CN110998696A - 用于数据驱动型移动技能训练的系统和方法 - Google Patents

用于数据驱动型移动技能训练的系统和方法 Download PDF

Info

Publication number
CN110998696A
CN110998696A CN201880048661.8A CN201880048661A CN110998696A CN 110998696 A CN110998696 A CN 110998696A CN 201880048661 A CN201880048661 A CN 201880048661A CN 110998696 A CN110998696 A CN 110998696A
Authority
CN
China
Prior art keywords
movement
training
skill
mobile
subject
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.)
Granted
Application number
CN201880048661.8A
Other languages
English (en)
Other versions
CN110998696B (zh
Inventor
贝勒奈斯·梅特勒·梅
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.)
ICUEMOTION LLC
Original Assignee
ICUEMOTION LLC
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 ICUEMOTION LLC filed Critical ICUEMOTION LLC
Publication of CN110998696A publication Critical patent/CN110998696A/zh
Application granted granted Critical
Publication of CN110998696B publication Critical patent/CN110998696B/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
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
    • 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
    • A63B69/40—Stationarily-arranged devices for projecting balls or other bodies
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • 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
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/003—Repetitive work cycles; Sequence of movements
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/003—Repetitive work cycles; Sequence of movements
    • G09B19/0038—Sports
    • 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
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A63B2024/0065—Evaluating the fitness, e.g. fitness level or fitness index
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A63B2024/0071—Distinction between different activities, movements, or kind of sports performed
    • 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
    • A63B2071/0625—Emitting sound, noise or music
    • 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
    • A63B2220/10—Positions
    • 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
    • A63B2220/40—Acceleration
    • 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
    • A63B2220/50—Force related parameters
    • A63B2220/54—Torque
    • 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
    • A63B2220/50—Force related parameters
    • A63B2220/56—Pressure
    • 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
    • A63B2220/803—Motion sensors
    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/60—Measuring physiological parameters of the user muscle strain, i.e. measured on the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

公开了一种数据驱动型移动技能训练系统。所述系统在人类移动系统阶层的不同级别使用移动技能评估和诊断以为用户指定训练目标。所述系统可以提供各种增强，所述增强被合成以帮助所述用户实行所述训练目标。所述系统可以包含用于跟踪和/或管理训练或学习过程的特征。

Description

用于数据驱动型移动技能训练的系统和方法
相关申请的交叉引用
本申请要求2017年7月6日提交的标题为“用于数据驱动型移动技能训练的系统和方法(Systems and Methods for Data Driven Movement Skill Training)”的第62/529,412号美国临时专利申请的优先权，所述美国临时专利申请以全文引用的方式并入本文。
技术领域
所公开的是用于移动技能训练的装置、系统和方法。
背景技术
人类依赖于运动技能来执行每天的任务，这些任务的范围是从对我们的自主性必不可少的动作到要求高度精炼运动技能的更专用领域。专业运动员、音乐家、外科医生和甚至精英业余爱好者需要数千小时的系统性和重点训练以及持续训练来维持高技能水平。即使简单的日常动作也涉及从感觉和动作控制到感知和认知的一系列过程的复杂协调。学习、维持和恢复移动技能是有价值的，但同时是复杂且具有挑战性的任务。获取且维持专用移动技能需要时间。移动技能的进步并不随着训练时间线性地增长。实际上，技能遵循幂定律增长，而测量表明一些技能在超过100,000次试验中继续改进。
不同的因素导致技能的这种缓慢发展。移动性能依赖于广泛范围的功能(例如，感觉、感知、规划、认知)。在复杂移动类别内的许多移动技能是不自然的，并且因此需要适应先天性移动技能以适应特定任务要求。复杂移动还涉及大量的肌肉和身体片段的协调。它们可能在短时间范围内发生，其中关键阶段跨越几毫秒的十分之一到百分之一。它们经常需要在执行期间被适应，且与外部事件或要素同步。通常通过试错法，大部分通过使用一些结果作为用于校正的反馈来学习移动。由于这些复杂性，关于移动组织的具体细节存储于程序化存储器中并且因此仅是隐式地已知的。在练习和执行期间通常不使用有关移动细节的显性知识。复杂移动经常快速展开且涉及许多维度的事实使得它们很难或不可能被完全感知，更不用说理解。举例来说，仅例如网球拍的一件设备的路径已经涉及三个平移和旋转变量(例如，六个自由度)和其额外运动学(速度和角速率)以及动态(加速度)特性。
当包含各种身体片段以及肌肉骨胳和神经动作约束时移动复杂性显著地增长。使事情甚至更复杂的是，这些变量受动力学约束，动力学约束了它们的空间和时间演变。最终，在训练过程期间只有极少反馈刺激或信号可用于用户。因此，对于大多数无法获得指导的人来说，移动技能依赖于自我观察和冗长的重复。在许多领域，在没有专家教练或培训师的帮助下无法实现熟练程度。
在表征和评估移动方面也存在挑战。首先，人类移动是可变的。同一任务的每一次重复试验都导致稍微不同的执行。第二，技术是特质的。具有相同一般能力水平的个人具有不同的方法和风格。第三，移动是快速的。动作经常在几分之一秒内展开，而相关细节仅跨越几毫秒。第四，移动是复杂的。它经常集中于需要在三维工作空间中进行控制的末端执行器的控制，所述末端执行器例如工具(例如，手术器械)或一件设备(例如，网球拍、棒球棒、高尔夫球杆)。此类移动的执行需要控制各种肢体、关节和肌肉，这增加了更多的额外自由度。
此外，因为协调的运动模式通常太复杂且执行太快速而无法被有意识地感知和处理，所以通常难以实时做出训练干预。运动员或操作者通常并不具有对他们的运动执行的细节的充分明确的认识。这些特性解释了为何一旦获取基本运动模式就难以提高技能。为了提高，来自培训师或教练的外部反馈变得必要。
移动技能还取决于对外部任务要素的感知理解。通过观察移动执行很难评估这些特性。它们间接地表现在执行中。好的指导者将引起对重要感知线索的注意以及这些线索可如何用于告知移动响应特性。
最终，有效训练的一个要求是考虑身体类型、技能水平、健康等个别差异。在训练期间很难考虑此类特性。这对于康复或与受伤或大龄运动员一起工作时可能特别关键。训练方法还应当利用技能开发的性质和自然学习原理和过程。
流行的可穿戴和嵌入式装置当前主要集中于活动的识别和跟踪(例如，
Figure BDA0002375849270000031
活动跟踪器(购自Fitbit公司)或
Figure BDA0002375849270000032
健身跟踪器(购自作为Jawbone进行商业活动的Aliphcom))。健身跟踪器的流行实例包含用于对步数进行计数和跟踪所覆盖距离的装置。在专用于特定体育的装置中可以找到更高级能力。网球、羽毛球和高尔夫球代表着最大的细分市场(见例如BABOLAT PLAYTM(来自法国Babolat)、
Figure BDA0002375849270000033
网球摆动分析器(购自Zepp US公司)和智能网球传感器(购自Sony))。这些产品旨在提供运动员的技术表现的描述。典型特征包含跟踪动作的类型；重构移动，例如在击打期间网球拍的路径；跟踪选择动作的结果变量，例如球拍头部速度、对弦床的冲击的分布以及自旋量。
通常在训练或比赛阶段之后提供这些评估的输出。数据呈现为阶段表现的概述以及时间。数据还被聚合以提供统计趋势。这些产品的主要缺点在于分析是基于结果变量(人类技能文献中称为结果的知识)且因此并不提供可以直接用于训练的可行信息。
用于训练的最成熟框架中的一个是所谓的“有意练习”。爱立信(Ericsson)在查阅关于最佳学习条件的大量证据之后开发了此框架。他发现由教练或教师选择的具有训练任务的个别化练习，其明确目标被设计成提高特定的表现方面，并且立即和信息反馈与最佳学习相关联。
有意练习使人能够完全参与训练活动。此参与可以起到关键作用。已经证明，在无有意练习的情况下，活动的常规执行不会带来超过能力水平的提高(爱立信，2007)。此现象部分地通过以下事实解释：作为自然学习过程的部分，大脑学习使执行的大部分自动化。自动化本身限制了做出技术调整的能力，除非施加极有意的努力来识别执行中的弱点且设定目标来解决那些弱点。这是为何人们习惯于自己的技术和习惯的原因。
除立即反馈以外，有意练习的其它潜在关键方面包含具有提供朝向个人技能精炼的逐渐途径的训练目标，以及提供参与一种问题解决形式的机会。
技能获取遵循增量过程；因此，大多数人的技能可以视为处于可以被另外开发的某个中间水平。沿着提高技能的途径的每一次连续反复涉及逐渐复杂的心理表示和其支持功能，例如移动协调和感知(爱立信，2009)。似乎技能获取会沿着连续技能水平稳定下来。
当前不存在从表现测量生成目标的方法。另外，当前不存在实现自动确定且更新目标的数据驱动型操作化训练过程作为学习活动技能的代理的算法。
发明内容
本文公开了数据驱动型移动技能训练系统。所述系统可以在人类移动系统阶层的不同级别使用移动技能评估和诊断以指定训练目标。系统可以随后提供经过合成以帮助实行训练目标的不同形式的增强。系统还可以包含用于跟踪和/或管理学习过程的系统。
附图说明
图1是根据实施例的用于移动技能训练或康复的人类增强系统的图示。
图2是击打运动与任务和环境要素之间的交互的图示，所述任务和环境要素包含相对于球场的球轨迹、球的冲击以及在用球拍轨迹进行拦截之前球的弹跳。图2还示出沿着球轨迹和球场位置的不同点的运动员的凝视，且示出作为可以被编程来实现不同形式的交互的设备的发球机。
图3A是一般移动轨迹包络的图示，描绘了通常起因于生物力学和神经运动约束的移动阶段。
图3B是用于图3A中示出的系统的有限状态模型表示的图示，其中每一状态表示移动阶段。
图4是用于六个移动活动的主移动单元以及对应阶段片段的图示。图还突出显示主结果量作为向量(例如，网球或高尔夫的球拍或球杆对球的影响，在康复中手臂协调对手位置的影响，跑步时由脚撞击生成的推进力，滑雪时在转向中使用的横向加速度，以及游泳时由划水阶段生成的推进力)。
图5是对应于不同技能水平的不同网球击打架构上的进展的图示。所述架构是鉴于其组成的移动阶段而示出。
图6是形成数据驱动型技能评估、学习过程分析和较大群体分析的基础的移动处理组成部分的概述的图示。
图7是网球的不同结果级别和某些结果测量的图示：1)击打技术和球拍冲击；2)击打主结果；3)击发轨迹和类型；4)击发落点(相对于球场和对手)。图7还示出两个类型的击打的轨迹，例如平击(FL)和上旋(TS)。
图8是两个运动员的网球击发的相应地面冲击分布的图示，描述了与球-环境交互相关联的任务环境的离散化。在击发级别的技能表现为与任务环境的交互中的不同分辨率和精度。图8还示出与运动员的任务环境感知和运动员的球场运动相关的球场地标。
图9是三个拦截类型的图示：1)在下降时；2)在顶点处；3)在地面冲击后的轨迹的上升时。图9还示出与对应冲击条件相关联的球拍弦床和回球击发结果的实例。
图10是评估级别的图示，突出显示了网球的要素和结果且概述了跨越不同级别的评估和诊断组成部分。
图11是作为演变过程的移动获取的图示，在此过程期间从头开始或通过现有模式的区分而习得移动模式。
图12是基于从移动数据提取的特征的移动模式集群的图示。
图13是说明移动模式之间的演变关系的树状图。
图14是状态空间X的图示(与描述移动行为相关的从表现数据导出的测得或估计维度)，突出显示了与移动模式相关联的类，以及与结果空间或在技能评估中使用的其它属性相关联的映射。图还示出从V到产生有意义的结果类别(语义解释)的子空间W中的嵌入。
图15是通用结果移动模式图的图示，在相关联结果维度方面示出移动模式。
图16是通用谱录图的图示，示出在已经例如通过嵌入g：V-＞W重新按比例缩放的结果维度方面布置的移动模式类。
图17是两个受试者A、B的从其移动模式或技能要素的谱录产生的技能概况的图示，突出显示了导致总体技能差距以及谱录范围中的差距的技能概况差异。
图18是基于技能属性的群体子组的图示，带有与表现或技能目标函数相关联的水平线。
图19是通过群组分布描述的整个群体群组的分布的图示，突出显示了成员(受试者A，由技能要素分布(e1，e2)描述)，以及与整个群体子组的结果函数(e1，G，e2，G)相关联的层次(低、中、高、极高)。
图20是通过两个特征(f1，f2)描述的由受试者A产生的运动模式的分布的图示，示出了椭球的中心(μ1，μ2)和由本征值给定的轴线(e1，e2)，且突出显示了一些结果层次(低、中、高、极高)的水平线。
图21是数据驱动型闭环训练系统的图示，所述系统包含其根据三个主反馈环路组织的主要过程。
图22是人类增强系统的图示。系统涵盖利用人类信息处理阶层的三个主要增强层次：实时反馈(线索刺激和活动交互)，间歇性反馈，以及可视化和指令。
图23是与反馈提示系统相关联的增强的感知动作环路的图示。强调了低级信号和线索。
图24是用于增强的人类移动系统中的反馈增强的主要组成部分的图示。
图25是沿着训练过程的过程流程的图示，示出随着时间而变的跨越评估和训练环路的过程堆叠的活动(例如，数据获取和处理、运动模型、技能模型、训练目标、增强定律)。在每一赛程期间，收集且处理活动数据。
图26是建立在评估系统上的诊断系统的图示。
图27是诊断系统的图示，所述诊断系统组合了知识表示、观测值和推断机制以产生移动表现的诊断。
图28是影响击打质量(分类为观测值、不确定的因素或假设)和其关系的因素的图示。
图29是群体分析和运动员或执行者概况的图示。
图30是跨越技能模型阶层的评估、诊断和训练目标的图示，并入有运动员概况信息。
图31是评估的图示，包含a)不同级别的评估，b)描述每一级别的要素，c)可用于在给定级别确定技能特性的准则和量，d)用以识别关键特性的分析或诊断，e)用以产生训练干预的驱动力和机制，以及f)可使用的干预或反馈形式。
图32是运动员的击落地球谱录的主结果特性(即，速度和自旋)的图示，带有来自群体分析的总体参考范围(灰度背景图块)。
图33是划分成正手和反手的击落地球的自旋包络(实线)的图示，带有来自群体分析的参考范围(虚线)。
图34是基于全局得分的群体分析的排行榜的图示，所述全局得分示出为从运动员群体的技能概况计算的从最高到最低的百分点排名。
图35是在示出对局和赛程的日历时段中的比赛活动总和的图示。
图36是特定运动模式类的移动结果趋势的图示，带有来自群体分析的总体参考范围(灰度背景图块)。竖直带划定了对局。
图37是正手上旋击打类的前摆阶段击打概况的图示。
图38是技能要素的选定组成部分的图示，包含结果、属性以及形成复合技能要素得分的其它特性。两个多边形叠加以提供比较。
图39是针对活动赛程在个别对局中划定的移动模式和移动结果的趋势的图示。
图40是来自跨越击落地球谱录的复合得分的值的条形图的技能概况的图示。
图41是击落地球谱录中的击打的获取阶段的图示。
图42是运动员的击落地球谱录的冲击时序统计数据的图示，带有来自群体分析的总体参考范围(灰度背景图块)。
图43是在评估级别(即，身体、模式、任务和竞争性)方面组织的评估和诊断过程上的整合视角的图示。
图44A是技能状态屏幕的图示，示出根据其获取阶段(要形成的模式、要巩固的模式，和要优化的模式)布置的技能要素。
图44B是技能状态屏幕的图示，示出若干训练赛程(对局1-3)中的训练活动如何导致技能要素的技能状态的改变。
图45A是训练列表的图示，示出了所选训练要素ei以及其在时期k的属性ai方面表达的相关联训练目标gk i。列表根据相关准则带索引，所述准则例如用户偏好或者要素对活动或对技能获取过程的重要性。
图45B是训练时间表的图示。训练赛程细分为多个对局(对局1...对局N)。每一对局集中于一个或多个训练要素ei(例如，分组为具有例如正手和反手上旋等相关方面的一个对局)和其相关联的选自技能状态中的技能要素的目标。
图46是状态机的图示，示出有效训练要素和用于向执行者发出通知的准则。
图47是趋势绘图的图示，显示在此处示出为七个赛程的指定时间范围中的沿着训练目标(g1、g2和g3)的进展。
图48是与数据驱动型训练过程相关联的学习曲线的图示。学习曲线示出了在训练活动(对局和赛程)中技能要素ei的某个相关属性ai的增量改进。
图49是说明根据实施例的数据驱动型训练过程的流程图。
图50是说明图49的移动建模过程的流程图。
图51是说明图49的技能建模和评估的过程的流程图。
图52A是说明图49的技能评估过程的流程图。
图52B是说明图49的技能状态过程的流程图。
图53是说明图49的训练目标和反馈合成过程的流程图。
图54A是说明考虑图49的技能状态的训练目标计算过程的流程图。
图54B是说明图49的反馈合成过程的流程图。
图55A是说明图49的指令合成的流程图。
图55B是说明图49的反馈和提示定律合成过程的流程图。
图56是说明图49的活动管理和监视过程的流程图。
图57A是说明图49的系统配置过程的流程图。
图57B是说明包含图49的通知和用户输入的活动监视过程的流程图。
图58是典型活动赛程的时间结构和组织的图示。
具体实施方式
移动技能获取的要素
此部分简单回顾移动技能获取和其执行的中心要素。这些要素突出了动作技能学习涉及的挑战以及可如何使用技术来增强技能获取过程。具体来说：如何产生关于移动技能和相关联学习过程的知识，此知识可如何帮助确定使用哪些量来跟踪移动学习过程，反馈哪些信息到执行者以帮助其学习，以何种形式传送此信息，以及在移动执行期间的什么时间。
动作移动技能概述
基于技能的移动行为通常是快速、协调、多维移动。人类信号传输和处理的延迟限制了实时反馈的作用。因此，生物移动控制系统必须广泛依赖于“开环”控制，意味着轨迹是从预编程配置文件实施的，所述配置文件存储于程序化存储器中并且因此大部分是无意识的。通用动作程序(GMP)解释了如何编程复杂移动。GMP描述了一般化的规则，所述规则生成空间和时间肌肉模式以产生用于谱录中的移动模式集合的移动。在GMP涵盖在给定移动模式类别内适应条件所需要的机制的意义上，这些程序是一般化的。
复杂移动经常涉及一系列相异的移动阶段。因此，动作程序涵盖支持以形成移动模式的顺序对这些要素进行排序和定时的机制。移动阶段通常形成为支持各种功能特性，例如生物力学约束、任务结构和与环境的各种感官交互。移动片段可以被概念化为朝向子目标的移动，各自具有其特定生物力学和感官动作约束。此结构允许将复杂移动分解为较简单的移动要素。它还可以帮助获取复杂移动技能，且支持在动态和不确定环境中运行所需要的灵活性和适应性。
取决于任务，对涉及感知动作控制的闭环反馈的人类带宽限制是在0.5与2Hz之间，超过所述带宽，可使用间歇性闭环控制。移动阶段通常表示开环片段。可以在特定阶段转变处实施校正。例如当特定信息要素可用时，这些阶段转变还与功能特征相关联。举例来说，在网球击打中，在击打的发起时高级运动员已经具有既定结果的想法且预见来球的状况。在后摆阶段结束时，且在向前摆动的发起之前，运动员基于从来球轨迹可得的最新信息进行调整。
如本领域的技术人员将了解，移动技能经常涉及与任务和环境要素的广泛交互。举例来说，在网球中，这些交互包含在任务中产生所要结果以及处理某一范围的冲击状况。参见图1和2，其示出网球运动员的球拍与球拍击打轨迹的界限的交互，以及图9，其示出执行者必须适应以最佳控制球轨迹的拦截条件。感知系统通常提供用以从习得移动模式的谱录中选择运动模式类型的线索。来自感官或感知系统的信号用以基于网球的感知速度调节所述模式的特定方面，例如击打阶段的时序。因此，训练移动技能涉及获取一组全面的机制。移动不仅仅是用于引导身体片段的程序；它们涵盖支持交互和适应状况的许多机制和能力。因此，技能获取还包含学习如何从任务环境提取相关标志或线索，且形成用于对个别移动模式进行定序的规划。接下来介绍基本的动作学习概念。
动作技能需要整合感官信息和动作响应两者来达到特定目标。目标导向的、有意的、起作用的或故意的移动是根据它们产生的结果而深思熟虑的移动。将获得的结果是执行者很清楚的，且决定了他们如何组织他们的移动模式。此类有意移动与反射或固定动作模式形成对比。动作技能是基于由任务和环境条件的动力学定义的连续体分类的。在连续体的一个末端是在时间和空间改变条件下发生的开放技能，在另一末端是在固定不变环境条件下发生的闭合技能。
在开放技能中，为响应任务环境的新方面而形成的新移动可以发源作为现有模式的变化，或作为唯一新模式形成的新移动(见图11)，但新模式可以再次使用原始模式的组件。因此，在开放技能中，用户形成匹配于一系列环境条件和任务要求的移动模式的谱录。另一方面，在闭合技能中，在用户学习掌握任务时，移动执行随时间收敛于固定移动模式，其优化与任务要求的关系中的结果。如本文所描述，术语“用户”可以指代数据驱动型训练系统的用户、使用系统的代理、系统应用于的受试者，或其组合。
构成最复杂移动的移动片段得自于受试者如何利用大量自由度(DOF)。人类运动的高DOF导致冗余的移动解决方案。举例来说，可以通过例如手腕、肘部、肩部、髋部等关节运动的各种组合实现球拍摆动。每一DOF具有其自身的特定位移范围以及例如速度或扭矩等其它约束。同一一般移动的不同执行将在总体轨迹的不同阶段造成饱和且将导致移动阶段的不同顺序。
此外，人类受试者大部分通过练习来学习；他们从根本上发现如何最佳利用丰富的移动空间来实现所要结果。因此，复杂移动技能获取，且更具体来说移动架构的开发，继续通过若干阶段，其中每一阶段造成可用自由度的增加使用(见图5)。
通常，需要有意移动以产生环境中的特定结果或改变。许多熟练的移动涉及控制例如手、脚或一件设备或仪器等末端执行器。另一类熟练的运动的特征在于控制与例如滑雪或冲浪等环境的交互的动力学。这些交互行为涉及执行特定操纵以允许对运动的有意控制。操纵的实例包含不同转动技术(立杆、平行、刻划)以及其它操纵，例如快速停止、跳跃等。这些操纵是可用于在不同条件或目的下与环境交互的移动单元。移动技能获取可以被定义为由个人使用以最佳改变或维持其在空间中的自身状态或对象的状态的过程。
这些末端执行器运动涵盖多种不同移动行为，包含到达运动，例如用以抓住对象或触摸某物或拦截和投掷或击打运动的那些运动。所有这些运动沿着路径导引末端执行器到空间中的特定位置。大多数到达运动涉及静止末端条件。拦截和击打涉及较动态的末端条件。最熟练的末端执行器运动涉及在移动的各种时刻或阶段(顶点、接触、拦截或投掷)精确控制其状态(见图5)。
到达或拦截运动很大程度上依赖于视觉信息。行为的输出侧，即运动的控制，因此仅描述问题的一部分。涵盖感官和感知机制的行为的输入侧促成完全理解。这些移动部分地由动作程序和功能方面驱动，例如程序对外部任务要素或动力学的适应表示技能获取的基本方面。例如摆动体育中的目标导向的移动是围绕可以视为目标状态的状态进行组织。举例来说，在网球中，球拍击打运动是围绕球拦截或冲击来组织。然而，因为移动必须满足球冲击以及身体和肢体生物力学的约束，所以其可以通过运动的复杂协调模式来实现。虽然向前摆动和冲击阶段是最关键的，但也需要这些辅助阶段来创建控制球并且还适应任务的动态条件所需要的最佳冲击条件。
在例如滑雪等其它活动中，个别移动不具有此显式目标。滑雪者使用重力和身体生物力学来产生转向运动以引导和控制其路径。这些协调的移动表示主运动单元。虽然它们例如在网球或其它摆动体育中可能不是相异的目标状态，但它们经常具有例如转向的顶点等移动阶段，这与局部环境交互一起决定了移动模式的主结果。例如网球击打等熟练的人类移动涉及基于内部状态和外部线索执行的复杂协调运动的定序。他们的成功表现涉及管理一系列贡献，包含工具或设备(例如，网球拍)的效果、移动生物力学、与活动(例如，网球冲击)相关联的交互，以及与环境(例如，空气动力学或其它介质)的交互(参见图2、7和9)。
为了移动技能获取的详细且全面评估，可能需要来自与较大任务和环境要素的移动交互的描述的足够数据。跟踪和分析移动技能长期依赖于视觉技术。使用这些技术意味着冗长地观察视频连续镜头。系统数据驱动型技能评估和建模中的限制是由于与已经论述的复杂移动的基本性质和其它任务环境特性相关的各种复杂性。
一般挑战和要求
给定移动系统的阶层式水平的深度，运动分析的范围可涵盖多个水平。举例来说，其可以集中于低水平神经动作方面、移动技术和结构、结果的优化，一直到战术和战略水平(见图31)。在环境中嵌入式或部署的可用的运动传感器范围可提供用户、动作者和其设备周围的移动动力学的广泛方面的测量。然而，单独数据不足以产生有用且可行的洞察。
具体来说用于开放动作技能的移动技能的详细且全面分析尚未实现，特别地是对于较大群体，这是由于获得测量的实际问题以及分析和评估中的感知复杂性。在网球中，举例来说，全面分析必须考虑击打运动作为协调和交互的较大系统的部分，其包含球轨迹、步法一直到球场运动、比赛策略等(见图7)
因此，数据驱动型移动技能分析中的一般挑战之一是定义分析的基本单元，其提供技能表征的有意义水平并且可经缩放以实现用于单个个人的更全面分析范围，并且还跨越执行者的群体一般化。击打运动的基本分析通常集中于球拍轨迹(即，末端执行器或设备)。由于轨迹是涉及上半身和从脚、腿和髋部开始的驱动运动的运动链的结果，因此通过捕获总体击打模式和其移动阶段，有可能推断较大生物力学系统与末端执行器运动之间的较深关系。随着较多测量可用于跟踪各种任务要素和身体片段，可以实现移动执行的较准确且完整描述(见例如图2中的执行者身上的运动跟踪相机或分布式运动传感器)。最终，分析的深度取决于可用测量，然而，捕获用以产生任务(网球拍或滑雪)中的主结果的末端执行器运动的移动阶段结构可能已经提供全面分析和训练干预。
移动评估和诊断中的另一挑战是执行中的可变性。通过直接观察所见，在重复试验中人类表现通常存在显著可变性，使得难以应用全面且详细描述个人的技术和技能的定量模型。另外，由于解剖结构、风格、健身和技能水平的个别差异，由目标为相同一般结果的不同人产生的移动可能表现为相当不同。因此，能够捕获用户的唯一要素和特征且能够连续地使训练方法适应用户的演变技能可以是有帮助的。
个人之间的差异体现在其总体模式和其移动阶段结构中。然而如已经论述，阶段结构取决于生物力学约束，生物力学约束由例如身体类型、体力和动作协调等个别特性决定，并且因此提供对个人的移动的较详细理解。举例来说，对于初学的网球运动员，向前击打将是基本移动，包含从肩部关节实施的向前摆动运动。在技能获取和开发的过程中，大脑将学习较好利用其身体潜能、其身体片段的协调范围以及其它移动系统组件(图5)。
熟练的行为依赖于有组织的策略，且构建在神经过程的良好定义的阶层式组织上。观察到的移动的例项属于用以支持任务执行所需要的交互的移动模式的特定类。因此，捕获移动且将它们聚合在类内提供了即使面临变化也能进行系统性分析的解决方案。这些移动类对应于移动单元。
因此，为了实现系统性数据驱动型训练过程，从技能评估到技能缺陷的诊断，到定义训练目标和协议，以及用于帮助解决那些缺陷的各种形式的反馈的合成，定义全面建模语言可以是有帮助的，所述全面建模语言捕获移动的结构和组织且建立于人类移动科学的基本原理上。
遵循自然语言处理的实例，在概念上，核心技术集中于对移动数据进行解码以提取可用于技能分析的相关移动要素。自然语音处理中的相关要素是语音产生的组织单位，称为音素。经解码的音素随后可用以识别词，且最终识别声音的意义。为了帮助提取可用于个人移动技术的技能分析和诊断的移动单元，类似于语音的这些单元必须与用于移动产生的过程有关。随后可更容易地将这种类型的分析的结果翻译成指令且用以合成增强系统。
与分析问题并行的是，数据驱动型技能增强环境需要系统基础结构来运作各种过程。所述基础结构的基础是从支持运动技能数据的高效处置、处理、跟踪和管理的移动单元导出的数据结构。另外，数据结构允许技能组件和其功能特性的编码以设计以移动技能执行和学习的精确方面为目标的反馈机制。
所提出的建模语言和技能模型以及伴随的技术基础结构可适应在人类表现中自然发生的细微差别，且建立在人类移动系统固有的结构特征和其各种功能和学习机制上。此外，方法捕获给予用户在活动领域中的多样表现的全局技能组件，以及对于表现和适应特定任务要素和条件所需要的特定技能组件。且最终，它可以一般化到不同活动且扩展到更大群体。
图4示出用于其它移动活动(网球441、高尔夫442、康复443、滑雪444、跑步445和游泳446)的主移动单元的移动架构的实例。附图还突出了移动阶段和主结果。
动作学习
通过响应(移动行为)的选择过程产生行为，所述过程通常基于可观察的环境状态。因此行为的成功结果取决于行为类型的正确选择和其正确执行。学习被定义为由经验产生的行为的改变。学习通常通过加强正确行为的反馈而改进(效果定律)。
经典动作学习理论提出受试者具有响应的谱录，一些是奖励的且因此被加强，从而增加其复发的概率(见Thorndike in Adams 1987)。由于此过程，受试者开发且精炼其行为的谱录。更为新近的理论已经研究可以通过神经可塑性如何解释移动模式学习。举例来说，神经元群组选择理论(Edelman，1987)假定给定主要环境或任务条件和约束，大脑基于移动的自适应性如何而选择性地加强模式的形成。最佳支持当前任务的模式被加强，而不成功的模式被丢弃。具有正自适应值的移动将更频繁地再使用。通过再使用，模式将根据其自适应值被精炼。
学习过程因此取决于向受试者告知其移动行为的成功的信号的可用性。此外，对于复杂行为，关于单独结果或所谓的结果知识的信息可能是不足够的。对于复杂移动，组合移动技术的理解，即认知水平，与在执行期间和/或之后所述技术的特定方面的反馈可以是有帮助的。
增强的技能生态系统
数据驱动型训练系统建立于先前在第2017/0061817号美国专利申请公开案中描述的增强的技能生态系统上，所述美国专利申请公开案以全文引用的方式并入本文。
图21示出根据三个主反馈回路组织的包含其主过程的数据驱动型闭环训练系统。评估环路200被配置成具有五个组件。提取器201从目标运动提取运动要素。可以从增强环路202引导提取的运动要素，所述增强环路从用户训练或运动收集信息。增强环路202可具有在移动过程222与提示系统224之间的反馈环路。另外，增强环路202可从指令模块203接收信息。指令模块203可以从用户或培训师接收一组目标技能204。可以将赛程数据226提供到提取器201。提取器201输出生成运动模型205，所述运动模型可随后用于基于参考技能数据207的评估和诊断206。可以提供测量过程，其将行为或移动的方面映射到一个或多个测量信号中。
系统运作训练过程且创建在随后逻辑开发中构建技能的系统时间表，这与人类学习原理一致。训练从用户的现有动作技能开始，且通过使这些技能朝向指定目标技能塑造而继续。
评估环路(AL)对应于与例如在训练列表和训练时间表/规划中对受试者的移动技术和和技能、技能诊断和知识组织进行建模相关联的数据获取和处理的过程，以及增强定律的合成。训练环路(TL)对应于与训练活动的管理和组织相关联的交互，包含查阅技能状态、学习移动技术、选择用于赛程的训练要素和目标、安排训练或执行赛程，以及最终跟踪训练过程的进展。最内部环路是反馈增强环路(FL)，其对应于移动活动的实际执行且包含在执行期间传送到受试者的反馈线索的效果。
提示系统124可包含两个组件：线索处理器和线索生成器。线索处理器将移动数据翻译成线索信号。线索处理器实施有限状态估计器和提示定律计算器。有限状态估计器是用户的移动模型(其自身表示为有限状态机)的近似。线索生成器将线索信号翻译成物理刺激；在用户参与活动时系统实时操作以提供反馈。提示定律计算器取得状态估计和运动数据且对它们进行运算以计算是否将递送线索以及应当传送何种线索。反馈合成模型决定了提示定律计算器如何操作，而有限状态估计器是由用户的当前移动模型定义。线索生成器取得线索信号且将其翻译成由换能器产生的反馈刺激(音频、视觉、触觉、符号或其它类型)。换能器的形式由平台实施细节、用户特性、设备参数、环境状态和/或其它问题决定。
系统从在使用或运动赛程期间发生的用户的身体移动接收输入。测量可捕获为了完成活动而执行的一系列移动行为(例如，与网球击打相关联的所有运动、与高尔夫摆动相关联的所有运动等)、相关联任务条件，以及与例如任务要素的感知等较广泛功能组件相关的要素。
具体实施方式
图1示出应用于移动技能训练或康复的人类增强系统101的一个实施例。在此实例中，系统组合了例如智能电话102、智能手表103或有线或无线通信中的其它处理器等现有装置与附接到或嵌入于网球拍105中的运动跟踪装置104。装置104使运动测量流动到智能手表102和/或电话103或其它处理器。运动测量值通常是从MEMS IMU(例如，购自STMicroelectronics and InvenSense)获得，所述MEMS IMU通常包含6轴加速度和角速率和3轴磁力计，其经常用以估计空间中的绝对定向(姿态和航向参考系统或AHRS)。
如第2017/0061817号美国专利申请公开案中所描述，在此系统中以不同水平处理运动数据以再现对于受试者的训练或康复有用的信息。处理是跨越典型物联网(IoT)组件分布的，所述组件例如可穿戴/可嵌入装置、智能装置和云基础结构。这些过程的隔离取决于时间要求，例如可接受延迟或时延、所需的计算容量、数据可用性，例如受试者的历史和甚至更大的群体数据和元数据。其它因素包含流式传输带宽和功率要求。所有这些因素组合以确定最佳网络拓扑、数据结构和管理以及硬件选择。
为了从收集的收集移动测量数据再现有用信息，识别结构特性，所述结构特性可随后与特定动作事件或动作相关。为了技术和技能的计算分析以及最终用于训练指令的有效反馈的合成，将移动分解为移动要素可以是有帮助的(参见图3A-5)。
移动特性可以表示为几何和拓扑性质，其可以与移动组织和技能的特定方面有关。举例来说，可以在移动阶段描绘中观察移动特性，例如球拍角速率的移动特性。可以对移动数据集合进行模式分析(例如，使用主分量分析、相空间分析和非线性时间序列分析技术，例如状态空间嵌入)。另外，机器学习技术可应用于分析移动的特征和特性的分布，以及聚集且分类数据以确定模式，所述模式又可用于确定总体系统的较深组织。给定人类表现的移动类型的多样性和可变性，通常系统被配置成在继续进行任何个别移动或其分量的较深分析之前区分不同移动类型。
如稍后将更详细描述的图2所示，在用户的环境中嵌入或部署的一个或多个运动传感器可以与系统一起使用以提供包含一个或多个用户、动作者和其相关联设备(如果存在)的移动动力学的测量。如本领域的技术人员将了解，给定移动系统的阶层式水平的深度，可以在多个水平进行运动分析的范围。举例来说，其可以集中于神经动作方面、移动技术和结构、这些移动的特定结果，一直到描述如何在任务中部署这些移动的战术和战略水平(见图31)。图2中的图示描绘测得的或捕获的量的不同类别。输出侧(测量和观察)包含行为量(例如末端执行器、身体片段的移动；视觉注意；肌肉激活)；任务和环境要素和对象。在输入侧是运动跟踪相机70、凝视跟踪/AR装置80，和其它传感器输入。
移动技术和功能特性的固有移动结构的分析可用于技能分析。可以通过集中于移动与环境和任务要素的交互而形成此分析。例如网球运动员等操作者或代理在与环境和任务要素的关系中组织其行为。
所得的行为组织组合了与人类移动系统的自然组织以及任务和环境的结构相关联的影响。图7示出使用网球作为实例的不同结果水平和一些结果测量，且图8示出这些交互如何产生击打的谱录和其相关联击发分布。与机器人和其它工程化系统相比，人类行为的特定独特特性在于人类行为可以视为关系型的，即，移动行为是通过动作感知环路产生并且因此经常固定于特定环境特征和要素中。在例如网球中，可以视为主移动单元的击打指向球场环境中的特定目标区域。
可以在网球击打和其相关联击发(见图7)方面形成的特定人类球场环境感知和相关联移动交互导致任务环境的特定离散化，如图8所示。此离散化的特性取决于移动技能和底层动作、感知和认知过程。举例来说，初学的运动员由于其缺乏对球的控制而可能只能考虑极大目标区域，例如整个对手半场。随着运动员提高，他们对环境和相关联移动的感知变得更精确并且因此得到具有较高分辨率的横跨任务环境的较大谱录，且因此允许更好的任务表现。
图2示出网球的示例性增强活动。主交互是网球击打，朝向球冲击30驱动网球拍20。活动环境要素包含网球球场环境50，带有网52，以及球场上的标记51。一个或多个运动跟踪相机70和/或其它声学或RF运动传感器90可用于跟踪受试者在球场环境50上的运动，包含个别身体片段15、球30和球拍20的细节。其它测量可包含受试者的视觉凝视81，其方向改变取决于视觉注意的焦点、何时跟踪不同视觉线索，包含球的地面冲击32，或越网31以及所要球场落点。同一图中示出的设备40可以被编程以实现不同形式的交互。在一个网球实例中，设备40是发球机，其可以被编程以支持特定击打模式的开发并且因此可以与提示系统结合而编程。
增强的移动执行
本文公开的系统和装置在若干水平增强移动技能，例如：1)提供用于训练的用户反馈，包含在执行期间提供信号；2)在执行期间增强体育经验以帮助集中；3)通过帮助用户参与最佳技术而提供受伤保护；以及4)开发针对开发与训练有关的技能的训练协议。
在许多移动活动中预期模式化特性。在例如网球中，同一一般击打模式可用于生成不同量的上旋或步速。然而，为了最大化这些不同结果，必须形成相异的模式以完全利用生物能力。举例来说，用于上旋或削球的击打在移动阶段的时间和空间布置中具有特性特征。移动模式化是由于移动结果或任务条件的改变如何影响在状态空间的特定操作区内的移动技术。在所要结果或任务条件改变超出某一阈值时，生物力学和动作控制不同地组织以最佳利用系统的能力。从轨迹优化的角度，结果和状况的改变更改系统的“操作点”且导致一组不同约束的激活。由于非线性，这导致出现具有相异动态特性的不同运动模式。模式化对应于每一行为移动类中的轨迹在空间和时间项中保持靠近在一起的倾向。可以使用来自非线性时间序列分析的技术在形式上描述此靠近。使用这些技术，描述在网球击打期间球拍状态轨迹的测量数据可以被聚合且群集以识别不同击打模式，且随后进行分析以确定其功能性质和特性。
例如从整个网球比赛的测量以总计取得的活动的此类表现数据导致相异移动模式的谱录。相异移动模式的此谱录是移动技术优化的结果，即，实现精通特定活动所需的一系列结果和条件。举例来说，在网球中，个人将开发不同击打的谱录以优化所要结果(例如，自旋的类型和量、强度等)且适应一系列冲击条件(球高度、速度等；见图9)。此谱录基本上起到运动模式词典的作用，个别可当参与特定活动时调用所述词典。举例来说，图8示出与不同击打相关联的击发的分布以及技能对准确性的影响和任务环境的离散化的粒度，所述任务环境在此情况下是网球场。
因此，谱录中的移动模式化和组织具有用于技能评估的暗示。举例来说，特定网球运动员的技能可以如下评估：1)提取关于击打的整个谱录的特性，例如，它们如何好地共同实现活动领域中的一系列结果和条件，2)确定谱录中的每一类击打如何好地且一致地实现相关联结果，以及3)确定击打如何好地适应冲击条件。第一分析提供全面评估，且最后两个分析强调运动技能的技术实施。从此分析理解人类移动提供移动技术的较深评估和诊断，其可用于指定训练目标和各种反馈以帮助校正和优化移动技术。
改进移动学习
以下公开内容解决如何使用信息技术、机器学习和可穿戴装置改进移动学习的一般问题。所述公开内容还解决具体问题，包含如何调配训练目标；如何管理较大训练过程，具体来说如何将较大训练目标分解为一系列目标；以及如何基于来自训练活动的数据动态地更新这些目标，所述数据例如技能获取阶段和趋势。另外，系统确定使用何种类型的反馈来增强经验且加速学习过程，何时呈现反馈，给定学习阶段如何确定最佳反馈类型，以及如何区分不同技能要素。
此外，所述公开内容还解决如何最佳表示信息以增强受试者的训练经验。所得系统考虑了在受试者在活动领域中做出进展时他们学习到什么、取决于学习阶段而强调行为的何种方面，并且还考虑人类信息处理的特性以提供可以高效地处理和同化的反馈和信息。
有意训练的中心要求是训练目标的指定以及使用这些目标管理训练过程。这些过程通常由人类教练或理疗师处置。本公开的贡献是能够遵循计算数据驱动型过程运作的训练的算法和系统。本公开解决两个中心能力：训练目标的计算，以及训练过程的安排和管理。
一般方法是使用移动数据评估技能且识别缺陷，随后指定训练目标以解决这些缺陷。关于训练过程管理，一般方法是：i)利用人类技能学习过程的自然结构和组织；ii)使用来自个别受试者以及来自较大群体的信息以提取知识来导引过程，同时考虑个别特性。
技能获取过程的结构指代由于活动(训练或经验)而随时间发生的改变类型，其表现为通过移动技能属性和任务表现中的特定改变表征的学习模式的序列。通过应用群体思维，即，考虑跨越具有不同技能水平和移动技术的受试者的不同群组的技能获取过程，以及考虑影响此过程的广范围的因素，有可能提取关于更大技能获取过程的知识，这又可用于指导训练或康复。
这两个目标都要求将技能视为可以定量表达的显式概念，例如分解为可以从表现数据计算的技能要素。此外，此技能建模语言应当适用于执行者的不同群体以使得可以跨越相同以及不同的个人提取技能量中的时空关系。且最终，此语言应当跨越不同形式移动活动是有效的。
为了实现这些目标，在第2017/0061817号美国专利申请公开案中详细说明的阶层式移动模型方面形成技能开发过程。人类通过开发与任务或活动的总体目标中涉及的任务和环境要素进行交互所需要的移动模式的谱录而变为精通任务或活动。图11示出随时间的移动模式的发展。其被表达为现有模式的区分以及新模式的形成。
模型涵盖移动模式的谱录，以及与在与环境任务的交互中使用的移动模式相关联的移动结构。特定移动功能结构(MFS)还使得有可能跨越移动系统和任务结构的组织层级提取广范围的移动技能属性。
对应于主移动单元的移动模式通常与活动中发现的主交互相关联，那些交互中的一些在环境或任务要素上产生特定结果，且因此可以通过其结果和操作条件范围来表征。因此，与这些主移动单元相关联的运动模式可以视为基本技能单元或技能要素。
图6给出移动处理的概述，从移动单元提取、其分类、用于每一类的移动模型开始，随后是用以确定在技能评估和诊断中使用的相关技能属性的技能模型。图还示出这些技能要素随后如何聚合以产生谱录，这提供受试者的技能概况的基础，可随后用于分析技能发展(学习曲线)和群体分析。
这些模式的识别与技能发展结合以及其在纵向获取过程上的界限使得有可能跨越较大群体使相关移动技能属性相关；这又实现训练过程的系统性组织和管理。
技能单元的定量定义还提供在反复学习方案下程序化训练的基础，所述方案指定如何随时间计算和更新技能评估、诊断和训练目标。系统还并入有在第2017/0061817号美国专利申请公开案中定义的移动执行增强(图22和23)，其用以帮助引发移动技术的改变。
接下来回顾此训练代理系统的实现所需要的中心概念。
技能要素和技能概况
第一能力包含对个人的移动技能的精确且全面评估，且更一般地，数据驱动型训练包含跟踪这些技能要素的各种属性。使用运动模式作为技能单元实现了移动技术的可定量、增量改变的制定，以及其由于经验或训练的对可测量结果的相关联影响。技能要素中的所有改变的总和还最终产生带有技能对活动或任务执行的较大影响的某个总体技能水平的增量改变。
技能模型中的技能要素表示技能获取的基本单元。其被定义为与特定类的移动模式相关联的主结果，以及描述相关移动特性的相关联属性。这些技能要素是从在第2017/0061817号美国专利申请公开案中指定的移动系统阶层导出的。它们涵盖：(a)移动模式类的谱录，其中每一类别由经分解为若干阶段的移动模式描述；(b)移动阶段，其是通过生物力学约束和由环境交互的性质产生的其它约束决定的移动功能结构的表现。
技能要素可以组合以形成受试者的全面技能概况，所述技能概况带有与技能要素相关联的技能属性。个人的技能概况可以精确且全面地表征为可以从阶层式移动模型导出的技能要素属性以及在活动领域中使用的谱录中的所有移动模式中潜在的功能结构。
本公开延伸了在第2017/0061817号美国专利申请公开案中涵盖的此移动模式功能分析和评估以涵盖任务水平执行，这是基于移动模式类支持执行特定任务或活动所需要的交互的事实。任务表现度量可以从移动模式的谱录的属性计算。举例来说，可从各种移动模式的使用频率确定简单度量。
用于较高级评估的较详细模型可从移动模式的时间序列确定。在谱录的级别的时空模式，即在何处以及何时使用何种移动模式，也实现与表示认知功能的规划和策略相关联的高级决策过程的说明。此延伸的任务表现分析提供了比较运动员或执行者的工具，即支持分析竞争性水平表现。它们也可以使用群体分析来扩展(见运动员概况的概念)。
这些要素一起使得可能评估和诊断受试者的较高级功能中的一些，包含感知机制、注意和决策。这些量实现技能的全面且精确量化，并且因此提供计算框架在移动系统和任务结构组织的不同级别驱动训练的基础。举例来说，技能模型的各种参数的目标参考值(见图1中的目标技能)可用于在从用以优化结果的移动技术的特征到较高级属性的不同级别驱动技能或执行属性，所述较高级属性例如在网球场的特定区域中的网球击发的成功率。
训练目标
为了驱动训练或康复过程且实现定量数据驱动型训练，指定训练目标可以是有帮助的。训练目标是将产生技能水平的所要递增的受试者移动的目标改变的定量规范。培训目标以移动技术中的可行特性为目标，并且因此代表实现较大技能水平目标的驱动力。
目标通常组合了移动结果中的预期改变与相关联移动特性(功能要素)。为了产生用于训练的有效驱动力，可以通过如第2017/0061817号美国专利申请公开案中定义的一系列指令和反馈线索来增强训练目标，所述指令和反馈线索可涵盖信息处理水平的不同组件以最佳地以移动功能模型的各种属性为目标。
为了有用，训练目标应当是：可行的，范围充分宽的，有效的，且现实的。通过满足这些要求，训练目标使受试者能够有意地训练且实现技术的可预测、可定量改变，其得到相对于现有技能水平的技能水平改进，而且提供达到所期望熟练水平所需要的技能的长期开发的途径。
为了可行，训练目标必须表示移动技术的明显改变(和相关联视觉、感知等过程)。这是通过建立在刚才描述的移动和技能模型上来实现。
为了具有足够的范围，训练目标必须涵盖在特定活动或任务中操作时从事的移动行为中的各种特性。这是通过借助阶层式模型和移动功能结构达成的全面评估来实现。
为了有效，训练目标必须提供可行的里程碑，所述流程表带来技能朝向下一层次的增量改进，且与较大的开发或技能获取途径一致。这是通过考虑较大技能开发过程来实现。
最终，为了现实，目标必须建立在受试者的当前技能水平和个别条件(例如，由健康、年龄、身体素质等施加的约束)上。这是通过考虑在全局训练或康复途径内受试者的特定位置且将训练目标指定为现有技能属性的精确增量改变来实现。
训练目标的计算
本公开描述了如何识别且随后指定训练目标。训练目标被指定为技能要素属性的目标值。用以制定训练目标的目标技能值是从个人的表现数据计算，且通过群体数据扩展。一般方法是基于描述个人的技能要素和技能概况的统计模型。
表现中固有的可变性自然地导致用于这些属性的值范围。此统计模型提供个人的技能分析的基础(见图19)。通过特定移动技术特征与关于任务表现的所选结果之间的关系的推断来执行移动诊断。
图19示出一些实例技能属性的分布。通过某个目标函数捕获技能水平，所述目标函数鉴于其水平线而示出(此处示出为低、中、高、极高)。所述信息指定属性必须改变以实现较高技能水平的方向。可以从个人的数据或从较大群体获得的数据导出层次。
技能获取过程和训练过程管理
本公开还描述确定训练目标和管理训练过程所需要的计算框架。所述框架是基于技能开发或获取过程模型，并且如已经论述是建立在第2017/0061817号美国专利申请公开案中详细描述的移动和技能模型上。
此训练过程模型考虑了技能的开发作为技能要素的谱录的获取。此过程持续较大的时间段，且受到广泛范围的因素影响。将技能发展表征为一系列移动模式(即，技能要素)的形成，有可能分析获取过程，且实际上应用获得的知识以优化个人的技能获取过程。
本公开延伸所述技能模型以考虑技能获取过程。此过程形成为移动技术的一系列变换，其描述用于每一技能要素的纵向发展或获取阶段(表征用于移动模式的形成和合并的大脑和动作系统的自然学习过程)，以及这些如何体现为移动功能结构，和总体技能概况。通过学习曲线描述典型学习过程。然而，这些并未捕获与学习复杂移动相关联的结构改变的细节。
基于所提出的模型，随着个人变得更精通，他们可以：i)在现有MFS内实现更佳行为；或更根本地，ii)开发一种新功能结构，所述功能结构较好地利用生物力学能力和对于在任务中的交互需要的其它支持过程。移动功能结构因此提供帮助在技能发展中的阶段之间划分的特性，并且还提供使不同执行者或受试者相关的基础。
总体目标是使受试者的MFS沿着较大技能发展过程演变，随后是最佳适合于个人、和其总体表现或技能目标的阶段。后者取决于广泛范围的因素，包含期望/动机、需要(例如，对于专业人士)，以及由生物和健康条件决定的各种个别因素。
特定获取顺序一方面可由任务要求确定，由可以与任务的执行相关的交互(结果和条件)指定，且另一方面，给定例如当前技能水平、神经动作和协调的开发中涉及的身体因素时决定什么是可行的个人因素。学习过程可以鉴于技能获取阶段来表征，所述技能获取阶段提供信息以确定最佳干预类型、驱动力和追求训练目标的活动。
群体数据能够捕获较大因素集合，并且因此提供有用信息以帮助定向和安排此过程，且同时考虑这些个别因素，即，不同的身体类型、受伤或健康条件如何影响技能获取过程、技能概况和总体表现。
群体分析
较大技能获取过程的细节是基于从执行者的群体收集的移动数据而确定。群体数据提供关于当考虑在群体中表达的影响此过程的广泛范围因素时凸显移动技能获取的全局特性的理解。本质上，它通过使提取的信息上下文关联来使提取的信息可行。
因此，一般想法是习得的全局群体特性可帮助支持训练和康复的个性化。通过提供使个人的技能属性和技能概况与较大群体相关的参考数据来支持个性化。此数据提供关于技能属性的局部参考，例如，特定属性必须改进多少以获得技能水平。它还提供关于从所述局部技能状态的纵向技能发展的更全局参考，例如，移动技能的哪些方面必须优化以及以何种次序优化以产生有利的长期发展(例如，技能水平的较快进展和较低的受伤发生率)。因此，从较大群体提取的信息可帮助引导局部执行和更全局的长期训练过程(首先集中于什么方面等等)。
本公开还详细描述对于群体分析和延伸的任务表现水平特定的技能评估和诊断的计算模型。群体分析建立在从第2017/0061817号美国专利申请公开案中的移动阶层式模型导出的技能概况上。从群体视角看的技能分析是在运动员概况的概念下定义，所述概念在较大群体的背景下描述技能属性以基于移动技术的类型或风格捕获运动员的类型。运动员概况也可以涵盖较高级特性，例如涵盖在任务或活动的设定中如何利用或采用移动模式的游戏策略。
图30描述跨越移动系统阶层(见图6)应用的并入有运动员概况的评估和诊断过程。主要组成部分是：(a)在形成、合并或优化阶段中的谱录中的移动类的确定(基于个人的技能获取阶段)；(b)在任务的执行中如何使用这些模式的确定(例如，基于使用频率和游戏或执行策略)；(c)技能要素的哪些方面需要改进的识别，例如，主结果的质量，这可以通过在动作控制阶层的不同级别的干预来实现，所述不同级别是从任务级别注意到较深移动技术(基于属性)。
通过从群体分析导出的参考值增强的并入有运动员概况的技能分析使得有可能考虑支持个别化训练所需要的一组广泛的因素。
训练代理系统和过程组织
最终，本公开还更深入研究支持数据驱动型增强训练的系统架构。确切地说，不同增强模态(指令、线索、设备)之间的界限，其跨越人类信息处理系统的部署，以及数据和信息管理基础结构。
图22描绘增强系统架构的主要素，描绘了增强的活动(具有反馈提示和/或设备交互)、人类系统增强环路(具有通信和UI系统)，以及由训练代理系统驱动的训练管理和配置环路(未图示，其执行建模、评估和诊断以识别可以作为训练目标被激活的训练要素)。图22还突出了利用人类的自然信息处理水平的增强的主层次。
这些包含象征性地、口头地或视觉上传达的“认知水平”信息(此处作为由视觉UI或自然语言提供的指令或通知，例如智能电话或智能手表、眼镜等)。指令和例如通知等其它形式的信息是由通信系统提供，通信系统可包含用于文字和图形对象的视觉显示和自然语言处理系统。指令通常被设计成帮助受试者理解其技术和表现。
“反馈线索水平”描述经由一些提示系统传达的信息(此处为可听信号)但还可包含视觉或触觉系统。且“信号水平”包含提示信号和活动交互(例如，发球机)，它们通常与移动执行同时传递。
图23示出与反馈提示系统相关联的增强的人类表现，强调了在典型感知动作环路内的低级信号和线索。移动数据由提示系统实时处理以计算线索刺激，线索刺激被设计成帮助执行者改进移动的特定方面，例如通过充当加强信号。
应注意，提示也可以用以帮助集中注意力于任务环境的相关要素，包含例如任务对象(网球)的位置或所述对象的特征(球轨迹)或可用于预料对手移动结果的对手移动的特征。预料信息可例如帮助受试者选择移动模式。最终反馈线索还包含可由受试者使用以对移动的执行定时的线索信号。
各种形式的反馈增强是通过已经基于针对当前时期和历史记录的受试者移动和技能模型合成的算法来计算，且还可包含来自较大群体的参考数据。
在与反复学习有相似性的计算框架内形成训练过程。所述框架描述用以支持技能评估和诊断的数据集的管理，所述数据集包含运动和技能模型(技能概况和运动员概况)，以及训练目标和增强的合成(指令和提示定律)。
数据管理过程涵盖：i)数据集、模型、基线的产生；ii)跟踪其有效性；iii)且更新这些量以支持有效增强的训练过程。图49示出此过程的顶层逻辑图，且图25示出过程流程图，突出了跨越评估和训练环路的过程堆栈(数据获取和处理、运动模型、技能模型、训练目标、增强定律)随时间而变的活动。在每一赛程期间，收集且处理活动数据。
如图25中所示，运动模型、技能模型、训练目标和增强定律通常基于其相对于新赛程数据的有效性而更新。应注意，此处未示出用于反馈增强(提示系统)的处理堆栈。例如在n-3，在运动架构的改变后实施完整更新。在赛程n-2，运动模型仍是有效的，且剩余参数不需要更新。在n-1，验证技能模型，且在训练目标上的进展提示训练目标和增强定律中的更新。在赛程n，更新技能模型(技能状态)且连同增强定律一起确定新训练目标。在赛程n+1，完全更新包含运动模型。
在对局、赛程和时期中界定训练过程。前两个是组织活动和训练需要的时间段(见图58)。时期对应于与支持量的计算和处理的数据集的使用和更新对应的时间段。当移动技术和执行已经演变超出当前模型的有效性时新时期开始。每一时期通常涵盖针对谱录中将驱动下一技能水平递增的移动类范围的一组训练目标。更为新近的移动数据集合用以创建新运动和技能模型基线，在移动处理算法中使用的所有参数(例如，分类)，以及支持技能属性的计算、训练目标和各种反馈的合成的其它算法。
超出时期的较大尺度时间段是基于群体数据中的模式而定义，且通常将对应于运动员或执行者子组中的特性。发展阶段之间的转变通常涉及移动技能的较深改变，例如移动功能结构(MFS)的重新组织。
由此系统引入且从自然获取过程结构导出的时间结构，以及当然所有相关联量，提供了训练过程的管理的基础。获取过程中的结构模式可以告知如何计算趋势，生成参考数据，以及数据驱动型训练系统的其它关键能力。最终，运动数据、模型、技能概况和所有训练要素当随时间提取时也可以用于在受伤或中断训练或练习的其它原因之后启动恢复或康复。
人类移动技能
开放动作技能和其特性
移动技能可以分类为两个主群组。第一，所谓的闭合动作技能涉及执行者发起动作或移动的稳定环境。这些条件允许选择最佳移动或动作以实现任务目标。闭合动作技能因此可通常以系统性方式通过识别条件和这些对应条件中的训练移动而习得和完善。
第二，所谓的开放动作技能涉及具有改变条件的动态环境，且需要响应于任务和环境条件。这些条件也需要较宽范围的移动和动作以适应和实现任务目标。开放动作技能通常涉及学习感官动作行为的大的谱录和相关联感知机制，以及规划机制。系统状态和任务条件的宽范围使得难以理解要训练何种移动模式。在动态环境和条件下的表现也使得较难以创建有意义的训练任务条件。此外，难以预测训练所需要的条件的特定范围，因为行为是得自于执行者与他或她的环境之间的动态交互。
许多人类技能涉及开放系统，其特征在于受试者与环境之间的能量交换(Davids，2008；还见Kugler 1982in Davids第57页)。这些系统中的技能需要采用与身体表现(能量流)和控制执行(系统结构和行为)两者有关的信息。
支持动作控制的神经系统是以阶层式组织以实现移动的高效编码和编程。动作控制的中心理论是减轻与大量自由度(DOF)(产生于许多肌肉和关节)相关联的复杂性，移动模式利用所谓的肌肉协同作用(见Bernstein，1979)。协同作用对肌肉群组和关节之间的协调进行编码且进而减少需要控制的DOF。它们表示阶层式和模块化表示的功能元件，所述功能元件可以由中枢神经系统高效地采用以编程和执行复杂移动。
除与DOF问题相关联的复杂性之外，编码和学习针对每个所要结果和可能状况的个别移动将导致存储难处理的大量信息。动作控制理论中的另一中心概念是人类和动物学习一般化的动作程序(GMP)而不是学习个别移动程序。这些GMP指定整个运动类的肌肉激活模式。在所谓的纲要理论(见Schmidt，1975)下针对移动控制介绍此概念。GMP通过将共同移动和感知特性编码为一种形式的纲要来实现效率。这通过允许适应条件或结果的变化所需要的特定移动特性的变化而提供灵活性。如Newell指出，它解决了执行的无穷可变性和新颖性的问题(Newell 1991)。
此外，开放动作技能中的大多数移动与任务和环境的动态要素相关。所得的条件和状态的组合显著增加了要执行的学习的复杂性。举例来说，网球击打是针对传回球的动作，球自身相对于运动员和球场在移动，且网球击打的执行还取决于身体相对于球场的运动和球轨迹。考虑所有这些维度导致需要提取和编码潜在难以处理的大量信息。
在生物体和环境交互而不仅仅是生物体上定义协调。移动与环境之间的联系通过行为的生态理论加强。然而，此“延伸的”协调问题增加了相当大的复杂性。然而，存在从系统组件中的交互出现的结构特征，人类和动物感知和控制过程已经演变而利用所述结构特征，从而极大地简化信息提取以及规划和组织行为所需要的内部表示。Gibson关于视觉感知的工作证明相对于环境的协调行为中涉及的一些信息要素事实上容易从环境的视觉观察得到(所谓的直接感知，见Gibson，1979)。
因此，在熟练的移动任务中有效地操作的一个方面是与环境感知和行为组织相关联的过程的自动化，以分别利用信息流和行为动力学的自然结构。此策略使得需要从感官信号显式地处理的信息、针对动作需要编程的信息以及需要存储的信息的量最少。
移动模式和负担力
当在新环境中操作或执行新任务时，生物体必须识别将习得新动作的机会。如何学习和/或识别对任务或目标产生贡献的行为？在生态心理学中，负担力的概念描述了环境为动物提供或补给了什么，暗示了动物与环境之间的互补交互(Gibson，1979)。基于此负担力概念，动物或人类必须本质上学会辨识或感知负担力。因此，学习技能可以视为学习辨识负担力且适应行为以有效地利用这些负担力的过程。
负担力可采取广泛范围的形式。它们可以是静态的，例如供人坐的椅子，或者是动态的，例如供攀爬的楼梯。研究人员已经开发和适应负担力的概念到特定领域。Norman例如使其适应人类计算机接口(HCI)的领域，其中良好接口以用户容易感知的形式传达动作可能性(Norman，1999)。
对于熟练的移动任务，负担力是基于代理环境系统的动力学而指定。此类系统通常是复杂、高维非线性系统，其中许多组件通过其过程和物理组件(包含身体片段)进行交互。复杂非线性动态系统的特征在于凸显的行为(有关人类移动的凸显的行为参见Davids2008)。支持移动协调的物理系统以及肌肉和感官动作连同与任务和环境要素交互所需要的各种过程形成复杂系统。因此，移动模式和其性质的总体演变是凸显的现象。
在(Mettler，2015；还参见Kauffman′s 1993和Van Gelder and Port 1995第31和32页)中使用交互模式的概念针对空间导引行为研究了这个视角。交互模式是代理环境动力学，其用于实现运动行为的高效学习和编程。已经表明它们表示满足等价关系的性质的行为不变量(Kong&Mettler，2013)。因此，它们提供将复杂高维代理环境动力学高效分解为小的行为集合。类似于身体协调中的肌肉协同作用，但此处描述代理行为相对于其环境的协调。
这些凸显的交互模式可以由人类或动物采用，且提供在复杂环境中实现自适应且稳健表现所需要的功能能力。除在它们起到组织单元作用的情况下帮助行为的组织以外，交互模式是感官动作功能的功能结构的表现。因此，交互模式还表示一类功能单元，其帮助不同过程(控制、感知和规划)之间的系统范围的整合的组织(Mettler，2017)。
因此，当考虑高级开放运动技能时，负担力可以形成为复杂动态系统的凸显性质。将行为理解为从代理环境动力学凸显的交互模式提供了关于学习到什么的额外洞察，并且因此帮助确定在活动领域中获取的此隐性知识可以如何建模。感官动作技能调节了代理动力学与任务和环境要素之间的交互，并因此从较大视角来看，它们决定了操作者或代理可用的负担力。
将行为视为代理环境动力学的性质表明学习过程的两个组成部分。第一，学习涉及辨识通过受试者的控制和感知能力实现的负担力。第二，受试者必须学习利用并且进一步塑造这些可用负担力以改进较好的任务表现，或更通常而言，适应在任务环境中产生的状况和意外事件。
且此外，为了受试者在开放动作任务中改进其技能，他们应当识别：1)新负担力的可能，和2)改进交互的质量的机会。第一个导致了行为的谱录的发展，且第二个导致了移动模式的精炼。
当代理完成移动学习任务时，他们的现有感官动作能力决定了可能负担力的范围，即，未被利用的潜在负担力。代理随后应当学习识别和利用这些负担力。一旦识别，完全采用这些潜在负担力就需要精炼且优化感官动作过程。新获取的感官动作能力又产生新负担力。因此，此过程描述增量学习过程且解释了在活动领域中达到熟练所需要的广泛训练和经验。
人类动作系统
人类动作系统已经演变来管理涉及与环境要素的交互的多种移动任务，同时高效地处置在执行期间产生的不确定性、干扰和意外事件。虽然人类移动系统具有极大潜力，但对于高水平的动作机构需要系统性和专门的训练。此训练要求在任何活动领域中是类似的，例如体育运动、音乐或职业任务。移动任务约束可以划分成外在和内在因素。外在因素包含与环境的交互，例如脚撞击或球在球拍上的冲击。内在因素包含生物力学、人类动作控制，和由被操纵设备的动力学产生的影响。大多数熟练的行为是针对实现特定结果的所谓的有意行为。因此，在体育或职业活动中学习熟练的行为涉及学习掌握这些交互以便实现所要结果或目标。人类移动系统和任务环境的联系必须被视为联系的系统。如果单独地考虑外在和内在交互，那么复杂性将是难处理的。
在结构和组织移动行为要满足外在和内在因素两者的策略使用中可以找到有效且高效的解决方案。大脑会演变出特定组织结构和功能性以高效地应对这些复杂性。最优地处理两个领域的联系且实现足够适应水平的大脑和感官动作机制是自然选择的结果。移动技能表示物种适应性的关键方面。因此，大脑的特定结构和组织，包含神经系统和较大生物力学系统，支持实现高效且自适应行为的自然解决方案。因此，移动系统的一部分是基因决定的且是先天性的。然而，动作技能，特别在有意的专门移动技能中，是基于在任务和环境内的重复交互习得和完善的。最终，学习移动技能涉及由于神经可塑性带来的皮层的改变。然而，这些改变遵循由各种皮层结构(小脑、顶叶皮层、动作前和动作皮层，和前额皮层)的组织规定的特定过程。因此，在生命早期当大脑仍在发育时最佳地获取移动技能。
对于复杂移动行为已经描述三个形式的行为单元。在顶层，运动原语涉及“动作当量”的概念，其已被识别为动作行为的基本特性中的一个。想法是同一移动行为可以在各种情境中重复而无需改变运动的总体形式。因此，将人类移动行为分段为运动原语已是最成功的，原因是问题空间中的对称性和等价性带来的执行中的不变特性。
此外，由于复杂移动是从一系列移动阶段获得的，因此下一级原语表示可以循序地组合以构成移动的片段。这是由于利用了模块化原理的大脑的高效编码。最终，最后级的分解涉及所谓的肌肉协同作用，其表示描述不同肌肉激活和相关联身体片段位移的并行组合的移动组成部分。顶层原语视为主运动单元，其支持与任务和环境要素的交互，且下部两级，即指定移动架构和协同作用的移动阶段，提供了与环境交互和生物力学约束的关系中的功能特性的理解。
移动系统的这些要素可以从使用模式分析从测量值提取的结构特征导出。取决于配置和条件可能存在满足这些约束的大量移动模式；然而，它们通常全部共享使得能够识别和分段移动模式的特性特征。肌肉协同作用可以从因式分解方法(例如，主分量分析或非负矩阵因式分解)获得。一般想法是许多移动可以被描述为一般模型的变化，且一旦指定一般移动类别，则实现稳健移动执行所需要的某些机制是允许使那些移动模式适应条件的改变且在相似任务或活动中将它们转移到不同情境的那些机制。
学习原理
与可从低级动作功能产生的周期性和反射性移动相比，熟练的移动通常涉及依赖于较高级动作、感知和认知功能的特定目标或结果的有意表达。这些移动可以是完全自我发起的，例如，拿起电话呼叫某人；它们可以表示在较大任务的情境中的阶段，例如，当准备食品时打开碗柜，或送回网球发球。如这些实例中所见，移动很少是孤立的行为，但是与世界的较大一组交互的部分并且因此通常是一连串行为的部分。
学习有意熟练的移动涉及学习决定动作的正确形式和顺序的动作程序以及提供信息以微调移动特性的感知线索，它们将能够成功实现既定目标或结果(例如，达到抓住物体或对球赋予动量)。学习涉及在重复任务或相似任务时在现有解决方案上迭代。因此，学习必须能够建立在现有要素上，且递增地改变它们以改进结果、效率和总体任务表现。
如本领域的技术人员将了解，教示依赖于两个主模态：示范和练习。示范理论上应当集中于帮助学生理解他们关于行为或移动需要知道什么的指令。练习指代执行重复的过程。研究表明，示范经常太集中于任务结果而不是移动协调的分析。因此可以通过提供在执行期间传递的特定信号来加速移动技能获取。具体来说两个信号将是有益的。第一，突出在移动的组成中使用的结构要素的信号。第二，指示这些要素的哪些特性在移动结果中起作用的信号。然而，这些信号必须适应个人的技能水平和他或她的特定移动技术。
用户在目标和结果方面形成移动能力的抽象理解。用户在大部分情况下学习在哪些情境中使用特定移动模式。因此，在最高水平，人可以从对他们的移动模式谱录的范围和质量的知识来评估他们自己的表现。移动技能的技术细节大部分是无意识的。这部分是因为移动执行对于人类太快而无法直接控制其技术。因此，大多数学习遵循试错法过程。实现目标的移动一般被加强。
难以直接评估移动技术。用户通常仅通过结果间接确定技术。因此，难以明确地指示运动技能系统的技术方面。培训师和教练逐渐使用策略来帮助用户形成与正确移动技术相关联的所谓的感觉记忆。验证正确移动特征的反馈信号可以通过关联而用于加强此移动感觉会像什么的记忆。此形式的反馈因此会加速特定技能的发展和巩固。
反馈类型可以在其时间活动以及它们操作的控制阶层的特定级别方面划定：实时反馈，在执行期间发生；紧接着动作的反馈，例如基于来自移动结果的信息；以及在训练对局或赛程结束时的反馈。与移动执行的感觉、观看、声音等相关联的固有反馈以及移动结果和与任务和环境的交互可以提供可用于评估执行且帮助训练的大量信息。然而，个人必须学习辨识和评估那些信息源。自然反馈描述这些形式中的每一个的反馈信号，它们固有地存在于任务环境和与活动相关联的移动中。图24示出基于线索和交互的自然和增强的反馈。提示系统通过增强例如来自移动结果、任务环境的可用于执行者的自然线索(任务要素和对象、对手的移动等)而操作。增强的线索环境被设计成针对任务帮助人类执行和训练。由与活动且可能与受试者联系的设备产生任务交互。
增强的反馈是补充关于任务或移动的固有信息的信息。文献中辨识增强反馈的两个主要类别：结果知识(KR)和执行知识(KP)。KR表示关于实现的结果或目标的执行后信息。它有时称为加强。然而注意，并非全部移动都具有可与移动执行分开的结果。KP表示关于移动技术和模式化的信息。此信息可用于获取复杂移动技能，例如要求高维空间和时间协调的那些技能。以前，难以测量和跟踪许多活动中的执行。MEMS移动传感器的出现已经带来使用关于来自测量的移动运动学和动力学(动力学)的信息的广泛范围的可能性。
支持学习和执行的自然反馈
在支持熟练的移动学习和执行中涉及若干级别的自然反馈。一个考虑是存在跨越神经系统的阶层式组织在相异的级别起作用的不同形式的反馈。在移动模式的形成和实施中以及在用以校正和调节移动的不同反馈结构中涉及皮层和皮层下系统。在最低级，脊椎和皮层下系统通过接收来自皮层和皮层下结构的命令而物理上实施移动。反馈涵盖在肌肉、肌腱和关节的级别感测到的信息，且在脊椎回路的级别提供调制。在脊椎与皮层下之间是控制姿态的系统。在所述级别的反馈涵盖来自前庭和本体感受系统的信息，还组合了脊椎和小脑的贡献。
在神经动作系统的中心是处理复杂移动模式形成的专用系统，特别是移动阶段的成块和定序。反馈机制使用来自通过视觉、听觉和触觉源提取的线索的信息。此系统的任务是微调且同步行为与外部任务和环境要素，例如适应移动阶段的时序，或调制阶段概况。所述阶段通常是由皮层回路产生的序列的部分。最高结构是用于感知、规划和执行的皮层系统。此系统组合了感官和感知信息的各种源以建立可用于生成规划和监视行为的执行和结果的表示。此系统也可以处置例如呈口头或书面形式的抽象信息。
人类信息处理模型帮助提供对何种类型的反馈信息最有用以及这些反馈适用于移动行为的哪些组成部分的理解。表A概括了作为实例的网球中的信号、线索/标志和符号的类型。在最高级，给定关于总体情境感知的信息，例如从外感受性信息获得的对手行为，基于知识的行为对应于要使用的击打和身体定位等的类型。在中间级别，线索触发行为。在最低级别，信号用以调节肌肉响应。
表A-网球中的信号、线索/标志和符号的实例。
Figure BDA0002375849270000411
在最高级，基于规则的行为涉及基于通常从外感受性信息获得的标志或线索确定激活哪种模式。在中间级，线索用于时间移动执行。举例来说，例如冲击等视觉上提取的球的特定状态可以用于表明发起后摆或向前击打的时刻，以及调节初始加速度的强度。最终，在最低级，基于技能的行为对应于移动模式。信号主要是本体感受信息。
感官动作系统的延迟和时间常数太大而无法为快速度熟练移动提供连续反馈校正。神经肌肉时间常数(从信号从动作皮层到肌肉响应的时间)约为20-30毫秒；另一方面，从视觉或听觉刺激到身体响应的响应时间约为200毫秒。
因此，熟练的移动依赖于开环执行。举例来说，针对间歇性动作基于特定线索和控制阶段的时序而构造反馈。大部分开环执行暗示必须学习片段以便准确再生。且预测移动结果的机制帮助实现在执行时刻对移动的调节。此自然移动功能结构可用作用于增强设计的一般模型以帮助或训练人类移动行为。原则上，可以跨越全部三个级别设计增强。假定在特定已知结果内的训练，运动技能主要涉及基于技能和基于规则的行为。符号级别与形成心理模型相关，例如包含环境线索的移动架构和功能特性。然而，主要在任务和竞争性表现的级别相关，例如规划和策略。
增强的反馈
图24描述增强的人类移动系统中用于实时反馈增强的主要组成部分。反馈增强包括两个主增强形式：反馈线索和交互。提示系统通过增强例如来自移动结果的分析、移动技术的实时分析的可用于执行者的自然线索或者涉及例如任务要素和对象的行为、对手的移动或动作等任务环境的事件生成线索，来实现其效果。一种考虑是自然反馈环境通常是极稀疏的。没有许多相关量是受试者或操作者直接可观察的。因此，增强可以设想为对大脑可利用于改进移动执行和学习的有用信号和线索的补充。
增强的线索环境被设计成针对任务帮助人类执行和训练。任务交互是由与活动且可能与受试者联系以增强条件范围的设备产生。设备还可包含机械地增强人类移动的辅助装置。还请注意，此配置也适用于人类在远程操作中操作的例如手术机器人等环境，其中受试者通过视觉显示器和触觉接口或甚至在假体操作的情境中与系统相互作用。
KP反馈的最有用的形式是贡献于对任务或移动的理解的那些形式。这解释了为何提供一类规范性参考轨迹例如用于进行建模不一定是有用的。在此意义上，KR的优点在于它提供关于移动的隐式正确性的客观信息。
由于人类注意力能力是有限的，因此选择还考虑这些限制且可能以允许大脑利用用以借助信息高效地操作(例如，成块)的机制的方式组织这些限制的增强可以是有帮助的。
产生KP反馈有助于理解任务或移动。这可以通过以与包含生物力学、动作控制和感觉或感知机制的移动的功能维度一致的方式，使用产生连接到移动结果以及在时序和形式等方面组织的KP的移动运动学和动态测量来实现。
因此，为了使生成有助于提供对移动技术如何有助于特定结果和其它属性的理解的反馈成为可能，运动分析和提示平台技术的中心要求是将移动分解为以包含肌肉协同作用的生物力学和动作控制原理为基础的基本移动单元。
同时，使用基于移动的自然功能组织结构化的反馈有助于较好地克服注意力限制，因为移动单元是相干移动语言的部分。最终，加强且教示此自然移动语言的技术将有助于获取增强受试者的移动智能的心理模型。此类型的认知增强将难以使用特用记号系统来开发。
通过在自然功能要素和特征内工作，还可能排除由于个别差异带来的影响。集中于从表现数据导出的移动的结构特性，且随后识别在贡献于结果的功能要素内的特征，使得有可能设计以个别移动特性为目标的反馈增强，但在技能和风格以及可由于受伤和其它因素产生的差异的范围内一般化。
正式移动分析
下文建立在对移动结构和组织的理解上以简单回顾在人类移动的正式分析中涉及的选择概念。
大多数任务包括一系列阶段，且每一阶段涉及自身以相异阶段划分的复杂移动模式。如何构成移动行为的此理解提供了对支持移动技能分析所需要的移动表现数据进行分解的一般方法。理解可以从分析的这些不同要素和水平评估技能的何种方面也是有益的。
移动分析包含至少三个组成部分。第一组成部分涉及将移动分解为主移动要素或单元。单元通常与取决于任务和环境的产生任务阶段的要素的子任务或子目标相关联。这些单元表现为从在任务阶段内与任务或环境的一些要素的移动交互的功能特性凸显的移动模式，并且因此这些单元在本公开中还被命名为移动模式。第二是将这些移动单元分段为移动阶段的序列。且第三是分解为可以并行地组合以实现身体片段和肌肉的协调(即，肌肉协同作用)的组成部分。
因此，存在三个主移动组织级别，包含i)移动概况和其相关联结果。此级别例如对应于任务级别描述，且表示例如网球中的网球击打等总体移动要素或单元。并且，ii)移动概况通常包括一系列多个阶段。此级别对应于生物力学实施方案，即，肢体片段和关节的协调以实现复杂移动。且iii)随后可将移动阶段概况分解为肌肉协同作用。此级别对应于神经肌肉实施方案，即，如何通过肌肉单元的叠加来实现概况。肌肉协同作用表示肌肉激活模式。
第一组织级别对应于由大脑通过与环境和任务要素的交互而开发以高效地分割工作空间的构建块，且实现与任务相关的一系列结果。其涉及可以视为语义特性的内容，即，与任务目标、要素、意外事件和条件范围的关系中的移动要素的意义。
第二级别，阶段分段，对应于移动的功能结构，且与在给定可用神经肌肉系统的情况下由神经系统使用以实现特定结果的策略相关。
第三级别，肌肉协同作用，描述了如何激活各种肌肉以实现在阶段级别的移动概况。协同作用通常提供可以组合以实现多种移动的空间和时间组成部分。因此，预期同一组协同作用可以由其它移动再使用。但是例如在网球中，手臂片段配置在不同击打阶段可能极不同，因此可能在每一阶段中使用不同组的协同作用。
如已经论述，复杂人类移动是高维的，即，其描述需要大量的状态变量(位置、速度、角度)。代表性的复杂性部分是由于涉及线性和角度运动的六个自由度的3维(3D)空间。当涉及多个身体片段时此数目倍增，且一旦考虑到韧带和肌肉则会以指数方式变得复杂。另外，动力学的影响规定了这些状态变量随时间如何演变且通过力的动作交互(例如惯性联接等内部影响和例如肌肉或空气动力学等外部动作)。出于此原因，在3D空间中即使跟踪例如网球拍或前臂等单个片段或对象也需要大量状态变量。
通过耦合微分方程描述其时间演变。对关节配置等的这些不同约束和其它约束导致可以用于分析的几何性质。从控制观点，工程化或机器人技术中的移动编程的制定是从运动方程以及初始状态(开始配置)和目标状态(见图2)的说明得出的。此类问题可以作为动态程序或两点边界值问题来解决。通过求解使预先指定的成本函数(例如，轨迹持续时间或能量)最小化的轨迹而获得轨迹。此制定导致提供最佳轨迹的条件的方程。因此，对于给定初始状态和目标状态(例如，指定了结果)，通常存在唯一最佳移动轨迹。控制和轨迹优化框架提供用于移动的概念化和分析的有用工具。举例来说，有可能定义表征人类轨迹的成本函数，例如能量或更一般的身体表现。此外，在轨迹优化中使用的变化的演算使得可能研究轨迹的变化与轨迹的结果之间的关系。
例如来自可穿戴运动传感器或光学运动捕获系统的移动测量值通常以时间序列的形式给出。由于这些时间序列通常来源于非线性动态过程，因此其分析依赖于对基础动力学的结构特性的理解。这些结构特性与移动的架构相关联，例如网球击打或高尔夫挥杆中的移动阶段。可以使用例如相空间等计算可视化工具获得洞察；然而，状态可能具有太多维度而不实际。因此，应当减少数据。从可用测量值捕获的行为数据导致高维状态空间。另一方面，驱动行为的动力学可以是较低维的。
降维是一类无监督学习技术，其可用于发现基础行为的状态维度。目标是将在高维时间序列方面描述的原始移动数据时间序列变换为保留基础非线性移动动力学的几何特性的较低维描述。这可以例如使用Taken的嵌入理论来完成。用于移动分析的降维的最近应用的实例包含步态分析。
移动模式分析
虽然移动通常是高维行为，但经训练的移动通常具有特定模式。模式具有的有用性质是即使行为依赖于许多自由度(DOF)，它们也可以通过几个主要DOF来描述。由于由神经动作过程提供的协调以及其它感知和控制机制，模式形成较低维系统。然而较低维度会隐藏复杂的几何形状和拓扑。
可以通过集中于与特定移动的动力学模式相关联的低维度分支来分析移动架构。使用非线性动态系统公式化使得能够使用分析和建模工具，所述工具在某些条件下可从行为的测量重构模式动力学。随后可以分析重构的动力学以确定基础结构和几何形状，这随后可用于确定有用的抽象化或模型。
使用用于非线性动态系统的分析的数学工具，可以通过与离散时间非线性动力学相关联的非线性映射F来描述移动模式：
xt+1＝Ft(xt，t，∈t) [1]
其中Ft是映射，
Figure BDA0002375849270000471
是在离散时间
Figure BDA0002375849270000472
的状态向量，且∈t是取决于时间的噪声。还可使用连续时间表示。在接下来的讨论中，假设动力学是自主的且使用恒定映射Ft＝F。
移动模式的非线性模型因此可以通过表示生物力学、感官和动作控制过程的组合效果的映射F来描述。此模型假定习得的移动导致确定性的动力学。在此情况下，动力学被给定为常微分方程(ODE)
Figure BDA0002375849270000473
其描述向量场且通常称为流。导致相同渐进行为的初始条件集合称为吸引池。此类非线性动态模型可描述广泛范围的现象。模型可以分接为子组成部分，从而可以访问各种贡献系统和过程。举例来说，有可能明确地建模用户如何根据条件改变来调整其移动模式，例如针对在冲击时球高度的改变调整正手上旋击打。然而，在此时间点，行为被视为抽象化各种内部机制的闭环行为。
非线性动态系统的语言使得有可能描述通过一系列相异的动力学或映射{Fα，Fβ，...，Fγ}构成用户在特定活动(网球、滑雪、手术等)中的谱录的移动模式集合。在许多非线性时间序列中，移动系统状态变量x是通常不可直接观察的。实际上，例如通过运动传感器获取测量值y。观察值或测量值可以定义为：yt＝h(xt，ηt)，其中h是输出映射且ηt是测量噪声。
在最高级别的移动性质称为“动作当量”。大脑生成在其实现结果方面相等的移动的事实强调了这样一个思想，即在最高级别，大脑对结果和结果与任务目标的关系进行编码。与目标相关联的规划和监视功能是大脑的执行系统的部分。举例来说，在网球中，运动员基于所要结果和条件(包含球的预期冲击高度、速度和自旋的球状态)选择击打类型。即使在条件和结果的连续体内，也有可能辨识相异类的击打。移动特征的不变特性实现移动类之间的定界，例如，在一个特定类内的移动可以通过例如刚体平移和旋转等某种平滑变换而相关，即，它们在此类变换下是不变的。总体移动类可以细分为子类。举例来说，阶层式分解将基于相对相似性对移动进行分组。
在网球中，基于其中级别表示不同类型的特征的移动，可以将总体击打类细分为几十个子类。对于此实例，最高阶层式级别称为类别级别。其在击落地球、空中截击、发球等之间进行区分。击打类别之间的区别主要基于冲击点的高度而做出。此外，可以基于冲击的侧，即正手或反手，来创建子类别。甚至另外的子类也可以基于结果(上旋、平击、削球)和强度而划定。除了这些常见的类，随后可基于击打技术的额外方面，例如开放或闭合姿势，来添加更精细的区别。大多数击打特性可完全从球拍轨迹确定，并且因此并不需要例如运动员在球场上的位置等额外测量。
谱录中的每一移动模式类具有不同几何特性，且其领域可能占用状态空间的不同子空间(见图14)。形状和尺寸是动力学的结果，通过转变映射F给出。谱录是这些形状或模式的集合。移动模式的精确几何特性可以通过嵌入理论来描述。想法是确定完全描述移动的DOF的子空间。系统的维度和含有轨迹的分支的几何形状描述了移动类结构。
如非线性系统动力学中经常的情况那样，状态转变映射F(动力学)、输出映射h和状态向量n的维度是未知的。非线性时间序列分析的技术可以(假定确定性的动力学F和平滑输出映射h)根据从行为的测量获得的时间序列估计与移动模式相关联的动力学。谱录特性可以提供关于技能的多种信息。通常在特定类中分析移动而无需考虑总体谱录结构。特定活动领域的移动谱录描述了用户如何在所述任务领域中组织结果和技术。将移动分类为谱录的最简单方法是从时间序列提取特征且应用群集技术以确定类。
移动分类已经用于与技能建模不相关的其它应用，例如活动检测或手势辨识。手势辨识是自然人机界面的增长方面。后一个应用中的一般目标是确定提供在所述领域中会发生的各种移动的低维描述的运动原语。所述原语可随后用以对移动进行分类。原语库随后可由其它代理使用以识别人类或机器人代理的意图，并且例如允许代理之间的协作。手势分类的重点是语义特性的识别。在本申请案中，目标是基于与移动技术和结果相关的特性的分类。通常，击打分类的较高类别可以在语义意义中考虑(例如，击落地球对空中截击或反手对正手)，且较低级别类与不同技术和条件相关(见图9)。
活动领域中的模式的特定组合或谱录通过生物力学、神经肌肉约束以及任务相关约束的影响而产生。在最一般意义上，模式描述了个人的移动技术如何用以实现结果。移动特性的一个方面是它们如何分解为阶段。因此，总体移动模式特性是阶段结构的结果，且那些可用于对运动模式进行分类。
行为中的串行次序，即任务阶段，和移动阶段结构通常是相异的。如已经论述的，串行次序与活动级别相关联，举例来说，与活动约束有关的特性，例如过程阶段、规则等。另一方面，移动阶段与移动技术相关联，且涉及移动系统的特性和约束以及移动系统与环境和任务要素的交互。
举例来说，在网球中，与行为的串行次序相关联的移动阶段，包含发球，随后移动到预期回球位置，在球返回时做出位置调整，使用所要结果所需的击打类型实行击打并接球(见图7-9)。可以剖析每一阶段以提取主移动单元，且随后可以分析这些移动模式以确定移动功能特性，即，移动如何产生其特定结果，同时适应条件。通过另外将模式分解为移动阶段而促进功能分析。主移动模式的阶段结构定义了分支的拓扑特性，而驱动阶段的动力学定义了其几何特性。
阶段分段
如已经论述，许多复杂移动是通过组合若干移动阶段来实现，从而导致移动的另外时间结构化。实例包含运动步态445中的阶段或网球击打441中的阶段(见图4)。模式的阶段结构化通常起因于内在移动约束(生物力学)、任务约束的一些方面，以及在别处论述的与动作控制和决策机制有关的功能因素。举例来说，在步态中，不同的阶段与基本腿部生物力学和地面交互的力学相关联。
在网球中，用户的一般目标是击回来球并且还控制所述球的轨迹(见图7)。这是通过用球拍对球赋予精确的线性和角动量而实现。用户主要通过调节赋予球的动量的量且在球进入半场时选择精确拦截点和时间来控制球(图9)。对于熟练的运动员，总体网球击打运动涵盖了由腿部、髋部、肩部和肘部以及手腕形成的动力学链。这些片段协调以形成从后摆开始一直到跟进和恢复的连续移动。通过更仔细的检查，可以辨识不同的阶段。
确切的阶段特性很大程度上取决于技能水平。初学者运动员主要从肩部摆动球拍而没有与身体片段的其余部分的极精确协调。高级运动员利用整个身体运动学来最大化结果。最终，阶段特性反映了身体片段的生物力学和神经动作策略的组合，包含以身体能力的最佳使用实现最高结果可靠性的肌肉协同作用。不同阶段与不同生物力学功能相关联。举例来说，在行走中，已经识别在步态循环的特定阶段(例如，向前推进、摆动发起、减速等)被激活的协同作用。
可以使用来自约束最佳控制的概念解释约束在产生不同移动阶段中的作用。在最佳控制中，轨迹片段涉及奇异弧的概念，其对应于其中不同约束集合被轨迹激活的片段。大体来说，使用切换控制定律最佳地控制这些系统。控制定律是基于系统状态的分割而确定。在系统由控制动作驱动且行进通过状态空间的不同分区时，控制策略切换以最佳地考虑动力学的局部特性。
在非线性动态系统描述后，可以在数学上将轨迹分阶段描述为一系列动态模型F1，F2，...，FN。总体轨迹是通过一系列初始值和渐进行为获得，其中下一初始值集合对应于先前阶段的最终值(图3A)。与每一阶段相关联的动力学来自于不同关节和肢体片段配置以及力场。每一动态模型Fi因此可被指派由初始状态集合和目标或子目标集合指定的状态空间区。举例来说，一旦动力学从初始集合发起，初始动力学F1将把状态带到其子目标集合
Figure BDA0002375849270000521
且从那里，假定状态满足用于下一动力学的下一初始状态条件F2，且动力学被触发，系统动力学将切换到下一阶段，其中将演变为下一子目标等。此过程可以循环，其中状态转变形成环路，例如用于周期性移动(见例如图4中描绘的跑步445或游泳446)。在例如网球或滑雪等其它活动中，行为可以是准循环的，其中例如移动阶段的同一一般序列在暂停之后继续(见图3B)。动力学也可以在具有例如不同击打类型或步态类型等不同阶段片段的模式之间切换，或完全不同的移动模式，例如在滑雪中当从周期性转向顺序切换到停止操纵时，或在网球中的不同击打模式之间切换。
在阶段转变时动力学之间的切换通常是通过终止/初始状态上的条件而确定，例如，
Figure BDA0002375849270000522
如已经论述，与每一阶段相关联的动力学来自于不同关节和肢体片段配置和力模式。这些力模式是通过空间-时间肌肉激活模式(即，肌肉协同作用)确定。在阶段内，具体来说对于快速运动，力模式是在开环中指定，因此动力学是由与肌肉协同作用相关联的力场指定。大脑表面上学习以通过适应这些力场而补偿初始条件的变化。这使得有可能产生移动中的快速校正而不依赖于反馈。可以间歇地使用反馈，例如，在阶段转变期间或在可适应此类影响的特定移动阶段期间，例如由于较慢的动力学和感官信息的可用性。
肌肉协同作用描述了用以实施移动的不同肌肉群组和肢体片段之间的协调。协同作用是通常为了神经肌肉协调而保留的一类动作原语。在较早论述的实例中，在活动中观察到的各种移动概况可以通过此类原语的组合而获得。因此分解为协同作用可以帮助确定参与移动技能的生物力学和神经组成部分的集合。此信息又可用于获得关于生物组成部分的理解，且可以用于身体表现和受伤预防。
流行的技术是基于非负矩阵分解，其将在此情境中表示移动阶段的数据的矩阵分解为矩阵的乘积。协同作用已经通过多种测量来表征，包含端点、关节和/或身体片段的移动概况，以及肌肉和神经活动，这些例如由表面肌电图(EMG)提供。测量的类型决定了结果的准确性。举例来说，简单的末端执行器或身体片段测量无法提供与神经肌肉活动强相关的协同作用。协同作用分析尚未集成到可用于评估和康复的临床环境中。由于已经在神经动作阶层的不同级别(用于抓握的动作皮层、用于姿态的脑干和用于运动的脊髓)识别协同作用，因此肌肉协同作用分析可以提供神经动作缺陷的更精确描绘。
移动功能结构和主结果
一些移动具有明确的结果或目标。此目标可以是移动的最终状态，即，
Figure BDA0002375849270000531
或可以是在例如子目标等中间阶段的状态。后一种是网球击打的情况。虽然球冲击是击打的主目标或结果，但此阶段不是移动的实际结束。在冲击后的移动阶段，跟进，是总体移动模式的一个部分。大多数复杂移动涉及许多身体片段或自由度。因此，状态轨迹是多维状态向量且增加参与动作的不同状态轨迹之间的区别可以是有帮助的。焦点和推论的移动是可区分的；焦点的移动是例如在钢琴表演中，击键的手指移动；推论的移动是例如作为击键任务中涉及的总体运动学模式的部分的所有其它手指的运动。
并非每个移动行为都具有明确的目标或结果。举例来说，在滑雪444中使用的大多数移动的目的是控制滑雪者的速度和方向。从动态系统观点，此目标涉及通过滑雪者与地形的交互来生成向心加速度。取决于滑雪者的状态和地形条件，使用腿部和髋部等的不同运动模式来实现最佳结果(将在别处论述，见图4)。
有可能定义使系统通过实现目标条件(结果)的阶段序列，同时使例如急加速或能量等执行目标最小化的最佳轨迹。给定生物力学约束、肌肉协同作用等，最佳轨迹与特定阶段序列相关联。在阶段转变处的条件，即，初始状态和子状态的集合
Figure BDA0002375849270000541
以及描述转变的动力学Fi，表示最佳轨迹的特性特征(见图3A)。
绝对最佳轨迹是针对给定结果的全局最佳解决方案，而局部最佳轨迹对应于给定阶段结构。后者例如表示其中由于缺乏灵活性或技能或者存在受伤而仅能实现配置和/或力场的有限集合的情形。因此，移动阶段特性提供用于受伤预防以及一般还用于康复的有价值信息。
在最佳控制理论中，初始值的扰动导致相邻最佳轨迹。如果初始值在系统的所谓吸引池内，那么保证了这一点。类似的想法可用于动力学F中的扰动。此类扰动动力学导致稍微不同的渐进行为；然而，对于足够小的扰动，轨迹保持足够接近标称轨迹，使得这些被扰动的轨迹属于同一移动模式。轨迹保持于吸引池中的初始值和动力学中的扰动范围定义了可允许的包络。动力学和干扰中的扰动是由取决于时间的噪声项∈t表示
图3A示出用于假设移动模式的轨迹包络113，描绘了通常起因于生物力学和神经运动约束的移动阶段。该图还突出了主结果和其相关联阶段(示出为目标阶段)。它还示出跨越移动阶段的最佳轨迹，以及产生于各种移动约束的不同包络(最佳、可允许、可行)。
轨迹包络描绘了随时间的状态空间的区，且突出了可行的包络和可允许轨迹的包络以及针对最佳轨迹的初始条件(x*0i)和最佳轨迹(x*(t))的区。移动在模式化和阶段分段方面的结构是通过其空间-时间特性给定。移动特性由含有轨迹的分支的几何形状和尺寸定义。
图3A中示出若干阶段，包含：移动发起，阶段1，阶段2，中间目标阶段，后继阶段，和恢复阶段。对于网球，这些阶段对应于击打发起，后摆，后环绕，前摆，冲击，跟进，和恢复。网球中的目标阶段表示冲击阶段，这是产生主结果的阶段。
这些移动模式特性通常是根据从分析非线性时间序列获得的移动模式分支的拓扑来确定。用户可以选择属于同一移动模式且仍达到目标条件或结果的“可允许的移动”。这可以由于移动目标条件(冲击高度和速度)的改变或移动的不完美发起而发生。次优轨迹仍可达到所要最终状态或结果；然而，它们通常将需要更多身体努力，可能造成一些肌肉或关节的应力，或其它不合意的影响。可以通过肌肉骨胳系统的模型和例如用于能量消耗的成本函数来描述身体表现。
属于同一模式的移动因此可以通过相对于标称轨迹的扰动而相关。此外，轨迹扰动还导致主结果和例如不同阶段结果等任何其它次结果特性中的扰动。使用此数据，因此可能例如通过回归分析或灵敏度分析确定轨迹扰动(对应于移动技术)和结果中的扰动之间的关系。此信息提供产生技能特性的定量基础，例如技术的什么方面有利地贡献于结果以及反过来什么方面不利于良好结果。此知识又可用于训练且最终帮助合成反馈定律以用于实时提示。
图3B是用于图3A中示出的系统的有限状态模型表示114的图示。通过将移动模式建模为具有相异动力学Fi的阶段片段的序列，模式动力学可以抽象化为有限状态模型(见图3B和图5)。在当前情况下，有限状态是将系统从初始值xi0带到下一子目标状态xi1的个别阶段动力学Fi。更一般化地，初始和子目标状态由集合表示以考虑在人类行为中通常预期的变化和干扰。通过此模型，随后通过从初始状态和初始移动阶段触发的一些有限状态自动机来给出总体运动行为。运动行为组合了表示可能与离散决策变量相关联的阶段转变和模式切换的连续动力学和离散变量。混合模型可用于许多现代工程化应用中，包含例如用于自主系统的机器人技术，以及人机系统。一旦运动的结构被表征，就可以通过有限状态模型来描述。
统计模型与其中当前状态唯一地决定系统的演变(即，在干扰或模型不确定性内)的确定性模型相比，描述了未来状态的概率密度的演变。例如动态贝叶斯网络等统计模型已经在数据驱动型方法中变得逐渐流行。移动领域中的流行应用是人类活动的识别。这些方法通常需要基于统计模式分析学习活动的阶段；随后使用此知识将状态空间离散化为离散状态；以及最终确定状态转变概率。常用模型是隐式马尔可夫模型(HMM)。大多数符号系统集中于离散游戏结构并且可用以分析游戏规划，但当前并未向下达到实际移动技能级别。
此项技术中经训练的某人可以实施实时移动阶段估计。举例来说，对移动的多层HMM应用可以基于与用于实时语音辨识的模型相似的模型。对用于语音辨识的录音进行解码通常在多个级别上进行。那些大多数是与语音产生系统的组织的级别相关联的。语音分解的单元是基于音子的，音子组合形成了音素。音素是用以形成词的基本构建块。音子与发声移动的特征相关。此移动模型对应于在最高级别具有移动阶段模型，所述模型描述了在移动阶段的可能序列上的概率分布。在中间级别，在移动组成部分方面描述移动阶段的组成的阶段模型(参见协同作用)。且最终，在底部级别，基于可用测量值(IMU单元或其它传感器)中的特征描述移动组成部分的移动模型。
移动技能获取
学习是关于信息的组织，这是分阶段进行的过程。下文回顾与技能获取有关的一些概念和其用于训练的暗示，且结尾概括了用于支持学习复杂移动技能的技术的作用。
信息的组织
学习过程的组织以及与移动相关联的信息的编码和组织是通过可帮助减轻复杂性的原理来规定。这些机制主要针对利用任务中的结构以及在代理与环境之间的交互。已经提出两个主要概念用于处理与信息的表示相关联的复杂性：成块和阶层式表示。成块描述了适用于不同领域的一般记忆结构。
Miller提出了以下“成块假设：人类通过形成和存储称为组块的表达式来获取和组织环境的知识，所述表达式是在学习时存在的组块的结构化集合”(Newell，1981中引用)。此假设是基于关于感知行为和记忆检索(见Miller，1956)的研究和DeGroot在国际象棋方面的较早工作。成块的一般想法是通过将个别信息位组合为整体来实现更高效编码。举例来说，Gobet将它描述为“彼此具有强关联但与其它组块内的要素具有弱关联的一系列要素”。回顾请参见(Gobet，2001)。信息成块的中心假设是关节编码减少了信息检索的时延，且更一般地提供较为经济的信息编码和处理。
在例如棋盘配置的感知或记忆等涉及静态和离散量的领域中已经充分研究了组块。早期成块理论在(Miller，1956)中已作为人类感知的部分以及更一般来说信息处理来研究。许多活动由复杂空间和时间结构描述。后来，成块理论也应用于改进我们对动作学习和更一般来说技能获取的理解。感官动作领域中的研究较少。在所述领域中，成块主要与由Lashley(Lashley，1951)介绍的“行为中的串行次序”的概念和一般阶层式学习理论相关联。
阶层式模型将复杂技能设想为“习惯的阶层”。此模型是由研究莫尔斯电码学习的Bryan和Harter(1897)介绍。在所述实例中，电报员首先学习字母，然后学习字母序列以形成音节和词，并且接着学习短语。此模型适用于许多动作技能领域。在例如网球等大多数移动技能中，基本动作是可以组合以形成总体移动的移动阶段(肌肉协同作用)。因此，学习此类技能涉及学习基本移动单元，且将那些单元组合为自身嵌套于动作中的较大移动要素。
Lashley提出的行为中的串行次序是对基于关联学习理论建议的线性定序(Terrace，2001)的回应。Lashley认为熟练的行为是有规划的而不是串行序列，且规划具有将多个行为单元组合为较大单元的阶层式组织。一些单元涉及移动的生物力学和功能约束，且其它单元涉及任务约束(例如，子目标)。
遵循阶层式表示，有可能将活动和相关联移动分解为一系列要素，所述要素自身被分解为更小的要素。组块通常不是由任意片段构成，但具有功能目的。因此，组块组合了涉及任务环境交互以及生物体的约束的特定感官和动作模式。
举例来说，在网球中，主要行为组块可包含“就绪状态”、“重新定位”、“准备”和“击打执行”。每一组块可以由具有其相关联感知过程的一组移动模式描述。在就绪状态期间，运动员定向其自身，从球场定位所需要的环境提取线索，观察球和对手的运动等。此信息允许预测预期球拦截的位置，从而选择所要结果且规划动作序列以实现击打的所要结果。在重新定位期间，运动员获取新球场位置且可以开始带回球拍(后摆)。在击打准备期间，运动员调整他或她的姿态且提取微调姿态和执行击打所需要的关于球和对手的更新信息。恰在击打执行之前，运动员获得最终球轨迹信息以用于进行拦截。前摆的执行与到达的球同步。最终，在击打的执行之后，运动员返回到就绪状态。
形成较大程序的行为组块通常细分为较小的感官动作单元，从例如肌肉协同作用等要素开始，所述要素组合以形成较大移动模式。举例来说，击打包括一系列身体和手臂移动(在别处描述)。类似地，提取信息涉及一类感知成块，其描述了如何整合各种感官刺激以形成可用于预测对手的意图、预料球轨迹以及选择和发起适当的击打类型的线索。
当个人在任务中获取经验时，他们将移动单元吸收到程序化记忆中。因此，在形成组块的个别组成部分的级别处需要较少注意力，从而允许逐渐自动化的处理。精通的个人能够将注意力集中于任务相关信息上，这通过较少的额外移动和利用受试者的身体表现的更平稳移动执行而实现较好规划、更系统地组织的行为。
因此，通过其环境交互的开放动作技能的获取可以设想为感官-动作模式、其相关联感知线索以及用以部署这些模式且达到成功任务执行所需要的结果的较大动作程序的库或谱录的获取。
遵循一般学习理论，学习作为进化过程而进行。行为模式与产生任务的结果的动作相关联。有价值的结果得到奖励，且进而产生针对成功的学习模式的加强，成功即对任务具有积极的结果。然而，此过程取决于特定任务领域中的广泛练习和经验。
学习的成块理论还提供学习过程的额外理解。举例来说，它已被用来解释所谓的学习幂定律(见Newell，1981)。此定律描述了随训练而变的技能改进(作为响应时间测得)且除感知动作任务以外已在许多领域中得到验证，因此被广泛接受作为通用定律。然而，所述定律受到批评，特别是它没有解释关于练习的移动动力学中的质变(见Newell，1991)。如所述文献中所描述，这些可能是由于研究中使用的任务有限(很少自由度和有限的感知环境)。
达到熟练的学习时间取决于任务环境和与移动产生相关联的交互的复杂性。为了帮助了解这一点，考虑Newell的环境耗竭的概念是有用的，这可帮助描述涵盖任务条件范围所需的组块的数目。在存在许多唯一配置的任务领域(参见例如国际象棋)中需要许多唯一组块。自然环境趋于具有条件的统计分布，具有大量相似或相关配置和较少的唯一配置。自然环境中的此分形或自相似结构意味着这些可表达为利用表示的模块化的阶层式结构。然而，即使可能存在高效表示，个人仍必须经历一系列条件以形成模式的理解且开发充分丰富的谱录。这解释了外科医生或运动员为何需要数千小时的练习才能精通，并且还有他们为何通过额外经验来保持改进(假定经验充分变化且丰富)。
学习过程和阶段
最终，理解学习技能中涉及的大脑过程，并且确切地说，大脑中发生何种改变，以及大脑随着获取的不同阶段如何处理和存储信息，可以是有益的。Fitts提出了三个主要获取阶段(Fitts，1964)。认知阶段(也被称为口头阶段)特征在于理解和控制移动所需的有意识的努力。因此，在此阶段中，移动是缓慢的，它们缺乏动态协调，且具有低成功率。借助于认知过程的问题解决是开发心理模型或可用以支持此阶段的表示的关键方面(Ericsson2009)。在关联阶段期间，移动是部分自动化的。有意识的努力较少但仍然需要以监视和改进执行。最终，在自主阶段中，移动存储于程序化记忆中，这允许自动执行。此阶段中的移动可能仍需要视觉输入以确保准确且一致的执行。然而，这些输入也是自动化的且集中于极特定要素，即线索。
受试者在他们为了在任务中精通而学习时获得的知识的类型直接与任务的结构以及移动与任务和环境要素之间的交互的结构有关。对于空间行为，关键方面是受试者与任务环境和要素之间的交互的结构(见例如Mettler 2015中的交互模式)。
这些交互组合了用以从环境提取信息的感知机制和管控代理的运动的动力学。生态学原理(见Gibson 1979)建议人类和动物利用可以直接从感知环境获得的信息而不依赖于复杂内部模型。然而，大脑也可以学习与任务相关的更细微的模式(见例如Abernethy等2001的壁球研究)。通过生物体的感知环境中与相对于任务环境的移动导引和协调直接相关的那些特征确定线索。线索例如在Tau理论中可以被视为稀疏感官刺激(见Lee 1998)。
在个人自身熟悉任务时，他们开发自动行为和机制的谱录以部署这些行为(Ashby2010)。谱录表示存储于大脑的长期记忆中的感官动作模式库。与任务相关联的结构以及移动与任务要素之间的交互表明感官动作模式是阶层式分组的。顶部感官动作组块定义了行为的较大类别，例如击落地球和空中截击；中间级别，其包含类别中的各种击打类；以及在阶层的较低级别是包含肌肉协同作用且由不同类共享的行为的组成部分。
阶层式和模块化编码已从神经视觉处理和编码的早期研究中得知，且已在移动编码和控制的领域中验证(Poggio 2004)。举例来说，在相关移动类内的移动模式(例如，网球正手削球和上旋)共享相似的子移动。移动阶段由部分地在脊椎回路中编码的肌肉协同作用的激活引起。多项研究已经证明移动的模块化编码(Mussa-Ivaldi 1999)。
习得的每一类移动具有定义习得模式的有效性范围的某个操作范围。然而，存在一般化的限制。这些是由于神经编码机制(Kawato 1999)，而且由于状态空间的结构和功能特性。因此，为了涵盖开放动作技能典型的结果和条件的范围，可以采用多个移动类。使用阶层式表示将这些移动类高效地编码为动作程序。
移动技能获取
总之，移动技能获取由适应任务和环境的需要产生，且因此学习随着执行任务的接触和经验而递增地进行。因此，有可能将技能获取设想为进化过程(见图11)。特定技能要素是移动模式的随着其在任务或活动中的使用而演变的类。学习和完善技能是发生的迭代过程的结果，因为这些要素在不同条件下重复，且基于总体任务目标和执行的观察结果和有效性而被修改。
获取过程因此可被描述为涉及两个主要维度的演变：1)移动模式响应于开放动作任务所需要的要求和条件范围的多样化；2)个别移动模式的精炼和优化，这对应于在获取阶段中那些移动的改变。
因此可以通过随时间跟踪移动谱录来分析过程。在任何给定时间，通过具有一类或多类移动模式的谱录来描述个人的技能(图11)。谱录反映了个人如何处理任务和环境结构的方面以及个人的感知和动作控制能力。每一模式类可以在获取的不同阶段。
感官动作模式充当用于朝向较大任务目标组织和规划行为的行为单元(见Mettler，2015)。识别模式的谱录因此还提供了在规划级别分析技能所需要的要素。
移动获取和训练中的挑战
移动技能获取的全面理解突出了高效训练的若干挑战。形成移动模式的谱录，以及实现任务熟练和多样性的相关联感知和规划过程，取决于训练过程且特别是可用于支持和导引此过程的信息。无教练的情况下，人类技能发展主要取决于试错法方法。用于导引过程的典型信息包含移动结果。此所谓的“结果知识”已被证明有助于学习。然而，单独此知识通常不含有效地教示用户如何改进其移动的足够信息。它也可以使个人依赖于此(见Newell，Schmidt)类型的反馈。通过试错法可以高效地习得许多常见移动；然而，对于例如手术、音乐和许多体育中发现的复杂移动，试错法是有限的，因为这些活动中涉及的许多移动是不自然的。为了发现正确或最佳技术需要额外信息。此外，例如手术等一些活动也不会提供用于试错法的许多机会。
此情形对于康复也是相似的，因为从受伤或疾病带来的身体损伤会增加约束而使得在自然条件下的移动具有挑战性。对于那些情形，试错法学习会极为耗时，且无法保证将发现正确移动模式。
因此，移动技能训练依赖于教练的专门知识。对于康复，患者依赖于理疗师的可用性。教练的传统角色是帮助将训练努力集中于正确技术，且关注任务和执行的相关方面。然而，即使专家教练也存在感知和信息处理方面的限制。大多数熟练的移动涉及协调在短时间尺度(一百至甚至数十毫秒)上发生的许多自由度。这些移动，例如网球击打或高尔夫挥杆，是将时间和空间维度组合为复杂模式的高度动态行为。
此外，运动模式取决于复杂生物力学约束和肌肉协同作用。这些取决于肌肉骨胳约束，以及个人的身体素质和一般健康状况。因此，训练方法应当能够考虑移动技术和纵向技能发展过程中的个别特性。教练在考虑个人的约束的同时能够分析移动且识别这些模式的相关特性需要大量的经验。
与其中可以控制条件的闭合动作技能相比，开放动作技能需要广泛的移动谱录以便适应与任务和环境相关联的变化条件，且产生帮助控制和完成任务目标的结果范围。另外，并非与任务相关联的全部移动都对任务执行具有相同的重要性。一些移动是涵盖一般执行和条件的基本谱录的部分，且其它移动是更专门的且允许更具体条件中的动作。
技能获取是并行过程，其中在任何给定时间，受试者的谱录将含有多个移动模式，每一移动模式在不同发展阶段。技能获取过程中的两个主要方向是：1)开发充分广泛的谱录以涵盖任务要求和条件，和2)精炼谱录的每一类内的移动技术以实现较好结果和/或移动执行以及根据条件进行调整。这两个方向在本文档中称为技能获取的纵向和竖直维度。纵向维度表示发展或获取阶段，其由移动的特定类中的技能特性决定。竖直维度表示必须开发以涵盖任务条件的移动技能的方面。在任何给定时间，训练可以针对精炼移动或使谱录多样化。所述两个维度通常是相关的。在竖直方向上的谱录的区分经常从现有移动的精炼的纵向过程得出。
扩展谱录和其移动类收集以及各自处于不同发展阶段的其相关联结果导致任何人进行操作和训练的复杂景象，更不用说理解。因此，高效移动技能获取可取决于针对每一移动类型的适当反馈的可用性以及用于对训练进行区分优先和规划的系统性方法。人类受试者也应当自身生成此信息，这需要心理负荷。提取用于训练的有用信息取决于理解这些移动如何满足任务约束且帮助满足其目标。
最终，人类技能依赖于多个级别的人类信息处理，包含信号、线索和知识。知识级别支持关于技术的推理，例如移动的空间配置的特定细节。它还支持游戏策略，考虑环境和任务要素等。线索级别支持信息的高效处理；例如视觉感知系统学习集中于场景和动作的为执行提供最有价值信息的方面。信号级别通常涵盖由大脑过程使用以控制移动的信息，例如本体感受或实际视觉刺激。
人类训练并未有效地使用信息级别的整个范围。移动技能过程中涉及的信息范围无法容易地处理。大多数人类训练通过使用动手演示和自然语言而发生并进行编码和传达。这些模态对于技能的认知方面合理地良好起作用，例如引入新移动模式。然而，许多关键方面涉及太快而无法观察、难以口头地表达或者需要与展开移动同时生成而有效的移动特性。即使专业教练也无法在执行期间可靠地生成线索和信号来支持训练过程。这部分是由于人类信息处理的限制，而且因为教练同时分析和提示移动执行需要过量的注意力和心理负荷。
技术的作用
技术可在技能获取的若干区域中起作用。技术提供了收集关于超过人类感官过程的空间和时间分辨率的人类行为的全面信息的手段。举例来说，呈可穿戴、可植入和远程传感器形式的分布式传感器的组合可捕获移动执行的全面维度。这包含例如一件设备等末端执行器的移动、个别身体片段、肌肉活动，以及受试者的视觉注意力和任务相关量(见图2和24)。
信息技术使得能够部署超出人类的信息处理能力的分析和计算资源。可以设计算法来估计各种不可测量的量，所述量可用于提供关于结果的反馈(“结果的知识”)，以及执行的更复杂方面，例如关于快速和高维动力学涉及的那些，以及与环境和任务要素的协调。此功能理解可用于设计以移动技术(“执行的知识”)为目标的反馈增强。信息技术实现了跨越较大群体的分析和计算资源的可缩放部署，其中可以部署以识别移动技术和技能获取过程中可考虑广泛范围的个别因素的模式。然而，为了高效，这些不同增强和反馈应当在与自然移动机制和学习过程兼容的系统内提供。
用于系统范围数据驱动型训练的操作的技术的方面包含：
1.整合和分析综合表现数据以评估个人的移动技术。
1.1诊断移动技术且识别结果缺陷的可能原因，和例如实现肌肉骨胳能力的高效使用的其它相关特性，以及疲劳的影响或受伤发作。
1.2识别移动执行中可用于驱动训练的最可行特性。
2.精确地以移动技术的特定特征为目标且帮助引发实现训练目标需要的改变的反馈增强的设计。
2.1选择适于学习阶段的反馈增强和通信模态。
2.2并且，传送利用人类信息处理能力的例如实时线索等反馈信号。
2.3产生跨越人类信息处理阶层的包含视觉、自然语言和线索的各种形式通信之间的协同作用。利用反馈信号和线索以及技能和执行测量来刺激注意力和动机。
3.运作由数据驱动的训练过程以实现其系统性和定量管理。
3.1.通过基于受试者的技能和包含素质、体力和健康的个别特性的训练目标的指定来规划训练过程。
3.2跟踪技能发展过程的纵向和竖直维度。
3.3跟踪不同增强模态和训练效果的有效性以为了优化增强模态且识别干扰进展的问题，例如身体受伤或心理问题。
4.组合来自受试者群体的数据以发现技能获取中的全局模式、移动技能，和例如受伤、衰老等相关因素，这可用于优化在较大训练循环中的执行训练。
核心技术能力
开放动作技能需要开发多种移动模式以在变化的任务和环境条件下产生所要结果。这些移动和其相关联感官感知机制是从任务领域中的经验获取的。取决于任务或活动复杂性，学习动作技能会花费几年。
一个人生命中的大多数动作技能获取遵循试错法过程。对于依赖于更复杂移动的高级动作技能，通常使用某些形式的训练方法。开放动作技能的高效训练取决于反馈范围的可用性，包含关于移动结果的信息(结果的知识或KR)、移动技术(执行的知识或KP)以及总体训练进展和过程。
如先前所描述，开放动作技能中的训练在两个主要方向上进行：开发帮助适应任务所需的条件和动作范围的移动模式范围；以及开发用于每一移动类的最佳移动技术以允许任务的所要结果的可靠且高效的实现。因此，训练或康复需要强调条件和结果中的可变性(见Schmidt，1975中的参考)，和对特定条件和结果的掌握。
此技术的中心思想是在各种级别的移动执行可以在计算上评估，即可以进行计算，并且还接着进行诊断以识别在移动阶层的各种级别的缺陷，需要知道所述缺陷来确定训练目标。随后可通过可以由各种反馈模态增强的针对性训练活动来实行训练目标。下文提供了支持全面数据驱动型技能评估以及用于开放动作技能的诊断和训练干预所需要的能力的技术说明。它介绍了将随后形式化的相关量和过程的定义。
本节开始于用以描述和量化技能获取过程的相关概念的定义；其评估；训练目标的诊断和规范；规划训练；以及最终，可用于增强训练干预的增强。以通用术语描述所有这些概念和能力。它们将在系统的描述和过程流程描述中另外开发。
移动模式类和结果
如已经论述，移动行为的基本要素是支持与环境和任务要素的相关交互的移动模式的集合。这些也被称为主移动单元或技能要素。大多数移动模式针对朝向活动或任务目标产生结果或动作。可以识别和分类由受试者在任务中使用的各种移动模式。
如由此描述可以理解，技能评估的质量取决于提取表征任务中的相关交互的相关移动模式且根据其内在特性(即，移动技术和移动阶段)和其与任务的相关性(即，移动结果和任务条件)对这些模式进行分类的能力。这对于开放动作技能是特别关键的，因为受试者获取移动模式的谱录以在一系列条件下产生广泛范围的结果。为了最终提供反馈以帮助改进受试者的技能，可以将执行情境化，这可以包含识别在哪些条件下使用何种移动技术且产生何种结果。
图11示出随时间的移动模式的获取和演变，突出显示了从头开始或通过区分过程的移动模式的形成。在个人练习、训练或执行历史的不同时间(示出为阶段S0、S1、...)，移动技能可以被描述为移动模式的谱录(例如，在S2模式P1-A、P1-B、P2-A、P2-B)。
图11中的分支的宽度指示给定模式中的移动特性的可变性。初级受试者趋于采用相似技术来实现一系列结果和条件。通过经验，受试者学习完善他们对任务条件的控制，并可以开发更专门且带来较高执行(更高效、更高结果、更极端条件)的移动技术。因此一般趋势是受试者以具有较少能力的几个移动模式的谱录开始，且通过经验和训练开发更具差异性的移动模式的较大谱录。
新模式可通过现有模式(即，核心模式)的区分而形成，此处示出为指示区分过程的开始的虚线(例如，在S1处P1区分为P1-A和P1-B)。替代地，模式可“从头”形成，例如图11中在S3处的P3所示。新区分的模式接下来通过合并阶段(示出为在虚线末尾的分叉点，例如在S2处的P1-A和P1-B)，在此它们各自变为相异的模式。在合并之后，模式经历优化的过程，如由每一分支渐缩为较紧密的模式分布所示。
图12示出若干类移动模式作为用于某种参数化的集群，例如来自测量时间历史的特征。所述集群捕获在个人改善其技能时发生的模式区分。实例是基于图11中在步骤S3的模式。形成以下区分的模式通常表现为两个模式的混合物，例如针对原始模式P1-B中的P1-A1和P1-B2示出。合并的早期阶段中的模式示出例如P2-A和P2-B等相异的特征。
图13示出家庭树，突出显示移动模式之间的进化关系。由于一些模式通过区分形成，因此有可能基于继承的特征或属性来跟踪。在图13中，核心模式指代在新模式的发展中继承主要属性的模式。非核心模式做出区分以创建不同于核心模式的新属性。
移动模式分类通常基于移动概况特征(例如，球拍角速率或加速度)。移动结果是一系列移动执行和条件，并且因此随着移动特性而变(请参见图3A和3B)。因此，一些移动概况特征可用于预测或估计移动结果。因此，抽象地看，分类任务对应于识别图14中的延伸状态空间X的结构。与整个人类或系统执行相关联的状态空间组合了系统的典型状态，例如描述受试者或代理的移动所需要的状态，以及参与定义特定移动执行或模式发生的条件的与任务和环境要素相关联的状态。因此分类可以设想为从延伸状态空间到其共域V的映射。
图14示出移动执行状态(状态空间X)与移动结果和V中的其它属性fi之间的映射。状态空间突出显示了与各种移动模式类相关联的分区。移动模式通常与来源于域特性的特征(例如与任务动力学、交互和各种约束相关联的分支的几何特性)相关联。分类将状态空间特征映射到移动属性空间。移动属性包含结果(例如，自旋、速度等)，以及可用于评估移动技术(一致性、时序、平稳度等)或执行(能量等)的其它属性。这些属性可以经由分析功能计算，以统计方式估计，使用神经网络产生或甚至直接测得(例如，使用计算机视觉得出球自旋)。每一模式具有示出为分区的用于特定结果度量的值范围。
由于结果通常是执行者正试图实现或控制的内容，且经常是执行者最有意识和在意的内容，因此相对于结果描绘移动模式分类是有帮助的。举例来说，对于网球击打，“击打映射”可用于描绘随结果而变的不同击打类(正手、反手)：赋予球的自旋水平(削球、平击、上旋)和速度(低、中、高)。
图15中示出此实例，其中维度O1可以表示击打强度且维度O2表示赋予球的自旋。相对于主结果维度(O1和O2)描绘移动模式的谱录。图示出了由图14的映射f：X-＞V描述的移动模式与结果之间的关系。
击打类可以划分成子类。为了直观，这些子类必须表示不同方案或条件。图16示出基于由用于维度O1的O11、O12、O13和用于维度O2的O21、O22、O23定义的范围量化的移动模式与其结果之间的关系。此类关系可通过将V嵌入产生有意义的结果类别(语义解译)的子空间W中确定，如图14中所图示。
此外，由于移动模式和结果还取决于任务条件，因此移动模式类可以表示为结果和条件的组合。执行者必须补偿条件的影响或甚至利用这些条件的优势以便产生所要结果。举例来说，在网球中，球以变化量的速度和自旋进入球场。图9示出由冲击条件表征的三个拦截类型。
因此，除定位身体以成功地拦截球之外，运动员还必须调整击打执行以实现产生所要结果的冲击条件。击打冲击条件的典型调整涉及相对于球在地面上的冲击选择拦截点，例如当球在上升时、当球在轨迹的顶点附近或顶点处时或当球在朝向地面下降时拦截。条件可对实现某些结果的能力有重大影响。举例来说，在下降时拦截球使得更容易产生上旋(由于球速度向量与球拍面定向之间的相对角度)。
较高级的运动员一般更意识到条件，因为他们将尝试利用条件来帮助改进结果，例如图9中，其中相对于来球后退使得能够选择在下降时拦截球，这有利于产生上旋。受试者也可以取决于在任务的不同级别的所要结果(例如，在球场中深处在某一时刻产生浅力量激发，或上网调动运动员)而决定在上升时或在顶点拦截球。因此，延伸的谱录表示可包含条件以及结果以提供对受试者的技能的更完整理解，这又可用于确定更完整且精确的训练干预。
模式开发和学习阶段
为了理解如何在技能开发过程中创建有意义的干预，理解大脑的学习过程是有益的。移动技术的获取根据相对不同的阶段进行，所述阶段可以定义如下：
模式形成表示技能获取的第一阶段，所谓的认知阶段。在此阶段，受试者形式移动的模型，例如移动空间配置的轮廓。在此阶段的移动无法可靠地执行，因为其依赖于确保移动符合模型所需要的有意识导引和视觉反馈。
模式合并指代将来自空间配置的移动模式合并(例如，基于视觉演示或口头描述)为可以无需有意识努力而动态地执行的感官动作模式的过程。移动模式被编码为可以在开环(例如，无视觉反馈)中执行的动作程序。这对应于程序化记忆的获取。
模式优化指代其中给定移动模式经历另外的区分或精炼(例如，通过微调技术和感知机制)以及开发身体表现的阶段。
获取阶段表现在由技能模型所捕获的移动特性中。因此，可以从与技能属性相关联的统计来评估获取阶段。
移动模式优化
应注意，获取阶段假定技能开发围绕移动模式的特定类发生，且在从形成到合并到优化的连续阶段中进行。认识到一个特定模式在绝对意义上可能不是最佳的是有帮助的，但移动的最优性是相对于受试者的特定生物约束(生物力学系统、体力、健康状态)。在此意义上，它们可以视为局部最优的。在绝对意义上实现全局最佳移动模式需要积累在人类移动系统中涉及的各种组成部分，包含体力、支持响应速度和移动协调的神经动作回路，和例如感知机制等其它功能。
举例来说，受试者的总体能力表现在可能的移动架构和其对应功能能力的范围内。因此，可以通过跟踪移动架构的演变来评估和建模移动技能获取，所述移动架构即构成每一移动模式的移动阶段的序列。
移动模式可以通过几代的获取，每一代由特定移动架构和其相关联功能特性表征(见图11中的进化过程)。在每一代内，移动模式可以前进通过形成、合并和优化的阶段。新获取的体力或其它约束改变也可以提示移动架构中的新迭代，它通常将必须通过形成、合并和优化阶段。
当特定移动模式到达优化阶段时，产生于低效率和其它因素的限制将通常变得显而易见。一旦在同一模式内的潜在改进已被完全利用，则经常进一步改进执行和结果的仅有方法是形成新模式。因此，在模式类的同一代内的训练技能以及新模式的训练或者模式类到新一代的演变之间进行区分可以是有帮助的(见图5中的移动架构)。在一些情况下，新一代模式自然地从优化中凸显。当新模式形成时，它将通常导致表现和一致性的瞬时减小，直到其合并且最终经优化为止。
此交错获取过程允许个人在任务级别以其“次优”架构最优地执行。技能开发与身体的身体发育相关。举例来说，新移动架构可能需要并不持续的体力和协调。因此，移动技术的一些改变可需要体力的开发。
驱动移动模式架构的演变的一个因素是使移动更高效的机会。执行者能够如何在保护身体免于磨损和受伤的同时较好地使用他或她的生物力学决定了效率。通常，移动模式架构的演变遵循从近端前进到远端身体片段的发展。因此，所述架构通常演变为涉及越来越多数目的身体片段运动的叠加。
举例来说，在网球中，早期的击打模式由简单的后摆和前摆441(见图4)表征。随后随着执行者学习利用其身体(腿部、髋部、躯干、肩部、肘部、手腕)提供的多个自由度而将模式精炼。包括多个移动阶段的总体模式可以由有限状态机(图5)表示。举例来说，在网球中，击打的典型演变是从利用基本生物力学能力的相对简单的较低维运动开始，例如基本的后摆和前摆阶段(见例如，图5中的4状态系统)，学习利用和协调较大自由度，例如使用更精细的后摆，以及最优地转变为前摆阶段的后环绕(例如，图5中的8状态系统)。
此过程最终延伸到整个可用的身体运动学系统中。通过训练，受试者学习利用全身动力学链，这涉及发源于足部、髋部、躯干等的移动。此类移动在多个关节和肌肉群组的空间-时间特性的意义上是复杂的。它们还需要更多预测并且因此依赖于高级感知技能和规划。考虑到这些复杂性程度，复杂移动技能为何分阶段发展是可理解的。
移动模式精炼的过程同时使身体暴露于新且较大的位移，可能在关节、韧带、肌腱和肌肉上产生不合意的应力。因此，有可能将更高级移动模式的获取设想为旨在最大化结果同时最小化疲劳和更一般来说最小化受伤风险的过程。增加的负荷也是开发体力以及肌肉骨胳结构的驱动力。
移动模式精炼的过程同时使身体暴露于新且较大的位移，可能在关节、韧带、肌腱和肌肉上产生不合意的应力。因此，有可能将更高级移动模式的获取设想为旨在最大化结果同时最小化疲劳和更一般来说最小化受伤风险的过程。增加的负荷也是开发体力以及肌肉骨胳结构的驱动力。
谱录发展和模式区分
图13示出移动模式之间的进化关系。每一移动模式是在其祖先或亲代(以粗体示出)方面识别。示出的模式对应于图11中的模式，通过沿着进化过程其形成哪一阶段来排序(S1-S5)。
如图13中所展示，每一移动还可以被指派对任务的重要性程度，其指定模式与任务执行和目标的相关程度，且指示为初级、次级、三级等。如早先所描述，移动模式可从头形成，或通过与现有模式的区分而形成。在前一种情况下，新模式通常满足对例如空中截击等任务执行的新需要。在后一种情况下，新模式通常形成以扩展结果或条件的范围。举例来说，在网球中，普通正手击打可演变为若干子类以实现特定球自旋和速度，以便较好控制击打的结果(请参见图11和12)。
在新活动领域中的技能学习的开始，受试者通常以一些基本的移动能力开始。这些早期移动通常是从它们已在其它活动领域中获取的谱录来适应的，或通过组合从其神经动作谱录可用的一般移动原语来适应的。在开始(图11中的S0)，考虑两个移动模式P1和P2。举例来说，这些可以表示正手和反手击打。在此极早期阶段，移动还未专门化。初学者通常在广泛范围的结果和条件上采用它们尝试适应的几个移动模式。举例来说，在网球中，初学者可能有一个正手和一个反手击打模式以适应广泛范围的条件，例如在多种条件(例如，速度、自旋、冲击点、拦截高度等)返回对手的球。
由于初学者移动模式必须适应广泛的条件，因此它们无法以最佳方式利用受试者的移动能力，即，针对一系列条件使用相同的一般移动模式有损其表现。因此，为了在一系列条件下实现最佳执行，必须形成多个专门移动模式。这些针对感知条件以及支持结果范围所需要的生物力学移动条件进行优化。
通过更多经验，受试者学习利用他或她的生物力学且识别其中移动模式可以专门化以产生更可靠结果的条件。举例来说，在网球中，运动员可以学习在回球时产生上旋，以增加的速度实现更激进的返回击打，这需要对时序和条件较严格控制，或以削球来回球，这容许较宽的击打区域。
通过更广泛经验，运动员还学习联系击打模式与较大任务阶层，具体来说他们集中于改进任务执行，即，在任务级别产生结果。在网球中，这包含在球场上的精确击发落点；同时，还加宽了可以瞄准的区，同时也从一系列冲击位置和条件学习以这些区为目标。可以从图8中示出的球场环境的离散化来评估在任务表现级别的谱录的发展。
在模式级别的移动专门化或区分在图11中在时间S1示出，其中P1模式开始其区分为两个相异的模式P1-A和P1-B。在此区分过程的早期阶段，移动仍具有其特性的重叠，如图12中针对P2-B的混合物所示。因此，将存在技术的可变性和执行的不可靠性。
最终，如图11中在S2所示，所述两个模式开始被充分区分以在其技术方面表示相异的移动。如在别处所描述，通过对建立在肌肉协同作用上的移动阶段进行定序来形成移动技术。因此，移动技术的发展也依赖于体力的发展和动作协调。
在形成支持移动的不同功能时，受试者可开始优化其移动。在S3，在与P1-A相同的过程之后，P1-B区分为更专门的模式。可以由于技术的进行中的精炼或优化而进一步区分模式。举例来说，S4示出模式P1-A的优化。优化需要缩窄操作条件和技术；因此，模式开始具有较受限制的操作域，这导致两个新的子模式P1-A1和P1-A2。
由于具有不同学习阶段(形成、合并和最终优化)的学习过程，在开放技能领域中操作的受试者扩展了其谱录，并且在任何给定时间，受试者将具有处于不同发展阶段的移动。即使在体育中的相对精通的运动员也可能需要形成新移动模式，或在失去与原始模式的大部分关系的程度上改变现有模式。
为了帮助描述技能获取过程中的各种现象和其分析中的计算过程，定义不同时间段是有用的。使用以下术语：
时期指代和与特定模型相关联的数据集相关联的时间段(见稍后描述的评估环路)。
学习/获取阶段指代与受试者的神经学习过程中针对特定移动模式的转变(形成、合并和优化)相关联的时间段。
发展阶段指代与运动员的较大移动模式谱录的发展中的进化里程碑相关联的时间段。
代是指代基于技能、技术等的聚合贡献与运动员的总体技能概况中的区分(例如，在其涉及其它运动员子组时)相关联的时间段。此信息可以由运动员子组通过稍后描述的群体分析来捕获。
对移动模式发展进行建模
随着移动模式演变，其可进行区分，和/或可以从头形成新模式。因此，若干模式可在同一类中共存，即，支持相同的结果和任务交互(见图11)。有时，类是通过条件来区分，即，它们表示相同结果但是在不同条件下。通常，这些模式充分演变而带来例如在结果和条件的特定范围中专门化的相异的类。
因此，当处理和分析移动技能作为移动模式演变和发展的过程时，可以考虑模式之间的继承关系。在下文中我们将核心模式(CP)定义为源自祖先的主模式，与通过区分出现的新模式形成对比。在图13中，核心模式由实线边缘示出，以强调它们继承了新模式的发展中的主要属性。图13中由虚线边缘链接的非核心模式区分而产生不同于核心模式的新属性。
核心模式经常对应于所述类中的主导技术，例如在程序化记忆中另外巩固的技术。在具有挑战性的条件下，受试者可能趋于退回到所述模式。核心模式也可能由于其长期存在的历史而较难以改变。
作为组合了通过区分的新模式的发展以及从头开始的模式的形成的进化过程的移动学习的此概念化可用于评估纵向技能获取过程。这涉及通过在区分时被继承的特征使模式相关以及通过区分过程跟踪模式的学习阶段。模式的阶层式分类可决定类之间的阶层式关系。这些结构特性可以用于设计训练干预，以及规划和管理训练过程。举例来说，有助于新模式的干预通过区分和合并而形成。
移动规划和感知机制
对于开放动作技能，成功执行取决于从任务环境和要素提取各种形式的信息。许多动作和移动需要与任务环境和要素同步。学习移动还涉及学习用以提取相关信息的感知机制且使用此信息来规划或适应行为。
精通的移动技术和总体任务熟练依赖于感知机制的形成和优化，例如辨识来球的状态且根据这些条件调整击打的能力。例如：用削球击回快速高弹跳的球，从而实现更可靠但进攻性较低的回球。另外，如果运动员可提取早期线索来估计返回位置(例如，从对手的身体和球拍摆动)，那么他们可以通过选择返回位置且定位身体来控制点以在击球区中精确拦截球而实现所要返回轨迹。
广泛的移动谱录允许受试者基于任务状态和条件选择控制活动的状态所需要的最佳动作。举例来说，网球运动员可以利用较慢、较短的回球来较早地拦截球且产生大的上旋和速度，作为以球场的开放侧中的深回球来使对手意外的方法。替代地，在来自对手的进攻性回球的情况下，在对手的回球之前运动员只有较少时间来准备击打且使用削球来获得时间。这些改变反映了受试者评估情形且使用此信息控制任务并实现其目标，同时适应环境和条件的能力。
开放动作技能的评估
大多数开放动作任务涉及与环境的动态交互，在动作系统阶层的不同级别、信息处理阶层的级别和任务结构阶层组合不同结果。精通的执行者能够将这些过程和组成部分组合成有组织的整体。因此，开放动作技能的技能评估必须涵盖这些不同级别和组成部分，这从分析和数据获取或实际观点带来一些独特的挑战。
网球是好的实例，其中在取决于运动员对其相对于移动球的位置的控制和击打技术的条件下执行每次击打。因此，技能的评估涵盖执行的不同方面，且通过定义可以基于动作如何在动作系统和任务结构阶层的多个级别上影响任务和环境状态而定义的结果来实现。形式化此分析的可用方法是研究人类系统的要素、参与者、设备以及环境和任务要素之间的各种交互。
作为一实例，基于网球使用情况，图7示出较大系统中的相关交互且示出以下结果级别，这也在图2中示出：
1.击打/球拍球冲击：冲击条件。
2.冲击和击发主结果：球速度和自旋。
3.相对于环境要素的击发轨迹和类型，例如网空隙、曲率、速度、自旋。
4.总体相对于对手和球场地标的击发落点。
这些级别是基于代理和相关任务和环境要素之间的各种交互而定义，且形成嵌套闭环系统。它们强调了人类行为是关系性的一般想法，即，行为在特定对象关系中是固定的，这是人类如何感知和概念化环境的结果(与经常基于某些维度的离散化的机器相比)。
应注意，在级别2)-4)的结果是执行者控制球且管理冲击条件的能力的所有功能(见图9)。因此，控制球和击打执行条件取决于感知和预料任务环境状态、在球场上移动、准备击打和建立适当姿态的能力。
还请注意，开放动作任务中的行为和执行取决于人类信息处理的全范围：抽象化任务级别规则和组织，与个别移动单元选择和执行相关联的离散要素和事件，以及身体移动执行的连续过程。有可能界定对应于每一结果级别的主信息处理组成部分。
这些主信息处理组成部分负责获取结果的知识和相关联执行知识，这又可用于帮助改进技能。因此，从技能评估观点，关键的是理解在每一评估级别处理哪些结果级别，并且同时提供可以转换为可行训练干预的执行知识。
举例来说，击打冲击和主击打结果与动作控制处理(身体协调和球拦截)最直接相关。执行者可通过本体感受来评估这些结果，包含球拍在冲击时“感觉”如何，以及所得的击发。但后者并未提供关于移动技术或执行知识的许多信息。
击发轨迹和落点与规划的击发和比赛策略最直接相关，但也取决于执行者的执行和对球和条件的控制。执行者通过感知相对于球场和对手的球轨迹以及对比赛的影响来评估这些。来自此级别的信息帮助改进定位和击发选择以及比赛策略。然而，在此级别的训练依赖于足够的机制来控制球且在级别1)-3)实现充分精确的结果。
在没有对手的活动中，例如滑雪或冲浪，策略级别涉及协调环境和条件。这需要了解地形和条件，以及规划一系列移动模式的部署。
动态关联和多级别信息处理使得评估和产生有效训练干预是极具有挑战性的。击打和球冲击条件直接表现在击打冲击质量1)和主结果2)上，从而使此过程是最直接可观察的；然而，它还取决于预测球轨迹且预料和选择拦截条件的能力。另一方面，其它结果2)-4)累积其它因素，使得诊断任务困难。通过技术，有可能将这些混淆的贡献分开，从而在适当的结果级别和适当的信息处理级别传达分析且产生训练干预。
下文描述经过设想以使数据驱动型评估和训练成为可能的框架。
评估和诊断
训练依赖于以下能力：1)评估动作技能，其对应于移动结果的说明和与任务要求的关系中的特性，以及2)诊断技能，其对应于移动技术的存在不足的特定方面的识别和通过其对关键结果的影响而减少任务中的执行(诊断)。获得的知识可以随后用以确定充分干预，所述干预解决特定技能缺陷且得到较高技能级别且因此任务熟练度。
技能评估负责表征移动执行。产生评估基本上是从提供受试者的执行结果和技术的简洁且有用描述(结果和执行的知识)的所收集移动数据定义度量和特征的挑战。例如：“对于正手上旋高强度(FHTSH)类，由冲击产生的球自旋过低”。
技能诊断负责识别移动和任务执行特性的原因。它通常集中于需要解决或校正的缺陷以朝向任务表现改进技能。对于先前实例：“在向前击打发起时的球拍高度太高且球拍滚转速率曲线太浅”。
评估级别
建立在第2017/0061817号美国专利申请公开案中的移动和技能模型的组成部分上(图6中说明)，技能评估以阶层式进行，考虑了在人类移动系统的不同组织级别的移动执行，这也与任务结构阶层关联。图10示出移动阶层和任务阶层的级别之间的关系。它定义了以下评估级别：
身体表现级别：在此级别的评估集中在移动如何产生的身体细节上。在移动阶段片段的级别最佳分析此级别，包含例如移动阶段和与肌肉协同作用的关系、肌肉骨胳约束以及用以在相应任务条件下执行和部署移动的感官和感知过程等考虑。
模式执行级别：在此级别的评估集中在与主移动单元相关联的移动模式如何好地支持任务和环境交互上，且更具体来说产生贡献于任务目标且适应或利用条件的结果。通过移动模式和结果最佳分析此级别，例如在网球中相对于球场的击打和击发，以及将来临的击发和条件(见图9)。
任务表现级别：在此级别的评估集中在获取的技能要素和任务要求之间的关系上。通过谱录最佳分析此评估级别。它包含例如已经获取何种类型的模式来支持例如产生结果范围且适应条件等关键任务交互，以及这些结果和交互如何共同贡献于任务或活动执行的考虑。类似于机器人技术或轨迹规划，此级别对应于任务空间的离散化的评估，即，如何将结果和条件的总体范围量化为共同提供技能要素以熟练执行任务的相异模式。
竞争性表现级别：在此级别的评估集中在受试者在任务中如何使用其获取的技能要素，同时考虑受试者的策略和更一般来说他们如何与其它执行者进行比较。这是在谱录级别最佳分析，但考虑了如何利用移动模式和能力来支持和实现竞争性表现。评估涵盖可以例如用以以静态方式以及动态方式胜过对手的战略特性，其对应于对任务和环境中的移动模式和事件以及参与者之间的时间关系进行建模。
考虑评估中的级别之间的阶层式关系使得有可能在训练干预的设计中利用这些关系。
评估组成部分
评估组成部分指代在移动执行和技能上可以取得的不同观点，且遵循刚才论述且在图10中概括的评估级别分析。可以考虑以下组成部分：
结果特性：结果评估对应于结果和执行的传统知识。结果捕获移动模式的特定质量、它们对任务环境的影响，以及它们执行的相关联条件。在移动系统的不同级别，例如图7和8中定义的不同结果级别处定义和分析结果。
功能特性：评估集中在移动模式类和其对任务的影响的基础机制上。功能分析通常与各种结果量和任务所需的条件范围有关。举例来说，在模式级别的功能分析考虑了移动阶段如何组合以产生支持与任务和环境级别的交互的移动模式，且产生任务的主结果。功能分析还涵盖感知机制，例如用以支持与环境和任务要素的同步的那些机制。在身体表现级别，功能特性可涵盖生物力学和肌肉激活(肌肉协同作用)的细节。
感知特性：此评估突出了可跨越不同评估级别驱动受试者的行为的量。举例来说，在身体表现级别，感知量对应于对特定移动模式的执行是关键的移动阶段的本体感受特征。感知机制是功能特性的部分，它们被分离为组成部分以强调其例如作为提示的部分的潜在作用。
记忆和学习特性：移动特性和技能级别取决于移动的获取阶段，这指代与大脑的学习过程相关联的特定里程碑。此评估集中在移动模式的学习阶段的识别，这可帮助较好地选择诊断工具和训练干预，例如提示加强感官动作模式，或可帮助形成心理模型的可视化。
图10示出不同评估级别，突出显示针对网球实例在每一级别的模型的代表性要素280。图概括了跨越不同级别应用的评估和诊断组成部分290。图示还传达了不同级别从用于形成击打模式的在底部的移动片段开始如何嵌套于彼此中；随后，这些模式如何实现与球场环境的击发交互；接下来，不同击打和击发如何共同使任务空间离散化；以及最终，驱动任务竞争性表现的决策和策略。
图31提供如下说明的不同角度：a)评估级别，b)描述级别的中心要素，c)可用于确定所述级别的技能特性的准则和量，d)用以识别关键特性的分析或诊断，和最终e)用以产生训练干预的驱动力和机制。
结果的评估
从任务的角度看，结果表示移动的主结果。如图10中已经论述和描述，可以在移动系统阶层和任务结构阶层的不同级别定义结果。结果是提供用于任务执行和技能评估的相关信息的量。它们通常是基于任务要求和可用测量来指定。
一种类型的结果是成功率。可在不同结果级别确定成功和成功率(请参见图2和7)。举例来说，在网球中，在球拍-球交互级别的成功(结果1)是通过例如自旋和速度等特定类的球拍冲击位置和结果级别来确定。在球场交互级别(结果3)，它是通过球场冲击位置和状态确定(见图8)。
每个击打类表征为表征功能模型的值的范围，其包含在阶段转变时的状态，例如在前摆开始时的球拍状态，或在冲击时的球拍定向、球拍角速率等等。这些特性可用于确定在不同级别的结果，包含球自旋和速度，还有击发轨迹。通过关于运动员位置和定向的额外信息，还可能预测和估计球场上的球冲击位置。
网球中的此实例包含全面运动捕获系统，其除受试者的身体片段、身体姿态、设备的运动等之外还相对于任务空间测量任务对象(网球)。有可能更直接评估受试者的运动的结果。除结果的质量之外，另一属性是每一特定移动类的移动的成功率。
图8示出基于运动员和对手的地面冲击分布的相应击发落点。在击发级别的技能表现为与任务环境的交互中的不同分辨率和精度。将接下来描述的任务级别执行虽然取决于击打，但是更强调击发结果级别，例如运动员使用的击打可如何相对于球场和对手来控制球(见图7)。
谱录中的移动类的集合以及谱录中的从移动提取的信息-包含结果、成功率和其它度量-形成了受试者的技能概况。技能概况表示受试者的技能的整体描述，其可用于比较运动员以及跟踪技能如何随时间发展。
移动类技术评估着眼于移动模式的总体特性。如早先所描述，每一移动模式可以通过所谓的核心模式(CP)描述。想法是移动遵循具有模板的动作程序，由于干扰和为适应条件作出的调整而具有特定可变性。CP因此描述了标称移动执行。
偏离CP因此可以用于评估技术和例如适应性等其它属性。即使在扰动下，移动模式也应当分布于CP的标称范围内，即，变化的正常范围内。超出正常范围的移动可表示不良执行，或者也可以是次模式，这可能是由于作为正常技能学习的部分的核心模式的区分。
预期随着个人的技能改进，CP的变化范围减小。这部分是由于模式的专门化和优化以及对条件影响的较严格补偿。
可以从阶层式移动模式类内的不同于CP的次模式分组的存在检测移动区分。此类型的区分在技能获取的早期阶段中，当从现有模式导出新模式时是尤其可能的。
功能评估
第2017/0061817号美国专利申请公开案中详细地描述功能评估。在下文中，将其延伸到不同的评估级别和任务阶层。图2示出击打运动与任务和环境要素之间的交互，包含相对于球场的球轨迹、球的冲击以及在以球拍轨迹的拦截之前的球弹跳。图还示出沿着球轨迹和环境要素的不同点的运动员的凝视，且示出作为可以被编程来实现不同形式的交互的设备的发球机。
图2还示出与击打模式的功能特性和用于产生所要结果(例如，结果1-3)的与环境的交互相关联的细节。所述交互包含例如适应条件，例如移动阶段相对于在地面冲击32后的球状态的时序(还见图9)。
图2还示出用以控制移动执行的视觉提示的实例，例如球轨迹曲率、弹跳或冲击32的量值和角度。图描绘了基于到这些线索中的一些的凝视向量81的视觉注意力，以及由标签33-35指示的针对结果1-3相关的要素。
深入研究，图3A和3B示出移动作为一系列阶段且突出显示阶段转变特性和阶段概况特性。阶段概况特性指代在阶段片段期间的动力学。这些特性与移动片段的协调和肌肉协同作用相关联。图还示出由肌肉骨胳和其它约束产生的可行包络，表示产生可接受结果但是次优的移动的可允许的包络，以及表示通过生物系统的最佳使用产生最佳结果的运动范围的最佳包络。
图还介绍了目标阶段的概念，其表示与关于结果产生的主交互以及环境和任务要素交互相关联的阶段。网球的目标阶段是对应于球冲击的移动片段且延伸到整个球交互或接触。此阶段在结果的产生中是关键的。在稍后部分中论述且在图37中图示了说明前摆阶段的功能分析的一些细节。其它阶段(发起阶段、阶段1、阶段2、后继阶段，和恢复阶段)表示在例如网球击打等移动模式中可使用的阶段的样本。
通过主结果阶段的指定，有可能将移动的其余部分设想为围绕目标阶段组织以支持结果的系统。不同片段在支持结果的产生以及支持适应条件和可贡献于稳健且多样化执行的与环境的交互的方面起不同作用。
由此更一般的角度，每个阶段可以具有其自身的结果和交互。例如在网球中，前摆阶段(阶段2)是在冲击之后的下一关键阶段，因为在目标阶段(冲击)中实现的条件是由所述先前阶段决定。此外，在网球击打的情况下，前摆阶段持续约100ms，并且因此太快而使运动员无法做出任何校正。因此，前摆阶段大部分由其初始条件x(t＝t02)决定，这又由后环绕阶段(阶段1)决定。在其它移动活动中可以找到相似的一般特性。
转变特性由移动配置决定，包含身体片段和例如球拍等末端执行器的状态。这些条件还包含时序特性，例如与环境要素的同步。举例来说，在网球中，相关时序是网球击打发起阶段与网球状态之间的同步，这自身可以划分为不同阶段，例如网穿越、地面冲击和在球冲击之前的各种阶段(见图9中的条件)。接下来，前摆阶段发起(阶段2)的时序类似地由球状态和预期冲击条件决定，但更接近冲击时间。移动阶段的此同步和调制在实现球的准确拦截且产生将得到成功结果的所要冲击条件(目标阶段)中是起作用的。应注意，关于身体片段和配置的其余部分可以做出相似的考虑。
技能要素因此可以在这些主交互和技能特性方面正式定义，且从这些交互的各种属性确定，包含：移动功能特性(由移动阶段特性以及感知和动作交互描述)，肌肉骨胳特性，身体表现，以及任务和动作系统阶层的不同级别。
学习阶段的评估
用以确定训练什么和如何训练的移动技术的评估(执行的知识)理想地需要考虑动作技能获取过程的一些神经性质。学习阶段是基于动作学习理论而定义，包含记忆表示和认知策略(见Rosenbaum 2010)。
以下移动获取阶段可以从早先描述的三个学习状态定义：移动形成，移动合并，和移动精炼/优化。移动获取阶段表现在移动特性中并且可如下描述：
要形成的模式(例如，图52B，步骤322)：模式从谱录缺失或以不可靠形式存在。缺失的模式通常是由于现有运动模式当中缺乏区分。举例来说，在网球中，不存在反手上旋中的子类表示可能操作方案以及例如速度或自旋等可能的结果中的差距。移动谱录的这些差距妨碍了结果的灵活产生和对条件的适应，并且因此表现在任务执行中。
要巩固的模式(例如，图52B，步骤323)：移动阶段未充分定义且整合在移动模式中以允许在动态条件下的可靠执行。举例来说，与阶段相关联的肌肉协同作用尚未完全自动化，且它们的转变是不平滑的。这些缺陷表现在不可靠的结果、移动模式的可变性、缺乏平滑度、低效移动执行，且没有应对变化条件的足够灵活性。在早期形成和区分之后，模式经历其结构中的自动化和精炼。这些改变反映了大脑的学习机制(例如，程序化记忆)。自动化允许可重复性和可靠性。模式结构的精炼是功能要求引导，包含实现较好结果和身体效率，以及关于任务和环境约束和条件的有效性。
要优化的模式(例如，图53B，步骤324)：移动模式并不高效地实现结果且并不充分适应环境或任务条件。举例来说，移动阶段并不最佳利用受试者的生物力学。这些缺陷例如可能导致当寻求结果增加时力的使用过量。
技能获取阶段还表现在身体改变中，包含获得足够力量和耐力来随时间维持良好技术。
技能状态的概念涵盖了获取阶段。对于谱录中的移动模式的每一现有类，有可能指派技能获取。可基于定量准则或度量确定获取阶段。例如：
缺失的模式可通过谱录完整性确定，即，谱录中的移动如何好地涵盖与任务目标和环境条件相关联的执行要求。典型模式分析工具，例如群集与相似性度量(例如，树形图)组合，可用于识别现有移动类内的新模式。模式相对于其它现有模式的区分程度可提供其发展的度量。
要巩固的模式可以通过成功率、技术的可变性和在给定类内的结果来识别。在此阶段，移动还趋于显示特定身体表现特性，例如高急加速、缺乏平滑度和时序可变性。这些模式也可以通过移动阶段结构中的不一致、阶段转变的平滑度以及一些移动阶段的不可靠时序(例如，前摆加速分布)来识别。最终，在此获取阶段的模式也可以从缺乏使结果适应条件和结果范围的灵活性来识别。
要改进或优化的模式已经形成，但移动结构并未潜在高效地利用受试者的生物力学，且并未实现有助于处理一系列条件的理论结果范围和灵活性水平。要优化的模式主要是从功能特性(在别处描述的特征分析)分析，其提供移动技术和其与结果的关系之间的关系的详细理解。移动效率也经常是相关的，即，产生结果所需的工作。移动优化的一个目标是精炼移动技术以使用最少能量且在肌肉骨胳系统上产生最少应变。
图41提供击落地球谱录中的技能要素的获取阶段指派的实例。
表1-用以确定移动类的获取阶段的定性特性
Figure BDA0002375849270000891
表2-可用于识别移动类的获取阶段的定量准则。
Figure BDA0002375849270000892
群体分析
群体分析对于理解介入技能获取过程中的广泛范围因素的贡献是有价值的。群体分析可用于基于技能水平和例如身体类型、健康等多种其它因素而确定运动员类型。运动员类型或概况使得有可能通过考虑具有相似技术类型和技能水平的运动员群组来生成适当参考结果值。运动员概况同时实现对运动员特性或属性的识别，即何种技能属性和例如发展阶段等其它因素是特定运动员群组的特性性状。运动员概况信息可以例如用于确定决定较大运动员特性的综合得分中的权重。
图29示出基于来自阶层式移动模型的执行和技能数据生成群体群组的过程。从群体分析提取的信息使得有可能确定执行者概况。
图30示出跨越技能模型阶层的评估，并入有运动员概况信息以生成用以在移动系统和执行阶层的不同级别评估技能的参考属性值。参考值可用于提供情境信息以确定采取何种训练干预。
身体表现评估
移动身体实施方案描述了如何从相异的阶段片段构成每一移动，其中每一片段通常与由所谓的肌肉协同作用驱动的特定一组身体片段的协调相关联。在此级别的执行准则包含生物力学系统如何支持阶段片段，例如随片段分布动力学和阶段转变而变在运动中涉及哪些肌肉和关节。
在移动阶段级别的分析是基于识别运动的组成部分，例如肌肉协同作用和其它肌肉骨胳量。片段级别分析与功能移动分析之间存在重叠，具体来说当来到关键移动阶段时，例如网球击打中的前摆。
模式表现评估
个别移动片段组合以形成整个移动模式。此模式表示支持各种任务交互的基本技能要素。在所述级别，主移动执行准则是与任务执行相关的移动结果，以及移动如何适应任务条件。分析集中于识别解释结果和条件的相关质量的特征或属性(例如，使用敏感性分析)。这些特征提供可以通过训练干预来操纵以优化移动技术的量。一个问题是确定最可行特征或属性以及合成反馈提示或其它增强，例如可用于产生有效训练干预的指令。应注意，可以考虑与移动技术和执行相关的其它准则，例如移动效率或受伤风险。
移动涉及多个运动自由度的空间和时间协调。详细技能模型集中于支持移动结果的执行、与相关任务和环境要素的交互以及对条件的适应的移动特性的功能方面。
在移动技术级别的较详细评估可通过将模式分解为片段来执行。举例来说，移动的功能特性的分析确定在产生特定结果时的效率、与任务和环境事件的同步，以及补偿条件的能力。
击打的功能技能模型的实例是在前摆阶段期间球拍滚转和摆动速率之间的协调，其描述了受试者的对于上旋来说可能重要的技术。模型可用于识别特定移动类中的受试者的“自旋包络”(见下文部分的细节，还见图33)。
可以针对击打的前摆和其它阶段的其它特性导出相似模型。举例来说，球拍运动由包含躯干、肩部、前臂和手腕的身体运动的若干组成部分的叠加产生。受试者实现所要冲击条件和结果以及补偿条件的能力取决于身体片段的恰当时序和协调。通过足够的测量，有可能估计不同身体片段的移动组成部分的贡献且确定表征基于生物力学执行的空间或时间概况的结果变量。
图9示出拦截和冲击条件以及主击打和击发结果。这些条件影响结果而且表示移动模式类的特性，因为这些模式对于任务中的交互是基本的。因此，移动类通常特征在于移动技术(击打类型)、击打结果，以及动作发生的条件(拦截和冲击条件)。应注意，拦截条件是由运动员在球场上的移动和其预料且规划其动作的能力决定的。
时间特性对移动执行也是关键的(见Bootsma 1990中的乒乓击打时序的分析)。对于网球实例，包含两个时序特性用于向前击打的评估：相对于冲击的峰值球拍角速率的时刻，以及相对于冲击的向前击打发起的时间(见后续部分中的细节，还见图42)。
任务表现评估
个别移动模式组合以形成技能要素的完整谱录，其为个别受试者提供有效地执行任务所需要的交互范围。在任务表现的级别，分析确定在任务中如何部署移动模式且它们如何共同促进任务成功。
在谱录或任务级别，结果涉及移动模式如何改变任务的状态且适应条件和任务中会发生的各种意外事件；例如产生驱动比赛且适应对手击发的击发落点。因此，移动模式的谱录描述了在活动领域中受试者可用的移动或动作。每个受试者获取其自身的特定谱录，涵盖移动模式的特定范围和质量。
在任务表现级别的基本评估是基于评估谱录相对于任务要求的完整程度。任务要求定义了有助于任务的动作的结果。在此评估级别，技能分析主要集中于识别谱录中的差距。相关任务区域或条件中不存在结果和相关联运动模式可用于识别“未形成的模式”。举例来说，在网球中，这可以表现为不存在高强度反手上旋类。谱录的完整性是由其实现任务空间的充分离散化的程度决定。通常，随着受试者的技能水平增加，移动模式变得更精确并且因此实现任务环境的更粒状离散化(见图8)。随着离散化水平增加，可以实现任务执行的更佳水平。
还请注意在一些领域中，结果和动作的范围可取决于比赛的风格或甚至个别执行者的个性。
更高级的任务表现分析和评估采取更全面视角，且通过跟踪整个动作序列的属性来实现。举例来说，在网球中，相关属性包含击打的顺序、对打的长度、使用何种类型的击打、它们与其它运动员的动作(包含在球场上的移动)的相关程度，以及活动或任务的总体执行。序列移动模式的统计分析也可以用于提供关于个人的技能和策略的相关信息，例如受试者在任务中的一个阶段中使用的移动模式的频率分布，提供了活动的标志和受试者的策略。
图8还示出可用于建模和评估受试者的比赛策略的量的类型，例如运动员的球场运动和定位，即运动员可如何根据对手的比赛模式和位置来定位球。这些高级技能还取决于对球场的感知和对对手行为的预测。如何使用移动模式的这些动态特性可以通过使用用于学习表现数据中的时间关系和相依性的技术来建模。流行的技术包含隐式马尔可夫模型(HMM)或循环神经网络(RNN)。
竞争性表现评估
在最高级别，主要目标是评估竞争性表现，其通常在群体的级别执行。因此，准则表示什么可以确定一种形式的群体素质，例如从竞争获得的实际执行者排名。这些可能未必总是可用的；因此还可能基于运动员技能概况计算排名，这也可以考虑群体分组。当可用时，竞争性分级可用于基于技能概况校准排名。移动技能属性特性包含技能概况中包含的那些特性，执行者在其个别特性方面如何相关，以及这些如何贡献于其竞争性表现。对竞争性表现的分析提供关于可以改进技能概况的何种方面(技能要素和属性)的信息以使某人在任务中更有竞争性。
技能概况被设计成涵盖个人的移动技能的全面复合特性：考虑执行(谱录)，以及其如何好地服务于任务或活动；以及谱录中的个别移动模式的有效性(移动技术和身体表现)。
这可以通过一些复合成本或目标函数来实现(见下方Q(ai)的方程)。技能概况可随后用以比较执行者。图17示出技能概况为曲线图，带有不同技能组成部分(即，移动模式)对复合评分的贡献。将稍后论述的图40提供用于击落地球谱录的技能概况的图示。可以使用不同目标函数来强调执行的不同方面。举例来说，任务执行、效率、长期受伤风险。图17中的图示还突出了谱录中的差距，以及两个受试者(C和A)之间的差异作为技能概况差距。
可以分析技能概况和复合成本以确定个人的移动行为或技能属性的哪一方面对总体执行具有最大影响。因为敏感性信息的类型可用作确定集中于何种训练要素的指导。此处再次，可用于技能概况的不同目标函数提供了从不同角度(表现、效率、受伤)看待训练的方式。它们也可以在多目标分析中组合以找到折衷，例如表现对受伤。与在移动技术级别的分析相比，此分析提供关于这些问题的更全面视角。
然而，技能概况在其不考虑动力学的意义上是静态评估，即，这些技能要素如何随着任务或活动展开或响应于对手而部署。运动模式的使用频率提供了评估策略的简单模型。下一级别对应于描述模式序列的统计数据，例如在给定先前模式或对手模式的情况下的模式的条件概率。较完整的竞争性分析考虑活动表现的动力学，即，动作与其相关联事件之间的转变，例如，当从具有特定击打类型和地面冲击条件的对手返回时使用模式X。此模型考虑了结果中的事件链，其对应于确定因果模型。动力学涵盖建立在技能要素和基础细节上的完整任务表现或比赛策略。
群体分析和用于评估的参考值
如已经论述，为了涵盖在某人的技能和表现中发生的广泛范围因素的总体影响，且同时确定各种属性和特性的参考值，考虑来自受试者的广泛群体的数据可以是有益的。
运动员或执行者属性提供表征运动员类型的信息。可通过群集运动员属性来确定运动员群组，如图18中所图示。在具有相似特性的执行者的群组内，随后可能跨越较宽条件范围分析移动表现和技能，且识别在所述群组内影响个人的水平的细微技术变化。
图18还指示群组与例如由技能概况确定的某个技能水平之间的关系。此信息可随后用以确定运动员概况(见图29)。图19示出由群组分布描述的与整个群体群组的得分或成本函数相关联的属性中的分布，突出显示了成员(受试者A，由分布(e1，e2)描述)以及与整个群体子组的复合评分功能(e1，G，e2，G)相关联的层次({低、中、高、极高})。
来自这些群组的统计数据取决于执行者或受试者子组如何好地共享相似的一般移动技术且可以识别其它共同因素。群体级别分析可以考虑任何可能的相关因素，例如身体比例、大小、健康条件、年龄等。分析即使可以延伸到基因型，且进而提供对可能的先天性差异的洞察。
群体分析能够执行绝对评估。相对于较大执行者群组针对各种技能属性获得的值有助于形象化受试者的表现。这允许运动员群组的技能概况之间的更客观比较(图17)并且可用以确定参考值。
来自群体分析的参考值可以并入在技能要素的评估和诊断中，且延伸到各种评估级别。举例来说，用以表现技能要素的复合得分可以通过与受试者的子组的属性相关联的参考范围来正规化。
来自群体分析的信息也可以用于对运动员或执行者进行排名，例如通过排行榜，这又可提供用于训练的额外刺激来源。排行榜还实现复合和概况成本函数中哪些属性区分了运动员或执行者的确定。这对应于竞争性评估(见图31)。因此，此信息例如描述了哪些技能要素和属性对排名具有最大影响，并且还可用以对训练进行区分优先。
最终，群体分析的组合使得有可能找到移动技术、表现和甚至技能获取中的较大模式。评估的基于群体数据的一个方面是运动员或执行者的概况。可确定运动员概况以表征运动员相对于较大群体的表现或技能。此概况可包含例如基于不同技能概况复合物的运动员的排名，以及使具有不同但相关移动技术的执行者的子组相关。
系统级评估考虑
这些评估组合以提供使用复合分析的全面评估。下文概括了不同要素如何整合以产生全面评估，全面评估又可用于实现更有效的训练干预。
此部分强调系统级思维以及用于评估和诊断的关键量的作用，以及何种特性提供了其整合的基础。由图31表示的系统给出了系统性技能训练所需的全面理解的概述。图10示出在网球用例中的这些量中的一些。
向上的竖直箭头指示参与下一级别的特性形成的信息和特性的从下到上的聚合，其中额外要素也起作用。举例来说，在功能表现级别，移动阶段组合成与任务要素交互以产生结果的移动模式。这些特性在理解学习过程方面是关键的，并且因此可用于确定必须首先发展何种移动特性(例如，困难评级：基本、中间和高级)。
向下箭头指示较高级别评估对告知较低级别评估的重点的从上到下的影响。较高级别可提供从上到下的信息以确定哪些特定评估和特性驱动着训练。举例来说，技能概况特性提供了哪些技能要素和属性对当前概况级别具有最大影响的理解。因此，作用于此要素和属性将在概况级别对表现产生最多影响。这些特性对于理解任务表现过程是关键的，并且因此可用于确定何种移动特性对于任务是相关的(例如，核心运动模式等)。
技能获取的趋势
技能状态提供了在训练期间应当锻炼的技能要素、以何种次序训练这些要素、可实现哪些目标以及何种形式的反馈增强最适合于训练的选择的基础(见图22)。因此，技能状态理解描述了个人的技能并且可被视为技能获取过程的状态。
获取阶段的确定还使得有可能更精确地分析某人在活动领域中正做出的进展，哪些特定方面在改进，以及哪些方面较难以改变。
针对获取阶段应用的准则提供了关于可用于衡量朝向其改进的进展的技能要素的特定信息。
鉴于技能基于练习和训练活动而随时间发展-并且还有素质、健康等的改变-应当连续地评估技能状态。连续技能评估使得有可能采纳适于受试者的特定技能缺陷以及素质和健康条件的训练活动。
技能获取是随着任务的进行而随时间展开的过程。因此，为了确定未来训练活动，能够分析不同技能要素的趋势也是有益的。所述趋势提供了关于这些要素的稳定性或易感性的信息以在给定训练活动下做出改进。
运动模式或技能要素具有不同程度的稳定性。一些模式在受试者的程序化记忆中深入地固化，并且因此在阶段之间展示较少变化；其它模式则更有韧性。此外，由于人类表现的可变性，移动模式将有时候实现优良结果和技术。因此，技能分析方法应当能够涵盖对移动行为固有的此类改变，能够理解哪些特征与改进相关联，且最终具有反馈技术来加强这些特征。
在任何给定时间，有可能评估一个人的当前技能状态以及技能要素谱录相对于当前和过去时间的趋势。可以使用时间窗技术来突出在个人的训练历史中的不同时间或时期的技能状态和趋势。可以针对在赛程之间的不同时间尺度(例如，在对局内)分析技能趋势。
不同时间尺度反映移动技能过程的不同方面。举例来说，长期趋势(数月到数年)可衡量与移动技能相关联的身体特性，例如力量、磨损的影响、受伤(发育和恢复)。中期趋势(数周到数月)可衡量训练目标的同化以及移动模式的精炼和优化的程序化记忆中的巩固。短期趋势(数天到数周)衡量移动模式的形成和巩固或优化的成功同化。微趋势(在对局或赛程内)可衡量新指令的有效性和反馈线索的有效性。
图47示出显示在指定时间范围内沿着若干训练目标的进展的绘图。图中的进展被描述为相对于训练目标(例如，改进上旋或一致性、成功率等)的正规化差距。当达到训练要素的当前训练目标(示出为星)时，系统生成新目标(示出为方形)。趋势绘图可以针对所有有效训练目标或特定子集(例如，受试者当前关注于什么)叠加。特性可用于帮助识别哪些技能要素要区分优先。举例来说，可以在难以改进的方面上投入更集中的努力，或在接近于完成的训练目标上投入更集中的努力以使其完成并移动到新训练目标。
趋势也可以示出由其相关联度量(结果、技术、表现)描述的全面技能要素。来自技能状态的信息可以转换成数字得分或等级以提供技能和其随时间的演变的汇总评估。此外，有可能将总得分分解为其相应组成部分，包含结果、技术和表现。
训练目标和规划
数据驱动型训练的一个能力是产生不同移动技能属性的目标值，所述目标值可随后驱动训练过程且得到相关联移动方面的改进(见图21中的204)。图30给出跨越阶层的级别如何生成目标技能的概述。目标技能用以确定提供训练或康复的可行驱动力的训练目标。
图31提供跨越移动系统组织的级别的评估和诊断的整合的概述。其给出以下各项的描述：a)评估的级别，b)描述所述级别的中心要素，c)可用于确定在所述级别的技能特性的准则和量，d)应用于识别关键特性以指定训练目标的分析或诊断，e)用以产生训练干预的驱动力和机制，以及f)可用于增强训练干预的反馈模态。
训练目标
技能评估属性和度量以及技能状态和趋势提供了支持训练的量化数据驱动型方法的主要要素。使评估可行的相关步骤是确定训练目标，以及优选地确定追求所述目标的一些规范。如已经论述，通常基于一些因果模型执行诊断。在本发明的上下文中，因果模型是从评估的功能组成部分导出的。如先前所描述，功能组成部分解释了在移动和任务结构组织的不同级别如何产生结果。训练目标的规范还直接关联于适当反馈(指令和实时提示)的合成和选择。
在所提出的系统中，技能要素一旦被指派一个或多个训练目标就变成训练要素。训练目标可以跨越移动模型阶层的任何属性为目标(见例如，图30)。训练目标提供了引导和驱动训练活动的方式，以及用于训练过程的规划以及持续评估和管理所需要的基本要素。
图48示出与数据驱动型训练过程相关联的学习曲线。学习曲线示出了在训练活动(对局和赛程)中技能要素ei的某个相关属性ai的增量改进。通常，在一个训练时期中可以同时改进多个技能要素。训练目标被表达为技能要素ei的属性ai的目标改变。当训练目标完成(或例如运动模型、技能模型等基础参数不再有效)时，生成新基线数据且更新训练目标。图还示出通过对模型和增强的更新等提供的学习曲线的加速。在跟踪且递增地更新模型参数时，训练目标和相关联增强驱动学习过程以实现最佳效率。
基于可包含各种技能和表现属性以及技能状态的评估和诊断来识别训练目标。来自评估和诊断的各种信息源确定了对于训练技能要素最有效的增强的形式(见图31)。
技能状态(获取阶段)提供用于指定一般训练目标的相关信息。例如：
针对未形成的模式的训练目标是旨在考虑每一受试者的身体和健康状态，帮助受试者开发帮助产生所要结果的新移动模式。
模式形成的训练目标是旨在帮助受试者将现有移动区分为可各自较好响应任务要求(结果和条件)的单独模式。它可以考虑类中的现有模式格局，例如核心模式和新区分的模式以帮助引导和加强所要属性。要形成哪些模式的选择还可以取决于受试者的身体和健康状态，例如造成应力或带来受伤的模式。
模式巩固的训练目标是旨在帮助受试者精炼移动模式且创建程序化记忆以实现自动且可重复的执行。
模式优化的训练目标是旨在帮助受试者最大化结果，改进效率，且改进适应条件的能力。
发展阶段还提供信息以帮助选择适当增强形式且确定要强调哪种移动特性。增强，具体来说实时反馈或设备，允许更有效的学习并且因此影响训练目标规范。
通过此描述可以理解，可基于受试者自身的现有表现的功能分析确定训练目标。表现的可变性确保存在表现水平范围和数据中含有的相关联属性。用于训练系统的一般方法是识别个人的数据范围内的最佳表现，并且接着帮助受试者巩固或优化其技术以使得他们在此新水平上运作。随着从后续阶段可用的新数据递增地可以实行此过程，且因此可以递增地改进受试者的表现。
制定训练目标的此数据驱动型分析方法确保了这些目标对于特定个人是现实的；然而，离开个人自身的数据工作会是限制性的。表现和属性的较宽样本可帮助形成在受试者自身的谱录中不一定可用的新移动模式或技术。这对于将技术延伸到个人当前使用的技术的范围之外是特别关键的。群体数据延伸了表现、条件和已知贡献于技能的因素的范围。
通过来自执行者群体的足够数据和包含各种其它相关因素(例如身体类型、身体素质、健康或年龄)的数据，此框架还使得有可能考虑特定反馈增强来预测实现目标可能需要的时间。
训练目标的指定
更有针对性的训练目标的指定可以基于跨越阶层式模型的属性的技能分析，如图30和31中所示。图30例如示出跨越技能模型阶层的实例评估、诊断和训练目标，并入有运动员概况信息以产生用以在移动系统和表现阶层的每一级别评估技能的属性的参考值。
训练目标取决于阶层中的级别而采取不同形式(见图10中的评估级别)。例如在身体级别，为了改进结果而合成的训练目标可以被编码为已经表明产生特定结果中的改进的移动技术的特征的改变。
在模式表现级别，训练目标可以包括在击打的部署中改进移动技术，例如产生更精确的球场击发落点。鉴于已经表明产生例如时序等击发水平结果的改进的技能属性来指定训练目标(图42)。
用于训练目标的定量指定的目标值可从统计分析确定。举例来说，对于移动技术的优化，改进结果的训练目标可从在移动身体级别的功能特征分析确定。举例来说，见图37，其示出前摆阶段以及一些实例击打阶段概况的关键特征。图20示出可用于分析前摆阶段的两个技术特征的统计分布的模型。举例来说，特征可以是图37中示出的迎角或阶段长度，且结果可以是赋予球的上旋。图20中的水平线可以基于来自个人数据的百分点排名而计算。
可以在更高级别进行相似分析，例如考虑对于任务或活动表现相关的任何技能属性。可以设定训练目标以实现下一表现层次，或图19中的表现的现有变化的分数(见椭球e1，e2)，所述图示出基于运动员概况信息在较大群体或某个所选子组的背景下在属性分布与示出为水平线的某个表现度量之间的关系。在此情况下的水平线可以基于来自群体数据的百分点排名而计算。
在较高水平的训练目标的指定遵循来自移动系统和任务结构的阶层式组织的特性。如已经论述，这些类型的训练目标是从诊断导出，通常使用一些因果模型执行诊断。特征和属性，并且因此用以指定训练目标的形式和编码，取决于移动和任务阶层的级别。
图43给出基于网球用例的在系统的主要组成部分上的整合视角的概述，是鉴于评估的级别(身体510、模式520、任务530和竞争性540)、可以如何用成本函数表达准则(512、522、532和542)以及这些要素如何跨越不同级别相关的方面来组织。连同图10，它们突出显示了可用于驱动诊断和最终驱动训练过程的一些关键要素和量。具体来说见图10中示出的每一级别的评估准则和诊断组成部分。
在此实例中，在任务级别530，诊断是关于如何跨越较大任务环境部署移动模式(见图8和10)。如图10所示，可以制定在任务表现级别的功能模型以描述可用于产生所要结果的条件，包含在球场上的恰当定位以控制冲击条件(图9中示出)。在所述级别的训练目标因此可以基于这些功能特性中的缺陷而指定。
诊断和训练目标指定还可包含感知方面，例如从预料来球所需要的环境和要素(球场地标和球轨迹)提取线索，以及生成跨越所要球场区域的击发的目标。类似地，它们可包含记忆/学习的方面，也在图10中示出，例如这些环境要素的心理表示(见图8)和对应移动模式。
在竞争性级别的训练目标的指定遵循相似逻辑，但集中于动态特性，即，驱动比赛的击发的时间序列。如已经论述，在所述级别的功能模型可例如使用动态贝叶斯网络或隐式马尔可夫模型来制定。这些模型可随后用以从击发中的时间模式评估个人的策略，且识别例如对比赛中的丢分负责的缺陷。此理解可随后用以生成解决这些类型的战略或策略缺陷的训练目标指定。
规划训练活动
在技能评估循环中的任何给定时间，技能状态通常包含移动模式的谱录，每一模式处于三个学习阶段中的一个。潜在大量移动类型和对学习阶段特定的多种挑战会使评估和训练具有挑战性。训练目标的组合对于有效地驱动技能训练通常是有益的，包含用于形成新模式、巩固模式和优化模式的训练目标。此外，存在决定在任何给定时间强调哪个训练目标以及随着学习过程展开跟踪移动的改变的问题。
训练应当遵循系统性过程，所述过程考虑各种技能要素对移动活动的相对重要性，并且同时考虑自然技能获取过程，即，大脑如何自然地形成、巩固和精炼移动。训练过程应当能够区分要保留和建立技能的何种方面、要消除技能的何种方面，以及何时形成和巩固新移动模式。
规划对应于训练目标的选择和安排。可以使用以下准则规划训练活动：
1.移动模式和相关联结果对特定活动领域的重要性(例如，其中网球击打的相关性是在三个类别方面表示：一级、二级和三级)。基于此考虑，训练应当考虑移动对任务要求和条件的重要性。
2.移动模式之间的关系，且具体来说一些模式可以如何理解为其它模式的衍生物(见图11中的区分和图13中的进化关系)。基于此考虑，训练应当强调对谱录发展基本的模式。
3.可用的增强模态。
4.每一目标的预测困难，和实现训练目标所需的时间。
训练要素可以布置成例如按考虑上述准则的优先级次序分选的列表。训练列表(见图45A)是按优先级排序的训练要素的列表。训练列表充当用户在训练活动中的给定时段想要集中和跟踪的技能要素的一类“工作记忆”。
举例来说，在每一技能获取阶段类别内，有可能对具有最高缺陷的移动模式进行排名，以及考虑每一移动活动的移动单元和结果的阶层式排序。
训练列表的要素也可以布置成训练时间表(见图45B)。典型时间表是由例如细分为对局的赛程等时间单位定义，且每一对局被指派一个或多个训练目标。训练时间表使得有可能组织用于赛程的训练活动。训练要素的顺序可基于获取过程确定，即，技能要素如何建立在彼此上和其相应获取阶段。
通常，第一集合集中于热身，在此期间移动模式在技术上挑战性较低且强调运动和时序范围。一旦已热身，后续对局就可集中于特定技术方面。在阶段的结束时，运动员可自由比赛或计比分，这充当集中的训练活动如何好地转换为任务或活动表现的测试。对于集合中的每一训练目标，可以监视和增强表现的相关方面。
规划可以手动地完成，借助于专家完成，或通过算法完成。在一个情形中，用户可基于技能状态、趋势和总体目标选择要采取的训练目标。在另一情形中，教练可使用其领域专门知识与技能状态和其它量的组合来帮助选择训练目标。在又一情形中，算法(训练代理)可建议和管理训练目标和时间表。
图46示出状态机，示出有效训练要素和用于向执行者发出通知的准则。还示出训练要素的停止条件，包含执行的击打的数目、经过的时间、朝向相关联训练目标的增量(例如，百分比)进展。通常，向受试者通知增量进展里程碑且当已达到训练目标的停止准则时进行通知。在此时，可以发起下一训练要素。
图44A示出具有在每一训练阶段类别内通过优先级次序排名的要素的技能状态。每一获取阶段类别中的列表可以基于对总体技能概况的贡献(基于技能要素复合得分)而排序。
图44B示出技能状态的实例，示出在若干训练阶段(例如，集合1-3)上的训练活动如何导致技能要素的技能状态的改变。举例来说，BHTSH增加其在要形成的模式内的排名(从第6到第4)。或“要形成的模式”中的最高技能要素BHSLH改善且重新分级到“要巩固的模式”。类似地，另一技能要素BHFLM从“要巩固的模式”升级到“要优化的模式”。(应注意训练效果为了图示的目的已经放大。)
技能评估和诊断的其它方法
技能的系统级理解以及其不同级别的特性和评估基本上提供了丰富的数据集，所述数据集可以使用多种其它分析技术来处理，具体来说包含神经网络的统计建模和学习。此处采取的系统方法的动机是需要识别数据驱动型系统的不同组成部分以及各种形式的评估和信息。可以设想使用统计学习技术生成这些量，这甚至可以帮助从表现数据中的模式发现额外技能属性。
众所周知的一类诊断过程是基于所谓的诊断专家系统。图26示出建立在评估系统上的诊断系统的实例。用以提取各种技能属性的评估系统可用于驱动此系统。此类诊断网络可以被配置成生成本文呈现的类型的评估(技能状态、技能概况)，以及训练目标和甚至反馈和指令以及增强的配置(提示和设备交互定律)。
典型诊断专家系统通过贝叶斯推断从观察中往回推理以确定特定现象的可能原因。传统的专家系统围绕提供支持用户交互的机制的产生系统来建立。这些机制的核心组成部分是通常为确定性的规则(例如，使用命题逻辑表达)。
图27示出诊断系统的细节。它组合了知识表示、观察和推断机制以产生移动表现的诊断。来自专家(例如，网球击打运动和比赛)的领域知识在一种表示中编码(例如，贝叶斯网络)。推断算法使用贝叶斯网络和观测值来确定对观测值的最可能解释，即，诊断。
例如在开放动作任务中的人类移动等复杂行为取决于广泛范围的因素(感官、身体、环境等)；这些关系是复杂且不确定的。作为决策问题的图形知识表示的例如贝叶斯信念网络等统计推断系统使得可能捕获不确定性的知识和不确定性，以及考虑因素或属性的组合中的较大模式。
图28示出用于网球的影响图式的实例。图式涵盖跨越移动系统阶层的不同级别的各种因素，包含感知过程、球场运动和定位、击打技术和球冲击。观测值对应于规范中详细说明的实例度量。其它观测值可以取决于其作为测量值的可用性来考虑。例如球轨迹或受试者的凝视。图式可以结构化为贝叶斯信念网络且用作诊断系统的部分。应注意观测值还可包含一般特征。
诊断系统可组合例如图28中的影响图式中示出的专家知识与详细移动功能分析且基于评估指导诊断。还请注意，虽然例如针对网球用例图示的技能属性的一些特征是确定性的，但现实世界中的移动通常涉及更复杂的交互，例如对条件的适应。因此，统计模型可提供对移动机制的更深了解。可以使用从跨越广泛范围的技能水平、风格和身体属性的受试者的不同群体可获得的大量数据来进一步延伸这些模型。
举例来说，指令生成器将诊断结果转换为口头或视觉通信(图27)。来自诊断系统的信息当应用于较大控制阶层时也可用以分析比赛或任务表现并且甚至实时地用于推荐动作；例如给定系统条件的当前状态，选择哪些击打以及目标在球场上的哪些位置。
多样化且有效的移动技能取决于执行任务所需的所有功能或技能组成部分的无缝整合，包含感知技能、预测、规划(定位)等。因此，可能需要捕获身体姿态的额外测量以及例如凝视等感知功能来全面地评估受试者的技能(见别处描述)。并且相反地，在所有那些级别提供的反馈在系统地整合的情况下是有益的。表3概括了在技能阶层的不同级别的反馈和指令的主要素。
使用多层深神经网络(DNN)的例如深度学习等其它数据驱动型技术可在理论上产生本公开中描述的数据处理能力。例如DNN的主要组成部分可以包含：在最低级别，在移动阶段之间描绘以产生将允许技能和任务表现的详细表征的移动功能结构。接下来，学习移动和与模式类相关联的较宽表现特征(与情境细节相关联的条件和意外事件)，且阐释描述运动员的表现的谱录结构和特性。此外，较高级别层可以识别在任务级别的移动类和结果之间最佳描绘的技术特征以预测运动员任务表现。最终，学习解释在任务和竞争性级别受试者的技能和表现的特征和其它因素或条件之间的结构化关系，其包含表征任务动力学和例如比赛策略的时间关系。
增强
用于全面数据驱动型训练的最终类别的能力是图22-24中描述的增强方法。增强的一般目的是产生各种形式的反馈(指令、线索和信号)和交互，其针对给定一组训练目标增强受试者的表现且最大化训练效果。
增强通过以下操作来实现这些效果：1)向受试者提供信息，帮助他们吸收知识和/或学习与训练目标相关联的过程(例如，形成新心理模型)；2)提供帮助引发移动特性的特定改变的加强；以及3)产生或延伸与任务或活动表现的交互，其驱动与受试者可成功地产生结果的条件范围相关联的操作包络。前者通常通过指令实现，第二者通过反馈提示实现，且第三者通过使用任务环境中的设备或线索实现。
人类增强理想地遵循建立在我们的人类信息处理知识上的架构(见例如，Rasmussen 1983)。反馈增强可在三个主信息处理级别(见图22)中的任一个下操作：知识，规则，和信号级别。
知识级别包含解释训练要素和训练目标，带来对特定移动特性的注意以及解释这些特性是什么和如何校正这些特性的指令。此级别的信息通常口头地、书面地或通过视觉表示来传达。它帮助形成监视和校正表现所需要的表示。
规则级别包含反馈线索刺激，其编码信息以帮助选择正确移动，或特定移动阶段的时序，和/或集中对表现或环境的相关方面的注意力。此级别的反馈通常通过视觉、音频或触觉信号来传达。
信号级别包含连续反馈，例如基于可用于传达移动概况的相关方面或特征的特定参数的移动的声音化。此类型的反馈还可包含额外的身体影响，例如由外骨骼或经常机器人装置产生的力场。它们还可以包含功能肌肉刺激。信号级别反馈通常与移动执行同时生成。
通过其组合动作，反馈产生可刺激受试者的学习过程和/或帮助移动表现的交互。它可用于区分围绕受试者的移动表现产生的反馈，以及围绕任务环境和其要素产生的反馈。后者包含通过设备实现的交互，例如，康复方面的机器人操控器或网球方面的发球机。
下文描述用以实现增强训练的特定形式的反馈增强的实例，包含指令和通知、实时增强以及设备增强(请参见图22和24)。
表3详细说明跨越针对网球图示的控制阶层的级别的可能指令和反馈，包含：比赛规划；任务环境，定向，定位和动作选择；击打环境协调；以及击打执行(见影响图式图28)。
表3-关于网球的实例在技能阶层的不同级别的反馈和指令。
Figure BDA0002375849270001091
指令和通知
指令在认知信息处理级别操作，且与信息的符号编码相关联。指令可帮助贡献于支持技能获取过程的心理模型或表示的形成。指令通常口头地或视觉地传达。
图形指令包含绘图、描述移动的空间轮廓的示意图、地图等。举例来说，谱录图(见图15)示出不同移动类相对于其主结果(例如，赋予球的速度和自旋)的分布。图形描述可以基于给定一组移动模式类而简化(见图16)。
例如在网球中，击落地球的谱录可以示出为突出显示属性的击打图，所述属性例如在阶段期间移动模式的使用频率；移动执行的数目；以及关于结果、成功率等的统计。可以针对例如当前对局或赛程等不同时间段提取和显示此信息。中击打图中可以传达额外信息，例如移动类与任务的相关性或移动模式的困难，这可以从图13中示出的进化关系以及从移动架构的复杂性(见例如，图5中的有限状态模型的状态数目)确定。
图形指令的另一实例包含用于特定移动类的阶段概况绘图以突出显示例如阶段转变特征等相关移动特性。或者，移动的图示或模拟，示出在移动执行的某些阶段的设备的空间配置。图37示出突出显示与自旋结果相关联的特征的前摆阶段的实例，所述特征包含在阶段的开始的轨迹曲率和在冲击时的迎角。
口头指令的实例将包含结果的验证或描述要关注哪一个阶段转变特征的指令。或者，它可以遍历描述对表现关键的特征的移动阶段。文字指令还包含在图形指令上分层或在智能手表的屏幕上显示的信息以显示结果信息和朝向训练目标的进展。指令和通知在例如智能手表、智能电话或平板计算机等显示器上传达。还可能经由自然语言处理器使用口头传达。训练代理确定何时以及何种类型的信息将呈现给受试者。
指令和通知提供运行训练过程需要的交互。在自动化训练模式中，训练活动作为自主(或半自主)程序运行。作为训练程序，系统确定训练目标和时间表，随后基于进展和趋势跟踪和更新训练目标和时间表。通知和指令用以传达运行此程序的信息，提供关于有效训练目标、如何通过活动(例如，练习)实行训练目标以及何时切换训练目标等的指令。在自主训练程序下，动态地更新训练目标和时间表。
实时增强
本公开建立在第2017/0061817号美国专利申请公开案中描述的用于移动训练的实时增强技术上。可用于帮助引发由训练目标指定的移动技术改变的三个主类别的增强形式包含：
结果验证：信号提供总体移动表现和结果的瞬时评估。紧接着动作后生成验证线索以指示成功结果。结果验证不限于移动结果，但可用于加强移动表现的其它相关方面，包含平滑度、时序等，和由表现准则涵盖的那些方面。
警报：警报增强了自然本体感受信号以增强受试者相对于特定训练目标的移动感觉。它们也可以用以使用移动特性和生物力学之间的关系来实施受伤预防。
结果改进和优化：在移动执行期间的实时音频反馈帮助加强和精炼贡献于结果的移动技术的特征。
学习良好移动技术的中心方面是学习正确表现的感官结果。因此，实时提示可提供增强自然信号以加强学习感官结果的验证信号(见图24)。验证移动特征的反馈提供一些感官维度的关联加强。
另外，实时增强可以被设计成有助于：
训练移动架构：实时反馈帮助通过使用视觉(例如，模拟)以及例如表现模式与模板的符合性的实时线索而形成新移动结构。
形成预期感知：提供信号以学习识别用以预料关键状态和条件的关键环境和任务线索，例如实现移动行为与任务要素或对象的同步的移动阶段的时序。
实时反馈增强是由提示系统(请参见图22和23)传送且包含可听、视觉和触觉信号。
设备增强
训练环境中的自然变化与受试者的表现的可变性组合可能不足以使受试者经受帮助驱动技能获取的所有相关条件。特别是对于深入固化的模式，突出显示移动中的错误特征或提供反馈线索无法充分改变移动模式。在这些情形中，主动地产生新训练条件且进而迫使受试者获取新移动模式可能更有效。
由于为了适应任务和环境条件的目的而开发移动技能，因此有可能通过操纵任务和环境要素和条件来强制开发新模式。改变操作条件超出自然范围可用于迫使受试者开发新模式和/或延伸给定模式的操作范围。举例来说，网发球机可用于产生迫使运动员形成新击打技术或适应超出其操作范围的现有操作范围的球轨迹。
设备也可以用于通过在身体上导引移动而帮助形成新移动模式。此技术已经用于机器人移动康复中。
向其它活动的一般化
由于训练系统是从人类移动学习和移动组织和表现的理解导出的，因此训练系统可以针对广泛范围的移动领域实施，包含例如网球的体育(详细地描述)、康复，以及例如手术等专业活动。大多数概念和例如移动谱录、其结果等量是从开放动作技能获取的理论导出的。训练系统也可以用于各种形式的人机系统，包含遥控机器人技术、配备假体的人类，或例如外骨骼等其它形式的身体增强。
人机系统
由于人类逐渐地整合于人机系统内，因此增强的训练系统可以设想为此类HM系统的一体部分。
例如da Vinci等机器人手术系统是此HM系统的实例。测量和记录许多相关量(操作者输入、操控器或工具运动、视觉凝视等)；因此，训练系统可并入到手术机器人的操作系统中。集成到此机器人系统中的数据驱动型技能评估和训练系统可满足许多功能，包含：1)针对新程序训练外科医生，外科医生将得益于对其技能学习过程的准确跟踪和反馈以帮助所述过程；2)针对不同程序形式化外科医生训练的认证的机会，等等。
报告系统描述
下文在网球应用的背景下说明被描述为数据驱动型分析和训练系统的部分的一些概念和量的数据可视化。这些绘图示出图30中说明的评估和诊断过程的一些要素。
数据可视化的概述
图32-39给出已处理的表现数据的样本。从示出一个时间段的活动数据的图35开始，突出显示在日历时段内的赛程和对局。图39随后提供特定赛程的特写且示出事件图式，所述事件图式显示选择在赛程时间范围(12：13到12：50)内使用的击打类型ST。它还显示作为时间历程TH的速度SP和自旋S结果以可视化在比赛持续时间内的那些结果中的趋势。
图36随后给出在逐次击打基础381上的活动时段的较详细观察。首先示出了额外结果量，包含冲击可变性382和成功累积进展383。下面，它包含速度384和自旋385的单独时间历程。对时间历程进行过滤以消除会使这些绘图较难读取的逐次击打的变化。然而注意，由于在击打之间不存在例如自旋等结果的固有连续性，因此过滤会产生假象。图36中的绘图还突出显示用于结果量的参考层次360-364以帮助其解译(对应于由运动员群体实现的低、中、高和极高值)。
图37示出在击打模式级别的功能分析的细节。它显示正手上旋中等(FHTSM)击打类的前摆移动片段阶段，突出显示球拍相对于起点或冲击点720的路径710。基于此阶段片段的击打分析允许识别特征，例如迎角730、在前摆740的开始(从后环绕阶段的转变)的路径的曲率，以及摆动阶段750的长度。图还示出对应于此击打类的核心模式760的片段集合，以及表示具有最高自旋结果的击打的子类的子模式集合770。击打技术的此表示可例如用以研究受试者生成自旋结果的效率。此分析的结果提供训练目标的指定以及实时反馈和指令的合成的基础以帮助受试者形成、巩固或优化针对所述特定结果的技术。
继续功能分析，图42示出不同击落地球类GC的冲击时序，其被定义为冲击时间与前摆移动阶段T的峰值加速度(或角速率)的时间之间的时序关系。冲击时序取决于移动技术、动作协调以及冲击点的恰当预测和运动员对击打的准备。因此，其提供诊断击打技术的关键信息。
图33示出针对特定受试者的上旋、平击和削球类C的击打组合体产生的摆动速率R(水平轴线)与自旋S(竖直轴线)之间的关系的聚合视图。所述量定义所谓的自旋包络SE，其描述受试者随球拍摆动速率R而变可以产生的自旋S的范围。自旋表示结果且摆动速率表示移动技术属性，其在此情况下可以视为受试者为了产生结果而施加的努力。自旋包络是基于两个线性边界(kmaxMX和kminMN)的斜率而参数化的，每一边界连同对应于低、中、高和极高范围的参考线一起描绘，这再次可以从群体进行计算。
数据表示随后移到图38，其将特定击打类(技能要素)的复合得分描绘为雷达图，这是技能要素复合得分的图示。其示出基于提取的表现和技能属性(冲击精度IP、一致性CC、冲击SR、效率EF、平滑度SS)的个别成本组成部分。可以可视化为被多边形PG覆盖的区域的复合得分表示技能要素(击打类)的总体评估。与较不透明的多边形CP相比，此多边形说明两个运动员之间或不同技能要素之间或同一技能要素在受试者训练历史的不同时间的比较可能是什么。
图40随后采取更全面的视图且将总体技能概况描绘为击落地球谱录GR的复合得分CS的条形图。此图表使得有可能评估总体谱录强度和弱点(见图17)。类似于技能要素复合得分，此技能概况可用于不同运动员之间或受试者的训练历史的不同时间之间的比较。如已经论述，不同复合成本可用于强调与任务表现相关的不同特性。图41显示基于表1和表2中描述的准则的击落地球谱录中的击打的获取阶段。
最终，图34示出合成了群体级别的整个评估的排行榜。应注意，这些数据可视化是本公开中描述的量的样本，且此处用于说明可用于不同级别和组成部分的评估和诊断的量的类型，以及它们可如何与参考范围结合使用以支持训练目标的识别且最终支持反馈合成。这些可视化随后还可用于在某人的技能相对于其自身历史以及较大群体的历史演变时跟踪进展且用于更新训练要素和提示定律等。
如已经论述，图43给出系统的主要组成部分上的整合视角，在评估级别(身体510、模式520、任务530和竞争性540)方面组织。图突出显示了驱动训练过程的一些要素和量，具体来说突出显示了在每一层级的评估准则的实例，以及准则如何跨越级别相关。
从身体表现级别510开始，具有特征的击打前摆阶段概况(图37中更详细地示出)描绘了可用于考虑不同评估组成部分(结果、生物力学、功能、感知、记忆和学习)分析受试者的移动技术的技能模型的实例。每一组成部分可用于生成用于技能要素(即，击打类)的评估和表征的属性。效率属性EA表现自旋结果与前摆能量之间的关系。在一些情况下，属性可以在形式上由成本函数512、522、532、542表现。图37强调描述自旋结果和相关功能特性的模型。例如用于识别可预测关节负荷或肌肉应变的特征的用于生物力学特性的相似模型可以被开发并接着转换成针对技能要素复合得分可以包含的属性，例如受伤指数(见图38)。
在模式表现级别520，图43示出与评估组成部分相关联的不同属性如何贡献于产生总体技能要素得分(见图38)。
在任务表现级别530，图43示出技能要素如何贡献于产生受试者技能概况，突出显示了级别510和520中描绘的正手上旋中等击打FTSM。它还示出如何通过组合击打谱录中的技能要素的复合成本函数532获得技能概况。
在竞争性表现级别540，图43示出如何在群体级别比较个人的技能。在此实例中，比较是基于从技能概况复合得分计算的百分点排名。图突出显示了个人的技能概况排名SPR相对于群体PP的关系。
图32-43中图示的材料可以嵌入于基于网络的或移动应用程序报告系统内以允许受试者导览其技能要素和特性。下方内容组织成三个部分：
I.活动阶段报告提供了在技能要素方面针对给定赛程的移动活动、在整个活动时段中如何使用这些要素以及各种表现和技能属性的描述。赛程报告还可包含训练列表中的训练要素。知识还提供用以生成训练目标且规划和安排训练活动的数据。
II.详细模式类报告是各种评估的逐类详细说明，包含模式级别评估，以及在技能要素级别的功能分析和诊断。评估还可包含个人技能要素的不同结果和属性在受试者的所记录活动历史中如何演变的历史趋势。逐类说明也可以提供关于有效训练要素以及建议训练目标的信息。
III.全面运动员报告提供了运动员的活动以及技能要素如何组合以产生受试者在活动领域中的总体表现的概述。这在此处使用谱录图示，谱录是不同技能要素以及其结果和属性、技能概况和技能状态的概述。运动员报告可以通过群体数据增强以描述与子组中的其它运动员以及相关子组的关系，其可表示训练的长期技能目标。
I.活动阶段报告
活动赛程报告集中于给定赛程中的移动表现的总体描述，集中于活动表现特性。阶段报告的目的是传达对活动表现中的高级模式的理解，例如在阶段的时段中各种属性的演变；特定移动模式的使用；以及其结果的趋势，例如能量和成功率。赛程报告可实现对疲劳发作或注意力不集中的识别。此信息可例如用以帮助改进训练阶段，或甚至素质或身体力量。
比赛活动概述
赛程的活动概述可以呈现为表，所述表描述在所记录阶段中最频繁使用的移动模式的属性的统计和趋势。网球用例的统计可包含：a)模式使用频率(％)；b)冲击成功率；c)速度(m/s)；以及自旋(rpm)。可以紧靠每一度量附加趋势符号(向上、向下或相等)和趋势值以突出显示赛程或相对于所选时间段的相应度量的改变。
可以使用相似的表来概述当前在训练列表中的训练要素的活动。所述表可以包含在赛程期间每一训练要素的活动级别，要素何时创建，在上一赛程期间或相对于所选时间段朝向目标的进展等。此信息可用于验证先前训练目标、训练列表和训练时间表的有效性，且帮助更新后续训练规划。这些概述可以关联到赛程活动的可视化，所述可视化实现对技能要素或训练要素的选择属性的趋势的较详细洞察。
移动模式使用的趋势
图39描绘运动员移动模式使用的时间历史TH。使用趋势绘图在逐次击打基础上描绘了移动模式，其中每一竖直线L是击打发生。表示技能要素的击打的移动类成员由每一线L的竖直位置指示。此实例使用六个击打类30的子集来描述此活动中的主要移动模式趋势。
也可以分析用于使用趋势的此数据以识别对打片段统计，例如在对打期间使用的每一类的平均击打计数或回球率。回球率描述了对手做出回球的概率。可以针对特定模式类计算此概率。此外，通过分析导致得分或失分的结束对打的击打，有可能识别强或不足的模式类，这可用于识别谱录中的缺陷。
移动结果的趋势
图39中示出的此部分中的移动结果趋势集中于在活动赛程期间跨越不同移动模式的主击打结果的演变(速度SP和自旋S)。赛程报告给出在赛程期间受试者如何使用其时间的分解，并且因此提供所述赛程中的活动的复合视图。此信息可揭露与在不同阶段的活动表现相关联的技术和结果中的模式，例如在热身期间，在关于特定训练要素进行训练时。
此图表中的信息可实现赛程中的对局的类型的自动识别。对局可以通过间歇性休息来识别，且举例来说，有意的训练对局将具有特定特征，例如属于同一移动模式的击打的注意力，或形成重复模式的击打模式转变。
此外，图表和其中潜在的信息可传达关于强度或甚至在对局中运动员的竞争性或竞争力的信息。所述信息也可以揭示在对局内或跨越对局的模式，其涉及生理或心理过程，例如疲劳的发作或注意力变差。
这些洞察和知识可以随后并入到系统中，且用以规划和安排训练赛程。举例来说，此知识可以帮助确定对局中的某些活动的持续时间的限制，或对局中的特定技能要素的重复的总数目，或其可用于设定活动时段中的训练要素序列中的相依性。可以使用统计建模技术识别所有这些模式。
如已经描述，可以使用例如隐式马尔可夫模型等统计算法进一步分析和评估在任务和竞争性级别的活动。举例来说，此类技术可用于建立基于包含运动员自身的先前活动的各种因素表示移动模式之间的最可能转变的状态机。它还可包含来自对手活动表现的信息，且被设置成表现包含任务和环境要素的扩展时间模式。
II.详细模式类报告
模式类报告是在个别技能要素或移动模式的级别组织的。它跟踪每一移动模式的多变量属性和特性，并且因此可以提供对每一移动模式的技能获取过程的洞察，且帮助识别特定缺陷，这又可用于帮助确定训练目标。
模式类的比赛活动呈现为按对局、按赛程和跨越整个所记录历史的击打计数(见图35)。图35中的底部直方图351示出在运动员的整个所记录活动历史中按日期的击打计数。直方图上的阴影条354可以由用户移动以选择一组连续日期在顶部图表355中呈现。在顶部图表中，对局示出为按日期352分组的堆叠阴影条。(此图表也可以用于运动员报告中的比赛活动求和部分，其中堆叠条表示对局或移动模式类。)
特定移动模式的击打计数353指示模式已经使用的频率。如果使用频率与例如结果的下降相关，那么它提示诊断以识别原因，所述原因又可用以制定训练目标。
移动结果趋势
图36中示出特定类的移动结果趋势。它通过呈现跨越整个所记录活动历史(见图35)的一系列选择移动结果和属性(例如：速度384、自旋385、累积成功进展383，和冲击可变性382)的趋势而集中在移动模式发展过程的纵向维度上。x轴中的绘图背景阴影70描绘不同对局。y轴中的绘图背景阴影360编码了关于参考范围或层次(例如，极高361、高362、中363和低364)的信息。
成功率趋势绘图描绘冲击成功变量的累积求和。趋势绘图采取阶梯函数370的形式(向上一个台阶用于成功击球，向下一个用于错过的击球)。虚线371提供100％成功率趋势的参考；水平趋势线将对应于50％成功率。受试者可以通过查看趋势线的斜率和轮廓而容易地确定成功率趋势。
冲击可变性是类组合体统计中的一种。它是针对每个对局计算的，且呈现为跨越对局377的阶梯函数。其它趋势绘图(例如，速度384，自旋383)描绘了在逐次击打基础上移动结果随时间的演变。然而，可以使时间历史平滑以移除会使解译更困难的大变化。
在对局和赛程的尺度上，趋势的图式实现对移动模式的变化范围的研究。当如图36中组合多个对局或赛程时，有可能确定移动模式表现随例如训练、自由比赛或竞争性比赛等各种类型的对局而变的变化。长期的纵向视角还提供对较大技能发展过程的洞察。
此外，此可视化可用于验证先前训练目标、训练列表和训练时间表的有效性，且帮助更新后续训练规划。
移动功能分析
移动功能分析集中于由运动员使用以跨越各种移动模式或技能要素实现其结果的移动技术的细节。它还涵盖用以调节结果或适应条件的其它相关机制。在移动阶段级别的功能分析提供了对训练目标的确定有价值的移动技术的详细洞察。这在图37中针对正手上旋中等(FHTSM)击打类做出图示。
举例来说，紧接在冲击的目标阶段之前的前摆阶段有助于认识到运动模式的所要移动结果。因此，它提供关于结果的信息，和移动的更一般组织。此阶段持续约100ms，这意味着此移动片段的大部分是在开环中执行，即，无校正的机会。因此，其成功取决于存储于所谓的程序化记忆中的动作程序。此程序编码了协调和感知线索、支持身体执行的肌肉协同作用，以及正确移动阶段发起和配置(见图3A)。
图37呈现正手上旋类的前摆阶段的击打轨迹概况。图比较了核心模式击打与被识别为具有最高移动自旋结果的模式击打的子集。如已经描述，可以针对此移动阶段提取若干特征(迎角、在前摆开始的路径的曲率，以及摆动阶段的长度和高度)。
前摆概况还提供可用于生成视觉指令的移动技术的视觉描述，例如目标移动轮廓形状。可以生成实时反馈线索以加强所要特征。这些线索的功效可以通过将它们与充当心理模型的模板的目标轮廓形状的视觉描述组合而增强。感官动作和认知级别之间的整合可以加速巩固。
可以定义集中于结果的总体范围的其它功能度量。举例来说，图33比较了总体自旋包络SE，其由球拍摆动速率R和赋予的自旋S定义。自旋包络将击打技术的功效描述为比率或自旋/摆动速率。描绘包络的线的较大角度指示运动员可以相等的球拍摆动速率实现较高自旋结果。虚线DD对应于来自群体分析的参考范围。自旋包络帮助识别击打技术中的缺陷；如此处所示，自旋不足的原因是由于在击球时不足的球拍滚转速率。在击球时生成较大滚转速率需要优化移动协调，即，在后摆与击球阶段之间的移动架构。
另一功能度量是在前摆期间击球的时序。时序度量被定义为峰值球拍摆动速率与击球的时刻之间的关联。前摆的正确时序取决于运动员对拦截的预测，以及例如对球轨迹、步法和准备的预测等其它因素。
复合分析
此部分整合了移动模式的属性统计以使用成本函数确定复合技能得分，例如，属性的加权总和：
Q(ai)＝∑e Nawe·ai，e/∑e Nawe， [2]
其中we是指示属性的相对重要性的权重。
可以基于一些特性值将属性正规化。也可以从通过群体分析计算的个人的数据参考范围获得这些值，优点在于复合得分随后提供更有意义的信息。
如图38所示的雷达图实现了属性对每一技能要素的多变量贡献的直观解译。图示出描绘为维度10-50的选择属性的子集。在某些条件下，由结果或属性值形成的多边形60的总面积可以被视为移动模式的复合得分的描述。
复合技能得分可用于对移动模式进行排名，并且可跨越模式而组合以形成运动员技能概况(见图40和图17)，其提供谱录的概述，从而实现对运动员实力和弱点的识别。
此表示还实现在不同时间段或不同技能要素之间的技能要素的比较。图表中示出的两个多边形60、70可以表示当前时期的统计数据对整个所记录历史的统计数据，或者运动员的统计数据对所述运动员属于的子组的统计数据。
III.全面运动员报告
实例运动员报告组合了不同评估以产生运动员的总体技能状态和技能发展进展的概述。运动员报告是在谱录的级别组织的。它包含以下四个部分：
总比赛活动历史
比赛总和呈现了运动员的活动统计，其为在受试者的整个所记录历史中在以下方面的表现活动的概述：1)对局的总数目，2)赛程的总数目，3)总持续时间，4)比赛的最后时间，和5)总体成功率。
任务/谱录级别技能评估
谱录级别技能评估集中于谱录相对于任务要求的完整程度。谱录完整性可从执行者的谱录相对于任务的运动模式的标称谱录的使用频率(击打计数)和总体移动结果确定。在此实例中，标称击落地球谱录是通过在自旋和速度方面表达的击落地球的固定数目来定义。这些结果中的每一个在三个级别中离散化(针对赋予球的自旋的“削球”、“平击”和“上旋”，以及针对速度的“低”、“中”和“高”)(见图16和图32)。除这些主要结果之外，还评估击球成功率(基于最佳点区域定义)和击球位置可变性以测量击球质量。
更全面的评估将涵盖不同结果级别(见图7)，延伸跨越如其轨迹描述的不同击发类型和与球场的关系(见图8)以及较宽的击打谱录和拦截条件(见图9)。如先前论述，可以使用例如由基于视觉的跟踪系统提供的额外数据评估这些级别。
图32示出使用速度和自旋作为实例的总体移动结果。移动模式划分成反手和正手，并按平均结果值排序。数据可视化为直方图。较浅的颜色条对应于无足够击打计数和低统计意义的移动模式。
图32中的背景阴影指示不同层次/参考范围(例如，低、中、高和极高)。这些参考范围可以基于运动员的自身统计数据而确定或从群体分析导出，群体分析从具有相似移动技术和技能水平的运动员的子组提取统计数据。在此实例中，描绘所有移动模式类的共同参考范围，因为强调的是总体谱录。更精确评估可以通过提取对不同模式类特定的参考范围来实现，包含例如冲击条件等其它相关因素。可用的情境信息越详细，可以实现的评估越精确且可行。
技能状态
技能状态表现谱录中的移动模式的技能获取阶段。图41示出击落地球谱录的实例。确定每一移动模式处于三个阶段中的一个：模式形成，模式巩固，和模式优化。可用于识别获取阶段的定性特性和定量准则分别在表1和表2中列出。技能状态可以呈现为获取阶段作为列的表，且移动模式类或技能要素是按分类的次序布置(请参见图44A和44B)。
运动员技能概况
所有移动模式的使用频率、移动结果和技能状态的信息可以随后用以确定运动员的技能概况作为运动模式的分类得分的直方图(见图17)。技能概况提供建立排行榜(见图33)和较大群体分析的信息。
此外，此部分还呈现对打统计数据，例如在对打中的击打平均数和步调(每分钟击打的数目)。这提供用于识别比赛中的运动员风格的信息。
一般系统描述
本公开包含通过且使用被设计成通过反馈和交互刺激学习的定向增强来帮助个人训练或恢复运动的系统。这些增强还适于在移动学习过程的不同阶段发生的特定技能缺陷，且考虑了人类信息处理阶层。系统建立在先前于第2017/0061817号美国专利申请公开案中描述的移动感测、技能建模和诊断以及反馈合成上。
训练增强的一般目标是通过在训练或表现期间提供反馈而帮助引导技能的发展。由于技能学习是进行中的动态过程，因此系统性数据驱动型技能训练的有价值的特征是以表现技能发展的纵向和竖直维度的方式对技能进行建模和诊断的能力。回想一下，纵向技能维度指代通过现有技能要素的变换的随时间的技能获取过程，且竖直技能维度指代新技能要素的形成。
增强的技能生态系统
增强的技能平台被配置成通过组合运动捕获技术、技能建模和分析工具以及可以移动表现的精确方面为目标的一组反馈模态而创建用于训练、维持和恢复运动技能的集成环境。系统训练移动技术以优化与其操作领域中的活动相关的一组结果。图2示出充当本公开的用例的增强的网球活动环境的要素。
任何任务可以由环境要素EE和任务要素TE描述。举例来说，人操纵装置(例如，网球拍)、末端执行器或设备零件以与任务要素TE(例如，网球)交互。另外，可能存在杂项附件Z，例如对于活动的描述可能相关的鞋子或衣服。工作空间W包含于环境中，且由表征任务的成功和表现的各种约束和规则(例如，网球球场和网球比赛)指定。
在网球中，人是运动员(或多个运动员)；任务环境是网球球场；任务要素是网球；以及设备是网球拍，且附件Z是鞋子和其它服装，例如手臂带或头带。另外，可以包含多种输出装置，包含图形显示器(例如，LCD、OLED等)、触觉装置(例如，嵌入于球拍握把中)、扬声器。最终，考虑多种输入装置，包含触敏显示器(用户接口)、键盘等。输入和输出装置可以可由人穿戴的智能手表、平板计算机或可穿戴装置的形式集成。
使用的总体要素、代理和其它组件，包含测量、输入和输出装置，称为增强的人类系统或简单地称为系统S。具有此一般设置的系统的其它实例包含机器人系统、控制论系统(例如，装配有假体的人类)，和人机系统(通过遥控操作操作机器人的人类)。举例来说，例如
Figure BDA0002375849270001251
手术系统(购自Intuitive Surgical公司)的机器人手术系统是作为集成增强的移动技能系统的实例的机器人。
贡献于所记录表现数据的测量值y可以从人类动作者、设备或系统的不同组成部分获取。通常，仪器被设计成获得涵盖用于特定分析级别的相关变量的测量值。举例来说，如图2中所图示，在人类网球击打路径25和表现的分析中，球拍运动的状态或子集可以是足够的。然而，为了实现对球场上的移动、步法或例如运动链或其它移动单元的身体运动的完全分析，可以添加关于环境和身体片段15(例如，手臂、腿部、脚等)的额外测量。
可以使用包含惯性测量单元(IMU)、视觉或光学跟踪系统等多种技术获得这些测量。实例包含使用捕获较广泛的代理行为和任务环境50的摄像机70。视觉处理也可以用于提取关于个别身体片段15的运动的信息。
表现数据测量的另一类别是捕获生理量的类别。举例来说，凝视跟踪系统80测量视觉注意力。因此，如图2所示，握持网球拍20的用户10(或运动员或其它受试者)在球拍25的摆动或击打期间冲击球30。一个或多个运动跟踪或摄像机可以附接到执行者，例如与凝视跟踪系统集成。这些所谓的第一人称相机捕获与受试者10、网球拍20、球30的交互以及例如对手53等其它参与者的运动和例如球场51和网52等其它相关环境要素有关的数据。与凝视方向或向量81的测量组合，在受试者和/或环境上的摄像机使得可能确定在任何给定时间或在例如在路径25上的特定移动阶段或阶段转变26、27期间的特定表现时刻执行者在注意哪些要素或事件、对手行为，或例如与球轨迹36有关的任务要素。
惯性传感器21或相似测量单元可以嵌入或附连到设备；由用户、受试者或其它代理10穿戴以测量身体或身体片段62的移动；或甚至安置于用户的、受试者的或代理的皮肤上或植入身体中以测量肌肉15的控制中涉及的肌肉活动或神经信号。
应注意，可以使用例如凝视等额外行为测量来分析感知功能。举例来说，凝视跟随球轨迹36，所述球轨迹在运动期间具有若干值得注意的事件，例如地面冲击32、球拍冲击30和对手的拦截。凝视(由凝视向量81描述)还通常可以固定于球场上的目标区域(结果3，参考35)、球场之间(结果2，参考34)，以及预期球拍冲击或冲击后位置(结果1，参考33)。
除测量之外，还可以实施数据融合和状态估计技术以确定未直接测得的状态x。举例来说，在使用IMU的大多数应用中，身体片段15或设备20的零件的定向需要姿态估计器，所述估计器组合来自陀螺仪的角速率数据、来自加速度计的加速度和来自磁力计的磁场强度。数据融合和估计的实例是使用应用于来自摄像机的视频数据的基于视觉的跟踪算法与来自身体片段或设备上的装置的IMU数据组合，以提取身体片段或设备运动信息。此数据融合系统可用于提供身体片段或设备的绝对姿态的准确估计。例如基于IMU和计算机视觉的运动处理的组合实现了与代理-环境交互中的某些事件相关联的视频帧的提取。举例来说，例如前摆发起26等阶段转变27的识别可用于从环境提取较大情境信息，例如在所述时刻球或对手的位置。或反过来也如此，任务或环境中的特定事件，例如球32的地面冲击，可以在考虑视觉注意力(凝视81)、受试者10的身体位置、步法(鞋子或脚)60和移动准备或特定阶段片段发起26、27而评估代理策略时是相关的。这些交互提供例如使用隐式马尔可夫模型(HMM)进行任务表现建模的基础。
在输出方面，各种可穿戴装置可以被配置成生成例如音频、触觉或视觉等一系列通信模态。这些装置可以沿着早先论述的信息处理阶层的不同级别操作。此类提示装置可以穿戴在身体、皮肤上；集成在设备中，例如球拍握把21、鞋子60中；或甚至植入皮肤或身体中，例如肌肉15中。它们可以被配置成提供不同反馈模态，例如音频、触觉刺激或视觉提示。另一类输出装置包含增强现实(AR)系统80，其可以被配置成提供叠加在自然环境上的视觉提示。扬声器或例如视锥、标记等视觉信号装置也可以部署于环境自身50中或例如网球30等对象上。最终，可植入装置也可以用作增强的系统的部分且例如提供功能肌肉刺激15。输出也可以经由作为增强的技能生态系统的部分的典型可穿戴装置、移动和便携式装置以及计算机传送，它们例如为智能手表、电话或平板计算机。
使用混合系统记号在形式上描述典型的人类网络-身体系统。此记号系统组合了连续和离散的量。举例来说，用户、受试者或另一代理的移动可以受到导致非线性连续时间微分方程的物理定律支配。离散变量可以用于评估与特定事件相关联的条件，例如相对于任务环境和规则对网球比赛中的击打进行计数或基于球轨迹对比赛进行记分。状态变量的类别包含：受控变量，例如视觉凝视向量等特定行为变量，以及由代理用作进行决策的线索的特征。
动作通常由用户做出，且表示对系统增加力或能量，例如球拍球冲击30。动作通常应用于特定位置，例如末端执行器或设备。如已经论述，动作经常由有意的期望促动以实现特定结果33-35。举例来说，在网球中，运动员想要对球33赋予特定效果(速度和自旋)，最终目标是将其驱动到对手球场侧35上的特定位置。事件可以由特定状态条件定义。举例来说，在网球中，主要事件是球在球拍30上的冲击。事件可以在形式上通过系统状态上的约束来表达，例如，球拍加速度由于冲击而超出阈值，或替代地，可以当球和球拍速度相等时检测冲击。网球中的其它相关事件包含球与地面的接触以及当球越过网时(请参见图7和9)。
如先前已经论述，结果被定义为捕获代理在任务执行中的行为的相关特性的量。为了提供简洁描述，结果可以按阶层式分类，例如，主要结果、次要结果等(请参见图7和10)。结果的定义随着分析的范围和级别而变。在形式上表达的结果是系统状态的子集(例如，在特定时间，由事件定义)或随着状态而变。举例来说，在网球中，主要结果是与球拍-球冲击30相关联的特性，例如当球离开球拍时球的自旋或球的速度33。主要结果还可以包含球在球拍的弦床30上的位置。取决于分析的级别(和可用测量)，更全面结果包含球越过网34或在球场35上的冲击的位置。
代理A的技能是代理使用其身体和/或工具、设备等以实现所要任务结果TO且更一般来说与环境要素EE和任务要素TE交互和/或适应环境要素和任务要素的效率。
可以添加到任务或活动表现的描述的杂项额外量包含任务或比赛规则(例如，网球比赛的规则)，其提供确定任务成功或完成和各种任务执行特性的基础，以及用于其它计算机控制或自主代理、设备或装备或附件的各种决策规则和控制定律。举例来说，指定环境中设备的行为和动作的控制定律、规则和算法。这些系统可包含假肢、对环境或任务交互有反应的设备，或甚至例如手术遥控机器人系统等机器人系统的各种组件。
应注意一旦形式化为动态且增强的代理-环境系统，许多移动活动则包含相似要素，例如人类代理、主设备、环境和其要素，以及可能其它人类或机器人代理和设备。这些要素参与活动且组合以产生某一范围的动态交互。此类活动还遵循同一一般组织，并且因此可以使用如此处针对网球所描述的相等量和一般建模语言来描述。
增强的技能系统概述
下文提供此类增强的人类系统的系统级描述和抽象化，数据驱动型技能分析和训练系统建立于此类增强的人类系统上。图21示出系统的概述且随后是“增强的人类系统”的描述，且最终是图22、23和24中图示的一般运动模型、技能模型和不同增强模态。
图21中说明的反复训练过程示出三个主反馈环路：1)技能评估环路(AL)200，其跟踪任务领域中的移动表现中的总体进展，更新关于用户的技能的信息，包含运动模型和技能模型，以及提供训练目标合成的基础的用以识别移动技术中的特定缺陷的诊断工具；2)训练环路(TL)208，其跟踪由训练目标表现的技能的特定区域中的进展且配置增强系统；3)反馈增强环路(FL)202，其提供在移动表现期间的相关信息。
所识别的运动和技能模型与诊断评估组合提供了生成指令集的基础，所述指令集可用于组织训练过程以及合成用以驱动增强的提示定律。用户接收两个主要形式的反馈：指令和实时线索。指令通常在赛程期间以特定间隔生成，例如训练对局的完成或在训练赛程之后。指令通常以视觉形式呈现，且强调表现和技能的更全面方面。
增强环路可用于练习基于已经通过诊断工具识别的移动特性的移动。提示过程以特定特性为目标，以直接影响移动结果和表现。提示系统使用基于在评估期间导出的运动和技能模型合成的算法来计算反馈信号。这些线索实时传送给用户。评估和增强反馈是遵循阶层式组织来递送，所述阶层式组织考虑了技能发展的阶层式结构以及移动和技能属性的时间特性。
训练评估环路由训练代理管理。增强环路由提示代理管理。这些代理运作所述两个过程，且能够跟踪在这两个级别的进展且为用户提供运行此系统的交互(见图21)。
数据驱动型训练系统能力
运动模型通过移动谱录捕获全面移动表现，所述移动谱录将移动范围组织为移动模式的类和其相关联结果。谱录模型提供了识别模式中的差距或弱点的能力。谱录中的差距，即缺失的运动模式，表现为不能在区域中产生与任务表现相关的动作和结果。差距也可以表现为不能成功地解决实现高水平任务表现或免于意外事件或环境干扰所需的主要操作和任务条件的范围。表示移动模式以描述相关功能特性，例如阶段和其相关联生物力学约束。
支持数据驱动型增强训练所需要的主要功能包含：
1.在谱录的级别评估和导引模式的形成、巩固和优化。此功能集中于支持任务表现的动作和结果。
2.评估和跟踪移动结果的质量。不足的模式不会一致地或高效地实现所需的结果，或者不会在足够范围的条件下实现所需的结果。
3.诊断用于不足模式的移动技术，其对应于确定移动技术的对结果有利或不利的方面。
4.基于移动技能的发展阶段诊断移动技能以确定适当的训练类型(形成、巩固或优化)。
5.制定训练目标以解决技能要素中的特定缺陷。
6.确定跨越人类信息处理级别范围的适当形式的反馈，包含：指令，实时线索，和设备交互。
7.基于受试者的移动技能的改变和包含健康和素质等其它因素而监视学习过程，跟踪且更新技能模型、导出的训练目标、增强形式等。
系统提供一系列反馈类型，其充当修改受试者的行为以改进其技能的驱动力。反馈是基于从运动和技能模型以及从基于执行者群体的延伸分析提取的信息和知识，这使得可能考虑更广泛的因素。
如已经论述，反馈在人类信息处理系统的各种级别操作。这些涵盖了广泛范围的神经认知机制。举例来说，最高级别反馈是基于根植于表现的社交方面中的驱动力。这些包含具有排名的排行榜、运动员之间的并排比较(例如，经由技能概况，见图17)，或可从群体分析选择的榜样。
表4概括了从数据驱动型建模和评估导出的根据其在阶层中的操作级别的驱动力。
表4-跨越阶层式级别从移动和技能模型导出的训练的驱动力。
Figure BDA0002375849270001311
通过这些功能，有可能运作训练过程作为具有不同程度的用户交互的训练程序。从手动(用户使用特征来导引他或她的决策)到完全自动(系统通过训练过程导引用户，根据演进的技能状态生成和更新规划)。
最终，可以通过群体级别分析来延伸整个建模、评估和反馈过程。特定特征包含：
1.通过基于个人的技能水平、移动技术、技能属性和其它潜在因素(健康、年龄等)对个人进行群集而执行群体技能分析。
2.相对于技能发展识别受试者的群体子组成员关系和相关群组。
3.比较受试者的技能属性与子组的技能属性。统计数据提供适当参考值以帮助对群组内的每一执行者分级，执行诊断，且指定训练目标以驱动和跟踪训练过程。
4.检查相关子组以确定形成新移动技术的可能益处，这将帮助受试者转变到“更好”子组中。
5.捕获技能发展的群体群组提供了例如移动架构等训练定向的方向
系统架构
如在别处描述，系统依赖于移动捕获和测量系统(图2和图21所示)。此系统从以下量收集数据：相关移动量，包含设备和身体片段的移动；生理量，包含电学肌肉活动(例如，经由表面或可植入电极)；以及来自所记录表现数据的其它相关量。数据还包含任务相关量，例如动作或移动的结果，以及其对较大任务结果的影响。系统可以跟踪多个用户和其交互。
图21中示出的三个主反馈环路200、202、208是围绕图22和23中详细说明的增强人类系统闭合的。在通过不同模态传达给用户的三个主反馈级别增强人类移动活动。反馈形式是根据人类信息处理的主级别组织的，且包含：指令或通知，反馈线索，以及反馈线索信号。
如已经描述，通信模态包含音频、视觉或触觉刺激(潜在地还引导功能肌肉刺激或甚至受试者的外围和中枢神经系统的刺激)。另外，反馈增强还包含由设备提供的活动交互。
这些反馈增强的目的如下：
指令提供关于训练要素和相关联训练目标的信息。此信息有助于心理表示的形成。它们通常口头地、象征性地或以图形方式传送。
通知提供关于相对于训练目标的进展的信息。这些是在人类信息处理的知识级别考虑的，并且可以口头地、象征性地或以图形方式传送。
线索提供信息以突出显示关于表现或结果的特定特征。它们通常通过离散的可听、触觉(触感)或视觉信号传送，且有助于形成允许用于动作和感知功能的信息的高效处理的规则。
信号提供实时信息以导引移动且增强相关移动特征。它们通常通过连续或分段的连续可听、触觉(触感)或视觉信号传送(潜在地还引导功能肌肉刺激或甚至受试者的外围和中枢神经系统的刺激)。
设备实现活动级别的交互以强调特定任务状态或条件，例如可以不同轨迹(速度、自旋、高度、深度等)向运动员投掷球的发球机。设备也可以用以物理上导引移动，例如借助辅助机器人装置。
系统被配置成从用户、教练或理疗师接收各种输入。通过图形用户界面(GUI)和/或自然语言界面(NLI)实现用户交互。GUI或NLI使用户能够浏览或查询技能评估且配置训练过程。举例来说，用户可以选择跟踪哪些训练要素以及哪些反馈形式(通知、线索、信号)是优选的。用户也可以提供与在表现期间移动的结果或技术有关的输入。举例来说，他们可以标记他们详细对于进一步分析是相关的特定动作或移动。用户也可以例如基于其感知训练效果对赛程中的个别对局分级。关于表现的这些反馈可用于在评估和诊断过程期间突出显示特定质量。举例来说，它们可以充当额外评估信号。
训练环路由训练代理管理，所述训练代理提供各种程度的自主性且提供沿着已经表示为训练要素的特定技能要素评估技能的功能。TL帮助通过在时间表中组织训练目标来使练习结构化。它还管理增强系统的不同组成部分的配置。
反馈增强环路由提示代理管理，所述提示代理跟踪所选提示概况(提示定律、设备交互)的有效性。
一般操作模型
一般操作遵循图21中示出的框图，其列出先前介绍的三个主反馈环路。
评估环路(AL)描述与技能获取过程相关联的在跨越一个赛程到多个赛程的较长时段上发生的反馈。用于AL的时间单位是时期，时期如已经论述是通过用于建模和评估的数据集要求定义，由上标k表示。AL的主要功能是计算和更新移动模型(Mk)和技能模型(技能状态Sk)。技能状态Sk是相对于技能学习阶段评估的从谱录提取的一系列技能要素。关于移动和技能的信息用以规划训练活动且合成各种形式的增强。通过训练要素和目标来编码训练活动。这些表示为技能要素中的计划的改变。测得技能的总体改变作为技能状态ΔSk的增量改变。
训练环路(TL)涵盖围绕训练要素的反馈，包含选择有效训练目标g＝Δa、相对于训练目标的指令，以及关于所选训练目标报告的跟踪和进展。用于TL的时间单位是对局，由下标n表示。测得在赛程期间训练要素的改变作为朝向训练目标Δsn的改变。
反馈增强环路(FL)涵盖在移动表现期间的反馈，包含各种形式的提示，以及由设备支持有效训练目标所介入的那些。FL集中于在表现期间发生的交互且直接影响例如通过实时提示提供的移动行为。用户处置一系列指令和反馈模态以增强其训练或比赛经验，包含指令、反馈线索和/或设备交互。
给定有助于成功运动技能表现的多个阶层式级别-肢体片段协调、移动架构、身体姿态、定位、移动结果，一直到移动规划、任务或比赛策略-增强可以潜在地涵盖广泛范围的技能组成部分和交互。如在别处描述，分析和交互的可行级别取决于可以从可用测量提取的信息。
典型的训练或比赛赛程可以被描述为中间有暂停的表现的时段(见图58)。暂停将赛程细分为多个对局。通常，用户通过规划其活动且设定有效训练目标而开始赛程。并非所有赛程都经过明确结构化或规划。即使情况如此，用户也可以即兴发挥，且在任何时间实现各种增强并获得技能分析和训练管理特征。
主要的用户交互应用支持浏览功能以：回顾过去和当前数据，查看现有移动技能状态，选择有效训练要素，查看训练目标的细节，和启用增强概况。
闭环数据驱动型训练过程
图21的闭环训练框架的系统组件根据三个主时间单位操作。训练时期k是范围从一个到若干赛程的时间尺度。与训练环路相关联的对局n是范围从运动模式对局的几次发生到许多发生的时间尺度，即，提供组织赛程的时间单位。对局n可具有一个或多个有效训练要素。时间t对应于实际时间且通常与增强环路相关联(基于测量值yt的来自提示系统或设备的实时反馈)。
处理运动测量数据y以确定移动状态数据x。数据还可包含其它行为数据(例如，视觉凝视)和任务特定数据(例如，任务要素和对象的移动和位置，和各种类型的结果)。原始测量经常通过估计过程延伸以基于可用测量数据y确定相关状态信息。
不同数据取决于它们在图21中示出的系统中的作用而被强调，例如，监视反馈增强(yt)、训练环路(赛程Yn)或评估环路(Ψκ)。
处理运动数据以提取与在任务或活动中执行的动作相关联的主移动单元(在别处描述)。此过程可以基于人类移动系统理论或原理形成。可以通过将移动单元的组合体分类为一系列移动模式{Pi}来获得移动谱录Rk，所述一系列移动模式可以划分成多个类(图12)。移动模式得自于感官-动作模式或程序(在别处描述)。通过运动建模，这些移动模式可以由涉及功能特性的一系列移动阶段描述，所述功能特性包含肌肉协同作用、生物力学约束、感知机制和任务约束。
在给定时期k的运动建模的结果是一组运动模型Mk＝{δi，i＝1..Nc}，其组合了移动谱录、阶段分解和例如可以由有限状态机或统计模型描述的功能方面，所述统计模型例如隐式马尔可夫模型(HMM)或从数据(例如，通过深度学习)习得的某一其它模型形式。运动模型Mk的要素提供了技能评估和诊断的基础以提取技能属性，包含竞争性表现、任务表现、模式表现和身体表现水平(见图14)。
移动模式Pi、运动模型δi和技能属性ai的组合实现技能要素的定义：
ei＝(Pi，δi，ai)。 [3]
技能状态Sk含有一系列排序的技能要素。技能要素是基于其获取阶段排序的。集合对应于三个获取阶段：形成，巩固和优化：
Sk＝Sk form∪Sk con∪Sk opt， [4]
其中例如Sk form是含有满足先前针对形成阶段论述的准则的运动模式的技能要素的子集。
技能概况pskill(Sk)描述了不同技能要素如何组合以产生受试者的总体表现。此信息可以例如通过跨越谱录将针对每一技能要素的复合得分相加来确定：
Pskill(Sk)＝{pskill，d(ei)，d＝1..Np，ei∈Sk}， [5]
其中Np是技能概况的维度且pskill，d(ei)是技能要素ei的复合得分。
可选择每一技能要素ei且与训练目标gi组合以形成训练要素γi＝(ei，gi)。同时，训练要素的分析可以确定适合于实现特定训练目标的反馈增强。增强包含指令、实时提示以及由设备介入的交互模式。
训练目标考虑了特定技能特性。举例来说，与技能要素相关联的技能度量的统计分析可用于预测沿着技能度量的预期进展。当群体数据可用时，来自受试者的子群组的额外统计数据可用于提供用于各种技能属性ai的参考值和目标。训练目标被表达为技能属性的所要改变：gk+1 i＝ak+1 i-ak i＝Δak i。
时期k的训练目标布置成有效训练列表Γk＝γ1→γ2→...→γNb，其中Nb是训练列表的长度。这可用于规划或安排训练赛程。由于人类信息处理是有限的，因此它可以有助于将训练集中于有限的一组技能要素。训练列表的主要目的是指定集中于哪些技能要素，并且还配置增强系统。有效训练列表描述了重要性次序，其中最高列出的训练目标表示最重要训练目标。这些要素具有关于使用例如通知或实时反馈等系统资源的优先级。
如技能状态中早先所描述，技能要素是阶层式组织的以描述其获取阶段，这反映了它们对活动表现的相对重要性。可以考虑技能要素的相关性从技能状态自动生成有效训练列表，或由用户考虑例如其偏好、可用时间和条件等信息来选择有效训练列表。
可以例如在专用训练对局期间明确实行训练目标。替代地，可以在活动的“自由”表现期间跟踪与训练目标有关的表现。关于这些目标的相关信息可用于通知受试者。此类通知可以例如突出显示何时已实现朝向目标的显著进展。
与群体数据关联的纵向分析提供了支持训练规划的微观和宏观信息。具体地，群体子群组和其与受试者的个别特性(身体、训练历史、技能状态等)的关联提供了管理技能发展需要的信息：在微观级别，通过相对于给定级别的群组提供现实和优选技能和表现特性的参考；以及在宏观级别，通过提供移动架构和例如移动功能特性等其它属性上的指导供采纳，以获得高效且安全的表现。
另一群体分析是执行者概况。受试者群组的特定特性可以由其技能概况表现，技能概况可以通过强调不同属性的复合度量来描述。这些概况使得在子组的风格的方向上驱动受试者行为的评估和诊断是可能的。
总之，运动模型、技能状态、技能要素和训练要素提供了将训练实施为数据驱动型迭代过程所需要的量。对于每一表现对局，跟踪有效训练列表中的训练目标以提供进展回顾或通知。由于若干训练要素的表现已经大体上改进(例如，当已经满足一个或多个训练目标时)，可以重新评估运动模型和技能状态，从而导致技能状态的更新。在这一点上，用户可以继续训练列表中的剩余要素或重新评估要强调技能的哪些方面。
训练模式
一个所公开的能力是管理与用户的移动表现相关的全面信息以及其驱动和管理训练的应用。本公开还解决了此信息如何传达给执行者的问题。系统可以支持若干交互模式。这些模式通过增强的级别(反馈类型)和训练要素如何用以引导训练来区分自己。
出于说明性目的考虑以下训练模式：
完全引导训练：训练代理选择训练要素且提供训练计划，训练计划指定锻炼哪些训练要素以及何时切换训练要素。此模式还包含练习。
部分引导的训练：训练代理选择训练要素且用户确定要锻炼的训练要素的次序以及何时切换训练要素。
交互式增强比赛：用户选择训练要素，用户确定要锻炼的训练要素的次序以及何时切换训练要素。在增强的比赛中，训练要素可以整合于常规比赛赛程内。跟踪在后台发生，且训练代理提供关于所选要素的各种里程碑的通知。
自由增强的比赛：用户可以在常规比赛期间利用反馈增强。
所述技术也可以由教练使用作为工具或训练助理。在此情境下，教练将基本上变为反馈训练环路中的要素。在此系统内“增强的”教练可以发挥若干功能，包含解译技能评估的结果，规划赛程，且提供例如演示移动的口头和其它指令。
用于实施训练系统的量和变量
下文在图49-58中示出的逻辑图式方面描述主系统组成部分和其系统范围的整合。图49示出图21中描绘的总体系统和其主过程的最高级逻辑图。图式中的主要块如下。
数据获取110表示捕获包含来自活动的移动测量的表现数据以及其它相关活动数据的过程。移动测量涵盖代理和他或她的片段的运动。活动数据涵盖可用于评估与表现有关的结果和任务或活动的目标的量。
建模120表示对受试者或代理的移动以及与任务和环境要素的相关交互进行建模的过程。它包含提取且处理主移动单元(PMU)，其随后被分解为移动组成部分(先前描述)，例如与移动模式的功能理解相关的移动阶段和肌肉协同作用。
技能评估和诊断130表示用以确定表征受试者的技能要素的参数的过程，所述参数随后确定受试者的技能概况和技能状态。这些过程也可以采取群体数据作为输入，此处表示为参考数据。此额外数据实现运动员的概况的确定。
训练目标和反馈合成140表示在设计各种反馈增强(指令和通知、用于实时反馈的提示定律、用于设备的交互定律)中涉及的过程。
规划150表示选择训练要素以及规划和可能安排训练目标序列的过程，这将用以管理训练或活动赛程。
最终，活动管理160表示活动的实际表现，包含在各种交互期间反馈作用于用户的过程。它还包含跟踪训练、管理赛程和配置总体系统的过程。配置决定了反馈概况以及在表现期间如何跟踪训练目标。
与这些过程相关联的额外细节在以下部分中提供。
I.数据获取
数据获取110是来自给定表现的所有相关表现数据的集合。它是通过多种运动捕获技术实现，包含由受试者穿戴或嵌入设备或衣服中的IMU，以及光学或基于视觉的运动跟踪系统。数据获取还涵盖例如结果和执行者的行为数据(例如，视觉凝视数据)等其它活动或任务相关量的测量。另外，可应用估计技术以从可用测量值估计未测量的量。
运动活动测量
考虑yt＝y(t*ΔT)，0＜＝t＜＝Nt，其中ΔT为测量时间间隔且Nt是测量样本的数目。测量值y涵盖所期望分析水平的所有相关数据。它们可包含其它行为测量，例如凝视或肌肉活动，以及情境数据(关于对局、赛程、运动员/受试者、任务和环境条件等的信息)。可以估计一些量。在下文中，记号y涵盖测得或估计的任何类型的数据。
用于活动对局n的表现数据集：Yn＝{yt，t＝1..Nt，n}其中Nt，n是对局n中的测量样本的数目。整个表现时期k的数据集是：Ψk＝{Yn，n＝1..Nk n}，其中Nk n是时期k中的对局的数目。
II.建模
移动建模120(见图50)使用所捕获的表现数据和可能先前的移动模型260以形成受试者的最新移动模型。移动建模是与技能获取并行演变的进行中的过程。因此，它通常在迭代过程中考虑先前模型信息。
图50中描述的建模过程包含以下步骤：
·提取210
·分类220
·阶段分段230
·协同作用分解240
·运动模型形成250
移动模式
移动建模中的第一步骤是与主移动单元(PMU)相关联的移动模式的识别和提取210。在移动单元概况方面描述PMU，它们可以表示为状态空间中的时间历程或轨迹。随后将这些概况分类220以确定确定移动谱录所需要的成员关系信息。
将测得的移动数据分段以针对活动提取主运动单元的对局{s}和其相关联动作、事件和结果。
针对活动对局的所提取运动单元的集合是Ξn＝{si，j＝1..Ns，n}，其中Ns，n是对局n中的运动单元的数目。类似地，针对时期k的所提取运动单元的集合是Ξk＝{sj，j＝1..Nk s}＝∪Ξn，n＝1..Nk n，其中Nk s是时期k中的运动单元的数目(例如，一个或多个赛程)。
通过在活动时段中主移动单元的集合Ξ的分类获得谱录，所述集合例如时期k的移动单元的集合Ξk。
针对时期k的移动谱录：Rk＝{Pi，i＝1..Nc}，其中Nc是主类或集群的数目。分类可以是阶层式的，其中一个主模式类Pi可以分解为模式子类：Pi＝{Pi，A，A＝1，.Nc，i}，其中Nc，i是Pi下的子类的数目，且Pi，A＝{Pi，A，B，B＝1..Nc，(i，A)}，其中Nc，(i，A)是子子类的数目。
移动模型
已分类的移动单元随后可以被进一步分析以确定与所选分析级别相关的额外信息。举例来说，PMU可以进一步分段成与肌肉协同作用相关联的移动阶段230，或与移动的执行和功能分析相关的其它形式的片段。图50中的插图中示出用于选择分析级别的逻辑。阶段分段230生成在移动的功能分析中使用的有限状态运动模型，以及在提示系统中使用的有限状态估计器。最终，协同作用分解240生成可用于身体和肌肉骨胳分析的肌肉协同作用。
运动建模的结果是针对时期k的运动模型集合Mk＝{δi，i＝1..Nc}。此集合描述了整个谱录Rk，其中每一运动模型δi描述主移动单元Pi。举例来说，运动模型可为有限状态统计模型(HMM等)，例如：
δi：X x U-＞X， [5]
其中δi是用于模式Pi的状态转变功能，U是输入字母，且X是状态集合。每一模型通常考虑相关功能细节，例如特定移动模式类的移动阶段和相关联动作或事件(肌肉激活、环境或任务状态、感官或感知状态等)。
协同作用分解240使用移动阶段概况以确定肌肉激活模式的组成部分，所述组成部分组合以产生整个阶段的所得移动。通常，移动协同作用的充分确定需要测量或估计个别身体片段移动以及可能其它相关量，包含例如肌电激活的肌电图测量等生理量。对移动组成部分与肌肉骨胳系统之间的关系进行建模提供了可用于估计生物力学负荷且进而帮助防止过量磨损和受伤的信息。
各种建模的量组合以形成运动模型250。
III.技能评估和诊断
技能评估和诊断130(见图51)以及如在别处描述的基础技能建模建立在运动模型的要素(谱录、移动阶段等)以及可通过各种度量产生的技能和表现属性上。
移动模式类Pi和相关联运动模型δi提供用于执行技能建模的结构、各种形式的评估以及诊断。评估主要是与移动活动相关的各种技能特性的描述性过程。如图52A所示，总体移动技能评估度量涵盖若干级别：身体表现312，模式表现313，任务表现314，和竞争性表现315。如果选择了311，那么将跨越先前描述的若干组成部分评估每一级别：结果，功能，感知以及记忆和学习(见图10)。
技能建模使用在评估过程中生成的属性且整合它们316以实现移动诊断。评估步骤包含从移动数据、移动模型的要素以及移动活动表现确定相关量。来自群体分析或个人的参考值317也可以并入在技能要素的评估中。
诊断步骤包含解译这些量以识别移动技术或其它身体属性的哪些方面需要改变以改进结果和对于移动活动表现关键的其它行为特性。通过确定结果与各种技能属性之间的关系来实现此过程。移动功能分析在移动技术诊断中起到关键作用，因为它描述了移动如何实现其结果的机制。
此信息随后在后续步骤中使用以制定训练目标且合成可用于驱动训练的增强(图53)。
身体表现评估
在身体表现级别312，评估在实现结果所需的身体努力方面以及在与生物力学约束相关联的特性方面评估技能，所述生物力学约束例如在肌肉上的应变或者在骨架、韧带和关节上的力矩和力。移动身体表现评估是基于例如能量或急加速等度量。这些量随后可以与结果相关，或用以确定移动效率。
此评估级别还评估移动模式、特定移动阶段以及相关联肌肉骨胳结构上的磨损和应变之间的关系。从此评估提取的特征随后可以用以生成反馈以帮助修改相关联移动执行的方面且进而帮助减轻受伤。
身体表现评估312的输出是度量pi＝h(Pi，δi)，例如与选择移动片段或总体移动模式相关联的峰值力量、能量使用以及关节力矩。
模式表现评估
在模式表现级别313，评估会评估受试者用来在变化和不确定的条件下实现结果的移动技术以及所有其它支持功能，例如感知。模式表现评估提供用于移动诊断的关键信息。
基本移动技能评估包含通过提取给定移动类内的移动轨迹的属性分析移动技术。典型移动技能属性包含：
平滑度：获得许多熟练的移动作为移动阶段序列。阶段通常表示个别协同作用(在别处描述)。技能获取涉及将阶段合并为移动行为的单元。因此，精通的受试者能够无缝地执行所述序列，而初学者的执行则较为不连贯和分散。
一致性：类中的移动概况表示一般动作程序(在别处描述)。因此，预期精通的受试者显示出在一个类内的一致轨迹特性。
时序：移动的成功执行和其相关联结果取决于准确的空间和时间协调。可以评估关键时序特性且用作技能度量。
更高级的移动技能评估建立在移动结构(例如，阶段分解)上且是基于使用敏感性分析计算的衍生物。主功能度量是表现描述移动技术的不同特征如何参与结果和对任务条件的适应的衍生物。
模式表现评估313的输出是表现移动技术的相关特性的特征fi＝g(Pi，δi)。这些可针对相关技能和表现特性确定，并且可表达为有限状态X的特征，例如时序特性、在状态转变时的移动和身体配置，或在阶段期间的移动阶段概况。
全面功能移动技能评估还可包含对于移动阶段与任务和环境要素的协调相关的感知功能或事件。如在别处所述，技能评估的范围和深度，并且因此还有诊断和反馈增强的范围，取决于可用的测量。
任务表现评估
在任务表现级别314，评估会在为了解决移动活动要求且处置在表现期间主要的条件范围而开发的谱录中的移动模式范围方面评估受试者的技能。
如在别处描述，在开放技能中，必须获取一系列不同移动行为以成功地应对任务和环境条件。需要不同移动模式来实现不同结果，且在多种条件下达到那些结果。
因此，在任务表现级别的主技能度量集中于与谱录中的动作或移动模式相关联的结果的范围和质量。任务表现评估314的输出是任务和结果度量mi＝f(Pi，δi)，其通常表示从移动模型和结果测量和/或估计确定的描述性量。它们可包含：特定赛程和/或相对于历史数据的成功率，移动结果/后果，可变性，精度，以及统计特性。
竞争性表现评估
在竞争性表现级别315，评估会在为了解决任务且处置在表现期间主要的条件范围而开发的总体策略方面评估受试者的技能。
运动模式可用作代理的状态以在任务和竞争性级别描述代理-环境交互动力学。举例来说，运动员在比赛或对局中的运动模式序列可以通过HMM模型描述，Pk+1＝Φ(Pk，ck)，其中Φ是在给定在时间k的线索ck的受试者观察的情况下从运动单元Pk转变到Pk+1的条件概率，其包含例如对手击发和来球轨迹等环境条件的感知，以及受试者对其在球场上的自身位置的感知。函数Φ可以表现运动员的策略，以及其感知比赛状态以及对手动作和意图的能力。因此，函数Φ含有可用于评估运动员的竞争性表现的信息。此HMM模型可以延伸以包含任何相关状态信息，例如受试者的位置或球的位置。
技能属性的整合和技能要素的定义
用于特定移动模式的技能属性提供用于移动技能、表现的总体评估以及例如受伤风险和学习过程自身等其它相关考虑的信息。针对移动模式Pi提取的技能和表现属性经过组合
Figure BDA0002375849270001461
以定义所谓的技能要素318的集合。
技能要素提供技能单元的概念的正式定义。技能要素ei组合了模式类Pi、其移动功能结构MFS(例如，由运动模型δi指定)和各种相关属性ai：
ei＝(Pi，δi，ai) [6]
属性ai的集合，具体来说结果、与技术和表现相关的属性以及操作条件范围，提供了对每一技能要素的全面描述。此信息可用于对技能要素进行评分，这帮助确定受试者可以较熟练地执行哪些技能要素。此得分的实例是复合成本函数的使用。
举例来说，成本函数Q可以定义为属性的加权总和，其中权重指示每一属性的相对重要性：
Q(ai)＝∑e Nawe·ai，e/∑e Nawe。 [7]
技能状态的确定
技能评估的关键方面是获取阶段(例如，形成、巩固、优化)。此信息由技能状态的概念描述(图52B)，其提供关于每一技能要素的获取阶段的信息。此信息可用于确定训练或康复干预。
可通过应用从多种技能属性ai和其相关联统计数据321导出的准则而确定技能状态。表1和2描述了可用于从谱录确定移动模式的获取阶段的准则的实例。
时期k的技能状态Sk可以表示为覆盖移动谱录的技能要素集合上的分区：
Sk＝Sk form∪Sk con∪Sk opt， [8]
其中例如Sk form是含有满足先前针对形成阶段论述的准则的运动模式的技能要素的子集。
技能概况的确定
如早先所描述，谱录组合了已经由个人获取以应对任务要求和环境条件的移动模式的集合。运动模型涵盖移动谱录、其移动类以及移动阶段和协同作用。从各种技能度量提取的属性提供额外信息以确定与学习和训练相关的其它量。
可基于与谱录中的移动模式的所有类(和潜在地子类)相关联的技能要素集合来确定个人的技能的全面描述：
Sk＝{ei，i＝1..Nk c}。 [9]
此集合在此是针对特定时期k示出。
技能要素ei与技能状态组合提供了关于受试者的移动技术和表现的全面信息。此信息可用于生成所谓的技能概况330，其描述受试者的总体技能和表现。
技能概况pskill(Sk)描述了完整集合的技能要素如何组合以产生受试者的总体表现。此信息可以例如通过跨越谱录将针对每一技能要素的复合得分相加来确定：
pskill(Sk)＝{pskill，d(ei)，d＝1..Np，ei∈Sk}， [10]
其中Np是技能概况的维度且pskill，d(ei)是技能要素ei的复合得分。在一些条件下，pskill，d(ei)可以简化为Qd(ai)。
可以以图形方式图示技能概况，例如显示每一技能要素的技能复合物(见图17)。此评估过程的一个潜在输出是基于复合得分和发展阶段326生成按技能级别排序的移动模式的列表。此列表提供定义训练要素的基础。
如已经描述，例如任务表现和竞争性表现等较高级评估可通过在任务或比赛中如何部署要素来确定。
其它形式的状态和概况的确定
可以相对于身体和生物力学准则布置移动类。通常，技能和身体属性在学习期间并行地演变；然而，受试者可以采纳在实现结果方面有效但对其肌肉骨胳健康不利的技术。可能的身体发展阶段包含“身体累积”，即技术主要受缺乏充分强度影响的模式，“耐久性”，即展现过早磨损的模式，以及“过量负荷”，即以在身体上产生过量磨损和应变的力的水平执行的模式。此信息可以例如用以确定每一技能要素的受伤指数。此指数可以随后添加于整个谱录以确定受伤概况。
可以针对除移动技能以外的其它特性生成基于一些复合评估的概况的类似想法。举例来说，可以组合运动和技能模型和属性以计算例如身体/素质概况pfitness(ei)或受伤概况phealth(ei)等量。
运动员概况的确定
应注意，有可能通过设定技能概况中的不同权重而对任务中的一些结果或动作或技能要素增加更多重要性，例如与正手低削球相比对正手高上旋给予更多重要性。因此，可以根据特定任务要求或表现风格调节技能概况。举例来说，某些击打和结果对于运动员表现是较基本的。这些可以表征为核心击打。可以定义技能要素或击打的不同层次，且因此可以将技能概况分解为不同概况组成部分以表现不同特性。
在技能概况中指派给技能要素的相对权重实现对执行者或运动员类型的表征，这可用于定义运动员概况340。举例来说，在网球中，与进攻比赛相反，在防守比赛中使用的击打提供表征运动员类型的信息。在群体分析下进一步开发此信息。
参考范围和群体分析
评估的一个方面是参考范围的定义，这使得可能更客观地评估受试者表现或技能(见图52A中的317)。参考值可用于提供绝对参考，例如衡量各种提取的属性与代表性运动员群组相比如何。举例来说，在网球中，这允许受试者理解他们针对特定击打类产生的上旋量是高还是低。
可通过针对具有相似移动技术的受试者的群组提取跨越属性的统计分布而确定参考值。统计数据随后可以用于生成任何相关属性的百分点排名，且例如使用那些排名将参考范围离散化为多个层次(例如低、中、高、极高)。
这些各种形式的表现、技能、健康或受伤概况提供可用于关于表现的各种方面的高级反馈的信息，包含策略、身体素质以及受伤预防。
群体信息可用于确定可对教练或理疗师有帮助的排行榜。它也可以帮助推动受试者理解他们例如在绝对排名中与其它个人相比如何，以及理解他们的技能或表现的导致其排名的特定方面，以及他们的移动技术或表现的哪些方面对于帮助他们在其群组内发展是最可行的。
IV.训练目标和反馈合成
训练目标和反馈合成150表示先前论述的训练目标的确定和规范，以及可用于驱动训练的相关联增强。这些是跨越不同反馈模态选择的。
训练目标410的规范可以被视为对将有助于朝向目标驱动训练过程的增强的确定的双重问题。理想地，目标和反馈合成是同时执行的。
反馈的目标是在评估中识别的技能要素，以及技能和表现的其它方面，例如从技能概况的洞察。它也可以使用来自诊断数据的信息，例如来自技能状态(Sk)130。
合成的反馈(指令、实时提示定律等)确定可用于技能目标的“增强空间”(图21)。这些增强定义了用户交互的范围，用户可以随后在所述范围内选择操作。图23描述在表现期间如何启用和操作增强环境。
技能状态计算中的获取阶段提供允许确定适当的反馈形式的信息。举例来说，新模式的形成需要与现有移动模式的精炼或优化不同的增强。大体来说，可以组合若干反馈模态(例如，指令、反馈线索和设备交互)。反馈配置426描述了如何组合反馈模态以产生用户增强。
训练目标和要素
训练目标有助于使训练可行，且使受试者能够在表现期间集中其注意力。训练目标的定量规范还意味着其可以被测量或估计，这允许客观地跟踪特定技能要素的训练进展。
如先前论述，训练目标410的计算(图54A)是基于技能要素，图10、30、31中的较大系统，且也可以考虑技能状态以帮助指定有意义的训练目标。
可以考虑群体参考数据(见图19)，例如基于技能复合得分内的属性，在例如任务表现级别等各种评估级别从受试者的技能的统计分析导出训练目标。或者例如基于功能分析在身体表现级别(见图20和图37)。可以例如分别基于技能级别或结果级别的百分点层次中的递增(或分数递增)而导出训练目标。
在表现级别的训练目标可从图34中示出的全局得分排名确定。一个人可以例如通过识别谱录中对排名具有最大影响的技能要素(关键技能要素)来进行。并且从中确定技能概况复合(图38)中的对技能概况具有最高影响的技能属性。有可能使用图19中示出的统计分布针对关键技能要素ei确定与复合得分中的目标递增相关联的目标技能属性a*，如下：
gk i＝a*i-ak i＝Δai，k， [11]
其中a*是将导致目标技能概况级别的特征的目标值，且其中k代表时期。
对于在身体表现级别的训练目标，一个人可以基于功能分析遵循结果优化来进行，如在图37中示出的前摆分析的实例中所示。针对技能要素ei的与结果级别(自旋)中的目标递增相关联的目标技能特征f*可如下确定：
gk i＝f*i-fk i＝Δfi，k， [12]
其中f*是将导致目标结果级别的特征的目标值，且其中k代表时期。
由于技能缺陷经常表现在多个属性上，因此可选择属性ai的一个或多个组成部分或甚至组成部分的某一组合作为驱动特定目标gi的关键属性。此外，属性可能需要有针对性的移动技术优化。因此，属性目标可以与功能分析组合。
应注意，在诊断级别130描述了技能级别中的属性与目标递增之间的关系(见图19中的分布和层次)。可以使用降维或嵌入技术确定功能关系。此分析级别通常在功能移动建模期间进行。
训练目标的规范的一个问题是确定属性或特征的可行程度。功能分析通常提供足够信息以确定因果关系且识别用于训练的关键驱动属性。
选择哪个属性来驱动训练411也可以取决于获取阶段(技能状态)。取决于阶层中的级别(结果，或功能特性)还有针对性训练要素的获取阶段，训练目标可具有不同格式。
训练要素γi，b＝(ei，gi，b)描述了技能要素ei与训练目标gi，b组合。
训练目标的级别和类型
对于形成模式412，特定目标包含移动配置的空间定义。这对应于技能获取的认知阶段，其中受试者形成主要集中于其空间配置的移动的理解和表示。所述知识例如包含移动阶段，包含在阶段转变时身体片段以及末端执行器和设备(系统状态)的配置。在形成阶段还相关的是移动阶段和它们与环境和任务要素和对象的同步之间的关系的理解。
对于巩固模式413，训练集中于将移动阶段序列巩固为平滑轨迹。此阶段对应于程序化记忆的巩固，其中将移动知识转换为可以在各种条件下动态地执行的自动模式。此阶段大部分是无意识的且依赖于反馈来验证正确技术。
对于优化模式414，特定目标包含精炼移动模式和相关联功能以在受试者的生物机械约束内实现最佳结果。经优化的量包含功能特性(与移动结果相关联的特征)和身体表现特性(肌肉骨胳负荷)。在此阶段，受试者可以形成心理表示，心理表示使他们能够集中于技术中的影响结果的特征，或获得对任务的哪些要素传达有助于移动调节或时序的信息的理解。
这些训练目标可以基于与和移动活动相关的获取阶段相关联的参数而编码。这些参数包含例如一致性、平滑度和时序等相关参数的统计特性(先前描述)。选择增强以针对对于特定获取阶段是关键的方面。
反馈合成
使用训练要素合成420反馈定律(组合技能要素和训练目标)，包含来自技能概况和状态的信息(图54B)。反馈的术语是在较大意义上使用，具有以下两个主要反馈类型：指令421，和反馈线索422。另外，设备423(见例如，图2中的发球机)可用于提供用于移动表现和训练的额外交互(见稍后讨论，见图23)。
从技能模型参数和评估424，具体来说技能概况和运动员概况，来合成指令。
对于指令(见图55A)，通信模态包含视觉431、口头432和文字433。指令434表示在“知识”级别起作用的反馈。它们包含例如下一训练对局的训练要素的描述等方面，或关于通过反馈线索将增强的移动特征的细节。指令还可包含形成模式的空间配置的视觉描述或模拟。
从运动模型且具体来说功能移动模型425合成提示机制439。对于线索(见图55B)，提示机制包含验证线索435、结果优化线索436、警报437，和模式形成线索438。这些线索用作反馈增强。从功能移动建模和分析确定用于实时反馈线索的提示定律。
如果设备是可用的，例如发球机427，那么合成423设备交互模式。
指令、线索和设备可以组合以产生导致不同交互形式的不同增强概况。首先整合合成的指令和提示机制以确定最佳组合。目标是组合这些反馈模式以实现协同作用。设定和参数定义了可用反馈配置426(图54B)。随后使用这些组合确定用于通信、提示和设备系统的配置参数。
一般增强级别
增强可以在符号/认知级别、线索级别和信号级别起作用。针对时期k的增强定律和程序表示为一系列反馈定律Kk＝{κi，i＝1..Nc}和程序。
在认知级别，反馈呈在表现之前的指令、在表现之后的报告以及在表现期间的通知的形式。指令可用于帮助受试者形成移动模式的心理表示，从而集中于与当前训练要素相关的方面。
在高级别还相关的是与群体分析有关的反馈，例如排行榜。此类型的反馈在心理级别起作用。
通知可用于提供关于训练进展的反馈，例如关于特定训练目标。报告提供了受试者的技能和训练活动的摘要概述。经由例如专家系统等具有指令生成器的通信系统来执行文字和其它符号或图形信息的生成。可以状态机的形式，或甚至使用可以输出文字或自然语言的对话代理来实施通知。
在线索和信号级别，由提示系统提供反馈(在别处描述)。反馈线索的目标是与训练目标相关联的移动特性(通过结果验证、特征验证等)，以及相关联的感官和感知过程。提示和信号级别反馈可以作为加强或威慑力起作用。
提示系统也可以提供视觉线索以帮助形成支持用于任务或活动的特定交互所需要的视觉注意力。提示系统组合了计算提示信号的对训练要素γi特定的提示定律κi以及将这些信号转换和编码为可理解的信号形式(可听、视觉、触觉等)的线索生成器。例如通过状态机实施提示定律，所述状态机使用移动测量数据yt、状态xt和/或移动特征fi来计算线索信号。
线索和信号级别还涵盖用于可能设备的交互定律。设备交互的主要作用是扩展操作范围，以例如帮助形成新模式。设备也可以提供身体交互，例如由辅助机器人装置或外骨骼提供的那些身体交互。类似于反馈提示，由反馈定律和/或程序来驱动设备动作。
V.规划
训练规划解决了在训练期间要加强移动表现的哪些方面的问题。规划或时间表在训练要素和相关联训练目标方面描述了赛程的组织。规划还提供了在活动160的执行期间安排和管理赛程的结构(见图56)。规划通常考虑总体训练目标、可用时间和其它资源。
可从技能要素的技能获取的阶段且针对技能要素对任务目标的重要性来确定优先级区分。可以基于每一技能要素415的技能状态(Sk)对训练要素区分优先。
为了便于赛程的规划和管理，可选择若干训练要素。这些所选的训练要素产生所谓的训练列表。通过选择有效训练要素，它向增强和跟踪系统指示必须监视和主动地提示移动表现的哪些方面。
将训练过程形成为反复学习过程。此模型使得有可能确定如何管理数据。举例来说，可以将时期定义为符合在达到新技能级别的训练循环期间的主要发展变化，其中属性的显著改变将导致新概况。此时期具有相关联数据集，所述数据集具有运动模型、技能模型和各种技能属性，和统计描述。对于每一时期，存在当完成时将导致新技能级别的相关联训练要素和目标。时期之间的界限可以是任意的。可以使用更客观的准则来确定训练时期，举例来说，用于运动模式分类的运动模型的有效性。在个人的移动技术充分改变而影响运动处理时，训练系统可以提示用户且评估循环可以重新初始化，这为训练提供了新基线。运动模型使得能够针对个人并且还跨越较大群体分析技能获取过程。因此，技能获取中的模式也可以用于管理训练过程且确定较大尺度的训练目标。
训练列表
针对当前时期k的训练列表Γk可以表示为训练要素的带指数的集合(列表)Γk＝γ1→γ2→...→γNb，其中Nb是时期k中的训练要素的数目。
训练列表提供了强调一组训练要素的方法。在列表的顶部的目标具有最高优先级。训练优先级可以从以下各项确定：技能状态参数和准则(见表2)，发展阶段，以及关于特定移动模式(技能要素)的相关性和任务的相关联结果的信息(见图13)。训练列表中的训练要素的优先级的指定可以由用户手动地执行，或基于技能要素的指派自动地执行(见图13中的一级、二级、三级)。
训练时间表
针对时期k的训练时间表∑k可以表示为训练要素的子集序列∑k＝∑k 1→∑k 2→...∑k n→...∑k Nn，其中Nn是时期k中的活动对局的数目且∑k n是训练列表的子集Γk，∑k n＝γn，1→γn，2→...→γn，Nbn。
每一训练要素可以包含停止准则以表明何时应转变到下一训练目标。停止准则可以是所述特定类中重复的移动的次数、在一个持续时间中的表现、朝向目标的给定进展(给定分数)，或目标的实现，这可以例如在临床意义测试中以统计方式确定。
训练要素和目标的组合体可用于系统地规划和管理训练或比赛赛程。举例来说，可在赛程之前生成包括对局的训练时间表(见图45B)。每一对局可以强调一个或多个训练目标。
VI.活动管理
如早先论述，训练或比赛赛程通常划分成多个时间段。这些时段表示为对局。每一对局可以具有一个或多个训练目标。这些要素被跨越若干对局布置以形成训练时间表。此结构使得有可能将长期训练目标分解为中间目标。
训练过程的实施通过增强的人类系统发生(请参见图22和23)。
不同反馈模态要求不同频率的用户交互。例如指令通常是在训练要素的选择后间歇地呈现。另一方面，实时反馈线索是与移动表现同时应用。实时反馈也可以在执行期间连续地或在离散时间段传送，或恰好在移动结果后传送。
在一些活动中，设备用作表现的一部分。网球中的典型设备是发球机。设备可以被编程来与反馈线索和指令联合工作。
系统配置
用于增强系统配置620的主要参数是指定目标(例如，受试者、教练等)，且指定指令的类型(例如，口头、音频等)和反馈线索的类型。介入交互的主要系统在图22中示出。它们包含通信系统(例如，平板计算机或智能手表)、提示系统(例如，可穿戴装置)，和设备系统(例如，发球机)。
对于指令，可基于训练格式而选择不同目标。举例来说，在一个情形中，教练解译且传达指令给受试者。在此情况下，教练将接收关于受试者在特定对局期间的表现的信息，且在下一对局之前使用此信息来指导受试者。在另一情形中，受试者使用指令来评估在给定训练要素上的进展。
在指令下的反馈形式包含视觉、口头或文字。这些形式提供不同的交互模式。举例来说，它们可以邀请用户浏览移动谱录。或者，它们可以邀请用户学习用于特定移动模式的技术。
典型情形包含移动模式的精炼或优化。在此情境下，线索概况组合了阶段转变线索与结果验证线索。又在另一情形中，受试者可以在表现期间使用提示来帮助形成新移动模式或优化现有模式。
一旦系统被配置，受试者就可以开始活动表现630。在表现期间，监视640移动和系统行为且数据获取继续。然而，评估的强调是表征具有增强的移动技能和相对于训练目标的表现。可以在任何时刻690暂停活动。
规划可以在赛程之前发生或逐步进行。初始训练要素和时间表是基于当前技能状态定义的。用于后续对局的训练目标和要素是随着受试者对训练目标的完成和总体表现以及例如磨损、疲劳或动机等其它因素而定义的。为了支持目标和配置的可能的改变，训练系统在活动的执行期间实现交互式管理。
赛程管理
管理训练活动是交互式过程。赛程610的管理包含指定在活动中的给定时间段实行哪些训练目标，以及更新增强系统的配置(指令、反馈线索、设备动作模式)。通常提供训练目标作为指定训练要素和相关联目标的训练时间表的部分。通过受试者与增强的交互来实行目标。如关于反馈合成的部分中论述，训练目标提供了训练要素的改变的定量描述，且可以考虑可用于要素的增强概况。增强系统是基于下一活动时段的目标而配置的。系统配置620(图57A)确定如何组合不同反馈模态621、622、623以产生对训练目标的实行最有效的表现交互。
图58描述了一个赛程时间结构，其描绘活动的不同时段，示出为对局#1到#4。对局之后可以是移动活动的暂停。在活动时段期间，执行者接收线索和或通知。在暂停期间，执行者可以回顾表现数据，且如果需要则修改目标和系统配置。
活动监视
一旦发起训练活动，就可以在训练活动640期间跟踪朝向训练目标的进展。训练要素的改变提供了提供关于进展的反馈的基础。监视系统640(图57B)向执行者(或教练)提供通知644。
可使用通知准则643，例如训练要素641的重复数目、训练目标的某一分数的达成，或经过的时间。通知644指示是否已实现642训练目标，这可使用某一形式的临床意义测试来确定。所述意义测试确定受试者的技术何时已经充分发展而使技能属性稳定在目标水平附近。
取决于特定系统实施方案，可以在各种时间间隔评估受试者的移动技能概况和技能状态以适应移动技能的各种方面演变的不同速率。因此，针对不同系统配置和不同评估级别以不同速率闭合(更新)评估环路。
虽然可以通过指令、演示或反馈线索修改移动技术，但首先需要同化由这些输入引起的改变。举例来说，移动谱录不会快速改变，因为它需要将移动合并为程序化记忆。因此，在任务表现(谱录)级别的评估通常是以跨越赛程到数天或数月的时期的间隔来进行。时期可以关联于受试者的移动谱录中的改变，但如早先所描述，相关联时间段是基于移动数据集合和模型的产生和维护而定义的(见图25)。
可以使用一系列通信装置和信号发出通知644。举例来说，可以通过可听信号提示645受试者，且可以在智能手表上显示消息。替代地，可以通过自然语言处理器和经由语音通信来转换通知。消息可以指示朝向特定训练目标的进展，或达到特定结果阈值。系统也可以提示用户进行输入645。举例来说，这允许执行者做出笔记或注释646，或简单地标记特定移动模式，例如以指示问题或突出的结果。在任何时间，用户也可以例如经由智能手表提示系统以标记事件。
活动中断
取决于训练或活动的通知和状态，表现可以暂停690。可以由受试者、系统或教练提示活动中的中断。典型情境包含以下各项：
受试者短暂地中断赛程以搜集关于刚执行的特定移动模式的较详细信息。
在另一情形中，受试者想要回顾他或她在上一个对局的表现。
在另一情形中，提示系统检测有效提示机制中的一个的有效性的减小。
在另一情形中，提示代理注意到移动表现已经实现训练目标的目标水平。用户接收暂停的指令以选择接下来的训练目标。
在另一情形中，教练经由通信系统监视表现，且决定中断表现以改变增强系统的配置。
在又一情形中，系统检测可能由于疲劳发作或磨损或甚至受伤带来的结果或属性的改变。
用户可以例如通过智能手表接收暂停的指令，且随后暂停赛程。一旦活动暂停，取决于中断的原因，可以立即恢复690活动，或暂停较长时段以允许数据回顾以及规划和配置的改变。此时，可以更详细地回顾650表现数据，并且接着取决于所需的注意力，恢复执行或可以暂停赛程。
在恢复赛程之前，可以更新增强概况670和训练目标680。与有效训练要素相关联的表现的改变可能需要更新现有技能状态内的训练优先级，且因此可以提示训练列表中的训练目标680的回顾。技能状态的大改变可能需要运动和技能模型的更新(评估环路的迭代导致新技能状态Sk+1)。
活动暂停
一旦活动暂停，就可以发起650较详细的回顾。回顾通常由通信系统介入，通信系统即平板计算机或智能电话。回顾的目的是让用户或教练检查当前训练的进展或解决训练代理已经带来的问题。
在回顾之后，用户具有两个选项：结束活动或恢复活动660。如果用户决定结束活动，那么它关闭赛程。如果用户恢复活动，那么它可以在同一训练列表和增强概况670下完成，或者可选择导致系统重新配置620的新增强概况。替代地，可在恢复表现之前选择新活动或训练规划610。
在系统引发的中断的情况下，活动回顾提供关于中断原因的细节。随后通常将提示用户返回到系统配置620或活动规划610。
实例
在本文公开的数据驱动型移动技能训练系统中，系统可以使用在人类移动系统阶层的不同级别的移动技能评估和诊断来指定训练目标。系统可以提供经过合成以帮助实行训练目标的不同形式的增强。系统还可以包含用于跟踪和/或管理学习过程的系统。
高效的移动训练可能需要组织训练过程的系统方法。如果训练是针对个人的移动技能的特定薄弱区域，考虑个人的健康和素质，和/或根据与自然技能发展的结构和原理兼容的规划而展开，那么训练可能是最有效的。在规划训练活动之前精确评估技能，和/或在移动表现之前、期间和之后提供充分形式的反馈可以使训练过程受益。移动技能取决于各种各样的功能和能力，这可能使技能评估和/或建模变得困难。
本文公开的系统可以采用可帮助定量地识别技能缺陷的移动技能模型。所述模型还可以分析技能缺陷与技能发展过程的关系。此信息可以用于合成反馈增强和/或确定训练目标，这可以被设计成引发移动技术的改变且在表现期间引导训练。此系统的组成部分可以形成框架，所述框架允许以数据驱动型方式规划和组织训练活动。此系统可以包含适合于受试者的身体特性和健康的移动训练的系统性且个别化方法。
在一个实施例中，提供用于处理来自活动的多种移动和表现数据的系统。系统可以提取支持任务交互的移动要素。系统可以根据类型和结果对移动要素进行分类。系统可以将移动要素分解为与移动的生物力学和功能特性相关联的片段。
在一个实施例中，提供用于评估和诊断受试者的移动技术的系统。系统可以针对移动类评估移动技术和结果。系统可以基于技能和结果属性识别类的发展或学习阶段。
在一个实施例中，提供用于合成适合于受试者的技能发展阶段的反馈的系统。系统可以基于受试者的表现准则和学习阶段确定训练目标。系统可以合成对发展阶段特定的反馈增强以朝向训练目标帮助训练。
在一个实施例中，提供用于运作或增强受试者的训练的系统。系统可以基于可包含用于记忆巩固的间隔的发展阶段来安排训练要素或训练目标。系统可以跟踪受试者相对于训练目标的表现。系统可以提供关于训练要素、技能发展、受伤、身体磨损和疲劳中的一项或多项的反馈。系统可以跟踪总体技能发展。系统可以为受试者更新训练目标和/或训练时间表。系统可以从改进训练有效性的反馈模态的组合确定增强。反馈模态可以包含指令、线索和信号中的一个或多个。
额外实例和实施例包含用于移动技能训练的设备，所述设备包括：传感器系统，其包括被配置成获得执行活动的受试者的移动数据的一个或多个传感器；处理器系统，其与所述一个或多个传感器通信，所述处理器系统具有微处理器和存储器且被配置成：从所述一个或多个传感器接收移动数据，其中受试者执行与活动相关联的主移动单元；从移动数据识别一个或多个移动模式，其中移动模式与受试者执行主移动单元相关联；分析移动模式以识别描述受试者执行主移动单元的一个或多个技能属性；以及评估所述一个或多个技能属性以为受试者指定一个或多个训练目标，其中选择训练目标以解决技能属性中的缺陷。
所述设备，其中所述一个或多个传感器包括一个或多个惯性传感器、加速度计、陀螺仪或惯性测量单元，且其中移动数据包括描述移动模式的速度、旋转速度、加速度或旋转加速度中的一个或多个。所述设备，其中所述一个或多个传感器包括被配置成获取描述移动模式的方向或定向数据的磁力计，被配置成获取描述移动模式的位置、速度、压力、应变或扭矩数据中的一个或多个的换能器，被配置成获取描述移动模式的声波数据的声学传感器，被配置成获取描述移动模式的图像数据的视觉传感器或相机，以及被配置成获取描述移动模式的视频数据的视频传感器。
所述设备，其中所述一个或多个传感器被配置成从受试者和由受试者用来执行主移动单元的相关联对象中的一个或两个获得移动数据，所述移动数据选自角度、角速度、方向、距离、力、线性加速度、位置、压力、旋转、旋转速度、速度、应变和扭矩中的一个或多个。所述设备，其中所述一个或多个传感器还被配置成获得描述受试者在分布于一个日历时段中的若干赛程中执行活动的活动数据，处理器系统还被配置成基于活动数据和技能属性而评估与在所述日历时段中的训练目标的执行有关的结果。所述设备，其中由受试者执行的活动是选自羽毛球、棒球、板球、高尔夫、康复锻炼、跑步、滑雪、单板滑雪、冲浪、手术或其它医疗程序、游泳、乒乓球、网球和排球。
所述设备，其中所述处理系统配置以从所述一个或多个移动模式提取所述一个或多个技能属性以定义一个或多个技能要素，技能要素表征受试者要形成的移动模式、受试者要巩固的移动模式以及受试者要优化的移动模式。所述设备，其中处理系统被配置成通过应用从技能属性导出的准则而确定技能状态，技能状态定义了受试者要形成的移动模式、受试者要巩固的移动模式以及受试者要优化的移动模式。所述设备，其中处理系统被配置成组合技能要素与技能状态以生成描述受试者的总体技能和表现的技能概况。所述设备，其中处理系统被配置成考虑技能状态而分析技能属性以产生训练目标。所述设备，其中处理系统被配置成用于用户选择关于技能状态的训练目标中的一个或多个，且还被配置成基于所述一个或多个技能要素的改变跟踪和更新所述一个或多个训练目标。所述设备，其中处理系统被配置成从技能要素导出一个或多个训练要素，其中与所述一个技能要素中的一个或多个相关联的技能属性被指派给训练目标中的一个。所述设备，其中处理系统被配置成生成用于受试者的训练时间表，所述训练时间表包括训练要素和相关联训练目标。
所述设备，其中处理系统被配置成配置通信系统、提示系统和设备系统中的一个或多个。所述设备，其中通信系统被配置成提供符号、口头或视觉信息。所述设备，其中提示系统被配置成提供可听、视觉或触觉反馈。
所述设备，其中训练目标中的一个包括要形成的模式，其中所述模式不存在于所收集数据中的移动模式中。所述设备，其中训练目标包括从头开始或通过修改受试者的现有移动来发展所述模式。
所述设备，其中训练目标中的一个包括要巩固的模式，其中所收集数据中的模式在所收集数据中未充分定义以允许在动态条件下的可靠执行。所述设备，其中训练目标包括精炼模式或产生程序化记忆以实现受试者对精炼模式的自动或可重复执行。
所述设备，其中训练目标中的一个包括要改进的模式，其中所收集数据中的模式不实现所要结果。所述设备，其中训练目标包括精炼移动技术以使用最少能量或产生受试者的肌肉骨胳系统上的最少应变。所述设备，其中所收集数据包括群体数据。
额外实施例和实例包含一种训练的方法，包括：评估受试者的移动技能；识别移动技能中的缺陷；为受试者指定训练目标；对受试者提供增强；以及跟踪受试者的训练过程；其中识别缺陷包括使受试者的移动技能与群体数据相关；且其中指定训练目标包括使用群体数据以确定受试者可以改进哪些移动技能以改进技能水平且产生长期发展。
所述方法，其中产生长期发展包括识别可以改进移动技能的哪些方面且以何种次序改进。所述方法，其中训练目标与训练要素相关联，且训练列表包括多个训练要素。所述方法，其中选择训练要素向跟踪系统指示将监视移动表现的哪些方面。所述方法，其中选择训练要素向增强系统指示将主动地提示移动表现的哪些方面。
所述方法，还包括开发训练规划，其中所述规划在训练要素和训练目标方面描述了训练赛程的组织。所述方法，其中训练要素被汇编在被布置成训练时间表的训练列表中。所述方法，其中训练时间表包括至少一个赛程，每一赛程被划分成多个对局，且每一对局被指派至少一个训练目标。
其它实施例和实例包含用于数据驱动型训练的闭环系统，所述系统包括：评估环路，其被配置成从用户的移动表现收集数据；训练环路，其被配置成跟踪所述移动表现的至少一个技能中的进展；以及增强环路，其由训练环路配置以在移动表现期间向用户提供信息。
所述系统，其中所收集数据包括来自用户的身体片段的移动数据、来自由用户使用的设备的移动数据、用户的生理数据、移动表现的结果和移动表现的影响中的一个或多个。所述系统，其中生理数据包括从表面或可植入电极收集的肌电活动。所述系统，其中系统被配置成跟踪来自多个用户的至少一个移动表现。所述系统，其中所述系统被配置成跟踪用户的移动表现之间的交互。
所述系统，其中评估环路包括被配置成从移动表现的目标运动提取运动要素的提取器。所述系统，其中增强环路从用户收集移动信息且将运动要素提供到提取器。所述系统，其中运动模型是从来自提取器的输出产生。所述系统，其中在运动模型上执行技能评估和诊断以产生技能模型。所述系统，其中技能模型还包括参考技能数据。
所述系统，其中将赛程数据提供到提取器且运动模型还包括所述赛程数据。所述系统，其中增强环路包括移动过程、提示系统以及移动过程与提示系统之间的反馈环路。所述系统，其中指令模块被配置成从用户接收一组目标技能。所述系统，其中指令模块处理目标技能且将已处理的目标技能提供到训练环路。
所述系统，其中提示系统包括被配置成将移动数据转换为线索信号的线索处理器。所述系统，其中线索处理器实施包括对用户的移动模型的近似的有限状态估计器。所述系统，其中线索处理器实施提示定律计算器且所述计算器对所述有限状态估计和所收集数据进行操作以计算是否将传递线索。所述系统，其中提示定律计算器确定线索应当传送什么。所述系统，其中反馈合成模型确定提示定律计算器的操作。
所述系统，其中提示系统包括被配置成将线索信号转换为身体刺激的线索生成器。所述系统，其中线索生成器将线索信号转换为由换能器生成的反馈刺激。所述系统，其中反馈刺激是选自音频、视觉、触觉和符号。所述系统，其中提示系统实时操作以在移动表现期间向用户提供反馈。所述系统，其中增强环路向用户提供模仿人类信息处理阶层的反馈。所述系统，其中所述反馈包括指令、通知、反馈线索和反馈线索信号中的一个或多个。
所述系统，其中指令是从运动模型、技能模型和诊断评估中的至少一个生成。所述系统，其中评估环路包括被配置成从移动表现的目标运动提取运动要素的提取器，且运动模型是从来自所述提取器的输出产生。所述系统，其中技能模型是从评估运动模型产生。所述系统，其中诊断评估包括识别用户的移动表现中的缺陷。所述系统，其中所述指令提供关于训练要素和相关联训练目标的信息。所述系统，其中所述指令组织训练过程。所述系统，其中所述指令合成管控所述增强环路的一个或多个提示定律。
所述系统，其中所述指令是在训练赛程期间的间隔处或在赛程之后生成。所述系统，其中所述间隔是在训练对局的完成后。所述系统，其中所述指令是以口头、符号或图形方式呈现的。所述系统，其中线索是实时提供给用户的。所述系统，其中线索是针对特定移动特性以直接影响移动结果或表现。所述系统，其中线索包括离散的可听、触觉或视觉信号。
所述系统，其中反馈线索信号是实时提供给用户的。所述系统，其中反馈线索信号引导用户的移动且增强移动特征。所述系统，其中反馈线索信号包括连续或半连续可听、触觉或视觉信号或者用户的肌肉或神经的刺激。所述系统，其中所述通知提供关于用户朝向训练目标的进展的信息。所述系统，其中所述通知是以口头、符号或图形方式呈现的。
所述系统，其中反馈还包括由设备提供的活动交互。所述系统，其中所述设备包括发球机或辅助机器人装置。所述系统，其中技能评估环路还被配置成更新关于用户的技能的信息。所述系统，其中关于用户的技能的信息包含运动模型和技能模型。所述系统，其中关于用户的技能的信息包含用于识别移动技术中的缺陷的诊断工具。所述系统，其中所识别缺陷被合成为训练目标。所述系统，其中训练环路由训练代理管理，且训练代理被配置成识别可以作为训练目标被激活的训练要素。所述系统，其中训练代理为用户建议训练目标且管理用户的训练时间表。
相对于某些实施例描述了本申请案。在不脱离如由权利要求所定义的本发明的范围的情况下，可以用等效物取代且可以作出改变以使这些系统和方法适应其它问题和应用。

Claims (82)

1.一种用于移动技能训练的设备，所述设备包括：
传感器系统，其包括一个或多个传感器，所述一个或多个传感器被配置成获得执行活动的受试者的移动数据；
处理器系统，其与所述一个或多个传感器通信，所述处理器系统具有微处理器和存储器且被配置成：
从所述一个或多个传感器接收所述移动数据，其中所述受试者执行与所述活动相关联的主移动单元；
从所述移动数据识别一个或多个移动模式，其中所述移动模式与所述受试者执行所述主移动单元相关联；
分析所述移动模式以识别描述所述受试者执行所述主移动单元的一个或多个技能属性；以及
评估所述一个或多个技能属性以为所述受试者指定一个或多个训练目标，其中选择所述训练目标以解决所述技能属性中的缺陷。
2.根据权利要求1所述的设备，其中所述一个或多个传感器包括一个或多个惯性传感器、加速度计、陀螺仪或惯性测量单元，且其中所述移动数据包括描述移动模式的速度、旋转速度、加速度或旋转加速度中的一个或多个。
3.根据权利要求1所述的设备，其中所述一个或多个传感器包括被配置成获取描述所述移动模式的方向或定向数据的磁力计，被配置成获取描述所述移动模式的位置、速度、压力、应变或扭矩数据中的一个或多个的换能器，被配置成获取描述所述移动模式的声波数据的声学传感器，被配置成获取描述所述移动模式的图像数据的视觉传感器或相机，以及被配置成获取描述所述移动模式的视频数据的视频传感器。
4.根据权利要求1所述的设备，其中所述一个或多个传感器被配置成从所述受试者和由所述受试者用来执行所述主移动单元的相关联对象中的一个或两个获得所述移动数据，所述移动数据选自角度、角速度、方向、距离、力、线性加速度、位置、压力、旋转、旋转速度、速度、应变和扭矩中的一个或多个。
5.根据权利要求1所述的设备，其中所述一个或多个传感器还被配置成获得描述所述受试者在分布于一个日历时段中的若干赛程中执行所述活动的活动数据，所述处理器系统还被配置成基于所述活动数据和所述技能属性而评估与在所述日历时段中的所述训练目标的执行有关的结果。
6.根据权利要求1所述的设备，其中由所述受试者执行的所述活动是选自羽毛球、棒球、板球、高尔夫、康复锻炼、跑步、滑雪、单板滑雪、冲浪、手术或其它医疗程序、游泳、乒乓球、网球和排球。
7.根据权利要求1所述的设备，其中所述处理系统被配置成从所述一个或多个移动模式提取所述一个或多个技能属性以定义一个或多个技能要素，所述技能要素表征所述受试者要形成的移动模式、所述受试者要巩固的移动模式以及所述受试者要优化的移动模式。
8.根据权利要求7所述的设备，其中所述处理系统被配置成通过应用从所述技能属性导出的准则而确定技能状态，所述技能状态定义了所述受试者要形成的所述移动模式、所述受试者要巩固的移动模式以及所述受试者要优化的移动模式。
9.根据权利要求8所述的设备，其中所述处理系统被配置成组合所述技能要素与所述技能状态以生成描述所述受试者的总体技能和表现的技能概况。
10.根据权利要求8所述的设备，其中所述处理系统被配置成考虑所述技能状态来分析所述技能属性以产生所述训练目标。
11.根据权利要求8所述的设备，其中所述处理系统被配置成用于用户选择关于所述技能状态的所述训练目标中的一个或多个，且还被配置成基于所述一个或多个技能要素的改变跟踪和更新所述一个或多个训练目标。
12.根据权利要求7所述的设备，其中所述处理系统被配置成从所述技能要素导出一个或多个训练要素，其中与所述一个技能要素中的一个或多个相关联的技能属性被指派给所述训练目标中的一个。
13.根据权利要求12所述的设备，其中所述处理系统被配置成为所述受试者生成包括所述训练要素和相关联训练目标的训练时间表。
14.根据权利要求1所述的设备，其中所述处理系统被配置成配置通信系统、提示系统和设备系统中的一个或多个。
15.根据权利要求14所述的设备，其中所述通信系统被配置成提供符号、口头或视觉信息。
16.根据权利要求14所述的设备，其中所述提示系统被配置成提供可听、视觉或触觉反馈。
17.根据权利要求1所述的设备，其中所述训练目标中的一个包括要形成的模式，其中所述模式不存在于所述收集的数据中的所述移动模式中。
18.根据权利要求17所述的设备，其中所述训练目标包括从头开始或通过修改所述受试者的现有移动而发展所述模式。
19.根据权利要求1所述的设备，其中所述训练目标中的一个包括要巩固的模式，其中所述收集的数据中的所述模式在所述收集的数据中未充分定义以允许在动态条件下的可靠执行。
20.根据权利要求19所述的设备，其中所述训练目标包括精炼所述模式或产生程序化记忆以实现所述受试者对所述已精炼模式的自动或可重复执行。
21.根据权利要求1所述的设备，其中所述训练目标中的一个包括要改进的模式，其中所述收集的数据中的所述模式不实现所要结果。
22.根据权利要求21所述的设备，其中所述训练目标包括精炼移动技术以使用最少能量或在所述受试者的肌肉骨胳系统上产生最少应变。
23.根据权利要求1所述的设备，其中所述收集的数据包括群体数据。
24.一种训练的方法，其包括：
评估受试者的移动技能；
识别所述移动技能中的缺陷；
为所述受试者指定训练目标；
对所述受试者提供增强；以及
跟踪所述受试者的训练过程；
其中识别缺陷包括使所述受试者的所述移动技能与群体数据相关；且
其中指定训练目标包括使用所述群体数据以确定所述受试者能够改进哪些移动技能以改进技能水平且产生长期发展。
25.根据权利要求24所述的方法，其中产生长期发展包括识别能够改进所述移动技能的哪些方面且以何种次序改进。
26.根据权利要求24所述的方法，其中所述训练目标与训练要素相关联，且训练列表包括多个训练要素。
27.根据权利要求26所述的方法，其中选择所述训练要素向跟踪系统指示将监视移动表现的哪些方面。
28.根据权利要求26所述的方法，其中选择所述训练要素向增强系统指示将主动地提示移动表现的哪些方面。
29.根据权利要求24所述的方法，还包括开发训练规划，其中所述规划在训练要素和所述训练目标方面描述了训练赛程的组织。
30.根据权利要求29所述的方法，其中所述训练要素被汇编于被布置成训练时间表的训练列表中。
31.根据权利要求30所述的方法，其中所述训练时间表包括至少一个赛程，每一赛程划分成多个对局，且每一对局被指派至少一个训练目标。
32.一种用于数据驱动型训练的闭环系统，所述系统包括：
评估环路，其被配置成从用户的移动表现收集数据；
训练环路，其被配置成跟踪所述移动表现的至少一个技能中的进展；以及
增强环路，其由所述训练环路配置以在所述移动表现期间向所述用户提供信息。
33.根据权利要求32所述的系统，其中所述收集的数据包括以下各项中的一个或多个：来自所述用户的身体片段的移动数据，来自由所述用户使用的设备的移动数据，所述用户的生理数据，所述移动表现的结果，以及所述移动表现的影响。
34.根据权利要求33所述的系统，其中所述生理数据包括从表面或可植入电极收集的肌电活动。
35.根据权利要求32所述的系统，其中所述系统被配置成跟踪来自多个用户的至少一个移动表现。
36.根据权利要求35所述的系统，其中所述系统被配置成跟踪所述用户的所述移动表现之间的交互。
37.根据权利要求32所述的系统，其中所述评估环路包括被配置成从所述移动表现的目标运动提取运动要素的提取器。
38.根据权利要求37所述的系统，其中所述增强环路从所述用户收集移动信息且将运动要素提供到所述提取器。
39.根据权利要求37所述的系统，其中运动模型是从来自所述提取器的输出产生的。
40.根据权利要求39所述的系统，其中在所述运动模型上执行技能评估和诊断以产生技能模型。
41.根据权利要求40所述的系统，其中所述技能模型还包括参考技能数据。
42.根据权利要求39所述的系统，其中赛程数据被提供到所述提取器，且所述运动模型还包括所述赛程数据。
43.根据权利要求32所述的系统，其中所述增强环路包括移动过程、提示系统以及所述移动过程与提示系统之间的反馈环路。
44.根据权利要求32所述的系统，其中指令模块被配置成从所述用户接收一组目标技能。
45.根据权利要求44所述的系统，其中所述指令模块处理所述目标技能且将已处理的目标技能提供到所述训练环路。
46.根据权利要求43所述的系统，其中所述提示系统包括被配置成将移动数据转换为线索信号的线索处理器。
47.根据权利要求46所述的系统，其中所述线索处理器实施包括所述用户的移动模型的近似的有限状态估计器。
48.根据权利要求47所述的系统，其中所述线索处理器实施提示定律计算器，且所述计算器对有限状态估计和所述收集的数据操作以计算是否将传递线索。
49.根据权利要求48所述的系统，其中所述提示定律计算器确定所述线索应当传达什么。
50.根据权利要求48所述的系统，其中反馈合成模型确定所述提示定律计算器的操作。
51.根据权利要求43所述的系统，其中所述提示系统包括被配置成将线索信号转换为身体刺激的线索生成器。
52.根据权利要求51所述的系统，其中所述线索生成器将所述线索信号转换为由换能器生成的反馈刺激。
53.根据权利要求52所述的系统，其中所述反馈刺激是选自音频、视觉、触觉和符号。
54.根据权利要求43所述的系统，其中提示系统实时操作以在所述移动表现期间向所述用户提供反馈。
55.根据权利要求32所述的系统，其中所述增强环路向用户提供模仿人类信息处理阶层的反馈。
56.根据权利要求55所述的系统，其中所述反馈包括指令、通知、反馈线索和反馈线索信号中的一个或多个。
57.根据权利要求56所述的系统，其中所述指令是从运动模型、技能模型和诊断评估中的至少一个生成的。
58.根据权利要求57所述的系统，其中所述评估环路包括被配置成从所述移动表现的目标运动提取运动要素的提取器，且所述运动模型是从来自所述提取器的输出产生的。
59.根据权利要求58所述的系统，其中所述技能模型是从评估所述运动模型产生的。
60.根据权利要求57所述的系统，其中所述诊断评估包括识别所述用户的所述移动表现中的缺陷。
61.根据权利要求57所述的系统，其中所述指令提供关于训练要素和相关联训练目标的信息。
62.根据权利要求57所述的系统，其中所述指令组织训练过程。
63.根据权利要求57所述的系统，其中所述指令合成管控所述增强环路的一个或多个提示定律。
64.根据权利要求57所述的系统，其中所述指令是在训练赛程期间的间隔处或在所述赛程之后生成的。
65.根据权利要求64所述的系统，其中所述间隔是在训练对局的完成后。
66.根据权利要求57所述的系统，其中所述指令是以口头、符号或图形方式呈现的。
67.根据权利要求56所述的系统，其中所述线索被实时提供给所述用户。
68.根据权利要求67所述的系统，其中所述线索是针对特定移动特性以直接影响移动结果或表现。
69.根据权利要求67所述的系统，其中所述线索包括离散的可听、触觉或视觉信号。
70.根据权利要求56所述的系统，其中所述反馈线索信号被实时提供给所述用户。
71.根据权利要求70所述的系统，其中所述反馈线索信号引导用户的移动且增强移动特征。
72.根据权利要求70所述的系统，其中所述反馈线索信号包括连续或半连续的可听、触觉或视觉信号或者所述用户的肌肉或神经的刺激。
73.根据权利要求56所述的系统，其中所述通知提供关于用户朝向训练目标的进展的信息。
74.根据权利要求73所述的系统，其中所述通知是以口头、符号或图形方式呈现的。
75.根据权利要求56所述的系统，其中所述反馈还包括由设备提供的活动交互。
76.根据权利要求75所述的系统，其中所述设备包括发球机或辅助机器人装置。
77.根据权利要求32所述的系统，其中所述技能评估环路还被配置成更新关于所述用户的技能的信息。
78.根据权利要求77所述的系统，其中关于所述用户的技能的信息包含运动模型和技能模型。
79.根据权利要求77所述的系统，其中关于所述用户的技能的信息包含用于识别移动技术中的缺陷的诊断工具。
80.根据权利要求79所述的系统，其中所述被识别的缺陷被合成为训练目标。
81.根据权利要求32所述的系统，其中所述训练环路由训练代理管理，且所述训练代理被配置成识别能够作为训练目标被激活的训练要素。
82.根据权利要求81所述的系统，其中所述训练代理为用户建议训练目标且管理用户的训练时间表。
CN201880048661.8A 2017-07-06 2018-07-06 用于数据驱动型移动技能训练的系统和方法 Active CN110998696B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762529412P 2017-07-06 2017-07-06
US62/529,412 2017-07-06
PCT/US2018/041118 WO2019010435A1 (en) 2017-07-06 2018-07-06 SYSTEMS AND METHODS FOR TRAINING SKILL TRAINING WITH DATA

Publications (2)

Publication Number Publication Date
CN110998696A true CN110998696A (zh) 2020-04-10
CN110998696B CN110998696B (zh) 2023-01-10

Family

ID=64904003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880048661.8A Active CN110998696B (zh) 2017-07-06 2018-07-06 用于数据驱动型移动技能训练的系统和方法

Country Status (4)

Country Link
US (1) US20190009133A1 (zh)
EP (1) EP3649633A4 (zh)
CN (1) CN110998696B (zh)
WO (1) WO2019010435A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113171595A (zh) * 2020-09-30 2021-07-27 深圳华锐互动科技有限公司 球类运动训练板组件的控制方法及球类运动训练板组件
CN113189986A (zh) * 2021-04-16 2021-07-30 中国人民解放军国防科技大学 一种自主机器人的二阶段自适应行为规划方法及系统
CN113221708A (zh) * 2021-04-30 2021-08-06 北京科技大学 面部运动单元检测模型训练方法及装置
CN113996013A (zh) * 2020-07-28 2022-02-01 丰田自动车株式会社 训练系统、训练方法和程序
WO2023024334A1 (zh) * 2021-08-24 2023-03-02 中国科学院深圳先进技术研究院 基于拓扑表征的人体活动识别方法、装置、设备、存储介质

Families Citing this family (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8944940B2 (en) 2011-08-29 2015-02-03 Icuemotion, Llc Racket sport inertial sensor motion tracking analysis
US10096265B2 (en) 2012-06-27 2018-10-09 Vincent Macri Methods and apparatuses for pre-action gaming
US11904101B2 (en) 2012-06-27 2024-02-20 Vincent John Macri Digital virtual limb and body interaction
US11673042B2 (en) 2012-06-27 2023-06-13 Vincent John Macri Digital anatomical virtual extremities for pre-training physical movement
US10603545B2 (en) 2013-05-17 2020-03-31 Vincent J. Macri System and method for pre-action training and control
US10111603B2 (en) 2014-01-13 2018-10-30 Vincent James Macri Apparatus, method and system for pre-action therapy
WO2016025460A1 (en) 2014-08-11 2016-02-18 Icuemotion, Llc Codification and cueing system for human interactions in tennis and other sport and vocational activities
US10854104B2 (en) 2015-08-28 2020-12-01 Icuemotion Llc System for movement skill analysis and skill augmentation and cueing
US11030918B2 (en) * 2015-09-10 2021-06-08 Kinetic Telemetry, LLC Identification and analysis of movement using sensor devices
JP2017097214A (ja) * 2015-11-26 2017-06-01 ソニー株式会社 信号処理装置、信号処理方法及びコンピュータプログラム。
WO2018081795A1 (en) 2016-10-31 2018-05-03 Zipline Medical, Inc. Systems and methods for monitoring physical therapy of the knee and other joints
CN109521927B (zh) 2017-09-20 2022-07-01 阿里巴巴集团控股有限公司 机器人互动方法和设备
US11288977B1 (en) * 2017-10-11 2022-03-29 Hrl Laboratories, Llc System and method for predicting performance to control interventions by assistive technologies
WO2019161857A1 (en) * 2018-02-23 2019-08-29 Sens Innovation Aps Device and method for providing safe data transfer via a non-secure communication protocol
US10963698B2 (en) * 2018-06-14 2021-03-30 Sony Corporation Tool handedness determination for surgical videos
GB2574074B (en) 2018-07-27 2020-05-20 Mclaren Applied Tech Ltd Time synchronisation
US11557215B2 (en) * 2018-08-07 2023-01-17 Physera, Inc. Classification of musculoskeletal form using machine learning model
US11227507B2 (en) * 2018-10-11 2022-01-18 International Business Machines Corporation Wearable technology employed in injury detection, prevention and skills training
US11164319B2 (en) 2018-12-20 2021-11-02 Smith & Nephew, Inc. Machine learning feature vector generator using depth image foreground attributes
RU193501U1 (ru) * 2019-02-05 2019-10-30 Раиса Юрьевна Будко Устройство замещения утраченных функций человека с использованием обратной связи
US20200302331A1 (en) * 2019-03-20 2020-09-24 International Business Machines Corporation Intelligent problem solving using visual input
US11482127B2 (en) * 2019-03-29 2022-10-25 Indiavidual Learning Pvt. Ltd. System and method for behavioral analysis and recommendations
JP7147696B2 (ja) * 2019-06-27 2022-10-05 トヨタ自動車株式会社 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル
US11314828B2 (en) * 2019-07-12 2022-04-26 Iq2 Holdings, Inc. Dynamic and personalized product placement in electronic files
CN110355761B (zh) * 2019-07-15 2022-06-14 武汉理工大学 一种基于关节刚度和肌肉疲劳的康复机器人控制方法
WO2021016902A1 (en) * 2019-07-31 2021-02-04 Intel Corporation Game status detection and trajectory fusion
CA3157828A1 (en) * 2019-10-17 2021-04-22 Polyvalor, Limited Partnership Methods and systems for the acquisition of kinematic data for neuromotor assessment
GB2588236B (en) 2019-10-18 2024-03-20 Mclaren Applied Ltd Gyroscope bias estimation
KR102324690B1 (ko) * 2019-11-27 2021-11-11 숭실대학교 산학협력단 딥러닝을 적용한 탁구 로봇 시스템
CN115315294A (zh) * 2020-01-21 2022-11-08 微调组件有限公司 一种用于微调推杆的方法以及其制造
US11182807B1 (en) * 2020-05-08 2021-11-23 International Business Machines Corporation Oligopoly detection
US11541265B2 (en) * 2020-05-13 2023-01-03 Samsung Electronics Co., Ltd. Wearable device and operation method thereof
US20210394020A1 (en) * 2020-06-17 2021-12-23 FitForm Technologies Inc. Tracking three-dimensional motion during an activity
US11343154B2 (en) 2020-06-30 2022-05-24 Eagle Technology, Llc Systems and method for providing an ontogenesis wisdom and action engine
US20220004957A1 (en) * 2020-07-01 2022-01-06 EDUCATION4SIGHT GmbH Systems and methods for providing knowledge bases of assessment items
CN111772640B (zh) * 2020-07-10 2023-09-29 深圳市丞辉威世智能科技有限公司 肢体运动训练指导方法、装置及存储介质
CN112229642B (zh) * 2020-08-06 2022-08-19 沈阳工业大学 一种基于工效学的乘用车驾驶动态舒适性测试分析方法
GB2597961A (en) * 2020-08-12 2022-02-16 Sony Europe Bv A method, device and computer software for determining a relative performance measure between at least two players in a sport
US11654566B2 (en) 2020-08-12 2023-05-23 General Electric Company Robotic activity decomposition
US11897134B2 (en) 2020-08-12 2024-02-13 General Electric Company Configuring a simulator for robotic machine learning
JP7435363B2 (ja) * 2020-08-26 2024-02-21 トヨタ自動車株式会社 訓練システム、訓練計画生成方法およびプログラム
CN114259720B (zh) * 2020-09-15 2022-10-18 荣耀终端有限公司 动作识别方法及装置、终端设备、运动监测系统
US11369844B2 (en) 2020-09-30 2022-06-28 International Business Machines Corporation Machine learning augmented loop drive training
US11972330B2 (en) 2020-09-30 2024-04-30 International Business Machines Corporation Capturing and quantifying loop drive ball metrics
US11417136B2 (en) * 2020-09-30 2022-08-16 International Business Machines Corporation Capturing and quantifying body postures
US11301269B1 (en) 2020-10-14 2022-04-12 UiPath, Inc. Determining sequences of interactions, process extraction, and robot generation using artificial intelligence / machine learning models
EP4194065A4 (en) * 2020-10-20 2023-10-04 ASICS Corporation DEVICE, METHOD AND PROGRAM FOR EXERCISE ANALYSIS
US11928607B2 (en) 2020-10-30 2024-03-12 AstrumU, Inc. Predictive learner recommendation platform
US11957605B2 (en) 2020-12-06 2024-04-16 Cionic, Inc. Machine-learned movement determination based on intent identification
US20220198368A1 (en) * 2020-12-21 2022-06-23 Icuemotion Llc Assessment and augmentation system for open motor skills
JPWO2022145258A1 (zh) * 2020-12-28 2022-07-07
CN112859598B (zh) * 2021-01-07 2022-08-19 河北工业大学 一种重组式经验变换型迭代学习控制方法
US20220374812A1 (en) * 2021-05-24 2022-11-24 Skillsacpe Analytics LLC Systems and methods for generation and traversal of a skill representation graph using machine learning
US11756687B2 (en) 2021-06-27 2023-09-12 Motionize Israel Ltd. Method and system for assessing performance
EP4177868A1 (en) 2021-11-03 2023-05-10 Sony Group Corporation Performance-based feedback for activity in a low-gravity environment
WO2023112096A1 (ja) * 2021-12-13 2023-06-22 日本電信電話株式会社 訓練支援装置、訓練支援方法、及びプログラム
USD1006661S1 (en) 2021-12-22 2023-12-05 Icuemotion Llc Sensor cover
US20230218974A1 (en) * 2022-01-12 2023-07-13 Mangolytics, Inc. Portable drill instructor for a sport
US20230316621A1 (en) * 2022-03-23 2023-10-05 Xeed, Llc Body motion capture in non-controlled environments
US20230401512A1 (en) * 2022-06-13 2023-12-14 At&T Intellectual Property I, L.P. Mitigating temporal generalization for a machine learning model
US11784833B1 (en) * 2022-07-25 2023-10-10 Gravystack, Inc. Apparatus and method for generating an endpoint path associated with a user
US20240108609A1 (en) 2022-09-15 2024-04-04 Arcutis Biotherapeutics, Inc. Pharmaceutical compositions of roflumilast and solvents capable of dissolving high amounts of the drug
CN115937895B (zh) * 2022-11-11 2023-09-19 南通大学 一种基于深度相机的速度与力量反馈系统
US11857862B1 (en) * 2023-01-11 2024-01-02 Lindsey Lombardi Thomas Method and system for assessing tennis stroke heaviness
CN116110584B (zh) * 2023-02-23 2023-09-22 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统
US11957969B1 (en) * 2023-08-02 2024-04-16 Gotta Sports Inc. System and method for match data analytics

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101583403A (zh) * 2006-09-07 2009-11-18 耐克国际有限公司 运动表现感测和/或跟踪系统和方法
US20100092267A1 (en) * 2006-12-19 2010-04-15 Deakin University Method and apparatus for haptic control
US20140031703A1 (en) * 2012-07-30 2014-01-30 TreeFrog Developments. Inc. Athletic monitoring
CN104246852A (zh) * 2012-02-22 2014-12-24 乔塞林.福伯特 知觉-认知-运动学习系统和方法
US20170061817A1 (en) * 2015-08-28 2017-03-02 Icuemotion, Llc System for movement skill analysis and skill augmentation and cueing

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4508510A (en) * 1983-12-07 1985-04-02 Mona Clifford Method for psychomotor training of physical skills
CA2554428A1 (en) * 2004-01-26 2005-08-11 Modelgolf, Llc Systems and methods of measuring and evaluating performance of a physical skill and equipment used to perform the physical skill
JP2008528195A (ja) * 2005-01-26 2008-07-31 ベントレー・キネティクス・インコーポレーテッド 運動動作の分析及び指示のための方法及びシステム
US8358965B2 (en) * 2006-12-30 2013-01-22 Realtime Learning Systems, Llc Internet based learning systems
RU2364436C2 (ru) * 2007-06-18 2009-08-20 Максим Алексеевич Васин Способ тренировки и устройство для его осуществления
EP2260453A4 (en) * 2008-02-14 2016-03-23 Infomotion Sports Technologies Inc ELECTRONIC ANALYSIS OF ATHLETIC PERFORMANCE
JP5726850B2 (ja) * 2009-03-20 2015-06-03 ザ ジョンズ ホプキンス ユニバーシティ 技術的技能を定量化する方法及びシステム
CA2757238C (en) * 2009-03-27 2019-06-25 Infomotion Sports Technologies, Inc. Monitoring of physical training events
US9626554B2 (en) * 2010-08-26 2017-04-18 Blast Motion Inc. Motion capture system that combines sensors with different measurement ranges
US9082312B2 (en) * 2012-05-09 2015-07-14 Antennasys, Inc. Physical activity instructional apparatus
JP6439235B2 (ja) * 2012-08-10 2018-12-19 カシオ計算機株式会社 情報報知装置、情報報知方法及びプログラム
US9652992B2 (en) * 2012-10-09 2017-05-16 Kc Holdings I Personalized avatar responsive to user physical state and context
KR101954959B1 (ko) * 2013-03-15 2019-03-07 나이키 이노베이트 씨.브이. 운동 수행의 이미지 데이터로부터의 피드백 신호들
EP3003149A4 (en) * 2013-06-03 2017-06-14 Kacyvenski, Isaiah Motion sensor and analysis
US20150057111A1 (en) * 2013-08-20 2015-02-26 Quattriuum Inc. System, device and method for quantifying motion
US20150104768A1 (en) * 2013-10-10 2015-04-16 Modernstat Llc Trainable skill practice planning and reporting system
JPWO2015141251A1 (ja) * 2014-03-19 2017-04-06 ソニー株式会社 情報処理装置、情報処理方法および記録媒体
US20160361593A1 (en) * 2015-06-10 2016-12-15 Wesley Charles Elliott System, apparatus and method for determining and analyzing sport related activities in conjunction with low latency transmission and processing
US20170225033A1 (en) * 2015-06-23 2017-08-10 Ipcomm Llc Method and Apparatus for Analysis of Gait and to Provide Haptic and Visual Corrective Feedback
CN108778430A (zh) * 2016-03-11 2018-11-09 纳伯·尼古拉斯 信号装置和器具
SK288743B6 (sk) * 2016-05-25 2020-04-02 Hdts A S Integrovaný viacúčelový hokejový trenažér a spôsob jeho ovládania/riadenia pre individuálny tréning a testovanie korčuliarskych a hokejových zručností
US11083950B2 (en) * 2016-06-16 2021-08-10 Sony Corporation Information processing apparatus and information processing method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101583403A (zh) * 2006-09-07 2009-11-18 耐克国际有限公司 运动表现感测和/或跟踪系统和方法
US20100092267A1 (en) * 2006-12-19 2010-04-15 Deakin University Method and apparatus for haptic control
CN104246852A (zh) * 2012-02-22 2014-12-24 乔塞林.福伯特 知觉-认知-运动学习系统和方法
US20140031703A1 (en) * 2012-07-30 2014-01-30 TreeFrog Developments. Inc. Athletic monitoring
US20170061817A1 (en) * 2015-08-28 2017-03-02 Icuemotion, Llc System for movement skill analysis and skill augmentation and cueing

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113996013A (zh) * 2020-07-28 2022-02-01 丰田自动车株式会社 训练系统、训练方法和程序
CN113171595A (zh) * 2020-09-30 2021-07-27 深圳华锐互动科技有限公司 球类运动训练板组件的控制方法及球类运动训练板组件
CN113189986A (zh) * 2021-04-16 2021-07-30 中国人民解放军国防科技大学 一种自主机器人的二阶段自适应行为规划方法及系统
CN113189986B (zh) * 2021-04-16 2023-03-14 中国人民解放军国防科技大学 一种自主机器人的二阶段自适应行为规划方法及系统
CN113221708A (zh) * 2021-04-30 2021-08-06 北京科技大学 面部运动单元检测模型训练方法及装置
CN113221708B (zh) * 2021-04-30 2023-11-10 北京科技大学 面部运动单元检测模型训练方法及装置
WO2023024334A1 (zh) * 2021-08-24 2023-03-02 中国科学院深圳先进技术研究院 基于拓扑表征的人体活动识别方法、装置、设备、存储介质

Also Published As

Publication number Publication date
EP3649633A1 (en) 2020-05-13
US20190009133A1 (en) 2019-01-10
EP3649633A4 (en) 2021-03-10
CN110998696B (zh) 2023-01-10
WO2019010435A1 (en) 2019-01-10

Similar Documents

Publication Publication Date Title
CN110998696B (zh) 用于数据驱动型移动技能训练的系统和方法
US11763697B2 (en) User interface system for movement skill analysis and skill augmentation
Land et al. From action representation to action execution: exploring the links between cognitive and biomechanical levels of motor control
US20220198368A1 (en) Assessment and augmentation system for open motor skills
Schack et al. Mental representation and the cognitive architecture of skilled action
Tsiakas et al. A multimodal adaptive session manager for physical rehabilitation exercising
Schack Mental representation in action: A cognitive architecture approach
Schack et al. Elements and construction of motor control
Glushkova et al. Interactive sensorimotor guidance for learning motor skills of a glass blower
Tadayon A person-centric design framework for at-home motor learning in serious games
Lioulemes Adaptive user and haptic interfaces for smart assessment and training
Gad BRAIN-COMPUTER INTERFACE FOR SUPERVISORY CONTROLS OF UNMANNED AERIAL VEHICLES
Ershad Langroodi Automated and Adaptive Surgical Robotic Training Using Real-Time Style Feedback Through Haptic Cues
Wang Modeling and Evaluation for Robot-Assisted Surgical Training and Intuitive Teleoperation
Ershad et al. AUTOMATED AND ADAPTIVE SURGICAL ROBOTIC TRAINING USING REAL-TIME STYLE FEEDBACK THROUGH HAPTIC CUES
Langroodi Automated and Adaptive Surgical Robotic Training Using Real-Time Style Feedback Through Haptic Cues
Liu et al. Innovative Application of Computer Vision and Motion Tracking Technology in Sports Training
Campaniço Inertial sensors and intelligent algorithms in the analysis of the efficiency of technical actions in sport: the optimization of technical patterns of fencing.
Valente Ana Teresa dOliveira Campaniço
Lin Changing Movement Patterns Using Reinforcement Learning
Hu et al. Sensorimotor Control for Human Motion Generation—A Review
Santos Cognitive aspects of movement timing control in old age
Orth Dynamics of acquiring adaptive skills in a complex multi-articular task: Constraints on metastable actions
Liu Physiology-based affect recognition and adaptation in human-machine interaction
Zhu Assessing the effects of feedback type and modality on motor skill learning and human motivation

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