CN113627340B - 一种可识别跳绳模式的方法及设备 - Google Patents
一种可识别跳绳模式的方法及设备 Download PDFInfo
- Publication number
- CN113627340B CN113627340B CN202110917768.5A CN202110917768A CN113627340B CN 113627340 B CN113627340 B CN 113627340B CN 202110917768 A CN202110917768 A CN 202110917768A CN 113627340 B CN113627340 B CN 113627340B
- Authority
- CN
- China
- Prior art keywords
- rope
- judging
- rope skipping
- mode
- shaking
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 239000002356 single layer Substances 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种可识别跳绳模式的方法及设备，能够对跳绳的单摇模式、双摇模式、有绳模式和无绳模式进行识别，有利于提升用户体验以及全面分析用户的跳绳能力。
Description
技术领域
本发明涉及跳绳领域，特别涉及一种可识别跳绳模式的方法及设备。
背景技术
数字式跳绳现有的技术方案是通过霍尔传感器、按键开关、光电开关等方式记录跳绳的转动次数，并且跳绳具有多种模式，如“单摇”：要求选手双手摇绳，在一次起跳过程中，绳子从脚下穿过一次；“双摇”要求选手双手摇绳，在一次起跳过程中，绳子从脚下穿过两次；“有绳”就是日常我们认知的普通跳绳；“无绳”无绳跳绳实际上就是跳绳手柄上用一根短绳，连接一个配重物，它能给人一点跳绳时摇绳的感觉；但现有的跳绳只能计算跳绳个数，没有办法识别到一些特殊的姿态，不利于全面分析运动能力，急需一种可识别跳绳模式的方法及设备。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种可识别跳绳模式的方法及设备。
本发明的一种实施例解决其技术问题所采用的技术方案是：一种可识别跳绳模式的方法，包括单摇和双摇判断方法以及有绳和无绳判断方法：
单摇和双摇判断方法包括：
步骤1.1、通过三轴加速度传感器获取三轴加速度数据，分别对各轴加速度数据进行差分滤波和带通滤波后对信号波形进行判断，波形高低起伏的判断为双摇，否则判断为单摇；
步骤1.2、在时间窗口T1内，对三轴的数据都进行波形高低起伏的判断，如果有任意两个轴判断为高低起伏，则判断时间窗口T1内的波形为高低起伏，为双摇模式，否则为单摇模式；
有绳和无绳判断方法包括：
步骤2.1、通过三轴加速度传感器获取三轴加速度数据，分别对各轴加速度数据的平滑度进行计算；
步骤2.2、设定时间窗口T2，获取当时间窗口T2内的跳绳频率G1，根据实际情况来记录时间窗口T2内为有绳或无绳，将平滑度和跳绳频率G1视为条件，有绳和无绳视为标签，并大量收集数据，使用单层决策树作为弱分类器，使用训练算法来训练单层决策树，得到每棵决策树的参数和权重；
步骤2.3、将当前的跳绳频率G1和信号平滑度输入到每棵决策树，所有决策树的输出结果乘以权重之后进行累加，以得到当前为有绳模式或无绳模式。
进一步地，波形是否属于高低起伏的判断方法包括：
步骤1.1.1、通过数据统计来设定一个阈值A，时间窗口T1内的波形峰值为B，对每个轴单独计算时间窗口T1内的峰值平均值C，计算峰值B大于(峰值平均值C+阈值A)与峰值B小于(峰值平均值C-阈值A)的比值E，如果比值2:3<E<1:2，则判断该轴的波形属于高低起伏。
进一步地，单摇和双摇判断方法还包括：
步骤1.3、获取跳绳的时间间隔T3，计算相邻两个高于阈值A的峰值B之间的时间间隔T4，对三轴的数据都进行上述计算，如果有任意两个轴的T4＝2T3，则判断为双摇模式，否则为单摇模式。
进一步地，跳绳的时间间隔T3的获取方法如下：通过霍尔传感器获取时间T5内的跳绳个数F，T3＝T5/F。
进一步地，跳绳的时间间隔T3的获取方法如下：
步骤1.3.1、对时间窗口T6内的三轴加速度数据进行差分滤波，对滤波后的三轴加速度数据分别进行求绝对值，相加后取平均值，以获得一活动量系数，当活动量系数大于阈值时，判断为此时在跳绳；
步骤1.3.2、对时间窗口T6内的数据进行带通滤波，然后进行傅里叶变换，以得出频率分布，能量最高的频率即为跳绳的频率G2，T3＝1/G2。
进一步地，带通滤波的频率范围设置为0.5-6Hz。
进一步地，单摇和双摇判断方法还包括：
步骤1.4、对一时间段内的多个时间窗口T1识别的结果进行统计，若该时间段内单摇的比例多于双摇，则将该时间段内的跳绳模式判断为单摇；若该时间段内双摇的比例多于单摇，则将该时间段内的跳绳模式判断为双摇。
进一步地，有绳和无绳判断方法还包括：
步骤2.4、对一时间段内的多个时间窗口T2识别的结果进行统计，若该时间段内有绳的比例多于无绳，则将该时间段内的跳绳模式判断为有绳；若该时间段内无绳的比例多于有绳，则将该时间段内的跳绳模式判断为无绳。
进一步地，训练算法至少可设置为基于Adaboost集成算法或基于Bagging集成算法。
一种可识别跳绳模式的设备，应用所述的识别跳绳模式的方法。
本发明的有益效果：本发明了一种可识别跳绳模式的方法及设备，能够对跳绳的单摇模式、双摇模式、有绳模式和无绳模式进行识别，有利于提升用户体验以及全面分析用户的跳绳能力。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为单摇的信号波形图；
图2为双摇的信号波形图；
图3为有绳的信号波形图；
图4为无绳的信号波形图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明中，除非另有明确的限定，“设置”、“安装”、“连接”等词语应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连；可以是固定连接，也可以是可拆卸连接，还可以是一体成型；可以是机械连接；可以是两个元件内部的连通或两个元件的相互作用关系。所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1-4，一种可识别跳绳模式的方法，包括单摇和双摇判断方法以及有绳和无绳判断方法：
单摇和双摇判断方法包括：
步骤1.1、通过三轴加速度传感器获取三轴加速度数据，分别对各轴加速度数据进行差分滤波和带通滤波后对信号波形进行判断，波形高低起伏的判断为双摇，否则判断为单摇；
步骤1.2、在时间窗口T1内，对三轴的数据都进行波形高低起伏的判断，如果有任意两个轴判断为高低起伏，则判断时间窗口T1内的波形为高低起伏，为双摇模式，否则为单摇模式；
有绳和无绳判断方法包括：
步骤2.1、通过三轴加速度传感器获取三轴加速度数据，分别对各轴加速度数据的平滑度进行计算；
步骤2.2、设定时间窗口T2，获取当时间窗口T2内的跳绳频率G1，根据实际情况来记录时间窗口T2内为有绳或无绳，将平滑度和跳绳频率G1视为条件，有绳和无绳视为标签，并大量收集数据，使用单层决策树作为弱分类器，使用训练算法来训练单层决策树，得到每棵决策树的参数和权重；
步骤2.3、将当前的跳绳频率G1和信号平滑度输入到每棵决策树，所有决策树的输出结果乘以权重之后进行累加，以得到当前为有绳模式或无绳模式。
在单摇模式和双摇模式的判断中，包括采集三轴加速度的原始数据，单独对每个轴原始数据进行差分滤波，求出加速度的变化量，对加速度的变化量进行带通滤波，参照图1-2，经过上述步骤之后，可以发现单摇和双摇的信号是有差异的，具体表现为单摇带通滤波之后的信号比较稳定，而双摇带通滤波之后的信号有高低起伏；判断波形是否满足高低起伏，判断方法如下：1)每个轴单独计算一个时间窗口T1，设定一个阈值A，时间窗口T1内的波形峰值为B，对每个轴单独计算时间窗口T1内的峰值平均值C，计算峰值B大于(峰值平均值C+阈值A)与峰值B小于(峰值平均值C-阈值A)的比值E，如果比值2:3<E<1:2，则判断该轴的波形属于高低起伏，例如：时间窗口T1为5s，阈值A通过数据统计得出，可以是峰值平均值的百分之5％，也可以是每个峰值与均值标准差的25％；2)三个轴的数据都需要计算，如果有两个轴判断为高低起伏，就可以判定该时间窗口的加速度信号满足高低起伏；经过上述步骤后，需要再次确认高低起伏的波形是否为双摇，具体如下：获取跳绳的时间间隔T3，计算相邻两个高于阈值A的峰值B之间的时间间隔T4，对三轴的数据都进行上述计算，如果有任意两个轴的T4＝2T3，则判断为双摇模式，否则为单摇模式；更进一步的，为了提高识别的准确性，需要对一段时间内的多个时间窗口识别的结果进行统计，如果这段时间内单摇的比例多于双摇，就可以把这段时间的跳绳模式识别为单摇，反之亦然。
在有绳模式和无绳模式的判断，包括1、采集三轴加速度的原始数据，参照图3-4，可以看出有绳模式和无绳模式在信号的平滑度上面有比较大的差异；2、然后对波形进行差分滤波和带通滤波，然后对信号波形的平滑度进行计算，波形的平滑度计算可以有如下实施例：对信号进行傅里叶变换，计算频谱最高峰与其他频率之和的比值，比值越高，信号平滑度越好；3、计算当前跳绳频率，因为同样是有绳或无绳模式，不同跳绳频率下的平滑度是有一定差异的，在判断有绳或者无绳模式的时候，需要把当前的跳绳频率与信号平滑度综合考虑；4、根据跳绳频率的参数与信号平滑度的参数，判断当前是有绳模式还是无绳模式；5、下面讲述如何使用信号平滑度和跳绳频率进行模式识别：1)以5s为一个时间窗口，计算5s内的信号平滑度以及跳绳频率，跳绳频率为这5s内霍尔传感器记录到的跳绳个数除以时间；2)根据实际情况，给这5s的数据记录为有绳或者无绳；3)把平滑度、跳绳频率视为条件，有绳和无绳视为标签；4)收集大量满足1)2)3)所述的数据；5)利用采集到的数据，使用单层决策树作为弱分类器，使用训练算法来训练单层决策树，训练算法至少可设置为基于Adaboost集成算法或基于Bagging集成算法，在此不做限制，由此可得到每棵决策树的参数以及权重；6)在进行有绳和无绳模式识别的时候，把当前的跳绳频率和信号平滑度输入到每棵决策树，所有决策树的输出结果乘以权重之后进行累加就可以得到最终结果；7)为了提高识别的准确性，需要对一段时间内的多个时间窗口识别的结果进行统计，如果这段时间内有绳的比例多于无绳，就可以把这段时间识别为有绳模式，反之亦然。
不管在单摇模式和双摇模式的判断还是有绳模式和无绳模式的判断中，都需要获取跳绳个数的方法，作为跳绳个数获取的第一实施例，跳绳的时间间隔T3的获取方法如下：通过霍尔传感器获取时间T5内的跳绳个数F，T3＝T5/F；作为跳绳个数获取的第二实施例，步骤1.3.1、对时间窗口T6内的三轴加速度数据进行差分滤波，对滤波后的三轴加速度数据分别进行求绝对值，相加后取平均值，以获得一活动量系数，当活动量系数大于阈值时，判断为此时在跳绳；步骤1.3.2、对时间窗口T6内的数据进行带通滤波，然后进行傅里叶变换，以得出频率分布，能量最高的频率即为跳绳的频率G2，T3＝1/G2，具体地，包括1)计算5s内加速度数据进行差分滤波(其中一种实现方案就是当前采集到的数据减去上一笔采集到的数据)，滤波之后的数据先求绝对值，然后相加求平均，会得到一个活动量系数，当这个活动量系数大于阈值的时候，认为现在是在跳绳；满足条件1)之后，对5s窗口内的数据进行(0.5-6Hz)的带通滤波，然后做傅里叶变换，求出傅里叶变换之后得出频率分布，其中能量最高的频率就是跳绳的频率了。
波形是否属于高低起伏的判断方法包括：
步骤1.1.1、通过数据统计来设定一个阈值A，时间窗口T1内的波形峰值为B，对每个轴单独计算时间窗口T1内的峰值平均值C，计算峰值B大于(峰值平均值C+阈值A)与峰值B小于(峰值平均值C-阈值A)的比值E，如果比值2:3<E<1:2，则判断该轴的波形属于高低起伏。
单摇和双摇判断方法还包括：
步骤1.3、获取跳绳的时间间隔T3，计算相邻两个高于阈值A的峰值B之间的时间间隔T4，对三轴的数据都进行上述计算，如果有任意两个轴的T4＝2T3，则判断为双摇模式，否则为单摇模式。
带通滤波的频率范围设置为0.5-6Hz。
单摇和双摇判断方法还包括：
步骤1.4、对一时间段内的多个时间窗口T1识别的结果进行统计，若该时间段内单摇的比例多于双摇，则将该时间段内的跳绳模式判断为单摇；若该时间段内双摇的比例多于单摇，则将该时间段内的跳绳模式判断为双摇。
有绳和无绳判断方法还包括：
步骤2.4、对一时间段内的多个时间窗口T2识别的结果进行统计，若该时间段内有绳的比例多于无绳，则将该时间段内的跳绳模式判断为有绳；若该时间段内无绳的比例多于有绳，则将该时间段内的跳绳模式判断为无绳。
训练算法至少可设置为基于Adaboost集成算法或基于Bagging集成算法。
一种可识别跳绳模式的设备，应用所述的识别跳绳模式的方法。
当然，本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出等同变形或替换，这些等同的变形和替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种可识别跳绳模式的方法，其特征在于，包括单摇和双摇判断方法以及有绳和无绳判断方法：
单摇和双摇判断方法包括：
步骤1.1、通过三轴加速度传感器获取三轴加速度数据，分别对各轴加速度数据进行差分滤波和带通滤波后对信号波形进行判断，波形高低起伏的判断为双摇，否则判断为单摇；
步骤1.1.1、通过数据统计来设定一个阈值A，时间窗口T1内的波形峰值为B，对每个轴单独计算时间窗口T1内的峰值平均值C，计算峰值B大于(峰值平均值C+阈值A)与峰值B小于(峰值平均值C-阈值A)的比值E，如果比值2:3<E<1:2，则判断该轴的波形属于高低起伏；
步骤1.2、在时间窗口T1内，对三轴的数据都进行波形高低起伏的判断，如果有任意两个轴判断为高低起伏，则判断时间窗口T1内的波形为高低起伏，为双摇模式，否则为单摇模式；
步骤1.3、获取跳绳的时间间隔T3，计算相邻两个高于阈值A的峰值B之间的时间间隔T4，对三轴的数据都进行上述计算，如果有任意两个轴的T4＝2T3，则判断为双摇模式，否则为单摇模式；
步骤1.4、对一时间段内的多个时间窗口T1识别的结果进行统计，若该时间段内单摇的比例多于双摇，则将该时间段内的跳绳模式判断为单摇；若该时间段内双摇的比例多于单摇，则将该时间段内的跳绳模式判断为双摇；
有绳和无绳判断方法包括：
步骤2.1、通过三轴加速度传感器获取三轴加速度数据，分别对各轴加速度数据的平滑度进行计算；
步骤2.2、设定时间窗口T2，获取当时间窗口T2内的跳绳频率G1，根据实际情况来记录时间窗口T2内为有绳或无绳，将平滑度和跳绳频率G1视为条件，有绳和无绳视为标签，并大量收集数据，使用单层决策树作为弱分类器，使用训练算法来训练单层决策树，得到每棵决策树的参数和权重；
步骤2.3、将当前的跳绳频率G1和信号平滑度输入到每棵决策树，所有决策树的输出结果乘以权重之后进行累加，以得到当前为有绳模式或无绳模式；
步骤2.4、对一时间段内的多个时间窗口T2识别的结果进行统计，若该时间段内有绳的比例多于无绳，则将该时间段内的跳绳模式判断为有绳；若该时间段内无绳的比例多于有绳，则将该时间段内的跳绳模式判断为无绳。
2.根据权利要求1所述的一种可识别跳绳模式的方法，其特征在于，跳绳的时间间隔T3的获取方法如下：通过霍尔传感器获取时间T5内的跳绳个数F，T3＝T5/F。
3.根据权利要求1所述的一种可识别跳绳模式的方法，其特征在于：跳绳的时间间隔T3的获取方法如下：
步骤1.3.1、对时间窗口T6内的三轴加速度数据进行差分滤波，对滤波后的三轴加速度数据分别进行求绝对值，相加后取平均值，以获得一活动量系数，当活动量系数大于阈值时，判断为此时在跳绳；
步骤1.3.2、对时间窗口T6内的数据进行带通滤波，然后进行傅里叶变换，以得出频率分布，能量最高的频率即为跳绳的频率G2，T3＝1/G2。
4.根据权利要求3所述的一种可识别跳绳模式的方法，其特征在于：带通滤波的频率范围设置为0.5-6Hz。
5.根据权利要求1所述的一种可识别跳绳模式的方法，其特征在于：所述训练算法至少可设置为基于Adaboost集成算法或基于Baggi ng集成算法。
6.一种可识别跳绳模式的设备，其特征在于：应用权利要求1-5任一项所述的识别跳绳模式的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917768.5A CN113627340B (zh) | 2021-08-11 | 2021-08-11 | 一种可识别跳绳模式的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917768.5A CN113627340B (zh) | 2021-08-11 | 2021-08-11 | 一种可识别跳绳模式的方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627340A CN113627340A (zh) | 2021-11-09 |
| CN113627340B true CN113627340B (zh) | 2024-02-09 |
Family
ID=78384357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110917768.5A Active CN113627340B (zh) | 2021-08-11 | 2021-08-11 | 一种可识别跳绳模式的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627340B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113893517B (zh) * | 2021-11-22 | 2022-06-17 | 动者科技(杭州)有限责任公司 | 基于差帧法的跳绳真假判断方法及系统 |
| CN114832277B (zh) * | 2022-05-20 | 2024-02-06 | 广东沃莱科技有限公司 | 一种跳绳模式的识别方法及跳绳 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010124844A (ja) * | 2008-11-25 | 2010-06-10 | Hakubun:Kk | 縄跳びグリップ |
| KR20110127856A (ko) * | 2010-05-20 | 2011-11-28 | 원광대학교산학협력단 | 운동패턴 분석방법 및 이를 이용한 운동량 산출장치 |
| CN203816131U (zh) * | 2014-01-09 | 2014-09-10 | 林培林 | 电子跳绳运动健身器 |
| CN109737952A (zh) * | 2018-12-12 | 2019-05-10 | 安徽华米信息科技有限公司 | 跳绳数据处理方法、装置及可穿戴设备 |
| CN109830277A (zh) * | 2018-12-12 | 2019-05-31 | 平安科技（深圳）有限公司 | 一种跳绳监测方法、电子装置及存储介质 |
| CN111346336A (zh) * | 2020-03-10 | 2020-06-30 | 深圳市智运体育科技有限公司 | 智能跳绳体能训练系统 |
| CN111401435A (zh) * | 2020-03-13 | 2020-07-10 | 安徽工业大学 | 一种基于运动手环的人体运动模式识别方法 |
| CN112642095A (zh) * | 2021-01-11 | 2021-04-13 | 上海龙旗科技股份有限公司 | 一种基于可穿戴设备的无绳跳绳检测方法、装置及设备 |
| CN113117284A (zh) * | 2021-04-13 | 2021-07-16 | 西北工业大学 | 一种基于声信号的跳绳计数方法及计数器 |
-
2021
- 2021-08-11 CN CN202110917768.5A patent/CN113627340B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010124844A (ja) * | 2008-11-25 | 2010-06-10 | Hakubun:Kk | 縄跳びグリップ |
| KR20110127856A (ko) * | 2010-05-20 | 2011-11-28 | 원광대학교산학협력단 | 운동패턴 분석방법 및 이를 이용한 운동량 산출장치 |
| CN203816131U (zh) * | 2014-01-09 | 2014-09-10 | 林培林 | 电子跳绳运动健身器 |
| CN109737952A (zh) * | 2018-12-12 | 2019-05-10 | 安徽华米信息科技有限公司 | 跳绳数据处理方法、装置及可穿戴设备 |
| CN109830277A (zh) * | 2018-12-12 | 2019-05-31 | 平安科技（深圳）有限公司 | 一种跳绳监测方法、电子装置及存储介质 |
| CN111346336A (zh) * | 2020-03-10 | 2020-06-30 | 深圳市智运体育科技有限公司 | 智能跳绳体能训练系统 |
| CN111401435A (zh) * | 2020-03-13 | 2020-07-10 | 安徽工业大学 | 一种基于运动手环的人体运动模式识别方法 |
| CN112642095A (zh) * | 2021-01-11 | 2021-04-13 | 上海龙旗科技股份有限公司 | 一种基于可穿戴设备的无绳跳绳检测方法、装置及设备 |
| CN113117284A (zh) * | 2021-04-13 | 2021-07-16 | 西北工业大学 | 一种基于声信号的跳绳计数方法及计数器 |
Non-Patent Citations (5)
| Title |
|---|
| A double spherical 6R linkage with spatial crank-rocker characteristics inspired by kirigami;Weiqi Liu;《Mechanism and Machine Theory》;1-13 * |
| Skip pattern analysis for detection of undetermined and inconsistent data;Suzan Arslanturk 等;《2012 5th International Conference on BioMedical Engineering and Informatics》;1-5 * |
| 基于双摇跳绳和自行车的 SIT 能量代谢特征及训练效果比较;赵亭;《中国优秀硕士学位论文全文数据库 (社会科学Ⅱ辑)》;H134-131 * |
| 基于随机森林算法的人体运动模式识别研究;刘玉琪;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;I138-393 * |
| 采用神经网络方法建立单摇并步跳绳的能量消耗预测模型研究;李宇轩 等;《中国运动医学杂志》;682-692 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627340A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627340B (zh) | 一种可识别跳绳模式的方法及设备 | |
| CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
| CN105496363B (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
| CN109009028B (zh) | 一种反映人体疲劳程度的穿戴式设备 | |
| CN111553617B (zh) | 基于虚拟场景中认知力的操控工效分析方法、设备及系统 | |
| CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测系统 | |
| CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及系统 | |
| CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| CN106228200A (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
| CN110123314A (zh) | 基于脑电信号判断大脑专注放松状态的方法 | |
| CN107979985A (zh) | 一种车载健康安全驾驶辅助装置 | |
| CN107890339B (zh) | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 | |
| CN108289636A (zh) | 用于确定对象的呼吸速率的方法和装置 | |
| CN109743667A (zh) | 耳机佩戴检测方法与耳机 | |
| CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
| CN112137601B (zh) | 信号处理方法、装置、车辆及存储介质 | |
| CN105726013A (zh) | 一种具有心电信号质量判别功能的心电监测系统 | |
| CN115137308A (zh) | 一种提高智能穿戴设备睡眠算法中出入睡检测准确性的方法 | |
| CN103892797B (zh) | 一种用于睡眠结构分析的信号处理方法和装置 | |
| CN112741943B (zh) | 一种带睡眠稳定性决策原则数据库的助眠系统 | |
| CN108771539A (zh) | 一种基于摄像的非接触式心率的检测方法及其装置 | |
| CN108260012A (zh) | 电子装置、视频播放控制方法及相关产品 | |
| CN111887836B (zh) | 心电信号的处理方法、装置及设备 | |
| CN110432891A (zh) | 一种自动化提取心电节拍的特征提取和分类方法 | |
| CN106377250B (zh) | 睡眠状态下的脑电信号数据类型的标注设备 |
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 |