CN114053679A - 运动训练方法及其系统 - Google Patents
运动训练方法及其系统 Download PDFInfo
- Publication number
- CN114053679A CN114053679A CN202111392420.5A CN202111392420A CN114053679A CN 114053679 A CN114053679 A CN 114053679A CN 202111392420 A CN202111392420 A CN 202111392420A CN 114053679 A CN114053679 A CN 114053679A
- Authority
- CN
- China
- Prior art keywords
- data
- error
- user
- attitude
- axis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 title claims abstract description 29
- 230000009471 action Effects 0.000 claims abstract description 59
- 230000033001 locomotion Effects 0.000 claims description 46
- 230000036544 posture Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000586 desensitisation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000000386 athletic effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 210000003414 extremity Anatomy 0.000 description 27
- 230000008569 process Effects 0.000 description 14
- 210000000689 upper leg Anatomy 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 244000309466 calf Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000000629 knee joint Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 210000004394 hip joint Anatomy 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 208000029549 Muscle injury Diseases 0.000 description 1
- 206010061363 Skeletal injury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A63B2071/0658—Position or arrangement of display
- A63B2071/0661—Position or arrangement of display arranged on the user
-
- 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
Abstract
本申请涉及运动设备,公开了一种运动训练方法及其系统,可以自动判断动作是否准确。传感器部件被穿戴在肢体上,该方法包括:终端上显示第一标准动作;终端从传感器部件获取数据计算姿态四元数,得到第一姿态四元数;终端上显示第二标准动作;终端从传感器部件获取数据计算姿态四元数,得到第二姿态四元数;根据第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据;根据用户空间姿态数据与第二标准动作的标准空间姿态数据计算误差,如果误差大于预定阈值,则根据误差在终端上提示用户调整动作。
Description
技术领域
本申请涉及运动设备,特别涉及运动训练技术。
背景技术
本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是已被公开的现有技术。
运动康复是指对伤病或伤残者采用各种运动方法,使其在身体功能和精神上获得全面恢复。患者在传统的肌骨损伤康复过程中,往往需要到医院、诊所等线下机构,患者运动时所产生的运动数据是通过治疗师肉眼观察,或保持特定位置进行手工量角器测量得到的。这些数据往往无法被详细记录,精准度也依赖于治疗师的水平与经验。此外,从患者的角度考虑,由于工作、时间、地点、金钱等原因,往往无法进行长期线下康复。
远程康复方案是对传统线下康复的有效补充,可以使患者不受地理位置的限制,获得比较好的治疗资源,同时也能更灵活地安排康复训练的时间。但由于康复过程需要患者完成各种康复动作,与一般运动不同,康复动作需要更精准、更安全,远程康复中一个主要问题就是如何判断患者康复动作的准确性。
除了康复之外,在一些其他运动领域,也存在判断动作是否准确的需求。
发明内容
本申请的目的在于提供一种运动训练方法及其系统,可以自动判断动作是否准确。
本申请公开了一种运动训练方法,传感器部件被穿戴在肢体上,所述方法包括:
终端上显示第一标准动作;
所述终端从所述传感器部件获取数据计算姿态四元数,得到第一姿态四元数;
所述终端上显示第二标准动作;
所述终端从所述传感器部件获取数据计算姿态四元数,得到第二姿态四元数;
根据所述第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据;
根据所述用户空间姿态数据与所述第二标准动作的标准空间姿态数据计算误差,如果所述误差大于预定阈值,则根据所述误差在所述终端上提示用户调整动作。
可选的,在一个实施例中,所述传感器部件包括三轴陀螺仪、三轴磁力计和三轴加速度计;
根据以下方式从所述传感器部件获取数据计算姿态四元数:
q(i+1)=A(i+1)q(i)+B(i+1)U(i+1),
状态变量q(i)表示i时刻的四元数,m(i+1)表示i+1时刻的三轴磁力计测量的三维磁力数据,m(i+1)=C(i+1)q(i+1)+V(i+1),a(i+1)表示i+1时刻的三轴加速度计测量的三维加速度数据,a(i+1)=D(i+1)q(i+1)+E(i+1)+W(i+1),A(i+1)表示i+1时刻的状态转移矩阵,B(i+1)和E(i+1)分别表示i+1时刻三轴陀螺仪计和三轴加速度计的偏移误差矩阵,C(i+1)和D(i+1)分别是三轴磁力计和三轴加速度计的系统观测矩阵,U(i+1)、V(i+1)和W(i+1)分别是三轴陀螺仪、三轴磁力计和三轴加速度计的系统观测测量噪声矩阵,P(i+1)=A(i+1)P(i)AT(i+1)+Q(i+1)为第一级扩展卡尔曼滤波的先验误差均方差,Q(i+1)为系统误差均方差,R1(i+1)为构造误差协方差,K(i+1)为第一级扩展卡尔曼滤波的增益,K(i+1)=P(i+1)CT(i+1)(C(i+1)P(i+1)CT(i+1)+R1(i+1))-1,R2(i+1)为第二级扩展卡尔曼滤波的构造误差协方差。
可选的,在一个实施例中,所述传感器部件有2*N+1个,分别固定在用户的躯干以及所需康复关节的两侧肢体上,其中N为所需康复的关节数,根据2*N+1个传感器部件所得的姿态四元数计算用户躯干以及所需康复关节两侧肢体的姿态。
可选的,在一个实施例中,所述传感器部件中包括MEMS芯片。
可选的,在一个实施例中,所述传感器部件包括震动器,通过不同的振动方式对用户进行正确或错误提示。
可选的,在一个实施例中,还包括:
终端将用户运动数据上传到云端;
对用户运动数据进行脱敏处理得到脱敏数据,根据脱敏数据训练机器学习模型;
将用户运动数据输入至训练好的所述机器学习模型,得到分析和评估报告,发送到用户和治疗师所使用的终端。
本申请还公开了一种运动训练系统,包括:传感器部件和终端;其中,所述传感器部件被穿戴在肢体上;
所述终端被配置为,显示第一标准动作并所述传感器部件获取数据计算姿态四元数得到第一姿态四元数,显示第二标准动作并从所述传感器部件获取数据计算姿态四元数得到第二姿态四元数,根据所述第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据,根据所述用户空间姿态数据与所述第二标准动作的标准空间姿态数据计算误差,如果所述误差大于预定阈值,则根据所述误差在所述终端上提示用户调整动作。
可选的,在一个实施例中,所述传感器部件包括三轴陀螺仪、三轴磁力计和三轴加速度计;
所述终端根据以下方式从所述传感器部件获取数据计算姿态四元数:
q(i+1)=A(i+1)q(i)+B(i+1)U(i+1),
状态变量q(i)表示i时刻的四元数,m(i+1)表示i+1时刻的三轴磁力计测量的三维磁力数据,m(i+1)=C(i+1)q(i+1)+V(i+1),a(i+1)表示i+1时刻的三轴加速度计测量的三维加速度数据,a(i+1)=D(i+1)q(i+1)+E(i+1)+W(i+1),A(i+1)表示i+1时刻的状态转移矩阵,B(i+1)和E(i+1)分别表示i+1时刻三轴陀螺仪计和三轴加速度计的偏移误差矩阵,C(i+1)和D(i+1)分别是三轴磁力计和三轴加速度计的系统观测矩阵,U(i+1)、V(i+1)和W(i+1)分别是三轴陀螺仪、三轴磁力计和三轴加速度计的系统观测测量噪声矩阵,P(i+1)=A(i+1)P(i)AT(i+1)+Q(i+1)为第一级扩展卡尔曼滤波的先验误差均方差,Q(i+1)为系统误差均方差,R1(i+1)为构造误差协方差,K(i+1)=P(i+1)CT(i+1)(C(i+1)P(i+1)CT(i+1)+R1(i+1))-1,为第一级扩展卡尔曼滤波的增益,R2(i+1)为第二级扩展卡尔曼滤波的构造误差协方差。
可选的,在一个实施例中,还包括云端服务器,被配置为,从所述终端获取用户运动数据,对用户运动数据进行脱敏处理得到脱敏数据以训练机器学习模型,将用户运动数据输入至训练好的所述机器学习模型,得到分析和评估报告,发送到用户和治疗师所使用的终端。
本申请还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现上述方法中的步骤。
本申请的实施方式中,通过两个标准动作姿态四元数的相对变化量来判定动作的准确程度,对动作是否准确的判断更为精准。可以用于康复动作,也可以用于一般性的运动动作。本申请可以用于非治疗用途。
此外,还采用二级扩展卡尔曼滤波器对惯性传感器的数据进行融合处理。首先,使用三轴磁力计数据对三轴陀螺仪积分计算得到的偏航角作一级卡尔曼滤波修正,接着,使用三轴加速度计数据对三轴陀螺仪积分计算得到的翻滚角和俯仰角作二级卡尔曼滤波。由于减少了每一级观测矩阵的维数,使得二级扩展卡尔曼滤波器的计算量大大减少,提高了姿态解算的效率。
上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均应该视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请的第一实施方式的运动训练方法流程示意图;
图2是根据本申请一个实施例的姿态估计流程示意图;
图3是根据本申请一个实施例的肢体空间位姿估计示意图;
图4是根据本申请一个实施例的传感器部件穿戴位置示意图。
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
部分概念的说明:
服务器:是指网络中能对其它设备提供服务的计算机系统。服务器服务的对象通常称为终端或客户端,服务器与终端之间可以通过有线或者无线的方式通信连接。服务器的实现方式是多种多样的,可以是单台的计算机设备,也可以是多台计算机设备的组合(例如集群服务器,云服务器等)。服务器在一些应用场景中也可以被称为服务端,云端等。
终端:也称终端设备,是计算机网络或通信网络中处于网络最外围的设备,主要用于用户信息的输入以及处理结果的输出等。除了输入输出的功能,终端也能进行一定的运算和处理,实现部分系统功能。终端可以是例如特别设计的专用终端,智能手机,平板电脑,笔记本电脑,台式电脑,智能手表,智能手环,等。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种运动训练方法,其流程如图1所示,该方法包括以下步骤:
在步骤101中,终端上显示第一标准动作。
此后进入步骤102,终端从传感器部件获取数据计算姿态四元数,得到第一姿态四元数。
此后进入步骤103,终端上显示第二标准动作。
终端上可以有不同的显示方式。可选的,在一个实施例中,终端上可以先显示标准动作,在检测到用户动作后显示用户三维姿态。可选的,在一个实施例中,可以在终端的显示屏上分割出两个子画面,一个子画面显示标准动作,另一个子画面显示用户三维姿态,并且两个子画面的视角一致,便于用户发现差距。可选的,在一个实施例中,可以在终端的屏幕上以不同的颜色叠加显示标准动作的三维姿态和用户三维姿态,其中标准动作的三维姿态是根据标准空间姿态数据计算所得,而用户三维姿态是根据用户空间姿态数据计算所得。可选的,在一个实施例中,三维姿态显示为动作主要特征平面内的姿态。
此后进入步骤104,终端从传感器部件获取数据计算姿态四元数,得到第二姿态四元数。
此后进入步骤105,根据第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据。先对所穿戴的各个传感器的初始位置(用户做第一标准动作时对应的传感器位置)进行标定,然后根据这些传感器运动过程中的位姿信息与初始位置的相对变化量,来完成整个运动过程中肢体数据的展示和记录。
此后进入步骤106,根据用户空间姿态数据与第二标准动作的标准空间姿态数据计算误差,如果误差大于预定阈值,则根据误差在终端上提示用户调整动作。
可选的,在一个实施例中,如果误差小于预定阈值,可以播放表示成功完成动作的画面或声音或特定震动模式,也可以进入下一个动作。
可选的,在一个实施例中,传感器部件包括三轴陀螺仪、三轴磁力计和三轴加速度计。
可选的,在一个实施例中,传感器部件有2*N+1个,分别固定在用户的躯干以及所需康复关节的两侧肢体上,其中N为所需康复的关节数,根据2*N+1个传感器部件所得的姿态四元数计算用户躯干以及所需康复关节两侧肢体的姿态。
以下肢ACL手术后的康复训练为例,用户需要在其躯干(腰部)、大腿、小腿部各穿戴一个传感器部件,通过测量肢体间的运动来估算用户髋关节和膝关节的运动角度。其中,髋关节运动角度是指大腿与躯干间形成的角度,膝关节运动角度是指大腿与小腿间形成的角度。图4中X轴是重力方向,Y轴是左侧方向,Z轴是行走方向,其满足右手螺旋规则。ST表示穿戴在大腿上的传感器部件,SS表示穿戴在小腿上的传感器部件。rHT是指从髋关节到大腿传感器部件的距离,rKT表示从膝关节到大腿传感器部件的距离,rKS表示从膝关节到小腿传感器部件的距离。通常惯性传感器放置在大腿和小腿前侧,rKT=150mm,rKS=150mm的位置。也可以根据运动舒适度的需要,将惯性传感器放置在大腿或小腿的外侧。当传感器部件佩戴位置改变后,需要通过校准动作重新进行初始校准。
考虑到将传感器部件固定在人体肢体上的位置不确定性,在使用惯性传感器的姿态数据估计人体关节运动角度时,还需对多节点传感器部件进行联合标定,确定各传感器部件的初始位置以及它们之间的相对位置关系。惯性传感器的标定可以通过保持给定标准动作静止的方式进行。根据传感器部件测得的重力加速度所在的方向,可以判断出肢体相对于地面的位置,从而判断用户的基本位姿(站立、坐位、仰卧、俯卧、侧卧等)。
传感器部件可以通过绑带等方式绑定在人体需要康复关节相关的肢体上,不需要另外购置或穿戴特定的服装,整个穿戴过程比较友好,成本也较低。本申请的方案可以适用于上肢,下肢,腰部等,可以完成全身大部分受伤或术后关节的康复。
可选的,在一个实施例中,传感器部件中包括MEMS芯片,具有集成度高、体积小、数据更准确等特点。
可选的,在一个实施例中,传感器部件包括震动器,通过不同的振动方式对用户进行正确或错误提示。也可以同时包括语音提示。
可选的,在一个实施例中,对现有的基于传感器的姿态估计方法进行了改进。通用的卡尔曼滤波算法一般采用一级扩展卡尔曼滤波算法,即采用三轴加速度计数据和三轴磁力计数据构成六维的观测变量,其在卡尔曼测量方程和更新方程的计算过程中会产生大量的计算量。
本实施例的卡尔曼滤波算法采用二级扩展卡尔曼滤波器对惯性传感器的数据进行融合处理。首先,使用三轴磁力计数据对三轴陀螺仪积分计算得到的偏航角作一级卡尔曼滤波修正,接着,使用三轴加速度计数据对三轴陀螺仪积分计算得到的翻滚角和俯仰角作二级卡尔曼滤波。由于减少了每一级观测矩阵的维数,使得二级扩展卡尔曼滤波器的计算量大大减少,提高了姿态解算的效率。
本实施例采用运动的归一化四元数作为系统状态变量。这样不仅可以避免在姿态解算过程中产生的万向节死锁问题,同时可以避免因欧拉角的范围限制而产生的数据不连续问题。
本实施例中基于单个传感器的姿态估计流程如图2所示。
初始四元数q通过传感器初始的三轴加速度数据和磁场强度来确定。
初始俯仰角:α=arcsin(gx/g)
初始翻滚角:β=arctan(gx/gy)
其中,gx,gy分别为三轴加速度计的x轴和y轴分量,g为重力加速度,mx,my,mz分别为三轴磁力计的x轴、y轴和z轴分量。
由以下公式可以得到初始四元数q0
三轴陀螺仪估计的姿态四元数计算公式为
q(i+1)=A(i+1)q(i)+B(i+1)+U(i+1)
三轴磁力计建立的第一级扩展卡尔曼滤波器方程为
m(i+1)=C(i+1)q(i+1)+V(i+1)
三轴加速度计建立的第二级扩展卡尔曼滤波器方程为
a(i+1)=D(i+1)q(i+1)+E(i+1)+W(i+1)
其中,状态变量q(i)表示i时刻的四元数,m(i+1)表示i+1时刻的三轴磁力计测量的三维磁力数据,a(i+1)表示i+1时刻的三轴加速度计测量的三维加速度数据,A(i+1)表示i+1时刻的状态转移矩阵,B(i+1)和E(i+1)分别表示i+1时刻三轴陀螺仪计和三轴加速度计的偏移误差矩阵,C(i+1)和D(i+1)分别是i+1时刻三轴磁力计和三轴加速度计的系统观测矩阵,U(i+1)、V(i+1)和W(i+1)分别是i+1时刻三轴陀螺仪、三轴磁力计和三轴加速度计的系统观测测量噪声矩阵(噪声为高斯白噪声)。
第一级扩展卡尔曼滤波器修正偏航角的计算公式为:
第二级扩展卡尔曼滤波器修正翻滚角和俯仰角的计算公式为:
K(i+1)=P(i+1)CT(i+1)(C(i+1)P(i+1)CT(i+1)+R1(i+1))-1,
为第一级扩展卡尔曼滤波的增益,R2(i+1)为第二级扩展卡尔曼滤波器的构造误差协方差。
在基于单个传感器的姿态估计的基础上,基于多个传感器对人体关节姿态的估计方法如下:
A、在用户做第一标准动作时,主要用于传感器佩戴位置的初始标定,消除传感器的佩戴位置与肢体坐标系之间的偏差,减小在运动过程中姿态估计的误差。设qt0是肢体姿态的四元数,qs0为传感器标定时的四元数,qs_bias为传感器姿态与肢体姿态的初始偏差四元数。则可由计算得到初始偏差四元数qs_bias。用该方法测得各传感器的初始偏差四元数。
B、在用户做第二标准动作时,主要用传感器测得的四元数来确定肢体的姿态。设qt是肢体姿态的四元数,qs为传感器运动中测得的四元数,则可由得到肢体的姿态四元数。用该方法测得各传感器运动过程中各肢体的姿态四元数。
C、多个传感器对应的肢体间相对运动关系的确定。以两个肢体构成一个关节的关系为例(如图3所示),进行介绍。设qs1_bias,qs2_bias分别为在第一标准动作时肢体1和肢体2上的传感器的穿戴姿态与肢体姿态间的初始偏差四元数。用户在做第二标准动作过程中肢体的姿态四元数分别为传感器测得的四元数分别为qs1,则有
可选的,在一个实施例中,还包括以下步骤:
终端将用户运动数据上传到云端。
对用户运动数据进行脱敏处理得到脱敏数据,根据脱敏数据训练机器学习模型。
将用户运动数据输入机器学习模型,得到分析和评估报告,发送到用户和治疗师所使用的终端。
可选的,在一个实施例中,在收集康复动作的大数据基础上,对每个康复动作进行特征提取和特征选择后,通过人工智能算法建立其模型,从而准确进行模式识别和运动评估。因为传感器实时采集的运动数据包含了用户信息,这样可以避免单一依靠关节活动范围来评价运动质量的不足,建立起多维度的运动评价标准。
上述技术方案具备以下优点:
1.数字化:康复全流程数据可记录,包括传感器数据、问卷数据、图像/视频数据等。
2.智能化:采用AI算法,对数据进行高效分析,随着数据的积累,可不断提升算法准确性与智能程度,形成更好的康复方案。
3.有效性&安全性:通过更多的反馈方式(振动、语音、图像、光电等),能够使患者的动作尽量精准,提升了康复的有效性和安全性。
本申请的第二实施方式涉及一种运动训练系统,该运动训练系统包括:传感器部件和终端。其中,传感器部件被穿戴在肢体上。
终端被配置为,显示第一标准动作并传感器部件获取数据计算姿态四元数得到第一姿态四元数,显示第二标准动作并从传感器部件获取数据计算姿态四元数得到第二姿态四元数,根据第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据,根据用户空间姿态数据与第二标准动作的标准空间姿态数据计算误差,如果误差大于预定阈值,则根据误差在终端上提示用户调整动作。
可选的,在一个实施例中,传感器部件包括三轴陀螺仪、三轴磁力计和三轴加速度计。终端根据以下方式通过两级扩展卡尔曼滤波从传感器部件获取数据计算姿态四元数,进一步包括:
q(i+1)=A(i+1)q(i)+B(i+1)U(i+1),
状态变量q(i)表示i时刻的四元数,m(i+1)表示i+1时刻的三轴磁力计测量的三维磁力数据,m(i+1)=C(i+1)q(i+1)+V(i+1),a(i+1)表示i+1时刻的三轴加速度计测量的三维加速度数据,a(i+1)=D(i+1)q(i+1)+E(i+1)+W(i+1),A(i+1)表示i+1时刻的状态转移矩阵,B(i+1)和E(i+1)分别表示i+1时刻三轴陀螺仪计和三轴加速度计的偏移误差矩阵,C(i+1)和D(i+1)分别是三轴磁力计和三轴加速度计的系统观测矩阵,U(i+1)、V(i+1)和W(i+1)分别是三轴陀螺仪、三轴磁力计和三轴加速度计的系统观测测量噪声矩阵,P(i+1)=A(i+1)P(i)AT(i+1)+Q(i+1)为第一级扩展卡尔曼滤波的先验误差均方差,Q(i+1)为系统误差均方差,R1(i+1)为构造误差协方差,K(i+1)=P(i+1)CT(i+1)(C(i+1)P(i+1)CT(i+1)+R1(i+1))-1,为第一级扩展卡尔曼滤波的增益,R2(i+1)为第二级扩展卡尔曼滤波的构造误差协方差。
可选的,在一个实施例中,还包括云端服务器,被配置为,从终端获取用户运动数据,对用户运动数据进行脱敏处理得到脱敏数据以训练机器学习模型,将用户运动数据输入机器学习模型,得到分析和评估报告,发送到用户和治疗师所使用的终端。
可选的,在一个实施例中,分析、评估模块同时在客户手机端(终端)和云服务器端上进行。
手机端:传感器数据通过蓝牙传递到手机端,原始数据经过转换后,用户的动作实时在App展示,且通过语音、文字、振动等反馈错误提示。
云服务器端:用户的运动数据通过互联网传递到云端上,在进行信息脱敏后,通过人工智能算法对其进行分析和评估,将训练结果及时反馈给用户、治疗师和医生。用户的训练计划是治疗师在评估用户当前的身体状况,并与用户进行视频问诊后量身定制的,这样可以弥补用户无法到康复机构现场进行诊断训练的不足,完成远程康复训练。患者信息保存在云端服务器,这样可以更高效安全地保存患者的信息。
第一实施方式是与本实施方式相对应的方法实施方式,第一实施方式中的技术细节可以应用于本实施方式,本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是,本领域技术人员应当理解,上述运动训练系统的实施方式中所示的各模块的实现功能可参照前述运动训练方法的相关描述而理解。上述运动康复训练系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也可通过具体的逻辑电路而实现。本申请的实施例上述运动训练系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请的各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请的实施例不限制于任何特定的硬件和软件结合。
相应地,本申请的实施方式还提供一种计算机可读存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于,相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
此外,本申请的实施方式还提供一种运动康复训练系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中,该处理器可以是中央处理单元(CentralProcessing Unit,简称“CPU”),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,简称“DSP”)、专用集成电路(Application Specific IntegratedCircuit,简称“ASIC”)等。前述的存储器可以是只读存储器(read-only memory,简称“ROM”)、随机存取存储器(random access memory,简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是,在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本申请中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在描述方法的步骤时使用的序号本身并不对这些步骤的顺序构成任何的限定。例如,序号大的步骤并非一定要在序号小的步骤之后执行,也可以是先执行序号大的步骤再执行序号小的步骤,还可以是并行执行,只要这种执行顺序对于本领域技术人员来说是合理的即可。又如,拥有连续编号序号的多个步骤(例如步骤101,步骤102,步骤103等)并不限制其他步骤可以在其间执行,例如步骤101和步骤102之间可以有其他的步骤。
本说明书包括本文所描述的各种实施例的组合。对实施例的单独提及(例如“一个实施例”或“一些实施例”或“优选实施例”);然而,除非指示为是互斥的或者本领域技术人员很清楚是互斥的,否则这些实施例并不互斥。应当注意的是,除非上下文另外明确指示或者要求,否则在本说明书中以非排他性的意义使用“或者”一词。
在本说明书提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
Claims (10)
1.一种运动训练方法,其特征在于,传感器部件被穿戴在肢体上,所述方法包括:
终端上显示第一标准动作;
所述终端从所述传感器部件获取数据计算姿态四元数,得到第一姿态四元数;
所述终端上显示第二标准动作;
所述终端从所述传感器部件获取数据计算姿态四元数,得到第二姿态四元数;
根据所述第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据;
根据所述用户空间姿态数据与所述第二标准动作的标准空间姿态数据计算误差,如果所述误差大于预定阈值,则根据所述误差在所述终端上提示用户调整动作。
2.如权利要求1所述的运动训练方法,其特征在于,所述传感器部件包括三轴陀螺仪、三轴磁力计和三轴加速度计;
根据以下方式从所述传感器部件获取数据计算姿态四元数:
q(i+1)=A(i+1)q(i)+B(i+1)U(i+1),
状态变量q(i)表示i时刻的四元数,m(i+1)表示i+1时刻的三轴磁力计测量的三维磁力数据,m(i+1)=C(i+1)q(i+1)+V(i+1),a(i+1)表示i+1时刻的三轴加速度计测量的三维加速度数据,a(i+1)=D(i+1)q(i+1)+E(i+1)+W(i+1),A(i+1)表示i+1时刻的状态转移矩阵,B(i+1)和E(i+1)分别表示i+1时刻三轴陀螺仪计和三轴加速度计的偏移误差矩阵,C(i+1)和D(i+1)分别是三轴磁力计和三轴加速度计的系统观测矩阵,U(i+1)、V(i+1)和W(i+1)分别是三轴陀螺仪、三轴磁力计和三轴加速度计的系统观测测量噪声矩阵,P(i+1)=A(i+1)P(i)AT(i+1)+Q(i+1)为第一级扩展卡尔曼滤波的先验误差均方差,Q(i+1)为系统误差均方差,R1(i+1)为构造误差协方差,K(i+1)为第一级扩展卡尔曼滤波的增益,K(i+1)=P(i+1)CT(i+1)(C(i+1)P(i+1)CT(i+1)+R1(i+1))-1,R2(i+1)为第二级扩展卡尔曼滤波的构造误差协方差。
3.如权利要求2所述的运动训练方法,其特征在于,所述传感器部件有2*N+1个,分别固定在用户的躯干以及所需康复关节的两侧肢体上,其中N为所需康复的关节数,根据2*N+1个传感器部件所得的姿态四元数计算用户躯干以及所需康复关节两侧肢体的姿态。
4.如权利要求1所述的运动训练方法,其特征在于,所述传感器部件中包括MEMS芯片。
5.如权利要求1所述的运动训练方法,其特征在于,所述传感器部件包括震动器,通过不同的振动方式对用户进行正确或错误提示。
6.如权利要求1所述的运动训练方法,其特征在于,还包括:
终端将用户运动数据上传到云端;
对用户运动数据进行脱敏处理得到脱敏数据,根据脱敏数据训练机器学习模型;
将用户运动数据输入至训练好的所述机器学习模型,得到分析和评估报告,发送到用户和治疗师所使用的终端。
7.一种运动训练系统,其特征在于,包括:传感器部件和终端;其中,所述传感器部件被穿戴在肢体上;
所述终端被配置为,显示第一标准动作并所述传感器部件获取数据计算姿态四元数得到第一姿态四元数,显示第二标准动作并从所述传感器部件获取数据计算姿态四元数得到第二姿态四元数,根据所述第一姿态四元数和第二姿态四元数的差值计算用户空间姿态数据,根据所述用户空间姿态数据与所述第二标准动作的标准空间姿态数据计算误差,如果所述误差大于预定阈值,则根据所述误差在所述终端上提示用户调整动作。
8.如权利要求7所述的运动训练方法,其特征在于,
所述传感器部件包括三轴陀螺仪、三轴磁力计和三轴加速度计;
所述终端根据以下方式从所述传感器部件获取数据计算姿态四元数:
q(i+1)=A(i+1)q(i)+B(i+1)U(i+1),
状态变量q(i)表示i时刻的四元数,m(i+1)表示i+1时刻的三轴磁力计测量的三维磁力数据,m(i+1)=C(i+1)q(i+1)+V(i+1),a(i+1)表示i+1时刻的三轴加速度计测量的三维加速度数据,a(i+1)=D(i+1)q(i+1)+E(i+1)+W(i+1),A(i+1)表示i+1时刻的状态转移矩阵,B(i+1)和E(i+1)分别表示i+1时刻三轴陀螺仪计和三轴加速度计的偏移误差矩阵,C(i+1)和D(i+1)分别是三轴磁力计和三轴加速度计的系统观测矩阵,U(i+1)、V(i+1)和W(i+1)分别是三轴陀螺仪、三轴磁力计和三轴加速度计的系统观测测量噪声矩阵,P(i+1)=A(i+1)P(i)AT(i+1)+Q(i+1)为第一级扩展卡尔曼滤波的先验误差均方差,Q(i+1)为系统误差均方差,R1(i+1)为构造误差协方差,K(i+1)=P(i+1)CT(i+1)(C(i+1)P(i+1)CT(i+1)+R1(i+1))-1,为第一级扩展卡尔曼滤波的增益,R2(i+1)为第二级扩展卡尔曼滤波的构造误差协方差。
9.如权利要求7所述的运动训练方法,其特征在于,还包括云端服务器,被配置为,从所述终端获取用户运动数据,对用户运动数据进行脱敏处理得到脱敏数据以训练机器学习模型,将用户运动数据输入至训练好的所述机器学习模型,得到分析和评估报告,发送到用户和治疗师所使用的终端。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1至6中任意一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392420.5A CN114053679A (zh) | 2021-11-19 | 2021-11-19 | 运动训练方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392420.5A CN114053679A (zh) | 2021-11-19 | 2021-11-19 | 运动训练方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114053679A true CN114053679A (zh) | 2022-02-18 |
Family
ID=80279289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111392420.5A Pending CN114053679A (zh) | 2021-11-19 | 2021-11-19 | 运动训练方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114053679A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822127A (zh) * | 2022-04-20 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 一种基于虚拟现实设备的训练方法及训练装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130127866A1 (en) * | 2011-10-14 | 2013-05-23 | Dunlop Sports Co. Ltd. | Device, system, method and computer-readable storage medium for analyzing tennis swing motion |
CN106419930A (zh) * | 2016-11-30 | 2017-02-22 | 深圳市酷浪云计算有限公司 | 运动健康管理平台及运动智能装备 |
CN108187333A (zh) * | 2018-01-29 | 2018-06-22 | 南京邮电大学 | 上肢康复训练中的多惯性节点无线监测与评价系统及方法 |
CN108225308A (zh) * | 2017-11-23 | 2018-06-29 | 东南大学 | 一种基于四元数的扩展卡尔曼滤波算法的姿态解算方法 |
CN108379815A (zh) * | 2018-02-02 | 2018-08-10 | 梦卓科技(深圳)有限公司 | 基于弹性智能传感器节点的带实时反馈的自动化训练系统 |
CN111649747A (zh) * | 2020-06-15 | 2020-09-11 | 中国计量科学研究院 | 一种基于imu的自适应ekf姿态测量改进方法 |
-
2021
- 2021-11-19 CN CN202111392420.5A patent/CN114053679A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130127866A1 (en) * | 2011-10-14 | 2013-05-23 | Dunlop Sports Co. Ltd. | Device, system, method and computer-readable storage medium for analyzing tennis swing motion |
CN106419930A (zh) * | 2016-11-30 | 2017-02-22 | 深圳市酷浪云计算有限公司 | 运动健康管理平台及运动智能装备 |
CN108225308A (zh) * | 2017-11-23 | 2018-06-29 | 东南大学 | 一种基于四元数的扩展卡尔曼滤波算法的姿态解算方法 |
CN108187333A (zh) * | 2018-01-29 | 2018-06-22 | 南京邮电大学 | 上肢康复训练中的多惯性节点无线监测与评价系统及方法 |
CN108379815A (zh) * | 2018-02-02 | 2018-08-10 | 梦卓科技(深圳)有限公司 | 基于弹性智能传感器节点的带实时反馈的自动化训练系统 |
CN111649747A (zh) * | 2020-06-15 | 2020-09-11 | 中国计量科学研究院 | 一种基于imu的自适应ekf姿态测量改进方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822127A (zh) * | 2022-04-20 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 一种基于虚拟现实设备的训练方法及训练装置 |
CN114822127B (zh) * | 2022-04-20 | 2024-04-02 | 深圳市铱硙医疗科技有限公司 | 一种基于虚拟现实设备的训练方法及训练装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10352962B2 (en) | Systems and methods for real-time data quantification, acquisition, analysis and feedback | |
Slade et al. | An open-source and wearable system for measuring 3D human motion in real-time | |
US11679300B2 (en) | Systems and methods for real-time data quantification, acquisition, analysis, and feedback | |
Ahmadi et al. | 3D human gait reconstruction and monitoring using body-worn inertial sensors and kinematic modeling | |
US10576326B2 (en) | Method and system for measuring, monitoring, controlling and correcting a movement or a posture of a user | |
JP6369811B2 (ja) | 歩行解析システムおよび歩行解析プログラム | |
CN104981202B (zh) | 用于监测肢体偏差的方法和装置 | |
Choo et al. | Validation of the Perception Neuron system for full-body motion capture | |
JP7107264B2 (ja) | 人等の身体動作推定システム | |
US11185736B2 (en) | Systems and methods for wearable devices that determine balance indices | |
JPWO2019116495A1 (ja) | 技認識プログラム、技認識方法および技認識システム | |
Hindle et al. | Inertial-based human motion capture: A technical summary of current processing methodologies for spatiotemporal and kinematic measures | |
González et al. | Adaptive interface for personalized center of mass self-identification in home rehabilitation | |
CN114053679A (zh) | 运动训练方法及其系统 | |
JP2020120807A (ja) | 転倒リスク評価装置、転倒リスク評価方法及び転倒リスク評価プログラム | |
Hwang et al. | Motion data acquisition method for motion analysis in golf | |
CN117109567A (zh) | 用于动感单车运动的骑行姿态监测方法、系统以及穿戴式骑行姿态监测设备 | |
Hayashibe et al. | Personalized modeling for home-based postural balance rehabilitation | |
Dinh et al. | Design and implementation of a wireless wearable band for gait analysis | |
de Villa et al. | Implementation of a lower-limb model for monitoring exercises in rehabilitation | |
Cockroft | Novel motion capture methods for sports analysis: case studies of cycling and rugby goal kicking | |
WO2023163104A1 (ja) | 関節角度学習推測システム、関節角度学習システム、関節角度推測装置、関節角度学習方法、およびコンピュータプログラム | |
KR102351534B1 (ko) | 균형 능력 평가 장치 및 방법 | |
KR101387896B1 (ko) | 체질 및 건강 판단 장치 및 그의 체질 및 건강 판단 방법 | |
Russell | Wearable inertial sensors and range of motion metrics in physical therapy remote support |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |