CN110841262A - 一种基于可穿戴设备的足球训练系统 - Google Patents

一种基于可穿戴设备的足球训练系统 Download PDF

Info

Publication number
CN110841262A
CN110841262A CN201911244917.5A CN201911244917A CN110841262A CN 110841262 A CN110841262 A CN 110841262A CN 201911244917 A CN201911244917 A CN 201911244917A CN 110841262 A CN110841262 A CN 110841262A
Authority
CN
China
Prior art keywords
data
training
athlete
neural network
sensor
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
CN201911244917.5A
Other languages
English (en)
Inventor
丁仁涛
李中山
南音
谢志勇
张红学
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.)
Physical Education College of Zhengzhou University
Original Assignee
Physical Education College of Zhengzhou University
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 Physical Education College of Zhengzhou University filed Critical Physical Education College of Zhengzhou University
Priority to CN201911244917.5A priority Critical patent/CN110841262A/zh
Publication of CN110841262A publication Critical patent/CN110841262A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B69/00—Training appliances or apparatus for special sports
    • A63B69/002—Training appliances or apparatus for special sports for football
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Abstract

本发明涉及一种基于可穿戴设备的足球训练系统，包括云计算中心，环境信息采集与处理系统，信息展示系统，运动员监控系统；所述环境信息采集与处理系统，用于接收传感器采集的环境数据信息，并发送给云计算中心进行处理和反馈；同时将各种数据发送至展示平台；所述信息展示系统，用于向用户实时接收并显示所采集的数据信息，以及当处理信息超出预设参数时能够实时发出警报提醒；所述运动员监控系统，包括多个佩戴于运动员身上的可穿戴设备，用于采集运动员的训练动作数据，云计算中心基于卷积神经网络模型的不断学习运动员训练动作数据以进行分类，并结合运动员身体状态参数和环境信息参数，预测运动员最佳训练动作。

Description

一种基于可穿戴设备的足球训练系统
技术领域
本发明涉及计算机技术领域，特别是涉及一种基于可穿戴设备的足球训练系统。
背景技术
足球，有“世界第一运动”的美誉，是全球体育界最具影响力的单项体育运动。标准的11人制足球比赛由两队各派10名球员与1名守门员，总共22人，在长方形的草地球场上对抗、防守、进攻。
当前，足球运动的受众者越来越多，竞技体育的魅力在足球上的体现也越来越明显，而足球类大赛也很多，包括影响力重大的世界杯等，每个球队和国家都想在足球比赛中取得好成绩，那么对于足球的训练也就显得尤为重要；而随着科技的进步，各类辅助训练的智能系统和设备也越来越多，而且也比较全面；但是缺乏一种有效的基于运动员体能分析的系统，能够对运动员在不同体能情况下射门的准头进行统计；同时针对不同体能情况下推荐运动员射门的最佳角度。
足球运动素有“世界第一运动”的美誉，是全球体育界最具影响力的单项体育运动。中国更是有着广泛的球迷基础，但中国男足的水平提高问题也成了我们中华体育强国切实的痛。中国在世界体坛取得了巨大的成功，我们国家培养体育人才的通常做法是仔细挑选出适合某项运动的孩子，把他们培养成可以在奥运会上夺冠的运动员，但是这个方法在足球上行不通，对于足球这项运动来说，没有一种单一的个人完美体格训练能保证实现球队进球突破。球场上的时间大部分都用在了抢断/防守、盘带、传球和配合上，这时，除了个人单项素质能力外，还必需要求球员间的跑位、站位等务必协同。以前，传球配合及进攻与防守的意识和技术主要靠教练员言传身教及围绕视频等进行战术讲解分析，本发明则探讨从科技手段进步与更新和训练方法再挖掘的角度进行上帝视角和AR增强现实的足球训练系统和方法的再创新与运用。“上帝视角”在足球运动中，可以俯视球场，看到哪些空间空挡是可以去利用的，这对于队员的跑位、进攻时的站位、防守时的移动等战术分析的促进作用是无与伦比的。物联网定位技术对球场、球门、球员及足球进行定位及运动状态数据收集，计算机辅助战术分析基于带球球员和球场站位按设定的算法计算分析后给出盘带还是传球、射门及其他球员抢断、防守的建议。运用AR增强现实技术而非VR沉浸式虚拟现实技术将“上帝视角”、“计算机辅助战术分析”及“虚拟物体添加”通过球员佩戴的智能眼镜结合动态或静态位置定位来实时辅助显示，实现利用科技创新的手段促进足球训练水平的提高。
本发明希望提出一种全新的足球训练系统，基于所采集的运动员训练数据进行大数据分析和神经网络模型训练，从而达到最佳的足球训练效果。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于可穿戴设备的足球训练系统能够有效的针对不同环境条件下，运动员的不同身体状态时，根据训练模型纠正运动员自身存在的问题，从而达到更好的训练效果。
为了达到上述发明目的，本发明所采用的技术方案包括：
一种基于可穿戴设备的足球训练系统，其特征在于，包括云计算中心，环境信息采集与处理系统，信息展示系统，运动员监控系统；
所述环境信息采集与处理系统，用于接收传感器采集的环境数据信息，并发送给云计算中心进行处理和反馈；同时将各种数据发送至展示平台；
所述信息展示系统，用于向用户实时接收并显示所采集的数据信息，以及当处理信息超出预设参数时能够实时发出警报提醒；
所述运动员监控系统，包括多个佩戴于运动员身上的可穿戴设备，用于采集运动员的训练动作数据，同时根据云计算中心反馈的数据分析结果纠正运动员训练动作；
进一步的，云计算中心基于卷积神经网络模型的不断学习运动员训练动作数据以进行分类，并结合运动员身体状态参数和环境信息参数，预测运动员最佳训练动作。
优选的，云计算中心包括数据分析服务器，历史数据库服务器，数据分析服务器接收可穿戴设备发送的运动员的采集数据；包括：
运动员的生理数据；
运动员的训练数据；
数据分析服务器还将对不同属性的运动员数据的计算任务发送到云计算中心的不同的处理机上之前，对不同属性的运动员数据进行预处理；其中，预处理包括数据清洗、数据集成、空值处理和连续数据离散化；历史数据库服务器，用于存储实时采集的数据和经过分析处理的数据。
优选的，所述传感装置包括温度传感器、湿度传感器、光照传感器、甲醛传感器、二氧化碳传感器、烟雾传感器、有毒气体传感器；所述传感器遍布于运动场内的特定位置，随时监测运动场内各个位置的环境状态数据，并传送给云计算中心的服务器。
优选的，所述可穿戴设备包括多种微型传感器，这些微型传感器包括但不限于：生理信号传感器有：温度、心电图、血氧、血压；脑电、呼吸传感器；运动传感器有：陀螺仪、加速度传感器；运动传感器和测量装置还有：测量关节运动的拉伸传感器、监测运动的摄像机装置；环境传感器有：麦克风、光、温度、生化、测量位置的全球定位系统；心理传感器有：皮肤电导、麦克风。
优选的，基于深度卷积神经网络的运动员训练动作分类的方法，包括以下步骤：
1)针对通过可穿戴设备所采集的已有足球动作进行动作分割，每个动作是由某个可穿戴设备和摄像头采集的一段连续的数据序列；从每个动作片段中选出多个的关键数据序列，并对每个数据序列贴上标签，构造训练样本集；2)构造七层深度卷积神经网络(Convolutional Neural Network,CNN)，该七层卷积神经网路包括：五个卷积层，三个全连接层；
每个输入数据序列都被缩放为256×256大小，并从中随机截取224×224大小的方形区块，以RGB三个颜色维度输入；第一、第二和第五卷积层的激励输出后，经过最大池化下采样操作，输出给下一个卷积层；
卷积神经网络的卷积层可以表示如下：第l层的第j个特征序列矩阵xl j可能由前一层若干个特征序列卷积加权得到，
Figure BDA0002307260500000041
其中，f为神经元激活函数；Nj代表输入特征序列的组合，*表示卷积运算，kl ij为卷积核矩阵，bl j为偏置矩阵；
采样过程可以表示为：
xl j＝f(down(xl-1 j))
其中，down(·)表示采样函数，常用的有最大值采样函数(MaxPooling)；采样过程与卷积过程类似，使用一种不带权参数的采样函数，从输入特征序列的左上角开始按一定步长向右(或向下)滑动，对窗口相应区块的像素进行采样后输出；
卷积神经网络全连接层的每个神经元都会与下一层的每个神经元相连；第l层全连接层特征向量xl可以表示如下：
xl＝f(wlxl-1+bl),(3)
其中，wl是权值矩阵，bl是偏置向量；
3)利用步骤1)中的训练样本对步骤2)中所述深度卷积神经网络模型进行训练；卷积神经网络的训练利用softmax回归作为分类算法，使用误差后向传播算法调整CNN的网络参数；
卷积神经网络使用一些不同的小随机数初始化神经网络的参数；CNN模型的训练需要连续的迭代优化，它可以根据迭代分类结果去调整下一次迭代的参数；将序列输入到网络，经过前向传播和后向传播两个训练阶段，前向传播过程是把一个样本输入网络，计算相应的实际输出；后向传播过程是计算实际输出与理想输出的差，根据误差率，不断优化网络参数，进行模型的训练；
4)利用步骤3)训练得到的卷积神经网络模型对测试样本集进行测试，并输出最终训练动作的分类结果。
优选的，云计算中心能够基于BP神经网络对训练状态进行预测，以达到运动员最佳训练状态；神经网络每层所含的神经元个数不同；不同层次的神经元之间按权值进行连接，神经元的传递函数一般为Sigmoid函数；BP神经网络模型的具体步骤为：对权值进行编码，并在指定的范围内随机产生多组编码，将其作为神经网络的多组连接权值；然后输入训练状态数据的训练样本，计算每组连接权值下神经网络的预测值与实际值之间的误差平方和，并以该误差平方和的倒数作为每组连接权值的适应度；选择所有组适应度中较大的1/3～1/2的连接权值对应的训练状态作为优化训练状态；判断优化训练状态是否满足训练目标，若否，用之前的训练状态数据对应的连接权值代替上述连接权值，重复执行上述步骤；若是，将适应度最大的一组连接权值作为BP神经网络的初始权值；反复训练BP神经网络，直到网络的均方误差小于初始权值的倒数为止，得到训练状态的预测模型。
优选的，数据分析服务器能够将运动员数据和环境数据进行融合处理，进一步分析出各种环境条件下的最佳运动员训练数据。
本发明的有益效果在于：通过大数据采集和神经网络模型训练，使得足球运动员动作训练合理化，高效化。
附图说明
图1为本发明实施例的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
图1为本发明实施例的示意图。本发明所述的基于可穿戴设备的足球训练系统包括，云计算中心，环境信息采集与处理系统，信息展示系统，运动员监控系统。
所述环境信息采集与处理系统，用于接收传感器采集的环境数据信息，并发送给云计算中心进行处理和反馈；同时将各种数据发送至展示平台、分析应用平台；
所述信息展示系统，用于向用户实时接收并显示所采集的数据信息，以及当处理信息超出预设参数时能够实时发出警报提醒，并给出纠正指示。
所述运动员监控系统，包括多个佩戴于运动员身上的可穿戴设备，可穿戴设备终端可以为腕式可穿戴设备终端或夹子式可穿戴设备终端，腕式可穿戴设备终端佩戴于人体手腕部位，夹子式可穿戴设备终端用于夹在衣领部位或衣襟部位。所述可穿戴设备包括多种微型传感器，这些微型传感器包括但不限于：生理信号传感器有：温度、心电图、血氧、血压等；脑电、呼吸等传感器。运动传感器有：陀螺仪、加速度传感器等；运动传感器和测量装置还有：测量关节运动的拉伸传感器、监测运动的摄像机装置等。环境传感器有：麦克风、光、温度、生化、测量位置的全球定位系统等；心理传感器有：皮肤电导、麦克风等。微型传感器的感应节点收集重要的生理、活动、环境和心理信号，进行预处理后，被进一步处理、融合、分类，存储。并把所述采集数据送往云计算中心。
可穿戴设备还包括无线通讯设备，用于与运动员进行实时交流。
环境信息采集与处理系统是分布在运动场内安装的各种环境状态监测传感器，包括温度传感器、湿度传感器、光照传感器、甲醛传感器、二氧化碳传感器、烟雾传感器、有毒气体传感器等。这些传感器遍布于运动场内的特定位置，随时监测运动场内各个位置的环境状态数据，并传送给云计算中心的服务器。这些传感器还需要在安装完成后，将安装位置数据发送给云服务中心的服务器进行保存。
进一步的，本发明基于深度卷积神经网络的运动员训练动作分类的方法，包括以下步骤：
1)针对通过可穿戴设备所采集的已有足球动作进行动作分割，每个动作是由某个可穿戴设备和摄像头采集的一段连续的数据序列。从每个动作片段中选出多个的关键数据序列，并对每个数据序列贴上标签，构造训练样本集。2)构造七层深度卷积神经网络(Convolutional Neural Network,CNN)，该七层卷积神经网路包括：五个卷积层，三个全连接层。
每个输入数据序列都被缩放为256×256大小，并从中随机截取224×224大小的方形区块，以RGB三个颜色维度输入。第一、第二和第五卷积层的激励输出后，经过最大池化下采样操作，输出给下一个卷积层。
卷积神经网络的卷积层可以表示如下：第l层的第j个特征序列矩阵xl j可能由前一层若干个特征序列卷积加权得到，
Figure BDA0002307260500000071
其中，f为神经元激活函数；Nj代表输入特征序列的组合，*表示卷积运算，kl ij为卷积核矩阵，bl j为偏置矩阵。
采样过程可以表示为：
xl j＝f(down(xl-1 j))
其中，down(·)表示采样函数，常用的有最大值采样函数(MaxPooling)。采样过程与卷积过程类似，使用一种不带权参数的采样函数，从输入特征序列的左上角开始按一定步长向右(或向下)滑动，对窗口相应区块的像素进行采样后输出。
卷积神经网络全连接层的每个神经元都会与下一层的每个神经元相连。第l层全连接层特征向量xl可以表示如下：
xl＝f(wlxl-1+bl),(3)
其中，wl是权值矩阵，bl是偏置向量。
3)利用步骤1)中的训练样本对步骤2)中所述深度卷积神经网络模型进行训练。卷积神经网络的训练利用softmax回归作为分类算法，使用误差后向传播算法调整CNN的网络参数。
卷积神经网络使用一些不同的小随机数初始化神经网络的参数。CNN模型的训练需要连续的迭代优化，它可以根据迭代分类结果去调整下一次迭代的参数。将序列输入到网络，经过前向传播和后向传播两个训练阶段，前向传播过程是把一个样本输入网络，计算相应的实际输出；后向传播过程是计算实际输出与理想输出的差，根据误差率，不断优化网络参数，进行模型的训练。
4)利用步骤3)训练得到的卷积神经网络模型对测试样本集进行测试，并输出最终训练动作的分类结果。
经过上述卷积神经网络模型的不断学习，并结合运动员身体状态参数，得到运动员最佳训练动作。一方面，可以通过信息展示系统进行展示学习，另一方面，可以对运动员实时训练过程中出现的问题进行纠正。
同时，云计算中心能够基于BP神经网络对训练状态进行预测，以达到运动员最佳训练状态。神经网络每层所含的神经元个数不同。不同层次的神经元之间按权值进行连接，神经元的传递函数一般为Sigmoid函数。BP神经网络模型的具体步骤为：对权值进行编码，并在指定的范围内随机产生多组编码，将其作为神经网络的多组连接权值；然后输入训练状态数据的训练样本，计算每组连接权值下神经网络的预测值与实际值之间的误差平方和，并以该误差平方和的倒数作为每组连接权值的适应度；选择所有组适应度中较大的1/3～1/2的连接权值对应的训练状态作为优化训练状态；判断优化训练状态是否满足训练目标，若否，用之前的训练状态数据对应的连接权值代替上述连接权值，重复执行上述步骤；若是，将适应度最大的一组连接权值作为BP神经网络的初始权值；反复训练BP神经网络，直到网络的均方误差小于初始权值的倒数为止，得到训练状态的预测模型。
进一步的，云计算中心包括数据分析服务器，历史数据库服务器，
数据分析服务器接收可穿戴设备发送的运动员的采集数据；
运动员的生理数据；
运动员的训练数据；
数据分析服务器还将对不同属性的运动员数据的计算任务发送到云计算中心的不同的处理机上之前，对不同属性的运动员数据进行预处理；其中，预处理包括数据清洗、数据集成、空值处理和连续数据离散化。
历史数据库服务器，用于存储实时采集的数据和经过分析处理的数据。
进一步的，数据分析服务器能够将运动员数据和环境数据进行融合处理，进一步分析出各种环境条件下的最佳运动员训练数据。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于可穿戴设备的足球训练系统，其特征在于，包括云计算中心，环境信息采集与处理系统，信息展示系统，运动员监控系统；
所述环境信息采集与处理系统，用于接收传感器采集的环境数据信息，并发送给云计算中心进行处理和反馈；同时将各种数据发送至展示平台；
所述信息展示系统，用于向用户实时接收并显示所采集的数据信息，以及当处理信息超出预设参数时能够实时发出警报提醒；
所述运动员监控系统，包括多个佩戴于运动员身上的可穿戴设备，用于采集运动员的训练动作数据，同时根据云计算中心反馈的数据分析结果纠正运动员训练动作；
进一步的，云计算中心基于卷积神经网络模型的不断学习运动员训练动作数据以进行分类，并结合运动员身体状态参数和环境信息参数，预测运动员最佳训练动作。
2.根据权利要求1所述的系统，其特征在于，云计算中心包括数据分析服务器，历史数据库服务器，数据分析服务器接收可穿戴设备发送的运动员的采集数据；包括：
运动员的生理数据；
运动员的训练数据；
数据分析服务器还将对不同属性的运动员数据的计算任务发送到云计算中心的不同的处理机上之前，对不同属性的运动员数据进行预处理；其中，预处理包括数据清洗、数据集成、空值处理和连续数据离散化；历史数据库服务器，用于存储实时采集的数据和经过分析处理的数据。
3.根据权利要求2所述的系统，其特征在于，所述传感装置包括温度传感器、湿度传感器、光照传感器、甲醛传感器、二氧化碳传感器、烟雾传感器、有毒气体传感器；所述传感器遍布于运动场内的特定位置，随时监测运动场内各个位置的环境状态数据，并传送给云计算中心的服务器。
4.根据权利要求2所述的系统，其特征在于，所述可穿戴设备包括多种微型传感器，这些微型传感器包括但不限于：生理信号传感器有：温度、心电图、血氧、血压；脑电、呼吸传感器；运动传感器有：陀螺仪、加速度传感器；运动传感器和测量装置还有：测量关节运动的拉伸传感器、监测运动的摄像机装置；环境传感器有：麦克风、光、温度、生化、测量位置的全球定位系统；心理传感器有：皮肤电导、麦克风。
5.根据权利要求1所述的系统，其特征在于，基于深度卷积神经网络的运动员训练动作分类的方法，包括以下步骤：
1)针对通过可穿戴设备所采集的已有足球动作进行动作分割，每个动作是由某个可穿戴设备和摄像头采集的一段连续的数据序列；从每个动作片段中选出多个的关键数据序列，并对每个数据序列贴上标签，构造训练样本集；2)构造七层深度卷积神经网络(Convolutional Neural Network,CNN)，该七层卷积神经网路包括：五个卷积层，三个全连接层；
每个输入数据序列都被缩放为256×256大小，并从中随机截取224×224大小的方形区块，以RGB三个颜色维度输入；第一、第二和第五卷积层的激励输出后，经过最大池化下采样操作，输出给下一个卷积层；
卷积神经网络的卷积层可以表示如下：第l层的第j个特征序列矩阵xl j可能由前一层若干个特征序列卷积加权得到，
Figure FDA0002307260490000021
其中，f为神经元激活函数；Nj代表输入特征序列的组合，*表示卷积运算，kl ij为卷积核矩阵，bl j为偏置矩阵；
采样过程可以表示为：
xl j＝f(down(xl-1 j))
其中，down(·)表示采样函数，常用的有最大值采样函数(MaxPooling)；采样过程与卷积过程类似，使用一种不带权参数的采样函数，从输入特征序列的左上角开始按一定步长向右(或向下)滑动，对窗口相应区块的像素进行采样后输出；
卷积神经网络全连接层的每个神经元都会与下一层的每个神经元相连；第l层全连接层特征向量xl可以表示如下：
xl＝f(wlxl-1+bl),(3)
其中，wl是权值矩阵，bl是偏置向量；
3)利用步骤1)中的训练样本对步骤2)中所述深度卷积神经网络模型进行训练；卷积神经网络的训练利用softmax回归作为分类算法，使用误差后向传播算法调整CNN的网络参数；
卷积神经网络使用一些不同的小随机数初始化神经网络的参数；CNN模型的训练需要连续的迭代优化，它可以根据迭代分类结果去调整下一次迭代的参数；将序列输入到网络，经过前向传播和后向传播两个训练阶段，前向传播过程是把一个样本输入网络，计算相应的实际输出；后向传播过程是计算实际输出与理想输出的差，根据误差率，不断优化网络参数，进行模型的训练；
4)利用步骤3)训练得到的卷积神经网络模型对测试样本集进行测试，并输出最终训练动作的分类结果。
6.根据权利要求1所述的系统，其特征在于，云计算中心能够基于BP神经网络对训练状态进行预测，以达到运动员最佳训练状态；神经网络每层所含的神经元个数不同；不同层次的神经元之间按权值进行连接，神经元的传递函数一般为Sigmoid函数；BP神经网络模型的具体步骤为：对权值进行编码，并在指定的范围内随机产生多组编码，将其作为神经网络的多组连接权值；然后输入训练状态数据的训练样本，计算每组连接权值下神经网络的预测值与实际值之间的误差平方和，并以该误差平方和的倒数作为每组连接权值的适应度；选择所有组适应度中较大的1/3～1/2的连接权值对应的训练状态作为优化训练状态；判断优化训练状态是否满足训练目标，若否，用之前的训练状态数据对应的连接权值代替上述连接权值，重复执行上述步骤；若是，将适应度最大的一组连接权值作为BP神经网络的初始权值；反复训练BP神经网络，直到网络的均方误差小于初始权值的倒数为止，得到训练状态的预测模型。
7.根据权利要求6所述的系统，其特征在于，数据分析服务器能够将运动员数据和环境数据进行融合处理，进一步分析出各种环境条件下的最佳运动员训练数据。
CN201911244917.5A 2019-12-06 2019-12-06 一种基于可穿戴设备的足球训练系统 Pending CN110841262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911244917.5A CN110841262A (zh) 2019-12-06 2019-12-06 一种基于可穿戴设备的足球训练系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911244917.5A CN110841262A (zh) 2019-12-06 2019-12-06 一种基于可穿戴设备的足球训练系统

Publications (1)

Publication Number Publication Date
CN110841262A true CN110841262A (zh) 2020-02-28

Family

ID=69608041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911244917.5A Pending CN110841262A (zh) 2019-12-06 2019-12-06 一种基于可穿戴设备的足球训练系统

Country Status (1)

Country Link
CN (1) CN110841262A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111744156A (zh) * 2020-07-06 2020-10-09 深圳市蝙蝠云科技有限公司 基于可穿戴设备与机器学习的足球动作识别评估系统及方法
CN111951948A (zh) * 2020-08-19 2020-11-17 郑州大学第一附属医院 一种神经重症监测装置
CN112633473A (zh) * 2020-12-18 2021-04-09 展讯通信（上海）有限公司 基于ai的可穿戴设备及其应用数据处理方法
CN114580529A (zh) * 2022-03-03 2022-06-03 电子科技大学 一种选拔和训练足球运动员的系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205460864U (zh) * 2016-01-14 2016-08-17 湖南师范大学 一种用于体操训练的智能训练系统
CN106390420A (zh) * 2016-11-09 2017-02-15 郑州大学 一种运动数据的采集处理方法及系统
CN107909060A (zh) * 2017-12-05 2018-04-13 前海健匠智能科技（深圳）有限公司 基于深度学习的健身房健身动作识别方法及装置
CN109011419A (zh) * 2018-08-22 2018-12-18 重庆电政信息科技有限公司 一种基于mems传感器的运动动作训练方法
CN109670644A (zh) * 2018-12-20 2019-04-23 华北水利水电大学 基于神经网络的预测系统及方法
CN109753891A (zh) * 2018-12-19 2019-05-14 山东师范大学 基于人体关键点检测的足球运动员姿势校准方法及系统
KR101993001B1 (ko) * 2019-01-16 2019-06-25 영남대학교 산학협력단 영상 하이라이트 제작 장치 및 방법
CN109999435A (zh) * 2019-03-21 2019-07-12 重庆英乐伟科技有限公司 一种基于ems的健身方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205460864U (zh) * 2016-01-14 2016-08-17 湖南师范大学 一种用于体操训练的智能训练系统
CN106390420A (zh) * 2016-11-09 2017-02-15 郑州大学 一种运动数据的采集处理方法及系统
CN107909060A (zh) * 2017-12-05 2018-04-13 前海健匠智能科技（深圳）有限公司 基于深度学习的健身房健身动作识别方法及装置
CN109011419A (zh) * 2018-08-22 2018-12-18 重庆电政信息科技有限公司 一种基于mems传感器的运动动作训练方法
CN109753891A (zh) * 2018-12-19 2019-05-14 山东师范大学 基于人体关键点检测的足球运动员姿势校准方法及系统
CN109670644A (zh) * 2018-12-20 2019-04-23 华北水利水电大学 基于神经网络的预测系统及方法
KR101993001B1 (ko) * 2019-01-16 2019-06-25 영남대학교 산학협력단 영상 하이라이트 제작 장치 및 방법
CN109999435A (zh) * 2019-03-21 2019-07-12 重庆英乐伟科技有限公司 一种基于ems的健身方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚锡凡: "《制造物联网技术》", 31 December 2018, 华中科技大学出版社 *
杨印生: "《经济系统定量分析方法》", 30 April 2001, 吉林科学技术出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111744156A (zh) * 2020-07-06 2020-10-09 深圳市蝙蝠云科技有限公司 基于可穿戴设备与机器学习的足球动作识别评估系统及方法
CN111744156B (zh) * 2020-07-06 2021-11-09 深圳市蝙蝠云科技有限公司 基于可穿戴设备与机器学习的足球动作识别评估系统及方法
CN111951948A (zh) * 2020-08-19 2020-11-17 郑州大学第一附属医院 一种神经重症监测装置
CN112633473A (zh) * 2020-12-18 2021-04-09 展讯通信（上海）有限公司 基于ai的可穿戴设备及其应用数据处理方法
CN114580529A (zh) * 2022-03-03 2022-06-03 电子科技大学 一种选拔和训练足球运动员的系统
CN114580529B (zh) * 2022-03-03 2023-04-21 电子科技大学 一种选拔和训练足球运动员的系统

Similar Documents

Publication Publication Date Title
CN110841262A (zh) 一种基于可穿戴设备的足球训练系统
Baca et al. Ubiquitous computing in sports: A review and analysis
WO2021051579A1 (zh) 形体姿态识别方法、系统、装置及存储介质
WO2019114708A1 (zh) 一种运动数据监测方法和系统
IL274802B1 (en) A hybrid method of assessing and predicting athletic performance
CN109670380A (zh) 动作识别、姿势估计的方法及装置
CN103827891A (zh) 使用全球生成的多维姿势数据检测身体运动的系统和方法
CN110490109A (zh) 一种基于单目视觉的在线人体康复动作识别方法
KR100907704B1 (ko) 인공지능형 캐디를 이용한 골퍼자세교정시스템 및 이를이용한 골퍼자세교정방법
Promrit et al. Model for practice badminton basic skills by using motion posture detection from video posture embedding and one-shot learning technique
CN115100744A (zh) 一种羽毛球比赛人体姿态估计和球路追踪方法
CN110989839B (zh) 人机对战的系统和方法
CN109718524B (zh) 一种基于位置的投篮训练系统
US20210245005A1 (en) Implementation of machine learning for skill-improvement through cloud computing and method therefor
Vrskova et al. Education of video classification based by neural networks
CN114580471A (zh) 人体动作识别方法和系统
Liu et al. A novel model for intelligent pull-ups test based on key point estimation of human body and equipment
CN114187654A (zh) 一种基于机器学习的微惯性武术动作识别方法及系统
Croteau et al. Automatic detection of passing and shooting in water polo using machine learning: a feasibility study
CN113476833A (zh) 游戏动作识别方法、装置、电子设备和存储介质
CN114821812B (zh) 一种基于深度学习的花样滑冰选手骨骼点动作识别方法
CN117078976B (zh) 动作评分方法、装置、计算机设备以及存储介质
KR20220049656A (ko) 시공간 초월 그룹 운동 플랫폼
CN110705496A (zh) 一种基于九轴传感器的游泳姿势识别方法
Zaidi et al. Mae Mai Muay Thai Layered Classification Using CNN and LSTM Models

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

Application publication date: 20200228