CN113856132A - 一种跳绳动作识别系统、方法及跳绳 - Google Patents

Abstract

本发明公开了一种跳绳动作识别系统、方法及跳绳，其中系统包括：三轴加速度计，安装在跳绳手柄上，用于采集人体运动数据；压力传感器阵列，安装在跳绳手柄上，用于采集握持状态数据；数据处理模块，用于采用预设的跳绳动作识别模型对所述人体运动数据进行处理，识别获得跳绳的动作类别；以及采用预设的握持状态识别模型对所述握持状态数据进行处理，识别获得握持方法类别。本发明通过三轴加速度计采集人体运动数据，压力传感器阵列采集握持状态数据，根据采集到的数据识别用户的跳绳动作以及握持方法，帮助用户建立科学锻炼计划，规范跳绳动作。本发明可广泛应用于智能健身运动设备技术领域。

Description

一种跳绳动作识别系统、方法及跳绳

技术领域

本发明涉及智能健身运动设备技术领域，尤其涉及一种跳绳动作识别系统、方法及跳绳。

背景技术

作为一项简单易行、推行广泛的运动，跳绳适合大多数人进行有氧锻炼以及进行具有较高趣味性的花样跳绳训练。但是错误的跳绳动作会带给运动者较为严重的运动损伤，而运动者在训练时往往很难意识到自己犯下错误，所以需要有效的跳绳动作识别方法及系统对运动者进行提醒，及时纠正错误动作，防止出现运动损伤。目前尚没有一种技术方案对跳绳的错误动作进行识别。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种跳绳动作识别系统、方法及跳绳。

本发明所采用的技术方案是：

一种跳绳动作识别系统，包括：

三轴加速度计，安装在跳绳手柄上，用于采集人体运动数据；

压力传感器阵列，安装在跳绳手柄上，用于采集握持状态数据；

数据处理模块，用于采用预设的跳绳动作识别模型对所述人体运动数据进行处理，识别获得跳绳的动作类别；以及采用预设的握持状态识别模型对所述握持状态数据进行处理，识别获得握持方法类别。

进一步，所述跳绳动作识别系统还包括心率传感器；

所述心率传感器安装在跳绳手柄上，用于采集人体脉搏数据；

所述数据处理模块采用预设的心率计算模型对所述人体脉搏数据进行处理，获得实时心率值。

进一步，所述跳绳动作识别模型通过以下步骤训练获得：

获取多种跳绳行为类别对应的三轴加速度计的三通道数据，作为第一训练集；

采用所述第一训练集对模型进行训练，获得所述跳绳动作识别模型；

其中，多种跳绳行为类别包括直膝着地、脚跟着地、左右偏颇三类跳绳错误动作，以及正常跳绳动作；

所述握持状态识别模型通过以下步骤训练获得：

获取多种握持状态类别下，压力传感器阵列对应的模拟电压值，作为第二训练集；

采用所述第二训练集对模型进行训练，获得所述握持状态识别模型；

其中，多种握持状态类别包括拳峰偏上、拳峰偏下、三指轻握三种类别。

进一步，所述心率计算模型包括心率传感器接触状态分类模型和心率波形寻峰器；

所述心率传感器接触状态分类模型的输入数据为所述心率传感器采集的人体脉搏数据，输出类别包括接触良好和接触不良；

在识别到接触良好后，采用所述心率波形寻峰器对所述人体脉搏数据进行寻峰并计算心率值；

其中，所述心率波形寻峰器为基于连续小波变换的寻峰算法模型。

进一步，所述数据处理模块还设置有跳绳个数计数模型，所述跳绳个数计数模型包括跳绳状态分类模型和合加速度寻峰器；

所述跳绳状态分类模型的输入数据为所述三轴加速度计采集的人体运动数据，输出类别包括非跳绳状态、双脚跳绳状态以及交替脚跳绳状态；

在识别到双脚跳绳状态或交替脚跳绳状态后，采用所述合加速度寻峰器进行计算跳绳计数；

其中，所述合加速度寻峰器为一个基于连续小波变换的一个寻峰算法模型，对三轴加速度计的三通道数据进行换算得到的合加速度时序数据进行波峰寻找。

进一步，所述数据处理模块中还设置有花样跳绳动作识别模型；

所述花样跳绳动作识别模型的输入数据为所述三轴加速度计采集的人体运动数据，输出类别包括左右甩绳、并脚跳、双脚并脚跳、开合跳、弓步跳、并脚左右跳、基本交叉跳、勾脚点地跳以及非花样跳绳。

进一步，所述跳绳动作识别系统还包括无线传输模块，所述无线传输模块用于将所述人体运动数据以及所述握持状态数据传输至数据处理模块。

进一步，所述跳绳动作识别系统还包括显示模块；

所述显示模块用于显示识别结果，以及在识别到错误的跳绳动作时，生成提示信息。

本发明所采用的另一技术方案是：

一种跳绳，包括跳绳手柄，所述跳绳手柄上设有如上所述的一种跳绳动作识别系统。

本发明所采用的另一技术方案是：

一种跳绳动作识别方法，包括以下步骤：

通过三轴加速度计采集人体运动数据；

通过压力传感器阵列采集握持状态数据；

采用预设的跳绳动作识别模型对所述人体运动数据进行处理，识别获得跳绳的动作类别；

采用预设的握持状态识别模型对所述握持状态数据进行处理，识别获得握持方法类别。

本发明的有益效果是：本发明通过三轴加速度计采集人体运动数据，压力传感器阵列采集握持状态数据，根据采集到的数据识别用户的跳绳动作以及握持方法，帮助用户建立科学锻炼计划，规范跳绳动作。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例中跳绳识别系统的示意图；

图2是本发明实施例中跳绳机械模块示意图；

图3是本发明实施例中跳绳状态分类模型数据中非跳绳状态数据示例；

图4是本发明实施例中跳绳状态分类模型数据中双脚跳绳状态数据示例；

图5是本发明实施例中跳绳状态分类模型数据中交替脚跳绳状态数据示例；

图6是本发明实施例中深度学习长短期记忆网络结构示意图；

图7是本发明实施例中心率传感器接触质量差时所采集的数据波形图；

图8是本发明实施例中心率传感器接触质量良好时所采集的数据波形图；

图9是本发明实施例中通过三轴加速度计采集的脚跟着地动作数据波形图；

图10是本发明实施例中通过三轴加速度计采集的直膝着地动作数据波形图；

图11是本发明实施例中通过三轴加速度计采集的左右偏颇动作数据波形图；

图12是本发明实施例中通过三轴加速度计采集的正确动作跳绳数据波形图；

图13是本发明实施例中微信小程序端在用户使用过程中的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

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。

在本发明的描述中，若干的含义是一个或者多个，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。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，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。

本实施例提供一种跳绳动作识别系统，包括：

三轴加速度计，安装在跳绳手柄上，用于采集人体运动数据；

压力传感器阵列，安装在跳绳手柄上，用于采集握持状态数据；

数据处理模块，用于采用预设的跳绳动作识别模型对所述人体运动数据进行处理，识别获得跳绳的动作类别；以及采用预设的握持状态识别模型对所述握持状态数据进行处理，识别获得握持方法类别。

三轴加速度计和压力传感器阵列安装在跳绳手柄上，三轴加速度计采集三通道数据作为人体运动数据，三通道数据指的是三轴加速度计所采集得到的x轴方向、y轴方向、z轴方向加速度的值；压力传感器阵列安装在握柄的位置，根据手部与握柄的接触，输出不同的模拟电压值，该模拟电压值作为握持状态数据。数据处理模块可安装在手柄上，也可不安装在手柄上，该数据处理模块为具有数据运算能力以及数据处理能力的装置，比如智能终端、平板电话或者电脑等。在一些实施例中，跳绳手柄上还安装有无线通讯模块(比如蓝牙模块或WiFi模块)，三轴加速度计和压力传感器阵列采集到的数据通过无线通讯模块传输至数据处理模块。在一些实施例中，该数据处理模块为智能终端，可通过智能终端的显示屏显示最终识别的结果。

在一些可选的实施方式中，跳绳动作识别系统还包括心率传感器；

心率传感器安装在跳绳手柄上，用于采集人体脉搏数据；

数据处理模块采用预设的心率计算模型对人体脉搏数据进行处理，获得实时心率值。

心率计算模型包括心率传感器接触状态分类模型和心率波形寻峰器；

心率传感器接触状态分类模型的输入数据为心率传感器采集的模拟电压值，输出类别包括接触良好和接触不良；

在识别到接触良好后，采用心率波形寻峰器对人体脉搏数据进行寻峰并计算心率值；

其中，心率波形寻峰器为基于连续小波变换的寻峰算法模型。

通过心率传感器实时采集用于的人体脉搏数据，并根据人体脉搏数据计算用户的心率值，辅助用户科学地运动。其中，心率传感器可采用光容积心率传感器来实现。

在一些可选的实施方式中，数据处理模块还设置有跳绳个数计数模型，跳绳个数计数模型包括跳绳状态分类模型和合加速度寻峰器；

跳绳状态分类模型的输入数据为三轴加速度计采集的三通道数据，输出类别包括非跳绳状态、双脚跳绳状态以及交替脚跳绳状态；

在识别到双脚跳绳状态或交替脚跳绳状态后，采用合加速度寻峰器进行计算跳绳计数；

其中，合加速度寻峰器为一个基于连续小波变化的一个寻峰算法模型，对三轴加速度计的三通道数据进行换算得到的合加速度时序数据进行波峰寻找。

数据处理模块中还设置有花样跳绳动作识别模型；

花样跳绳动作识别模型的输入数据为三轴加速度计的三通道数据，输出类别包括左右甩绳、并脚跳、双脚并脚跳、开合跳、弓步跳、并脚左右跳、基本交叉跳、勾脚点地跳以及非花样跳绳。

通过跳绳个数计数模型计算跳绳的个数，通过花样跳绳动作识别模型识别用户跳绳采用的姿势，增加了跳绳动作识别系统的功能。

以下结合具体具体实施例对上述系统进行详细解释说明。

本实施例提供一种跳绳动作识别设备，设备包括主要两个通信设备，其中一个设备以跳绳握把为例，另一个设备以智能手机为例，其中智能手机中所使用的前端界面以微信小程序为例，但不限于微信小程序。跳绳握把与智能手机之间的通信系统包括的主要模块如图1所示。

本实施例主要是跳绳硬件系统与微信小程序端的数据进行交互，完成数据的采集工作、数据处理工作、数据展示与交互工作。其中跳绳硬件系统包括跳绳机械模块、数据采集模块、控制芯片模块、蓝牙通信模块，微信小程序端包括蓝牙通信模块、控制芯片模块、数据处理模块、人机交互模块。其中跳绳机械模块示意图如图2所示，跳绳手柄100包括压力传感器阵列模组110、光容积心率传感器模组120、芯片模组130、三轴加速度计模组140、储能器件模组150、开关模组160。可以理解地，跳绳手柄100包含实现基本功能的其他模组，如震动电机模组、充电模组等。

模组110压力传感器阵列可以采集阵列数量的多通道时序数据HoS Data，模组120光容积心率传感器可以采集单通道的心率传感器数据PPG Data，模组140三轴加速度计可以采集三轴X,Y,Z通道数据，并可以计算合加速度值。

其中，合加速度值可以通过下述公式(1)计算得到：

将可能出现在竞速跳绳中的状态分为三类：非跳绳状态、双脚跳绳状态、交替脚跳绳状态。通过三轴加速度计采集的非跳绳、双脚跳绳、交替脚跳绳行为的数据波形分别如图3、图4、图5所示。在数据预处理部分三轴加速度数据被分割为时间长度为4s的信号帧，由于加速度计数据的采集频率是10Hz，因此4s的信号帧的长度为N＝40。并以原数据x轴、y轴、z轴方向加速度值及经换算得到的合加速度数值组成4通道数据作为模型输入，对如图6所示的长短期记忆网络模型进行训练，训练得到的模型记为JRSNet，并将JRSNet部署于微信云托管平台，供微信小程序端的数据处理模块调用，实际使用时每2s调用一次，输入数据为此2s数据的拷贝堆叠矩阵，保证信号帧N＝40，符合模型输入需求，输出是三类别中其中一类。并选用固定参数的基于连续小波变换的寻峰器JRSPeak对被JRSNet模型分类为双脚跳绳状态和交替脚跳绳状态的数据进行寻峰，并将寻得的峰的数目作为这段时间内用户跳绳的个数。

同样地，将心率传感器接触质量不同时所采集得到的数据分别记为接触不良和接触良好类，所采集的数据波形分别如图7、图8所示，光容积心率数据被分为时间长度为2s的信号帧，由于选用的采样频率为40Hz，故而每段信号帧的长度为N＝80。对如图6所示的长短期记忆网络模型进行训练，训练得到的模型记为PPGNet，并将PPGNet部署于微信云托管平台，供微信小程序端的数据处理模块调用，输出结果为接触不良类或接触良好类，并选用固定参数的基于连续小波变换的寻峰器PPGPeak对被PPGNet模型分类为接触良好类的数据进行寻峰，并将寻得的峰的数目根据公式(2)计算得心率值。

其中Bit Times表示心率值，单位是Bpm；num是指采样时间内存在完整光容积波形的个数；t表示采样时间，单位为s；f表示采样频率，单位是Hz。

将常见可能出现在竞速跳绳中的跳绳动作暂分为四类：脚跟着地状态、直膝着地状态、左右偏颇状态、正确动作状态。通过三轴加速度计采集的脚跟着地状态、直膝着地状态、左右偏颇状态、正确动作状态的数据波形分别如图9、图10、图11、图12所示。在数据预处理部分三轴加速度数据被分割为时间长度为4s的信号帧，由于加速度计数据的采集频率是10Hz，因此4s的信号帧的长度为N＝40。并以原数据x轴、y轴、z轴方向加速度值及经换算得到的合加速度数值组成4通道数据作为模型输入，对如图6所示的长短期记忆网络模型进行训练，训练得到的模型记为JERNet，并将JERNet部署于微信云托管平台，供微信小程序端的数据处理模块调用，实际使用时每2s调用一次，输入数据为此2s数据的拷贝堆叠矩阵，保证信号帧N＝40，符合模型输入需求，输出是四类别中其中一类。

同样地，将花样跳绳按全国跳绳大众等级锻炼标准动作中的一级动作：左右甩绳、并脚跳、双脚并脚跳、开合跳、弓步跳、并脚左右跳、基本交叉跳、勾脚点地跳以及非花样跳绳分为9个类别，在数据预处理部分三轴加速度数据被分割为时间长度为4s的信号帧，由于加速度计数据的采集频率是10Hz，因此4s的信号帧的长度为N＝40。并以原数据x轴、y轴、z轴方向加速度值及经换算得到的合加速度数值组成4通道数据作为模型输入，对如图6所示的长短期记忆网络模型进行训练，训练得到的模型记为FJRNet，并将FJRNet部署于微信云托管平台，供微信小程序端的数据处理模块调用。

将握把握持动作按常见用户习惯分为拳峰偏上、拳峰偏下、三指轻握三种类别，数据预处理时，数据被分割为时间长度为4s的信号帧，由于压力传感器数据的采集频率是10Hz，因此4s的信号帧的长度为N＝40。将数据用于如图6所示的长短期记忆网络模型进行训练，训练得到的模型记为HoSNet，并将HoSNet部署于微信云托管平台，供微信小程序端的数据处理模块调用，实际使用时每2s调用一次，输入数据为此2s数据的拷贝堆叠矩阵，保证信号帧N＝40，符合模型输入需求，输出是三类别中其中一类。

将上述的各个模型部署于微信云托管平台，并在运动过程中以0.5Hz的调用频率进行调用，所形成的微信小程序端流程如图13所示。在用户使用跳绳硬件系统进行训练时，跳绳硬件系统的数据采集模块获得包括加速度计数据(Accelerometer Data)、压力传感器阵列数据(HoS Data)、光容积心率传感器(PPG Data)在内的数据，控制芯片模块通过蓝牙通信模块传输至微信小程序端，而微信小程序端获取蓝牙通信模块传输的数据后，控制芯片模块通过数据处理模块调用微信云托管平台的数据调用接口，传入加速度计数据、压力传感器阵列数据、光容积心率传感器的数据。

在竞速跳绳数据流中，首先经过JRSNet模型对三轴加速度计数据进行识别，如果分类为双脚跳绳状态和交替脚跳绳状态后，调用JRSPeak寻峰器对合加速度A时序数据进行寻峰，并将峰的个数作为跳绳个数于数据返回接口返回；然后经过JERNet模型对数据识别错误动作类型，并将分类结果于数据返回接口返回。

在花样跳绳数据流中，经过FJRNet模型对花样跳绳的动作进行识别，并将分类器所分类的类别及分类置信度于数据返回接口返回。

在握持状态数据流中，使用HoSNet模型对压力传感器阵列数据进行识别，并分类目前用户的握持形式属于拳峰偏上、拳峰偏下、三指轻握中的类别，并将分类结果于数据返回接口返回。

在心率数据流中，首先经过PPGNet对目前接触状态进行分类，如果分类结果为接触良好，使用PPGPeak寻峰器对心率传感器采集的时序数据进行寻峰，并以公式(2)计算用户实时心率于数据返回接口返回。

在微信小程序端的数据处理模块从微信云托管平台的数据返回接口获取返回数据后，于人机交互模块对计算结果以及部分原始数据进行展示，并在竞速跳绳场景中，根据错误动作分类结果使用微信小程序端人机交互模块中的语音模组、或者以跳绳硬件系统中的震动电机模组震动的形式提醒用户对应的错误动作发生，帮助用户在训练过程中针对特定的错误动作有意识地进行纠正，防止出现长时间错误动作所引起的运动损伤。

综上所述，本实施例系统通过采集用户三轴加速度计数据确定用户跳绳数量、存在的跳绳错误动作以及花样跳绳完成度，通过心率传感器数据确定用户运动中的身体状况，通过压力传感器阵列数据确定用户跳绳中握把握法形式，并给出相应指导建议以及提醒，辅助花式跳绳学习，保障用户的运动健康。

本实施例还提供一种跳绳动作识别方法，包括以下步骤：

S1、通过三轴加速度计采集人体运动数据；

S2、通过压力传感器阵列采集握持状态数据；

S3、采用预设的跳绳动作识别模型对人体运动数据进行处理，识别获得跳绳的动作类别；

S4、采用预设的握持状态识别模型对握持状态数据进行处理，识别获得握持方法类别。

以下结合具体实施例对上述方法进行详细解释说明。

本实施例提供了一种跳绳动作识别方法，包括以下步骤：

步骤a：通过蓝牙传输芯片将三轴加速度计、光容积心率传感器、压力传感器阵列分别采集到的跳绳运动过程中的人体运动数据、人体脉搏数据、握持状态数据上传至微信小程序端；

步骤b：调用提前部署跳绳个数计数模型、跳绳错误动作识别模型、花样跳绳动作识别模型、心率计算模型、握持状态识别模型对人体运动数据、人体脉搏数据、握持状态数据进行处理，获得输出：这段数据中用户跳绳个数、实时心率值、动作类别以及握持方法类别；

步骤c：根据所述跳绳个数、实时心率值、动作类别以及握持方法类别在微信小程序端给用户进行展示结果及提醒用户改正错误的跳绳动作以及选择适合的握持方法。

在所述步骤b中，所述跳绳个数计数模型包括跳绳状态分类模型和合加速度寻峰器，所述跳绳状态分类模型是通过对训练样本集训练得到的，所使用的输入数据是所述三轴加速度计三通道数据，输出的分类包括非跳绳状态、双脚跳绳状态、交替脚跳绳状态。得到目前跳绳分类状态后，对双脚跳绳状态、交替脚跳绳状态的数据采用合加速度寻峰器进行计算跳绳计数，所述的合加速度寻峰器是：对加速度计三通道数据进行换算得到的合加速度时序数据使用基于连续小波变化的一个寻峰算法模型。

在所述步骤b中，所述的跳绳错误动作识别模型是通过对数据集训练得到的，其数据输入是所述三轴加速度计的三通道数据，输出是直膝着地、脚跟着地、左右偏颇三类常见的跳绳错误动作及非跳绳错误动作；所述花样跳绳动作识别模型是通过对数据集训练得到的，其数据输入是所述三轴加速度计的三通道数据，输出是全国跳绳大众等级锻炼标准动作中的一级动作：左右甩绳、并脚跳、双脚并脚跳、开合跳、弓步跳、并脚左右跳、基本交叉跳、勾脚点地跳以及非花样跳绳9种类别中的分类结果。

在所述步骤b中，所述的心率计算模型包括心率传感器接触状态分类模型和心率波形寻峰器，所述心率传感器接触状态分类模型是通过对采集数据训练得到的，输入数据是光容积心率传感器模拟电压值，输出分类是接触良好和接触不良。分类完成后，使用心率波形寻峰器对接触良好类进行寻峰并计算心率值，所述心率波形寻峰器是基于连续小波变换的寻峰算法模型。

在所述步骤b中，所述的握持状态识别模型是通过对采集数据训练得到的，其输入数据是压力传感器阵列的模拟电压值，输出类别包括拳峰偏上、拳峰偏下、三指轻握三种类别。

综上所述，本实施例的跳绳动作识别方法通过配置在跳绳握把上的三轴加速度计、压力传感器、心率传感器等设备收集用户运动中的运动数据和身体状况数据，通过收集数据训练跳绳错误动作识别模型、花样跳绳动作识别模型、握持方法识别模型，并设计相应计数模型和心率换算模型，可以减少跳绳用户在练习竞速跳绳时的错误动作、指导用户的花式跳绳动作训练，并在心率、手柄握持方式上根据用户运动情况给出建议，可以提高跳绳用户的运动效率、使用体验及趣味，保障用户运动健康。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，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做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种跳绳动作识别系统，其特征在于，包括：

三轴加速度计，安装在跳绳手柄上，用于采集人体运动数据；

压力传感器阵列，安装在跳绳手柄上，用于采集握持状态数据；

数据处理模块，用于采用预设的跳绳动作识别模型对所述人体运动数据进行处理，识别获得跳绳的动作类别；以及采用预设的握持状态识别模型对所述握持状态数据进行处理，识别获得握持方法类别。

2.根据权利要求1所述的一种跳绳动作识别系统，其特征在于，所述跳绳动作识别系统还包括心率传感器；

所述心率传感器安装在跳绳手柄上，用于采集人体脉搏数据；

所述数据处理模块采用预设的心率计算模型对所述人体脉搏数据进行处理，获得实时心率值。

3.根据权利要求1所述的一种跳绳动作识别系统，其特征在于，所述跳绳动作识别模型通过以下步骤训练获得：

获取多种跳绳行为类别对应的三轴加速度计的三通道数据，作为第一训练集；

采用所述第一训练集对模型进行训练，获得所述跳绳动作识别模型；

其中，多种跳绳行为类别包括直膝着地、脚跟着地、左右偏颇三类跳绳错误动作，以及正常跳绳动作；

所述握持状态识别模型通过以下步骤训练获得：

获取多种握持状态类别下，压力传感器阵列对应的模拟电压值，作为第二训练集；

采用所述第二训练集对模型进行训练，获得所述握持状态识别模型；

其中，多种握持状态类别包括拳峰偏上、拳峰偏下、三指轻握三种类别。

4.根据权利要求2所述的一种跳绳动作识别系统，其特征在于，所述心率计算模型包括心率传感器接触状态分类模型和心率波形寻峰器；

所述心率传感器接触状态分类模型的输入数据为所述心率传感器采集的人体脉搏数据，输出类别包括接触良好和接触不良；

在识别到接触良好后，采用所述心率波形寻峰器对所述人体脉搏数据进行寻峰并计算心率值；

其中，所述心率波形寻峰器为基于连续小波变换的寻峰算法模型。

5.根据权利要求1所述的一种跳绳动作识别系统，其特征在于，所述数据处理模块还设置有跳绳个数计数模型，所述跳绳个数计数模型包括跳绳状态分类模型和合加速度寻峰器；

所述跳绳状态分类模型的输入数据为所述三轴加速度计采集的人体运动数据，输出类别包括非跳绳状态、双脚跳绳状态以及交替脚跳绳状态；

在识别到双脚跳绳状态或交替脚跳绳状态后，采用所述合加速度寻峰器进行计算跳绳计数；

其中，所述合加速度寻峰器为一个基于连续小波变换的一个寻峰算法模型，对三轴加速度计的三通道数据进行换算得到的合加速度时序数据进行波峰寻找。

6.根据权利要求1所述的一种跳绳动作识别系统，其特征在于，所述数据处理模块中还设置有花样跳绳动作识别模型；

所述花样跳绳动作识别模型的输入数据为所述三轴加速度计采集的人体运动数据，输出类别包括左右甩绳、并脚跳、双脚并脚跳、开合跳、弓步跳、并脚左右跳、基本交叉跳、勾脚点地跳以及非花样跳绳。

7.根据权利要求1所述的一种跳绳动作识别系统，其特征在于，所述跳绳动作识别系统还包括无线传输模块，所述无线传输模块用于将所述人体运动数据以及所述握持状态数据传输至数据处理模块。

8.根据权利要求1所述的一种跳绳动作识别系统，其特征在于，所述跳绳动作识别系统还包括显示模块；

所述显示模块用于显示识别结果，以及在识别到错误的跳绳动作时，生成提示信息。

9.一种跳绳，其特征在于，包括跳绳手柄，所述跳绳手柄上设有如权利要求1-8任一项所述的一种跳绳动作识别系统。

10.一种跳绳动作识别方法，其特征在于，包括以下步骤：

通过三轴加速度计采集人体运动数据；

通过压力传感器阵列采集握持状态数据；

采用预设的跳绳动作识别模型对所述人体运动数据进行处理，识别获得跳绳的动作类别；

采用预设的握持状态识别模型对所述握持状态数据进行处理，识别获得握持方法类别。

Images