CN111767932A - 动作判定方法及装置、计算机设备及计算机可读存储介质 - Google Patents
动作判定方法及装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111767932A CN111767932A CN201910260058.2A CN201910260058A CN111767932A CN 111767932 A CN111767932 A CN 111767932A CN 201910260058 A CN201910260058 A CN 201910260058A CN 111767932 A CN111767932 A CN 111767932A
- Authority
- CN
- China
- Prior art keywords
- wrist
- action
- motion
- acceleration
- sample
- 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
Links
- 230000009471 action Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000033001 locomotion Effects 0.000 claims abstract description 136
- 210000000707 wrist Anatomy 0.000 claims abstract description 127
- 230000001133 acceleration Effects 0.000 claims abstract description 121
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 230000000630 rising effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011065 in-situ storage Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 210000003813 thumb Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 29
- 230000007547 defect Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种动作判定方法，该方法包括：获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；对所述手腕特征参数进行动作识别，确定动作类型。本申请中，用户的手腕数据容易采集，可方便实现从用户开始打篮球一直到用户停止打篮球这一完整过程的全部手腕数据的采集，这样，不会存在丢失或漏掉用户部分篮球运动数据的缺陷，保证了用户整个篮球运动过程中的篮球运动数据的完整性，故本申请提高了测量结果的准确性。本申请还涉及一种动作判定装置、计算机设备和计算机可读存储介质。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种动作判定方法及装置、计算机设备及计算机可读存储介质。
背景技术
随着全民运动的全面开展，越来越多的人会参与到运动当中。其中，篮球便是一项全世界范围内都非常流行的球类运动。随着电子设备不断深入人类生活的各个领域，在篮球领域也开始展开了智能化、电子化的一些应用。篮球动作识别技术对于篮球领域的智能化、电子化具有举足轻重的作用。
传统的篮球动作识别技术是通过摄像头来捕捉人们运动时的视频或照片，并基于图像分析技术完成对篮球动作的识别。然而，在摄像头的摄像盲点或用户被挡住的情况下，可能无法获知用户的篮球动作。
因此，采用传统的篮球动作识别技术，很难捕捉到人们全部的篮球动作，导致测量结果不准确。
发明内容
基于此，有必要针对上述测量结果不准确的技术问题，提供一种动作判定方法及装置、计算机设备及计算机可读存储介质。
一种动作判定方法，所述方法包括：
获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
在其中一个实施例中，所述三个轴线方向包括：
第一轴线方向，垂直于所述手臂方向，并以大拇指朝向为正方向；
第二轴线方向，平行于手臂方向，并以手肘至手腕的方向为正方向；
第三轴线方向，垂直于所述手臂方向，并以手心至手背的方向为正方向。
在其中一个实施例中，对所述手腕特征参数进行动作识别，确定动作类型，包括：
对所述第二轴线方向与水平方向的夹角进行一阶差分处理，得到差分结果；
对所述差分结果进行分析，确定快速上升点；所述快速上升点对应于快速抬手动作的点；
根据所述快速上升点以及预设条件，确定峰值点；
获取所述峰值点匹配的第一谷值点和第二谷值点；
根据所述峰值点、所述第一谷值点和所述第二谷值点，获取目标数据段；
对所述目标数据段中的手腕特征参数进行动作识别，确定动作类型。
在其中一个实施例中，对所述目标数据段中的手腕特征参数进行动作识别，确定动作类型，包括：
对所述目标数据段中的手腕特征参数进行归一化处理，得到归一化后的数据；
对所述归一化后的数据进行降维处理，得到降维后的数据；
对所述降维后的数据进行动作识别，确定动作类型。
在其中一个实施例中，对所述手腕特征参数进行动作识别，确定动作类型，包括：
将所述手腕特征参数输入训练好的神经网络模型，对所述手腕特征参数进行动作识别，确定动作类型。
在其中一个实施例中，所述将所述手腕特征参数输入训练好的神经网络模型，对所述手腕特征参数进行动作识别，确定动作类型之前，包括：
获取动作样本数据库；所述动作样本数据库包括投球动作样本、运球动作样本、传球动作样本、跑步动作样本以及走路动作样本；所述投球动作样本进一步包括单手投篮、双手投篮、反手投篮、低手投篮以及高手投篮，所述运球动作样本进一步包括原地高手运球、原地低手运球、原地交叉运球、行进间单手运球、行进间交叉运球，所述传球动作样本进一步包括单手胸前、单手肩上、单手反弹、双手胸前、双手反弹；
将所述动作样本数据库中的投球动作样本、运球动作样本、传球动作样本、跑步动作样本以及走路动作样本打乱，得到打乱后的样本数据；
提取所述打乱后的样本数据中的第一数量的样本数据，确定为训练集，以及提取所述打乱后的样本数据中的第二数量的样本数据，确定为交叉验证集，以及提取所述打乱后的样本数据中的第三数量的样本数据，确定为测试集；
根据所述训练集对初始化的神经网络模型进行训练，并在所述交叉验证集对应的验证误差最小时，得到验证后的神经网络模型；
利用所述测试集对所述验证后的神经网络模型进行测试，若测试结果满足预设条件，则确定所述验证后的神经网络模型为所述训练好的神经网络模型。
在其中一个实施例中，所述方法还包括：
获取所述用户的第一动作与第二动作之间的时间间隔；所述第一动作与所述第二动作为相邻的动作；
若所述时间间隔小于预设阈值，则判定所述第二动作为无效动作。
在其中一个实施例中，所述三个轴线方向对应的手腕特征参数包括各轴线方向与水平方向的夹角；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数，包括：
对所述加速度和所述角速度进行姿态融合，得到姿态融合后的四元数；
对所述四元数进行处理，得到各轴线方向对应的重力分量；
根据所述各轴线方向对应的重力分量，得到所述各轴线方向与水平方向的夹角。
在其中一个实施例中，所述三个轴线方向对应的手腕特征参数还包括各轴线方向对应的实际加速度和/或实际合加速度；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数，还包括：
对所述加速度和所述角速度进行姿态融合，得到姿态融合后的四元数；
对所述四元数进行处理，得到各轴线方向对应的重力分量；
根据所述三个轴线方向对应的加速度和所述各轴线方向对应的重力分量，得到所述各轴线方向对应的实际加速度；
根据所述各轴线方向对应的实际加速度，得到实际合加速度。
在其中一个实施例中，对所述手腕特征参数进行动作识别，确定动作类型，包括：
对所述各轴线方向对应的实际加速度、所述实际合加速度以及所述各轴线方向与水平方向的夹角进行滤波，得到滤波后的数据；
对所述滤波后的数据进行动作识别，确定所述动作类型。
一种动作判定装置，所述装置包括：
手腕数据获取模块，用于获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
特征参数计算模块，用于对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
动作类型判定模块，用于对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法的步骤。
上述动作判定方法及装置，计算机设备及计算机可读存储介质，通过获取用户手腕处的三个轴线方向对应的加速度和三个轴线方向对应的角速度，并对这些加速度和角速度进行运算，得到三个轴线方向对应的手腕特征参数，进而对该手腕特征参数进行动作识别，可确定用户的动作类型。本申请中，用户的手腕数据容易采集，可方便实现从用户开始打篮球一直到用户停止打篮球这一完整过程的全部手腕数据的采集，这样，不会存在丢失或漏掉用户部分篮球运动数据的缺陷，保证了用户整个篮球运动过程中的篮球运动数据的完整性，故本申请提高了测量结果的准确性，同时本申请采集手腕数据的方式简单高效，大大提高了数据采集的效率。
附图说明
图1为一个实施例中动作判定方法的应用环境图；
图2为一个实施例中动作判定方法的流程示意图；
图3为一个实施例中获取各轴线方向对应的实际加速度以及实际合加速度的补充步骤的流程示意图；
图4为一个实施例中确定动作类型的补充方案的流程示意图；
图5为一个实施例中对手腕特征参数进行归一化处理以及降维处理确定动作类型的流程示意图；
图6为一个实施例中动作判定装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的动作判定方法，可以应用于如图1所示的应用环境中。手腕佩戴装置10佩戴于用户的手腕处，当用户开始打篮球时，可实时采集用户手腕数据并对该手腕数据进行数据处理，以判定用户做出的动作。可选地，该手腕佩戴装置10可以是运动护腕、运动手环或运动手表等运动装备。
具体地，手腕佩戴装置10包括加速度传感器102、角速度传感器104和处理器106，加速度传感器102与角速度传感器104分别与处理器106连接。其中，加速度传感器102用于采集用户手腕处的加速度，并将该加速度传输至处理器106。角速度传感器104用于采集用户手腕处的角速度，并将该角速度传输至处理器106。处理器106对接收到的加速度和角速度进行运算，得到用户的手腕特征参数，进而处理器106采用动作识别技术对该手腕特征参数进行识别，以确定用户的动作类型。
可选地，上述加速度传感器102、角速度传感器104和处理器106可集成在一块芯片上，实现集中、高效、便利管理，并能够降低功耗以及减少空间占用。
在一个实施例中，如图2所示，提供了一种动作判定方法，以该方法应用于图1中的处理器106为例进行说明，该方法具体包括以下步骤：
S202，获取用户手腕处的加速度和角速度。
其中，所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度。可选地，三个轴线方向可对应于三维坐标系中的x轴、y轴和z轴对应的方向。当然，三个轴线方向也可以为不相互垂直的三个方向，只要能够计算出最终的手腕特征参数，都属于本申请保护的范围。
具体地，用户所佩戴的手腕佩戴装置中可配置有三轴加速度传感器和三轴陀螺仪传感器。其中，三轴加速度传感器用于采集用户手腕处的三个轴线方向对应的加速度；三轴陀螺仪传感器用于采集用户手腕处的三个轴线方向对应的角速度。这样，用户打篮球时，将手腕佩戴装置佩戴在手腕上，并使手腕佩戴装置与手腕紧紧贴合，保证手腕佩戴装置的三轴加速度传感器和三轴陀螺仪传感器在数据采集过程中与手腕的相对位置不变，以提高数据采集的准确性。进而，处理器获取三轴加速度传感器采集的加速度和三轴陀螺仪传感器采集的角速度。
可选地，三轴加速度传感器和三轴陀螺仪传感器的采样频率可以为100Hz，也可以为其他采样频率。需要清楚，采样频率越高，数据准确性则越高，但耗电量也越大，因此，其可以根据实际能耗需求以及精度需求进行设定，本申请对此并不做限定。需要清楚，本申请的手腕佩戴装置中也可以配置其他类型的加速度传感器以及角速度传感器，只要其能够采集三个轴线方向对应的加速度以及三个轴线方向对应的角速度即可。
S204，对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数。
其中，手腕特征参数是指能够表征手腕动作特性的参数，其可以包括各轴线方向与水平方向的夹角、各轴线方向对应的实际加速度等等。
具体地，处理器在获得三个轴线方向对应的加速度和三个轴线方向对应的角速度之后，可基于姿态融合算法、滤波平滑处理以及归一化处理，对这些加速度和角速度进行运算，得到三个轴线方向对应的手腕特征参数。
S206，对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
其中，动作类型用于区分不同的篮球动作。动作类型可包括投球、传球、运球、跑步以及走路中的至少一种。
具体地，处理器在得到三个轴线方向对应的手腕特征参数之后，可基于动作识别算法或预设的动作识别模型，对这些手腕特征参数进行动作识别，以确定出用户的动作类型，即判定出用户打篮球时做出的动作是投球动作、传球动作、运球动作、跑步动作还是走路动作。
上述动作判定方法，通过获取用户手腕处的三个轴线方向对应的加速度和三个轴线方向对应的角速度，并对这些加速度和角速度进行运算，得到三个轴线方向对应的手腕特征参数，进而对该手腕特征参数进行动作识别，可确定用户的动作类型。本申请中，用户的手腕数据容易采集，可方便实现从用户开始打篮球一直到用户停止打篮球这一完整过程的全部手腕数据的采集，这样，不会存在丢失或漏掉用户部分篮球运动数据的缺陷，保证了用户整个篮球运动过程中的篮球运动数据的完整性，故本申请提高了测量结果的准确性，同时本申请采集手腕数据的方式简单高效，大大提高了数据采集的效率。
在一个实施例中，上述三个轴线方向包括第一轴线方向、第二轴线方向和第三轴线方向。其中，第一轴线方向垂直于所述手臂方向，并以大拇指朝向为正方向。第二轴线方向平行于手臂方向，并以手肘至手腕的方向为正方向。第三轴线方向垂直于用户手臂方向，并以用户手心至用户手背的方向为正方向。
本实施例中，以与用户手腕关联较大的部位为参考设定三个轴线方向，设定方式简单可靠，且后续的数据处理过程更为方便、高效。
在一个实施例中，涉及处理器对接收到的手腕数据进行预处理的具体过程。可选地，基于上述实施例，将三个轴线设定为x轴、y轴和z轴。具体地，处理器实时读取第n点加速度传感器在x轴的加速度ax(n)、在y轴的加速度ay(n)、在z轴的加速度az(n)，以及角速度传感器x轴的角速度gx(n)、在y轴的角速度gy(n)、在z轴的角速度gz(n)。
进一步地，请参阅图3，涉及处理器获取三个轴线方向中各轴线方向与水平方向的夹角的具体过程。其中，S204包括以下步骤：
S2042，对所述加速度和所述角速度进行姿态融合，得到姿态融合后的四元数；
S2044，对所述四元数进行处理，得到各轴线方向对应的重力分量；
S2046，根据所述各轴线方向对应的重力分量，得到所述各轴线方向与水平方向的夹角。
具体地，处理器可通过姿态融合算法，基于ax(n)、ay(n)、az(n)，gx(n)、gy(n)、gz(n)得到四元数q0(n)、q1(n)、q2(n)、q3(n)。其中，姿态融合算法可包括四元数法、一阶互补算算法、卡尔曼滤波算法等，或者选择带有姿态融合算法库的传感器来直接获取四元数。之后，处理器对四元数进行处理，得到各轴线方向对应的重力分量，具体为：
vx(n)＝2*(q1(n)*q3(n)-q0(n)*q2(n))
vy(n)＝2*(q0(n)*q1(n)-q2(n)*q3(n))
vz(n)＝1-2*(q1(n)*q1(n)-q2(n)*q2(n))
之后，处理器根据各轴线方向对应的重力分量进行运算，得到各轴线方向与水平方向的夹角：
θx(n)＝arcsin(vx(n)/v(n))*180/π
θy(n)＝arcsin(vy(n)/v(n))*180/π
θz(n)＝arcsin(vz(n)/v(n))*180/π
更进一步地，涉及处理器根据四元数得到各轴线方向对应的实际加速度和/或实际合加速度的具体过程。其中，S204还包括以下步骤：
S2042，对所述加速度和所述角速度进行姿态融合，得到姿态融合后的四元数；
S2044，对所述四元数进行处理，得到各轴线方向对应的重力分量；
S2048，根据所述三个轴线方向对应的加速度和所述各轴线方向对应的重力分量，得到所述各轴线方向对应的实际加速度；
S2049，根据所述各轴线方向对应的实际加速度，得到实际合加速度。
具体地，加速度传感器直接输出的加速度包括实际加速度和重力加速度，因此需要去除重力加速度。基于上述实施例，处理器利用四元数可求得各轴线方向对应的重力分量：
vx(n)＝2*(q1(n)*q3(n)-q0(n)*q2(n))
vy(n)＝2*(q0(n)*q1(n)-q2(n)*q3(n))
vz(n)＝1-2*(q1(n)*q1(n)-q2(n)*q2(n))
接着处理器用各轴线方向对应的加速度减去对应重力分量，得到各轴线方向对应的实际加速度：
rx(n)＝ax(n)-vx(n)*9.8
ry(n)＝ay(n)-vy(n)*9.8
rz(n)＝az(n)-vz(n)*9.8
进而处理器根据各轴线方向对应的实际加速度，得到实际合加速度：
可选地，在一个实施例中，涉及对各轴线方向对应的实际加速度、实际合加速度以及各轴线方向与水平方向的夹角进行滤波的具体过程。在上述实施例的基础上，S206包括以下步骤：
S206a，对所述各轴线方向对应的实际加速度、所述实际合加速度以及所述各轴线方向与水平方向的夹角进行滤波，得到滤波后的数据；
S206b，对所述滤波后的数据进行动作识别，确定所述动作类型。
具体地，为了消除一些小的噪声、抖动，需要对各轴线方向对应的实际加速度、实际合加速度、各轴线方向与水平方向的夹角进行滤波平滑。可选地，处理器可选择10点滑动平均滤波，也可选择中值滤波、高斯滤波或者设计合适的低通滤波器等。进而，处理器根据滤波后的数据进行动作识别，可进一步提高动作识别的准确性。
在篮球运动中，每个动作的开始就是一个快速“抬手”动作，反映在数据特征上就是手臂与水平的夹角快速增加，达到一个峰值。这样，可以把动作分割转化为波峰检测，然后寻找波峰的前后波谷，最终取出有效数据段。
在一个实施例中，请参阅图4，涉及对所述手腕特征参数进行动作识别，确定动作类型的一种可能的实现过程。在上述实施例的基础上，S206包括以下步骤：
S2061，对所述第二轴线方向与水平方向的夹角进行一阶差分处理，得到差分结果；
S2062，对所述差分结果进行分析，确定快速上升点；所述快速上升点对应于快速抬手动作的点；
S2063，根据所述快速上升点以及预设条件，确定峰值点；
S2064，获取所述峰值点匹配的第一谷值点和第二谷值点；
S2065，根据所述峰值点、所述第一谷值点和所述第二谷值点，获取目标数据段；
S2066，对所述目标数据段中的手腕特征参数进行动作识别，确定动作类型。
具体地，基于上述实施例，处理器在获得θy之后，首先对θy做一阶差分：
dy(n)＝θy(n)-θy(n-1)
dy即代表θy的增大和减小状态，dy>0时，θy增大，对应手臂抬起，dy<0时，θy减小，对应手臂放下，dy绝对值越大，则手臂上下运动的越快。
为了捕捉到一个快速抬手动作，但是同时也要考虑去掉小幅动作的干扰，对dy做如下检测：
(1)、dy(n)大于预设阈值P1；
(2)、dy(n)是左右M个点中的最大值，这可以在一个持续时间比较长的抬手动作中，避免重复检测上升点。
这样，当dy(n)满足上述两个条件时，处理器就判定n点为快速上升点，并初步判定其对应一个潜在动作，然后处理器通过寻找峰值、谷值，截取有效数据段。
其中，截取有效数据段的具体过程为：
处理器设定一个最大搜索范围L，在快速上升点后L个数内依次搜索峰值，同样，为了防止将小的抖动误判为峰值，也要满足以下预设条件：
(1)、dy(n-1)>0，dy(n+1)<0，即差分值是过零点；
(2)、θy(n)＞θy(n+k)，即n点的角度值大于其后k点的角度值；
(3)、如果在L个数处还未找到峰值点，则将第(n+L)点认定为峰值点。
处理器将满足上述条件的点认定为峰值点，接下来寻找前后谷值，两个谷值间的数据即为有效数据段，具体为：
处理器设定两个最大搜索范围L1、L2，可选地，L1与L2可相等，也可以不相等，然后从峰值点分别往前L1个数和往后L2个数中分别寻找谷值，包括第一谷值点和第二谷值点，其中，谷值的判定需要满足以下预设条件：
(1)、θy(n)是左右M1个点的最小值；
(2)、θy(n)小于预设阈值P2，可选地，P2可以取固定值，也可以根据峰值动态进行调整；
(3)、如果在L1/L2个数处还未找到峰值点，则将第(n-L1)点和第(n+L2)点认定为第一谷值点和第二谷值点。
综上，处理器根据峰值点、第一谷值点和第二谷值点，获取目标数据段，即有效数据段。
本实施例中，相对于普遍采用的依据加速度大小检测动作，依据手臂角度更加准确，可以滤除很多无效动作。
进一步地，在一个实施例中，处理器提取目标数据段内的手腕特征参数，该手腕特征参数可包括x轴、y轴和z轴的实际加速度最大值，实际合加速度最大值，x轴、y轴和z轴与水平方向的夹角最大值，x轴、y轴和z轴与水平方向的夹角平均值，y轴峰谷差、上升时间、下降时间、上升斜率、下降斜率等等。
可选地，在一个实施例中，请参阅图5，涉及对所述目标数据段中的手腕特征参数进行动作识别，确定动作类型的一种可能的实现过程。在上述实施例的基础上，S2066包括以下步骤：
S2066a，对所述目标数据段中的手腕特征参数进行归一化处理，得到归一化后的数据；
S2066b，对所述归一化后的数据进行降维处理，得到降维后的数据；
S2066c，对所述降维后的数据进行动作识别，确定动作类型。
具体地，手腕特征参数具有不同的量纲和单位，为了消除量纲影响，避免数值问题，以及加快网络收敛速度，处理器会对手腕特征参数进行归一化处理，以得到归一化后的数据。其中，常用的两种归一化方法有线性函数归一化、0均值归一化等，量化区间可以选择[-1,1]，[0,1]或者其他自定义的区间。
在处理器对数据归一化处理后，为了加快机器学习的速度，还可以继续进行降维处理，通过使用少数几个有代表性、不相关的特征来代替原来大量的、相关性强的特征。可选地，处理器使用主程序分析算法对归一化后的数据进行降维处理，并根据实际需求或一些判别指标，选择降维后的维数，最终得到降维后的数据。之后，处理器对降维后的数据进行动作识别，确定动作类型。
在一个实例中，涉及利用动作识别算法进行动作识别的具体过程。其中，常见的动作识别算法主要有模板匹配、动态时间规整、KNN，支持向量机、神经网络等。可选地，作为一种实施方式，以采用BP神经网络为例进行说明，虽然基于神经网络训练时计算量很大，但是训练完成后，计算复杂度低、鲁棒性高、不需要大量的存储空间，适合应用在手腕佩戴装置中。具体地，S206包括：将所述手腕特征参数输入训练好的神经网络模型，对所述手腕特征参数进行动作识别，确定动作类型。
其中，在一个实施例中，上述训练好的神经网络模型的获得方式包括：获取动作样本数据库；所述动作样本数据库包括投球动作样本、运球动作样本、传球动作样本、跑步动作样本以及走路动作样本；所述投球动作样本进一步包括单手投篮、双手投篮、反手投篮、低手投篮以及高手投篮，所述运球动作样本进一步包括原地高手运球、原地低手运球、原地交叉运球、行进间单手运球、行进间交叉运球，所述传球动作样本进一步包括单手胸前、单手肩上、单手反弹、双手胸前、双手反弹；
将所述动作样本数据库中的投球动作样本、运球动作样本、传球动作样本、跑步动作样本以及走路动作样本打乱，得到打乱后的样本数据；
提取所述打乱后的样本数据中的第一数量的样本数据，确定为训练集，以及提取所述打乱后的样本数据中的第二数量的样本数据，确定为交叉验证集，以及提取所述打乱后的样本数据中的第三数量的样本数据，确定为测试集；
根据所述训练集对初始化的神经网络模型进行训练，并在所述交叉验证集对应的验证误差最小时，得到验证后的神经网络模型；
利用所述测试集对所述验证后的神经网络模型进行测试，若测试结果满足预设条件，则确定所述验证后的神经网络模型为所述训练好的神经网络模型。
具体地，首先选取20人为实验者，其中10名成人，10名儿童，每人分别做投球、传球、运球、跑步、走路动作50组，总共得到5000组动作样本并组成动作样本数据库，为了使模型能适应更一般的情况，投球动作包括单手投篮、双手投篮、反手投篮、低手投篮、高手投篮，运球包括原地高手运球、原地低手运球、原地交叉运球、行进间单手运球、行进间交叉运球，传球动作包括单手胸前、单手肩上、单手反弹、双手胸前、双手反弹，样本库基本覆盖常见的各种细分动作类型。
接着，将样本数据打乱，使用第一数量如3000组动作样本作为训练集，第二数量如1000组作为交叉验证集，第三数量如1000组作为测试集，也可选用其他的交叉验证方法，比如Hold-Out Method、2-CV、K-CV等，训练集用来训练模型，验证集用于选择模型参数，测试集用来评估模型的泛化能力。可选地，第一数量、第二数量、第三数量可以相等，也可以不等。
本实施方式中，初始化的神经网络模型设置三层神经网络，分别为输入层、输出层和一个隐藏层，识别动作类型为5组，然后还有一个无效动作，总共6个输出层节点，输入层节点数设为降维后的维数，隐藏层节点数根据需求设定，激活函数采用sigmoid，也可采用tanh、ReLU等，初始权值采用0到1之间的随机数，使用梯度下降法反复迭代，更新各层的权值和偏置，根据迭代的次数或者相邻两次误差之间的差别判断是否终止迭代。
通过调整初始权值、激活函数、隐含层节点数、输入特征值等参数，重复上述过程，直到交叉验证集误差最小，此时的参数认为是最优参数，并得到验证后的神经网络模型，在确定完所有参数后，利用测试集误差评判此模型。若测试结果满足预设条件，则确定验证后的神经网络模型为训练好的神经网络模型。可选地，预设条件可以是动作识别的准确度最高、验证误差最小等等。
本实施方式利用机器学习算法对篮球运动中常见的五种动作：投球、传球、运球、跑步、走路进行实时判别，准确性高，且数据占用存储空间小。
在一个实施例中，还涉及将用户打篮球时的干扰动作设为无效动作的具体过程。在上述实施例的基础上，该方法还包括以下步骤：
S212，获取所述用户的第一动作与第二动作之间的时间间隔；所述第一动作与所述第二动作为相邻的动作；
S214，若所述时间间隔小于预设阈值，则判定所述第二动作为无效动作。
实际场景中，在做动作时如果出现停顿、夹杂干扰动作，可能会出现多判和误判，尽管前期已经过滤了很多无效动作，在最后环节增加一个排错机制会使结果更精准。具体地，处理器会获取用户相邻两个动作之间的时间间隔，若该时间间隔小于预设阈值，则处理器判定第二动作为无效动作。
此处举个例子，在统计实际场景中，两两动作相邻的最小时间，即25种动作组合，比如普通人两个运球动作至少间隔0.3秒，两个走路动作至少间隔0.5秒，投球后再进行运球至少在一秒以上等，当实际的时间间隔小于预设最小时间阈值时，则判定后一次动作为无效动作。
应该理解的是，虽然图2-5流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种动作判定装置30，包括：手腕数据获取模块302、特征参数计算模块304和动作类型判定模块306，其中：
手腕数据获取模块302，用于获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
特征参数计算模块304，用于对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
动作类型判定模块306，用于对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
上述动作判定装置，通过获取用户手腕处的三个轴线方向对应的加速度和三个轴线方向对应的角速度，并对这些加速度和角速度进行运算，得到三个轴线方向对应的手腕特征参数，进而对该手腕特征参数进行动作识别，可确定用户的动作类型。本申请中，用户的手腕数据容易采集，可方便实现从用户开始打篮球一直到用户停止打篮球这一完整过程的全部手腕数据的采集，这样，不会存在丢失或漏掉用户部分篮球运动数据的缺陷，保证了用户整个篮球运动过程中的篮球运动数据的完整性，故本申请提高了测量结果的准确性，同时本申请采集手腕数据的方式简单高效，大大提高了数据采集的效率。
关于动作判定装置的具体限定可以参见上文中对于动作判定方法的限定，在此不再赘述。上述动作判定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种动作判定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
上述计算机设备，通过获取用户手腕处的三个轴线方向对应的加速度和三个轴线方向对应的角速度，并对这些加速度和角速度进行运算，得到三个轴线方向对应的手腕特征参数，进而对该手腕特征参数进行动作识别，可确定用户的动作类型。本申请中，用户的手腕数据容易采集，可方便实现从用户开始打篮球一直到用户停止打篮球这一完整过程的全部手腕数据的采集，这样，不会存在丢失或漏掉用户部分篮球运动数据的缺陷，保证了用户整个篮球运动过程中的篮球运动数据的完整性，故本申请提高了测量结果的准确性，同时本申请采集手腕数据的方式简单高效，大大提高了数据采集的效率。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
上述计算机可读存储介质，通过获取用户手腕处的三个轴线方向对应的加速度和三个轴线方向对应的角速度，并对这些加速度和角速度进行运算，得到三个轴线方向对应的手腕特征参数，进而对该手腕特征参数进行动作识别，可确定用户的动作类型。本申请中，用户的手腕数据容易采集，可方便实现从用户开始打篮球一直到用户停止打篮球这一完整过程的全部手腕数据的采集，这样，不会存在丢失或漏掉用户部分篮球运动数据的缺陷，保证了用户整个篮球运动过程中的篮球运动数据的完整性，故本申请提高了测量结果的准确性，同时本申请采集手腕数据的方式简单高效，大大提高了数据采集的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种动作判定方法，其特征在于，所述方法包括：
获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
2.根据权利要求1所述的方法，其特征在于，所述三个轴线方向包括：
第一轴线方向，垂直于所述手臂方向，并以大拇指朝向为正方向；
第二轴线方向，平行于手臂方向，并以手肘至手腕的方向为正方向；
第三轴线方向，垂直于所述手臂方向，并以手心至手背的方向为正方向。
3.根据权利要求2所述的方法，其特征在于，对所述手腕特征参数进行动作识别，确定动作类型，包括：
对所述第二轴线方向与水平方向的夹角进行一阶差分处理，得到差分结果；
对所述差分结果进行分析，确定快速上升点；所述快速上升点对应于快速抬手动作的点；
根据所述快速上升点以及预设条件，确定峰值点；
获取所述峰值点匹配的第一谷值点和第二谷值点；
根据所述峰值点、所述第一谷值点和所述第二谷值点，获取目标数据段；
对所述目标数据段中的手腕特征参数进行动作识别，确定动作类型。
4.根据权利要求3所述的方法，其特征在于，对所述目标数据段中的手腕特征参数进行动作识别，确定动作类型，包括：
对所述目标数据段中的手腕特征参数进行归一化处理，得到归一化后的数据；
对所述归一化后的数据进行降维处理，得到降维后的数据；
对所述降维后的数据进行动作识别，确定动作类型。
5.根据权利要求1所述的方法，其特征在于，对所述手腕特征参数进行动作识别，确定动作类型，包括：
将所述手腕特征参数输入训练好的神经网络模型，对所述手腕特征参数进行动作识别，确定动作类型。
6.根据权利要求5所述的方法，其特征在于，所述将所述手腕特征参数输入训练好的神经网络模型，对所述手腕特征参数进行动作识别，确定动作类型之前，包括：
获取动作样本数据库；所述动作样本数据库包括投球动作样本、运球动作样本、传球动作样本、跑步动作样本以及走路动作样本；所述投球动作样本进一步包括单手投篮、双手投篮、反手投篮、低手投篮以及高手投篮，所述运球动作样本进一步包括原地高手运球、原地低手运球、原地交叉运球、行进间单手运球、行进间交叉运球，所述传球动作样本进一步包括单手胸前、单手肩上、单手反弹、双手胸前、双手反弹；
将所述动作样本数据库中的投球动作样本、运球动作样本、传球动作样本、跑步动作样本以及走路动作样本打乱，得到打乱后的样本数据；
提取所述打乱后的样本数据中的第一数量的样本数据，确定为训练集，以及提取所述打乱后的样本数据中的第二数量的样本数据，确定为交叉验证集，以及提取所述打乱后的样本数据中的第三数量的样本数据，确定为测试集；
根据所述训练集对初始化的神经网络模型进行训练，并在所述交叉验证集对应的验证误差最小时，得到验证后的神经网络模型；
利用所述测试集对所述验证后的神经网络模型进行测试，若测试结果满足预设条件，则确定所述验证后的神经网络模型为所述训练好的神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述用户的第一动作与第二动作之间的时间间隔；所述第一动作与所述第二动作为相邻的动作；
若所述时间间隔小于预设阈值，则判定所述第二动作为无效动作。
8.根据权利要求1所述的方法，其特征在于，所述三个轴线方向对应的手腕特征参数包括各轴线方向与水平方向的夹角；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数，包括：
对所述加速度和所述角速度进行姿态融合，得到姿态融合后的四元数；
对所述四元数进行处理，得到各轴线方向对应的重力分量；
根据所述各轴线方向对应的重力分量，得到所述各轴线方向与水平方向的夹角。
9.根据权利要求1所述的方法，其特征在于，所述三个轴线方向对应的手腕特征参数还包括各轴线方向对应的实际加速度和/或实际合加速度；
对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数，还包括：
对所述加速度和所述角速度进行姿态融合，得到姿态融合后的四元数；
对所述四元数进行处理，得到各轴线方向对应的重力分量；
根据所述三个轴线方向对应的加速度和所述各轴线方向对应的重力分量，得到所述各轴线方向对应的实际加速度；
根据所述各轴线方向对应的实际加速度，得到实际合加速度。
10.根据权利要求9所述的方法，其特征在于，对所述手腕特征参数进行动作识别，确定动作类型，包括：
对所述各轴线方向对应的实际加速度、所述实际合加速度以及所述各轴线方向与水平方向的夹角进行滤波，得到滤波后的数据；
对所述滤波后的数据进行动作识别，确定所述动作类型。
11.一种动作判定装置，其特征在于，所述装置包括：
手腕数据获取模块，用于获取用户手腕处的加速度和角速度；所述加速度包括三个轴线方向对应的加速度，所述角速度包括所述三个轴线方向对应的角速度；
特征参数计算模块，用于对所述加速度和所述角速度进行运算，得到所述三个轴线方向对应的手腕特征参数；
动作类型判定模块，用于对所述手腕特征参数进行动作识别，确定动作类型；所述动作类型包括投球、传球、运球、跑步以及走路中的至少一种。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-10中任意一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-10中任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910260058.2A CN111767932B (zh) | 2019-04-02 | 2019-04-02 | 动作判定方法及装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910260058.2A CN111767932B (zh) | 2019-04-02 | 2019-04-02 | 动作判定方法及装置、计算机设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767932A true CN111767932A (zh) | 2020-10-13 |
| CN111767932B CN111767932B (zh) | 2024-02-06 |
Family
ID=72718604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910260058.2A Active CN111767932B (zh) | 2019-04-02 | 2019-04-02 | 动作判定方法及装置、计算机设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767932B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115068918A (zh) * | 2021-03-12 | 2022-09-20 | Oppo广东移动通信有限公司 | 击球的输赢判定方法、装置、可穿戴设备以及存储介质 |
| WO2023097447A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳市韶音科技有限公司 | 运动数据标定方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120059824A (ko) * | 2010-12-01 | 2012-06-11 | 경희대학교 산학협력단 | 복합 센서를 이용한 실시간 모션 정보 획득 방법 및 시스템 |
| JP2013022188A (ja) * | 2011-07-20 | 2013-02-04 | Nippon Telegr & Teleph Corp <Ntt> | 歩容解析方法、歩容解析装置及びそのプログラム |
| CN104154915A (zh) * | 2014-07-04 | 2014-11-19 | 北京搜狗科技发展有限公司 | 一种基于智能穿戴设备的音频操作方法和智能穿戴设备 |
| US20160086323A1 (en) * | 2013-04-17 | 2016-03-24 | Foxteen Bgreen , S.L. | Method and system for determining whether a spherical element impacts with a component of a playing field, or arranged on or proximate thereto |
| CN106730771A (zh) * | 2017-01-05 | 2017-05-31 | 大连理工大学 | 一种基于单元动作划分的篮球动作数据处理方法 |
| CN107305138A (zh) * | 2016-04-20 | 2017-10-31 | 李斌 | 基于手腕姿态检测的篮球动作识别方法和系统 |
| CN107454970A (zh) * | 2016-04-26 | 2017-12-08 | 深圳市优宝创科技有限公司 | 一种基于球类运动的运动轨迹采集和分析的系统与方法 |
| JP2018068516A (ja) * | 2016-10-26 | 2018-05-10 | 国立大学法人名古屋大学 | 運動動作評価システム |
| CN109631888A (zh) * | 2019-01-04 | 2019-04-16 | 北京卡路里信息技术有限公司 | 动作轨迹识别方法、装置、可穿戴设备及存储介质 |
-
2019
- 2019-04-02 CN CN201910260058.2A patent/CN111767932B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120059824A (ko) * | 2010-12-01 | 2012-06-11 | 경희대학교 산학협력단 | 복합 센서를 이용한 실시간 모션 정보 획득 방법 및 시스템 |
| JP2013022188A (ja) * | 2011-07-20 | 2013-02-04 | Nippon Telegr & Teleph Corp <Ntt> | 歩容解析方法、歩容解析装置及びそのプログラム |
| US20160086323A1 (en) * | 2013-04-17 | 2016-03-24 | Foxteen Bgreen , S.L. | Method and system for determining whether a spherical element impacts with a component of a playing field, or arranged on or proximate thereto |
| CN104154915A (zh) * | 2014-07-04 | 2014-11-19 | 北京搜狗科技发展有限公司 | 一种基于智能穿戴设备的音频操作方法和智能穿戴设备 |
| CN107305138A (zh) * | 2016-04-20 | 2017-10-31 | 李斌 | 基于手腕姿态检测的篮球动作识别方法和系统 |
| CN107454970A (zh) * | 2016-04-26 | 2017-12-08 | 深圳市优宝创科技有限公司 | 一种基于球类运动的运动轨迹采集和分析的系统与方法 |
| JP2018068516A (ja) * | 2016-10-26 | 2018-05-10 | 国立大学法人名古屋大学 | 運動動作評価システム |
| CN106730771A (zh) * | 2017-01-05 | 2017-05-31 | 大连理工大学 | 一种基于单元动作划分的篮球动作数据处理方法 |
| CN109631888A (zh) * | 2019-01-04 | 2019-04-16 | 北京卡路里信息技术有限公司 | 动作轨迹识别方法、装置、可穿戴设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 孙祥: "基于IMU的可穿戴式人体行为识别系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, pages 138 - 1913 * |
| 王辉， 任昕旸， 于立君， 高菁， 童丽峰: "肢体语言检测与跟踪实验教学平台设计与开发", 《实验室科学》, vol. 20, no. 5, pages 81 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115068918A (zh) * | 2021-03-12 | 2022-09-20 | Oppo广东移动通信有限公司 | 击球的输赢判定方法、装置、可穿戴设备以及存储介质 |
| CN115068918B (zh) * | 2021-03-12 | 2023-12-29 | Oppo广东移动通信有限公司 | 击球的输赢判定方法、装置、可穿戴设备以及存储介质 |
| WO2023097447A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳市韶音科技有限公司 | 运动数据标定方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767932B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Materzynska et al. | The jester dataset: A large-scale video dataset of human gestures | |
| Anand et al. | Wearable motion sensor based analysis of swing sports | |
| Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
| KR101872907B1 (ko) | 듀얼 스마트 밴드를 이용한 모션 분석 장치 및 방법 | |
| CN111274998A (zh) | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 | |
| CN108021888A (zh) | 一种跌倒检测方法 | |
| CN111767932B (zh) | 动作判定方法及装置、计算机设备及计算机可读存储介质 | |
| CN111259735A (zh) | 基于多级预测特征增强卷积神经网络的单人姿态估计方法 | |
| CN111419237A (zh) | 脑卒中手部运动功能Carroll评分预测方法 | |
| Lu et al. | MFE-HAR: multiscale feature engineering for human activity recognition using wearable sensors | |
| Tsai et al. | Enhancing accuracy of human action Recognition System using Skeleton Point correction method | |
| Wang et al. | A2dio: Attention-driven deep inertial odometry for pedestrian localization based on 6d imu | |
| JP2021135619A (ja) | 状況識別装置、状況学習装置及びプログラム | |
| Tao et al. | Attention-based sensor fusion for human activity recognition using IMU signals | |
| KR20210054349A (ko) | 환자의 상지 동작에 의해 도출되는 특징값을 이용한 임상평가척도 예측 방법 | |
| Wang et al. | Arbitrary spatial trajectory reconstruction based on a single inertial sensor | |
| Kammoun et al. | Estimation of temporal parameters during running with a wrist-worn inertial sensor: An in-field validation | |
| Chu et al. | [Retracted] Image Recognition of Badminton Swing Motion Based on Single Inertial Sensor | |
| Almasi et al. | Investigating the Application of Human Motion Recognition for Athletics Talent Identification using the Head-Mounted Camera | |
| CN116740618A (zh) | 一种运动视频动作评估方法、系统、计算机设备及介质 | |
| Bevilacqua et al. | Rehabilitation exercise segmentation for autonomous biofeedback systems with ConvFSM | |
| US20220262013A1 (en) | Method for improving markerless motion analysis | |
| CN115050095A (zh) | 一种基于高斯过程回归和渐进滤波的人体姿态预测方法 | |
| Kim et al. | Evaluation of machine learning algorithms for worker’s motion recognition using motion sensors | |
| Samprita et al. | LSTM-based analysis of a hip-hop movement |
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 |