CN111148551A - 极限运动中的预测性分类 - Google Patents

Abstract

本文中描述了用于极限运动中的预测性分类的系统和技术。可在包括对应于动作的多个数据集的数据流中标识动作的起始点。该数据流可从传感器阵列收集。可从起始点之后的数据流提取动作执行特征。可实时地将动作执行特征与统计模型的集合进行比较。可基于该比较来为动作选择标签。可基于该比较来为动作生成成功的可能性。可输出针对动作的标签和成功的可能性，以用于在显示设备上显示。

Description

极限运动中的预测性分类

优先权申请

本申请要求2016年6月29日提交的美国申请序列号15/197,074的优先权的权益，该申请通过引用整体结合于此。

背景技术

对来自所捕捉的传感器数据的复杂运动的分类可能是复杂且计算上高成本的过程。尽管存在诸如计步程序之类的对简单动作进行量化的技术，但更为复杂的动作在量化中仍然缺乏准确性。进一步地，对简单动作的量化可涉及单个数字(例如，步数)。描述脚步的质量或跨度的长度的算法可使用可能高耗电的算法，因为可能分析多得多的数据。

附图说明

为了容易地标识对任何特定元件或动作的讨论，附图标记中的一个或多个最高有效数字是指首次引入该要素所用的图标号。

图1图示出根据各实施例的包括用于极限运动中的预测性分类的预测性分类器的环境。

图2图示出根据各实施例的用于极限运动中的预测性分类的传感器中枢的示例。

图3图示出根据各实施例的来自用于极限运动中的预测性分类的传感器阵列的示例数据流的示图。

图4图示出根据各实施例的用于极限运动中的预测性分类的系统的示例。

图5图示出根据各实施例的用于极限运动中的预测性分类的方法的示例的流程图。

图6图示出根据各实施例的用于极限运动中的预测性分类的方法的示例的流程图。

图7图示出根据各实施例的用于极限运动中的预测性分类的方法的示例的流程图。

图8是图示出可在其上实现一个或多个实施例的机器的示例的框图。

具体实施方式

运动分类可能是技术上复杂的任务。具体而言，在诸如单板滑雪之类的极限运动中，参与者(例如，单板滑雪者、滑雪者、滑板者、水上滑板者等)可能正沿着坡面向下移动并且可以与各种障碍物(例如，跳台、横杆和其他地形元素)进行交互。参与者可完成沿坡面向下的运动轮次并通过障碍物，以完成一系列复杂移动(例如，跳跃、空翻、转弯等)。该运动轮次可包括相对的非动作区段(例如，参与者在障碍物之间花费的时间段等)以及在其期间执行动作(例如，技巧等)(例如，离开跳台所完成的空中技巧等)的区段。用于运动跟踪和分析的现有技术可对整个事件或时间流进行后处理，以便检测事件已经发生。在极限运动情境中，参与者可能在现有技术可以能够检测到动作已经发生之前执行整个动作。在检测到跳跃时，参与者可能返回地面，并且动作可能完成。可能不存在用于实时或接近实时地检测这些动作的现有技术。例如，现有技术可将数据记录到设备，并且数据分析可在动作完成之后完成。

现有技术可能不提供用于提供实时或接近实时的预测性分析的能力。本主题可将数据流送与实时分析及报告组合，以解决现有技术的缺点。随着极限运动和高级极限运动竞赛(例如，世界极限运动会(X Games)、奥运会等)的日益流行，极限运动中的动作的实时检测、量化和评分的重要性可能增加。

公开了用于执行针对极限运动的实时和接近实时的分析的系统和技术。本主题相比现有技术可显著地改善对来自传感器数据的极限运动中的动作的模式识别。尽管所提供的示例讨论了单板滑雪，但可理解，可将本主题应用到许多极限运动，诸如例如，坡道BMX、滑雪、坡道滑板，水上滑板等。

本主题可通过融合来自传感器阵列中的多个传感器的传感器数据来实时地对极限运动数据进行分类和量化。因此，多组独立的传感器数据可允许对复杂运动组合(例如，技巧)的更准确的分类。例如，空中跳跃可包括若干维度的移动，这些移动可能难以利用单个传感器读数来准确地标识。因此，本主题可采用组合了各种传感器的传感器阵列来捕捉更稳健的数据集，以提供增加的准确性。例如，用户可将传感器阵列安装到它们的装备(例如，单板滑雪板、滑板、自行车等)。

对动作的早期检测和了解可允许预测性分析，以预测动作的结果。例如，检测到单板滑雪者将要跳跃或已经开始跳跃可充当触发对传入的传感器数据的分析性处理的开始的标志。来自传感器阵列的原始数据可通过长程无线电和光纤光缆被流送到中央计算中枢。可通过将算法应用到流送的原始数据来实时和接近实时地检测动作。例如，从跳跃的起始点起小于5个样本点内可识别跳跃模式。随后，与在后处理中分析所标识的动作的统计形成对照，可实时地处理所标识的动作的统计。动作检测的速度可与可以从传感器读取数据的速率一样快(例如，～10-200毫秒)。更快的传感器会带来检测等待时间的减少。本主题可增加计算效率，因为用于动作检测的计算时间可能少于可从传感流送数据的速率。

在一些示例中，来自检测到动作的起始之前的数据可与实时数据一起被分析，以形成对动作的成功的更准确的预测，并且推导出针对参与者的运动轮次期间所执行的动作或动作的集合的预测得分。替代地或附加地，用户可提供目标动作(例如，单板滑雪者可具有离开跳台向前空中斜向转体(frontside doublecork)1260(包括一系列平转的技巧，这一系列平转包括在空中飞行的同时向左、向右、向上和向下旋转)等的目标)。有关目标动作的数据可在预测目标活动的当前执行的结果时使用。

可将回归分析应用到训练数据，以开发用于各种动作的预测模型。例如，若干个单板滑雪者可离开跳台完成抓板尾(tailgrab)(例如，在空中飞行中的同时抓住单板滑雪板的尾端)，并且传感器阵列固定到他们的相应单板滑雪板，并且可为每次尝试分配成功或失败标记。针对每次尝试从传感器阵列收集的数据可使用回归分析来处理，以生成指示各数据元素(例如，旋转、高度、速度等)与抓板尾尝试的成功或失败之间的关系的模型。在数据被接收时，随后可将对应于在运动轮次期间所检测到的动作(例如，抓板尾等)的数据集与模型进行比较，以预测参与者可成功完成该动作的可能性。

本主题可提供各种优势。本主题可提供极限运动中的模式识别的速度的显著改善，因为与在完成了动作之后分析数据形成对照，可实时地完成检测。另外，统计数据可被实时地聚合，并且可用于实时统计分析，这可能适合于现场赛事或被现场直播的赛事。

本主题可以是硬件可缩放的，因为以各种频率(例如，～50Hz-400Hz或更高)输出的传感器可互换地使用，并且随着更快的传感器被添加而加速模式识别。换言之，随着传感器数据输入速度增加，模式识别的速度增加。

本主题可带来相对于现有技术的计算效率的提高，因为本主题采用可板载于传感器阵列上执行的轻量级算法。例如，计算时间可明显小于数据采样之间的等待时间，并且可要求很少的处理器来处理数据。本主题的适用性增加跨广泛范围的极限运动的模式识别的速度也可减少用于各个极限运动的专用硬件的使用。

可理解可在各种情况下利用本主题，这些情况包括但不限于自动实时指导反馈、实时用户反馈、增强的实况事件数据和统计数据跟踪、评分、裁决、广播数据和统计数据，以及全球范围的不同地点运动员的实时技巧竞赛。

图1图示出根据各实施例的包括动作检测引擎140的环境100。环境100可包括极限运动路线(例如，用于单板滑雪的速降坡面、单板滑雪地形公园、滑雪场、滑板公园、水上滑板路线等)。极限运动路线可包括沿参与者(例如，单板滑雪者、滑板者、水上滑板者、滑雪者等)的路径135定位的一系列接收器110(例如，900MHz无线电接收器等)。

可将传感器阵列125(例如，包括各种传感器设备的中枢等)固定到参与者的运动设备120(例如，单板滑雪板、滑板、滑雪板、滑水板等)。例如，传感器阵列可被附连至单板滑雪板的顶端。传感器阵列125可包括各种传感器，诸如例如，加速度计、陀螺仪、磁力计、全球定位系统(GPS)接收器、气压计等。传感器中的每个传感器可提供一组数据，这组数据关于运动设备120的移动以及在其中使用运动设备120的、且可能被归因于参与者的环境。

收发器130(例如，900MHz无线收发器、Wi-Fi收发器等)也可被固定到参与者的运动设备120。在一些示例中，可将收发器130包括在包括传感器阵列130的设备中。收发器130可以(例如，经由宽带无线电通信、Wi-Fi等)通信地耦合至接收器集合110。在参与者(例如，沿参与者的路径135)通过路线行进时，收发器130可将数据从传感器阵列125传送到接收器集合110。例如，当参与者沿着路线向下行进并且穿过和越过障碍物时，收发器可将传感器数据发送到接收器集合110。接收器的集合110可沿路线以使信号损失风险最小化的配置来布置，以确保完整的传感器数据的集合被接收。在一些示例中，接收器集合的位置可在分析所接收的数据时使用(例如，以对参与者的位置进行三角测量等)。在一些示例中，传感器阵列125和收发器130可被组合包括在传感器中枢中。可将传感器中枢固定到运动设备120。在图2中提供了传感器中枢的示例。

接收器集合110可使用高速连接(例如，光纤光缆等)通信地耦合至多路复用器115。例如，该多路复用器可充当聚合中枢，该聚合中枢可充当接收器集合110中的每个接收器的端点。多路复用器115可处理从传感器阵列125接收的数据。在一些示例中，多路复用器115可为参与者通过极限运动路线的运动轮次生成时间戳。例如，传感器能以1毫秒(ms)间隔提供数据，并且多路复用器能以1ms的间隔为传感器数据分配时间戳。多路复用器115随后可针对每个时间戳生成传感器数据的单个集合(或多个集合)。

多路复用器115可丢弃重复的传感器数据。例如，针对同一时间戳，可在接收器A和接收器B处接收到沿轴线的两个加速度值，并且多路复用器115可丢弃这些值中的一个。多路复用器115可将针对时间戳的所收集的传感器数据减少到单个集合。例如，可从接收器集合110接收多个数据集，并且多路复用器115可将这多个数据集聚合为单个数据集。可使用各种技术来确定传感器数据的单个集合。例如，多路复用器可对从接收器A和接收器B接收的传感器数据求平均，丢弃看起来是异常值的数据点(例如，在接收到的数据的标准差之外)，基于接收器的相应地理位置丢弃重复数据点(例如，基于参与者在极限运动路线上的位置等，对于给定的时间戳，从接收器B接收的数据点可优选于从接收器A接收的数据点)。

多路复用器115可以(例如，经由高速网络、共享物理总线等)通信地耦合至预测性分类器140。多路复用器115可将传感器数据的集合以及对应的时间戳传送到预测性分类器140。例如，多路复用器115可提供包括通过时间戳布置的数据集合的数据流。预测性分类器140可分析传感器数据的集合，以预测由参与者执行的动作(例如，技巧等)的成功。预测性分类器140可分析传感器数据的集合，以预测在参与者通过极限运动路线的运动轮次期间所执行的动作或动作的集合的得分。在图4的描述中更详细地讨论了预测性分类器140。

图2图示出根据各实施例的用于极限运动中的加速的模式匹配的传感器中枢200的示例。传感器中枢200可包括提供类似于如图1中所描述的传感器阵列125的功能的传感器阵列。传感器中枢可包括多个传感器，诸如，加速度计210、陀螺仪215、磁力计220、GPS接收器225以及气压计230。在一些示例中，传感器阵列200可包括收发器130(例如，900MHz无线电等)。

可使用收发器130来传送来自多个传感器中的每个传感器的数据。例如，可通过900MHz无线电将原始数据从由极限运动的参与者(例如，单板滑雪者、滑雪者、滑板者、水上滑板者等)使用的运动设备(例如，单板滑雪板、滑雪板、滑板、滑水板等)流送到沿路线的无线电接收器(例如，如图1中所描述的接收器集合110)，这些无线电接收器通过光纤光缆将信号传送到中央中枢(例如，如图1中所描述的多路复用器115)。从传感器阵列流送的原始数据可对应于相应的时间戳，并且中央中枢可返回针对每个时间戳的单个数据集合。换言之，重复的数据可被丢弃。

可针对每个传感器采用各种采样频率。每个传感器的采样频率可独立于多个传感器中的其他传感器(或与多个传感器中的其他传感器相同)。例如，能以采样频率F(其中，F≥100Hz，这可提供更高的分类准确度)对(例如，来自加速度计210的)原始的3轴(例如，三维坐标系中的x、y和z轴)加速度计量、3轴陀螺仪计量、(例如，来自磁力计220的)3轴磁力计计量、(例如，来自气压计230的)气压计压力以及(例如，来自被包括在传感器阵列中的温度计的)温度数据进行采样。例如，能以较低的采样频率(F≥5Hz，这可提供更高的数据准确度)流送包括(例如，来自GPS接收器225的)纬度、经度、速度和高度的GPS数据。

图3图示出根据各实施例的来自传感器阵列(例如，如图1中所描述的传感器阵列125、图2中所描述的传感器中枢200等)的示例数据流的示图300。示例数据流可包括从传感器阵列中的传感器收集的加速度数据，该传感器阵列中的传感器包括例如加速度计、陀螺仪和磁力计。示图300图示出在一段时间上的传感器数据中的一系列峰和谷。数据的示例集合可图示极限运动(例如，单板滑雪等)的参与者(例如，单板滑雪者等)的运动轮次。峰和谷可描绘示例数据流中的动作区段(例如，正在执行技巧的之处等)与非动作区段(例如，动作之间的时段等)之间。示例数据流可由预测性分类器(例如，预测性分类器140)进行分析，以确定动作的开始和结束。可分析示例数据流，以(例如，由如图4中所描绘的变换器420)计算对应于动作的统计数据。在图4中提供动作检测和分析的附加细节。

图4图示出根据各实施例的用于极限运动中的预测性分类的系统400的示例。系统400可包括(例如，经由无线网络等)通信地耦合至(例如，如图1中所描述的)多路复用器115的(例如，如图1中所描述的)传感器阵列125。多路复用器115可以通信地耦合至预测性分类器140。预测性分类器140可包括各种组件，诸如，收发器405、解码器410、比较器415、特征提取器420、建模器425和计算器430。

极限运动(例如，单板滑雪等)的参与者可开始沿包括各种地形和障碍物元素的坡面向下的运动轮次。例如，在坡面障碍技巧(slopestyle)单板滑雪中，参与者可沿包括各种跳台、轨道、台面和其他地形元素的斜坡向下行进。在滑雪中，滑雪者可通过包括各种坡道、轨道、台面和其他地形元素的路线行进。参与者可使传感器阵列125固定到在极限运动的参与中使用的运动设备。例如，单板滑雪者可再传感器阵列125固定到单板滑雪板的情况下正在完成沿坡面向下的运动轮次，并且执行各种动作(例如，跳跃、空翻、转弯等)。在示例中，传感器阵列125可包括加速度计、陀螺仪和磁力计。在示例中，传感器阵列125可包括GPS接收器。在示例中，传感器阵列125可包括气压计。

可经由无线收发器将来自传感器阵列125的传感器数据发送到沿路线定位的(例如，如图1中所描述的)接收器集合。传感器数据可由(例如，如图1中所描述的)多路复用器115接收和处理。在一些示例中，可从传感器阵列125接收来自数据流的多个数据集。例如，该多个数据集可包括由接收器集合从固定到单板滑雪板的传感器阵列125中的各种传感器接收的各种数据集。

收发器405可处理诸如由多路复用器115提供的数据之类的传入数据。例如，传入数据可以是来自固定到单板滑雪者的单板滑雪板的传感器阵列125的数据。数据流可由收发器(例如，从多路复用器115等)接收，该数据流包括从传感器阵列125收集的多个数据集。多个数据集中的每个数据集可对应于时间戳。在示例中，多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

收发器405可处理数据，以用于从预测性分类器140输出。例如，收发器405可将数据输出到显示器(例如，用于广播电视的显示覆盖物、网页、记分板等)。收发器405可将传入数据转发到预测性分类器140的附加组件，诸如，解码器410。

解码器410可评估传入数据，以确定对应于动作的起始(例如，技巧的开始等)的时间戳。在极限运动中，跳跃、技巧和其他动作可以是运动轮次的小部分。例如，在坡面障碍技巧单板滑雪竞赛中，单板滑雪者可沿包括各种地形元素的坡面下行，这些地形元素包括跳台、轨道等。坡面障碍技巧运动轮次可持续45秒，包括一个或多个5至8秒的技巧区段(例如，应当仔细分析的区段)，在技巧区段之间散布有可以不完全分析的区段。为了解决确定运动轮次的哪些区段应当被仔细分析的问题，解码器410可实时或接近实时地标识动作的起始点，而不论参与者的速度或取向。

解码器410可计算被包括在多个数据集中的每个数据集中的加速度计值的平方幅度。例如，加速度计数据可包括沿x轴、y轴和z轴的幅度，并且针对给定时间戳的平方幅度可使用函数x²+y²+z²来计算。因此，每个数据集可被压缩为幅度值。解码器410随后可计算针对第一时间段(例如，长范围时间尺度，1秒的数据量等)上的平方幅度值的第一集合的第一平均数和第一标准差以及针对第二时间段(例如，短范围时间尺度，<30ms的数据量，3个时间戳等)上的平方幅度值的第二集合的第二平均数和第二标准差。

在非动作期间(例如，地面行进等)，相应的平方幅度值的集合可显示出高的且改变的加速度。在动作(例如，技巧等)期间，相应的平方幅度值的集合可显示出加速度的平滑且缓慢的变化。运动轮次的动作区段和非动作区段的不同特性可用于确定动作的起始点。解码器410可计算第一平均数与第二平均数的平均数比率以及第一标准差与第二标准差的标准差比率。例如，平均数比率可使用函数平均数_长/平均数_短来计算，并且平均数标准差比率可使用函数STD_长/STD_短来计算。平均数比率和标准差比率可指示参与者何时从运动轮次的非动作区段转变到动作区段。例如，指示长期数据为高而短期数据为低的比率可指示参与者已经从非动作区段转变到动作区段。

比较器415可将平均数比率及标准差与阈值比较，以基于平均数比率和标准差在阈值之外的判定而生成动作的起始点。在示例中，平均数比率及标准差在阈值之外的判定可包括判定平均值比率和标准差已经超出阈值达连续的一组时间段。例如，当平均数比率和标准差比率连续地超出经验性地导出的阈值三个连续的时间戳，则可生成动作的起始。这可将检测时间限制到技巧已经开始之后的五个连续的时间戳，这可以是对现有技术的改善。例如，在400Hz下，事件的起始的检测可在事件的起始之后12.5ms发生。因此，检测可接近实时地发生。

比较器415可通过用指示将要分析的极限运动的动作的开始的一个或多个阈值配置比较器415来检测各种极限运动的起始事件，这些极限运动诸如例如，单板滑雪、滑雪、滑板、水上滑板等。例如，用于滑雪的阈值可以是用于单板滑雪的阈值的四分之三。可通过累积参与者数据并拟合两个参数来确定极限运动的阈值，从而获得增强的准确度。例如，在单板滑雪中，参与者速度和跳跃持续时间可被拟合到参与者数据，以消除误报(falsepositive)。例如，参与者可能突然停止，其中，加速度计方差快速降至零，因为其可能在跳跃中。比较器415可确定参与者速度已经降至零，并且可将所生成的起始点作为误报丢弃。

在一些示例中，在参与者离开地面之前可能存在加载时间段，在该加载时间段中，参与者开始空翻、平转或弹离地面。这些加载时间段在对技巧进行分类和量化时可能是有用的。为了补偿检测期间可能丢失的数据的这些部分，预测性分类器140可保留在动作的开始时段之前的数据的部分。例如，可回缓冲半秒数据。比较器415可对所保留的该数据部分进行评估，以判定所保留的该数据部分中对于时间戳的平方幅度是否在阈值之外，如果是，则使用该评估来调整所生成的起始点。例如，所保留的该数据部分可包含在所生成的起始点之前的三个连续时间戳，其中，平方幅度超出阈值，并且可将起始点移动至这三个时间戳中的时间中的第一个时间戳。

在预测性分类器已确定动作的起始点之后，数据可开始累积。预测性分类器140可继续使用解码器410和比较器415来分析传入数据，以标识动作的结束点。当加速度计幅度保持在阈值之外时，动作可继续。比较器415可在检测到加速度计幅度在阈值之外时生成该动作的结束点。

一旦识别动作的起始点，特征提取器420就可开始处理动作的起始点之后的数据流(例如，针对在对应于起始点的时间戳之后发生的时间戳的数据集)以提取动作执行特征。特征提取器420可分析被包括在数据流中的对应于动作的多个数据集，以标识各种数据项(例如，变量等)。例如，可分析从传感器阵列125收集的关于由参与者沿多个轴线执行的技巧的值。在示例中，动作执行特征包括以下各项中的至少一项：进入速度特征、旋转特征、旋转速度特征、力特征。特征提取器420随后可将这些数据项压缩为动作执行特征。例如，来自加速度计的加速度数据和来自陀螺仪的旋转数据可被压缩，以形成旋转速度特征。在一些示例中，特征提取器420可从动作的起始点之前的时间段提取特征。例如，可分析起始点之前一秒钟的数据，以提取特征。

特征提取器420可从被包括在数据流中的地理位置数据(例如，来自GPS传感器的全球定位坐标等)提取包括地理位置特征的动作执行特征。特征提取器420可参考所存储(存储在数据库、存储器等中)的路线地图数据，以提取地理位置特征。在示例中，特征提取器420可使用被包括在数据流中的地理位置数据从地图的集合选择地图。该地图可包括对应于动作的位置(例如，单板滑雪路线等)的多个数据项。在示例中，对应于位置的多个数据项可包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

比较器415可将动作执行特征与统计模型的集合进行比较。例如，单板滑雪者可能正在尝试技巧，并且可将动作特征的集合与表示各种单板滑雪技巧的统计模型的集合进行比较。比较器415可基于该比较选择针对该动作的标签。例如，动作执行特征可与具有抓板尾标签的统计模型匹配，并且该动作可被标记为抓板尾。可在将动作执行特征与统计模型进行比较时使用各种匹配技术。例如，该比较可使用逻辑回归模型、多变量逻辑回归模型以及较高阶回归模型来评估动作执行特征。

比较器415可基于该比较生成针对该动作的成功的可能性。例如，可将该动作标记为抓板尾，并且被包括在数据流中的当前所评估的数据集可指示结果可能是失败。在示例中，成功的可能性可以是成功(或失败)的百分比几率。例如，针对由单板滑雪者执行的抓板尾的成功的可能性可能是85％，并且失败的可能性可能是15％。比较器可连续地评估传入数据。因此，成功的可能性可从动作的起始经过动作的执行而变化。例如，在起跳时，成功的可能性可能被评估为75％，并且随着用户开始下降，成功的可能性可能被评估为25％。在一些示例中，在生成成功的可能性时，比较器415可使用对应于技巧的位置的多个数据项中的至少一个数据项。例如，第一跳跃时抓板尾的成功的可能性可能小于第二跳跃时抓板尾的成功的可能性。

可(例如，使用收发器405等)输出动作的标签和成功的可能性，以用于在显示设备上显示。在一些示例中，动作的标签和成功的可能性的输出可包括成功的可能性以百分比形式的输出。例如，可将抓板尾的标签和75％的成功的可能性输出到在转播极限运动赛事中使用的电子覆盖物、由教练使用的计算设备、以及放置在极限运动赛事的位置处的记分板。

在一些示例中，可(例如，使用收发器等)收集对应于极限运动(例如，单板滑雪等)的动作的集合(例如，多个技巧等)的历史数据的集合。例如，利用固定至单板滑雪者的各自的单板滑雪板的传感器阵列，可从在单板滑雪路线上完成各种技巧的各单板滑雪者收集数据。特征提取器420可提取针对该动作的集合中的每个动作的过去执行特征。

建模器425可处理过去执行特征，以生成针对该动作的集合中的每个动作的模型(例如，统计模型、回归模型等)。例如，历史数据可包括针对各种技巧的过去执行的数据集。能例如以技巧名称与成功/失败值来(例如，手动地、使用机器学习技术自动地，等等)标记这些数据集。针对动作的多个数据集可被组合和评估，以生成包括被标识为指示成功和失败的特征的模型。例如，距跳台的顶端的高度可指示包括空翻的单板滑雪技巧的成功。可使用针对每个动作的模型来创建统计模型的集合。

特征可用于对参与者的运动轮次进行评分。该运动轮次可包括一个或多个动作。例如，坡面障碍技巧单板滑雪运动轮次可包括贯穿包括数个障碍物的路线所执行的若干个技巧。例如，竞技型单板滑雪运动轮次可包括所执行的技巧的总数或者允许在其中完成技巧的时间总量。可在运动轮次的路线上标识动作的集合，并且可评估该动作的集合以推导出针对该动作的集合中的每个动作的得分。

该评估可使用从针对各种动作的过去执行以及包括各种动作的过去运动轮次的过去执行生成的模型。例如，可使用从与在先动作和运动轮次对应的数据集提取的时间和执行特征来生成回归模型。针对动作集合中的每个动作的得分可用于计算针对运动轮次的总得分。例如，运动轮次可包括抓板尾和向前空翻，该抓板尾可能被评估为具有10分的得分，并且向前空翻可能被评估为具有20分的得分，结果是针对该运动轮次的30分的总得分。

在一些示例中，可(例如，使用收发器405等)收集对应于动作的多个历史数据集。例如，可从(例如，由参与者或其他人进行的)技巧的若干个过去执行收集数据，在该技巧的若干过去执行期间，传感器阵列被固定到滑雪板。多个历史数据集中的每个历史数据集可包括对应于该动作的评分数据。例如，可能已经发给技巧的第一执行85分的得分，并且与该第一执行对应的数据集可包括该85分的得分。

特征提取器420可从多个历史数据集提取得分指示符特征的集合。在示例中，该得分指示符特征的集合可包括以下各项中的至少一项：动作的难度、动作的成功率、动作的统计测量、以及执行该动作的频率。这些特征可包括参与正在其中执行动作的当前竞赛的其他竞赛者的动作的执行。例如，如果在给定竞赛中许多参与者好像在同一障碍物上失败，则变量可被计算，并且可在评估时或在生成回归模型时使用该变量。

建模器425可使用该得分指示符特征的集合来生成针对动作的得分模型。与动作对应的多个历史数据集中的每个历史数据集能以技巧名称与得分来(例如，手动地、使用机器学习技术自动地，等等)进行标记。可组合并评估与动作对应的多个历史数据集，以生成包括被标识为指示得分的特征的模型。

比较器415可将动作执行特征与得分模型进行比较。例如，诸如由单板滑雪者执行的抓板尾的旋转速度、地理位置、以及高度之类的特征可相对于从抓板尾的先前经评分的执行生成的评分回归模型进行评估。比较器415可基于该比较来确定动作得分。例如，可将针对当前执行的抓板尾的动作执行特征匹配至指示25分的得分的评分模型，并且针对该动作的得分可被确定为25分。可输出(例如，使用收发器405等)动作得分以用于在显示设备上显示。

在一些示例中，可(例如，使用收发器405等)获取针对包括动作的运动轮次的运动轮次得分的集合。例如，单板滑雪者可能已经完成五个技巧的运动轮次中的三个技巧，并且可获取针对这前三个技巧的得分。计算器430可使用运动轮次得分和动作得分的集合来推导出针对该运动轮次的总运动轮次得分。例如，五个技巧的运动轮次的前三个技巧可能分别为15分、20分和10分，并且当前技巧的得分(例如，动作得分)可能是25分，并且总得分可被计算为70分。可(例如，使用收发器等)输出总运动轮次得分，以用于在显示设备上显示。

本主题能以各种配置来实现。例如，可在不同的(或相同的)计算系统(例如，单个服务器、服务器的集合、基于云的计算平台等)中实现多路复用器115、预测性分类器140、收发器405、解码器410、比较器415、特征提取器420、建模器425以及计算器430。计算系统可包括执行软件指令的一个或多个处理器(例如，图8中所描述的硬件处理器802等)，这些软件指令诸如存储在计算机可读存储介质中的用于定义软件或计算机程序的那些软件指令，该计算机可读存储介质诸如存储器设备(例如，如图8中所描述的主存储器804和静态存储器806、闪存、随机存取存储器(RAM)或存储指令的任何其他类型的易失性或非易失性存储器)或存储设备(例如，盘驱动器或光盘驱动器)。替代地，计算系统可包括专用硬件，以用于执行本公开中所描述的技术，该专用硬件诸如，一个或多个集成电路、一个或多个专用集成电路(ASIC)、一个或多个专用特殊处理器(ASSP)、一个或多个现场可编程门阵列(FPGA)或专用硬件的上述示例的任何组合。

图5图示出根据各实施例的用于极限运动中的预测性分类的方法500的示例的流程图。方法500可提供与在图4中所描述的类似的功能。

在操作505处，可在包括对应于动作的多个数据集的数据流中标识动作的起始点。该数据流可从传感器阵列收集。例如，单板滑雪者可在穿越单板滑雪路线的同时使传感器阵列(例如，如图1中所描述的传感器阵列125)固定到单板滑雪板。传感器阵列可传送数据流(例如，来自传感器阵列中的传感器的数据)，并且可标识单板滑雪者已经开始起跳以执行技巧。在示例中，传感器阵列可包括加速度计、陀螺仪和磁力计。在示例中，传感器阵列可包括全球定位系统(GPS)接收器和气压计。在示例中，多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

在操作510处，可从起始点之后的数据流提取动作执行特征。在一些示例中，可从动作的起始点之前的时间段提取动作执行特征。在示例中，动作执行特征可包括以下各项中的至少一项：进入速度特征、旋转特征、旋转速度特征和力特征。例如，单板滑雪者可能正在完成包括数个旋转和翻转的技巧，并且可从传感器数据提取特征，这些特征包括单板滑雪板正在行进的速度、单板滑雪板的旋转角度、单板滑雪板的旋转速度等。

在操作515处，可实时地将动作执行特征与统计模型的集合进行比较。在示例中，该统计模型的集合可包括使用对应于针对极限运动的动作的集合的过去执行的训练数据的集合所生成的一个或多个回归模型。在示例中，该统计模型的集合可使用逻辑回归建模来生成。在示例中，该统计模型的集合可使用多变量逻辑回归建模来生成。在示例中，该统计模型的集合可使用较高阶的逻辑回归建模来生成。例如，可将从来自固定到单板滑雪板的传感器阵列的数据流提取的特征与从已经为其生成模型的单板滑雪技巧的过去执行生成的统计模型进行比较。

在操作520处，可基于比较来为动作选择标签。在示例中，可通过将动作执行特征匹配至统计模型并标识对应于该统计模型的标签来选择标签。在示例中，标签可以是与模型对应的动作的名称。例如，单板滑雪者可能正在完成抓板尾，并且从传感器数据提取的特征可匹配至抓板尾的模型，引起标签被分配给单板滑雪者的当前动作。

在操作525处，可基于比较来为动作生成成功的可能性。在一些示例中，可使用被包括在数据流中的地理位置数据从地图的集合选择地图，并且该地图可包括对应于动作的位置的多个数据项。可使用对应于位置的多个数据项中的至少一个数据项来生成成功的可能性。在示例中，对应于位置的多个数据项可包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。例如，可将单板滑雪者的抓板尾尝试的特征与先前的抓板尾执行及其他信息(诸如，当前状况、其他竞赛者的执行趋势、当前位置细节等)进行比较，以确定该单板滑雪者可成功完成抓板尾的可能性。

在操作530处，针对该动作的标签和成功的可能性可被输出以用于在显示设备上显示。在示例中，用于针对动作的标签和成功的可能性的显示的输出可包括成功的可能性以百分比形式的输出。例如，在单板滑雪赛事放置的记分板可显示单板滑雪者正在尝试抓板尾，并且存在该尝试将成功的75％的可能性。

图6图示出根据各实施例的用于极限运动中的预测性分类的方法600的示例的流程图。方法600可提供与在图4中所描述的类似的功能。

在操作605处，可收集对应于极限运动的动作的集合的历史数据的集合。在操作610处，可为该动作的集合中的每个动作提取过去执行特征。在操作615处，可使用这些过去执行特征来为每个动作生成统计模型。在操作620处，可使用针对每个动作的统计模型来创建统计模型的集合。例如，可由具有固定到单板滑雪板的传感器阵列的单板滑雪者执行抓板尾的若干执行，并且所收集的数据可被标记并随后被分析，以生成针对抓板尾的模型。该模型可包括指示抓板尾的成功和失败的特征。随后可将针对抓板尾的模型添加到将用于比较的针对单板滑雪的模型的集合，以标识技巧正在被执行以及该技巧执行的成功的可能性。

图7图示出根据各实施例的用于极限运动中的预测性分类的方法700的示例的流程图。方法700可提供与在图4中所描述的类似的功能。

在操作705处，可收集对应于动作的多个历史数据集。多个历史数据集中的每个历史数据集可包括对应于该动作的评分数据。在操作710处，可从多个历史数据集提取得分指示符特征的集合。在示例中，该得分指示符特征的集合可包括以下各项中的至少一项：动作的难度、动作的成功率、动作的统计测量、以及执行该动作的频率。在操作715处，可使用该得分指示符特征的集合来为动作生成得分模型。在操作720处，可将动作执行特征与得分模型进行比较。在操作725处，可基于该比较确定动作得分。在操作730处，可输出动作得分以用于在显示设备上显示。

例如，各单板滑雪者可完成包括各种技巧的运动轮次，其中传感器阵列固定到单板滑雪板。可给抓板尾的每次执行分配得分，并且可为包括指示较高和较低得分值的特征的抓板尾技巧创建评分模型。可将从单板滑雪者的当前抓板尾执行收集的数据与模型以及其他信息(诸如，当前状况、多频繁地执行抓板尾等)进行比较，以确定该抓板尾执行的得分。

在一些示例中，可获取针对包括动作的运动轮次的运动轮次得分的集合。可使用该运动轮次得分的集合和动作得分来为该运动轮次推导出总运动轮次得分。可输出总运动轮次得分以用于在显示设备上显示。例如，可针对穿越单板滑雪路线的同时所执行的每个技巧来对单板滑雪者进行评分，并且每个得分的值可被计入总运动轮次得分。该单板滑雪者的总运动轮次得分可随该单板滑雪者继续在单板滑雪路线上完成技巧而改变。

图8图示出本文中所讨论的技术(例如，方法)中的任何一者或多者可在其上执行的示例机器800的框图。在替代实施例中，机器800可作为独立设备或可被连接(例如，联网)至其他机器来操作。在联网的部署中，机器800可在服务器-客户端网络环境中的服务器、客户端或其两者的能力内操作。在示例中，机器800可充当对等(P2P)(或其他分布式)网络环境中的对等机器。机器800可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、web设备、网络路由器、交换机或桥、或者能够执行指定由该机器执行的动作的指令(顺序的或以其他方式)的任何机器。进一步地，尽管仅图示了单个机器，但是术语“机器”还应当被认为包括单独地或者联合地执行一组(或多组)指令以执行本文中所讨论的方法(诸如，云计算、软件即服务(SaaS)、其他计算机集群配置)中的任何一者或多者的任何机器集合。

如本文中所描述的示例可包括逻辑或数个组件或机制，或者可由逻辑或数个组件或机制操作。电路集是在有形实体中实现的电路的集合，其包括硬件(例如，简单电路、门、逻辑等)。电路集成员随着时间的推移以及底层的硬件变化可以是灵活的。电路集包括在操作时可单独地或组合地执行所指定操作的成员。在示例中，电路集的硬件可被永久地设计为执行特定操作(例如，硬连线式)。在示例中，电路集的硬件可包括可变连接的物理组件(例如，执行单元、晶体管、简单电路等)，包括物理上被修改(例如，对不变聚集粒子的磁性、电气、可移动地布置等)以对特定操作的指令进行编码的计算机可读介质。在连接物理组件时，硬件组成部分的底层电气性质改变，例如从绝缘体改变为导体，反之亦然。这些指令使嵌入式硬件(例如，执行单元或加载机构)能够经由可变连接在硬件中创建电路集的成员以在操作时执行特定操作的部分。相应地，当设备正在操作时，计算机可读介质通信地耦合至电路集成员的其他组件。在示例中，物理组件中的任一个可在多于一个电路集的多于一个成员中使用。例如，在操作下，执行单元可在一个时刻在第一电路集的第一电路中被使用，并且在不同的时间被第一电路集中的第二电路或被第二电路集中的第三电路重新使用。

机器(例如，计算机系统)800可包括硬件处理器802(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核或者其任何组合)、主存储器804以及静态存储器806，这些部件中的一些或全部可经由互链路(例如，总线)808彼此通信。机器800还可包括显示单元810、字母数字输入设备812(例如，键盘)以及用户界面(UI)导航设备814(例如，鼠标)。在示例中，显示单元810、输入设备812以及UI导航设备814可以是触摸屏显示器。机器800可另外包括存储设备(例如，驱动单元)816、信号生成设备818(例如，扬声器)、网络接口设备820以及一个或多个传感器821(诸如，全球定位系统(GPS)传感器、罗盘、加速度计或其他传感器)。机器800可包括连通或者控制一个或多个外围设备(例如，打印机、读卡器等)的输出控制器828，诸如串行(例如，通用串行总线(USB))、并行、或者其他有线或无线(例如，红外(IR)、近场通信(NFC)等)连接。

存储设备816可包括在其上存储一组或者多组数据结构或指令824(例如，软件)的机器可读介质822，该数据结构或指令824由本文中所描述的技术或功能中的任何一者或多者体现或利用。指令824还可在由机器800对其的执行期间完全地或至少部分地驻留在主存储器804内、在静态存储器806内、或者在硬件处理器802内。在示例中，硬件处理器802、主存储器804、静态存储器806或存储设备816的其中一者或任何组合都可以构成机器可读介质。

尽管机器可读介质822被图示为单个介质，但是术语“机器可读介质”可包括被配置成用于存储一个或多个指令824的单个介质或多个介质(例如，集中式或分布式数据库、和/或相关联的高速缓存和服务器)。

术语“机器可读介质”可包括能够存储、编码或承载用于由机器800执行并且使机器800执行本公开的技术中的任何一者或多者的指令，或能够存储、编码或承载由此类指令使用或与此类指令相关联的数据结构的任何介质。非限制性的机器可读介质示例可包括固态存储器以及光和磁介质。在示例中，大容量机器可读介质包括具有多个粒子的机器可读介质，这些粒子具有不变(例如，静止)质量。相应地，大容量机器可读介质不是瞬态传播信号。大容量机器可读介质的具体示例可包括：非易失性存储器，诸如，半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM))以及闪存设备；磁盘，诸如，内部硬盘和可移除盘；磁光盘；以及CD-ROM和DVD-ROM盘。

指令824可利用数个传输协议(例如，帧中继、互联网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任何一个经由网络接口设备820使用传输介质通过通信网络826被进一步传送或接收。示例通信网络可包括局域网(LAN)、广域网(WAN)、分组数据网络(例如，因特网)、移动电话网络(例如，蜂窝网络)、普通老式电话(POTS)网络、以及无线数据网络(例如，称为

的电气与电子工程师协会(IEEE)802.11标准族、称为

的IEEE 802.16标准族)、IEEE802.15.4标准族、对等(P2P)网络等等。在示例中，网络接口设备820可包括用于连接到通信网络826的一个或多个物理插口(jack)(例如，以太网、共轴、或电话插口)或者一根或多根天线。在示例中，网络接口设备820可包括使用单输入多输出(SIMO)、多输入多输出(MIMO)，或多输入单输出(MISO)技术中的至少一种无线地通信的多根天线。应当认为术语“传输介质”包括能够存储、编码或携带用于由机器800执行的指令的任何无形的介质，并且包括数字或模拟通信信号或者用于促进此类软件的通信的其他无形介质。

附加注释和示例：

示例1是一种用于极限运动中的预测性动作评价的系统，该系统包括：一个或多个处理器；存储器，包括指令，该指令在由一个或多个处理器执行时使得该一个或多个处理器执行操作以：在数据流中标识动作的起始点，该数据流包括对应于动作的多个数据集，该数据流从传感器阵列收集；从起始点之后的数据流提取动作执行特征；实时地将该动作执行特征与统计模型的集合进行比较；基于该比较为动作选择标签；基于该比较为动作生成成功的可能性；以及输出针对该动作的标签和成功的可能性以用于在显示设备上显示。

在示例2中，如示例1所述的主题任选地包括，其中，用于提取动作执行特征的指令包括用于从动作的起始点之前的时间段提取特征的指令。

在示例3中，如示例1-2中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括加速度计、陀螺仪以及磁力计。

在示例4中，如示例1-3中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括全球定位系统(GPS)接收器和气压计。

在示例5中，如示例1-4中任何一项或多项所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：使用被包括在数据流中的地理位置数据从地图的集合选择地图，该地图包括对应于动作的位置的多个数据项；并且其中，用于生成成功的可能性的指令包括用于使用对应于位置的多个数据项中的至少一个数据项的指令。

在示例6中，如示例5所述的主题任选地包括，其中，对应于位置的多个数据项包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

在示例7中，如示例1-6中任何一项或多项所述的主题任选地包括，其中，用于输出针对动作的标签和成功的可能性以用于显示的指令包括用于将该成功的可能性输出为百分比的指令。

在示例8中，如示例1-7中任何一项或多项所述的主题任选地包括，其中，动作执行特征包括以下各项中的至少一项：进入速度特征、旋转特征、旋转速度特征、以及力特征。

在示例9中，如示例1-8中任何一项或多项所述的主题任选地包括，其中，多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

在示例10中，如示例1-9中任何一项或多项所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：收集对应于极限运动的动作的集合的历史数据的集合；为该动作的集合中的每个动作提取过去执行特征；使用该过去执行特征来为每个动作生成统计模型；以及使用针对每个动作的统计模型来创建统计模型的集合。

在示例11中，如示例1-10中任何一项或多项所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：收集对应于动作的多个历史数据集，该多个历史数据集中的每个历史数据集包括对应于动作的评分数据；从该多个历史数据集提取得分指示符特征的集合；使用该得分指示符特征的集合来为动作生成得分模型；将动作执行特征与得分模型进行比较；基于该比较确定动作得分；以及输出该动作得分以用于在显示设备上显示。

在示例12中，如示例11所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：为包括动作的运动轮次获取运动轮次得分的集合；使用该运动轮次得分的集合和动作得分来为运动轮次推导出总运动轮次得分；以及输出该总运动轮次得分以用于在显示设备上显示。

在示例13中，如示例11-12中任何一项或多项所述的主题任选地包括，其中，得分指示符特征的集合包括以下各项中的至少一项：动作的难度、动作的成功率、动作的统计测量以及执行所述动作的频率。

示例14是至少一种计算机可读介质，包括用于极限运动中的预测性动作评价的指令，该指令在由机器执行时使得该机器执行操作以：在数据流中标识动作的起始点，该数据流包括对应于动作的多个数据集，该数据流从传感器阵列收集；从起始点之后的数据流提取动作执行特征；实时地将该动作执行特征与统计模型的集合进行比较；基于该比较为动作选择标签；基于该比较为动作生成成功的可能性；以及输出针对该动作的标签和成功的可能性以用于在显示设备上显示。

在示例15中，如示例14所述的主题任选地包括，其中，用于提取动作执行特征的指令包括用于从动作的起始点之前的时间段提取特征的指令。

在示例16中，如示例14-15中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括加速度计、陀螺仪以及磁力计。

在示例17中，如示例14-16中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括全球定位至少一种计算机可读介质(GPS)接收器和气压计。

在示例18中，如示例14-17中任何一项或多项所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：使用被包括在数据流中的地理位置数据从地图的集合选择地图，该地图包括对应于动作的位置的多个数据项；并且其中，用于生成成功的可能性的指令包括用于使用对应于位置的多个数据项中的至少一个数据项的指令。

在示例19中，如示例18所述的主题任选地包括，其中，对应于位置的多个数据项包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

在示例20中，如示例14-19中任何一项或多项所述的主题任选地包括，其中，用于输出针对动作的标签和成功的可能性以用于显示的指令包括用于将该成功的可能性输出为百分比的指令。

在示例21中，如示例14-20中任何一项或多项所述的主题任选地包括，其中，动作执行特征包括以下各项中的至少一项：进入速度特征、旋转特征、旋转速度特征、以及力特征。

在示例22中，如示例14-21中任何一项或多项所述的主题任选地包括，其中，多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

在示例23中，如示例14-22中任何一项或多项所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：收集对应于极限运动的动作的集合的历史数据的集合；为该动作的集合中的每个动作提取过去执行特征；使用该过去执行特征来为每个动作生成统计模型；以及使用针对每个动作的统计模型来创建统计模型的集合。

在示例24中，如示例14-23中任何一项或多项所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：收集对应于动作的多个历史数据集，该多个历史数据集中的每个历史数据集包括对应于动作的评分数据；从该多个历史数据集提取得分指示符特征的集合；使用该得分指示符特征的集合来为动作生成得分模型；将动作执行特征与得分模型进行比较；基于该比较确定动作得分；以及输出该动作得分以用于在显示设备上显示。

在示例25中，如示例24所述的主题任选地包括使得一个或多个处理器执行操作以执行以下步骤的指令：为包括动作的运动轮次获取运动轮次得分的集合；使用该运动轮次得分的集合和动作得分来为运动轮次推导出总运动轮次得分；以及输出该总运动轮次得分以用于在显示设备上显示。

在示例26中，如示例24-25中任何一项或多项所述的主题任选地包括，其中，得分指示符特征的集合包括以下各项中的至少一项：动作的难度、动作的成功率、动作的统计测量以及执行所述动作的频率。

示例27是一种用于极限运动中的预测性动作评价的方法，该方法包括：在数据流中标识动作的起始点，该数据流包括对应于动作的多个数据集，该数据流从传感器阵列收集；从起始点之后的数据流提取动作执行特征；实时地将该动作执行特征与统计模型的集合进行比较；基于该比较为动作选择标签；基于该比较为动作生成成功的可能性；以及输出针对该动作的标签和成功的可能性以用于在显示设备上显示。

在示例28中，如示例27所述的主题任选地包括，其中，提取动作执行特征的步骤包括从动作的起始点之前的时间段提取特征。

在示例29中，如示例27-28中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括加速度计、陀螺仪以及磁力计。

在示例30中，如示例27-29中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括全球定位系统(GPS)接收器和气压计。

在示例31中，如示例27-30中任何一项或多项所述的主题任选地包括：使用被包括在数据流中的地理位置数据从地图的集合选择地图，该地图包括对应于动作的位置的多个数据项；并且其中，生成成功的可能性的步骤包括使用对应于位置的多个数据项中的至少一个数据项。

在示例32中，如示例31所述的主题任选地包括，其中，对应于位置的多个数据项包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

在示例33中，如示例27-32中任何一项或多项所述的主题任选地包括，其中，输出针对动作的标签和成功的可能性以用于显示的步骤包括将该成功的可能性输出为百分比。

在示例34中，如示例27-33中任何一项或多项所述的主题任选地包括，其中，动作执行特征包括以下各项中的至少一项：进入速度特征、旋转特征、旋转速度特征、以及力特征。

在示例35中，如示例27-34中任何一项或多项所述的主题任选地包括，其中，多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

在示例36中，如示例27-35中任何一项或多项所述的主题任选地包括：收集对应于极限运动的动作的集合的历史数据的集合；为该动作的集合中的每个动作提取过去执行特征；使用该过去执行特征来为每个动作生成统计模型；以及使用针对每个动作的统计模型来创建统计模型的集合。

在示例37中，如示例27-36中任何一项或多项所述的主题任选地包括：收集对应于动作的多个历史数据集，该多个历史数据集中的每个历史数据集包括对应于动作的评分数据；从该多个历史数据集提取得分指示符特征的集合；使用该得分指示符特征的集合来为动作生成得分模型；将动作执行特征与得分模型进行比较；基于该比较确定动作得分；以及输出该动作得分以用于在显示设备上显示。

在示例38中，如示例37所述的主题任选地包括：为包括动作的运动轮次获取运动轮次得分的集合；使用该运动轮次得分的集合和动作得分来为运动轮次推导出总运动轮次得分；以及输出该总运动轮次得分以用于在显示设备上显示。

在示例39中，如示例37-38中任何一项或多项所述的主题任选地包括，其中，得分指示符特征的集合包括以下各项中的至少一项：动作的难度、动作的成功率、动作的统计测量以及执行所述动作的频率。

示例40是一种用于实现极限运动中的预测性动作评价的系统，该系统包括用于执行示例27-39所述的方法中的任一项的装置。

示例41是至少一种用于实现极限运动中的预测性动作评价的机器可读介质，该机器可读介质包括指令，该指令在由机器执行时使得该机器执行如示例27-39所述的方法中的任一项。

示例42是一种用于极限运动中的预测性动作评价的系统，该系统包括：用于在包括对应于动作的多个数据集的数据流中标识动作的起始点的装置，该数据流从传感器阵列收集；用于从起始点之后的数据流提取动作执行特征的装置；用于实时地将该动作执行特征与统计模型的集合进行比较的装置；用于基于该比较为动作选择标签的装置；用于基于该比较为动作生成成功的可能性的装置；以及用于输出针对该动作的标签和成功的可能性以用于在显示设备上显示的装置。

在示例43中，如示例42所述的主题任选地包括，其中，用于提取动作执行特征的装置包括用于从动作的起始点之前的时间段提取特征的装置。

在示例44中，如示例42-43中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括加速度计、陀螺仪以及磁力计。

在示例45中，如示例42-44中任何一项或多项所述的主题任选地包括，其中，传感器阵列包括全球定位系统(GPS)接收器和气压计。

在示例46中，如示例42-45中任何一项或多项所述的主题任选地包括：用于使用被包括在数据流中的地理位置数据从地图的集合选择地图的装置，该地图包括对应于动作的位置的多个数据项；并且其中，用于生成成功的可能性的装置包括用于使用对应于位置的多个数据项中的至少一个数据项的装置。

在示例47中，如示例46所述的主题任选地包括，其中，对应于位置的多个数据项包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

在示例48中，如示例42-47中任何一项或多项所述的主题任选地包括，其中，用于输出针对动作的标签和成功的可能性以用于显示的装置包括用于将该成功的可能性输出为百分比的装置。

在示例49中，如示例42-48中任何一项或多项所述的主题任选地包括，其中，动作执行特征包括以下各项中的至少一项：进入速度特征、旋转特征、旋转速度特征、以及力特征。

在示例50中，如示例42-49中任何一项或多项所述的主题任选地包括，其中，多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

在示例51中，如示例42-50中任何一项或多项所述的主题任选地包括：用于收集对应于极限运动的动作的集合的历史数据的集合的装置；用于为该动作的集合中的每个动作提取过去执行特征的装置；用于使用该过去执行特征来为每个动作生成统计模型的装置；以及用于使用针对每个动作的统计模型来创建统计模型的集合的装置。

在示例52中，如示例42-51中任何一项或多项所述的主题任选地包括：用于收集对应于动作的多个历史数据集的装置，该多个历史数据集中的每个历史数据集包括对应于动作的评分数据；用于从该多个历史数据集提取得分指示符特征的集合的装置；用于使用该得分指示符特征的集合来为动作生成得分模型的装置；用于将动作执行特征与得分模型进行比较的装置；用于基于该比较确定动作得分的装置；以及用于输出该动作得分以用于在显示设备上显示的装置。

在示例53中，如示例52所述的主题任选地包括：用于为包括动作的运动轮次获取运动轮次得分的集合的装置；用于使用该运动轮次得分的集合和动作得分来为运动轮次推导出总运动轮次得分的装置；以及用于输出该总运动轮次得分以用于在显示设备上显示的装置。

在示例54中，如示例52-53中任何一项或多项所述的主题任选地包括，其中，得分指示符特征的集合包括以下各项中的至少一项：动作的难度、动作的成功率、动作的统计测量以及执行所述动作的频率。

Claims (24)

1.一种用于极限运动中的预测性动作评价的系统，所述系统包括：

一个或多个处理器；

存储器，包括指令，所述指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行操作以：

在数据流中标识动作的起始点，所述数据流包括对应于所述动作的多个数据集，所述数据流从传感器阵列收集；

从所述起始点之后的数据流提取动作执行特征；

实时地将所述动作执行特征与统计模型的集合进行比较；

基于所述比较为所述动作选择标签；

基于所述比较为所述动作生成成功的可能性；以及

输出针对所述动作的所述标签和所述成功的可能性，以用于在显示设备上显示。

2.如权利要求1所述的系统，其中，用于提取所述动作执行特征的指令包括用于从所述动作的所述起始点之前的时间段提取特征的指令。

3.如权利要求1所述的系统，其中，所述传感器阵列包括加速度计、陀螺仪以及磁力计。

4.如权利要求1所述的系统，其中，所述传感器阵列包括全球定位系统(GPS)接收器和气压计。

5.如权利要求1所述的系统，进一步包括使得所述一个或多个处理器执行操作以执行以下步骤的指令：

使用被包括在所述数据流中的地理位置数据从地图的集合选择地图，所述地图包括对应于所述动作的位置的多个数据项；并且

其中，用于生成成功的可能性的指令包括用于使用对应于所述位置的所述多个数据项中的至少一个数据项的指令。

6.如权利要求5所述的系统，其中，对应于所述位置的所述多个数据项包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

7.如权利要求1所述的系统，其中，所述多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

8.如权利要求1所述的系统，进一步包括使得所述一个或多个处理器执行操作以执行以下步骤的指令：

收集对应于极限运动的动作的集合的历史数据的集合；

为所述动作的集合中的每个动作提取过去执行特征；

使用所述过去执行特征来为每个动作生成统计模型；以及

使用针对每个动作的统计模型来创建所述统计模型的集合。

9.如权利要求1所述的系统，进一步包括使得所述一个或多个处理器执行操作以执行以下步骤的指令：

收集对应于所述动作的多个历史数据集，所述多个历史数据集中的每个历史数据集包括对应于所述动作的评分数据；

从所述多个历史数据集提取得分指示符特征的集合；

使用所述得分指示符特征的集合来为所述动作生成得分模型；

将所述动作执行特征与所述得分模型进行比较；

基于所述比较确定动作得分；以及

输出所述动作得分，以用于在所述显示设备上显示。

10.如权利要求9所述的系统，进一步包括使得所述一个或多个处理器执行操作以执行以下步骤的指令：

为包括所述动作的运动轮次获取运动轮次得分的集合；

使用所述运动轮次得分的集合和所述动作得分来为所述运动轮次推导出总运动轮次得分；以及

输出所述总运动轮次得分，以用于在所述显示设备上显示。

11.如权利要求9所述的系统，其中，所述得分指示符特征的集合包括以下各项中的至少一项：所述动作的难度、所述动作的成功率、所述动作的统计测量、以及执行所述动作的频率。

12.一种用于极限运动中的预测性动作评价的方法，所述方法包括：

在数据流中标识动作的起始点，所述数据流包括对应于所述动作的多个数据集，所述数据流从传感器阵列收集；

从所述起始点之后的数据流提取动作执行特征；

实时地将所述动作执行特征与统计模型的集合进行比较；

基于所述比较为所述动作选择标签；

基于所述比较为所述动作生成成功的可能性；以及

输出针对所述动作的所述标签和所述成功的可能性，以用于在显示设备上显示。

13.如权利要求12所述的方法，其中，提取所述动作执行特征的步骤包括从所述动作的所述起始点之前的时间段提取特征。

14.如权利要求12所述的方法，其中，所述传感器阵列包括加速度计、陀螺仪以及磁力计。

15.如权利要求12所述的方法，其中，所述传感器阵列包括全球定位系统(GPS)接收器和气压计。

16.如权利要求12所述的方法，进一步包括：

使用被包括在所述数据流中的地理位置数据从地图的集合选择地图，所述地图包括对应于所述动作的位置的多个数据项；并且

其中，生成所述成功的可能性的步骤包括使用对应于所述位置的所述多个数据项中的至少一个数据项。

17.如权利要求16所述的方法，其中，对应于所述位置的所述多个数据项包括以下各项中的至少一项：小坡的坡度、障碍物的高度、以及到着陆区的距离。

18.如权利要求12所述的方法，其中，所述多个数据集中的每个数据集包括针对第一轴、第二轴和第三轴的数据。

19.如权利要求12所述的方法，进一步包括：

收集对应于极限运动的动作的集合的历史数据的集合；

为所述动作的集合中的每个动作提取过去执行特征；

使用所述过去执行特征来为每个动作生成统计模型；以及

使用针对每个动作的统计模型来创建所述统计模型的集合。

20.如权利要求12所述的方法，进一步包括：

收集对应于所述动作的多个历史数据集，所述多个历史数据集中的每个历史数据集包括对应于所述动作的评分数据；

从所述多个历史数据集提取得分指示符特征的集合；

使用所述得分指示符特征的集合来为所述动作生成得分模型；

将所述动作执行特征与所述得分模型进行比较；

基于所述比较确定动作得分；以及

输出所述动作得分，以用于在所述显示设备上显示。

21.如权利要求20所述的方法，进一步包括：

为包括所述动作的运动轮次获取运动轮次得分的集合；

使用所述运动轮次得分的集合和所述动作得分来为所述运动轮次推导出总运动轮次得分；以及

输出所述总运动轮次得分，以用于在所述显示设备上显示。

22.如权利要求20所述的方法，其中，所述得分指示符特征的集合包括以下各项中的至少一项：所述动作的难度、所述动作的成功率、所述动作的统计测量、以及执行所述动作的频率。

23.至少一种用于实现极限运动中的预测性动作评价的机器可读介质，所述机器可读介质包括指令，所述指令在由机器执行时使得所述机器执行如权利要求12-22所述的方法中的任一项。

24.一种用于实现极限运动中的预测性动作评价的系统，所述系统包括用于执行权利要求12-22所述的方法中的任一项的装置。

Images