征向量；

步骤M3，产生推荐,通过步骤M2得到目标用户的最邻近集合，用S表示,对S进行从高到低的排序，生成Top-N排序，根据训练策略矩阵N将最佳结果推荐给用户；

参看图1，其中所述的交互信息为根据推荐的运动策略记录训练者的后续的训练过程，训练过程数据包括但不限于：运动时长、图像数据、运动视频数据、交互数据；

其中分析运动训练过程中的视频数据和图像数据，通过人工智能的方法即时回馈告诉训练者动作是否标准，并根据锻炼结果评估训练者的体能与运动强度，发掘可改善之处，进而提出更有效的训练方式，这是一个持续的过程，通过不断的交互为训练者提供更精准的推荐服务。

参看图1，将运动训练过程中的视频数据和图像数据得到的结果和训练过程中的其它数据作为运动记录加入到个人档案中，更新用户模型提高推荐算法的质量和精度；

参看图2，其中所述的运动分析为，通过人工智能的方法获取后续交互信息中的运动动作的评估，其中图片的处理方式参考视频的处理方式；

运动动作评估过程为：获取用户提交的运动视频数据，并对视频数据进行预处理，建立深度学习模型进行动作评估；

参看图3，其中所述的视频预处理为将视频的高设定为530cm,宽设定为460cm的统一格式；利用关键点检测方法对获得视频中每帧人体的鼻子、脖子、右肩、右手肘、右手腕、左肩、左手肘、左手腕、右臀部、右膝盖、右脚踝、左臀部、左膝盖、左脚踝这14个关节点的坐标位置，坐标表示为C_i＝(cx_i,cy_i)，其中i从1到14；

其中所述的关键点检测方法为：利用PaddlePaddle中计算机视觉模型库的关键点检测-Simple Baselines方法获得。

参看图3，图4,对所得的14个关键点坐标以左臀部、右臀部和脖子三点构成的三角形重心为原点定义一个坐标系，并将直角坐标系转换成极坐标系，得到转换后的坐标矩阵P。其中坐标原点是利用得到的左臀部C₁₁＝(cx₁₁,cy₁₁)、右臀部C₈＝(cx₈,cy₈)和脖子C₁＝(cx₁,cy₁)这三个坐标得到。

定义坐标原点，即，C₁、C₁₁、C₈三点的重心点C₀＝(cx₀,cy₀),其中

并以原点坐标为参照更新所有坐标点；

参看图5，将直角坐标系转换成极坐标的形式，极坐标pc_i＝(ρ_i,θ_i)，其中i从1到1,4，

限定ρ>0，-π<θ≤π。

其中特征序列为累计每帧得到的坐标矩阵P，得到每段视频的累计坐标矩阵D，利用滑动窗口对累计坐标矩阵进行窗口分割，即，滑动窗口长度设置为每20帧得到的累计坐标，步长设置为有50％的数据重叠；

其中数据的标签是通过专业人员对视频进行分析，并按时间片段进行标记而得到，数据的标签设定为身体保持直立是否、左大臂加紧身体是否、右大臂加紧身体是否、手腕摇绳是否、双脚合拢是否、左右臂保持水平是否共6个标签，共有64中可能；

构建数据的特征集X和标签集Y，其中X＝R^d表示d维的输入空间，d的大小为36，Y＝{0,1}^q，表示可能标签的标签空间，q的大小为6，T＝(xⁱ,yⁱ)|1≤i≤m，m表示数据集的大小，数据集的大小为6300，xⁱ∈X，是一个36维的向量，yⁱ∈Y是Y的一个标签子集，共收集了40个人的正摇双脚跳视频，获得6300个样例数据。

参看图6，利用深度神经网络构建6标签分类器h(·)，预测

作为x的正确标签集，其步骤为：

步骤S1:利用BiGRU+Attention构建深度神经网络模型，即，一个双向的GRU层加上一个Attention层；

步骤S2：将数据分为训练集和测试集两个部分，利用测试集训练训练网络模型，并保存预训练模型；

步骤S3：将测试数据输入到训练好的模型中，得到分类的结果。

BiGRU是一个双向GRU，双向GRU有两个GRU上下叠加在一起组成，输出有两个GRU的状共同决定其中一个递归网络从前往后计算隐向量

另一个递归神经网络从后往前计算隐向量

最后的输出

构建网络模型时，为了加速模型学习速度，避免过拟合，在最后一层加入Dropout层；

为了实现多标签分类，最后一层激活函数设置为sigmoid激活函数,损失函数选择二元交叉熵binary_crossentropy损失函数。训练网络时将GRU隐藏层的维度设置为256，参数更新时采用Adamx优化算法，其中学习率设置为0.02，一阶矩估计的指数衰减率(beta1)设置为0.9，二阶矩估计的指数衰减率(beta2)设置为0.999。

本发明具体使用时，一种基于人工智能的体育辅助训练方法,包括如下步骤：

步骤1：根据训练者的个人档案数据和训练策略数据构建用户模型，并通过协同过滤推荐算法建立推荐模型，为后续的训练人员提供训练策略的推荐，随着训练人员的增多能够进一步提升推荐算法的准确度；

步骤2：训练过程中，采集训练者的运动时长、图像数据、运动视频数据、交互数据；

步骤3：分析运动训练过程中的视频数据和图像数据，通过人工智能的方法即时回馈告诉训练者动作是否标准，并根据锻炼结果评估训练者的体能与运动强度，发掘可改善之处，进而提出更有效的训练方式，通过不断的交互为训练者提供更精准的推荐服务；

步骤4：将运动训练过程中的视频数据和图像数据得到的结果和训练过程中的其它数据作为运动记录加入到个人档案中，更新用户模型提高推荐算法的质量和精度；

在执行步骤1时，所述的推荐算法为基于用户的协同过滤推荐算法，其构建过程为：

步骤A1：将个人档案数据和训练策略相结合，并对数据进行数值化操作，构建用户特征矩阵M和训练策略矩阵N；其中数值化操作为利用键值对{k,i}将字符串k转换成数值i；

步骤A2：寻找近邻，在得到用户特征矩阵M和训练策略矩阵N后，根据相似性方法计算出目标用户和其他用户的相似度；

余弦相似度

其中

和

是用户u和v的特征向量；

步骤A3，产生推荐,通过步骤A2得到目标用户的最邻近集合，用S表示,对S进行从高到低的排序，生成Top-N排序，根据训练策略矩阵N将最佳结果推荐给用户。

以上所述是结合具体实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施仅局限于此；对于本发明所属及相关技术领域的技术人员来说，在基于本发明技术方案思路前提下，所作的拓展以及操作方法、数据的替换，都应当落在本发明保护范围之内。

Claims (3)

1.一种基于人工智能的体育辅助训练方法,其特征在于,包括如下步骤：

步骤1：根据训练者的个人档案数据和训练策略数据构建用户模型，并通过协同过滤推荐算法建立推荐模型，为后续的训练人员提供训练策略的推荐，随着训练人员的增多能够进一步提升推荐算法的准确度；

步骤2：训练过程中，采集训练者的运动时长、图像数据、运动视频数据、交互数据；

步骤3：分析运动训练过程中的视频数据和图像数据，通过人工智能的方法即时回馈告诉训练者动作是否标准，并根据锻炼结果评估训练者的体能与运动强度，发掘可改善之处，进而提出更有效的训练方式，通过不断的交互为训练者提供更精准的推荐服务；

步骤4：将运动训练过程中的视频数据和图像数据得到的结果和训练过程中的其它数据作为运动记录加入到个人档案中，更新用户模型提高推荐算法的质量和精度；

在执行步骤1时，所述的推荐算法为基于用户的协同过滤推荐算法，其构建过程为：

步骤A1：将个人档案数据和训练策略相结合，并对数据进行数值化操作，构建用户特征矩阵M和训练策略矩阵N；其中数值化操作为利用键值对{k,i}将字符串k转换成数值i；

步骤A2：寻找近邻，在得到用户特征矩阵M和训练策略矩阵N后，根据相似性方法计算出目标用户和其他用户的相似度；

余弦相似度

其中

和

是用户u和v的特征向量；

步骤A3，产生推荐,通过步骤A2得到目标用户的最邻近集合，用S表示,对S进行从高到低的排序，生成Top-N排序，根据训练策略矩阵N将最佳结果推荐给用户；

在执行步骤3时，步骤B1:对视频数据进行预处理，并对视频中每一帧的人体进行姿态估计，得到关键点坐标，其步骤如下：

步骤C1:将不同手机拍摄的视频数据转换成统一的尺度；

步骤C2：利用关键点检测方法对获得视频中每帧人体的鼻子、脖子、右肩、右手肘、右手腕、左肩、左手肘、左手腕、右臀部、右膝盖、右脚踝、左臀部、左膝盖、左脚踝这14个关节点的坐标位置，坐标表示为C_i＝(cx_i,cy_i)，其中i从1到14；

其中所述的关键点检测方法为：利用PaddlePaddle中计算机视觉模型库的关键点检测-Simple Baselines方法获得；

步骤B2：对所得的14个关键点进行归一化处理并将坐标以左臀部、右臀部和脖子三点构成的三角形重心为原点定义一个坐标系，并将直角坐标系转换成极坐标系，获得转换后的坐标矩阵P；

其中关键点归一化的方法是x坐标除以图片的宽度，y坐标除以图片的长度；

步骤B3：通过专业人员对视频进行分析，按时间段进行标记，记录并保存得到的标签；

步骤B4：累计每帧得到的坐标矩阵P，得到每段视频的累计坐标矩阵D，利用滑动窗口对累计坐标矩阵进行窗口分割，即，滑动窗口长度设置为每20帧得到的累计坐标，步长设置为有50％的数据重叠；

步骤B5：利用累计坐标矩阵D，构建数据的特征集X和标签集Y，其中X＝R^d表示d维的输入空间，Y＝{0,1}^q，表示可能标签的标签空间，T＝(xⁱ,yⁱ)|1≤i≤m，m表示数据集的大小，xⁱ∈X，是一个d维的向量，yⁱ∈Y是Y的一个标签子集；

步骤B6：利用深度神经网络构建多标签分类器h(·)，预测

作为x的正确标签集，其步骤为：

步骤D1:利用BiGRU+Attention构建深度神经网络模型，即，一个双向的GRU层加上一个Attention层；

步骤D2：将数据分为训练集和测试集两个部分，利用测试集训练训练网络模型，并保存预训练模型；

步骤D3：将测试数据输入到训练好的模型中，得到分类的结果。

2.如权利要求1所述一种基于人工智能的体育辅助训练方法,其特征在于，在执行步骤C2时，得到左臀部C₁₁＝(cx₁₁,cy₁₁)、右臀部C₁₅＝(cx₁₅,cy₁₅)和脖子C₂＝(cx₂,cy₂)的坐标，定义坐标原点，即，C₂、C₁₁、C₁₅三点的重心点C₀＝(cx₀,cy₀),其中

并以原点坐标为参照更新所有坐标点， 将直角坐标系转换成极坐标的形式，极坐标pc_i＝(ρ_i,θ_i)，其中i从1到14，

限定ρ＞0，-π＜θ≤π；

在执行步骤D1时，GRU模型作为LSTM长短期记忆网络的一种变体，将忘记门和输入门合成了一个单一的更新门，BiGRU是一个双向GRU，双向GRU有两个GRU上下叠加在一起组成，输出有两个GRU的状共同决定，其中一个递归网络从前往后计算隐向量

另一个递归神经网络从后往前计算隐向量

最后的输出

3.如权利要求1所述一种基于人工智能的体育辅助训练方法,其特征在于，构建网络模型时，为了加速模型学习速度，避免过拟合，在最后一层加入Dropout层，为了实现多标签分类，最后一层激活函数设置为sigmoid激活函数,损失函数选择二元交叉熵binary_crossentropy损失函数。

Images